CN110956308A - 基于时间序列的化工设备健康状态预测方法 - Google Patents
基于时间序列的化工设备健康状态预测方法 Download PDFInfo
- Publication number
- CN110956308A CN110956308A CN201911034262.9A CN201911034262A CN110956308A CN 110956308 A CN110956308 A CN 110956308A CN 201911034262 A CN201911034262 A CN 201911034262A CN 110956308 A CN110956308 A CN 110956308A
- Authority
- CN
- China
- Prior art keywords
- data
- moving average
- autoregressive moving
- average model
- time
- 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.)
- Pending
Links
- 239000000126 substance Substances 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 22
- 239000007788 liquid Substances 0.000 claims description 9
- 230000003862 health status Effects 0.000 claims description 7
- 238000005311 autocorrelation function Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 8
- 238000012824 chemical production Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012843 least square support vector machine Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Algebra (AREA)
Abstract
本发明公开了一种基于时间序列的化工设备健康状态预测方法,通过对观测数据的各个变量进行自回归移动平均模型建模,可预测未来一段时间内的数值,将预测数值投影到偏最小二乘模型上,得到平方预测误差值,利用所述平方预测误差值可对自回归移动平均模型建模进行调整,之后,利用所述调整后的自回归移动平均模型建模即可实现对未来一段时间内系统安全生产状态的预测。
Description
技术领域
本发明涉及故障诊断领域,特别提供了一种基于时间序列的化工设备健康状态预测方法。
背景技术
部分国家的化工生产管理技术己经能够实现预警功能,不仅能够监控当前系统状态,还可以预测未来一段时间内可能发生的异常或者故障,分析故障产生原因,并针对故障以及系统状态给出调整策略作为参考。然而,在我国安全生产预测研究领域,主要应用的方法包括回归分析、灰色预测模型、时间序列、人工神经网络、主元分析方法、核主元分析法、最小二乘支持向量机等,仍是参数采集和故障诊断,与故障预测理念和方法还有一定差距,特别是研究结果缺少预测能力,要应用到实际化工生产中,还存在一定的差距。
因此,研发一种化工设备健康状态预测方法,以实现对未来一段时间内系统安全生产状态的预测是非常重要的。
发明内容
鉴于此,本发明的目的在于提供一种基于时间序列的化工设备健康状态预测方法,以实现对未来一段时间内系统安全生产状态的预测。
本发明提供的技术方案是:基于时间序列的化工设备健康状态预测方法,包括如下步骤:
S1:收集观测点的化工设备健康状态数据,得到化工设备健康状态数据集,并对化工设备健康状态数据集中的数据进行归一化处理,得到归一化数据;
S2:将所述归一化数据中的正常数据与故障数据分离,并在正常数据中提取出部分数据作为训练集;
S3:将训练集数据按照偏最小二乘算法建模的步骤进行建模,得到偏最小二乘模型;
S4:提取化工设备健康状态数据集中最新的至少100条化工设备健康状态数据,作为自回归移动平均模型的训练集,并将训练集中的数据做差分处理,得到平稳时间序列;
S5:对自回归移动平均模型的训练集中存在故障发生记录的变量分别进行自回归移动平均模型阶数p和q选择;
S6:利用选择的自回归移动平均模型阶数p和q对自回归移动平均模型的训练集中存在故障发生记录的变量分别建立自回归移动平均模型;
S7:利用S6中建立的自回归移动平均模型对存在故障发生记录的变量未来一段时间内的数据进行预测,得到预测数据;
S8:将预测数据投影到S3中得到的偏最小二乘模型上,得到平方预测误差值;
S9:如果平方预测误差值超过控制限,则利用平方预测误差值画出该观测点各变量的平方预测误差值贡献图,分析S7中预测数据的准确度,并根据所述准确度对自回归移动平均模型进行调整,直至平方预测误差值进入控制限内;
S10:利用S9中调整后的自回归移动平均模型对存在故障发生记录的变量未来一段时间内的数据进行预测。
优选,S1中,所述化工设备健康状态数据包括压缩机工作状态参数,低压桶的液位、压力及温湿度信息和储液器的液位、压力及温湿度信息。
进一步优选,S5中,自回归移动平均模型的阶数p和q分别利用S4中得到的平稳时间序列的自相关函数和偏自相关函数确定。
进一步优选,S7中,所述一段时间为3~10分钟。
进一步优选,S7中,所述一段时间为5分钟。
本发明提供的化工设备健康状态预测方法,将自回归移动平均模型与偏最小二乘模型相结合,可实现对未来一段时间内系统安全生产状态的预测,具体地:通过对观测数据的各个变量进行自回归移动平均模型建模,可预测未来一段时间内的数值,将预测数值投影到偏最小二乘模型上,得到平方预测误差值,利用所述平方预测误差值可对自回归移动平均模型建模进行调整,之后,利用所述调整后的自回归移动平均模型建模即可实现对未来一段时间内系统安全生产状态的预测。
具体实施方式
下面将结合具体的实施方案对本发明进行进一步的解释,但并不局限本发明。
本发明提供了一种基于时间序列的化工设备健康状态预测方法,其中,每个化工设备可设置多个观测点,每个观测点的健康状态预测方法包括如下步骤:
S1:收集该观测点的化工设备健康状态数据,得到化工设备健康状态数据集,并对化工设备健康状态数据集中的数据进行归一化处理,得到归一化数据,其中,所述化工设备健康状态数据包括压缩机工作状态参数,低压桶的液位、压力及温湿度信息和储液器的液位、压力及温湿度信息;
S2:将所述归一化数据中的正常数据与故障数据分离,并在正常数据中提取出部分数据作为训练集;
S3:将训练集数据按照偏最小二乘算法建模的步骤进行建模,得到偏最小二乘模型;
S4:提取化工设备健康状态数据集中最新的至少100条化工设备健康状态数据,作为自回归移动平均模型的训练集,并将训练集中的数据做差分处理,得到平稳时间序列;
S5:对自回归移动平均模型的训练集中存在故障发生记录的变量分别进行自回归移动平均模型阶数p和q选择,优选,自回归移动平均模型的阶数p和q分别利用S4中得到的平稳时间序列的自相关函数和偏自相关函数确定;
S6:利用选择的自回归移动平均模型阶数p和q对自回归移动平均模型的训练集中存在故障发生记录的变量分别建立自回归移动平均模型;
S7:利用S6中建立的自回归移动平均模型对存在故障发生记录的变量未来一段时间内的数据进行预测,得到预测数据,其中,所述一段时间优选为3~10分钟,进一步优选为5分钟;
S8:将预测数据投影到S3中得到的偏最小二乘模型上,得到平方预测误差值;
S9:如果平方预测误差值超过控制限,则利用平方预测误差值画出该观测点各变量的平方预测误差值贡献图,分析S7中预测数据的准确度,并根据所述准确度对自回归移动平均模型进行调整,直至平方预测误差值进入控制限内;
S10:利用S9中调整后的自回归移动平均模型对存在故障发生记录的变量未来一段时间内的数据进行预测。
该化工设备健康状态预测方法,将自回归移动平均模型与偏最小二乘模型相结合,可实现对未来一段时间内系统安全生产状态的预测,具体地:通过对观测数据的各个变量进行自回归移动平均模型建模,可预测未来一段时间内的数值,将预测数值投影到偏最小二乘模型上,得到平方预测误差值,利用所述平方预测误差值可对自回归移动平均模型建模进行调整,之后,利用所述调整后的自回归移动平均模型建模即可实现对未来一段时间内系统安全生产状态的预测。
上面对本发明的实施方式做了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (5)
1.基于时间序列的化工设备健康状态预测方法,其特征在于,包括如下步骤:
S1:收集观测点的化工设备健康状态数据,得到化工设备健康状态数据集,并对化工设备健康状态数据集中的数据进行归一化处理,得到归一化数据;
S2:将所述归一化数据中的正常数据与故障数据分离,并在正常数据中提取出部分数据作为训练集;
S3:将训练集数据按照偏最小二乘算法建模的步骤进行建模,得到偏最小二乘模型;
S4:提取化工设备健康状态数据集中最新的至少100条化工设备健康状态数据,作为自回归移动平均模型的训练集,并将训练集中的数据做差分处理,得到平稳时间序列;
S5:对自回归移动平均模型的训练集中存在故障发生记录的变量分别进行自回归移动平均模型阶数p和q选择;
S6:利用选择的自回归移动平均模型阶数p和q对自回归移动平均模型的训练集中存在故障发生记录的变量分别建立自回归移动平均模型;
S7:利用S6中建立的自回归移动平均模型对存在故障发生记录的变量未来一段时间内的数据进行预测,得到预测数据;
S8:将预测数据投影到S3中得到的偏最小二乘模型上,得到平方预测误差值;
S9:如果平方预测误差值超过控制限,则利用平方预测误差值画出该观测点各变量的平方预测误差值贡献图,分析S7中预测数据的准确度,并根据所述准确度对自回归移动平均模型进行调整,直至平方预测误差值进入控制限内;
S10:利用S9中调整后的自回归移动平均模型对存在故障发生记录的变量未来一段时间内的数据进行预测。
2.按照权利要求1所述的基于时间序列的化工设备健康状态预测方法,其特征在于:S1中,所述化工设备健康状态数据包括压缩机工作状态参数,低压桶的液位、压力及温湿度信息和储液器的液位、压力及温湿度信息。
3.按照权利要求1所述的基于时间序列的化工设备健康状态预测方法,其特征在于:S5中,自回归移动平均模型的阶数p和q分别利用S4中得到的平稳时间序列的自相关函数和偏自相关函数确定。
4.按照权利要求1所述的基于时间序列的化工设备健康状态预测方法,其特征在于:S7中,所述一段时间为3~10分钟。
5.按照权利要求4所述的基于时间序列的化工设备健康状态预测方法,其特征在于:S7中,所述一段时间为5分钟。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911034262.9A CN110956308A (zh) | 2019-10-29 | 2019-10-29 | 基于时间序列的化工设备健康状态预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911034262.9A CN110956308A (zh) | 2019-10-29 | 2019-10-29 | 基于时间序列的化工设备健康状态预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110956308A true CN110956308A (zh) | 2020-04-03 |
Family
ID=69976431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911034262.9A Pending CN110956308A (zh) | 2019-10-29 | 2019-10-29 | 基于时间序列的化工设备健康状态预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110956308A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862220A (zh) * | 2021-03-23 | 2021-05-28 | 山东中创软件工程股份有限公司 | 一种设备生命周期预测方法、装置及相关设备 |
CN113052383A (zh) * | 2021-03-29 | 2021-06-29 | 上海酷量信息技术有限公司 | 一种基于机器学习的收入预测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105893700A (zh) * | 2016-04-26 | 2016-08-24 | 陆新建 | 基于物理-大数据混合模型的化工生产在线故障检测与诊断技术 |
CN108549332A (zh) * | 2017-12-19 | 2018-09-18 | 中南大学 | 一种基于钴酸锂配料系统的生产状态预测方法 |
CN109948860A (zh) * | 2019-03-26 | 2019-06-28 | 哈工大机器人(合肥)国际创新研究院 | 一种机械系统剩余寿命预测方法及系统 |
-
2019
- 2019-10-29 CN CN201911034262.9A patent/CN110956308A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105893700A (zh) * | 2016-04-26 | 2016-08-24 | 陆新建 | 基于物理-大数据混合模型的化工生产在线故障检测与诊断技术 |
CN108549332A (zh) * | 2017-12-19 | 2018-09-18 | 中南大学 | 一种基于钴酸锂配料系统的生产状态预测方法 |
CN109948860A (zh) * | 2019-03-26 | 2019-06-28 | 哈工大机器人(合肥)国际创新研究院 | 一种机械系统剩余寿命预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
郭悦: "化工生产安全状态预测方法研究", 《中国优秀硕士论文论文全文数据库,工程科技Ⅰ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862220A (zh) * | 2021-03-23 | 2021-05-28 | 山东中创软件工程股份有限公司 | 一种设备生命周期预测方法、装置及相关设备 |
CN113052383A (zh) * | 2021-03-29 | 2021-06-29 | 上海酷量信息技术有限公司 | 一种基于机器学习的收入预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108375715B (zh) | 一种配电网线路故障风险日预测方法及系统 | |
CN112731159B (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
CN110414155B (zh) | 一种带有单测点的风机部件温度异常检测和报警方法 | |
CN109298697B (zh) | 基于动态基线模型的火电厂系统各部件工作状态评估方法 | |
CN112527788A (zh) | 变压器监测数据异常值检测与清洗的方法及装置 | |
DE102022201761A1 (de) | Verfahren, System und Speichermedium zur automatischen Diagnose vonVorrichtungen | |
CN111046582A (zh) | 一种核电站柴油发电机组线圈温度预警方法及系统 | |
CN112393931A (zh) | 检测方法、装置、电子设备和计算机可读介质 | |
CN110688617B (zh) | 风机振动异常检测方法及装置 | |
CN109470946B (zh) | 一种发电设备故障检测方法及系统 | |
CN110245460B (zh) | 一种基于多阶段oica的间歇过程故障监测方法 | |
CN110956308A (zh) | 基于时间序列的化工设备健康状态预测方法 | |
CN112417791A (zh) | 基于线性回归与ahp算法的电力设备监视预警方法及系统 | |
CN109961160B (zh) | 一种基于潮流参数的电网未来运行趋势预估方法及系统 | |
CN117542169A (zh) | 基于大数据分析的自动化设备温度异常预警方法 | |
CN116030955B (zh) | 基于物联网的医疗设备状态监测方法及相关装置 | |
KR102110319B1 (ko) | 학습 데이터 생성 시스템 | |
CN112214006A (zh) | 考虑两维动态特性的间歇过程故障检测方法及系统 | |
CN112308391A (zh) | 一种基于神经网络的设备状态实时监测与异常探测方法 | |
CN111934903A (zh) | 一种基于时序演化基因的Docker容器故障智能预测方法 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN113505639B (zh) | 一种基于TPE-XGBoost的旋转机械多参数健康状态评估方法 | |
CN114764741A (zh) | 一种风力发电机运行风功率预测的方法和系统 | |
CN113705076A (zh) | 基于偏最小二乘法的风电机组齿轮箱状态监测方法及控制装置 | |
CN117034157B (zh) | 一种结合多模态运行数据的水电设备故障识别方法与系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200403 |