CN117034763A - 一种数字能源空压系统的一站式智能管理系统 - Google Patents
一种数字能源空压系统的一站式智能管理系统 Download PDFInfo
- Publication number
- CN117034763A CN117034763A CN202311004770.9A CN202311004770A CN117034763A CN 117034763 A CN117034763 A CN 117034763A CN 202311004770 A CN202311004770 A CN 202311004770A CN 117034763 A CN117034763 A CN 117034763A
- Authority
- CN
- China
- Prior art keywords
- air
- air compressor
- decision model
- parameters
- decision
- 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
- 238000007906 compression Methods 0.000 title claims abstract description 14
- 230000006835 compression Effects 0.000 title claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims description 19
- 238000012423 maintenance Methods 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 230000001105 regulatory effect Effects 0.000 claims description 6
- 230000001276 controlling effect Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 239000000428 dust Substances 0.000 claims description 3
- 239000012535 impurity Substances 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- F04B49/06—Control using electricity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computational Linguistics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本发明公开了一种数字能源空压系统的一站式智能管理系统,属于空压站控制技术领域。包括:空压机组,由若干空压机组成;运输模块,用于将压缩空气传输至气控装置;数据采集模块,用于采集空压机组的空压机参数和运输模块的运输参数;空压机参数包括空压机输出气压;预处理模块,用于预处理空压机参数和运输参数得到预处理数据;决策控制模块,根据决策模型和所述预处理数据控制空压机组;决策模型包括规则决策模型和神经网络决策模型。本申请通过结合决策模型和神经网络决策模型,可以综合利用规律和数据关联,提高决策效率和精度。并通过控制空压机组最大排气量与气控装置所需排气总量的比值范围,提高空气压缩机的能效比,降低用电成本。
Description
技术领域
本发明涉及空压站控制技术领域,具体是一种数字能源空压系统的一站式智能管理系统。
背景技术
空气压缩机是在工业生产中常用的机械设备之一,主要用途是为生产过程中的机械、仪表、电力设备等提供压缩空气。空气压缩机的能效比和运行稳定性等性能对生效率和成本控制具有重要影响。一方面,能效比的提高可以节约能源成本,实现低成本生产;另一方面,运行稳定性的提高可以保障生产线的正常运行,降低设备故障和维修成本。
在传统的空气压缩机控制方案中,通常采用人工控制或定时开停的方式进行控制,但这种控制方式效率低且难以应对复杂的工业生产环境。在现有技术中,通过神经网络进行决策可较好地应对复杂的应用环境。然而神经网络模型具有一定的构建和调试成本,适用于数据量大、特征较复杂的环境;然而对于规则明确、数据稳定的环境,神经网络模型的优势并不明显,并且对于预测结果的解释性较差,使用代价较高。因此,基于神经网络模型的空压系统的控制方式还可以针对具体场景进行进一步地优化。
发明内容
为解决上述背景技术中存在的问题,本发明采用以下技术方案:
一种数字能源空压系统的一站式智能管理系统,包括:
空压机组,由若干空压机组成;空压机用于压缩空气并输送至运输模块;
运输模块,用于将压缩空气传输至气控装置;
数据采集模块,用于采集空压机组的空压机参数和运输模块的运输参数;空压机参数包括空压机输出气压;
预处理模块,用于预处理空压机参数和运输参数得到预处理数据;
决策控制模块,根据决策模型和所述预处理数据控制空压机组;
所述决策模型包括规则决策模型和神经网络决策模型;所述神经网络决策模型用于根据预处理数据拟合空压机控制参数;规则决策模型用于根据空压机控制参数执行气压阈值控制决策;所述拟合空压机控制参数包括允许过载百分比和空压机组最大负载参数;
其中,所述气压阈值控制决策为:
A1、获取空压机组中空压机的额定排气量QRi,以及气控装置所需排气量QRi;其中,i为空压机编号,j为气控装置编号,i=1,2,...,n,j=1,2,...,m,n为空压机总数,m为气控装置总数;
A2、监测到空压机输出气压不在气压阈值范围内时,执行A3;
A3、设μi为允许过载百分比,空压机组最大排气量为Qs,气控装置所需排气总量为QK;若QK<Qs<αQK,则遍历所有空压机输出气压并执行空压机调节策略;若Qs≥αQK或Qs≤QK,则遍历所有空压机输出气压并执行空压机切换策略;其中,α为空压机组最大负载参数,α>1。
作为本发明优选方案,所述空压机调节策略为:
若输出气压异常的空压机数量大于1,则调节空压机排气量,并设定空压机组内的所有空压机的目标输出气压P;
若输出气压异常的空压机数量为1,则调节输出气压异常的空压机的工作频率,并设定输出气压异常的空压机的目标输出气压Px。
作为本发明优选方案,所述所有空压机的目标输出气压P表示为:
其中,WRi为编号为i的空压机额定功率,ρi为编号为i的空压机效率,i=1,2,...,n。
作为本发明优选方案,所述输出气压异常的空压机的目标输出气压Px表示为:
其中,WRx为空压机x的额定功率,ρx为空压机x的空压机效率,QRx为空压机x的额定排气量。
作为本发明优选方案,所述空压机切换策略为:
若Qs≥αQK,关闭空压机使空压机组最大排气量小于αQK且大于QK;
若Qs≤QK,启动备用空压机使空压机组最大排气量小于αQK且大于QK。
作为本发明优选方案,所述神经网络决策模型还用于根据预处理数据和历史数据对空压机进行故障预测,以及根据预处理数据预测空压机的输出气体质量和产量。
作为本发明优选方案,所述规则决策模型还用于在到达固定的使用时间或者周期时,通知运维人员执行维修和保养工作。
作为本发明优选方案,所述规则决策模型还用于执行排气量差值控制决策;所述运输参数包括运输管道排气量;所述排气量差值控制决策具体为:在空压机在运行过程中,若空压机排气量与运输管道排气量的差值超过设定的排气量差值阈值,则将运输管道排气量降低最快的监测点发送至运维人员。
作为本发明优选方案,所述神经网络决策模型为长短时记忆网络模型。
作为本发明优选方案,所述运输模块包括干燥机、过滤器和运输管道;干燥机用于降低空气湿度,过滤器用于清除空气中的杂质和尘埃,运输管道用于连接空压机、干燥机、过滤器和气控装置。
与现有技术相比,本发明具有如下有益效果:
本申请的决策控制模块,根据决策模型和所述预处理数据控制空压机组,决策模型包括规则决策模型和神经网络决策模型;所述神经网络决策模型用于根据预处理数据拟合空压机控制参数,规则决策模型用于根据空压机控制参数执行气压阈值控制决策。其中规则决策模型适用于基于已知规则和先验知识、决策过程简单明确且需要快速响应的场景;而神经网络决策模型适用于非线性关系、数据量大且特征难以提取、推理能力较弱的问题。通过结合两者的优势,可以综合利用规律和数据关联,同时提高管理系统的决策效率和精度。
本申请通过拟合空压机组最大负载参数和各空压机的允许过载百分比,控制空压机组最大排气量与气控装置所需排气总量的比值范围,从而将空压机的负载率控制在较高的一定范围内,使空压机持续稳定地运行,从而提高空气压缩机的能效比,降低用电成本。
附图说明
为了更清楚地说明本发明实施例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为本发明一实施例的智能管理系统的结构示意图。
具体实施方式
下面将结合实施例对本发明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。需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
请参阅图1,本发明提供了一种数字能源空压系统的一站式智能管理系统,包括:
空压机组,由若干空压机组成;空压机用于压缩空气并输送至运输模块。
运输模块,用于将压缩空气传输至气控装置;具体的,运输模块中包括干燥机、过滤器和运输管道;干燥机用于降低空气湿度,过滤器用于清除空气中的杂质和尘埃,运输管道用于连接空压机、干燥机、过滤器和气控装置。
数据采集模块,与空压机组和运输模块连接,用于采集空压机组的空压机参数和运输模块的运输参数;空压机参数包括空压机输出气压、气体温度、空压机排气量和电机功率;运输参数包括运输管道输出气压和运输管道排气量。
预处理模块,用于预处理空压机参数和运输参数得到预处理数据。所述预处理包括数据清洗、特征提取、数据规范化等处理方式。
决策控制模块,根据决策模型和所述预处理数据控制空压机组。
其中,所述决策模型包括规则决策模型和神经网络决策模型。规则决策模型,用于根据规则集合和预处理数据控制空压机组。神经网络决策模型,用于拟合空压机控制参数、故障预测和输出性能预测。
具体的,所述神经网络决策模型用于根据预处理数据拟合空压机控制参数;规则决策模型用于根据空压机控制参数执行气压阈值控制决策;所述拟合空压机控制参数包括允许过载百分比和空压机组最大负载参数;
本申请通过利用规则决策模型和神经网络决策模型的结合,可以很好地综合利用规律和数据关联,提高空压系统的自动化程度和学习能力。
具体的,规则决策模型用于处理以下情况:
基于已知规则和先验知识的决策:规则决策模型适合处理那可以通过明确的规则逻辑和先验知识来进行决策的情况。例如,基于特定的阈值和规则,来确定是否需要开启空压机或调整负载。
决策过程简单和明确:规则决策模型适用于决策过程相对简单、明确且预测结果可靠的场景。例如,根据压力超过一定阈值来判断是否需要进行维护或报警的情况。
需要快速响应和实时性较高:规则决策模型具有较低的计算复杂性,可以实现实时响应。对于需要快速响应和实时性较高的决策场景,规则决策模型是较好的选择。
神经网络决策模型用于处理以下情况:
复杂非线性关系的决策:神经网络决策模型适合处理那些包含复杂非线性关系的决策情况。例如,根据多个输入参数来预测空压系统的性能或故障风险,这种情况很适合神经网络决策模型。
数据量大且特征难以提取:神经网络决策模型擅长处理大量数据和多维特征,并能够自动提取特征。当数据量较大,并且数据的特征难以提取时,神经网络决策模型具有较好的表达能力和学习能力。
对于推理能力较弱的问题:神经网络决策模型具有较强的学习和泛化能力,在无法明确知道规则的情况下,可以通过大量的数据进行训练,并进行较准确的预测。
基于前述内容,作为本发明优选实施例,神经网络决策模型用于:
拟合空压机控制参数:根据预处理数据和历史数据生成空压机控制参数并传输至规则决策模型。其中,历史数据为过往采集到的预处理数据。
故障预测:根据预处理数据和历史数据对空压机进行故障预测。通过在训练模型时使用大量的历史数据,神经网络决策模型可以学习空气压缩机在特定条件下的正常工作状态,并且可以识别任何与该状态不相符的异常工作。这使得经网络模型可以针对特定的故障进行故障预测,并提及时的警告和指导。
输出性能预测:根据预处理数据预测空压机的输出气体质量和产量。神经网络决策模型可以利用空气压缩机的各种传感器数据进行训练,包括压力、温度、电流、转速等。训练模型以充分掌握各个传感器之间的相互关系和参数的影响。然后训练好的模型可以实时监测并预测空气压缩机的输出性能和工作状态。
基于前述内容,作为本发明优选实施例,规则决策模型用于:
执行气压阈值控制决策:当空压机的输出气压不在设定的气压阈值范围内时,调整空压机的输出气压和发出维护提醒。
执行排气量差值控制决策,排气量差值控制决策具体为:在空压机在运行过程中,若空压机排气量与运输管道排气量的差值超过设定的排气量差值阈值,则将运输管道排气量降低最快的监测点发送至运维人员。
定时检查与维护:到达固定的使用时间或者周期时,通知运维人员相应的维修和保养工作。对于维修和保养周期的设定方面,可以根据实际情况和经验进行设置,例如设定空压机运行时长达到3000小时,系统自动触发通知,提醒运维人员进行保养和维修。
具体的,气压阈值控制决策为:
A1、获取空压机组中空压机的额定排气量QRi,以及气控装置所需排气量QRi;其中,QRi和QTj可分别通过读取空压机和气控装置的额定值获取,其中,i为空压机编号,j为气控装置编号,i=1,2,...,n,j=1,2,...,m,n为空压机总数,m为气控装置总数。
A2、监测到空压机输出气压不在气压阈值范围内时,执行A3;
A3、设μi为允许过载百分比,空压机组最大排气量为Qs,气控装置所需排气总量为QK;若QK<Qs<αQK,则遍历所有空压机输出气压并执行空压机调节策略;若Qs≥αQK或Qs≤QK,则遍历所有空压机输出气压并执行空压机切换策略。其中,QK为气控装置所需排气总量,/>α为空压机组最大负载参数,α>1。
具体的,所述空压机调节策略为:
若输出气压异常的空压机数量大于1,则调节空压机排气量,并设定空压机组内的所有空压机的目标输出气压P。
目标输出气压P表示为:
其中,WRi为编号为i的空压机额定功率,ρi为编号为i的空压机效率,i=1,2,...,n。
若输出气压异常的空压机数量为1,则调节输出气压异常的空压机的工作频率,并设定输出气压异常的空压机的目标输出气压Px。
目标输出气压Px表示为:
其中,WRx为空压机x的额定功率,ρx为空压机x的空压机效率,QRx为空压机x的额定排气量。
具体的,所述空压机切换策略为:
若Qs≥αQK,关闭空压机使空压机组最大排气量小于αQK且大于QK;
若Qs≤QK,启动备用空压机使空压机组最大排气量小于αQK且大于QK。
其中,允许过载百分比μi和空压机组最大负载参数α通过神经网络决策模型拟合生成,从而实现对空气压缩机的智能化控制,提高控制的精度,优化能源消耗,降低企业的运行成本。
基于前述内容,若当前正在运行的设备数量已经满足能源需求,那么自动调整空压机的输出气压。若当前正在运行的设备数量不足以满足能源需求,那么将切换启用或关闭空压机,从而调整空压机的输出气压,并发送相应的通知给运维人员。而前述“满足能源需求”,具体为将空压机组最大排气量控制在QK~αQK的范围内,即将空压机组最大排气量与气控装置所需排气总量的比值设定在1~α的范围内,从而将空压机的负载率控制在一定范围内。
本方案目的在于优化空压机组的能效比。空气压缩机的负载率和能效比之间存在关联。其中,能效比是指空气压机产生的实际功率和所消耗的输入功率之比,通常表示为kW·h/m3。而负载率是指空气压缩机工作状态下与其额定负载之间的比率,通常表示为百分数。这两个参数都与空气压缩机的性能和能源消耗有关。
在低负载率的情况下,空气压机的能效比往往较低。这是因为空气压缩机在低负载率下会频繁启停,每次启动都需要消耗一定的能量,而平均压缩能量的效率并不高。此外,在低负载情况下,空气压缩机的运行时间相对较短,无法达到最佳工作状态,效率较低。
而在高负载率的情况下,空气压缩机的能效比往往较高。这是因为空气压缩机在高负载率下可以更持续、稳定地运行,能够更好地达到设计参数,提高压缩能量的效率。
因此,较高的负载率可以提高空气压缩机的能效比,实现更高的能源利用效率。对于企业来说,选择适当的负载率可以平衡能源消耗和工作率,提高能源利用效率,降低用电成本。
作为优选实施例,神经网络决策模型为长短时记忆网络模型。长短时记忆网络模型是一种适用于序列数据建模的神经网络决策模型,可以有效处理具有长程依赖关系的序列数据,解决普通神经网络决策模型在处理这种数据时容易出现梯度消失或梯度爆的问题。
在空压机的控制中,长短时记忆网络模型可以用于建模和预测空气压缩机的运行状态。具体来说,长短时记忆网络模型可以对前述空压机参数和运输参数的历史数据进行建模,并结合实时采集的空压机参数和运输参数得到当前状态下空气压缩机的预测值。同时,利用所学习到的模型,长短时记忆网络模型还用于对日常运行状态进行监测,及时发现异常行为并做出调整,保障设备的稳定运行。
相对于其他神经网络决策模型,长短时记忆网络模型在处理序列数据时可以保留更长时间的信息,因此可以更好地拟合空气压缩机的复杂运行状态。它可以有效减少模型误差,提高预测精度。同时,长短时记忆网络模型是一种具有自适应能力的模型,能够根据目标数据的变化自适应地调整模型结构。这使得长短时记忆网络模型具有更的鲁棒性和适应性。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述模块的划分,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,例如多个模块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,模块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模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块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模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块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。
Claims (10)
1.一种数字能源空压系统的一站式智能管理系统,其特征在于:包括:
空压机组,由若干空压机组成;空压机用于压缩空气并输送至运输模块;
运输模块,用于将压缩空气传输至气控装置;
数据采集模块,用于采集空压机组的空压机参数和运输模块的运输参数;空压机参数包括空压机输出气压;
预处理模块,用于预处理空压机参数和运输参数得到预处理数据;
决策控制模块,根据决策模型和所述预处理数据控制空压机组;
所述决策模型包括规则决策模型和神经网络决策模型;所述神经网络决策模型用于根据预处理数据拟合空压机控制参数;规则决策模型用于根据空压机控制参数执行气压阈值控制决策;所述拟合空压机控制参数包括允许过载百分比和空压机组最大负载参数;
其中,所述气压阈值控制决策为:
A1、获取空压机组中空压机的额定排气量QRi,以及气控装置所需排气量QRi;其中,i为空压机编号,j为气控装置编号,i=1,2,...,n,j=1,2,...,m,n为空压机总数,m为气控装置总数;
A2、监测到空压机输出气压不在气压阈值范围内时,执行A3;
A3、设μi为允许过载百分比,空压机组最大排气量为Qs,气控装置所需排气总量为QK;若QK<Qs<αQK,则遍历所有空压机输出气压并执行空压机调节策略;若Qs≥αQK或Qs≤QK,则遍历所有空压机输出气压并执行空压机切换策略;其中,α为所述空压机组最大负载参数,α>1。
2.根据权利要求1所述的智能管理系统,其特征在于:所述空压机调节策略为:
若输出气压异常的空压机数量大于1,则调节空压机排气量,并设定空压机组内的所有空压机的目标输出气压P;
若输出气压异常的空压机数量为1,则调节输出气压异常的空压机的工作频率,并设定输出气压异常的空压机的目标输出气压Px。
3.根据权利要求2所述的智能管理系统,其特征在于:所述所有空压机的目标输出气压P表示为:
其中,WRi为编号为i的空压机额定功率,ρi为编号为i的空压机效率,i=1,2,...,n。
4.根据权利要求2所述的智能管理系统,其特征在于:所述输出气压异常的空压机的目标输出气压Px表示为:
其中,WRx为空压机x的额定功率,ρx为空压机x的空压机效率,QRx为空压机x的额定排气量。
5.根据权利要求1所述的智能管理系统,其特征在于:所述空压机切换策略为:
若Qs≥αQK,关闭空压机使空压机组最大排气量小于αQK且大于QK;
若Qs≤QK,启动备用空压机使空压机组最大排气量小于αQK且大于QK。
6.根据权利要求1所述的智能管理系统,其特征在于:所述神经网络决策模型还用于根据预处理数据和历史数据对空压机进行故障预测,以及根据预处理数据预测空压机的输出气体质量和产量。
7.根据权利要求1所述的智能管理系统,其特征在于:所述规则决策模型还用于在到达固定的使用时间或者周期时,通知运维人员执行维修和保养工作。
8.根据权利要求1所述的智能管理系统,其特征在于:所述规则决策模型还用于执行排气量差值控制决策;所述运输参数包括运输管道排气量;所述排气量差值控制决策具体为:在空压机在运行过程中,若空压机排气量与运输管道排气量的差值超过设定的排气量差值阈值,则将运输管道排气量降低最快的监测点发送至运维人员。
9.根据权利要求1所述的智能管理系统,其特征在于:所述神经网络决策模型为长短时记忆网络模型。
10.根据权利要求1所述的智能管理系统,其特征在于:所述运输模块包括干燥机、过滤器和运输管道;干燥机用于降低空气湿度,过滤器用于清除空气中的杂质和尘埃,运输管道用于连接空压机、干燥机、过滤器和气控装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311004770.9A CN117034763A (zh) | 2023-08-10 | 2023-08-10 | 一种数字能源空压系统的一站式智能管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311004770.9A CN117034763A (zh) | 2023-08-10 | 2023-08-10 | 一种数字能源空压系统的一站式智能管理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117034763A true CN117034763A (zh) | 2023-11-10 |
Family
ID=88636769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311004770.9A Pending CN117034763A (zh) | 2023-08-10 | 2023-08-10 | 一种数字能源空压系统的一站式智能管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117034763A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117556331A (zh) * | 2024-01-11 | 2024-02-13 | 广东艾林克能源装备有限公司 | 基于ai增强的空压机维护决策方法及系统 |
-
2023
- 2023-08-10 CN CN202311004770.9A patent/CN117034763A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117556331A (zh) * | 2024-01-11 | 2024-02-13 | 广东艾林克能源装备有限公司 | 基于ai增强的空压机维护决策方法及系统 |
CN117556331B (zh) * | 2024-01-11 | 2024-04-26 | 广东艾林克能源装备有限公司 | 基于ai增强的空压机维护决策方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110208019B (zh) | 一种动设备状态监测动态阈值预警方法 | |
CN117034763A (zh) | 一种数字能源空压系统的一站式智能管理系统 | |
CN117007979A (zh) | 基于数据驱动的电源输出掉电异常预警方法 | |
Michau et al. | Domain adaptation for one-class classification: monitoring the health of critical systems under limited information | |
CN112563542B (zh) | 燃料电池在线检测方法及检测系统 | |
KR20200084401A (ko) | 빅데이타를 활용한 공기압축기 양방향 고장진단 및 원격운전제어 시스템 | |
CN111765593A (zh) | 一种空调节流元器件故障预警方法和空调 | |
CN113137772A (zh) | 一种基于模糊算法的活塞式冷水机组plc控制系统及方法 | |
CN113326585B (zh) | 燃气锅炉的能效异常预警方法、装置和计算机设备 | |
Liang et al. | Deep neural network in sequence to short sequence form for non-intrusive load monitoring | |
CN111722611A (zh) | 一种基于机组参数大数据的智能除灰调节系统及方法 | |
CN113847232B (zh) | 基于云边协同的空压机集群运行调节方法及系统 | |
CN113221248B (zh) | 一种基于pf-garch模型的船舶系统设备状态参数预测方法 | |
CN115186888A (zh) | 一种基于双碳目标的节能降耗方法 | |
CN115146977A (zh) | 一种基于物联网的企业能效数据管理方法及系统 | |
CN115204487A (zh) | 一种设备状态监控方法、装置、设备及存储介质 | |
CN117514727B (zh) | 数字能源空压站 | |
CN117650628B (zh) | 一种基于自适应预调节场景的能效管理系统 | |
CN118017508B (zh) | 基于电力分配的区域电力智能控制方法及系统 | |
CN117728421B (zh) | 微电网集群协调调度方法、系统、计算机设备和存储介质 | |
Di | Research on the Reliability Improvement Technology of Important Auxiliary Machines of Thermal Power Units Based on Deep Peaking | |
CN116108320B (zh) | 一种智能电能表运行控制方法 | |
CN102073015A (zh) | 基于频谱分析的质子交换膜燃料电池的在线故障诊断方法 | |
CN117910550A (zh) | 一种基于深度学习的无油超高速离心压缩机自动优化系统 | |
CN117869256A (zh) | 空压机冷却水泵流量调节方法、装置、系统、设备及介质 |
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 |