CN117570004A - 一种输油泵机组的异常判断方法、装置及存储介质 - Google Patents
一种输油泵机组的异常判断方法、装置及存储介质 Download PDFInfo
- Publication number
- CN117570004A CN117570004A CN202311638717.4A CN202311638717A CN117570004A CN 117570004 A CN117570004 A CN 117570004A CN 202311638717 A CN202311638717 A CN 202311638717A CN 117570004 A CN117570004 A CN 117570004A
- Authority
- CN
- China
- Prior art keywords
- pump unit
- monitored
- fault
- variable
- transfer pump
- 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
- 238000012546 transfer Methods 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000005856 abnormality Effects 0.000 title claims abstract description 60
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 238000012544 monitoring process Methods 0.000 claims abstract description 97
- 230000002159 abnormal effect Effects 0.000 claims abstract description 40
- 238000010219 correlation analysis Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 230000008676 import Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 4
- 239000003921 oil Substances 0.000 description 129
- 238000009826 distribution Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004804 winding Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000007667 floating Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000010779 crude oil Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000001617 sequential probability ratio test Methods 0.000 description 2
- 230000003872 anastomosis Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000010187 selection method 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
- F04B49/065—Control using electricity and making use of computers
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种输油泵机组的异常判断方法、装置及存储介质,属于故障检测技术领域;通过将获取的目标输油泵机组产生的与待监测变量相关的第一数量的监测数据,输入到预先训练的输油泵机组异常识别模型中,得到待监测变量预测数据,比较实际运行数据与所述待监测变量预测数据的差异程度,若差异程度超出阈值,则该待监测的输油泵机组可以视为处于异常工作状态,并进行预警;本发明能够较及时和准确地判断输油泵机组是否处于异常工作状态。
Description
技术领域
本发明主要涉及故障检测技术领域,具体涉及一种输油泵机组的异常判断方法、装置及存储介质。
背景技术
输油泵机组是管道输油过程中的关键设备,其可以对管道中输送的原油进行升压处理,以保证原油的压力能够完成输运。生产过程中输油泵机组出现故障的情况时有发生,相关技术中,当输油泵站点的输油泵机组发生故障后,一般先基于现场工人在生产中所获得的经验对故障进行分析及尝试解决,这种方式依赖于生产人员的经验,不具有普适性且可能存在诊断错误的问题。因此,有必要提供一种准确方便地判断输油泵机组是否处于异常工作状态的方法。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供一种输油泵机组的异常判断方法、装置及存储介质。
本发明解决上述技术问题的技术方案如下:一种输油泵机组的异常判断方法,包括如下步骤:
获取目标输油泵机组产生的与待监测变量相关的第一数量的监测数据,并将所述监测数据输入预先训练的输油泵机组异常识别模型中,输出待监测变量预测数据;其中,所述输油泵机组异常识别模型为基于所述待监测的输油泵机组在正常运行状态下产生的监测数据集训练得到的;
导入所述目标输油泵机组产生的与所述待监测变量对应的实际运行数据,并比较所述实际运行数据与所述待监测变量预测数据的差异程度;
判断所述差异程度是否超出设定的第一阈值,若超出所述第一阈值,则判定所述目标输油泵机组处于异常工作状态,并根据异常工作状态发出预警信息。
进一步地,所述获取目标输油泵机组产生的与待监测变量相关的第一数量的监测数据的过程包括:
基于所述目标输油泵机组的机械结构以及对所述目标输油泵机组的常见故障原因的分析结果构建故障树,所述故障树用于描述所述目标输油泵机组的故障类型及故障类型对应的故障原因,所述故障类型包括故障属性;
根据所述故障类型的故障属性设定所述目标输油泵机组的第二数量的故障类别;
通过所述第二数量的故障类别对所有的故障原因进行待监测变量的相关性分析,从相关性分析结果中筛选出与待监测变量相关的第一数量的监测数据。
进一步地,任意一个所述故障类别均包括多个相同类型的故障原因;
通过所述第二数量的故障类别对所有的故障原因进行待监测变量的相关性分析,从相关性分析结果中筛选出与待监测变量相关的第一数量的监测数据的过程包括:
对于任意一个故障原因,通过所述故障树确定与任意一个故障原因相关的监测数据集,得到用于描述故障原因与相关的监测数据集的数据表格;
从所述数据表格中确定出与所述待监测变量对应的故障原因相关的第一监测数据集;
将所述第一监测数据集的任意一个监测数据与所述待监测变量进行相关性分析,得到多个相关性分析结果;
将每个所述相关性分析结果与预先设定的第二阈值进行比较,剔除所述第一监测数据集中包括的所属相关性分析结果小于所述第二阈值的监测数据,从而得到与待监测变量相关的第一数量的监测数据,且所述第一数量对应的数值小于所述第一监测数据集中所包括的监测数据的个数。
进一步地,在得到用于描述故障原因与相关的监测数据集的数据表格之后,包括:
根据所述第二数量的故障类别中包括的故障原因将所述待监测变量预测数据构建为预测结果时间序列spred。
进一步地,所述待监测变量预测数据包括预测结果时间序列spred;
导入所述目标输油泵机组产生的与所述待监测变量对应的实际运行数据,并比较所述实际运行数据与所述待监测变量预测数据的差异程度的过程包括:
导入预定时长范围内所述目标输油泵机组产生的待监测变量对应的实际运行数据,所述实际运行数据包括待监测变量时间序列数据sreal;
通过所述待监测变量时间序列数据sreal和所述预测结果时间序列spred构建偏差向量,其中,所述偏差向量Δs表示为Δs=|sreal-spred|1,符号l表示范数;
根据顺序概率比检验方法对所述偏差向量Δs进行检验,得到差异程度。
本发明解决上述技术问题的另一技术方案如下:一种输油泵机组的异常判断装置,包括:
预测结果获取模块,用于获取目标输油泵机组产生的与待监测变量相关的第一数量的监测数据,并将所述监测数据输入预先训练的输油泵机组异常识别模型中,输出待监测变量预测数据;其中,所述输油泵机组异常识别模型为基于所述待监测的输油泵机组在正常运行状态下产生的监测数据集训练得到的;
差异程度获取模块,用于导入所述目标输油泵机组产生的与所述待监测变量对应的实际运行数据,并比较所述实际运行数据与所述待监测变量预测数据的差异程度;
异常工作状态判定模块,用于判断所述差异程度是否超出设定的第一阈值,若超出所述第一阈值,则判定所述目标输油泵机组处于异常工作状态,并根据异常工作状态发出预警信息。
本发明解决上述技术问题的另一技术方案如下:一种输油泵机组的异常判断装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如上所述的输油泵机组的异常判断方法。
本发明解决上述技术问题的另一技术方案如下:一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,当所述计算机程序被处理器执行时,实现如上所述的输油泵机组的异常判断方法。
本发明的有益效果是:通过将获取的目标输油泵机组产生的与待监测变量相关的第一数量的监测数据,输入到预先训练的输油泵机组异常识别模型中,得到待监测变量预测数据,比较实际运行数据与所述待监测变量预测数据的差异程度,若差异程度超出阈值,则该待监测的输油泵机组可以视为处于异常工作状态,并进行预警,本发明能够较及时和准确地判断输油泵机组是否处于异常工作状态。
附图说明
图1为本发明实施例提供的输油泵机组的异常判断方法的流程示意图;
图2为本发明实施例提供的一种实际场景下输油泵机组泵腰瓦振动故障案例预测结果示意图;
图3为本发明实施例提供的另一种实际场景下机组泵腰瓦振动故障案例预测结果示意图;
图4为本发明实施例提供的输油泵机组的异常判断装置的模块框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
图1为本说明书实施例提供的一种输油泵机组的异常判断方法的流程示意图。从程序角度而言,流程的执行主体可以为搭载于服务平台的服务器的程序。
如图1所示,本发明实施例提供的一种输油泵机组的异常判断方法,包括:
S101、获取目标输油泵机组产生的与待监测变量相关的第一数量的监测数据,并将所述监测数据输入预先训练的输油泵机组异常识别模型中,输出待监测变量预测数据;其中,所述输油泵机组异常识别模型为基于所述待监测的输油泵机组在正常运行状态下产生的监测数据集训练得到的。
S102、导入所述目标输油泵机组产生的与所述待监测变量对应的实际运行数据,并比较所述实际运行数据与所述待监测变量预测数据的差异程度;
S103、判断所述差异程度是否超出设定的第一阈值,若超出所述第一阈值,则判定所述目标输油泵机组处于异常工作状态,并根据异常工作状态发出预警信息。
本实施例中,通过将获取的目标输油泵机组产生的与待监测变量相关的第一数量的监测数据,输入到预先训练的输油泵机组异常识别模型中,得到待监测变量预测数据,比较实际运行数据与所述待监测变量预测数据的差异程度,若差异程度超出阈值,则该待监测的输油泵机组可以视为处于异常工作状态,并进行预警,本发明能够较及时和准确地判断输油泵机组是否处于异常工作状态。
应理解地,在S101中,待监测变量可理解为,输油泵机组在实际工作过程中经常会出现各种异常,进而影响现场的正常生产,输油泵机组常见的故障类型可以包括机组启机后压力过低、离心泵抽空、运行中流量降低和泵体温度过高等各种故障类型,每种故障类型又都可以包括若干种具体的故障原因。示意性地举例说明,启机后压力过低这种故障类型的故障原因可以包括电机旋转方向错误、转数太低、吸入高度过大、进口压力过低、进口漏气或泵内有气体,导致吸入管路未充满油等故障原因。从故障原因来看,输油泵机组的典型异常可以分为机组参数异常和部件损毁型异常。进一步的,机组参数异常可以包括如因电压过低导致电机过载、转数过低导致运行中流量降低等异常,该类异常可以是由转数、电压、进口压力等机组参数异常导致,而这些机组参数异常的原因与现场具体的设备状态有关。部件损毁型异常如因泵内部磨损导致运行中流量降低、轴承损坏导致电机过载等故障,这类异常的产生原因是由于输油泵机组的部件由于长期运行中产生磨损或者由于意外的冲击导致部件失效导致。输油泵机组在产生工作异常后,其对外表现的可观测的运行状态参数的具体数值通常会表现异常,从而在实际场景中,可以预先设定若干监测指标,通过对该若干监测指标中的一个或多个监测指标进行监测,进而评估待监测机组是否处于异常状态。从而在实施例中,待监测变量可以指预先设定的可用于辅助评估待监测机组是否处于异常工作状态的监测指标。
在S101中,异常识别模型可以是神经网络模型,具体的,可以是卷积神经网络CNN等机器学习模型,由于神经网络模型的输入层需要若干变量的数值来作为输入,从而本实施例中第一数量的监测数据可以指用来作为获得待监测变量的预测结果的基础的若干变量的具体数值。对于每种特定的待监测变量,本实施例可训练相应的异常识别模型并设定相应的监测数据,如对于泵腰瓦振动这一具体的待监测变量,其对应的第一数量的监测数据可以包括泵端瓦温度,电机端瓦温度,电机腰瓦温度,电机A相绕组温度,电机B相绕组温度,泵腰瓦振动数值,电机腰瓦振动数值等监测数据。
需要说明的是,本本实施例中,在训练输油泵机组的异常识别模型的过程中,所采用的训练数据是输油泵机组在处于正常状态时采集获得的,所谓正常运行状态可以指待监测机组无故障运行的状态。在实际应用中,初步采集到的用于训练异常识别模型所需的数据往往是含噪声的、不完整的和不一致的,可以在模型学习训练之前先对数据进行清洗,提高数据质量,使之符合算法的规范和要求。
应理解地,在S102中,与待监测变量对应的实际运行数据可以指实际测量得到的该待监测变量的数据值。在实际生产中,输油泵机组大多采用SCADA系统作为监测系统,SCADA系统是工业过程监控系统,可以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来采集输油泵机组运行状态参数数据。从而在本实施例中可以通过SCADA系统来监测获取与该待监测变量对应的实际运行数据,然后比较二者的差异程度,差异程度的具体表现形式可以是百分比,也可以是二者的差值,本实施例并不做具体限定。
应理解地,在S103中,判断所述差异程度是否超出设定的第一阈值,第一阈值是预先设定的评估待监测的输油泵机组是否处于异常工作状态的指标,若差异程度超过该第一阈值,则待监测的输油泵机组则很可能处于异常工作状态,可以视其为处于异常工作状态,此时可以进行相关检测等活动。对于某个具体的待监测变量而言,预先确定的第一阈值的具体大小可以根据具体的待监测变量的属性进行灵活设置,本实施例并不进行具体限制,具体的,可以基于输油泵机组的相关维修人员的历史维修数据记录进行设定。
图1中的方法通过将获取的待监测的输油泵机组产生的与待监测变量相关的第一数量的监测数据,输入到训练完毕的输油泵机组异常识别模型中,可以得到该待监测变量的预测结果。由于输油泵机组异常识别模型为基于该待监测的输油泵机组在正常运行状态下产生的监测数据集训练得到的,则如果实际测量得到的该待监测变量对应的实际运行数据与该预测结果的不一致程度超出一定程度,则该待监测的输油泵机组可以视为处于异常工作状态,达到了对输油泵机组进行故障监测的准确性和及时性的技术效果。
基于图1中的方法,本实施例还提供了该方法的一些具体实施方案,下面进行说明。
在可选的实施例中,所述获取目标输油泵机组产生的与待监测变量相关的第一数量的监测数据的过程包括:基于所述目标输油泵机组的机械结构以及对所述目标输油泵机组的常见故障原因的分析结果构建故障树,所述故障树用于描述所述目标输油泵机组的故障类型及故障类型对应的故障原因,所述故障类型包括故障属性。
在本实施例中,考虑到输油泵机组主要由输油泵、电机及联轴器组成,且目前的输油泵机组多采用离心式泵,在本实施例中可以结合输油泵机组的机械结构总结其常见的故障类型及对应的故障原因,从而便于对输油泵机组的故障进行分类分析。如表1所示,表1为输油泵机组常见故障类型表,列举了输油泵机组的常见故障类型及分析出的相应的故障原因,为了便于快速地对输油泵机组的故障原因进行分析,可以基于表1中列举的若干故障类型及对应的故障原因建立输油泵机组的故障树。具体的:
在可选的实施例中,所述获取待监测的输油泵机组产生的与待监测变量相关的若干种类监测数据之前,可以包括:基于所述待监测的输油泵机组的机械结构以及对所述待监测的输油泵机组的常见故障原因的分析结果,构建用于描述所述待监测的输油泵机组的故障类型及对应的故障原因的故障树。
从故障的表征变量来看,依据故障表征变量类型可以将表1中给出的常见故障重新划分为温度类故障、压力类故障、振动类故障、密封类故障和流量类故障等故障,基于这一划分方法可以建立故障树作为异常识别的依据,若输油泵机组发生故障,根据监测变量的测点位置及变量类型可对故障原因进行分析。
在上述内容阐述的建立了针对输油泵机组的故障树的基础之上,在可选的实施例中,所述构建用于描述所述待监测的输油泵机组的故障类型及对应的故障原因的故障树之后,根据所述故障类型的故障属性设定所述目标输油泵机组的第二数量的故障类别;具体为:
基于所述故障树中包括的故障类型的故障属性,设定关于所述待监测的输油泵机组的第二数量的故障类别,所述第二数量的故障类别中的任意一个故障类别均包括若干个同类型的故障原因。
在本实施例中,故障属性可以用于描述输油泵机组所出现的故障具体涉及哪方面的故障,如电流、压力、温度或振动方面的故障,然后可以根据故障属性设定第二数量的故障类别,每种故障类别又都可以若干个同类型的故障原因。举例说明,在一种实际场景中,如表2所示,表2为输油泵机组数据集内检测变量,可以分为电流类型的故障、压力类型的故障、温度类型的故障或振动类型的故障。其中,振动类型的故障泵端瓦振动、泵腰瓦振动、电机端瓦振动和电机腰瓦振动这四种具体的故障原因。
表2:
在一些实施例中,所述设定关于所述待监测的输油泵机组的第一数量的故障类别之后,通过所述第二数量的故障类别对所有的故障原因进行待监测变量的相关性分析,从相关性分析结果中筛选出与待监测变量相关的第一数量的监测数据。具体为:
由于任意一个所述故障类别均包括多个相同类型的故障原因。对于任意一个故障原因而言,通过所述故障树确定与任意一个故障原因相关的监测数据集,得到用于描述故障原因与相关的监测数据集的数据表格。
在本实施例中,为每个故障类别中的每个故障原因设定了与该故障原因相关的监测数据集,以上述内容阐述的泵腰瓦振动这一具体的待监测变量进行举例说明,泵腰瓦振动异常可以视为输油泵机组的一个具体故障原因,其对应的监测数据可以包括泵端瓦温度,电机端瓦温度,电机腰瓦温度,电机A相绕组温度,电机B相绕组温度,泵腰瓦振动数值,电机腰瓦振动数值等监测数据。在本实施中,可以以数据表格的形式呈现不同故障原因与不同原因具体相关的监测数据集的对应形式。
对于神经网络等机器学习模型,一般不直接将处理后的数据送入模型中进行学习,而是先进行特征选择,这是因为对于实际生产中所获得的数据集中监测变量间一般具有一定的相关性,这意味着对于机器学习模型来讲数据集包含的信息存在冗余,这部分冗余信息会使得模型训练后的预测结果依赖于这部分冗余信息,导致预测精度下降,因此在训练前需要对数据集进行特征提取和选择。
故而对于本发明而言,在可选的实施例中,对于所述待监测变量而言,所述与待监测变量相关的第一数量的监测数据的数据类别的确定方法可以包括:从所述数据表格中确定出与所述待监测变量对应的故障原因所相关的第一监测数据集;将所述第一监测数据集的任意一个监测数据,与所述待监测变量进行相关性分析,得到若干相关性分析结果;将所述若干相关性分析结果中的每个相关性分析结果与预先确定的第二阈值进行比较,剔除所述第一监测数据集中包括的所属相关性分析结果小于所述第二阈值的监测数据,以得到所述第一数量的监测数据,所述第一数量对应的数值小于所述第一监测数据集中所包括的监测数据的个数。
在本实施例中,对于待监测变量而言,通过特征选择方法从第一监测数据集中挑选出一组更具统计意义的特征,达到了数据降维的目的,简化了异常识别模型的训练过程。
在一些实施例中,在将前文阐述的异常识别模型投入使用前还可以先对其进行验证,以此来测试该异常模型对输油泵机组的异常状态的识别效果,具体的,可以选定某一特定的待监测变量,获取某一时间段内,该待监测的输油泵机组在正常状态下该特定的待监测变量的一系列实际运行数据值,同时采用上述内容阐述的异常识别模型获得该特定的待监测变量在该特定时间段内的系列预测结果,判断该两种数据在直角坐标系中的吻合效果,以此来测试异常识别模型是否能够实现对正常状态下的待监测变量的准确预测。相应的,可以获取另一时间段内,该待监测的输油泵机组在异常状态下该特定的待监测变量的一系列实际运行数据值,同时也采用上述内容阐述的异常识别模型获得该特定的待监测变量在该特定时间段内的系列预测结果,如果该两种数据在直角坐标系中不能很好地吻合,则说明上述内容阐述的异常识别模型能够准确地实现对待监测变量的异常识别。
下面以实际场景中的数据来对此进行说明,如图2和图3所示,图2为一种实际场景下输油泵机组泵腰瓦振动故障案例预测结果示意图,图3为另一种实际场景下机组泵腰瓦振动故障案例预测结果示意图。图2和图3中,A表示真实数据,B表示预测数据,由图2和图3可知,在正常状态下,异常识别模型的预测结果与实际值吻合效果很好,在故障工况下模型的预测值与异常值则有着显著偏差。
在可选的实施例中,导入所述目标输油泵机组产生的与所述待监测变量对应的实际运行数据,并比较所述实际运行数据与所述待监测变量预测数据的差异程度的过程包括:
导入预定时长范围内所述目标输油泵机组产生的待监测变量对应的实际运行数据,所述实际运行数据包括待监测变量时间序列数据sreal;
通过所述待监测变量时间序列数据sreal和所述预测结果时间序列spred构建偏差向量,其中,所述偏差向量Δs表示为Δs=|sreal-spred|1,符号l表示范数;
根据顺序概率比检验方法对所述偏差向量Δs进行检验,得到差异程度。
本实施例中,采用顺序概率比检验方法(Sequential probability ratio test,简称SPRT方法)对偏差向量进行检验,下面对检验过程进行详细介绍。
在SPRT方法中,针对SCADA系统(可能处于正常或异常状态)的监测数据,SPRT方法给出了两个假设。假设H0:正常状态下;假设H1:异常状态下。对于以上两个假设进行检验,需要对不同假设下数据的分布做出预设,一般假设为两个不同参数的正态分布。对于给定的残差e1,e2,......,en,假设H0和H1的联合概率分布计算公式分别为:
定义似然比为:
分别定义虚警率α和漏警率β并给出故障预警所需的判决阈值A和B:
为方便使用,上述三式均采用对数式,即:
判断依据:
lnR≤lnA,
lnR≥lnB,
lnA<lnR<lnB。
其中,lnR≤ lnA表示接受假设H0,为正常工况;lnR≥lnB表示接受假设H1,为异常工况;lnA<lnR<lnB表示继续检验。
基于以上SPRT预警方法判断依据,可以实现对于输油泵机组的异常预警,其中对参数做如下假设(假设对监测变量X进行预警):
算法:对监测变量X的SPRT预警,
输入:正常工况下X监测变量分布(正常工况下假设变量服从正态分布,即输入其均值方差),
(1)对于正常工况下的变量X,可以假设其服从正态分布,则输入σ与μ即为监测变量X正常工况下数据方差与均值;
(2)对于异常工况的分布,定义方差比为,
本实施例中取V=1.5;
(3)对于异常工况的分布,其均时值取为正常工况均值上下浮动,浮动水平取为正常工况均值的三倍,对于异常工况下监测变量增大取为向上浮动,对于异常工况下监测变量减小取为向下浮动;
(4)将SPRT方法检验中虚警率α和漏警率β均取为0.1,即假设检验的显著性水平为0.1。
在本实施例中,为了具体地将SPRT方法用于对输油泵机组进行故障预警,在得到用于描述故障原因与相关的监测数据集的数据表格之后,还可以先包括:
根据所述第二数量的故障类别中包括的故障原因设定若干待监测变量,基于所述若干待监测变量,构建待监测变量序列(即预测结果时间序列spred)。
换而言之,本实施例为多个待监测变量的顺序进行了编号,在此之后,为了应用SPRT方法,预测结果时间序列spred形式上可用下式表示:
在该式中,符号t表示当前时刻,符号i表示待监测变量的序号,符号表示编号为i的待监测变量在当前时刻t下的预测值,符号n表示多个待监测变量的总量,符号/>表示当前时刻t前的第j个时刻下第i个监测变量的预测值,同理,符号/>当前时刻t前的第j-1个时刻下第i个监测变量的预测值。由于在前文阐述的异常识别模型中,再预测当前时刻下某个特定的待监测变量预测值时,需要依赖当前时刻下的某些特定的监测数据作为异常识别模型的输入层的输入数据。从而符号/>的含义可以理解为为预测编号为i的待监测变量在当前时刻t下的预测值/>所需的监测数据的数据集,以便作为编号为i的对应的异常识别模型的输入层的输入数据,在此意义而言,符号k和符号i的数值不等,即k≠i。符号“|”表示该符号前面所列数据的具体预测值要依赖该符号后面对应的由相应监测数据构成的数据集的意思。相应的,前文描述的偏差向量Δs的异常程度可形式上表示如下,anomaly表示异常的意思,即
如图4所示,本发明实施例提供了一种输油泵机组的异常判断装置,包括:
预测结果获取模块,用于获取目标输油泵机组产生的与待监测变量相关的第一数量的监测数据,并将所述监测数据输入预先训练的输油泵机组异常识别模型中,输出待监测变量预测数据;其中,所述输油泵机组异常识别模型为基于所述待监测的输油泵机组在正常运行状态下产生的监测数据集训练得到的;
差异程度获取模块,用于导入所述目标输油泵机组产生的与所述待监测变量对应的实际运行数据,并比较所述实际运行数据与所述待监测变量预测数据的差异程度;
异常工作状态判定模块,用于判断所述差异程度是否超出设定的第一阈值,若超出所述第一阈值,则判定所述目标输油泵机组处于异常工作状态。
可选地,所述预测结果获取模块中,获取目标输油泵机组产生的与待监测变量相关的第一数量的监测数据,具体为:
基于所述目标输油泵机组的机械结构以及对所述目标输油泵机组的常见故障原因的分析结果构建故障树,所述故障树用于描述所述目标输油泵机组的故障类型及故障类型对应的故障原因,所述故障类型包括故障属性;
根据所述故障类型的故障属性设定所述目标输油泵机组的第二数量的故障类别;
通过所述第二数量的故障类别对所有的故障原因进行待监测变量的相关性分析,从相关性分析结果中筛选出与待监测变量相关的第一数量的监测数据。
在可选的实施例中,所述差异程度获取模块中,导入所述目标输油泵机组产生的与所述待监测变量对应的实际运行数据,并比较所述实际运行数据与所述待监测变量预测数据的差异程度,具体为:
所述待监测变量预测数据包括预测结果时间序列sreal;
导入预定时长范围内所述目标输油泵机组产生的待监测变量对应的实际运行数据,所述实际运行数据包括待监测变量时间序列数据sreal;
通过所述待监测变量时间序列数据sreal和所述预测结果时间序列spred构建偏差向量,其中,所述偏差向量Δs表示为Δs=|sreal-spred|1,符号l表示范数;
根据顺序概率比检验方法对所述偏差向量Δs进行检验,得到差异程度。
本发明通过获取待监测的输油泵机组正常运行状态相关的待监测变量数据,输入到训练完毕的输油泵机组异常识别模型中,得到待监测变量的预测结果,预测结果与待监测的输油泵机组产生的与待监测变量对应的实际运行数据进行比较,得到运行数据与所述待监测变量的预测结果的差异程度,通过基于顺序概率比检验方法(SPRT)方法进行判断,实现基于工艺量数据对输油泵机组异常状态的监测和预警。当机组判断异常后,根据故障树,判断可能存在问题的输油泵机组部件,为维检修提供支撑。克服了当前高报、高高报基于机组耐受极限的报警设定方式发现机组异常较晚的弊端,同时节省了需要加装高频振动传感器才能在输油泵机组故障早期发现机组异常和判断异常的额外投资费用,大大提高了人员劳动效率、降低了投资成本,同时实现了机组异常状态的早期预警,对输油站场的安全性和可靠性提升有重要意义。
本发明另一实施例提供的一种输油泵机组的异常判断装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如上所述的输油泵机组的异常判断方法。
本发明另一实施例提供的一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,当所述计算机程序被处理器执行时,实现如上所述的输油泵机组的异常判断方法。
上述一种输油泵机组的异常判断装置及存储介质,可以参见如上对一种输油泵机组的异常判断方法进行具体描述的实施内容及其有益效果,在此不再赘述。
需要说明的是,在本文中,诸如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。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种输油泵机组的异常判断方法,其特征在于,包括如下步骤:
获取目标输油泵机组产生的与待监测变量相关的第一数量的监测数据,并将所述监测数据输入预先训练的输油泵机组异常识别模型中,输出待监测变量预测数据;其中,所述输油泵机组异常识别模型为基于所述待监测的输油泵机组在正常运行状态下产生的监测数据集训练得到的;
导入所述目标输油泵机组产生的与所述待监测变量对应的实际运行数据,并比较所述实际运行数据与所述待监测变量预测数据的差异程度;
判断所述差异程度是否超出设定的第一阈值,若超出所述第一阈值,则判定所述目标输油泵机组处于异常工作状态,并根据异常工作状态发出预警信息。
2.根据权利要求1所述的输油泵机组的异常判断方法,其特征在于,所述获取目标输油泵机组产生的与待监测变量相关的第一数量的监测数据的过程包括:
基于所述目标输油泵机组的机械结构以及对所述目标输油泵机组的常见故障原因的分析结果构建故障树,所述故障树用于描述所述目标输油泵机组的故障类型及故障类型对应的故障原因,所述故障类型包括故障属性;
根据所述故障类型的故障属性设定所述目标输油泵机组的第二数量的故障类别;
通过所述第二数量的故障类别对所有的故障原因进行待监测变量的相关性分析,从相关性分析结果中筛选出与待监测变量相关的第一数量的监测数据。
3.根据权利要求2所述的输油泵机组的异常判断方法,其特征在于,任意一个所述故障类别均包括多个相同类型的故障原因;
通过所述第二数量的故障类别对所有的故障原因进行待监测变量的相关性分析,从相关性分析结果中筛选出与待监测变量相关的第一数量的监测数据的过程包括:
对于任意一个故障原因,通过所述故障树确定与任意一个故障原因相关的监测数据集,得到用于描述故障原因与相关的监测数据集的数据表格;
从所述数据表格中确定出与所述待监测变量对应的故障原因相关的第一监测数据集;
将所述第一监测数据集的任意一个监测数据与所述待监测变量进行相关性分析,得到多个相关性分析结果;
将每个所述相关性分析结果与预先设定的第二阈值进行比较,剔除所述第一监测数据集中包括的所属相关性分析结果小于所述第二阈值的监测数据,从而得到与待监测变量相关的第一数量的监测数据,且所述第一数量对应的数值小于所述第一监测数据集中所包括的监测数据的个数。
4.根据权利要求3所述的输油泵机组的异常判断方法,其特征在于,在得到用于描述故障原因与相关的监测数据集的数据表格之后,包括:
根据所述第二数量的故障类别中包括的故障原因将所述待监测变量预测数据构建为预测结果时间序列spred。
5.根据权利要求1至4任一项所述的输油泵机组的异常判断方法,其特征在于,导入所述目标输油泵机组产生的与所述待监测变量对应的实际运行数据,并比较所述实际运行数据与所述待监测变量预测数据的差异程度的过程包括:
导入预定时长范围内所述目标输油泵机组产生的待监测变量对应的实际运行数据,所述实际运行数据包括待监测变量时间序列数据sreal;
通过所述待监测变量时间序列数据sreal和所述预测结果时间序列spred构建偏差向量,其中,所述偏差向量Δs表示为Δs=|sreal-spred|l,符号l表示范数;
根据顺序概率比检验方法对所述偏差向量Δs进行检验,得到差异程度。
6.一种输油泵机组的异常判断装置,其特征在于,包括:
预测结果获取模块,用于获取目标输油泵机组产生的与待监测变量相关的第一数量的监测数据,并将所述监测数据输入预先训练的输油泵机组异常识别模型中,输出待监测变量预测数据;其中,所述输油泵机组异常识别模型为基于所述待监测的输油泵机组在正常运行状态下产生的监测数据集训练得到的;
差异程度获取模块,用于导入所述目标输油泵机组产生的与所述待监测变量对应的实际运行数据,并比较所述实际运行数据与所述待监测变量预测数据的差异程度;
异常工作状态判定模块,用于判断所述差异程度是否超出设定的第一阈值,若超出所述第一阈值,则判定所述目标输油泵机组处于异常工作状态。
7.根据权利要求6所述的输油泵机组的异常判断装置,其特征在于,所述预测结果获取模块中,获取目标输油泵机组产生的与待监测变量相关的第一数量的监测数据,具体为:
基于所述目标输油泵机组的机械结构以及对所述目标输油泵机组的常见故障原因的分析结果构建故障树,所述故障树用于描述所述目标输油泵机组的故障类型及故障类型对应的故障原因,所述故障类型包括故障属性;
根据所述故障类型的故障属性设定所述目标输油泵机组的第二数量的故障类别;
通过所述第二数量的故障类别对所有的故障原因进行待监测变量的相关性分析,从相关性分析结果中筛选出与待监测变量相关的第一数量的监测数据。
8.根据权利要求6或7所述的输油泵机组的异常判断装置,其特征在于,所述差异程度获取模块中,导入所述目标输油泵机组产生的与所述待监测变量对应的实际运行数据,并比较所述实际运行数据与所述待监测变量预测数据的差异程度,具体为:
所述待监测变量预测数据包括预测结果时间序列sreal;
导入预定时长范围内所述目标输油泵机组产生的待监测变量对应的实际运行数据,所述实际运行数据包括待监测变量时间序列数据sreal;
通过所述待监测变量时间序列数据sreal和所述预测结果时间序列spred构建偏差向量,其中,所述偏差向量Δs表示为Δs=|sreal-spred|l,符号l表示范数;
根据顺序概率比检验方法对所述偏差向量Δs进行检验,得到差异程度。
9.一种输油泵机组的异常判断装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现如权利要求1至5任一项所述的输油泵机组的异常判断方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,当所述计算机程序被处理器执行时,实现如权利要求1至5任一项所述的输油泵机组的异常判断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311638717.4A CN117570004A (zh) | 2023-12-01 | 2023-12-01 | 一种输油泵机组的异常判断方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311638717.4A CN117570004A (zh) | 2023-12-01 | 2023-12-01 | 一种输油泵机组的异常判断方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117570004A true CN117570004A (zh) | 2024-02-20 |
Family
ID=89891634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311638717.4A Pending CN117570004A (zh) | 2023-12-01 | 2023-12-01 | 一种输油泵机组的异常判断方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117570004A (zh) |
-
2023
- 2023-12-01 CN CN202311638717.4A patent/CN117570004A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109524139B (zh) | 一种基于设备工况变化的实时设备性能监测方法 | |
US7275018B2 (en) | Method of condition monitoring | |
EP3105644B1 (en) | Method of identifying anomalies | |
EP1242923B1 (en) | A process for the monitoring and diagnostics of data from a remote asset | |
CN107111312B (zh) | 监视在工业现场运行的过程的至少一个步骤的监视装置和监视方法 | |
CN109073508B (zh) | 测试涡轮单元期间的故障诊断 | |
MX2013000066A (es) | Sistema, metodo y aparato para la gestion de estado y de pronosticos del equipo de campo de petroleo. | |
KR102102346B1 (ko) | 함정설비의 상태기반 정비지원 시스템 및 방법 | |
JP2018190245A (ja) | 設備機器の異常診断システム | |
CN107247198A (zh) | 一种配电设备故障预测方法及装置 | |
CN117029968A (zh) | 一种流量数据的诊断方法、系统、存储介质和电子设备 | |
JPWO2019049523A1 (ja) | リスク評価装置、リスク評価システム、リスク評価方法、及び、リスク評価プログラム | |
KR20200009081A (ko) | 리스크 평가 장치, 리스크 평가 시스템, 리스크 평가 방법, 리스크 평가 프로그램 및 데이터 구조 | |
KR102108975B1 (ko) | 함정설비의 상태기반 정비 지원 장치 및 방법 | |
CN116345690B (zh) | 基于供电系统设备清单的电力监测虚警识别方法及系统 | |
CN117570004A (zh) | 一种输油泵机组的异常判断方法、装置及存储介质 | |
CN112200323A (zh) | 评估工业设备和过程的状态 | |
CN111077886A (zh) | 一种车站故障实时监测系统 | |
CN108664696B (zh) | 一种冷水机组运行状态的测评方法及装置 | |
CN116910635A (zh) | 基于联邦学习和膨胀卷积的调压器故障诊断方法及装置 | |
CN117469152B (zh) | 流体泵异常检测方法、装置、电子设备和存储介质 | |
CN117851956B (zh) | 基于数据分析的机电设备故障诊断方法、系统及终端 | |
JP2020009080A (ja) | 機器状態監視システム及び機器状態監視方法 | |
CN118057185A (zh) | 半导体工艺设备的故障诊断方法及系统 | |
CN117663353A (zh) | 核电通风空调系统的故障检测与诊断方法 |
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 |