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 PDF

Info

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
Application number
CN202210919961.7A
Other languages
English (en)
Inventor
王鑫章
杨波
邓欣
崔泽昊
萧阳
韩宇
牛志刚
陈俊锋
彭程
杨静
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.)
CNOOC Energy Technology and Services Ltd
Oil Production Services Branch of CNOOC Energy Technology and Services Ltd
Original Assignee
CNOOC Energy Technology and Services Ltd
Oil Production Services Branch of CNOOC Energy Technology and Services 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 CNOOC Energy Technology and Services Ltd, Oil Production Services Branch of CNOOC Energy Technology and Services Ltd filed Critical CNOOC Energy Technology and Services Ltd
Priority to CN202210919961.7A priority Critical patent/CN114968647A/zh
Publication of CN114968647A publication Critical patent/CN114968647A/zh
Pending legal-status Critical Current

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

基于闪蒸汽压缩机组故障诊断的监测数据深度挖掘方法
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；
S11根据历史数据以及闪蒸汽压缩机组常见故障分类之间的关系，明确判别函数 所需判别分析的分类结果数量，设定各分类结果为
Figure 100002_DEST_PATH_IMAGE001
；
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
Figure 280331DEST_PATH_IMAGE002
的
Figure 100002_DEST_PATH_IMAGE003
个样本分别 为
Figure 807258DEST_PATH_IMAGE004
, 总体
Figure 100002_DEST_PATH_IMAGE005
的
Figure 288793DEST_PATH_IMAGE006
个样本分别为
Figure 100002_DEST_PATH_IMAGE007
, 样本的均值
Figure 887264DEST_PATH_IMAGE008
计算过程为：
Figure 100002_DEST_PATH_IMAGE009
；
协方差
Figure 45844DEST_PATH_IMAGE010
计算过程为：
Figure 100002_DEST_PATH_IMAGE011
；
Figure 570104DEST_PATH_IMAGE012
；
其中，
Figure 100002_DEST_PATH_IMAGE013
为
Figure 40400DEST_PATH_IMAGE014
总体的样本均值，
Figure 100002_DEST_PATH_IMAGE015
为
Figure 442563DEST_PATH_IMAGE014
总体中
Figure 783545DEST_PATH_IMAGE016
样本，
Figure 681969DEST_PATH_IMAGE017
；
S13对于贝叶斯判别法模型，取样本为
Figure 233036DEST_PATH_IMAGE018
的样本历史数据，设来自总体
Figure 376572DEST_PATH_IMAGE014
的样本数 量为
Figure 572061DEST_PATH_IMAGE019
，其先验概率计算方法如下：
Figure 533064DEST_PATH_IMAGE020
；
Figure 446794DEST_PATH_IMAGE014
的概率密度函数计算公式为：
Figure 253076DEST_PATH_IMAGE021
；
式中，
Figure 73045DEST_PATH_IMAGE022
为总体
Figure 814736DEST_PATH_IMAGE014
的协方差，
Figure 340395DEST_PATH_IMAGE023
为总体
Figure 825734DEST_PATH_IMAGE014
的均值向量，
Figure 995816DEST_PATH_IMAGE024
为分布密度函数。
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：
Figure 564200DEST_PATH_IMAGE025
；
则
Figure 685478DEST_PATH_IMAGE026
到
Figure 974508DEST_PATH_IMAGE014
的距离最小等价于对所有的
Figure 123729DEST_PATH_IMAGE027
，有
Figure 738382DEST_PATH_IMAGE028
，其中总体均值向量 与协方差矩阵用样本的均值和样本协方差矩阵代替；
各总体协方差矩阵部分相等时，设定
Figure 848420DEST_PATH_IMAGE019
个总体，则样品
Figure 439676DEST_PATH_IMAGE026
到各个总体
Figure 708983DEST_PATH_IMAGE029
Figure 494537DEST_PATH_IMAGE030
的马氏距离的平方为：
Figure 826292DEST_PATH_IMAGE031
；
若
Figure 100002_DEST_PATH_IMAGE032
，则判定
Figure 253862DEST_PATH_IMAGE026
属于
Figure 485998DEST_PATH_IMAGE033
；
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：
Figure 100002_DEST_PATH_IMAGE034
；
式中，
Figure 239191DEST_PATH_IMAGE035
，参数
Figure 323821DEST_PATH_IMAGE023
表示
Figure 882979DEST_PATH_IMAGE029
的均值，
Figure 100002_DEST_PATH_IMAGE036
为一协方差矩阵，正态母体多 类线性判别函数表达式如下：
Figure 901445DEST_PATH_IMAGE037
；
式中，
Figure 622276DEST_PATH_IMAGE038
为样本集中的第
Figure 100002_DEST_PATH_IMAGE039
个指标的数值；
Figure 600728DEST_PATH_IMAGE040
为判别系数；将最终结果
Figure DEST_PATH_IMAGE041
的数值大小进行比较，最大值所对应的母体就是待判样本
Figure 370100DEST_PATH_IMAGE042
所属的母体。
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；
误差率
Figure DEST_PATH_IMAGE043
为：
Figure 639146DEST_PATH_IMAGE044
，其中属于样品
Figure 671824DEST_PATH_IMAGE002
被判断为属于样品
Figure 731046DEST_PATH_IMAGE005
的个数为
Figure 772952DEST_PATH_IMAGE045
个，属于样品
Figure 194706DEST_PATH_IMAGE005
被判断为属于样品
Figure 427979DEST_PATH_IMAGE002
的个数为
Figure DEST_PATH_IMAGE046
个，两总体样品总数为
Figure 240077DEST_PATH_IMAGE018
个。
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。
设两个总体
Figure 85673DEST_PATH_IMAGE002
、
Figure 768459DEST_PATH_IMAGE005
的协方差均为
Figure 907054DEST_PATH_IMAGE047
，考虑样品
Figure 799923DEST_PATH_IMAGE026
到总体
Figure 183631DEST_PATH_IMAGE002
、
Figure 720923DEST_PATH_IMAGE005
的马氏距离的平方差 为：
Figure DEST_PATH_IMAGE048
其中，
Figure 328622DEST_PATH_IMAGE049
，
Figure 88548DEST_PATH_IMAGE050
、
Figure 744789DEST_PATH_IMAGE051
为两个总体的均值，于是判别准则为：
Figure 526800DEST_PATH_IMAGE052
在实际问题中，
Figure 508662DEST_PATH_IMAGE050
、
Figure 985911DEST_PATH_IMAGE053
、
Figure 475536DEST_PATH_IMAGE047
为样本的估计值。
（2）两总体的协方差矩阵不相等的情况：
设两个总体
Figure 252999DEST_PATH_IMAGE002
、
Figure 264818DEST_PATH_IMAGE005
协方差阵分别为
Figure 229363DEST_PATH_IMAGE054
、
Figure 758564DEST_PATH_IMAGE055
不相等，均值分别为
Figure DEST_PATH_IMAGE056
、
Figure 154648DEST_PATH_IMAGE057
。则样品
Figure 478313DEST_PATH_IMAGE026
到总 体
Figure 320367DEST_PATH_IMAGE002
、
Figure 122101DEST_PATH_IMAGE005
的马氏距离的平方差为：
Figure DEST_PATH_IMAGE058
判别准则仍为：
Figure 874156DEST_PATH_IMAGE059
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：
设有多个总体
Figure 132837DEST_PATH_IMAGE060
，均值向量分别为
Figure DEST_PATH_IMAGE061
，协方差矩阵分 别为
Figure 868712DEST_PATH_IMAGE062
。对于待判样品
Figure 739716DEST_PATH_IMAGE026
，计算其到各总体的马氏距离，若存在第
Figure DEST_PATH_IMAGE063
个总体满 足：
Figure 3337DEST_PATH_IMAGE064
则判定样品属于第
Figure 59017DEST_PATH_IMAGE065
个总体。
（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：
Figure DEST_PATH_IMAGE066
则
Figure 891975DEST_PATH_IMAGE026
到
Figure 425725DEST_PATH_IMAGE014
的距离最小等价于对所有的
Figure 621214DEST_PATH_IMAGE027
，有
Figure 221697DEST_PATH_IMAGE067
。其中总体均值向量 与协方差矩阵用样本的均值和样本协方差矩阵代替。
举例如下，若共有
Figure DEST_PATH_IMAGE068
个总体，分别为
Figure 73110DEST_PATH_IMAGE069
。其中，样品
Figure 144971DEST_PATH_IMAGE026
距离
Figure 460546DEST_PATH_IMAGE002
总体距离最 短，则
Figure 966351DEST_PATH_IMAGE014
为
Figure 226431DEST_PATH_IMAGE002
，
Figure DEST_PATH_IMAGE070
为
Figure 649453DEST_PATH_IMAGE071
，
Figure DEST_PATH_IMAGE072
。
（2）总体协方差矩阵不全相等时的判别：
假设有
Figure 616272DEST_PATH_IMAGE073
个总体，则样品
Figure 292979DEST_PATH_IMAGE026
到各个总体
Figure 181301DEST_PATH_IMAGE014
Figure 735910DEST_PATH_IMAGE074
的马氏距离的平方分别为：
Figure 885132DEST_PATH_IMAGE075
若
Figure 234204DEST_PATH_IMAGE076
，则判定
Figure 848637DEST_PATH_IMAGE026
属于
Figure 65992DEST_PATH_IMAGE033
。
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
Figure 945086DEST_PATH_IMAGE077
、
Figure 465061DEST_PATH_IMAGE078
，概率密度函数分别为
Figure 187029DEST_PATH_IMAGE079
、
Figure DEST_PATH_IMAGE080
，在观测到一个样本
Figure 254080DEST_PATH_IMAGE026
的情况下，可用贝叶斯公式计算出样本来自
Figure 112314DEST_PATH_IMAGE068
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：
设有
Figure 68769DEST_PATH_IMAGE073
个总体
Figure 887821DEST_PATH_IMAGE081
，其各自的各自的分布密度函数
Figure 446978DEST_PATH_IMAGE082
互不相同，假设
Figure 35085DEST_PATH_IMAGE068
个总体的先验概率分别为
Figure 660976DEST_PATH_IMAGE083
，
Figure 357537DEST_PATH_IMAGE084
。
若将本属于
Figure 330172DEST_PATH_IMAGE014
总体的样品错判到
Figure 38365DEST_PATH_IMAGE070
时造成的损失为
Figure 195677DEST_PATH_IMAGE085
。其中
Figure 254900DEST_PATH_IMAGE086
、
Figure 890280DEST_PATH_IMAGE087
，对于任意的
Figure 217094DEST_PATH_IMAGE088
成立。
设
Figure 420674DEST_PATH_IMAGE073
个总体
Figure 826247DEST_PATH_IMAGE060
相应的
Figure 671844DEST_PATH_IMAGE043
维样本空间的样品集分别为
Figure 354629DEST_PATH_IMAGE089
。
从描述平均损失的角度出发，如果原来属于总体
Figure 18523DEST_PATH_IMAGE090
，且分布密度为
Figure 786759DEST_PATH_IMAGE091
的样品， 正好落入
Figure 904887DEST_PATH_IMAGE092
，我们就会将该样品错判为属于
Figure 566813DEST_PATH_IMAGE070
。则将属于
Figure 377774DEST_PATH_IMAGE090
的样品错判为
Figure 131841DEST_PATH_IMAGE070
的概率为
Figure 584819DEST_PATH_IMAGE093
式中，
Figure 242197DEST_PATH_IMAGE092
为总体
Figure 83114DEST_PATH_IMAGE070
对应的
Figure 825942DEST_PATH_IMAGE043
维样本空间，
Figure 49988DEST_PATH_IMAGE024
为总体
Figure 686505DEST_PATH_IMAGE090
对应的分布密度函数。
根据上述损失定义及错判概率公式可得，属于总体
Figure 573690DEST_PATH_IMAGE090
的样品，错判到其他总体
Figure 538235DEST_PATH_IMAGE094
所造成的损失
Figure 192070DEST_PATH_IMAGE095
，计算的错判概率为
Figure 558460DEST_PATH_IMAGE096
，则样品错判造成的平 均损失为
Figure 115081DEST_PATH_IMAGE097
式中，
Figure 957135DEST_PATH_IMAGE098
为属于总体
Figure 24449DEST_PATH_IMAGE090
的样品，错判到其他总体所造成的损失
Figure 245346DEST_PATH_IMAGE099
，
Figure 5491DEST_PATH_IMAGE100
为属于总体
Figure 803683DEST_PATH_IMAGE090
的样品，错判到其他 总体的错判概率
Figure 913502DEST_PATH_IMAGE101
，且
Figure 254485DEST_PATH_IMAGE102
。
设
Figure 44586DEST_PATH_IMAGE073
个总体
Figure 205440DEST_PATH_IMAGE081
出现的先验概率为
Figure 739190DEST_PATH_IMAGE103
，则总平均损失为
Figure DEST_PATH_IMAGE104
式中，
Figure 839739DEST_PATH_IMAGE105
为各总体的先验概率，
Figure 800742DEST_PATH_IMAGE106
、
Figure 714471DEST_PATH_IMAGE107
分别为错判的损失和错判概率，
Figure DEST_PATH_IMAGE108
为个情况的平均损失。
而贝叶斯判别法，就是要选择样本空间
Figure 599381DEST_PATH_IMAGE109
，使得总平均损失
Figure 679071DEST_PATH_IMAGE110
达到极小。
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
Figure 217499DEST_PATH_IMAGE111
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
Figure 352946DEST_PATH_IMAGE008
、协方差矩阵
Figure 228498DEST_PATH_IMAGE112
、先验概率
Figure 398579DEST_PATH_IMAGE113
以及概率密度函数
Figure DEST_PATH_IMAGE114
。
S11根据历史数据以及闪蒸汽压缩机组常见故障分类之间的关系，明确判别函数 所需判别分析的数据最终的分类结果数量，设定各分类结果为
Figure 872023DEST_PATH_IMAGE001
。
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
Figure 494766DEST_PATH_IMAGE002
的
Figure 49375DEST_PATH_IMAGE115
个样本分别 为
Figure 933017DEST_PATH_IMAGE116
, 总体
Figure 282090DEST_PATH_IMAGE005
的
Figure 251183DEST_PATH_IMAGE006
个样本分别为
Figure 125597DEST_PATH_IMAGE117
, 样本的均值
Figure 739112DEST_PATH_IMAGE118
计算过程为：
Figure 649299DEST_PATH_IMAGE119
；
协方差
Figure 981054DEST_PATH_IMAGE120
计算过程为：
Figure 877466DEST_PATH_IMAGE011
；
Figure 1280DEST_PATH_IMAGE012
；
其中，
Figure 190691DEST_PATH_IMAGE121
为
Figure 9742DEST_PATH_IMAGE014
总体的样本均值，
Figure 568899DEST_PATH_IMAGE122
为
Figure 422586DEST_PATH_IMAGE014
总体中
Figure 408996DEST_PATH_IMAGE016
样本，
Figure 980923DEST_PATH_IMAGE017
。
S13对于贝叶斯判别法模型，取样本为
Figure 452094DEST_PATH_IMAGE018
的样本历史数据，设来自总体
Figure 284920DEST_PATH_IMAGE014
的样本数 量为
Figure 317598DEST_PATH_IMAGE019
，其先验概率计算方法如下：
Figure 111242DEST_PATH_IMAGE020
；
Figure 418727DEST_PATH_IMAGE014
的概率密度函数计算公式为：
Figure 371639DEST_PATH_IMAGE123
；
式中，
Figure 339333DEST_PATH_IMAGE022
为总体
Figure 354693DEST_PATH_IMAGE029
的协方差，
Figure 59344DEST_PATH_IMAGE023
为总体
Figure 476550DEST_PATH_IMAGE029
的均值向量，
Figure 116610DEST_PATH_IMAGE024
为分布密度函数。
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：
Figure DEST_PATH_IMAGE124
；
则
Figure 920399DEST_PATH_IMAGE026
到
Figure 100845DEST_PATH_IMAGE029
的距离最小等价于对所有的
Figure 169295DEST_PATH_IMAGE125
，有
Figure 980256DEST_PATH_IMAGE028
，其中总体均值向量 与协方差矩阵用样本的均值和样本协方差矩阵代替；
各总体协方差矩阵部分相等时，设定
Figure 468744DEST_PATH_IMAGE019
个总体，则样品
Figure 656143DEST_PATH_IMAGE026
到各个总体
Figure 172575DEST_PATH_IMAGE029
Figure 154437DEST_PATH_IMAGE030
的马氏距离的平方为：
Figure 490741DEST_PATH_IMAGE031
；
若
Figure 216251DEST_PATH_IMAGE032
，则判定
Figure 226670DEST_PATH_IMAGE026
属于
Figure 238489DEST_PATH_IMAGE126
；
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：
Figure DEST_PATH_IMAGE127
；
式中，
Figure 875137DEST_PATH_IMAGE128
，参数
Figure DEST_PATH_IMAGE129
表示
Figure 935497DEST_PATH_IMAGE014
的均值，
Figure 800423DEST_PATH_IMAGE047
为一协方差矩阵，正态母体多 类线性判别函数表达式如下：
Figure 248722DEST_PATH_IMAGE130
；
式中，
Figure DEST_PATH_IMAGE131
为样本集中的第
Figure 107087DEST_PATH_IMAGE039
个指标的数值；
Figure 299034DEST_PATH_IMAGE040
为判别系数；将最终结果
Figure 785510DEST_PATH_IMAGE041
的数值大小进行比较，最大值所对应的母体就是待判样本
Figure 772753DEST_PATH_IMAGE132
所属的母体。
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
Figure 570944DEST_PATH_IMAGE026
经过两种判别法分析，距离判别法将其分类到
Figure 441948DEST_PATH_IMAGE002
，贝叶斯判别法将其分类到
Figure 517352DEST_PATH_IMAGE005
，则
Figure 307453DEST_PATH_IMAGE026
应属于
Figure 468307DEST_PATH_IMAGE005
但被误判到
Figure 641537DEST_PATH_IMAGE002
。
S32依据S31的对比分析结果，对距离判别分析进行误判率计算，误判率的估计思 想为属于样品
Figure 696081DEST_PATH_IMAGE002
被判断为属于样品
Figure 532450DEST_PATH_IMAGE005
的个数为
Figure 305234DEST_PATH_IMAGE045
个，属于样品
Figure 518041DEST_PATH_IMAGE005
被判断为属于样品
Figure 302457DEST_PATH_IMAGE002
的 个数为
Figure DEST_PATH_IMAGE133
个，两总体样品总数为
Figure 605000DEST_PATH_IMAGE018
个，则误差率
Figure 599501DEST_PATH_IMAGE043
为：
Figure 615999DEST_PATH_IMAGE134
。
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：
S11根据历史数据以及闪蒸汽压缩机组常见故障分类之间的关系，明确判别函数所需 判别分析的分类结果数量，设各分类结果为
Figure DEST_PATH_IMAGE001
；
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
Figure 546120DEST_PATH_IMAGE002
的
Figure DEST_PATH_IMAGE003
个样本分别为
Figure 19565DEST_PATH_IMAGE004
, 总体
Figure DEST_PATH_IMAGE005
的
Figure 376728DEST_PATH_IMAGE006
个样本分别为
Figure DEST_PATH_IMAGE007
, 样本的均值
Figure 107835DEST_PATH_IMAGE008
计 算过程为：
Figure DEST_PATH_IMAGE009
；
协方差
Figure 663582DEST_PATH_IMAGE010
计算过程为：
Figure DEST_PATH_IMAGE011
；
Figure 481496DEST_PATH_IMAGE012
；
其中，
Figure DEST_PATH_IMAGE013
为
Figure 637540DEST_PATH_IMAGE014
总体的样本均值，
Figure DEST_PATH_IMAGE015
为
Figure 291113DEST_PATH_IMAGE014
总体中
Figure 170207DEST_PATH_IMAGE016
样本，
Figure 955760DEST_PATH_IMAGE017
；
S13对于贝叶斯判别法模型，取样本为
Figure 677729DEST_PATH_IMAGE018
的样本历史数据，设来自总体
Figure 574141DEST_PATH_IMAGE014
的样本数量为
Figure 71856DEST_PATH_IMAGE019
，其先验概率计算方法如下：
Figure 762731DEST_PATH_IMAGE020
；
Figure 644100DEST_PATH_IMAGE014
的概率密度函数计算公式为：
Figure 875361DEST_PATH_IMAGE021
；
式中，
Figure 628248DEST_PATH_IMAGE022
为总体
Figure 880237DEST_PATH_IMAGE023
的协方差，
Figure 186585DEST_PATH_IMAGE024
为总体
Figure 424799DEST_PATH_IMAGE023
的均值向量，
Figure 897107DEST_PATH_IMAGE025
为分布密度函数。
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：
Figure 319998DEST_PATH_IMAGE026
；
则
Figure 113642DEST_PATH_IMAGE027
到
Figure 889968DEST_PATH_IMAGE023
的距离最小等价于对所有的
Figure 842880DEST_PATH_IMAGE028
，有
Figure 312039DEST_PATH_IMAGE029
，其中总体均值向量与协方 差矩阵用样本的均值和样本协方差矩阵代替；
各总体协方差矩阵部分相等时，设定
Figure 357093DEST_PATH_IMAGE019
个总体，则样品
Figure 937110DEST_PATH_IMAGE027
到各个总体
Figure 619895DEST_PATH_IMAGE023
Figure 119010DEST_PATH_IMAGE030
的 马氏距离的平方为：
Figure 152825DEST_PATH_IMAGE031
；
若
Figure DEST_PATH_IMAGE032
，则判定
Figure 972751DEST_PATH_IMAGE027
属于
Figure 775622DEST_PATH_IMAGE033
；
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：
Figure DEST_PATH_IMAGE034
；
式中，
Figure 904027DEST_PATH_IMAGE035
，参数
Figure DEST_PATH_IMAGE036
表示
Figure 126936DEST_PATH_IMAGE023
的均值，
Figure 314334DEST_PATH_IMAGE037
为一协方差矩阵，正态母体多类线性 判别函数表达式如下：
Figure 237291DEST_PATH_IMAGE038
；
式中，
Figure DEST_PATH_IMAGE039
为样本集中的第
Figure 15891DEST_PATH_IMAGE040
个指标的数值；
Figure 663779DEST_PATH_IMAGE041
为判别系数；将最终结果
Figure 186027DEST_PATH_IMAGE042
的数值大小进行比较，最大值所对应的母体就是待判样本
Figure 743916DEST_PATH_IMAGE043
所属的母体。
4.根据权利要求3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，误差率
Figure DEST_PATH_IMAGE044
为：
Figure 897397DEST_PATH_IMAGE045
，其中属于样品
Figure 861942DEST_PATH_IMAGE002
被判断为属于样品
Figure 391144DEST_PATH_IMAGE005
的个数 为
Figure 52807DEST_PATH_IMAGE046
个，属于样品
Figure 173210DEST_PATH_IMAGE005
被判断为属于样品
Figure 828313DEST_PATH_IMAGE002
的个数为
Figure 800686DEST_PATH_IMAGE047
个，两总体样品总数为
Figure 83900DEST_PATH_IMAGE018
个。
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。
CN202210919961.7A 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 Pending CN114968647A (zh)

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)

* Cited by examiner, † Cited by third party
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

Patent Citations (7)

* Cited by examiner, † Cited by third party
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