基于闪蒸汽压缩机组故障诊断的监测数据深度挖掘方法与流程

计算;推算;计数设备的制造及其应用技术1.本发明涉及闪蒸汽压缩机组故障诊断技术领域，尤其涉及一种基于闪蒸汽压缩机组故障诊断的监测数据深度挖掘方法。背景技术：2.闪蒸汽压缩机组在海洋油气资源的开采中占有重要地位，闪蒸汽压缩机组是将原动机设备的动能转化为气体实际压力能的工作机装备，是石化加工产业的重要机器设备之一。机组整体主要由洗涤器、闪蒸气压缩机、后冷却器、调控阀以及机组整体的冷却系统等部分组成，机组整体结构复杂，且内零件精密复杂，在工作过程中容易发生一系列故障。因此，为及时有效的对机组内出现的故障进行处理，出现了多种多样的故障监测诊断方法来应对此问题。3.故障诊断技术涉及传感、信号、计算机等多门基础学科，通过传感器获取监测数据，并利用计算机的强大计算能力对数据进行处理分析，对机组内设备的运行状态进行诊断，实现机组的故障诊断。故障诊断技术的发展过程可以分为三个阶段：第一阶段为原始的人工诊断阶段，主要依靠施工人员的直接观察以及长时间的工作经验进行判断，对机械的处理方式简单，存在较高的失误率；第二阶段为基于传感器以及计算机技术的诊断阶段，该阶段中主要依靠计算机实现传感器监测、数据处理与信号分析等多方面的工作内容，实现机组的故障诊断；第三阶段为智能化的诊断阶段，这一阶段主要特点是将人工智能的研究成果应用到故障诊断的领域中，是未来故障诊断的发展方向。4.目前，闪蒸汽压缩机组的故障诊断技术以第二阶段为主流，该阶段技术相对成熟，应用也较为广泛，但智能化程度不足，而且闪蒸汽压缩机组受工况环境的影响，存在故障率较高的问题。技术实现要素：5.本发明所要解决的技术问题是克服现有技术中存在的不足，提供一种基于闪蒸汽压缩机组故障诊断的监测数据深度挖掘方法，基于机器学习的数据分析方法，实现闪蒸汽压缩机组内各点位监测数据内部联系规律的深度挖掘，实现智能化的故障诊断和预警。机器学习是数据挖掘的重要技术手段，在本发明中其基本思想是利用大量数据训练得到用于数据分类的函数，并完成对位置数据的分类。其中，判别分析是多元统计分析中用于判别样本所属类型的一种统计分析方法，指事物的分类是清楚的，目的是通过已知分类建立判别函数，预测新的观察对象所属的类别。本发明基于距离判别分析法和贝叶斯判别分析法，构建用于闪蒸汽压缩机组故障诊断的监测数据深度挖掘的数据分析方法。6.本发明是通过以下技术方案予以实现：一种基于闪蒸汽压缩机组故障诊断的监测数据深度挖掘方法，包括以下步骤：s1从监测数据库中获取多组历史数据,利用历史数据训练得到距离判别法模型和贝叶斯判别法模型；s11根据历史数据以及闪蒸汽压缩机组常见故障分类之间的关系，明确判别函数所需判别分析的分类结果数量，设定各分类结果为；s12用历史数据的均值代替距离判别法模型中各类别总体的均值，用历史数据的协方差代替距离判别法模型中的协方差矩阵，其中，设历史数据的总体的个样本分别为, 总体的个样本分别为, 样本的均值计算过程为：；协方差计算过程为：；；其中，为总体的样本均值，为总体中样本，；s13对于贝叶斯判别法模型，取样本为的样本历史数据，设来自总体的样本数量为，其先验概率计算方法如下：；的概率密度函数计算公式为：；式中，为总体的协方差，为总体的均值向量，为分布密度函数。7.s2对闪蒸汽压缩机组内的传感器监测得到的实时数据进行分类判别，距离判别法模型获得第一分类结果，贝叶斯判别法模型获得第二分类结果；s21距离判别分析法模型在实时数据的判别分析过程中分为各总体协方差矩阵全部相等和各总体协方差矩阵部分相等两种情况，其中，各总体协方差矩阵全部相等时，判别函数为：；则到的距离最小等价于对所有的，有，其中总体均值向量与协方差矩阵用样本的均值和样本协方差矩阵代替；各总体协方差矩阵部分相等时，设定个总体，则样品到各个总体到各个总体的马氏距离的平方为：；若，则判定属于；s22在对实时数据进行距离判别法的分类判别时，同时也对数据进行贝叶斯判别法的分类判别，其判别函数如下所示：；式中，，参数表示的均值，为一协方差矩阵，正态母体多类线性判别函数表达式如下：；式中，为样本集中的第个指标的数值；为判别系数；将最终结果的数值大小进行比较，最大值所对应的母体就是待判样本所属的母体。8.s3对比第一分类结果与第二分类结果，将异于第二分类结果的第一分类结果作为误差项，根据误差项计算误差率，若误差率计算结果符合误差允许范围则第一分类结果正确，若误差率计算结果超出允许范围则需对第一分类结果进行修正；误差率为：，其中属于样品被判断为属于样品的个数为个，属于样品被判断为属于样品的个数为个，两总体样品总数为个。9.修正包括以下步骤：s331将异于第二分类结果的第一分类结果提取出来，并根据该第一分类结果在距离判别法模型分类计算的距离大小进行排序，将距离最大的第一分类结果替换为对应的第二分类结果；s332将替换后的第一分类结果再次进行误差率计算，若误差率计算结果在误差允许范围内，则输出第一分类结果为最终分类结果。10.s3321若误差率计算结果超出误差允许范围则重复步骤s331和s332。11.s4以s3输出的第一分类结果为最终分类结果，实现闪蒸汽压缩机组的故障诊断。12.本发明的有益效果是：将判别分析法应用于闪蒸汽压缩机组的故障诊断中，通过历史数据对距离判别法以及贝叶斯距离判别法两种判别方法进行训练，挖掘数据之间存在的内部规律，提高闪蒸汽压缩机组故障诊断的智能化程度。13.同时，将距离判别法和贝叶斯判别法进行结合，以距离判别法为主要的分类判别方法，并利用贝叶斯判别法最小误判率最小化的基本思想，对距离判别法的分类结果进行优化修正，提高其整体的分类正确率，有效实现精准的故障诊断。附图说明14.图1示出了本发明的基于故障诊断数的据挖掘方法流程示意图；图2示出了本发明的距离判别法流程图；图3示出了本发明的贝叶斯判别法流程图。具体实施方式15.为了使本技术领域的技术人员更好地理解本发明的技术方案，下面结合附图和最佳实施例对本发明作进一步的详细说明。16.距离判别分析法：根据已知分类，分别计算出各类别的重心即分组的均值，计算任意一次的观测数据与每一类别重心的距离，与哪一类别重心距离最小，则属于哪一类别，本发明实施例涉及的距离判别分析法的计算流程图如图2所示。17.基本算法原理：1、两总体的距离判别分析：其中，两总体距离判别分析为某一观测数据与两种分类之间的距离计算判别，总体即为类别的意思。18.（1）两总体的协方差矩阵相等的情况：协方差为衡量多维数据集中，两类变量之间相关性的统计量。其中，每一组多维数据集为一类变量。当变量超过两类时，需用协方差矩阵描述多类变量之间的相关性。19.设两个总体、的协方差均为，考虑样品到总体、的马氏距离的平方差为：其中，，、为两个总体的均值，于是判别准则为：在实际问题中，、、为样本的估计值。20.（2）两总体的协方差矩阵不相等的情况：设两个总体、协方差阵分别为、不相等，均值分别为、。则样品到总体、的马氏距离的平方差为：判别准则仍为：两种情况的区别是判别函数不同。21.2.多总体的距离判别分析：设有多个总体，均值向量分别为，协方差矩阵分别为。对于待判样品，计算其到各总体的马氏距离，若存在第个总体满足：则判定样品属于第个总体。22.（1）总体协方差矩阵相等时的判别：当每个总体的协方差矩阵都相等时，判别函数为：则到的距离最小等价于对所有的，有。其中总体均值向量与协方差矩阵用样本的均值和样本协方差矩阵代替。23.举例如下，若共有个总体，分别为。其中，样品距离总体距离最短，则为，为，。24.（2）总体协方差矩阵不全相等时的判别：假设有个总体，则样品到各个总体到各个总体的马氏距离的平方分别为：若，则判定属于。25.贝叶斯判别分析法：贝叶斯判别法主要依据贝叶斯概率法则，以多元分布的样本集为主要研究对象，所得到的样本后验概率来源于多元正态分布的概率密度中包含的信息。其基本思想为设有两个总体，两总体的先验概分别为、，概率密度函数分别为、，在观测到一个样本的情况下，可用贝叶斯公式计算出样本来自个总体的后验概率，其计算流程图如图3所示。26.基本算法原理：设有个总体，其各自的各自的分布密度函数互不相同，假设个总体的先验概率分别为，。27.若将本属于总体的样品错判到时造成的损失为。其中、，对于任意的成立。28.设个总体相应的维样本空间的样品集分别为。29.从描述平均损失的角度出发，如果原来属于总体，且分布密度为的样品，正好落入，我们就会将该样品错判为属于。则将属于的样品错判为的概率为式中，为总体对应的维样本空间，为总体对应的分布密度函数。30.根据上述损失定义及错判概率公式可得，属于总体的样品，错判到其他总体所造成的损失，计算的错判概率为，则样品错判造成的平均损失为式中，为属于总体的样品，错判到其他总体所造成的损失，为属于总体的样品，错判到其他总体的错判概率，且。31.设个总体出现的先验概率为，则总平均损失为式中，为各总体的先验概率，、分别为错判的损失和错判概率，为个情况的平均损失。32.而贝叶斯判别法，就是要选择样本空间，使得总平均损失达到极小。33.如图1所示，本发明提供一种基于闪蒸汽压缩机组故障诊断的监测数据深度挖掘方法，具体包括以下步骤：s1从监测数据库中获取多组历史温度数据、压力数据、振动数据、以及液位数据，用于对距离判别法模型和贝叶斯判别法模型的训练，形成判别模型。利用已有的历史数据，明确需判别类型的数量以及距离判别法模型和贝叶斯判别法模型计算过程中所需参数，包括：各类别的总体均值、协方差矩阵、先验概率以及概率密度函数。34.s11根据历史数据以及闪蒸汽压缩机组常见故障分类之间的关系，明确判别函数所需判别分析的数据最终的分类结果数量，设定各分类结果为。35.s12用历史数据的均值代替距离判别法模型中各类别总体的均值，用历史数据的协方差代替距离判别法模型中的协方差矩阵，其中，设历史数据的总体的个样本分别为, 总体的个样本分别为, 样本的均值计算过程为：；协方差计算过程为：；；其中，为总体的样本均值，为总体中样本，。36.s13对于贝叶斯判别法模型，取样本为的样本历史数据，设来自总体的样本数量为，其先验概率计算方法如下：；的概率密度函数计算公式为：；式中，为总体的协方差，为总体的均值向量，为分布密度函数。37.s2距离判别法模型和贝叶斯判别法模型对闪蒸汽压缩机组内的传感器监测得到的实时数据进行分类判别，并分别得到两种判别方法的初步分类结果。38.s21距离判别分析法在实时数据的判别分析过程中分为各总体协方差矩阵相等和各总体协方差矩阵不全相等两种情况，需经不同的判别函数进行分析：各总体协方差矩阵全部相等时，判别函数为：；则到的距离最小等价于对所有的，有，其中总体均值向量与协方差矩阵用样本的均值和样本协方差矩阵代替；各总体协方差矩阵部分相等时，设定个总体，则样品到各个总体到各个总体的马氏距离的平方为：；若，则判定属于；s22在对实时数据进行距离判别法的分类判别时，同时也对数据进行贝叶斯判别法的分类判别，其判别函数如下所示：；式中，，参数表示的均值，为一协方差矩阵，正态母体多类线性判别函数表达式如下：；式中，为样本集中的第个指标的数值；为判别系数；将最终结果的数值大小进行比较，最大值所对应的母体就是待判样本所属的母体。39.s3将距离判别法模型和贝叶斯判别法模型的初步分类结果进行对比，将两者分类判定结果不同的数据作为误差数据进行误差率的计算，若误差率计算结果符合误差允许范围则距离分类结果正确，若误差率计算结果超出允许范围则需对距离判别法模型的初步分类结果进行修正。40.s31根据s2得到的距离判别法和贝叶斯判别法得到的分类结果，将两者的分类结果进行对比，选出两者中分类结果不同的监测数据点，将距离判别法不同于贝叶斯判别法的结果作为误差项。举例如下，若输入数据经过两种判别法分析，距离判别法将其分类到，贝叶斯判别法将其分类到，则应属于但被误判到。41.s32依据s31的对比分析结果，对距离判别分析进行误判率计算，误判率的估计思想为属于样品被判断为属于样品的个数为个，属于样品被判断为属于样品的个数为个，两总体样品总数为个，则误差率为：。42.s33若误差率计算结果在误差允许范围内，则输出距离判别法的判别结果为最终分类结果；若误差率计算超出误差允许范围，则需对距离判别分析法的分类结果进行修正。43.s331将异于第二分类结果的第一分类结果提取出来，并根据该第一分类结果在距离判别法模型分类计算的距离大小进行排序，将距离最大的第一分类结果替换为对应的第二分类结果；s332将替换后的分类结果再次进行误差率计算，若误差率计算结果在误差允许范围内则输出；若误差率计算结果超出误差允许范围则重复步骤s331和s332，直至误差率计算结果在误差允许范围内；s4以s3输出的距离判别法模型的初步分类结果或修正后的分类结果为最终分类结果，实现闪蒸汽压缩机组的故障诊断。44.以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!