国产三级在线观看播放,国产农村妇女精品一二区,国产精品久久久,国产肥熟女视频一区二区三区,国产成人精品亚洲777人妖

火電廠流量計生產(chǎn)控制系統(tǒng)及測量數(shù)據(jù)的特點 火電廠生產(chǎn)流程中使用了大量不同型號的測量儀表,這些儀表在測量原理、精度、數(shù)據(jù)的重要程度等方面各不相同.從經(jīng)濟成本與效益核算的角度考量,無法對所有待測對象都使用高品質(zhì)、長壽命的儀表,也無法使用多臺儀表同時測量.根據(jù)測量對象的重要程度和測量環(huán)境的惡劣程度,配備不同個數(shù)和型號的測量儀,這就使測量過程中各類數(shù)據(jù)呈現(xiàn)參差不齊的品質(zhì),摻雜著原因繁多的誤差信號,對電廠運行人員的日常監(jiān)視與操作造成了不可忽略的影響,有些情況嚴重的誤差甚至?xí)l(fā)系統(tǒng)連鎖誤動作,造成重大生產(chǎn)事故.對測量數(shù)據(jù)進行恰當(dāng)?shù)奶幚?濾除掩蓋真值的高頻波動以及對同一測點不同組數(shù)據(jù)進行合理融合,可以彌補硬件設(shè)備性能的缺陷,為控制系統(tǒng)提供更高品質(zhì)的現(xiàn)場狀態(tài)信息,為高精度協(xié)調(diào)控制奠定堅實基礎(chǔ)[1].電廠實時采樣數(shù)據(jù)特征呈現(xiàn)高度的時變性和非線性,現(xiàn)行常用的數(shù)據(jù)在線處理算法由于難以快速把握時變的數(shù)據(jù)特征,難以滿足電廠控制系統(tǒng)的需求. 本文以電廠數(shù)據(jù)特征為基礎(chǔ),構(gòu)造了一個數(shù)據(jù)處理模型:快速適應(yīng)并準確估計當(dāng)前數(shù)據(jù)的特征;根據(jù)數(shù)據(jù)特征對高頻波動進行恰當(dāng)?shù)臑V除,并將不同數(shù)據(jù)進行融合,融合過程中定量地剔除離群較大值.模型構(gòu)造的著重點在于對數(shù)據(jù)特征快速準確的估計. 1 生產(chǎn)控制系統(tǒng)及測量數(shù)據(jù)的特點 火電廠的生產(chǎn)控制系統(tǒng)是典型的大規(guī)模復(fù)雜系統(tǒng),其特征為: （1）系統(tǒng)正常運轉(zhuǎn)時狀態(tài)變量變化平滑緩慢,呈現(xiàn)大遲滯特性; （2）大部分生產(chǎn)環(huán)節(jié)采用邏輯門組合判斷方式調(diào)節(jié),系統(tǒng)運行規(guī)律呈現(xiàn)高度非線性; （3）系統(tǒng)龐大復(fù)雜,且非獨立完整的一套系統(tǒng),通常由幾大獨立系統(tǒng)協(xié)調(diào)運作,系統(tǒng)間通過通訊接口互傳少量關(guān)鍵信息; （4）系統(tǒng)可控設(shè)備數(shù)量眾多,每套設(shè)備都有不同的自身特性. （5）現(xiàn)場工況復(fù)雜,干擾因素眾多,實際數(shù)據(jù)特性與先驗值或理論值存在較大差距; 現(xiàn)場測量對象很多,如流量、溫度、水位、壓力等,本文主要針對流量計采入的數(shù)據(jù)進行實時處理.現(xiàn)場流量測量對象有水流、油流、蒸汽流等,每種工質(zhì)各自具有不同的穩(wěn)、暫態(tài)特性,但存在如下共同特點: （1）多數(shù)流量的真值呈現(xiàn)低頻非線性變化特性,少數(shù)保持固定值基本不變; （2）測量值的誤差通常包括:電信號生成與傳遞時由于電荷布朗運動呈現(xiàn)的噪聲,常規(guī)復(fù)雜工況引起傳感器工作不穩(wěn)定,偶然發(fā)生且無法預(yù)知的較強擾動.以上各種誤差的疊加呈現(xiàn)近似的高斯分布,也有極少數(shù)呈現(xiàn)其他類型的分布. （3）同一待測對象的各種同型傳感器的實際測量誤差表現(xiàn)常常與標稱等級不符,并且常常隨工況改變而發(fā)生相應(yīng)變化[2]; （4）重要的流量測量過程采用多個同型傳感器同時測量; 2 常用數(shù)據(jù)處理方法及其局限 電廠控制系統(tǒng)常用的數(shù)據(jù)處理包括數(shù)據(jù)的濾波和多傳感器數(shù)據(jù)的融合2個環(huán)節(jié). 濾波環(huán)節(jié)使用的是一階滯后濾波法,也叫一階時延濾波法.其公式為: 其中:TS為算法固定常數(shù),T1為可調(diào)時延常數(shù).該算法在當(dāng)前電站控制系統(tǒng)中十分常用,如西門子電站控制系統(tǒng)SPPA2T3000中所有監(jiān)測模塊都集成有該算法,時延常數(shù)T1人為設(shè)定.該算法公式簡易,計算量小.但T1的設(shè)定依賴待測對象的特點,過小不能有效濾除波動,過大則滯后明顯,靈敏度低. 另外,最小均方（LMS）自適應(yīng)濾波器是現(xiàn)行的無先驗信息支持的濾波器中理論性較完備且適用廣泛的一種典型的自適應(yīng)濾波器[3].它使得濾波器的輸出信號與期望響應(yīng)之間誤差的均方值最小,因此稱為最小均方（LMS）自適應(yīng)濾波器.構(gòu)成自適應(yīng)數(shù)字濾波器的基本部件是自適應(yīng)線性組合器.設(shè)線性組合器的M個輸入為x（k-1）,?,x（k-M）,其輸出y（k）是這些輸入加權(quán)后的線性組合,即: 漂移）的程度,衡量指標通常用數(shù)據(jù)期望μ.由于標稱的測量值不可靠,需要對誤差標準差做即時的估計.目前無論是使用泛的貝塞爾公式估計法還是其他數(shù)字方法,幾乎都是利用采樣規(guī)模為n的滑動窗采樣數(shù)據(jù)的樣本作為當(dāng)前信號的總體標準差估計的來源[2,5-6],即時估計效果不是很理想.通常的融合算法較多關(guān)注數(shù)據(jù)的準確性,權(quán)重一般由數(shù)據(jù)相互支持度算得[7-8],并且需要按經(jīng)驗設(shè)定閾值[9],這類算法對于剔除漂移值較有效.權(quán)系數(shù)向量Wi用梯度法求得值[4].該算法有較強的適應(yīng)性,但階數(shù)M的取值在一定程度上仍依賴測量對象的波動情況.當(dāng)M大時,適合隨機波動大但理想真值基本穩(wěn)定的系統(tǒng),但過大會占用較多系統(tǒng)資源;當(dāng)M小時,適合隨機波動小但理想真值變化較快的系統(tǒng),但過小則算法輸出相當(dāng)不穩(wěn)定. 其他常用方法有限幅濾波法、中位值濾波法、算術(shù)平均濾波法、遞推平均濾波法、中位值平均濾波法、限幅平均濾波法及加權(quán)遞推平均濾波法等.這些算法的共同點和一階滯后濾波類似,計算簡潔,不占系統(tǒng)空間,缺點是對于不同特點的高頻誤差需要設(shè)定不同的參數(shù),通用性較差. 綜上所述,電廠數(shù)據(jù)處理模型的設(shè)計存在以下困難: （1）數(shù)據(jù)融合環(huán)節(jié).流量計先驗標稱值（如誤差等級）不可靠,且數(shù)據(jù)特征呈現(xiàn)難以預(yù)見的時變性,這些特點對算法的快速反應(yīng)能力提出了很高的要求.現(xiàn)行算法難以快速準確地提取融合環(huán)節(jié)所需要的數(shù)據(jù)特征,尤其是靈敏性和抗干擾性難以兼得.在數(shù)據(jù)融合環(huán)節(jié),恰當(dāng)?shù)娜诤峡梢蕴岣邤?shù)據(jù)的精確性.精確性分為精密性和準確性,精密性體現(xiàn)在數(shù)據(jù)的波動程度,衡量指標通常用誤差的標準差σ;準確性體現(xiàn)在數(shù)據(jù)的理想值相對真值偏移 （2）（濾波環(huán)節(jié).無法列出系統(tǒng)確切的狀態(tài)轉(zhuǎn)移矩陣和系統(tǒng)輸入向量.基于系統(tǒng)運行機理和先驗統(tǒng)計特性的數(shù)據(jù)預(yù)處理算法（如卡爾曼濾波及其改進算法）難以運用到本課題研究的工況[10].現(xiàn)行多數(shù)基于數(shù)理統(tǒng)計的算法中,對于不同的監(jiān)測對象,需要在一處或多處設(shè)定不同的算法參數(shù),當(dāng)同一監(jiān)測對象的數(shù)據(jù)特征發(fā)生變化時,算法參數(shù)也需要做相應(yīng)調(diào)整.現(xiàn)場眾多的監(jiān)測對象以及復(fù)雜的工況使得設(shè)定系數(shù)成為工作量很大且技術(shù)性較強的工作. 3 有效數(shù)據(jù)處理模型的建立 本文基于數(shù)理統(tǒng)計原理,結(jié)合電廠控制系統(tǒng)與流量計數(shù)據(jù)特點,建立一個較有效的處理算法.算法對采樣數(shù)據(jù)進行在線分析以及對數(shù)據(jù)特征迅速而較準確的提取,并構(gòu)造一個可根據(jù)數(shù)據(jù)的瞬態(tài)特性實時調(diào)節(jié)參數(shù)、具有廣泛適應(yīng)性的數(shù)據(jù)處理模型. （1）對每臺儀表的誤差標準差σ和數(shù)據(jù)期望μ即時估計,以估計值作為濾波器輸出;對于μ和σ均時變情況下σ的估算,本文采用一種簡單有效的間接方法:設(shè)某時刻與前一時刻采樣值分別為Xk與Xk-1,均近似服從高斯分布.由于誤差波動的頻率與真值變化的頻率相差至少3個數(shù)量級（根據(jù)現(xiàn)場測試經(jīng)驗）,即序列相關(guān)分量在相鄰采樣點之間的影響因素在千分之一以下,Xk與Xk-1可以按相互獨立考慮.令d=Xk-Xk-1,d服從N（0,2σ2）分布,,對于d的或然誤差ρd有下式: （2）對濾波后的數(shù)據(jù)進行加權(quán)融合,權(quán)重根據(jù)估計值和動態(tài)調(diào)整. 結(jié)合電廠數(shù)據(jù)的誤差特性,算法模型可以基于高斯分布的統(tǒng)計量特征進行設(shè)計.首先是對μ和σ估值.由于數(shù)據(jù)具有時變性,即采樣序列中存在序列相關(guān)分量,本文中μ僅表示當(dāng)前時刻下采樣數(shù)據(jù)的期望,前一時刻可能不同于后一時刻.同樣,σ也如此.μ和σ都是數(shù)據(jù)的統(tǒng)計特征,利用經(jīng)典的貝塞爾公式需要大量或者至少一定規(guī)模的采樣值才可以較準確的估算出來,這對于μ和σ恒定的情況比較有效,當(dāng)兩個指標均隨工況動態(tài)改變時,很難達到理想效果.貝塞爾公式中采樣點數(shù)n的選取難以確定,n較小時估算值波動較大;n較大時系統(tǒng)占用系統(tǒng)資源較多,且由于信號序列中相關(guān)分量的累積影響導(dǎo)致遲滯嚴重;n取適中某值時,兩種缺點并存. 信號的隨機分布曲線中,平行于縱軸、與分布中心μ距離為ρ的左右兩條直線將分布曲線包圍的面積分為三部分,信號在[μ-ρ,μ+ρ]及該區(qū)間以外的概率各為50%,ρ稱為或然誤差.如果分布類型為高斯分布,則有ρ=0.675σ.即:只要估算出ρd便可推出σ,由于d的期望為零,比直接估算σ難度大大降低.由于d的分布關(guān)于縱軸對稱,可以只考慮正半?yún)^(qū)間（實際操作時將d取值后處理）.設(shè)ρ的估值為當(dāng) ≠ρ時,被分隔的兩部分面積不相等,誤差落入兩個區(qū)域的概率也不同.如果給予當(dāng)前產(chǎn)生的dk一個適當(dāng)?shù)臋?quán)重作為的修正項,使向dk落入的那個區(qū)域方向移動,由統(tǒng)計學(xué)特性可知,通過不斷的迭代修正,將依概率逼近ρ,并具備無偏估計的優(yōu)良特性. 式中的不等式項為布爾項,當(dāng)不等式成立時該項為1,否則為0. 為正、負向修正項,修正公式初步設(shè)計如下: 為了保持公式的結(jié)構(gòu)性,式（6）、式（7）未化為最簡式.算法初始時通過貝塞爾公式得到初始估值之后每次采樣通過對dk和的特征提取對其進行修正,修正算法如下: R為右移跟蹤參數(shù),L為左移跟蹤參數(shù),算法初始時Td不起作用,所以R和L初值分別設(shè)為1.當(dāng)明顯偏小時,Td將以幾何級數(shù)迅速增大,反之迅速縮小.其中系數(shù)的設(shè)定沒有特別的技巧,起增大作用的系數(shù)大于1,起縮小作用的系數(shù)為0～1即可.實驗確定當(dāng)系數(shù)分別為1.2和0.6時跟蹤性能普遍較好.同時鑒于幾何級數(shù)爆炸式的膨脹特性,為了防止Td發(fā)生過激變化而產(chǎn)生系數(shù)的振蕩,R和L都設(shè)定一個小于1的正值作為下限,例如設(shè)為0.2,以限制幾何級數(shù)過分作用.正、負向修正項均采用指數(shù)函數(shù)架構(gòu)修正權(quán)重.先將當(dāng)前采入量進行標準化處理,獲得相對增量,然后代入負指數(shù)函數(shù)計算出修正權(quán)重,使快速且平穩(wěn)地逼近ρdk.采用指數(shù)函數(shù)架構(gòu)的目的是使修正環(huán)節(jié)定量忽略掉明顯的離群值,以保障算法的穩(wěn)健性.標準化處理的目的是使修正公式的性能基本不受信號具體值大小的影響.正、負向修正項系數(shù)不,但需要配套,即保證兩個方向的修正強度相平衡.當(dāng)修正系數(shù)較大時,調(diào)節(jié)力度明顯,靈敏度高,但波動較大;當(dāng)修正系數(shù)較小時,調(diào)節(jié)力度微弱,波動較小,但靈敏度低.當(dāng)ρdk發(fā)生較大改變時,可能導(dǎo)致修正環(huán)節(jié)過于遲緩,發(fā)生估值器跟蹤失敗.為了解決上述矛盾,模型將修正系數(shù)定為較小值,同時在式（6）、式（7）中添加“跟蹤因子”.當(dāng)ρdk顯著改變時,該因子可以迅速加大修正幅度,實現(xiàn)估算的靈敏性.定義跟蹤因子為Td,具體算法如下: 接下來是將濾波后的多組傳感器數(shù)據(jù)進行融合.本文在融合環(huán)節(jié)將數(shù)據(jù)的兩種特征指標有機結(jié)合起來,綜合給定各數(shù)據(jù)的融合權(quán)重.利用σ^k構(gòu)造精密度因子,利用由數(shù)據(jù)歐式距離表達的支持度函數(shù)構(gòu)造準確度因子.利用精密度因子和準確度因子乘積的平方作為原始權(quán)重因子,再將其歸一化,得到最終處理值,表達式如下: 當(dāng)ρdk顯著變化時,跟蹤因子可以使快速追蹤.但當(dāng)μk發(fā)生明顯改變時,dk的分布由正態(tài)變?yōu)槠珣B(tài),偏離程度與μ的變化速率正相關(guān),此時式（3）不再成立,而跟蹤因子將會誤以為ρdk增大而做出誤判斷.所以在式（6）、（7）中引入因子Td的同時,還要引入“誤判抑制因子”Pd. 將Td因子和Pd因子引入到式（6）、（7）中,得: 式（3）～式（5）與式（8）～式（15）聯(lián)立可得到完整的σ估值模型. 關(guān)于uk的估算,與σ的估算類似.算法初始時通過臨近采樣值平均法估算出,然后每次采樣后進行修正,修正模型如下: Tμ為跟蹤因子.與σ估計模型類似,Tμ在μk改變時,可以提高模型的靈敏度.由于μk的性質(zhì),不會出現(xiàn)σk估算時候的誤判斷現(xiàn)象,所以無須引入誤判抑制因子.將作為數(shù)據(jù)的濾波輸出值. 式（3）～式（5）、式（8）～式（21）組成了本文的估值模型.完成對數(shù)據(jù)特征的即時提取以及基于數(shù)據(jù)特征而進行相應(yīng)的濾波. 真值顯著變化的過程中,相鄰采樣點的間距|dk-1|出現(xiàn)高值的概率顯著增加,導(dǎo)致算法誤判斷為標準差增大而使跟蹤因子Td迅速增長,而Pd則能識別出這種情況,并以相應(yīng)的強度予以抑制.式中常系數(shù)為遺忘因子,使Pd只體現(xiàn)最近一段時間μ的變化趨勢;UP為上升趨勢參數(shù);DN為下降趨勢參數(shù).μ不變時數(shù)據(jù)只是圍繞μ上下波動,UP與DN基本相當(dāng).由于遺忘因子的作用,UP與DN會快速收斂到一個恰當(dāng)?shù)膮^(qū)間,所以UP與DN對初值要求不高,只要正負相反、幅值相等,并明顯大于誤差幅度即可,但是過大會造成收斂過慢致使因子Pd遲遲不起作用,一般取與Xk同數(shù)量級的常數(shù)即可. 式中的因子采用二階式,具有很高的區(qū)分度,可以通過極低的權(quán)重自動摒棄波動劇烈和漂移明顯的數(shù)據(jù),不需要像文獻[9]中那樣設(shè)立閾值. 4 仿真實驗 電廠某重要給水管道被4套同型傳感器在線監(jiān)測,傳感器新舊程度及安裝位置各不同,標稱誤差等級均為1,實際測量情況均與標稱值有出入,并且隨流量的改變發(fā)生一定程度的變化.本文用以下函數(shù)模擬該管道由于負荷變化使調(diào)節(jié)閥逐漸開大,水流由7t/h上升至13t/h的流量信號采樣過程.采樣周期為200ms,采樣2000次,其中信號在[7,13]內(nèi),波動幅度隨流速增大逐漸減小. X1（i）～X4（i）為原始采樣信號,其中1#、2#的測量值基本合格,3#數(shù)據(jù)有明顯漂移,4#高頻波動十分顯著.用2種現(xiàn)行常用算法與本文算法在同一系統(tǒng)環(huán)境下進行仿真與比較,處理后數(shù)據(jù)誤差的標準差見表1（每種方法實驗20次后取均值）. 由于篇幅所限,以4#傳感器為例（4#運行狀況惡劣,典型性）,LMS算法與本文算法效果如圖1、圖2所示. 對于誤差的標準差的在線估計是本文算法模型的一個特別之處.以1#、4#為例,誤差的標準差的實時估計如圖3所示（仿真程序有意令初值與理想值產(chǎn)生一定程度的偏離,以測試算法的靈敏性）. 由仿真結(jié)果和數(shù)據(jù)效果圖可以看出: 1原信號900～1100次采樣過程的真值發(fā)生了較大幅度的改變.現(xiàn)行算法常常通過減小迭代計算樣本容量或時延參數(shù)提高跟蹤性能,但穩(wěn)定性會隨之降低.本文算法的參數(shù)不需要調(diào)節(jié),并且沒有因為考慮到抗擾性能而削弱跟蹤性能. 2LMS及其他現(xiàn)行算法對于高頻波動惡劣的信號抗擾性非常弱,尤其是00次采樣的迭代估算輸出值波動依然十分劇烈.本文算法的明顯優(yōu)勢在于:對于不同程度的高頻波動均有較良好的抑制效果,估算輸出值較為穩(wěn)定,對系統(tǒng)監(jiān)測人員有較高的參考價值.本文算法較現(xiàn)行其他算法多出標準差估計環(huán)節(jié),能夠以較高的精度對數(shù)據(jù)波動性做出即時估算,對瞬時期望值的估計有較高的指導(dǎo)意義. 在數(shù)據(jù)融合環(huán)節(jié),由于本文算法對數(shù)據(jù)特征有靈敏準確的即時估計,使得融合過程能地向品質(zhì)較好的傳感器數(shù)值靠攏.而引用文獻[9]中的兩種算法,融合過程不考慮信號誤差的標準差,雖然可以很好糾正類似3#傳感器那樣發(fā)生漂移的數(shù)據(jù),但當(dāng)出現(xiàn)類似4#傳感器的數(shù)據(jù)時,融合效果很受影響. 在數(shù)據(jù)濾波環(huán)節(jié),傳統(tǒng)方法各有優(yōu)劣,但共同的不足是不能很好地適應(yīng)實際工況瞬息變化的需求,算法的參數(shù)需要隨實際工況進行人為經(jīng)驗性的調(diào)整,甚至每臺測量儀對應(yīng)的數(shù)字濾波器在不同的時間段都需要設(shè)定不同的參數(shù).本文算法通過對數(shù)據(jù)特征的即時估計,對不同情況的波動定量的做相應(yīng)修正,使算法在各種工況下均有較好的效果,尤其是在波動越大時算法優(yōu)勢越明顯,并且在理想值變動的過程中能夠及時跟蹤.算法模型中所有的系數(shù)均為固定值,無須二次調(diào)整,且內(nèi)存中只存取前次估計值和少數(shù)中間變量,極大程度地節(jié)省計算資源,計算所用時間也有明顯優(yōu)勢. 從仿真結(jié)果可以看出,本文算法中輸出值與理想值的誤差不論是在濾波環(huán)節(jié)還是數(shù)據(jù)融合環(huán)節(jié)都是較小的.該算法能夠廣泛地適應(yīng)火電廠復(fù)雜的工況.火電廠生產(chǎn)流程中使用了大量流量計.由于工況的復(fù)雜性,工質(zhì)流量數(shù)據(jù)特征呈現(xiàn)高度的非線性和時變性,給生產(chǎn)系統(tǒng)的監(jiān)測與控制造成了不可忽視的影響,而現(xiàn)行的常規(guī)數(shù)據(jù)處理方法難以滿足系統(tǒng)的要求.基于誤差分布的數(shù)理統(tǒng)計規(guī)律,結(jié)合生產(chǎn)實際中的需求,構(gòu)造了一種針對火電廠流量計數(shù)據(jù)特性的有效數(shù)據(jù)處理模型,可以實時提取數(shù)據(jù)特征,并自動根據(jù)當(dāng)前數(shù)據(jù)情況對模型即時調(diào)整.實驗結(jié)果表明:該數(shù)據(jù)處理算法對于電廠的流量數(shù)據(jù)處理比其他算法更加有效.推薦產(chǎn)品.電磁流量計,壓力變送器,金屬浮子流量計,超聲波流量計,渦街流量計,渦輪流量計,熱電偶