CN115324870A - 一种往复式压缩机及其控制方法 - Google Patents
一种往复式压缩机及其控制方法 Download PDFInfo
- Publication number
- CN115324870A CN115324870A CN202210949773.9A CN202210949773A CN115324870A CN 115324870 A CN115324870 A CN 115324870A CN 202210949773 A CN202210949773 A CN 202210949773A CN 115324870 A CN115324870 A CN 115324870A
- Authority
- CN
- China
- Prior art keywords
- reciprocating compressor
- early warning
- data
- state activity
- warning state
- 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 51
- 230000000694 effects Effects 0.000 claims description 172
- 238000005457 optimization Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 12
- 238000007906 compression Methods 0.000 claims description 9
- 230000006835 compression Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 16
- 230000002159 abnormal effect Effects 0.000 description 12
- 230000006399 behavior Effects 0.000 description 12
- 125000004122 cyclic group Chemical group 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 125000002015 acyclic group Chemical group 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 238000000748 compression moulding Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- F04B39/00—Component parts, details, or accessories, of pumps or pumping systems specially adapted for elastic fluids, not otherwise provided for in, or of interest apart from, groups F04B25/00 - F04B37/00
- F04B39/0005—Component parts, details, or accessories, of pumps or pumping systems specially adapted for elastic fluids, not otherwise provided for in, or of interest apart from, groups F04B25/00 - F04B37/00 adaptations of pistons
-
- 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
- F04B39/00—Component parts, details, or accessories, of pumps or pumping systems specially adapted for elastic fluids, not otherwise provided for in, or of interest apart from, groups F04B25/00 - F04B37/00
- F04B39/10—Adaptations or arrangements of distribution members
-
- 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
- F04B39/00—Component parts, details, or accessories, of pumps or pumping systems specially adapted for elastic fluids, not otherwise provided for in, or of interest apart from, groups F04B25/00 - F04B37/00
- F04B39/12—Casings; Cylinders; Cylinder heads; Fluid connections
- F04B39/122—Cylinder block
-
- 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
- F04B49/00—Control, e.g. of pump delivery, or pump pressure of, or safety measures for, machines, pumps, or pumping installations, not otherwise provided for, or of interest apart from, groups F04B1/00 - F04B47/00
- F04B49/10—Other safety measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Control Of Positive-Displacement Pumps (AREA)
- Compressor (AREA)
Abstract
本发明涉及往复压缩机的故障诊断技术领域,具体涉及一种往复式压缩机及其控制方法;本发明通过在现有的往复式压缩机中配置有数据采集装置采集往复式压缩机中的活塞连接杆的的振动数据以及通过温度传感器采集设置在气阀位置上的温度数据,并且通过配置有预警特征数据库实现对于基于上述数据的预警信息的获得,实现了对于往复式压缩机预警信息的获得,与现有技术相比,本申请实施例通过对预警信息的获得实现了往复式压缩机的异常情况的提前获得。
Description
技术领域
本发明涉及往复压缩机的故障诊断技术领域,具体涉及一种往复式压缩机及其控制方法。
背景技术
往复压缩机是广泛应用于炼油、化工、采油、采气及输气等行业的关键设备,绝大多数往复压缩机是活塞式压缩机。往复压缩机在运行过程中容易出现故障,需要专业人员对故障进行诊断,即使是部分往复压缩机安装了状态监测系统,专业人员仍然根据旋转机械的FFT等状态监测方法诊断往复压缩机的故障,往复压缩机故障诊断准确率低。
目前,针对于往复式压缩机的监测以及故障的识别主要通过设置有传感器对实时数据进行获取,并且基于实时获取的数据与最优的数据进行比较得到比对结果,通过比对结果的判断进行往复式压缩机的故障报警。
但是基于以上的方案能够实现故障的实时报警,但是针对潜在的故障问题进行提前识别,虽然能够报警,但是针对实际场景下当故障产生所造成的设备以及工艺损失的成本较高。所以,需要提供一种能够提前预警的往复式压缩机及其控制方法。
发明内容
为了解决以上的技术问题,本申请提供一种往复式压缩机及其控制方法,通过在往复式压缩机内设置传感器获取往复式压缩机的实时数据,并且通过配置往复式压缩机的控制方法实现对于数据中的预警特征进行获得,并且基于预警特征的比对实现预警信息的获得。
为了达到上述目的,本申请实施例采用的技术方案如下:
第一方面,一种往复式压缩机,包括压缩机气缸,所述压缩机气缸内形成压缩空间;还包括驱动机构,所述驱动机构在所述压缩空间内沿一定方向进行移动,所述驱动机构包括活塞以及与所述活塞连接的活塞连接杆,所述活塞连接杆通过十字头连接有连杆,所述连杆通过曲轴连接有飞轮;所述压缩机气缸上的气阀,所述气阀通过管道与所述压缩空间连通;还包括设置于所述压缩机气缸内的数据采集装置,所述数据采集装置用于采集所述活塞连接杆竖直方向上的位移和所述气阀处的实时温度数据。
在第一方面的第一种可能的实现方式中,所述数据采集装置包括设置于所述压缩机气缸内以所述活塞连接杆为对称轴镜像设置的电涡流传感器,还包括设置于所述气阀位置处的温度传感器;所述电涡流传感器用于采集所述活塞连接杆竖直方向上的位移变化,所述气阀用于采集所述气阀位置处的实时温度数据。
第二方面,一种往复式压缩机控制方法,对上述任一项所述的往复式压缩机进行控制,包括以下方法:基于所述电涡流传感器和所述温度传感器,获取实时数据;提取所述实时数据中用于预警行为识别的特征;将提取到的特征与预设的预警活动特征数据库进行比对,得到预警信息;所述实时数据包括气阀位置处的实时温度数据和活塞连接杆在竖直方向上的位移变化数据。
在第二方面的第一种可能的实现方式中,提取所述实时数据中用于预警行为识别的特征,包括:构建与所述往复式压缩机对应的历史样本数据集;依据满足网络收敛要求的预警状态决策网络对所述基于样本数据集进行处理,获得用于预警行为识别的参考特征;并对所述参考特征进行标签化处理;基于所述参考特征的标签确定所述实时数据中用于预警行为识别的特征。
在第二方面的第一种可能的实现方式中,依据满足网络收敛要求的预警状态决策网络对所述基于样本数据集进行处理,获得用于预警行为识别的参考特征,包括:构建与待控制往复式压缩机相匹配的至少两个衍生往复式压缩机,获取至少两个衍生往复式压缩机的历史数据,构建对应的第一衍生往复式压缩机历史样本数据集和第二衍生往复式压缩机历史样本数据集;对所述历史样本数据进行向量清洗,得到清洗后的特征;依据满足网络收敛要求的预警状态决策网络对清洗后的特征进行处理,得到用于预警行为识别的参考特征,所述参考特征包括第一衍生往复式压缩机参考特征和第二衍生往复压缩机参考特征。
结合第二方面的第一种可能的实现方式,在第二种可能的实现方式中,所述预警状态决策网络的网络权重优化流程包括:获取所述第一参考往复式状态活动的预警状态活动特征和决策预警状态活动特征、所述第二参考往复式状态活动的预警状态活动特征和决策预警状态活动特征,对所述初始化预警状态决策网络进行网络权重优化,以获得满足网络收敛要求的所述预警状态决策网络。
结合第二方面的第二种可能的实现方式,在第三种可能的实现方式中,获取所述第一参考往复式状态活动的预警状态活动特征和决策预警状态活动特征、所述第二参考往复式状态活动的预警状态活动特征和决策预警状态活动特征,包括:确定参考往复式压缩机历史数据;所述参考往复式压缩机历史数据包括第一参考往复式压缩机状态活动的至少两个第一参考往复式压缩机数据以及第二参考往复式压缩机状态活动的第二参考往复式压缩机数据;确定所述参考往复式压缩机数据簇中的第一参考往复式压缩机数据的第一参考往复式压缩机状态活动的预警状态活动特征以及第二参考往复式压缩机数据的第二参考往复式压缩机状态活动的预警状态活动特征;依据初始化预警状态决策网络,对所述参考往复式压缩机数据簇中的第一参考往复式压缩机数据和第二参考往复式压缩机数据进行特征决策,获得所述第一参考往复式压缩机数据的第一参考往复式压缩机状态活动的决策预警状态活动特征以及所述第二参考往复式压缩机数据的第二参考往复式压缩机状态活动的决策预警状态活动特征。
结合第二方面的第三种可能的实现方式,在第四种可能的实现方式中,获取所述第一参考往复式状态活动的预警状态活动特征和决策预警状态活动特征、所述第二参考往复式状态活动的预警状态活动特征和决策预警状态活动特征,包括:确定参考往复式压缩机历史数据;所述参考往复式压缩机历史数据包括第一参考往复式压缩机状态活动的至少两个第一参考往复式压缩机数据以及第二参考往复式压缩机状态活动的第二参考往复式压缩机数据;确定所述参考往复式压缩机数据簇中的第一参考往复式压缩机数据的第一参考往复式压缩机状态活动的预警状态活动特征以及第二参考往复式压缩机数据的第二参考往复式压缩机状态活动的预警状态活动特征;依据初始化预警状态决策网络,对所述参考往复式压缩机数据簇中的第一参考往复式压缩机数据和第二参考往复式压缩机数据进行特征决策,获得所述第一参考往复式压缩机数据的第一参考往复式压缩机状态活动的决策预警状态活动特征以及所述第二参考往复式压缩机数据的第二参考往复式压缩机状态活动的决策预警状态活动特征。
结合第二方面的第四种可能的实现方式,在第五种可能的实现方式中,确定所述第二参考往复式压缩机数据的第二参考往复式压缩机状态活动的预警状态活动特征,包括:确定每一所述第二参考往复式压缩机数据的往复式压缩机状态活动特征;依据第二参考往复式压缩机数据的往复式压缩机状态活动特征以及所述第二参考往复式压缩机数据,融合构建所述第二参考往复式压缩机数据的第二参考往复式压缩机状态活动的预警状态活动特征。
结合第二方面的第四或第五种可能的实现方式,在第六种可能的实现方式中,所述参考往复式压缩机历史数据中还包括:第三参考往复式压缩机数据;所述第三参考往复式压缩机数据为对所述第一参考往复式压缩机数据进行关注特征更新获得;所述方法还包括:确定所述第三参考往复式压缩机数据的第三参考往复式压缩机状态活动的预警状态活动特征;依据所述初始化预警状态决策网络对第三参考往复式压缩机数据进行特征决策,获得所述第三参考往复式压缩机数据的第三参考往复式压缩机状态活动的决策预警状态活动特征。
结合第二方面的第六种可能的实现方式,在第七种可能的实现方式中,还包括,依据所述第一参考往复式压缩机状态活动的预警状态活动特征和决策预警状态活动特征、所述第二参考往复式压缩机状态活动的预警状态活动特征和决策预警状态活动特征,对所述初始化预警状态决策网络进行网络权重优化,以获得满足网络收敛要求的所述预警状态决策网络,还包括:
依据所述第一参考往复式压缩机状态活动的预警状态活动特征和决策预警状态活动特征、所述第二参考往复式压缩机状态活动的预警状态活动特征和决策预警状态活动特征、以及所述第三参考往复式压缩机状态活动的预警状态活动特征和决策预警状态活动特征,对所述初始化预警状态决策网络进行网络权重优化,以获得满足网络收敛要求的所述预警状态决策网络。
本申请实施例提供的技术方案中,在现有的往复式压缩机中配置有数据采集装置采集往复式压缩机中的活塞连接杆的的振动数据以及通过温度传感器采集设置在气阀位置上的温度数据,并且通过配置有预警特征数据库实现对于基于上述数据的预警信息的获得,实现了对于往复式压缩机预警信息的获得,与现有技术相比,本申请实施例通过对预警信息的获得实现了往复式压缩机的异常情况的提前获得。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
附图中的方法、系统和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例,其中示例数字在附图的各个视图中代表相似的机构。
图1是本发明实施例提供的往复式压缩机结构示意图。
图2是本发明实施例提供的往复式压缩机控制系统结构框图。
图3是本发明提供的往复式压缩机控制方法流程示意图。
图标:
100-往复式压缩机控制系统;
110-往复式压缩机;120-控制子系统;130-用户端;
111-压塑机气缸;112-压缩空间;113-活塞;114-活塞连接杆;115-十字头;116-连杆;117-飞轮;118-气阀;
121-数据采集装置;122-预警装置。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在下面的详细描述中,通过实例阐述了许多具体细节,以便提供对相关指导的全面了解。然而,对于本领域的技术人员来说,显然可以在没有这些细节的情况下实施本申请。在其他情况下,公知的方法、程序、系统、组成和/或电路已经在一个相对较高水平上被描述,没有细节,以避免不必要的模糊本申请的方面。
本申请中使用流程图说明根据本申请的实施例的系统所执行的执行过程。应当明确理解的是,流程图的执行过程可以不按顺序执行。相反,这些执行过程可以以相反的顺序或同时执行。另外,可以将至少一个其他执行过程添加到流程图。一个或多个执行过程可以从流程图中删除。
请参阅图2,图2为本实施例提供的往复式压缩机控制系统结构框图,用于表明此系统的整体架构。
在本实施例中,一种往复式压缩机控制系统,包括往复式压缩机,还包括与汽轮机装置通信的控制子系统,其中往复式压缩机为主要工作装置,用于对空气压缩进行作业。
参阅图1,针对于本实施例提供的往复式压缩机的整体结构进行详细的描述,其中往复式压缩机包括压缩机气缸,通过压缩机气缸形成压缩空间,在压缩机气缸内设置有活塞,通过活塞在压缩机气缸内进行移动实现对于压缩机气缸内气体介质进行压缩做工,并且活塞通过活塞连接杆与提供动力的部件进行连接。
在本实施例中,提供动力的部件为驱动机构,驱动机构包括与活塞连接杆连接的连杆,其中活塞连接杆与连杆之间通过十字头进行连接。其中连杆通过曲轴连接有飞轮。
并且在本实施例中,活塞将所述压缩空间分成第一空间和第二空间,分别对应第一气缸腔和第二气缸腔,其中第一腔室和第二腔室分别用术语“头侧端部腔室”和“曲轴侧端部腔室”表示,其中第一气缸腔和第二气缸腔每一个经由相应的吸气阀系统或以及排气阀系统或连接到相应的吸气管道和排气管道。
根据本发明,往复式压缩机还装配有容器,在这种特别情况下装配有两个容器,每一个容器限定一容积,其中容积分别地通过管道与至少一个相应的排气阀系统的阀室流体连通。
以上结构为本实施例提供的往复式压缩机的机械结构,在本实施例中的往复式压缩机控制系统还包括控制子系统,其中控制子系统用于对往复式压缩机在运动过程中的异常信息进行获得并提供预警信息,其中预警信息用于对往复式压缩机的宜昌工作状态进行提前识别,降低因为异常工况而造成的往复式压缩机的损坏。
在本实施例中,控制子系统基于物联网的系统配置,包括数据采集装置、通信装置、服务器以及用户端,其中数据采集装置用于获取往复式压缩机的实时数据,通信装置用于将实时数据上传至服务器,服务器针对于上传的实时数据进行判断确定是否存在预警信息,并将预警信息下发至对应的用户端。
其中,在服务器内配置有预警装置,基于获取的实时数据进行处理得到预警信息。
在一种可能的实施例中,此系统通过软件和硬件的结合实现对于往复式压缩机的异常预警信息获得并且通过命令的下发进行往复式压缩机的控制,使往复式压缩机的工况能够得到最优化的控制。其中最优的效果指的是在满足往复式压缩机正常工作时对于往复式压缩机的主要工作部件损伤的确定以及降低因为工作部件损伤对往复式压缩机所带来的损伤。在往复式压缩机工作过程中,因为部件的损伤容易造成往复式压缩机整体机械结构的损害,导致往复式压缩机的破坏。例如,当气阀结构出现异常情况下,很容易导致气阀部件的安装不牢固而产生的脱落或者密封性降低从而导致整体装置运行异常以及结构的破坏。
通过以上内容可知,在本实施例中提供的控制系统基于计算机技术实现自动化的控制,而针对于自动控制在本实施例提供一种控制方法,通过此控制方法实现对于控制系统的控制。可以理解为,在以上实施例中主要为控制系统中硬件设置的说明,而在以下实施例中需要对软件相关内容进行说明。
在进行说明之前,需要对以下的名词进行解释:
(1)响应于,用于表示所执行的操作所依赖的条件或者状态,当满足所依赖的条件或状态时,所执行的一个或多个操作可以是实时的,也可以具有设定的延迟;在没有特别说明的情况下,所执行的多个操作不存在执行先后顺序的限制。
(2)基于,用于表示所执行的操作所依赖的条件或者状态,当满足所依赖的条件或状态时,所执行的一个或多个操作可以是实时的,也可以具有设定的延迟;在没有特别说明的情况下,所执行的多个操作不存在执行先后顺序的限制。
在本实施例中,针对于预警装置为主要的控制虚拟硬件,其中在预警装置内设置有预警信息特征数据库,此数据库并非是直接进行设置的数据库,此数据库为通过多次特征提取以及基于多次提取到的特征进行训练的最优数据库,在本实施例中针对于此数据库的得到进行详细的描述。
针对于数据库训练,主要逻辑为收集数据,将收集到的数据进行集合得到样本数据,在本实施例中,针对于数据的获取可以通过已知信息和公有信息进行获取。其中,针对于公有信息的获取基于设置相同配置的至少两个衍生往复式压缩机进行获得,而针对于样本数据的类型主要为关键部件在执行工作过程中的动态数据,其中在本实施例中将动态数据分为两个类型,一个类型为机械结构运行数据一个是运行环境数据,其中机械结构运行数据用于表征主要机械结构的运行状态,通过此数据的判断能够了解往复式压缩机的机械结构工作状态,运行环境数据用于表征往复式压缩机整体运行状态,通过环境数据的判断能够了解往复式压缩机的整体运行状态。其中,在本实施例中这针对于以上两种类型的数据进行举例,分别为活塞连接杆的震动数据以及气阀位置处的温度数据,但在其他实施例中还可以包括其他具体结构以及其他具体环境数据。
然后基于样本数据中的数据进行特征的提取,并且通过决策网络对特征以及对应的状态下的往复式压缩机的运行状态进行训练,得到基于特征对应的异常行为概率分布,通过概率分布的方式判断是否为异常行为。其中这对于决策网络可以为现有网络,其决策网络可以通过训练的方式获得,其中针对于决策网络的训练的目标为决策网络的收敛,即在本实施例中,针对于数据中用于表征异常的与预警特征主要为通过收敛的预警状态决策网络进行获得。
在本实施例中,针对于预警状态决策网络的训练过程不进行累述,可以通过现有的神经网络算法进行得到,其中针对于输入至神经网络中的输入量可以根据往复式压缩机的具体运行下的数据类型进行配置。
并且,在本实施例中已经举例说明,针对于数据采集装置获取的数据主要为活塞连接杆的振动数据以及气阀位置的温度数据,其中针对于活塞连接杆的振动数据通过电涡流传感器进行获得,其中电涡流传感器设置在往复式压缩机气缸内以活塞连接杆进行对称设置,其中温度传感器设置于气阀的位置处。其中电涡流传感器的数据获取逻辑为,电涡流传感器通过电涡流效应的原理,准确测量活塞连接杆与探头端面的相对位置,通过设置两个电涡流传感器能够实现两个位置面的相对位置的变化,通过将两个电涡流传感器的独立的相对位置的变化进行集合得到最终活塞连接杆的移动量,通过移动量的变化与预设的最大阈值进行比较就能确定异常发生,通过移动量进行特征提取通过预设置的预警活动特征数据库进行比对,嫩够得到对应的预警信息。针对于温度传感器的数据获取逻辑较为简单,主要获取气阀位置的温度,当获取的温度大于设置的温度阈值时,确定实时数据为异常数据,并且针对于温度数据进行特征的提取与预警活动特征数据库进行比对,能够得到温度预警信息。
并且,在其他实施例中,不仅能够对单一的数据进行预警信息的提取,还可以通过将多个数据的输入进行融合后的数据进行特征的提取得到融合特征实现对于预警信息的提取,例如,当在某种温度情况下,在某种压力情况下,在某种振动幅度情况下会形成叠加效应从而导致具体异常情况的产生,而针对此种情况在单一的数据库比对情况下无法进行获得,因为对于单独的独立的数据其不具有异常情况,但是叠加会产生异常情况。
通过以上内容可知,可以将预警状态决策网络配置在预警装置中。
参阅图3,针对于本实施例提供的往复式压缩机控制方法,具体包括以下方法:
步骤S310.构建与往复式压缩机对应的历史样本数据集。
在本实施例中,针对于往复式压缩机对应的历史样本数据集包括待控制往复式压缩机以及与待控制往复式压缩机相同配置的至少两个衍生往复式压缩机,在本实施例中,通过设置多个衍生往复式压缩机可以扩充后续训练的数据量,提高最终的预警判断准确度。
步骤S320.依据满足网络收敛要求的预警状态决策网络对历史样本数据进行特征提取,获得参考特征。
步骤S330.对参考特征进行标签化处理。
步骤S340.基于参考特征的标签确定实时数据中用于预警行为识别的特征。
其中,针对于确定实时数据中用于预警行为识别的特征,具体为通过构建预警行为特征数据库,通过预警行为特征数据库与参考特征进行比对,其中在预警行为特征数据库内配置有预警倾向知识图谱,通过标签化处理的参考特征与预警倾向知识图谱进行比对得到具体的预警行为。
步骤S350.针对于预警行为下发至对应的用户端。
在本实施例中,针对于预警倾向知识图谱可以根据预警活动特征数据库的预警活动衔接游走关系确定预警往复式压缩机状态活动的预警倾向知识图谱,然后通过对往复式压缩机态势图谱中的预警倾向知识实体的预警倾向变量进行计算,并与预警倾向知识图谱对应的候选倾向变量进行关联度匹配以得到与所述预警倾向知识图谱匹配的预警倾向知识实体。
一种示例性的设计思路中,根据所述预警倾向知识实体生成针对所述预警往复式压缩机状态活动的往复式压缩机状态优化策略,可以通过以下步骤实现:确定所述预警倾向知识实体的倾向知识标签特征以及各倾向知识路由属性;在根据所述倾向知识标签特征确定出所述预警倾向知识实体中包含有循环预警知识标签分量的基础上,根据多个过往预警信任活动的目标预警触发位置的循环预警知识标签分量下的倾向知识路由属性及其预警知识标签分量元素确定预警倾向知识实体的非循环预警知识标签分量下的各倾向知识路由属性与预警倾向知识实体的循环预警知识标签分量下的各倾向知识路由属性之间的交叉评估指标,并将预警倾向知识实体的非循环预警知识标签分量下的与循环预警知识标签分量下的倾向知识路由属性存在关联的倾向知识路由属性更新到相应的循环预警知识标签分量下;在预警倾向知识实体的当前非循环预警知识标签分量下包含有多个倾向知识路由属性的基础上,根据多个过往预警信任活动的目标预警触发位置的循环预警知识标签分量下的倾向知识路由属性及其预警知识标签分量元素确定预警倾向知识实体的当前非循环预警知识标签分量下的各倾向知识路由属性之间的交叉评估指标,并根据所述各倾向知识路由属性之间的交叉评估指标对当前非循环预警知识标签分量下的各倾向知识路由属性进行聚合;根据多个过往预警信任活动的目标预警触发位置的循环预警知识标签分量下的倾向知识路由属性及其预警知识标签分量元素为上述聚合获得的每一类倾向知识路由属性设置循环预警知识标签分量元素,并将所述每一类倾向知识路由属性更新到所述循环预警知识标签分量元素所表示的循环预警知识标签分量下;通过所述循环预警知识标签分量下对应的倾向知识路由属性确定所述预警倾向知识实体对应的往复式压缩机状态优化规则序列并针对所述往复式压缩机状态优化规则序列制定往复式压缩机状态优化策略。
针对与步骤S320中对于参考特征的获得包括以下方法:
构建与待控制往复式压缩机相匹配的至少两个衍生往复式压缩机,获取至少两个衍生往复式压缩机的历史数据,构建对应的第一衍生往复式压缩机历史样本数据集和第二衍生往复式压缩机历史样本数据集。
对所述历史样本数据进行向量清洗,得到清洗后的特征。
依据满足网络收敛要求的预警状态决策网络对清洗后的特征进行处理,得到用于预警行为识别的参考特征,所述参考特征包括第一衍生往复式压缩机参考特征和第二衍生往复压缩机参考特征。
其中,在本实施例中,针对于预警状态决策网络的网络权重优化流程包括:
获取所述第一参考往复式状态活动的预警状态活动特征和决策预警状态活动特征、所述第二参考往复式状态活动的预警状态活动特征和决策预警状态活动特征,对所述初始化预警状态决策网络进行网络权重优化,以获得满足网络收敛要求的所述预警状态决策网络。
针对于获取所述第一参考往复式状态活动的预警状态活动特征和决策预警状态活动特征、所述第二参考往复式状态活动的预警状态活动特征和决策预警状态活动特征,包括:确定参考往复式压缩机历史数据;所述参考往复式压缩机历史数据包括第一参考往复式压缩机状态活动的至少两个第一参考往复式压缩机数据以及第二参考往复式压缩机状态活动的第二参考往复式压缩机数据。确定所述参考往复式压缩机数据簇中的第一参考往复式压缩机数据的第一参考往复式压缩机状态活动的预警状态活动特征以及第二参考往复式压缩机数据的第二参考往复式压缩机状态活动的预警状态活动特征。依据初始化预警状态决策网络,对所述参考往复式压缩机数据簇中的第一参考往复式压缩机数据和第二参考往复式压缩机数据进行特征决策,获得所述第一参考往复式压缩机数据的第一参考往复式压缩机状态活动的决策预警状态活动特征以及所述第二参考往复式压缩机数据的第二参考往复式压缩机状态活动的决策预警状态活动特征。
针对于确定第二参考往复式压缩机数据的第二参考往复式压缩机状态活动的预警状态活动特征,包括:
确定每一所述第二参考往复式压缩机数据的往复式压缩机状态活动特征。依据第二参考往复式压缩机数据的往复式压缩机状态活动特征以及所述第二参考往复式压缩机数据,融合构建所述第二参考往复式压缩机数据的第二参考往复式压缩机状态活动的预警状态活动特征。
针对于参考往复式压缩机历史数据中还包括:第三参考往复式压缩机数据;所述第三参考往复式压缩机数据为对所述第一参考往复式压缩机数据进行关注特征更新获得,其中此方法还包括:确定第三参考往复式压缩机数据的第三参考往复式压缩机状态活动的预警状态活动特征;依据所述初始化预警状态决策网络对第三参考往复式压缩机数据进行特征决策,获得所述第三参考往复式压缩机数据的第三参考往复式压缩机状态活动的决策预警状态活动特征。
针对于以上方法还包括,依据所述第一参考往复式压缩机状态活动的预警状态活动特征和决策预警状态活动特征、所述第二参考往复式压缩机状态活动的预警状态活动特征和决策预警状态活动特征,对所述初始化预警状态决策网络进行网络权重优化,以获得满足网络收敛要求的所述预警状态决策网络,还包括:依据所述第一参考往复式压缩机状态活动的预警状态活动特征和决策预警状态活动特征、所述第二参考往复式压缩机状态活动的预警状态活动特征和决策预警状态活动特征、以及所述第三参考往复式压缩机状态活动的预警状态活动特征和决策预警状态活动特征,对所述初始化预警状态决策网络进行网络权重优化,以获得满足网络收敛要求的所述预警状态决策网络。
本实施例提供预警方法通过对提取后的特征进行多次的处理,得到对应预警信息。
在一些实施例中,本发明实施例提供的预警装置可以采用软硬件结合的方式实现,作为示例,本发明实施例提供的预警装置可以是采用硬件译码处理器形式的处理器,其被编程以执行本发明实施例提供的温度控制方法方法。例如,硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路(ASIC,Application SpecificIntegratedCircuit)、DSP、可编程逻辑器件(PLD,Programmable Logic Device)、复杂可编程逻辑器件(CPLD,Complex Programmable Logic Device)、现场可编程门阵列(FPGA,Field-Programmable Gate Array)或其他电子元件。
作为本发明实施例提供的预警装置采用软硬件结合实施的示例,本发明实施例所提供的预警装置可以直接体现为由处理器执行的软件模块组合,软件模块可以位于存储介质中,存储介质位于存储器,处理器读取存储器中软件模块包括的可执行指令,结合必要的硬件(例如,包括处理器以及连接到总线的其他组件)完成本发明实施例提供的特征提取训练方法。
作为示例,处理器可以是一种集成电路芯片,具有信号的处理能力,例如通用处理器、数字信号处理器(DSP,Digital Signal Processor),或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其中,通用处理器可以是微处理器或者任何常规的处理器等。
作为本发明实施例提供的预警装置采用硬件实施的示例,本发明实施例所提供的装置可以直接采用硬件译码处理器形式的处理器来执行完成,例如,被一个或多个应用专用集成电路(ASIC,Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD,Programmable Logic Device)、复杂可编程逻辑器件(CPLD,ComplexProgrammableLogic Device)、现场可编程门阵列(FPGA,Field-Programmable GateArray)或其他电子元件执行实现本发明实施例提供的特征提取模型训练方法。
本发明实施例中的存储器用于存储各种类型的数据以支预警装置的操作。这些数据的示例包括:用于在预警装置上操作的任何可执行指令,如可执行指令,实现本发明实施例的从与预警方法的程序可以包含在可执行指令中。
在一些实施例中,服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(CDN,ContentDelivery Network)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端(如终端10-1)可以是智能手机、平板电脑、笔记本电脑、台式计算机等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请实施例中不做限制。
并且本实施例还提供一种电子设备,在本申请的一个方面中,本申请还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述温度控制方法的各种可选实现方式中所提供的不同实施例及实施例的组合。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种往复式压缩机,其特征在于,包括压缩机气缸,所述压缩机气缸内形成压缩空间;还包括驱动机构,所述驱动机构在所述压缩空间内沿一定方向进行移动,所述驱动机构包括活塞以及与所述活塞连接的活塞连接杆,所述活塞连接杆通过十字头连接有连杆,所述连杆通过曲轴连接有飞轮;所述压缩机气缸上的气阀,所述气阀通过管道与所述压缩空间连通;还包括设置于所述压缩机气缸内的数据采集装置,所述数据采集装置用于采集所述活塞连接杆竖直方向上的位移和所述气阀处的实时温度数据。
2.根据权利要求1所述的往复式压缩机,其特征在于,所述数据采集装置包括设置于所述压缩机气缸内以所述活塞连接杆为对称轴镜像设置的电涡流传感器,还包括设置于所述气阀位置处的温度传感器;所述电涡流传感器用于采集所述活塞连接杆竖直方向上的位移变化,所述温度传感器用于采集所述气阀位置处的实时温度数据。
3.一种往复式压缩机控制方法,其特征在于,对权利要求1或2所述的往复式压缩机进行控制,包括以下方法:
基于所述电涡流传感器和所述温度传感器,获取实时数据;
提取所述实时数据中用于预警行为识别的特征;
将提取到的特征与预设的预警活动特征数据库进行比对,得到预警信息;所述实时数据包括气阀位置处的实时温度数据和活塞连接杆在竖直方向上的位移变化数据。
4.根据权利要求3所述的往复式压缩机控制方法,其特征在于,提取所述实时数据中用于预警行为识别的特征,包括:
构建与所述往复式压缩机对应的历史样本数据集;
依据满足网络收敛要求的预警状态决策网络对所述历史样本数据集进行处理,获得用于预警行为识别的参考特征;
并对所述参考特征进行标签化处理;
基于所述参考特征的标签确定所述实时数据中用于预警行为识别的特征。
5.根据权利要求4所述的往复式压缩机控制方法,其特征在于,依据满足网络收敛要求的预警状态决策网络对所述基于样本数据集进行处理,获得用于预警行为识别的参考特征,包括:
构建与待控制往复式压缩机相匹配的至少两个衍生往复式压缩机,获取至少两个衍生往复式压缩机的历史数据,构建对应的第一衍生往复式压缩机历史样本数据集和第二衍生往复式压缩机历史样本数据集;
对所述历史样本数据进行向量清洗,得到清洗后的特征;
依据满足网络收敛要求的预警状态决策网络对清洗后的特征进行处理,得到用于预警行为识别的参考特征,所述参考特征包括第一衍生往复式压缩机参考特征和第二衍生往复压缩机参考特征。
6.根据权利要求5所述的往复式压缩机控制方法,其特征在于,所述预警状态决策网络的网络权重优化流程包括:
获取所述第一参考往复式状态活动的预警状态活动特征和决策预警状态活动特征、所述第二参考往复式状态活动的预警状态活动特征和决策预警状态活动特征,对所述初始化预警状态决策网络进行网络权重优化,以获得满足网络收敛要求的所述预警状态决策网络。
7.根据权利要求6所述的往复式压缩机控制方法,其特征在于,获取所述第一参考往复式状态活动的预警状态活动特征和决策预警状态活动特征、所述第二参考往复式状态活动的预警状态活动特征和决策预警状态活动特征,包括:
确定参考往复式压缩机历史数据;所述参考往复式压缩机历史数据包括第一参考往复式压缩机状态活动的至少两个第一参考往复式压缩机数据以及第二参考往复式压缩机状态活动的第二参考往复式压缩机数据;
确定所述参考往复式压缩机数据簇中的第一参考往复式压缩机数据的第一参考往复式压缩机状态活动的预警状态活动特征以及第二参考往复式压缩机数据的第二参考往复式压缩机状态活动的预警状态活动特征;
依据初始化预警状态决策网络,对所述参考往复式压缩机数据簇中的第一参考往复式压缩机数据和第二参考往复式压缩机数据进行特征决策,获得所述第一参考往复式压缩机数据的第一参考往复式压缩机状态活动的决策预警状态活动特征以及所述第二参考往复式压缩机数据的第二参考往复式压缩机状态活动的决策预警状态活动特征。
8.根据权利要求7所述的往复式压缩机控制方法,其特征在于,确定所述第二参考往复式压缩机数据的第二参考往复式压缩机状态活动的预警状态活动特征,包括:
确定每一所述第二参考往复式压缩机数据的往复式压缩机状态活动特征;
依据第二参考往复式压缩机数据的往复式压缩机状态活动特征以及所述第二参考往复式压缩机数据,融合构建所述第二参考往复式压缩机数据的第二参考往复式压缩机状态活动的预警状态活动特征。
9.根据权利要求7或8所述的往复式压缩机控制方法,其特征在于,所述参考往复式压缩机历史数据中还包括:第三参考往复式压缩机数据;所述第三参考往复式压缩机数据为对所述第一参考往复式压缩机数据进行关注特征更新获得;所述方法还包括:
确定所述第三参考往复式压缩机数据的第三参考往复式压缩机状态活动的预警状态活动特征;依据所述初始化预警状态决策网络对第三参考往复式压缩机数据进行特征决策,获得所述第三参考往复式压缩机数据的第三参考往复式压缩机状态活动的决策预警状态活动特征。
10.根据权利要求9所述的往复式压缩机控制方法,其特征在于,还包括,依据所述第一参考往复式压缩机状态活动的预警状态活动特征和决策预警状态活动特征、所述第二参考往复式压缩机状态活动的预警状态活动特征和决策预警状态活动特征,对所述初始化预警状态决策网络进行网络权重优化,以获得满足网络收敛要求的所述预警状态决策网络,还包括:
依据所述第一参考往复式压缩机状态活动的预警状态活动特征和决策预警状态活动特征、所述第二参考往复式压缩机状态活动的预警状态活动特征和决策预警状态活动特征、以及所述第三参考往复式压缩机状态活动的预警状态活动特征和决策预警状态活动特征,对所述初始化预警状态决策网络进行网络权重优化,以获得满足网络收敛要求的所述预警状态决策网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210949773.9A CN115324870B (zh) | 2022-08-09 | 2022-08-09 | 一种往复式压缩机及其控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210949773.9A CN115324870B (zh) | 2022-08-09 | 2022-08-09 | 一种往复式压缩机及其控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115324870A true CN115324870A (zh) | 2022-11-11 |
CN115324870B CN115324870B (zh) | 2024-04-12 |
Family
ID=83922592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210949773.9A Active CN115324870B (zh) | 2022-08-09 | 2022-08-09 | 一种往复式压缩机及其控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115324870B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110439801A (zh) * | 2019-08-01 | 2019-11-12 | 江西资生科技有限公司 | 一种往复式压缩机活塞新型实时监测与预警系统及方法 |
CN210317716U (zh) * | 2019-07-30 | 2020-04-14 | 江西资生科技有限公司 | 一种往复式压缩机活塞安全性能的监测系统 |
US20210140420A1 (en) * | 2016-11-16 | 2021-05-13 | Atlas Copco Crepelle S.A.S. | Reciprocating compressor |
CN113410813A (zh) * | 2021-05-31 | 2021-09-17 | 广西电网有限责任公司电力科学研究院 | 一种基于数字孪生配网故障的诊断方法及相关装置 |
CN113433917A (zh) * | 2021-08-11 | 2021-09-24 | 内蒙古京隆发电有限责任公司 | 一种用于发电厂的dcs控制系统及控制方法 |
CN114817569A (zh) * | 2022-05-05 | 2022-07-29 | 中国电信股份有限公司鄂尔多斯分公司 | 基于5g技术的火电厂监控数据处理方法及系统 |
-
2022
- 2022-08-09 CN CN202210949773.9A patent/CN115324870B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210140420A1 (en) * | 2016-11-16 | 2021-05-13 | Atlas Copco Crepelle S.A.S. | Reciprocating compressor |
CN210317716U (zh) * | 2019-07-30 | 2020-04-14 | 江西资生科技有限公司 | 一种往复式压缩机活塞安全性能的监测系统 |
CN110439801A (zh) * | 2019-08-01 | 2019-11-12 | 江西资生科技有限公司 | 一种往复式压缩机活塞新型实时监测与预警系统及方法 |
CN113410813A (zh) * | 2021-05-31 | 2021-09-17 | 广西电网有限责任公司电力科学研究院 | 一种基于数字孪生配网故障的诊断方法及相关装置 |
CN113433917A (zh) * | 2021-08-11 | 2021-09-24 | 内蒙古京隆发电有限责任公司 | 一种用于发电厂的dcs控制系统及控制方法 |
CN114817569A (zh) * | 2022-05-05 | 2022-07-29 | 中国电信股份有限公司鄂尔多斯分公司 | 基于5g技术的火电厂监控数据处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115324870B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10598520B2 (en) | Method and apparatus for pneumatically conveying particulate material including a user-visible IoT-based classification and predictive maintenance system noting maintenance state as being acceptable, cautionary, or dangerous | |
KR101316486B1 (ko) | 이상 검지 방법 및 시스템 | |
CN102576227B (zh) | 设备诊断装置 | |
CN102270271B (zh) | 基于相似度曲线的设备故障早期预警及优化的方法和系统 | |
CN103471841B (zh) | 一种旋转机械振动故障诊断方法 | |
JP5858839B2 (ja) | 作業機械の異常診断装置 | |
JP2022524244A (ja) | 将来の動作の予測分類 | |
JP2019179395A (ja) | 異常検知システム、サポート装置および異常検知方法 | |
CN108780526B (zh) | 基于资产定位的预测模型的处置 | |
EP1640894A1 (en) | Information processor, state judging unit and diagnostic unit, information processing method, state judging method and diagnosing method | |
KR20140041766A (ko) | 예측 및 예지를 위한 순차적 커널 회귀 모델링 방법 | |
CN104102773A (zh) | 一种设备故障预警及状态监测方法 | |
JP2019028929A (ja) | プリプロセッサおよび異常予兆診断システム | |
CN108398249B (zh) | 预测密封圈剩余寿命的方法和装置、工程机械及服务器 | |
US20200319626A1 (en) | Method and apparatus for monitoring the state of a device in a process industry and medium | |
CN116186946B (zh) | 一种基于诊断模型的液压系统故障诊断方法及系统 | |
CA2784371A1 (en) | Method and system for diagnosing compressors | |
CN116842423A (zh) | 基于多模态深度学习的航空发动机故障诊断方法及系统 | |
JP2002082713A (ja) | 工業プロセスの監視方法及び監視システム | |
CN110969315A (zh) | 一种注水泵的监测方法及相关设备 | |
JP2017215832A (ja) | 回転機械の運転状態を診断する診断装置及び診断方法 | |
CN115324870A (zh) | 一种往复式压缩机及其控制方法 | |
TWI780434B (zh) | 異常診斷裝置及方法 | |
CN110275875A (zh) | 用于为工业基础设施提供经实例化的工业语义模型的方法和装置 | |
CN111766514A (zh) | 一种设备检测点的数据分析方法 |
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 |