一种压力变送器的在线监测方法及系统技术方案

本发明专利技术涉及数据处理领域，更具体地，本发明专利技术涉及一种压力变送器的在线监测方法及系统，方法包括：获取压力变送器的历史的特征数据；根据所述特征数据设置数据标签，并生成工作状态数据集以训练得到神经网络预测模型；对所述工作状态数据集进行聚类，以计算每一个所述聚类簇中，压力变送器的工作状态转移概率矩阵；基于所述神经网络预测模型生成未来状态数据来获取目标聚类簇；基于所述目标聚类簇和工作状态转移概率矩阵预测压力变送器目标时刻下一时刻的工作状态

【技术实现步骤摘要】
一种压力变送器的在线监测方法及系统


[0001]本专利技术一般地涉及数据处理领域
。
更具体地，本专利技术涉及一种压力变送器的在线监测方法及系统
。

技术介绍

[0002]压力变送器是一种用于测量和转换压力信号的设备，通常用于工业自动化
、
过程控制和监测系统中
。
它将物理量压力转换为标准化的电流信号（如4‑
20mA
）或电压信号（如0‑
10V
），以便于传输和处理
。
压力变送器的基本原理是利用压力传感器测量外界施加在其上的压力，并将压力值转换为相应的电信号
。
这些压力传感器通常采用压阻
、
电容
、
振动或电磁感应等原理来测量压力
。
传感器将测得的压力转换为电信号后，通过内部的模拟电路进行放大
、
线性化和滤波等处理，最终输出标准化的电流或电压信号
。
[0003]目前，公开号为
CN115840924A
的专利文件公开了一种压力变送器测量数据智慧处理系统，通过每个测量点中各测量数据的数值差异及分布关系，获取每个测量数据的聚集指数，再构建孤立森林测量异常值
。
[0004]然而，由于压力变送器长期持续的工作，且工作环境恶劣，压力变送器随着时间的推移，工作效率越来越低，需要日常对压力变送器进行维护，目前传统检测方式只能对压力变送器检测异常，不能检测出压力变送器未来出现的异常时刻，若压力变送器出现异常，提高人工成本，不能精准预测出压力变送器性能的临界点，因此需要一种压力变送器的在线监测方法及系统
。

技术实现思路

[0005]为解决上述一个或多个技术问题，本专利技术提出将多种方法进行，为此，本专利技术在如下的多个方面中提供方案
。
[0006]第一方面，本申请提供一种压力变送器的在线监测方法，包括步骤：获取压力变送器的历史的特征数据，其中，特征数据是根据时间序列进行收集的；根据所述特征数据设置数据标签，并基于所述特征数据和所述数据标签生成工作状态数据集；对所述工作状态数据集进行聚类，获得多个聚类簇；计算每一个所述聚类簇中，压力变送器的工作状态转移概率矩阵；构建神经网络模型，根据所述工作状态数据集训练所述神经网络模型，得到神经网络预测模型；实时采集压力变送器的所述特征数据并送入所述神经网络预测模型中，得到压力变送器目标时刻下一时刻的状态数据，其中，所述目标时刻下一时刻表示为相邻两个时刻的后一时刻，目标时刻为任意一时刻；匹配所述下一时刻的状态数据和所述聚类簇，获得所述目标时刻下一时刻的状态数据的目标聚类簇；根据所述目标聚类簇和所述目标时刻下一时刻的工作状态转移概率矩阵，预测压力变送器目标时刻下一时刻的工作状态
。
[0007]通过采用上述技术方案，根据数据标签和特征数据进行聚类，以使生成若干个聚类簇，从而时刻工作状态对应一个聚类簇，反应当时的工作状态，从而预测下一时刻的工作状态
。
[0008]在一个实施例中，对所述工作状态数据集进行聚类，获得多个聚类簇之后，还包括：使用评价函数对所有的聚类簇进行评价以获取最优聚类簇，所述评价函数满足下述关系式：
[0009]其中，表示为评价函数最优聚类结果的值，表示为聚类的个数，表示为聚类后第类中数据标签为工作正常的个数，表示为聚类后第类中数据标签为工作异常的个数
。
[0010]通过采用上述技术方案，通过根据每次聚类后评价函数的大小选择出评价函数最大的聚类结果为压力变送器数据集的最优聚类，每个聚类簇中工作状态一样的样本数越多，聚类的效果越好
。
[0011]在一个实施例中，每个所述聚类簇对应一个马尔科夫链，通过所述马尔科夫链获得状态转移概率矩阵，所述状态转移概率矩阵满足下述关系式：
[0012]其中，表示为聚类的个数，表示为第类中压力变送器的工作状态由变为的次数，表示压力变送器前后相邻时刻的状态变化次数，表示第类的转移概率矩阵中第行第列的数值，在工作状态下压力变送器从状态变为的概率；所述计算状态转移概率矩阵，由一个马尔科夫过程中第一时刻和第二时刻的状态变化得到，其中，所述第一时刻表示为目标时刻，所述第二时刻表示为目标时刻的下一时刻
。
[0013]通过采用上述技术方案，通过聚类簇得到状态转移概率矩阵，在每个聚类簇中时刻不相邻的特征数据没有状态转移，在每个聚类簇中筛选出前后时刻相邻的特征数据对其进行预测
。
[0014]在一个实施例中，匹配所述下一时刻的状态数据和所述聚类簇，获得所述下一时刻的状态数据的目标聚类簇，包括：根据所述下一时刻特征数据和聚类中心之间的距离，确定下一时刻特征数据所属的目标聚类簇，所述距离满足下述关系式：
[0015]其中，表示为下一时刻特征数据和聚类中心之间的距离，表示下一时刻特征数据的第个属性值，表示聚类中心点的第个属性值
。
[0016]通过采用上述技术方案，构建神经网络预测模型，从而将新采集特征数据进行预测，得出预测结果，反映出下一时刻的属性值
。
[0017]在一实施例中，根据所述目标聚类簇和所述目标时刻下一时刻的工作状态转移概率矩阵，预测压力变送器目标时刻下一时刻的工作状态，包括步骤：
根据目标聚类簇，得到压力变送器目标时刻下一时刻的状态转移概率矩阵；根据所述工作状态数据集中当前时刻特征数据的状态向量和目标时刻下一时刻的状态转移概率矩阵，得到压力变送器所述目标时刻下一时刻特征数据的状态向量；响应于压力变送器为正常运行的所述状态向量的概率，大于预设阈值，则压力变送器目标时刻下一时刻的工作状态为正常运行
。
[0018]通过采用上述技术方案，通过对压力变送器下一时刻的状态向量判断压力变送器的使用寿命，对压力变送器进行及时维护，减少成本
。
[0019]在一实施例中，根据所述状态向量判断压力变送器下一时刻正常运行的概率，包括：压力变送器在下一时刻的所述状态向量满足下述关系式：
[0020]其中，表示压力变送器工作状态数据集中第一个时刻的状态向量，表示压力变送器未来第时刻状态转移概率矩阵，表示为压力变送器下一时刻状态向量中压力变送器正常的概率，表示为压力变送器下一时刻状态向量中压力变送器不正常的概率
。
[0021]通过上述步骤，使用神经网络模型对压力变送器下一时刻特征数据进行预测，得到未来一段时间内压力变送器特征数据所属的聚类簇，根据聚类簇选择对应的状态转移概率矩阵，使用数据集中当前时刻的状态向量和下一时刻状态转移概率矩阵
、
下一时刻的状态向量，根据该状态向量确定压力变送器未来工作状态是否正常
。
[0022]第二方面，本申请提供一种压力变送器的在线监测系统，包括：处理器和存储器，存储器存储有计算机程序指令，当计算机程序指令被处理器执行时实现上述的压力变送器的在线监测方法
。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种压力变送器的在线监测方法，其特征在于，包括步骤：获取压力变送器的历史的特征数据，其中，特征数据是根据时间序列进行收集的；根据所述特征数据设置数据标签，并基于所述特征数据和所述数据标签生成工作状态数据集；对所述工作状态数据集进行聚类，获得多个聚类簇；计算每一个所述聚类簇中，压力变送器的工作状态转移概率矩阵；构建神经网络模型，根据所述工作状态数据集训练所述神经网络模型，得到神经网络预测模型；实时采集压力变送器的所述特征数据并送入所述神经网络预测模型中，得到压力变送器目标时刻下一时刻的状态数据，其中，所述目标时刻下一时刻表示为相邻两个时刻的后一时刻，目标时刻为任意一时刻；匹配所述下一时刻的状态数据和所述聚类簇，获得所述目标时刻下一时刻的状态数据的目标聚类簇；根据所述目标聚类簇和所述目标时刻下一时刻的工作状态转移概率矩阵，预测压力变送器目标时刻下一时刻的工作状态
。2.
根据权利要求1所述的一种压力变送器的在线监测方法，其特征在于，对所述工作状态数据集进行聚类，获得多个聚类簇之后，还包括：使用评价函数对所有的聚类簇进行评价以获取最优聚类簇，所述评价函数满足下述关系式：其中，表示为评价函数最优聚类结果的值，表示为聚类的个数，表示为聚类后第类中数据标签为工作正常的个数，表示为聚类后第类中数据标签为工作异常的个数
。3.
根据权利要求1所述的一种压力变送器的在线监测方法，其特征在于，每个所述聚类簇对应一个马尔科夫链，通过所述马尔科夫链获得状态转移概率矩阵，所述状态转移概率矩阵满足下述关系式：其中，表示为聚类的个数，表示为第类中压力变送器的工作状态由变为的次数，表示压力变送器前后相邻时刻的状态变化次数，表示第类的转移概率矩阵中第行第列的数值，在工作状态下压力变送器从状态变为的概率
。4.<...

【专利技术属性】
技术研发人员：张建辉，翟小卫，谭蓓，闫静静，李墀，唐少辉，崔韧清，
申请(专利权)人：宝鸡市兴宇腾测控设备有限公司，
类型：发明
国别省市：