CN114997539A - 一种燃气压力调节器故障预测方法与系统 - Google Patents
一种燃气压力调节器故障预测方法与系统 Download PDFInfo
- Publication number
- CN114997539A CN114997539A CN202210924259.XA CN202210924259A CN114997539A CN 114997539 A CN114997539 A CN 114997539A CN 202210924259 A CN202210924259 A CN 202210924259A CN 114997539 A CN114997539 A CN 114997539A
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- pressure
- type
- outlet
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims abstract description 25
- 238000012216 screening Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000013480 data collection Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 4
- 238000007635 classification algorithm Methods 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 claims description 3
- 239000007789 gas Substances 0.000 description 87
- 238000003745 diagnosis Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000000087 stabilizing effect Effects 0.000 description 4
- 239000003345 natural gas Substances 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 101100136092 Drosophila melanogaster peng gene Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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"
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Control Of Fluid Pressure (AREA)
Abstract
本发明公开了一种燃气压力调节器故障预测方法与系统,方法包含以下步骤:步骤1:获取压力调节器的历史数据并进行处理得到所述压力调节器的故障类型数据;步骤2:提取所述故障类型数据中的故障特征并进行处理得到故障特征数据集;步骤3:对所述故障特征数据集进行筛选得到精准特征数据集;步骤4:对所述精准特征数据集进行概率计算得到概率数据;步骤5:根据所述概率数据进行调节器故障预测;系统包含数据处理模块、特征提取模块、筛选模块、概率计算模块、分析模块。
Description
技术领域
本发明涉及燃气压力调节器故障预测领域,具体涉及一种燃气压力调节器故障预测方法与系统。
背景技术
随着我国天然气使用量持续保持高速的增长,随之而来的天然气管线的安全性也日渐凸显,对天然气系统的安全运行管理提出了更高的要求,其中燃气压力调节器作为常见而又重要的调压设施之一,能否正常稳定的运行,直接关乎下游用户用气的稳定及安全性。燃气压力调节器俗称减压阀,实际上是一个特殊的阀门,作为燃气管网中必不可少的调压装置,它通过自动改变燃气的气流量,起到减压并维持下游压力稳定的作用,在其工作过程中的任何故障都有可能导致易燃气体的泄露,从而造成难以估量的经济损失和无法挽回的人员伤亡,因此研究燃气压力调节器的故障分类识别有着重要的意义,不仅可以提高燃气管网设施运行的安全性和智能化水平,也可以避免燃气压力调节器故障造成的严重后果;
2007年,Xuesong Wang, Yuhu Cheng和Guangzheng Peng利用流动方程和阀门的力平衡方程构建燃气压力调节器的数学模型,利用最小二乘法和卡尔曼滤波方法对系统的运行参数和状态进行估计,从而进行故障的评估;
2008年,太原理工大学的时建峰采用时频域分析法得到了齿轮箱异常信号的时频特征,通过小波包分析算法获取了异常信号的特征能量值,结合 BP 神经网络算法,建立故障分析知识库,该融合算法可有效地对机械设备进行故障识别;
2012年,北京建筑大学的杨蒙使用小波包算法将压力运行数据展开多层次分解,并采样神经网络算法训练学习,从而完成燃气压力调节器的故障分析判断;
2017 年,HAO Xuejun, LIU Xuhai, LI Xiaxi等人将小波包分解算法应用于压力调节器故障诊断,对压力调节器在不同运行状态下的压力信号进行分解并提取能量特征,将各状态的能量值进行归类总结,并建立不同类型的故障诊断模型;
但是,目前还具有以下缺点:
1.基于压力调节器故障信号提取能量特征,信号采集需要添加额外的传感器,增加了诊断成本;
2.根据不同故障类型建立不同类型的诊断模型,在实际工程应用中时效性较差;
3.现有的故障诊断算法无法做到更细粒度的故障预测,不能定位到具体的故障类型;
4.现有技术通常研究特定压力类型(高中压、中低压、低低压)的燃气压力调节器,无法做到所有压力范围的压力调节器故障识别。
发明内容
本发明要解决的技术问题是目前基于压力调节器故障信号提取能量特征,信号采集需要添加额外的传感器,增加了诊断成本;根据不同故障类型建立不同类型的诊断模型,在实际工程应用中时效性较差;现有的故障诊断算法无法做到更细粒度的故障预测,不能定位到具体的故障类型;现有技术通常研究特定压力类型(高中压、中低压、低低压)的燃气压力调节器,无法做到所有压力范围的压力调节器故障识别;提供一种燃气压力调节器故障预测方法,本发明还提供一种燃气压力调节器故障预测系统,能够依据大量的燃气压力调节器故障的数据,对数据进行处理并整理出故障类型,构建出丰富的特征,使用构建的特征作为故障识别模型的训练数据,从而训练出故障类型预测准确率高的模型,从管网中实时采集的数据输入到训练好的模型进行预测,解决燃气压力调节器出现故障前给出预先的警示,用以解决现有技术导致的缺陷。
为解决上述技术问题本发明提供以下的技术方案:
第一方面,一种燃气压力调节器故障预测方法,其中,包含以下步骤:
步骤1:获取压力调节器的历史数据并进行处理得到所述压力调节器的故障类型数据;
步骤2:提取所述故障类型数据中的故障特征并进行处理得到故障特征数据集;
步骤3:对所述故障特征数据集进行筛选得到精准特征数据集;
步骤4:对所述精准特征数据集进行概率计算得到概率数据;
步骤5:根据所述概率数据进行调节器故障预测。
上述的一种燃气压力调节器故障预测方法,其中,步骤1中获取所述压力调节器的出口压力的所述历史数据并进行处理得到所述压力调节器的故障类型,并进行标签化处理,得到所述故障类型数据;
燃气压力调节器在长期的工作过程中,由于环境腐蚀、自身质量以及老化等问题造成压力调节器内部损害,通常可以体现在用户灶具火苗异常跳动,燃气泄露等问题,燃气压力调节器故障诊断一般从运行工况与典型故障特征出发,基于现场维修人员提供的维修说明总结故障类型,一般从压力变化以及流量异常两个角度综合分析故障类型,在本专利中将故障类型划分如下四个类型:无故障类型、出口高压类型、出口低压类型、喘振故障类型;
上述的一种燃气压力调节器故障预测方法,其中,标签化处理后的所述故障类型为无故障类型记为0、出口高压类型记为1、出口低压类型记为2、喘振故障类型记为3。
上述的一种燃气压力调节器故障预测方法,其中,步骤2中提取所述故障类型数据中的所述故障特征包含数据采集月份、数据采集季节、出口压力值、入口压力值、出口压力阈值上限、出口压力阈值下限、入口压力阈值上限、入口压力阈值下限、温度数据、流量数据;
根据所述数据采集月份进行编码处理得到数据采集月份编码数据;
根据所述数据采集季节进行编码处理得到数据采集季节编码数据;
按K小时区间计算所述出口压力值的均值方差得到K小时区间出口压力均值方差,其中,K小时的取值包含1小时、2小时、3小时、6小时、12小时、24小时;
所述故障特征数据集包含所述数据采集月份编码数据、所述数据采集季节编码数据、所述出口压力值、所述出口压力方差、所述入口压力值、所述入口压力方差、所述出口压力阈值上限、所述出口压力阈值下限、所述入口压力阈值上限、所述入口压力阈值下限、所述温度数据、所述流量数据、所述K小时区间出口压力均值方差。
上述的一种燃气压力调节器故障预测方法,其中,所述数据采集月份编码数据依据春为0001、夏为0010、秋为0100、冬为1000进行编码;
所述数据采集季节编码数据采用1月为000000000001、2月为000000000010、3月为000000000100、4月为000000001000、5月为000000010000、6月为000000100000、7月为000001000000、8月为000010000000、9月为000100000000、10月为001000000000、11月为010000000000、12月为100000000000进行编码。
上述的一种燃气压力调节器故障预测方法,其中,采用移除低方差方法与IV值方法对所述故障特征数据集进行筛选得到所述精准特征数据集的具体方法如下:
采用伯努利分布方差计算公式移除所述故障特征数据集中小于阈值的数据得到移除低方差特征数据集,选取p为0.9时计算得出的方差值作为阈值,其中,var(X)为随机变量X的方差,X为随机变量,取值0或1,p为X=1时的概率,那么X=0的概率是1-p;
依次通过公式、、对所述移除低方差特征数据集分别进行计算并剔除IV值小于0.02与大于0.5的数据得到所述精准特征数据集,其中,WOE(i)为第i个分箱的WOE值,Py(i)为所有无故障类型中第i个分箱中无故障类型所占的比率,Pn(i)为所有出口高压类型、出口低压类型、喘振故障类型中第i个分箱中出口高压类型、出口低压类型、喘振故障类型所占的比率,yi为第i个分箱中无故障类型的样本数,ys表示所有移除低方差特征数据集中无故障类型的样本数,ni为第i个分箱中出口高压类型、出口低压类型、喘振故障类型的样本数,ns表示移除低方差特征数据集中出口高压类型、出口低压类型、喘振故障类型的样本数、IV(i)为第i个分箱的IV值,T为特征的分箱个数。
上述的一种燃气压力调节器故障预测方法,其中,步骤4依据朴素贝叶斯分类算法对所述精准特征数据集进行概率计算得到概率数据的方法如下:
将所述精准特征数据集的数据输入至公式1中计算所有精准特征数据集中给定特征时y为Ck类型的概率,记为P(y=Ck);
根据公式2给定类型P(y=Ck)计算第i个特征所述的条件概率P(xi∣y=Ck);
其中, X为精准特征数据集,Ck代表故障类型,k表示故障类型个数,M表示特征数量,P(y=Ck∣X)为给定精准特征数据集X时y为Ck类型的概率,P(y=Ck)为类型Ck的概率,P(X)为精准特征数据集的概率分布, P(xi∣y=Ck)为给定y=Ck类型时第i个特征的概率,如果xi为连续型变量,那么P(xi∣y=Ck)服从高斯分布,如果xi为离散型变量,那么P(xi∣y=Ck)服从伯努利分布;
P(y=Ck)和P(xi∣y=Ck)为计算得到的概率数据。
第二方面,一种燃气压力调节器故障预测系统,其中,包含数据处理模块、特征提取模块、筛选模块、概率计算模块、分析模块;
所述数据处理模块用于获取压力调节器的历史数据并进行处理得到所述压力调节器的故障类型数据;
所述特征提取模块用于提取所述故障类型数据中的故障特征并进行处理得到故障特征数据集;
所述筛选模块用于对所述故障特征数据集进行筛选得到精准特征数据集;
所述概率计算模块用于对所述精准特征数据集进行概率计算得到概率数据;
所述分析模块用于根据所述概率数据进行调节器故障预测。
依据上述本发明一种燃气压力调节器故障预测方法与系统提供的技术方案具有以下技术效果:
本发明依据大量的燃气压力调节器故障的数据,对数据进行处理并整理出故障类型,构建出丰富的特征,使用构建的特征作为故障识别模型的训练数据,从而训练出故障类型预测准确率高的模型,从管网中实时采集的数据输入到训练好的模型进行预测,解决燃气压力调节器出现故障前给出预先的警示。
附图说明
图1为本发明一种燃气压力调节器故障预测方法的流程图;
图2为本发明一种燃气压力调节器故障预测方法中无故障类型的压力值变化曲线图;
图3为本发明一种燃气压力调节器故障预测方法中出口高压类型的压力值变化曲线图;
图4为本发明一种燃气压力调节器故障预测方法中出口低压类型的压力值变化曲线图;
图5为本发明一种燃气压力调节器故障预测方法中喘振故障类型的压力值变化曲线图;
图6为本发明一种燃气压力调节器故障预测系统的结构示意图。
其中,附图标记如下:
数据处理模块100、特征提取模块200、筛选模块300、概率计算模块400、分析模块500。
具体实施方式
为了使发明实现的技术手段、创造特征、达成目的和功效易于明白了解,下结合具体图示,进一步阐述本发明。
本发明提供一种燃气压力调节器故障预测方法与系统,目的是依据大量的燃气压力调节器故障的数据,对数据进行处理并整理出故障类型,构建出丰富的特征,使用构建的特征作为故障识别模型的训练数据,从而训练出故障类型预测准确率高的模型,从管网中实时采集的数据输入到训练好的模型进行预测,解决燃气压力调节器出现故障前给出预先的警示。
如图1-2所示,第一方面,第一实施例,一种燃气压力调节器故障预测方法,其中,包含以下步骤:
步骤1:获取压力调节器的历史数据并进行处理得到压力调节器的故障类型数据;
步骤2:提取故障类型数据中的故障特征并进行处理得到故障特征数据集;
步骤3:对故障特征数据集进行筛选得到精准特征数据集;
步骤4:对精准特征数据集进行概率计算得到概率数据;
步骤5:根据概率数据进行调节器故障预测,概率越大,出现该故障的可能性越大,反之越小。
上述的一种燃气压力调节器故障预测方法,其中,步骤1中获取压力调节器的出口压力的历史数据并进行处理得到压力调节器的故障类型,并进行标签化处理,得到故障类型数据;
故障类型包含无故障类型、出口高压类型、出口低压类型、喘振故障类型;
燃气压力调节器在长期的工作过程中,由于环境腐蚀、自身质量以及老化等问题造成压力调节器内部损害,通常可以体现在用户灶具火苗异常跳动,燃气泄露等问题,燃气压力调节器故障诊断一般从运行工况与典型故障特征出发,基于现场维修人员提供的维修说明总结故障类型,一般从压力变化以及流量异常两个角度综合分析故障类型,在本专利中将故障类型划分如下四个类型:无故障类型、出口高压类型、出口低压类型、喘振故障类型;
无故障类型:当燃气压力调节器正常运行时,其出口压力输出稳定,呈现平稳且有规律性的波动,正常运行状态的压力调节器七天的出口压力值波动情况如图2所示,其出口压力在设定在(1.5, 3.75)kPa范围,其波动峰值为3.29kPa,估值最低为2.91kPa,因此压力调节器较平缓,稳压性能较好。且在一天当中任何时刻均可保持出口压力的稳定性,良好的发挥其稳压调流的功能,对于正常运行状态的压力调节器设置故障标签类型为0;
出口高压类型:在用气低峰时段,出现出口压力一直持续保持高压力的状态,同时超出了燃气压力调节器设置的压力范围,且出口压力波动范围较大,但频率不高,波动周期长,时间规律性强,主要表现在用气量较小的时间段以及用气量为零的时间段,该状态下压力调节器七天的出口压力值波动情况如图3所示,3.50kPa-4.33kPa之间的曲线是压力调节器用气低峰时段,特别是在夜间出口压力过高,且超过了设定的稳压精度范围值,根据实际工程维修经验,汇总了导致燃气压力调节器在用气低峰时段压力过高的原因:
阀口的密封垫片破损、阀口存在杂质或污物;阀口与阀体之间存在燃气泄露。
长期的高压状态容易引起灶具损害,造成巨大的安全隐患,对于用气低峰时出口高压类型的压力调节器设置故障标签类型为1;
出口低压类型:通常表现在用气高峰时出口压力低,出口压力低故障通常由弹簧疲劳、信号管堵塞、介质气体存在杂质等原因导致,易造成燃气用户用气高峰供气不足现象,图4所示,在用气高峰时段出现出口压力低的压力变化曲线,对于用气高峰时出口低压类型的压力调节器设置故障标签类型为2;
喘振故障类型:图5反映的是压力调节器出现喘振故障时的出口压力变化,从图5中可知,喘振故障下的压力调节器出口压力波动幅度较大、频率较高,且无规律可循,压力调节器失去稳压功能,由于出口压力频繁波动,会造成压力调节器内部零件阀杆会处于不断动作状态,极易造成设备的持续耗损,最终导致报废,喘振故障首先应排查进口压力波动、出口流量等外界影响因素,燃气内有水、出口阀门开启量过小、主轴锈蚀等情况也会致使压力调节器出口压力出现高频震荡的现象,若为压力调节器本身零部件存在损坏问题,应及时维修或更换,对于喘振故障类型设置故障标签类型为3。
上述的一种燃气压力调节器故障预测方法,其中,步骤2中提取故障类型数据中的故障特征包含数据采集月份、数据采集季节、出口压力值、入口压力值、出口压力阈值上限、出口压力阈值下限、入口压力阈值上限、入口压力阈值下限、温度数据、流量数据;
根据数据采集月份进行编码处理得到数据采集月份编码数据;
根据数据采集季节进行编码处理得到数据采集季节编码数据;
依次通过公式与公式计算得到出口压力方差、入口压力方差,其中,为样本出口压力值或入口压力值的均值,n为样本的数量,为第i个样本的出口压力值或入口压力值,S2为所有样本的出口压力方差或入口压力方差,压力的波动情况可以使用方差进行衡量,压力调节器调压稳定则体现在压力值在方差上会更小,反之依然;
按K小时区间计算出口压力值的均值方差得到K小时区间出口压力均值方差,其中,K小时的取值包含1小时、2小时、3小时、6小时、12小时、24小时,将每K小时压力均值的波动情况通过一个指标进行衡量,其中K小时区间出口压力均值的方差表示一台调压器设备在N天连续采集的数据中,每个K小时计算一次均值,统计所有K小时均值的波动情况,用方差这个指标进行衡量;
故障特征数据集包含数据采集月份编码数据、数据采集季节编码数据、出口压力值、出口压力方差、入口压力值、入口压力方差、出口压力阈值上限、出口压力阈值下限、入口压力阈值上限、入口压力阈值下限、温度数据、流量数据、K小时区间出口压力均值方差。
上述的一种燃气压力调节器故障预测方法,其中,数据采集月份编码数据依据春为0001、夏为0010、秋为0100、冬为1000进行编码;
数据采集季节编码数据采用1月为000000000001、2月为000000000010、3月为000000000100、4月为000000001000、5月为000000010000、6月为000000100000、7月为000001000000、8月为000010000000、9月为000100000000、10月为001000000000、11月为010000000000、12月为100000000000进行编码;
不同的月份和季节通常在用气的程度会有不同,对压力调节器易损程度有所影响,因此使用月份为具体特征信息,由于月份为具体的数值,而月份之间没有直接的计算和距离关系,属于名义变量,因此在模型训练时无法直接作为训练数据,需要进行编码。
上述的一种燃气压力调节器故障预测方法,其中,采用移除低方差方法与IV(information value)值方法对故障特征数据集进行筛选得到精准特征数据集的具体方法如下:
采用伯努利分布方差计算公式移除故障特征数据集中小于阈值的数据得到移除低方差特征数据集,选取p为0.9时计算得出的方差值作为阈值,其中,var(X)为随机变量X的方差,X为随机变量,取值0或1,p为X=1时的概率,那么X=0的概率是1-p;
依次通过公式、、对移除低方差特征数据集分别进行计算并剔除IV值小于0.02与大于0.5的数据得到精准特征数据集,其中,WOE(i)为第i个分箱的WOE值,Py(i)为所有无故障类型中第i个分箱中无故障类型所占的比率,Pn(i)为所有出口高压类型、出口低压类型、喘振故障类型中第i个分箱中出口高压类型、出口低压类型、喘振故障类型所占的比率,yi为第i个分箱中无故障类型的样本数,ys表示所有移除低方差特征数据集中无故障类型的样本数,ni为第i个分箱中出口高压类型、出口低压类型、喘振故障类型的样本数,ns表示移除低方差特征数据集中出口高压类型、出口低压类型、喘振故障类型的样本数、IV(i)为第i个分箱的IV值,T为特征的分箱个数;
IV主要用于对特征进行编码和预测能力评估,特征的IV值的大小预示着该特征对模型预测输出能力的强弱,IV的取值范围在[0, 无穷大),如表1给出了IV值的预测能力,在计算IV值之前,需要先计算WOE(Weight of Evidence)值,WOE表示的含义即是"当前分组中正样本占所有样本的比例"和"当前分组中负样本占所有样本的比例"的差异,对于连续特征而言,计算WOE之前需要进行离散化处理,即分箱操作。
表1
上述的一种燃气压力调节器故障预测方法,其中,步骤4依据朴素贝叶斯分类算法对精准特征数据集进行概率计算得到概率数据的方法如下:
将精准特征数据集的数据输入至公式1中计算所有精准特征数据集中给定特征时y为Ck类型的概率,记为P(y=Ck);
根据公式2给定类型P(y=Ck)计算第i个特征的条件概率P(xi∣y=Ck);
其中, X为精准特征数据集,Ck代表故障类型,k表示故障类型个数,M表示特征数量,P(y=Ck∣X)为给定精准特征数据集X时y为Ck类型的概率,P(y=Ck)为类型Ck的概率,P(X)为精准特征数据集的概率分布, P(xi∣y=Ck)为给定y=Ck类型时第i个特征的概率,如果xi为连续型变量,那么P(xi∣y=Ck)服从高斯分布,如果xi为离散型变量,那么P(xi∣y=Ck)服从伯努利分布;
P(y=Ck)和P(xi∣y=Ck)为计算得到的概率数据。
如图6所示,第二方面,第二实施例,一种燃气压力调节器故障预测系统,其中,包含数据处理模块100、特征提取模块200、筛选模块300、概率计算模块400、分析模块500;
数据处理模块100用于获取压力调节器的历史数据并进行处理得到压力调节器的故障类型数据;
特征提取模块200用于提取故障类型数据中的故障特征并进行处理得到故障特征数据集;
筛选模块300用于对故障特征数据集进行筛选得到精准特征数据集;
概率计算模块400用于对精准特征数据集进行概率计算得到概率数据;
分析模块500用于根据概率数据进行调节器故障预测。
综上,本发明的一种燃气压力调节器故障预测方法与系统,能够依据大量的燃气压力调节器故障的数据,对数据进行处理并整理出故障类型,构建出丰富的特征,使用构建的特征作为故障识别模型的训练数据,从而训练出故障类型预测准确率高的模型,从管网中实时采集的数据输入到训练好的模型进行预测,解决燃气压力调节器出现故障前给出预先的警示。
以上对发明的具体实施例进行了描述。需要理解的是,发明并不局限于上述特定实施方式,其中未尽详细描述的设备和结构应该理解为用本领域中的普通方式予以实施;本领域技术人员可以在权利要求的范围内做出各种变形或修改做出若干简单推演、变形或替换,这并不影响发明的实质内容。
Claims (8)
1.一种燃气压力调节器故障预测方法,其特征在于,包含以下步骤:
步骤1:获取压力调节器的历史数据并进行处理得到所述压力调节器的故障类型数据;
步骤2:提取所述故障类型数据中的故障特征并进行处理得到故障特征数据集;
步骤3:对所述故障特征数据集进行筛选得到精准特征数据集;
步骤4:对所述精准特征数据集进行概率计算得到概率数据;
步骤5:根据所述概率数据进行调节器故障预测。
2.如权利要求1所述的一种燃气压力调节器故障预测方法,其特征在于,步骤1中获取所述压力调节器的出口压力的所述历史数据并进行处理得到所述压力调节器的故障类型,并进行标签化处理,得到所述故障类型数据;
所述故障类型包含无故障类型、出口高压类型、出口低压类型、喘振故障类型。
3.如权利要求2所述的一种燃气压力调节器故障预测方法,其特征在于,标签化处理后的所述故障类型为无故障类型记为0、出口高压类型记为1、出口低压类型记为2、喘振故障类型记为3。
4.如权利要求3所述的一种燃气压力调节器故障预测方法,其特征在于,步骤2中提取所述故障类型数据中的所述故障特征包含数据采集月份、数据采集季节、出口压力值、入口压力值、出口压力阈值上限、出口压力阈值下限、入口压力阈值上限、入口压力阈值下限、温度数据、流量数据;
根据所述数据采集月份进行编码处理得到数据采集月份编码数据;
根据所述数据采集季节进行编码处理得到数据采集季节编码数据;
按K小时区间计算所述出口压力值的均值方差得到K小时区间出口压力均值方差,其中,K小时的取值包含1小时、2小时、3小时、6小时、12小时、24小时;
所述故障特征数据集包含所述数据采集月份编码数据、所述数据采集季节编码数据、所述出口压力值、所述出口压力方差、所述入口压力值、所述入口压力方差、所述出口压力阈值上限、所述出口压力阈值下限、所述入口压力阈值上限、所述入口压力阈值下限、所述温度数据、所述流量数据、所述K小时区间出口压力均值方差。
5.如权利要求4所述的一种燃气压力调节器故障预测方法,其特征在于,所述数据采集月份编码数据依据春为0001、夏为0010、秋为0100、冬为1000进行编码;
所述数据采集季节编码数据采用1月为000000000001、2月为000000000010、3月为000000000100、4月为000000001000、5月为000000010000、6月为000000100000、7月为000001000000、8月为000010000000、9月为000100000000、10月为001000000000、11月为010000000000、12月为100000000000进行编码。
6.如权利要求5所述的一种燃气压力调节器故障预测方法,其特征在于,采用移除低方差方法与IV值方法对所述故障特征数据集进行筛选得到所述精准特征数据集的具体方法如下:
采用伯努利分布方差计算公式移除所述故障特征数据集中小于阈值的数据得到移除低方差特征数据集,选取p为0.9时计算得出的方差值作为阈值,其中,var(X)为随机变量X的方差,X为随机变量,取值0或1,p为X=1时的概率,那么X=0的概率是1-p;
依次通过公式、、对所述移除低方差特征数据集分别进行计算并剔除IV值小于0.02与大于0.5的数据得到所述精准特征数据集,其中,WOE(i)为第i个分箱的WOE值,Py(i)为所有无故障类型中第i个分箱中无故障类型所占的比率,Pn(i)为所有出口高压类型、出口低压类型、喘振故障类型中第i个分箱中出口高压类型、出口低压类型、喘振故障类型所占的比率,yi为第i个分箱中无故障类型的样本数,ys表示所有移除低方差特征数据集中无故障类型的样本数,ni为第i个分箱中出口高压类型、出口低压类型、喘振故障类型的样本数,ns表示移除低方差特征数据集中出口高压类型、出口低压类型、喘振故障类型的样本数、IV(i)为第i个分箱的IV值,T为特征的分箱个数。
7.如权利要求6所述的一种燃气压力调节器故障预测方法,其特征在于,步骤4依据朴素贝叶斯分类算法对所述精准特征数据集进行概率计算得到概率数据的方法如下:
将所述精准特征数据集的数据输入至公式1中计算所有精准特征数据集中给定特征时y为Ck类型的概率,记为P(y=Ck);
根据公式2给定类型P(y=Ck)计算第i个特征所述的条件概率P(xi∣y=Ck);
其中, X为精准特征数据集,Ck代表故障类型,k表示故障类型个数,M表示特征数量, P(y=Ck∣X)为给定精准特征数据集X时y为Ck类型的概率,P(y=Ck)为类型Ck的概率,P(X)为精准特征数据集的概率分布, P(xi∣y=Ck)为给定y=Ck类型时第i个特征的概率,如果xi为连续型变量,那么P(xi∣y=Ck)服从高斯分布,如果xi为离散型变量,那么P(xi∣y=Ck)服从伯努利分布;
P(y=Ck)和P(xi∣y=Ck)为计算得到的概率数据。
8.一种燃气压力调节器故障预测系统,其特征在于,包含数据处理模块、特征提取模块、筛选模块、概率计算模块、分析模块;
所述数据处理模块用于获取压力调节器的历史数据并进行处理得到所述压力调节器的故障类型数据;
所述特征提取模块用于提取所述故障类型数据中的故障特征并进行处理得到故障特征数据集;
所述筛选模块用于对所述故障特征数据集进行筛选得到精准特征数据集;
所述概率计算模块用于对所述精准特征数据集进行概率计算得到概率数据;
所述分析模块用于根据所述概率数据进行调节器故障预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210924259.XA CN114997539B (zh) | 2022-08-03 | 2022-08-03 | 一种燃气压力调节器故障预测方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210924259.XA CN114997539B (zh) | 2022-08-03 | 2022-08-03 | 一种燃气压力调节器故障预测方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114997539A true CN114997539A (zh) | 2022-09-02 |
CN114997539B CN114997539B (zh) | 2022-12-02 |
Family
ID=83020926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210924259.XA Active CN114997539B (zh) | 2022-08-03 | 2022-08-03 | 一种燃气压力调节器故障预测方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114997539B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117235950A (zh) * | 2023-11-15 | 2023-12-15 | 上海叁零肆零科技有限公司 | 基于牛顿迭代法的天然气管网稳态仿真方法、介质及设备 |
CN117307987A (zh) * | 2023-11-29 | 2023-12-29 | 常州市潞城燃气设备股份有限公司 | 一种基于5g燃气调压器故障检测系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009193486A (ja) * | 2008-02-18 | 2009-08-27 | Fuji Xerox Co Ltd | 故障診断装置およびプログラム |
CN104407601A (zh) * | 2014-10-09 | 2015-03-11 | 讯腾数码科技(北京)有限公司 | 一种城市燃气管网调压设备运行故障诊断方法 |
CN106600140A (zh) * | 2016-12-07 | 2017-04-26 | 河海大学常州校区 | 基于改进支持向量机的燃气管道故障预测预警系统及方法 |
CN111191725A (zh) * | 2019-12-31 | 2020-05-22 | 北京市燃气集团有限责任公司 | 一种基于pca数据处理的rbf故障诊断方法、系统、终端及计算机存储介质 |
CN112488420A (zh) * | 2020-12-15 | 2021-03-12 | 浙江智昌机器人科技有限公司 | 一种基于条件概率的设备故障预测方法 |
CN112699048A (zh) * | 2021-01-13 | 2021-04-23 | 腾讯科技(深圳)有限公司 | 基于人工智能的程序故障处理方法、装置、设备及存储介质 |
CN112819107A (zh) * | 2021-04-16 | 2021-05-18 | 四川九门科技股份有限公司 | 基于人工智能的燃气调压设备故障预测方法 |
CN113761728A (zh) * | 2021-08-24 | 2021-12-07 | 威海广泰空港设备股份有限公司 | 基于车联网平台的机场电动特种车辆故障预警方法 |
-
2022
- 2022-08-03 CN CN202210924259.XA patent/CN114997539B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009193486A (ja) * | 2008-02-18 | 2009-08-27 | Fuji Xerox Co Ltd | 故障診断装置およびプログラム |
CN104407601A (zh) * | 2014-10-09 | 2015-03-11 | 讯腾数码科技(北京)有限公司 | 一种城市燃气管网调压设备运行故障诊断方法 |
CN106600140A (zh) * | 2016-12-07 | 2017-04-26 | 河海大学常州校区 | 基于改进支持向量机的燃气管道故障预测预警系统及方法 |
CN111191725A (zh) * | 2019-12-31 | 2020-05-22 | 北京市燃气集团有限责任公司 | 一种基于pca数据处理的rbf故障诊断方法、系统、终端及计算机存储介质 |
CN112488420A (zh) * | 2020-12-15 | 2021-03-12 | 浙江智昌机器人科技有限公司 | 一种基于条件概率的设备故障预测方法 |
CN112699048A (zh) * | 2021-01-13 | 2021-04-23 | 腾讯科技(深圳)有限公司 | 基于人工智能的程序故障处理方法、装置、设备及存储介质 |
CN112819107A (zh) * | 2021-04-16 | 2021-05-18 | 四川九门科技股份有限公司 | 基于人工智能的燃气调压设备故障预测方法 |
CN113761728A (zh) * | 2021-08-24 | 2021-12-07 | 威海广泰空港设备股份有限公司 | 基于车联网平台的机场电动特种车辆故障预警方法 |
Non-Patent Citations (4)
Title |
---|
DONG YINXING等: "Research on fault diagnosis algorithm of gas pressure regulator based on compressed sensing theory", 《2017 29TH CHINESE CONTROL AND DECISION CONFERENCE (CCDC)》 * |
李琪: "中低压燃气调压器智能预警技术应用与优化", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑 (月刊)》 * |
田露等: "基于参数学习的燃气调压器故障诊断网络优化", 《煤气与热力》 * |
郝学军等: "基于贝叶斯网络的燃气调压器故障诊断研究", 《煤气与热力》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117235950A (zh) * | 2023-11-15 | 2023-12-15 | 上海叁零肆零科技有限公司 | 基于牛顿迭代法的天然气管网稳态仿真方法、介质及设备 |
CN117235950B (zh) * | 2023-11-15 | 2024-01-30 | 上海叁零肆零科技有限公司 | 基于牛顿迭代法的天然气管网稳态仿真方法、介质及设备 |
CN117307987A (zh) * | 2023-11-29 | 2023-12-29 | 常州市潞城燃气设备股份有限公司 | 一种基于5g燃气调压器故障检测系统 |
CN117307987B (zh) * | 2023-11-29 | 2024-02-20 | 常州市潞城燃气设备股份有限公司 | 一种基于5g燃气调压器故障检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114997539B (zh) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114997539B (zh) | 一种燃气压力调节器故障预测方法与系统 | |
CN109524139B (zh) | 一种基于设备工况变化的实时设备性能监测方法 | |
CN111539553B (zh) | 基于svr算法和偏峰度的风电机组发电机故障预警方法 | |
CN110926809B (zh) | 一种基于大数据分析的风电机组传动链故障预警方法 | |
CN106054104A (zh) | 一种基于决策树的智能电表故障实时预测方法 | |
CN114863652B (zh) | 变压器状态监测智能预警方法 | |
CN103103570B (zh) | 基于主元相似性测度的铝电解槽况诊断方法 | |
CN104677997B (zh) | 一种变压器油色谱在线监测差异化预警方法 | |
CN107906375B (zh) | 基于加权排列熵的管道泄漏检测方法及系统 | |
CN105117512A (zh) | 变压器预警值的估算方法及装置 | |
CN116383636A (zh) | 一种基于pca与lstm融合算法的磨煤机故障预警方法 | |
CN103925155A (zh) | 一种风电机组输出功率异常的自适应检测方法 | |
Gu et al. | Singular value diagnosis in dam safety monitoring effect values | |
CN110580492A (zh) | 一种基于小幅波动检测的轨道电路故障前兆发现方法 | |
CN112036087A (zh) | 一种多策略融合的核动力关键设备故障诊断方法及系统 | |
CN113987908A (zh) | 基于机器学习方法的天然气管网泄漏预警方法 | |
CN111797533B (zh) | 一种核动力装置运行参数异常检测方法及系统 | |
CN107103425B (zh) | 发电设备运行状态计算机智能量化评价系统 | |
CN115949890A (zh) | 一种城市燃气管网泄漏监测分级报警和处置方法 | |
CN109615273A (zh) | 一种电动汽车充电设施状态评价方法与系统 | |
CN113378887B (zh) | 一种乳化液泵故障分级诊断方法 | |
CN117744859A (zh) | 基于自适应双控制策略的风电机组发电机故障预警方法 | |
CN113505909A (zh) | 一种面向短期风电功率趋势预测的误差补偿方法 | |
CN116702074A (zh) | 基于小波分解提取压力高频分量的供水管网爆管侦测方法 | |
CN117010690A (zh) | 基于人工智能的生产安全预警方法 |
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 |