基于人工智能的燃气调压设备故障预测方法技术

本发明专利技术公开了一种基于人工智能的燃气调压设备故障预测方法，包括S1、获取调压器运行状态的状态参数，并根据调压器运行状态和状态参数之间的关联，确认核心状态参数；S2、根据核心状态参数，构建调压器正常运行状态下的关系模型；S3、基于关系模型对调压器故障参数进行模拟，根据提取的模拟故障特征，构建调压器故障预测模型，并基于调压器故障预测模型对调压器进行故障预测诊断，得到故障预测类型。本发明专利技术通过构建调压器正常运行状态下的关系模型，利用调压器故障成因分析成果对调压器故障相关参数进行模拟，通过对模拟的故障数据进行分析处理，提取故障特征，从而得到调压器故障预测模型，进而实现对调压器故障类别的预测。进而实现对调压器故障类别的预测。进而实现对调压器故障类别的预测。

【技术实现步骤摘要】
基于人工智能的燃气调压设备故障预测方法


[0001]本专利技术属于燃气调压器故障预测的
，具体涉及一种基于人工智能的燃气调压设备故障预测方法。

技术介绍

[0002]每年数千亿立方米的天然气消费量为我国燃气输配设施带来严峻的考验，而在燃气输配设施中最核心的便是燃气调压器，又叫调压阀、减压阀、稳压阀等，以下统称调压器，燃气调压器工作是否正常不仅关系到燃气的输配是否顺畅，同时调压器故障还可能导致安全事故发生，所以对调压器故障的处理是燃气输配工作的重中之重。
[0003]最常见的燃气调压器信息化管理方式为通过站控系统对调压器进出口压力和流量等数据进行监测，通过设置压力、流量等数据的上下限阈值来进行监控报警。采用这种方式具有明显的弊端：首先当燃气调压器发生故障并造成运行数据报警后才能被发现，同时报警信息并不能表明是具体哪种故障。
[0004]随着人工智能等新兴技术的发展，已经有技术人员在尝试智能化的燃气调压器故障诊断方法，但是目前的方法主要都是对已经发生的故障类型进行诊断，不能实现提前预测，同时能够判断的也只是调压器憋压、供气能力不足等表象故障，不能精确到调压器内部具体的故障原因和故障模块。同时由于调压器真实故障数据获取困难且数据量小等原因，目前的技术都还无法达到规模化应用要求。

技术实现思路

[0005]本专利技术的目的在于针对现有技术中的上述不足，提供一种基于人工智能的燃气调压设备故障预测方法，以解决现有技术只能对已经发生的故障类型进行诊断，不能实现提前预测的问题。
[0006]为达到上述目的，本专利技术采取的技术方案是：一种基于人工智能的燃气调压设备故障预测方法，其包括：步骤S1、获取调压器运行状态的状态参数，并根据调压器运行状态和状态参数之间的关联，确认核心状态参数；步骤S2、根据核心状态参数，构建调压器正常运行状态下的关系模型；步骤S3、基于关系模型对调压器故障参数进行模拟，根据提取的模拟故障特征，构建调压器故障预测模型，并基于调压器故障预测模型对调压器进行故障预测诊断，得到故障类型。
[0007]进一步地，步骤S1中获取调压器运行状态的状态参数，并根据调压器运行状态和状态参数之间的关联，确认核心状态参数为调压器出口压力P2和调压器驱动压力P3。
[0008]进一步地，步骤S2中根据核心状态参数，构建调压器正常运行状态下的关系模型，包括：步骤S2.1、采用散点图矩阵进行核心状态参数的特征值关联度筛选，并采用平滑
滤波处理筛选后的关联度特征值数据；步骤S2.2、对处理后的关联度特征值数据的输入输出训练样本组合进行曲线拟合，提取特征参数；步骤S2.3、基于多项式回归，构建得到调压器正常工作下的含参模型和正常工作的预测曲线；含参模型为：其中，a、b为参数；正常工作的预测曲线为：其中，y
i
为经过平滑滤波后得到的序列，P3(i)为传感器得到的P3值序列，P2(i)为预测得到的P2值序列；步骤S2.4、基于含参模型和预测曲线进行故障判断和预警。
[0009]进一步地，步骤S2.1中采用散点图矩阵进行核心状态参数的特征值关联度筛选，并采用平滑滤波处理筛选后的关联度特征值数据，包括：采用移动平均滤波方法处理时间关联序列：其中，x
i
是输入的序列，n为输入的序列x
i
的序列长度，x
i
‑
n
为第i
‑
n个输入点，x
i+n
为第i+n个输入点。
[0010]进一步地，步骤S2.4中基于含参模型和预测曲线进行故障判断和预警，包括：将P3的序列输入含参模型得到预测序列；将预测序列和真实值 P2的序列做差，得到判定序列；若判定序列数值<预设的偏差包容度γ时，则工作正常；若判定序列数值>预设的偏差包容度γ时，则进入等待计数，发出提示；若判定序列数值>预设的偏差包容度γ时，且计数长度到达m，则发出警报。
[0011]进一步地，步骤S3中基于关系模型对调压器故障参数进行模拟，根据提取的模拟故障特征，构建调压器故障预测模型，并基于调压器故障预测模型对调压器进行故障预测诊断，得到故障类型，包括：步骤S3.1、采用趋势结合噪声的方法模拟调压器故障参数，得到不同故障下的调压器出口压力P2和调压器驱动压力 P3数据组；步骤S3.2、基于曲线拟合，构建故障模型库；步骤S3.3、将获取的调压器特征值输入故障模型库中的各个预测模型中，输出故障分类结果表和可能性清单；步骤S3.4、基于KNN神经网络，进行数据分类和预测报警。
[0012]进一步地，步骤S3.2中基于曲线拟合，构建故障模型库，包括：步骤S3.2.1、将故障模拟得到的序列进行关联度筛选；
步骤S3.2.2、对选择后的序列进行平滑滤波，去除高斯噪音，得到平滑的曲线和序列；步骤S3.2.3、将平滑后的序列进行拟合，根据曲线特征确定拟合函数；步骤S3.2.4、对拟合函数进行变换，得到P2、P3的关系函数，将P2、P3的关系函数的参数作为模型库的存储参数，并根据存储参数的分类存储，构建故障模型库。
[0013]进一步地，步骤S3.3中将获取的调压器特征值输入故障模型库中的各个预测模型中，输出故障分类结果表和可能性清单，包括：步骤S3.3.1、使用调压器正常曲线的参数并且从故障模型库中调用各种具体故障的曲线参数，输入预设时间段内的P3的采样值，代入P2、P3的关系函数得到曲线簇；步骤S3.3.2、将曲线簇的值和传感器得到的真实值做差，得到判断序列簇，每个预测曲线对实际曲线进行卡方检验：其中，x2为卡方值，其中T是预测曲线的值，A为真实曲线的值；每个预测曲线得到一个卡方值，卡方值越小符合度越高；步骤S3.3.3、输出每个故障分类小类或正常状态的卡方值表，按升序排序，卡方值最小的故障概率越高。
[0014]进一步地，S3.4中基于KNN神经网络，进行数据分类和快速的预测报警，包括：步骤S3.4.1、初始化训练集合和类别集合，将各个大类的故障数据点标记为特定的故障，正常运行状态下的数据点标记为正常；步骤S3.4.2、输入判断的数据点，计算和各个标记点的欧几里得距离：其中，t
i
为数据点第i个特征的值，e
i
为故障点第i个特征的值，d(t,e) 为数据点t和故障数据标记点e的欧式距离，p为数据特征的个数；对输入数据的每个数据点分别进行欧氏距离的计算，按照距离递增关系排序，每个数据点得到一个欧式距离表单；步骤S3.4.3、选择欧式距离表单中递增排序的前K位，K值为10，提取每个k邻近点的标记种类，对每个点的距离加权，使得距离近的点获得更大的值，采用反比平方例Square Inverse方法加权，得到修正距离weight：其中，c为校正常数；并计算出现种类的点的类别数量，统计各个种类点出现概率；步骤S3.4.4、使用多数表决规则，根据概率表中的最高概率项决定输入数据的数据点属于的类。
[0015]本专利技术提供的基于人工智能的燃气调压设本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的燃气调压设备故障预测方法，其特征在于，包括：步骤S1、获取调压器运行状态的状态参数，并根据调压器运行状态和状态参数之间的关联，确认核心状态参数；步骤S2、根据核心状态参数，构建调压器正常运行状态下的关系模型；步骤S3、基于关系模型对调压器故障参数进行模拟，根据提取的模拟故障特征，构建调压器故障预测模型，并基于调压器故障预测模型对调压器进行故障预测诊断，得到故障类型。2.根据权利要求1所述的基于人工智能的燃气调压设备故障预测方法，其特征在于：步骤S1中获取调压器运行状态的状态参数，并根据调压器运行状态和状态参数之间的关联，确认核心状态参数为调压器出口压力P2和调压器驱动压力P3。3.根据权利要求2所述的基于人工智能的燃气调压设备故障预测方法，其特征在于，步骤S2中根据核心状态参数，构建调压器正常运行状态下的关系模型，包括：步骤S2.1、采用散点图矩阵进行核心状态参数的特征值关联度筛选，并采用平滑滤波处理筛选后的关联度特征值数据；步骤S2.2、对处理后的关联度特征值数据的输入输出训练样本组合进行曲线拟合，提取特征参数；步骤S2.3、基于多项式回归，构建得到调压器正常工作下的含参模型和正常工作的预测曲线；含参模型为：其中，a、b为参数；正常工作的预测曲线为：其中，y
i
为经过平滑滤波后得到的序列，P3(i)为传感器得到的P3值序列，P2(i)为预测得到的P2值序列；步骤S2.4、基于含参模型和预测曲线进行故障判断和预警。4.根据权利要求3所述的基于人工智能的燃气调压设备故障预测方法，其特征在于，步骤S2.1中采用散点图矩阵进行核心状态参数的特征值关联度筛选，并采用平滑滤波处理筛选后的关联度特征值数据，包括：采用移动平均滤波方法处理时间关联序列：其中，x
i
是输入的序列，n为输入的序列x
i
的序列长度，x
i
‑
n
为第i
‑
n个输入点，x
i+n
为第i+n个输入点。5.根据权利要求4所述的基于人工智能的燃气调压设备故障预测方法，其特征在于，步骤S2.4中基于含参模型和预测曲线进行故障判断和预警，包括：
将P3的序列输入含参模型得到预测序列；将预测序列和真实值 P2的序列做差，得到判定序列；若判定序列数值<预设的偏差包容度γ时，则工作正常；若判定序列数值>预设的偏差包容度γ时，则进入等待计数，发出提示；若判定序列数值>预设的偏差包容度γ时，且计数长度到达m，则发出警报。6.根据权利要求5所述的基于人工智能的燃气调压设备故障预测方法，其特征在于，步骤S3中基于关系模型对调压器故障参数进行模拟，根据提取的模拟故障特征，构建调压器故障预测模型，并基于调压器故障预测模型对调压器进行故障预测诊断，得到故障类型，包括...

【专利技术属性】
技术研发人员：卓小军，张天江，丁如枫，杜桂生，李德辉，石宇，
申请(专利权)人：四川九门科技股份有限公司，
类型：发明
国别省市：