System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及压缩机,尤其涉及一种基于大数据及机器学习的压缩机故障预测方法及系统。
技术介绍
1、压缩机是一种压缩气体提高气体压力或输送气体的机器,近年来,随着机械化发展广泛,压缩机的应用越来越广泛。在采矿业、冶金业、机械制造业、土木工程、石油化学工业、制冷与气体分离工程以及国防工业中,压缩机是必不可少的关键设备之一。然而,在长期持续运转的情况下,压缩机可能在生产过程中会发生多种故障,且维修难度大,需临时根据分析故障发生原因,导致生产线延缓甚至停滞,造成巨大的损失。为了避免突发故障,人们在压缩机运行一段时间后,进行定期的检修对于以运行时间为基础的维修,通常维修工作集中,工作量大,且很难及时预防产生的故障。存在压缩机故障不可控、故障发生随机、维修滞后、损失大的缺陷。
2、随着自控水平的提高,现有技术中也存在通过检测设备性能,以达到在故障发生之前主动维修的技术手段,能够在有限范围内提高异常参数的识别率,但由于缺乏统一的框架、数据收集及处理困难,有用且准确的数据量不够、预测的过程本身和预测结果的不确定性或仅依据观察经验进行判断,以及数据算法适用性有限,不能实现超前的设备故障预测及准确的故障原因分析,评价设备状态不精准(相对抽象的好、一般、差之类的),无法达到还主动、预防性的、更精确的预警维护。
3、此外,也存在使用信号归类采集等手段,对压缩机的故障进行预测等,但预测精度有限,实用度不高。
技术实现思路
1、(一)要解决的技术问题
2、鉴于现有技术的上述
3、(二)技术方案
4、为了达到上述目的,本专利技术提供了一种基于大数据及机器学习的压缩机故障预测方法,包括:
5、s1、采集待测压缩机的历史运行数据;
6、所述历史运行数据包括每一工况状态下压缩机正常运行数据和故障运行数据;
7、s2、基于所述正常运行数据,依据预设的大数据及机器学习方法,确定每一工况状态下待测压缩机正常状态数据;
8、s3、基于所述正常状态数据构建初始神经学习网络,将所述故障运行数据输入到初始神经学习网络中进行训练,获取综合预警模型;
9、s4、将采集的待测压缩机的实时工况运行数据持续输入到所述综合预警模型中,预测待测压缩机是否即将发生故障,发生故障的类型、发生故障原因和发生时间点。
10、可选地,s2中,所述正常状态数据包括:
11、每一项正常运行参数的取值范围;
12、每一项正常运行参数的遍历关联曲线;
13、每一项正常运行参数的随工况变化的变化曲线。
14、可选地,所述正常运行数据的运行参数包括:
15、气体流入温度、气体流出温度、压缩机运行电压、电流、压缩机运行效率、压缩机振动频率、压缩机流量、压缩机压力。
16、可选地,每一正常运行参数的遍历关联曲线包括:
17、每一工况下,每一正常运行参数与其他i个正常运行参数的关联曲线;
18、i=1,2,3...n-1,n为正常运行参数项数。
19、可选地,s3具体包括:
20、s31、基于所述正常状态数据构建初始神经学习网络;
21、s32、依据预先构建的故障规则,将所述故障运行数据划分为不同的故障类型和故障级别;每一故障级别至少对应一个故障类型;
22、s33、将每一故障类型的故障运行数据分别输入到初始神经学习网络中进行训练,获取综合预警模型。
23、可选地,s1还包括:
24、针对偶发故障类型,采用经验分析设定偶发故障类型发生时的故障运行数据。
25、可选地,s3还包括:
26、将压缩机的实时故障运行数据输入到综合预警模型进行训练,得到优化的综合预警模型。
27、可选地,s1还包括:
28、对所述历史运行数据进行数据清洗预处理,滤除异常值和噪声干扰。
29、可选地,还包括:
30、对历史运行数据中存在的缺失值进行插值处理,插入值为依据经验设置的值。
31、第二方面,本专利技术还提供一种压缩机故障预测系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面任一所述方法的步骤。
32、(三)有益效果
33、本专利技术提出了一种基于大数据及机器学习的压缩机故障预测方法及系统,首先使用压缩机的历史运行数据进行大数据分析,利用机器学习确定压缩机设备的正常运行状态数据,利用神经网络数据分析算法,对故障运行的参数定性定量分析,确定故障产生时各参数的权重,并进一步确定预测模型。将实际工况数据输入到预测模型中,根据实时数据的发展预测压缩机的故障。通过压缩机的运行的状态偏差及参数变化等因素进行早期故障预警,对压缩机的异常进行预测,以供操作人员有足够的时间对即将发生故障但还未压缩机开展运行维护,分析评价故障影响,能够及时根据压缩机的状态做生产调整,大大降低停机风险。本方法预测的准确性高,能够最大限度的降低设备运行风险,合理分配运行维护资源,前瞻性良好。
本文档来自技高网...【技术保护点】
1.一种基于大数据及机器学习的压缩机故障预测方法,其特征在于,包括:
2.如权利要求1所述的方法,其特征在于,S2中,所述正常状态数据包括:
3.如权利要求1或2所述的方法,其特征在于,所述正常运行数据的运行参数包括:
4.如权利要求3所述的方法,其特征在于,每一正常运行参数的遍历关联曲线包括:
5.如权利要求1所述的方法,其特征在于,S3具体包括:
6.如权利要求1所述的方法,其特征在于,S1还包括:
7.如权利要求1所述的方法,其特征在于,S3还包括:
8.如权利要求1所述的方法,其特征在于,S1还包括:
9.如权利要求1所述的方法,其特征在于,S1中,还包括:
10.一种压缩机故障预测系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1-9中任一所述方法的步骤。
【技术特征摘要】
1.一种基于大数据及机器学习的压缩机故障预测方法,其特征在于,包括:
2.如权利要求1所述的方法,其特征在于,s2中,所述正常状态数据包括:
3.如权利要求1或2所述的方法,其特征在于,所述正常运行数据的运行参数包括:
4.如权利要求3所述的方法,其特征在于,每一正常运行参数的遍历关联曲线包括:
5.如权利要求1所述的方法,其特征在于,s3具体包括:
6.如权利要求1所述...
【专利技术属性】
技术研发人员:梁晶,张宏伟,
申请(专利权)人:中控技术股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。