一种空压站电能消耗监测预警系统的制作方法

1.本发明属于能耗评估技术领域，具体是一种空压站电能消耗监测预警系统。


背景技术：

2.压缩空气作为三大动力源之一，应用领域非常广泛。空压机/空压站是一种制造压缩空气的设备，其在工业中能耗占比较大，其所消耗的电能只有10％转化成为压缩空气。对空压站运行过程的能耗进行有效监测，并根据监测结果提高气电比是目前迫切需要解决的问题。
3.现有方案对电能消耗的评价方法包括确定车间电能消耗构成、根据电能消耗指标因子建立能耗评价体系、对电能消耗指标因子设置加权系数、根据电能消耗因子进行评价。
4.上述方案的步骤简单，对车间电能消耗的评价效果好；但是，上述方案需要较复杂的前期准备工作，整个评估过程需要消耗一定的时间，且不能根据电能消耗结果进行对应的检修和整改；因此，亟需一种适用于空压站、能够实时分析电能消耗、能够根据电能消耗分析结果定位故障位置的监测预警系统。


技术实现要素：

5.本发明提供了一种空压站电能消耗监测预警系统，用于解决现有方案中不能够实时分析电能消耗，且无法根据分析结果定位故障位置，导致故障不能及时清除的技术问题，本发明通过对组成部件分别监测，结合多项式拟合法和预警评价模型联合解决了上述问题。
6.本发明的目的可以通过以下技术方案实现：一种空压站电能消耗监测预警系统，包括空压站和应用于空压站的监控系统；
7.所述监控系统包括若干节点监测单元、处理器、预警反馈单元和智能终端；若干所述节点监测单元用于监测空压站各组成部件；
8.若干所述节点监测单元通过采集传感器实时采集组成部件的数据并发送至处理器；
9.所述处理器进行数据处理获取各组成部件的预警标签；所述预警标签的取值为0或者1；
10.通过预警反馈单元根据预警标签进行预警反馈；所述智能终端用于接收预警信息和展示数据处理结果。
11.优选的，所述采集传感器包括温度传感器、湿度传感器、压力传感器和智能电表；所述压力传感器用于检测储气罐及空压站各组成部件之间管路的压力；所述智能电表用于检测所述组成部件的电能消耗。
12.优选的，所述处理器接收采集的数据，经过数据处理之后生成预警标签，包括：
13.对数据进行数据清理，提取数据中的压力值和电能消耗值；
14.求取设定时间周期内压力值和电能消耗值的平均值，分别生成压力序列和电能消
耗序列；其中，所述压力序列为[[1,p1],[2,p2],
…
,[i,pi]]，电能消耗序列为[[1,h1],[2,h2],
…
,[i,hi]]，i为大于0的整数，表示设定时间周期的编号，pi表示编号i对应设定时间周期内的压力均值，hi表示编号i对应设定时间周期内电能消耗均值；所述设定时间周期包括一秒钟、一分钟或者一刻钟；
[0015]
求取压力序列和电能消耗序列的均方差，分别标记为压力均方差和电能消耗均方差；
[0016]
当压力均方差大于压力方差阈值，且电能消耗均方差大于电耗方差阈值时，则将对应组成部件的预警标签标记为1；否则，将对应组成部件的预警标签标记为0。
[0017]
优选的，所述预警标签还可通过预警评价模型获取，包括：
[0018]
提取数据中设定时间周期对应的温度均值和湿度均值，联合压力序列、电能消耗序列生成输入数据；
[0019]
将输入数据输入至预警评价模型获取输出结果，所述输出结果即为输入数据对应的预警标签。
[0020]
优选的，所述预警评价模型的获取包括：
[0021]
获取标准训练数据；所述标准训练数据包括训练数据及对应的预警标签，所述标准训练数据中的预警标签通过人工标注获取，且所述训练数据与所述输入数据所包含的内容相同；
[0022]
构建人工智能模型；所述人工智能模型包括误差逆向反馈神经网络、rbf神经网络、深度卷积神经网络中的一种或者多种；
[0023]
通过标准训练数据对人工智能模型进行训练、测试和校验，将完成训练的人工智能模型标记为预警评价模型。
[0024]
优选的，所述预警标签可通过多项式拟合法和预警评价模型联合获取。
[0025]
优选的，所述预警反馈单元根据预警标签进行预警，包括：
[0026]
当预警标签为1时，则将对应组成部件的位置和类型发送至智能终端，通过智能终端匹配维修人员进行现场勘察处理。
[0027]
优选的，所述智能终端用于对数据处理过程和预警标签进行实时可视化展示；所述智能终端包括智能手机、平板电脑和笔记本电脑。
[0028]
优选的，空压站的所述组成部件包括空气压缩机、储气罐、空气净化设备和冷干机。
[0029]
优选的，所述监控系统还包括数据存储单元，所述数据存储单元用于存储数据；所述处理器分别与智能终端、数据存储单元、节点监测单元、预警反馈单元通信连接；所述采集传感器和所述节点监测单元通信和/或电气连接。
[0030]
与现有技术相比，本发明的有益效果是：
[0031]
1、本发明通过节点监测单元获取各组成部件的监测数据，通过处理器结合多项式拟合法和预警评估模型对监测数据进行分析处理，再通过预警反馈单元根据分析结果进行预警；既能够实时分析电能消耗情况，又方便对电能消耗异常的组成部件进行定位维修。
[0032]
2、本发明中数据处理可以仅通过多项式拟合法处理，或者仅通过预警评估模型处理，也可以讲多项式拟合法和预警评估模型结合，能够适应不同场景下的电能消耗监测，提高了监测效率和监测可靠性。
附图说明
[0033]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0034]
图1为本发明的原理示意图。
具体实施方式
[0035]
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0036]
这里使用的术语用于描述实施例，并不意图限制和/或限制本公开；应该注意的是，除非上下文另有明确指示，否则单数形式的“一”、“一个”和“该”也包括复数形式；而且，尽管属于“第一”、“第二”等可以在本文中用于描述各种元件，但是元件不受这些术语的限制，这些术语仅用于区分一个元素和另一个元素。
[0037]
请参阅图1，本技术公开了一种空压站电能消耗监测预警系统，包括空压站和应用于空压站的监控系统；监控系统包括若干节点监测单元、处理器、预警反馈单元和智能终端；若干所述节点监测单元用于监测空压站各组成部件。监控系统还包括数据存储单元，数据存储单元用于存储数据；处理器分别与智能终端、数据存储单元、节点监测单元、预警反馈单元通信连接；采集传感器和所述节点监测单元通信和/或电气连接。
[0038]
本技术中的空压站的组成部件包括空气压缩机、储气罐、空气净化设备和冷干机。设置的若干节点监测单元对应监测空压站的组成部件。通过采集传感器采集各组成部件的数据，将这些数据发送至对应节点监测单元，保证数据采集的及时性，避免监测不及时电能的额外消耗，设置空压站的故障。本实施例中的智能终端包括智能手机、平板电脑和笔记本电脑，智能终端用于将监测过程和监测结果可视化，方便管理人员进行监控。
[0039]
本技术中的采集传感器包括温度传感器、湿度传感器、压力传感器和智能电表等能够采集与电能消耗相关数据的传感器，其中，压力传感器用于检测储气罐及空压站各组成部件之间管路的压力；智能电表用于检测所述组成部件的电能消耗。因为，空压站中电能无效消耗的一个重要原因是管路泄露或者储气罐泄露，所以有上述设置。
[0040]
本技术通过处理器来对节点监测单元监测的数据进行数据处理，本实施例提供了多项式拟合法、预警评价模型以及多项式拟合法和预警评价模型结合的三种方案。
[0041]
1)多项式拟合法
[0042]
处理器接收采集的数据，经过数据处理之后生成预警标签，包括：
[0043]
对数据进行数据清理，提取数据中的压力值和电能消耗值；
[0044]
求取设定时间周期内压力值和电能消耗值的平均值，分别生成压力序列和电能消耗序列；其中，所述压力序列为[[1,p1],[2,p2],
…
,[i,pi]]，电能消耗序列为[[1,h1],[2,h2],
…
,[i,hi]]，i为大于0的整数，表示设定时间周期的编号，pi表示编号i对应设定时间周期内的压力均值，hi表示编号i对应设定时间周期内电能消耗均值；
[0045]
求取压力序列和电能消耗序列的均方差，分别标记为压力均方差和电能消耗均方差；
[0046]
当压力均方差大于压力方差阈值，且电能消耗均方差大于电耗方差阈值时，则将对应组成部件的预警标签标记为1；否则，将对应组成部件的预警标签标记为0。
[0047]
多项式拟合法通过对数据处理，获取对应的均方差，当均方差超过谁当的范围即可判定对应组成部件的工作状态是否正常。
[0048]
2)预警评价模型
[0049]
预警标签还可通过预警评价模型获取，包括：
[0050]
提取数据中设定时间周期对应的温度均值和湿度均值，联合压力序列、电能消耗序列生成输入数据；
[0051]
将输入数据输入至预警评价模型获取输出结果，所述输出结果即为输入数据对应的预警标签。
[0052]
预警评价模型的获取包括：
[0053]
获取标准训练数据；所述标准训练数据包括训练数据及对应的预警标签，所述标准训练数据中的预警标签通过人工标注获取，且所述训练数据与所述输入数据所包含的内容相同；
[0054]
构建人工智能模型；所述人工智能模型包括误差逆向反馈神经网络、rbf神经网络、深度卷积神经网络中的一种或者多种；
[0055]
通过标准训练数据对人工智能模型进行训练、测试和校验，将完成训练的人工智能模型标记为预警评价模型。
[0056]
预警评价模型中的输入数据还可以根据压力值和电能消耗值的变化曲线特征，包括驻点、一阶导数值等。利用预警评价模型强大的非线性拟合能力，以及监测数据的变化特征来分析空压站的工作状态，能够充分保证分析结果的可靠性。
[0057]
3)多项式拟合法 预警评价模型
[0058]
将上述两种方案结合起来完成监测，如当多项式拟合法获取的预警标签为0，且预警评价模型获取的预警标签为0时，判定对应的组成部件工作状态异常。这种方案既考虑了监测结果是否满足要求，又考虑了组成部件运行过程是否满足要求，更能够保证监测结果的准确性和可靠性。
[0059]
上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
[0060]
本发明的工作原理：
[0061]
节点监测单元通过采集传感器实时采集组成部件的数据并发送至处理器；处理器通过多项式拟合法和/或预警评价模型获取对应组成部件的预警标签；预警反馈单元根据预警标签发送预警至智能终端，根据预警派遣维修人员对组成部件进行检修，同时通过智能终端实时显示数据处理过程。
[0062]
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。
而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0063]
以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。