一种加气站异常诊断系统及方法技术方案

本发明专利技术提出了一种加气站异常诊断系统及方法，涉及加气站异常诊断技术领域，将采集的加气站工作状态数据实时传输到数据化装置进行数据化处理，将数据化处理后的数据传输到存储装置进行存储；对存储装置中存储的数据进行分析处理，生成多个模态分量；对多个模态分量建立预测模型，利用训练数据训练所述预测模型；构建对数似然函数，采用梯度算法,判断对数似然函数的梯度是否低于阈值，从而判断加气站的工作状态数据是否符合预期值。实现了对加气站的正常安全运行进行全方位的诊断和危险预警。警。警。

【技术实现步骤摘要】
一种加气站异常诊断系统及方法


[0001]本专利技术涉及加气站异常诊断
，具体涉及一种加气站异常诊断系统及方法。

技术介绍

[0002]天然气广泛应用于工业、民用、交通等多种领域，在天然气管道没有覆盖到的场所，多数采用LNG或CNG做补充天然气的供给，LNG主要成分是甲烷，无色、无味、无毒且无腐蚀性，其体积约为同量气态天然气体积的1/625。在所有的清洁燃料中，天然气以其应用技术成熟、安全可靠、低温、气液膨胀比大、能效高易于运输和储存、经济可行而被世界许多国家和专家视为目前最适宜的汽车替代燃料。汽车使用天然气作为动力燃料，对减少大气污染、改善环境将会起到积极的推动作用。
[0003]加气站的主要工作流程是将液化天然气运输至加气站LNG(LiquefyNanuralGas，液化天然气)储罐进行储存，再通过高压柱塞泵和高压汽化器将液化天然气进行压缩，再将压缩后的天然气储存在高、中、低压储罐，通过加气机为CNG槽车进行加气。因天然气的危险性，例如温度或压力过高，天然气有可能发生爆炸影响周围人和物的安全，因此需对加气过程进行控制。
[0004]随着压缩天然气加气站业务的快速发展，加气站能耗总量和能耗比重均快速上升，其中电耗占了总能耗的30％。为了提高加气站的工作效率、减少不必要的能量消费，需要对加气站的大功率设备的运行进行实时在线监测。压缩天然气常规站的主要用电设备包括：干燥系统中的离心压缩机、电加热器、冷凝泵，压缩天然气压缩系统中的压缩机、冷凝器等。液化天然气站的主要用电设备包括潜液泵撬中的潜液泵，柱塞泵撬中的柱塞泵、辅电加热器等；压缩天然气液压平推子站中的主要用电设备有液压油泵等；常规子站的主要用电设备有活塞式压缩机等。目前，加气站中实时在线检测的对象主要是压缩天然气储气瓶中的压力、温度，液化天然气储罐中的液位、压力、温度等，尚无对加气站重要用电设备的功率进行实时在线检测及分析的仪器，尚不能对加气站的正常安全运行进行全方位的检测和危险预警。
[0005]LNG天然气加气站日常运行时，工作人员定时巡检记录LNG加气站内各设备的运行状态及运行数据，非常麻烦，一旦运行出现异常，专业维修人员不在现场不能及时进行指导维修，维修时间效率慢，造成LNG加气站长时间停止使用。

技术实现思路

[0006]为了解决上述技术问题，本专利技术提出了一种加气站异常诊断方法，包括如下步骤：S1，采集在线传感器上传的加气站工作状态数据；S2，将采集的加气站工作状态数据实时传输到数据化装置进行数据化处理，将数据化处理后的数据传输到存储装置进行存储；S3，对存储装置中存储的数据进行分析处理，生成多个模态分量；
S4，对多个模态分量建立预测模型，利用训练数据训练所述预测模型；S5，构建对数似然函数，采用梯度算法,判断对数似然函数的梯度是否低于阈值，从而判断加气站的工作状态数据是否符合预期值。
[0007]进一步地，步骤S3包括：S31、利用模态分解算法对数据x(n)进行模态分解；将高斯白噪声信号加入数据x(n)中，其中，i=1，2，
…
，I，n表示数据中包含的种类，其中Ｉ为添加高斯白噪声信号的次数，利用模态分解算法计算得到第一个模态分量f1：；式中，f
1i
表示第i次添加高斯白噪声信号后进行模态分解所得的第1个分量；i=1,2,3
…
I；S32、去除数据x(n)中的第1个模态分量f1，得到第1个余量信号r1(n)，r1(n)=x(n)－f1；S33、完善余量信号r1(n)，得到完善信号R1(n)：；其中，i=1,2,3
…
I；式中，N
i
(n)为高斯白噪声信号；为控制添加高斯白噪声信号的幅值；E1()为模态分解给定信号的第1个模态算子；对完善信号R1(n)进行模态分解，计算得到第2个模态分量f2：；S34、计算第k个余量信号r
k
(n)和第k+1个模态分量f
k+1
：；；其中，r
k
‑1(n)为第k
‑
1个余量信号，f
k
为第k个模态分量，为控制添加噪声信号的幅值；E
k
()为模态分解给定信号的第k个模态算子。
[0008]进一步地，步骤S4包括：对每一个模态分量状态(f,r(n))，其联合组态能量定义如下：；式中：f
i
为第i个模态分量，为第j个余量信号，a
i
和b
j
分别为模态分量i和余量信号j的偏置，w
j,i
为模态分量和余量信号之间的连接权重，为模型参数；模态分量状态(f,r(n))的联合概率分布为：；式中:为归一化因子；第j个余量信号的激活概率为:
；同样得到第i个模态分量激活概率为：；式中, 表示激活函数。
[0009]进一步地，步骤S5包括：对数似然函数为：；式中:S为训练样本集合,K为训练样本个数；梯度算法如下式计算：。
[0010]进一步地，判断是否低于阈值，若低于阈值，则证明对数似然函数符合预定期望，加气站的工作数据符合预期值，不会发生异常状态；反之，当判断等于或高于阈值时，则证明对数似然函数不符合预定期望，加气站的工作数据不符合预期值，则会发生异常状态。
[0011]进一步地，数据化处理具体包括：数据清理，数据集成，数据变换，数据归约。
[0012]本专利技术还提出了一种加气站异常诊断系统，用于实现加气站异常诊断方法，包括：采集装置，数据化装置，存储装置，分析处理系统，预测模型构建装置，判断装置和显示装置；所述采集装置用于采集在线传感器上传的加气站工作状态数据；所述数据化装置用于将采集的加气站工作状态数据实时传输到数据化装置进行数据化处理；所述存储装置用于对数据化装置处理后的数据进行存储；所述分析处理系统用于对存储装置中存储的数据进行分析处理，生成多个模态分量；所述预测模型构建装置用于对多个模态分量建立预测模型，利用训练数据训练所述预测模型；所述判断装置用于构建对数似然函数，采用梯度算法,判断对数似然函数的梯度是否低于阈值，从而判断加气站的工作状态数据是否符合预期值；所述显示装置用于当判断异常状态会发生时，输出显示故障类型，提醒操作人员注意。
[0013]进一步地，所述在线传感器用于对加气站的潜液泵、储罐、仪表风系统中的任意一个的工作状态数据进行实时采集。
[0014]相比于现有技术，本专利技术具有如下有益技术效果：将采集的加气站工作状态数据实时传输到数据化装置进行数据化处理，将数据化处理后的数据传输到存储装置进行存储；对存储装置中存储的数据进行分析处理，生成多
个模态分量；对多个模态分量建立预测模型，利用训练数据训练所述预测模型；构建对数似然函数，采用梯度算法,判断对数似然函数的梯度是否低于阈值，从而判断加气站的工作状态数据是否符合预期值。实现了对加气站的正常安全运行进行全方位的诊断和危险预警。
附图说明
[0015]为了更清楚地说明本专利技术实施例中的技术方案，下面将对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种加气站异常诊断方法，其特征在于，包括如下步骤：S1，采集在线传感器上传的加气站工作状态数据；S2，将采集的加气站工作状态数据实时传输到数据化装置进行数据化处理，将数据化处理后的数据传输到存储装置进行存储；S3，对存储装置中存储的数据进行分析处理，生成多个模态分量；S4，对多个模态分量建立预测模型，利用训练数据训练所述预测模型；S5，构建对数似然函数，采用梯度算法,判断对数似然函数的梯度是否低于阈值，从而判断加气站的工作状态数据是否符合预期值。2.根据权利要求1所述的加气站异常诊断方法，其特征在于，步骤S3包括：S31、利用模态分解算法对数据x(n)进行模态分解；将高斯白噪声信号加入数据x(n)中，其中，i=1，2，
…
，I，n表示数据中包含的种类，其中Ｉ为添加高斯白噪声信号的次数，利用模态分解算法计算得到第一个模态分量f1：；式中，f
1i
表示第i次添加高斯白噪声信号后进行模态分解所得的第1个分量；i=1,2,3
…
I；S32、去除数据x(n)中的第1个模态分量f1，得到第1个余量信号r1(n)，r1(n)=x(n)－f1；S33、完善余量信号r1(n)，得到完善信号R1(n)：；其中，i=1,2,3
…
I；式中，N
i
(n)为高斯白噪声信号；为控制添加高斯白噪声信号的幅值；E1()为模态分解给定信号的第1个模态算子；对完善信号R1(n)进行模态分解，计算得到第2个模态分量f2：；S34、计算第k个余量信号r
k
(n)和第k+1个模态分量f
k+1
：；；其中，r
k
‑1(n)为第k
‑
1个余量信号，f
k
为第k个模态分量，为控制添加噪声信号的幅值；E
k
()为模态分解给定信号的第k个模态算子。3.根据权利要求2所述的加气站异常诊断方法，其特征在于，步骤S4包括：对每一个模态分量状态(f,r(n))，其联合组态能量定义如下：；式中：f
i

【专利技术属性】
技术研发人员：杨波，辛鑫，白利强，孙逢扩，陈竹明，
申请(专利权)人：天津佰焰科技股份有限公司，
类型：发明
国别省市：