CN111060766A - 一种海洋石油模块中的仪表故障检测方法 - Google Patents

一种海洋石油模块中的仪表故障检测方法 Download PDF

Info

Publication number
CN111060766A
CN111060766A CN201911383687.0A CN201911383687A CN111060766A CN 111060766 A CN111060766 A CN 111060766A CN 201911383687 A CN201911383687 A CN 201911383687A CN 111060766 A CN111060766 A CN 111060766A
Authority
CN
China
Prior art keywords
instrument
data
neural network
value
output current
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
Application number
CN201911383687.0A
Other languages
English (en)
Inventor
曹增辉
徐明辉
颜引娣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bomesc Offshore Engineering Co Ltd
Original Assignee
Bomesc Offshore Engineering Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Bomesc Offshore Engineering Co Ltd filed Critical Bomesc Offshore Engineering Co Ltd
Priority to CN201911383687.0A priority Critical patent/CN111060766A/zh
Publication of CN111060766A publication Critical patent/CN111060766A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/0046—Arrangements for measuring currents or voltages or for indicating presence or sign thereof characterised by a specific application or detail not covered by any other subgroup of G01R19/00
    • G01R19/0053—Noise discrimination; Analog sampling; Measuring transients
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种海洋石油模块中的仪表故障检测方法，该方法通过对采集的数据进行预处理分析，排除了噪声信号的干扰，便于更好地分析处理数据，采用神经网络模型对储存的数据进行智能分析和诊断，能够更简单方便的找出仪表故障的原因，提高了仪表维修的效率，节省了时间。该方法能够在不需要额外的辅助检测装置，并且不需要对整条路线进行测试的情况下，检测到出现故障的仪表的位置，并进行报警提示，提高了仪表故障的检测速度和准确度，并且对出现问题的仪表可以及时地进行维修更换。

Description

一种海洋石油模块中的仪表故障检测方法
技术领域
本发明涉及海洋工程装备检测方法，尤其涉及一种海洋石油模块中的仪表故障检测方法。
背景技术
海洋石油模块中使用的仪表大多处于露天的环境，经常承受着雨水、高温、低温、风吹日晒、沙尘、晃动等恶劣因素的影响，致使海洋石油模块仪表接头容易脱落，也会出现短路、断路等现象，更恶劣的是会加速仪表内部的元器件老化，减小了仪表的使用寿命。由于海洋石油模块中使用的仪表集成了多种功能模块，使得其具有电路的集成度高、内部结构复杂的特点，致使在出现故障的时候，往往不容易查明故障的原因，需要经过许多繁琐的检测才能找到故障原因，不能够快速的解决故障问题，因此在实际中为了不耽误生产效率，通常采取更换仪表的方法进行解决，但是这种方法在操做时不方便，而且经济性差。
发明内容
本发明的目的在于克服已有技术的缺陷，提供一种海洋石油模块中的仪表故障检测方法，采用本检测方法简化了海洋石油模块中仪表检测的步骤，而且能够更简单方便的找出仪表故障的原因，提高了仪表维修的效率，节省了时间。
本发明的一种海洋石油模块中的仪表故障检测方法，包括以下步骤：
(1)在海洋石油模块的每个仪表上设置一个数据采集装置，实时采集海洋石油模块中环境温度、仪表的输入电压及仪表的输出电流；
(2)对采集的数据进行预处理，方法为：
第一步，将采集的各个数据进行滤波预处理去掉噪声信号；
第二步，将滤波后的数据进行傅里叶变换，将采集的数据由时域转换到频域，将非周期离散信号转变为频域上周期连续的信号并进行存储；
(3)采用神经网络模型对储存的数据进行智能分析和诊断，步骤如下：
第一步，在恒温环境中内，记录环境温度值从-20℃到40℃、仪表的输入电压值从1V 到5V的范围内，仪表的输出电流值，共记录90组数据，其中的70组数据用于建立检测模型，20组数据用于验证模型的正确性；
第二步，建立BP神经网络模型，公式为：
Figure RE-GDA0002410981260000021
其中：Z为隐含层到输出层的激活函数“purelin”；I为输出电流向量，i为隐含层神经元节点， i＝1,2...m；Vi为输入电压值；f为输入层到隐含层的S型激活函数“tansing”；Wij为神经网络中的权值，其初始值赋一个区间(0,1)的随机数；xj为输入温度向量，j＝1,2；bi为神经网络中的阙值，其初始值赋一个区间(0,1)的随机数；a为样本的数据个数；
第三步，使用收敛较快的Levenberg-Marquard函数“trainlm”作为训练函数，设置训练的精度为e-10，最大训练次数为1000次，选择均方差、平均绝对误差、最大相对误差均最小时隐含神经元的数目；
第四步，将第一步的20组数据输入BP神经网络模型，比较BP神经网络模型计算结果和测量结果的误差，如果两者之间的最大相对误差不超过5％、平均绝对误差小于0.5，则模型合适，可以使用，否则返回第二步重新选择隐含神经元的数目，然后重复本步骤中的第三步和第四步直至模型可以使用；
(4)采用步骤(3)建立的神经网络模型计算仪表的输出电流I1，并计算仪表输出电流的计算值和实际检测到的仪表的输出电流I2的差值，如果两者之差的绝对值|I1-I2|＜5mA，则仪表正常工作，在计算机显示屏上显示正常，并且指示灯为绿色，然后将储存在计算机中的数据自动删除，以节省存储空间；如果两者之差的绝对值|I1-I2|≥5mA，则仪表处于故障状态，在计算机显示屏上显示故障，同时指示灯为红色并闪烁，伴随有报警声，提醒工作人员检修或更换仪表。
本发明的有益效果：
本发明方法通过对采集的数据进行预处理分析，排除了噪声信号的干扰，便于更好地分析处理数据。能够在不需要额外的辅助检测装置，并且不需要对整条路线进行测试的情况下，检测到出现故障的仪表的位置，并进行报警提示，提高了仪表故障的检测速度和准确度，并且对出现问题的仪表可以及时地进行维修更换。
附图说明
图1是本发明一种海洋石油模块中的仪表故障检测方法的流程图；
图2是本发明一种海洋石油模块中的仪表故障检测方法的智能分析过程的神经网络模型。
具体实施方式
下面结合具体实施方式和附图对本发明作进一步说明。
如附图所示的本发明的一种海洋石油模块中的仪表故障检测方法，包括以下步骤：
(1)在海洋石油模块的每个仪表上设置一个数据采集装置，实时采集海洋石油模块中环境温度T、仪表的输入电压V及仪表的输出电流I；
(2)对采集的数据进行预处理，方法为：
第一步，将采集的各个数据进行滤波预处理去掉噪声信号，步骤为：将采集的各个数据分别与设定值比较计算出差值，若差值超出预设值则采用滤波的方法进行滤波预处理，如：对环境温度T、输入仪表的电压V及仪表的输出电流I分别设置一个允许的最大偏差ΔT、ΔV、ΔI，判断采集的环境温度Ti和平均值
Figure RE-GDA0002410981260000031
之差是否超出最大偏差ΔT，即
Figure RE-GDA0002410981260000041
若超出则为噪声信号，对噪声信号进行去除；判断采集的输入电压Vi和电压平均值
Figure RE-GDA0002410981260000042
之差是否超出最大偏差ΔV，即
Figure RE-GDA0002410981260000043
若超出则为噪声信号，对噪声信号进行去除；判断采集的输出电流Ii和电流平均值
Figure RE-GDA0002410981260000044
之差是否超出最大偏差ΔI，即
Figure RE-GDA0002410981260000045
若超出则为噪声信号，对噪声信号进行去除；
第二步，将滤波后的数据进行傅里叶变换，将采集的数据由时域转换到频域，将非周期离散信号转变为频域上周期连续的信号并进行存储，方便对储存的数据进行智能分析和诊断；
(3)采用神经网络模型对储存的数据进行智能分析和诊断，步骤如下：
第一步，在恒温环境中内，记录环境温度值从-20℃到40℃、仪表的输入电压值从1V 到5V的范围内，仪表的输出电流值，共记录90组数据，其中的70组数据用于建立检测模型，20组数据用于验证模型的正确性；
第二步，建立BP神经网络模型，公式为：
Figure RE-GDA0002410981260000046
其中：Z为隐含层到输出层的激活函数“purelin”；I为输出电流向量，i为隐含层神经元节点， i＝1,2...m；Vi为输入电压值；f为输入层到隐含层的S型激活函数“tansing”；Wij为神经网络中的权值，其初始值赋一个区间(0,1)的随机数；xj为输入温度向量，j＝1,2；bi为神经网络中的阙值，其初始值赋一个区间(0,1)的随机数；a为样本的数据个数，个数与步骤一中选取的90一致；
第三步，使用收敛较快的Levenberg-Marquard函数“trainlm”作为训练函数，设置训练的精度为e-10，最大训练次数为1000次。选择均方差MSE、平均绝对误差MAE、最大相对误差MRE均最小时隐含神经元的数目；
第四步，将第一步的20组数据输入BP神经网络模型，比较BP神经网络模型计算结果和测量结果的误差，如果两者之间的最大相对误差MRE不超过5％、平均绝对误差MAE小于0.5，则模型合适，可以使用，否则返回第二步重新选择隐含神经元的数目，然后重复本步骤中的第三步和第四步直至模型可以使用；
(4)采用步骤(3)建立的神经网络模型计算仪表的输出电流I1，并计算仪表输出电流的计算值和实际检测到的仪表的输出电流I2的差值，如果两者之差的绝对值|I1-I2|＜5mA，则仪表正常工作，在计算机显示屏上显示正常，并且指示灯为绿色，然后将储存在计算机中的数据自动删除，以节省存储空间；如果两者之差的绝对值|I1-I2|≥5mA，则仪表处于故障状态，在计算机显示屏上显示故障，同时指示灯为红色并闪烁，伴随有报警声，提醒工作人员检修或更换仪表。

Claims (1)

1.一种海洋石油模块中的仪表故障检测方法，其特征在于包括以下步骤：
(1)在海洋石油模块的每个仪表上设置一个数据采集装置，实时采集海洋石油模块中环境温度、仪表的输入电压及仪表的输出电流；
(2)对采集的数据进行预处理，方法为：
第一步，将采集的各个数据进行滤波预处理去掉噪声信号；
第二步，将滤波后的数据进行傅里叶变换，将采集的数据由时域转换到频域，将非周期离散信号转变为频域上周期连续的信号并进行存储；
(3)采用神经网络模型对储存的数据进行智能分析和诊断，步骤如下：
第一步，在恒温环境中内，记录环境温度值从-20℃到40℃、仪表的输入电压值从1V到5V的范围内，仪表的输出电流值，共记录90组数据，其中的70组数据用于建立检测模型，20组数据用于验证模型的正确性；
第二步，建立BP神经网络模型，公式为：
Figure FDA0002342935630000011
其中：Z为隐含层到输出层的激活函数“purelin”；I为输出电流向量，i为隐含层神经元节点，i＝1,2...m；Vi为输入电压值；f为输入层到隐含层的S型激活函数“tansing”；Wij为神经网络中的权值，其初始值赋一个区间(0,1)的随机数；xj为输入温度向量，j＝1,2；bi为神经网络中的阙值，其初始值赋一个区间(0,1)的随机数；a为样本的数据个数；
第三步，使用收敛较快的Levenberg-Marquard函数“trainlm”作为训练函数，设置训练的精度为e-10，最大训练次数为1000次，选择均方差MSE、平均绝对误差MAE、最大相对误差MRE均最小时隐含神经元的数目；
第四步，将第一步的20组数据输入BP神经网络模型，比较BP神经网络模型计算结果和测量结果的误差，如果两者之间的最大相对误差MRE不超过5％、平均绝对误差MAE小于0.5，则模型合适，可以使用，否则返回第二步重新选择隐含神经元的数目，然后重复本步骤中的第三步和第四步直至模型可以使用；
(4)采用步骤(3)建立的神经网络模型计算仪表的输出电流I1，并计算仪表输出电流的计算值和实际检测到的仪表的输出电流I2的差值，如果两者之差的绝对值|I1-I2|＜5mA，则仪表正常工作，在计算机显示屏上显示正常，并且指示灯为绿色，然后将储存在计算机中的数据自动删除，以节省存储空间；如果两者之差的绝对值|I1-I2|≥5mA，则仪表处于故障状态，在计算机显示屏上显示故障，同时指示灯为红色并闪烁，伴随有报警声，提醒工作人员检修或更换仪表。
CN201911383687.0A 2019-12-27 2019-12-27 一种海洋石油模块中的仪表故障检测方法 Pending CN111060766A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911383687.0A CN111060766A (zh) 2019-12-27 2019-12-27 一种海洋石油模块中的仪表故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911383687.0A CN111060766A (zh) 2019-12-27 2019-12-27 一种海洋石油模块中的仪表故障检测方法

Publications (1)

Publication Number Publication Date
CN111060766A true CN111060766A (zh) 2020-04-24

Family

ID=70304372

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911383687.0A Pending CN111060766A (zh) 2019-12-27 2019-12-27 一种海洋石油模块中的仪表故障检测方法

Country Status (1)

Country Link
CN (1) CN111060766A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116291385A (zh) * 2021-12-20 2023-06-23 中国石油天然气股份有限公司 一种基于bp神经网络的抽油机井示功仪故障诊断方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105675038A (zh) * 2016-01-05 2016-06-15 中国计量学院 一种仪表的故障预测装置
CN108507117A (zh) * 2017-10-13 2018-09-07 上海智容睿盛智能科技有限公司 一种基于小波神经网络的空调系统传感器故障诊断方法
CN109738079A (zh) * 2019-01-28 2019-05-10 成都启康医疗器械有限公司 一种多探头表面温度精准预测技术
CN109784478A (zh) * 2019-01-16 2019-05-21 江苏圣通电力新能源科技有限公司 一种基于bp神经网络的配电系统传感器故障诊断方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105675038A (zh) * 2016-01-05 2016-06-15 中国计量学院 一种仪表的故障预测装置
CN108507117A (zh) * 2017-10-13 2018-09-07 上海智容睿盛智能科技有限公司 一种基于小波神经网络的空调系统传感器故障诊断方法
CN109784478A (zh) * 2019-01-16 2019-05-21 江苏圣通电力新能源科技有限公司 一种基于bp神经网络的配电系统传感器故障诊断方法
CN109738079A (zh) * 2019-01-28 2019-05-10 成都启康医疗器械有限公司 一种多探头表面温度精准预测技术

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116291385A (zh) * 2021-12-20 2023-06-23 中国石油天然气股份有限公司 一种基于bp神经网络的抽油机井示功仪故障诊断方法

Similar Documents

Publication Publication Date Title
CN116879662B (zh) 基于数据分析的变压器故障检测方法
CN109855710B (zh) 一种汽车衡称重状态监测系统及检测方法
CN112129893B (zh) 一种电池热失控监测系统的co传感器在线校准方法
CN110596506A (zh) 基于时间卷积网络的变换器故障诊断方法
CN110081923B (zh) 野外基线环境参数自动采集系统故障检测方法与装置
CN109063885A (zh) 一种变电站异常量测数据预测方法
CN114526813A (zh) 一种变压器振动监测方法及装置
CN109271319A (zh) 一种基于面板数据分析的软件故障的预测方法
CN113029242B (zh) 结构健康监测系统中光纤光栅传感器异常诊断方法
CN117406027A (zh) 一种配电网故障测距方法及其系统
CN117949884A (zh) 一种基于机器学习的电能质量和电压监测校准方法及系统
CN111060766A (zh) 一种海洋石油模块中的仪表故障检测方法
Capriglione et al. Performance analysis of MEMS-based inertial measurement units in terrestrial vehicles
CN111007390B (zh) 基于代数方法的模拟电路故障诊断模型
CN109357751B (zh) 一种电力变压器绕组松动缺陷检测系统
CN106405283B (zh) 一种克服环境温湿度影响的避雷器故障预警方法
GB2496121A (en) Fault location in a vehicle electrical system by time domain reflectometry
CN112345877A (zh) 一种基于高精度时基与距离权重结合的输电线路故障定位方法
CN104360178A (zh) 一种逆变器低频噪声测量与故障诊断方法
CN113074931B (zh) 紧固件松动检测方法、装置、电子设备和存储介质
CN118091489B (zh) 一种输电线路玻璃绝缘子状态的检测方法
CN109029711B (zh) 一种动态的桥梁结构多阶频率识别方法
CN112710920A (zh) 一种基于bp神经网络的配电网故障区段定位方法
CN117074870A (zh) 一种电缆诊断方法及系统
CN116973708A (zh) 一种海缆局部放电关键参数反演方法及系统

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

Application publication date: 20200424

RJ01 Rejection of invention patent application after publication