CN109445422A - 一种化工生产设备故障预测方法 - Google Patents

Abstract

本发明公开了一种化工生产设备故障预测方法，包括构建训练数据库，所述训练数据库包括多个训练样本；构建并初始化神经网络模型；将各个所述训练样本输入到神经网络模型中，完成神经网络模型的训练操作；采集化工生产设备的实时物理参数，组成监测样本；将监测样本输入到神经网络模型中，神经网络模型输出监测样本的故障预测结果。本技术方案首先完成神经网络模型的训练操作，之后通过采集化工生产设备中的各个实时物理参数，利用神经网络模型实现化工生产设备运行过程中的故障预测功能，以便相关工作人员根据故障预测结果提前对化工生产设备运行进行干预，降低化工生产设备故障发生概率。

Description

一种化工生产设备故障预测方法

技术领域

本发明涉及设备故障诊断方法技术领域，更具体地说涉及一种基于神经网络的化工设备故障预测方法。

背景技术

化工产业是现代工业中不可或缺的重要组成部分，现有的大型化工生产设备出于安全生产的规范要求，普遍在化工生产设备中安装有各种传感器以监控化工生产设备中的温度压力的物理参数，以实现对设备的实时监控，便于相关工作人员及时发现问题。

但是目前的监控方式只是一种实时的监控方案，相关工作人员只有当所监控的物理参数超过设定的阈值时，才对设备故障作出对应的响应机制，此时设备故障终究已经是发生了，设备故障容易导致程度不一的负面影响，因此根据所监控的物理参数的实时值预测未来一定时间之内的设备是否会产生故障，产生哪种故障，这才是从根本上杜绝故障的产生，实现对化工生产设备的全方位监控。

发明内容

本发明要解决的技术问题是：提供一种基于神经网络的化工生产设备故障预测方法。

本发明解决其技术问题的解决方案是：

一种化工生产设备故障预测方法，包括以下步骤：

步骤100，构建训练数据库，所述训练数据库包括多个训练样本；

步骤200，构建并初始化神经网络模型；

步骤300，将各个所述训练样本输入到神经网络模型中，完成神经网络模型的训练操作；

步骤400，采集化工生产设备的实时物理参数，组成监测样本；

步骤500，将监测样本输入到神经网络模型中，神经网络模型输出监测样本的故障预测结果。

作为上述技术方案的进一步改进，所述训练样本包括状态参数以及故障标签，所述状态参数包括反应过程中的反应釜中的温度值、反应釜中的气压值、反应釜中各个反应物的输入流量、反应釜的暴流状态以及时间值。

作为上述技术方案的进一步改进，所述神经网络模型包括输入层、隐含层以及输出层，所述输入层设有m个第一节点，所述隐含层设有n个第二节点，所述输出层设有j个第三节点；每个第一节点与每个第二节点之间均设有连接权重，所述第二节点设有激活函数；

步骤300具体包括以下步骤：

步骤310，将训练样本中非数值型数据转换成数值型数据；

步骤320，将训练样本中的所有数据进行标准化处理；

步骤330，初始化输入层中各个第一节点与每个第二节点之间的连接权重，设置各个第二节点的激活函数，设置误差阈值以及训练次数；

步骤340，将各个数据样本输入到神经网络模型的输入层中，神经网络模型的输出层输出故障预测值；

步骤350，计算故障预测值与故障标签之间的误差；

步骤360，根据步骤350所得的误差，修改各个第一节点与每个第二节点之间的连接权重，使故障预测值与故障标签之间的误差降低；

步骤370，判断误差是否达到误差阈值要求，如果是，训练结束，神经网络模型建立完成，如果不是，再判断是否达到训练次数要求，如果是，训练结束，神经网络模型建立完成，如果不是，继续输入下一个训练样本，返回步骤340。

作为上述技术方案的进一步改进，所述训练样本还包括与各个状态参数相对应的状态变化率，所述状态变化率由对应的状态参数对时间进行求导得到的。

作为上述技术方案的进一步改进，反应釜的暴流状态是通过图像采集方式得到的。

作为上述技术方案的进一步改进，采集反应釜的暴流状态包括以下步骤：

步骤110，设置阈值范围，利用摄像头采集反应釜的实时运行图像；

步骤120，对所述反应釜的实时运行图像进行滤波处理；

步骤130，对所述反应釜的实时运行图像进行二值化处理；

步骤140，对所述反应釜的实时运行图像进行轮廓跟踪处理以及圆形拟合处理，获取反应釜的实时运行图像的ROI区域；

步骤150，对所述ROI区域进行去除噪声处理；

步骤160，计算所述ROI区域的面积，判断所述ROI区域的面积是否在阈值范围内，如果是，则所述反应釜的暴流状态为正常，否则所述反应釜的暴流状态为异常。

本发明的有益效果是：本发明首先完成神经网络模型的训练操作，之后通过采集化工生产设备中的各个实时物理参数，利用神经网络模型实现化工生产设备运行过程中的故障预测功能，以便相关工作人员根据故障预测结果提前对化工生产设备运行进行干预，降低化工生产设备故障发生概率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单说明。显然，所描述的附图只是本发明的一部分实施例，而不是全部实施例，本领域的技术人员在不付出创造性劳动的前提下，还可以根据这些附图获得其他设计方案和附图。

图1是本发明的方法流程图。

具体实施方式

以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本申请的一部分实施例，而不是全部实施例，基于本申请的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本申请保护的范围。

参照图1，本技术方案公开了一种化工生产设备故障预测方法，包括以下步骤：

步骤100，构建训练数据库，所述训练数据库包括多个训练样本；

步骤200，构建并初始化神经网络模型；

步骤300，将各个所述训练样本输入到神经网络模型中，完成神经网络模型的训练操作；

步骤400，采集化工生产设备的实时物理参数，组成监测样本；

步骤500，将监测样本输入到神经网络模型中，神经网络模型输出监测样本的故障预测结果。

具体地，本技术方案首先完成神经网络模型的训练操作，之后通过采集化工生产设备中的各个实时物理参数，利用神经网络模型实现化工生产设备运行过程中的故障预测功能，以便相关工作人员根据故障预测结果提前对化工生产设备运行进行干预，降低化工生产设备故障发生概率。

进一步作为优选的实施方式，本申请具体实施方式中，所述训练样本包括状态参数以及故障标签，所述状态参数包括反应过程中的反应釜中的温度值、反应釜中的气压值、反应釜中各个反应物的输入流量、反应釜的暴流状态以及时间值。

进一步作为优选的实施方式，本申请具体实施方式中，所述神经网络模型包括输入层、隐含层以及输出层，所述输入层设有m个第一节点，所述隐含层设有n个第二节点，所述输出层设有j个第三节点；每个第一节点与每个第二节点之间均设有连接权重，所述第二节点设有激活函数；

步骤300具体包括以下步骤：

步骤310，将训练样本中非数值型数据转换成数值型数据；

步骤320，将训练样本中的所有数据进行标准化处理；

步骤330，初始化输入层中各个第一节点与每个第二节点之间的连接权重，设置各个第二节点的激活函数，设置误差阈值以及训练次数；

步骤340，将各个数据样本输入到神经网络模型的输入层中，神经网络模型的输出层输出故障预测值；

步骤350，计算故障预测值与故障标签之间的误差；

步骤360，根据步骤350所得的误差，修改各个第一节点与每个第二节点之间的连接权重，使故障预测值与故障标签之间的误差降低；

步骤370，判断误差是否达到误差阈值要求，如果是，训练结束，神经网络模型建立完成，如果不是，再判断是否达到训练次数要求，如果是，训练结束，神经网络模型建立完成，如果不是，继续输入下一个训练样本，返回步骤340。

进一步作为优选的实施方式，本申请具体实施方式中，所述训练样本还包括与各个状态参数相对应的状态变化率，所述状态变化率由对应的状态参数对时间进行求导得到的。具体地，本技术方案为进一步提高化工生产设备故障预测的准确率，本技术方案同时将各个状态参数所相对应的状态变化率作为神经网络模型的训练数据。

进一步作为优选的实施方式，本申请具体实施方式中，反应釜的暴流状态是通过图像采集方式得到的。

具体地，本申请具体实施方式中，采集反应釜的暴流状态包括以下步骤：

步骤110，设置阈值范围，利用摄像头采集反应釜的实时运行图像；

步骤120，对所述反应釜的实时运行图像进行滤波处理；

步骤130，对所述反应釜的实时运行图像进行二值化处理；

步骤140，对所述反应釜的实时运行图像进行轮廓跟踪处理以及圆形拟合处理，获取反应釜的实时运行图像的ROI区域；

步骤150，对所述ROI区域进行去除噪声处理；

步骤160，计算所述ROI区域的面积，判断所述ROI区域的面积是否在阈值范围内，如果是，则所述反应釜的暴流状态为正常，否则所述反应釜的暴流状态为异常。

本技术方案具体是以反应釜出现暴流状况时，反应釜的流出物多少为标准对反应釜的暴流状态进行判断，反应釜的暴流状态识别准确率高。另外采集所述反应釜的暴流状态的步骤中还可以通过连续采集多张反应釜的实时运行图像，计算实时运行图像中ROI区域面积的变化率，将实时运行图像中ROI区域面积的变化率纳入作为判断暴流状态是否正常的标准，设置变化率基准线，当实时运行图像中ROI区域面积的变化率低于变化率基准线，同时ROI区域的面积是在阈值范围内，则认为所述反应釜的暴流状态为正常，否则所述反应釜的暴流状态为异常。

以上对本申请的较佳实施方式进行了具体说明，但本申请并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变型或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。

Claims (6)

1.一种化工生产设备故障预测方法，其特征在于，包括以下步骤：

步骤100，构建训练数据库，所述训练数据库包括多个训练样本；

步骤200，构建并初始化神经网络模型；

步骤300，将各个所述训练样本输入到神经网络模型中，完成神经网络模型的训练操作；

步骤400，采集化工生产设备的实时物理参数，组成监测样本；

步骤500，将监测样本输入到神经网络模型中，神经网络模型输出监测样本的故障预测结果。

2.根据权利要求1所述的一种化工生产设备故障预测方法，其特征在于：所述训练样本包括状态参数以及故障标签，所述状态参数包括反应过程中的反应釜中的温度值、反应釜中的气压值、反应釜中各个反应物的输入流量、反应釜的暴流状态以及时间值。

3.根据权利要求2所述的一种化工生产设备故障预测方法，其特征在于，所述神经网络模型包括输入层、隐含层以及输出层，所述输入层设有m个第一节点，所述隐含层设有n个第二节点，所述输出层设有j个第三节点；每个第一节点与每个第二节点之间均设有连接权重，所述第二节点设有激活函数；

步骤300具体包括以下步骤：

步骤310，将训练样本中非数值型数据转换成数值型数据；

步骤320，将训练样本中的所有数据进行标准化处理；

步骤330，初始化输入层中各个第一节点与每个第二节点之间的连接权重，设置各个第二节点的激活函数，设置误差阈值以及训练次数；

步骤340，将各个数据样本输入到神经网络模型的输入层中，神经网络模型的输出层输出故障预测值；

步骤350，计算故障预测值与故障标签之间的误差；

步骤360，根据步骤350所得的误差，修改各个第一节点与每个第二节点之间的连接权重，使故障预测值与故障标签之间的误差降低；

步骤370，判断误差是否达到误差阈值要求，如果是，训练结束，神经网络模型建立完成，如果不是，再判断是否达到训练次数要求，如果是，训练结束，神经网络模型建立完成，如果不是，继续输入下一个训练样本，返回步骤340。

4.根据权利要求3所述的一种化工生产设备故障预测方法，其特征在于：所述训练样本还包括与各个状态参数相对应的状态变化率，所述状态变化率由对应的状态参数对时间进行求导得到的。

5.根据权利要求2所述的一种化工生产设备故障预测方法，其特征在于：反应釜的暴流状态是通过图像采集方式得到的。

6.根据权利要求5所述的一种化工生产设备故障预测方法，其特征在于：采集反应釜的暴流状态包括以下步骤：

步骤110，设置阈值范围，利用摄像头采集反应釜的实时运行图像；

步骤120，对所述反应釜的实时运行图像进行滤波处理；

步骤130，对所述反应釜的实时运行图像进行二值化处理；

步骤140，对所述反应釜的实时运行图像进行轮廓跟踪处理以及圆形拟合处理，获取反应釜的实时运行图像的ROI区域；

步骤150，对所述ROI区域进行去除噪声处理；

步骤160，计算所述ROI区域的面积，判断所述ROI区域的面积是否在阈值范围内，如果是，则所述反应釜的暴流状态为正常，否则所述反应釜的暴流状态为异常。