CN112529320A - 空压机集群智能诊断系统 - Google Patents

空压机集群智能诊断系统 Download PDF

Info

Publication number
CN112529320A
CN112529320A CN202011503964.XA CN202011503964A CN112529320A CN 112529320 A CN112529320 A CN 112529320A CN 202011503964 A CN202011503964 A CN 202011503964A CN 112529320 A CN112529320 A CN 112529320A
Authority
CN
China
Prior art keywords
air compressor
model
data
health
fault
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
CN202011503964.XA
Other languages
English (en)
Inventor
侯大立
王宇
夏庆春
成凡
王磊
赵凇
曹铭家
李成成
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.)
Shanghai Institute of Technology
Original Assignee
Shanghai Institute of Technology
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 Shanghai Institute of Technology filed Critical Shanghai Institute of Technology
Priority to CN202011503964.XA priority Critical patent/CN112529320A/zh
Publication of CN112529320A publication Critical patent/CN112529320A/zh
Pending legal-status Critical Current

Links

Images

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"
    • 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
    • F04B49/00—Control, e.g. of pump delivery, or pump pressure of, or safety measures for, machines, pumps, or pumping installations, not otherwise provided for, or of interest apart from, groups F04B1/00 - F04B47/00
    • F04B49/10—Other safety measures
    • 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
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/20—Information sensed or collected by the things relating to the thing itself
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/20—Analytics; Diagnosis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/40—Maintenance of things

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mechanical Engineering (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Control Of Positive-Displacement Pumps (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种空压机集群智能诊断系统，系统包括：表示层、服务层以及数据访问层，数据访问层包括远程测控组件，服务层包括智能分析平台，表示层包括监控终端；智能分析平台与数据库服务器连接，利用内置的Aiglor实时数据库对空压机的运行数据进行实时显示、汇总及加工；根据预设的故障诊断模型进行故障诊断，根据预设的性能预测模型进行性能预测，以及根据预设的健康度模型计算健康指数获取空压机的健康状态，获取综合监视数据和监视结果；监控终端通过人机显示界面显示综合监视数据和监视结果。本发明对空压机集群进行非现场监视，对故障快速做出有效分析，找出故障原因，并对空压机未来运行状况做出预测。

Description

空压机集群智能诊断系统
技术领域
本发明涉及在线远程集中监视及其故障智能诊断的技术领域，尤其涉及一种空压机集群智能诊断系统。
背景技术
现代化工业生产过程中，空压机作为工业生产所需的大型设备，全面掌握、分析、预测空压机设备的运行状态与健康水平，提高故障诊断水平，合理安排检修或预测性维护是保障工业生产正常运作的必要基础。
本申请发明人发现，如今的远程监视系统(1)无法实现对空压机故障快速且准确的定位，(2)无法对空压机的综合运行性能做出评判，(3)无法提前报警和预测性检修，(4)系统智能化程度不高。随着工业4.0时代的到来，大数据技术和人工智能技术在设备故障识别、设备性能预测、优化、决策任务中的效率、精度、自学习能力等方面的发展和突破，为空压机设备的运维检修提供了一种全新的技术手段与研究思路。
发明内容
为解决上述问题，本申请实施例通过提供一种空压机集群智能诊断系统，基于大数据和人工智能，融入人工神经网络，实现空压机的非现场实时监视、智能神经网络故障诊断、性能预测及空压机监视数据的可视化显示和集中化管理。
本申请实施例提供了一种空压机集群智能诊断系统，所述系统包括：表示层、服务层以及数据访问层，
所述数据访问层包括远程测控组件、数据库服务器，所述服务层包括智能分析平台，所述表示层包括监控终端；
所述远程测控组件与所述智能分析平台连接，被配置为实时采集各压气站所管理的多个空压机的运行数据，并将运行数据通过物联网实时传输给所述智能分析平台；
所述智能分析平台被配置为利用内置的Aiglor实时数据库对所述空压机的运行数据进行实时显示、汇总及加工；并根据预设的故障诊断模型进行故障诊断，根据预设的性能预测模型进行性能预测，以及根据预设的健康度模型计算健康指数获取所述空压机的健康状态，获取综合监视数据和监视结果；
所述监控终端通过人机显示界面进行账号登陆、身份验证维护管理、远程控制以及远程监测访问所述服务层，以显示综合监视数据和监视结果。
进一步地，所述故障诊断模型采用BP神经网络算法对故障样本集进行梳理，提取故障输入集，并进行训练，以实现对故障类型的分类；所述故障诊断模型的诊断方法步骤如下：
S11：对故障样本集进行归一化处理；
S12：确定输入和输出向量；
将所述空压机的故障征兆向量数X＝(x1,x2,…,x10)作为输入向量，其中，x1为所述空压机的出口压力、x2为空滤压差、x3为出口温度、x4为1#转子出口温度、x5为2#转子出口温度、x6为2#转子进口温度、x7为油压、x8为进口温度、x9为中冷压力、x10为润滑油温度；
将所述空压机的故障类型向量Y＝(y1,y2,…,y12)作为输出向量，其中，y1为主机机械系统故障、y2为油过滤器故障、y3为安全阀泄露、y4为空气过滤器故障、y5为加/卸载阀门故障、y6为油冷却器故障、y7为温控阀故障、y8为放气阀/进气阀故障、y9为传感器故障、y10为空气冷却器故障、y11为油路故障、y12为空间散热不良故障；
S13：建立BP神经网络模型；
预设输入、输出层数，根据
Figure BDA0002844319740000021
确定隐藏层神经元数，式中H、I、O分别表示隐层、输入、输出层神经元数，
Figure BDA0002844319740000022
为可取值；
S14：设定初始权值W(O)，且输入第p组样本时，参数i的输出为：yip(t)＝f[xip(t)]＝f(∑jwij(t)Ijp)其中，激活函数取S型函数
Figure BDA0002844319740000031
Ijp是参数i在第p组样本输入下的第j个输入值；
S15：计算网络目标函数J；
令Ep为网络目标函数，取L2范数，则
Figure BDA0002844319740000032
其中，ykp(t)为经过t次修正权值后网络的输出；k为输出层的第k个节点；获取目标函数为：J(t)＝∑pEp(t)；
S16:做误差判断；
若J(t)≤ε，则训练结束，否则按梯度下降法反向更新权值W(O)；
Figure BDA0002844319740000033
式中，η为学习步长；重复步骤S11-S16直至J(t)≤ε。
进一步地，所述性能预测模型采用Arima算法对所述空压机的历史运行数据进行梳理后，对所述空压机未来预设时间段内的数据进行预测；所述性能预测模型的预测方法步骤如下：
S21：获取时间序列；
获取所述空压机M个运行指标参数的N天运行数据序列；
S22：对所述空压机N天运行数据序列做预处理；
预处理包括进行白噪声和平稳性核验，再对差分处理后的时间序列的自相关与偏自相关函数结果分析，确定Arima模型参数；
S23：Arima模型定阶；
差分后的序列不平稳性消除，设定差分阶数d，依据AIC准则判断模型的拟合优度，判定最优模型为Arima(p,d,q)；
其中，Arima(p,d,q)模型可以表示为：
Figure BDA0002844319740000041
式中εt为白噪声序列，d∈Z,d>0。
进一步地，所述性能预测模型输出的预测结果通过图表形式折线图和数字化形式显示输出。
进一步地，所述健康度模型利用所述空压机的各项性能指标加权计算得出健康指数，并通过健康指数匹配健康状态；所述健康度模型的计算方法步骤如下：
基于各运行数据的综合数学转化，计算健康状态的量化指标，以数值形式反映所述空压机的健康状态，其中，健康指数计算公式如下：
Figure BDA0002844319740000042
hνi(t)为所述空压机的第i个运行数据在t时间的健康指数；ymax和ymin为所述空压机正常工作时运行数据的最大值和最小值；yi(t)为第i个运行数据在t时间的实测值；
Figure BDA0002844319740000043
为运行数据在t时间的标准值；
所述空压机的运行健康指数为
Figure BDA0002844319740000044
其中，HVi(t)为所述空压机运行健康指数，Wi为第i个运行数据的组合权重；
Figure BDA0002844319740000045
式中：wj为组合权重；wp为区间层次分析法计算得到的权重；wq为熵值法得到的权重；a、b分别为指标权重wp,wq的相对重要程度，计算方式如下：
Figure BDA0002844319740000046
Figure BDA0002844319740000047
引入老化健康指数经验公式：
Figure BDA0002844319740000051
其中，B为老化系数，HV0为设备初始健康度，HVa(t)为所述空压机在t时间的老化健康指数；其中，B的计算方法如下：
Figure BDA0002844319740000052
Figure BDA0002844319740000053
其中，TD为所述空压机的设计寿命，f1为负荷修正系数；fe为环境修正系数；HVn为所述空压机退役时的健康指数；
定义变量健康因子u(t)＝HVa(t)/HV0，其中，HV0为设备初始健康度值，最后得出空压机设备综合健康指数HV为：HV＝u(t)·HVi(t)，其中HV范围在0-1之间。
进一步地，所述数据访问层还包括数据库服务器，所述数据库服务器分别与所述远程测控组件、所述智能分析平台连接，所述数据库服务器运行有SQL Server数据库，接收所述空压机的运行数据，并按照预定存储格式存储及备份，以便向上层应用提供数据查询和统计。
进一步地，还包括应用服务器，所述应用服务器与所述智能分析平台连接；
所述应用服务器通过OPC协议发布所述综合监视数据和监视结果，同时提供所述空压机的远程故障诊断服务和远程报警服务。
进一步地，所述智能分析平台还设有预警模型，所述预警模型预设有多个报警信息的等级程度，根据所述综合监视数据分析报警信息的数量、频次、严重程度在内的因素动态，更新当前的紧急程度等级；
同时记录报警事件、时间、报警值、报警对应点表值、报警对应压气站、所述空压机以及报警级别时间，并根据所述故障诊断模型诊断当前报警信息表征的故障原因。
进一步地，所述监视结果中，显示各故障诊断结果的同时，显示对应压气站中对应所述空压机的健康状态及健康指数，以便根据当前所述空压机的各项点表值和报警值、停机值及对应点表的阈值报警信息提示。
进一步地，所述监视结果中显示所述压气站中各所述空压机的运行时间、等效运行时间、维修等级、优先级信息；其中，所述优先级信息表示根据维修紧急严重程度分为无、低、高三个等级的优先级。
本申请实施例中提供的空压机集群智能诊断系统，至少具有如下技术效果：
本发明能够实现空压机集群的非现场监视，并对其发生的故障通过神经网络快速做出有效分析，找出故障原因，且能对空压机未来运行状况做出预测，对空压机监视数据可实现可视化显示、集中化管理、智能化把控有显著意义。
附图说明
图1为本发明的一种空压机集群智能诊断系统的结构示意图；
图2为本发明的一种空压机集群智能诊断系统中数据采集、传输存储及处理流程示意图。
附图标号：
智能分析平台100，空压机200，远程测控组件300，数据库服务器400，应用服务器500，监控终端600，PLC控制器310，远程测控终端RTU 320，SCADA系统330，实时数据库RTDB410，关系数据库RDB420。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本实施例提供了一种空压机集群智能诊断系统，该系统包括表示层、服务层以及数据访问层。本实施例中的数据访问层包括远程测控组件300、数据库服务器400，服务层包括智能分析平台100，表示层包括监控终端600。
远程测控组件300与智能分析平台100连接，被配置为实时采集各压气站所管理的多个空压机200的运行数据，并将运行数据通过物联网实时传输给智能分析平台100；
进一步地，数据访问层还包括数据库服务器400，数据库服务器400分别与远程测控组件300、智能分析平台100连接。数据库服务器400运行有SQL Server数据库，接收空压机200的运行数据，并按照预定存储格式存储及备份，以便向上层应用提供数据查询和统计。由此可知，本实施例通过数据访问层实现了对空压机200的数据采集、传输以及存储功能。进一步地，本实施例中的各个空压机200不受地域分布限制，且测控组件独立采集各个空压机200的原始运行数据，气人将多台空压机200的运行数据同时传输出去。
在一种实施例中，空压机200的运行数据包括但不限于各台空压机200的运行状态和运行参数。空压机200的运行数据包括空压机200的运行状态(运行、停机、离线)、运行时间、加载时间、启停次数以及空压机200的运行参数，空压机200的运行参数包括但不局限于空压机200进口温度、空滤压差、1#转子出口温度、2#转子出口温度、2#转子进口温度、润滑油温度、油压、中冷压力、出口压力、出口温度等运行数据；当然上述运行参数为本实施例中为计算方便而举例说明的，属于较重要的运行参数。进一步地，各空压机200的运行数据还包括所对应的压气站的运行时间、加载次数、工艺出口压力、工艺出口温度、工艺出口流量、露点温度、空压机200综合报警、空压机200故障停机报警、运行反馈、干燥机运行反馈、干燥机切换失败报警等数据信息，以便查看和调取。
进一步地，运行参数包括但不限于总运行时间(单位：h)、加载时间(单位：h)、启停次数，空压机200进口温度(单位：℃)、空滤压差(单位：Bar)、1#转子出口温度(单位：℃)、2#转子出口温度(单位：℃)、2#转子进口温度(单位：℃)、润滑油温度(单位：℃)、油压(单位：Bar)、中冷压力(单位：Bar)、出口压力(单位：Bar)、出口温度(单位：℃)。
在一种实施例中，测控组件包括PLC控制器310(可编程逻辑控制器)、远程测控终端RTU320(REMOTE TERMINAL UNIT)、SCADA系统330(Supervisory Control And DataAcquisition，即数据采集与监视控制系统)；PLC控制器310用于采集各压气站中各个空压机200的运行数据，并通过远程测控终端的数据采集传输协议传输给SCADA系统330。当然，SCADA系统330作为数据访问层的控制中心，可以直接给上层应用提供数据查询和统计服务。
进一步地，数据库服务器400包括实时数据库RTDB410(Real-Time Data Base)和关系数据RDB420(Redis DataBase)。实时数据库RTDB410为数据和事务都有定时特性或显示的定时限制的数据库，适用于处理不断更新的快速变化的数据及具有时间限制的事务处理，实时数据库RTDB410的本质特征就是定时限制，定时限制通常归纳为两类：一类是与事务相联的定时限制，典型的就是“截止时间”；另一类为与数据相联的“时间一致性”，时间一致性则是作为过去的限制的一个时间窗口，由于要求数据库中数据的状态与外部环境中对应实体的实际状态要随时一致，以及由事务存取的各数据状态在时间上要一致而引起的。本实施例中的实时数据库RTDB410是SCADA系统330的核心之一。关系数据库RDB420基于关系模型的数据库，或者称为关系型数据库，由数据表和数据表之间的关系组成的，在关系型数据库中，表的关联是一个非常重要的组成部分，表的关联是指数据库中的数据表与数据表之间使用相应的字段实现数据表的连接，使用这种连接，无须将相同的数据多次存储，这种连接在进行多表查询时非常重要，本实施例中利用关系数据库RDB420建立空压机200在故障诊断模型、性能预测模型以及健康度模型之间的监视关系，以便整合为所需的综合监视数据和监视结果。
本实施例中的服务层包括智能分析平台100被配置为利用内置的Aiglor实时数据库对空压机200的运行数据进行实时显示、汇总及加工；并根据预设的故障诊断模型进行故障诊断，根据预设的性能预测模型进行性能预测，以及根据预设的健康度模型计算健康指数获取空压机200的健康状态，获取综合监视数据和监视结果。进一步地，输出综合监视数据和监视结果便于用户方便快捷的掌握各台空压机200的信息，有助于用户快速、准确地了解各台空压机200的实时工作状态，进而做出判断与决策，提高实效性和准确率。
本实施例中的故障诊断模型采用BP神经网络算法对故障样本集进行梳理，提取故障输入集，并进行训练，以实现对故障类型的分类。进一步地，故障诊断模型采用基于BP神经网络的故障诊断方法，BP神经网络是一种多层前馈神经网络，与其他神经网络不同，其误差会逐层反向均摊到各个神经元来更新权值，本质上采用梯度下降法计算目标函数值。结合空压机200结构建立神经网络模型。进一步地，故障诊断模型的诊断方法步骤如下：
S11：对故障样本集进行归一化处理。进一步地，收集网络故障样本集，对所收集的网络故障样本集进行归一化处理。
在一种实施例中，故障样本集中的样本信息包含空压机200的各种机型以及其对应的常见故障，并作为神经网络故障诊断的输出结果，本实施例中支持手动增添修改样本库。当然，本实施例中所包含的基础信息中包含各个压气站、空压机200机型信息、故障措施、点表配置、机组信息等均支持修改、增添、删减功能。
S12：确定输入和输出向量。
进一步地，将空压机的故障征兆向量数X＝(x1,x2,…,x10)作为输入向量，其中，x1为空压机的出口压力、x2为空滤压差、x3为出口温度、x4为1#转子出口温度、x5为2#转子出口温度、x6为2#转子进口温度、x7为油压、x8为进口温度、x9为中冷压力、x10为润滑油温度。
将空压机的故障类型向量Y＝(y1,y2,…,y12)作为输出向量，其中，y1为主机机械系统故障、y2为油过滤器故障、y3为安全阀泄露、y4为空气过滤器故障、y5为加/卸载阀门故障、y6为油冷却器故障、y7为温控阀故障、y8为放气阀/进气阀故障、y9为传感器故障、y10为空气冷却器故障、y11为油路故障、y12为空间散热不良故障。
S13：建立BP神经网络模型。
预设输入、输出层数，根据
Figure BDA0002844319740000101
确定隐藏层神经元数，式中H、I、O分别表示隐层、输入、输出层神经元数，
Figure BDA0002844319740000102
为可取值。进一步地，预设输入输入层数为10，输出层数为12，即由I＝10、O＝12，训练该神经网络，当隐层数为16时，网络误差值最小，从而得出神经网络的结构为10×16×12。
S14：设定初始权值W(O)，且输入第p组样本时，参数i的输出为：yip(t)＝f[xip(t)]＝f(∑jwij(t)Ijp)，其中，激活函数取S型函数
Figure BDA0002844319740000103
Ijp是参数i在第p组样本输入下的第j个输入值。
S15：计算网络目标函数J。令Ep为网络目标函数，取L2范数，则
Figure BDA0002844319740000104
其中，ykp(t)为经过t次修正权值后网络的输出；k为输出层的第k个节点；获取目标函数为：J(t)＝∑pEp(t)。
S16:做误差判断；若J(t)≤ε，则训练结束，否则按梯度下降法反向更新权值W(O)；
Figure BDA0002844319740000105
式中，η为学习步长；重复步骤S11-S16直至J(t)≤ε。
本实施例中的性能预测模型采用Arima算法对空压机的历史运行数据进行梳理后，对空压机未来预设时间段内的数据进行预测。本实施例中的性能预测模型为一种Arima时间序列预测分析模型，也可以说是一种差分整合移动平均自回归模型，是一种基于数字化模型的预测方法。性能预测模型的构建实质是运用差分的方式提取时间序列中的非平稳确定性信息，当Arima模型的残差序列为随机效应产生的白噪声时，使Arima模型成为最优的线性预测模型，适用于时间序列的短期预测，其原理是将预测对象随时间变化产生的一系列数值作为初始序列，根据其变化关系建立数学模型，得出拟合曲线，从而达到预测目的。进一步地，性能预测模型的预测方法步骤如下：
S21：获取时间序列。获取空压机M个运行指标参数的N天运行数据序列。
S22：对空压机N天运行数据序列做预处理；预处理包括进行白噪声和平稳性核验，再对差分处理后的时间序列的自相关与偏自相关函数结果分析，确定Arima模型参数。
S23：Arima模型定阶。差分后的序列不平稳性消除，设定差分阶数d，依据AIC准则判断模型的拟合优度，判定最优模型为Arima(p,d,q)；
其中，Arima(p,d,q)模型可以表示为：
Figure BDA0002844319740000111
式中εt为白噪声序列，d∈Z,d>0。
在一种实施例中，性能预测模型的预测结果通过图表形式折线图和数字化形式显示。
本实施例中的健康度模型利用空压机200的各项性能指标加权计算得出健康指数，并通过健康指数匹配健康状态；健康度模型的计算方法步骤如下：
基于各运行数据的综合数学转化，计算健康状态的量化指标，以数值形式反映空压机200的健康状态，其中，健康指数计算公式如下：
Figure BDA0002844319740000112
hvi(t)为空压机200的第i个运行数据在t时间的健康指数；ymax和ymin为空压机200正常工作时运行数据的最大值和最小值；yi(t)为第i个运行数据在t时间的实测值；
Figure BDA0002844319740000113
为运行数据在t时间的标准值。
空压机200的运行健康指数为
Figure BDA0002844319740000114
其中，HVi(t)为空压机200运行健康指数，Wi为第i个运行数据的组合权重；
Figure BDA0002844319740000115
式中：wj为组合权重；wp为区间层次分析法计算得到的权重；wq为熵值法得到的权重；a、b分别为指标权重wp,wq的相对重要程度，计算方式如下：
Figure BDA0002844319740000121
Figure BDA0002844319740000122
考虑到空压机200老化因素，引入老化健康指数经验公式：
Figure BDA0002844319740000123
Figure BDA0002844319740000124
其中，B为老化系数，HV0为设备初始健康度，HVa(t)为空压机200在t时间的老化健康指数；其中，B的计算方法如下：
Figure BDA0002844319740000125
Figure BDA0002844319740000126
其中，TD为空压机200的设计寿命，通常可以从生产厂家处直接获得，f1为负荷修正系数；fe为环境修正系数；HVn为空压机200退役时的健康指数；定义变量健康因子u(t)＝HVa(t)/HV0，其中，HV0为设备初始健康度值，最后得出空压机200设备综合健康指数HV为：HV＝u(t)·HVi(t)，其中，HV范围在0-1之间。
本实施例中，空压机200的健康指数与其故障率的关系如表格1-1所示。
表1-1健康指数与设备状态、故障率之间的关系
健康指数区间 设备状态 故障发生率
0.7-1 健康 非常低
0.6-0.7 亚健康 低
0-0.6 故障 高
本实施例通过空压机200的出口压力(x1)、空滤压差(x2)、1#转子出口温度(x3)、油压(x4)、2#转子出口温度(x5)、中冷压力(x6)、进口温度(x7)、出口温度(x8)、2#转子进口温度(x9)、润滑油温度(x10)值来作为评判健康度的评估参数。
在一种实施例中，智能分析平台100内置有人机交互界面，通过人机交互界面输出并显示综合监视数据和监视结果。
进一步地，本实施例中所输出的综合监视数据和监视结果包括所包含的设备总览中显示当前各个管理处对应的压气站所对应的空压机200组每台设备的运行状态、健康状态、总运行时间、当年累计运行时间、起停次数，且监视结果显示全部空压机200的健康状态饼状图且支持查看各个管理处所管辖的压气站下对应空压机200组的健康状态。且健康状态由健康度模型计算得出，并匹配到对应健康状态区间值得出健康状态。
监视结果中所包含的状态监测中实时显示当前各个管理处对应的压气站所对应的空压机200组每台设备的运行状态、总运行时间、加载时间、起停次数，空压机200进口温度、空滤压差、1#转子出口温度、2#转子出口温度、2#转子进口温度、润滑油温度、油压、中冷压力、出口压力、出口温度等空压机200参数。
进一步地，监视结果中所包含的状态监测中空压机200进口温度、空滤压差、1#转子出口温度、2#转子出口温度、2#转子进口温度、润滑油温度、油压、中冷压力、出口压力、出口温度等空压机200参数等支持智能分析平台100内置神经网络算法预测功能，可预测近五天各参数的值。
本实施例中的服务层还包括应用服务器500，应用服务器500与智能分析平台100连接；应用服务器500通过OPC协议发布综合监视数据和监视结果，同时提供空压机200的远程故障诊断服务和远程报警服务。
进一步地，智能分析平台100还设有预警模型，预警模型包括多个报警信息的等级程度，根据综合监视数据获取报警信息中包括数量、频次、严重程度在内的因素动态，更新当前的紧急程度等级，并同步至应用服务器500；并且记录报警事件、时间、报警值、报警对应点表值、报警对应压气站、空压机200以及报警级别时间，并根据故障诊断模型诊断当前报警信息表征的故障原因。
进一步地，智能分析平台100中的故障诊断模型、性能预测模型以及健康度模型同步执行，使得监视结果中输出故障诊断结果的同时，输出对应压气站中对应空压机200的健康状态及健康指数，以便根据当前空压机200的各项点表值和报警值、停机值及对应点表的阈值报警信息提示。
进一步地，监视结果中包括压气站中各空压机200的运行时间、等效运行时间、维修等级、优先级信息；其中，优先级信息表示根据维修紧急严重程度分为无、低、高三个等级的优先级。其中，等效运行时间则由Arima算法计算得出。
本实施例中的表示层包括监控终端600，监控终端通过人机显示界面进行账号登陆、身份验证维护管理、远程控制以及远程监测访问服务层，以显示综合监视数据和监视结果。进一步地，监控终端600运行有空压机200运行数据的通信端口，例如，浏览器中的网址或者监控终端的APP应用，进入端口后输入账号登陆、身份验证维护管理、远程控制以及远程监测，实现对应用服务器500通信。进一步地，本实施例中的监控终端的人机交互界面以图表形式或数字量形式显示综合监视数据和监视结果。当然，图表形式包括但不限于曲线图、饼状图、折线图。监控终端可以为PC机的WEB端或者智能终端的APP端，由服务层下发的各空压机200的综合监视数据和监视结果可同时适配在WEB端或APP端显示。
本实施例中的模型输出结果通过监控终端600显示，以实现数据的可视化输出，包括故障诊断结果显示、预测结果显示以及健康度显示。故障诊断结果显示为：在BP神经网络模型下的样本数据经训练成功后，会在监控终端600下的故障诊断模块中有专栏显示，栏目中对每个采样数据进行诊断并将输出结果呈现至监控终端600。预测结果显示时，通过监控终端600的状态监测一栏下对所有监测空压机的多项重要指标，包括出口压力、空滤压差、1#转子出口温度、油压、2#转子出口温度、中冷压力、进口温度、出口温度、2#转子进口温度、润滑油温度等实时显示，同时在每项数据显示后都会有个预测按键、点击后会跳转到预测界面：其中在预测界面下各个预测结果将通过折线图进行对应显示其未来五天运行趋势(时间跨度可以自由选取)。健康度显示时，基于健康度模型的计算，通过判定规则来判定空压机是正常运行的前提下，再对空压机当前的模型所需的数据进行输入，并计算得出健康度，且结果通过监控终端600下的设备总览模块和故障诊断模块显示，例如，显示为每台空压机对应其自身的健康度：其中健康度为0.7以上的健康状态所显示背景为绿色、健康度为0.6-0.7亚健康背景为黄色、健康度为0.6以下故障背景为红色。其中，在故障诊断一栏显示的健康度还会附有显示健康度的当前值。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种空压机集群智能诊断系统，其特征在于，所述系统包括：表示层、服务层以及数据访问层，
所述数据访问层包括远程测控组件，所述服务层包括智能分析平台，所述表示层包括监控终端；
所述远程测控组件与所述智能分析平台连接，被配置为实时采集各压气站所管理的多个空压机的运行数据，并将运行数据通过物联网实时传输给所述智能分析平台；
所述智能分析平台被配置为利用内置的Aiglor实时数据库对所述空压机的运行数据进行实时显示、汇总及加工；并根据预设的故障诊断模型进行故障诊断，根据预设的性能预测模型进行性能预测，以及根据预设的健康度模型计算健康指数获取所述空压机的健康状态，获取综合监视数据和监视结果；
所述监控终端通过人机显示界面进行账号登陆、身份验证维护管理、远程控制以及远程监测访问所述服务层，以显示综合监视数据和监视结果。
2.如权利要求1所述的空压机集群智能诊断系统，其特征在于，所述故障诊断模型采用BP神经网络算法对故障样本集进行梳理，提取故障输入集，并进行训练，以实现对故障类型的分类；所述故障诊断模型的诊断方法步骤如下：
S11：对故障样本集进行归一化处理；
S12：确定输入和输出向量；
将所述空压机的故障征兆向量数X＝(x1，x2，…，x10)作为输入向量，其中，x1为所述空压机的出口压力、x2为空滤压差、x3为出口温度、x4为1#转子出口温度、x5为2#转子出口温度、x6为2#转子进口温度、x7为油压、x8为进口温度、x9为中冷压力、x10为润滑油温度；
将所述空压机的故障类型向量Y＝(y1，y2，…，y12)作为输出向量，其中，y1为主机机械系统故障、y2为油过滤器故障、y3为安全阀泄露、y4为空气过滤器故障、y5为加/卸载阀门故障、y6为油冷却器故障、y7为温控阀故障、y8为放气阀/进气阀故障、y9为传感器故障、y10为空气冷却器故障、y11为油路故障、y12为空间散热不良故障；
S13：建立BP神经网络模型；
预设输入、输出层数，根据
Figure FDA0002844319730000021
确定隐藏层神经元数，式中H、I、O分别表示隐层、输入、输出层神经元数，
Figure FDA0002844319730000022
为可取值；
S14：设定初始权值W(O)，且输入第p组样本时，参数i的输出为：yip(t)＝f[xip(t)]＝f(∑jwij(t)Ijp)其中，激活函数取S型函数
Figure FDA0002844319730000023
Ijp是参数i在第p组样本输入下的第j个输入值；
S15：计算网络目标函数J；
令Ep为网络目标函数，取L2范数，则
Figure FDA0002844319730000024
其中，ykp(t)为经过t次修正权值后网络的输出；k为输出层的第k个节点；获取目标函数为：J(t)＝∑pEp(t)；
S16：做误差判断；
若J(t)≤ε，则训练结束，否则按梯度下降法反向更新权值W(O)；
Figure FDA0002844319730000025
式中，η为学习步长；重复步骤S11-S16直至J(t)≤ε。
3.如权利要求1所述的空压机集群智能诊断系统，其特征在于，所述性能预测模型采用Arima算法对所述空压机的历史运行数据进行梳理后，对所述空压机未来预设时间段内的数据进行预测；所述性能预测模型的预测方法步骤如下：
S21：获取时间序列；
获取所述空压机M个运行指标参数的N天运行数据序列；
S22：对所述空压机N天运行数据序列做预处理；
预处理包括进行白噪声和平稳性核验，再对差分处理后的时间序列的自相关与偏自相关函数结果分析，确定Arima模型参数；
S23：Arima模型定阶；
差分后的序列不平稳性消除，设定差分阶数d，依据AIC准则判断模型的拟合优度，判定最优模型为Arima(p，d，q)；
其中，Arima(p，d，q)模型可以表示为：
Figure FDA0002844319730000031
式中εt为白噪声序列，d∈Z，d＞0。
4.如权利要求1或3所述的空压机集群智能诊断系统，其特征在于，所述性能预测模型输出的预测结果通过图表形式折线图和数字化形式显示输出。
5.如权利要求1所述的空压机集群智能诊断系统，其特征在于，所述健康度模型利用所述空压机的各项性能指标加权计算得出健康指数，并通过健康指数匹配健康状态；所述健康度模型的计算方法步骤如下：
基于各运行数据的综合数学转化，计算健康状态的量化指标，以数值形式反映所述空压机的健康状态，其中，健康指数计算公式如下：
Figure FDA0002844319730000032
hvi(t)为所述空压机的第i个运行数据在t时间的健康指数；ymax和ymin为所述空压机正常工作时运行数据的最大值和最小值；yi(t)为第i个运行数据在t时间的实测值；
Figure FDA0002844319730000033
为运行数据在t时间的标准值；
所述空压机的运行健康指数为
Figure FDA0002844319730000034
其中，HVi(t)为所述空压机运行健康指数，Wi为第i个运行数据的组合权重；
Figure FDA0002844319730000041
式中：wj为组合权重；wp为区间层次分析法计算得到的权重；wq为熵值法得到的权重；a、b分别为指标权重wp，wq的相对重要程度，计算方式如下：
Figure FDA0002844319730000042
Figure FDA0002844319730000043
引入老化健康指数经验公式：
Figure FDA0002844319730000044
其中，B为老化系数，HV0为设备初始健康度，HVa(t)为所述空压机在t时间的老化健康指数；其中，B的计算方法如下：
Figure FDA0002844319730000045
Figure FDA0002844319730000046
其中，TD为所述空压机的设计寿命，f1为负荷修正系数；fe为环境修正系数；HVn为所述空压机退役时的健康指数；
定义变量健康因子u(t)＝HVa(t)/HV0，其中，HV0为设备初始健康度值，最后得出空压机设备综合健康指数HV为：HV＝u(t)·HVi(t)，其中HV范围在0-1之间。
6.如权利要求1所述的空压机集群智能诊断系统，其特征在于，所述数据访问层还包括数据库服务器，所述数据库服务器分别与所述远程测控组件、所述智能分析平台连接，所述数据库服务器运行有SQL Server数据库，接收所述空压机的运行数据，并按照预定存储格式存储及备份，以便向上层应用提供数据查询和统计。
7.如权利要求1所述的空压机集群智能诊断系统，其特征在于，所述服务层还包括应用服务器，所述应用服务器与所述智能分析平台连接；
所述应用服务器通过0PC协议发布所述综合监视数据和监视结果，同时提供所述空压机的远程故障诊断服务和远程报警服务。
8.如权利要求6所述的空压机集群智能诊断系统，其特征在于，所述智能分析平台还设有预警模型，所述预警模型包括多个报警信息的等级程度，根据所述综合监视数据获取报警信息中包括数量、频次、严重程度在内的因素动态，更新当前的紧急程度等级，并同步至所述应用服务器；
并且记录报警事件、时间、报警值、报警对应点表值、报警对应压气站、所述空压机以及报警级别时间，并根据所述故障诊断模型诊断当前报警信息表征的故障原因。
9.如权利要求7所述的空压机集群智能诊断系统，其特征在于，所述智能分析平台中的所述故障诊断模型、性能预测模型以及健康度模型同步执行，使得所述监视结果中输出故障诊断结果的同时，输出对应所述压气站中对应所述空压机的健康状态及健康指数，以便根据当前所述空压机的各项点表值和报警值、停机值及对应点表的阈值报警信息提示。
10.如权利要求7所述的空压机集群智能诊断系统，其特征在于，所述监视结果中包括所述压气站中各所述空压机的运行时间、等效运行时间、维修等级、优先级信息；其中，所述优先级信息表示根据维修紧急严重程度分为无、低、高三个等级的优先级。
CN202011503964.XA 2020-12-18 2020-12-18 空压机集群智能诊断系统 Pending CN112529320A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011503964.XA CN112529320A (zh) 2020-12-18 2020-12-18 空压机集群智能诊断系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011503964.XA CN112529320A (zh) 2020-12-18 2020-12-18 空压机集群智能诊断系统

Publications (1)

Publication Number Publication Date
CN112529320A true CN112529320A (zh) 2021-03-19

Family

ID=75001502

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011503964.XA Pending CN112529320A (zh) 2020-12-18 2020-12-18 空压机集群智能诊断系统

Country Status (1)

Country Link
CN (1) CN112529320A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113611096A (zh) * 2021-08-04 2021-11-05 广东鑫钻节能科技股份有限公司 一种空压站电能消耗监测预警系统
CN113847232A (zh) * 2021-07-28 2021-12-28 合肥工业大学 基于云边协同的空压机集群运行调节方法及系统
CN114326561A (zh) * 2021-11-23 2022-04-12 国网浙江省电力有限公司嘉兴供电公司 一种空压机控制方法
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
CN115294671A (zh) * 2022-08-08 2022-11-04 杭州哲达科技股份有限公司 一种空压机出口压力预测方法和预测系统
CN117032120A (zh) * 2023-08-16 2023-11-10 广东超级龙节能环保科技有限公司 集成一体式空压站智能云控制系统及控制方法
CN117145753A (zh) * 2023-10-31 2023-12-01 意朗智能科技(南通)有限公司 一种空压机的工作质量测试方法及装置
CN117329128A (zh) * 2023-12-01 2024-01-02 广东艾高装备科技有限公司 大功率水冷螺杆压缩机排气高温判定方法及高温检测系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107276816A (zh) * 2016-11-03 2017-10-20 厦门嵘拓物联科技有限公司 一种基于云服务的远程监测与故障诊断系统及故障诊断方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107276816A (zh) * 2016-11-03 2017-10-20 厦门嵘拓物联科技有限公司 一种基于云服务的远程监测与故障诊断系统及故障诊断方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
姜玉叶，等: "基于OPC和GPRS的空压机远程通信状态监控系统设计", 《仪表技术与传感器》, no. 3 *
梁飞: "基于数据挖掘技术的设备故障预警系统设计与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 1, pages 6 - 87 *
陆文婷: "基于物联网技术的空气压缩机远程监控系统", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 3 *
陶青: "基于综合健康指数的空压机状态评估", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, no. 7, pages 3 - 53 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113847232A (zh) * 2021-07-28 2021-12-28 合肥工业大学 基于云边协同的空压机集群运行调节方法及系统
CN113611096A (zh) * 2021-08-04 2021-11-05 广东鑫钻节能科技股份有限公司 一种空压站电能消耗监测预警系统
CN114326561A (zh) * 2021-11-23 2022-04-12 国网浙江省电力有限公司嘉兴供电公司 一种空压机控制方法
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
CN115294671A (zh) * 2022-08-08 2022-11-04 杭州哲达科技股份有限公司 一种空压机出口压力预测方法和预测系统
CN117032120A (zh) * 2023-08-16 2023-11-10 广东超级龙节能环保科技有限公司 集成一体式空压站智能云控制系统及控制方法
CN117145753A (zh) * 2023-10-31 2023-12-01 意朗智能科技(南通)有限公司 一种空压机的工作质量测试方法及装置
CN117145753B (zh) * 2023-10-31 2023-12-22 意朗智能科技(南通)有限公司 一种空压机的工作质量测试方法及装置
CN117329128A (zh) * 2023-12-01 2024-01-02 广东艾高装备科技有限公司 大功率水冷螺杆压缩机排气高温判定方法及高温检测系统
CN117329128B (zh) * 2023-12-01 2024-02-02 广东艾高装备科技有限公司 大功率水冷螺杆压缩机排气高温判定方法及高温检测系统

Similar Documents

Publication Publication Date Title
CN112529320A (zh) 空压机集群智能诊断系统
CN109886430B (zh) 一种基于工业大数据的设备健康状态评估与预测方法
CN111412579B (zh) 一种基于大数据的空调机组故障类型诊断方法和系统
CN109240244B (zh) 基于数据驱动的设备运行状态健康度分析方法及系统
CN108763729B (zh) 基于网络结构熵的流程工业机电系统耦合状态评估方法
US8014880B2 (en) On-line multivariate analysis in a distributed process control system
Lindemann et al. Anomaly detection and prediction in discrete manufacturing based on cooperative LSTM networks
US20020013664A1 (en) Rotating equipment diagnostic system and adaptive controller
CN104573850A (zh) 一种火电厂设备状态评估方法
CN108320016A (zh) 一种建筑能耗短期预测方法
CN111322732A (zh) 一种空调健康状态分析方法和系统
RU2626780C1 (ru) Способ и система удаленного мониторинга энергетических установок
RU2649542C1 (ru) Способ и система удаленного мониторинга объектов
CN110530650B (zh) 基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法
CN113036913B (zh) 一种综合能源设备状态监测方法及装置
CN113219910A (zh) 一种全流程的生产自诊断及优化系统
CN116224137A (zh) 一种ups设备故障预警方法及系统
WO2019209146A1 (ru) Способ и система идентификации и прогнозирования развития дефектов объектов
CN115294671A (zh) 一种空压机出口压力预测方法和预测系统
CN110083797B (zh) 一种滴灌管生产线异常实时监测方法及系统
CN116235148A (zh) 干泵宕机的预警方法、装置、电子设备、存储介质及程序
CN113868948A (zh) 一种面向用户的动态阈值模型训练系统及方法
WO2008042739A2 (en) On-line monitoring and diagnostics of a process using multivariate statistical analysis
Lee et al. Data-driven health condition and RUL prognosis for liquid filtration systems
CN113722195B (zh) 基于ahp层级分析法的局域网运行评估系统及方法

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