一种燃气调压器故障监测方法和装置制造方法及图纸

本申请公开了一种燃气调压器故障监测方法和装置，采用神经网络的方法，构建以所述燃气调压器的运行参数为输入，以所述燃气调压器的运行状态为输出的故障诊断模型；选取所述燃气调压器的历史维检数据库中运行参数与相应的运行状态组成训练集，对所述故障诊断模型进行训练；将实时监测的所述燃气调压器的运行参数输入训练后的故障诊断模型，得到所述燃气调压器的当前运行状态，以判断所述燃气调压器当前是否处于故障状态或者某个关键部件是否发生故障。生故障。生故障。

【技术实现步骤摘要】
一种燃气调压器故障监测方法和装置


[0001]本申请涉及燃气设备
，尤其涉及一种燃气调压器故障监测方法和装置。

技术介绍

[0002]燃气调压器是调节和稳定燃气管网压力的关键设备，在燃气输配系统中起着重要作用。而在实际运行中，往往会因为下游用气量的变化和上游压力的变化而使下游压力发生不断变化，从而导致燃气调压器的运行状态急剧变化，大大增加其发生故障的概率。
[0003]目前常用的燃气调压器故障诊断方式是，专业人员通过分析压力表纸和自动仪表采集的数据，然后依据经验来判定燃气调压器是否处在正常运行状态。有些燃气调压器即使没有问题或是没有在用，仍需要定期进行维护与检修，消耗了大量的人力和物力，导致运维成本大大增加。。

技术实现思路

[0004]本专利技术为解决目前的燃气调压器故障诊断方式不够方便、智能，浪费人力、物力，成本较高的技术问题，提供了一种燃气调压器故障监测方法和装置。
[0005]本申请实施例提出一种燃气调压器故障监测方法，包括以下步骤：
[0006]采用神经网络的方法，构建以所述燃气调压器的运行参数为输入，以所述燃气调压器的运行状态为输出的故障诊断模型；
[0007]选取所述燃气调压器的历史维检数据库中运行参数与相应的运行状态组成训练集，对所述故障诊断模型进行训练；
[0008]将实时监测的所述燃气调压器的运行参数输入训练后的故障诊断模型，得到所述燃气调压器的当前运行状态，以判断所述燃气调压器当前是否处于故障状态或者某个关键部件是否发生故障。
>[0009]优选地，所述故障诊断模型为采用5层深度神经网络，包括4个隐含层和一个输出层。
[0010]优选地，采用梯度下降法利用数据训练集对故障诊断模型进行训练，经过故障诊断模型输出的结果为调压器的运行状态以及调压器关键部位或部件发生故障的概率。
[0011]优选地，所述运行参数包括以下至少一个参数及组合：
[0012]进出口压力、进出口流量、温度、阀口开度、P2、P3压力
[0013]优选地，所述运行状态包括：正常运行、喘振状态、下游供压不足和下游供压过度；其中，喘振状态、下游供压不足和下游供压过度为故障状态。
[0014]在本申请任意一个实施例中，如果所述燃气调压器处在故障状态，则发出报警。
[0015]在本申请任意一个实施例中，优选地，在训练时，将训练集分成多个子集，对每一个子集，将其中的样本送入网络，计算误差函数；利用微分不变性构建误差逆传播机制，计算误差函数关于网络参数的梯度，沿着梯度的反方向更新网络参数。
[0016]优选地，所述关键部件包含以下至少一个：调压器部件、过滤器部件、爆管部件。
[0017]优选地，所述误差函数，使用均方误差。
[0018]本申请还提出一种燃气调压器故障监测装置，用于实现本申请任意一项实施例所述方法，包含：输入模块、显示模块、处理模块；
[0019]所述输入模块，用于采集现场输入数据；
[0020]所述处理模块，用来实施故障诊断模型、得到运行状态信息；
[0021]所述显示模块，用于显示实时的运行状态和故障报警提示。
[0022]本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
[0023]能够方便智能地实现对燃气调压器的故障监测，能够科学、经济、高效地保障燃气调压器的安全运行，从而优化生产运行管理方式，节约设备维护成本，在很大程度上提高燃气管网系统总体的智能化水平和安全可靠性。
附图说明
[0024]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0025]图1为本专利技术实施例的燃气调压器故障监测方法的流程图；
[0026]图2为本专利技术另一个实施例的燃气调压器故障监测方法的流程图；
[0027]图3为本专利技术实施例的燃气调压器故障监测装置的方框示意图。
具体实施方式
[0028]为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
[0029]以下结合附图，详细说明本申请各实施例提供的技术方案。
[0030]图1为本专利技术实施例的燃气调压器故障监测方法的流程图；
[0031]一种燃气调压器故障监测方法，包括以下步骤：
[0032]步骤S1、构建以所述燃气调压器的运行参数为输入，以所述燃气调压器的运行状态为输出的故障诊断模型；
[0033]优选地，所述故障诊断模型为采用5层深度神经网络，包括4个隐含层和一个输出层；
[0034]步骤S2、选取所述燃气调压器的历史维检数据库中运行参数与相应的运行状态组成训练集，对所述故障诊断模型进行训练；
[0035]所述运行参数包括进出口压力、进出口流量、温度、阀口开度、P2、P3压力，所述运行状态包括正常运行、喘振状态、下游供压不足和下游供压过度，其中，喘振状态、下游供压不足和下游供压过度为故障状态。所述关键部件故障包括调压器故障、过滤器故障以及爆管故障。
[0036]其中，所述训练集中的运行参数以相应的特征向量表示。
[0037]采用梯度下降法利用数据训练集对故障诊断模型进行训练，经过故障诊断模型输出的结果为调压器的运行状态以及调压器关键部位、部件发生故障的概率。
[0038]所述神经网络训练的目的是学习隐含在数据中的规律，而不是为了拟合数据本身。所以神经网络训练的目标是通过拟合训练集，从而在测试集上取得良好效果。在训练网络时，首先要将现有数据集划分为训练集与测试集。每一个样本包含两部分：(x,y)，x是模型输入，常称作特征向量，y是模型的期望输出，常称作标签或者教师信号。模型训练时使用训练集，(x,y)均为已知量。样本的特征x被依次送入神经网络，获得实际输出y'。通过计算y与y'的误差，采用误差逆传播与梯度下降更新网络参数。在测试阶段，测试集中特征向量x被输入模型，通过与期望输出y比较来评判网络性能，但是不更新网络参数。在实际使用阶段，只能获取到特征向量x，期望输出未知。将特征向量输入模型后，模型给出预测值，作为后续决策的参考。
[0039]神经网络的训练基于误差逆传播与梯度下降，本质上是一种迭代非凸优化技术。基于项目需求，考虑到经典均方误差作在理论上比较完备，故采用其作为误差函数：
[0040][0041]在训练时，将训练集分成多个子集，对每一个子集X(也即Batch)，将其中的样本送入网络，计算误差L(X；w,b)，即样本子集X对应的均方误差。然后利用微分不变性构建误差逆传播机制，计算误差函数L(X；w,b)关于网络参数w,b的梯度，沿着梯度的反方向本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种燃气调压器故障监测方法，其特征在于，包括以下步骤：采用神经网络的方法，构建以所述燃气调压器的运行参数为输入，以所述燃气调压器的运行状态为输出的故障诊断模型；选取所述燃气调压器的历史维检数据库中运行参数与相应的运行状态组成训练集，对所述故障诊断模型进行训练；将实时监测的所述燃气调压器的运行参数输入训练后的故障诊断模型，得到所述燃气调压器的当前运行状态，以判断所述燃气调压器当前是否处于故障状态或者某个关键部件是否发生故障。2.如权利要求1所述燃气调压器故障监测方法，其特征在于，所述故障诊断模型为采用5层深度神经网络，包括4个隐含层和一个输出层。3.如权利要求1所述燃气调压器故障监测方法，其特征在于，采用梯度下降法利用数据训练集对故障诊断模型进行训练，经过故障诊断模型输出的结果为调压器的运行状态以及调压器关键部位或部件发生故障的概率。4.如权利要求1所述燃气调压器故障监测方法，其特征在于，所述运行参数包括以下至少一个参数及组合：进出口压力、进出口流量、温度、阀口开度、P2、P3压力。5.如权利要求1所述燃气调压器故障监测方法，其特征在于，所述运行...

【专利技术属性】
技术研发人员：韩一梁，
申请(专利权)人：北京无线电计量测试研究所，
类型：发明
国别省市：