往复压缩机现有报警方式单一,多采用"单特征值报警"与"门限报警"的方式,经常导致设备盲目停车而影响生产,无法综合分析设备当前运行状态是否异常并提前预警。针对该问题,提出一种基于状态子空间的往复压缩机自动预...往复压缩机现有报警方式单一,多采用"单特征值报警"与"门限报警"的方式,经常导致设备盲目停车而影响生产,无法综合分析设备当前运行状态是否异常并提前预警。针对该问题,提出一种基于状态子空间的往复压缩机自动预警方法。该方法提取设备运行状态信号的特征参数,构造多维特征矩阵,利用核主元分析(kernel principal component analysis,KPCA)方法对多维特征矩阵进行降维,构建状态子空间,计算正常状态和当前状态子空间之间的差异度,并通过故障案例数据自学习得到差异度指标的报警阈值。经实际故障案例验证,该方法能大幅提前往复压缩机典型故障报警时间点,提高在线状态监测系统的故障预警能力。展开更多
针对现有MOESP(multiple-input multiple-output output-error state space model identification)和N4SID(numerical algorithm for subspace state space systemidentification)算法在计算状态空间模型系统矩阵(A、B、C、D)时的不足,...针对现有MOESP(multiple-input multiple-output output-error state space model identification)和N4SID(numerical algorithm for subspace state space systemidentification)算法在计算状态空间模型系统矩阵(A、B、C、D)时的不足,提出1种改进的子空间辨识方法。该方法利用MOESP算法可以根据系统观测矩阵直接计算出系统矩阵A和输出矩阵C的优点,先计算矩阵A和C,然后采用N4SID算法计算输入矩阵B和前馈矩阵D。该方法既能够避免MOESP算法在计算矩阵B和D时需要构建大矩阵的缺点,又能避免N4SID算法在计算矩阵A和C时需要求解线性最小二乘的问题,降低了算法的复杂性。将该算法应用于某天然气电站和Alstom气化炉模型的辨识中,通过考核算法的CPU运算时间、CPU浮点数运算次数(floating-pointoperations,FLOPS)和相对误差等指标,将该算法与原有MOESP和N4SID算法进行了比较。计算结果表明,改进的子空间辨识算法能够在保证较好辨识精度的前提下,提高原有算法的计算效率,特别是在大容量数据样本条件下,能够有效降低CPU运算时间和FLOPS。展开更多
文摘往复压缩机现有报警方式单一,多采用"单特征值报警"与"门限报警"的方式,经常导致设备盲目停车而影响生产,无法综合分析设备当前运行状态是否异常并提前预警。针对该问题,提出一种基于状态子空间的往复压缩机自动预警方法。该方法提取设备运行状态信号的特征参数,构造多维特征矩阵,利用核主元分析(kernel principal component analysis,KPCA)方法对多维特征矩阵进行降维,构建状态子空间,计算正常状态和当前状态子空间之间的差异度,并通过故障案例数据自学习得到差异度指标的报警阈值。经实际故障案例验证,该方法能大幅提前往复压缩机典型故障报警时间点,提高在线状态监测系统的故障预警能力。
文摘针对现有MOESP(multiple-input multiple-output output-error state space model identification)和N4SID(numerical algorithm for subspace state space systemidentification)算法在计算状态空间模型系统矩阵(A、B、C、D)时的不足,提出1种改进的子空间辨识方法。该方法利用MOESP算法可以根据系统观测矩阵直接计算出系统矩阵A和输出矩阵C的优点,先计算矩阵A和C,然后采用N4SID算法计算输入矩阵B和前馈矩阵D。该方法既能够避免MOESP算法在计算矩阵B和D时需要构建大矩阵的缺点,又能避免N4SID算法在计算矩阵A和C时需要求解线性最小二乘的问题,降低了算法的复杂性。将该算法应用于某天然气电站和Alstom气化炉模型的辨识中,通过考核算法的CPU运算时间、CPU浮点数运算次数(floating-pointoperations,FLOPS)和相对误差等指标,将该算法与原有MOESP和N4SID算法进行了比较。计算结果表明,改进的子空间辨识算法能够在保证较好辨识精度的前提下,提高原有算法的计算效率,特别是在大容量数据样本条件下,能够有效降低CPU运算时间和FLOPS。
