确定空压站的流量状态的方法、计算设备和计算机介质与流程

1.本发明概括而言涉及工业控制领域，更具体地，涉及一种用于确定空压站的流量状态的方法、计算设备和计算机可读存储介质。


背景技术：

2.空压机全称空气压缩机，是一种用于对气体进行压缩的设备，当前已广泛应用于建筑、钢铁、采矿和化学工厂中。在气体需求较大的情况下，通常采用包括多个空压机的空压站来向用气端提供压缩气体。用气端例如可以是工厂或者车间等。在一个空压站中，多个空压机与同一条母管相连以将压缩气体传送到用气端。
3.在空压站的数字化运维中，流量计是一个很重要的传感器，很多重要的运行状态参数需要基于流量进行推断，例如管道压力损耗、每台空压机的实际排气量和能效水平。受限于现场站房和管道结构、施工成本等因素，通常只在母管上安装流量计，因此母管流量计的测量准确度和故障状态对空压机控制精准度的影响很大。
4.然而，相对于电表和压力计，流量计的测量精准度和稳定性不足，因此需要对母管流量计的测量准确度进行评估，并利用预测性维护进行智能故障诊断。例如，母管的流量计读数异常可能是由于管道性能变差、空压机性能变差或者流量计故障等原因造成的，因此，只有准确确定流量计读数异常的原因才能够准确地解决异常。
5.一种解决方法是在母管上加装一个或多个冗余流量计，以进行双重或多重校验。然而，这种解决方法将显著增加硬件成本并且施工难度加大、运维难度加大，并且，新增的流量计也带来了数据采集、传输、存储和计算成本的增加，在原流量计和冗余流量计同时出现故障的情况下，这种方法也不适用。
6.另一种解决方法是对流量计的内部结构进行优化，以使其能够进行故障诊断和测量偏差补偿。然而，这种解决方法只是改造流量计的内部结构，仍然需要进一步解决数据到外部控制系统的传输问题，并且，这种方法无法实现实时状态监测，如果在使用过程中发生故障，则无法及时发现并同步。


技术实现要素：

7.针对上述问题，本发明提供了一种利用母管和空压机上的已有设备，如母管流量计和空压机的电表和压力计，通过多个ai模型来对母管流量计的测量准确性进行评估并在母管流量计异常时对故障类型进行智能诊断的方法。
8.根据本发明的一个方面，提供了一种确定空压站的流量状态的方法。所述空压站包括多个空压机和连接所述多个空压机的所述母管。所述方法包括：获取在一组检测时刻时所述多个空压机中的每个空压机的实时功率、所述母管的实时压力和实时流量；利用每个空压机的单机压力模型，基于所述空压机的启停操作前后的功率差和所述母管的实时压力估计所述空压机的启停压力曲线夹角；利用每个空压机的单机排气量模型，基于所述空压机的实时功率和所述母管的实时流量估计所述空压机的实际排气量；以及利用所述母管
的母管异常诊断模型，基于所述母管在该组检测时刻的实时压力和实时流量以及每个空压机在该组检测时刻的启停压力曲线夹角和实际排气量，确定所述空压站的流量状态。
9.在一些实施例中，基于所述空压机的启停操作前后的功率差和所述母管的实时压力估计所述空压机的启停压力曲线夹角包括：确定所述空压机在该组检测时刻中的一个检测时刻是否发生启停操作；如果确定所述空压机在所述检测时刻发生启停操作，获取所述空压机的启停操作前后的两个实时功率值；基于所述两个实时功率值确定所述空压机的启停操作前后的功率差；以及基于所述空压机的单机压力模型和所述功率差估计所述空压机的启停压力曲线夹角。
10.在一些实施例中，基于所述空压机的实时功率和所述母管的实时流量估计所述空压机的实际排气量包括：确定在该组检测时刻中的一个检测时刻除了所述空压机之外的其他空压机是否处于运行状态；以及如果确定在所述检测时刻除了所述空压机之外的其他空压机都不处于运行状态，基于所述空压机的单机排气量模型和所述母管的实时流量估计所述空压机的实际排气量。
11.在一些实施例中，确定所述空压站的流量状态包括：基于每个空压机的启停压力曲线夹角和实际排气量确定所述空压站的压力数据、排气量数据和每个空压机的设备数据；以及利用所述母管的母管异常诊断模型，基于所述空压站的压力数据、排气量数据和每个空压机的设备数据确定所述空压站的流量状态。
12.在一些实施例中，基于每个空压机的启停压力曲线夹角和实际排气量确定所述空压站的压力数据、排气量数据和每个空压机的设备数据包括：组合所述多个空压机的单机压力模型输出的启停压力曲线夹角以获取所述空压站的压力数据；组合所述多个空压机的单机排气量模型输出的实际排气量以获取所述空压站的排气量数据；以及组合每个空压机的单机压力模型输出的启停压力曲线夹角和单机排气量模型输出的实际排气量以获取所述空压机的设备数据。
13.在一些实施例中，所述母管异常诊断模型包括压力异常检测模型、排气量异常检测模型和设备异常检测模型以及故障诊断模型，并且其中利用所述母管的母管异常诊断模型，基于所述空压站的压力数据、排气量数据和每个空压机的设备数据确定所述空压站的流量状态包括：利用基于新奇检测算法的压力异常检测模型确定所述空压站的压力数据是否是异常压力数据；利用基于新奇检测算法的排气量异常检测模型确定所述空压站的排气量数据是否是异常排气量数据；利用基于新奇检测算法的设备异常检测模型确定所述空压机的设备数据是否是异常设备数据；以及基于所述压力异常检测模型、所述排气量异常检测模型和所述设备异常检测模型的结果，利用所述故障诊断模型确定所述空压站的流量状态。
14.在一些实施例中，利用所述故障诊断模型确定所述空压站的流量状态包括：如果确定不存在异常压力数据、异常排气量数据和异常设备数据，则确定所述空压站的流量状态正常；以及如果确定存在异常压力数据、异常排气量数据和异常设备数据中的至少一种，则确定所述空压站的流量状态异常。
15.在一些实施例中，所述方法还包括：如果确定所述多个空压机中的至少一个空压机的设备数据是异常设备数据并且其他空压机的设备数据都不是异常设备数据，则确定所述空压站的流量状态异常的原因是所述至少一个空压机的性能异常；如果确定所述空压站
的排气量数据都是异常排气量数据并且压力数据都是异常压力数据，则确定所述空压站的流量状态异常的原因是所述母管的管道性能异常；以及如果确定所述空压站的排气量数据都是异常排气量数据但是压力数据都不是异常压力数据，则确定所述空压站的流量状态异常的原因是所述母管的流量计故障。
16.在一些实施例中，基于所述空压机的启停操作前后的功率差和所述母管的实时压力估计所述空压机的启停压力曲线夹角之前还包括：获取每个空压机的功率样本集合、所述母管的压力样本集合和流量样本集合；基于所述功率样本集合中的变化数据和所述母管的压力样本集合对所述单机压力模型进行训练；以及基于所述功率样本集合中的稳定数据和所述母管的流量样本集合对所述单机排气量模型进行训练。
17.在一些实施例中，确定所述空压站的流量状态之前还包括：基于所述单机压力模型输出的启停压力曲线夹角样本、所述单机排气量模型输出的排气量样本和每个空压机的设备样本，对母管异常诊断模型进行训练。
18.在一些实施例中，获取所述母管的压力样本集合包括：获取所述多个空压机和所述母管的操作记录；从所述操作记录中筛选包括所述空压机的启停操作的记录点并且剔除所述记录点前后第一预定时间内的其他数据；对于每个记录点，确定所述记录点前后第二预定时间内是否有其他空压机的启停操作的记录点；以及如果确定所述空压机的启停操作的记录点前后第二预定时间内没有其他空压机的启停操作的记录点，将所述空压机的启停操作前后的两个功率数据作为所述空压机的功率样本集合中的一组变化数据并且将所述空压机的启停操作前后的两个母管压力数据作为所述母管的压力样本集合中的一组压力样本。
19.在一些实施例中，基于所述功率样本集合中的变化数据和所述母管的压力样本集合对所述单机压力模型进行训练包括：基于所述空压机的功率样本集合中的一组变化数据确定所述空压机在所述启停操作前后的功率差；基于所述母管的压力样本集合中与该组变化数据对应的一组压力样本确定所述母管的压力斜率和在所述空压机的启停操作前后的压力夹角；以及将所述空压机在所述启停操作前后的功率差和所述母管在所述空压机的启停操作前后的压力夹角作为一个训练样本对所述单机压力模型进行训练。
20.在一些实施例中，所述单机压力模型包括线性回归模型，并且当所述空压机为变频空压机时，基于所述空压机在所述启停操作前后的功率差和所述母管在所述空压机的启停操作前后的压力夹角确定所述空压机的单机压力模型的模型参数。
21.在一些实施例中，所述单机压力模型包括线性回归模型，并且当所述空压机为工频空压机时，基于所述空压机的额定功率和所述母管在所述空压机的启停操作前后的压力夹角确定所述空压机的单机压力模型的模型参数。
22.在一些实施例中，获取所述母管的流量样本集合包括：获取所述多个空压机和所述母管的操作记录；从所述操作记录中筛选在第三预定时间内没有空压机操作的记录点；从所筛选的记录点中选择符合预定稳定条件的记录点；以及将所述记录点处所述空压机的功率数据作为所述空压机的功率样本集合中的一个稳定数据并且将所述记录点处所述母管的流量数据作为所述母管的流量样本集合中的一个流量样本。
23.在一些实施例中，所述预定稳定条件包括：所述记录点与相邻记录点之间的母管流量差小于预定流量差阈值；所述多个空压机的功率之和小于预定功率和阈值；以及所述
多个空压机的比功率之和小于预定比功率阈值。
24.在一些实施例中，所述单机排气量模型包括线性回归模型，并且其中基于所述功率样本集合中的稳定数据和所述母管的流量样本集合对所述单机排气量模型进行训练包括：基于每个空压机的功率样本集合中的一个稳定数据和与所述稳定数据对应的母管流量对所述单机排气量模型进行训练。
25.根据本发明的另一个方面，提供了一种计算设备。该计算设备包括：至少一个处理器；以及至少一个存储器，该至少一个存储器被耦合到该至少一个处理器并且存储用于由该至少一个处理器执行的指令，该指令当由该至少一个处理器执行时，使得该计算设备执行如上所述的方法。
26.根据本发明的再一个方面，提供了一种计算机可读存储介质，其上存储有计算机程序代码，该计算机程序代码在被运行时执行如上所述的方法。
27.由于母管的压力计和流量计通常是标准配置，因此利用本发明的方案，不会由于增加或改造母管流量计而带来成本增加，也不需要额外的数据采集成本，就能够实时检测母管流量计状态，并及时分析异常原因以进行预警。
附图说明
28.通过参考下列附图所给出的本发明的具体实施方式的描述，将更好地理解本发明，并且本发明的其他目的、细节、特点和优点将变得更加显而易见。
29.图1示出了用于实现根据本发明的实施例的用于确定空压站的流量状态的方法的空压站的示意图。
30.图2示出了根据本发明的一些实施例的用于确定空压站的流量状态的方法的流程图。
31.图3示出了根据本发明实施例的用于确定空压站的流量状态的模型的示意性结构图。
32.图4a示出了根据本发明一些实施例的估计空压机的启停压力曲线夹角的过程的进一步流程图。
33.图4b示出了根据本发明一些实施例的母管的压力曲线和流量曲线的示意图。
34.图5示出了根据本发明一些实施例的确定母管的流量异常原因的过程的进一步流程图。
35.图6a示出了根据本发明的一些实施例的母管异常诊断模型的结构示意图。
36.图6b示出了根据本发明的一些实施例的用于确定空压站的流量状态的过程的进一步流程图。
37.图7示出了根据本发明一些实施例的用于确定空压站的流量状态异常的原因的过程的流程图。
38.图8示出了根据本发明一些实施例的对模型进行训练的过程的流程图。
39.图9a示出了根据本发明一些实施例的获取母管的压力样本集合的过程的进一步流程图。
40.图9b示出了根据本发明一些实施例的对单机压力模型进行训练的过程的进一步流程图。
41.图10示出了根据本发明一些实施例的获取母管的流量样本集合的过程的进一步流程图。
42.图11示出了适合实现本发明的实施例的计算设备的结构方框图。
具体实施方式
43.下面将参照附图更详细地描述本发明的优选实施方式。虽然附图中显示了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本发明更加透彻和完整，并且能够将本发明的范围完整的传达给本领域的技术人员。
44.在下文的描述中，出于说明各种发明的实施例的目的阐述了某些具体细节以提供对各种发明实施例的透彻理解。但是，相关领域技术人员将认识到可在无这些具体细节中的一个或多个细节的情况来实践实施例。在其它情形下，与本技术相关联的熟知的装置、结构和技术可能并未详细地示出或描述从而避免不必要地混淆实施例的描述。
45.除非语境有其它需要，在整个说明书和权利要求中，词语“包括”和其变型，诸如“包含”和“具有”应被理解为开放的、包含的含义，即应解释为“包括，但不限于”。
46.在整个说明书中对“一个实施例”或“一些实施例”的提及表示结合实施例所描述的特定特点、结构或特征包括于至少一个实施例中。因此，在整个说明书的各个位置“在一个实施例中”或“在一些实施例”中的出现不一定全都指相同实施例。另外，特定特点、结构或特征可在一个或多个实施例中以任何方式组合。
47.此外，说明书和权利要求中所用的第一、第二等术语，仅仅出于描述清楚起见来区分各个对象，而并不限定其所描述的对象的大小或其他顺序等。
48.图1示出了用于实现根据本发明的实施例的用于确定空压站的流量状态的方法的空压站1的示意图。如图1中所示，空压站1可以包括多个空压机10（图1中示例性地示出了5个空压机10-1、10-2、10-3、10-4和10-5）和母管20，其中多个空压机10通过母管20向用气端30传送所产生的压缩气体。每个空压机10包括或者被配置有一个电表12，其用于测量空压机10在各个时刻的运行功率。母管20包括或者被配置有流量计22和压力计24，流量计22用于测量各个时刻流过母管20的流量数据，压力计24用于感测各个时刻母管20中流动的气体对母管产生的压力数据。空压站1还可以包括或者连接到计算设备40，计算设备40可以经由有线或无线通信链路获取每个空压机10的电表12测量的功率数据、母管20的流量计22测量的流量数据和压力计24测量的压力数据。计算设备40可以位于空压站中，或者也可以位于空压站远端，例如是云端设备等。
49.计算设备40可以包括至少一个处理器42和与该至少一个处理器42耦合的至少一个存储器44，该存储器44中存储有可由该至少一个处理器42执行的指令46，该指令46在被该至少一个处理器42执行时执行如下所述的方法的至少一部分。计算设备40的具体结构例如可以如下结合图11所述。
50.图2示出了根据本发明的一些实施例的用于确定空压站的流量状态的方法200的流程图。方法200可以由图1中所示的系统1中的计算设备40执行。以下结合图1至图11对方法200进行描述。
51.如图2中所示，方法200包括方框210，其中计算设备40可以获取在一组检测时刻时
的每个空压机10的实时功率、母管20的实时压力和实时流量。
52.取决于电表12、流量计22和压力计24的额定采样频率或者上层配置，电表12、流量计22和压力计24可能分别以某个检测间隔（或检测频率）对相应的空压机10的功率和母管20的流量和压力进行检测。电表12、流量计22和压力计24的检测间隔可能相同也可能不同。为了方便起见，这里假设电表12、流量计22和压力计24以相同的检测间隔进行检测以获得各个检测时刻的实时功率、实时流量和实时压力。在电表12、流量计22和压力计24的检测间隔不同的情况下，计算设备40可以对实际测量的数据进行进一步采样以获得各个检测时刻的实时功率、实时流量和实时压力。例如，可以将各个检测间隔的最小公倍数的时刻作为检测时刻。
53.这样，计算设备40能够获取一组连续的检测时刻的母管的实时流量数据和实时压力数据以及各个空压机10的实时功率数据，并且能够根据这些数据利用训练好的人工智能模型确定空压站1的流量状态是否正常以及状态异常情况下的异常原因。
54.图3示出了根据本发明实施例的用于确定空压站的流量状态的模型300的示意性结构图。如图3中所示，模型300可以具有双层模型结构，其中第一层包括单机压力模型312和单机排气量模型314，第二层包括母管异常诊断模型320。其中，单机压力模型312用于基于每个空压机10的功率和母管20的压力确定该空压机10的启停压力曲线夹角，单机排气量模型314用于基于每个空压机的功率和母管20的流量确定该空压机10的实际排气量。以下将结合图2至图11对模型300的各个层的各个模型进行更加详细的描述。
55.在方框220，计算设备40可以利用每个空压机10的单机压力模型312，基于该空压机10的启停操作前后的功率差和母管20的实时压力估计该空压机10的启停压力曲线夹角。
56.图4a示出了根据本发明一些实施例的估计空压机10的启停压力曲线夹角的过程（即方框220）的进一步流程图。图4b示出了根据本发明一些实施例的母管20的压力曲线402和流量曲线404的示意图。如图4b中所示，在时刻t2附近，有一台空压机10发生了启停操作，例如从关机状态改变为开机状态，从而母管20的流量瞬时增大，压力也由降转升。压力曲线402在时刻t2前后的斜率形成了一个夹角α，本文中称为启停压力曲线夹角。方框220的目的在于利用空压机10启停操作前后的功率变化来预估其压力曲线夹角，从而预估其排气量。
57.如图4a中所示，在方框222，计算设备40可以确定空压机10在该组检测时刻中的一个检测时刻是否发生启停操作。具体地，例如可以根据各个空压机10的操作记录，确定每个空压机10在每个检测时刻附近是否发生了开关机或者加卸载操作。如果确定一个空压机10在一个检测时刻附近发生了开关机或者加卸载操作，则可以确定该空压机10在该检测时刻发生了启停操作。当空压机10发生启停操作时，该空压机10的实际产气量会发生变化，从而母管20测得的压力也会发生变化。
58.如果在方框222确定空压机10在该检测时刻发生了启停操作，则在方框224，计算设备40可以获取该空压机10的启停操作前后的两个实时功率值。这里，两个实时功率值可以是从方框210中获取的一组检测时刻时的每个空压机10的实时功率中确定的。反之，如果在该检测时刻没有发生启停操作，则不使用该检测时刻的数据（图中未示出）。
59.在方框226，计算设备40可以基于该两个实时功率值确定该空压机10的启停操作前后的功率差。该功率差等于上述两个实时功率值之差。例如，在该启停操作是从关机转换到开机的情况下，空压机10功率上升，因此该功率差为正，反正该功率差为负。
60.在方框228，计算设备40可以基于该空压机10的单机压力模型和方框226确定的功率差估计该空压机10的启停压力曲线夹角。如图4b所示，启停每个空压机10时，压力曲线402的夹角变化主要取决于该空压机10的实际产气量，单机压力模型312就是用来推算可以表征这台空压机10的产气性能的压力夹角。
61.这里，空压机10的单机压力模型312是经过训练的单机压力模型，如下面结合图9a和9b所详述。单机压力模型312例如可以是线性回归模型，通过如下的训练过程，能够获得每个空压机10的单机压力模型，该单机压力模型示出了每个空压机10在发生启停操作前后的功率差与母管20的压力曲线中的启停压力曲线夹角之间的关系。
62.继续图2，在方框230，计算设备40可以利用每个空压机10的单机排气量模型314，基于该空压机10的实时功率和母管20的实时流量估计该空压机10的实际排气量。与上述利用变化数据的单机压力模型312不同，单机排气量模型314主要利用空压机10处于稳定状态时的数据（即稳定数据）来预估实际排气量，以避免空压机的操作状态不稳定引起流量剧烈变化从而造成流量计的测量精度不稳定。
63.在一些实施例中，计算设备40可以确定在该组检测时刻中的一个检测时刻除了该空压机10之外的其他空压机是否处于运行状态，并且在某个检测时刻确定其他空压机都不处于运行状态时，基于该空压机10的单机排气量模型314和母管20的实时流量估计该空压机10的实际排气量。
64.这里，空压机10的单机排气量模型314是利用母管压力和母管流量的稳定数据进行了训练的单机排气量模型，如下面结合图10所详述。单机排气量模型314例如可以是线性回归模型，通过如下的训练过程，能够获得每个空压机10的单机排气量模型，该单机排气量模型示出了在没有其他空压机处于运行状态时每个空压机10的功率与母管20的流量之间的关系。因此，在该检测时刻，当确定没有其他空压机处于运行状态时，可以基于该单机排气量模型和该空压机10的功率估计母管20的流量值作为该空压机10的实际排气量的估计值。
65.继续图2，在方框240，计算设备40可以利用母管20的母管异常诊断模型320，基于母管20在该组检测时刻的实时压力和实时流量以及方框220确定的每个空压机10在该组检测时刻的启停压力曲线夹角和方框230确定的实际排气量，确定母管20的流量异常原因。
66.图5示出了根据本发明一些实施例的确定母管20的流量异常原因的过程（即方框240）的进一步流程图。
67.如图5中所示，方框240可以进一步包括方框242，其中计算设备40可以基于方框220和230估计的每个空压机10的启停压力曲线夹角和实际排气量确定空压站1的压力数据、排气量数据和每个空压机10的设备数据。
68.具体地，在一些实施例中，计算设备40可以组合空压站1中的多个空压机10的单机压力模型输出的启停压力曲线夹角以获取该空压站1的压力数据，组合空压站1中的多个空压机10的单机排气量模型输出的实际排气量以获取该空压站1的排气量数据，以及组合每个空压机10的单机压力模型输出的启停压力曲线夹角和单机排气量模型输出的实际排气量以获取该空压机10的设备数据。
69.如前所述，在方框220和230，计算设备40估计了每个空压机10在各个检测时刻的启停压力曲线夹角和实际排气量，在方框240，计算设备40可以将各个空压机10的启停压力
曲线夹角和实际排气量按照时间维度组合起来作为对空压站1进行分析的数据。此外，计算设备40可以按照空压机10的维度（即设备维度）将各个空压机10的启停压力曲线夹角和实际排气量组合为该空压机10的设备数据。
70.在方框244，计算设备40可以利用母管20的母管异常诊断模型320，基于空压站1的压力数据、排气量数据和每个空压机10的设备数据确定空压站1的流量状态。这里，空压站1的流量状态具体是指母管20的流量（即流量计读数）是正常还是异常，并且在母管20的流量异常的情况下，进一步确定母管20的流量异常的原因。
71.图6a示出了根据本发明的一些实施例的母管异常诊断模型320的结构示意图。如图6a中所示，母管异常诊断模型320可以是双层结构，下层包括压力异常检测模型612、排气量异常检测模型614和设备异常检测模型616，上层包括故障诊断模型620。其中，压力异常检测模型612用于检测空压站1的压力数据是否正常，排气量异常检测模型614用于检测空压站1的排气量数据是否正常，设备异常检测模型616用于检测各个设备（即空压机10）是否正常，故障诊断模型620可以基于压力异常检测模型612、排气量异常检测模型614和设备异常检测模型616的检测结果综合确定空压站1的流量状态是否正常以及流量状态异常情况下时的异常原因。
72.在本发明的一些实施例中，分别利用新奇检测（novelty detection）算法来构造压力异常检测模型612、排气量异常检测模型614和设备异常检测模型616。新奇检测算法是一种异常点检测算法，可以利用单类支持向量机（one-class support vector machine，或称为单类svm）来实现，其是一种半监督学习算法。新奇检测算法采用超球体对输入的样本数据进行空间划分，在特征空间中获得样本数据周围的球形边界并使得超球体的体积最小。新奇检测算法可以表示为寻找符合如下条件的超球体：小。新奇检测算法可以表示为寻找符合如下条件的超球体：小。新奇检测算法可以表示为寻找符合如下条件的超球体：其中o是超球体的中心，r是超球体的半径，v(r)是超球体的体积，xi是样本数据，是与该样本数据对应的松弛变量，c是对应的惩罚系数，m是样本数据的数量。对于一个样本数据的集合来说，上述新奇检测算法的目的是找到使得最小化的中心o和半径r。注意，对于不同的模型，样本数据的含义不同，并且松弛变量和惩罚系数也不同。在压力异常检测模型612中，样本数据是空压站1的压力数据（如上结合方框242所述），在排气量异常检测模型614中，样本数据是空压站1的排气量数据（如上结合方框242所述），在设备异常检测模型616中，样本数据是各个空压机10的设备数据（如上结合方框242所述）。
73.在模型训练过程中，利用各种样本数据（压力数据、排气量数据、设备数据）的集合寻找相应的超球体的中心和半径参数。这里，样本数据的集合可以基于空压站1在运行过程中的多个连续时刻的测量值得到。在模型使用过程中，可以确定新获取的实时样本数据（压力数据、排气量数据、设备数据）是否位于该超球体中。如果获取的实时样本数据位于该超球体中，确定该实时样本数据为正常数据，空压站1的流量状态正常，反之，确定该实时样本
数据为异常数据（异常压力数据、异常排气量数据、异常设备数据），空压站1的流量状态异常。
74.图6b示出了根据本发明的一些实施例的用于确定空压站的流量状态的过程（即方框244）的进一步流程图。
75.如图6b所示，在方框2442，利用基于新奇检测算法的压力异常检测模型612确定上述方框242确定的空压站1的压力数据是否是异常压力数据。
76.在方框2444，计算设备40可以利用基于新奇检测算法的排气量异常检测模型614确定上述方框242确定的空压站1的排气量数据是否是异常排气量数据。
77.在方框2446，计算设备40可以利用基于新奇检测算法的设备异常检测模型616确定各个空压机10的设备数据是否是异常设备数据。
78.本领域技术人员可以理解，虽然按照图示顺序描述了上述方框2442至2446，但是这些方框的执行并不必按照所示和所描述的顺序，而是可以并行或者以其他顺序执行。
79.在方框2448，计算设备40可以基于压力异常检测模型612、排气量异常检测模型614和设备异常检测模型616的结果，利用故障诊断模型620确定空压站1的流量状态。
80.在一些实施例中，如果确定不存在异常压力数据、异常排气量数据和异常设备数据，则在方框2448，计算设备40可以确定空压站1的流量状态正常。
81.反之，如果确定存在异常压力数据、异常排气量数据和异常设备数据中的至少一种，则在方框2448，计算设备40可以确定空压站1的流量状态异常。
82.在一些实施例中，在确定空压站1的流量状态异常时，计算设备40还可以进一步确定流量状态异常的原因。图7示出了根据本发明一些实施例的用于确定空压站1的流量状态异常的原因的过程700的流程图。
83.如图7中所示，在方框710，如果确定多个空压机10中的至少一个空压机10的设备数据是异常设备数据（即，该空压机10的排气量或者压力异常）并且其他空压机10的设备数据都不是异常设备数据，则在方框720可以确定空压站1的流量状态异常的原因是该至少一个空压机10的性能异常。
84.在方框730，如果确定空压站1的排气量数据都是异常排气量数据并且压力数据都是异常压力数据，则在方框740可以确定空压站1的流量状态异常的原因是母管20的管道性能异常。
85.在方框750，如果确定空压站1的排气量数据都是异常排气量数据但是压力数据不是异常压力数据，则在方框760可以确定空压站1的流量状态异常的原因是母管20的流量计故障。
86.如前所述，模型300中的单机压力模型312、单机排气量模型314和母管异常诊断模型320都是经过训练的人工智能模型。例如，单机压力模型312和单机排气量模型314可以利用线性回归模型构建。在根据本发明的一些实施例中，还包括对这些模型进行训练的过程。
87.图8示出了根据本发明一些实施例的对模型300进行训练的过程800的流程图。过程800例如可以在方法200的方框220之前执行，其可以作为方法200的一部分或者独立于方法200。
88.如图8中所示，在方框810，计算设备40可以获取每个空压机10的功率样本集合、母管20的压力样本集合和流量样本集合。
89.在方框820，计算设备40可以基于空压机10的功率样本集合中的变化数据和母管20的压力样本集合对单机压力模型312进行训练。如图3中所示，单机压力模型312的输入是每个空压机10在各个连续时刻的功率301和母管20在对应时刻的压力302，输出是该空压机10的启停压力曲线夹角304。变化数据的获取例如如下面参考图9a所述。
90.在方框830，计算设备40可以基于空压机10的功率样本集合中的稳定数据和母管20的流量样本集合对单机排气量模型314进行训练。如图3中所示，单机排气量模型314的输入是每个空压机10在各个连续时刻的功率301和母管20在对应时刻的流量303，输出是该空压机10的排气量305。稳定数据的获取例如如下面参考图10所述。
91.图9a示出了根据本发明一些实施例的获取母管20的压力样本集合的过程（方框810）的进一步流程图。
92.如图9a中所示，在方框811，计算设备40可以获取空压站1中的多个空压机10和母管20的操作记录。
93.在方框812，计算设备40可以从该操作记录中筛选包括每个空压机10的启停操作的记录点并且剔除该记录点前后第一预定时间内的其他数据。该第一预定时间可以是几分钟，例如3至5分钟。
94.在方框813，计算设备40可以对于每个记录点，确定该记录点前后第二预定时间内是否有其他空压机10的启停操作的记录点。该第二预定时间也可以是几分钟，例如3至5分钟。
95.如果确定一个空压机10的启停操作的记录点前后第二预定时间内没有其他空压机10的启停操作的记录点，在方框814，计算设备40可以将该空压机10的启停操作前后的两个功率数据作为该空压机10的功率样本集合中的一组变化数据并且将该空压机10的启停操作前后的两个母管压力数据作为母管20的压力样本集合中的一组压力样本。反之，不将该记录点的数据作为样本数据（图中未示出）。
96.通过这种方式，可以从空压机10和母管20的操作记录中选择出每个空压机10的功率样本集合中的变化数据，从而能够进一步利用该变化数据对单机压力模型312进行训练。
97.图9b示出了根据本发明一些实施例的对单机压力模型312进行训练的过程（方框820）的进一步流程图。
98.如图9b中所示，在方框822，计算设备40可以基于该空压机10的功率样本集合中的一组变化数据确定该空压机10在启停操作前后的功率差。注意，方框822针对的是单机压力模型312训练阶段的操作，图4a中的方框226针对的是单机压力模型312使用阶段的操作，二者基本上相同，这里不再赘述。
99.在方框824，计算设备40可以基于母管20的压力样本集合中与该组变化数据对应的一组压力样本确定母管20的压力斜率和在该空压机10的启停操作前后的压力夹角。注意，方框824针对的是单机压力模型312训练阶段的操作，图4a中的方框228针对的是单机压力模型312使用阶段的操作，二者基本上相同，这里不再赘述。
100.在方框826，计算设备40可以将该空压机10在该启停操作前后的功率差和母管20在该空压机10的启停操作前后的压力夹角作为一个训练样本对单机压力模型312进行训练。
101.在使用线性回归模型的情况下，单机压力模型312可以表示为：
其中表示空压机10的启停操作前后的压力夹角，分别表示n个空压机10各自的启停操作前后的功率差，是模型参数，需要通过训练得到。
102.空压站1中的各个空压机10可以是工频空压机或者变频空压机，这两种类型的空压机的功率值有不同的变化规律，因此对于这两种类型的空压机的模型训练采用不同的方式。
103.具体地，对于工频空压机（例如第i个空压机10），由于其运行期间的功率基本上不变，在发生启停操作时，功率将从额定功率直接变为0（停止操作）或者从0直接变为额定功率（启动操作）。在这种情况下，可以基于该空压机10的额定功率和母管20在该空压机10的启停操作前后的压力夹角确定该空压机10的单机压力模型的模型参数ωi。也就是说，在工频空压机的情况下，其启停操作前后的功率差等于该空压机的额定功率。
104.另一方面，对于变频空压机（例如第j个空压机10），其运行期间的功率会显著变化，因此可以如上计算该空压机10在启停操作前后的功率差，并且基于该功率差和母管20在该空压机10的启停操作前后的压力夹角确定该空压机10的单机压力模型的模型参数ωj。
105.单机压力模型312的输出是发生空压机启停操作时母管的压力夹角。
106.对于工频空压机（例如第i个空压机10），其单机压力模型312的输出是当该工频空压机的功率差xi为额定功率，其他空压机10的功率差为0时的压力夹角。
107.对于变频空压机（例如第j个空压机10），其单机压力模型312的输出是当该变频空压机的功率差xi为其启停操作前后的功率差，其他空压机10的功率差为0时的压力夹角。
108.在一些实施例中，方框820还可以包括，利用梯度下降算法对单机压力模型312进行训练。具体地，在方框826中利用一个训练样本对单机压力模型312进行训练获得模型参数ωi之后，可以基于单机压力模型312的输出值（即，功率差的估计值）和其实际功率差，利用损失函数来对模型参数ωi进行迭代更新。
109.例如，假设以平均误差平方和作为单机压力模型312的损失函数，可以表示为：其中α'i是单机压力模型312的输出值，αi是实际功率差。
110.然后，确定该损失函数loss相对于每个模型参数ωi的偏导数，并且基于该偏导数（以及学习步长）更新该模型参数ωi。
111.重复上述步骤，直至每个模型参数都收敛为止，从而得到训练好的单机压力模型312的各个模型参数。
112.图10示出了根据本发明一些实施例的获取母管20的流量样本集合的过程（方框810）的进一步流程图。
113.如图10中所示，与图9a中相同，在方框811，计算设备40可以获取空压站1中的多个空压机10和母管20的操作记录。
114.在方框815，计算设备40可以从该操作记录中筛选在第三预定时间内没有空压机操作的记录点。该第三预定时间可以是几分钟，例如3至5分钟。
115.在方框816，计算设备40可以从方框815中筛选的记录点中选择符合预定稳定条件的记录点，并且在方框817将这些记录点处该空压机10的功率数据作为该空压机10的功率样本集合中的一个稳定数据并且将该记录点处母管20的流量数据作为母管20的流量样本集合中的一个流量样本。
116.这里，方框816中选择的符合预定稳定条件的记录点例如可以是满足如下条件的记录点：与相邻记录点之间的母管流量差小于预定流量差阈值；空压站1的多个空压机10的功率之和小于预定功率和阈值；以及空压站1的多个空压机10的比功率之和小于预定比功率阈值。
117.这里，预定流量差阈值、预定功率和阈值和预定比功率阈值可以根据空压站1的配置确定，其可以是一些经验值。
118.通过这种方式，可以从空压机10和母管20的操作记录中选择出每个空压机10的功率样本集合中的稳定数据，从而能够进一步利用该稳定数据对单机排气量模型314进行训练。
119.在使用线性回归模型的情况下，单机排气量模型314可以表示为：其中表示母管流量，分别表示n个空压机10的功率，是模型参数，b是偏差项，它们需要通过训练得到。
120.在方框830中对单机排气量模型314进行训练时，可以基于每个空压机10的功率样本集合中的一个稳定数据和与该稳定数据对应的母管流量作为一个训练样本来对单机排气量模型314进行训练。
121.单机排气量模型314的输出是每个空压机10的实际排气量。对于第i个空压机10，其单机排气量模型314的输出是该空压机10的功率为xi，其他空压机10的功率为0时，该空压机10的实际排气量。
122.在一些实施例中，方框830还可以包括，利用梯度下降算法对单机排气量模型314进行训练。具体地，在方框830中利用一个训练样本对单机排气量模型314进行训练获得模型参数ωi之后，可以基于单机排气量模型314的输出值（即，排气量的估计值）和其实际排气量，利用损失函数来对模型参数ωi进行迭代更新。
123.例如，假设以平均误差平方和作为单机排气量模型314的损失函数，可以表示为：其中y'i是单机排气量模型314的输出值，yi是实际排气量。
124.然后，确定该损失函数loss相对于每个模型参数ωi的偏导数和相对于偏差
项b的偏导数，并且基于该偏导数（以及学习步长）更新该模型参数ωi和偏差项b。
125.重复上述步骤，直至每个模型参数都收敛为止，从而得到训练好的单机排气量模型314的各个模型参数。
126.继续图8，在方框840，计算设备40可以基于单机压力模型312输出的启停压力曲线夹角样本、单机排气量模型314输出的排气量样本和每个空压机的设备样本，对母管异常诊断模型320进行训练。
127.这里，如前所述，母管异常诊断模型320可以是双层结构，下层包括压力异常检测模型612、排气量异常检测模型614和设备异常检测模型616，上层包括故障诊断模型620。与上述结合图6a所描述的相同，在分别利用新奇检测算法来构造压力异常检测模型612、排气量异常检测模型614和设备异常检测模型616的情况下，可以寻找符合各自条件的超球体，并且可以使用拉格朗日对偶求解进行训练。
128.此外，在进一步的实施例中，还可以对各个模型进行更新。
129.在一些实施例中，对于单机压力模型312和/或单机排气量模型314，可以使用增量更新方法，每隔预定时间段利用该预定时间段内新产生的数据来对单机压力模型312和/或单机排气量模型314进行迭代更新。
130.对于压力异常检测模型612、排气量异常检测模型614和设备异常检测模型616来说，可以将它们的输出是正常样本（正常压力样本、正常排气量样本和正常设备样本）的样本数据作为新的训练数据对这些模型进行迭代更新。
131.图11示出了适合实现本发明的实施例的计算设备1100的结构方框图。计算设备1100例如可以是如上所述的空压站1中的计算设备40。
132.如图11中所示，计算设备1100可以包括一个或多个中央处理单元（cpu）1110（图中仅示意性地示出了一个），其可以根据存储在只读存储器（rom）1120中的计算机程序指令或者从存储单元480加载到随机访问存储器（ram）1130中的计算机程序指令，来执行各种适当的动作和处理。在ram 1130中，还可存储计算设备1100操作所需的各种程序和数据。cpu 1110、rom 1120以及ram 1130通过总线1140彼此相连。输入/输出（i/o）接口1150也连接至总线1140。
133.计算设备1100中的多个部件连接至i/o接口1150，包括：输入单元1160，例如键盘、鼠标等；输出单元1170，例如各种类型的显示器、扬声器等；存储单元1180，例如磁盘、光盘等；以及通信单元1190，例如网卡、调制解调器、无线通信收发机等。通信单元1190允许计算设备1100通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
134.上文所描述的各个方法或方框例如可由一个或多个计算设备1100的cpu 1110执行。例如，在一些实施例中，这些方法或方框可被实现为计算机软件程序，其被有形地包括于机器可读介质，例如存储单元1180。在一些实施例中，计算机程序的部分或者全部可以经由rom 1120和/或通信单元1190而被载入和/或安装到计算设备1100上。当计算机程序被加载到ram 1130并由cpu 1110执行时，可以执行上文描述的方法的一个或多个操作。此外，通信单元1190可以支持有线或无线通信功能。
135.本领域技术人员可以理解，图11所示的计算设备1100仅是示意性的。在一些实施例中，计算设备1100可以包含比图11所示的更多或更少的部件。
136.利用本发明的方案，一方面，能够利用标准配置的母管压力计和流量计以及空压站电表来实时检测母管流量计的准确度，而不需要增加额外的硬件成本和数据采集成本。另一方面，在母管（空压站）流量异常的情况下能够快速准确地判断流量异常的原因，从而能够及时进行预警。
137.以上结合附图对根据本发明的确定空压站的流量状态的方法以及可用来实现该方法的计算设备进行了描述。然而本领域技术人员可以理解，上述方法或其一部分的各个方框的执行并不局限于图中所示和以上所述的顺序，而是可以以任何其他合理的顺序来执行。此外，计算设备1100也不必须包括图11中所示的所有组件，其可以仅仅包括执行本发明中所述的功能所必须的其中一些组件，并且这些组件的连接方式也不局限于图中所示的形式。
138.本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。
139.在一个或多个示例性设计中，可以用硬件、软件、固件或它们的任意组合来实现本发明所述的功能。例如，如果用软件来实现，则可以将所述功能作为一个或多个指令或代码存储在计算机可读介质上，或者作为计算机可读介质上的一个或多个指令或代码来传输。
140.本文公开的装置的各个单元可以使用分立硬件组件来实现，也可以集成地实现在一个硬件组件，如处理器上。例如，可以用通用处理器、数字信号处理器（dsp）、专用集成电路（asic）、现场可编程门阵列（fpga）或其它可编程逻辑器件、分立门或者晶体管逻辑、分立硬件组件或用于执行本文所述的功能的任意组合来实现或执行结合本发明所描述的各种示例性的逻辑块、模块和电路。
141.本领域普通技术人员还应当理解，结合本发明的实施例描述的各种示例性的逻辑块、模块、电路和算法方框可以实现成电子硬件、计算机软件或二者的组合。
142.本发明的以上描述用于使本领域的任何普通技术人员能够实现或使用本发明。对于本领域普通技术人员来说，本发明的各种修改都是显而易见的，并且本文定义的一般性原理也可以在不脱离本发明的精神和保护范围的情况下应用于其它变形。因此，本发明并不限于本文所述的实例和设计，而是与本文公开的原理和新颖性特性的最广范围相一致。