【壓縮機網(wǎng)】隨著(zhù)人工智能技術(shù)的快速發(fā)展，深度學(xué)習在各個(gè)領(lǐng)域的應用也日趨廣泛。本文旨在探討AI深度學(xué)習在空壓系統策略?xún)?yōu)化中的應用，通過(guò)構建深度學(xué)習模型，實(shí)現對空壓系統參數的精準預測和優(yōu)化，以提高空壓系統的運行效率。實(shí)驗結果表明，對比機理模型和線(xiàn)性回歸模型，本文所提出的卷積神經(jīng)網(wǎng)絡(luò )建模的方法具有更好的模型訓練效果，并結合遺傳算法為控制參數提供優(yōu)化，此方法為工業(yè)節能提供了新思路。
引言
隨著(zhù)工業(yè)化進(jìn)程的加速和能源需求的不斷增長(cháng)，空壓機作為工業(yè)領(lǐng)域的關(guān)鍵設備，其能耗問(wèn)題日益凸顯。空壓機在各類(lèi)工業(yè)生產(chǎn)過(guò)程中，如汽車(chē)、化工、電力、醫藥等，都發(fā)揮著(zhù)至關(guān)重要的作用，但同時(shí)也是能源消耗的大戶(hù)。因此，如何降低空壓機的能耗，提高能源利用效率，已成為當前工業(yè)節能領(lǐng)域亟待解決的問(wèn)題[7]。
傳統的空壓機能耗優(yōu)化方法主要依賴(lài)于經(jīng)驗調整或固定參數的優(yōu)化，雖然在一定程度上能夠降低能耗，但效果有限且難以適應復雜多變的工業(yè)環(huán)境。
在空壓機深度學(xué)習建模應用方面，研究者們已經(jīng)取得了一些初步的成果。通過(guò)模型預測，可以實(shí)現對空壓機運行狀態(tài)的實(shí)時(shí)監測和預警，及時(shí)發(fā)現潛在故障，提高設備的可靠性和安全性[1][2][3][4][5]。還有一些研究者對空壓機用電需求規律進(jìn)行研究，利用長(cháng)短記憶模型（LSTM）取得了不錯的結果[6]。也有研究者對燃氣輪機的多級壓縮機使用神經(jīng)網(wǎng)絡(luò )模型進(jìn)行建模[8]，但對于用于工業(yè)場(chǎng)景的空壓機性能的建模以及優(yōu)化控制目前還較少有人研究。因此，研究一種新型的建模方法，實(shí)現對空壓系統的精準控制和優(yōu)化，具有重要的現實(shí)意義和應用價(jià)值。
一、建立深度學(xué)習空壓機模型
1.數據采集與預處理
在空壓機建模過(guò)程中，數據收集與處理是至關(guān)重要的一步。數據質(zhì)量直接影響到模型的準確性和泛化能力。因此，我們對空壓機運行數據進(jìn)行了細致的收集和處理工作。針對空壓機建模，將以下變量納入模型中：
在數據收集完成后，我們進(jìn)行了數據清洗工作，以去除異常值和重復數據。異常值可能是由于傳感器故障、數據傳輸錯誤等原因產(chǎn)生的，它們會(huì )對模型的訓練產(chǎn)生干擾，因此需要被識別并剔除。此處我們使用四分位法，并使用標準的1.5倍IQR值作為閾值，將超出正常范圍的數據標記為異常值，并在后續的數據處理中將其排除。同時(shí)使用滑動(dòng)窗口濾波方法，以5個(gè)樣本作為窗口長(cháng)度，計算出滑動(dòng)平均值，對于超出平均值20%的原始樣本標記為異常并在后續的處理中將其排除。重復數據則可能是由于數據采集系統的問(wèn)題而產(chǎn)生的，我們需要去除這些冗余數據，以避免對模型訓練造成不必要的負擔，此處我們對一組數據全部為重復的數據和空壓機功率數據重復的數據標記為異常，并在后續的數據處理中將其排除。
2.多種方法建模對比
方法一：機理模型
機理模型使用如下公式
等價(jià)公式為
其中P壓縮機功率，對應表格1中變量18；Tsuct空壓機進(jìn)口溫度(K)，對比變量1；Tdischarge空壓機出口溫度（K），對應變量14；M空氣摩爾質(zhì)量(g/mol)28.96；Qm空壓機流量(kg/s)，對應變量11；k空氣等熵系數1.4；P2空壓機出口壓力，對應變量7；P1空壓機進(jìn)口壓力，對應變量8。
方法二：線(xiàn)性回歸建模
線(xiàn)性回歸的目標是找到一個(gè)最佳的直線(xiàn)（在多變量情況下是平面），使得這個(gè)直線(xiàn)（平面）與數據點(diǎn)之間的距離最小化[10]。這個(gè)距離通常是歐幾里得距離，即垂直距離。通過(guò)最小二乘法，可以求解線(xiàn)性回歸模型的參數，從而實(shí)現連續型變量的預測。線(xiàn)性回歸模型可以表示為
其中Y是因變量，X1,X2,...,Xn是自變量，β0,β1,β2,...,βn是模型的參數。本文中，將表格1中1-17號變量作為輸入，18號變量作為輸出，并使用最小二乘法求解出。
方法三：卷積神經(jīng)網(wǎng)絡(luò )建模
卷積神經(jīng)網(wǎng)絡(luò )（CNN）是一種專(zhuān)門(mén)用于處理具有網(wǎng)格結構數據的神經(jīng)網(wǎng)絡(luò )，如圖像數據。它通過(guò)卷積操作提取輸入數據的局部特征，并通過(guò)層次化的網(wǎng)絡(luò )結構逐步抽象出更高級的特征表示。CNN在圖像識別、目標檢測等領(lǐng)域取得了顯著(zhù)的成功。CNN模型通常由卷積層、池化層、全連接層等組成。卷積層負責提取輸入數據的局部特征，通過(guò)卷積核與輸入數據的卷積運算生成特征圖。池化層則負責對特征圖進(jìn)行下采樣，減少數據的維度和計算量，同時(shí)保留重要的特征信息。全連接層則負責將提取的特征映射到輸出空間，實(shí)現分類(lèi)或回歸等任務(wù)[9]。
本文使用兩層3*1大小的卷積層，一層3*1大小的池化層，三層全連接層，每層之間均設置激活層，激活層均使用RELU函數。模型輸入為表格1中1-17號變量，模型輸出為18號變量。
3.建模結果對比
本次建模中，共對5臺空壓機進(jìn)行建模測試，對比上述3中建模方法，模型訓練從3個(gè)指標進(jìn)行評價(jià)，分別是R2擬合系數，R2定義式為
MAE平均絕對誤差，定義式為
MAPE平均絕對誤差百分比，定義式為
訓練結果指標如表2所示
由表格2可以得知，CNN模型在5臺空壓機的建模中，在R2，MAE，MAPE這三個(gè)指標中均取得了最佳的結果。同時(shí)根據圖1至圖3所示5號空壓機建模結果，機理建模方法僅對少量工況起到了較好的擬合效果，在900kW功率和1000kW功率附近均出現了較多的預測偏離樣本。線(xiàn)性回歸和CNN模型均有較好的擬合結果，但從模型指標上看CNN模型的誤差更小。綜上所述，CNN網(wǎng)絡(luò )取得了最佳的訓練效果，故使用此模型作為優(yōu)化的基礎。
二、優(yōu)化目標及優(yōu)化算法選擇
根據壓縮機變量特征和工藝流程分析，如圖4所示，空壓系統模型的輸入為每個(gè)空壓機模型輸入，輸出為5個(gè)空壓機模型輸出電功率之和，即
f1-f5為5臺空壓機模型，優(yōu)化目標為公式（6）的總功率E最小，即空壓系統能耗最低。
遺傳算法（Genetic Algorithm,GA）是一種模擬自然選擇和遺傳機制的優(yōu)化算法。它借鑒了生物進(jìn)化過(guò)程中的自然選擇和遺傳學(xué)原理，通過(guò)模擬種群的進(jìn)化過(guò)程來(lái)搜索問(wèn)題的最優(yōu)解。遺傳算法的基本思想是將問(wèn)題的求解過(guò)程轉化為類(lèi)似生物進(jìn)化中的染色體基因的交叉、變異等過(guò)程。在求解過(guò)程中，遺傳算法通過(guò)逐代進(jìn)化來(lái)搜索越來(lái)越好的近似解，每一代都根據問(wèn)題域中個(gè)體的適應度大小選擇個(gè)體，并借助于自然遺傳學(xué)的遺傳算子進(jìn)行組合交叉和變異，產(chǎn)生出代表新的解集的種群。這個(gè)過(guò)程將導致種群像自然進(jìn)化一樣的后生代種群，比前代更加適應于環(huán)境，末代種群中的最優(yōu)個(gè)體經(jīng)過(guò)解碼，可以作為問(wèn)題近似最優(yōu)解[11][12]。遺傳算法的基本步驟包括：
編碼：將問(wèn)題的解空間轉化為遺傳算法能夠處理的搜索空間，即把問(wèn)題的可能解從其解空間轉換到遺傳算法所能處理的搜索空間的轉換方法。
初始種群生成：隨機生成一組個(gè)體作為初始種群，這些個(gè)體代表問(wèn)題的可能解。
適應度評估：根據問(wèn)題的目標函數，計算每個(gè)個(gè)體的適應度值，評估其優(yōu)劣。
選擇：根據個(gè)體的適應度值，選擇一部分優(yōu)秀個(gè)體進(jìn)入下一代，保證優(yōu)秀基因得以傳遞。
交叉（也稱(chēng)雜交）：將選擇出的個(gè)體進(jìn)行配對，并按照一定的概率交換部分基因，生成新的個(gè)體。
變異：對交叉產(chǎn)生的個(gè)體按照一定的概率改變某些基因的值，以增加種群的多樣性。
終止條件判斷：若滿(mǎn)足終止條件（如達到最大迭代次數、找到滿(mǎn)意解等），則算法結束，輸出最優(yōu)解；否則，返回步驟3繼續迭代。
故使用遺傳算法對空壓系統模型的輸入參數進(jìn)行尋優(yōu)，使得系統總功率最低的輸入參數，即為最佳控制參數。本文中，使用表格1輸入變量中7空壓機出口壓力，11空壓機供氣流量，17空壓機開(kāi)啟狀態(tài)最為可變量，其余輸入參數為固定常數取當前實(shí)時(shí)值，變量18空壓機總功率作為尋優(yōu)目標，同時(shí)約束空壓系統總供氣流量在優(yōu)化后不能低于當前實(shí)際值。種群個(gè)數設置為100，初始種群完全隨機生成，迭代次數為300次，無(wú)其它迭代停止條件。
三、算法驗證
空壓機CNN模型訓練完成后，使用兩個(gè)月的新數據對模型進(jìn)行測試，所有空壓機模型指標MAE和MAPE均未超過(guò)模型訓練時(shí)MAE和MAPE，測試集R2指標不低于訓練時(shí)R2，說(shuō)明CNN模型表現比較穩定。
本文所提到的5臺空壓機參數如下表3：
我們將供氣需求量0-240帶入模型進(jìn)行優(yōu)化計算得到結果如下表4所示：
經(jīng)實(shí)際測試，在同樣的供氣量下CNN模型結合遺傳算法給出的最佳組合對比其它機組組合，具有更低的供氣能耗。
結論
本文嘗試了機理模型，線(xiàn)性回歸模型以及CNN模型，對比前兩種模型，CNN模型在模型精度上有優(yōu)勢。
CNN模型結合遺傳算法進(jìn)行空壓機控制參數優(yōu)化，可以找到最佳機組組合以及控制參數，對比其它機組組合方式，此方法推理得到的機組組合整體能耗最低。
參考文獻
[1]王宇.基于數據驅動(dòng)的空壓機故障診斷與性能預測系統研究[D].上海應用技術(shù)大學(xué),2021.
[2]馬玉寶,張興龍,李霖,等.基于數據驅動(dòng)的空壓機健康狀態(tài)評估[J].石油工程建設,2023,49(1):62-66,87.DOI:10.3969/j.issn.1001-2206.2023.01.012.
[3]侯大立,王宇,成凡.基于數據驅動(dòng)的空壓機集群智能診斷系統[J].機床與液壓,2021,49(12):190-195.<br>HOU Dali,WANG Yu,CHENG Fan.Intelligent Diagnosis System of Air Compressor Cluster Based on Data driven[J].Machine Tool&Hydraulics,2021,49(12):190-195
[4]M.U.;Hameed,I.A.;Sundli,K.Health Monitoring of Air Compressors Using Reconstruction-Based Deep Learning for Anomaly Detection with Increased Transparency.Entropy 2021,23,83.https://doi.org/10.3390/e23010083
[5]胡歡歡.基于HHT和深度學(xué)習的船舶空壓機故障診斷[D].福建:集美大學(xué),2020.
[6]Da-Chun Wu,Babak Bahrami Asl,Ali Razban,Jie Chen,Air compressor load forecasting using artificial neural network,Expert Systems with Applications,Volume 168,2021,114209,ISSN 0957-4174,https://doi.org/10.1016/j.eswa.2020.114209.
[7]R.Saidur,N.A.Rahim,M.Hasanuzzaman,A review on compressed-air energy use and energy savings,Renewable and Sustainable Energy Reviews,Volume 14,Issue 4,2010,Pages 1135-1153,ISSN 1364-0321,https://doi.org/10.1016/j.rser.2009.11.013.
[8]K.Ghorbanian,M.Gholamrezaei,An artificial neural network approach to compressor performance prediction,Applied Energy,Volume 86,Issues 7 8,2009,Pages 1210-1221,ISSN 0306-2619,https://doi.org/10.1016/j.apenergy.2008.06.006.
[9]孫志軍,薛磊,許陽(yáng)明,等.深度學(xué)習研究綜述[J].計算機應用研究,2012,29(8):5.DOI:10.3969/j.issn.1001-3695.2012.08.002.
[10]鄒樂(lè )強.最小二乘法原理及其簡(jiǎn)單應用[J].科技信息,2010(23):2.DOI:CNKI:SUN:KJXX.0.2010-23-209.
[11]周明,孫樹(shù)棟.遺傳算法原理及應用[M].國防工業(yè)出版社,1999.
[12]丁建立,陳增強,袁著(zhù)祉.遺傳算法與螞蟻算法的融合[J].計算機研究與發(fā)展,2003,40(9):6.DOI:CNKI:SUN:JFYZ.0.2003-09-010.
來(lái)源：本站原創(chuàng )
【壓縮機網(wǎng)】隨著(zhù)人工智能技術(shù)的快速發(fā)展，深度學(xué)習在各個(gè)領(lǐng)域的應用也日趨廣泛。本文旨在探討AI深度學(xué)習在空壓系統策略?xún)?yōu)化中的應用，通過(guò)構建深度學(xué)習模型，實(shí)現對空壓系統參數的精準預測和優(yōu)化，以提高空壓系統的運行效率。實(shí)驗結果表明，對比機理模型和線(xiàn)性回歸模型，本文所提出的卷積神經(jīng)網(wǎng)絡(luò )建模的方法具有更好的模型訓練效果，并結合遺傳算法為控制參數提供優(yōu)化，此方法為工業(yè)節能提供了新思路。
引言
隨著(zhù)工業(yè)化進(jìn)程的加速和能源需求的不斷增長(cháng)，空壓機作為工業(yè)領(lǐng)域的關(guān)鍵設備，其能耗問(wèn)題日益凸顯。空壓機在各類(lèi)工業(yè)生產(chǎn)過(guò)程中，如汽車(chē)、化工、電力、醫藥等，都發(fā)揮著(zhù)至關(guān)重要的作用，但同時(shí)也是能源消耗的大戶(hù)。因此，如何降低空壓機的能耗，提高能源利用效率，已成為當前工業(yè)節能領(lǐng)域亟待解決的問(wèn)題[7]。
傳統的空壓機能耗優(yōu)化方法主要依賴(lài)于經(jīng)驗調整或固定參數的優(yōu)化，雖然在一定程度上能夠降低能耗，但效果有限且難以適應復雜多變的工業(yè)環(huán)境。
在空壓機深度學(xué)習建模應用方面，研究者們已經(jīng)取得了一些初步的成果。通過(guò)模型預測，可以實(shí)現對空壓機運行狀態(tài)的實(shí)時(shí)監測和預警，及時(shí)發(fā)現潛在故障，提高設備的可靠性和安全性[1][2][3][4][5]。還有一些研究者對空壓機用電需求規律進(jìn)行研究，利用長(cháng)短記憶模型（LSTM）取得了不錯的結果[6]。也有研究者對燃氣輪機的多級壓縮機使用神經(jīng)網(wǎng)絡(luò )模型進(jìn)行建模[8]，但對于用于工業(yè)場(chǎng)景的空壓機性能的建模以及優(yōu)化控制目前還較少有人研究。因此，研究一種新型的建模方法，實(shí)現對空壓系統的精準控制和優(yōu)化，具有重要的現實(shí)意義和應用價(jià)值。
一、建立深度學(xué)習空壓機模型
1.數據采集與預處理
在空壓機建模過(guò)程中，數據收集與處理是至關(guān)重要的一步。數據質(zhì)量直接影響到模型的準確性和泛化能力。因此，我們對空壓機運行數據進(jìn)行了細致的收集和處理工作。針對空壓機建模，將以下變量納入模型中：
在數據收集完成后，我們進(jìn)行了數據清洗工作，以去除異常值和重復數據。異常值可能是由于傳感器故障、數據傳輸錯誤等原因產(chǎn)生的，它們會(huì )對模型的訓練產(chǎn)生干擾，因此需要被識別并剔除。此處我們使用四分位法，并使用標準的1.5倍IQR值作為閾值，將超出正常范圍的數據標記為異常值，并在后續的數據處理中將其排除。同時(shí)使用滑動(dòng)窗口濾波方法，以5個(gè)樣本作為窗口長(cháng)度，計算出滑動(dòng)平均值，對于超出平均值20%的原始樣本標記為異常并在后續的處理中將其排除。重復數據則可能是由于數據采集系統的問(wèn)題而產(chǎn)生的，我們需要去除這些冗余數據，以避免對模型訓練造成不必要的負擔，此處我們對一組數據全部為重復的數據和空壓機功率數據重復的數據標記為異常，并在后續的數據處理中將其排除。
2.多種方法建模對比
方法一：機理模型
機理模型使用如下公式
等價(jià)公式為
其中P壓縮機功率，對應表格1中變量18；Tsuct空壓機進(jìn)口溫度(K)，對比變量1；Tdischarge空壓機出口溫度（K），對應變量14；M空氣摩爾質(zhì)量(g/mol)28.96；Qm空壓機流量(kg/s)，對應變量11；k空氣等熵系數1.4；P2空壓機出口壓力，對應變量7；P1空壓機進(jìn)口壓力，對應變量8。
方法二：線(xiàn)性回歸建模
線(xiàn)性回歸的目標是找到一個(gè)最佳的直線(xiàn)（在多變量情況下是平面），使得這個(gè)直線(xiàn)（平面）與數據點(diǎn)之間的距離最小化[10]。這個(gè)距離通常是歐幾里得距離，即垂直距離。通過(guò)最小二乘法，可以求解線(xiàn)性回歸模型的參數，從而實(shí)現連續型變量的預測。線(xiàn)性回歸模型可以表示為
其中Y是因變量，X1,X2,...,Xn是自變量，β0,β1,β2,...,βn是模型的參數。本文中，將表格1中1-17號變量作為輸入，18號變量作為輸出，并使用最小二乘法求解出。
方法三：卷積神經(jīng)網(wǎng)絡(luò )建模
卷積神經(jīng)網(wǎng)絡(luò )（CNN）是一種專(zhuān)門(mén)用于處理具有網(wǎng)格結構數據的神經(jīng)網(wǎng)絡(luò )，如圖像數據。它通過(guò)卷積操作提取輸入數據的局部特征，并通過(guò)層次化的網(wǎng)絡(luò )結構逐步抽象出更高級的特征表示。CNN在圖像識別、目標檢測等領(lǐng)域取得了顯著(zhù)的成功。CNN模型通常由卷積層、池化層、全連接層等組成。卷積層負責提取輸入數據的局部特征，通過(guò)卷積核與輸入數據的卷積運算生成特征圖。池化層則負責對特征圖進(jìn)行下采樣，減少數據的維度和計算量，同時(shí)保留重要的特征信息。全連接層則負責將提取的特征映射到輸出空間，實(shí)現分類(lèi)或回歸等任務(wù)[9]。
本文使用兩層3*1大小的卷積層，一層3*1大小的池化層，三層全連接層，每層之間均設置激活層，激活層均使用RELU函數。模型輸入為表格1中1-17號變量，模型輸出為18號變量。
3.建模結果對比
本次建模中，共對5臺空壓機進(jìn)行建模測試，對比上述3中建模方法，模型訓練從3個(gè)指標進(jìn)行評價(jià)，分別是R2擬合系數，R2定義式為
MAE平均絕對誤差，定義式為
MAPE平均絕對誤差百分比，定義式為
訓練結果指標如表2所示
由表格2可以得知，CNN模型在5臺空壓機的建模中，在R2，MAE，MAPE這三個(gè)指標中均取得了最佳的結果。同時(shí)根據圖1至圖3所示5號空壓機建模結果，機理建模方法僅對少量工況起到了較好的擬合效果，在900kW功率和1000kW功率附近均出現了較多的預測偏離樣本。線(xiàn)性回歸和CNN模型均有較好的擬合結果，但從模型指標上看CNN模型的誤差更小。綜上所述，CNN網(wǎng)絡(luò )取得了最佳的訓練效果，故使用此模型作為優(yōu)化的基礎。
二、優(yōu)化目標及優(yōu)化算法選擇
根據壓縮機變量特征和工藝流程分析，如圖4所示，空壓系統模型的輸入為每個(gè)空壓機模型輸入，輸出為5個(gè)空壓機模型輸出電功率之和，即
f1-f5為5臺空壓機模型，優(yōu)化目標為公式（6）的總功率E最小，即空壓系統能耗最低。
遺傳算法（Genetic Algorithm,GA）是一種模擬自然選擇和遺傳機制的優(yōu)化算法。它借鑒了生物進(jìn)化過(guò)程中的自然選擇和遺傳學(xué)原理，通過(guò)模擬種群的進(jìn)化過(guò)程來(lái)搜索問(wèn)題的最優(yōu)解。遺傳算法的基本思想是將問(wèn)題的求解過(guò)程轉化為類(lèi)似生物進(jìn)化中的染色體基因的交叉、變異等過(guò)程。在求解過(guò)程中，遺傳算法通過(guò)逐代進(jìn)化來(lái)搜索越來(lái)越好的近似解，每一代都根據問(wèn)題域中個(gè)體的適應度大小選擇個(gè)體，并借助于自然遺傳學(xué)的遺傳算子進(jìn)行組合交叉和變異，產(chǎn)生出代表新的解集的種群。這個(gè)過(guò)程將導致種群像自然進(jìn)化一樣的后生代種群，比前代更加適應于環(huán)境，末代種群中的最優(yōu)個(gè)體經(jīng)過(guò)解碼，可以作為問(wèn)題近似最優(yōu)解[11][12]。遺傳算法的基本步驟包括：
編碼：將問(wèn)題的解空間轉化為遺傳算法能夠處理的搜索空間，即把問(wèn)題的可能解從其解空間轉換到遺傳算法所能處理的搜索空間的轉換方法。
初始種群生成：隨機生成一組個(gè)體作為初始種群，這些個(gè)體代表問(wèn)題的可能解。
適應度評估：根據問(wèn)題的目標函數，計算每個(gè)個(gè)體的適應度值，評估其優(yōu)劣。
選擇：根據個(gè)體的適應度值，選擇一部分優(yōu)秀個(gè)體進(jìn)入下一代，保證優(yōu)秀基因得以傳遞。
交叉（也稱(chēng)雜交）：將選擇出的個(gè)體進(jìn)行配對，并按照一定的概率交換部分基因，生成新的個(gè)體。
變異：對交叉產(chǎn)生的個(gè)體按照一定的概率改變某些基因的值，以增加種群的多樣性。
終止條件判斷：若滿(mǎn)足終止條件（如達到最大迭代次數、找到滿(mǎn)意解等），則算法結束，輸出最優(yōu)解；否則，返回步驟3繼續迭代。
故使用遺傳算法對空壓系統模型的輸入參數進(jìn)行尋優(yōu)，使得系統總功率最低的輸入參數，即為最佳控制參數。本文中，使用表格1輸入變量中7空壓機出口壓力，11空壓機供氣流量，17空壓機開(kāi)啟狀態(tài)最為可變量，其余輸入參數為固定常數取當前實(shí)時(shí)值，變量18空壓機總功率作為尋優(yōu)目標，同時(shí)約束空壓系統總供氣流量在優(yōu)化后不能低于當前實(shí)際值。種群個(gè)數設置為100，初始種群完全隨機生成，迭代次數為300次，無(wú)其它迭代停止條件。
三、算法驗證
空壓機CNN模型訓練完成后，使用兩個(gè)月的新數據對模型進(jìn)行測試，所有空壓機模型指標MAE和MAPE均未超過(guò)模型訓練時(shí)MAE和MAPE，測試集R2指標不低于訓練時(shí)R2，說(shuō)明CNN模型表現比較穩定。
本文所提到的5臺空壓機參數如下表3：
我們將供氣需求量0-240帶入模型進(jìn)行優(yōu)化計算得到結果如下表4所示：
經(jīng)實(shí)際測試，在同樣的供氣量下CNN模型結合遺傳算法給出的最佳組合對比其它機組組合，具有更低的供氣能耗。
結論
本文嘗試了機理模型，線(xiàn)性回歸模型以及CNN模型，對比前兩種模型，CNN模型在模型精度上有優(yōu)勢。
CNN模型結合遺傳算法進(jìn)行空壓機控制參數優(yōu)化，可以找到最佳機組組合以及控制參數，對比其它機組組合方式，此方法推理得到的機組組合整體能耗最低。
參考文獻
[1]王宇.基于數據驅動(dòng)的空壓機故障診斷與性能預測系統研究[D].上海應用技術(shù)大學(xué),2021.
[2]馬玉寶,張興龍,李霖,等.基于數據驅動(dòng)的空壓機健康狀態(tài)評估[J].石油工程建設,2023,49(1):62-66,87.DOI:10.3969/j.issn.1001-2206.2023.01.012.
[3]侯大立,王宇,成凡.基于數據驅動(dòng)的空壓機集群智能診斷系統[J].機床與液壓,2021,49(12):190-195.<br>HOU Dali,WANG Yu,CHENG Fan.Intelligent Diagnosis System of Air Compressor Cluster Based on Data driven[J].Machine Tool&Hydraulics,2021,49(12):190-195
[4]M.U.;Hameed,I.A.;Sundli,K.Health Monitoring of Air Compressors Using Reconstruction-Based Deep Learning for Anomaly Detection with Increased Transparency.Entropy 2021,23,83.https://doi.org/10.3390/e23010083
[5]胡歡歡.基于HHT和深度學(xué)習的船舶空壓機故障診斷[D].福建:集美大學(xué),2020.
[6]Da-Chun Wu,Babak Bahrami Asl,Ali Razban,Jie Chen,Air compressor load forecasting using artificial neural network,Expert Systems with Applications,Volume 168,2021,114209,ISSN 0957-4174,https://doi.org/10.1016/j.eswa.2020.114209.
[7]R.Saidur,N.A.Rahim,M.Hasanuzzaman,A review on compressed-air energy use and energy savings,Renewable and Sustainable Energy Reviews,Volume 14,Issue 4,2010,Pages 1135-1153,ISSN 1364-0321,https://doi.org/10.1016/j.rser.2009.11.013.
[8]K.Ghorbanian,M.Gholamrezaei,An artificial neural network approach to compressor performance prediction,Applied Energy,Volume 86,Issues 7 8,2009,Pages 1210-1221,ISSN 0306-2619,https://doi.org/10.1016/j.apenergy.2008.06.006.
[9]孫志軍,薛磊,許陽(yáng)明,等.深度學(xué)習研究綜述[J].計算機應用研究,2012,29(8):5.DOI:10.3969/j.issn.1001-3695.2012.08.002.
[10]鄒樂(lè )強.最小二乘法原理及其簡(jiǎn)單應用[J].科技信息,2010(23):2.DOI:CNKI:SUN:KJXX.0.2010-23-209.
[11]周明,孫樹(shù)棟.遺傳算法原理及應用[M].國防工業(yè)出版社,1999.
[12]丁建立,陳增強,袁著(zhù)祉.遺傳算法與螞蟻算法的融合[J].計算機研究與發(fā)展,2003,40(9):6.DOI:CNKI:SUN:JFYZ.0.2003-09-010.
來(lái)源：本站原創(chuàng )
網(wǎng)友評論
條評論
最新評論