一种机电设备温度预警方法

摘要

本发明公开了一种机电设备温度预警方法，包括步骤：一、机电设备运行温度的检测；二、温度时间序列的传输；三、温度时间序列的分析处理及温度预警，其具体过程如下：步骤301、预测下一采样时刻机电设备温度时间序列的温度预测值，步骤302、确定温度预警识别框架{1，…，k，θ}，步骤303、温度预警计算机根据预先建立并训练好的三层BP神经网络，确定出DS证据理论中证据源的基本概率分配；步骤304、温度预警计算机根据DS证据理论的证据组合规则对n个证据源的基本概率分配进行时域融合，得到预警结果M（A）。本发明的方法实现简单，温度预警可靠性高，降低了预警的不确定性，实时性高，适用范围广，便于推广使用。

主权项

一种机电设备温度预警方法，其特征在于该方法包括以下步骤：步骤一、机电设备运行温度的检测：温度采集装置（1）对机电设备的运行温度进行周期性检测，并将检测得到的温度采样值按照时间的先后顺序进行排列，形成温度时间序列；步骤二、温度时间序列的传输：温度采集装置（1）将所述温度时间序列通过数据通信模块（2）实时传输给温度预警计算机（3）；步骤三、温度时间序列的分析处理及温度预警，其具体过程如下：步骤301、温度预警计算机（3）对其接收到的温度时间序列，应用自回归移动平均模型建立温度预测模型ARIMA(p,d,q)，并根据温度预测模型ARIMA(p,d,q)得到下一采样时刻的机电设备温度时间序列的温度预测值；其中，温度预测模型ARIMA(p,d,q)的表达式为：$\begin{array}{cc}\Phi \left(B\right){▿}^d{X}_t=c+\Theta \left(B\right){ϵ}_t& t=\mathrm{1,2},···,T\end{array}$其中，X_t为t时刻的温度预测值，T为样本容量，B为后移算子且BX_t=X_t‑1，X_t‑1为t‑1时刻的温度采样值，B^k为k步后移算子且B^kX_t=X_t‑k，X_t‑k为t‑k时刻的温度采样值，为后向差分算子且d为差分次数，c为常数，ε_t为t时刻的白噪声；Φ(B)为自回归算子且Φ(B)=1‑φ₁B‑φ₂B²‑…‑φ_pB^p，p为自回归阶数，φ₁,φ₂,…,φ_p为自回归系数；Θ(B)为移动平均算子且Θ(B)=1‑θ₁B‑θ₂B²‑…‑θ_qB^q，q为移动平均阶数，θ₁,θ₂,…,θ_q为移动平均系数；步骤302、温度预警计算机（3）根据机电设备运行的温度范围、温度预警等级和DS证据理论确定温度预警识别框架{1，…，k，θ}，预警等级编号j=1～k，其中，k为预警等级数，θ为预警结果不确定；步骤303、温度预警计算机（3）根据预先建立并训练好的三层BP神经网络，确定出DS证据理论中证据源的基本概率分配：首先，将步骤一中得到的温度采样值或步骤301中得到的温度预测值输入预先建立并训练好的三层BP神经网络中，得出三层BP神经网络的输出；然后，以三层BP神经网络的输出作为DS证据理论的证据源并根据基本概率分配计算公式：$\left\{\begin{array}{c}{M}_i\left(j\right)=\frac{B_i\left(j\right)\alpha }{\underset{j=1}{\overset{k}{\Sigma }}{B}_i\left(j\right)}\\ M_o\left(\theta \right)=1-\alpha \end{array}\right.$确定出DS证据理论中证据源的基本概率分配；其中，i为机电设备的运行温度的采样时刻顺序且i=1,2,…,n，n为将要进行时域融合的连续采样时刻的个数；j为预警等级编号，k为预警等级数，α为对证据源的信任程度；B_i(j)为第i采样时刻的温度采样值或温度预测值对应的三层BP神经网络判断结果为j的输出；M_i(j)为对第i采样时刻的证据源判断结果为j的基本概率分配；M_i(θ)为对第i采样时刻的证据源判断结果为θ的基本概率分配；其中，预先建立并训练三层BP神经网络的具体过程为：步骤3031、建立三层BP神经网络：以步骤一中得到的温度采样值或步骤301中得到的温度预测值作为BP神经网络的输入，输入节点数为1，以预警等级数k作为BP神经网络的输出节点数，以预警等级对应的期望输出矩阵作为BP神经网络的输出，隐层节点数为输入节点数与输出节点数之和，建立三层BP神经网络；其中，所述期望输出矩阵为k行1列矩阵，预警等级为j时第j行的矩阵元素为1，其余k‑1行的矩阵元素均为0；步骤3032、训练三层BP神经网络：在机电设备运行温度的可能取值范围内，随机提取m个温度值作为所述三层BP神经网络的输入，并以m个温度值分别对应的m个期望输出矩阵作为所述三层BP神经网络的输出，构建训练样本，对所述三层BP神经网络进行训练并得到训练好的三层BP神经网络；步骤304、温度预警计算机（3）根据DS证据理论的证据组合规则对n个证据源的基本概率分配进行时域融合，得到预警结果M（A）；所述证据组合规则为：$M\left(A\right)=\frac{1}{1-K}\times \underset{a\cap b=A}{\Sigma }{M}_1\left(a\right)\times M_2\left(b\right)$其中，K为M₁（a）对应的证据源与M₂（b）对应的证据源的不一致因子，A为温度预警识别框架{1，…，k，θ}的任意一个元素且A=1，…，k或θ，a为M₁对应的焦元且a=1，…，k或θ，b为M₂对应的焦元且b=1，…，k或θ；M₁（a）和M₂（b）为两个独立的证据源对应的基本概率分配。