CN114741844A - 静设备腐蚀监控方法、装置、设备及存储介质 - Google Patents
静设备腐蚀监控方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114741844A CN114741844A CN202210244138.0A CN202210244138A CN114741844A CN 114741844 A CN114741844 A CN 114741844A CN 202210244138 A CN202210244138 A CN 202210244138A CN 114741844 A CN114741844 A CN 114741844A
- Authority
- CN
- China
- Prior art keywords
- corrosion
- data
- monitoring
- static equipment
- model
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明属于腐蚀监测技术领域,公开了一种静设备腐蚀监控方法、装置、设备及存储介质。该方法包括:获取静设备对应的腐蚀监控数据;对腐蚀监控数据进行预处理,得到原始数据;根据原始数据构建关联度分析模型;通过关联度分析模型确定与故障特征关联度最大的目标参数;根据目标参数构建性能退化曲线;根据性能退化曲线确定静设备对应的腐蚀状态。通过上述方式,通过静设备的腐蚀监控数据实时、在线分析静设备腐蚀状态,以便提示相关人员采取相应防腐措施,减少人工检测工作量,利用关联度高的数据监控静设备的腐蚀状态,提高了腐蚀预测准确率。
Description
技术领域
本发明涉及腐蚀监测技术领域,尤其涉及一种静设备腐蚀监控方法、装置、设备及存储介质。
背景技术
目前,工业行业静设备腐蚀是影响企业安全生产的核心因素之一,主要表现在:
1)石油化工行业化工装置的塔低温部位腐蚀、有机氯腐蚀、加氢反应流出物系统NH4Cl垢下腐蚀;
2)工业静设备高温部位硫腐蚀和环烷酸的腐蚀;
3)管道保温层下腐蚀,尤其是沿海炼厂大气盐雾腐蚀、轻质油储罐腐蚀、埋地管网的腐蚀等。
传统腐蚀监测技术有离线监测与在线监测两种方式。离线监测主要是在设备停机检修期间,对设备进行腐蚀检查,同时安装或取出腐蚀挂片进行检测以达到监测的目的,存在监测范围小、时间滞后等弊端。在线监测是指在设备运行过程中对设备的腐蚀状态进行监测,目的是在不影响设备正常运行的情况下,及时了解设备的腐蚀程度,揭示腐蚀过程,掌握腐蚀控制效果。而尽管有基于在线监测的大数据分析方法,但仍然存在缺陷,比如数据选择多依赖已有数据,会缺失一些关联度比较高的数据;会将一些关联度比较低甚至无关的数据纳入大数据模型,提高计算量,降低计算效率和大数据模型的预测准确率。总之,现有的监测手段难以迅速、准确地判断设备的腐蚀状态和存在的隐患,以便制订出科学、严谨的腐蚀控制方案。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种静设备腐蚀监控方法、装置、设备及存储介质,旨在解决现有的监测手段难以迅速、准确地判断设备的腐蚀状态和存在的隐患的技术问题。
为实现上述目的,本发明提供了一种静设备腐蚀监控方法,所述方法包括以下步骤:
获取静设备对应的腐蚀监控数据;
对所述腐蚀监控数据进行预处理,得到原始数据;
根据所述原始数据构建关联度分析模型;
通过所述关联度分析模型确定与故障特征关联度最大的目标参数;
根据所述目标参数构建性能退化曲线;
根据所述性能退化曲线确定所述静设备对应的腐蚀状态。
可选地,所述对所述腐蚀监控数据进行预处理,得到原始数据,包括:
按照预设规则对所述腐蚀监控数据进行数据清洗,得到目标腐蚀监控数据;
对所述目标腐蚀监控数据进行缺失值识别和异常值识别,并对识别到的缺失值和/或异常值进行差值替换,得到原始数据。
可选地,所述根据所述原始数据构建关联度分析模型,包括:
根据所述原始数据确定各变量之间的关联度,按照关联度由大到小对所述变量进行排序,得到排序结果,其中,所述关联度包括:腐蚀面积关联度、腐蚀相对速率关联度和腐蚀斜率关联度;
根据所述排序结果选取关联度最大的前M个目标变量;
根据M个所述目标变量建立GM(1,N)模型,并根据所述GM(1,N)模型计算初始拟合值与实测值之间的初始相对极差;
按照所述排序结果对应的顺序将下一变量添加至所述GM(1,N)模型,并根据添加变量后的GM(1,N)模型计算当前拟合值与实测值之间的当前相对极差;
判断所述当前相对极差是否大于所述初始相对极差;
若否,则返回执行所述按照所述排序结果对应的顺序将下一变量添加至所述GM(1,N)模型的步骤,直到根据添加变量后的GM(1,N)模型确定的相对极差大于所述初始相对极差或全部变量添加至GM(1,N)模型;
将最终得到的GM(1,N)模型作为构建好的关联度分析模型。
可选地,所述将最终得到的GM(1,N)模型作为构建好的关联度分析模型,包括:
根据最终得到的GM(1,N)模型计算对应的目标拟合值;
根据所述目标拟合值和实测值确定绝对误差和相对误差,并计算后验差和小误差概率;
根据所述绝对误差、所述相对误差、所述后验差以及所述小误差概率进行模型评价,得到评价结果;
在所述评价结果为模型评价通过时,将所述最终得到的GM(1,N)模型作为构建好的关联度分析模型。
可选地,所述根据所述性能退化曲线确定所述静设备对应的腐蚀状态,包括:
从所述性能退化曲线上取若干个样本点;
分别确定各个所述样本点对应的导数值;
将所述导数值与正常状态参考值进行比对,得到比对结果;
根据所述比对结果确定所述静设备对应的腐蚀状态。
可选地,所述根据所述原始数据构建关联度分析模型之后,所述方法还包括:
在获取到旋转机械工况下的设备监控数据时,根据所述关联度分析模型筛选旋转机械工况对应的故障敏感特征参数;
将所述故障敏感特征参数作为重点监控参数;
根据所述重点监控参数对旋转机械工况下设备对应的腐蚀状态进行监控。
可选地,所述腐蚀监控数据包括腐蚀相关数据和监测数据,其中,所述腐蚀相关数据至少包括静设备所在环境对应的气候数据、地质数据、介质腐蚀性元素含量以及静设备构造基础数据,所述监测数据至少包括实测腐蚀速率、测厚数据以及在线探针数据。
此外,为实现上述目的,本发明还提出一种静设备腐蚀监控装置,所述静设备腐蚀监控装置包括:
获取模块,用于获取静设备对应的腐蚀监控数据;
预处理模块,用于对所述腐蚀监控数据进行预处理,得到原始数据;
模型构建模块,用于根据所述原始数据构建关联度分析模型;
提取模块,用于通过所述关联度分析模型确定与故障特征关联度最大的目标参数;
曲线构建模块,用于根据所述目标参数构建性能退化曲线;
分析模块,用于根据所述性能退化曲线确定所述静设备对应的腐蚀状态。
此外,为实现上述目的,本发明还提出一种静设备腐蚀监控设备,所述静设备腐蚀监控设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的静设备腐蚀监控程序,所述静设备腐蚀监控程序配置为实现如上文所述的静设备腐蚀监控方法。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有静设备腐蚀监控程序,所述静设备腐蚀监控程序被处理器执行时实现如上文所述的静设备腐蚀监控方法。
本发明通过获取静设备对应的腐蚀监控数据;对腐蚀监控数据进行预处理,得到原始数据;根据原始数据构建关联度分析模型;通过关联度分析模型确定与故障特征关联度最大的目标参数;根据目标参数构建性能退化曲线;根据性能退化曲线确定静设备对应的腐蚀状态。通过上述方式,通过静设备的腐蚀监控数据实时、在线分析静设备腐蚀状态,以便提示相关人员采取相应防腐措施,减少人工检测工作量,利用关联度高的数据监控静设备的腐蚀状态,提高了腐蚀预测准确率,实现了迅速、准确地判断设备的腐蚀状态和存在的隐患。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的静设备腐蚀监控设备的结构示意图;
图2为本发明静设备腐蚀监控方法第一实施例的流程示意图;
图3为本发明静设备腐蚀监控方法一实施例的关联度分析模型构建流程示意图;
图4为本发明静设备腐蚀监控方法一实施例的静设备性能退化趋势模型示意图;
图5为本发明静设备腐蚀监控方法第二实施例的流程示意图;
图6为本发明静设备腐蚀监控方法一实施例的数据清洗治理示意图;
图7为本发明静设备腐蚀监控方法一实施例的数据插值分析示意图;
图8为本发明静设备腐蚀监控装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的静设备腐蚀监控设备结构示意图。
如图1所示,该静设备腐蚀监控设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘 (Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM),也可以是稳定的非易失性存储器 (Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对静设备腐蚀监控设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及静设备腐蚀监控程序。
在图1所示的静设备腐蚀监控设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明静设备腐蚀监控设备中的处理器1001、存储器1005可以设置在静设备腐蚀监控设备中,所述静设备腐蚀监控设备通过处理器1001调用存储器1005中存储的静设备腐蚀监控程序,并执行本发明实施例提供的静设备腐蚀监控方法。
本发明实施例提供了一种静设备腐蚀监控方法,参照图2,图2为本发明静设备腐蚀监控方法第一实施例的流程示意图。
本实施例中,所述静设备腐蚀监控方法包括以下步骤:
步骤S10:获取静设备对应的腐蚀监控数据。
可以理解的是,本实施例的执行主体为静设备腐蚀监控设备,所述静设备腐蚀监控设备可以为计算机、服务器等设备,还可以为其他具备大数据分析功能的设备,本实施例对此不加以限制。
需要说明的是,提前基于采集设备以及物联网技术采集静设备对应的腐蚀监控数据,并将采集到的数据输入至静设备腐蚀监控设备。具体地,所述腐蚀监控数据包括腐蚀相关数据和监测数据,其中,所述腐蚀相关数据至少包括静设备所在环境对应的气候数据、地质数据、介质腐蚀性元素含量以及静设备构造基础数据,所述监测数据至少包括实测腐蚀速率、测厚数据以及在线探针数据。
应当理解的是,气候数据例如降雨量、气温分布等等,地质数据例如地质构造、土壤电阻率等等,静设备构造基础数据例如罐基础结构、材质、壁厚及容积等等,本实施例中利用离线监测和在线监测全方面采集腐蚀相关的监控数据,为静设备腐蚀监控提供数据支持。
步骤S20:对所述腐蚀监控数据进行预处理,得到原始数据。
需要说明的是,本实施例中对腐蚀监控数据进行预处理的目的为:选择需要分析的指标、提升数据质量、提高数据利用率,从而提高腐蚀预测的准确率。具体地,预处理过程包括数据清理治理以及特征数据处理,首先按照预设规则选择需要分析的指标,利用特征数据处理构建能够反应指标变化趋势的特征。
步骤S30:根据所述原始数据构建关联度分析模型。
应当理解的是,腐蚀数据关联度是表征一个腐蚀定点数据关联程度的量度,本实施例根据腐蚀监测面积关联度、相对速率关联度和斜率关联度等进行计算,根据腐蚀点位影响因素与影响因素之间的关联度,逐步选取显著变量来建关联度分析模型,通过检验拟合效果即可建立较优的关联度分析模型。具体地,关联度分析模型为GM(1,N)模型。
具体地,所述步骤S30,包括:根据所述原始数据确定各变量之间的关联度,按照关联度由大到小对所述变量进行排序,得到排序结果,其中,所述关联度包括:腐蚀面积关联度、腐蚀相对速率关联度和腐蚀斜率关联度;根据所述排序结果选取关联度最大的前M个目标变量;根据M个所述目标变量建立GM(1,N)模型,并根据所述GM(1,N)模型计算初始拟合值与实测值之间的初始相对极差;按照所述排序结果对应的顺序将下一变量添加至所述 GM(1,N)模型,并根据添加变量后的GM(1,N)模型计算当前拟合值与实测值之间的当前相对极差;判断所述当前相对极差是否大于所述初始相对极差;若否,则返回执行所述按照所述排序结果对应的顺序将下一变量添加至所述 GM(1,N)模型的步骤,直到根据添加变量后的GM(1,N)模型确定的相对极差大于所述初始相对极差或全部变量添加至GM(1,N)模型;将最终得到的GM(1,N) 模型作为构建好的关联度分析模型。
需要说明的是,M为提前设置的固定数据,M≥2。可选的,在根据腐蚀面积关联度、腐蚀相对速率关联度和腐蚀斜率关联度三个角度计算关联度后,取平均值作为变量之间的关联度。按照关联度由大到小进行排序,逐步选取显著变量来建关联度分析模型,具体地,按照关联度排序结果的顺序依次添加变量,并计算模型参数,将相对极差大于初始相对极差以及变量全部加入模型作为迭代停止条件,基于构建的特征,迭代生成能够反应指标变化趋势的模型,最终得到构建好的关联度分析模型。
应当理解的是,以下结合公式对模型建立过程进行说明:
原始数据有n个变量,m个队列,表示为:
对原始数据做一次累加(记为1-AGO),生成序列:
建立腐蚀数据关联度分析模型:
设Y(t)为效应量,Xi(t)为因变量,根据以下公式计算Y(t)与Xi(t)在t时刻的灰色斜率关联系数:
求解关联度并排列关联度顺序:
按照计算的关联度的大小,即可排列因素间关联度的顺序,进而实现对显著变量的选择。
进一步地,为了保证关联度分析模型的质量,本实施例中通过上述方式确定GM(1,N)模型后对模型进行评价,将评价通过的模型作为构建好的关联度分析模型,所述将最终得到的GM(1,N)模型作为构建好的关联度分析模型,包括:根据最终得到的GM(1,N)模型计算对应的目标拟合值;根据所述目标拟合值和实测值确定绝对误差和相对误差,并计算后验差和小误差概率;根据所述绝对误差、所述相对误差、所述后验差以及所述小误差概率进行模型评价,得到评价结果;在所述评价结果为模型评价通过时,将所述最终得到的GM(1,N)模型作为构建好的关联度分析模型。
应当理解的是,本实施例利用误差检验和后验差检验方式对模型进行评价,可选地,在误差检验通过以及后验差检验通过后确定评价结果为模型评价通过。具体地,设置绝对误差阈值和相对误差阈值,将绝对误差和相对误差分别与绝对误差阈值和相对误差阈值进行比对,确定误差检验结果。根据后验差和小误差概率与各预测精度等级进行比对,确定后验差检测结果,预测精度等级如下:等级“好”对应的后验差比值大于0.95、小误差概率小于 0.35;等级“合格”对应的后验差比值大于0.8、小误差概率小于0.45;等级“勉强合格”对应的后验差比值大于0.7、小误差概率小于0.5;等级“不合格”对应的后验差比值小于或等于0.7、小误差概率大于或等于0.65。本实施例中当后验差检测结果为“好”或“合格”时,确定后验差检验通过。
需要说明的是,参照图3,图3为本发明静设备腐蚀监控方法一实施例的关联度分析模型构建流程示意图。对输入的原始数据进行处理,求因变量与各自变量的关联度,并将各关联度从大到小排序,取前3个较大关联度的自变量及因变量,建立GM(1,N)模型,计算模型参数:计算拟合值与实测值之间的相对误差的极差P1;将对应于下一关联度的自变量加入模型,计算模型参数:计算相对误差的极差P2,判断以下条件是否满足:P1<P2或自变量全部加入模型,若满足,则根据最终得到的模型计算拟合值、绝对误差、相对误差后验差和小误差概率,评价模型优劣;若不满足,则继续添加变量至模型,直到满足条件。最终得到构建好的关联度分析模型。
进一步地,所述步骤S30之后,所述方法还包括:在获取到旋转机械工况下的设备监控数据时,根据所述关联度分析模型筛选旋转机械工况对应的故障敏感特征参数;将所述故障敏感特征参数作为重点监控参数;根据所述重点监控参数对旋转机械工况下设备对应的腐蚀状态进行监控。
应当理解的是,本实施例中基于构建好的关联度分析模型,针对具体旋转机械及其工况,筛选故障敏感特征参数,确定工程应用模型及参数。可选地,根据重点监控参数构建旋转机械及其工况下设备对应的性能退化曲线,依据性能退化曲线进行预警,在另一方面,确定重点监控参数为检修人员提供重点监控依据,保证了检修人员能通过采集故障敏感特征参数确定旋转机械及其工况下设备的腐蚀状态。
步骤S40:通过所述关联度分析模型确定与故障特征关联度最大的目标参数。
需要说明的是,根据关联度分析模型,基于当前和历史的振动监测数据提取故障特征关联度最大的目标参数。
步骤S50:根据所述目标参数构建性能退化曲线。
需要说明的是,基于故障特征关联度最大的目标参数绘制性能退化曲线,在具体实现中,对性能退化曲线进行趋势滤波,得到处理后的性能退化曲线,根据处理后的性能退化曲线进行静设备腐蚀状态监控。
步骤S60:根据所述性能退化曲线确定所述静设备对应的腐蚀状态。
应当理解的是,性能退化曲线中包含当前时刻以前的历史数据以及模型预测的趋势数据,利用性能退化曲线可以分析静设备的寿命,便于相关人员掌握静设备的故障情况。
参照图4,图4为本发明静设备腐蚀监控方法一实施例的静设备性能退化趋势模型示意图,将历史数据(即设备正常状态振动监测数据)和实时振动监测数据作为输入,基于关联度分析模型提取故障特征关联度最大的目标参数(1,2,…N),根据目标参数绘制性能退化曲线并基于预先设定的平滑系数进行趋势滤波,针对性能退化曲线上的特征点进行求导,将导数值与参考点导数值进行比对,当满足一定条件时,判断该特征点为早起故障点,根据该特征点对应的时间进行早起故障预警信息输出。
具体地,所述步骤S60,包括:从所述性能退化曲线上取若干个样本点;分别确定各个所述样本点对应的导数值;将所述导数值与正常状态参考值进行比对,得到比对结果;根据所述比对结果确定所述静设备对应的腐蚀状态。
需要说明的是,提前设置采样点的采集间隔,以当前时刻为起始点按照采集间隔选取若干个样本点。可选地,正常状态参考值的确定方式为:从性能退化曲线中当前时刻以前的曲线上随机选择一个参考点(当前时刻以前设备处于正常状态),求取该参考点对应的导数值作为正常状态参考值。在另一种实现方式中,从性能退化曲线中当前时刻以前的曲线上随机选择多个参考点,求取多个参考点对应的导数值的平均值作为正常状态参考值。在具体实现中,假设正常状态参考值为各样本点对应的导数值为ki(i=1,2,…,n), n为样本点总数量,当时,确定该样本点对应的时刻,设备处于正常运行状态;当时,确定该样本点对应的时刻,设备偏离正常状态或发生早期故障,其中,m为早期故障报警限的调整参数。
一方面,本实施例可以将当前时刻采集到的数据与历史正常状态对应的参数进行比对,自动诊断评估静设备腐蚀状态、提供腐蚀趋势图。另一方面,本实施例可以根据静设备腐蚀趋势,结合设备运行状态、检维修状态,评估设备剩余寿命。另一方面,本实施例可以分析检修时机,根据故障情况优化检验周期,提高检验效率与质量,在保障安全的前提下节省检维修费用。
本实施例通过获取静设备对应的腐蚀监控数据;对腐蚀监控数据进行预处理,得到原始数据;根据原始数据构建关联度分析模型;通过关联度分析模型确定与故障特征关联度最大的目标参数;根据目标参数构建性能退化曲线;根据性能退化曲线确定静设备对应的腐蚀状态。通过上述方式,通过静设备的腐蚀监控数据实时、在线分析静设备腐蚀状态,以便提示相关人员采取相应防腐措施,减少人工检测工作量,利用关联度高的数据监控静设备的腐蚀状态,提高了腐蚀预测准确率,实现了迅速、准确地判断设备的腐蚀状态和存在的隐患。
参考图5,图5为本发明静设备腐蚀监控方法第二实施例的流程示意图。
基于上述第一实施例,本实施例静设备腐蚀监控方法的所述步骤S20,包括:
步骤S201:按照预设规则对所述腐蚀监控数据进行数据清洗,得到目标腐蚀监控数据。
可以理解的是,本实施例的预设规则为:及时性、准确性、完整性、标准性和唯一性。具体地,将静设备数据按照质控规则进行数据处理,通过数据质量探查判断字段值是否符合相关规则,对于有问题的数据利用预先制定好数据清洗规则对数据进行清洗转换处理。问题处理可以有多种动作,包括纠正问题、标注问题及等级、忽略问题等。参照图6,图6为本发明静设备腐蚀监控方法一实施例的数据清洗治理示意图,设置数据治理面板,通过人工干预反补规则,利用规则对采集得到的监测数据进行数据清洗,使得数据结构符合相关规则:及时性、准确性、完整性、标准性和唯一性。
步骤S202:对所述目标腐蚀监控数据进行缺失值识别和异常值识别,并对识别到的缺失值和/或异常值进行差值替换,得到原始数据。
应当理解的是,本实施例中首先按照预设规则选择需要分析的指标,利用缺失值识别和异常值识别构建能够反应指标变化趋势的特征,以提高指标的质量,为后续分析提供高质量的数据。参照图7,图7为本发明静设备腐蚀监控方法一实施例的数据插值分析示意图;图中展示了某个特征数据的采样情况,由于采样时间间隔不均匀,导致在部分时间点样本点缺失,针对这种情况本实施例采用插值的方法进行处理,对数据进行插值之后可以获得如图所示的插值曲线,由插值曲线可以获得采样时间间隔一致的数据。对于异常值,首先进行异常值的检测,在检测到异常值后,采用与缺失值相同的插值方法对异常值进行插值替换。可选地,利用数理统计的方法分析指标的分布规律,根据分布规律对异常值进行检测。
需要说明的是,静设备对应的监控数据多为离散数据,存在大量数据孤岛,且数据利用率低、遗失率高,缺乏数据挖掘与利用,数据效能基本为零。本实施例中通过开展数据融合,整合静设备设计/建造、检验检测监测、运行与采样等数据,建立静设备腐蚀数据库,通过对腐蚀监控数据进行数据清洗以及特征数据处理,为腐蚀过程的控制和监测提供了更加可靠的数据支撑,提升静设备管理水平,让数据更好地为生产服务。
本实施例通过获取静设备对应的腐蚀监控数据;按照预设规则对腐蚀监控数据进行数据清洗,得到目标腐蚀监控数据;对目标腐蚀监控数据进行缺失值识别和异常值识别,并对识别到的缺失值和/或异常值进行差值替换,得到原始数据;根据原始数据构建关联度分析模型;通过关联度分析模型确定与故障特征关联度最大的目标参数;根据目标参数构建性能退化曲线;根据性能退化曲线确定静设备对应的腐蚀状态。通过上述方式,对腐蚀监控数据进行数据清洗、缺失值和异常值处理,提升了数据质量,为腐蚀过程的控制和监测提供了更加可靠的数据支撑,进一步提高了腐蚀预测准确率。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有静设备腐蚀监控程序,所述静设备腐蚀监控程序被处理器执行时实现如上文所述的静设备腐蚀监控方法。
由于本存储介质采用了上述所有实施例的全部技术方案,因此至少具有上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
参照图8,图8为本发明静设备腐蚀监控装置第一实施例的结构框图。
如图8所示,本发明实施例提出的静设备腐蚀监控装置包括:
获取模块10,用于获取静设备对应的腐蚀监控数据。
预处理模块20,用于对所述腐蚀监控数据进行预处理,得到原始数据。
模型构建模块30,用于根据所述原始数据构建关联度分析模型。
提取模块40,用于通过所述关联度分析模型确定与故障特征关联度最大的目标参数。
曲线构建模块50,用于根据所述目标参数构建性能退化曲线。
分析模块60,用于根据所述性能退化曲线确定所述静设备对应的腐蚀状态。
应当理解的是,以上仅为举例说明,对本发明的技术方案并不构成任何限定,在具体应用中,本领域的技术人员可以根据需要进行设置,本发明对此不做限制。
本实施例通过获取静设备对应的腐蚀监控数据;对腐蚀监控数据进行预处理,得到原始数据;根据原始数据构建关联度分析模型;通过关联度分析模型确定与故障特征关联度最大的目标参数;根据目标参数构建性能退化曲线;根据性能退化曲线确定静设备对应的腐蚀状态。通过上述方式,通过静设备的腐蚀监控数据实时、在线分析静设备腐蚀状态,以便提示相关人员采取相应防腐措施,减少人工检测工作量,利用关联度高的数据监控静设备的腐蚀状态,提高了腐蚀预测准确率,实现了迅速、准确地判断设备的腐蚀状态和存在的隐患。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的静设备腐蚀监控方法,此处不再赘述。
在一实施例中,所述预处理模块20,还用于按照预设规则对所述腐蚀监控数据进行数据清洗,得到目标腐蚀监控数据,对所述目标腐蚀监控数据进行缺失值识别和异常值识别,并对识别到的缺失值和/或异常值进行差值替换,得到原始数据。
在一实施例中,所述模型构建模块30,还用于根据所述原始数据确定各变量之间的关联度,按照关联度由大到小对所述变量进行排序,得到排序结果,其中,所述关联度包括:腐蚀面积关联度、腐蚀相对速率关联度和腐蚀斜率关联度,根据所述排序结果选取关联度最大的前M个目标变量,根据M 个所述目标变量建立GM(1,N)模型,并根据所述GM(1,N)模型计算初始拟合值与实测值之间的初始相对极差,按照所述排序结果对应的顺序将下一变量添加至所述GM(1,N)模型,并根据添加变量后的GM(1,N)模型计算当前拟合值与实测值之间的当前相对极差,判断所述当前相对极差是否大于所述初始相对极差,若否,则返回执行所述按照所述排序结果对应的顺序将下一变量添加至所述GM(1,N)模型的步骤,直到根据添加变量后的GM(1,N)模型确定的相对极差大于所述初始相对极差或全部变量添加至GM(1,N)模型,将最终得到的GM(1,N)模型作为构建好的关联度分析模型。
在一实施例中,所述模型构建模块30,还用于根据最终得到的GM(1,N) 模型计算对应的目标拟合值,根据所述目标拟合值和实测值确定绝对误差和相对误差,并计算后验差和小误差概率,根据所述绝对误差、所述相对误差、所述后验差以及所述小误差概率进行模型评价,得到评价结果,在所述评价结果为模型评价通过时,将所述最终得到的GM(1,N)模型作为构建好的关联度分析模型。
在一实施例中,所述分析模块60,还用于从所述性能退化曲线上取若干个样本点,分别确定各个所述样本点对应的导数值,将所述导数值与正常状态参考值进行比对,得到比对结果,根据所述比对结果确定所述静设备对应的腐蚀状态。
在一实施例中,所述静设备腐蚀监控装置还包括旋转工况监控模块;
所述旋转工况监控模块,用于在获取到旋转机械工况下的设备监控数据时,根据所述关联度分析模型筛选旋转机械工况对应的故障敏感特征参数,将所述故障敏感特征参数作为重点监控参数,根据所述重点监控参数对旋转机械工况下设备对应的腐蚀状态进行监控。
在一实施例中,所述腐蚀监控数据包括腐蚀相关数据和监测数据,其中,所述腐蚀相关数据至少包括静设备所在环境对应的气候数据、地质数据、介质腐蚀性元素含量以及静设备构造基础数据,所述监测数据至少包括实测腐蚀速率、测厚数据以及在线探针数据。
此外,需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory,ROM)/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种静设备腐蚀监控方法,其特征在于,所述静设备腐蚀监控方法包括:
获取静设备对应的腐蚀监控数据;
对所述腐蚀监控数据进行预处理,得到原始数据;
根据所述原始数据构建关联度分析模型;
通过所述关联度分析模型确定与故障特征关联度最大的目标参数;
根据所述目标参数构建性能退化曲线;
根据所述性能退化曲线确定所述静设备对应的腐蚀状态。
2.如权利要求1所述的静设备腐蚀监控方法,其特征在于,所述对所述腐蚀监控数据进行预处理,得到原始数据,包括:
按照预设规则对所述腐蚀监控数据进行数据清洗,得到目标腐蚀监控数据;
对所述目标腐蚀监控数据进行缺失值识别和异常值识别,并对识别到的缺失值和/或异常值进行差值替换,得到原始数据。
3.如权利要求1所述的静设备腐蚀监控方法,其特征在于,所述根据所述原始数据构建关联度分析模型,包括:
根据所述原始数据确定各变量之间的关联度,按照关联度由大到小对所述变量进行排序,得到排序结果,其中,所述关联度包括:腐蚀面积关联度、腐蚀相对速率关联度和腐蚀斜率关联度;
根据所述排序结果选取关联度最大的前M个目标变量;
根据M个所述目标变量建立GM(1,N)模型,并根据所述GM(1,N)模型计算初始拟合值与实测值之间的初始相对极差;
按照所述排序结果对应的顺序将下一变量添加至所述GM(1,N)模型,并根据添加变量后的GM(1,N)模型计算当前拟合值与实测值之间的当前相对极差;
判断所述当前相对极差是否大于所述初始相对极差;
若否,则返回执行所述按照所述排序结果对应的顺序将下一变量添加至所述GM(1,N)模型的步骤,直到根据添加变量后的GM(1,N)模型确定的相对极差大于所述初始相对极差或全部变量添加至GM(1,N)模型;
将最终得到的GM(1,N)模型作为构建好的关联度分析模型。
4.如权利要求3所述的静设备腐蚀监控方法,其特征在于,所述将最终得到的GM(1,N)模型作为构建好的关联度分析模型,包括:
根据最终得到的GM(1,N)模型计算对应的目标拟合值;
根据所述目标拟合值和实测值确定绝对误差和相对误差,并计算后验差和小误差概率;
根据所述绝对误差、所述相对误差、所述后验差以及所述小误差概率进行模型评价,得到评价结果;
在所述评价结果为模型评价通过时,将所述最终得到的GM(1,N)模型作为构建好的关联度分析模型。
5.如权利要求1所述的静设备腐蚀监控方法,其特征在于,所述根据所述性能退化曲线确定所述静设备对应的腐蚀状态,包括:
从所述性能退化曲线上取若干个样本点;
分别确定各个所述样本点对应的导数值;
将所述导数值与正常状态参考值进行比对,得到比对结果;
根据所述比对结果确定所述静设备对应的腐蚀状态。
6.如权利要求1所述的静设备腐蚀监控方法,其特征在于,所述根据所述原始数据构建关联度分析模型之后,所述方法还包括:
在获取到旋转机械工况下的设备监控数据时,根据所述关联度分析模型筛选旋转机械工况对应的故障敏感特征参数;
将所述故障敏感特征参数作为重点监控参数;
根据所述重点监控参数对旋转机械工况下设备对应的腐蚀状态进行监控。
7.如权利要求1-6中任一项所述的静设备腐蚀监控方法,其特征在于,所述腐蚀监控数据包括腐蚀相关数据和监测数据,其中,所述腐蚀相关数据至少包括静设备所在环境对应的气候数据、地质数据、介质腐蚀性元素含量以及静设备构造基础数据,所述监测数据至少包括实测腐蚀速率、测厚数据以及在线探针数据。
8.一种静设备腐蚀监控装置,其特征在于,所述静设备腐蚀监控装置包括:
获取模块,用于获取静设备对应的腐蚀监控数据;
预处理模块,用于对所述腐蚀监控数据进行预处理,得到原始数据;
模型构建模块,用于根据所述原始数据构建关联度分析模型;
提取模块,用于通过所述关联度分析模型确定与故障特征关联度最大的目标参数;
曲线构建模块,用于根据所述目标参数构建性能退化曲线;
分析模块,用于根据所述性能退化曲线确定所述静设备对应的腐蚀状态。
9.一种静设备腐蚀监控设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的静设备腐蚀监控程序,所述静设备腐蚀监控程序配置为实现如权利要求1至7中任一项所述的静设备腐蚀监控方法。
10.一种存储介质,其特征在于,所述存储介质上存储有静设备腐蚀监控程序,所述静设备腐蚀监控程序被处理器执行时实现如权利要求1至7任一项所述的静设备腐蚀监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210244138.0A CN114741844A (zh) | 2022-03-11 | 2022-03-11 | 静设备腐蚀监控方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210244138.0A CN114741844A (zh) | 2022-03-11 | 2022-03-11 | 静设备腐蚀监控方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114741844A true CN114741844A (zh) | 2022-07-12 |
Family
ID=82274993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210244138.0A Withdrawn CN114741844A (zh) | 2022-03-11 | 2022-03-11 | 静设备腐蚀监控方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114741844A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115879379A (zh) * | 2023-02-16 | 2023-03-31 | 北京华科仪科技股份有限公司 | 一种设备的腐蚀智能监测预警方法及系统 |
CN115994457A (zh) * | 2023-03-22 | 2023-04-21 | 中国电子工程设计院有限公司 | 一种半导体工艺产线设备配置方法及装置 |
CN117719361A (zh) * | 2023-12-19 | 2024-03-19 | 湖南铁华精斧汽车集团股份有限公司 | 一种新能源半挂车驱动控制方法及系统 |
-
2022
- 2022-03-11 CN CN202210244138.0A patent/CN114741844A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115879379A (zh) * | 2023-02-16 | 2023-03-31 | 北京华科仪科技股份有限公司 | 一种设备的腐蚀智能监测预警方法及系统 |
CN115994457A (zh) * | 2023-03-22 | 2023-04-21 | 中国电子工程设计院有限公司 | 一种半导体工艺产线设备配置方法及装置 |
CN117719361A (zh) * | 2023-12-19 | 2024-03-19 | 湖南铁华精斧汽车集团股份有限公司 | 一种新能源半挂车驱动控制方法及系统 |
CN117719361B (zh) * | 2023-12-19 | 2024-05-24 | 湖南铁华精斧汽车集团股份有限公司 | 一种新能源半挂车驱动控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114741844A (zh) | 静设备腐蚀监控方法、装置、设备及存储介质 | |
CN108073497B (zh) | 一种基于数据中心数据采集平台的多指标异动分析方法 | |
JP4394286B2 (ja) | 統計的プロセス管理のための多次元的方法及びシステム | |
CN111506478A (zh) | 基于人工智能实现告警管理控制的方法 | |
CN108053110B (zh) | 一种基于pmu数据的变压器状态在线诊断方法 | |
CN115578015A (zh) | 基于物联网的污水处理全过程监管方法、系统及存储介质 | |
CN112629585A (zh) | 基于多维参数估计的设备在线监测方法及装置 | |
CN109544399B (zh) | 基于多源异构数据的输电设备状态评价方法及装置 | |
CN111309539A (zh) | 一种异常监测方法、装置和电子设备 | |
KR20100042293A (ko) | 화학 플랜트 또는 정제소를 연속해서 온라인 모니터하는 시스템 및 방법 | |
CN110334816B (zh) | 一种工业设备检测方法、装置、设备及可读存储介质 | |
CN113036913B (zh) | 一种综合能源设备状态监测方法及装置 | |
CN106940678B (zh) | 一种系统实时健康度评估分析方法及装置 | |
CN112101439B (zh) | 基于分布式贝叶斯网络的高速线材质量缺陷诊断与溯源方法 | |
KR101953558B1 (ko) | 스마트 기기 결함 관리 장치 및 방법 | |
Cheng et al. | Predicting the remaining useful life of rolling element bearings using locally linear fusion regression | |
CN114139589A (zh) | 故障诊断方法、装置、设备与计算机可读存储介质 | |
CN113343361A (zh) | 车身尺寸智能监控方法、装置、设备及存储介质 | |
Filios et al. | An agnostic data-driven approach to predict stoppages of industrial packing machine in near future | |
CN113240006A (zh) | 废水排放的监测方法、装置、电子设备及存储介质 | |
CN117408519A (zh) | 基于深度学习算法的化工反应过程风险预警方法及装置 | |
CN111934903A (zh) | 一种基于时序演化基因的Docker容器故障智能预测方法 | |
CN115906602A (zh) | 一种基于深度学习Transformer自编码的风电机组塔筒倾倒监测评价方法 | |
CN114048592A (zh) | 一种精轧全流程分布式运行性能评估及非优原因追溯方法 | |
CN113673010A (zh) | 一种基于监测数据的钢箱梁评估方法与系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220712 |
|
WW01 | Invention patent application withdrawn after publication |