CN116292241A - 一种输油泵机组的故障诊断预警方法及系统 - Google Patents
一种输油泵机组的故障诊断预警方法及系统 Download PDFInfo
- Publication number
- CN116292241A CN116292241A CN202310267785.8A CN202310267785A CN116292241A CN 116292241 A CN116292241 A CN 116292241A CN 202310267785 A CN202310267785 A CN 202310267785A CN 116292241 A CN116292241 A CN 116292241A
- Authority
- CN
- China
- Prior art keywords
- pump unit
- fault
- early warning
- abnormal
- oil
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000003745 diagnosis Methods 0.000 title claims abstract description 35
- 230000002159 abnormal effect Effects 0.000 claims abstract description 155
- 238000012546 transfer Methods 0.000 claims abstract description 102
- 238000012544 monitoring process Methods 0.000 claims abstract description 46
- 238000011156 evaluation Methods 0.000 claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 11
- 238000010977 unit operation Methods 0.000 claims description 11
- 230000007774 longterm Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000013450 outlier detection Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 12
- 230000008859 change Effects 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 7
- 230000005856 abnormality Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000007704 transition Effects 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Fluid-Pressure Circuits (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本发明公开了一种输油泵机组的故障诊断预警方法及系统，涉及管道输油设备诊断技术领域，该方法包括：采集SCADA系统中输油泵机组运行状态参数数据，提取输油泵机组正常状态特征；构建输油泵机组预警模型；获得异常状态参数预警信息，其中，所述异常状态参数预警信息包括异常状态参数及异常状态参数监测值；构建输油泵机组异常故障库，获得故障评价信息；根据所述故障评价信息，获得输油泵机组状态预警信息。本发明解决了现有技术中存在由于对机组状态变化过程不敏感，进而导致预警及时性和准确性不足的技术问题，达到提高输油泵机组异常判断的准确率，提升输油泵故障识别的及时性、准确性的技术效果。
Description
技术领域
本发明涉及管道输油设备诊断技术领域，尤其涉及一种输油泵机组的故障诊断预警方法及系统。
背景技术
输油泵作为管道输油的关键设备，是保证管线运输正常运行的重要因素。目前输油泵诊断技术主要面临以下三个问题：
(1)当前80％输油泵机组的状态监测依靠SCADA系统预警，且仅设置2个固定报警阈值(高报警、高高报警)，该预警机制并不关注机组运行状态变化过程及个性化表现，导致对监测参数变化不敏感。
(2)基于厂家经验和设备承受极限的固定阈值报警值设计(无统一标准参考)，因报警值设置较高，导致机组报警太迟，往往处于停机边缘。
(3)SCADA预警只有简单的超值报警，而基于加装高频振动传感器的状态监测系统，因故障数据积累少，故障诊断通常需要人工依据经验，智能化程度偏低。
现有的输油泵诊断技术中存在由于对机组状态变化过程不敏感，进而导致预警及时性和准确性不足的技术问题。
发明内容
本申请的目的是提供一种输油泵机组的故障诊断预警方法及系统，用以针对解决现有的输油泵诊断技术中存在由于对机组状态变化过程不敏感，进而导致预警及时性和准确性不足的技术问题。
鉴于上述问题，本申请提供了一种输油泵机组的故障诊断预警方法及系统。
第一方面，本申请提供了一种输油泵机组的故障诊断预警方法，所述方法包括：采集SCADA系统中输油泵机组运行状态参数数据，提取输油泵机组正常状态特征；基于所述输油泵机组正常状态特征，构建输油泵机组预警模型；通过所述SCADA系统实时读取输油泵机组监测数据，输入所述输油泵机组预警模型，获得异常状态参数预警信息，其中，所述异常状态参数预警信息包括异常状态参数及异常状态参数监测值；构建输油泵机组异常故障库，利用所述异常状态参数及异常状态参数监测值，与所述输油泵机组异常故障库进行故障评估、故障溯源，获得故障评价信息；根据所述故障评价信息，获得输油泵机组状态预警信息。
第二方面，本申请还提供了一种输油泵机组的故障诊断预警系统，用于执行如第一方面所述的一种输油泵机组的故障诊断预警方法，其中，所述系统包括：正常状态特征提取模块，所述正常状态特征提取模块用于采集SCADA系统中输油泵机组运行状态参数数据，提取输油泵机组正常状态特征；机组预警模型构建模块，所述机组预警模型构建模块用于基于所述输油泵机组正常状态特征，构建输油泵机组预警模型；异常预警信息获取模块，所述异常预警信息获取模块用于通过所述SCADA系统实时读取输油泵机组监测数据，输入所述输油泵机组预警模型，获得异常状态参数预警信息，其中，所述异常状态参数预警信息包括异常状态参数及异常状态参数监测值；故障评价信息获取模块，所述故障评价信息获取模块用于构建输油泵机组异常故障库，利用所述异常状态参数及异常状态参数监测值，与所述输油泵机组异常故障库进行故障评估、故障溯源，获得故障评价信息；机组状态预警信息获取模块，所述机组状态预警信息获取模块用于根据所述故障评价信息，获得输油泵机组状态预警信息。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请提供的技术方案通过采集SCADA系统中输油泵机组运行状态参数数据，提取输油泵机组正常状态特征；基于所述输油泵机组正常状态特征，构建输油泵机组预警模型；通过所述SCADA系统实时读取输油泵机组监测数据，输入所述输油泵机组预警模型，获得异常状态参数预警信息，其中，所述异常状态参数预警信息包括异常状态参数及异常状态参数监测值；构建输油泵机组异常故障库，利用所述异常状态参数及异常状态参数监测值，与所述输油泵机组异常故障库进行故障评估、故障溯源，获得故障评价信息；根据所述故障评价信息，获得输油泵机组状态预警信息。本申请基于SCADA系统，提取输油泵机组正常状态特征，根据输油泵机组正常状态特征构建输油泵机组预警模型，进而对输油泵机组进行异常预警，对输油泵机组异常严重等级的进行准确评判，同时对输油泵机组异常预警溯源，达到提高输油泵机组异常判断的准确率，提升输油泵故障识别的及时性、准确性的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案，下面将对实施例或现有技术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示例性的，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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种输油泵机组的故障诊断预警方法的流程示意图；
图2为本申请实施例提供的一种输油泵机组的故障诊断预警方法中提取输油泵机组状态特征的流程示意图；
图3为本申请实施例提供的一种输油泵机组的故障诊断预警方法中构建输油泵机组异常故障库的流程示意图；
图4为本申请实施例提供的一种输油泵机组的故障诊断预警系统的结构示意图；
图5为本申请示例性电子设备的结构示意图。
附图标记说明：正常状态特征提取模块11，机组预警模型构建模块12，异常预警信息获取模块13，故障评价信息获取模块14，机组状态预警信息获取模块15，电子设备300，存储器301，处理器302，通信接口303，总线架构304。
具体实施方式
本申请通过提供一种输油泵机组的故障诊断预警方法及系统，用以针对解决现有的输油泵诊断技术中存在由于机组状态变化过程不敏感，进而导致预警及时性和准确性不足的技术问题。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
下面，将参考附图对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。基于本申请的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部。
实施例一
如图1所示，本申请提供了一种输油泵机组的故障诊断预警方法，所述方法包括：
步骤S100：采集SCADA系统中输油泵机组运行状态参数数据，提取输油泵机组正常状态特征；
具体而言，SCADA系统是工业过程监控系统，可对输油泵机组运行的过程进行监控，基于工业过程监控系统，采集输油泵机组运行状态参数数据，输油泵机组运行状态参数数据是指输油泵机组运行过程产生的数据，对输油泵机组运行状态参数数据进行分析处理，提取输油泵机组正常状态特征，输油泵机组正常状态特征是指可以反应输油泵机组运行状态的特征。
其中，如图2所示，本申请实施例提供的方法中的步骤S100包括：
步骤S110：对采集到的所述输油泵机组运行状态参数数据进行清洗及归一化处理，获得预处理后的运行状态参数数据；
步骤S120：基于所述预处理后的运行状态参数数据，构建机组状态多维参数；
步骤S130：对所述机组状态多维参数进行关联性分析，并基于关联性分析结果对所述机组状态多维参数进行压缩；
步骤S140：基于压缩后的机组状态多维参数，提取反应输油泵机组长短期历史状态的输油泵机组状态特征。
具体地，输油泵机组运行状态参数数据包括输油泵机组运行状态参数数据包括输油泵振动信号、输油泵温度信号、输油泵流量信号、输油泵电机电压信号、输油泵电机电流信号、压力、机械密封泄漏等，比如泵驱动端的水平、垂直振动值、轴承的温度值，非驱动端的水平、垂直振动值、轴承的温度值，电机驱动端和非驱动端的水平、垂直振动值、轴承的温度值，电压、电流、泵的异常数据，以及泵进出口的压力、流量信号。对采集到的所述输油泵机组运行状态参数数据进行清洗及归一化处理，数据清洗就是查看数据是否有缺失或者有冗余数据，对缺失数据进行补充，删除冗余数据，不同的数据的量纲不同，对数据进行归一化处理，转换为无量纲的纯数值，从而获得预处理后的运行状态参数数据。预处理后的运行状态参数据包含了多种运行参数，对多种运行参数进行分类，以分类后的数据构建机组状态多维参数，机组状态多维参数包括多组不同类型的运行状态参数数据。进一步对机组状态多维参数进行关联性分析，也就是说，机组状态多维参数之间具有相关性，比如，某一维度的参数变化会引起另一个维度的参数变化，基于关联性分析结果对机组状态多维参数进行压缩，将关联性较大的参数压缩到一起，达到减少数据量的效果。基于压缩后的机组状态多维参数，剔除异常数据，提取反应输油泵机组长短期历史状态的输油泵机组状态特征。
其中，本申请实施例提供的方法中的步骤S140包括：
步骤S141：获得预设长短期信息；
步骤S142：根据所述预设长短期信息进行异常状态数据量分析，确定长短期权重；
步骤S143：基于所述长短期权重，提取所述反应输油泵机组长短期历史状态的输油泵机组状态特征。
具体地，获得预设长短期信息，预设长短期信息是指转态特征的时间约束信息，可以根据实际情况自行设定，比如一个月、三个月、半年、一年，根据预设长短期信息进行异常状态数据量分析，就是分析在预设长短期时间内的异常状态数据的数量，基于此，设置长短期权重，比如对于距离当前运行时间较近的数据，所占权重可以多一些。进而剔除掉异常数据，根据长短期权重，提取反应输油泵机组长期历史状态和短期历史状态的输油泵机组状态特征。
步骤S200：基于所述输油泵机组正常状态特征，构建输油泵机组预警模型；
其中，本申请实施例提供的方法中的步骤S200包括：
步骤S210：利用聚类分析、长短时序记忆、神经网络、回归建模、离群点检测，其中一个或多个分析方法进行模型构建。
具体而言，基于输油泵机组正常状态特征，构建输油泵机组预警模型，一般情况下，预警模型多使用异常数据进行建模，通过对监测异常数据进行预警，异常状态参数多种多样，异常状态库不能完全穷尽所有异常状态，这样的模型的预警准确性和及时性不足，经常在异常数据运行一段时间后才进行预警，本发明采用正常数据进行建模，只要机组运行数据与输油泵机组正常状态特征不同，就进行预警，基于此构建输油泵机组预警模型，就是说，输油泵机组预警模型中包含输油泵机组正常状态特征，将监测到的输油泵机组运行数据输入到输油泵机组预警模型，通过输油泵机组预警模型对监测到的输油泵机组运行数据与输油泵机组正常状态特征进行比对，如果两者不一致，就进行预警，达到提高预警准确性和及时性的技术效果。
具体地，利用聚类分析、长短时序记忆、神经网络、回归建模、离群点检测，其中一个或多个分析方法进行模型构建。聚类分析指将建模数据按照规定的分类标准分为多组不同类型的数据，根据不同类型的数据进行分析建模；长短时序记忆是循环神经网络的一种，和神经网络一样是机器学习算法中的一种，通过模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型；回归建模是对统计关系进行定量描述的一种数学模型；离群点检测就是异常检测，就是找出其行为不同于预期对象的过程，这种对象称为离群点或异常，也就是说，正常数据往往是相似的，异常数据一般是单个出现，与其它正常数据有区别。在聚类分析、长短时序记忆、神经网络、回归建模、离群点检测中选择其中一个或多个分析方法进行模型构建。
步骤S300：通过所述SCADA系统实时读取输油泵机组监测数据，输入所述输油泵机组预警模型，获得异常状态参数预警信息，其中，所述异常状态参数预警信息包括异常状态参数及异常状态参数监测值；
具体而言，通过SCADA系统实时读取输油泵机组监测数据，将输油泵机组监测数据输入到输油泵机组预警模型，输出异常状态参数预警信息，异常状态参数预警信息是指与输油泵机组正常状态特征不同的输油泵机组监测数据，异常状态参数预警信息包括异常状态参数及异常状态参数监测值，异常状态参数是指参数的类型，比如电压、电流，异常状态参数监测值是指参数的特征值，比如异常电圧值。
步骤S400：构建输油泵机组异常故障库，利用所述异常状态参数及异常状态参数监测值，与所述输油泵机组异常故障库进行故障评估、故障溯源，获得故障评价信息；
其中，构建输油泵机组异常故障库，如图3所示，本申请实施例提供的方法中的步骤S400还包括：
步骤S410：在SCADA系统中记录故障发生的时刻，并建立故障标签；
步骤S420：分析对应时刻SCADA系统的监测数据中输油泵机组运行状态参数数据；
步骤S430：根据故障信息及输油泵机组运行状态参数数据，构建异常状态等级、输油泵机组运行状态参数数据及故障设备信息的关联规则数据库，其中关联规则数据库包括故障标签、机组编号、溯源信息、异常状态等级、输油泵机组运行状态参数数据及其映射关系。
其中，利用所述异常状态参数及异常状态参数监测值，与所述输油泵机组异常故障库进行故障评估、故障溯源，获得故障评价信息，本申请实施例提供的方法中的步骤S400还包括：
步骤S450：根据所述异常状态参数与所述输油泵机组异常故障库进行故障溯源，确定溯源信息；
步骤S460：基于所述溯源信息，利用所述输油泵机组异常故障库，确定故障标签，根据所述故障标签进行故障发生时间定位，获得溯源结果；
步骤S470：根据所述异常状态参数监测值与所述输油泵机组异常故障库进行等级匹配，确定异常状态等级；
步骤S480：根据所述异常状态等级、所述溯源结果，获得所述故障评价信息。
具体而言，输油泵机组异常故障库中包括故障发生时的输油泵机组运行状态参数数据、对应的异常等级以及故障设备信息，进一步根据异常状态参数及异常状态参数监测值，结合输油泵机组异常故障库进行故障评估、故障溯源，获得故障评价信息，故障评估就是评估异常等级，故障溯源就是确定机组发生异常的位置，比如电机异常、轴承异常等，故障评估结果和故障溯源结果组成故障评价信息。
具体地，构建输油泵机组异常故障库的过程如下：基于SCADA系统，记录每次故障发生的时刻，并建立故障标签，故障标签中标记了每次故障发生的时刻以及故障信息，分析与故障发生时刻对应的SCADA系统的监测数据中输油泵机组运行状态参数数据，也就是说，这个时刻的输油泵机组运行状态参数数据是异常数据。进一步根据故障信息及输油泵机组运行状态参数数据，构建异常状态等级、输油泵机组运行状态参数数据及故障设备信息的关联规则数据库，简单来说，故障设备信息是指发生故障的机组设备，不同的输油泵机组运行状态参数数据、故障设备信息对应不同的异常状态等级，异常状态等级包括轻度异常、中度异常和重度异常，关联规则数据库包括故障标签、机组编号、溯源信息、异常状态等级、输油泵机组运行状态参数数据及其映射关系，机组编号是对输油泵机组的号码，就是说，一个站场里可能有多组输油泵机组，对每一组输油泵机组设置不同的编号，便于进行不同机组的故障预警。溯源信息是指发生异常的状态参数，也就是说，关联规则数据库中包括多组数据，每组数据包含故障标签、机组编号、溯源信息、异常状态等级、输油泵机组运行状态参数数据，每组数据具有对应关系。
进一步的就，输油泵机组异常故障库构建完成后，根据异常状态参数与输油泵机组异常故障库进行故障溯源，换句话说，就是确定机组发生异常的状态参数，以异常状态参数作为溯源信息，根据溯源信息，利用输油泵机组异常故障库，确定故障标签，根据故障标签进行故障发生时间定位，获得溯源结果，溯源结果包括异常发生时间和异常发生位置。根据异常状态参数监测值与输油泵机组异常故障库进行等级匹配，确定异常状态等级，常状态等级包括轻度异常、中度异常和重度异常，以异常状态等级、溯源结果作为故障评价信息。
步骤S500：根据所述故障评价信息，获得输油泵机组状态预警信息。
具体而言，根据故障评价信息，获取输油泵机组状态预警信息，输油泵机组状态预警信息包括了异常状态等级和溯源结果，将输油泵机组状态预警信息发送给工作人员，辅助工作人员进行设备检修维护。
其中，本申请实施例提供的方法中的步骤S600包括：
步骤S610：通过SCADA系统的pi数据库实时读取运行状态参数数据；
步骤S620：对所述实时读取运行状态参数数据按照所述输油泵机组正常状态特征进行处理，获得模型更新数据；
步骤S630：利用所述模型更新数据对输油泵机组预警模型进行动态更新。
具体而言，SCADA系统用于对输油泵机组运行过程进行实时监控，会不停地产生运行状态参数数据，通过SCADA系统的pi数据库实时读取运行状态参数数据，按照步骤S100中同样的方法对运行状态参数数据进行处理，提取出输油泵机组正常状态特征，作为模型更新数据，通过模型更新数据对输油泵机组预警模型进行动态更新，实现输油泵机组预警模型的优化，达到提升异常预警的准确性和灵敏度的效果。
综上所述，本申请所提供的一种输油泵机组的故障诊断预警方法具有如下技术效果：
本申请提出的一种输油泵机组的故障诊断预警方法，基于SCADA系统，提取输油泵机组正常状态特征，根据输油泵机组正常状态特征构建输油泵机组预警模型，进而对输油泵机组进行异常预警，对输油泵机组异常严重等级的进行准确评判，同时对输油泵机组异常预警溯源，达到了提高了输油泵机组异常判断的准确率，提升输油泵故障识别的及时性、准确性的技术效果。
实施例二
基于与前述实施例中一种输油泵机组的故障诊断预警方法同样的发明构思，如图4所示，本申请还提供了一种输油泵机组的故障诊断预警系统，所述系统包括：
正常状态特征提取模块11，所述正常状态特征提取模块11用于采集SCADA系统中输油泵机组运行状态参数数据，提取输油泵机组正常状态特征；
机组预警模型构建模块12，所述机组预警模型构建模块12用于基于所述输油泵机组正常状态特征，构建输油泵机组预警模型；
异常预警信息获取模块13，所述异常预警信息获取模块13用于通过所述SCADA系统实时读取输油泵机组监测数据，输入所述输油泵机组预警模型，获得异常状态参数预警信息，其中，所述异常状态参数预警信息包括异常状态参数及异常状态参数监测值；
故障评价信息获取模块14，所述故障评价信息获取模块14用于构建输油泵机组异常故障库，利用所述异常状态参数及异常状态参数监测值，与所述输油泵机组异常故障库进行故障评估、故障溯源，获得故障评价信息；
机组状态预警信息获取模块15，所述机组状态预警信息获取模块15用于根据所述故障评价信息，获得输油泵机组状态预警信息。
进一步而言，所述系统还包括：
数据清洗处理模块，所述数据清洗处理模块用于对采集到的所述输油泵机组运行状态参数数据进行清洗及归一化处理，获得预处理后的运行状态参数数据；
机组状态多维参数构建模块，所述机组状态多维参数构建模块用于基于所述预处理后的运行状态参数数据，构建机组状态多维参数；
关联性分析模块，所述关联性分析模块用于对所述机组状态多维参数进行关联性分析，并基于关联性分析结果对所述机组状态多维参数进行压缩；
机组状态特征提取模块，所述机组状态特征提取模块用于基于压缩后的机组状态多维参数，提取反应输油泵机组长短期历史状态的输油泵机组状态特征。
进一步而言，所述系统还包括：
预设长短期信息获取模块，所述预设长短期信息获取模块用于获得预设长短期信息；
长短期权重确定模块，所述长短期权重确定模块用于根据所述预设长短期信息进行异常状态数据量分析，确定长短期权重；
第二机组状态特征提取模块，所述第二机组状态特征提取模块用于基于所述长短期权重，提取所述反应输油泵机组长短期历史状态的输油泵机组状态特征。
进一步而言，所述系统还包括：
故障标签建立模块，所述故障标签建立模块用于在SCADA系统中记录故障发生的时刻，并建立故障标签；
状态参数分析模块，所述状态参数分析模块用于分析对应时刻SCADA系统的监测数据中输油泵机组运行状态参数数据；
关联规则数据库构建模块，所述关联规则数据库构建模块用于根据故障信息及输油泵机组运行状态参数数据，构建异常状态等级、输油泵机组运行状态参数数据及故障设备信息的关联规则数据库，其中关联规则数据库包括故障标签、机组编号、溯源信息、异常状态等级、输油泵机组运行状态参数数据及其映射关系。
进一步而言，所述系统还包括：
故障溯源模块，所述故障溯源模块用于根据所述异常状态参数与所述输油泵机组异常故障库进行故障溯源，确定溯源信息；
故障发生时间定位模块，所述故障发生时间定位模块用于基于所述溯源信息，利用所述输油泵机组异常故障库，确定故障标签，根据所述故障标签进行故障发生时间定位，获得溯源结果；
异常状态等级确定模块用于根据所述异常状态参数监测值与所述输油泵机组异常故障库进行等级匹配，确定异常状态等级；
第二故障评价信息获取模块，所述第二故障评价信息获取模块用于根据所述异常状态等级、所述溯源结果，获得所述故障评价信息。
进一步而言，所述系统还包括：
实时运行数据获取模块，所述实时运行数据获取模块用于通过SCADA系统的pi数据库实时读取运行状态参数数据；
模型更新数据获取模块，所述模型更新数据获取模块用于对所述实时读取运行状态参数数据按照所述输油泵机组正常状态特征进行处理，获得模型更新数据；
动态更新模块，所述动态更新模块用于利用所述模型更新数据对输油泵机组预警模型进行动态更新。
进一步而言，所述系统还包括：
模型构建模块，所述模型构建模块用于利用聚类分析、长短时序记忆、神经网络、回归建模、离群点检测，其中一个或多个分析方法进行模型构建。
实施例三
基于与前述实施例中一种输油泵机组的故障诊断预警方法同样的发明构思，如图5所示，本申请还提供了一种电子设备300，所述电子设备300包括存储器301和处理器302，所述存储器301内存储有计算机程序，所述计算器程序被所述处理器302执行时实现实施例一种方法的步骤。
该电子设备300包括：处理器302、通信接口303、存储器301。可选的，电子设备300还可以包括总线架构304。其中，通信接口303、处理器302以及存储器301可以通过总线架构304相互连接；总线架构304可以是外设部件互连标(peripher al componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture，简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU，微处理器，ASIC，或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303，使用任何收发器一类的装置，用于与其他设备或通信网络通信，如以太网，无线接入网(radio access network，RAN),无线局域网(wireless local ar eanetworks，WLAN)，有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable Programmable read only memory，EEPROM)、只读光盘(compactdiscread only memory，CD ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中，存储器301用于存储执行本申请方案的计算机执行指令，并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令，从而实现本申请上述实施例一中方法的步骤。
实施例四
基于与前述实施例中一种输油泵机组的故障诊断预警方法同样的发明构思，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现实施例一中方法的步骤。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，前述图1实施例一中的一种输油泵机组的故障诊断预警方法和具体实例同样适用于本实施例的一种输油泵机组的故障诊断预警系统，通过前述对一种输油泵机组的故障诊断预警方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种输油泵机组的故障诊断预警系统，所以为了说明书的简洁，在此不再详述。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽广的范围。
Claims (10)
1.一种输油泵机组的故障诊断预警方法，其特征在于，所述方法包括：
采集SCADA系统中输油泵机组运行状态参数数据，提取输油泵机组正常状态特征；
基于所述输油泵机组正常状态特征，构建输油泵机组预警模型；
通过所述SCADA系统实时读取输油泵机组监测数据，输入所述输油泵机组预警模型，获得异常状态参数预警信息，其中，所述异常状态参数预警信息包括异常状态参数及异常状态参数监测值；
构建输油泵机组异常故障库，利用所述异常状态参数及异常状态参数监测值，与所述输油泵机组异常故障库进行故障评估、故障溯源，获得故障评价信息；
根据所述故障评价信息，获得输油泵机组状态预警信息。
2.如权利要求1所述的方法，其特征在于，所述采集SCADA系统中输油泵机组运行状态参数数据，提取输油泵机组正常状态特征，包括：
对采集到的所述输油泵机组运行状态参数数据进行清洗及归一化处理，获得预处理后的运行状态参数数据；
基于所述预处理后的运行状态参数数据，构建机组状态多维参数；
对所述机组状态多维参数进行关联性分析，并基于关联性分析结果对所述机组状态多维参数进行压缩；
基于压缩后的机组状态多维参数，提取反应输油泵机组长短期历史状态的输油泵机组状态特征。
3.如权利要求2所述的方法，其特征在于，所述提取反应输油泵机组长短期历史状态的输油泵机组状态特征，包括：
获得预设长短期信息；
根据所述预设长短期信息进行异常状态数据量分析，确定长短期权重；
基于所述长短期权重，提取所述反应输油泵机组长短期历史状态的输油泵机组状态特征。
4.如权利要求1所述的方法，其特征在于，所述构建输油泵机组异常故障库，包括：
在SCADA系统中记录故障发生的时刻，并建立故障标签；
分析对应时刻SCADA系统的监测数据中输油泵机组运行状态参数数据；
根据故障信息及输油泵机组运行状态参数数据，构建异常状态等级、输油泵机组运行状态参数数据及故障设备信息的关联规则数据库，其中关联规则数据库包括故障标签、机组编号、溯源信息、异常状态等级、输油泵机组运行状态参数数据及其映射关系。
5.如权利要求4所述的方法，其特征在于，利用所述异常状态参数及异常状态参数监测值，与所述输油泵机组异常故障库进行故障评估、故障溯源，获得故障评价信息，包括：
根据所述异常状态参数与所述输油泵机组异常故障库进行故障溯源，确定溯源信息；
基于所述溯源信息，利用所述输油泵机组异常故障库，确定故障标签，根据所述故障标签进行故障发生时间定位，获得溯源结果；
根据所述异常状态参数监测值与所述输油泵机组异常故障库进行等级匹配，确定异常状态等级；
根据所述异常状态等级、所述溯源结果，获得所述故障评价信息。
6.如权利要求1所述的方法，其特征在于，所述方法还包括：
通过SCADA系统的pi数据库实时读取运行状态参数数据；
对所述实时读取运行状态参数数据按照所述输油泵机组正常状态特征进行处理，获得模型更新数据；
利用所述模型更新数据对输油泵机组预警模型进行动态更新。
7.如权利要求1所述的方法，其特征在于，所述构建输油泵机组预警模型，包括：
利用聚类分析、长短时序记忆、神经网络、回归建模、离群点检测，其中一个或多个分析方法进行模型构建。
8.一种输油泵机组的故障诊断预警系统，其特征在于，所述系统包括：
正常状态特征提取模块，所述正常状态特征提取模块用于采集SCADA系统中输油泵机组运行状态参数数据，提取输油泵机组正常状态特征；
机组预警模型构建模块，所述机组预警模型构建模块用于基于所述输油泵机组正常状态特征，构建输油泵机组预警模型；
异常预警信息获取模块，所述异常预警信息获取模块用于通过所述SCADA系统实时读取输油泵机组监测数据，输入所述输油泵机组预警模型，获得异常状态参数预警信息，其中，所述异常状态参数预警信息包括异常状态参数及异常状态参数监测值；
故障评价信息获取模块，所述故障评价信息获取模块用于构建输油泵机组异常故障库，利用所述异常状态参数及异常状态参数监测值，与所述输油泵机组异常故障库进行故障评估、故障溯源，获得故障评价信息；
机组状态预警信息获取模块，所述机组状态预警信息获取模块用于根据所述故障评价信息，获得输油泵机组状态预警信息。
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器内存储有计算机程序，所述计算机程序被所述处理器执行时实现权利要求1-7任一方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310267785.8A CN116292241A (zh) | 2023-03-14 | 2023-03-14 | 一种输油泵机组的故障诊断预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310267785.8A CN116292241A (zh) | 2023-03-14 | 2023-03-14 | 一种输油泵机组的故障诊断预警方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116292241A true CN116292241A (zh) | 2023-06-23 |
Family
ID=86833909
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310267785.8A Pending CN116292241A (zh) | 2023-03-14 | 2023-03-14 | 一种输油泵机组的故障诊断预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116292241A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116517921A (zh) * | 2023-07-03 | 2023-08-01 | 成都飞机工业（集团）有限责任公司 | 航空液压油车状态在线检测方法及系统 |
| CN116541251A (zh) * | 2023-07-04 | 2023-08-04 | 天津通信广播集团有限公司 | 显示设备状态预警方法、装置、设备和计算机可读介质 |
| CN117433591A (zh) * | 2023-12-21 | 2024-01-23 | 河北省农林科学院农业信息与经济研究所 | 基于多传感器数据的自动化设备监测系统 |
| CN117893202A (zh) * | 2024-03-15 | 2024-04-16 | 山东港源管道物流有限公司 | 一种智慧油库建设施工管理系统及方法 |
| CN118224156A (zh) * | 2024-05-24 | 2024-06-21 | 江苏恒源液压有限公司 | 液压系统异常监测方法及系统 |
-
2023
- 2023-03-14 CN CN202310267785.8A patent/CN116292241A/zh active Pending
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116517921A (zh) * | 2023-07-03 | 2023-08-01 | 成都飞机工业（集团）有限责任公司 | 航空液压油车状态在线检测方法及系统 |
| CN116517921B (zh) * | 2023-07-03 | 2023-11-10 | 成都飞机工业（集团）有限责任公司 | 航空液压油车状态在线检测方法及系统 |
| CN116541251A (zh) * | 2023-07-04 | 2023-08-04 | 天津通信广播集团有限公司 | 显示设备状态预警方法、装置、设备和计算机可读介质 |
| CN116541251B (zh) * | 2023-07-04 | 2023-10-20 | 天津通信广播集团有限公司 | 显示设备状态预警方法、装置、设备和计算机可读介质 |
| CN117433591A (zh) * | 2023-12-21 | 2024-01-23 | 河北省农林科学院农业信息与经济研究所 | 基于多传感器数据的自动化设备监测系统 |
| CN117433591B (zh) * | 2023-12-21 | 2024-02-27 | 河北省农林科学院农业信息与经济研究所 | 基于多传感器数据的自动化设备监测系统 |
| CN117893202A (zh) * | 2024-03-15 | 2024-04-16 | 山东港源管道物流有限公司 | 一种智慧油库建设施工管理系统及方法 |
| CN117893202B (zh) * | 2024-03-15 | 2024-05-28 | 山东港源管道物流有限公司 | 一种智慧油库建设施工管理系统及方法 |
| CN118224156A (zh) * | 2024-05-24 | 2024-06-21 | 江苏恒源液压有限公司 | 液压系统异常监测方法及系统 |
| CN118224156B (zh) * | 2024-05-24 | 2024-09-10 | 江苏恒源液压有限公司 | 液压系统异常监测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2023071217A1 (zh) | 基于深度迁移学习的多工况流程工业故障检测诊断方法 | |
| CN116292241A (zh) | 一种输油泵机组的故障诊断预警方法及系统 | |
| CN108460144B (zh) | 一种基于机器学习的煤炭设备故障预警系统及方法 | |
| US20220283576A1 (en) | Automatic diagnosis method, system and storage medium for equipment | |
| EP1982301B1 (en) | Method of condition monitoring | |
| AU768225B2 (en) | A process for the monitoring and diagnostics of data from a remote asset | |
| CN116066343A (zh) | 一种输油泵机组故障模型的智能预警方法及系统 | |
| CN115524002B (zh) | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 | |
| CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
| 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 | |
| CN116485020B (zh) | 一种基于大数据的供应链风险识别预警方法、系统及介质 | |
| CN115788771A (zh) | 一种基于物联网技术的风力发电系统的智能运维管理系统 | |
| CN112580858A (zh) | 设备参数预测分析方法及系统 | |
| CN112363432A (zh) | 一种水电站辅助设备的监测系统及监测方法 | |
| CN115062851A (zh) | 基于多算法融合的排污异常监测方法及系统 | |
| CN112882898B (zh) | 基于大数据日志分析的异常检测方法、系统、设备及介质 | |
| CN112016193B (zh) | 一种盾构机系统的润滑失效在线预测方法及系统 | |
| CN117706290A (zh) | 一种电缆终端潜在击穿故障预警方法 | |
| Leohold et al. | Prognostic Methods for Predictive Maintenance: A generalized Topology | |
| CN118361650B (zh) | 一种基于大数据模型的智能疏水方法 | |
| CN118245808B (zh) | 一种基于机器学习的减速机故障诊断方法及系统 | |
| CN118114081B (zh) | 柱塞泵剩余寿命预测方法及系统 | |
| CN117668726A (zh) | 一种智能运维处理方法、系统、介质及设备 | |
| CN118641942A (zh) | 一种可视化电机生命在线监测方法及系统 | |
| CN118395285A (zh) | 一种设备状态监控方法、装置、设备及可读存储介质 |
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 |