[0047] 图1是本发明方法的流程框图;
[0048] 图2是本发明方法实施例中x的样本数据序列;
[0049] 图3是本发明方法实施例中x的测试样本序列。
[0050] 具体实施方法
[0051] 本发明提出的一种船舶电力推进系统变频器报警器设计方法,其流程框图如图1所示,包括以下各步骤:
[0052] (1)对于船舶电力推进系统中的380V电站,根据《钢制海船入级规范》,电站所装备的变频器A相输入电压有效值x的正常工作范围为304V~456V,x低于304V为异常过低运行状态,高于456V为异常过高运行状态,对x的采样频率为10.24KHz,令x(k),k=1,2,3,…,K是传感器对监测电压x的在线测量序列,k为采样时刻,采样数量K要大于20000。
[0053] (2)设定变频器报警器的辨识框架为Θ={NA,LA,HA},其中NA=0表示变频器处于正常运行状态,LA=1表示变频器处于异常过低运行状态亦即过低报警状态,HA=2表示变频器处于异常过高运行状态亦即过高报警状态。
[0054] (3)设报警器的输入为变频器A相电压有效值的采样值x(k),其参考值集合为R={Rm|m=1,2…,M},其中270V=R1报警器输出为变频器运行状态,记为y(k),其参考值集合为C={Cn|n=1,2,3},其中C1=NA=0,C2=LA=1,C3=HA=2。
[0055] 为了便于对输入参考值和输出运行状态结果参考值的理解,这里举例说明。设从历史数据中获得样本向量构成样本集合,样本集合中的数据经步骤(1)预处理后,可得输入电压有效值x(k)的变化范围为[240V,550V],对应输出运行状态结果是离散序列0、1、2,故可设输出运行状态结果参考值集合C={0,1,2},n=3;输入电压有效值x(k)的参考值集合R={270,280,290,310,330,350,370,390,410,430,450,470,480,490},M=14。
[0056] (4)选取步骤(1)中x的测量序列的历史数据集合作为训练样本,排成序列X={x(k),k=1,2,3,…K,K≥20000},并确知其中有KNA个测量值是在变频器处于正常运行状态时测得的,对应输出y(k)=0,KLA个测量值是在变频器处于异常过低运行状态测得的,对应输出y(k)=1,KHA个测量值是在变频器处于异常过高运行状态测得的,对应输出y(k)=2,x(k)需要覆盖x的变化区间[304V,456V],且有KNA+KLA+KHA=K。
[0057] 为便于理解,这里举例说明。从历史数据集合中选取K=39000组数据作为训练样本,排成序列X,确知其中有KNA=21000个测量值是在设备处于正常运行状态时测得的,对应输出y(k)=0;KLA=2000个测量值是在设备处于异常过低运行状态测得的,对应输出y(k)=1;KHA=16000个测量值是在设备处于异常过高运行状态测得的,对应输出y(k)=2,则有KNA+KLA+KHA=K=39000。
[0058] 将x(k)和y(k)表示成样本集合T=[x(k),y(k)],其中[x(k),y(k)]为一个样本向量,将K个样本向量[x(k),y(k)]用关系映射变换方法转化为相应的联合相似度分布,具体步骤如下:
[0059] (4‑1)求取样本向量[x(k),y(k)]中的x(k)与参考值Rm的相似度分布
[0060] Jr(x(k))={(Rm,αm)|m=1,2...,M} (1a)
[0061] 其中
[0062] αm=(Rm+1‑x(k))/(Rm+1‑Rm),αm+1=1‑αm,Rm≤x(k)≤Rm+1 (1b)
[0063] αm'=0 m'=1,2,...,M,m'≠m,m+1 (1c)
[0064] αm表示x(k)匹配参考值Rm的相似度;
[0065] (4‑2)求取样本向量[x(k),y(k)]中的y(k)匹配参考值Cn的相似度分布
[0066] Jc(y(k))={(Cn,λn)|n=1,2,3} (2a)
[0067] 其中
[0068] λn=(Cn+1‑y(k))/(Cn+1‑Cn),λn+1=1‑λn,Cn≤y(k)≤Cn+1 (2b)
[0069] λn'=0 n'=1,2,3,n'≠n,n+1 (2c)
[0070] ln表示y(k)匹配参考值Cn的相似度;
[0071] (4‑3)根据步骤(4‑1)和步骤(4‑2),样本向量[x(k),y(k)]被转化为相似度分布的形式(αmλn,αm+1λn,αmλn+1,αm+1λn+1),其中,αmλn表示x(k)匹配参考值Rm、y(k)匹配参考值Cn的联合相似度。
[0072] 为了加深对样本向量[x(k),y(k)]的联合相似度的理解,这里假设一个样本向量[x(k),y(k)]=[321,0],由式(1a)‑(1c)可得输入值x(k)匹配参考值的相似度为α4=0.45,α5=0.55;由式(2a)‑(2c)输出值y(k)匹配参考值的相似度为λ1=1,λ2=0,进而可获得样本向量[x(k),y(k)]的联合相似度分布(αmλn,αm+1λn,αmλn+1,αm+1λn+1)=(0.45,0.55,0,0)。
[0073] (5)根据步骤(4),将样本集T中的所有样本向量转化为联合相似度的形式,用它们可构造输出参考值和输入参考值之间的投点统计表,如下表1所示,其中δn,m表示所有输入值x(k)匹配参考值Rm并且输出值y(k)匹配参考值Cn的样本向量[x(k),y(k)]联合相似度之和, 表示所有输出值y(k)匹配参考值Cn的样本向量联合相似度之和,表示所有输入值x(k)匹配参考值Rm的样本向量联合相似度之和,并有
[0074] 表1样本向量[x(k),y(k)]的样本映射表
[0075]
[0076] 为了便于理解上表所示的样本映射表,沿用步骤(3)中的样本集合与参考值集合,根据步骤(4)获得样本集合所有K=39000个样本向量[x(k),y(k)]的联合相似度分布,即可构造出样本映射表,如下表3所示。
[0077] 表3样本向量[x(k),y(k)]的样本映射表
[0078]
[0079] (6)根据步骤(5)中的样本映射表,可获得当输入值x(k)取参考值Rm时,输出值y(k)为参考值Cn的信度为
[0080]
[0081] 并有 则可定义对应于参考值Rm的报警信度为
[0082] em=[ξ1,m,ξ2,m,ξ3,m] (3b)
[0083] 因此,可构造出如表2所示的报警信度分布表来描述输入x(k)和输出y(k)之间的关系;
[0084] 表2输入x(k)的报警信度分布表
[0085]
[0086] 继续沿用步骤(5)中输入值x(k)的样本映射表加深对上表所示的信度分布表的理解。根据表3,由式(3a)和式(3b)可得输入值x(k)取参考值R1=270时对应的报警信度为
[0087] e1=[0.1814,0.8186,0]
[0088] 同样地,可求取其它参考值对应的报警信度,那么即可构建输入值x(k)的报警信度分布表,如表4所示
[0089] 表4输入x(k)的报警信度分布表
[0090]
[0091] (7)对于新进的测量值x(t),t=1,2,3,…,其必然落入某两个参考值构成的区间[Rm,Rm+1],此时这两个参考值对应的报警信度em和em+1被激活,则测量值x(t)的报警信度可由参考值报警信度em和em+1以加权和的形式获得
[0092] e={(Cn,vn),n=1,2,3} (4a)
[0093] vn=αmξn,m+αm+1ξn,m+1 (4b)
[0094] (8)根据步骤(7)获得当前t时刻及其以往各个时刻关于过程变量x的报警信度et之后,可以利用报警信度融合规则将当前t时刻报警信度向量与其以往时刻的全局报警信度向量进行融合,得出当前t时刻的全局报警信度向量,记为qt=(qt(NA),qt(LA),qt(HA)),具体步骤如下:
[0095] (8‑1)当t=1时,有q1=e1=(q1(NA),q1(LA),q1(HA)),亦即全局报警信度向量即为该时刻获得的报警信度向量;
[0096] (8‑2)当t=2时,利用式(4a)和式(4b)获得t=1和t=2的报警信度e1和e2,并设定报警信度权重ai=1,报警信度可靠性bi=0.9,i=1,2,利用报警信度融合规则对它们进行融合,得到融合结果为
[0097] qt=sg,e(2),g={Cn|n=1,2,3} (5a)
[0098]
[0099]
[0100] 其中
[0101] hg,i=aivn (5d)
[0102] 亦即把t=1时刻和t=2时刻的报警信度融合得到的结果作为t=2时刻的全局报警信度;
[0103] (8‑3)当t≥3时,利用式(5a)和式(5d)对t‑1时刻的全局报警信度qt‑1和当前t时刻的报警信度et进行融合得到当前t时刻的全局报警信度qt。
[0104] 为了加深对步骤(8)的理解,这里举例说明。首先假设已知t=1,2,3这3个时刻的新进测量值x(t),关于x(t)的报警信度向量分别由公式(4a)和(4b)依次计算得到,如表5所示:
[0105] 表5输入x(t)的报警信度向量
[0106]
[0107] 按照步骤(8)可以给出3个时刻的全局报警证据分别如下:
[0108] 当t=1时,根据步骤(8‑1)可得,q1=(0.8,0,0.2);
[0109] 当t=2时,根据步骤(8‑2),取a1=a2=1,b1=b2=0.9,根据公式(5a)和(5b)融合q1=(0.8,0,0.2)和e2=(0.7,0.3,0),得到k=2时刻的全局报警向量q2=(0.89,0.09,0.02);
[0110] 当t=3时,根据步骤(8‑3),取a1=a2=1,b1=b2=0.9,根据公式(5a)和(5d)融合q2=(0.89,0.09,0.02)和e3=(0.5,0,0.5),得到k=3时刻的全局报警向量q3=(0.88,0.05,0.07)。
[0111] (9)根据步骤(8)得到的t时刻的全局报警信度向量qt=(qt(NA),qt(LA),qt(HA)),给出报警准则:若qt(HA)≥qt(NA)且qt(HA)≥qt(LA),则输出y(t)=2,过高报警,即说明此时过程变量x的测量值x(t)表明设备处于异常过高运行状态,若qt(NA)≥qt(HA)且qt(NA)≥qt(LA),则输出y(t)=0,不报警,即说明此时过程变量x的测量值x(t)表明设备处于正常运行状态,若qt(LA)≥qt(NA)且qt(LA)≥qt(HA),则输出y(t)=1,过低报警,即说明此时过程变量x的测量值x(t)表明设备处于异常过低运行状态。
[0112] 在上例中,根据3个时刻输出的全局报警信度向量,根据步骤(9)可以给出报警结果,如表6所示:
[0113] 表6报警结果输出
[0114]
[0115]
[0116] 以下结合附图,详细介绍本发明方法的实施例:
[0117] 本发明方法的流程框图如图1所示,核心部分是:在确定需要监测的变频器A相输入电压及其样本数据序列之后,使用关系映射变换法把从历史数据中得到的训练样本转化为报警信度,该报警信度体现了过程变量取值超过上限阈值或低于下限阈值的不确定性程度;利用报警信度融合规则将当前时刻报警信度向量与其以往时刻全局的报警信度向量进行融合,得到当前时刻的全局报警信度,在相关判定准则下判定是否发出警报,融合过程可以有效降低不确定性的影响,提升报警器的精准性。
[0118] 以下结合图2中所示的x(k)的样本数据序列,给出最佳实施例,详细介绍本发明方法的各个步骤。
[0119] 1、给定变频器A相输入电压x的样本数据序列x(k)。
[0120] 变频器输入x的样本数据序列x(k)如图2所示,K的取值为39000,通过统计可知x变化的范围是[240V,550V]。
[0121] 2、输入电压有效值x(k)及输出运行状态结果y(k)参考值的选取。
[0122] 样本集合中的数据经步骤(1)预处理后,可得输入电压有效值x(k)的变化范围为[240V,550V],对应输出运行状态结果是离散序列0、1、2,故可设输出运行状态结果参考值集合C={0,1,2},n=3;输入电压有效值x(k)的参考值集合R={270,280,290,310,330,
350,370,390,410,430,450,470,480,490},M=14。
[0123] 3、获取样本向量[x(k),y(k)]关于参考值的相似度形式,构造样本向量[x(k),y(k)]的样本映射表。
[0124] 利用序列x(k)的K=39000组数据作为训练样本,确知其中有KNA=21000个测量值是在设备处于正常运行状态时测得的,对应输出y(k)=0;KLA=2000个测量值是在设备处于异常过低运行状态测得的,对应输出y(k)=1;KHA=16000个测量值是在设备处于异常过高运行状态测得的,对应输出y(k)=2,则有KNA+KLA+KHA=K=39000。利用这39000组训练样本集合中所有样本向量[x(k),y(k)]的相似度分布,构造如本发明方法步骤(5)中表1所示的样本映射表,输入样本向量[x(k),y(k)]的样本映射表如下表7所示:
[0125] 表7样本向量[x(k),y(k)]的样本映射表
[0126]
[0127]
[0128] 4、根据本发明方法步骤(6)求取输入x(k)各参考值对应的报警信度,并构造信度分布表。
[0129] 根据本发明方法步骤(5)获得各输入x(k)的样本映射表之后,依照本发明方法的步骤(6)获得输入x(k)各参考值对应的报警信度,进而构造出输入x(k)的报警信度分布表,如下表8所示:
[0130] 表8输入x(k)的报警信度分布表
[0131]
[0132] 5、新进测量值x(t)激活报警信度分布表得到报警信度,利用报警信度融合规则综合得到全局报警信度。
[0133] 已知t=1,2,3这3个时刻的新进测量值x(t),关于x(t)的报警信度向量分别由步骤(7)中公式(4a)和(4b)依次计算得到,如表9所示:
[0134] 表9输入x(t)的报警信度向量
[0135]
[0136] 按照步骤(8)可以给出3个时刻的全局报警证据分别如下:
[0137] 当t=1时,根据步骤(8‑1)可得,q1=(0.8,0,0.2);
[0138] 当t=2时,根据步骤(8‑2),取a1=a2=1,b1=b2=0.9,根据公式(5a)和(5d)融合q1=(0.8,0,0.2)和e2=(0.7,0.3,0),得到k=2时刻的全局报警向量q2=(0.89,0.09,0.02);
[0139] 当t=3时,根据步骤(8‑3),取a1=a2=1,b1=b2=0.9,根据公式(5a)和(5d)融合q2=(0.89,0.09,0.02)和e3=(0.5,0,0.5),得到k=3时刻的全局报警向量q3=(0.88,0.05,0.07)。
[0140] 6、依据报警准则进行报警决策。
[0141] 根据步骤(9)可以给出报警结果,如表10所示:
[0142] 表10报警结果输出
[0143]
[0144]
[0145] 7、同传统报警方法的比较
[0146] 选用图3所示的测试样本序列,在100次随机实验下将报警信度融合方法与时间延迟方法、数字滤波方法等传统方法就误报率、漏报率进行比较,如表11所示:
[0147] 表11各种报警方法比较
[0148] 方法 误报率 漏报率时间延迟方法(%) 15.45 16.71
数字滤波方法(%) 27.63 7.55
报警信度融合方法(%) 3.73 1.11