摘 要: 为了充分发挥水利泵站的利用效益,对水利泵站进行数字化信息管理,并对水利泵站的计算机自动化和远程监控系统进行了应用研究。 远程控制系统主要由控制中心、远程管理模块、网络传输系统、模拟量采集模块、继电器控制模块和数据库。 为了充分利用水利泵站的自动化和远程监控系统,缩短维修时间,借助人工神经网络模型,通过对作业过程中的监测数据进行管理、分析和评估,预测水利泵站的作业状态。 为了验证水利泵站自动化监控系统的性能,对其进行调试和作业状态预测试验,结果表明:系统可以正常运行,且可准确预测水利泵站的运行状态。
关键词: 水利泵站; 计算机自动化; 远程监控系统; 人工神经网络模型; 状态预测

引言
  水利行业具有十分悠久的历史,人类文明的发展史就是水资源的使用和同水灾抗争不断进行的过程[1]
。 随着科技的发展,人们生活水平不断提高,但也带来了水资源污染、洪涝灾害和环境污染等问题。泵站设施对农业排水和城市排水等起到了非常关键的作用,传统的泵站管理方式已经不能满足现代化农业和城市用水管理的需求,故充分发挥水利泵站的利用效益、对水利泵站进行数字化信息管理已成为水利行业发展的当务之急。
  计算机自动化技术是涉及了嵌入式技术、计算机技术等的综合性技术,通过对监测设备、电机装置等
设备进行优化组合和设计,实现对采集数据进行自动化管理[2]。 将计算机自动化技术应用于水利泵站的
管理,可以提高泵站的管理效率、减少事故发生率和提高经济效益。 但是,我国某些泵站自动化改造时间
较早,并未联网,无法对泵站进行信息共享和集中管理;同时,由于行业标准不统一、数据信息不互通等原因,泵站的自动化监控仍然无法实现。

  远程监控技术是利用无线通信技术、通过远程自动控制设备进行远程控制的一种技术。 将自动化技术和远程监控技术应用于水利泵站的管理,可以将分布在各处的泵站信息通过无线网传递至管理者进行集中管理,从而对各泵站实现远程的监控和自动化控制,不仅可以进行泵站的无人管理,降低成本,还可以进一步提高管理效率。 为此,本文对水利泵站的计算机自动化和远程监控系统的应用进行研究。
  1 硬件设计
  1. 1 总体设计
  水利泵站远程自动化监控系统的主要组成包括控制中心、远程管理模块、网络传输系统、模拟量采集
模块、继电器控制模块和数据库,如图 1 所示。

  1. 2 控制中心
  控制中心主要用于采集和预处理作业过程的数据,是整个水利泵站远程监控系统的核心控制部分。当泵站的远程管理模块因故不能运行时,控制中心仍可独立运行不受影响[3-4]。 其主要组成包括 PLC 及微处理机。

  PLC 控制器用于对泵站内部的所有工艺设备进行控制,包括开关量的采集和逻辑控制、模拟量的采集以及其他功能的控制,同时实现各模块之间的总线通讯。 系统的功能设计如图 2 所示。

  系统采用西门子 S7-300 系列的 PLC 控制器,具有运行速度快、运行成本较低、可模块化控制和物理
空间占用小的优点。控制中心还配置微处理机作为系统 PLC 控制的基础,用于对获得的数据进行综合处理。
  1. 3 远程管理模块
  远程管理模块主要用于远程监控,包括服务器、显示器和通讯线。 控制中心通过通信模块将所有数据传输至远程管理模块,管理人员利用显示器对泵站相关设备进行监视或者远程控制。
  1. 4 网络传输系统
  网络传 输 系 统 主 要 用 于 监 控 数 据 传 输, 采 用RS485 总线作为传输标准总线,主要包括 3 级网络,
分别是泵站级网络、中间级网络和中心控制级网络。

  泵站级网络主要用于对泵站数据的采集,并连接E1 网络,包括基站 MODEM、路由器及交换机。 其中,交换机由接头与基站 MODEM 的以太网连接,之后连
接至无线网。

  中间级网络用于连接 E1 网络和控制中心的局域网,从而实现数据的高速传输[5],由基带 MODEM 及路由器组成。
  中心控制级网络即是局域网,用于控制中心、网通中心等内部区域的光纤线路连接,可同时传输多路数据,主要由光纤 MODEM、交换机和光纤线缆组成。数据同 时 传 输 至 数 据 库 进 行 保 存, 便 于 以 后 随 时查询。

  1. 5 模拟量采集模块

  模拟量采集模块主要用于对水利泵站的数据采集,其主要组成为传感器。 根据设计需求,一般进行泵机的温度、蓄水池水位和泵转速进行监测。 其中,温度测量采用 PT100 热电阻传感器。 由于一般传感器工作电压为 24V,而 PT100 传感器外围电路工作电压为 15V,单片机所需电压为 3. 3V,还需要对其电路进行设计,如图 3 所示。

  蓄水池水位采用投入式液位计进行测量,泵转速采用 HK 霍尔元件转速传感器进行测量。 当模拟量采
集模块完成数据的采集后,通过 I / O 输入点与 PLC 控制器连接,完成数据信息的采集,并控制水泵的启停。
  1. 6 数据库
  数据库主要存储泵站运行过程中的数据,由于数据较多,还需要对其进行有效的管理,以便及时、准确地获取有效信息。 数据库的数据类别和关系相关属性如图 4 所示。 为保证数据的安全,对于局域网内部客户,可实时访问;对于 Web 访问客户,则设置防火墙以及密码识别等方式进行访问。

  2 水利泵站作业状态预测
  状态检修是水利泵站进行自动化作业过程中的一个重要组成部分。 通过对水利泵站作业过程中的监测数据进行管理、分析和评估,可以预测水利泵站特定设备的维护时间和规模,从而有效地缩短维修时间,优化维修。 人工神经网络具有较强的自适应学习能力,即通过学习自制演化出运算响应环境[6]。 因此,笔者借助人工神经网络模型,对水利泵站作业状态进行预测。
  2. 1 人工神经网络模型
  神经网络模型中较为常用的为前向神经网络模型[7],可以看作是输入到输出的非线性映射的计算,如图 5 所示。在系统中,假设时刻 m+1 的响应值为 xm+1 ,且有以下关系,即
xm+1= T(m + 1,am+1 ,bm+1 ,cm+1 )
其中,am+1 、bm+1 、cm+1 分别为 m+1 时刻与响应值有关的变量参数;T 为闭区间[0,1]。
根据嵌入定理[7],响应值也可以通过下式得到,即
xm+1= f(xm ,xm-1 ,. . . ,xm-n+1 )
其中,n 为嵌入维数。
  

  2. 2 人工神经网络算法分析
  对于水利泵站特定设备维护时间和规模的预测,可以采用神经网络中的共轭梯度算法,该计算法是在BP 算法的基础上改进得到的。 相较于 BP 算法,共轭梯度算法的可靠性和有效性更高,且具有收敛速度快、精度高的优点。 在神经网络中,共轭梯度算法的目的是使误差函数 E(W)最小,其求解过程如下:

  3 试验结果
  为验证该水利泵站自动化监控系统的性能,需要对其进行相关试验。 首先,对系统进行调试试验,确定系统是否可以正常作业;然后,利用系统对水利泵站进行预测试验。
  3. 1 调试试验
  系统共有 4 个模块,分别是远程管理模块、网络传输系统、模拟量采集模块及继电器控制模块,对这几个模块独立进行调试。 每个模块均能正常作业后,再进行整体的调试。
  1)远程管理模块在进行调试时,将相关线路和服务器连接,打开显示器,可以正常显示系统设置的参数名称,则说明该模块可以正常工作。
  2)网络传输系统进行测试时,将各端口连接,并进行必要的参数配置;其后,通过另一台 PC 机通过传输系统向数传终端发送指令;各终端接收指令后通过串口转发给微处理机,若微处理机接收到的数据与发送数据一样,则该系统可正常使用。
  3)模拟量采集模块进行调试时,将各传感器连接到该模块的端口,其后将 RS485 总线端口接入微处理机,逐条调试底层的通讯协议,且所有指令均可正确返回,则该模块可正常工作。
  4)继电器控制模块测试时,连接 RS485 总线与微处理机,通过发送指令控制继电器的开闭,若动作与指令相符则该模块可正常工作。所有模块调试完成后,登录到指定网址,通过显示器查看各水利泵站的工作状态。
  3. 2 水利泵站状态预测试验
  根据系统的状态评估技术可知,反映水利泵站状态的参数主要包括出口压力、振动幅值、冷油器出口
油温和润滑油压。 对以上特征的额定值、当前值进行测量,再采用人工神经网络算法基于当前参数对水利泵站的 20 步状态进行预测,最终的结果如表 1 所示。

由表 1 可知:水利泵站参数的预测值和实测值的误差均在 0. 1%以内,数值较小,可将该算法用于水利泵站状态的预测。
  4 结论
  1)为了充分发挥水利泵站的利用效益,对水利泵站进行数字化信息管理,并对水利泵站的计算机自动化和远程监控系统进行了应用研究。 系统的主要组成包括控制中心、远程管理模块、网络传输系统、模拟量采集模块、继电器控制模块和数据库。
  2)为了充分利用水利泵站的自动化和远程监控系统,缩短维修时间,借助人工神经网络模型对作业过程中的监测数据进行管理、分析和评估,预测水利泵站的作业状态。
  3)为了验证该水利泵站自动化监控系统的性能,对其进行调试和作业状态预测试验,结果表明:该系统可以 正 常 运 行, 且 可 准 确 预 测 水 利 泵 站 的 运 行状态。
  参考文献:
[1] 付功云. 水利信息化现状和发展浅析[ J]. 水利科技与经济,2011,17(12):47-48.
[2] 骆国强. 常数泵站综合自动化监控技术研究[D]. 扬州:扬州大学,2007:11-17.
[3] 欧阳擎. 计算机监控技术在排涝泵站的应用[ J]. 中国农村水利水电,2003(4):54-55.
[4] 金培军,李伟. 计算机监控系统在喀拉格尔水电站的应用[J]. 中国农村水电及电气化,2005(10):50-53.
[5] 韦乐平,李英灏. SDH 及其新应用[M]. 北京:人民邮电出版社,2001:30-76.
[6] 李勇. 汽轮发电机组故障预测方法[ J]. 汽轮机技术,1996,38(1):17-20.
[7] R. LAMEDICAETAL. A neural network based technique forshort-term forecasting of anomalous load periods[ J]. IEEETrans on power system, 1996,11(4):1749-1756.