因此，9-16離心風(fēng)機(jī)，離心風(fēng)機(jī)選擇了lhs方法對(duì)離心風(fēng)機(jī)的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行采集。離心風(fēng)機(jī)在實(shí)驗(yàn)的初始階段，收集的數(shù)據(jù)不應(yīng)超過(guò)總實(shí)驗(yàn)數(shù)據(jù)的25%。假設(shè)收集的總數(shù)據(jù)n=10天d為輸入變量的維數(shù)，初始實(shí)驗(yàn)中收集的實(shí)驗(yàn)數(shù)據(jù)n 0應(yīng)滿足n 0<0.25n=2.5d的要求，因此本文采用n 0=0。實(shí)驗(yàn)初期采用25n作為實(shí)驗(yàn)數(shù)據(jù)。數(shù)據(jù)采集的硬件實(shí)現(xiàn)方案如圖1所示。首先，用傳感器測(cè)量被測(cè)通風(fēng)機(jī)的入口壓力、溫度、流量和轉(zhuǎn)速。然后將測(cè)量數(shù)據(jù)通過(guò)總線傳輸?shù)絛aq數(shù)據(jù)采集系統(tǒng)。離心風(fēng)機(jī)的daq數(shù)據(jù)采集系統(tǒng)通過(guò)i/o設(shè)備將數(shù)據(jù)打包到上位機(jī)中。由于變量之間的維數(shù)差異，采集到的數(shù)據(jù)沒(méi)有直接應(yīng)用于模型訓(xùn)練，因此有-對(duì)數(shù)據(jù)進(jìn)行規(guī)范化，即將無(wú)量綱數(shù)據(jù)轉(zhuǎn)換為無(wú)量綱數(shù)據(jù)，并將采集到的數(shù)據(jù)映射到[0，1]的范圍內(nèi)，以提高模型的收斂速度和精度。模型。模型訓(xùn)練和模型驗(yàn)證離心風(fēng)機(jī)性能預(yù)測(cè)模型的訓(xùn)練結(jié)構(gòu)如圖2所示。該結(jié)構(gòu)可分為兩部分：數(shù)據(jù)采集與處理和模型訓(xùn)練。前者主要完成實(shí)驗(yàn)數(shù)據(jù)的采集和處理，后者實(shí)現(xiàn)了性能預(yù)測(cè)模型的建立和驗(yàn)證。首先，采用lhs方法采集離心風(fēng)機(jī)的實(shí)驗(yàn)數(shù)據(jù)入口溫度、壓力、流量和風(fēng)機(jī)轉(zhuǎn)速，并對(duì)離心風(fēng)機(jī)數(shù)據(jù)進(jìn)行處理，用于lssvm模型。
這些方法往往需要復(fù)雜的數(shù)學(xué)計(jì)算和重復(fù)的實(shí)驗(yàn)設(shè)計(jì)，建模周期長(zhǎng)，成本高，存在風(fēng)機(jī)歷史運(yùn)行數(shù)據(jù)使用不足，造成信息資源浪費(fèi)等問(wèn)題。近年來(lái)，隨著-算法的發(fā)展，數(shù)據(jù)驅(qū)動(dòng)建模方法逐漸應(yīng)用于風(fēng)機(jī)性能預(yù)測(cè)。基于離心風(fēng)機(jī)的歷史運(yùn)行數(shù)據(jù)，提出了一種基于模糊rbf神經(jīng)網(wǎng)絡(luò)的離心風(fēng)機(jī)建模方法。該方法取得了一定的效果。然而，神經(jīng)網(wǎng)絡(luò)建模所需的數(shù)據(jù)量大，建模周期長(zhǎng)，建模數(shù)據(jù)分布不優(yōu)化，可能導(dǎo)致建模數(shù)據(jù)過(guò)度集中，容易陷入局部較優(yōu)。.大型離心風(fēng)機(jī)性能預(yù)測(cè)方法，采用lssvm算法和離心風(fēng)機(jī)歷史運(yùn)行數(shù)據(jù)建立性能預(yù)測(cè)模型，離心風(fēng)機(jī)采用lhs方法-建模數(shù)據(jù)在建模區(qū)間內(nèi)均勻分布，提高模型的通用性。離心風(fēng)機(jī)的數(shù)據(jù)采集是建立離心風(fēng)機(jī)模型的基礎(chǔ)，因此有-設(shè)計(jì)實(shí)驗(yàn)來(lái)采集-的離心風(fēng)機(jī)模型數(shù)據(jù)。影響離心風(fēng)機(jī)性能的輸入變量很多，忽略了二次變量的影響。影響離心風(fēng)機(jī)性能的主要變量是進(jìn)口壓力、進(jìn)口溫度、進(jìn)口流量和轉(zhuǎn)速。選擇出口壓力作為衡量離心風(fēng)機(jī)性能的指標(biāo)。為了提高模型的通用性，避免局部建模，采集的訓(xùn)練和測(cè)試數(shù)據(jù)應(yīng)均勻分布在風(fēng)機(jī)的整個(gè)運(yùn)行范圍內(nèi)。lhs采用分層采樣，將采樣間隔均勻劃分為若干等分，并在每個(gè)部分隨機(jī)采集數(shù)據(jù)，-了數(shù)據(jù)分布的均勻性，避免了數(shù)據(jù)過(guò)度集中。
離心風(fēng)機(jī)模型訓(xùn)練完成后，將測(cè)試數(shù)據(jù)應(yīng)用到所建立的模型中，驗(yàn)證模型的有效性。如果所建立的離心風(fēng)機(jī)模型滿足建模的停止條件，則應(yīng)用該模型。如果建立的模型不能滿足建模的停止條件，低壓離心風(fēng)機(jī)，則需要收集更多的數(shù)據(jù)進(jìn)行模型訓(xùn)練。本文選取rbf核函數(shù)作為lssvm的核函數(shù)。通過(guò)網(wǎng)格搜索方法得到核參數(shù)。煤礦主通風(fēng)機(jī)采用離心風(fēng)機(jī)。本文以離心風(fēng)機(jī)為研究對(duì)象。采用lssvm算法建立了風(fēng)機(jī)性能預(yù)測(cè)模型，驗(yàn)證了該方法的有效性。離心風(fēng)機(jī)模型培訓(xùn)和測(cè)試樣本從現(xiàn)場(chǎng)分布式控制系統(tǒng)中獲得。采用lhs法，濰坊離心風(fēng)機(jī)，從離心風(fēng)機(jī)穩(wěn)定運(yùn)行區(qū)選取100組數(shù)據(jù)進(jìn)行模型培訓(xùn)，選擇50組試驗(yàn)數(shù)據(jù)進(jìn)行模型驗(yàn)證，模型培訓(xùn)的停止條件為rmse<0.05。離心風(fēng)機(jī)利用matlab實(shí)現(xiàn)了上述模型。圖3顯示了具有不同訓(xùn)練樣本數(shù)的預(yù)測(cè)模型的rmse。從圖3可以看出，隨著訓(xùn)練樣本的增加，預(yù)測(cè)模型的rmse值不斷下降，終趨于穩(wěn)定。當(dāng)訓(xùn)練樣本數(shù)為30時(shí)，南通離心風(fēng)機(jī)，模型滿足訓(xùn)練停止條件。當(dāng)模型滿足停止條件時(shí)，即使使用30個(gè)訓(xùn)練樣本，模型的預(yù)測(cè)值也與實(shí)際值進(jìn)行比較。由圖4可以看出，該模型能較好地預(yù)測(cè)離心風(fēng)機(jī)的出力，預(yù)測(cè)值與實(shí)際數(shù)據(jù)吻合較好。
登錄后臺(tái)
