一种机电设备无感智能控制方法及系统与流程

1.本发明涉及机电控制技术领域，尤其涉及一种无传感器的水泵监测、分析、预警、控制的智能系统。


背景技术：

2.水泵的用途广泛，包括城市供给水、污水系统、土木和建筑系统、农业水利系统、电站系统、化工系统等，随着城市化的不断发展，对水泵的需求更大。用户用水需求是随时间变化的，它和水泵机组的额定流量不匹配，水泵长期低效运行耗费大量电能。用户只能从水泵的电机铭牌上看到额定参数，无法看到流量-扬程曲线、流量-功率曲线和流量-效率曲线，更无法设置工况点在高效运行区间。
3.机电设备额定功率运行效率是最高的，对于建筑用水，用户的用水呈周期性的，因此工频下运行会造成极大的能源浪费，且会造成系统疲劳、维护成本升高。


技术实现要素：

4.为了克服以上现有技术存在的不足之处，利用数据采集监测系统及由此建立的数学模型提供一种无传感器、智能化的机电设备无感智能控制方法，方法如下：采集一次机电设备的流量、压力数据，实时采集机电设备的设备信息，所述设备信息包括电流、功率数据、工作频率数据、转速数据、温度数据、振动数据；对所述设备信息进行预处理生成第一数据集，所述预处理包括：将压力数据转换为扬程、利用振动数据降噪过滤环境噪音、采集到的设备信息随时间推移产生的历史数据进行裁剪和压缩；使用深度学习gru算法，依据所述第一数据集作为历史数据，所述历史数据用平滑窗口切分为固定长度的数据作为标签，所述历史数据分别滞后1～5位后合并，对滞后的历史数据使用平滑窗口切分为固定长度的数据作为输入，当前时刻的输入与上一时刻的状态合并后经过线性和非线性操作，得到重置门，上一时刻的状态信息包含之前的特征，重置门的作用就是控制上一时刻的状态信息写入当前状态候选集。当前时刻的输入与上一时刻的状态合并后经过线性和非线性操作，得到更新门，由更新门控制上一时刻的状态和当前时刻状态候选集的比例得到当前状态信息。由当前时刻状态得到当前时刻输出，当前时刻标签和当前时刻输出的绝对误差作为反向传播，训练、、和矩阵，误差收敛得到模型，将滞后数据作为输入，得到预测后的数据；将预测后的数据与历史数据合并，合并数据再作为矩阵模型的输入，循环，直到预设长度结束；所述重置门：所述更新门：所述当前时刻状态候选集：
当前时刻状态：当前时刻输出：其中，为当前时刻输入，为上一时刻的状态,、、和为可训练的矩阵，为激活函数。
5.进一步的，所述读取预先设置的机电设备的流量值，采集机电设备工作频率压力数据，将压力数据转换为扬程，使用正交多项式最小二乘拟合得到机电设备最大工作频率性能曲线，取最大工作频率和最小工作频率的中位数，根据水泵相似定律可以得到该中位数频率的变频曲线，取变频曲线的最大值点，如果最大值点的横坐标小于流量值，则把该中位数频率设为最小工作频率，重复上面的操作，如果最大值点的横坐标大于流量值，则把该中位数频率设为最大工作频率，重复上面的操作，如果最大值点的横坐标和流量的绝对差值小于阈值，则得到该中位数频率为机电设备最高效率的工作频率。
6.优先的，所述机电设备通过手动或使用预测后的数据自动设置运行点，所述运行点包含流量数据和扬程数据，在系统获得运行点后，使用正交多项式最小二乘拟合得到机电设备最大工作频率性能曲线，取最大工作频率和最小工作频率的中位数，根据水泵相似定律可以得到该中位数频率的变频曲线，将运行点的横坐标代入变频曲线，得到变频曲线的纵坐标，如果变频曲线纵坐标小于运行点纵坐标，则把该中位数频率设为最小工作频率，重复上面的操作，如果变频曲线纵坐标大于运行点纵坐标，则把该中位数频率设为最大工作频率，重复上面的操作，如果变频曲线纵坐标和运行点纵坐标的绝对差值小于一个设定值，则得到该中位数频率为机电设备最高效率的工作频率。
7.一种机电设备无感智能控制系统，其特征在于，执行运用机电设备无感智能控制方法，包括：数据采集监测系统，云端存储系统，现场终端、远程终端，所述数据采集监测系统包括采集系统和监测系统，所述采集系统由超声波流量计和数字压力表组成，超声波流量计用于读取所述机电设备的流量数据，数字压力表用于读取所述机电设备的压力数据；所述监测系统由变频器、温度传感器、振动测量仪组成，所述变频器与机电设备相连，用于控制机电设备并实时监测机电设备的电流、功率、工作频率、转速，所述温度传感器安装在机电设备的头部和尾部。振动测量仪用于实时监测机电设备的振动；所述云端存储系统运行在云端，用于存储数据；所述现场终端与数据采集监测系统相连，所述变频器通过modbus_tcp协议实现与所述现场终端通讯，所述温度传感器通过modbus_rtu协议实现与现场终端通讯，所述现场终端内设有用于存储数据的存储器和执行计算的处理器，所述存储器可件数据上传至云端存储系统, 所述数据预处理系统将压力数据转换为扬程、利用振动数据降噪过滤环境噪音、采集到的设备信息随时间推移产生的历史数据进行裁剪和压缩；根据权利要求1所述的一种机电设备无感智能控制方法，所述数据分析系统包括自动寻优模块、预测模块、预警模块；
所述预测模块用于将现场终端采集到的机电设备历史数据通过深度学习gru算法得到预测后的极限状态数据；所述自动寻优模块用于将预测后的极限状态数据计算得到极限性能曲线，通过读取预先设置的机电设备的流量值，使用迭代逼近算法，得到机电设备的最优工作频率。
8.所述预警模块根据预测模块的数据、机电设备的振动频率作为决策依据，控制现场终端及时发出制动信号，并发送异常信息给远程终端。
9.所述远程终端可从现场终端或云端存储系统下载数据，所述远程终端内设有用于存储数据的存储器和执行计算的处理器，所述远程终端可将运行点信息发送至现场终端，现场终端接收到运行点信息后调节变频器的参数。
10.优先的，所述机电设备包括但不限于水泵、中央空调。
11.优先的，所述远程终端包括但不限于电脑、手机、平板。
12.本发明有益效果：本发明使用超声波流量计、数字压力表和变频器获取水泵的基础数据，存储在云端存储系统，现场终端实时监测机电设备的电流、功率和转速，通过机器学习分析得到流量和能耗并形成报表；为优化机电设备运行效率提供建议；分析电流、功率和转速的异常波动及时发出警报，经过分析后在终端显示，实现了集监测、分析、预警、控制、可视化的机电设备无感智能控制系统。
附图说明
13.为了易于说明，本发明由下述的较佳实施例及附图作以详细描述。
14.图1为本发明一种机电设备无感智能控制方法及系统的系统结构示意图；图2为本发明一种机电设备无感智能控制方法及系统的系统执行流程图；图3为本发明一种机电设备无感智能控制方法执行流程图。
具体实施方式
15.为使本发明申请的实施目的、技术方案和特点更加清楚，下面将结合本技术实施例中的附图，对本发明申请实施的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明申请的一部分例子，而并非全部实施案例。通常在此处附图中描述和展示出的本发明申请实施例的可以有不同的配置来布置和设计。
16.因此，以发明申请中提供的施例详细描述并非旨在限制本技术要求保护的的范围，而是仅仅表示本技术的特定实施案例。基于本技术中的实施案例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明申请保护的范围。
17.本实施案例提供一种无传感器、智能化的机电设备无感智能控制方法，下面对本发明实施例提供的方案进行详细阐述:：采集系统仅在设备投入运营之前现场采集一次机电设备的流量、压力数据，实时采集机电设备的设备信息，所述设备信息包括电流、功率数据、工作频率数据、转速数据、温度数据、振动数据；对所述设备信息进行预处理生成第一数据集，所述预处理包括：将压力数据转换为扬程、利用振动数据降噪过滤环境噪音、采集到的设备信息随时间推移产生的历史数据进行裁剪和压缩；使用深度学习gru算法，依据所述第一数据集作为历史数据，所述历史数据用平滑
窗口切分为固定长度的数据作为标签，所述历史数据分别滞后1～5位后合并，对滞后的历史数据使用平滑窗口切分为固定长度的数据作为输入，当前时刻的输入与上一时刻的状态合并后经过线性和非线性操作，得到重置门，上一时刻的状态信息包含之前的特征，重置门的作用就是控制上一时刻的状态信息写入当前状态候选集。当前时刻的输入与上一时刻的状态合并后经过线性和非线性操作，得到更新门，由更新门控制上一时刻的状态和当前时刻状态候选集的比例得到当前状态信息。由当前时刻状态得到当前时刻输出，当前时刻标签和当前时刻输出的绝对误差作为反向传播，训练、、和矩阵，误差收敛得到模型，将滞后数据作为输入，得到预测后的数据；将预测后的数据与历史数据合并，合并数据再作为矩阵模型的输入，循环，直到预设长度结束；所述重置门：所述更新门：所述当前时刻状态候选集：当前时刻状态：当前时刻输出：其中，为当前时刻输入，为上一时刻的状态,、、和为可训练的矩阵，为激活函数。
18.所述读取预先设置的机电设备的流量值，采集机电设备工作频率压力数据，将压力数据转换为扬程，使用正交多项式最小二乘拟合得到机电设备最大工作频率性能曲线，取最大工作频率和最小工作频率的中位数，根据水泵相似定律可以得到该中位数频率的变频曲线，取变频曲线的最大值点，如果最大值点的横坐标小于流量值，则把该中位数频率设为最小工作频率，重复上面的操作，如果最大值点的横坐标大于流量值，则把该中位数频率设为最大工作频率，重复上面的操作，如果最大值点的横坐标和流量的绝对差值小于阈值，则得到该中位数频率为机电设备最高效率的工作频率。
19.所述机电设备通过手动或使用预测后的数据自动设置运行点，所述运行点包含流量数据和扬程数据，在系统获得运行点后，使用正交多项式最小二乘拟合得到机电设备最大工作频率性能曲线，取最大工作频率和最小工作频率的中位数，根据水泵相似定律可以得到该中位数频率的变频曲线，将运行点的横坐标代入变频曲线，得到变频曲线的纵坐标，如果变频曲线纵坐标小于运行点纵坐标，则把该中位数频率设为最小工作频率，重复上面的操作，如果变频曲线纵坐标大于运行点纵坐标，则把该中位数频率设为最大工作频率，重复上面的操作，如果变频曲线纵坐标和运行点纵坐标的绝对差值小于一个设定值，则得到
该中位数频率为机电设备最高效率的工作频率。
20.一种机电设备无感智能控制系统，其特征在于，执行运用机电设备无感智能控制方法，包括：数据采集监测系统，云端存储系统，现场终端、远程终端，所述数据采集监测系统包括采集系统和监测系统，所述采集系统由超声波流量计和数字压力表组成，超声波流量计用于读取所述机电设备的流量数据，数字压力表用于读取所述机电设备的压力数据；所述监测系统由变频器、温度传感器、振动测量仪组成，所述变频器与机电设备相连，用于控制机电设备并实时监测机电设备的电流、功率、工作频率、转速，所述温度传感器安装在机电设备的头部和尾部。振动测量仪用于实时监测机电设备的振动；所述云端存储系统运行在云端，用于存储数据；所述现场终端与数据采集监测系统相连，所述变频器通过modbus_tcp协议实现与所述现场终端通讯，所述温度传感器通过modbus_rtu协议实现与现场终端通讯，所述现场终端内设有用于存储数据的存储器和执行计算的处理器，所述存储器可件数据上传至云端存储系统, 所述数据预处理系统将压力数据转换为扬程、利用振动数据降噪过滤环境噪音、采集到的设备信息随时间推移产生的历史数据进行裁剪和压缩；根据权利要求1所述的一种机电设备无感智能控制方法，所述数据分析系统包括自动寻优模块、预测模块、预警模块所述预测模块用于将现场终端采集到的机电设备历史数据通过深度学习gru算法得到预测后的极限状态数据；所述自动寻优模块用于将预测后的极限状态数据计算得到极限性能曲线，通过读取预先设置的机电设备的流量值，使用迭代逼近算法，得到机电设备的最优工作频率。
21.所述预警模块根据预测模块的数据、机电设备的振动频率作为决策依据，控制现场终端及时发出制动信号，并发送异常信息给远程终端。
22.所述数据可视化系统用于将预测模块分析结果进行展示。
23.所述远程终端可从现场终端或云端存储系统下载数据，所述远程终端内设有用于存储数据的存储器和执行计算的处理器，所述远程终端可将运行点信息发送至现场终端，现场终端接收到运行点信息后调节变频器的参数。
24.所述机电设备包括但不限于水泵、中央空调。
25.所述远程终端包括但不限于电脑、手机、平板。
26.本发明的一个实施例以水泵为例，公开了一种机电设备无感智能控制方法及系统，如图1所示，包括数据采集监测系统，云端存储系统，现场终端、远程终端；其中，数据采集监测系统与水泵相连，用于实时监测水泵的状态，并将状态数据传输到数据传输系统；数据采集监测系统将接收到的数据发送到云端存储系统和现场终端；远程终端从云端存储系统中下载数据，数据经过预处理后进行分析，最后可视化展示。
27.特别说明，本发明实施例中一种机电设备无感智能控制方法及系统，可适用所有供排水系统。
28.所述数据采集监测系统包括采集系统和监测系统，数据采集系统包括超声波流量计、数字压力表，在水泵电机额定运行状态下，分别
使用超声波流量计和数字压力表测量20组不同流量值和对应的压力数据（水泵进出口、用户端的压力p1、p2、p3），监测系统由变频器、温度传感器、振动测量仪组成，变频器实时监测电流、工作频率、功率及转速等，默认监测时间间隔为5s每次，用户可自行修改监测时间间隔。
29.需要说明的是，为了保证测量的准确性，数据采集系统可使用3套超声波流量计和数字压力表测量。
30.数据采集系统和现场终端均安装在泵站，现场终端支持有线或无线传输数据，使用以太网接口实现modbus tcp通讯协议将电流、工作频率、功率及转速、温度、振动数据传送到网关，然后通过4g、5g、wifi等无线方式将数据传输到云端存储系统中，工作人员将数据下载到远程终端，远程终端运算处理完成后显示在终端。
31.需要说明的是，用户可以搭建自己的云端存储系统，也可以租用第三方的云服务器，出用安全性考虑，用户也可以选择将数据直传到远程终端，无需将数据上传到云端存储系统。
32.现场终端、远程终端包括数据预处理系统、数据分析系统、数据可视化系统；数据预处理系统将接受到的数据进行分割提取，得到目标数据，目标数据为文本数据，将目标数据转为整型，部分数据还需进行转换，比如，压力表采集到的数据转换得到水泵的扬程，采集的超声波需要去除环境噪音；将压力数据转换为扬程、利用振动测量仪监测水泵电机得到的振动数据降噪过滤环境带来得影响、采集到的设备信息随时间推移产生的历史数据进行裁剪和压缩；数据分析系统包括自动寻优模块、预测模块、预警模块；预测模块，使用超声波流量计和数字压力表采集并转换得流量数据和扬程数据，因为无法使水泵在极限状态运行，也无法采集到水泵极限状态的数据，就无法拟合真正的水泵性能曲线，因此预测模块是非常必要的；采集一次水泵的流量、压力数据，实时采集水泵的设备信息，所述设备信息包括电流、功率数据、工作频率数据、转速数据、温度数据、振动数据；对所述设备信息进行预处理生成第一数据集，所述预处理包括：将压力数据转换为扬程、利用振动数据降噪过滤环境噪音、采集到的设备信息随时间推移产生的历史数据进行裁剪和压缩；使用深度学习gru算法，依据所述第一数据集作为历史数据，所述历史数据用平滑窗口切分为固定长度的数据作为标签，所述历史数据分别滞后1～5位后合并，对滞后的历史数据使用平滑窗口切分为固定长度的数据作为输入，当前时刻的输入与上一时刻的状态合并后经过线性和非线性操作，得到重置门，上一时刻的状态信息包含之前的特征，重置门的作用就是控制上一时刻的状态信息写入当前状态候选集。当前时刻的输入与上一时刻的状态合并后经过线性和非线性操作，得到更新门，由更新门控制上一时刻的状态和当前时刻状态候选集的比例得到当前状态信息。由当前时刻状态得到当前时刻输出，当前时刻标签和当前时刻输出的绝对误差作为反向传播，训练、、和矩阵，误差收敛得到模型，将滞后数据作为输入，得到预测后的数据；自动寻优模块按照预测模块的分析结果，自动寻找最佳的工作频率，并将工作频率传递给变频器，从而实现高效节能；
数据可视化系统用于将预测模块分析结果进行展示。
33.将预测后的数据与历史数据合并，合并数据再作为矩阵模型的输入，循环，直到预设长度结束；所述重置门：所述更新门：所述当前时刻状态候选集：当前时刻状态：当前时刻输出：其中，为当前时刻输入，为上一时刻的状态,、、和为可训练的矩阵，为激活函数。
34.所述水泵的流量数据、压力数据通过压力和扬程换算公式得到水泵的极限性能曲线后，读取预先设置的水泵的流量值，使用迭代逼近算法，设置两个频率，工作频率的变量1，和0 hz的变量2，根据相似定律得到变量2的性能曲线，计算该性能曲线和极限性能曲线的交点，如果预先设置的流量值大于交点横坐标，则计算交点处的频率并赋值给变量2，否则计算交点处的频率并赋值给变量1，不断迭代直到流量值和交点横坐标的绝对值之差小于设定阈值时结束。
35.所述水泵的流量数据、压力数据通过压力和扬程换算公式得到水泵的极限性能曲线后，水泵通过手动或使用预测后的数据自动设置运行点，在系统获得运行点后，以现场读取到的水泵性能数据为基础，使用迭代逼近算法得到一定误差内的运行点性能曲线，得到该运行点的工作频率。
36.预警模块根据预测模块的分析结果、水泵的异常振动作为决策依据，控制器及时发出制动信号，并发送异常信息给工作人员第一时间维修。根据分析结果判断水泵的寿命，提前通知做好更换的准备。
37.系统具有故障预警，而且对故障具备一定的容错性，不会对水泵发出立即停车命令。例如系统的中某个传感器损坏，现场终端仅会发送预警信息告知工作人员更换传感器。单个传感器监测得到一个时间序列，如果单个时间序列异常作为控制策略，会影响系统的正常运行，因此必须考虑多元时间序列。现有的技术未考虑多元时间序列之间的关系,例如小波分析、arima等，本发明使用图注意力网络实现，它结合图神经网络和注意力机制。对多元时间序列使用滑动窗口进行切片得到一个矩阵。矩阵第一列的元素作为节点，通过自注意力去计算每个节点之间的相关性（矩阵），矩阵其它列也是如此操作。相关性矩阵是一个
对称矩阵，如果相关性矩阵中有超过两个值低于设定的阈值（标签为二值序列，正常为0，异常为1，标签长度和时间序列切片个数一致，通过反向传播得到阈值），那么就说明有超过一个传感器数据异常，则水泵异常。
38.计算节点和节点的相关性：其中，、分别为节点和节点，为可训练矩阵，为激活函数，为节点总数。
39.数据可视化系统将采集到的数据动态展示、分析结果静态展示，让水泵的状态一目了然。