CN115237081A - 确定具有异常的后处理设备的方法、设备和介质 - Google Patents
确定具有异常的后处理设备的方法、设备和介质 Download PDFInfo
- Publication number
- CN115237081A CN115237081A CN202211154382.4A CN202211154382A CN115237081A CN 115237081 A CN115237081 A CN 115237081A CN 202211154382 A CN202211154382 A CN 202211154382A CN 115237081 A CN115237081 A CN 115237081A
- Authority
- CN
- China
- Prior art keywords
- post
- data
- processing device
- flow
- determining
- 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
- 238000012805 post-processing Methods 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 81
- 230000006835 compression Effects 0.000 claims abstract description 90
- 238000007906 compression Methods 0.000 claims abstract description 90
- 238000004519 manufacturing process Methods 0.000 claims abstract description 83
- 238000012545 processing Methods 0.000 claims abstract description 30
- 230000002159 abnormal effect Effects 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims 1
- 230000005856 abnormality Effects 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 25
- 238000004590 computer program Methods 0.000 description 9
- 230000002547 anomalous effect Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000001816 cooling Methods 0.000 description 3
- 238000001035 drying Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Automation & Control Theory (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Mechanical Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开的实施例涉及确定具有异常的后处理设备的方法、设备和介质。根据该方法，获取第一时间段内与空压站相关联的多个第一数据集合；对该多个第一数据集合进行处理，以得到多个第二数据集合；基于该多个第二数据集合，为预先建立的产气端流量预测模型确定多个模型系数，以便基于所确定的多个模型系数确定每一个后处理设备在所述第一时间段的损耗流量；以及至少基于每一个后处理设备在第一时间段的损耗流量，确定空压站中存在异常的后处理设备。由此，能够容易地确定空压站中的每一后处理设备的损耗流量并由此确定空压站中存在异常的后处理设备，以避免对空压站中的空压机的性能造成误判，从而可以达到节能的目的。
Description
技术领域
本公开的实施例总体涉及故障检测领域，并且更具体地涉及一种确定具有异常的后处理设备的方法、设备和介质。
背景技术
在空气压缩系统中，由空压站中的空压机产生的空气在从空压机出口输送到用气车间的过程中会经过管道、阀门、储气罐和后处理设备等，这些设备均会对空压机的产气量（即，产气端流量）造成一定程度的损耗。后处理设备主要指的是冷干机、吸干机之类的用于对空压机产生的空气进行冷却、干燥和净化处理的设备，这些后处理设备对空压机的产气量所造成的损耗在前面提到的所有设备之中占比最大。目前，在空气压缩系统中，产气端流量（单位为例如立方/分钟）通常由安装在后处理设备之后的母管上的流量计来进行测量，因此如果任何后处理设备对产气的损耗高于正常水平，就会造成对空压站中的空压机性能的误判，例如将正常的控制器误判为存在性能问题，从而导致针对空压站中的空压机的错误控制策略，进而引起能源的浪费。
因此，有必要提供一种确定具有异常的后处理设备的技术，使得可以容易地确定空压站中的每一后处理设备的损耗流量并由此确定空压站中存在异常的后处理设备，以避免对空压站中的空压机的性能造成误判，从而可以达到节能的目的。
发明内容
针对上述问题，本公开提供了一种确定具有异常的后处理设备的方法、设备和介质，使得能够容易地确定空压站中的每一后处理设备的损耗流量并由此确定空压站中存在异常的后处理设备，以避免对空压站中的空压机的性能造成误判，从而可以达到节能的目的。
根据本公开的第一方面，提供了一种确定具有异常的后处理设备的方法，包括：获取第一时间段内与空压站相关联的多个第一数据集合，每一第一数据集合包括在所述第一时间段的相应采样时间点的产气端流量数据、多个空压机的总运行功率数据以及每一个后处理设备的运行状态数据；对所述多个第一数据集合进行处理，以得到与所述空压站相关联的多个第二数据集合；基于所述多个第二数据集合，为预先建立的产气端流量预测模型确定使得相关联的损失函数最小化的多个模型系数，以便基于所确定的多个模型系数确定每一个后处理设备在所述第一时间段的损耗流量，所述产气端流量预测模型用于表示所述空压站的产气端流量与所述多个空压机的总运行功率以及每一个后处理设备的运行状态之间的关系；以及至少基于每一个后处理设备在所述第一时间段的损耗流量，确定所述空压站中存在异常的后处理设备，以对存在异常的后处理设备进行处理。
根据本公开的第二方面，提供了一种计算设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开的第一方面的方法。
在本公开的第三方面中，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中所述计算机指令用于使计算机执行本公开的第一方面的方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标注表示相同或相似的元素。
图1示出了用于实现根据本发明的实施例的确定具有异常的后处理设备的方法的系统100的示意图。
图2示出了根据本公开的实施例的空气压缩系统200的示意图。
图3示出了根据本公开的实施例的用于确定具有异常的后处理设备的方法300的流程图。
图4示出了根据本公开的实施例的用于对所获取的多个第一数据集合进行处理的方法400的流程图。
图5示出了根据本公开的一些实施例的用于至少基于每一个后处理设备在第一时间段的损耗流量确定所述空压站中存在异常的后处理设备的方法500的流程图。
图6示出了根据本公开的另一些实施例的用于至少基于每一个后处理设备在第一时间段的损耗流量确定所述空压站中存在异常的后处理设备的方法600的流程图。
图7示出了根据本公开的又一些实施例的用于至少基于每一个后处理设备在第一时间段的损耗流量确定所述空压站中存在异常的后处理设备的方法700的流程图。
图8示出了根据本公开的实施例的电子设备800的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
如上所述，在空气压缩系统中，由空压站中的空压机产生的空气在从空压机出口输送到用气车间的过程中会经过管道、阀门、储气罐和后处理设备等，这些设备均会对空压机的产气量（即，产气端流量）造成一定程度的损耗。后处理设备主要指的是冷干机、吸干机之类的用于对空压机产生的空气进行冷却、干燥和净化处理的设备，这些后处理设备对空压机的产气量的SIP造成的损耗在前面提到的所有设备之中占比最大。目前，在空气压缩系统中，产气端流量（单位为例如立方/分钟）通常由安装在后处理设备之后的母管上的流量计来进行测量，因此如果任何后处理设备对产气的损耗高于正常水平，就会造成对空压站中的空压机性能的误判，例如将正常的控制器误判为存在性能问题，从而导致针对空压站中的空压机的错误控制策略，进而引起能源的浪费。
在空压站中的每一后处理设备的前后都分别安装一个流量计可用于监控各相应的后处理设备的流量损耗，进而有助于实现对存在异常的后处理设备的确定。但是，由于空压站中通常包括较多的后处理设备，而流量计的价格通常又非常昂贵，因此这种方式无疑会造成使用成本的大大增加。
因此，为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个，本公开的示例实施例提出了一种确定具有异常的后处理设备的方法，包括：获取第一时间段内与空压站相关联的多个第一数据集合，每一第一数据集合包括在所述第一时间段的相应采样时间点的产气端流量数据、多个空压机的总运行功率数据以及每一个后处理设备的运行状态数据；对所述多个第一数据集合进行处理，以得到与所述空压站相关联的多个第二数据集合；基于所述多个第二数据集合，为预先建立的产气端流量预测模型确定使得相关联的损失函数最小化的多个模型系数，以便基于所确定的多个模型系数确定每一个后处理设备在所述第一时间段的损耗流量，所述产气端流量预测模型用于表示所述空压站的产气端流量与所述多个空压机的总运行功率以及每一个后处理设备的运行状态之间的关系；以及至少基于每一个后处理设备在所述第一时间段的损耗流量，确定所述空压站中存在异常的后处理设备，以对存在异常的后处理设备进行处理。以此方式，使得基于产气端流量数据、空压站中的多个空压机的总运行功率数据以及空压站中的每一个后处理设备的运行状态数据就可容易地确定空压站中的每一后处理设备的损耗流量，并由此确定空压站中存在异常的后处理设备以对其进行处理，从而可以避免对空压站中的空压机的性能造成误判而影响对整个空压站中的空压机的控制效果，并且可以保持整个空压站的高效运行，进而达到节能的目的，而无需增加额外的成本。
图1示出了用于实现根据本发明的实施例的确定具有异常的后处理设备的方法的系统100的示意图。如图1中所示，系统100包括服务器110以及空气压缩系统120。服务器110与空气压缩系统120通信连接，以从空气压缩系统120获取与空压站相关联的产气端流量数据、每一空压机的运行功率数据（基于这些运行功率数据可确定这些空压机的总运行功率数据）以及每一个后处理设备的运行状态数据。服务器110可由一个或多个诸如台式机、膝上型计算机、笔记本电脑、工业控制计算机之类的计算设备实现，其可以包括至少一个处理器1101以及与该至少一个处理器1101耦合的至少一个存储器1102，该存储器1102中存储有可由该至少一个处理器1102执行的指令，该指令在被该至少一个处理器1101执行时执行如下所述的方法300。服务器110的具体结构可例如为下面结合图8所描述的电子设备800。
图2示出了根据本公开的实施例的空气压缩系统200（即，如图1所示的空气压缩系统120）的示意图。如图2所示，空气压缩系统200包括空压站，空压机可包括多个空压机，其用于产生压缩空气，以供通过输气管道（包括母管）提供至各个用气车间。空压站中还可包括诸如冷干机和吸干机之类的用于对空压机产生的压缩空气进行冷却、干燥和净化处理的多个后处理设备（图中未示出）。在本公开中，可在每一空压机后面安装一个相应的后处理设备，也可仅在一些空压机后面安装相应的后处理设备，或者在所有空压机后面仅安装一个后处理设备，这取决于具体的应用。在本公开中，服务器110与空压站中的每一个空压机均通信连接，以从各个空压机接收其运行功率数据，并且基于每一空压机的当前运行功率数据可确定所有空压机的当前总运行功率数据。服务器110还与空压站中安装的每一个后处理设备均通信连接，以从每一个后处理设备获取运行状态数据。在本公开中，后处理设备包括运行和停机两种运行状态，当后处理设备的当前运行状态为运行时，其当前的运行状态数据为1，当后处理设备的当前运行状态为停机时，其当前的运行状态数据为0。空气压缩系统200中的产气端流量计安装在母管上，其用于感测空压站中的多个空压机所产生的缩的空气压流量，即产气端流量数据（也称为母管流量数据），其单位为例如立方/分钟。服务器110还与该产气端流量计通信连接，以从该产气端流量计获取相应的产气端流量数据。应了解，虽然在图2中仅示出了空压站包括四个空压机，但是在实际应用中空压站中可包括更多或更少的空压机。
图3示出了根据本公开的实施例的用于确定具有异常的后处理设备的方法300的流程图。方法300可由如图1所示的服务器110执行，也可以在图8所示的电子设备800处执行。应当理解的是，方法300还可以包括未示出的附加框和/或可以省略所示出的框，本公开的范围在此方面不受限制。
在步骤302，获取第一时间段内与空压站（例如，图2中的空压站）相关联的多个第一数据集合，每一第一数据集合包括在该第一时间段的相应采样时间点的产气端流量数据、多个空压机的总运行功率数据以及每一个后处理设备的运行状态数据。
例如，服务器110会接收来自压缩用气系统的在第一时间段内以预定的采样频率采集到的产气端流量数据、每一个空压机的运行功率数据以及每一个后处理设备的运行状态数据，并且服务器110还会基于每一个空压机的在各特定采样时间点的运行功率数据确定空压站中的所有空压机在该采样时间点的总运行功率数据。因此，对于每一个采样时间点，服务器110都可获取一个相应的第一数据集合，该第一数据集合包括在该采样时间点的产气端流量数据、总运行功率数据以及每一个后处理设备的运行状态数据。例如，如果空压站中包括三个后处理设备，则相应的第一数据集合中会包括这三个后处理设备中的每一个后处理设备的运行状态数据。在本公开中，该预定的采样频率可以为例如每分钟或每几分钟采集一次相关数据，并且该第一时间段的时间长度可以例如为一天、一个星期、一个月或一年等。
在步骤304，对该多个第一数据集合进行处理，以得到与空压站相关联的多个第二数据集合。
为了确保后面所确定的产气端流量预测模型的模型系数的准确性，需对在步骤302获取的多个第一数据集合进行处理，以去除随时间变化存在毛刺的数据、存在异常的数据或者其他会影响模型系数的预测准确性的数据。
在一些实施例中，对于某些空气压缩系统，所获取的多个第一数据集合中的产气端流量数据和总运行功率数据可能会具有比较大的波动（例如，可能会存在一些毛刺数据，例如相应的变化关系中的尖峰所对应的产气端流量数据和运行功率数据），这类产气端流量数据和总运行功率数据对后续后处理设备的异常判断会产生较大的影响，因此在这种情况下可通过数据平滑处理来减少此类波动。例如，可通过按照一定的时间长度将所获取的多个第一数据集合分组成多个数据分组，该时间长度通常为大于2分钟并且小于5分钟的时间长度，例如为3分钟的时间长度。然后，分别使用对应数据分组内产气端流量数据和总运行功率数据的中位数或平均值来作为相应的第二数据集的产气端流量数据和总运行功率数据。在本公开中，在针对产气端流量数据和总运行功率数据的平滑处理之前或平滑处理之后，还可对所获取的多个第一数据集合中的每一个后处理设备的运行状态数据进行处理，以避免其对所确定的模型系数的准确性造成影响。具体地，如果某个后处理设备在某个数据分组中的运行状态数据发生了变化（例如，在相应的时间段内，开始的运行状态为运行，后来又变为了停机），则说明该数据分组的数据的状态并不稳定，无法用来准确地预测相应的模型系数，因此需要将该分组移除。下面将结合图4对以上处理进行进一步更详细的描述。在一些实施例中，在需要进行后面提到的异常值处理和缺失值处理的情况下，这里提到的处理可以在这样的异常值处理和缺失值处理之后进行。
在一些实施例中，服务器110还可对所获取的多个第一数据集合中的产气端流量数据和总运行功率数据进行异常值处理，以去除其中存在的异常值。例如，在一些实现中，可以使用“四分法”来识别所获取的多个第一数据集合中存在异常的产气端流量数据和总运行功率数据，下面以产气端流量数据为例进行说明。例如，可分别确定所获取的多个第一数据集合中的产气端流量数据的0.25分位数q1和0.75分位数q3，然后将在q1-n*△q和q3+n*△q之外的产气端流量数据认为是存在异常的产气端流量数据以便将其去除，其中△q为四分位距，其等于q3-q1，n可在处理的过程中可根据实际情况进行调整，通常情况下取值为1.5。在另一些实现中，可计算所获取的多个产气端流量数据的均值mean和标准差std，然后将这些产气端流量数据中位于区间范围
区间之外的产气端流量数据认为是存在异常的产气端流量数据以便将其去除，其中n的取值一般为1到3之一。还可对经异常处理的产气端流量数据进行缺失值填充，例如用前一个有值的产气端流量数据来填充缺失值。对于总运行功率数据也可以按类似的方式来进行异常值处理。
在一些实施例中，还可对经异常处理的产气端流量数据和总运行功率数据进行缺失值填充，例如用前一个有值的产气端流量数据来填充缺失值，对于总运行功率数据也可以类似的方式进行缺失值处理。
在步骤306，基于多个第二数据集合（即在步骤304得到的多个第二数据集合），为预先建立的产气端流量预测模型确定使得相关联的损失函数最小化的多个模型系数，以便基于所确定的多个模型系数确定每一个后处理设备在所述第一时间段的损耗流量。在本公开中，产气端流量预测模型用于表示空压站的产气端流量与空压站中的多个空压机的总运行功率以及每一个后处理设备的运行状态之间的关系。
在一些实施例中，产气端流量预测模型可使用以下公式（1）来表示：
在以上公式（1）中，y指示预测的产气端流量，x1指示空压站中包括的多个空压机的总运行功率，x2到xn分别指示空压站中包括的第1个后处理设备到第n-1个后处理设备的运行状态，a1为待确定的与总运行功率相关联的模型系数，a2到an为待确定的分别与第1个后处理设备到第n-1个后处理设备相关联的模型系数，n等于空压站中包括的后处理设备的数量加1。
在本公开中，通过分别将在步骤304得到的多个第二数据集合中的产气端流量数据和总运行功率数据输入以上公式（1），可得到多个相应的产气端流量数据的预测值。
在一些实施例中，损失函数可使用以下公式（2）来表示：
在以上公式（2）中，m为多个第二数据集合（即，在步骤304得到的多个第二数据集合）的数量，yi为第i个第二数据集合中包括的真实的产气端流量数据，X i为由第i个第二数据集合中包括的总运行功率数据以及第1个后处理设备到第n-1个后处理设备的运行状态数据组成的向量，W表示由待确定的模型系数a1到an组成的系数向量，WT为系数向量W的转置。
在另一些实施例中，损失函数可使用以下公式（3）来表示：
在以上公式（3）中，λ||W||1为L1正则项，其中||W||1表示系数向量W的L1范数，即系数向量W内的每一个值的绝对值之和，λ为超参数，优化前人工设置，也可通过贝叶斯优化或网格搜索进行选择，并且λ>0，其他参数的含义与前面提到的公式（2）相同。
线性回归求解的过程为求解使损失函数最小化的系数向量W，从而使得相应的预测值和真实值之间的误差最小。在以上涉及L1正则项的实施例中，L1正则化因为绝对值的存在，求解时更容易获得稀疏解，即系数向量W中有一部分对y的预测起不到太大作用的系数为零，而系数为零对应的特征就对预测的结果没有作用，可进行剔除，从而起到了对特征选择的作用，使得与对流量损失影响较小的后处理设备相关联的模型系数为0，即可以认为该后处理设备没有流量损耗。
在本公开中，可基于线性回归算法（例如，普通的多元线性回归算法、岭回归（Ridge Regression）算法、最小绝对值收敛和选择算子（Least Absolute Shrinkage andSelection Operator，简称为Lasso）回归算法（例如，坐标轴下降法或最小角回归法）等中的任一种线性回归算法），通过使以上损失函数最小化，来确定产气端流量预测模型的各个模型系数a1到an。在一些实施例中，也可分别基于多个不同的线性回归算法，为产气端流量预测模型确定多组模型系数（例如，可基于普通的多元线性回归算法、岭回归算法、Lasso回归算法等中的两个或更多个分别为产气端流量预测模型确定一组模型系数，每一组模型系数都包括模型系数a1到an的预测值），然后从该多组模型系数中选择平均绝对百分比误差（Mean Absolute Percentage Error，简称为MAPE）最小的一组模型系数来作为该产气端流量预测模型的多个模型系数。
如上所述，在本公开中，产气端流量预测模型用于表示空压站的产气端流量与空压站中的多个空压机的总运行功率以及每一个后处理设备的运行状态之间的关系，因此产气端流量预测模型实际上反映了空压站中包括的多个空压机的总运行功率以及各个后处理设备的运行状态对该空压站的产气端流量的影响。由于当后处理设备的当前运行状态为运行时，其当前的运行状态数据被设为1，当后处理设备的当前运行状态为停机时，其当前的运行状态数据被设为0，因此产气端流量预测模型中与各个后处理设备相关联的模型系数的取值实际上反映了相应后处理设备的损耗流量。因此，在本公开中，可通过求解产气端流量预测模型的模型系数，来确定各个后处理设备的损耗流量。
在步骤308，至少基于每一个后处理设备在第一时间段的损耗流量，确定空压站中存在异常的后处理设备，以对存在异常的后处理设备进行处理。
在本公开中，在确定了每一后处理设备在第一时间段的损耗流量之后，即可至少基于相应的损耗流量来确定该后处理设备是否存在异常，以便对存在异常的后处理设备进行处理，该处理可包括例如下调存在异常的后处理设备的开机优先级以减少该后处理设备的运行时长，或者对存在异常的后处理设备进行维护（例如，将该后处理设备交付维修）等。下面将结合图5-7来对步骤308作进一步更详细的描述。
在本公开中，存在异常的后处理设备主要指的是该后处理设备存在可影响其流量损耗的异常。
图4示出了根据本公开的实施例的用于对所获取的多个第一数据集合进行处理的方法400的流程图。方法400可由如图1所示的服务器110执行，也可以在图8所示的电子设备800处执行。应当理解的是，方法400还可以包括未示出的附加框和/或可以省略所示出的框，本公开的范围在此方面不受限制。
在步骤402，按照预定的时间长度，将多个第一数据集合分组成多个数据分组。
换言之，就是将步骤302中提到的第一时间段划分成多个子时间段，每一子时间段的时间长度为步骤402中提到的预定的时间长度，然后就可将在各个子时间段内采集到的多个第一数据集合划归到一个数据分组中。由此可知，该预定的时间长度必定小于第一时间段的时间长度。在本公开中，该预定的时间长度通常为大于2分钟并且小于5分钟的时间长度，例如为3分钟的时间长度。
在步骤404，确定多个数据分组中每一个后处理设备的运行状态数据均保持不变的多个数据分组。
如果在某个数据分组中，某个后处理设备的运行状态数据发生了变化，则说明该数据分组不适合参与产气端流量预测模型的模型系数的预测，因为在相应的时间段内，后处理设备的运行状态数据是不稳定的。
在步骤406，对于所确定的多个数据分组中的每一个数据分组，分别使用该数据分组中包括的多个第一数据集合的产气端流量数据和总运行功率数据的中位数或平均值作为相应第二数据集合的产气端流量数据和总运行功率数据，并且使用该数据分组中各后处理设备的运行状态数据作为相应后处理设备在该相应第二数据集合中的运行状态数据。
通过采用上述手段，本公开能够获得稳定的用于对产气端流量预测模型的模型系数进行求解的数据集合，从而可助于确保所确定的模型系数的准确性。
图5示出了根据本公开的一些实施例的用于至少基于每一个后处理设备在第一时间段的损耗流量确定所述空压站中存在异常的后处理设备的方法500的流程图。方法500可由如图1所示的服务器110执行，也可以在图8所示的电子设备800处执行。应当理解的是，方法500还可以包括未示出的附加框和/或可以省略所示出的框，本公开的范围在此方面不受限制。
在本公开中，方法500主要适用于在空压站所包括的各个后处理设备的设备参数中包括相应的标准损耗流量范围的使用场景，具体地可通过以下步骤502和504来实现。
在步骤502，对于空压站中包括的每一个后处理设备，确定该后处理设备在第一时间段的损耗流量是否落在相应的标准损耗流量范围内。
在步骤504，响应于确定该后处理设备在第一时间段的损耗流量在相应的标准损耗流量范围之外，则确定该后处理设备存在异常。
相反，如果确定该后处理设备在第一时间段的损耗流量落在相应的标准损耗流量范围之内，则说明该后处理设备的损耗流量在所允许的正常范围内，由此即可判断该后处理设备并不存在异常。
图6示出了根据本公开的另一些实施例的用于至少基于每一个后处理设备在第一时间段的损耗流量确定空压站中存在异常的后处理设备的方法600的流程图。方法600可由如图1所示的服务器110执行，也可以在图8所示的电子设备800处执行。应当理解的是，方法600还可以包括未示出的附加框和/或可以省略所示出的框，本公开的范围在此方面不受限制。
在本公开中，方法600实际上通过长时间对空压站中的每一个后处理设备的损耗流量数据进行监控，来确定空压站中存在异常的后处理设备，该方法600主要适用于在空压站所包括的各个后处理设备的设备参数中不包括相应的标准损耗流量范围的使用场景，因为在这样的使用场景中无法实现对某一时间段的损耗流量与相应的标准损耗流量范围的比对。当然，应领会，如果在空压站所包括的各个后处理设备的设备参数中包括相应的标准损耗流量范围，也可使用方法600来确定空压站中存在异常的后处理设备。方法600主要包括以下步骤602-606。
在步骤602，确定每一个后处理设备在该第一时间段之后的多个后续时间段的损耗流量数据。
在本公开中，通过确定每一个后处理设备在第一时间段的损耗流量数据，并确定每一个后处理设备在多个后续时间段的损耗流量数据，相当于实现了对每一后处理设备的损耗流量的监控。
在步骤604，基于该后处理设备在第一时间段的损耗流量以及在多个后续时间段的损耗流量，确定该后处理设备的损耗流量是否发生了突变或者在持续变化中。
如果某个后处理设备在某个时间段的损耗流量明显大于或小于其他时间段的损耗流量，则说明该后处理设备的损耗流量发生了突变。
如果某个后处理设备在第一时间段以及多个候选时间段的损耗流量呈现逐渐变大或逐渐变小的趋势，则说明该后处理设备的损耗流量在持续变化中。
在步骤606，响应于确定该后处理设备的损耗流量发生了突变或者在持续变化中，确定该后处理设备存在异常。
如果某个后处理设备的损耗流量发生了突变或者在持续变化中，则说明该后处理设备的损耗流量是不稳定的，由此就可确定该后处理设备存在异常。
图7示出了根据本公开的又一些实施例的用于至少基于每一个后处理设备在第一时间段的损耗流量确定所述空压站中存在异常的后处理设备的方法700的流程图。方法700可由如图1所示的服务器110执行，也可以在图8所示的电子设备800处执行。应当理解的是，方法700还可以包括未示出的附加框和/或可以省略所示出的框，本公开的范围在此方面不受限制。
在本公开中，方法700适用于在空压站中至少包括两个或更多个相同额定功率的后处理设备的使用场景，方法700可与前面提到的方法500和600结合使用。
在步骤702，确定空压站中具有相同额定功率的两个或更多个后处理设备。
在步骤704，如果所确定的两个或更多个后处理设备中的一个后处理设备在第一时间段的损耗流量与所确定的两个或更多个后处理设备中半数以上的其他后处理设备在该第一时间段的损耗流量之间的差值均大于预定阈值，则确定该后处理设备存在异常。
在本公开中，可根据空气压缩系统的实际情况，选用前面提到的方法500-700中一种或多种方法来确定空压站中存在异常的后处理设备。通过使用这些方法，可有助于快速而准确地确定空压站中存在异常的后处理设备，而不会增加成本。在确定了存在异常的后处理设备之后，就可对这样的后处理设备进行处理，例如降低其优先级或对其进行维护，以达到节能的目的。
图8示出了可以用来实施本公开内容的实施例的示例电子设备800的示意性框图。例如，如图1所示的服务器110可以由电子设备800来实施。如图所示，电子设备800包括中央处理单元（CPU）801，其可以根据存储在只读存储器（ROM）802中的计算机程序指令或者从存储单元808加载到随机存取存储器（RAM）803中的计算机程序指令，来执行各种适当的动作和处理。在随机存取存储器803中，还可存储电子设备800操作所需的各种程序和数据。中央处理单元801、只读存储器802以及随机存取存储器803通过总线804彼此相连。输入/输出（I/O）接口805也连接至总线804。
电子设备800中的多个部件连接至输入/输出接口805，包括：输入单元806，例如键盘、鼠标、麦克风等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
上文所描述的各个过程和处理，例如方法300-700，可由中央处理单元801执行。例如，在一些实施例中，方法300-700可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由只读存储器802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序被加载到随机存取存储器803并由中央处理单元801执行时，可以执行上文描述的方法300-700的一个或多个动作。
本公开涉及方法、装置、系统、电子设备、计算机可读存储介质和/或计算机程序产品。计算机程序产品可以包括用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、静态随机存取存储器（SRAM）、便携式压缩盘只读存储器（CD-ROM）、数字多功能盘（DVD）、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘计算设备。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构（ISA）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（FPGA）或可编程逻辑阵列（PLA），该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置（系统）和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (11)
1.一种确定具有异常的后处理设备的方法，包括：
获取第一时间段内与空压站相关联的多个第一数据集合，每一第一数据集合包括在所述第一时间段的相应采样时间点的产气端流量数据、多个空压机的总运行功率数据以及每一个后处理设备的运行状态数据；
对所述多个第一数据集合进行处理，以得到与所述空压站相关联的多个第二数据集合；
基于所述多个第二数据集合，为预先建立的产气端流量预测模型确定使得相关联的损失函数最小化的多个模型系数，以便基于所确定的多个模型系数确定每一个后处理设备在所述第一时间段的损耗流量，所述产气端流量预测模型用于表示所述空压站的产气端流量与所述多个空压机的总运行功率以及每一个后处理设备的运行状态之间的关系；以及
至少基于每一个后处理设备在所述第一时间段的损耗流量，确定所述空压站中存在异常的后处理设备，以对存在异常的后处理设备进行处理。
2.根据权利要求1所述的方法，其中对所获取的多个第一数据集合进行处理包括：
按照预定的时间长度，将所述多个第一数据集合分组成多个数据分组；
确定所述多个数据分组中每一个后处理设备的运行状态数据均保持不变的多个数据分组；以及
对于所确定的多个数据分组中的每一个数据分组，分别使用该数据分组中包括的多个第一数据集合的产气端流量数据和总运行功率数据的中位数或平均值作为相应的第二数据集合的产气端流量数据和总运行功率数据，并且使用该数据分组中各后处理设备的运行状态数据作为相应后处理设备在该相应的第二数据集合中的运行状态数据。
3.根据权利要求1所述的方法，其中所述产气端流量预测模型表示为：
其中y指示预测的产气端流量，x1指示所述空压站中包括的所述多个空压机的总运行功率，x2到xn分别指示所述空压站中包括的第1个后处理设备到第n-1个后处理设备的运行状态，a1为待确定的与总运行功率相关联的模型系数，a2到an为待确定的分别与第1个后处理设备到第n-1个后处理设备相关联的模型系数，n等于空压站中包括的后处理设备的数量加1。
4.根据权利要求3所述的方法，其中所述损失函数表示为：
其中，m为所述多个第二数据集合的数量，yi为第i个第二数据集合中包括的真实的产气端流量数据，X i为由第i个第二数据集合中包括的总运行功率数据以及第1个后处理设备到第n-1个后处理设备的运行状态数据组成的向量，W为由待确定的模型系数a1到an组成的系数向量。
5.根据权利要求3所述的方法，其中所述损失函数表示为
其中，m为所述多个第二数据集合的数量，yi为第i个第二数据集合中包括的真实的产气端流量数据，X i为由第i个第二数据集合中包括的总运行功率数据以及第1个后处理设备到第n-1个后处理设备的运行状态数据组成的向量，W为由待确定的模型系数a1到an组成的系数向量，||W||1表示系数向量W的L1范数，即系数向量W内的每一个值的绝对值之和，λ为超参数并且λ>0。
6.根据权利要求1所述的方法，其中至少基于每一个后处理设备在所述第一时间段的损耗流量，确定所述空压站中存在异常的后处理设备包括：
对于所述空压站中包括的每一个后处理设备，确定所述后处理设备在所述第一时间段的损耗流量是否落在相应的标准损耗流量范围内；以及
响应于确定所述后处理设备在所述第一时间段的损耗流量在相应的标准损耗流量范围之外，则确定所述后处理设备存在异常。
7.根据权利要求1所述的方法，其中至少基于每一个后处理设备在所述第一时间段的损耗流量，确定所述空压站中存在异常的后处理设备包括：
确定每一个后处理设备在所述第一时间段之后的多个后续时间段的损耗流量数据；
基于所述后处理设备在所述第一时间段的损耗流量以及在所述多个后续时间段的损耗流量，确定所述后处理设备的损耗流量是否发生了突变或者在持续变化中；
响应于确定所述后处理设备的损耗流量发生了突变或者在持续变化中，确定所述后处理设备存在异常。
8.根据权利要求1所述的方法，其中至少基于每一个后处理设备在所述第一时间段的损耗流量，确定所述空压站中存在异常的后处理设备包括：
确定所述空压站中具有相同额定功率的两个或更多个后处理设备；
如果所确定的两个或更多个后处理设备中的一个后处理设备在所述第一时间段的损耗流量与所确定的两个或更多个后处理设备中半数以上的其他后处理设备在所述第一时间段的损耗流量之间的差值均大于预定阈值，则确定所述后处理设备存在异常。
9.根据权利要求1所述的方法，其中基于所述多个第二数据集合，为预先建立的产气端流量预测模型确定使得相关联的损失函数最小化的多个模型系数包括：
分别基于多个不同的线性回归算法，为所述产气端流量预测模型确定多组模型系数；
从所述多组模型系数中选择平均绝对百分比误差最小的一组模型系数作为所述产气端流量预测模型确定的多个模型系数。
10.一种计算设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
11.一种存储有计算机指令的非瞬时计算机可读存储介质，其中所述计算机指令用于使计算机执行权利要求1-9中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211154382.4A CN115237081B (zh) | 2022-09-22 | 2022-09-22 | 确定具有异常的后处理设备的方法、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211154382.4A CN115237081B (zh) | 2022-09-22 | 2022-09-22 | 确定具有异常的后处理设备的方法、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115237081A true CN115237081A (zh) | 2022-10-25 |
| CN115237081B CN115237081B (zh) | 2022-12-02 |
Family
ID=83667299
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211154382.4A Active CN115237081B (zh) | 2022-09-22 | 2022-09-22 | 确定具有异常的后处理设备的方法、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115237081B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115693798B (zh) * | 2022-11-07 | 2023-05-30 | 广东鑫钻节能科技股份有限公司 | 空压站余功回收发电系统及方法 |
| CN118051885A (zh) * | 2024-03-26 | 2024-05-17 | 埃尔利德(广东)智能科技有限公司 | 离心空压机性能分析预测方法及装置 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005224768A (ja) * | 2004-02-16 | 2005-08-25 | Kobe Steel Ltd | 空気圧縮装置 |
| CN101156119A (zh) * | 2005-04-04 | 2008-04-02 | 费希尔-罗斯蒙德系统公司 | 工业过程控制系统中的诊断 |
| CN104199418A (zh) * | 2014-09-15 | 2014-12-10 | 沈阳飞机工业（集团）有限公司 | 一种空压站数据采集与集中控制装置 |
| CN106404062A (zh) * | 2016-09-09 | 2017-02-15 | 上海理工大学 | 工业空压站运行能效实时监测与评估系统 |
| CN107247432A (zh) * | 2017-06-27 | 2017-10-13 | 佛山蘑菇物联技术有限公司 | 螺杆式空压机冷却系统故障的远程自动判定方法 |
| WO2018008654A1 (ja) * | 2016-07-04 | 2018-01-11 | 東日本旅客鉄道株式会社 | 空制システム異常判定装置、空制システム、空制システム異常判定方法およびプログラム |
| JP2019133454A (ja) * | 2018-01-31 | 2019-08-08 | 大陽日酸株式会社 | 装置の異常検出方法 |
| CN110244684A (zh) * | 2019-04-24 | 2019-09-17 | 四川中鼎智能技术有限公司 | 基于空压机储气罐压力数据关联的诊断控制方法、系统、存储介质和终端 |
| CN112005069A (zh) * | 2018-04-10 | 2020-11-27 | Ima生命北美股份有限公司 | 冷冻干燥处理和装备健康状况监测 |
| CN112539161A (zh) * | 2020-12-09 | 2021-03-23 | 上海安悦节能技术有限公司 | 一种基于数据驱动的空压机系统控制方法 |
| CN113464418A (zh) * | 2021-09-01 | 2021-10-01 | 蘑菇物联技术（深圳）有限公司 | 确定空压机的性能状态的方法、计算设备和计算机介质 |
| CN114165474A (zh) * | 2022-02-11 | 2022-03-11 | 蘑菇物联技术（深圳）有限公司 | 用于检测空压机故障状态的方法、设备和计算机存储介质 |
| CN114422267A (zh) * | 2022-03-03 | 2022-04-29 | 北京天融信网络安全技术有限公司 | 流量检测方法、装置、设备及介质 |
| CN114925860A (zh) * | 2022-05-19 | 2022-08-19 | 浙江理工大学 | 一种空分设备的故障诊断方法和系统 |
| CN114997436A (zh) * | 2022-06-10 | 2022-09-02 | 瀚云科技有限公司 | 一种空压机的故障处理方法及故障处理装置 |
-
2022
- 2022-09-22 CN CN202211154382.4A patent/CN115237081B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005224768A (ja) * | 2004-02-16 | 2005-08-25 | Kobe Steel Ltd | 空気圧縮装置 |
| CN101156119A (zh) * | 2005-04-04 | 2008-04-02 | 费希尔-罗斯蒙德系统公司 | 工业过程控制系统中的诊断 |
| CN104199418A (zh) * | 2014-09-15 | 2014-12-10 | 沈阳飞机工业（集团）有限公司 | 一种空压站数据采集与集中控制装置 |
| WO2018008654A1 (ja) * | 2016-07-04 | 2018-01-11 | 東日本旅客鉄道株式会社 | 空制システム異常判定装置、空制システム、空制システム異常判定方法およびプログラム |
| CN106404062A (zh) * | 2016-09-09 | 2017-02-15 | 上海理工大学 | 工业空压站运行能效实时监测与评估系统 |
| CN107247432A (zh) * | 2017-06-27 | 2017-10-13 | 佛山蘑菇物联技术有限公司 | 螺杆式空压机冷却系统故障的远程自动判定方法 |
| JP2019133454A (ja) * | 2018-01-31 | 2019-08-08 | 大陽日酸株式会社 | 装置の異常検出方法 |
| CN112005069A (zh) * | 2018-04-10 | 2020-11-27 | Ima生命北美股份有限公司 | 冷冻干燥处理和装备健康状况监测 |
| CN110244684A (zh) * | 2019-04-24 | 2019-09-17 | 四川中鼎智能技术有限公司 | 基于空压机储气罐压力数据关联的诊断控制方法、系统、存储介质和终端 |
| CN112539161A (zh) * | 2020-12-09 | 2021-03-23 | 上海安悦节能技术有限公司 | 一种基于数据驱动的空压机系统控制方法 |
| CN113464418A (zh) * | 2021-09-01 | 2021-10-01 | 蘑菇物联技术（深圳）有限公司 | 确定空压机的性能状态的方法、计算设备和计算机介质 |
| CN114165474A (zh) * | 2022-02-11 | 2022-03-11 | 蘑菇物联技术（深圳）有限公司 | 用于检测空压机故障状态的方法、设备和计算机存储介质 |
| CN114422267A (zh) * | 2022-03-03 | 2022-04-29 | 北京天融信网络安全技术有限公司 | 流量检测方法、装置、设备及介质 |
| CN114925860A (zh) * | 2022-05-19 | 2022-08-19 | 浙江理工大学 | 一种空分设备的故障诊断方法和系统 |
| CN114997436A (zh) * | 2022-06-10 | 2022-09-02 | 瀚云科技有限公司 | 一种空压机的故障处理方法及故障处理装置 |
Non-Patent Citations (3)
| Title |
|---|
| KUN ZHANG等: "air compress fault diagnos model", 《SCIENCE PROGRESS》 * |
| 武林: "基于长短时记忆网络的空压机故障诊断系统研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
| 谢苗等: "基于改进型ANFIS的矿用空压机故障诊断系统", 《电子测量与仪器学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115693798B (zh) * | 2022-11-07 | 2023-05-30 | 广东鑫钻节能科技股份有限公司 | 空压站余功回收发电系统及方法 |
| CN118051885A (zh) * | 2024-03-26 | 2024-05-17 | 埃尔利德(广东)智能科技有限公司 | 离心空压机性能分析预测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115237081B (zh) | 2022-12-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115237081B (zh) | 确定具有异常的后处理设备的方法、设备和介质 | |
| CN113464415B (zh) | 控制空压站的空压机的方法、设备和计算机存储介质 | |
| CN111143102A (zh) | 异常数据检测方法、装置、存储介质及电子设备 | |
| US11552854B2 (en) | Network management based on assessment of topological robustness and criticality of assets | |
| Wang et al. | On bus type assignments in random topology power grid models | |
| CN114635844B (zh) | 用于控制空压站中的空压机的方法、设备和介质 | |
| CN113762604B (zh) | 一种工业互联网大数据服务系统 | |
| US10282245B1 (en) | Root cause detection and monitoring for storage systems | |
| CN115127194B (zh) | 用于检测中央空调冷水机组故障的方法、设备和介质 | |
| JP2017089462A (ja) | 真空ポンプの判断システム、および真空ポンプ | |
| CN114500339A (zh) | 一种节点带宽监测方法、装置、电子设备及存储介质 | |
| CN114235108B (zh) | 基于数据分析燃气流量计异常状态检测方法和装置 | |
| CN113464418B (zh) | 确定空压机的性能状态的方法、计算设备和计算机介质 | |
| JP6194282B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
| CN115809805A (zh) | 基于边缘计算的电网多源数据处理方法 | |
| CN113204467B (zh) | 线上业务系统的监控方法、装置、设备及存储介质 | |
| US10223189B1 (en) | Root cause detection and monitoring for storage systems | |
| Pedersen et al. | Maintenance optimization of a system subject to two-stage degradation, hard failure, and imperfect repair | |
| CN113454950B (zh) | 基于流量统计的网络设备及链路实时故障检测方法和系统 | |
| CN116538075A (zh) | 一种对空压机能效进行在线识别的方法、装置及介质 | |
| CN114266208B (zh) | 用于实现管道压降的动态预测的方法、设备、介质和系统 | |
| Cai et al. | Single-machine multiple-recipe predictive maintenance | |
| CN114646342A (zh) | 用于定位异常传感器的方法、设备和介质 | |
| Skalny | An application of graph theory in markov chains reliability analysis | |
| Fiegler et al. | Quality measurement of ITIL processes in cloud systems |
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 | ||
| CP03 | Change of name, title or address |
Address after: No. 118, Building C1, No.1 Qingsheng Avenue, Nansha District, Guangzhou City, Guangdong Province, 511455 Patentee after: Guangdong Mushroom IoT Technology Co.,Ltd. Country or region after: China Address before: 518109 room 2202, building 1, Huide building, Beizhan community, Minzhi street, Longhua District, Shenzhen, Guangdong Patentee before: MOGULINKER TECHNOLOGY (SHENZHEN) CO.,LTD. Country or region before: China |
|
| CP03 | Change of name, title or address |