CN117076915A - Fpso原油工艺系统的智能故障归因分析方法及系统 - Google Patents

Abstract

本发明涉及故障识别技术领域，公开了一种FPSO原油工艺系统的智能故障归因分析方法及系统，用于提高FPSO原油工艺系统的智能故障归因分析的效率及准确率。包括：对实时数据集合进行数据标准化处理得到标准化数据集合；对标准化数据集合进行故障识别，对标准化数据集合进行故障特征空间指标计算，得到多个故障特征数据；对多个故障特征数据进行权重数据计算，得到权重数据集合，通过权重数据集合生成故障判断层级；对多个故障特征数据进行故障原因浅层识别，得到浅层故障原因；对多个故障特征数据进行故障原因深层识别得到深层故障原因；对浅层故障原因及深层故障原因进行数据融合，得到目标故障原因。

Description

FPSO原油工艺系统的智能故障归因分析方法及系统

技术领域

本发明涉及故障识别技术领域，尤其涉及一种FPSO原油工艺系统的智能故障归因分析方法及系统。

背景技术

FPSO原油工艺流程环境工况复杂，由于距离陆地较远、环境工况复杂等原因，一旦出现异常工况，需经过较长时间才能查找问题并恢复至正常，FPSO工艺流程安全性、稳定性日益受到高度重视。

对大多数油气生产工艺过程而言，其生产流程都比较复杂，难以建立准确的数学模型，通常得到的都是复杂的非线性模型。目前针对FPSO故障检测，主要是依靠传统的单变量限幅报警和人工点检的方式，因此，现有方案的准确率及效率较低。

发明内容

有鉴于此，本发明实施例提供了一种FPSO原油工艺系统的智能故障归因分析方法及系统，用于对FPSO原油工艺系统中故障原因的智能判断与分析，以提高对故障判断的效率以及准确率。

本发明提供了一种FPSO原油工艺系统的智能故障归因分析方法，包括：通过预置的FPSO原油工艺系统中的传感器进行实时数据采集，得到实时数据集合，其中，所述实时数据集合包括：温度数据、压力数据、流量数据、液位数据以及设备参数信息；对所述实时数据集合进行数据标准化处理，得到标准化数据集合；对所述标准化数据集合进行故障识别，当存在故障时，对所述标准化数据集合进行故障特征空间指标计算，得到多个故障特征数据；通过层次化分析算法对多个所述故障特征数据进行权重数据计算，得到每个所述故障特征数据对应的权重数据并合并为权重数据集合，并通过所述权重数据集合生成故障判断层级；基于所述故障判断层级，通过预置的广义优先搜索算法对多个所述故障特征数据进行故障原因浅层识别，得到浅层故障原因；基于所述故障判断层级，通过预置的核主成分分析算法以及预置的量子遗传算法对多个所述故障特征数据进行故障原因深层识别，得到深层故障原因；对所述浅层故障原因以及所述深层故障原因进行数据融合，得到目标故障原因，并将所述目标故障原因传输至预置的报警终端以及预置的故障原因数据库。

在本发明中，所述对所述实时数据集合进行数据标准化处理，得到标准化数据集合步骤，包括：对所述实时数据集合进行缺失值检测，得到对应的缺失值检测结果；当所述缺失值检测结果为存在缺失值时，对所述实时数据集合进行缺失值填充处理，得到填充数据集合；对所述填充数据集合进行异常值剔除处理，得到第一数据集合；通过预置的数据滤波算法对所述第一数据集合进行数据去噪处理，得到第二数据集合；对所述第二数据集合进行重复数据删除处理，得到所述标准化数据集合。

在本发明中，所述对所述标准化数据集合进行故障识别，当存在故障时，对所述标准化数据集合进行故障特征空间指标计算，得到多个故障特征数据步骤，包括：获取历史故障记录数据，对所述历史故障记录数据进行故障参数抽取，得到故障参数集合，其中，所述故障参数集合包括；历史故障类型、历史故障原因以及历史故障指标；基于所述故障参数集合构建故障特征空间，并将所述标准化数据映射至所述故障特征空间，得到映射数据集合；在所述故障特征空间中，对所述映射数据集合进行故障识别，当存在故障时，对所述标准化数据集合进行故障特征空间指标计算，得到多个故障特征数据。

在本发明中，所述通过层次化分析算法对多个所述故障特征数据进行权重数据计算，得到每个所述故障特征数据对应的权重数据并合并为权重数据集合，并通过所述权重数据集合生成故障判断层级步骤，包括：通过层次化分析算法对多个所述故障特征数据进行数据分层，得到多层待处理故障特征数据；分别对每层所述待处理故障特征数据进行判断矩阵构建，得到每层所述待处理故障特征数据对应的目标判断矩阵；分别对每层所述待处理故障特征数据对应的目标判断矩阵进行权重计算，得到多个权重数据；通过多个所述权重数据对多个所述故障特征数据进行权重数据匹配，得到每个所述故障特征数据对应的权重数据并合并为权重数据集合；基于预置的故障层级映射表，对所述权重数据集合进行故障层级映射，得到所述故障判断层级。

在本发明中，所述基于所述故障判断层级，通过预置的广义优先搜索算法对多个所述故障特征数据进行故障原因浅层识别，得到浅层故障原因步骤，包括：对所述故障判断层级进行层次节点构建，得到多个层次节点信息；对多个所述层次节点信息进行层次结构分析，得到所述故障判断层级对应的目标层次结构；通过所述广义优先搜索算法对所述目标层次结构进行节点遍历，得到多个节点参数信息；通过每个所述节点参数信息对所述故障特征数据进行故障原因深层识别，得到所述浅层故障原因。

在本发明中，所述基于所述故障判断层级，通过预置的核主成分分析算法以及预置的量子遗传算法对多个所述故障特征数据进行故障原因深层识别，得到深层故障原因步骤，包括：对每个所述层次节点信息进行数据特征均值计算，得到每个所述层次节点信息对应的特征均值；基于每个所述层次节点信息对应的特征均值，分别对每个所述层次节点信息进行中心化处理，得到每个所述层次节点信息对应的中心化特征数据；分别对每个所述层次节点信息对应的中心化特征数据进行数据标准化处理，得到对应的标准化节点数据集合；通过所述核主成分分析算法对所述标准化节点数据集合映射至高维特征空间，得到对应的高维特征数据；对所述高维特征数据进行主成分分析，得到对应的主成分数据；基于所述主成分数据，通过所述量子遗传算法对多个所述故障特征数据进行故障原因深层识别，得到所述深层故障原因。

在本发明中，所述基于所述主成分数据，通过所述量子遗传算法对多个所述故障特征数据进行故障原因深层识别，得到所述深层故障原因步骤，包括：基于所述主成分数据，对多个所述故障特征数据进行数据编码，得到对应的多个编码特征数据；通过所述量子遗传算法的适应度函数对多个所述编码特征数据进行适应度计算，得到每个所述编码特征数据对应的适应度数据；基于每个所述编码特征数据对应的适应度数据对多个所述故障特征数据进行故障原因深层识别，得到所述深层故障原因。

本发明还提供了一种FPSO原油工艺系统的智能故障归因分析系统，包括：

采集模块，用于通过预置的FPSO原油工艺系统中的传感器进行实时数据采集，得到实时数据集合，其中，所述实时数据集合包括：温度数据、压力数据、流量数据、液位数据以及设备参数信息；

处理模块，用于对所述实时数据集合进行数据标准化处理，得到标准化数据集合；

计算模块，用于对所述标准化数据集合进行故障识别，当存在故障时，对所述标准化数据集合进行故障特征空间指标计算，得到多个故障特征数据；

生成模块，用于通过层次化分析算法对多个所述故障特征数据进行权重数据计算，得到每个所述故障特征数据对应的权重数据并合并为权重数据集合，并通过所述权重数据集合生成故障判断层级；

浅层识别模块，用于基于所述故障判断层级，通过预置的广义优先搜索算法对多个所述故障特征数据进行故障原因浅层识别，得到浅层故障原因；

深层识别模块，用于基于所述故障判断层级，通过预置的核主成分分析算法以及预置的量子遗传算法对多个所述故障特征数据进行故障原因深层识别，得到深层故障原因；

融合模块，用于对所述浅层故障原因以及所述深层故障原因进行数据融合，得到目标故障原因，并将所述目标故障原因传输至预置的报警终端以及预置的故障原因数据库。

本发明提供的技术方案中，通过预置的FPSO原油工艺系统中的传感器进行实时数据采集，得到实时数据集合，其中，实时数据集合包括：温度数据、压力数据、流量数据、液位数据以及设备参数信息；对实时数据集合进行数据标准化处理，得到标准化数据集合；对标准化数据集合进行故障识别，当存在故障时，对标准化数据集合进行故障特征空间指标计算，得到多个故障特征数据；通过层次化分析算法对多个故障特征数据进行权重数据计算，得到每个故障特征数据对应的权重数据并合并为权重数据集合，并通过权重数据集合生成故障判断层级；基于故障判断层级，通过预置的广义优先搜索算法对多个故障特征数据进行故障原因浅层识别，得到浅层故障原因；基于故障判断层级，通过预置的核主成分分析算法以及预置的量子遗传算法对多个故障特征数据进行故障原因深层识别，得到深层故障原因；对浅层故障原因以及深层故障原因进行数据融合，得到目标故障原因，并将目标故障原因传输至预置的报警终端以及预置的故障原因数据库。本申请方案中，通过对FPSO原油工艺流程系统故障原因进行统计，明确原油工艺流程系统中各个环节可能会出现的故障因素，在此基础上对其进行故障特征空间指标计算以及故障特征捕捉以构成对具体故障的分析，可实现判定造成故障的程度，识别出潜在的风险故障及问题，并自动进行诊断和报警，通过精准故障匹配来提升故障诊断的准确性，提高现场人员对工艺流程的故障感知能力，提升现场处置效率，减少工艺故障带来的效益损失，以进一步提升FPSO原油工艺系统的智能故障归因分析的效率及准确率。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为本发明实施例中一种FPSO原油工艺系统的智能故障归因分析方法的流程图。

图2为本发明实施例中对标准化数据集合进行故障识别的流程图。

图3为本发明实施例中一种FPSO原油工艺系统的智能故障归因分析系统的示意图。

附图标记：

301、采集模块；302、处理模块；303、计算模块；304、生成模块；305、浅层识别模块；306、深层识别模块；307、融合模块。

具体实施方式

下面将结合附图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。

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，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”仅用于描述目的，而不能理解为指示或暗示相对重要性。

此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，图1是本发明实施例的一种FPSO原油工艺系统的智能故障归因分析方法的流程图，如图1所示，包括以下步骤：

S101、通过预置的FPSO原油工艺系统中的传感器进行实时数据采集，得到实时数据集合，其中，实时数据集合包括：温度数据、压力数据、流量数据、液位数据以及设备参数信息；

S102、对实时数据集合进行数据标准化处理，得到标准化数据集合；

S103、对标准化数据集合进行故障识别，当存在故障时，对标准化数据集合进行故障特征空间指标计算，得到多个故障特征数据；

S104、通过层次化分析算法对多个故障特征数据进行权重数据计算，得到每个故障特征数据对应的权重数据并合并为权重数据集合，并通过权重数据集合生成故障判断层级；

S105、基于故障判断层级，通过预置的广义优先搜索算法对多个故障特征数据进行故障原因浅层识别，得到浅层故障原因；

S106、基于故障判断层级，通过预置的核主成分分析算法以及预置的量子遗传算法对多个故障特征数据进行故障原因深层识别，得到深层故障原因；

S107、对浅层故障原因以及深层故障原因进行数据融合，得到目标故障原因，并将目标故障原因传输至预置的报警终端以及预置的故障原因数据库。

需要说明的是，使用预置的FPSO原油工艺系统中的传感器来实时采集数据。这些传感器可能包括温度传感器、压力传感器、流量传感器、液位传感器以及其他设备参数传感器。采集的数据将组成一个实时数据集合，其中包括各种传感器数据以及设备参数信息。一旦采集到实时数据集合，接下来的步骤是对这些数据进行标准化处理。

标准化的目的是确保数据在不同传感器之间以及不同时间点之间具有一致的尺度和分布。这通常包括以下步骤：首先计算每个传感器数据的均值和标准差。进而，对每个传感器的数据进行中心化，即减去均值。最终，对中心化后的数据除以标准差，以将数据标准化到具有相同的尺度和分布。标准化后的数据集合成为标准化数据集合。

对标准化数据集合进行故障识别。当系统存在故障时，可以使用不同的故障检测算法来确定是否发生故障。如果存在故障，进一步对标准化数据集合进行故障特征空间指标计算，以提取多个故障特征数据。这些特征数据可能包括异常的数据点、偏差、震荡等。

使用层次化分析算法对多个故障特征数据进行权重计算。层次化分析允许确定每个故障特征数据对于故障诊断的相对重要性。计算得到的权重数据将合并为权重数据集合，并用于生成故障判断层级。故障判断层级是一个层次化结构，包括不同层次的故障特征数据和它们的权重信息。

基于故障判断层级，使用预置的广义优先搜索算法对多个故障特征数据进行浅层识别，以确定可能的浅层故障原因。广义优先搜索算法考虑每个故障特征数据的权重信息，并根据一定的优先级规则选择最有可能的浅层故障原因。

基于故障判断层级，使用预置的核主成分分析算法以及预置的量子遗传算法对多个故障特征数据进行深层识别。这一步骤旨在确定更深层次的故障原因，使用核PCA来提取主成分并降低数据维度，然后使用量子遗传算法搜索最佳的深层故障原因。

最后，将浅层故障原因和深层故障原因进行数据融合，得到目标故障原因。目标故障原因是整个流程的最终结果，提供了系统故障的详细诊断信息。然后，将目标故障原因传输到预置的报警终端以及预置的故障原因数据库，以便进一步处理、通知和记录。

通过执行上述步骤，通过预置的FPSO原油工艺系统中的传感器进行实时数据采集，得到实时数据集合，其中，实时数据集合包括：温度数据、压力数据、流量数据、液位数据以及设备参数信息；对实时数据集合进行数据标准化处理，得到标准化数据集合；对标准化数据集合进行故障识别，当存在故障时，对标准化数据集合进行故障特征空间指标计算，得到多个故障特征数据；通过层次化分析算法对多个故障特征数据进行权重数据计算，得到每个故障特征数据对应的权重数据并合并为权重数据集合，并通过权重数据集合生成故障判断层级；基于故障判断层级，通过预置的广义优先搜索算法对多个故障特征数据进行故障原因浅层识别，得到浅层故障原因；基于故障判断层级，通过预置的核主成分分析算法以及预置的量子遗传算法对多个故障特征数据进行故障原因深层识别，得到深层故障原因；对浅层故障原因以及深层故障原因进行数据融合，得到目标故障原因，并将目标故障原因传输至预置的报警终端以及预置的故障原因数据库。本申请方案中，通过对FPSO原油工艺流程系统故障原因进行统计，明确原油工艺流程系统中各个环节可能会出现的故障因素，在此基础上对其进行故障特征空间指标计算以及故障特征捕捉以构成对具体故障的分析，可实现判定造成故障的程度，识别出潜在的风险故障及问题，并自动进行诊断和报警，通过精准故障匹配来提升故障诊断的准确性，提高现场人员对工艺流程的故障感知能力，提升现场处置效率，减少工艺故障带来的效益损失，以进一步提升FPSO原油工艺系统的智能故障归因分析的效率及准确率。

在一具体实施例中，执行步骤S102的过程可以具体包括如下步骤：

（1）对实时数据集合进行缺失值检测，得到对应的缺失值检测结果；

（2）当缺失值检测结果为存在缺失值时，对实时数据集合进行缺失值填充处理，得到填充数据集合；

（3）对填充数据集合进行异常值剔除处理，得到第一数据集合；

（4）通过预置的数据滤波算法对第一数据集合进行数据去噪处理，得到第二数据集合；

（5）对第二数据集合进行重复数据删除处理，得到标准化数据集合。

具体的，在实时数据集合中，首先需要检测是否存在缺失值。缺失值是指在某些传感器数据或设备参数信息中缺少数值或数据点的情况。可以使用各种方法进行缺失值检测，例如统计方法、插值方法、机器学习方法等。例如：假设在实时数据集合中，液位传感器数据存在缺失值，部分时间点未能获取数据。

如果缺失值检测结果显示存在缺失值，需要进行缺失值填充处理。缺失值填充的目的是根据已有数据或合适的算法来估计或预测缺失的数值，以补充缺失值。例如：对于液位传感器数据的缺失值，可以使用线性插值法，根据已有的液位数据点来估计缺失时间点的液位值。

一旦缺失值填充完成，接下来进行异常值检测和剔除。异常值是指与其他数据点显著不同或明显偏离正常数据分布的数据点。异常值可能会干扰后续分析过程。例如：假设在填充后的数据中，液位传感器数据中有一个极端值，远离其他数据点，可能是由于传感器故障导致的。这个极端值应该被识别并剔除。

经过异常值剔除后，仍然可能存在噪声干扰的数据点。数据去噪的目的是平滑数据，以减少噪声的影响。这可以通过各种数据滤波算法来实现，如移动平均、中值滤波等。例如：使用移动平均滤波算法对液位传感器数据进行平滑处理，以去除小幅度的噪声。

在实时数据采集过程中，可能会因重复采集或其他原因导致数据集合中存在重复数据点。这些重复数据点不提供额外信息，应该被删除，以减少数据冗余。例如：如果在数据集合中存在重复的温度传感器数据，只保留其中一个数据点即可。

最后，对经过缺失值检测、填充、异常值剔除、数据去噪和重复数据删除处理后的数据集合进行标准化。标准化的目的是确保不同传感器数据具有一致的尺度和分布，以便后续的分析和处理。例如：对处理后的温度、压力、流量、液位等传感器数据进行标准化，使它们具有相同的均值和标准差。

在一具体实施例中，如图2所示，执行步骤S103的过程可以具体包括如下步骤：

S201、获取历史故障记录数据，对历史故障记录数据进行故障参数抽取，得到故障参数集合，其中，故障参数集合包括；历史故障类型、历史故障原因以及历史故障指标；

S202、基于故障参数集合构建故障特征空间，并将标准化数据映射至故障特征空间，得到映射数据集合；

S203、在故障特征空间中，对映射数据集合进行故障识别，当存在故障时，对标准化数据集合进行故障特征空间指标计算，得到多个故障特征数据。

需要说明的是，首先，收集和整理历史故障记录数据。这些数据应包括历史故障类型、历史故障原因以及与每个故障事件相关的历史故障指标数据。

例如：假设在FPSO原油工艺系统中，历史故障记录数据包括过去一年内的30次故障事件。每个事件都有一个唯一的故障类型（例如，温度过高、流量异常等）、故障原因（例如，设备故障、操作失误等）以及与故障事件相关的各种故障指标数据（例如，温度、压力、液位等）。

从历史故障记录数据中提取故障参数集合。这包括历史故障类型、历史故障原因以及历史故障指标。每个故障参数应该与特定的故障事件相关联。例如：对于每个历史故障事件，抽取的故障参数集合如下：

历史故障类型：温度过高；

历史故障原因：设备故障；

历史故障指标：温度、压力、流量、液位等。

使用历史故障参数集合构建故障特征空间。这可以通过将不同的故障参数作为特征维度来实现。然后，将标准化数据集合中的数据映射到这个故障特征空间中。

例如：假设有三个历史故障事件，它们的故障参数集合构成了一个故障特征空间，如下所示：

特征1：历史故障类型（独热编码表示）；

特征2：历史故障原因（独热编码表示）；

特征3：历史故障指标的平均值；

特征4：历史故障指标的标准差。

然后，将标准化数据集合中的新数据映射到这个故障特征空间中。

在故障特征空间中，对映射数据集合进行故障识别。这可以使用各种故障检测算法和分类算法来实现。当存在故障时，可以进一步对标准化数据集合进行故障特征空间指标计算，以提取多个故障特征数据。

例如：使用故障识别算法，检测新的标准化数据集合中的异常模式，确定是否存在故障。如果故障识别结果为存在故障，进一步计算多个故障特征数据，例如与历史故障事件的相似性分数、特定故障类型的概率分布等。

在一具体实施例中，执行步骤S104的过程可以具体包括如下步骤：

（1）通过层次化分析算法对多个故障特征数据进行数据分层，得到多层待处理故障特征数据；

（2）分别对每层待处理故障特征数据进行判断矩阵构建，得到每层待处理故障特征数据对应的目标判断矩阵；

（3）分别对每层待处理故障特征数据对应的目标判断矩阵进行权重计算，得到多个权重数据；

（4）通过多个权重数据对多个故障特征数据进行权重数据匹配，得到每个故障特征数据对应的权重数据并合并为权重数据集合；

（5）基于预置的故障层级映射表，对权重数据集合进行故障层级映射，得到故障判断层级。

首先，使用层次化分析算法对多个故障特征数据进行数据分层，得到多层待处理故障特征数据。这个过程可以根据特征数据的相关性、重要性等因素来决定如何划分不同层次。例如：假设有三个故障特征数据：温度异常、压力异常和流量异常。通过层次化分析，将它们分为两个层次：第一层包括温度异常和压力异常，第二层包括流量异常。

进一步的，对每一层待处理故障特征数据，构建判断矩阵。判断矩阵用于比较不同特征数据之间的相对重要性。可以使用专家评估、调查问卷等方法来填写判断矩阵。假设有两个故障特征数据，分别是温度异常和压力异常。判断矩阵用于比较这两个特征数据的相对重要性。构建的判断矩阵如下：温度异常相对于自己的重要性为1。压力异常相对于自己的重要性为1。温度异常相对于压力异常的重要性为3，表示在这个层次下，温度异常对于压力异常的重要性是压力异常的3倍，压力异常对于温度异常的重要性是温度异常的三分之一倍，两个指标重要性比较时的重要性值互为倒数。

进而，使用层次化分析算法对每一层待处理故障特征数据对应的判断矩阵进行权重计算，得到多个权重数据。这些权重数据表示了每个特征数据在其所在层次中的相对重要性。例如：对于第一层的权重计算，层次化分析算法可以计算出温度异常的权重为0.6，压力异常的权重为0.4。进而通过多个权重数据对多个故障特征数据进行权重数据匹配，得到每个故障特征数据对应的权重数据，并将其合并为权重数据集合。这个过程可以根据权重数据的来源和特征数据的层次来匹配和合并。

最终，基于预置的故障层级映射表，对权重数据集合进行故障层级映射，得到故障判断层级。这个映射表可以定义不同的权重数据范围与故障层级之间的关系。

例如：假设故障层级映射表如下：

0 - 0.2表示无故障；

0.2 - 0.6表示轻微故障；

0.6 - 0.9表示中等故障；

0.9 - 1.0表示严重故障。

根据权重数据集合中的权重值，进行映射，得到故障判断层级。例如：根据权重数据集合中的权重值（例如，温度异常：0.6，压力异常：0.4，流量异常：0.7），可以判断系统处于中等故障状态。

在一具体实施例中，执行步骤S105步骤的过程可以具体包括如下步骤：

（1）对故障判断层级进行层次节点构建，得到多个层次节点信息；

（2）对多个层次节点信息进行层次结构分析，得到故障判断层级对应的目标层次结构；

（3）通过广义优先搜索算法对目标层次结构进行节点遍历，得到多个节点参数信息；

（4）通过每个节点参数信息对故障特征数据进行故障原因深层识别，得到浅层故障原因。

具体的，对故障判断层级进行层次节点构建，以创建一个多层次的层次结构。每个层次节点代表一个层次，包括不同层次的故障特征数据和它们的权重信息。

例如：在一个FPSO原油工艺系统中，构建一个故障判断层级，包括以下层次节点信息：

第一层：系统整体；

第二层：设备级别（例如，泵、阀门）；

第三层：传感器级别 每个节点包含了对应层次的故障特征数据和权重信息。

对多个层次节点信息进行层次结构分析，以确定它们之间的关系和层次结构。这可以使用层次分析法或其他层次结构分析技术来完成。

例如：通过分析层次节点信息，确定不同层次之间的关系，例如设备级别的节点位于系统整体的下方，传感器级别的节点位于设备级别的下方，构建了一个层次结构。

使用广义优先搜索算法，在目标层次结构中进行节点遍历。算法会考虑每个节点的参数信息、权重信息以及优先级规则。

在每个遍历的节点上，获取节点的参数信息，这些参数信息可以包括节点的类型、权重信息、故障特征数据等。

例如：在设备级别的节点上，获取节点的参数信息，包括设备类型、设备权重、与设备相关的故障特征数据等。

基于每个节点的参数信息，对故障特征数据进行故障原因深层识别。例如：在设备级别的节点上，根据节点的参数信息，使用深度学习模型对设备故障原因进行识别，得到浅层故障原因，例如设备内部的机械故障。

通过以上步骤，可以构建一个多层次的故障判断层级，分析层次结构，遍历节点，并根据节点的参数信息进行深层故障原因识别。这有助于更全面地理解系统故障，并确定浅层故障原因，以进一步采取维护或处理措施。

在一具体实施例中，执行步骤S106步骤的过程可以具体包括如下步骤：

（1）对每个层次节点信息进行数据特征均值计算，得到每个层次节点信息对应的特征均值；

（2）基于每个层次节点信息对应的特征均值，分别对每个层次节点信息进行中心化处理，得到每个层次节点信息对应的中心化特征数据；

（3）分别对每个层次节点信息对应的中心化特征数据进行数据标准化处理，得到对应的标准化节点数据集合；

（4）通过核主成分分析算法对标准化节点数据集合映射至高维特征空间，得到对应的高维特征数据；

（5）对高维特征数据进行主成分分析，得到对应的主成分数据；

（6）基于主成分数据，通过量子遗传算法对多个故障特征数据进行故障原因深层识别，得到深层故障原因。

具体的，对每个层次节点信息中的特征数据进行均值计算，得到每个层次节点信息对应的特征均值。例如：对于设备级别的节点信息，计算该设备下所有特征数据的均值，例如温度均值、压力均值、液位均值等。

使用每个层次节点信息对应的特征均值，对每个层次节点信息中的特征数据进行中心化处理，即减去特征均值，得到中心化特征数据。例如：对设备级别的节点信息中的特征数据进行中心化处理，得到相对于设备级别的均值的中心化特征数据。

对中心化特征数据进行标准化处理，以确保数据在不同尺度下具有一致性。标准化通常包括将数据缩放为均值为0，标准差为1的形式。例如：对中心化特征数据进行标准化，确保数据在不同尺度下具有一致性。

使用核主成分分析算法，将标准化节点数据集合映射到高维特征空间，得到对应的高维特征数据。例如：使用核主成分分析算法将标准化设备级别的节点数据映射到高维特征空间，得到高维特征数据。

在高维特征空间中，对高维特征数据进行主成分分析，以提取最重要的主成分数据。例如：在高维特征空间中，使用主成分分析算法提取最重要的主成分数据，这些主成分可以代表高维数据的主要变化趋势。基于主成分数据，使用量子遗传算法对多个故障特征数据进行故障原因深层识别，得到深层故障原因。例如：使用量子遗传算法分析主成分数据，识别潜在的深层故障原因，例如设备内部的故障。

通过以上步骤，可以实现对每个层次节点信息的特征均值计算、中心化处理、标准化处理、核主成分分析、主成分分析和量子遗传算法等多个步骤，从而实现深层故障原因的识别。这有助于更全面地理解系统故障，并确定深层故障原因。在实际应用中，可以根据系统的需求和数据特性来选择合适的算法和参数。

在一具体实施例中，执行通过量子遗传算法对多个故障特征数据进行故障原因深层识别步骤的过程可以具体包括如下步骤：

（1）基于主成分数据，对多个故障特征数据进行数据编码，得到对应的多个编码特征数据；

（2）通过量子遗传算法的适应度函数对多个编码特征数据进行适应度计算，得到每个编码特征数据对应的适应度数据；

（3）基于每个编码特征数据对应的适应度数据对多个故障特征数据进行故障原因深层识别，得到深层故障原因。

需要说明的是，在主成分数据的基础上，对多个故障特征数据进行编码，将它们转换成一种更合适的形式，以便后续处理。编码可以使用各种编码技术，例如独热编码、二进制编码等。例如：考虑一个设备级别的节点，主成分数据可能包括温度、压力和流量的主成分。对这些主成分进行编码，可以将温度、压力、流量的值编码成二进制形式。

为了使用量子遗传算法进行深层故障原因识别，需要定义适应度函数。适应度函数用于评估每个编码特征数据的质量，通常是根据故障特征数据与已知故障特征数据的相似性来评估。例如：假设已知的故障特征数据为[0, 1, 1]，其中0表示正常状态，1表示异常状态。对于一个编码特征数据[1, 0, 1]，可以使用适应度函数计算其与已知数据的相似性，例如相同的位置上有两个1，因此相似性较高。

使用适应度函数对每个编码特征数据进行适应度计算，得到每个编码特征数据对应的适应度值。适应度值通常在0到1之间，表示与已知故障特征数据的相似性程度。例如：对于编码特征数据[1, 0, 1]，适应度函数计算后得到适应度值为0.67，表示其与已知数据的相似性较高。

基于每个编码特征数据对应的适应度数据，使用量子遗传算法对多个故障特征数据进行故障原因深层识别。量子遗传算法将考虑适应度值，以选择最有可能导致故障的特征数据组合。例如：对于多个编码特征数据，例如[0.67, 0.45, 0.72]，使用量子遗传算法选择最高适应度值对应的特征数据组合，以确定深层故障原因。通过以上步骤，可以实现对多个故障特征数据的编码、适应度计算和深层故障原因识别。这有助于深入理解系统故障原因，并确定深层故障原因，以进一步采取维护或处理措施。在实际应用中，适应度函数的定义和量子遗传算法的参数设置将根据具体情况进行调整。

本发明实施例还提供了一种FPSO原油工艺系统的智能故障归因分析系统，如图3所示，该一种FPSO原油工艺系统的智能故障归因分析系统具体包括：

采集模块301，用于通过预置的FPSO原油工艺系统中的传感器进行实时数据采集，得到实时数据集合，其中，所述实时数据集合包括：温度数据、压力数据、流量数据、液位数据以及设备参数信息；

处理模块302，用于对所述实时数据集合进行数据标准化处理，得到标准化数据集合；

计算模块303，用于对所述标准化数据集合进行故障识别，当存在故障时，对所述标准化数据集合进行故障特征空间指标计算，得到多个故障特征数据；

生成模块304，用于通过层次化分析算法对多个所述故障特征数据进行权重数据计算，得到每个所述故障特征数据对应的权重数据并合并为权重数据集合，并通过所述权重数据集合生成故障判断层级；

浅层识别模块305，用于基于所述故障判断层级，通过预置的广义优先搜索算法对多个所述故障特征数据进行故障原因浅层识别，得到浅层故障原因；

深层识别模块306，用于基于所述故障判断层级，通过预置的核主成分分析算法以及预置的量子遗传算法对多个所述故障特征数据进行故障原因深层识别，得到深层故障原因；

融合模块307，用于对所述浅层故障原因以及所述深层故障原因进行数据融合，得到目标故障原因，并将所述目标故障原因传输至预置的报警终端以及预置的故障原因数据库.

通过上述各个模块的协同工作，通过预置的FPSO原油工艺系统中的传感器进行实时数据采集，得到实时数据集合，其中，实时数据集合包括：温度数据、压力数据、流量数据、液位数据以及设备参数信息；对实时数据集合进行数据标准化处理，得到标准化数据集合；对标准化数据集合进行故障识别，当存在故障时，对标准化数据集合进行故障特征空间指标计算，得到多个故障特征数据；通过层次化分析算法对多个故障特征数据进行权重数据计算，得到每个故障特征数据对应的权重数据并合并为权重数据集合，并通过权重数据集合生成故障判断层级；基于故障判断层级，通过预置的广义优先搜索算法对多个故障特征数据进行故障原因浅层识别，得到浅层故障原因；基于故障判断层级，通过预置的核主成分分析算法以及预置的量子遗传算法对多个故障特征数据进行故障原因深层识别，得到深层故障原因；对浅层故障原因以及深层故障原因进行数据融合，得到目标故障原因，并将目标故障原因传输至预置的报警终端以及预置的故障原因数据库。本申请方案中，通过对FPSO原油工艺流程系统故障原因进行统计，明确原油工艺流程系统中各个环节可能会出现的故障因素，在此基础上对其进行故障特征空间指标计算以及故障特征捕捉以构成对具体故障的分析，可实现判定造成故障的程度，识别出潜在的风险故障及问题，并自动进行诊断和报警，通过精准故障匹配来提升故障诊断的准确性，提高现场人员对工艺流程的故障感知能力，提升现场处置效率，减少工艺故障带来的效益损失，以进一步提升FPSO原油工艺系统的智能故障归因分析的效率及准确率。

以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。

Claims (8)

1.一种FPSO原油工艺系统的智能故障归因分析方法，其特征在于，包括：

通过预置的FPSO原油工艺系统中的传感器进行实时数据采集，得到实时数据集合，其中，所述实时数据集合包括：温度数据、压力数据、流量数据、液位数据以及设备参数信息；

对所述实时数据集合进行数据标准化处理，得到标准化数据集合；

对所述标准化数据集合进行故障识别，当存在故障时，对所述标准化数据集合进行故障特征空间指标计算，得到多个故障特征数据；

通过层次化分析算法对多个所述故障特征数据进行权重数据计算，得到每个所述故障特征数据对应的权重数据并合并为权重数据集合，并通过所述权重数据集合生成故障判断层级；

基于所述故障判断层级，通过预置的广义优先搜索算法对多个所述故障特征数据进行故障原因浅层识别，得到浅层故障原因；

基于所述故障判断层级，通过预置的核主成分分析算法以及预置的量子遗传算法对多个所述故障特征数据进行故障原因深层识别，得到深层故障原因；

对所述浅层故障原因以及所述深层故障原因进行数据融合，得到目标故障原因，并将所述目标故障原因传输至预置的报警终端以及预置的故障原因数据库。

2.根据权利要求1所述的FPSO原油工艺系统的智能故障归因分析方法，其特征在于，所述对所述实时数据集合进行数据标准化处理，得到标准化数据集合步骤，包括：

对所述实时数据集合进行缺失值检测，得到对应的缺失值检测结果；

当所述缺失值检测结果为存在缺失值时，对所述实时数据集合进行缺失值填充处理，得到填充数据集合；

对所述填充数据集合进行异常值剔除处理，得到第一数据集合；

通过预置的数据滤波算法对所述第一数据集合进行数据去噪处理，得到第二数据集合；

对所述第二数据集合进行重复数据删除处理，得到所述标准化数据集合。

3.根据权利要求1所述的FPSO原油工艺系统的智能故障归因分析方法，其特征在于，所述对所述标准化数据集合进行故障识别，当存在故障时，对所述标准化数据集合进行故障特征空间指标计算，得到多个故障特征数据步骤，包括：

获取历史故障记录数据，对所述历史故障记录数据进行故障参数抽取，得到故障参数集合，其中，所述故障参数集合包括；历史故障类型、历史故障原因以及历史故障指标；

基于所述故障参数集合构建故障特征空间，并将所述标准化数据映射至所述故障特征空间，得到映射数据集合；

在所述故障特征空间中，对所述映射数据集合进行故障识别，当存在故障时，对所述标准化数据集合进行故障特征空间指标计算，得到多个故障特征数据。

4.根据权利要求1所述的FPSO原油工艺系统的智能故障归因分析方法，其特征在于，所述通过层次化分析算法对多个所述故障特征数据进行权重数据计算，得到每个所述故障特征数据对应的权重数据并合并为权重数据集合，并通过所述权重数据集合生成故障判断层级步骤，包括：

通过层次化分析算法对多个所述故障特征数据进行数据分层，得到多层待处理故障特征数据；

分别对每层所述待处理故障特征数据进行判断矩阵构建，得到每层所述待处理故障特征数据对应的目标判断矩阵；

分别对每层所述待处理故障特征数据对应的目标判断矩阵进行权重计算，得到多个权重数据；

通过多个所述权重数据对多个所述故障特征数据进行权重数据匹配，得到每个所述故障特征数据对应的权重数据并合并为权重数据集合；

基于预置的故障层级映射表，对所述权重数据集合进行故障层级映射，得到所述故障判断层级。

5.根据权利要求1所述的FPSO原油工艺系统的智能故障归因分析方法，其特征在于，所述基于所述故障判断层级，通过预置的广义优先搜索算法对多个所述故障特征数据进行故障原因浅层识别，得到浅层故障原因步骤，包括：

对所述故障判断层级进行层次节点构建，得到多个层次节点信息；

对多个所述层次节点信息进行层次结构分析，得到所述故障判断层级对应的目标层次结构；

通过所述广义优先搜索算法对所述目标层次结构进行节点遍历，得到多个节点参数信息；

通过每个所述节点参数信息对所述故障特征数据进行故障原因深层识别，得到所述浅层故障原因。

6.根据权利要求5所述的FPSO原油工艺系统的智能故障归因分析方法，其特征在于，所述基于所述故障判断层级，通过预置的核主成分分析算法以及预置的量子遗传算法对多个所述故障特征数据进行故障原因深层识别，得到深层故障原因步骤，包括：

对每个所述层次节点信息进行数据特征均值计算，得到每个所述层次节点信息对应的特征均值；

基于每个所述层次节点信息对应的特征均值，分别对每个所述层次节点信息进行中心化处理，得到每个所述层次节点信息对应的中心化特征数据；

分别对每个所述层次节点信息对应的中心化特征数据进行数据标准化处理，得到对应的标准化节点数据集合；

通过所述核主成分分析算法对所述标准化节点数据集合映射至高维特征空间，得到对应的高维特征数据；

对所述高维特征数据进行主成分分析，得到对应的主成分数据；

基于所述主成分数据，通过所述量子遗传算法对多个所述故障特征数据进行故障原因深层识别，得到所述深层故障原因。

7.根据权利要求6所述的FPSO原油工艺系统的智能故障归因分析方法，其特征在于，所述基于所述主成分数据，通过所述量子遗传算法对多个所述故障特征数据进行故障原因深层识别，得到所述深层故障原因步骤，包括：

基于所述主成分数据，对多个所述故障特征数据进行数据编码，得到对应的多个编码特征数据；

通过所述量子遗传算法的适应度函数对多个所述编码特征数据进行适应度计算，得到每个所述编码特征数据对应的适应度数据；

基于每个所述编码特征数据对应的适应度数据对多个所述故障特征数据进行故障原因深层识别，得到所述深层故障原因。

8.一种FPSO原油工艺系统的智能故障归因分析系统，用以执行如权利要求1至7任一项所述的FPSO原油工艺系统的智能故障归因分析方法，其特征在于，包括：

采集模块，用于通过预置的FPSO原油工艺系统中的传感器进行实时数据采集，得到实时数据集合，其中，所述实时数据集合包括：温度数据、压力数据、流量数据、液位数据以及设备参数信息；

处理模块，用于对所述实时数据集合进行数据标准化处理，得到标准化数据集合；

计算模块，用于对所述标准化数据集合进行故障识别，当存在故障时，对所述标准化数据集合进行故障特征空间指标计算，得到多个故障特征数据；

生成模块，用于通过层次化分析算法对多个所述故障特征数据进行权重数据计算，得到每个所述故障特征数据对应的权重数据并合并为权重数据集合，并通过所述权重数据集合生成故障判断层级；

浅层识别模块，用于基于所述故障判断层级，通过预置的广义优先搜索算法对多个所述故障特征数据进行故障原因浅层识别，得到浅层故障原因；

深层识别模块，用于基于所述故障判断层级，通过预置的核主成分分析算法以及预置的量子遗传算法对多个所述故障特征数据进行故障原因深层识别，得到深层故障原因；

融合模块，用于对所述浅层故障原因以及所述深层故障原因进行数据融合，得到目标故障原因，并将所述目标故障原因传输至预置的报警终端以及预置的故障原因数据库。