【技術實現步驟摘要】
本申請涉及數據處理相關領域，尤其涉及一種基于多源數據融合的螺桿空壓機故障預測方法。
技術介紹
1、隨著工業自動化的快速發展，螺桿空壓機作為重要的動力設備，其穩定性和可靠性對于保障生產過程的連續性和安全性至關重要。螺桿空壓機在運行過程中受到多種因素的影響，如設備老化、操作不當、外部環境變化等，這些因素都可能導致設備故障的發生。目前，針對螺桿空壓機的故障預測，通常采用基于單一傳感器的監測方法，這種方法主要依賴于設備自帶的傳感器數據，通過設定閾值或簡單的統計模型來判斷設備是否處于正常狀態，這種方法無法準確預測設備的故障發生時間和故障類型。
2、現階段相關技術中，螺桿空壓機故障預測存在預測的準確性差的技術問題。
技術實現思路
1、本申請通過提供一種基于多源數據融合的螺桿空壓機故障預測方法，采用集成布設在螺桿空壓機上的多個傳感器數據，對設備運行狀態進行全面監測，篩選出目標特征，對目標特征進行特征融合，訓練時間序列預測模型等技術手段，達到了實現對故障發生的精準預測的技術效果。
2、本申請提供一種基于多源數據融合的螺桿空壓機故障預測方法，包括：
3、獲取多源數據，所述多源數據為布設在螺桿空壓機上的傳感器采集，包括排氣座振動數據、氣缸體振動數據、轉子軸向位移數據、進油口壓力數據、排氣口壓力數據、排氣口溫度數據；對所述多源數據進行預處理，提取多源數據的監測數據特征；基于所述多源數據的來源，結合所述監測數據特征進行特征相關性評估，篩選目標特征；根據所述目標特征進行特
4、在可能的實現方式中，對所述多源數據進行預處理，提取多源數據的監測數據特征，執行以下處理：
5、對所述多源數據進行歸一化處理，并根據監測時間進行多源數據同步對齊，獲得預處理多源數據；映射關聯孿生網絡分支及監測傳感器，按照映射關聯關系將對應監測傳感器的監測數據輸入孿生網絡分支中進行數據特征提取；分別獲得各傳感器的監測數據特征，將多源數據的監測數據特征進行合并得到所述多源數據的監測數據特征。
6、在可能的實現方式中，所述映射關聯孿生網絡分支及監測傳感器，執行以下處理：
7、構建特征提取網絡模型；基于所述特征提取網絡模型按照配置數量進行網絡復制，構建多個網絡分支，其中各網絡分支網絡結構相同，且共享權值，構建孿生網絡模型；根據布設在螺桿空壓機上的傳感器搭建連接通道，用于建立監測傳感器與所述孿生網絡模型各網絡分支的映射關聯關系。
8、在可能的實現方式中，基于所述多源數據的來源，結合所述監測數據特征進行特征相關性評估，篩選目標特征，執行以下處理：
9、根據所述多源數據的來源，建立監測數據特征對，所述監測數據特征對由數據來源不同且采集時間相同的兩個監測數據特征組成；計算監測數據特征對的相關系數；根據所述相關系數進行多重共線性數據的篩選合并，獲得所述目標特征。
10、在可能的實現方式中，根據所述目標特征進行特征融合，確定多源特征融合規則，并構建訓練數據融合通道，執行以下處理：
11、根據所述排氣座振動數據、氣缸體振動數據、轉子軸向位移數據、進油口壓力數據、排氣口壓力數據、排氣口溫度數據的監測數據特征，配置數據特征類，所述數據特征類包括數據方向、數據波動幅值；基于所述數據特征類對目標特征進行歸類，構建多特征類集合；基于所述相關系數，按照預設篩選閾值對所述多特征類集合進行同時間篩選，確定融合特征組，其中所述融合特征組包括兩個或兩個以上多特征類；將多種不同的融合特征組的融合關系作為所述多源特征融合規則；根據所述多源特征融合規則構建多通路融合模塊，集成螺桿空壓機狀態獲取通道，構建所述訓練數據融合通道。
12、在可能的實現方式中，基于所述訓練數據集，構建時序訓練數據組，執行以下處理：
13、根據所述融合特征組對所述訓練數據集進行聚類，獲得各融合特征組的訓練數據集，其中包括監測時間標識；根據訓練數據集中的螺桿空壓機狀態信息進行故障樣本篩選，獲取目標訓練數據集；基于所述目標訓練數據集的監測時間標識對所述各融合特征組進行時序排列，構建所述時序訓練數據組，所述時序訓練數據組包括具有時序關系的多組訓練數據，且多組訓練數據具有相同的融合特征組，以及螺桿空壓機故障信息；判斷所述時序訓練數據組是否達到預設數量，當未達到時，基于所述時序訓練數據組進行變異衍生或仿真測試，擴充所述時序訓練數據組。
14、在可能的實現方式中，所述訓練時間序列預測模型，執行以下處理：
15、確定時間序列模塊框架，所述時間序列模塊框架為隱馬爾可夫模型；利用所述時序訓練數據組對所述時間序列模塊框架進行訓練，將所述螺桿空壓機故障信息作為目標狀態，確定各時間點轉移到目標狀態的概率，利用前向-后向算法訓練及收斂，獲取模型參數；基于所述模型參數，獲得所述時間序列預測模型。
16、在可能的實現方式中，所述根據實時采集的多源監測數據進行故障時序預測，執行以下處理：
17、根據實時采集的多源監測數據，獲得目標特征；利用所述目標特征與多源特征融合規則進行匹配，通過訓練數據融合通道獲得融合特征；通過所述時間序列預測模型對所述融合特征進行狀態概率預測，獲得故障概率及對應的時間節點；獲取時間節點的可信系數，基于所述可信系數、所述故障概率，確定自適應預警策略；根據所述自適應預警策略、所述故障概率及對應的時間節點生成故障時序預警結果。
18、擬通過本申請提出的一種基于多源數據融合的螺桿空壓機故障預測方法，首先獲取多源數據，多源數據為布設在螺桿空壓機上的傳感器采集，包括排氣座振動數據、氣缸體振動數據、轉子軸向位移數據、進油口壓力數據、排氣口壓力數據、排氣口溫度數據，接著對多源數據進行預處理，提取多源數據的監測數據特征，進而基于多源數據的來源，結合監測數據特征進行特征相關性評估，篩選目標特征，再根據目標特征進行特征融合，確定多源特征融合規則，并構建訓練數據融合通道，訓練數據融合通道用于將多源數據進行特征融合，生成訓練數據集，然后基于訓練數據集，構建時序訓練數據組，訓練時間序列預測模型，時間序列預測模型用于預測螺桿空壓機故障發生時間信息，最后將訓練完成的時間序列預測模型部署至監測系統中，根據實時采集的多源監測數據進行故障時序預測，達到了實現對故障發生的精準預測的技術效果。
本文檔來自技高網...【技術保護點】
1.一種基于多源數據融合的螺桿空壓機故障預測方法，其特征在于，所述一種基于多源數據融合的螺桿空壓機故障預測方法包括：
2.如權利要求1所述的一種基于多源數據融合的螺桿空壓機故障預測方法，其特征在于，對所述多源數據進行預處理，提取多源數據的監測數據特征，包括：
3.如權利要求2所述的一種基于多源數據融合的螺桿空壓機故障預測方法，其特征在于，所述映射關聯孿生網絡分支及監測傳感器，包括：
4.如權利要求1所述的一種基于多源數據融合的螺桿空壓機故障預測方法，其特征在于，基于所述多源數據的來源，結合所述監測數據特征進行特征相關性評估，篩選目標特征，包括：
5.如權利要求4所述的一種基于多源數據融合的螺桿空壓機故障預測方法，其特征在于，根據所述目標特征進行特征融合，確定多源特征融合規則，并構建訓練數據融合通道，包括：
6.如權利要求5所述的一種基于多源數據融合的螺桿空壓機故障預測方法，其特征在于，基于所述訓練數據集，構建時序訓練數據組，包括：
7.如權利要求6所述的一種基于多源數據融合的螺桿空壓機故障預測方法，其特征在于
8.如權利要求6所述的一種基于多源數據融合的螺桿空壓機故障預測方法，其特征在于，所述根據實時采集的多源監測數據進行故障時序預測，包括：
...【技術特征摘要】
1.一種基于多源數據融合的螺桿空壓機故障預測方法，其特征在于，所述一種基于多源數據融合的螺桿空壓機故障預測方法包括：
2.如權利要求1所述的一種基于多源數據融合的螺桿空壓機故障預測方法，其特征在于，對所述多源數據進行預處理，提取多源數據的監測數據特征，包括：
3.如權利要求2所述的一種基于多源數據融合的螺桿空壓機故障預測方法，其特征在于，所述映射關聯孿生網絡分支及監測傳感器，包括：
4.如權利要求1所述的一種基于多源數據融合的螺桿空壓機故障預測方法，其特征在于，基于所述多源數據的來源，結合所述監測數據特征進行特征相關性評估，篩選目標特征，包括：<...
【專利技術屬性】
技術研發人員：竇文強，趙迎普，黃華，
申請(專利權)人：德耐爾能源裝備有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。