CN109973355B - 一种面向空气压缩机的节能降耗方法 - Google Patents
一种面向空气压缩机的节能降耗方法 Download PDFInfo
- Publication number
- CN109973355B CN109973355B CN201910248175.7A CN201910248175A CN109973355B CN 109973355 B CN109973355 B CN 109973355B CN 201910248175 A CN201910248175 A CN 201910248175A CN 109973355 B CN109973355 B CN 109973355B
- Authority
- CN
- China
- Prior art keywords
- data
- air compressor
- mig250s
- control terminal
- total energy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B39/00—Component parts, details, or accessories, of pumps or pumping systems specially adapted for elastic fluids, not otherwise provided for in, or of interest apart from, groups F04B25/00 - F04B37/00
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
Abstract
本发明公开了一种面向空气压缩机的节能降耗方法,其技术方案要点是:其特征在于:具体包括以下步骤:S1、状态感知:利用数据采集与控制终端MIG250S采集获取空气压缩机工作时的数据,并对获取的数据处理加工,同时利用采集与控制终端MIG250S对采集到的空气压缩机工作时的数据以及处理加工后的数据进行存储,并上传至云端;S2、实时分析:控制终端MIG250S通过仿脑神经元网络算法把采集获取的数据以及处理加工后的数据传入算法模型,利用算法模型进行数学运算得出一个估计值;S3、科学决策;S4、精准执行:根据优化后的数据,利用控制终端MIG250S控制空气压缩机的工作与否、工作时长以及工作功率,同时将空气压缩机的工作信息和节能总量记录,并上传至云端。
Description
技术领域
本发明涉及一种能耗降低的方法,更具体的说,它涉及一种面向空气压缩机的节能降耗方法。
背景技术
空气压缩作为一种动力源的形式,广泛应用在各行各业。压缩空气具有安全、动力传输快、排放无污染等诸多优点,是不可取代的一种动力形式。目前中国每年空气压缩机的采购金额约为300亿人民币,数量在60万台左右,每年均保持一定的比例增长。
随着国家对节能减排的政策的大力推广,企业节能降耗的意愿越来越高,更高效的压缩机产品不断的推陈出新,存量市场再次被成本需求激发。随着国家将节能减排列入“十一五”规划以来,以提高能源利用效率为核心,以企业为实施主体,大力调整和优化结构。 2017年启动碳资产交易,以限定的碳排放指标倒逼企业实施节能降耗,淘汰落后产能,对高能耗的企业单位来讲节能降耗已势在必行。
由于压缩机的功率相对较大,压缩机接近100%的轴功率都消耗在压缩空气产生大量的热能上,并在通过冷却器散发到大气中。众所周知,任何设备的节能主要由两部分组成,本身设备节能和出色的运行策略带来的节能。现有技术方案中主要是设备节能,对于运行策略节能主要通过人为现场运作,故在时效性,专业性,精准性上都存在问题。
发明内容
针对现有技术存在的不足,本发明的目的在于提供一种面向空气压缩机的节能降耗方法,以解决背景技术中提到的问题。
为实现上述目的,本发明提供了如下技术方案:
一种面向空气压缩机的节能降耗方法,具体包括以下步骤:
S1、状态感知:利用数据采集与控制终端MIG250S采集获取空气压缩机工作时的数据,并对获取的数据处理加工,同时利用数据采集与控制终端MIG250S对采集到的空气压缩机工作时的数据以及处理加工后的数据进行存储,并上传至云端;
S2、实时分析:数据采集与控制终端MIG250S通过仿脑神经元网络算法把采集获取的数据以及处理加工后的数据传入算法模型,利用算法模型进行数学运算得出一个估计值,然后将这个估计值与目标值进行比对,两者的差即是模型的误差值,不断重复估算和比对过程,并记录下来产生的误差值,再调整算法模型的参数,使得这个误差值逐步减小,从而得到实时分析形成的抽象经验。
S3、科学决策:利用得到的抽象经验进行决策,根据形成的抽象经验分析空气压缩机工作时的各项历史数据、实时数据、分时数据参数,并通过数据采集与控制终端MIG250S存储优化后的数据;
S4、精准执行:根据优化后的数据,利用数据采集与控制终端MIG250S控制空气压缩机的工作与否、工作时长以及工作功率,同时将空气压缩机的工作信息和节能总量记录,并上传至云端。
进一步地,所述S1中数据采集与控制终端MIG250S采集获取的空气压缩机工作时的数据包括:空气压缩机外部环境的温度、空气压缩机内空气流速、空气压缩机的输出端与外界大气压之间的压差。
进一步地,所述S1中的数据采集与控制终端MIG250S包含光纤、LAN、ADSL、拨号上网四种网络连接方式,数据采集与控制终端MIG250S具备远程管理、数据采集与解析、数据存储和上传、数据格式转换、通信协议集成、数据边缘计算功能。
进一步地,所述S2中的仿脑神经元网络实质为从输入到输出的映射功能,包含任何线性和复杂非线性映射计算。
进一步地,所述S2中的仿脑神经元网络具备学习能力,能通过学习带正确答案的实例集自动提取求解规则。
进一步地,所述S2实时分析中计算出的模型误差值反复比对的次数多于五次,通过设置参数值使得误差值逐步减小,从而得到实时分析形成的抽象经验。
进一步地,所述S4中数据采集与控制终端MIG250S存储有节能总量的历史数据,数据采集与控制终端MIG250S记录的空气压缩机的节能总量与历史数据记录的节能总量进行比较,形成空气压缩机节能总量的汇总数据。
进一步的,所述S4中数据采集与控制终端MIG250S若发现现有的空气压缩机的节能总量低于历史记录的节能总量,数据采集与控制终端MIG250S将给出更换空气压缩机的意见。
进一步的,所述S4中数据采集与控制终端MIG250S发现空气压缩机现场运作发生故障或空气压缩机实时能耗数据相比历史数据记录的能耗高时,将第一时间提供预警。
综上所述,本发明主要具有以下有益效果:
一、数据自动采集,且能进行数据处理;
二、基本不需要现场留守,异常报警自动推送,通过远程执行策略具备一定自我修复能力;
三、机理模型与行业大数据算法模型相结合,形成自成长型的知识封装体制,可跨项目多次数复用,并在应用过程中能够自动优化知识封装。
具体实施方式
实施例1
一种面向空气压缩机的节能降耗方法,具体包括以下步骤:
S1、状态感知:利用数据采集与控制终端MIG250S采集获取空气压缩机工作时的数据,并对获取的数据处理加工,同时利用数据采集与控制终端MIG250S对采集到的空气压缩机工作时的数据以及处理加工后的数据进行存储,并上传至云端;其中数据采集与控制终端MIG250S是针对工业场景下实时数据采集应用、设计、制造的多用途物联网网关,包含多种网络连接方式和丰富的工业设备接口,具备远程管理、数据采集与解析、数据存储和上传,数据格式转换,通信协议集成,数据边缘计算等功能;目前主要应用于工业设备数据采集、高频次数据分析与预警、智能设备交互控制、无人值守点位监测等领域,故可以利用在空气压缩机的能耗监测上,在使用时只需要将空气压缩机与数据采集与控制终端MIG250S上的串口或接口连接,再将两者之间进行网络连接,就能实现数据采集与控制终端MIG250S对空气压缩机的数据采集;
S2、实时分析:数据采集与控制终端MIG250S通过仿脑神经元网络算法把采集获取的数据以及处理加工后的数据传入算法模型,利用算法模型进行数学运算得出一个估计值,然后将这个估计值与目标值进行比对,两者的差即是模型的误差值,不断重复估算和比对过程,并记录下来产生的误差值,再调整算法模型的参数,使得这个误差值逐步减小,从而得到实时分析形成的抽象经验;该算法结合了空压机行业的机理模型与大数据算法模型,可以实现对工业大数据的数据知识解耦,数据知识封装,数据知识运行等步骤。
S3、科学决策:利用得到的抽象经验进行决策,根据形成的抽象经验分析空气压缩机工作时的各项历史数据、实时数据、分时数据参数,并通过数据采集与控制终端MIG250S存储优化后的数据;这个过程是对信息的综合处理,决策是根据积累的经验、对现实的评估和对未来的预测,为了达到明确的目的,在一定的条件约束下,所做的最优决定,在这一环节能够权衡判断当前时刻获取的所有来自不同系统或不同环境下的信息,形成最优决策来对物理空间实体进行控制,分析决策并最终形成最优策略是核心关键环节;这个环节不一定在系统最初投入运行时就能产生效果,往往在系统运行一段时间之后逐渐形成一定范围内的知识,对信息的进一步分析与判断,使得信息真正的转变成知识,并且不断地迭代优化形成系统运行、产品状态、企业发展所需的知识库;
S4、精准执行:根据优化后的数据,利用数据采集与控制终端MIG250S控制空气压缩机的工作与否、工作时长以及工作功率,同时将空气压缩机的工作信息和节能总量记录,并上传至云端;通过分析数据采集与控制终端MIG250S监测到的空气压缩机的工作与否、工作时长以及工作功率可以帮助操作者了解空气压缩机运行时的安全风险,避免空气压缩机在损坏时造成高能耗,通过分析数据采集与控制终端MIG250S监测到的空气压缩机的工作信息和节能总量,操作者可以了解到具体到哪一个空气压缩机的实时能耗变化情况,避免长期高能耗运行,造成资源的浪费。
其中,S1中数据采集与控制终端MIG250S采集获取的空气压缩机工作时的数据包括:空气压缩机外部环境的温度、空气压缩机内空气流速、空气压缩机的输出端与外界大气压之间的压差。
其中,S1中的数据采集与控制终端MIG250S包含光纤、LAN、ADSL、拨号上网四种网络连接方式,数据采集与控制终端MIG250S具备远程管理、数据采集与解析、数据存储和上传、数据格式转换、通信协议集成、数据边缘计算功能。
其中,S2中的仿脑神经元网络实质为从输入到输出的映射功能,包含任何线性和复杂非线性映射计算。
其中,S2中的仿脑神经元网络具备学习能力,能通过学习带正确答案的实例集自动提取求解规则;仿脑神经元网络具有良好的自适应、自学习功能,仿脑神经元网络通过学习训练获得网络的权值与结构,呈现出很强的自学习能力和对环境的自适应能力,仿脑神经元网络所具有的自学习过程模拟了人的形象思维方法,这是与传统符号逻辑完全不同的一种非逻辑非语言,自适应性根据所提供的数据,通过学习和训练,找出输入和输出之间的内在关系,从而求取问题的解,而不是依据对问题的经验知识和规则,因而具有自适应功能,这对于弱化权重确定人为因素是十分有益的。
其中,S2实时分析中计算出的模型误差值反复比对的次数多于五次,通过设置参数值使得误差值逐步减小,从而得到实时分析形成的抽象经验;抽象经验,它指的是历史的、他人的和类似的经验,不用我们去经历就可以获得的经验,我们可以利用这些经验来降低自己的试错成本,提高判断的正确率。。
其中,S4中数据采集与控制终端MIG250S存储有节能总量的历史数据,数据采集与控制终端MIG250S记录的空气压缩机的节能总量与历史数据记录的节能总量进行比较,形成空气压缩机节能总量的汇总数据;数据采集与控制终端MIG250S通过记录的空气压缩机的即时节能总量,可以与数据采集与控制终端MIG250S的过去节能总量进行比对,比对后能够判断节能总量的增减情况。
其中,S4中数据采集与控制终端MIG250S若发现现有的空气压缩机的节能总量低于历史记录的节能总量,数据采集与控制终端MIG250S将给出更换空气压缩机的意见,当数据采集与控制终端MIG250S给出更换空气压缩机的意见时说明空气压缩机已经老化、能耗过高或者已经故障,可以根据指示立刻对空气压缩机进行升级。
其中,S4中数据采集与控制终端MIG250S发现空气压缩机现场运作发生故障或空气压缩机实时能耗数据相比历史数据记录的能耗高时,将第一时间提供预警,利用数据采集与控制终端MIG250S可以在最快速度下提出预警。
本具体实施例仅仅是对本发明的解释,其并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (1)
1.一种面向空气压缩机的节能降耗方法,其特征在于:具体包括以下步骤:
S1、状态感知:利用数据采集与控制终端MIG250S采集获取空气压缩机工作时的数据,并对获取的数据处理加工,同时利用数据采集与控制终端MIG250S对采集到的空气压缩机工作时的数据以及处理加工后的数据进行存储,并上传至云端;
S2、实时分析:数据采集与控制终端MIG250S通过仿脑神经元网络算法把采集获取的数据以及处理加工后的数据传入算法模型,利用算法模型进行数学运算得出一个估计值,然后将这个估计值与目标值进行比对,两者的差即是模型的误差值,不断重复估算和比对过程,并记录下来产生的误差值,再调整算法模型的参数,使得这个误差值逐步减小,从而得到实时分析形成的抽象经验;
S3、科学决策:利用得到的抽象经验进行决策,根据形成的抽象经验分析空气压缩机工作时的各项历史数据、实时数据、分时数据参数,并通过数据采集与控制终端MIG250S存储优化后的数据;
S4、精准执行:根据优化后的数据,利用数据采集与控制终端MIG250S控制空气压缩机的工作与否、工作时长以及工作功率,同时将空气压缩机的工作信息和节能总量记录,并上传至云端;
所述S1中数据采集与控制终端MIG250S采集获取的空气压缩机工作时的数据包括:空气压缩机外部环境的温度、空气压缩机内空气流速、空气压缩机的输出端与外界大气压之间的压差;
所述S1中的数据采集与控制终端MIG250S包含光纤、LAN、ADSL、拨号上网四种网络连接方式,数据采集与控制终端MIG250S具备远程管理、数据采集与解析、数据存储和上传、数据格式转换、通信协议集成、数据边缘计算功能;
所述S2中的仿脑神经元网络算法实质为从输入到输出的映射功能,包含任何线性和复杂非线性映射计算;
所述S2中的仿脑神经元网络算法具备学习能力,能通过学习带正确答案的实例集自动提取求解规则;
所述S2实时分析中计算出的模型的误差值反复比对的次数多于五次,通过设置参数值使得误差值逐步减小,从而得到实时分析形成的抽象经验;
所述S4中数据采集与控制终端MIG250S存储有节能总量的历史数据,数据采集与控制终端MIG250S记录的空气压缩机的节能总量与历史数据记录的节能总量进行比较,形成空气压缩机节能总量的汇总数据;
所述S4中数据采集与控制终端MIG250S若发现现有的空气压缩机的节能总量低于历史记录的节能总量,数据采集与控制终端MIG250S将给出更换空气压缩机的意见;
所述S4中数据采集与控制终端MIG250S发现空气压缩机现场运作发生故障或空气压缩机实时能耗数据相比历史数据记录的能耗高时,将第一时间提供预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910248175.7A CN109973355B (zh) | 2019-03-29 | 2019-03-29 | 一种面向空气压缩机的节能降耗方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910248175.7A CN109973355B (zh) | 2019-03-29 | 2019-03-29 | 一种面向空气压缩机的节能降耗方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109973355A CN109973355A (zh) | 2019-07-05 |
CN109973355B true CN109973355B (zh) | 2020-05-19 |
Family
ID=67081611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910248175.7A Active CN109973355B (zh) | 2019-03-29 | 2019-03-29 | 一种面向空气压缩机的节能降耗方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109973355B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114893402A (zh) * | 2022-04-06 | 2022-08-12 | 合肥工业大学 | 基于人工智能的并联空压机能耗调控方法及系统 |
CN115061966B (zh) * | 2022-06-28 | 2023-05-23 | 四川虹美智能科技有限公司 | 压缩机数据采集方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102938092A (zh) * | 2012-10-08 | 2013-02-20 | 珠海派诺科技股份有限公司 | 一种基于神经网络的建筑节假日能耗预测方法 |
CN104134103A (zh) * | 2014-07-30 | 2014-11-05 | 中国石油天然气股份有限公司 | 利用修正的bp神经网络模型预测热油管道能耗的方法 |
CN104239982A (zh) * | 2014-10-12 | 2014-12-24 | 刘岩 | 一种基于时间序列和神经网络的建筑节假日能耗预测方法 |
CN104633829A (zh) * | 2013-11-06 | 2015-05-20 | 上海思控电气设备有限公司 | 楼宇冷冻站节能控制装置及方法 |
CN106777465A (zh) * | 2016-11-14 | 2017-05-31 | 重庆科技学院 | 高含硫天然气净化工艺动态演化建模与节能优化方法 |
CN107044710A (zh) * | 2016-12-26 | 2017-08-15 | 深圳达实智能股份有限公司 | 基于联合智能算法的中央空调节能控制方法及系统 |
CN107644297A (zh) * | 2017-09-28 | 2018-01-30 | 中国标准化研究院 | 一种电机系统节能量计算和验证方法 |
CN108954680A (zh) * | 2018-07-13 | 2018-12-07 | 电子科技大学 | 一种基于运行数据的中央空调能耗预测方法 |
CN109118020A (zh) * | 2018-09-06 | 2019-01-01 | 南京工业职业技术学院 | 一种地铁车站能耗短期预测方法及其预测系统 |
-
2019
- 2019-03-29 CN CN201910248175.7A patent/CN109973355B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102938092A (zh) * | 2012-10-08 | 2013-02-20 | 珠海派诺科技股份有限公司 | 一种基于神经网络的建筑节假日能耗预测方法 |
CN104633829A (zh) * | 2013-11-06 | 2015-05-20 | 上海思控电气设备有限公司 | 楼宇冷冻站节能控制装置及方法 |
CN104134103A (zh) * | 2014-07-30 | 2014-11-05 | 中国石油天然气股份有限公司 | 利用修正的bp神经网络模型预测热油管道能耗的方法 |
CN104239982A (zh) * | 2014-10-12 | 2014-12-24 | 刘岩 | 一种基于时间序列和神经网络的建筑节假日能耗预测方法 |
CN106777465A (zh) * | 2016-11-14 | 2017-05-31 | 重庆科技学院 | 高含硫天然气净化工艺动态演化建模与节能优化方法 |
CN107044710A (zh) * | 2016-12-26 | 2017-08-15 | 深圳达实智能股份有限公司 | 基于联合智能算法的中央空调节能控制方法及系统 |
CN107644297A (zh) * | 2017-09-28 | 2018-01-30 | 中国标准化研究院 | 一种电机系统节能量计算和验证方法 |
CN108954680A (zh) * | 2018-07-13 | 2018-12-07 | 电子科技大学 | 一种基于运行数据的中央空调能耗预测方法 |
CN109118020A (zh) * | 2018-09-06 | 2019-01-01 | 南京工业职业技术学院 | 一种地铁车站能耗短期预测方法及其预测系统 |
Non-Patent Citations (2)
Title |
---|
地源热泵空调能耗分析与节能运行方法研究;陈松;《工程科技Ⅱ辑》;20190131(第1期);第25-74页 * |
给水管网的能量需求建模及其节能研究;汤春艳等;《自动化仪表》;20100320;第31卷(第3期);第13-15页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109973355A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111047082B (zh) | 设备的预警方法及装置、存储介质和电子装置 | |
CN112668237B (zh) | 一种基于工业互联网云平台的数字孪生模型及其构建方法 | |
CN109973355B (zh) | 一种面向空气压缩机的节能降耗方法 | |
CN113646711A (zh) | 用于建立建筑物自动化系统部件之间的关系的系统和方法 | |
CN111275288A (zh) | 基于XGBoost的多维数据异常检测方法与装置 | |
CN104267711A (zh) | 烟草物流系统运行状态监测及故障诊断方法 | |
CN106228270B (zh) | 一种大数据驱动的挤压设备的能耗预测方法及其系统 | |
CN115358281B (zh) | 一种基于机器学习的冷热一体机监测控制方法及系统 | |
CN111160616B (zh) | 一种基于边云协同的厨电设备预测性维护系统及方法 | |
WO2024011601A1 (zh) | 用于设备功能下降型故障预警的工业物联网、方法及介质 | |
CN117176560B (zh) | 一种基于物联网的监测设备监管系统及其方法 | |
TWI738016B (zh) | 液態氣體充填之智能化學習機制與自適應調節系統 | |
CN103236019A (zh) | 一种典型用能系统节能诊断及改造策略自动生成方法和系统 | |
CN111161095A (zh) | 一种检测建筑能源异常消耗的方法 | |
CN105278476A (zh) | 基于物联网的传统酿造过程的监控系统与方法 | |
CN111158245A (zh) | 一种基于物联网的建筑节能监测管理方法 | |
CN117314389A (zh) | 一种基于物联网的市政管养维护系统 | |
CN117034763A (zh) | 一种数字能源空压系统的一站式智能管理系统 | |
CN115759414A (zh) | 一种基于云原生技术的能源互联网系统及方法 | |
CN117391678B (zh) | 高效能源回收与再利用的综合管理平台 | |
CN113959071A (zh) | 基于机器学习辅助的集中式冷水机组空调系统运行控制优化方法 | |
CN116777086B (zh) | 基于多模数据的钢结构智能生产线预测性维护方法及系统 | |
CN112988529A (zh) | 一种基于机器学习进行数据库系统性能预测的方法及系统 | |
CN116734918B (zh) | 一种适用于近零能耗建筑的室内环境监测系统 | |
Luo et al. | Predictive control with energy efficiency enabled by real-time machine learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |