本發(fā)明涉及設(shè)備故障監(jiān)測(cè)控制，更具體地說(shuō)，本發(fā)明涉及用于化工生產(chǎn)設(shè)備集群的實(shí)時(shí)故障監(jiān)測(cè)物聯(lián)網(wǎng)系統(tǒng)。

背景技術(shù)：

1、化工生產(chǎn)設(shè)備集群的實(shí)時(shí)故障監(jiān)測(cè)物聯(lián)網(wǎng)系統(tǒng)致力于通過(guò)先進(jìn)的物聯(lián)網(wǎng)和智能控制技術(shù)，確?；どa(chǎn)過(guò)程的安全性和高效性，化工生產(chǎn)設(shè)備集群通常包括泵、壓縮機(jī)、反應(yīng)器、熱交換器等多種設(shè)備，這些設(shè)備在高溫、高壓或有腐蝕性介質(zhì)的復(fù)雜環(huán)境中運(yùn)行，稍有不慎即可能發(fā)生設(shè)備故障甚至安全事故，運(yùn)維人員依賴定期的人工檢查或事后故障維修，這種模式往往無(wú)法滿足現(xiàn)代化工生產(chǎn)的高安全性要求，隨著物聯(lián)網(wǎng)、大數(shù)據(jù)和智能控制技術(shù)的發(fā)展，化工企業(yè)可以通過(guò)實(shí)時(shí)數(shù)據(jù)采集和分析系統(tǒng)，對(duì)設(shè)備運(yùn)行狀態(tài)進(jìn)行在線監(jiān)測(cè)，實(shí)現(xiàn)預(yù)防性維護(hù)和預(yù)測(cè)性故障管理。

2、現(xiàn)有技術(shù)存在的不足：隨著化工生產(chǎn)設(shè)備集群規(guī)模的擴(kuò)大和監(jiān)測(cè)數(shù)據(jù)量的持續(xù)增加，系統(tǒng)因資源負(fù)載過(guò)高而難以實(shí)時(shí)處理所有設(shè)備的數(shù)據(jù)，導(dǎo)致控制響應(yīng)滯后和監(jiān)測(cè)延遲，這種資源瓶頸問(wèn)題使得系統(tǒng)在面對(duì)關(guān)鍵故障信號(hào)時(shí)難以優(yōu)先響應(yīng)，特別是在高負(fù)載工況下，監(jiān)測(cè)數(shù)據(jù)的優(yōu)先級(jí)難以合理分配，低優(yōu)先級(jí)數(shù)據(jù)往往擠占了故障數(shù)據(jù)的處理資源，造成故障監(jiān)測(cè)的不準(zhǔn)確和響應(yīng)不及時(shí)，影響了設(shè)備集群的整體運(yùn)行效率和安全性。

技術(shù)實(shí)現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)的上述缺陷，有如下方案，以解決上述背景技術(shù)中化工生產(chǎn)設(shè)備集群的故障監(jiān)測(cè)精度差的問(wèn)題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、用于化工生產(chǎn)設(shè)備集群的實(shí)時(shí)故障監(jiān)測(cè)物聯(lián)網(wǎng)系統(tǒng)，包括數(shù)據(jù)采集模塊、對(duì)比分析模塊、設(shè)備異常確定模塊以及故障趨勢(shì)預(yù)測(cè)模塊，各模塊之間通過(guò)信號(hào)連接；

4、數(shù)據(jù)采集模塊，用于根據(jù)不同類型傳感器數(shù)據(jù)的頻率和重要性對(duì)化工生產(chǎn)設(shè)備集群進(jìn)行分層數(shù)據(jù)采集，并進(jìn)行數(shù)據(jù)濾波、補(bǔ)全以及修正異常值；

5、對(duì)比分析模塊，用于使用歷史數(shù)據(jù)作為基線數(shù)據(jù)，使用自編碼器提取基線數(shù)據(jù)特征，通過(guò)高斯混合模型量化設(shè)備在正常狀態(tài)下的多維特征分布情況并構(gòu)建基線模型，將實(shí)時(shí)數(shù)據(jù)經(jīng)編碼器映射至特征空間，計(jì)算與基線模型的偏離度判斷設(shè)備異常情況；

6、設(shè)備異常確定模塊，用于結(jié)合孤立森林和主成分進(jìn)行分析，二次識(shí)別數(shù)據(jù)異常情況，根據(jù)偏離度、孤立評(píng)分及主成分偏離度綜合判斷設(shè)備異常情況，當(dāng)超出綜合閾值時(shí)生成報(bào)警信號(hào)；

7、故障趨勢(shì)預(yù)測(cè)模塊，用于構(gòu)建趨勢(shì)預(yù)測(cè)模型，通過(guò)arima模型進(jìn)行短期預(yù)測(cè)、lstm模型進(jìn)行長(zhǎng)期預(yù)測(cè)，并加權(quán)融合結(jié)果生成綜合預(yù)測(cè)值，結(jié)合基線模型對(duì)未來(lái)趨勢(shì)進(jìn)行分析，在檢測(cè)到設(shè)備異常時(shí)，自動(dòng)執(zhí)行設(shè)備控制措施。

8、在一個(gè)優(yōu)選的實(shí)施方式中，用于根據(jù)不同類型傳感器數(shù)據(jù)的頻率和重要性對(duì)化工生產(chǎn)設(shè)備集群進(jìn)行分層數(shù)據(jù)采集，并進(jìn)行數(shù)據(jù)濾波、補(bǔ)全以及修正異常值，具體步驟如下：

9、將采集的數(shù)據(jù)分為高頻數(shù)據(jù)、中頻數(shù)據(jù)、低頻數(shù)據(jù)；

10、根據(jù)傳感器的特性和歷史噪聲水平進(jìn)行噪聲過(guò)濾，對(duì)過(guò)濾后數(shù)據(jù)中的數(shù)據(jù)突變點(diǎn)使用三次樣條插值法進(jìn)行平滑；

11、對(duì)平滑后的數(shù)據(jù)進(jìn)行異常值處理與數(shù)據(jù)校正，使用分布式距離校正法將數(shù)據(jù)點(diǎn)與相鄰時(shí)間點(diǎn)的數(shù)據(jù)中位數(shù)進(jìn)行對(duì)比，檢測(cè)并修正異常值。

12、在一個(gè)優(yōu)選的實(shí)施方式中，用于使用歷史數(shù)據(jù)作為基線數(shù)據(jù)，使用自編碼器提取基線數(shù)據(jù)特征，通過(guò)高斯混合模型量化設(shè)備在正常狀態(tài)下的多維特征分布情況并構(gòu)建基線模型，將實(shí)時(shí)數(shù)據(jù)經(jīng)編碼器映射至特征空間，計(jì)算與基線模型的偏離度判斷設(shè)備異常情況，具體步驟包括：

13、進(jìn)行基線數(shù)據(jù)的歷史數(shù)據(jù)采集與整理，選擇固定時(shí)間內(nèi)設(shè)備的歷史數(shù)據(jù)作為基線數(shù)據(jù)樣本，基線數(shù)據(jù)樣本包括設(shè)備在不同工況、負(fù)載下的正常運(yùn)行數(shù)據(jù)；

14、使用自編碼器神經(jīng)網(wǎng)絡(luò)作為無(wú)監(jiān)督特征提取工具，確定基線數(shù)據(jù)的非線性特征；

15、在特征空間中，使用高斯混合模型對(duì)設(shè)備正常狀態(tài)下的特征向量建立基線模型，將正常狀態(tài)下的數(shù)據(jù)特征范圍量化，并形成一個(gè)適應(yīng)多維特征分布的基線模型；

16、基于構(gòu)建的基線模型，對(duì)采集的實(shí)時(shí)數(shù)據(jù)進(jìn)行對(duì)比，將實(shí)時(shí)數(shù)據(jù)通過(guò)編碼器映射至特征空間，計(jì)算與基線模型間的偏離度；

17、當(dāng)偏離度大于設(shè)定閾值時(shí)，則初步認(rèn)定當(dāng)前設(shè)備運(yùn)行存在異常。

18、在一個(gè)優(yōu)選的實(shí)施方式中，用于結(jié)合孤立森林和主成分進(jìn)行分析，二次識(shí)別數(shù)據(jù)異常情況，根據(jù)偏離度、孤立評(píng)分及主成分偏離度綜合判斷設(shè)備異常情況，當(dāng)超出綜合閾值時(shí)生成報(bào)警信號(hào)，具體步驟如下：

19、使用孤立森林構(gòu)建決策樹，分離出不同特征的異常值，確定異常評(píng)分；

20、使用主成分分析識(shí)別數(shù)據(jù)主成分的偏離情況，確定數(shù)據(jù)的變化模式，計(jì)算主成分偏離度；

21、根據(jù)偏離度、孤立評(píng)分及主成分偏離度的結(jié)果，以多層異常檢測(cè)的方式分類異常類型，確定不同設(shè)備、不同工況下設(shè)備的綜合異常度；

22、當(dāng)綜合異常度超過(guò)綜合閾值時(shí)，判定設(shè)備運(yùn)行出現(xiàn)異常，根據(jù)設(shè)備的實(shí)時(shí)工況變化調(diào)整綜合閾值。

23、在一個(gè)優(yōu)選的實(shí)施方式中，用于構(gòu)建趨勢(shì)預(yù)測(cè)模型，通過(guò)arima模型進(jìn)行短期預(yù)測(cè)、lstm模型進(jìn)行長(zhǎng)期預(yù)測(cè)，并加權(quán)融合結(jié)果生成綜合預(yù)測(cè)值，包括以下步驟：

24、對(duì)實(shí)時(shí)數(shù)據(jù)及歷史數(shù)據(jù)特征進(jìn)行整理，將清洗后異常檢測(cè)通過(guò)的數(shù)據(jù)重新編碼為特征向量，并構(gòu)建特征序列，并對(duì)特征序列進(jìn)行標(biāo)準(zhǔn)化；

25、預(yù)測(cè)設(shè)備的短期趨勢(shì)，采用自回歸綜合滑動(dòng)平均模型確定設(shè)備短期的預(yù)測(cè)值；

26、使用長(zhǎng)短期記憶網(wǎng)絡(luò)進(jìn)行長(zhǎng)期趨勢(shì)預(yù)測(cè)，確定數(shù)據(jù)的長(zhǎng)期依賴性和非線性關(guān)系，將特征序列作為長(zhǎng)短期記憶網(wǎng)絡(luò)的輸入，并確定設(shè)備長(zhǎng)期的預(yù)測(cè)值；

27、將arima模型和lstm模型的預(yù)測(cè)結(jié)果使用加權(quán)平均方式進(jìn)行融合，形成綜合預(yù)測(cè)值。

28、在一個(gè)優(yōu)選的實(shí)施方式中，結(jié)合基線模型對(duì)未來(lái)趨勢(shì)進(jìn)行分析，在檢測(cè)到設(shè)備異常時(shí)，自動(dòng)執(zhí)行設(shè)備控制措施，包括以下步驟：

29、在確定綜合預(yù)測(cè)值后，進(jìn)行趨勢(shì)分析并生成對(duì)應(yīng)預(yù)警信息，若綜合預(yù)測(cè)值超出正?；€模型范圍，則系統(tǒng)觸發(fā)預(yù)警信號(hào)，通知運(yùn)維人員，優(yōu)化綜合閾值；

30、計(jì)算設(shè)備未來(lái)運(yùn)行狀態(tài)的偏離度，通過(guò)趨勢(shì)預(yù)測(cè)模型生成的未來(lái)時(shí)刻預(yù)測(cè)值與基線模型的正常范圍進(jìn)行對(duì)比，確定預(yù)測(cè)偏離度，預(yù)測(cè)偏離度表示未來(lái)設(shè)備運(yùn)行狀態(tài)偏離正常狀態(tài)的程度；

31、根據(jù)預(yù)測(cè)偏離度對(duì)綜合閾值進(jìn)行自適應(yīng)調(diào)整，確定動(dòng)態(tài)調(diào)整后的綜合閾值；

32、進(jìn)行綜合閾值的多層次分配，根據(jù)不同的監(jiān)測(cè)的參數(shù)，參數(shù)包括振動(dòng)、溫度、壓力，根據(jù)參數(shù)進(jìn)行分層的綜合閾值調(diào)整，并自動(dòng)執(zhí)行設(shè)備的控制措施。

33、本發(fā)明用于化工生產(chǎn)設(shè)備集群的實(shí)時(shí)故障監(jiān)測(cè)物聯(lián)網(wǎng)系統(tǒng)的技術(shù)效果和優(yōu)點(diǎn)：

34、本發(fā)明通過(guò)分層采集不同頻率的重要數(shù)據(jù)，并采用濾波、數(shù)據(jù)補(bǔ)全和異常值修正，確保了數(shù)據(jù)的完整性和準(zhǔn)確性，系統(tǒng)使用歷史數(shù)據(jù)建立基線模型，通過(guò)自編碼器提取設(shè)備正常狀態(tài)下的多維特征，并結(jié)合高斯混合模型量化設(shè)備運(yùn)行特征，實(shí)時(shí)判斷設(shè)備的偏離情況，針對(duì)可能的誤報(bào)或漏報(bào)，通過(guò)孤立森林和主成分分析二次判斷設(shè)備的狀態(tài)，以偏離度、孤立評(píng)分和主成分偏離度綜合確定設(shè)備異常情況，顯著提高了檢測(cè)精度。

35、當(dāng)設(shè)備異常信號(hào)超出綜合閾值，系統(tǒng)生成報(bào)警信號(hào)并進(jìn)行趨勢(shì)預(yù)測(cè)，以arima模型和lstm模型對(duì)短期和長(zhǎng)期趨勢(shì)進(jìn)行融合預(yù)測(cè)，形成綜合預(yù)測(cè)值，精準(zhǔn)預(yù)判設(shè)備未來(lái)狀態(tài)，同時(shí)，系統(tǒng)可根據(jù)實(shí)時(shí)分析結(jié)果動(dòng)態(tài)調(diào)整閾值，在檢測(cè)到故障趨勢(shì)時(shí)自動(dòng)執(zhí)行控制措施，確保設(shè)備的安全穩(wěn)定運(yùn)行。