基于模糊神经网络的油水分离器排油管控制系统及方法
阅读：757发布：2023-01-16
专利汇可以提供基于模糊神经网络的油水分离器排油管控制系统及方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于模糊神经网络的油 水 分离器排油管控制系统及方法，采集排油管当前检测数据，利用构建的油水分离器排油管控 制模 型，对排油管当前检测数据进行诊断，以输出排油管的排油控制当前值，控制油水分离器排油管的排油 泵 开闭动作和电加 热管 工作。本发明优点为：在排油管进行加热过程中，并且利用模糊神经网络控制 算法 配合 温度 传感器 的测量结果精准控制加热的时间和温度，提高加热效果，节省 能源 ；并且能够根据检测结果判断油水分离器的运行状态，遇到故障及时报警。，下面是基于模糊神经网络的油水分离器排油管控制系统及方法专利的具体信息内容。
1.一种基于模糊神经网络的油水分离器排油管控制方法，其特征在于包括以下步骤：
步骤1、基于模糊神经网络算法，构建基于模糊神经网络的油水分离器排油管控制模型；
步骤2、对步骤1建立的油水分离器排油管控制模型进行训练，确定控制模型的模型参数；
步骤3、采集排油管当前检测数据，利用步骤2确定的油水分离器排油管控制模型，对排油管当前检测数据进行诊断，以输出排油管的排油控制当前值，排油控制当前值包括油液解除凝固状态的时间当前值t和加热温度当前值T；
步骤4、判断当前液体温度是否达到液体融化温度T融，若判断结果为否，则返回步骤3；
若判断结果为是，则停止加热并记录当前加热时间t实；
步骤5、判断|t-t实|是否大于设定阈值t'；若判断结果为是，则发出故障报警；若判断结果为否，则返回步骤3。
2.根据权利要求1所述的基于模糊神经网络的油水分离器排油管控制方法，其特征在于：所述步骤1建立油水分离器排油管控制模型的步骤为：
步骤1.1确定油水分离器排油管控制模型的输入变量x1x2x3，x1为管中液体温度T液，x2为管中液位V液,x3为距离上次加热的时间间隔t隔；
步骤1.2将输入变量x1x2x3按照多级别进行模糊化处理，得到模糊化后变量步骤1.3对步骤1.2模糊化后变量 进行模糊推理，得到模糊推理后每条规则的适应度αj；
步骤1.4对模糊推理后每条规则的适用度αj进行归一化处理，得到模糊推理后每条规则归一化后的适用度
步骤1.5对模糊推理后每条规则归一化后的适用度 进行清晰化计算，以得到油液解除凝固状态的时间实际值tk和电加热管的加热温度实际值T加k，以实现油水分离器排油管控制模型构建。
3.根据权利要求1所述的基于模糊神经网络的油水分离器排油管控制方法，其特征在于：所述步骤2中确定控制模型的模型参数的具体过程为：
步骤2.1设定误差代价函数，以计算模糊神经网络的实际输出和期望输出之间的差距；
步骤2.2基于步骤2.1得到的误差代价函数，利用误差反向传播的学习算法和梯度下降法调整模型参数，以使模糊神经网络的实际输出值接近期望输出值。
4.一种权利要求1所述控制方法的油水分离器排油管控制系统，其特征在于：所述控制系统包括STM32模块，STM32模块输入端电性连接用于采集管中液位信号的液位传感器，以及电性连接用于采集管中温度信号的温度传感器；STM32模块输出端电性连接发光二极管、排油泵和电加热管。
基于模糊神经网络的油水分离器排油管控制系统及方法
技术领域
[0001] 本发明涉及排油管控制技术领域，具体涉及一种基于模糊神经网络的油水分离器排油管控制系统及方法。
背景技术
[0002] 饭店或家庭在用餐结束后将食物残渣混合在一起会产生泔水，乱扔泔水不仅污染环境，而且会给不法商贩提供提炼地沟油的机会，一旦地沟油回到餐桌上，就会损害人们的身体健康。然而如果将泔水中的油分离出来并加以提炼，就可以转化为工业原料，实现废物利用。因此，一些公司针对泔水中的油水分离问题开发了泔水分离器。但是，目前泔水分离器的排油管控制系统是有缺陷的，缺陷如下：
[0003] 1.对于传统的泔水分离器排油管控制系统，根据设定时间来控制排油管是否排油，如果设定时间到了，即使排油管中的油不多，排油管中的排油阀也会打开，造成能源的损耗；当排油管中的油很多时，如果天气寒冷，油的粘稠度增加，此时若打开排油阀，则油无法排出；
[0004] 2.对于传统的泔水分离器排油管控制系统，对于排油管的排油量无法测定，因此如果下面负责接油的油桶满了，排油管继续排油会造成油液溢出；
[0005] 3.对于传统的油水分离设备发生故障时，若故障无法及时得到检测与排查，则油水分离效果变差，排油管排出的液体中含水量过大。
发明内容
[0006] (一)解决的技术问题
[0007] 针对现有技术的不足，本发明提供了一种基于模糊神经网络的油水分离器排油管控制系统及方法，模糊神经网络控制算法配合温度传感器的测量结果，精准控制加热的时间和温度，提高加热效果，节省能源，同时能够及时发现油水分离器中的故障，使故障能够及时得到排查。
[0008] (二)技术方案
[0009] 为实现以上目的，本发明通过以下技术方案予以实现：一种基于模糊神经网络的油水分离器排油管控制方法，包括以下步骤：
[0010] 步骤1、基于模糊神经网络算法，构建基于模糊神经网络的油水分离器排油管控制模型；
[0011] 步骤2、对步骤1建立的油水分离器排油管控制模型进行训练，确定控制模型的模型参数；
[0012] 步骤3、采集排油管当前检测数据，利用步骤2确定的油水分离器排油管控制模型，对排油管当前检测数据进行诊断，以输出排油管的排油控制当前值，排油控制当前值包括油液解除凝固状态的时间当前值t和加热温度当前值T；
[0013] 步骤4、判断当前液体温度是否达到液体融化温度T融，若判断结果为否，则返回步骤3；若判断结果为是，则停止加热并记录当前加热时间t实；
[0014] 步骤5、判断|t-t实|是否大于设定阈值t'；若判断结果为是，则发出故障报警；若判断结果为否，则返回步骤3。
[0015] 优选的，上述步骤1建立油水分离器排油管控制模型的步骤为：
[0016] 步骤1.1确定油水分离器排油管控制模型的输入变量x1x2x3，x1为管中液体温度T液，x2为管中液位V液,x3为距离上次加热的时间间隔t隔；
[0017] 步骤1.2将输入变量x1x2x3按照多级别进行模糊化处理，得到模糊化后变量[0018] 步骤1.3对步骤1.2模糊化后变量 进行模糊推理，得到模糊推理后每条规则的适应度αj；
[0019] 步骤1.4对模糊推理后每条规则的适用度αj进行归一化处理，得到模糊推理后每条规则归一化后的适用度
[0020] 步骤1.5对模糊推理后每条规则归一化后的适用度 进行清晰化计算，以得到油液解除凝固状态的时间实际值tk和电加热管的加热温度实际值T加k，以实现油水分离器排油管控制模型构建。
[0021] 优选的，所述步骤2中确定控制模型的模型参数的具体过程为：
[0022] 步骤2.1设定误差代价函数，以计算模糊神经网络的实际输出值和期望输出值之间的差距；
[0023] 步骤2.2基于步骤2.1得到的误差代价函数，利用误差反向传播的学习算法和梯度下降法调整模型参数，以使模糊神经网络的实际输出值接近期望输出值，模型参数包括网络后件连接权值wij和隶属度函数的中心点cij和隶属度函数的宽度δij。
[0024] 本发明同时公开一种上述控制方法的油水分离器排油管控制系统，所述控制系统包括STM32模块，STM32模块输入端电性连接用于采集管中液位信号的液位传感器，以及电性连接用于采集管中温度信号的温度传感器；STM32模块输出端电性连接发光二极管、排油泵和电加热管。
[0025] (三)有益效果
[0026] 本发明具备以下有益效果：
[0027] 1)与传统的泔水分离器排油管控制系统相比，本发明的油水分离器排油管控制方法与系统对于排油泵的控制并不是取决于时间，而是取决于液位，这就意味着只有当油量达到排放标准量时，排油泵才会打开，节省能源；
[0028] 2)传统的泔水分离器排油管控制系统无法测定排油管排了多少油，如果下面负责接油的油桶满了，排油管还是会按规定时间进行排油，造成油的溢出；而本发明油水分离器排油管控制系统能够检测到排油管的排油量，STM32模块会对排油泵的工作次数进行计数，当次数达到一定值时，说明排油量已经到达油桶极限，此时STM32模块不再发送驱动信号驱动排油泵，同时发送报警信号给发光二极管，使发光二极管常亮报警，提醒工作人员更换油桶；
[0029] 3)当天气寒冷时，存储在传统油管中的油会发生凝固，此时若打开阀门，则油无法排出；而本发明油水分离器排油管控制方法及系统会对排油管进行加热，并且利用模糊神经网络控制算法配合温度传感器的测量结果精准控制加热的时间和温度，不仅有好的加热效果，并且节省能源；
[0030] 4)由于不同液体的比热容不同，因此加热到同一温度的时间是不一样的，根据这一特性，本发明系统以及方法根据排油管中液体加热到某一温度所用时间来判断此液体的含水量大小，即步骤5中通过比较差值Δt与设定阈值t'的大小，间接判断设备是否发生故障，若发生故障，则报警。附图说明
[0031] 图1为油水分离器排油管控制方法示意图；
[0032] 图2为油水分离器排油管控制系统示意图。
具体实施方式
[0033] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0034] 本发明提供一种基于模糊神经网络的油水分离器排油管控制方法，该控制方法主要采用模糊神经网络控制油水分离器排油管的排油泵开闭动作和电加热管工作。
[0035] 参见图1，基于模糊神经网络的油水分离器排油管控制方法具体包括以下方法步骤：
[0036] 步骤1、基于模糊神经网络算法，构建基于模糊神经网络的油水分离器排油管控制模型；
[0037] 该算法中，将模糊神经网络共分五层，即输入层、隐含层、模糊推理层、归一化层和输出层，通过上述五层实现排油管控制模型的搭建，步骤1中，构建基于模糊神经网络的油水分离器排油管控制模型的具体过程为：
[0038] 步骤1.1设定模糊神经网络的输入层，确定油水分离器排油管控制模型的输入变量；
[0039] 模糊神经网络的输入层为x＝[x1,x2,x3]T，其中，x1为管中液体温度T液，x2为管中液位V液,x3为距离上次加热的时间间隔t隔，输入层的作用是接收输入变量x1x2x3并将上述输入变量传递到模糊神经网络的隐含层。
[0040] 步骤1.2在隐含层中将输入变量x1x2x3按照多级别进行模糊化处理，得到模糊化后变量
[0041] 模糊神经网络的隐含层，也叫做模糊化层。
[0042] 计算输入变量x1x2x3的所属语言变量的隶属度函数 得到模糊化后变量其中，i＝1,2,3；j＝1,2,…,7；即将输入层传递过来的管中液体温度T液、管中液位V液和距离上次加热的时间间隔t隔进行模糊化处理。
[0043] 例如：分别将输入变量x1x2x3模糊化为七个级别，模糊集为{NB，NM，NS，Z，PS，PM，PB}。因此，模糊化为七个级别时，隐含层的网络节点有21个。
[0044] 选择高斯型隶属度函数对 进行求解，求解公式为：
[0045]
[0046] 公式(1)中：cij表示隶属度函数的中心，δij表示隶属度函数的宽度。
[0047] 步骤1.3在模糊推理层中，对隐含层模糊化后变量 进行模糊推理，得到模糊推理后每条规则的适应度αj。
[0048] 模糊推理层的作用是对隐含层模糊化后变量 进行模糊推理，例如三个输入变量x1x2x3均模糊化为七个级别，因此模糊推理层的网络节点数m＝343，各节点代表一条模糊规则，其作用是用来匹配模糊规则的网络前件，模糊推理后每条规则的适用度为：
[0049]
[0050] 式中j＝1，2…m，i1∈{1,2…7}，i2∈{1,2…7}，i3∈{1,2…7}。
[0051] 步骤1.4在归一化层中，对模糊推理后每条规则的适用度进行归一化处理，得到模糊推理后每条规则归一化后的适用度
[0052] 此处，归一化层与模糊推理层的网络节点数相同，均m＝343个，归一化层实现的是归一化计算，得到模糊推理后每条规则归一化后的适用度
[0053]
[0054] 步骤1.5在输出层中，对模糊推理后每条规则归一化后的适用度 进行清晰化计算，以得到油液解除凝固状态的时间实际值tk和电加热管的加热温度实际值T加k，以实现油水分离器排油管控制模型构建。其中，油液解除凝固状态的时间实际值tk指油水分离器不发生故障的情况下，油液解除凝固状态时间的实际值。
[0055] 上述清晰化计算所采用的公式为：
[0056]
[0057]
[0058] 其中t为油液解除凝固时间，即当油管中的油不含杂质时，从凝固状态加热到液体状态需要的时间，例如设定当液体温度为20摄氏度时完全解除凝固状态，不会对排油造成影响；T加为电加热管的加热温度。
[0059] 由上式(4)和(5)可以看出系统的输出是网络后件(Consequent)的加权和，而加权项为模糊推理后每条规则归一化后的适用度 模糊神经网络主要学习的是网络后件的连接权值wij和隶属度函数的中心点cij和隶属度函数的宽度δij。
[0060] 步骤2、对步骤1建立的油水分离器排油管控制模型进行训练，确定上述控制模型的模型参数，模型参数包括网络后件连接权值wij和隶属度函数的中心点cij和隶属度函数的宽度δij。
[0061] 在模糊神经网络对网络后件连接权值wij和隶属度函数的中心点cij和隶属度函数的宽度δij的训练过程中，包括以下步骤；
[0062] 步骤2.1设定误差代价函数；
[0063] 此处，误差代价函数包括第一误差代价函数E、第二误差代价函数E1和第三误差代价函数E2，通过以上3个误差代价函数建立油液解除凝固时间期望值tdk、电加热管的加热温度期望值T加dk、油液解除凝固状态的时间实际值tk和电加热管的加热温度实际值T加k的关系，以计算模糊神经网络的实际输出和期望输出之间的差距。上述3个误差代价函数具体公式为：
[0064] E＝0.5[(tdk-tk)2+(T加dk-T加k)2] (6)
[0065] E1＝0.5(tdk-tk)2 (7)
[0066] E2＝0.5(T加dk-T加k)2 (8)
[0067] 其中，tdk为油水分离机不出故障时，油液解除凝固时间期望值；
[0068] T加dk为电加热管的加热温度期望值；
[0069] tk为油水分离机不出故障时，油液解除凝固状态的时间实际值；
[0070] T加k为电加热管的加热温度实际值；
[0071] 步骤2.2基于步骤2.1得到的误差代价函数，利用误差反向传播的学习算法和梯度下降法调整模型参数，以使模糊神经网络的实际输出值接近期望输出值，模型参数包括网络后件连接权值wij和隶属度函数的中心点cij和隶属度函数的宽度δij。利用误差反向传播的学习算法计算 采用梯度下降法调整wij, 和 则网络后件连接权值wij和隶属度函数的中心点cij和隶属度函数的宽度δij的调整算法为：
[0072]
[0073] 式(9)中i＝1,2,3；j＝1,2,...m；β1,β2,β3,β4为学习率。
[0074] 训练过程中，通过误差代价函数使得模糊神经网络的上述实际值更加贴近期望值。即当模糊神经网络实际输入数值时，通过训练修改网络后件连接权值wij和隶属度函数的中心点cij和隶属度函数的宽度δij，使误差代价函数越来越小，最终实际值达到期望值。该过程可通过对STM32模块的编程来实现基于模糊神经网络的排油管油温控制。
[0075] 步骤3、采集排油管当前检测数据，利用步骤2确定的油水分离器排油管控制模型，对排油管当前检测数据进行诊断，以输出排油管的排油控制当前值。
[0076] 此处，排油管当前检测数据包括管中当前液体温度和管中当前液位。可利用液位传感器采集管中当前液位，利用温度传感器采集管中当前液体温度，以及利用STM32模块中定时器计算距离上次加热的当前时间间隔。通过以上计算得到排油控制当前值，包括油液解除凝固状态的时间当前值t和电加热管的加热温度当前值T，其中，油液解除凝固状态的时间当前值t为当油管中的油不含杂质时，从凝固状态加热到液体状态需要的时间。
[0077] 步骤4、在排油管中的油液加热过程中，不断判断排油控制当前值中的当前液体温度是否达到液体融化温度T融，若判断结果为否，则返回步骤3；若判断结果为是，则停止加热并记录当前加热时间t实。
[0078] 此处需要说明的是，在上述判断过程中，若当前液体温度是否达到液体融化温度T融，例如液体融化温度T融为20℃时，表明凝固现象已解除，此时停止加热。
[0079] 步骤5、判断|t-t实|是否大于设定阈值t'；若判断结果为是，则发出故障报警；若判断结果为否，则返回步骤3。
[0080] 在步骤5中，首先需计算油液解除凝固状态的时间当前值t与当前加热时间t实之间的差值Δt，即：
[0081] Δt＝|t-t实| (10)
[0082] 再进一步判断，差值Δt与设定阈值t'的大小，若Δt＜t'，则返回步骤3，继续利用步骤2确定的油水分离器排油管控制模型，对排油管当前检测数据进行诊断。若Δt＞t'，说明油水分离效率过低，油管中的液体含水量较大，由于水和油的比热容不同，因此液体中的含水量会影响管中液体加热到某一个温度的时间，当Δt＞t'时，表明设备需要维修，此时设备闪烁发光二极管，发出报警信号。
[0083] 由上述步骤2可知，本发明构建的油水分离器排油管控制模型，输入参数为排油管当前检测数据，输出参数为排油控制当前值。以上，通过图2所示的油水分离器排油管控制系统实现，油水分离器排油管控制系统以STM32模块为控制核心，STM32模块输入端电性连接用于采集管中液位信号的液位传感器，以及电性连接用于采集管中温度信号的温度传感器；STM32模块输出端电性连接发光二极管、排油泵和电加热管，以控制发光二极管报警，以及控制排油泵开闭动作和电加热管工作。
[0084] 上述控制系统，通过接收液位传感器采集管中当前液位，液位传感器依次通过第一信号放大器、第一A/D转换器与STM32模块输入端电性连接。控制系统通过接收液位传感器采集管中当前液位，温度传感器依次通过第二信号放大器、第二A/D转换器与STM32模块输入端电性连接。STM32模块输出端依次通过第一D/A转换器、第一信号放大器连接排油泵，以控制排油泵排油工作。STM32模块输出端依次第二D/A转换器、第二信号放大器连接电加热管，以控制电加热管工作。
[0085] 结合图1和图2，油水分离器排油管控制系统的具体工作过程为：
[0086] 液位传感器将采集到的管中液位信号转换为电压信号，经第一信号放大器放大后传入第一A/D转换器转换为液位数字量并传送到STM32模块。STM32模块对传送来的液位数字量进行识别，当液位数字量达到液位设定值时，STM32模块发出驱动信号给第一D/A转换器，第一D/A转换器再将驱动信号从数字量转换成模拟量，最终该信号由第一信号放大器放大并输入排油泵驱动排油泵工作排油。STM32模块会对排油泵的工作次数进行计数，当次数达到一定值时，说明排油量已经到达油桶极限，此时STM32模块不再发送驱动信号驱动排油泵，同时发送报警信号给发光二极管，使发光二极管常亮报警，提醒工作人员更换油桶，以防油桶中的油溢出。
[0087] 温度传感器将采集到的管中液体温度信号转换成电压信号，经第二信号放大器放大后传入第二A/D传感器转换为温度数字量并传送到STM32模块。STM32模块结合管中液体温度、管中液位信号和距离上次加热的时间间隔运用上述步骤1-步骤5的模糊神经网络进行计算，以控制电加热管的加热时间。输出量是温度可控电加热管的加热温度和油管中的油不含杂质时，油液解除凝固状态的时间当前值。运算过后，STM32模块开始计时，并将计算所得的加热温度输出给第二D/A转换模块并转化成模拟量。接着，第二D/A转换模块将温度信号传输给第二信号放大器进行放大，将放大过后信号传输给温度可控电加热管，电加热管根据输入信号对液体进行加热，将液体温度调控至液体融化温度T融，液体融化温度T融理想值为20摄氏度。加热结束后，STM32模块切断给予温度传感器的信号，并且判断油液解除凝固状态的时间当前值t与当前加热时间t实之间的差值Δt是否超出设定阈值t'，如果超过设定阈值t'，则说明设备发生了故障，STM32模块控制发光二极管报警，如果没有超过设定阈值t'，则计时器开始重新计时，为下一次加热做准备。
[0088] 需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
[0089] 尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 用于确定泵单元运行时的故障的方法 | 2020-08-19 | 3 |
| 高性能变量多叶片泵 | 2020-05-16 | 4 |
| 一种平衡阀瞬态试验装置及瞬态试验方法 | 2022-05-06 | 4 |
| 内燃机动能水源热泵船用冷热水机组 | 2021-06-16 | 2 |
| 反转式水泵水轮机、包括其的自发电系统及反转式水泵水轮机的优化设计方法 | 2021-12-18 | 2 |
| 连续梁悬灌施工中的两侧不平衡荷载动态调整方法及系统 | 2022-10-24 | 1 |
| 一种风力发电装置 | 2021-01-19 | 3 |
| 冷却系统的变流量控制装置 | 2022-04-08 | 1 |
| 轴向柱塞泵的变量壳体结构 | 2020-06-28 | 0 |
| 一种活动油车 | 2021-06-24 | 4 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
变量泵热门专利
QQ群二维码
意见反馈
意见反馈