一种基于时域数据关联建模的压缩机组健康预测方法

摘要

本发明公开了一种基于时域数据关联建模的压缩机组健康预测方法，其涉及管网运行组件检测技术领域，旨在解决故障事中与事后分析的方式，很难在设备出现故障初期提供早期预警的问题，其技术方案要点是其步骤如下：模型的建立，建立“状态数据感知模型”，建立“故障机理关联模型”；正常参数收集，通过“状态数据感知模型”得出正常工况状态健康度基准值，“故障机理关联模型”对不同故障情况下故障的变化规律进行记录；数据提取的对比分析，将“状态数据感知模型”和“故障机理关联模型”进行多次分析取平均值；数据异常警报。达到了压缩机组设备故障的预测诊断、早期预警和及时提醒的效果。

说明书

技术领域

本发明涉及管网运行组件检测技术领域，尤其是涉及一种基于时域数据关联建模的压缩机组健康预测方法。

背景技术

压缩机组设备的安全正常运行关系到管网输送的正常、稳定运行，在压缩机组设备故障的早期阶段，由于故障特征相对不明显，对管网正常运行影响不大，现有的技术手段很难监测到设备早期故障阶段的变化，因此往往容易被忽略，而当故障发展到比较严重的阶段，有报警发生被监测到时，设备的损坏往往已经发生，除了需要对设备进行维修需要耗费大量人力物力之外，设备本身随时会可能停止工作进而影响管网的稳定运行，因此，提前在设备故障发生前，发现设备的潜在故障并提前预警，从而提前进行及时适当的人工操作干预，防止故障的扩大和事故的发生，保障设备与管网安全生产，具有重大的现实意义。

目前，国内压缩机组设备故障诊断技术的研究，主要是通过采用研究故障机理的方法，当故障特征显现时往往意味着故障已经发展到一定阶段，且国内外在设备状态监测中引入了数据模型的方式，对设备健康状态进行量化感知，识别故障早期征兆并提供早期预警，这种数据模型驱动的模式在设备健康管理和早期预警领域取得了不少成绩。

上述中的现有技术方案存在以下缺陷：故障事中与事后分析的方式，很难实现对压缩机组设备运行状态进行整体和定量的健康评估，也很难在设备出现故障初期提供早期预警，数据模型驱动的模式也存在预警不好定性，预警误报多，实用性不强的缺点。

发明内容

本发明的目的是提供一种极大提升现有压缩机组故障诊断技术水平并提早故障预警的基于时域数据关联建模的压缩机组健康预测方法。

为实现上述目的，本发明提供了如下技术方案：

一种基于时域数据关联建模的压缩机组健康预测方法，其步骤如下：

S1：模型的建立，通过压缩机组设备海量工业时域运行数据中的正常工况数据建立用于评判整体工作状态的“状态数据感知模型”，并通过压缩机组典型故障规则建立用于对比分析压缩机机组故障状态情况变化的“故障机理关联模型”，对整体平常的运行状态进行分析和观测；

S2：正常参数收集，通过“状态数据感知模型”对压缩机组设备的正常状态建模数据进行计算分析，得出正常工况状态健康度基准值，“故障机理关联模型”通过对典型故障特征的参数变化规律，得到典型故障的变化机理，并对不同故障情况下故障的变化规律进行记录，方便整体分析出错误类型；

S3：数据提取的对比分析，将“状态数据感知模型”和“故障机理关联模型”的压缩机组安全状态分析方法建立压缩机机组设备，并将整体获得的数据进行对比，通过对压缩机组实时采样数据进行计算分析，实现压缩机组设备的实时状态健康量化评估，结合故障机理关联模型进行压缩机组潜在故障的预测诊断及早期预警提示，并对引起故障预警的测点进行关联排序，同时整体对比分析的过程中，需要进行多次分析取平均值，保证整体数据的对比的精准性；

S4：数据异常警报，将“状态数据感知模型”和“故障机理关联模型”的压缩机组安全状态分析情况与正常运行情况进行对比，若出现异常，“故障机理关联模型”对此时压缩机组设备的故障参数的数据进行在线实时计算，通过故障模型的观念计算，进行压缩机组设备具体的典型故障预测诊断及预警提示，有助于整体对压缩机故障风险进行预警且在整体事态严重之前进行检修。

通过采用上述技术方案，使用“状态数据感知模型”和“故障机理关联模型”对压缩机正常运行状态和非正常运行时的模型进行记录，并将记录下来的数据与实际数据进行对比，从而保证整体可以对压缩机运行状态进行分析和比较。

进一步地，所述S1中的压缩机组设备海量工业时域运行数据中的正常工况数据为在一段时间的同一时间轴上，压缩机组设备所有参数的实时值都在正常范围内的数据。

通过采用上述技术方案，在一段时间的同一时间轴上的所有参数均可作为正常的对比数据，且同一时间轴上的不同数据也代表的是不同的设备运行情况，比较时通过不同的数据情况就可以判断出设备故障的情况。

进一步地，所述S1中的压缩机组设备海量工业时域运行数据中的正常工况数据通过筛选，去除非正常和干扰数据，生成压缩机组设备正常工况下的状态组，并根据状态组内所有参数的特征分布，自动创建反映压缩机组设备实际运行规律的“状态数据感知模型”。

通过采用上述技术方案，非正常和干扰数据会对整体检测对比结果产生影响，所以需要对非正常和干扰数据进行计算并代入整体检测数值进行去除，保证整体检测的精准性。

进一步地，所述S2中“故障机理关联模型”为利用压缩机组设备典型故障规则，选取不同典型故障的特征参数变化规律建立故障规则组合，综合压缩机组多种典型故障的特征参数变化规律，共同建立机组故障机理关联模型。

通过采用上述技术方案，使用故障机理关联模型对不同情况下的故障组合和单独故障情况数据进行记录，并将正在运行的压缩机情况与故障请款进行对比，从而方便整体快速分析出整体的故障类型，方便整体进行检修。

进一步地，所述S2中“故障机理关联模型”和“状态数据感知模型”建模数据为压缩机组设备历史正常工况时域数据和各个典型故障参数的历史时域数据。

通过采用上述技术方案，故障机理关联模型和状态数据感知模型需要对多种情况下的数据进行记录，且整体记录是历史正常工况时域数据和各个典型故障参数的历史时域数据，方便整体对常见的故障进行识别。

进一步地，所述S2中“状态数据感知模型”健康度基准值为0~1的无量纲化数据。

通过采用上述技术方案，状态数据感知模型设置有基准值，从而方便整体对正常的基准值进行判定，保证整体进行良好的判断，方便整体对正常运行进行判定。

进一步地，所述S3中的对比分析分为两组，所述S3中的对比分析一种采取相同状态异常情况下多时段数据变化情况，所述S3中的对比分析另一种采取相同时段不同部件相对的数据变化情况。

通过采用上述技术方案，对整体产生的检测数据进行对比，从而保证整体可以对压缩机运行状态进行检测，同时整体产生的检测数据进行多次对比，防止外界影响使数据产生变化，保证整体检测的准确性。

进一步地，所述S4中数据异常警报采用相应的扬声器报警设备和警示灯报警设备。

通过采用上述技术方案，扬声器报警设备和警示灯报警设备可以在视觉和听觉上对工作人员进行提醒，保证整体良好的提醒效果，方便工作人员及时检修。

综上所述，本发明的有益技术效果为：

1、采用了压缩机组设备正常数据和故障参数数据变化规律建立状态数据感知模型和故障机理关联模型，然后进行通过“状态数据感知模型”对实时数据进行计算分析，得出当前设备运行状态与历史正常工况的相似程度，最后利用“故障机理关联模型”对状态异动的关联参数数据计算分析，实现压缩机组设备故障的预测诊断和早期预警的效果；

2、采用了状态数据感知模型和故障机理关联模型，更加合理的分析和提示压缩机组设备早期故障的方案，解决了一直依赖于规则、专家经验判断以及事后处理的模式，实现快速检测和多次检测的效果；

3、采用了数据提取的对比分析和数据异常警报，使得现场对压缩机组设备典型故障的监测分析更简单可靠，并且对压缩机组设备典型故障进行早期预警提示，可以及时将故障解决在萌芽状态，有利于压缩机组设备和天然气输送管网的正常稳定运行，产生及时提醒的效果。

附图说明

图1为本发明工作流程示意图。

具体实施方式

以下结合附图对本发明作进一步详细说明。

参照图1，一种基于时域数据关联建模的压缩机组健康预测方法，其步骤如下：

S1：模型的建立，通过压缩机组设备海量工业时域运行数据中的正常工况数据建立用于评判整体工作状态的“状态数据感知模型”，并通过压缩机组典型故障规则建立用于对比分析压缩机机组故障状态情况变化的“故障机理关联模型”，对整体平常的运行状态进行分析和观测，压缩机组设备海量工业时域运行数据中的正常工况数据为在一段时间的同一时间轴上，压缩机组设备所有参数的实时值都在正常范围内的数据，压缩机组设备海量工业时域运行数据中的正常工况数据通过筛选，去除非正常和干扰数据，生成压缩机组设备正常工况下的状态组，并根据状态组内所有参数的特征分布，自动创建反映压缩机组设备实际运行规律的“状态数据感知模型”；

S2：正常参数收集，通过“状态数据感知模型”对压缩机组设备的正常状态建模数据进行计算分析，得出正常工况状态健康度基准值，“故障机理关联模型”通过对典型故障特征的参数变化规律，得到典型故障的变化机理，并对不同故障情况下故障的变化规律进行记录，方便整体分析出错误类型，“故障机理关联模型”为利用压缩机组设备典型故障规则，选取不同典型故障的特征参数变化规律建立故障规则组合，综合压缩机组多种典型故障的特征参数变化规律，共同建立机组故障机理关联模型，“故障机理关联模型”和“状态数据感知模型”建模数据为压缩机组设备历史正常工况时域数据和各个典型故障参数的历史时域数据，“状态数据感知模型”健康度基准值为0~1的无量纲化数据；

S3：数据提取的对比分析，将“状态数据感知模型”和“故障机理关联模型”的压缩机组安全状态分析方法建立压缩机机组设备，并将整体获得的数据进行对比，通过对压缩机组实时采样数据进行计算分析，实现压缩机组设备的实时状态健康量化评估，结合故障机理关联模型进行压缩机组潜在故障的预测诊断及早期预警提示，并对引起故障预警的测点进行关联排序，同时整体对比分析的过程中，需要进行多次分析取平均值，保证整体数据的对比的精准性，对比分析分为两组，对比分析一种采取相同状态异常情况下多时段数据变化情况，对比分析另一种采取相同时段不同部件相对的数据变化情况；

S4：数据异常警报，将“状态数据感知模型”和“故障机理关联模型”的压缩机组安全状态分析情况与正常运行情况进行对比，若出现异常，“故障机理关联模型”对此时压缩机组设备的故障参数的数据进行在线实时计算，通过故障模型的观念计算，进行压缩机组设备具体的典型故障预测诊断及预警提示，有助于整体对压缩机故障风险进行预警且在整体事态严重之前进行检修，数据异常警报采用相应的扬声器报警设备和警示灯报警设备。

工作原理：利用压缩机组设备历史正常工况的时域数据建立状态数据感知模型，利用压缩机组设备典型故障模式建立 故障机理关联模型，状态数据感知模型涵盖了一段可以反映压缩机组设备在各个工况下的运行时间，且状态数据感知模型每组数据都可以表达压缩机组设备的一个正常运行状态，并且状态数据感知模型满足每一组采样值中各个变量参数的同时性，即必须是同一历史时刻各个参数的采样值，利用建好的状态数据感知模型对用来建模的历史数据进行计算分析，得出正常工况的健康度基准值，利用建好的故障机理关联模型对用来建模的典型故障规则进行计算分析，得出故障特征参数变化趋势，状态数据感知模型和故障机理关联模型建好后，状态数据感知模型通过对建模数据进行反算，得到状态数据关联模型判断基准值，故障机理模型通过对典型故障特征的参数变化规律，得到典型故障的变化机理，然后利用状态数据感知模型对实时工业时域数据进行计算分析，得出压缩机组设备当前的运行状态与历史正常状态的相似程度，一旦产生状态异动，立即用故障机理模型对异动时间段的压缩机组设备故障参数数据进行计算分析，将压缩机组设备实时数据带入模型进行实时计算分析，得出压缩机组设备当前的运行状态与历史正常状态的相似程度，一旦低于健康度基准值即进行状态异动提示，然后将异动时间段的主要代表压缩机组设备典型故障的特征数据利用故障机理关联模型计算分析，进行压缩机组设备健康预测及预警提示，从而进行压缩机组设备的健康预测诊断及预警。

本具体实施方式的实施例均为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。