CN116560251A - 一种用于对空压站进行仿真控制的方法 - Google Patents

Abstract

本发明涉及空压站技术领域，具体是一种用于对空压站进行仿真控制的方法，步骤如下：S1、数据采集；S2、制作仿真模型；S3、仿真模型优化；S4、配置仿真模型；S5、运行优化：空压站运行过程中对运行数据收集，收集数据与仿真模型数据进行对比，根据对比数据，对仿真模型优化。本发明把采集的数据通过数字模型算法并对算法转换，完成仿真模型的制作，制作后进行调试、优化，增加模型的精准度，本发明制作的仿真模型通过优化可适配不同的空压站，通过误差计算模型与自学习模型对仿真模型优化，可自动进行优化，避免人为介入的麻烦，空压站的运行过程中同时对仿真模型进行优化操作，提高仿真模型控制的精准度。

Description

一种用于对空压站进行仿真控制的方法

技术领域

本发明涉及空压站技术领域，具体是一种用于对空压站进行仿真控制的方法。

背景技术

空压站就是压缩空气站，由空气压缩机、储气罐、空气处理净化设备、冷干机组成，压缩空气站在厂内的布置，应根据以下因素确定经技术经济方案，空压站仿真用于对空压站的产气性能进行仿真，目前，空压站仿真大多都是基于空气动力学或者热力学机理来实现的，因此母管压力趋势预测的准确性难以得到保证，尤其地，基于热力学机理来实现空压站仿真的方式需要获取空压站的基础属性，而这样的基础属性获取难度非常大，进而使得相应的空压站仿真难以很好的实现，因此，有必要提供一种用于对空压站进行仿真控制的技术，使得能够更容易地实现对空压站的仿真，进而有助于更准确高效地对空压站中的空压机进行控制。

中国专利公开了用于对空压站进行仿真控制的方法、设备和介质，(授权公告号CN115343967B)，该专利技术根据该方法，在云端服务器处，获取在第一历史时间段内采集到的关于空压站的多个第一样本数据集合，对多个第一样本数据集合进行处理，以得到分别与第一历史时间段的多个步长相关联的多个第二样本数据集合，基于多个第二样本数据集合训练预先构建的空压站仿真模型，以及将经训练的空压站仿真模型发送给边缘服务器，以供边缘服务器在当前步长处，基于经训练的空压站仿真模型为空压站确定下一步长的最佳空压机开机组合，但是，上述空压站进行仿真控制的方法通过传感器采集的数据直接制作仿真模型，此种方式制作的仿真模型针对性较强，不同空压站需要制作单独的仿真模型，仿真模型制作成本高，且制作过程费时费力，没有后续优化导致重复出现相同问题，不利于降低故障率，仿真模型控制的精准度较低。因此，本领域技术人员提供了一种用于对空压站进行仿真控制的方法，以解决上述背景技术中提出的问题。

发明内容

本发明的目的在于提供一种用于对空压站进行仿真控制的方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种用于对空压站进行仿真控制的方法，步骤如下：

S1、数据采集：仿真控制系统内的数据采集器连接空压站的控制系统，空压站内传感器的信息同步到数据采集器，进行数据采集，采集后的数据存储到云存储内，并对其数据进行排列，十次采集的数据分为一组，分析数据去除项目内采集的最大值与最小值，并得出其他八次采集数值的平均数作为仿真模型的基准值保存备用；

S2、制作仿真模型：根据S1中采集数据制作的基准值，制作仿真模型，所述仿真模型的制作步骤如下：

S201、根据云盘上存储的基准值建立数字模型，根据建立的数字模型以及计算机精度和时间等要求，确定采用的数值计算方法；

S202、将数学模型按算法要求通过分解、综合、等效变换等方法转换成适于在计算机上运行的公式、方程等；

S203、用开发语言进行算法编程和实现；

S204、通过上机运行调试，不断加以改进，使之正确反映系统各项动态性能指标，并得到仿真模型；

S3、仿真模型优化：通过S2中的仿真模型制作误差计算模型与自学习模型，通过误差计算模型与自学习模型对仿真模型优化；

S4、配置仿真模型：把模型配置到空压站，设置参数，首次运行空压站，检查仿真模型与空压站的匹配度，出现偏差后，更改仿真模型的内容，使其适配空压站；

S5、运行优化：空压站运行过程中对运行数据收集，收集数据与仿真模型数据进行对比，根据对比数据，对仿真模型优化，调节偏差量，增加其控制精度。

作为本发明进一步的方案：所述S2中开发语言基于MATLAB编程语言，所述MATLAB编程语言是用于数据采集、处理、存储的一种非线性计算处理工具，MATLAB主要用于将数据和可计算信息转化为程序接口。

作为本发明再进一步的方案：所述S3中误差计算模型是反应神经网络期望输出与计算输出之间误差大小的函数，其函数表达式如下： 所述tpi为i节点的期望输出值，所述Opi为i节点计算输出值。

作为本发明再进一步的方案：所述S3中自学习模型是神经网络学习过程中，连接下层节点与上层节点之间的权重矩阵Wij的设定和误差修正过程，自学习模型函数表达式如下：ΔWij(n+1)＝h×Φi×Oj+a×ΔWij(n)，所述h为学习因子，所述Φi为输出节点i的计算误差，所述Ij为输出节点j的计算输出，所述a为动量因子，所述n为输出节点数。

作为本发明再进一步的方案：所述S3中仿真模型优化内容如下：

S301、学习因子h的优化：采用变步长法根据输出误差大小自动调整学习因子，来减少迭代次数和加快收敛速度，其公式如下，所述为a为调整步长，a在0～1之间取值；

S302、隐藏节点数的优化：隐藏节点数的多少对网络性能的影响较大，当隐藏节点数太多时，会导致网络学习时间过长，甚至不能收敛，当隐藏节点数过小时，网络的容错能力差，利用逐步回归分析法并进行参数的显著性检来动态删除一些线性相关的隐藏节点，节点删除标准：当由该节点出发指向下一层节点的所有权值和阈值均落于死区之中，该节点可删除，最佳隐藏节点数L可参考下面公式计算：所述m为输入节点数，所述n为输出节点数，所述c为1～10之间的常数；

S303、输入和输出神经元的确定：利用多元回归分析法随神经网络的输入参数进行处理，删除相关性较强的输入参数，来减少输入节点数；

S304、算法优化：用基于生物免疫机制的免疫遗传算法IGA取代传统的BP算法，通过免疫遗传算法IGA对仿真模型优化。

作为本发明再进一步的方案：所述S4中参数内容如下：空压机运行功率、空压机排气温度、空压机排气压力、空压机运行状态、相关联母管压力数据、母管流量、母管温度数据。

与现有技术相比，本发明的有益效果是：

1.本发明空压站进行仿真控制的方法把采集的数据通过数字模型算法并对算法转换，完成仿真模型的制作，制作后进行调试、优化，增加模型的精准度，本发明制作的仿真模型通过优化可适配不同的空压站，提高其适配范围，降低空压站的制作成本，通过误差计算模型与自学习模型对仿真模型优化，可自动进行优化，避免人为介入的麻烦，优化操作省时省力；

2.空压站的运行过程中同时对仿真模型进行优化操作，避免同样问题再次出现，提高仿真模型控制的精准度，降低故障率，具有成长性，运行过程中优化，再次提高仿真模型的适配度。

具体实施方式

实施例

一种用于对空压站进行仿真控制的方法，步骤如下：

S1、数据采集：仿真控制系统内的数据采集器连接空压站的控制系统，空压站内传感器的信息同步到数据采集器，进行数据采集，采集后的数据存储到云存储内，并对其数据进行排列，十次采集的数据分为一组，分析数据去除项目内采集的最大值与最小值，并得出其他八次采集数值的平均数作为仿真模型的基准值保存备用；

S2、制作仿真模型：根据S1中采集数据制作的基准值，制作仿真模型，仿真模型的制作步骤如下：

S201、根据云盘上存储的基准值建立数字模型，根据建立的数字模型以及计算机精度和时间等要求，确定采用的数值计算方法；

S202、将数学模型按算法要求通过分解、综合、等效变换等方法转换成适于在计算机上运行的公式、方程等；

S203、用开发语言进行算法编程和实现，开发语言基于MATLAB编程语言，MATLAB编程语言是用于数据采集、处理、存储的一种非线性计算处理工具，MATLAB主要用于将数据和可计算信息转化为程序接口；

S204、通过上机运行调试，不断加以改进，使之正确反映系统各项动态性能指标，并得到仿真模型；

S3、仿真模型优化：通过S2中的仿真模型制作误差计算模型与自学习模型，通过误差计算模型与自学习模型对仿真模型优化，误差计算模型是反应神经网络期望输出与计算输出之间误差大小的函数，其函数表达式如下： tpi为i节点的期望输出值，Opi为i节点计算输出值，自学习模型是神经网络学习过程中，连接下层节点与上层节点之间的权重矩阵Wij的设定和误差修正过程，自学习模型函数表达式如下：ΔWij(n+1)＝h×Φi×Oj+a×ΔWij(n)，h为学习因子，Φi为输出节点i的计算误差，Oj为输出节点j的计算输出，a为动量因子，n为输出节点数，仿真模型优化内容如下：

S301、学习因子h的优化：采用变步长法根据输出误差大小自动调整学习因子，来减少迭代次数和加快收敛速度，其公式如下，为a为调整步长，a在0～1之间取值；

S302、隐藏节点数的优化：隐藏节点数的多少对网络性能的影响较大，当隐藏节点数太多时，会导致网络学习时间过长，甚至不能收敛，当隐藏节点数过小时，网络的容错能力差，利用逐步回归分析法并进行参数的显著性检来动态删除一些线性相关的隐藏节点，节点删除标准：当由该节点出发指向下一层节点的所有权值和阈值均落于死区之中，该节点可删除，最佳隐藏节点数L可参考下面公式计算：m为输入节点数，n为输出节点数，c为1～10之间的常数；

S303、输入和输出神经元的确定：利用多元回归分析法随神经网络的输入参数进行处理，删除相关性较强的输入参数，来减少输入节点数；

S304、算法优化：用基于生物免疫机制的免疫遗传算法IGA取代传统的BP算法，通过免疫遗传算法IGA对仿真模型优化；

S4、配置仿真模型：把模型配置到空压站，设置参数，首次运行空压站，检查仿真模型与空压站的匹配度，出现偏差后，更改仿真模型的内容，使其适配空压站，参数内容如下：空压机运行功率、空压机排气温度、空压机排气压力、空压机运行状态、相关联母管压力数据、母管流量、母管温度数据；

S5、运行优化：空压站运行过程中对运行数据收集，收集数据与仿真模型数据进行对比，根据对比数据，对仿真模型优化，调节偏差量，增加其控制精度。

以上所述的，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种用于对空压站进行仿真控制的方法，其特征在于，步骤如下：

S1、数据采集：仿真控制系统内的数据采集器连接空压站的控制系统，空压站内传感器的信息同步到数据采集器，进行数据采集，采集后的数据存储到云存储内，并对其数据进行排列，十次采集的数据分为一组，分析数据去除项目内采集的最大值与最小值，并得出其他八次采集数值的平均数作为仿真模型的基准值保存备用；

S2、制作仿真模型：根据S1中采集数据制作的基准值，制作仿真模型，所述仿真模型的制作步骤如下：

S201、根据云盘上存储的基准值建立数字模型，根据建立的数字模型以及计算机精度和时间等要求，确定采用的数值计算方法；

S202、将数学模型按算法要求通过分解、综合、等效变换等方法转换成适于在计算机上运行的公式、方程等；

S203、用开发语言进行算法编程和实现；

S204、通过上机运行调试，不断加以改进，使之正确反映系统各项动态性能指标，并得到仿真模型；

S3、仿真模型优化：通过S2中的仿真模型制作误差计算模型与自学习模型，通过误差计算模型与自学习模型对仿真模型优化；

S4、配置仿真模型：把模型配置到空压站，设置参数，首次运行空压站，检查仿真模型与空压站的匹配度，出现偏差后，更改仿真模型的内容，使其适配空压站；

S5、运行优化：空压站运行过程中对运行数据收集，收集数据与仿真模型数据进行对比，根据对比数据，对仿真模型优化，调节偏差量，增加其控制精度。

2.根据权利要求1所述的一种用于对空压站进行仿真控制的方法，其特征在于，所述S2中开发语言基于MATLAB编程语言，所述MATLAB编程语言是用于数据采集、处理、存储的一种非线性计算处理工具，MATLAB主要用于将数据和可计算信息转化为程序接口。

3.根据权利要求1所述的一种用于对空压站进行仿真控制的方法，其特征在于，所述S3中误差计算模型是反应神经网络期望输出与计算输出之间误差大小的函数，其函数表达式如下：所述tpi为i节点的期望输出值，所述Opi为i节点计算输出值。

4.根据权利要求1所述的一种用于对空压站进行仿真控制的方法，其特征在于，所述S3中自学习模型是神经网络学习过程中，连接下层节点与上层节点之间的权重矩阵Wij的设定和误差修正过程，自学习模型函数表达式如下：ΔWij(n+1)＝h×Φi×Oj+a×ΔWij(n)，所述h为学习因子，所述Φi为输出节点i的计算误差，所述Oj为输出节点j的计算输出，所述a为动量因子，所述n为输出节点数。

5.根据权利要求1所述的一种用于对空压站进行仿真控制的方法，其特征在于，所述S3中仿真模型优化内容如下：

S301、学习因子h的优化：采用变步长法根据输出误差大小自动调整学习因子，来减少迭代次数和加快收敛速度，其公式如下，所述为a为调整步长，a在0～1之间取值；

S302、隐藏节点数的优化：隐藏节点数的多少对网络性能的影响较大，当隐藏节点数太多时，会导致网络学习时间过长，甚至不能收敛，当隐藏节点数过小时，网络的容错能力差，利用逐步回归分析法并进行参数的显著性检来动态删除一些线性相关的隐藏节点，节点删除标准：当由该节点出发指向下一层节点的所有权值和阈值均落于死区之中，该节点可删除，最佳隐藏节点数L可参考下面公式计算：所述m为输入节点数，所述n为输出节点数，所述c为1～10之间的常数；

S303、输入和输出神经元的确定：利用多元回归分析法随神经网络的输入参数进行处理，删除相关性较强的输入参数，来减少输入节点数；

S304、算法优化：用基于生物免疫机制的免疫遗传算法IGA取代传统的BP算法，通过免疫遗传算法IGA对仿真模型优化。

6.根据权利要求1所述的一种用于对空压站进行仿真控制的方法，其特征在于，所述S4中参数内容如下：空压机运行功率、空压机排气温度、空压机排气压力、空压机运行状态、相关联母管压力数据、母管流量、母管温度数据。