本發明涉及設備的運行控制領域，尤其涉及一種基于高斯分布的設備運行控制系統和方法。

背景技術：

近年來，隨著設備自動化水平的不斷提高，對設備的控制精度要求也在不斷提高。尤其在自動化水平相對較低的污水處理行業，如何提高設備的控制精度更是運營管理人員所關注的，特別是對于耗能較高的提升泵、鼓風機等設備。

設備的運行控制，需要根據工況進行調整，以污水處理廠的鼓風機為例，當進水中COD濃度較低時，需要適當調節降低鼓風機頻率或風量。當時如何根據COD濃度變化以及其他水質指標變化情況，來調整鼓風機頻率，彼此的相關關系如何一直是阻礙鼓風機等設備提高控制精度的難點。水質指標與鼓風機運行頻率或風量的量化對應關系，多利用經驗進行比對，進行定量化設定，靈活性較差，且與實際出入較大。從不同水質出現頻率來看，呈現出一定的概率分布，且較為接近正態分布，由于不同區域和污水來源的而不同，因此針對不同的水質提供一種通用的方法。

技術實現要素：

本發明提供了一種基于高斯分布的設備運行控制方法和系統，以實現對設備運行的持續性高精度控制，實現設備運行與設備運行環境參數的匹配度提高。

本發明實施例提供了一種基于高斯分布的設備運行控制系統和方法，包括：

通過數據采集裝置獲取和設備運行相關的工況環境參數的數據信息；

建立混合高斯分布模型；

基于非線性最小二乘法計算混合高斯分布模型系數，得到混合高斯分布函數；

根據混合高斯分布函數控制設備運行；

混合高斯分布函數更新。

本發明通過數據采集和處理、建立混合高斯分布模型、基于非線性最小二乘法計算高斯分布模型系數、根據混合高斯模型控制設備運行等步驟，通過將多個高斯分布進行線性組合，得到“混合高斯分布模型”，并通過非線性最小二乘法對模型系數進行計算，降低計算復雜度；根據工況環境參數進行模型建立、系數計算，避免人為主觀性；根據混合高斯分布函數控制設備運行，實現對設備運行更精準的控制，實用性強，控制精度高等優點；高斯分布函數更新，實現對混合高斯分布函數的持續更新，實現控制精度的持續保持，保障混合高斯分布函數與當前設備運行工況參數的高度符合。

附圖說明

圖1是本發明實施例一提供的基于高斯分布的設備運行控制系統和方法的流程圖；

圖2是本發明實施例二提供的基于高斯分布的設備運行控制系統和方法的流程圖；

具體實施方式

下面結合附圖和實施例對本發明作進一步的詳細說明。可以理解的是，此處所描述的具體實施例是示例性的，僅僅用于解釋本發明，而非對本發明的限定。

實施例一

圖1為本發明實施例一提供的基于高斯分布的設備運行控制系統和方法的流程圖，本實施例可適用于環保設施、廠區中設備的運行控制，該方法可以由服務器來執行，具體包括如下步驟：

步驟S101、通過數據采集裝置獲取和設備運行相關的工況環境參數的數據信息。

通過與儀器儀表遠程交互，以實時獲取和設備運行相關的工況環境參數的數據信息；

其中，所述工況環境參數的數據信息由于種類較多且需要實時多次測量獲取，優選的通過數據采集裝置在第一時間獲取并傳輸到服務器中；

優選的是，所述采集，即可以是通過硬件實施采集電表、檢測儀表數據，也可以是通過網絡通信等方式獲取數據庫等在線數據，以及氣體數據獲取方式；

根據所述服務器中數據信息，進行初步的濾波處理，去除異常數據。

步驟S102、建立混合高斯模型。

1)建立高斯分布模型；

混合高斯分布模型是多個高斯分布的線性組合，對于高斯分布的概率密度函數表達式，如式(1)所示

其中，x為樣本點，μ_i為樣本均值，σ_i²為樣本方差；

2)建立混合高斯分布模型

混合高斯分布概率密度函數表示為

其中，X為總體樣本，a_i為第i指標的高斯分布的影響因子，μ_i為第i個指標的高斯分布的均值，為第i個指標高斯分布的方差，k為高斯分布個數，當k＝1時，混合高斯分布模型f(X)＝N(μ,σ)即為一維高斯分布的概率密度函數。

步驟S103、基于非線性最小二乘法計算混合高斯分布模型系數，得到混合高斯分布函數。

1)根據所述工況環境參數的數據信息，記為X，作為輸入訓練數據；

2)根據非線性最小二乘法，計算每個工況環境參數的高斯分布模型系數，得到高斯分布的概率密度函數式；

3)根據工況環境不同參數對設備運行控制的影響，為不同參數分配不同的影響因子系數；

4)根據工況環境不同參數的高斯分布的概率密度函數式和不同工況環境參數的影響因子系數，計算混合高斯分布模型系數，得到混合高斯分布函數。

步驟S104、根據混合高斯分布函數控制設備運行。

1)選取設備運行關鍵可調節參數指標，記為設備參數Y；

2)構建設備參數Y與工況環境參數混合高斯分布概率間的關系，表達式為

其中，X′為設備運行的當前工況環境參數的數據信息，Y_max為設備運行中設備參數可調節的范圍上限值，Y_min為設備參數可調節范圍下限值，f(X)為工況參數混合高斯分布函數；

3)根據所述公式(3)和設備運行的當前工況環境參數的數據信息，計算得到設備參數Y(X′)；

4)調節設備根據所述計算得到的設備參數Y(X′)運行。

步驟S105、根據當前工況環境參數與歷史工況環境參數作為模型輸入訓練數據，根據非線性最小二乘法，計算每個工況環境參數的高斯分布模型系數，得到高斯分布的概率密度函數式，更新混合高斯分布函數系數，提高控制精準度。

步驟S106、根據設備使用狀態，設定高斯分布函數系數更新的時間周期T₁，優選的所述時間周期T₁的范圍為0.5h-24h，設定設備參數調節的時間周期T₂，優選的所述時間周期T₂的范圍為0.5h-72h。

本實施例的技術方案，解決了對設備運行控制的精準化控制，根據實時工況環境調節設備運行狀態，實現設備相對工況環境最優化運行，解決設備運行的精準控制問題。

實施例二

圖2為本發明實施例二提供的基于高斯分布的設備運行控制系統和方法的流程圖，本實施例可適用于環保設施、廠區中設備的運行控制，該方法可以由服務器來執行，具體包括如下步驟：

步驟S201、通過數據采集裝置獲取和設備運行相關的工況環境參數的數據信息。

通過與儀器儀表遠程交互，以實時獲取和設備運行相關的工況環境參數的數據信息。

其中，所述工況環境參數的數據信息由于種類較多且需要實時多次測量獲取，優選的通過數據采集裝置在第一時間獲取并傳輸到服務器中。

其中，優選的是，所述采集，即可以是通過硬件實施采集電表、檢測儀表數據，也可以是通過網絡通信等方式獲取數據庫等在線數據，以及氣體數據獲取方式。

根據所述服務器中數據信息，進行初步的濾波處理，去除異常數據。

步驟S202、建立混合高斯模型。

混合高斯分布模型是多個高斯分布的線性組合，對于高斯分布的概率密度函數表達式，如式(1)所示；

混合高斯分布概率密度函數表示為式(2)；

步驟S203、基于非線性最小二乘法計算混合高斯分布模型系數，得到混合高斯分布函數。

1)根據所述工況環境參數的數據信息，記為X，作為輸入訓練數據；

2)根據非線性最小二乘法，計算每個工況環境參數的高斯分布模型系數，得到高斯分布的概率密度函數式；

3)根據模型評價指標，計算模型精度，模型評價指標計算公式如下：

Q＝∑[y_i-N(x_i,μ,σ)]² (4)

其中，x_i是樣本點，為模型輸入，表示工況環境參數的數據信息，N(x_i,μ,σ)為模型輸出，是根據高斯分布的概率密度函數式計算得到的概率值，y_i為工況參數x_i的實際概率值；

優選的是，當Q(x_i)≤θ，判斷工況環境參數符合高斯分布模型；當Q(x_i)>θ，判斷工況參數不符合高斯分布模型；其中，x_i為工況環境參數，θ為精度閾值；優選的θ的范圍為0～μ。

4)根據所述符合高斯分布模型的工況環境不同參數對設備運行控制的影響，為不同參數分配不同的影響因子系數；

5)根據所述符合高斯分布模型的工況環境參數的影響因子和高斯分布模型系數，計算混合高斯分布函數f(X_n)，其中，X_n為符合高斯分布模型的工況環境參數樣本；

步驟S204、構建分段函數

根據不符合高斯分布模型的工況環境參數的數據信息構建分段函數g(X_b)，表達式為

其中，X_b為不符合高斯分布模型的工況環境參數樣本，x′_l為第l個不符合高斯分布模型的工況環境參數的當前數據信息值，x_lj為第l個不符合高斯分布模型的工況環境參數的分段邊界值，g_j為分段函數的函數值。

步驟205、根據混合高斯分布函數和分段函數控制設備運行。

1)選取設備運行關鍵可調節參數指標，記為設備參數Y；

2)構建設備參數Y與工況環境參數混合高斯分布概率和分段函數間的關系，表達式為

其中，m為分段函數所分段數，X_n′為符合高斯分布的工況參數的當前數據信息值，X′_b為不符合高斯分布的工況參數的當前數據信息值，f_j為每段邊界值，g_j為每段分段函數值，Y_max為設備運行中設備參數可調節的范圍上限值，Y_min為設備參數可調節范圍下限值，Y_j為每階段設定運行參數值；

優選的是，Y_j的計算公式為；

Y_j＝λ_fY_f+λ_gY_g (6)

其中，λ_f、λ_g為不同類型工況環境參數權重，λ_f+λ_g＝1，Y_f為符合高斯分布模型的工況環境參數與設備參數的關系函數，Y_g為不符合高斯分布模型的工況環境參數與設備參數的關系函數，Y_g＝g(X_b)*(Ymax-Ymin)+Ymin

3)根據所述公式(5)和設備運行的當前工況環境參數的數據信息，計算得到設備參數Y(X′)；

4)調節設備根據所述計算得到的設備參數Y(X′)運行

步驟S206、根據當前工況環境參數與歷史工況環境參數作為模型輸入訓練數據，根據非線性最小二乘法，計算每個工況環境參數的高斯分布模型系數，得到高斯分布的概率密度函數式，更新混合高斯分布函數系數，提高控制精準度；同時根據數據信息更新分段函數。

步驟S207、根據設備使用狀態，設定高斯分布函數系數更新的時間周期T₁，優選的所述時間周期T₁的范圍為0.5h-24h，設定設備參數調節的時間周期T₂，優選的所述時間周期T₂的范圍為0.5h-72h。

本實施例的技術方案，解決了對設備運行控制的精準化控制，根據實時工況環境調節設備運行狀態，實現設備相對工況環境最優化運行，解決設備運行的精準控制問題。

實施例三

本實施例可以以上述實施例為基礎，提供一種優選實例，用以實現污水處理廠鼓風機的運行控制。

步驟S301、數據采集和處理

通過與儀器儀表遠程交互，以實時獲取和設備運行相關的工況環境參數的數據信息，并第一時間獲取并傳輸到服務器中。

優選的是，數據信息采集間隔為1min。

對采集數據進行初步的濾波處理，去除異常數據。

優選的是，本實施例中選擇的工況環境參數指標為污水處理廠進水COD量和進水氨氮量。

步驟S302、建立混合高斯模型。

1)建立高斯分布模型

混合高斯分布模型是多個高斯分布的線性組合，進水COD量的高斯分布的概率密度函數表達式，如式(7)所示

進水氨氮量的高斯分布的概率密度函數表達式為

其中，C_COD為進水COD量數據樣本點、C_NH為進水氨氮量數據樣本點，μ₁、μ₂為進水COD量數據均值、進水氨氮量數據均值，σ₁²、σ₂²為進水COD量、進水氨氮量數據方差；

2)建立混合高斯分布模型

混合高斯分布模型為多個高斯分布的線性組合，混合高斯分布其概率密度函數表示為

其中，X_COD,X_NH為進水COD量、進水氨氮量數據樣本，a₁、a₂為進水COD量、進水氨氮量的高斯分布的權重。

步驟S303、基于非線性最小二乘法計算混合高斯分布模型系數，得到混合高斯分布函數。

1)根據進水COD量、進水氨氮量的歷史數據信息，作為輸入訓練數據；

2)根據非線性最小二乘法，計算每個進水COD量和進水氨氮量的高斯分布模型系數，得到高斯分布的概率密度函數式；

其中，進水COD量高斯分布的概率密度函數為

進水氨氮量高斯分布的概率密度函數為

3)根據工況環境不同參數對設備運行控制的影響，為不同參數分配不同的影響因子系數；

其中，a₁＝1、a₂＝-0.1

4)根據工況環境不同參數的高斯分布的概率密度函數式和不同工況環境參數的影響因子系數，計算混合高斯分布模型系數，得到混合高斯分布函數。

步驟S304、根據混合高斯分布函數控制設備運行。

1)選取設備運行關鍵可調節參數指標，記為設備參數Y；

優選的是，本實施例中選擇鼓風機頻率作為設備關鍵可控參數指標；

2)構建設備參數Y與工況環境參數混合高斯分布概率間的關系，表達式為

其中，X′為設備運行的當前工況環境參數的數據信息，Y_max為設備運行中設備參數可調節的范圍上限值，Y_min為設備參數可調節范圍下限值，f(X)為工況參數混合高斯分布函數；

優選的是，本實施例中Y_max＝50Hz，Y_min＝30Hz；

3)通過數據采集設備，獲取當前工況環境參數的數據信息值，進水COD量為230g/h，進水氨氮量為20g/h，即當前工況環境參數數據為X′＝(230,20)；

4)根據所述公式(13)和設備運行的當前工況環境參數的數據信息X′＝(230,20)，計算得到設備參數Y(X′)；

5)控制鼓風機以Y(X′)運行，即以40Hz運行。

注意，上述僅為本發明的較佳實施例及所運用技術原理。本領域技術人員會理解，本發明不限于這里所述的特定實施例，對本領域技術人員來說能夠進行各種明顯的變化、重新調整和替代而不會脫離本發明的保護范圍。因此，雖然通過以上實施例對本發明進行了較為詳細的說明，但是本發明不僅僅限于以上實施例，在不脫離本發明構思的情況下，還可以包括更多其他等效實施例，而本發明的范圍由所附的權利要求范圍決定。