CN116912031B - 一种基于大数据分析的换热站设备运行信息采集生成方法 - Google Patents
一种基于大数据分析的换热站设备运行信息采集生成方法 Download PDFInfo
- Publication number
- CN116912031B CN116912031B CN202310846128.9A CN202310846128A CN116912031B CN 116912031 B CN116912031 B CN 116912031B CN 202310846128 A CN202310846128 A CN 202310846128A CN 116912031 B CN116912031 B CN 116912031B
- Authority
- CN
- China
- Prior art keywords
- fault
- heat exchange
- index
- equipment
- degree
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000007405 data analysis Methods 0.000 title claims abstract description 11
- 230000000694 effects Effects 0.000 claims description 62
- 238000012423 maintenance Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 13
- 230000004069 differentiation Effects 0.000 claims description 9
- 238000011084 recovery Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K19/00—Record carriers for use with machines and with at least a part designed to carry digital markings
- G06K19/06—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code
- G06K19/06009—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code with optically detectable marking
- G06K19/06037—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code with optically detectable marking multi-dimensional coding
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Fuzzy Systems (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明属于换热站运行管理技术领域,具体公开一种基于大数据分析的换热站设备运行信息采集生成方法,本发明在进行换热站设备运行状态监测时从设备故障和设备运行指标两方面出发,形成各设备的病例数据和运行指标符合度,实现了换热站设备运行状态在纵向维度上的全面监测,使得换热站设备运行状态的监测更加科学、合理,有利于提升换热站设备运行状态的分析准确可靠度,与此同时通过采用扫码的方式对换热站设备的运行状态进行展示,该展示方式一方面大大降低了展示成本,另一方面由于扫码直接在自己的移动终端上独立查看信息,使得换热站管理人员能够对展示的运行状态数据进行交互处理,更加人性化。
Description
技术领域
本发明属于换热站运行管理技术领域,涉及到一种基于大数据分析的换热站设备运行信息采集生成方法。
背景技术
换热站是一个重要的能源转换和供热系统,它在城市供热、工业生产和暖通空调等领域具有广泛的应用。鉴于换热站设备的运行状态对供热效果、能源利用效率、维护成本等方面都有重要影响。良好的运行状态可以保证高效供热、节能减排、降低维护成本,实现可持续的供热服务。因此,对换热站设备的运行状态进行监测展示是非常必要的。
然而目前对换热站设备的运行状态监测方式大多集中在对设备运行指标的采集上,没有考虑到换热站设备的运行故障也会影响到运行状态,当换热站设备频繁发生运行故障时表明换热站设备可能存在一定的运行风险,那么即使换热站设备的当前运行指标良好也不能代表换热站设备的运行状态最佳,由此可见单纯依据设备的运行指标分析运行状态很显然过于片面,只能反映换热站设备表显的运行状态,难以体现出换热站设备潜在的运行状态,从而影响了分析结果的准确可靠度。
另外目前在进行换热站设备运行状态展示时为了更加清晰直观地展示信息通常以显示终端(例如显示屏)作为展示载体直接进行展示,但一方面采用显示终端直接展示用大屏直接显示需要有适当的显示设备,因此需要更多的设备和后勤支持,展示成本较高,另一方面换热站管理人员无法对显示终端上展示的运行状态数据进行相应交互处理,如收藏、重点标记、分享等,进而降低了运行状态数据的处理、利用体验感,不利于管理人员对换热站运行的高效管理。
发明内容
鉴于此,现提出一种基于大数据分析的换热站设备运行信息采集生成方法,通过在监测换热站设备运行状态时增加故障信息的采集,同时改变换热站设备运行状态的展示方式,有效解决了上述背景技术中所提出的问题。
本发明的目的可以通过以下技术方案实现:本发明提出一种基于大数据分析的换热站设备运行信息采集生成方法,包括下述步骤:A、建立换热站设备台账,统计换热站内存在的设备数量。
B、从换热站运行后台提取设备故障记录,并基于设备故障记录筛选出各设备的故障记录,并从中提取故障参数,进而结合各设备在各条故障记录中的故障参数形成各设备的病例数据。
C、对各设备的病例数据进行分析得到各设备对应的故障易发特征和故障发生趋势,其中故障易发特征包括故障易发率、故障易发程度指数和故障易发运行时长。
D、从换热站运行后台提取设备运行日志,并从中提取各条运行日志中各设备的运行指标,同时获取换热站在各条运行日志所属时间点的换热效果指征。
E、基于各条运行日志中各设备对应的运行指标解析各条运行日志中各设备对应的运行指标符合度。
F、将各条运行日志中各设备对应的运行指标符合度和换热站在各条运行日志所属时间点的换热效果指征综合分析各设备的运行状态与换热效果的关联度。
G、将各设备的病例数据、故障易发率、故障易发难度指数和故障发生趋势生成换热设备病例二维码,将运行日志及各设备的运行指标与换热效果的关联度生成换热设备运行二维码,进而将相应二维码标签贴在相应设备上。
作为优选技术方案,所述故障参数包括故障时刻、故障发生时已运行时长、故障维修时长和故障维修成本。
作为优选技术方案,所述病例数据包括故障发生频次及各次发生故障的间隔时长、设备持续运行时长和故障程度指数。
作为优选技术方案,所述结合各设备在各条故障记录中的故障参数形成各设备的病例数据具体参见下述步骤:B1、统计筛选出的各设备对应的故障记录数量,作为各设备对应的故障发生频次。
B2、将故障记录按照时间先后顺序进行排列,以此将各设备对应各条故障记录中的故障时刻与上一条故障记录中的故障时刻对比,得到各设备对应各次发生故障的间隔时长。
B3、将各设备在各条故障记录中的故障发生时已运行时长作为各设备对应各次发生故障的设备持续运行时长。
B4、从故障参数中提取故障维修时长和故障维修成本,进而将各设备在各条故障记录中的故障维修时长和故障维修成本通过表达式计算出各设备对应各次发生故障的故障程度指数。
作为优选技术方案,所述各设备对应的故障易发特征具体分析步骤如下:C1、将各设备对应各次发生故障的间隔时长进行均值计算,得到各设备对应的发生故障平均间隔时长。
C2、将各设备对应的故障发生频次结合发生故障平均间隔时长计算各设备对应的故障易发率σi,表达式为Δti表示为第i设备对应的发生故障平均间隔时长,Ti表示为第i设备的投入使用时长,xi表示为第i设备对应的故障发生频次,i表示为设备编号,i=1,2,......,n。
C3、将各设备对应各次发生故障的故障程度指数进行相互对比,从中筛选出各设备对应的最大故障程度指数、最小故障程度指数,并通过公式计算出各设备对应的故障程度分化指数λi,max{δi}、min{δi}分别表示为第i设备对应的最大故障程度指数、最小故障程度指数,e表示为自然常数。
C4、基于各设备对应的故障程度分化指数利用分析模型得到各设备对应的故障易发程度指数δi易,/>表示为第i设备对应的平均故障程度指数,mid{δi}表示为第i设备在各次发生故障的中位故障程度指数,γi表示为第i设备对应的故障程度指数极端值分布率,γ0表示为预先配置的限定故障程度指数极端值分布率,δi′表示为第i设备对应的倾向故障程度指数,具体获取方式为依次以各设备对应各次发生故障的故障程度指数作为期望故障程度指数,并将除期望故障程度指数之外的其他故障程度指数与期望故障程度指数进行标准差运算,得到以各设备对应各次发生故障的故障程度指数作为期望故障程度指数的标准差运算结果,进而取最小标准差运算结果的故障程度指数作为各设备对应的倾向故障程度指数。
C5、将各设备对应各次发生故障的设备持续运行时长同理按照C3和C4得到各设备对应的故障易发运行时长。
作为优选技术方案,所述故障发生趋势的具体分析方法如下:
(1)以各次发生故障的故障时刻为横坐标,以设备持续运行时长为纵坐标,构建二维坐标系,以此针对各设备对应各次发生故障的设备持续运行时长在构建的二维坐标系内标注若干点,形成各设备对应故障发生持续运行时长的变化曲线,并获取所述变化曲线的斜率,进而利用表达式得到各设备对应故障发生持续运行时长的趋势TOi,其中kiT表示为第i设备对应故障发生持续运行时长的变化曲线斜率。
(2)以各次发生故障的故障时刻为横坐标,以故障程度指数为纵坐标,构建二维坐标系,以此针对各设备对应各次发生故障的故障程度指数同理按照(1)形成各设备对应故障发生程度的变化曲线,并获取所述变化曲线的斜率,进而利用表达式得到各设备对应故障发生持续运行时长的趋势TDi,其中kiD表示为第i设备对应故障发生程度的变化曲线斜率。
作为优选技术方案,所述换热效果指征包括热负荷满足率、热交换效率和热能回收率。
作为优选技术方案,所述解析各条运行日志中各设备对应的运行指标符合度参见下述步骤:E1、从运行管理库中提取各设备对应运行指标的额定值。
E2、将各条运行日志中各设备对应的运行指标与相应设备对应的额定运行指标进行对比,解析各条运行日志中各设备对应的运行指标符合度ξij,解析公式为式中pd ij表示为第j条运行日志中第i设备对应第d运行指标,j表示为运行日志的编号,j=1,2,......,m,d表示为各设备对应的运行指标编号,d=1,2,......,z,p′di表示为第i设备对应第d运行指标的额定值,χd表示为第d运行指标的占比因子,且/>
作为优选技术方案,所述分析各设备的运行状态与换热效果的关联度包括以下步骤:F1、从运行管理库中提取换热站对应换热效果指征的理想值。
F2、将换热站在各条运行日志所属时间点的换热效果指征与换热站对应换热效果指征的理想值进行对比,通过表达式统计换热站在各条运行日志所属时间点的换热效果达标度/>TEj、HRj、HTj分别表示为换热站在第j条运行日志所属时间点的热负荷满足率、热交换效率、热能回收率,TE0、HR0、HT0分别表示为换热站对应热负荷满足率、热交换效率、热能回收率的理想值。
F3、以运行日志的编号为横坐标,以运行指标符合度为纵坐标构建二维坐标系,进而针对各条运行日志中各设备对应的运行指标符合度在所构建的二维坐标系形成各设备对应的运行状态变化曲线,与此同时以运行日志的编号为横坐标,以换热效果达标度为纵坐标,并针对换热站在各条运行日志所属时间点的换热效果达标度在所构建的二维坐标系内形成换热效果变化曲线,分别获取所述变化曲线的斜率。
F4、将各设备对应的运行指标变化曲线斜率与换热效果变化曲线斜率导入关联模型得到各设备的运行指标与换热效果的关联度/>式中Ki运行状态表示为第i设备对应的运行指标变化曲线斜率,K换热效果表示为换热效果变化曲线斜率。
作为优选技术方案,该方法在实施过程中还用到了运行管理库,用于存储各设备对应运行指标的额定值,并存储换热站对应换热效果指征的理想值。
相较于现有技术,本发明的有益效果如下:(1)本发明在进行换热站设备运行状态监测时从设备故障和设备运行指标两方面出发,形成各设备的病例数据和运行指标符合度,实现了换热站设备运行状态在纵向维度上的全面监测,体现了换热站设备表显运行状态和潜在运行状态的双重监测,使得换热站设备运行状态的监测更加科学、合理,有利于提升换热站设备运行状态的分析准确可靠度。
(2)本发明在从设备故障和设备运行指标两方面进行换热站设备运行状态监测时针对设备故障增加了故障易发特征的分析,针对设备运行指标增加了运行指标对换热效果的关联分析,实现了换热站设备运行状态的深入分析,不仅能够体现当下的运行状态,还在一定程度上为未来运行状态呈现提供了可靠预测参考,便于换热站管理人员及时且有针对性地对换热站设备的运行做出调整。
(3)本发明通过采用扫码的方式对换热站设备的运行状态进行展示,相对于以显示终端作为展示载体直接进行展示,该展示方式更加灵活、便捷,一方面大大降低了展示成本,另一方面由于扫码直接在自己的移动终端上独立查看信息,使得换热站管理人员能够对展示的运行状态数据进行交互处理,更加人性化,进而提升了运行状态数据的处理、利用体验感,非常有利于管理人员对换热站运行的高效管理,具有较强的实用性价值。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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发明的一些实施例,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。
图1为本发明的方法步骤示意图。
图2为本发明中设备运行指标变化曲线与换热效果变化曲线的对比示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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,都属于本发明保护的范围。
请参阅图1所示,本发明提出一种基于大数据分析的换热站设备运行信息采集生成方法,包括下述步骤:A、建立换热站设备台账,统计换热站内存在的设备数量。
作为上述方案的一个示例,换热站内存在的设备包括但不限于热交换器、循环泵、除污器、疏水器......
B、从换热站运行后台提取设备故障记录,并基于设备故障记录筛选出各设备的故障记录,并从中提取故障参数,其中故障参数包括故障时刻、故障发生时已运行时长、故障维修时长和故障维修成本,进而结合各设备在各条故障记录中的故障参数形成各设备的病例数据,所述病例数据包括故障发生频次及各次发生故障的间隔时长、设备持续运行时长和故障程度指数。
需要说明的是,上述从换热站运行后台提取的设备故障记录包含所有换热站设备的故障记录。
优选地,结合各设备在各条故障记录中的故障参数形成各设备的病例数据具体参见下述步骤:B1、统计筛选出的各设备对应的故障记录数量,作为各设备对应的故障发生频次。
B2、将故障记录按照时间先后顺序进行排列,以此将各设备对应各条故障记录中的故障时刻与上一条故障记录中的故障时刻对比,得到各设备对应各次发生故障的间隔时长。
需要知道的是,将各设备对应各条故障记录中的故障时刻与上一条故障记录中的故障时刻对比,是从第二条故障记录开始,由于第一条故障记录没有与之对应的上一条故障记录,则各设备对应第一次发生故障的间隔时长为0。
B3、将各设备在各条故障记录中的故障发生时已运行时长作为各设备对应各次发生故障的设备持续运行时长。
B4、从故障参数中提取故障维修时长和故障维修成本,进而将各设备在各条故障记录中的故障维修时长和故障维修成本通过表达式计算出各设备对应各次发生故障的故障程度指数,其中故障维修时长越长、故障维修成本越高,故障程度越高。
C、对各设备的病例数据进行分析得到各设备对应的故障易发特征和故障发生趋势,其中故障易发特征包括故障易发率、故障易发程度指数和故障易发运行时长。
在上述方案基础上,各设备对应的故障易发特征具体分析步骤如下:C1、将各设备对应各次发生故障的间隔时长进行均值计算,得到各设备对应的发生故障平均间隔时长。
C2、将各设备对应的故障发生频次结合发生故障平均间隔时长计算各设备对应的故障易发率σi,表达式为Δti表示为第i设备对应的发生故障平均间隔时长,Ti表示为第i设备的投入使用时长,xi表示为第i设备对应的故障发生频次,i表示为设备编号,i=1,2,......,n,式中各设备对应的发生故障平均间隔时长越短,故障发生频次越高,故障易发率越大。
需要解释的是,上述式中各设备的投入使用时长可以通过获取各设备的投入使用时间和当前时间,由当前时间减去各设备的投入使用时间得到。
C3、将各设备对应各次发生故障的故障程度指数进行相互对比,从中筛选出各设备对应的最大故障程度指数、最小故障程度指数,并通过公式计算出各设备对应的故障程度分化指数λi,max{δi}、min{δi}分别表示为第i设备对应的最大故障程度指数、最小故障程度指数,e表示为自然常数,其中各设备对应的最大故障程度指数与最小故障程度指数相差越大,故障程度分化指数越大。
C4、基于各设备对应的故障程度分化指数利用分析模型得到各设备对应的故障易发程度指数δi易,/>表示为第i设备对应的平均故障程度指数,mid{δi}表示为第i设备在各次发生故障的中位故障程度指数,γi表示为第i设备对应的故障程度指数极端值分布率,γ0表示为预先配置的限定故障程度指数极端值分布率,δi′表示为第i设备对应的倾向故障程度指数,具体获取方式为依次以各设备对应各次发生故障的故障程度指数作为期望故障程度指数,并将除期望故障程度指数之外的其他故障程度指数与期望故障程度指数进行标准差运算,得到以各设备对应各次发生故障的故障程度指数作为期望故障程度指数的标准差运算结果,进而取最小标准差运算结果的故障程度指数作为各设备对应的倾向故障程度指数。
示例性地,上述中γi的具体获取方式为分别以各设备对应的最大故障程度指数、最小故障程度指数作为期望故障程度指数,并将除期望故障程度指数之外的其他故障程度指数与期望故障程度指数进行标准差运算,得到各设备对应的最大故障程度标准差Si大和最小故障程度标准差Si小,将其代入故障程度指数极端值分布率计算公式式中S0表示为设定的参考标准差,可以看出最大故障程度标准差越小,最小故障程度标准差越小,各设备对应各次发生故障的故障程度指数越靠近最大故障程度指数、最小故障程度指数,表明各设备中接近最大故障程度指数、最小故障程度指数的故障发生频次越高,代表故障程度指数极端值分布率越大。
C5、将各设备对应各次发生故障的设备持续运行时长同理按照C3和C4得到各设备对应的故障易发运行时长。
特别地,中位故障程度指数的获取可通过识别各设备对应故障发生频次的奇偶性,同时将各设备对应各次发生故障的故障程度指数按照由小到大的顺序进行排列,当故障发生频次为奇数时,则从排列结果中取排在中间的故障程度指数作为中位故障程度指数,当故障发生频次为偶数时,则从排列结果中取排在中间的两位故障程度指数进行均值计算,将计算结果作为中位故障程度指数。
本发明在分析各设备对应的故障易发程度指数时不是简单地以各设备对应的平均故障程度指数作为故障易发程度指数,而是考虑到故障易发程度指数反映了故障程度发生的集中趋势,而设备在各次发生故障时产生的故障程度分化状况对故障程度发生集中趋势的影响是不同的,进而以故障程度分化指数的计算作为分析依据针对性地进行分析,能够最大程度提高分析结果的准确合理性,更加贴合实际。
在一个具体示例中,平均故障程度指数作为故障易发程度指数只适用于各次发生故障的故障程度指数波动不大,分布较为集中的场景,当各次发生故障的故障程度指数分布较为分散或存在极端值(最大值、最小值)时,此时平均故障程度指数就无法对故障程度发生的集中趋势起到代表作用,就不能以平均故障程度指数作为故障易发程度指数,此时继续对极端值的分布状态进行分析,当极端值分布率较小时表明设备各次发生故障的故障程度指数中存在极少的极端值,此时可以用中位故障程度指数作为故障易发程度指数,而当极端值分布率较大时表明设备各次发生故障的故障程度指数中存在极端值的一个倾向,此时中位故障程度指数的代表力就会削弱,本发明通过对倾向故障程度指数的计算来代表故障程度发生的集中趋势,能够更加精准贴切地体现故障程度发生的集中趋势。
进一步地,故障发生趋势的具体分析方法如下:(1)以各次发生故障的故障时刻为横坐标,以设备持续运行时长为纵坐标,构建二维坐标系,以此针对各设备对应各次发生故障的设备持续运行时长在构建的二维坐标系内标注若干点,形成各设备对应故障发生持续运行时长的变化曲线,并通过对变化曲线进行求导获取所述变化曲线的斜率,进而利用表达式得到各设备对应故障发生持续运行时长的趋势TOi,其中kiT表示为第i设备对应故障发生持续运行时长的变化曲线斜率。
需要解释的是,上述中各设备对应故障发生持续运行时长的趋势中上升和下降均是相对于故障易发运行时长来说的。
(2)以各次发生故障的故障时刻为横坐标,以故障程度指数为纵坐标,构建二维坐标系,以此针对各设备对应各次发生故障的故障程度指数同理按照(1)形成各设备对应故障发生程度的变化曲线,并获取所述变化曲线的斜率,进而利用表达式得到各设备对应故障发生持续运行时长的趋势TDi,其中kiD表示为第i设备对应故障发生程度的变化曲线斜率。
D、从换热站运行后台提取设备运行日志,并从中提取各条运行日志中各设备的运行指标,同时获取换热站在各条运行日志所属时间点的换热效果指征,其中换热效果指征包括热负荷满足率、热交换效率和热能回收率。
需要知道的是,设备运行日志中包含换热站所有设备的运行指标。
E、基于各条运行日志中各设备对应的运行指标解析各条运行日志中各设备对应的运行指标符合度,具体参见下述步骤:E1、从运行管理库中提取各设备对应运行指标的额定值。
E2、将各条运行日志中各设备对应的运行指标与相应设备对应的额定运行指标进行对比,解析各条运行日志中各设备对应的运行指标符合度ξij,解析公式为式中pd ij表示为第j条运行日志中第i设备对应第d运行指标,j表示为运行日志的编号,j=1,2,......,m,d表示为各设备对应的运行指标编号,d=1,2,......,z,p′di表示为第i设备对应第d运行指标的额定值,χd表示为第d运行指标的占比因子,且/>
F、将各条运行日志中各设备对应的运行指标符合度和换热站在各条运行日志所属时间点的换热效果指征综合分析各设备的运行状态与换热效果的关联度,具体包括以下步骤:F1、从运行管理库中提取换热站对应换热效果指征的理想值。
F2、将换热站在各条运行日志所属时间点的换热效果指征与换热站对应换热效果指征的理想值进行对比,通过表达式统计换热站在各条运行日志所属时间点的换热效果达标度/>TEj、HRj、HTj分别表示为换热站在第j条运行日志所属时间点的热负荷满足率、热交换效率、热能回收率,TE0、HR0、HT0分别表示为换热站对应热负荷满足率、热交换效率、热能回收率的理想值。
需要解释的是由于换热效果指征的理想值是在理想运行状况下形成的,而实际的运行状况可能达不到理想运行状况或与理想运行状况持平,因而换热站在各条运行日志所属时间点的换热效果指征≤换热站对应换热效果指征的理想值。
F3、以运行日志的编号为横坐标,以运行指标符合度为纵坐标构建二维坐标系,进而针对各条运行日志中各设备对应的运行指标符合度在所构建的二维坐标系形成各设备对应的运行指标变化曲线,与此同时以运行日志的编号为横坐标,以换热效果达标度为纵坐标,并针对换热站在各条运行日志所属时间点的换热效果达标度在所构建的二维坐标系内形成换热效果变化曲线,分别获取所述变化曲线的斜率。
上述中设备运行指标变化曲线与换热效果变化曲线的对比可参见图2所示。
F4、将各设备对应的运行指标变化曲线斜率与换热效果变化曲线斜率导入关联模型得到各设备的运行指标与换热效果的关联度/>式中Ki运行状态表示为第i设备对应的运行指标变化曲线斜率,K换热效果表示为换热效果变化曲线斜率,其中某设备对应的运行指标变化曲线斜率与换热效果变化曲线斜率越接近,表明该设备运行指标变化曲线与换热效果变化曲线越平行,代表该设备运行指标的变化趋向与换热效果变化趋向越一致,即该设备的运行指标与换热效果的关联度越大。
本发明在进行换热站设备运行状态监测时从设备故障和设备运行指标两方面出发,形成各设备的病例数据和运行指标符合度,实现了换热站设备运行状态在纵向维度上的全面监测,体现了换热站设备表显运行状态和潜在运行状态的双重监测,使得换热站设备运行状态的监测更加科学、合理,有利于提升换热站设备运行状态的分析准确可靠度。
本发明在从设备故障和设备运行指标两方面进行换热站设备运行状态监测时针对设备故障增加了故障易发特征的分析,针对设备运行指标增加了运行指标对换热效果的关联分析,实现了换热站设备运行状态的深入分析,不仅能够体现当下的运行状态,还在一定程度上为未来运行状态呈现提供了可靠预测参考,便于换热站管理人员及时且有针对性地对换热站设备的运行做出调整。
G、将各设备的病例数据、故障易发率、故障易发难度指数和故障发生趋势生成换热设备病例二维码,将运行日志及各设备的运行指标与换热效果的关联度生成换热设备运行二维码,进而将相应二维码标签贴在相应设备上。
需要说明的是,上述提到的换热设备病例二维码和换热设备运行二维码是动态更新的。
本发明通过采用扫码的方式对换热站设备的运行状态进行展示,相对于以显示终端作为展示载体直接进行展示,该展示方式更加灵活、便捷,一方面大大降低了展示成本,另一方面由于扫码直接在自己的移动终端上独立查看信息,使得换热站管理人员能够对展示的运行状态数据进行交互处理,更加人性化,进而提升了运行状态数据的处理、利用体验感,非常有利于管理人员对换热站运行的高效管理,具有较强的实用性价值。
本发明在实施过程中还用到了运行管理库,用于存储各设备对应运行指标的额定值,并存储换热站对应换热效果指征的理想值。
以上内容仅仅是对本发明的构思所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的构思或者超越本发明所定义的范围,均应属于本发明的保护范围。
Claims (4)
1.一种基于大数据分析的换热站设备运行信息采集生成方法,其特征在于,包括下述步骤:
A、建立换热站设备台账,统计换热站内存在的设备数量;
B、从换热站运行后台提取设备故障记录,并基于设备故障记录筛选出各设备的故障记录,并从中提取故障参数,进而结合各设备在各条故障记录中的故障参数形成各设备的病例数据;
C、对各设备的病例数据进行分析得到各设备对应的故障易发特征和故障发生趋势,其中故障易发特征包括故障易发率、故障易发程度指数和故障易发运行时长;
D、从换热站运行后台提取设备运行日志,并从中提取各条运行日志中各设备的运行指标,同时获取换热站在各条运行日志所属时间点的换热效果指征;
E、基于各条运行日志中各设备对应的运行指标解析各条运行日志中各设备对应的运行指标符合度;
F、将各条运行日志中各设备对应的运行指标符合度和换热站在各条运行日志所属时间点的换热效果指征综合分析各设备的运行指标与换热效果的关联度;
G、将各设备的病例数据、故障易发率、故障易发难度指数和故障发生趋势生成换热设备病例二维码,将运行日志及各设备的运行指标与换热效果的关联度生成换热设备运行二维码,进而将相应二维码标签贴在相应设备上;
所述故障参数包括故障时刻、故障发生时已运行时长、故障维修时长和故障维修成本;
所述病例数据包括故障发生频次及各次发生故障的间隔时长、设备持续运行时长和故障程度指数;
所述各设备对应的故障易发特征具体分析步骤如下:
C1、将各设备对应各次发生故障的间隔时长进行均值计算,得到各设备对应的发生故障平均间隔时长;
C2、将各设备对应的故障发生频次结合发生故障平均间隔时长计算各设备对应的故障易发率,表达式为/>,/>表示为第i设备对应的发生故障平均间隔时长,/>表示为第i设备的投入使用时长,/>表示为第i设备对应的故障发生频次,i表示为设备编号,/>;
C3、将各设备对应各次发生故障的故障程度指数进行相互对比,从中筛选出各设备对应的最大故障程度指数、最小故障程度指数,并通过公式,计算出各设备对应的故障程度分化指数/>,/>、/>分别表示为第i设备对应的最大故障程度指数、最小故障程度指数,e表示为自然常数;
C4、基于各设备对应的故障程度分化指数利用分析模型,得到各设备对应的故障易发程度指数/>,/>表示为第i设备对应的平均故障程度指数,/>表示为第i设备在各次发生故障的中位故障程度指数,/>表示为第i设备对应的故障程度指数极端值分布率,/>表示为预先配置的限定故障程度指数极端值分布率,/>表示为第i设备对应的倾向故障程度指数,具体获取方式为依次以各设备对应各次发生故障的故障程度指数作为期望故障程度指数,并将除期望故障程度指数之外的其他故障程度指数与期望故障程度指数进行标准差运算,得到以各设备对应各次发生故障的故障程度指数作为期望故障程度指数的标准差运算结果,进而取最小标准差运算结果的故障程度指数作为各设备对应的倾向故障程度指数;
C5、将各设备对应各次发生故障的设备持续运行时长同理按照C3和C4得到各设备对应的故障易发运行时长;
所述换热效果指征包括热负荷满足率、热交换效率和热能回收率;
所述解析各条运行日志中各设备对应的运行指标符合度参见下述步骤:
E1、从运行管理库中提取各设备对应运行指标的额定值;
E2、将各条运行日志中各设备对应的运行指标与相应设备对应的额定运行指标进行对比,解析各条运行日志中各设备对应的运行指标符合度,解析公式为,式中/>表示为第j条运行日志中第i设备对应第d运行指标,j表示为运行日志的编号,/>,d表示为各设备对应的运行指标编号,/>,/>表示为第i设备对应第d运行指标的额定值,/>表示为第d运行指标的占比因子,且/>;
所述分析各设备的运行指标与换热效果的关联度包括以下步骤:
F1、从运行管理库中提取换热站对应换热效果指征的理想值;
F2、将换热站在各条运行日志所属时间点的换热效果指征与换热站对应换热效果指征的理想值进行对比,通过表达式统计换热站在各条运行日志所属时间点的换热效果达标度/>,/>、/>、/>分别表示为换热站在第j条运行日志所属时间点的热负荷满足率、热交换效率、热能回收率,/>、/>、/>分别表示为换热站对应热负荷满足率、热交换效率、热能回收率的理想值;
F3、以运行日志的编号为横坐标,以运行指标符合度为纵坐标构建二维坐标系,进而针对各条运行日志中各设备对应的运行指标符合度在所构建的二维坐标系形成各设备对应的运行指标变化曲线,与此同时以运行日志的编号为横坐标,以换热效果达标度为纵坐标,并针对换热站在各条运行日志所属时间点的换热效果达标度在所构建的二维坐标系内形成换热效果变化曲线,分别获取所述变化曲线的斜率;
F4、将各设备对应的运行指标变化曲线斜率与换热效果变化曲线斜率导入关联模型,得到各设备的运行指标与换热效果的关联度,式中/>表示为第i设备对应的运行指标变化曲线斜率,/>表示为换热效果变化曲线斜率。
2.如权利要求1所述的一种基于大数据分析的换热站设备运行信息采集生成方法,其特征在于:所述结合各设备在各条故障记录中的故障参数形成各设备的病例数据具体参见下述步骤:
B1、统计筛选出的各设备对应的故障记录数量,作为各设备对应的故障发生频次;
B2、将故障记录按照时间先后顺序进行排列,以此将各设备对应各条故障记录中的故障时刻与上一条故障记录中的故障时刻对比,得到各设备对应各次发生故障的间隔时长;
B3、将各设备在各条故障记录中的故障发生时已运行时长作为各设备对应各次发生故障的设备持续运行时长;
B4、从故障参数中提取故障维修时长和故障维修成本,进而将各设备在各条故障记录中的故障维修时长和故障维修成本通过表达式,计算出各设备对应各次发生故障的故障程度指数。
3.如权利要求1所述的一种基于大数据分析的换热站设备运行信息采集生成方法,其特征在于:所述故障发生趋势的具体分析方法如下:
(1)以各次发生故障的故障时刻为横坐标,以设备持续运行时长为纵坐标,构建二维坐标系,以此针对各设备对应各次发生故障的设备持续运行时长在构建的二维坐标系内标注若干点,形成各设备对应故障发生持续运行时长的变化曲线,并获取所述变化曲线的斜率,进而利用表达式得到各设备对应故障发生持续运行时长的趋势/>,其中/>表示为第i设备对应故障发生持续运行时长的变化曲线斜率;
(2)以各次发生故障的故障时刻为横坐标,以故障程度指数为纵坐标,构建二维坐标系,以此针对各设备对应各次发生故障的故障程度指数同理按照(1)形成各设备对应故障发生程度的变化曲线,并获取所述变化曲线的斜率,进而利用表达式得到各设备对应故障发生持续运行时长的趋势/>,其中/>表示为第i设备对应故障发生程度的变化曲线斜率。
4.如权利要求1所述的一种基于大数据分析的换热站设备运行信息采集生成方法,其特征在于:该方法在实施过程中还用到了运行管理库,用于存储各设备对应运行指标的额定值,并存储换热站对应换热效果指征的理想值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310846128.9A CN116912031B (zh) | 2023-07-11 | 2023-07-11 | 一种基于大数据分析的换热站设备运行信息采集生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310846128.9A CN116912031B (zh) | 2023-07-11 | 2023-07-11 | 一种基于大数据分析的换热站设备运行信息采集生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116912031A CN116912031A (zh) | 2023-10-20 |
CN116912031B true CN116912031B (zh) | 2024-03-26 |
Family
ID=88357496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310846128.9A Active CN116912031B (zh) | 2023-07-11 | 2023-07-11 | 一种基于大数据分析的换热站设备运行信息采集生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116912031B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2702319A1 (en) * | 2009-03-11 | 2010-07-28 | Mytrak Health System Inc. | Ergonomic/physiotherapy programme monitoring system and method of using same |
CN110598965A (zh) * | 2019-03-18 | 2019-12-20 | 浙江工业大学 | 石化装置换热网络中换热设备的三维效能评级方法 |
CN112985790A (zh) * | 2021-02-07 | 2021-06-18 | 中国石油大学(北京) | 一种热交换器运行监测与故障诊断方法及系统 |
CN114151842A (zh) * | 2021-11-25 | 2022-03-08 | 中节能(贵州)建筑能源有限公司 | 一种水热源集中供热换热站自动控制系统 |
CN114593515A (zh) * | 2022-01-20 | 2022-06-07 | 青岛海尔空调电子有限公司 | 用于控制多联机系统的方法及装置、多联机系统 |
CN114612048A (zh) * | 2022-05-09 | 2022-06-10 | 天津外轮理货有限公司 | 一种集装箱货物理货监测分析方法及存储介质 |
CN114739066A (zh) * | 2022-04-20 | 2022-07-12 | 江苏一万节能科技股份有限公司 | 一种模块化磁悬浮制冷机组动态控制方法及系统 |
CN116379801A (zh) * | 2023-03-24 | 2023-07-04 | 华电电力科学研究院有限公司 | 一种基于lstm的凝汽器换热性能恶化监测方法及系统 |
-
2023
- 2023-07-11 CN CN202310846128.9A patent/CN116912031B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2702319A1 (en) * | 2009-03-11 | 2010-07-28 | Mytrak Health System Inc. | Ergonomic/physiotherapy programme monitoring system and method of using same |
CN110598965A (zh) * | 2019-03-18 | 2019-12-20 | 浙江工业大学 | 石化装置换热网络中换热设备的三维效能评级方法 |
CN112985790A (zh) * | 2021-02-07 | 2021-06-18 | 中国石油大学(北京) | 一种热交换器运行监测与故障诊断方法及系统 |
CN114151842A (zh) * | 2021-11-25 | 2022-03-08 | 中节能(贵州)建筑能源有限公司 | 一种水热源集中供热换热站自动控制系统 |
CN114593515A (zh) * | 2022-01-20 | 2022-06-07 | 青岛海尔空调电子有限公司 | 用于控制多联机系统的方法及装置、多联机系统 |
CN114739066A (zh) * | 2022-04-20 | 2022-07-12 | 江苏一万节能科技股份有限公司 | 一种模块化磁悬浮制冷机组动态控制方法及系统 |
CN114612048A (zh) * | 2022-05-09 | 2022-06-10 | 天津外轮理货有限公司 | 一种集装箱货物理货监测分析方法及存储介质 |
CN116379801A (zh) * | 2023-03-24 | 2023-07-04 | 华电电力科学研究院有限公司 | 一种基于lstm的凝汽器换热性能恶化监测方法及系统 |
Non-Patent Citations (5)
Title |
---|
H集团换热站能耗评估研究;李淼;《中国优秀硕士学位论文全文数据库 经济与管理科学辑》(第06期);第J145-510页,全文 * |
Methods for Improving the Reliability of Power Supply of Enterprises Based on the Autonomous Cogeneration Sources;A.A. Alabugin等;《2018 International Multi-Conference on Industrial Engineering and Modern Technologies (FarEastCon)》;第1-5页,全文 * |
Study on Optimal Operating Mode of a Thermosyphon Heat Exchanger Unit in a Shopping Center;Zhang, Xiaolin等;《JOURNAL OF ENERGY ENGINEERING》;第139卷(第04期);第页,全文 * |
电站锅炉冷热一次风道改进及一次风流场均匀性分析;张小林等;《热能动力工程》;第34卷(第11期);第59-68页,全文 * |
西北地区生土民居室内环境改善技术及其评价;张景;《中国博士学位论文全文数据库 工程科技Ⅱ辑》(第08期);第C038-2页,全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116912031A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Himeur et al. | A novel approach for detecting anomalous energy consumption based on micro-moments and deep neural networks | |
US10275683B2 (en) | Clustering-based person re-identification | |
WO2019196869A1 (zh) | 一种确定巡检基站列表的方法以及巡检装置 | |
CN110703057A (zh) | 基于数据增强和神经网络的电力设备局部放电诊断方法 | |
Li et al. | Data-driven key performance indicators and datasets for building energy flexibility: A review and perspectives | |
CN115660262B (zh) | 一种基于数据库应用的工程智慧质检方法、系统及介质 | |
Saad et al. | Data analytics-based anomaly detection in smart distribution network | |
CN115965223A (zh) | 一种基于云平台的智慧能源管理方法及系统 | |
CN116775731A (zh) | 基于滑动窗口的三相电能表错接线追退电量的计算方法 | |
CN114862229A (zh) | 电能质量评估方法、装置、计算机设备和存储介质 | |
CN116912031B (zh) | 一种基于大数据分析的换热站设备运行信息采集生成方法 | |
Fu et al. | Trimming outliers using trees: winning solution of the large-scale energy anomaly detection (LEAD) competition | |
CN111460027B (zh) | 一种适用于能源互联网的智能动态监测方法及系统 | |
CN108258802B (zh) | 一种配电网中配电设备的运行状况的监测方法和装置 | |
Eckstrom et al. | Outing power outages: real-time and predictive socio-demographic analytics for New York City | |
CN116500386A (zh) | 一种风电场集电线路电缆局放信号采集处理方法 | |
CN116401604B (zh) | 进行冷头状态分类检测和寿命预测的方法 | |
CN114529383A (zh) | 实现税务缴纳追踪和税款流失预警方法及系统 | |
Cheng et al. | Abnormal energy consumption detection using ensemble model for water chilling unit on HVAC system | |
CN117312293B (zh) | 一种面向电力多源异构的数据治理与智能分析方法及系统 | |
CN117723917B (zh) | 基于光纤非本征法珀型超声波传感器的监测应用方法 | |
Borrison et al. | Comparing human and algorithmic anomaly detection for HVAC systems applications | |
CN118036978A (zh) | 一种发电厂热力性能分析与优化系统 | |
CN117035161A (zh) | 一种零碳园区智能感知系统建设模式的优选方法及系统 | |
CN117726452A (zh) | 金融智能大数据分析与风险管理系统 |
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 |