CN112819107A - 基于人工智能的燃气调压设备故障预测方法 - Google Patents

基于人工智能的燃气调压设备故障预测方法 Download PDF

Info

Publication number
CN112819107A
CN112819107A CN202110408543.7A CN202110408543A CN112819107A CN 112819107 A CN112819107 A CN 112819107A CN 202110408543 A CN202110408543 A CN 202110408543A CN 112819107 A CN112819107 A CN 112819107A
Authority
CN
China
Prior art keywords
fault
parameters
sequence
data
prediction
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.)
Granted
Application number
CN202110408543.7A
Other languages
English (en)
Other versions
CN112819107B (zh
Inventor
卓小军
张天江
丁如枫
杜桂生
李德辉
石宇
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.)
Sichuan Ninegate Technology Co ltd
Original Assignee
Sichuan Ninegate Technology 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 Sichuan Ninegate Technology Co ltd filed Critical Sichuan Ninegate Technology Co ltd
Priority to CN202110408543.7A priority Critical patent/CN112819107B/zh
Publication of CN112819107A publication Critical patent/CN112819107A/zh
Application granted granted Critical
Publication of CN112819107B publication Critical patent/CN112819107B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于人工智能的燃气调压设备故障预测方法，包括S1、获取调压器运行状态的状态参数，并根据调压器运行状态和状态参数之间的关联，确认核心状态参数；S2、根据核心状态参数，构建调压器正常运行状态下的关系模型；S3、基于关系模型对调压器故障参数进行模拟，根据提取的模拟故障特征，构建调压器故障预测模型，并基于调压器故障预测模型对调压器进行故障预测诊断，得到故障预测类型。本发明通过构建调压器正常运行状态下的关系模型，利用调压器故障成因分析成果对调压器故障相关参数进行模拟，通过对模拟的故障数据进行分析处理，提取故障特征，从而得到调压器故障预测模型，进而实现对调压器故障类别的预测。

Description

基于人工智能的燃气调压设备故障预测方法
技术领域
本发明属于燃气调压器故障预测的技术领域，具体涉及一种基于人工智能的燃气调压设备故障预测方法。
背景技术
每年数千亿立方米的天然气消费量为我国燃气输配设施带来严峻的考验，而在燃气输配设施中最核心的便是燃气调压器，又叫调压阀、减压阀、稳压阀等，以下统称调压器，燃气调压器工作是否正常不仅关系到燃气的输配是否顺畅，同时调压器故障还可能导致安全事故发生，所以对调压器故障的处理是燃气输配工作的重中之重。
最常见的燃气调压器信息化管理方式为通过站控系统对调压器进出口压力和流量等数据进行监测，通过设置压力、流量等数据的上下限阈值来进行监控报警。采用这种方式具有明显的弊端：首先当燃气调压器发生故障并造成运行数据报警后才能被发现，同时报警信息并不能表明是具体哪种故障。
随着人工智能等新兴技术的发展，已经有技术人员在尝试智能化的燃气调压器故障诊断方法，但是目前的方法主要都是对已经发生的故障类型进行诊断，不能实现提前预测，同时能够判断的也只是调压器憋压、供气能力不足等表象故障，不能精确到调压器内部具体的故障原因和故障模块。同时由于调压器真实故障数据获取困难且数据量小等原因，目前的技术都还无法达到规模化应用要求。
发明内容
本发明的目的在于针对现有技术中的上述不足，提供一种基于人工智能的燃气调压设备故障预测方法，以解决现有技术只能对已经发生的故障类型进行诊断，不能实现提前预测的问题。
为达到上述目的，本发明采取的技术方案是：
一种基于人工智能的燃气调压设备故障预测方法，其包括：
步骤S1、获取调压器运行状态的状态参数，并根据调压器运行状态和状态参数之间的关联，确认核心状态参数；
步骤S2、根据核心状态参数，构建调压器正常运行状态下的关系模型；
步骤S3、基于关系模型对调压器故障参数进行模拟，根据提取的模拟故障特征，构建调压器故障预测模型，并基于调压器故障预测模型对调压器进行故障预测诊断，得到故障类型。
进一步地，步骤S1中获取调压器运行状态的状态参数，并根据调压器运行状态和状态参数之间的关联，确认核心状态参数为调压器出口压力P2和调压器驱动压力P3。
进一步地，步骤S2中根据核心状态参数，构建调压器正常运行状态下的关系模型，包括：
步骤S2.1、采用散点图矩阵进行核心状态参数的特征值关联度筛选，并采用平滑滤波处理筛选后的关联度特征值数据；
步骤S2.2、对处理后的关联度特征值数据的输入输出训练样本组合进行曲线拟合，提取特征参数；
步骤S2.3、基于多项式回归，构建得到调压器正常工作下的含参模型和正常工作的预测曲线；
含参模型为：
Figure 524926DEST_PATH_IMAGE001
其中，a、b为参数；
正常工作的预测曲线为：
Figure 596787DEST_PATH_IMAGE002
其中，yi为经过平滑滤波后得到的序列，P3(i)为传感器得到的P3值序列，P2(i)为预测得到的P2值序列；
步骤S2.4、基于含参模型和预测曲线进行故障判断和预警。
进一步地，步骤S2.1中采用散点图矩阵进行核心状态参数的特征值关联度筛选，并采用平滑滤波处理筛选后的关联度特征值数据，包括：
采用移动平均滤波方法处理时间关联序列：
Figure 381204DEST_PATH_IMAGE003
其中，xi是输入的序列，n为输入的序列xi的序列长度，xi-n为第i-n个输入点，xi+n为第i+n个输入点。
进一步地，步骤S2.4中基于含参模型和预测曲线进行故障判断和预警，包括：
将P3的序列输入含参模型得到预测序列
Figure 513108DEST_PATH_IMAGE004
；
将预测序列
Figure 623453DEST_PATH_IMAGE005
和真实值 P2的序列做差，得到判定序列；
若判定序列数值<预设的偏差包容度γ时，则工作正常；
若判定序列数值>预设的偏差包容度γ时，则进入等待计数，发出提示；
若判定序列数值>预设的偏差包容度γ时，且计数长度到达m，则发出警报。
进一步地，步骤S3中基于关系模型对调压器故障参数进行模拟，根据提取的模拟故障特征，构建调压器故障预测模型，并基于调压器故障预测模型对调压器进行故障预测诊断，得到故障类型，包括：
步骤S3.1、采用趋势结合噪声的方法模拟调压器故障参数，得到不同故障下的调压器出口压力P2和调压器驱动压力 P3数据组；
步骤S3.2、基于曲线拟合，构建故障模型库；
步骤S3.3、将获取的调压器特征值输入故障模型库中的各个预测模型中，输出故障分类结果表和可能性清单；
步骤S3.4、基于KNN神经网络，进行数据分类和预测报警。
进一步地，步骤S3.2中基于曲线拟合，构建故障模型库，包括：
步骤S3.2.1、将故障模拟得到的序列进行关联度筛选；
步骤S3.2.2、对选择后的序列进行平滑滤波，去除高斯噪音，得到平滑的曲线和序列；
步骤S3.2.3、将平滑后的序列进行拟合，根据曲线特征确定拟合函数；
步骤S3.2.4、对拟合函数进行变换，得到P2、P3的关系函数，将P2、P3的关系函数的参数作为模型库的存储参数，并根据存储参数的分类存储，构建故障模型库。
进一步地，步骤S3.3中将获取的调压器特征值输入故障模型库中的各个预测模型中，输出故障分类结果表和可能性清单，包括：
步骤S3.3.1、使用调压器正常曲线的参数并且从故障模型库中调用各种具体故障的曲线参数，输入预设时间段内的P3的采样值，代入P2、P3的关系函数得到曲线簇；
步骤S3.3.2、将曲线簇的值和传感器得到的真实值做差，得到判断序列簇，每个预测曲线对实际曲线进行卡方检验：
Figure 499006DEST_PATH_IMAGE006
其中，x 2为卡方值，其中T是预测曲线的值，A为真实曲线的值；每个预测曲线得到一个卡方值，卡方值越小符合度越高；
步骤S3.3.3、输出每个故障分类小类或正常状态的卡方值表，按升序排序，卡方值最小的故障概率越高。
进一步地，S3.4中基于KNN神经网络，进行数据分类和快速的预测报警，包括：
步骤S3.4.1、初始化训练集合和类别集合，将各个大类的故障数据点标记为特定的故障，正常运行状态下的数据点标记为正常；
步骤S3.4.2、输入判断的数据点，计算和各个标记点的欧几里得距离：
Figure 403508DEST_PATH_IMAGE007
其中，ti为数据点第i个特征的值，ei为故障点第i个特征的值，d(t,e) 为数据点t和故障数据标记点e的欧式距离，p为数据特征的个数；
对输入数据的每个数据点分别进行欧氏距离的计算，按照距离递增关系排序，每个数据点得到一个欧式距离表单；
步骤S3.4.3、选择欧式距离表单中递增排序的前K位，K值为10，提取每个k邻近点的标记种类，对每个点的距离加权，使得距离近的点获得更大的值，采用反比平方例SquareInverse方法加权，得到修正距离weight：
Figure 440734DEST_PATH_IMAGE008
其中，c为校正常数；
并计算出现种类的点的类别数量，统计各个种类点出现概率；
步骤S3.4.4、使用多数表决规则，根据概率表中的最高概率项决定输入数据的数据点属于的类。
本发明提供的基于人工智能的燃气调压设备故障预测方法，具有以下有益效果：
本发明利用人工智能与物联网技术，从原理上分析正常状态调压器运行情况和调压器故障成因与核心参数，通过人工智能技术找到核心参数在调压器正常运行状态下的关系模型，利用调压器故障成因分析成果对调压器故障相关参数进行模拟，通过对模拟的故障数据进行分析处理，提取故障特征，从而得到调压器故障预测模型，进而实现对调压器故障类别的预测。
附图说明
图1为基于人工智能的燃气调压设备故障预测方法的流程图。
图2为间接作用式调压器结构原理图。
图3为故障预测实现过程概略图。
图4从左向右包括三个子图，图4-1为p1的密度估计图，图4-2为p1与P2的相关性图，图4-3为 p1与P3的相关性图。
图5从左向右包括三个子图，图5-1为p1与(P3- P2)的相关性图，图5-2为p1与(P2-P1)的相关性图，图5-3为p1与(P3- P1)的相关性图。
图6从左向右包括三个子图，图6-1为p2与P1的相关性图，图6-2为p2的密度估计图，图6-3为p2与P3的相关性图。
图7从左向右包括三个子图，图7-1为p2与(P3- P2)的相关性图，图7-2为p2与(P2-P1)的相关性图，图7-3为p2与(P3- P1)的相关性图。
图8从左向右包括三个子图，图8-1为p3与P1的相关性图，图8-2为p3与P2的相关性图，图8-3为p3的密度估计图。
图9从左向右包括三个子图，图9-1为p3与(P3- P2)的相关性图，图9-2为p3与(P2-P1)的相关性图，图9-3为p3与(P3- P1)的相关性图。
图10从左向右包括三个子图，图10-1为(P3- P2)与P1的相关性图，图10-2为(P3-P2)与P2的相关性图，图10-3为(P3- P2)与P3的相关性图。
图11从左向右包括三个子图，图11-1为(P3- P2)的密度估计图，图11-2为(P3- P2)与(P2- P1)的相关性图，图11-3为(P3- P2)与(P3- P1)的相关性图。
图12从左向右包括三个子图，图12-1为(P2- P1)与P1的相关性图，图12-2为(P2-P1)与P2的相关性图，图12-3为(P2- P1)与P3的相关性图。
图13从左向右包括三个子图，图13-1为(P2- P1)与(P3- P2)的相关性图，图13-2为(P2- P1)的密度估计图，图13-3为(P2- P1)与(P3- P1)的相关性图。
图14从左向右包括三个子图，图14-1为(P3- P1)与P1的相关性图，图14-2为(P3-P1)与P2的相关性图，图14-3为(P3- P1)与P3的相关性图。
图15从左向右包括三个子图，图15-1为(P3- P1)与(P3- P2)的相关性图，图15-2为(P3- P1)与(P2- P1)的相关性图，图15-3为(P3- P1)的密度估计图。
图16从左向右包括三个子图，图16-1为P2的密度估计图，图16-2为P2与P3的相关性图，图16-3为P2与PΔ的相关性图。
图17从左向右包括三个子图，图17-1为P3与P2的相关性图，图17-2为P3的密度估计图，图17-3为P3与PΔ的相关性图。
图18从左向右包括三个子图，图18-1为PΔ与P2的相关性图，图18-2为PΔ与P3的相关性图，图18-3为PΔ的密度估计图。
图19为P3与PΔ的散点和粗略线性拟合图。
图20为P2与PΔ散点和粗略线性拟合图。
图21为P3与P2的散点和粗略线性拟合图。
图22为P3的压力大小随时间变化图。
图23为平滑滤波后的P3的压力大小随时间变化图。
图24为曲线拟合过程流程图。
图25为实验调压器数据预测曲线线性回归图，其中上方第一条曲线是输入序列，其下方较为平缓的是预测线。
图26为基于回归分析预测曲线的故障判断与预警流程图。
图27为实验调压器数据预测判断示意图。
图28为基于曲线拟合回归分析的故障模型的建立流程图。
图29从上至下包括三个子图，图29-1为传感器得到的p2的气压大小图，图29-2为输入序列的p3的气压大小图，图29-3为传感器和预测得到的p2的气压大小图。
图30为基于KNN神经网络的故障多分类机实现流程图。
图31为多数表决规则示意图，以实验调压器数据p2出口气压、p3指挥器气压两个维度作图为例。
图32为累计数据完善模型库流程图。
图33为损失函数最小二乘法OLSE拟合图。
图34为损失函数最小绝对残差LAR拟合图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
根据本申请的一个实施例，参考图1，本方案的基于人工智能的燃气调压设备故障预测方法，包括：
步骤S1、获取调压器运行状态的状态参数，并根据调压器运行状态和状态参数之间的关联，确认核心状态参数；
步骤S2、根据核心状态参数，构建调压器正常运行状态下的关系模型；
步骤S3、基于关系模型对调压器故障参数进行模拟，根据提取的模拟故障特征，构建调压器故障预测模型，并基于调压器故障预测模型对调压器进行故障预测诊断，得到故障类型。
以下将对上述步骤进行详细说明；
步骤S1、获取调压器运行状态的状态参数，并根据调压器运行状态和状态参数之间的关联，确认核心状态参数，其具体包括：
从原理上分析正常状态调压器运行情况和调压器故障成因与核心参数。
本发明针对的燃气调压器主要为间接作用式调压器，在燃气输配场景中间接作用式调压器是使用最多的燃气调压器类型。
参考图2，间接作用式调压器结构原理图，间接作用式调压器是通过指挥器产生一个驱动压力来驱动调压器主阀口开度变化，从而实现把较高的进口压力调节为较低的出口压力，同时保证出口压力的稳定。
图2中，调压器进口压力为P1、出口压力为P2、驱动压力为P3、P3与P2之差为PΔ、通过调压器的流量简称Q、调压器阀口开度简称L。
从调压器原理可知：
在调压器正常运行时，Q的变化会导致P2相应的细微变化，P2的细微变化引起P3变化，P3变化促使L变化，通过L变化来满足Q的变化。通过一系列闭环的变化使得在调压器性能区间内P2会稳定在一个值附近，同时会发生细微波动。由此可见，在调压器正常运行时Q、P2、P3、L之间存在非常紧密且规律性很强的关联关系。
在调压器正常运行过程中，由于燃气中的杂质、气流冲刷、活动件疲劳磨损等原因会逐渐对调压器的健康状况造成不利影响，不利影响积累到一定程度就会造成调压器故障。在调压器健康状况不利影响积累过程中，Q、P2、P3、L之间的规律性关联关系会产生变化，所以通过对调压器运行过程中Q、P2、P3、L等参数进行物联网监测和人工智能分析能实现对调压器故障的预测。
由于Q、P2、P3、L是成闭环状态的关联关系，所以本发明采用P2与P3作为核心分析数据来实现调压器故障预测。同理，采用本发明也可以采用类似方法对Q、P2、P3、L中的任意两个或多个数据进行分析也能实现调压器故障预测。
步骤S2、根据核心状态参数，构建调压器正常运行状态下的关系模型，其具体包括：
步骤S2.1、参考图3，数据关联度筛选与数据处理；使用散点图矩阵Scatter PlotMatrix快速的对三个特征值进行关联度可视化分析。
图4至图16为散点图矩阵，散点图矩阵是对于多变量的一组图，本组散点图矩阵的特征变量为H型调压器一种工况下6类压力：P1、P2、P3、(P3- P2)、(P2- P1)、(P3- P1)。
图4至图16中的密度估计图中横轴为特征的值，纵轴为出现的次数；相关性图表示横轴特征和纵轴特征的相关性，散点越接近y=x，则正相关越强；越接近y=-x负相关越强。
图16到图18为原6个特征变量散点图矩阵的切片，有三个需要特别关注的特征变量：P2、P3、PΔ，由图可知，P3和PΔ 相关的散点图呈现相对较为明显的线性关系。
参考图4至图18，将特征值进行全组合
Figure 312744DEST_PATH_IMAGE009
能够得到三组不同的关系，在三组关系中选择特征相对明显的一组，从而得到更优的回归分析输入输出训练样本组合。对比三组散点图数据，P3、PΔ 相关的散点图呈现相对较为明显的线性关系，故最终选择线性关系强烈的P3、PΔ两组特征值。
参考图19-图21，实验实验调压器一种工况下P2与P3、P2与PΔ、P3与PΔ三组散点和粗略线性拟合图，P3与PΔ呈现相对较为明显的线性关系。
其中，图19中横轴为P3的值，纵轴为PΔ的值，图中灰色包络线为线性拟合后曲线可能降落的区域，区域越小数据的关系越明确。
图20中横轴为P2的值，纵轴为PΔ的值，图中灰色包络线为线性拟合后曲线可能降落的区域，区域越小数据的关系越明确。
图21中横轴为P3的值，纵轴为P2的值，图中灰色包络线为线性拟合后曲线可能降落的区域，区域越小数据的关系越明确。
对于选择的最高关联度的数据进行平滑滤波smooth，去除传感器噪声抖动带来的干扰；平滑滤波可以增强低频，去除噪音。在燃气系统中，气压的变化属于低频段，传感器收到的各种干扰就是噪音。对于时间关联序列P2或P3或PΔ使用移动平均滤波方法 movingaverage smooth。
Figure 398511DEST_PATH_IMAGE003
其中，xi是输入的序列，yi是经过滤波后得到的序列是经过滤波后得到的序列，n为输入序列xi的序列长度，2n+1是平滑滤波的邻域。移动平均法在本质上是用选定邻域内的各个点的算术平均值代替当前点值，使得序列呈现出平滑的特性。领域的大小（选取点的量）决定了滤波的效果。基于噪音的频率大小确定邻域的大小，通常情况下，领域越大，平滑特性越好，但同时为了保证对突变点的敏感性，邻域大小的选取也不能过大。
参考图22，横轴为采样的点数，点数乘上采样周期就是具体的时间；纵轴为p3的压力大小。
参考图23，横轴为采样的点数，点数乘上采样周期就是具体的时间，纵轴为平滑滤波后的p3的压力大小。
由图22和图23可知，数据平滑滤波前后对比图，显然滤波后曲线的抖动显著减小，值更加集中，更有利于曲线拟合，降低误差。
步骤S2.2、曲线拟合提取特征参数：
对于经过平滑滤波后的输入输出训练样本组合进行曲线拟合，其具体步骤包括：
参考图24，曲线拟合过程流程图；
步骤S2.2.1、初始化数组；
首先设定离散数据组：
Figure 485416DEST_PATH_IMAGE010
其中，i＜n，n是序列的长度；
步骤S2.2.2、变量对应：
将筛选，滤波降噪后的序列设定为对应的自变量和因变量。
Figure 614915DEST_PATH_IMAGE011
假设解析表达式为：
Figure 787270DEST_PATH_IMAGE012
由于具有明显的线性关系，选择阶数为一的多项式拟合polynomial curvingfitting（阶数为1），令表达式等于含待定参数的解析式。
步骤S2.2.3、选择含参解析式：
多项式曲线拟合函数（o是阶数）：
Figure 4625DEST_PATH_IMAGE013
当阶数是1时：
Figure 618140DEST_PATH_IMAGE014
a、b为参数，将实际序列带入含参的解析式，得到残差值：
Figure 262748DEST_PATH_IMAGE015
步骤S2.2.4、选择损失函数；
残差是一个反馈值，选用特定的方法作为反馈值的目标函数来衡量拟合的优度。不同的目标函数会得到不同的结果，在不同情况下适用。分别使用基于最小二乘法ordinary least squares estimate (OLSE) 和最小绝对残差方法 least absoluteresiduals (LAR) 为目标函数。
损失函数最小二乘法OLSE：
Figure 843771DEST_PATH_IMAGE016
参考图33，横轴为P3的压力大小，纵轴为PΔ的压力大小，图中的线即为以OLSE为损失函数的根据点拟合得到的结果。
损失函数最小绝对残差LAR ：
Figure 599237DEST_PATH_IMAGE017
其中，m是序列长度，
Figure 332838DEST_PATH_IMAGE018
即是当前项的残差，
Figure 148347DEST_PATH_IMAGE019
则是f（xi）在拟合中间过程中的估计值（过程值），和参数
Figure 954017DEST_PATH_IMAGE020
相关(参数仅和a、b相关，此处用θ表示)，同时用两种目标函数计算拟合结果。
参考图34，横轴为P3的压力大小，纵轴为PΔ的压力大小，图中给的线即为以LAR为损失函数的根据点拟合得到的结果。
步骤S2.2.5，选择搜索方法；
选用梯度下降Gradient Descent为搜索方法；
梯度，即是二次导数：
Figure 513174DEST_PATH_IMAGE021
根据梯度的反馈式：
Figure 101282DEST_PATH_IMAGE022
其中，θi 是第 i次迭代的时候的参数值，α是步长。
选用动态规划法Dynamic Programming作为LAR的搜索方法。
残差为ei，令
Figure 353271DEST_PATH_IMAGE023
那么要求的J(θ)的最小值即为
Figure 908886DEST_PATH_IMAGE024
，约束条件是
Figure 6155DEST_PATH_IMAGE025
。
步骤S2.2.6、搜索最优解；
将序列xi、yi和参数a、b以矩阵形式表达，分别对OLSE损失函数进行梯度下降搜索，初始参数值选用（-1，+1）间随机值。
自变量矩阵，其中xi即为p3序列中的值m为序列长度：
Figure 448769DEST_PATH_IMAGE026
因变量矩阵，其中yi 即为PΔ序列中的值m为序列长度：
Figure 606081DEST_PATH_IMAGE027
参数矩阵：
Figure 383413DEST_PATH_IMAGE028
将OLSE求梯度：
OLSE：
Figure 284373DEST_PATH_IMAGE029
根据梯度的反馈式不断迭代得到新的θi，直到梯度
Figure 847073DEST_PATH_IMAGE030
到达最小值（定义小于设定值0.00001即为最小值）：
Figure 175286DEST_PATH_IMAGE031
Figure 439914DEST_PATH_IMAGE032
步骤S2.2.7、优化曲线选择；
LAR会使得拟合更稳健能忽略更多异常值，选用自由度调整R平方Adjusted R-square优化曲线选择，简称校正
Figure 82248DEST_PATH_IMAGE033
。可以使用校正R来量化评价气压波动的大小，校正R越小，显示气压波动越大，校正R越接近1，气压变化越平稳。在气压波动大时选用LAR方法，气压波动小时选用OLSE方法得到的曲线。以实验调压器数据为例，设定判定气压波动大小的阈值为0.9。当校正R小于0.9时，认为气压波动较大，需要忽略更多的异常值选用LAR方法。m为序列长度，p为参数个数。
Figure 624088DEST_PATH_IMAGE034
是预测值，
Figure 998568DEST_PATH_IMAGE035
是均值。
Figure 625859DEST_PATH_IMAGE036
以实验调压器数据为例：
OLSE拟合得到的校正R约为0.95；
在LAR情况下校正R可以得到0.99；
当校正R低于阈值0.9时，选择使用LAR。阈值可根据不同型号工况调整。
步骤S2.3、基于多项式回归（线性回归）的正常工作模型构建和预测；
曲线拟合后，得到了输入输出训练样本值对应关系的函数参数，得到p3和PΔ的线性关系。
Figure 996185DEST_PATH_IMAGE037
，经由变换，能够得到对于传感器原生得到的两个特征值p2出口气压和p3指挥器气压之间的直接关系函数
Figure 658110DEST_PATH_IMAGE038
，从而得到调压器正常工作下的含参模型。输入测试用的p3 数据样本，经过线性回归linear regression能够得到预测曲线，此为正常工作预测曲线：
序列xi=p3(i)代入：
Figure 203492DEST_PATH_IMAGE039
得到预测序列：
Figure 318079DEST_PATH_IMAGE040
参考图25：实验调压器数据预测曲线线性回归图，其中上方第一条曲线是输入序列，即p3。下方较为平缓的是预测线，抖动比较明显的是传感器的采样值，即p2；图25中横坐标为采样的点数，采样的点数乘以采样周期就是具体的时间，纵坐标为气压大小。
步骤S2.4、基于回归分析预测曲线的故障判断与预警；
在得到正常工作模型后，输入实时数据样本得到预测值。设定偏差包容度和预警阈值。对预测值和传感器实际探测值做差，和设定的阈值比较可以在运行中较为快速的判断调压器是否存在故障，或者在长时间运行中是否会有一些特殊工况点出现。
参考图26：基于回归分析预测曲线的故障判断与预警流程图；
具体步骤为：
将p3序列输入对应的正常工作关系函数：
Figure 489166DEST_PATH_IMAGE041
得到预测序列
Figure 5598DEST_PATH_IMAGE042
。然后将
Figure 721881DEST_PATH_IMAGE043
和真实值序列p2做差，得到判定序列。设定偏差包容度为γ，出现为提示，情况持续出现超过报警长度m则报警。
判定序列数值<γ，则工作正常，（或者出现可控小波动）；
判定序列数值>γ，则进入等待计数，发出提示；
判断序列数值仍然>γ，且计数长度到达m发出警报；
可选的优化，设定严重问题阈值，当出现时便需要直接报警。
对于不同型号不同工况的偏差包容度γ 和报警长度m要进行对应调整或微调。
以实验调压器数据为例：
设定偏差包容度为γ=5，出现为提示，情况持续出现超过报警长度
Figure 58184DEST_PATH_IMAGE044
则报警。
判定序列数值<γ，则工作正常，（或者出现可控小波动）；
判定序列数值>γ，则进入等待计数，发出提示；
判断序列数值仍然>γ，且计数长度到达
Figure 767383DEST_PATH_IMAGE045
发出警报；
可选的优化，设定严重问题阈值
Figure 341584DEST_PATH_IMAGE046
，当出现时便需要直接报警。
参考图27，实验调压器数据预测判断示意图，分为上下两个部分的图。图27中上部分图的横坐标为采样的点数，点数乘上采样周期就是具体的时间；纵坐标为压力大小；包括两条曲线，一条是传感器探测值的曲线，一条是预测值的曲线；黑色圈表示出现偏差值较大的位置。
下部分图横坐标为采样的点数，点数乘上采样周期就是具体的时间；纵坐标为压力大小，表示的是预测值和实际值的差值，即判断序列。下图中标有包容度横线，下图中左侧圆中的值未超过包容度，判定为出现小波动，右侧的圆中值超过包容度，开始计数，计数值为色块处，为2不发出警报。
步骤S3、基于关系模型对调压器故障参数进行模拟，根据提取的模拟故障特征，构建调压器故障预测模型，并基于调压器故障预测模型对调压器进行故障预测诊断，得到故障类型，其具体步骤包括：
参考图28：基于曲线拟合回归分析的故障模型的建立流程图；
步骤S3.1、利用调压器故障成因分析成果对调压器故障相关参数进行模拟
使用趋势结合噪声的方法对调压器故障的相关参数进行模拟，得到不同故障下的p2和p3数据组。按照故障表现的趋势结合正常工作情况下的输入值进行模拟。选择几个较大的时间区间，取符合趋势的点。用两点法快速确定趋势线，并按照传感器采样频率生成离散点序列。对离散点序列加入高斯噪音，模拟真实情况。
步骤S 3.2、基于曲线拟合回归分析的故障模型的建立；
将输入的样本调整为故障时的特征值p2、p3、PΔ，对每一类故障参数建立模型，形成故障模型矩阵和故障模型库fault model library。
步骤S3.2.1、选择故障序列中关联度最高的参数序列；
将故障模拟得到的序列进行关联度筛选，在p2、p3、PΔ选择相对关联度最高的序列。
步骤S3.2.2、平滑滤波；
对各个序列进行平滑滤波，去除高斯噪音干扰，得到较为平滑的曲线
步骤S3.2.3、曲线拟合；
将平滑后的序列进行拟合，依据曲线特征确定拟合函数。对目标函数OLSE和LAR求梯度，输入初始值直到θ达到最小值。可以使用校正R来量化评价气压波动的大小，校正R越小，显示气压波动越大，校正R越接近1，气压变化越平稳。在气压波动大时选用LAR方法，气压波动小时选用OLSE方法得到的曲线。以实验调压器数据为例，设定判定气压波动大小的阈值为0.9。当校正R小于0.9时，认为气压波动较大，需要忽略更多的异常值选用LAR方法。
步骤S3.2.4、存储参数建立故障模型库；
对拟合函数进行变换，得到p2、p3直接对应的关系函数。将直接对应的关系函数的参数作为模型库的存储参数，将各个存储参数分类存储，按照归纳的故障大类小类归纳，多次相同情况拟合的同类曲线归于同一类。
步骤S3.2.5、故障模型库调用机制的建立；
对于各个大类下小类（具体类）的拟合参数，选择最具代表拟合参数。作为故障判断分类第一阶段的使用参数。选择方法如下：将同一具体类的各个参数的各个点进行算术平均Arithmetic mean，反映数据集中趋势。
Figure 353402DEST_PATH_IMAGE047
其中，n为参数数量，pi为第i个参数。
各个参数对算术平均参数做差，得到判断参数，计算方差和Sum of DeviationVar作为评价指标。参数小越具有参考性，选择方差和最小的参数组为代表拟合参数。
Figure 317947DEST_PATH_IMAGE048
σ2为方差，取方差和最小参数作为代表参数，
Figure 440624DEST_PATH_IMAGE049
为i个参数的算术平均值。
在故障判断分析的第二阶段，选择多组参数进行预测分析以包括多种情况可能，提高可信程度。
步骤S3.3、基于故障模型库的燃气阀故障多分类机；
在基于大量数据建立的故障模型库后，可以通过传感器监控调压器获得特征值，传入各个预测模型后得到最可信的结果表。将列出可能属于哪一种故障（或正常工作）的结果和具体概率的清单，从而实现对调压器故障的分析监测和具体哪一种故障的判断。
步骤S3.3.1、获得回归分析预测曲线簇；
使用正常曲线的参数并且从故障模型库中调用各种具体故障的曲线参数。输入一段时间的p3的采样值，代入p2、p3直接对应关系函数得到曲线簇。
参考图29，实验调压器数据线性簇回归分析图，包括上中下三个子图，三个子图的横坐标皆为采样的点数，点数乘上采样周期就是具体的时间；纵坐标皆为气压。子图29-1纵坐标为传感器得到的p2的气压大小，横坐标为采样的点数，点数乘上采样周期就是具体的时间；子图29-2纵坐标为输入序列的p3的气压大小，横坐标为采样的点数，点数乘上采样周期就是具体的时间；子图29-3纵坐标为传感器得到的气压大小p2与p3和各种情况下预测的气压大小，横坐标为采样的点数，点数乘上采样周期就是具体的时间，子图29-3中相对上方的线为p3，下方线簇为真实曲线和多种不同情况下的预测曲线。
步骤S3.3.2、卡方检验；
将各个曲线的值和传感器得到的真实值做差，得到判断序列簇，每个预测曲线对实际曲线进行卡方检验Chi-square test 计算可能性。
Figure 56282DEST_PATH_IMAGE050
其中，x 2为卡方值，T是预测曲线的值，A为真实曲线的值。
每个预测曲线都能得到一个卡方值，卡方值越小符合度越高。
步骤S3.3.3、输出可能性清单；
输出每个故障分类小类或正常状态的卡方值表，按升序排序，卡方值最小的可能性越高。
步骤S3.4、基于KNN神经网络的故障多分类机（快速预测报警）；
在使用基于大数据训练建立的故障模型库的故障多分类机的同时利用大量拟合前的数据，对数据进行分类。以特征值p2、p3、PΔ为坐标（维度为3），使用基于多数表决算法的K临近算法（k-Nearest Neighbor )KNN神经网络，直接略过归回分析完成多分类。基于KNN的多分类机的快速性较好，准确度相对较差适合对于时间要求较高的快速警报场合。
参考图30：基于KNN神经网络的故障多分类机实现流程图：
步骤S3.4.1、初始化训练集合和类别集合；
将各个大类的故障数据点标记为特定的故障，正常运行状态下的数据点标记为正常。
第
Figure 239002DEST_PATH_IMAGE051
类故障的数据点标记为ei，正常运行的数据点标记为n。对各个特征和需要判断的数据进行标准化Standardize。将数据缩放成均值为0，方差为1的新序列。
Figure 425264DEST_PATH_IMAGE052
其中，x为标准化前的数据值，
Figure 351631DEST_PATH_IMAGE053
为算术平均值，
Figure 824726DEST_PATH_IMAGE054
为标准差。
步骤3.4.2、计算欧式距离；
输入需要判断的数据点，计算和各个标记点的欧几里得距离：
Figure 178347DEST_PATH_IMAGE055
其中，ti为数据点第i个特征的值，ei为故障点第
Figure 851904DEST_PATH_IMAGE051
个特征的值。
d（t，e）即为需要判断的数据点t和故障数据标记点e的欧式距离，p是数据特征的个数，数据特征分别为以特征值P2出口气压，P3指挥器气压，和PΔ气压差，所以个数为3。
对输入数据的每个数据点都进行欧氏距离的计算，按照距离递增关系排序，每个数据点会得到一个欧式距离表单。
步骤3.4.3、选取K个邻近点并计算类别概率；
选择k个最邻近的点，即是欧式距离表单中递增排序的前k位，确定K值为10。提取每个k邻近点的标记种类，ei或者n。对每个点的距离加权，使得距离近的点获得更大的值，使用反比平方例Square Inverse方法加权，得到修正距离weight：
Figure 847542DEST_PATH_IMAGE056
c为可选可优的校正常数。
计算出现种类的点的类别数量，统计各个种类点出现概率。
步骤S3.4.4、多数表决规则确定分类；
使用多数表决规则，根据概率表中的最高概率项决定输入数据的数据点属于哪一类。
多数表决规则：
Figure 172213DEST_PATH_IMAGE057
其中，max j是指第j个最临近点的最大值，Nk(x)为关于x的K个最邻近点的集合，ci为为第i类。
参考图31，多数表决规则示意图，以实验调压器数据p2出口气压、p3指挥器气压两个维度作图为例；以p2出口气压，p3指挥器气压两个维度进行多数表决分类的例图。其中横轴为p2的值，纵轴为p3的值。实线圈表示为已经完成分类的点，靠近上方的圈为正常工作点簇，其中的点分类为正常。下方为某类故障点簇，其中的点分类为某类故障。三角形点代表一个需要分类点，虚线为选定的欧式距离的范围，箭头为待分类点的分类结果指向。
本发明还包括：
步骤S4、把步骤S1-S3得到的算法模型植入调压器故障预测终端，形成调压器故障预测系统，通过终端对调压器核心运行参数进行监测，然后把监测数据导入终端模型进行分析，实现对调压器故障预测的功能，其包括：
步骤S4.1、数据整理；
在PC端整理已经归档的燃气系统数据，进行数据清洗，筛选需要的数据，去除传感器初始化时间的不可靠序列。
步骤S4.2、算法验证和PC端训练测试；
在PC端使用Python语言编程，对算法进行快速验证。输入云平台存储的正常运行数据，拟合得到正常工况下的各个型号燃气调压器的模型，同时筛选有代表性的故障数据流，结合全种类故障数据模拟得到的数据流拟合建立故障模型库。将参数存储到数据库中以供后续调用。随机选择燃气调压器数据，对已经构建的模型进行测试评估，使用KNN和基于故障模型库的故障多分类机两种方法预测结果，将预测结果和真实结果对比，测试鲁棒性和准确性。
步骤S 4.3、嵌入式系统的移植；
使用C语言转写测试算法，将已经存储的故障模型库存入RAM以供片上系统调用。对于KNN，精简标定完成点，再用C语言转写。将C语言撰写的算法移植到嵌入式平台。数据流直接由传感器通过协议接入，经过判别后回传故障信息。
步骤S 4.4、FPGA的移植；
相对于低功耗嵌入式系统，FPGA的并行特点更能更加高速的完成多分类的任务。使用VHDL再次转写算法并移植，可优的，选择FPGA作为终端的芯片。
步骤S5、调压器故障预测终端可独立工作，也可通过通信网络把监测与预测数据传输到云平台；
调压器故障预测终端可直接接入SCADA系统，向用户呈现调压器监测数据和故障预测数据。也可以通过光纤、信号电缆等有线数据传输方式或者2/3/4/5G、NB、Lora、WiFi等无线传输方式把数据传输到云平台。
数据传输内容包括调压器运行数据、调压器故障预测数据、调压器故障预测终端的运行数据等。
步骤S6、云平台用于对调压器运行数据以及健康状况进行监测、预警、呈现、派单处置、处置追踪、结果审核、统计分析等。
调压器故障预测终端相关数据传输到云平台后，云平台应用系统可对调压器的运行数据和故障情况进行流程化管理，具体功能包括：
调压器运行数据呈现功能，在云平台应用系统中以图表的方式呈现调压器的运行参数；
调压器健康状况预警报警功能，当调压器故障预测终端预测到可能发生调压器故障时，云平台应用系统对用户进行预警报警，提醒用户了解预测信息，同时为用户提供确认功能；
检修处置派单功能，当用户确认预警报警数据后，云平台系统提供检修处置派单功能，就预警调压器派发检修工单给具体的检修人员进行预防性维修，从而避免调压器故障的发生；
检修追踪功能，检修人员可将检修过程信息上传到云平台系统中，方便管理人员对检修工单处置情况进行追踪和了解；
检修结果审核功能，检修人员完成检修工作后，管理人员可在云平台系统中对检修结果进行审核，确认检修工作已经完成；
数据统计分析功能，云平台系统提供数据统计分析功能对于调压器运行数据、故障预测数据、检修派单数据等进行统计分析。
步骤S7、同时云平台通过获得各个终端传输上来的大量数据，并与自身强大的算力对故障预测模型进行优化；
算法的实现分为两大部分：训练部分和故障分类预测部分。
训练部分需要较大量的数据积累和存储空间，将会被部署到云平台上。故障分类预测部分在云平台上部署，同时也会移植到嵌入式系统中，在版本升级迭代的时候更新最新的训练库。云平台会不停的记录传感器的数据，记录不同的故障数据并拟合不断充实更新故障模型库。同时在嵌入式系统算法端发生问题的时候，利用云平台的障分类预测部分也能及时回传问题。对老式的物联网燃气调压器没有嵌入算法的问题也能够利用云端障分类预测部分进行软升级。通过以下步骤，可以在长期的运行过程中进一步的优化障分类预测准确率。
步骤S7.1、累计数据完善模型库；
在长期运行中，传感器的值会不断地回传到云端，被搜集存储起来。每一个站点的运行工况，长期季节的运行情况调节都有不同。在长期的运行中，设定一个合适的小周期，在固定的周期内对传感器回传的数值进行回归，并打标签。
将原本单一的正常工作参数扩展为具体的带标签的正常工作参数，能够基于时间不同，场地不同，工况不同等各种运行调节切换对应更准确具体的正常工作参数。
同时，对于故障模型，在记录下真实故障的故障数据后，加入模拟数据库。真实的数据往往包含特定环境的成分，会比模拟的数据更加可靠。在累计足够多的真实数据后，降低故障模型中模拟数据的比例。
参考图32：累计数据完善模型库流程图；
步骤S7.2、曲线优化；
在拟合环节，选择含参解析式阶段，根据累计的更密集的数据选择参数更多更复杂更准确的解析式。可优化的，原本线性的曲线在尾端可能产生畸变，可以引入更高阶的变量来拟合非线性曲线。
步骤S 7.3、基于长时间的参数选择器；
在一年中，由于不同的季节时间不同，运行时候的模型参数和故障的模型参数也会有所不同。模型库中记录的模型参数和序列都有对应的标签，调用标签，并进行分类学习。使用基于Softmax 函数的BP神经网络来构造参数选择器，能够在多条件下选择对应的合适的参数。
步骤S8、云平台优化后的算法可通过通信网络对终端上的故障预测模型系统进行更新，从而提升预测的准确性；
在云平台上预先设置算法模型更新条件，更新条件包括固定时间周期、明显的预测率提升、平台管理员手动更新等。达到更新条件后云平台可将算法模型打包并通过光纤、信号电缆等有线数据传输方式或者2/3/4/5G、NB、Lora、WiFi等无线传输方式把数据下发到调压器故障预测终端，并对终端原有算法模型进行更新，从而持续提升预测的准确性。
步骤S9、以上描述的是本发明的主要形态，同时也可用其他形态来呈现，例如调压器监测数据直接上传到云平台进行分析预测等；
本发明的核心思路是从调压器内部工作原理着手，利用人工智能与物联网技术对于调压器的正常运行状态和故障状态进行分析，从而得到正常运行状态到故障状态的算法模型，根据算法模型对调压器的故障进行预测。同时本发明还设计了从调压器物联网传感数据监测到故障预测终端终端预测分析，再通过网络通信传输到云平台，云平台提供检修全流程信息化管理功能的同时对预测算法模型进行持续优化，把优化后的成果下发到终端并更新终端预测模型，从而实现调压器故障预测功能的快速应用，同时又能保证预测效果持续优化。
以上描述的是本发明的主要形态，同时也可用其他形态来呈现，例如调压器监测数据直接上传到云平台进行分析预测、监测终端连接本地计算机进行训练和预测等。
根据本申请的一个实施例，一种智能化燃气调压器故障预测系统，包括：
获取单元，用于获取调压器运行状态的状态参数，并根据调压器运行状态和状态参数之间的关联，选择确认核心状态参数；
模型构建单元，用于根据核心状态参数，构建调压器正常运行状态下的关系模型；
故障预测单元，用于基于关系模型对调压器故障参数进行模拟，根据提取的模拟故障特征，构建调压器故障预测模型，并基于调压器故障预测模型对调压器进行故障预测诊断，得到故障类型。
根据本申请的一个实施例，一种智能化燃气调压器故障预测终端，包括：处理器；用于存储处理器的执行指令的存储器，其中，处理器被配置为执行步骤S1-步骤S3的方法。
根据本申请的一个实施例，一种智能化燃气调压器故障预测的存储介质，用于存储计算机程序，计算机程序使得计算机执行如步骤S1-步骤S3的方法。
虽然结合附图对发明的具体实施方式进行了详细地描述，但不应理解为对本专利的保护范围的限定。在权利要求书所描述的范围内，本领域技术人员不经创造性劳动即可做出的各种修改和变形仍属本专利的保护范。

Claims (9)

1.一种基于人工智能的燃气调压设备故障预测方法，其特征在于，包括：
步骤S1、获取调压器运行状态的状态参数，并根据调压器运行状态和状态参数之间的关联，确认核心状态参数；
步骤S2、根据核心状态参数，构建调压器正常运行状态下的关系模型；
步骤S3、基于关系模型对调压器故障参数进行模拟，根据提取的模拟故障特征，构建调压器故障预测模型，并基于调压器故障预测模型对调压器进行故障预测诊断，得到故障类型。
2.根据权利要求1所述的基于人工智能的燃气调压设备故障预测方法，其特征在于：步骤S1中获取调压器运行状态的状态参数，并根据调压器运行状态和状态参数之间的关联，确认核心状态参数为调压器出口压力P2和调压器驱动压力P3。
3.根据权利要求2所述的基于人工智能的燃气调压设备故障预测方法，其特征在于，步骤S2中根据核心状态参数，构建调压器正常运行状态下的关系模型，包括：
步骤S2.1、采用散点图矩阵进行核心状态参数的特征值关联度筛选，并采用平滑滤波处理筛选后的关联度特征值数据；
步骤S2.2、对处理后的关联度特征值数据的输入输出训练样本组合进行曲线拟合，提取特征参数；
步骤S2.3、基于多项式回归，构建得到调压器正常工作下的含参模型和正常工作的预测曲线；
含参模型为：
Figure 930071DEST_PATH_IMAGE001
其中，a、b为参数；
正常工作的预测曲线为：
Figure 394551DEST_PATH_IMAGE002
其中，yi为经过平滑滤波后得到的序列，P3(i)为传感器得到的P3值序列，P2(i)为预测得到的P2值序列；
步骤S2.4、基于含参模型和预测曲线进行故障判断和预警。
4.根据权利要求3所述的基于人工智能的燃气调压设备故障预测方法，其特征在于，步骤S2.1中采用散点图矩阵进行核心状态参数的特征值关联度筛选，并采用平滑滤波处理筛选后的关联度特征值数据，包括：
采用移动平均滤波方法处理时间关联序列：
Figure 453643DEST_PATH_IMAGE003
其中，xi是输入的序列，n为输入的序列xi的序列长度，xi-n为第i-n个输入点，xi+n为第i+n个输入点。
5.根据权利要求4所述的基于人工智能的燃气调压设备故障预测方法，其特征在于，步骤S2.4中基于含参模型和预测曲线进行故障判断和预警，包括：
将P3的序列输入含参模型得到预测序列
Figure 509323DEST_PATH_IMAGE004
；
将预测序列
Figure 404598DEST_PATH_IMAGE005
和真实值 P2的序列做差，得到判定序列；
若判定序列数值<预设的偏差包容度γ时，则工作正常；
若判定序列数值>预设的偏差包容度γ时，则进入等待计数，发出提示；
若判定序列数值>预设的偏差包容度γ时，且计数长度到达m，则发出警报。
6.根据权利要求5所述的基于人工智能的燃气调压设备故障预测方法，其特征在于，步骤S3中基于关系模型对调压器故障参数进行模拟，根据提取的模拟故障特征，构建调压器故障预测模型，并基于调压器故障预测模型对调压器进行故障预测诊断，得到故障类型，包括：
步骤S3.1、采用趋势结合噪声的方法模拟调压器故障参数，得到不同故障下的调压器出口压力P2和调压器驱动压力 P3数据组；
步骤S3.2、基于曲线拟合，构建故障模型库；
步骤S3.3、将获取的调压器特征值输入故障模型库中的各个预测模型中，输出故障分类结果表和可能性清单；
步骤S3.4、基于KNN神经网络，进行数据分类和预测报警。
7.根据权利要求6所述的基于人工智能的燃气调压设备故障预测方法，其特征在于，步骤S3.2中基于曲线拟合，构建故障模型库，包括：
步骤S3.2.1、将故障模拟得到的序列进行关联度筛选；
步骤S3.2.2、对选择后的序列进行平滑滤波，去除高斯噪音，得到平滑的曲线和序列；
步骤S3.2.3、将平滑后的序列进行拟合，根据曲线特征确定拟合函数；
步骤S3.2.4、对拟合函数进行变换，得到P2、P3的关系函数，将P2、P3的关系函数的参数作为模型库的存储参数，并根据存储参数的分类存储，构建故障模型库。
8.根据权利要求7所述的基于人工智能的燃气调压设备故障预测方法，其特征在于，步骤S3.3中将获取的调压器特征值输入故障模型库中的各个预测模型中，输出故障分类结果表和可能性清单，包括：
步骤S3.3.1、使用调压器正常曲线的参数并且从故障模型库中调用各种具体故障的曲线参数，输入预设时间段内的P3的采样值，代入P2、P3的关系函数得到曲线簇；
步骤S3.3.2、将曲线簇的值和传感器得到的真实值做差，得到判断序列簇，每个预测曲线对实际曲线进行卡方检验：
Figure 938348DEST_PATH_IMAGE006
其中，x 2为卡方值，T是预测曲线的值，A为真实曲线的值；每个预测曲线得到一个卡方值，卡方值越小符合度越高；
步骤S3.3.3、输出每个故障分类小类或正常状态的卡方值表，按升序排序，卡方值最小的故障概率越高。
9.根据权利要求6所述的基于人工智能的燃气调压设备故障预测方法，其特征在于，S3.4中基于KNN神经网络，进行数据分类和快速的预测报警，包括：
步骤S3.4.1、初始化训练集合和类别集合，将各个大类的故障数据点标记为特定的故障，正常运行状态下的数据点标记为正常；
步骤S3.4.2、输入判断的数据点，计算和各个标记点的欧几里得距离：
Figure 117525DEST_PATH_IMAGE007
其中，ti为数据点第i个特征的值，ei为故障点第i个特征的值，d(t,e) 为数据点t和故障数据标记点e的欧式距离，p为数据特征的个数；
对输入数据的每个数据点分别进行欧氏距离的计算，按照距离递增关系排序，每个数据点得到一个欧式距离表单；
步骤S3.4.3、选择欧式距离表单中递增排序的前K位，K值为10，提取每个k邻近点的标记种类，对每个点的距离加权，使得距离近的点获得更大的值，采用反比平方例SquareInverse方法加权，得到修正距离weight：
Figure 812949DEST_PATH_IMAGE008
其中，c为校正常数；
并计算出现种类的点的类别数量，统计各个种类点出现概率；
步骤S3.4.4、使用多数表决规则，根据概率表中的最高概率项决定输入数据的数据点属于的类。
CN202110408543.7A 2021-04-16 2021-04-16 基于人工智能的燃气调压设备故障预测方法 Active CN112819107B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110408543.7A CN112819107B (zh) 2021-04-16 2021-04-16 基于人工智能的燃气调压设备故障预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110408543.7A CN112819107B (zh) 2021-04-16 2021-04-16 基于人工智能的燃气调压设备故障预测方法

Publications (2)

Publication Number Publication Date
CN112819107A true CN112819107A (zh) 2021-05-18
CN112819107B CN112819107B (zh) 2021-07-02

Family

ID=75863612

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110408543.7A Active CN112819107B (zh) 2021-04-16 2021-04-16 基于人工智能的燃气调压设备故障预测方法

Country Status (1)

Country Link
CN (1) CN112819107B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113503289A (zh) * 2021-07-29 2021-10-15 杭州力龙液压有限公司 一种液压马达故障检测方法、装置、系统及挖掘机
CN113570088A (zh) * 2021-09-27 2021-10-29 南通东信车厢制造有限公司 一种基于人工智能的机车配件检修方法及系统
CN114235108A (zh) * 2021-12-24 2022-03-25 华中科技大学无锡研究院 基于数据分析燃气流量计异常状态检测方法和装置
CN114279553A (zh) * 2021-11-18 2022-04-05 江阴长仪集团有限公司 一种智能量测开关的状态诊断方法及装置
CN114997539A (zh) * 2022-08-03 2022-09-02 上海叁零肆零科技有限公司 一种燃气压力调节器故障预测方法与系统

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050288825A1 (en) * 2004-07-08 2005-12-29 Tinsley Kenneth E Method and system for a mass flow controller with reduced pressure sensitivity
CN107463123A (zh) * 2017-05-08 2017-12-12 四川九门科技股份有限公司 一种传输方法、处理方法、输送设备及控制设备
CN108108665A (zh) * 2017-11-30 2018-06-01 北京市燃气集团有限责任公司 一种基于多变量的燃气调压器安全预警方法
CN108229547A (zh) * 2017-12-27 2018-06-29 东南大学 一种基于局部模型迁移学习的齿轮故障识别方法
CN108590868A (zh) * 2017-12-22 2018-09-28 中国第汽车股份有限公司 一种天然气发动机增压器控制系统的诊断方法和系统
CN109061341A (zh) * 2018-07-10 2018-12-21 杭州安脉盛智能技术有限公司 基于神经网络的卡尔曼滤波变压器故障预测方法和系统
CN110310006A (zh) * 2019-05-21 2019-10-08 北京市燃气集团有限责任公司 燃气调压器故障监测方法和装置
US20200013022A1 (en) * 2013-11-04 2020-01-09 Snap-On Incorporated Method and system for generating vehicle service content
CN111026075A (zh) * 2019-11-26 2020-04-17 上海电力大学 一种基于误差匹配的中低压燃气调压器故障检测方法
CN111191727A (zh) * 2019-12-31 2020-05-22 北京建筑大学 基于pso-kpca-lvq的燃气调压器故障诊断方法、系统、终端及计算机存储介质
CN111291783A (zh) * 2020-01-15 2020-06-16 北京市燃气集团有限责任公司 一种燃气调压设备的智能化故障诊断方法、系统、终端及存储介质
CN111368890A (zh) * 2020-02-26 2020-07-03 珠海格力电器股份有限公司 故障检测方法及装置、信息物理融合系统
CN111832617A (zh) * 2020-06-05 2020-10-27 上海交通大学 发动机冷态测试故障诊断方法
CN111967618A (zh) * 2019-05-20 2020-11-20 武汉剑心科技有限公司 一种基于深度学习的调压器在线诊断方法
CN112241924A (zh) * 2020-09-22 2021-01-19 四川九门科技股份有限公司 一种智慧燃气系统

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050288825A1 (en) * 2004-07-08 2005-12-29 Tinsley Kenneth E Method and system for a mass flow controller with reduced pressure sensitivity
US20200013022A1 (en) * 2013-11-04 2020-01-09 Snap-On Incorporated Method and system for generating vehicle service content
CN107463123A (zh) * 2017-05-08 2017-12-12 四川九门科技股份有限公司 一种传输方法、处理方法、输送设备及控制设备
CN108108665A (zh) * 2017-11-30 2018-06-01 北京市燃气集团有限责任公司 一种基于多变量的燃气调压器安全预警方法
CN108590868A (zh) * 2017-12-22 2018-09-28 中国第汽车股份有限公司 一种天然气发动机增压器控制系统的诊断方法和系统
CN108229547A (zh) * 2017-12-27 2018-06-29 东南大学 一种基于局部模型迁移学习的齿轮故障识别方法
CN109061341A (zh) * 2018-07-10 2018-12-21 杭州安脉盛智能技术有限公司 基于神经网络的卡尔曼滤波变压器故障预测方法和系统
CN111967618A (zh) * 2019-05-20 2020-11-20 武汉剑心科技有限公司 一种基于深度学习的调压器在线诊断方法
CN110310006A (zh) * 2019-05-21 2019-10-08 北京市燃气集团有限责任公司 燃气调压器故障监测方法和装置
CN111026075A (zh) * 2019-11-26 2020-04-17 上海电力大学 一种基于误差匹配的中低压燃气调压器故障检测方法
CN111191727A (zh) * 2019-12-31 2020-05-22 北京建筑大学 基于pso-kpca-lvq的燃气调压器故障诊断方法、系统、终端及计算机存储介质
CN111291783A (zh) * 2020-01-15 2020-06-16 北京市燃气集团有限责任公司 一种燃气调压设备的智能化故障诊断方法、系统、终端及存储介质
CN111368890A (zh) * 2020-02-26 2020-07-03 珠海格力电器股份有限公司 故障检测方法及装置、信息物理融合系统
CN111832617A (zh) * 2020-06-05 2020-10-27 上海交通大学 发动机冷态测试故障诊断方法
CN112241924A (zh) * 2020-09-22 2021-01-19 四川九门科技股份有限公司 一种智慧燃气系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
NACI ZAFER 等: "Stability of gas pressure regulators", 《APPLIED MATHEMATICAL MODELLING》 *
刘旭海: "高中压燃气调压器在线安全预警技术研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
闵行博: "高中压燃气调压器多变量预警系统优化与应用", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113503289A (zh) * 2021-07-29 2021-10-15 杭州力龙液压有限公司 一种液压马达故障检测方法、装置、系统及挖掘机
CN113570088A (zh) * 2021-09-27 2021-10-29 南通东信车厢制造有限公司 一种基于人工智能的机车配件检修方法及系统
CN113570088B (zh) * 2021-09-27 2021-11-30 南通东信车厢制造有限公司 一种基于人工智能的机车配件检修方法及系统
CN114279553A (zh) * 2021-11-18 2022-04-05 江阴长仪集团有限公司 一种智能量测开关的状态诊断方法及装置
CN114235108A (zh) * 2021-12-24 2022-03-25 华中科技大学无锡研究院 基于数据分析燃气流量计异常状态检测方法和装置
CN114235108B (zh) * 2021-12-24 2023-08-15 华中科技大学无锡研究院 基于数据分析燃气流量计异常状态检测方法和装置
CN114997539A (zh) * 2022-08-03 2022-09-02 上海叁零肆零科技有限公司 一种燃气压力调节器故障预测方法与系统
CN114997539B (zh) * 2022-08-03 2022-12-02 上海叁零肆零科技有限公司 一种燃气压力调节器故障预测方法与系统

Also Published As

Publication number Publication date
CN112819107B (zh) 2021-07-02

Similar Documents

Publication Publication Date Title
CN112819107B (zh) 基于人工智能的燃气调压设备故障预测方法
CN110929918B (zh) 一种基于CNN和LightGBM的10kV馈线故障预测方法
CN107578104B (zh) 一种中药生产过程知识系统
CN116757534B (zh) 一种基于神经训练网络的智能冰箱可靠性分析方法
CN111950585A (zh) 一种基于XGBoost的地下综合管廊安全状况评估方法
CN108027594A (zh) 用于检测配水系统中的异常的方法
CN110335168B (zh) 基于gru优化用电信息采集终端故障预测模型的方法及系统
CN110571792A (zh) 一种电网调控系统运行状态的分析评估方法及系统
CN111191727A (zh) 基于pso-kpca-lvq的燃气调压器故障诊断方法、系统、终端及计算机存储介质
CN112734128A (zh) 一种基于优化rbf的7日电力负荷峰值预测方法
CN111340269B (zh) 用于流程工业过程的实时优化方法
CN115561416A (zh) 污水处理厂进水水质实时检测方法和装置
CN117726240B (zh) 一种基于卷积神经网络的质量评价分类方法及系统
CN116448161A (zh) 一种基于人工智能的环境监测设备故障诊断方法
CN115358481A (zh) 一种企业外迁预警识别的方法、系统及装置
Liu et al. Research on the strategy of locating abnormal data in IOT management platform based on improved modified particle swarm optimization convolutional neural network algorithm
CN109829115B (zh) 搜索引擎关键词优化方法
CN112598050A (zh) 生态环境数据质量控制方法
CN115201394B (zh) 一种多组分变压器油色谱在线监测方法及相关装置
CN116542701A (zh) 一种基于cnn-lstm组合模型的碳价预测方法及系统
CN114970950A (zh) 风机故障报警方法、装置、存储介质及电子设备
CN113627585A (zh) 基于长短时记忆神经网络的单井指标预测方法、系统
CN116596703B (zh) 一种节电器及其智能控制方法
CN113570066B (zh) 数据处理方法、系统、电子设备及存储介质
CN115508511B (zh) 基于网格化设备全参数特征分析的传感器自适应校准方法

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
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Fault prediction method of gas pressure regulating equipment based on artificial intelligence

Effective date of registration: 20230109

Granted publication date: 20210702

Pledgee: Industrial Bank Limited by Share Ltd. Chengdu branch

Pledgor: SICHUAN NINEGATE TECHNOLOGY CO.,LTD.

Registration number: Y2023510000006

PE01 Entry into force of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Granted publication date: 20210702

Pledgee: Industrial Bank Limited by Share Ltd. Chengdu branch

Pledgor: SICHUAN NINEGATE TECHNOLOGY CO.,LTD.

Registration number: Y2023510000006

PC01 Cancellation of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Fault Prediction Method for Gas Pressure Regulating Equipment Based on Artificial Intelligence

Granted publication date: 20210702

Pledgee: Industrial Bank Limited by Share Ltd. Chengdu branch

Pledgor: SICHUAN NINEGATE TECHNOLOGY CO.,LTD.

Registration number: Y2024980004117

PE01 Entry into force of the registration of the contract for pledge of patent right