一种往复式压缩机运行工况的预测方法和装置制造方法及图纸

本发明专利技术公开了一种往复式压缩机运行工况的预测方法和装置，属于压缩机运行工况评估领域，该方法包括如下步骤：1)获取压缩机运行数据，运行数据包括：传感器采集数据、实验分析数据和历史记录数据；2)对运行数据进行预处理和归一化处理，3)并通过熵权法计算数据集中各个特征的特征权重和健康因子分量；4)通过加权计算得到总体健康因子，建立训练样本；5)根据训练样本对机器学习模型进行训练，建立最优预测模型。该方法采集的数据包括传感器采集的数据和实验分析的数据以及历史的故障数据，与现有仅采集震动和喘振的数据相比采集数据的类型更多样更全面。更多样更全面。更多样更全面。

【技术实现步骤摘要】
一种往复式压缩机运行工况的预测方法和装置


[0001]本专利技术属于压缩机运行工况评估领域，特别是涉及一种往复式压缩机运行工况的预测方法和装置。

技术介绍

[0002]往复式压缩机因其压力范围广、压缩效率高、适应性强在石油化工行业上被广泛使用。但因其结构复杂，导致其遇到故障时对其故障的诊断准确度不高，同时在日常工作中对设备的维修保养工作量也大。
[0003]随着人工智能技术的发展和应用，机器学习方法凭借其灵活高效且能够自动提取原始数据深层特征的优点，逐渐被研发人员采用。当前国内压缩机状态评估研究主要着眼于压缩机的单个零部件的诊断或者围绕单一的关键特征参数通过人工智能技术进行计算分析，对压缩机整体性能衰退评估的研究较少，缺乏综合全面的状态评估及未来工况评估的方案。
[0004]现有技术存在：在对压缩机状态评估时，对样本部分特征的利用不够全面，导致对压缩机状态预测不够精准。

技术实现思路

[0005]本专利技术的目的在于提供一种往复式压缩机运行工况的预测方法和装置，以解决现有技术中由于对样本特征利用不全面，导致了对压缩机状态预测不精准的技术问题。
[0006]为实现上述目的，本专利技术所提供的一种往复式压缩机运行工况的预测方法和装置的技术方案是：
[0007]一种往复式压缩机运行工况的预测方法，该方法包括如下步骤：1)获取压缩机历史运行数据，历史运行数据包括三类数据中的至少两类数据，该三类数据包括：用于表征压缩机动态运行状况的传感器采集数据、用于表征设备静态运行工况的实验分析数据和用于表征历史压缩机运行工况的历史记录数据；2)对运行数据进行预处理和归一化处理，并通过确定运行数据中各个特征的特征权重；3)根据归一后的数据计算各个特征的特征权重和压缩机的健康因子分量；4)根据特征权重和健康因子分量进行加权计算，得到压缩机的总体健康因子；5)根据总体健康因子结合时域构建健康因子历史时序数据集，将健康因子历史时序数据集作为训练样本；该训练样本中每个样本包括有压缩机的t时刻及t时刻之前的总体健康因子和t时刻前τ时间内的总体健康因子累计值；6)根据训练样本对机器学习模型进行训练，建立压缩机运行工况的预测模型，压缩机运行工况的预测模型用于预测压缩机在某时刻的总体健康因子。
[0008]有益效果是：首先，该方法采集的运行数据包括传感器采集数据、实验分析数据和历史记录数据中的至少两类，与现有仅采集震动和喘振的数据相比采集数据的类型更多样更全面；其次，采集的运行数据通过计算出各特征的权重；最后，通过训练样本对机器学习模型进行反复训练得到最优预测模型，该最优预测模型能够高效率预测压缩机的健康程
度。该压缩机运行工况的预测模型用于预测压缩机在某时刻的总体健康因子，方便根据总体健康因子对压缩机制定相应的对策，保障了压缩机的平稳运行。
[0009]作为进一步地改进，在步骤3)中用熵权法计算特征权重，计算过程为：先计算特征所占比重，计算公式为：其中，y
ij
为样本数据，y
i
′
j
为第j个特征参数下第i个样本数据所占比重；m为样本数据数量；再计算第j项特征的信息熵H
j
，计算公式为：其中，y
i
′
j
为第j个特征参数下第j个样本数据所占比重，m为样本数据数量，n为特征参数数量，H
j
为第j个特征参数的信息熵；最后计算第j项特征参数的权重w
j
，计算公式为：其中，w
j
为利用熵权法得到的第j项特征参数的权重值。
[0010]有益效果是：先计算某个特征对应的信息熵，再根据信息熵计算得到特征的权重，特征的权重能准确反映某特征对压缩机的工况的表征程度大小，便于根据当前特征参数准确预测压缩机的工况。
[0011]作为进一步地改进，在步骤4)中健康因子分量计算公式为：其中，hf
j
(t)为设备的第j个特征参数的健康因子分量；y
j
(t)为第j个特征参数在t时间的实测值；为第j维特征参数取值的平均值，
jmax
和y
jmin
为第j维特征参数的取值上限和下限。
[0012]有益效果是：压缩机健康因子分量是根据归一后的特征数据进行计算的，一个特征对应一个健康因子分量。
[0013]作为进一步地改进，在步骤4)中总体健康因子计算公式为：其中，HF(t)为t时刻的压缩机总体健康因子，w
j
为第j项特征对应的权重值；hf
j
(t)为设备的第j个特征参数的健康因子分量。
[0014]有益效果是：根据特征权重和健康因子分量通过加权计算得到总体健康因子，总体健康因子是压缩机某时刻健康的概率值。
[0015]作为进一步地改进，在步骤5)中t时刻之前的总体健康因子包括距离t时刻最近的若干时刻的总体健康因子以及t时刻之前多个时间段的总体健康因子的累计值。
[0016]有益效果是：单个样本包含的总体健康因子的累计值是根据总体健康因子的单个值进行积分计算得到的。
[0017]作为进一步地改进，在步骤2)中预处理包括如下步骤：对传感器采集数据统一量纲，并对缺失值和异常值用历史数据均值进行填充或替换；对实验分析数据统一量纲，并对缺失值和异常值用历史数据均值进行填充或替换；历史记录数据包括：维修、维护及报警的相关数据，对历史记录数据根据周期内维修、维护及报警的次数转化为数值变量；
[0018]对数据集的数据进行归一化处理为：先将数据集的数据映到[0,1]区间，映射公式为：其中，x为样本原值，y为归一化结果，x
max
和x
min
分别是对应特征中的最小值和最大值。
[0019]有益效果是：传感器采集的数据和实验分析数据主要为连续的数值变量，仅需要对缺失值和异常值进行填充，便于后续运用该数据建立模型；历史分析数据主要是维修维护和报警记录，将该数据转化为数值变量，数值变量便于后续运用该数据进行特征的权重
计算。将数据映射到[0,1]区间，数据整体的运算量会降低且处理后的数据更便于观察。
[0020]作为进一步地改进，该机器学习模型为LightGBM模型。
[0021]该模型具有效率高、准确度高和开销低的优势，因此运用该模型建立的预测模型也具有预测准确度高的效果。
[0022]本专利技术还公开了与一种往复式压缩机运行工况的预测装置，该装置包括有处理器，该处理器用于实现往复式压缩机运行工况的预测方法的任意一个实施例。
附图说明
[0023]图1为本专利技术往复式压缩机运行工况的预测方法的流程图；
[0024]图2为本专利技术往复式压缩机运行工况的预测方法的健康曲线图；
[0025]图3为本专利技术往复式压缩机运行工况的预测方法的健康曲线分析图；
[0026]图4为本专利技术往复式压缩机运行工况的预测方法的训练损失曲线图；
[0027]图5为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种往复式压缩机运行工况的预测方法，其特征在于，该方法包括如下步骤：1)获取压缩机历史运行数据，所述历史运行数据包括三类数据中的至少两类数据，所述的三类数据包括：用于表征压缩机动态运行状况的传感器采集数据、用于表征设备静态运行工况的实验分析数据或用于表征历史压缩机运行工况的历史记录数据；2)对所述运行数据进行预处理和归一化处理；3)根据处理后的数据计算各个特征的特征权重和压缩机的健康因子分量；4)对得到的特征权重和健康因子分量进行加权计算，得到压缩机的总体健康因子；5)根据总体健康因子结合时域构建健康因子历史时序数据集，将健康因子历史时序数据集作为训练样本；训练样本中每个样本包括有压缩机的t时刻的总体健康因子及t时刻之前的总体健康因子；6)根据训练样本对机器学习模型进行训练，建立压缩机运行工况的预测模型，所述压缩机运行工况的预测模型用于根据压缩机某时刻之前的总体健康因子预测压缩机在某时刻的总体健康因子。2.根据权利要求1所述的往复式压缩机运行工况的预测方法，其特征在于，在步骤3)中用熵权法计算特征权重，计算过程为：先计算特征所占比重，计算公式为：其中，y
ih
为样本数据，y
′
ij
为第j个特征参数下第i个样本数据所占比重；m为样本数据数量；再计算第j项特征的信息熵H
j
，计算公式为：其中，y
′
ij
为第j个特征参数下第i个样本数据所占比重，m为样本数据数量，n为特征参数数量，H
j
为第j个特征参数的信息熵；最后计算第j项特征参数的权重w
j
，计算公式为：其中，w
j
为利用熵权法得到的第j项特征参数的权重值。3.根据权利要求1所述的往复式压缩机运行工况的预测方法，其特征在于，在步骤3)中健康因子分量的计算公式为：其中，hf
j
(t)为设备的第j个特征参数的健康...

【专利技术属性】
技术研发人员：龙飞，郭海伟，耿洪涛，郝宁，王海洋，徐聪，
申请(专利权)人：中国石油化工股份有限公司中原油田分公司，
类型：发明
国别省市：