CN117869278A - 一种空气压缩机组的节能控制方法及系统 - Google Patents

Abstract

本发明公开了一种空气压缩机组的节能控制方法及系统，涉及节能控制技术领域，该系统通过实时监测综合设备运行数据和环境空气数据，利用深度学习模型的智能分析，能够准确识别空气压缩机组在不同运行情况下的耗能模式，从而达到最佳的耗能效果，该系统能够在不同的环境条件下灵活应对，降低耗能水平，显著提高整体能源利用效率，这意味着系统在不同生产需求和环境变化下都能够动态地调整运行策略，这种智能优化控制不仅可以降低能源成本，还能显著减轻环境负担，通过深度学习模型的学习和迭代，系统不仅能够适应当前环境条件，还能预测并应对未来的运行状态，提前采取相应的控制策略，这样的智能化控制手段为节能减排做出了积极贡献。

Description

一种空气压缩机组的节能控制方法及系统

技术领域

本发明涉及节能控制技术领域，具体为一种空气压缩机组的节能控制方法及系统。

背景技术

空气压缩机组在工业中广泛应用，主要用于提供压缩空气，驱动各类气动设备，如气动工具和气动输送系统，空气压缩机组是一种将大气空气压缩成高压气体的设备，主要作用是提供高压气体，用于驱动气动设备、进行气体输送和提供工业过程中所需的压缩空气，空气压缩机组通过机械装置将大气中的空气吸入，然后通过压缩装置提高空气的压力，最终将高压气体排放到系统中供各种用途使用。常见的压缩机类型包括螺杆式压缩机、活塞式压缩机和涡轮式压缩机。

现阶段传统的空气压缩机组在生产过程中起到了重要作用，但存在一些显著的缺点和不足之处。首先，传统压缩机在设备运行和水冷系统方面的管理存在局限性，无法实现对能源的有效利用和耗能的精准控制，其次，针对空气中微小因素对压缩机耗能的影响，传统系统往往缺乏精细化的监测和调控手段，无法及时发现和处理问题，传统压缩机控制系统往往依赖于人工干预和经验判断，容易受到主观因素和误差的影响，导致控制效果不稳定，难以实现持续的节能优化。

发明内容

（一）解决的技术问题

针对现有技术的不足，本发明提供了一种空气压缩机组的节能控制方法及系统，解决了背景技术中提到的问题。

技术方案

为实现以上目的，本发明通过以下技术方案予以实现：包括数据检测模块、数据采集模块、深度分析模块、数据计算模块和耗能评估模块；

所述数据检测模块包括在空气压缩机组的附近布设若干检测点，并安装检测设备，用于分别对空气压缩机组的综合设备运行数据和空气数据进行实时检测，并由数据采集模块对于所检测到的综合设备运行数据和空气数据进行分类汇总后生成综合设备运行数据集和空气数据集；

所述深度分析模块通过构建深度学习模块，设置智能学习与迭代功能，对空气压缩机组所检测到的综合设备运行数据和空气数据进行深度学习，识别空气压缩机组在不同运行情况下的耗能，并根据不同的耗能结果进行实时记录至存储数据库；

所述数据计算模块包括第一计算单元、第二计算单元和第三相关联计算单元，所述第一计算单元用于依据综合设备运行数据集提取设备负荷数据集、压缩机运行数据集和冷却设备运行数据集，无量纲处理后，进行分析计算获取负荷系数Fhxs、压缩机系数Ysxs和冷却系数Lqxs，再由第二计算单元依据空气数据集，无量纲处理后，进行分析计算获取空气系数Kqxs；再由所述第三相关联计算单元将负荷系数Fhxs、压缩机系数Ysxs和冷却系数Lqxs进行汇总分析，生成综合设备运行系数Yxxs，将综合设备运行系数Yxxs与空气系数Kqxs相关联，生成综合控制系数Kzxs；

所述综合设备运行系数Yxxs和空气系数Kqxs通过以下公式获取：

；

；

式中，a1、a2和a3表示负荷系数Fhxs、压缩机系数Ysxs和冷却系数Lqxs的预设比例系数，且，a3+a2≠a1，0＜a1＜0.84，0＜a2＜0.57，0＜a3＜0.87，其具体值由用户调整设置，A表示第一修正常数；

Krw表示入口空气温度，Krs表示入口空气湿度，Kcl表示空气的含尘量，Kpy表示排气压力，Kyl空气油分含量，公式的意义在于，通过对空气压缩机组所在环境的空气进行检测，识别空气中对空气压缩机组所带来的影响，合理控制和调整这些参数有助于减少能源浪费，降低耗能；

所述耗能评估模块用于预设空气评估阈值H与空气系数Kqxs进行初步对比评估，生成相应的评估结果，并通过预设设备评估阈值K与综合控制系数Kzxs，进行二次对比评估生成相应的耗能控制结果。

优选的，所述数据检测模块包括第一检测单元和第二检测单元用于对空气压缩机组的综合设备运行数据和所处环境的空气数据进行实时检测；

所述第一检测单元包括第一集成传感器组、第二集成传感器组和第三集成传感器组，用于对空气压缩机组的综合设备运行数据进行实时检测；

所述第一集成传感器组包括电流传感器、电压传感器、压力传感器、能量计和运行时长计时器，对空气压缩设备在运行时产生的负荷耗能进行实时检测；

所述第二集成传感器组包括负载传感器、排气压力传感器、油温传感器、油压传感器和振动频率传感器，用于对空气压缩机组在运行时压缩机的运行数据进行实时检测；

所述第三集成传感器组包括冷却介质温度传感器、冷却介质流量传感器、冷却介质流速传感器、冷却系统清洁度传感器和水冷泵转速传感器，用于对空气压缩机组的水冷设备在运行过程中所产生的数据进行实时检测；

所述第二检测单元包括第四集成传感器组，用于实时检测空气数据，所述第四集成传感器组包括空气温度传感器、空气湿度传感器、粒子计数器、压阻传感器和空气油分含量传感器。

优选的，所述数据采集模块包括设备运行数据采集单元和空气数据采集单元，用于将所检测到的综合设备运行数据和空气数据进行分类汇总，生成综合设备运行数据集和空气数据集；

所述设备运行数据采集单元用于对综合设备运行数据集进行实时采集，所述综合设备运行数据集包括设备负荷数据集、压缩机运行数据集和冷却设备运行数据集；

所述设备负荷数据集包括电流Fdl、电压Fdy、进气压力Fyl、能耗Fnh和运行时长Fsc；

所述压缩机运行数据集包括压缩机负载Yfz、排气压力Yyl、油温Yyw、油压Yyy、压缩机振动频率Ypl；

所述冷却设备运行数据集包括冷却介质温度Lwd、冷却介质流量Lll、冷却介质流速Lls、冷却系统清洁度Lqj和水冷泵转速Lzs；

所述空气数据采集单元用于对空气数据集进行实时采集，所述空气数据集包括入口空气温度Krw、入口空气湿度Krs、空气的含尘量Kcl、排气压力Kpy和空气油分含量Kyl。

优选的，所述深度分析模块包括深度建模单元和存储单元；

所述深度建模单元通过传感器组Api应用接口、采用无线连接将传感器所采集到数据实时传输至深度学习模型，用于训练和测试，同时对收集到的数据进行预处理，包括数据清洗、去噪和归一化处理，选择卷积神经网络作为深度学习模型架构，使用传感器组所获取的数据，对深度学习模型进行训练，利用已知的正常和异常状态样本，使模型能够学习空气压缩机组的设备运行状态的模式，再将训练好的模型部署到实时监测系统中，通过设备传感器获取实时数据，送入深度学习模型进行推断，实时检测设备的运行状态，并检查深度学习模型在正常和异常状态下的准确性和召回率指标，优化深度学习模型的精准性；

所述存储单元用于设置SD存储卡连接深度学习模型，存储训练好的深度学习模型，并建立合适的管理系统，确保深度学习模型的版本控制、更新和回滚管理任务，同时设计系统支持模型的持续学习，随着时间的推移，通过不断地引入新的数据进行增量式学习，同时设置运行日志，对空气压缩机组设备在不同时间段的运行耗能进行实时记录和学习，使模型适应设备运行状态的变化，不断地进行迭代与更新对空气压缩机组各项数据的学习，进一步优化深度学习模型的精准性。

优选的，所述第一计算单元包括设备负荷计算单元、压缩机运行计算单元和冷却设备运行计算单元；

所述设备负荷计算单元用于依据综合设备运行数据集中的设备负荷数据集，无量纲处理后，进行分析计算获取负荷系数Fhxs；

所述负荷系数Fhxs通过以下公式获取；

。

优选的，所述压缩机运行计算单元用于依据综合设备运行数据集中的压缩机运行数据集，无量纲处理后，进行分析计算获取压缩机系数Ysxs；

所述压缩机系数Ysxs通过以下公式获取；

。

优选的，所述冷却设备运行计算单元用于依据综合设备运行数据集中的冷却设备运行数据集，无量纲处理后，进行分析计算获取冷却系数Lqxs；

所述冷却系数Lqxs通过以下公式获取；

。

优选的，通过将第一计算单元所获取的负荷系数Fhxs、压缩机系数Ysxs和冷却系数Lqxs，由第三相关联计算单元无量纲处理后，进行汇总计算获取综合设备运行系数Yxxs，再将所获取的综合设备运行系数Yxxs与第二计算单元所获取的空气系数Kqxs进行相关联计算，获取综合控制系数Kzxs；

所述综合控制系数Kzxs通过以下公式获取；

；

式中，b1和b2分别表示综合设备运行系数Yxxs和空气系数Kqxs的预设比例系数，且，b1≠b2，0＜b1＜0.46，0＜b2＜0.57，其具体值由用户调整设置，B表示第二修正常数。

优选的，所述耗能评估模块包括第一评估单元和第二评估单元；

所述第一评估单元用于预设空气评估阈值H与第二计算单元分析计算所获取的空气系数Kqxs进行对比评估，获取相应的评估结果，具体评估方案如下；

当空气系数Kqxs＞空气评估阈值H时，表示当前空气压缩机组所在的工作环境中的空气存在异常，导致空气压缩机组耗能存在异常，此时需要对所处环境设置两台空气过滤器，同时控制所处环境的温湿度和维护清理空气通道的清洁度，并生成第一评估结果；

当空气系数Kqxs≤空气评估阈值H时，表示当前空气压缩机组所在的工作环境中的空气处于正常状态，此时无需生成评估结果，则开启进行二次对比评估机制；

所述第二评估单元用于预设设备评估阈值K与第三相关联计算单元相关联分析所获取的综合控制系数Kzxs进行对比评估，并生成相应的评估结果，具体评估方案如下；

当综合控制系数Kzxs＞设备评估阈值K时，此时表示当前检测空气压缩机组设备存在异常，此时则需要将冷却水流速度提升100%，对管道内部的表面污垢进行冲洗3分钟，同时生成预警，通知工作人员对管道内的固定污垢进行深度清理，保证冷却系统中的水路通畅；

当综合调控系数Tkxs≤设备评估阈值K时，此时则表示当前空气压缩机组因压缩机异常导致耗能异常，此时需要对压缩机设备引入可变频调速技术，通过深度学习模型，精准识别当前时间段，控制空气压缩机组的转速和负载，同时通过智能控制系统调整压缩机的输出压力，同时通过深度学习模型的迭代学习、智能优化压缩机的启停策略，优化频繁启停时的耗能。

一种空气压缩机组的节能控制方法，包括以下步骤：

S1、首先在空气压缩机组附近布设检测点，并安装第一检测单元和安装第二检测单元，用于对空气压缩机组的综合设备运行数据和所处环境的空气数据进行实时检测；

S2、再通过设备运行数据采集单元和空气数据采集单元，对设备运行数据以及空气数据进行实时采集，对检测到的数据进行分类汇总并生成综合设备运行数据集和空气数据集；

S3、利用深度建模单元通过设置卷积神经网络进行数据预处理、清洗、去噪和归一化，构建深度学习模型，使用已知正常和异常状态样本进行深度学习模型的训练，部署训练好的模型到实时监测系统中，并通过设置存储单元对数据进行记录；

S4、再通过第一计算单元和第二计算单元，分析计算负荷系数Fhxs、压缩机系数Ysxs、冷却系数Lqxs和空气系数Kqxs，通过第三相关联计算单元，汇总分析生成综合设备运行系数Yxxs，再与空气系数Kqxs相关联计算生成综合控制系数Kzxs；

S5、最后再由所述耗能评估模块预设空气评估阈值H与空气系数Kqxs进行初步对比评估，生成相应的评估结果，并通过预设设备评估阈值K与综合控制系数Kzxs进行二次对比评估生成相应的耗能控制结果。

有益效果

本发明提供了一种空气压缩机组的节能控制方法及系统。具备以下有益效果：

（1）该系统通过实时监测综合设备运行数据和环境空气数据，利用深度学习模型的智能分析，能够准确识别空气压缩机组在不同运行情况下的耗能模式。这一智能优化控制的手段使得系统具备了在实时动态环境中调整设备参数的能力，从而达到最佳的耗能效果，通过系统调整设备负荷、压缩机运行和冷却设备运行等关键参数，该系统能够在不同的环境条件下灵活应对，降低耗能水平，显著提高整体能源利用效率，这意味着系统在不同生产需求和环境变化下，都能够动态地调整运行策略，从而最大程度地减少不必要的能源浪费，这种智能优化控制不仅可以降低能源成本，还能显著减轻环境负担，通过深度学习模型的学习和迭代，系统不仅能够适应当前环境条件，还能预测并应对未来的运行状态，提前采取相应的控制策略，这样的智能化管理手段不仅为企业提供了更高效的生产方式，同时也为实现绿色生产和节能减排做出了积极贡献。

（2）该系统配备了多功能的数据检测模块，包括第一检测单元和第二检测单元，通过集成多种传感器对设备运行数据和环境空气数据进行实时检测，从而实现对设备状态的全面监控，结合深度学习模型的建模和实时监测，系统能够精准识别设备异常状态，为运维人员提供及时的故障预警和定位，从而优化维护管理，减少停机时间，提高设备可靠性。

（3）该系统通过空气数据采集单元，实时获取环境空气数据，并结合深度学习模型对这些参数进行综合分析，通过耗能评估模块对环境因素进行评估，系统能够根据不同的环境条件调整设备运行参数，实现对环境的自适应调节，提高设备在不同工作环境下的稳定性和效率，从而在保障设备正常运行的同时，最大程度地降低了能源浪费。

附图说明

图1为本发明一种空气压缩机组的节能控制系统流程示意图；

图2为本发明一种空气压缩机组的节能控制方法步骤示意图。

图中：1、数据检测模块；2、数据采集模块；3、深度分析模块；4、数据计算模块；5、耗能评估模块；11、第一检测单元；12、第二检测单元；21、设备运行数据采集单元；22、空气数据采集单元；31、深度建模单元；32、存储单元；41、第一计算单元；411、设备负荷计算单元；412、压缩机运行计算单元；413、冷却设备运行计算单元；42、第二计算单元；43、第三相关联计算单元；51、第一评估单元；52、第二评估单元。

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。

实施例1

请参阅图1，本发明提供一种空气压缩机组的节能控制系统，为实现以上目的，本发明通过以下技术方案予以实现：包括数据检测模块1、数据采集模块2、深度分析模块3、数据计算模块4和耗能评估模块5；

数据检测模块1用于在空气压缩机组的附近布设若干检测点，并安装检测设备，分别对空气压缩机组的综合设备运行数据和空气数据进行实时检测，并由数据采集模块2对于所检测到的综合设备运行数据和空气数据进行分类汇总，生成综合设备运行数据集和空气数据集；

深度分析模块3通过构建深度学习模块，设置智能学习与迭代功能，检测到的综合设备运行数据和空气数据进行深度学习，识别空气压缩机组在不同运行情况下的耗能，并根据不同的耗能结果进行实时记录至存储数据库；

数据计算模块4包括第一计算单元41、第二计算单元42和第三相关联计算单元43，第一计算单元41用于依据综合设备运行数据集提取设备负荷数据集、压缩机运行数据集和冷却设备运行数据集，无量纲处理后，进行分析计算获取负荷系数Fhxs、压缩机系数Ysxs和冷却系数Lqxs，再由第二计算单元42依据空气数据集，无量纲处理后，进行分析计算获取空气系数Kqxs；再由第三相关联计算单元43将负荷系数Fhxs、压缩机系数Ysxs和冷却系数Lqxs进行汇总分析，生成综合设备运行系数Yxxs，将综合设备运行系数Yxxs与空气系数Kqxs进行相关联，生成综合控制系数Kzxs；

综合设备运行系数Yxxs和空气系数Kqxs通过以下公式获取：

；

；

式中，a1、a2和a3表示负荷系数Fhxs、压缩机系数Ysxs和冷却系数Lqxs的预设比例系数，且，a3+a2≠a1，0＜a1＜0.84，0＜a2＜0.57，0＜a3＜0.87，其具体值由用户调整设置，A表示第一修正常数；第一修正常数的设定通常是通过校准过程来完成的，校准是一种实验手段，通过已知的标准或精确的测量设备，对待测设备进行比较，找出其误差并进行修正。第一修正常数是通过校准过程中确定的，以对测量结果进行修正。

Krw表示入口空气温度，Krs表示入口空气湿度，Kcl表示空气的含尘量，Kpy表示排气压力，Kyl空气油分含量，公式的意义在于，通过对空气压缩机组所在环境的空气进行检测，识别空气中空气温度、空气湿度、含尘量、排气压力、油分含量对空气压缩机组所带来的影响，合理控制和调整这些参数有助于减少能源浪费，降低耗能；

耗能评估模块5用于预设空气评估阈值H与空气系数Kqxs进行初步对比评估，生成相应的评估结果，并通过预设设备评估阈值K与综合控制系数Kzxs进行二次对比评估生成相应的耗能控制结果。

本实施例中，通过数据检测模块1和数据采集模块2，系统在空气压缩机组附近布设检测点，实时监测综合设备运行数据和环境空气数据，数据采集模块2将检测到的数据进行分类汇总，生成综合设备运行数据集和空气数据集，为后续深度分析提供了全面的数据基础。利用深度分析模块3，系统通过智能学习与迭代功能构建了深度学习模型，通过对综合设备运行数据和空气数据的深度学习，系统能够准确识别不同运行情况下的耗能模式，这使得系统能够智能地适应不同工况，提高了系统运行的智能性和灵活性，数据计算模块4综合利用第一计算单元41和第二计算单元42，通过对综合设备运行数据集和空气数据集进行分析计算，获取了负荷系数Fhxs、压缩机系数Ysxs、冷却系数Lqxs和空气系数Kqxs等重要参数，通过多因素综合分析为后续的综合控制系数提供了准确的基础数据。耗能评估模块5通过对预设的空气评估阈值H和设备评估阈值K进行初步和二次对比评估，生成相应的评估结果和耗能控制结果，系统能够根据评估结果采取相应措施，如调整设备参数和优化运行策略，以实现节能效果，综合而言，该系统在提高能源利用效率、实现智能化运行和节能减排等方面都具有显著的有益效果。

实施例2

本实施例是在实施例1中进行的解释说明，请参照图1，具体的：数据检测模块1包括第一检测单元11和第二检测单元12用于对空气压缩机组的综合设备运行数据和所处环境的空气数据进行实时检测；

第一检测单元11包括第一集成传感器组、第二集成传感器组和第三集成传感器组，用于对空气压缩机组的综合设备运行数据进行实时检测；

第一集成传感器组包括电流传感器、电压传感器、压力传感器、能量计和运行时长计时器，对空气压缩设备在运行时产生的负荷耗能进行实时检测；

第二集成传感器组包括负载传感器、排气压力传感器、油温传感器、油压传感器和振动频率传感器，用于对空气压缩机组在运行时压缩机的运行数据进行实时检测；

第三集成传感器组包括冷却介质温度传感器、冷却介质流量传感器、冷却介质流速传感器、冷却系统清洁度传感器和水冷泵转速传感器，用于对空气压缩机组的水冷设备在运行过程中所产生的数据进行实时检测；

第二检测单元12包括用于实时检测空气数据的第四集成传感器组，第四集成传感器组包括空气温度传感器、空气湿度传感器、粒子计数器、压阻传感器和空气油分含量传感器。

本实施例中，通过第一检测单元11的多个集成传感器组，系统能够以实时方式监测空气压缩设备的各种关键参数，从而全面了解设备运行的实时状态，第二检测单元12的空气数据监测组则提供了周围环境的各种要素，为系统提供了对外部条件的及时感知，这种全面实时监测的设计使得系统更具灵活性和适应性，能够在不同运行情境下迅速作出反应，这为后续的深度学习模型提供了大量实时数据，有助于更准确地识别不同运行情况下的耗能模式，同时，这些数据也为智能优化提供了坚实的基础，系统可以根据实时监测的数据进行即时调整，以最大程度地提高能源利用效率和节能效果。

实施例3

本实施例是在实施例2中进行的解释说明，请参照图1，具体的：数据采集模块2包括设备运行数据采集单元21和空气数据采集单元22，用于将所检测到的综合设备运行数据和空气数据进行分类汇总生成综合设备运行数据集和空气数据集；

设备运行数据采集单元21用于对综合设备运行数据集进行实时采集，综合设备运行数据集包括设备负荷数据集、压缩机运行数据集和冷却设备运行数据集；

设备负荷数据集包括电流Fdl、电压Fdy、进气压力Fyl、能耗Fnh和运行时长Fsc；

压缩机运行数据集包括压缩机负载Yfz、排气压力Yyl、油温Yyw、油压Yyy、压缩机振动频率Ypl；

冷却设备运行数据集包括冷却介质温度Lwd、冷却介质流量Lll、冷却介质流速Lls、冷却系统清洁度Lqj和水冷泵转速Lzs；

空气数据采集单元22用于对空气数据集进行实时采集，空气数据集包括入口空气温度Krw、入口空气湿度Krs、空气的含尘量Kcl、排气压力Kpy和空气油分含量Kyl。

本实施例中，数据采集模块2分为设备运行数据采集单元21和空气数据采集单元22，具体而言，该模块通过实时采集和分类汇总，形成了综合设备运行数据集和空气数据集，为系统提供了全面而精准的数据支持，设备运行数据采集单元21负责实时采集综合设备运行数据，包括设备负荷数据集、压缩机运行数据集和冷却设备运行数据集，这些数据集涵盖了关键的设备运行参数，通过这些数据的实时采集，系统能够迅速反映设备运行的状态，为后续的深度学习提供了高质量的训练数据，空气数据采集单元22则专注于实时采集与空气有关的数据，这些数据反映了所处环境中的空气对空气压缩机组的影响，为系统提供了外部条件的详细信息，这对于系统理解外部环境变化，调整设备运行参数，实现节能效果具有重要意义，综合而言，数据采集模块2的设计使系统能够获取全面的设备和环境数据，为后续的深度学习模型和综合控制系统提供了坚实的基础，这有助于提高系统的智能化水平和运行效率，实现更好的节能效果。

实施例4

本实施例是在实施例1中进行的解释说明，请参照图1，具体的：深度分析模块3包括深度建模单元31和存储单元32；

深度建模单元31通过传感器组Api应用接口、采用无线连接将传感器所采集到数据实时传输至深度学习模型，用于训练和测试，同时对收集到的数据进行预处理，包括数据清洗、去噪和归一化处理，选择卷积神经网络作为深度学习模型架构，使用传感器组所获取的数据对深度学习模型进行训练，利用已知的正常和异常状态样本，使模型能够学习识别空气压缩机组设备的运行状态，再将训练好的模型部署到实时监测系统中，通过设备传感器获取实时数据，送入深度学习模型进行推断，实时检测设备的运行状态，并检查深度学习模型在正常和异常状态下的准确性和召回率指标，优化深度学习模型的精准性；

存储单元32用于设置SD存储卡连接深度学习模型，存储训练好的深度学习模型，并建立合适的管理系统，确保深度学习模型的版本控制、更新和回滚管理任务，同时设计系统支持模型的持续学习，随着时间的推移，通过不断地引入新的数据进行增量式学习，同时设置运行日志，对空气压缩机组设备在不同时间段的设备运行耗能，进行实时记录和学习，使模型适应设备运行状态的变化，不断地进行迭代与更新对空气压缩机组的各项数据的学习，进一步优化深度学习模型的精准性。

本实施例中，深度分析模块3的设计提供强大的深度学习支持，确保模型的稳定性和持续学习能力，为系统的智能优化和精准控制奠定坚实基础。

实施例5

本实施例是在实施例1中进行的解释说明，请参照图1，具体的：第一计算单元41包括设备负荷计算单元411、压缩机运行计算单元412和冷却设备运行计算单元413；

设备负荷计算单元411用于依据综合设备运行数据集中的设备负荷数据集，无量纲处理后，进行分析计算获取负荷系数Fhxs；

负荷系数Fhxs通过以下公式获取；

。

压缩机运行计算单元412用于依据综合设备运行数据集中的压缩机运行数据集，无量纲处理后，进行分析计算获取压缩机系数Ysxs；

压缩机系数Ysxs通过以下公式获取；

。

冷却设备运行计算单元413用于依据综合设备运行数据集中的冷却设备运行数据集，无量纲处理后，进行分析计算获取冷却系数Lqxs；

冷却系数Lqxs通过以下公式获取；

。

通过将第一计算单元41所获取的负荷系数Fhxs、压缩机系数Ysxs和冷却系数Lqxs，由第三相关联计算单元43无量纲处理后，进行汇总计算获取综合设备运行系数Yxxs，再将所获取的综合设备运行系数Yxxs与第二计算单元42所获取的空气系数Kqxs进行相关联计算，获取综合控制系数Kzxs；

综合控制系数Kzxs通过以下公式获取；

；

式中，b1和b2分别表示综合设备运行系数Yxxs和空气系数Kqxs的预设比例系数，且，b1≠b2，0＜b1＜0.46，0＜b2＜0.57，其具体值由用户调整设置，B表示第二修正常数，第二修正常数的设定通常是通过校准过程来完成的，校准是一种实验手段，通过已知的标准或精确的测量设备，对待测设备进行比较，找出其误差并进行修正。第二修正常数是通过校准过程中确定的，以对测量结果进行修正。

本实施例中，计算获取负荷系数Fhxs，反映了空气压缩机组在运行时产生的负荷耗能，这是系统对设备运行状态的一个关键衡量指标，压缩机系数Ysxs是根据压缩机运行数据集的无量纲处理后的系数，表征了空气压缩机组在不同运行状态下的性能和能效，冷却系数Lqxs通过对冷却设备运行数据集进行无量纲处理后的分析计算获取，反映了空气压缩机组的水冷设备在运行过程中所综合设备运行数据，同时综合设备运行系数Yxxs由负荷系数Fhxs、压缩机系数Ysxs和冷却系数Lqxs汇总计算而得，综合了设备的负荷、压缩机性能和冷却设备效率等因素的一个综合性指标，用于后续与空气系数相关联计算，空气系数Kqxs是由空气数据集计算得到，表示空气对系统运行的影响，然后再与综合设备运行系数Yxxs相关联，共同构成综合控制系数Kzxs，该综合设备运行系数Yxxs是系统中的一个重要参数，综合考虑了设备运行和环境因素，为后续的耗能评估和控制提供了基础。

实施例6

本实施例是在实施例6中进行的解释说明，请参照图1，具体的：耗能评估模块5包括第一评估单元51和第二评估单元52；

第一评估单元51用于预设空气评估阈值H、与第二计算单元42分析计算所获取的空气系数Kqxs进行对比评估，获取相应的评估结果，具体评估方案如下；

当空气系数Kqxs＞空气评估阈值H时，表示当前空气压缩机组所在的工作环境中的空气存在异常，导致空气压缩机组耗能存在异常，此时需要对所处环境设置两台空气过滤器，同时控制所处环境的温湿度和维护清理空气通道的清洁度，并生成第一评估结果；

当空气系数Kqxs≤空气评估阈值H时，表示当前空气压缩机组所在的工作环境中的空气处于正常状态，此时无需生成评估结果，则开启进行二次对比评估机制；

第二评估单元52用于预设设备评估阈值K与第三相关联计算单元43相关联分析所获取的综合控制系数Kzxs进行对比评估，并生成相应的评估结果，具体评估方案如下；

当综合控制系数Kzxs＞设备评估阈值K时，此时表示当前检测空气压缩机组设备存在异常，此时则需要将冷却水流速度提升100%，对管道内部的表面污垢进行冲洗3分钟，同时生成预警，通知工作人员对管道内的固定污垢进行深度清理，保证冷却系统中的水路通畅；

当综合调控系数Tkxs≤设备评估阈值K时，此时则表示当前空气压缩机组因压缩机异常导致耗能异常，此时需要对压缩机设备引入可变频调速技术，通过深度学习模型，精准识别当前时间段，控制空气压缩机组的转速和负载，同时通过智能控制系统调整压缩机的输出压力，同时通过深度学习模型的迭代学习，智能优化压缩机的启停策略，优化频繁启停时的耗能。

本实施例中，通过这一先进的评估机制，系统能够实现对空气压缩机组环境和设备状态的实时、全面监测和智能化控制，这种智能监测不仅在异常运行状态下迅速识别问题，还在正常运行中精准掌握设备性能，这为系统提供了强大的实时反馈和智能调整的能力，使其能够灵敏地应对各种工作环境和设备变化，通过实时监测，系统能够及时发现并响应于空气中可能存在的异常情况，从而迅速采取针对性的措施，这有效降低了异常运行状态下的耗能水平，减少了不必要的损耗，为能源的高效利用提供了坚实保障，智能控制方面，系统通过对设备状态和环境参数的全面分析，能够优化运行策略，提高设备的工作效率，有效地延长了设备的寿命，同时，通过智能调整压缩机运行参数、控制系统的输出压力等手段，系统实现了更加智能、高效和可靠的运行，这使得整个系统在能源利用效率、设备寿命和稳定性等方面都取得了显著的提升。

实施例7

请参阅图1和图2，一种空气压缩机组的节能控制方法，包括以下步骤：

S1、首先在空气压缩机组附近布设检测点，并安装第一检测单元11和安装第二检测单元12，用于对空气压缩机组的综合设备运行数据和所处环境的空气数据进行实时检测；

S2、再通过设备运行数据采集单元21和空气数据采集单元22对设备运行数据和空气数据进行实时采集，对检测到的数据进行分类汇总并生成综合设备运行数据集和空气数据集；

S3、利用深度建模单元31通过设置卷积神经网络进行数据预处理、清洗、去噪和归一化，构建深度学习模型，使用已知正常和异常状态样本进行深度学习模型的训练，部署训练好的模型到实时监测系统中，并通过设置存储单元32对数据进行记录；

S4、再通过第一计算单元41和第二计算单元42，分析计算负荷系数Fhxs、压缩机系数Ysxs、冷却系数Lqxs和空气系数Kqxs，通过第三相关联计算单元43，汇总分析生成综合设备运行系数Yxxs，再与空气系数Kqxs相关联计算生成综合控制系数Kzxs；

S5、最后再由耗能评估模块5预设空气评估阈值H与空气系数Kqxs进行初步对比评估，生成相应的评估结果，并通过预设设备评估阈值K与综合控制系数Kzxs进行二次对比评估生成相应的耗能控制结果。

具体示例：

负荷系数Fhxs：

；

电流Fdl：7.82，电压Fdy：5.47，进气压力Fyl：3.64，能耗Fnh：8.19，运行时长Fsc：2.93；

压缩机系数Ysxs：

；

压缩机负载Yfz：3.24，排气压力Yyl：14.28，油温Yyw：8.54，油压Yyy：9.43，压缩机振动频率Ypl：11.78；

冷却系数Lqxs：

；

冷却介质温度Lwd：3.92，冷却介质流量Lll：8.63，冷却介质流速Lls：7.25，冷却系统清洁度Lqj：5.58，水冷泵转速Lzs：4.91；

综合设备运行系数Yxxs：

；

比例系数a1=0.8，a2=0.02，a3=0.2第一修正常数A：0.08；

空气系数Kqxs：

；

入口空气温度Krw：9.12，入口空气湿度Krs：6.29，空气的含尘量Kcl：3.15，排气压力Kpy：8.08，空气油分含量Kyl：7.96；这里的入口特指的是空气压缩机的进气口。

综合控制系数Kzxs：

；

比例系数：b1=0.17，b2=0.13，第二修正常数B：0.08；

其中，计算结果均取小数点后两位；

将空气评估阈值H设置为1，设备评估阈值K设置为1，此时空气系数Kqxs≤空气评估阈值H时，表示当前空气压缩机组所在的工作环境中的空气处于正常状态，此时无需生成评估结果，则开启进行二次对比评估机制；

当综合控制系数Kzxs＞设备评估阈值K时，此时表示当前检测空气压缩机组设备存在异常，此时则需要将冷却水流速度提升100%，对管道内部的表面污垢进行冲洗3分钟，同时生成预警，通知工作人员对管道内的固定污垢进行深度清理，保证冷却系统中的水路通畅。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种空气压缩机组的节能控制系统，其特征在于：包括数据检测模块（1）、数据采集模块（2）、深度分析模块（3）、数据计算模块（4）和耗能评估模块（5）；

所述数据检测模块（1）用于在空气压缩机组的附近布设若干检测点，并安装检测设备，分别对空气压缩机组的综合设备运行数据和空气数据进行实时检测，并由数据采集模块（2）对于所检测到的综合设备运行数据和空气数据进行分类汇总后生成综合设备运行数据集和空气数据集；

所述深度分析模块（3）通过构建深度学习模块，设置智能学习与迭代功能，对空气压缩机组所检测到的综合设备运行数据和空气数据进行深度学习，识别空气压缩机组在不同运行情况下的耗能，并根据不同的耗能结果进行实时记录至存储数据库；

所述数据计算模块（4）包括第一计算单元（41）、第二计算单元（42）和第三相关联计算单元（43），所述第一计算单元（41）用于依据综合设备运行数据集提取设备负荷数据集、压缩机运行数据集和冷却设备运行数据集，无量纲处理后，进行分析计算获取负荷系数Fhxs、压缩机系数Ysxs和冷却系数Lqxs，再由第二计算单元（42）依据空气数据集，无量纲处理后，进行分析计算获取空气系数Kqxs；再由所述第三相关联计算单元（43）用于将负荷系数Fhxs、压缩机系数Ysxs和冷却系数Lqxs进行汇总分析，生成综合设备运行系数Yxxs，并综合设备运行系数Yxxs与空气系数Kqxs进行相关联，生成综合控制系数Kzxs；

所述综合设备运行系数Yxxs和空气系数Kqxs通过以下公式获取：

；

；

式中，a1、a2和a3表示负荷系数Fhxs、压缩机系数Ysxs和冷却系数Lqxs的预设比例系数，其具体值由用户调整设置，A表示第一修正常数；

Krw表示入口空气温度，Krs表示入口空气湿度，Kcl表示空气的含尘量，Kpy表示排气压力，Kyl表示空气油分含量；

所述耗能评估模块（5）用于预设空气评估阈值H与空气系数Kqxs进行初步对比评估，生成相应的评估结果，并通过预设设备评估阈值K与综合控制系数Kzxs进行二次对比评估，生成相应的耗能控制结果。

2.根据权利要求1所述的一种空气压缩机组的节能控制系统，其特征在于：所述数据检测模块（1）包括第一检测单元（11）和第二检测单元（12）；

所述第一检测单元（11）包括第一集成传感器组、第二集成传感器组和第三集成传感器组；

所述第一集成传感器组包括电流传感器、电压传感器、压力传感器、能量计和运行时长计时器；

所述第二集成传感器组包括负载传感器、排气压力传感器、油温传感器、油压传感器和振动频率传感器；

所述第三集成传感器组包括冷却介质温度传感器、冷却介质流量传感器、冷却介质流速传感器、冷却系统清洁度传感器和水冷泵转速传感器；

所述第二检测单元（12）包括用于实时检测空气数据的第四集成传感器组，所述第四集成传感器组包括空气温度传感器、空气湿度传感器、粒子计数器、压阻传感器和空气油分含量传感器。

3.根据权利要求1所述的一种空气压缩机组的节能控制系统，其特征在于：所述数据采集模块（2）包括设备运行数据采集单元（21）和空气数据采集单元（22），用于将所检测到的综合设备运行数据和空气数据进行分类汇总，生成综合设备运行数据集和空气数据集；

所述设备运行数据采集单元（21）用于对综合设备运行数据集进行实时采集，所述综合设备运行数据集包括设备负荷数据集、压缩机运行数据集和冷却设备运行数据集；

所述设备负荷数据集包括电流Fdl、电压Fdy、进气压力Fyl、能耗Fnh和运行时长Fsc；

所述压缩机运行数据集包括压缩机负载Yfz、排气压力Yyl、油温Yyw、油压Yyy、压缩机振动频率Ypl；

所述冷却设备运行数据集包括冷却介质温度Lwd、冷却介质流量Lll、冷却介质流速Lls、冷却系统清洁度Lqj和水冷泵转速Lzs；

所述空气数据采集单元（22）用于对空气数据集进行实时采集，所述空气数据集包括入口空气温度Krw、入口空气湿度Krs、空气的含尘量Kcl、排气压力Kpy和空气油分含量Kyl。

4.根据权利要求1所述的一种空气压缩机组的节能控制系统，其特征在于：所述深度分析模块（3）包括深度建模单元（31）和存储单元（32）；

所述深度建模单元（31）通过传感器组Api应用接口采用无线连接将传感器组所采集到数据实时传输至深度学习模型，用于训练和测试，同时对收集到的数据进行预处理，包括数据清洗、去噪和归一化处理，选择卷积神经网络作为深度学习模型架构，使用传感器组所获取的数据，对深度学习模型进行训练，利用已知的正常和异常状态样本，使深度学习模型能够识别空气压缩机组的运行状态，再将训练好的深度学习模型部署到实时监测系统中，通过传感器组获取实时数据，并将实时数据送入深度学习模型进行推断，实时检测空气压缩机组的运行状态，并检查深度学习模型在正常和异常状态下的准确性和召回率指标，优化深度学习模型的精准性；

所述存储单元（32）用于设置SD存储卡连接深度学习模型，存储训练好的深度学习模型，并建立合适的管理系统，确保深度学习模型的版本控制、更新和回滚管理任务，同时设计系统支持深度学习模型的持续学习，随着时间的推移，通过不断地引入新的数据进行增量式学习，同时设置运行日志，对空气压缩机组在不同时间段的运行耗能进行实时记录和学习，使深度学习模型适应设备运行状态的变化，不断地迭代与更新对空气压缩机组的各项数据的学习，进一步优化深度学习模型的精准性。

5.根据权利要求3所述的一种空气压缩机组的节能控制系统，其特征在于：所述第一计算单元（41）包括设备负荷计算单元（411）、压缩机运行计算单元（412）和冷却设备运行计算单元（413）；

所述设备负荷计算单元（411）用于依据综合设备运行数据集中的设备负荷数据集，无量纲处理后，进行分析计算获取负荷系数Fhxs；

所述负荷系数Fhxs通过以下公式获取；

。

6.根据权利要求5所述的一种空气压缩机组的节能控制系统，其特征在于：所述压缩机运行计算单元（412）用于依据综合设备运行数据集中的压缩机运行数据集，无量纲处理后，进行分析计算获取压缩机系数Ysxs；

所述压缩机系数Ysxs通过以下公式获取；

。

7.根据权利要求5所述的一种空气压缩机组的节能控制系统，其特征在于：所述冷却设备运行计算单元（413）用于依据综合设备运行数据集中的冷却设备运行数据集，无量纲处理后，进行分析计算获取冷却系数Lqxs；

所述冷却系数Lqxs通过以下公式获取；

。

8.根据权利要求5所述的一种空气压缩机组的节能控制系统，其特征在于：通过将第一计算单元（41）所获取的负荷系数Fhxs、压缩机系数Ysxs和冷却系数Lqxs，由第三相关联计算单元（43）无量纲处理后，进行汇总计算获取综合设备运行系数Yxxs，再将所获取的综合设备运行系数Yxxs与第二计算单元（42）所获取的空气系数Kqxs进行相关联计算，获取综合控制系数Kzxs；

所述综合控制系数Kzxs通过以下公式获取；

；

式中，b1和b2分别表示综合设备运行系数Yxxs和空气系数Kqxs的预设比例系数，其具体值由用户调整设置，B表示第二修正常数。

9.根据权利要求1所述的一种空气压缩机组的节能控制系统，其特征在于：所述耗能评估模块（5）包括第一评估单元（51）和第二评估单元（52）；

所述第一评估单元（51）用于预设空气评估阈值H与第二计算单元（42）分析计算所获取的空气系数Kqxs进行对比评估，获取相应的评估结果，具体评估方案如下；

当空气系数Kqxs＞空气评估阈值H时，表示当前空气压缩机组所在的工作环境中的空气存在异常，导致空气压缩机组耗能存在异常，此时需要对所处环境设置两台空气过滤器，同时控制所处环境的温湿度和维护清理空气通道的清洁度，并生成第一评估结果；

当空气系数Kqxs≤空气评估阈值H时，表示当前空气压缩机组所在的工作环境中的空气处于正常状态，此时无需生成评估结果，则开启进行二次对比评估机制；

所述第二评估单元（52）用于预设设备评估阈值K与第三相关联计算单元（43）相关联分析所获取的综合控制系数Kzxs进行对比评估，并生成相应的评估结果，具体评估方案如下；

当综合控制系数Kzxs＞设备评估阈值K时，此时表示当前检测空气压缩机组设备存在异常，此时则需要将冷却水流速度提升100%，对管道内部的表面污垢进行冲洗3分钟，同时生成预警，通知工作人员对管道内的固定污垢进行深度清理，保证冷却系统中的水路通畅；

当综合调控系数Tkxs≤设备评估阈值K时，此时则表示当前空气压缩机组因压缩机异常，导致耗能异常，此时需要对压缩机设备引入可变频调速技术，通过深度学习模型，精准识别当前时间段，控制空气压缩机组的转速和负载，同时通过智能控制系统调整压缩机的输出压力，同时通过深度学习模型的迭代学习，智能优化压缩机的启停策略，优化频繁启停时的耗能。

10.一种空气压缩机组的节能控制方法，包括上述权利要求1~9任一项所述的一种空气压缩机组的节能控制系统，其特征在于：包括以下步骤：

S1、首先在空气压缩机组附近布设检测点，并安装第一检测单元（11）和第二检测单元（12），用于对空气压缩机组的综合设备运行数据和所处环境的空气数据进行实时检测；

S2、再通过设备运行数据采集单元（21）和空气数据采集单元（22），对综合设备运行数据进行实时采集，对检测到的数据进行分类汇总并生成综合设备运行数据集和空气数据集；

S3、利用深度建模单元（31）通过设置卷积神经网络进行数据预处理、清洗、去噪和归一化，构建深度学习模型，使用已知正常和异常状态样本进行深度学习模型的训练，部署训练好的模型到实时监测系统中，并通过设置存储单元（32）对数据进行记录；

S4、再通过第一计算单元（41）和第二计算单元（42），分析计算负荷系数Fhxs、压缩机系数Ysxs、冷却系数Lqxs和空气系数Kqxs，通过第三相关联计算单元（43），汇总分析生成综合设备运行系数Yxxs，再与空气系数Kqxs相关联计算生成综合控制系数Kzxs；

S5、最后再由所述耗能评估模块（5）预设空气评估阈值H与空气系数Kqxs进行初步对比评估，生成相应的评估结果，并通过预设设备评估阈值K与综合控制系数Kzxs进行二次对比评估生成相应的耗能控制结果。