CN114968647A - 基于闪蒸汽压缩机组故障诊断的监测数据深度挖掘方法 - Google Patents
基于闪蒸汽压缩机组故障诊断的监测数据深度挖掘方法 Download PDFInfo
- Publication number
- CN114968647A CN114968647A CN202210919961.7A CN202210919961A CN114968647A CN 114968647 A CN114968647 A CN 114968647A CN 202210919961 A CN202210919961 A CN 202210919961A CN 114968647 A CN114968647 A CN 114968647A
- Authority
- CN
- China
- Prior art keywords
- classification result
- sample
- distance
- fault diagnosis
- flash steam
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/079—Root cause analysis, i.e. error or fault diagnosis
-
- 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
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Abstract
本发明涉及闪蒸汽压缩机组故障诊断技术领域,尤其涉及一种基于闪蒸汽压缩机组故障诊断的监测数据深度挖掘方法,包括训练距离判别法模型和贝叶斯判别法模型;距离判别法模型和贝叶斯判别法模型实时数据进行分类判别得到初步分类结果;将距离判别法模型和贝叶斯判别法模型的初步分类结果进行对比,若误差率计算结果超出允许范围则需对距离判别法模型的初步分类结果进行修正;以距离判别法模型的初步分类结果或修正后的分类结果为最终分类结果,实现闪蒸汽压缩机组的故障诊断。本发明的有益效果是:提高闪蒸汽压缩机组故障诊断的智能化程度,并且提高其整体的分类正确率,有效实现精准的故障诊断。
Description
技术领域
本发明涉及闪蒸汽压缩机组故障诊断技术领域,尤其涉及一种基于闪蒸汽压缩机组故障诊断的监测数据深度挖掘方法。
背景技术
闪蒸汽压缩机组在海洋油气资源的开采中占有重要地位,闪蒸汽压缩机组是将原动机设备的动能转化为气体实际压力能的工作机装备,是石化加工产业的重要机器设备之一。机组整体主要由洗涤器、闪蒸气压缩机、后冷却器、调控阀以及机组整体的冷却系统等部分组成,机组整体结构复杂,且内零件精密复杂,在工作过程中容易发生一系列故障。因此,为及时有效的对机组内出现的故障进行处理,出现了多种多样的故障监测诊断方法来应对此问题。
故障诊断技术涉及传感、信号、计算机等多门基础学科,通过传感器获取监测数据,并利用计算机的强大计算能力对数据进行处理分析,对机组内设备的运行状态进行诊断,实现机组的故障诊断。故障诊断技术的发展过程可以分为三个阶段:
第一阶段为原始的人工诊断阶段,主要依靠施工人员的直接观察以及长时间的工作经验进行判断,对机械的处理方式简单,存在较高的失误率;
第二阶段为基于传感器以及计算机技术的诊断阶段,该阶段中主要依靠计算机实现传感器监测、数据处理与信号分析等多方面的工作内容,实现机组的故障诊断;
第三阶段为智能化的诊断阶段,这一阶段主要特点是将人工智能的研究成果应用到故障诊断的领域中,是未来故障诊断的发展方向。
目前,闪蒸汽压缩机组的故障诊断技术以第二阶段为主流,该阶段技术相对成熟,应用也较为广泛,但智能化程度不足,而且闪蒸汽压缩机组受工况环境的影响,存在故障率较高的问题。
发明内容
本发明所要解决的技术问题是克服现有技术中存在的不足,提供一种基于闪蒸汽压缩机组故障诊断的监测数据深度挖掘方法,基于机器学习的数据分析方法,实现闪蒸汽压缩机组内各点位监测数据内部联系规律的深度挖掘,实现智能化的故障诊断和预警。机器学习是数据挖掘的重要技术手段,在本发明中其基本思想是利用大量数据训练得到用于数据分类的函数,并完成对位置数据的分类。其中,判别分析是多元统计分析中用于判别样本所属类型的一种统计分析方法,指事物的分类是清楚的,目的是通过已知分类建立判别函数,预测新的观察对象所属的类别。本发明基于距离判别分析法和贝叶斯判别分析法,构建用于闪蒸汽压缩机组故障诊断的监测数据深度挖掘的数据分析方法。
本发明是通过以下技术方案予以实现:
一种基于闪蒸汽压缩机组故障诊断的监测数据深度挖掘方法,包括以下步骤:
S1从监测数据库中获取多组历史数据,利用历史数据训练得到距离判别法模型和贝叶斯判别法模型;
S12用历史数据的均值代替距离判别法模型中各类别总体的均值,用历史数据的
协方差代替距离判别法模型中的协方差矩阵,其中,设历史数据的总体的个样本分别
为, 总体的个样本分别为, 样本的均值
计算过程为:
S2对闪蒸汽压缩机组内的传感器监测得到的实时数据进行分类判别,距离判别法模型获得第一分类结果,贝叶斯判别法模型获得第二分类结果;
S21距离判别分析法模型在实时数据的判别分析过程中分为各总体协方差矩阵全部相等和各总体协方差矩阵部分相等两种情况,其中,
各总体协方差矩阵全部相等时,判别函数为:
S22在对实时数据进行距离判别法的分类判别时,同时也对数据进行贝叶斯判别法的分类判别,其判别函数如下所示:
S3对比第一分类结果与第二分类结果,将异于第二分类结果的第一分类结果作为误差项,根据误差项计算误差率,若误差率计算结果符合误差允许范围则第一分类结果正确,若误差率计算结果超出允许范围则需对第一分类结果进行修正;
修正包括以下步骤:
S331将异于第二分类结果的第一分类结果提取出来,并根据该第一分类结果在距离判别法模型分类计算的距离大小进行排序,将距离最大的第一分类结果替换为对应的第二分类结果;
S332将替换后的第一分类结果再次进行误差率计算,若误差率计算结果在误差允许范围内,则输出第一分类结果为最终分类结果。
S3321若误差率计算结果超出误差允许范围则重复步骤S331和S332。
S4以S3输出的第一分类结果为最终分类结果,实现闪蒸汽压缩机组的故障诊断。
本发明的有益效果是:将判别分析法应用于闪蒸汽压缩机组的故障诊断中,通过历史数据对距离判别法以及贝叶斯距离判别法两种判别方法进行训练,挖掘数据之间存在的内部规律,提高闪蒸汽压缩机组故障诊断的智能化程度。
同时,将距离判别法和贝叶斯判别法进行结合,以距离判别法为主要的分类判别方法,并利用贝叶斯判别法最小误判率最小化的基本思想,对距离判别法的分类结果进行优化修正,提高其整体的分类正确率,有效实现精准的故障诊断。
附图说明
图1示出了本发明的基于故障诊断数的据挖掘方法流程示意图;
图2示出了本发明的距离判别法流程图;
图3示出了本发明的贝叶斯判别法流程图。
具体实施方式
为了使本技术领域的技术人员更好地理解本发明的技术方案,下面结合附图和最佳实施例对本发明作进一步的详细说明。
距离判别分析法:根据已知分类,分别计算出各类别的重心即分组的均值,计算任意一次的观测数据与每一类别重心的距离,与哪一类别重心距离最小,则属于哪一类别,本发明实施例涉及的距离判别分析法的计算流程图如图2所示。
基本算法原理:
1、两总体的距离判别分析:
其中,两总体距离判别分析为某一观测数据与两种分类之间的距离计算判别,总体即为类别的意思。
(1)两总体的协方差矩阵相等的情况:
协方差为衡量多维数据集中,两类变量之间相关性的统计量。其中,每一组多维数据集为一类变量。当变量超过两类时,需用协方差矩阵描述多类变量之间的相关性。
(2)两总体的协方差矩阵不相等的情况:
判别准则仍为:
两种情况的区别是判别函数不同。
2.多总体的距离判别分析:
(1)总体协方差矩阵相等时的判别:
当每个总体的协方差矩阵都相等时,判别函数为:
(2)总体协方差矩阵不全相等时的判别:
贝叶斯判别分析法:贝叶斯判别法主要依据贝叶斯概率法则,以多元分布的样本
集为主要研究对象,所得到的样本后验概率来源于多元正态分布的概率密度中包含的信
息。其基本思想为设有两个总体,两总体的先验概分别为、,概率密度函数分别为、,在观测到一个样本的情况下,可用贝叶斯公式计算出样本来自个总体的后验概
率,其计算流程图如图3所示。
基本算法原理:
如图1所示,本发明提供一种基于闪蒸汽压缩机组故障诊断的监测数据深度挖掘方法,具体包括以下步骤:
S1从监测数据库中获取多组历史温度数据、压力数据、振动数据、以及液位数据,
用于对距离判别法模型和贝叶斯判别法模型的训练,形成判别模型。利用已有的历史数据,
明确需判别类型的数量以及距离判别法模型和贝叶斯判别法模型计算过程中所需参数,
包括:各类别的总体均值、协方差矩阵、先验概率以及概率密度函数。
S12用历史数据的均值代替距离判别法模型中各类别总体的均值,用历史数据的
协方差代替距离判别法模型中的协方差矩阵,其中,设历史数据的总体的个样本分别
为, 总体的个样本分别为, 样本的均值
计算过程为:
S2距离判别法模型和贝叶斯判别法模型对闪蒸汽压缩机组内的传感器监测得到的实时数据进行分类判别,并分别得到两种判别方法的初步分类结果。
S21距离判别分析法在实时数据的判别分析过程中分为各总体协方差矩阵相等和各总体协方差矩阵不全相等两种情况,需经不同的判别函数进行分析:
各总体协方差矩阵全部相等时,判别函数为:
S22在对实时数据进行距离判别法的分类判别时,同时也对数据进行贝叶斯判别法的分类判别,其判别函数如下所示:
S3将距离判别法模型和贝叶斯判别法模型的初步分类结果进行对比,将两者分类判定结果不同的数据作为误差数据进行误差率的计算,若误差率计算结果符合误差允许范围则距离分类结果正确,若误差率计算结果超出允许范围则需对距离判别法模型的初步分类结果进行修正。
S31根据S2得到的距离判别法和贝叶斯判别法得到的分类结果,将两者的分类结
果进行对比,选出两者中分类结果不同的监测数据点,将距离判别法不同于贝叶斯判别法
的结果作为误差项。举例如下,若输入数据经过两种判别法分析,距离判别法将其分类到,贝叶斯判别法将其分类到,则应属于但被误判到。
S33若误差率计算结果在误差允许范围内,则输出距离判别法的判别结果为最终分类结果;若误差率计算超出误差允许范围,则需对距离判别分析法的分类结果进行修正。
S331将异于第二分类结果的第一分类结果提取出来,并根据该第一分类结果在距离判别法模型分类计算的距离大小进行排序,将距离最大的第一分类结果替换为对应的第二分类结果;
S332将替换后的分类结果再次进行误差率计算,若误差率计算结果在误差允许范围内则输出;若误差率计算结果超出误差允许范围则重复步骤S331和S332,直至误差率计算结果在误差允许范围内;
S4以S3输出的距离判别法模型的初步分类结果或修正后的分类结果为最终分类结果,实现闪蒸汽压缩机组的故障诊断。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种基于闪蒸汽压缩机组故障诊断的监测数据深度挖掘方法,其特征在于,包括以下步骤:
S1从监测数据库中获取多组历史数据,利用历史数据训练得到距离判别法模型和贝叶斯判别法模型;
S2对闪蒸汽压缩机组内的传感器监测得到的实时数据进行分类判别,距离判别法模型获得第一分类结果,贝叶斯判别法模型获得第二分类结果;
S3对比第一分类结果与第二分类结果,将异于第二分类结果的第一分类结果作为误差项,根据误差项计算误差率,若误差率计算结果符合误差允许范围则第一分类结果正确,若误差率计算结果超出允许范围则需对第一分类结果进行修正;
S4以S3输出的第一分类结果为最终分类结果,实现闪蒸汽压缩机组的故障诊断。
2.根据权利要求1所述的一种基于闪蒸汽压缩机组故障诊断的监测数据深度挖掘方法,其特征在于,S1包括以下步骤:
S12用历史数据的均值代替距离判别法模型中各类别总体的均值,用历史数据的协方
差代替距离判别法模型中的协方差矩阵,其中,设历史数据的总体的个样本分别为, 总体的个样本分别为, 样本的均值计
算过程为:
3.根据权利要求2所述的一种基于闪蒸汽压缩机组故障诊断的监测数据深度挖掘方法,其特征在于,S2包括以下步骤:
S21距离判别分析法模型在实时数据的判别分析过程中分为各总体协方差矩阵全部相等和各总体协方差矩阵部分相等两种情况,其中,
各总体协方差矩阵全部相等时,判别函数为:
S22在对实时数据进行距离判别法的分类判别时,同时也对数据进行贝叶斯判别法的分类判别,其判别函数如下所示:
5.根据权利要求4所述的一种基于闪蒸汽压缩机组故障诊断的监测数据深度挖掘方法,其特征在于,S33中的修正包括以下步骤:
S331将异于第二分类结果的第一分类结果提取出来,并根据该第一分类结果在距离判别法模型分类计算的距离大小进行排序,将距离最大的第一分类结果替换为对应的第二分类结果;
S332将替换后的第一分类结果再次进行误差率计算,若误差率计算结果在误差允许范围内,则输出第一分类结果为最终分类结果。
6.根据权利要求5所述的一种基于闪蒸汽压缩机组故障诊断的监测数据深度挖掘方法,其特征在于,S332包括以下步骤:
S3321若误差率计算结果超出误差允许范围则重复步骤S331和S332。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210919961.7A CN114968647A (zh) | 2022-08-02 | 2022-08-02 | 基于闪蒸汽压缩机组故障诊断的监测数据深度挖掘方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210919961.7A CN114968647A (zh) | 2022-08-02 | 2022-08-02 | 基于闪蒸汽压缩机组故障诊断的监测数据深度挖掘方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114968647A true CN114968647A (zh) | 2022-08-30 |
Family
ID=82969093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210919961.7A Pending CN114968647A (zh) | 2022-08-02 | 2022-08-02 | 基于闪蒸汽压缩机组故障诊断的监测数据深度挖掘方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114968647A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103323749A (zh) * | 2013-05-16 | 2013-09-25 | 上海交通大学 | 多分类器信息融合的局部放电诊断方法 |
CN106326915A (zh) * | 2016-08-10 | 2017-01-11 | 北京理工大学 | 一种基于改进核Fisher的化工过程故障诊断方法 |
CN106813921A (zh) * | 2016-12-24 | 2017-06-09 | 广东石油化工学院 | 一种旋转机械复合故障诊断方法 |
CN108920428A (zh) * | 2018-06-07 | 2018-11-30 | 辽宁工程技术大学 | 一种基于联合模糊扩张原理的模糊距离判别方法 |
CN110765587A (zh) * | 2019-09-30 | 2020-02-07 | 北京化工大学 | 基于动态正则化判别局部保留投影的复杂石化过程故障诊断方法 |
CN113642230A (zh) * | 2021-07-09 | 2021-11-12 | 上海市政工程设计研究总院(集团)有限公司 | 基于机器学习的多目标复杂排水系统可调堰智能操控方法 |
CN113757093A (zh) * | 2021-10-14 | 2021-12-07 | 中国海洋石油集团有限公司 | 一种闪蒸汽压缩机组故障诊断方法 |
-
2022
- 2022-08-02 CN CN202210919961.7A patent/CN114968647A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103323749A (zh) * | 2013-05-16 | 2013-09-25 | 上海交通大学 | 多分类器信息融合的局部放电诊断方法 |
CN106326915A (zh) * | 2016-08-10 | 2017-01-11 | 北京理工大学 | 一种基于改进核Fisher的化工过程故障诊断方法 |
CN106813921A (zh) * | 2016-12-24 | 2017-06-09 | 广东石油化工学院 | 一种旋转机械复合故障诊断方法 |
CN108920428A (zh) * | 2018-06-07 | 2018-11-30 | 辽宁工程技术大学 | 一种基于联合模糊扩张原理的模糊距离判别方法 |
CN110765587A (zh) * | 2019-09-30 | 2020-02-07 | 北京化工大学 | 基于动态正则化判别局部保留投影的复杂石化过程故障诊断方法 |
CN113642230A (zh) * | 2021-07-09 | 2021-11-12 | 上海市政工程设计研究总院(集团)有限公司 | 基于机器学习的多目标复杂排水系统可调堰智能操控方法 |
CN113757093A (zh) * | 2021-10-14 | 2021-12-07 | 中国海洋石油集团有限公司 | 一种闪蒸汽压缩机组故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106371427B (zh) | 基于层次分析法和模糊融合的工业过程故障分类方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN112200104A (zh) | 一种基于增强主成分分析新型贝叶斯框架的化工故障诊断方法 | |
CN106482967A (zh) | 一种代价敏感支持向量机机车车轮检测系统及方法 | |
CN111190349A (zh) | 船舶机舱设备状态监测及故障诊断方法、系统及介质 | |
CN115290316B (zh) | 一种偏心旋转阀故障诊断方法 | |
CN110765587A (zh) | 基于动态正则化判别局部保留投影的复杂石化过程故障诊断方法 | |
CN114201374A (zh) | 基于混合机器学习的运维时序数据异常检测方法及系统 | |
CN109240276B (zh) | 基于故障敏感主元选择的多块pca故障监测方法 | |
CN108830006B (zh) | 基于线性评价因子的线性-非线性工业过程故障检测方法 | |
CN109298633A (zh) | 基于自适应分块非负矩阵分解的化工生产过程故障监测方法 | |
CN115372828A (zh) | 基于充电片段数据和无监督算法的电芯一致性评估方法 | |
CN116383636A (zh) | 一种基于pca与lstm融合算法的磨煤机故障预警方法 | |
WO2023044770A1 (zh) | 干泵宕机的预警方法、装置、电子设备、存储介质及程序 | |
CN114611604A (zh) | 一种基于电驱总成载荷特征融合与聚类的用户筛选方法 | |
CN114444582A (zh) | 基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法 | |
TWI639908B (zh) | 製程偵錯與診斷方法 | |
CN114968647A (zh) | 基于闪蒸汽压缩机组故障诊断的监测数据深度挖掘方法 | |
CN116719831A (zh) | 一种面向健康监测的标准数据库建立与更新方法 | |
CN114548306A (zh) | 一种基于误分类代价的钻井早期溢流智能监测方法 | |
Wang et al. | A novel scheme for intelligent fault diagnosis of marine diesel engine using the multi-information fusion technology | |
CN114817856A (zh) | 一种基于结构信息保持域适应网络的抽油机故障诊断方法 | |
CN116956089A (zh) | 电器设备温度异常检测模型训练方法以及检测方法 | |
CN115017978A (zh) | 一种基于加权概率神经网络的故障分类方法 | |
CN114818116A (zh) | 基于联合学习的飞机发动机失效模式识别和寿命预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220830 |