洗涤塔预测性维护方法及装置与流程

1.本发明涉及能源技术领域，尤其涉及洗涤塔预测性维护方法、装置、可读存储介质及电子设备。


背景技术：

2.洗涤塔与精馏塔类似，由塔体，塔板，再沸器，冷凝器组成。由于洗涤塔是进行粗分离的设备，所以塔板数量一般较少，通常不会超过十级。洗涤塔适用于含有少量粉尘的混合气体分离，各组分不会发生反应，且产物应容易液化，粉尘等杂质(也可以称之为高沸物)不易液化或凝固。当混合气从洗涤塔中部通入洗涤塔，由于塔板间存在产物组分液体，产物组分气体液化的同时蒸发部分，而杂质由于不能被液化或凝固，当通过有液体存在的塔板时将会被产物组分液体固定下来，产生洗涤作用，洗涤塔就是根据这一原理设计和制造的。并广泛的应用在化学工业、食品工业、制药等工业中。能否有效精确的判断洗涤塔塔盘结垢，并及时除垢是对洗涤塔进行预测性维护的关键。
3.目前，是通过事后判断确定出洗涤塔故障，确定洗涤塔是否因为结垢等因素造成能源浪费，能源耗量显著增加后才开始按照预定的方案，安排对洗涤塔的关键部位进行清洗等维护。
4.但是，上述方法会影响洗涤塔的正常运行。


技术实现要素：

5.本发明提供了一种洗涤塔预测性维护方法、装置、计算机可读存储介质及电子设备，得到的目标除垢预测模型可较为准确的预测洗涤塔是否需要除垢，后续，在需要除垢时对洗涤塔进行除垢，确保洗涤塔的正常运行，无需等到能源耗量显著增加后进行除垢。
6.第一方面，本发明提供了一种洗涤塔预测性维护方法，包括：
7.获取参考洗涤塔的模型训练数据集，所述模型训练数据集包括各个除垢周期数据；
8.确定所述模型训练数据集对应的至少两个结垢预测模型，各个所述结垢预测模型的模型结构不同；
9.对各个所述结垢预测模型进行融合，确定目标除垢预测模型；
10.根据所述目标除垢预测模型对目标洗涤塔进行预测性维护。
11.第二方面，本发明提供了一种洗涤塔预测性维护装置，包括：
12.获取模块，用于获取参考洗涤塔的模型训练数据集，所述模型训练数据集包括各个除垢周期数据；
13.模型训练模块，用于确定所述模型训练数据集对应的至少两个结垢预测模型，各个所述结垢预测模型的模型结构不同；
14.融合模块，用于对各个所述结垢预测模型进行融合，确定目标除垢预测模型；
15.预测模块，用于根据所述目标除垢预测模型对目标洗涤塔进行预测性维护。
16.第三方面，本发明提供了一种计算机可读存储介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述处理器执行如第一方面中任一所述的方法。
17.第四方面，本发明提供了一种电子设备，包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行如第一方面中任一所述的方法。
18.本发明提供了一种洗涤塔预测性维护方法、装置、计算机可读存储介质及电子设备，该方法通过获取参考洗涤塔的模型训练数据集，模型训练数据集包括各个除垢周期数据；根据模型训练数据集，确定模型训练数据集对应的至少两个结垢预测模型，各个结垢预测模型的模型结构不同；对各个结垢预测模型进行融合，以确定目标除垢预测模型；根据目标除垢预测模型对目标洗涤塔进行预测性维护。综上所述，本发明的技术方案，得到的目标除垢预测模型通过融合不同结垢预测模型，从而得到较为准确预测性维护结果，后续，在需要除垢时对洗涤塔进行除垢，确保洗涤塔的正常运行，无需等到能源耗量显著增加后进行除垢。
19.上述的非惯用的优选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
20.为了更清楚地说明本发明实施例或现有的技术方案，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中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
21.图1为本发明一实施例提供的一种洗涤塔预测性维护方法的流程示意图；
22.图2为本发明一实施例提供的一种洗涤塔预测性维护装置的结构示意图；
23.图3为本发明一实施例提供的一种电子设备的结构示意图。
具体实施方式
24.为使本发明的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图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他实施例，都属于本发明保护的范围。
25.如图1所示，为本发明实施例提供的一种洗涤塔预测性维护方法。本发明实施例所提供的方法可应用在电子设备上，具体可以应用于服务器或一般计算机上。本实施例中，所述方法具体包括以下步骤：
26.步骤101、获取参考洗涤塔的模型训练数据集，所述模型训练数据集包括各个除垢周期数据。
27.具体地，模型训练数据集包括各个除垢周期数据，除垢周期数据对应的除垢周期为第i次除垢到第(i 1)次除垢所经历的时间，举例来说，除垢后正常运行第一天作为除垢周期的起点，下一次除垢后正常运行第一天作为除垢周期的终点。除垢周期数据包括除垢周期内的除垢临界值，各个时间点各自对应的气化炉负荷、塔盘加水流量、合成气流量、阀
门开度、环境数据、管道直径，管道压力、加水流量、结垢厚度等，除垢周期数据具体需要结合实际情况确定，在实际应用中，除垢周期数据通常包括通过物联网能够采集的洗涤塔的运行数据。
28.步骤102、确定所述模型训练数据集对应的至少两个结垢预测模型，各个所述结垢预测模型的模型结构不同。
29.不同模型的数据挖掘效果不同，为了能够确保数据挖掘所得到的信息的参考价值，各个结垢预测模型的模型结构不同，从而更好的挖掘数据背后所蕴藏的信息。比如，4个结垢预测模型和线性回归模型、指数回归模型、多元归回模型、弹性网络回归一一对应。具体地，结垢预测模型用于确定洗涤塔的结垢信息，各个结垢预测模型为回归模型，结垢信息至少包括结垢厚度，在一些可能的场景中，结垢信息包括结垢时间以及结垢位置。应当理解的，各个结垢预测模型可以都是回归模型。
30.在实际应用中，以各个时间点的结垢信息为输出，各个时间点的影响结垢信息的数据为输入，进行模型训练，得到结垢预测模型。
31.步骤103、对各个所述结垢预测模型进行融合，确定目标除垢预测模型。
32.考虑到不同模型的预测结果的准确性不同，通过对各个结垢预测模型进行融合，得到目标除垢预测模型，得到的目标除垢预测模型融合了不同数据挖掘的信息，从而具有相对较高的参考价值。
33.具体地，目标除垢预测模型用于根据各个结垢预测模型预测出的结垢信息，确定是否除垢。
34.应当理解的，模型融合方法多种多样，本实施例并不意图限制模型融合方法，任何现有技术中的融合不同类型的模型的方法皆可。
35.在一些可行的实现方式中，步骤103包括：
36.根据所述模型训练数据集，确定各个所述结垢预测模型各自的预测误差向量；
37.根据各个所述结垢预测模型各自的预测误差向量，确定各个所述结垢预测模型各自对应的权重；
38.根据各个所述结垢预测模型各自对应的权重，对各个所述结垢预测模型进行融合，确定目标除垢预测模型。
39.考虑到不同模型的预测结果的准确性不同，通过各个结垢预测模型各自的权重，对各个结垢预测模型进行融合，得到目标除垢预测模型，得到的目标除垢预测模型融合了不同数据挖掘的信息，从而具有相对较高的参考价值。
40.具体地，权重指示了结垢预测模型的预测结果的重要程度。在实际应用中，各个结垢预测模型各自对应的权重之和为1。
41.结垢预测模型的预测误差向量包括各个时间点各自的预测误差，预测误差为该时间点的结垢预测模型的预测值和真实值之间的差值。
42.作为一种可能的情况，所述根据各个所述结垢预测模型各自的预测误差向量，确定各个所述结垢预测模型各自对应的权重，包括：
43.根据各个所述结垢预测模型各自的预测误差向量，确定信息误差矩阵；
44.获取各个所述结垢预测模型对应的初始权重向量以及各个所述结垢预测模型对应的损失函数：
45.根据所述信息误差矩阵和所述初始权重向量，求解所述损失函数，确定各个所述结垢预测模型各自的权重。
46.信息误差矩阵指示了对误差矩阵进行信息挖掘所得到的信息。损失函数指的是各个结垢预测模型融合后的模型的误差大小；初始权重向量包括各个结垢预测模型各自的初始权重，初始权重向量中的元素均为1。
47.在一个例子中，所述根据各个所述结垢预测模型各自的预测误差向量，确定信息误差矩阵，包括：
48.根据各个所述结垢预测模型各自的预测误差向量，确定误差矩阵；
49.对所述误差矩阵以及所述误差矩阵的转置矩阵进行相乘计算，确定信息误差矩阵。
50.具体地，按照时间顺序对预测误差向量进行排列，得到误差矩阵，计算误差矩阵和误差矩阵的转置矩阵相乘后的结果，并将该结果为信息误差矩阵。
51.目标除垢预测模型如下：
[0052][0053]
其中，表示t时刻组合预测值，y
i，t
表示t时刻第i种模型的预测值，wi表示第i种结垢预测模型的权重，wi≥0，i＝1，2，
……
，r。
[0054]
第i种预测模型在第t时刻的预测误差e
i，t
为e
i，t
＝y
i，t-y
i，t
，其中，y
i，t
表示t时刻第i种模型的真实值；
[0055]
第i种预测模型的预测误差向量fi为fi＝[e
i，1
，e
i，2
，...，e
i，n
]
t
。
[0056]
误差矩阵e为e＝[f1，f2，...，fr]。
[0057]
信息误差矩阵er为
[0058]
令初始权重向量rr＝[r1，r2，...，ri]，r1，r2，...，ri全为1，即初始权重向量rr是元素全为1的r维向量，为r种结垢预测模型的初始权重向量。
[0059]
则损失函数s为
[0060][0061]
得到线性规划的目标函数：mins＝w
ter
w，约束条件：最优解为w中的r个元素即为r个结垢预测模型的权重。
[0062]
作为一种可能的情况，所述参考洗涤塔至少有2个，所述确定所述模型训练数据集对应的至少两个结垢预测模型，包括：
[0063]
获取各个所述参考洗涤塔各自的模型训练数据集；
[0064]
针对每个所述模型训练数据集，确定所述模型训练数据集对应的至少两个候选结垢预测模型，各个所述候选结垢预测模型的模型结构不同；
[0065]
对模型结构相同的各个所述候选结垢预测模型进行聚合，以确定至少两个模型集合；
[0066]
针对每个所述模型集合，获取更新模型参数，所述更新模型参数基于所述模型集合中各个候选结垢预测模型的模型参数确定，根据所述更新模型参数、所述模型集合、所述模型集合对应的各个模型训练数据集，以调整更新模型参数，并根据满足迭代条件时的更新模型参数，确定除垢预测模型。
[0067]
假设有n个参考设备，每个参考设备一个模型训练数据集，即n个模型训练数据集，每个模型训练数据集对应n个候选结垢预测模型，即n种模型结构不同，如果每个模型训练数据集均有n种模型结构，则有n个模型集合，每个模型集合包括n个候选结垢预测模型，n个候选结垢预测模型和n个参考设备一一对应，针对每个模型集合，对模型集合中的n个候选结垢预测模型的模型参数进行加权平均，确定更新模型参数，并通过更新模型参数对n个候选结垢预测模型的模型参数进行更新，然后通过n个模型训练数据集对更新好的n个候选结垢预测模型进行模型训练，得到训练完成后的n个模型训练数据集，基于训练完成后的n个模型训练数据集中的模型参数，调整更新模型参数，不断迭代，得到迭代次数满足预设次数时的更新模型参数，根据更新模型参数和对应的模型结构，确定除垢预测模型。
[0068]
该实施例中，得到的除垢预测模型综合了各个参考设备的模型训练数据，从而具有相对较高的准确性。
[0069]
在实际应用中，不同模型训练数据集分布在物联网中的不同节点，直接在本地进行模型训练，确保数据安全。其中，节点能进行数据处理以及数据交互，包括但不限于边缘服务器、边缘网关以及边缘控制器中的任意一种或多种。
[0070]
步骤104、根据所述目标除垢预测模型对目标洗涤塔进行预测性维护。
[0071]
具体地，目标除垢预测模型用于预测出结垢厚度，并根据除垢临界值以及预测出的结垢厚度确定是否除垢。换言之，目标除垢预测模型用于预测出目标洗涤塔的结垢信息，并根据所述结垢信息中的结垢厚度和除垢临界值，确定是否除垢。
[0072]
目标洗涤塔可以是参考洗涤塔，或者，和参考洗涤塔相似的洗涤塔。
[0073]
在一些可能的情况，目标除垢预测模型用于预测出目标洗涤塔的结垢信息，并根据结垢信息中的结垢厚度和除垢临界值，确定是否除垢，进一步的，还包括：
[0074]
当对所述目标设备进行除垢处理后，获取除垢评估指标的标准值以及所述除垢处理后的所述除垢评估指标的评估值；
[0075]
根据所述除垢评估指标的标准值和所述除垢评估指标的评估值之间的比较结果，确定所述除垢临界值的修改系数；
[0076]
根据所述除垢临界值的修改系数，修改所述除垢临界值。
[0077]
具体地，除垢评估指标表示用于评估结垢厚度的变量，标准值指的是新设备在没有结垢时候所得到的除垢评估指标的数值，比如新设备使用时的单位时间的合成气流量、甲醇分离量等。在通过目标除垢预测模型确定对目标设备进行除垢处理后，用户对目标洗涤塔进行除垢，除垢后第一次使用设备得到的除垢评估指标的数据作为评估值。如果所有除垢评估指标的评估值不小于其对应的标准值，则修改系数为1。如任意一个除垢评估指标
的评估值小于其对应的标准值，则修改系数为所有除垢评估指标各自的评估值与对应标准值的比值的平均值，并将除垢临界值乘以修改系数，得到新的除垢临界值。假设除垢临界值为10cm，修改系数为0.95，说明还有部分结垢未被清除，因此，将除垢临界值修改为10*0.95。其中，除垢临界值指的是对洗涤塔进行除垢时的最小的结垢厚度。通过除垢评估指标的标准值和除垢后的评估值的比对，判断除垢效果，从而基于实际除垢效果，更改除垢临界值，使得修改后的除垢临界值符合实际结垢情况，确保预测性维护的准确性。
[0078]
通过以上技术方案可知，本实施例存在的有益效果是：得到目标除垢预测模型通过融合不同结垢预测模型，从而得到较为准确预测性维护结果，后续，在需要除垢时对洗涤塔进行除垢，确保洗涤塔的正常运行，无需等到能源耗量显著增加后进行除垢。同时通过除垢后的数据修改目标除垢预测模型中的除垢临界值，确保目标除垢预测模型能够和洗涤塔的实际运行情况匹配。
[0079]
基于与本发明方法实施例相同的构思，请参考图2，本发明实施例还提供了一种洗涤塔预测性维护装置，包括：
[0080]
获取模块201，用于获取参考洗涤塔的模型训练数据集，所述模型训练数据集包括各个除垢周期数据；
[0081]
模型训练模块202，用于确定所述模型训练数据集对应的至少两个结垢预测模型，各个所述结垢预测模型的模型结构不同；
[0082]
融合模块203，用于对各个所述结垢预测模型进行融合，确定目标除垢预测模型；
[0083]
预测模块204，用于根据所述目标除垢预测模型对目标洗涤塔进行预测性维护。
[0084]
本发明一个实施例中，所述目标除垢预测模型用于预测出所述目标洗涤塔的结垢信息，并根据所述结垢信息中的结垢厚度和除垢临界值，确定是否除垢。
[0085]
本发明一个实施例中，所述除垢周期数据对应的除垢周期为第i次除垢到第i 1次除垢所经历的时间，其中，i为自然数。
[0086]
本发明一个实施例中，还包括：除垢模块、系数确定模块以及修正模块；其中，
[0087]
所述除垢模块，用于当对所述目标设备进行除垢处理后，获取除垢评估指标的标准值以及所述除垢处理后的所述除垢评估指标的评估值；
[0088]
所述系数确定模块，用于根据所述除垢评估指标的标准值和所述除垢评估指标的评估值之间的比较结果，确定所述除垢临界值的修改系数；
[0089]
所述修正模块，用于根据所述除垢临界值的修改系数，修改所述除垢临界值。
[0090]
本发明一个实施例中，所述融合模块203，包括：误差确定单元、权重确定单元以及融合单元；其中，
[0091]
所述误差确定单元，用于根据所述模型训练数据集，确定各个所述结垢预测模型各自的预测误差向量；
[0092]
所述权重确定单元，用于根据各个所述结垢预测模型各自的预测误差向量，确定各个所述结垢预测模型各自对应的权重；
[0093]
所述融合单元，用于根据各个所述结垢预测模型各自对应的权重，对各个所述结垢预测模型进行融合，确定目标除垢预测模型。
[0094]
本发明一个实施例中，所述误差确定单元，包括：误差确定子单元、函数确定子单元以及求解子单元；其中，
[0095]
所述误差确定子单元，用于根据各个所述结垢预测模型各自的预测误差向量，确定信息误差矩阵；
[0096]
所述函数确定子单元，用于获取各个所述结垢预测模型对应的初始权重向量以及各个所述结垢预测模型对应的损失函数；
[0097]
所述求解子单元，用于根据所述信息误差矩阵和所述初始权重向量，求解所述损失函数，确定各个所述结垢预测模型各自的权重。
[0098]
本发明一个实施例中，所述误差确定子单元，用于根据各个所述结垢预测模型各自的预测误差向量，确定误差矩阵；对所述误差矩阵以及所述误差矩阵的转置矩阵进行相乘计算，确定信息误差矩阵。
[0099]
本发明一个实施例中，所述模型训练模块202，包括：获取单元、模型训练单元、聚合单元以及模型确定单元；其中，
[0100]
所述获取单元，用于获取各个所述参考洗涤塔各自的模型训练数据集；
[0101]
所述模型训练单元，用于针对每个所述模型训练数据集，确定所述模型训练数据集对应的至少两个候选结垢预测模型，各个所述候选结垢预测模型的模型结构不同；
[0102]
所述聚合单元，用于对模型结构相同的各个所述候选结垢预测模型进行聚合，以确定至少两个模型集合；
[0103]
所述模型确定单元，用于针对每个所述模型集合，获取更新模型参数，所述更新模型参数基于所述模型集合中各个候选结垢预测模型的模型参数确定，根据所述更新模型参数、所述模型集合、所述模型集合对应的各个模型训练数据集，以调整更新模型参数，并根据满足迭代条件时的更新模型参数，确定除垢预测模型。
[0104]
图3是本发明实施例提供的一种电子设备的结构示意图。在硬件层面，该电子设备包括处理器301以及存储有执行指令的存储器302，可选地还包括内部总线30及网络接口304。其中，存储器302可能包含内存3021，例如高速随机存取存储器(random-access memory，ram)，也可能还包括非易失性存储器3022(non-volatile memory)，例如至少1个磁盘存储器等；处理器301、网络接口304和存储器302可以通过内部总线30相互连接，该内部总线30可以是isa(industry standard architecture，工业标准体系结构)总线、pci(peripheral component interconnect，外设部件互连标准)总线或eisa(extended industry standard architecture，扩展工业标准结构)总线等；内部总线30可以分为地址总线、数据总线、控制总线等，为便于表示，图3中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。当然，该电子设备还可能包括其他业务所需要的硬件。当处理器301执行存储器302存储的执行指令时，处理器301执行本发明任意一个实施例中的方法，并至少用于执行如图1所示的方法。
[0105]
在一种可能实现的方式中，处理器从非易失性存储器中读取对应的执行指令到内存中然后运行，也可从其它设备上获取相应的执行指令，以在逻辑层面上形成一种洗涤塔预测性维护装置。处理器执行存储器所存放的执行指令，以通过执行的执行指令实现本发明任一实施例中提供的一种洗涤塔预测性维护方法。
[0106]
处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器
(network processor，np)等；还可以是数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field－programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0107]
本发明实施例还提供了一种计算机可读存储介质，包括执行指令，当电子设备的处理器执行执行指令时，所述处理器执行本发明任意一个实施例中提供的方法。该电子设备具体可以是如图3所示的电子设备；执行指令是一种洗涤塔预测性维护装置所对应计算机程序。
[0108]
本领域内的技术人员应明白，本发明的实施例可提供为方法或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例，或软件和硬件相结合的形式。
[0109]
本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0110]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0111]
以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。