一种空分设备的故障诊断方法和系统

1.本发明涉及故障诊断技术领域，特别涉及一种空分设备的故障诊断方法和系统。


背景技术：

2.经过多年的研究与应用，我国制造业在先进制造技术方面已经突破了一批关键技术，包括协同设计、网络化制造、数字化预装配、车间调度等，部分技术开始应用并发挥作用，特别是在汽车制造、重大装备制造、航空航天产品制造等领域都取得良好的效果。但从国外制造企业快速响应制造技术研究与应用情况来看，我国制造企业仍然存在差距。特别是在对设备的智能化及其相关配件如刀具、备品备件的智能识别，以及对设备的性能监控及故障预警方面还存在着一定的差距，常常造成设备故障误判导致设备使用效率低。因此对设备的智能识别及性能监控对战备条件下的设备高效利用显得及其重要。
3.相关技术中，空分设备故障诊断通过传感器进行异常数据监测，传感器发现数据异常即发出设备故障预警，该方式容易造成设备故障误判，导致设备立刻关机检修维护，从而导致设备使用效率较低。


技术实现要素：

4.本发明的主要目的是提供一种空分设备的故障诊断方法，旨在通过多级识别综合判断来进行高精度的故障诊断，以减少设备故障误判，从而提高设备的使用效率。
5.为实现上述目的，本发明提出空分设备的故障诊断方法，所述空分设备包括依次连通的净化模块、空气冷却和液化模块、空气精馏模块、加温吹除模块，所述方法包括如下步骤：
6.获取各模块内相关装置的运行参数并形成多个数据子集；
7.将所述多个数据子集分别输入至预先训练的深度学习模型进行模型练习，得到练习结果；
8.基于所述练习结果确定各模块的故障系数a1，其中，所述故障系数a1的值在0-1之间；
9.获取各模块对空分设备故障的影响权重；
10.基于所述影响权重及所述故障系数a1得到各模块的有效故障系数；
11.基于各模块的有效故障系数得到所述空分设备的故障系数a2；
12.确定所述故障系数a2大于预设值，定位故障设备的位置并进行预警。
13.优选地，所述获取各模块内相关装置的运行参数并形成多个数据子集，包括：
14.获取各模块内相关装置传感器的监测数据；
15.对所述监测数据进行第一差异识别处理得到异常数据；
16.将所述异常数据进行矢量坐标化形成数据子集。
17.优选地，所述对所述监测数据进行第一差异识别处理得到异常数据，包括：
18.对所述监测数据进行第一差异识别处理，并开始计时；
19.所述监测数据在预设时长内异常识别的时长大于或等于阈值，判断为异常数据。
20.优选地，所述将所述多个数据子集分别输入至预先训练的深度学习模型进行模型练习，得到练习结果，包括：
21.将所述多个数据子集分别输入至预先训练的深度学习模型进行模型练习，得到数据子集与深度学习模型的匹配偏离程度；
22.对所述匹配偏离程度进行第二差异识别处理得到异常数据子集；
23.将异常数据子集清除，并重新进行模型练习得到以匹配偏离程度表征的练习结果。
24.优选地，所述基于所述练习结果确定各模块的故障系数a1，包括：
25.获取以所述匹配偏离程度表征的练习结果与故障系数a1的映射表；
26.基于所述练习结果遍历查询所述映射表以得到所述故障系数a1；其中，所述匹配偏离程度与故障系数a1成负相关。
27.优选地，所述获取各模块对空分设备故障的影响权重，包括：
28.获取云数据平台中各模块故障与空分设备故障的映射关系；
29.基于所述映射关系确定各模块对空分设备故障的初始影响权重；
30.对所述初始影响权重进行校正调整得到各模块对空分设备故障的影响权重；
31.获取各模块对空分设备故障的影响权重。
32.优选地，所述对所述初始影响权重进行校正调整得到各模块对空分设备故障的影响权重，包括：
33.对所述初始影响权重至少进行一次正向校正调整及一次负向校正调整分别得到两次校正影响权重；
34.对所述两次校正影响权重进行加权平均处理得到各模块对空分设备故障的影响权重。
35.优选地，所述基于所述影响权重及所述故障系数a1得到各模块的有效故障系数，包括：
36.将所述影响权重与故障系数a1求积得到各模块的有效故障系数；和/或，
37.所述基于各模块的有效故障系数得到所述空分设备的故障系数a2，包括：
38.将所述各模块的有效故障系数求和得到所述空分设备的故障系数a2。
39.优选地，所述确定所述故障系数a2大于预设值，定位故障设备的位置并进行预警，包括：
40.确定所述故障系数a2大于第一预设值且小于第二预设值，定位故障设备的位置并进行视觉化预警；
41.确定所述故障系数a2大于第二预设值，定位故障设备的位置并进行关停空分设备预警；其中，所述第二预设值大于所述第一预设值。
42.本发明还提供一种空分设备的故障诊断系统，包括：存储器，用于存储可执行指令；处理器，用于执行所述存储器中存储的可执行指令时，以实现空分设备的故障诊断方法，其中，所述空分设备的故障诊断方法包括如下步骤：
43.获取各模块内相关装置的运行参数并形成多个数据子集；
44.将所述多个数据子集分别输入至预先训练的深度学习模型进行模型练习，得到练
习结果；
45.基于所述练习结果确定各模块的故障系数a1，其中，所述故障系数a1的值在0-1之间；
46.获取各模块对空分设备故障的影响权重；
47.基于所述影响权重及所述故障系数a1得到各模块的有效故障系数；
48.基于各模块的有效故障系数得到所述空分设备的故障系数a2；
49.确定所述故障系数a2大于预设值，定位故障设备的位置并进行预警。
50.本发明技术方案中，首先通过获取各模块相关设备的运行参数进行模型练习，确定各模块的故障系数，然后再获取各模块对空分设备故障的影响权重，得出各模块的有效故障系数，然后通过各模块的有效故障系数得到所述空分设备的故障系数，最后通过与预设值进行比较，定位故障设备的位置并进行预警；如此，通过多级识别综合判断来进行高精度的故障诊断，以减少设备故障误判，从而提高设备的使用效率，使设备高效运行。
附图说明
51.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表示的结构获得其他的附图。
52.图1为本发明空分设备的结构示意图；
53.图2为本发明空分设备故障诊断方法一实施例的流程示意图；
54.图3为本发明空分设备故障诊断方法又一实施例的流程示意图；
55.图4为本发明空分设备故障诊断方法还一实施例的流程示意图；
56.图5为本发明空分设备故障诊断方法再一实施例的流程示意图；
57.图6为本发明空分设备故障诊断方法再一实施例的流程示意图；
58.图7为本发明空分设备故障诊断方法再一实施例的流程示意图；
59.图8为本发明空分设备故障诊断方法再一实施例的流程示意图；
60.图9为本发明空分设备故障诊断方法再一实施例的流程示意图；
61.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
62.下面将结合本发明实施例中的附图，对本发明实施例中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的一部分实施例，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作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。
63.需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后
……
)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
64.另外，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第
二”的特征可以明示或者隐含地包括至少一个该特征。另外，全文中的“和/或”包括三个方案，以a和/或b为例，包括a技术方案、b技术方案，以及a和b同时满足的技术方案；另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
65.参照附图1，本发明的一种故障诊断方法，应用于空气分离设备，空气分离设备以下简称为空分设备，空分设备是以空气为原料，通过压缩循环深度冷冻的方法把空气变成液态，再经过精馏而从液态空气中逐步分离生产出氧气、氮气及氩气等惰性气体的设备。由此可见，空分设备需要经过不同的功能模块协作完成空气的分离，空分设备从功能上来说可以分为4个基本模块：包括依次连通的净化模块、空气冷却和液化模块、空气精馏模块、加温吹除模块。其中，杂质的净化模块主要是通过空气过滤器和分子筛吸收器等装置，净化空气中混有的机械杂质、水分、二氧化碳、乙炔等；空气冷却和液化模块主要由空气压缩机、热交换器、膨胀机和空气节流阀等组成，起到使空气深度冷冻的作用；空气精馏模块主要部件为精馏塔(上塔、下塔)、冷凝蒸发器、过冷器、液空和液氮节流阀，起到将空气中各种组分分离的作用；加温吹除模块，用加温吹除的方法使净化系统再生。如此，空分设备的不同模块内部也有很多的子设备或装置，并且每个子设备或装置对整机设备的影响不完全相同，传统技术中，当传感器检测到子设备或装置数据异常即进行报警或停机，严重影响空分设备的生产效率。比如，通常在空气冷却和液化模块中设置有多个热交换器(主热交换器及辅助热交换器)，因此，单个热交换器对整机设备的影响不是很大，或者说不是决定性影响，即使单个热交换器被检测到异常，由于可以临时使用辅助热交换器，整体设备也可以正常工作，如果此时仅通过传感器报警来预警或停机检修将严重影响设备的工作效率。即使相关的子设备或装置设置为单个，由于其对整机设备的工作影响不是决定性的，如，净化模块中的空气过滤器，此时若检测到空气过滤器异常，空分设备也可以正常工作，也可以生产出符合质量要求的气体，如果此时仅通过传感器报警来预警或停机检修同样将严重影响设备的工作效率。因此，需要一种通过多级、多维度的识别诊断方法来解决现有技术存在的问题。
66.以下将主要描述空分设备故障诊断方法的具体步骤。
67.参照附图2，在本发明实施例中，空分设备的故障诊断方法，包括以下步骤：
68.s100：获取各模块内相关装置的运行参数并形成多个数据子集；
69.s200：将所述多个数据子集分别输入至预先训练的深度学习模型进行模型练习，得到练习结果；
70.s300：基于所述练习结果确定各模块的故障系数a1，其中，所述故障系数a1的值在0-1之间；
71.s400：获取各模块对空分设备故障的影响权重；
72.s500：基于所述影响权重及所述故障系数a1得到各模块的有效故障系数；
73.s600：基于各模块的有效故障系数得到所述空分设备的故障系数a2；
74.s700：确定所述故障系数a2大于预设值，定位故障设备的位置并进行预警。
75.具体地，本实施例中，获取各模块(净化模块、空气冷却和液化模块、空气精馏模块、加温吹除模块)内相关装置的运行参数的方式有很多，如在相关模块的相关子设备内设置监测传感器，如温度传感器、湿度传感器、气体浓度传感器、电流/电压采集器等，并且监
测传感器监测数据的同时可以设置仪表进行视觉化显示对应的运行参数以供用户了解设备的实时状态；监测数据之后需要对数据进行处理，而处理数据的方式有多种，如采用去除首尾异常数据处理技术、差异识别处理技术等，数据处理后得到异常数据，将异常数据打包形成多个数据子集，每个模块对应一个或多个数据子集，如净化模块数据子集、空气冷却和液化模块数据子集、空气精馏模块数据子集、加温吹除模块数据子集等；数据子集获取后，将数据子集分别输入至预先训练的深度学习模型进行模型练习，得到练习结果，练习结果的表示方式有多种，如与深度学习模型的匹配偏离程度或者偏离的方差等，本实施例以匹配偏离程度为表征方式，而匹配偏离程度又可以以坐标点偏离曲线的距离来简单计算，异常数据组成的坐标点离模型曲线越远，对应模块的故障系数a1越低，即该模块发生故障的概率越低。故障系数a1的值在0-1之间，可以为0、0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9、1等，数值越大，表示发生故障的概率越大；之后，获取各模块对空分设备故障的影响权重，获取各模块对空分设备故障的影响权重的方式有多种，如通过获取存储在存储器内的影响权重值，或者，通过数据云平台实时获取影响权重值，数据云平台的影响权重值是通过联网在该数据云平台上的不同使用用户的实际故障而计算得出的结果，由此，数据量越大，计算出的影响权重越精准。各模块的有效故障系数可以所述影响权重及所述故障系数a1求和或求积得到，空分设备的故障系数a2同样可以通过各模块的有效故障系数求和或求积得到，最后确定所述故障系数a2是否大于预设值，若大于预设值，则系统定位故障设备的位置并进行预警，定位故障设备的方式可以为视觉化定位，如，制作设备运行的模拟动图，当某个子设备或装置异常时，模拟动图的对应部位即进行红色标记显示，从而达到视觉化定位，以警示工作人员注意。与传统警示不同的是，本技术方案通过多级识别综合判断来进行高精度的故障诊断，以减少设备故障误判，从而提高设备的使用效率，使设备高效运行；当故障系数a2小于第一预设值时，综合判断的结果认为空分设备的概率较小，不做预警；当故障系数a2大于第一预设值且小于第二预设值，定位故障设备的位置并进行视觉化预警；当故障系数a2大于第二预设值，定位故障设备的位置并进行关停空分设备预警；其中，所述第二预设值大于所述第一预设值。
76.本发明技术方案，首先通过获取各模块相关设备的运行参数进行模型练习，确定各模块的故障系数，然后再获取各模块对空分设备故障的影响权重，得出各模块的有效故障系数，然后通过各模块的有效故障系数得到所述空分设备的故障系数，最后通过与预设值进行比较，定位故障设备的位置并进行预警；如此，通过多级识别综合判断来进行高精度的故障诊断，以减少设备故障误判，从而提高设备的使用效率，使设备高效运行。
77.参照附图3，在一些实施例中，获取各模块内相关装置的运行参数并形成多个数据子集的步骤，包括：
78.s110：获取各模块内相关装置传感器的监测数据；
79.s120：对所述监测数据进行第一差异识别处理得到异常数据；
80.s130：将所述异常数据进行矢量坐标化形成数据子集。
81.具体地，本实施例中，获取各模块内相关装置传感器的监测数据是通过设置在相应子设备/装置内的传感器进行数据获取，获取到数据之后，对监测数据进行差异识别处理，可以通过识别器识别连续的输入数据或点状的数据，从而发现异常数据，如某个数据值连续一段时间且大于或小于大多数数据，即判断该数据为异常数据，异常数据进行矢量坐
标化的方式可以为同类型异常数据进行矢量坐标化，如坐标(温度t1，温度t2，温度t3)，也可以是不同类型的异常数据进行矢量坐标化，如坐标(温度t，适度s，压力p)，本实施例以不同类型的异常数据进行矢量坐标化形成数据子集。
82.参照附图4，在一些实施例中，所述对所述监测数据进行第一差异识别处理得到异常数据的步骤，包括：
83.s1210：对所述监测数据进行第一差异识别处理，并开始计时；
84.s1220：所述监测数据在预设时长内异常识别的时长大于或等于阈值，判断为异常数据。
85.具体地，本实施例中，通过识别器识别连续的输入数据，并可以将连续输入数据形成连续的状态图，从而发现异常数据，如，某个数据值连续一段时间(连续的时间大于某个设定的阈值)且大于或小于大多数数据，即判断该数据为异常数据。
86.参照附图5，在一些实施例中，所述将所述多个数据子集分别输入至预先训练的深度学习模型进行模型练习，得到练习结果的步骤，包括：
87.s210：将所述多个数据子集分别输入至预先训练的深度学习模型进行模型练习，得到数据子集与深度学习模型的匹配偏离程度；
88.s220：对所述匹配偏离程度进行第二差异识别处理得到异常数据子集；
89.s230：将异常数据子集清除，并重新进行模型练习得到以匹配偏离程度表征的练习结果。
90.具体地，本实施例中，深度学习模型为人工训练及机器训练后得到的异常数据检测模型，检测模型可以为多维函数，如二维函数、三维函数等，当异常数据输入到异常数据检测模型内后，得到数据子集与深度学习模型的匹配偏离程度，匹配偏离程度可以通过计算偏离函数曲线的距离来表示，偏离曲线距离越大，匹配偏离程度越低，特别地，当数据子集刚好落在函数曲线上时，说明，该异常数据形成的数据子集被异常数据检测模型匹配，进一步说明该数据子集正是异常数据。为进一步的精准识别到异常数据，防止发生误判，本实施例中，得到数据子集与深度学习模型的匹配偏离程度之后，对所述匹配偏离程度进行第二差异识别处理得到异常数据子集，第二差异识别处理为对匹配偏离程度进行识别，识别匹配偏离程度大于或小于常规的值，然后，将匹配偏离程度大于常规的数据子集进行清除，仅保留匹配偏离程度在正常范围内的数据子集。
91.参照附图6，在一些实施例中，所述基于所述练习结果确定各模块的故障系数a1的步骤，包括：
92.s310：获取以所述匹配偏离程度表征的练习结果与故障系数a1的映射表；
93.s320：基于所述练习结果遍历查询所述映射表以得到所述故障系数a1；其中，所述匹配偏离程度与故障系数a1成负相关。
94.具体地，本实施例中，首先获取以所述匹配偏离程度表征的练习结果与故障系数a1的映射表，该映射表存储在存储器中，然后基于所述练习结果遍历查询所述映射表以得到所述故障系数a1，其中，所述匹配偏离程度与故障系数a1成负相关，匹配偏离程度越大，故障系数a1越小，对应模块发生故障的概率越小；故障系数a1是表示各模块(净化模块、空气冷却和液化模块、空气精馏模块、加温吹除模块)发生故障的可能性，数值用0-1之间的数值进行表示，本技术方案通过异常数据与异常数据模型匹配得到匹配偏离程度，从而判断
出对应模块发生故障的概率。
95.参照附图7，在一些实施例中，所述获取各模块对空分设备故障的影响权重的步骤，包括：
96.s410：获取云数据平台中各模块故障与空分设备故障的映射关系；
97.s420：基于所述映射关系确定各模块对空分设备故障的初始影响权重；
98.s430：对所述初始影响权重进行校正调整得到各模块对空分设备故障的影响权重；
99.具体地，本实施例中，首先获取云数据平台中各模块故障与空分设备故障的映射关系，数据云平台的影响权重值是通过联网在该数据云平台上的不同使用用户的实际故障(各模块故障与空分设备故障)而计算得出的结果，如净化模块故障对空分设备故障的影响为5％，空气冷却和液化模块故障对空分设备故障的影响为15％、空气精馏模块故障对空分设备故障的影响为30％、加温吹除模块故障对空分设备故障的影响为35％，其他模块故障对空分设备故障的影响为15％，而云数据平台的映射关系可以实现实时的数据更新，而使判断识别结果更准确高效。由于该方式获取的影响权重与实际还存在区别，如刚更换新的子设备对影响权重具有负向作用，再如子设备的使用年限对影响权重具有正向作用，因此，通过映射关系确定各模块对空分设备故障的初始影响权重后，需要根据该空分设备的实际使用情况对所述初始影响权重进行校正调整得到各模块对空分设备故障的影响权重。
100.参照附图8，在一些实施例中，所述对所述初始影响权重进行校正调整得到各模块对空分设备故障的影响权重的步骤，包括：
101.s4310：对所述初始影响权重至少进行一次正向校正调整及一次负向校正调整分别得到两次校正影响权重；
102.s4320：对所述两次校正影响权重进行加权平均处理得到各模块对空分设备故障的影响权重。
103.具体地，本实施例中，根据该空分设备的实际使用情况对所述初始影响权重进行校正调整，并且进行一次正向校正调整及一次负向校正调整，如获取到净化模块为刚维护，因此，可以降低净化模块故障对空分设备故障的影响为3％，即进行一次负向校正调整；再如获取到空气精馏模块的使用年限超过保修年限，则将空气精馏模块故障对空分设备故障的影响提高为33％，即进行一次负向校正调整，如此，在有更复杂的设备使用情况时，可以根据实际进行多次校正调整，以得到更精准的影响权重。为使结果更准确，还可以对同一模块的影响权重进行一次正向校正调整及一次负向校正调整，再对两次校正影响权重进行加权平均处理得到各模块对空分设备故障的影响权重。
104.在一些实施例中，所述基于所述影响权重及所述故障系数a1得到各模块的有效故障系数，包括：将所述影响权重与故障系数a1求积得到各模块的有效故障系数a11、a12、a13、a14；如净化模块有效故障系数a11为5％*0.2＝0.01，空气冷却和液化模块有效故障系数a12为15％*0.6＝0.09、空气精馏模块有效故障系数a13为30％*0.8＝0.24、加温吹除模块有效故障系数a14为35％*0.3＝0.105；和/或，所述基于各模块的有效故障系数得到所述空分设备的故障系数a2，包括：将所述各模块的有效故障系数求和得到所述空分设备的故障系数a2，a2＝a11 a12 a13 a14，如a2＝0.01 0.09 0.24 0.105＝0.445。
105.参照附图9，在一些实施例中，所述确定所述故障系数a2大于预设值，定位故障设
备的位置并进行预警，包括：
106.s710：确定所述故障系数a2大于第一预设值且小于第二预设值，定位故障设备的位置并进行视觉化预警；
107.s720：确定所述故障系数a2大于第二预设值，定位故障设备的位置并进行关停空分设备预警；其中，所述第二预设值大于所述第一预设值。
108.具体地，本实施例中，当故障系数a2大于0.5且小于0.7时，说明至少存在有效故障系数大于0.1的模块，进一步说明至少存在故障系数大于0.5的模块，说明空分设备的故障概率在第二阶段(中等概率故障)，此时定位故障设备的位置并进行视觉化预警，并且按照各模块的有效故障系数大小顺序进行视觉预警，如净化模块的有效故障系数《空气冷却和液化模块《空气精馏模块《加温吹除模块，则视觉预警时，净化模块、空气冷却和液化模块、空气精馏模块、加温吹除模块的预警颜色由浅到深进行预警，并在生产结束后相关人员进行维护检修，通知；当故障系数a2大于等于0.7时，同样可知，至少存在故障系数大于0.7的模块，说明空分设备的故障概率在第一阶段(高等概率故障)，定位故障设备的位置并进行关停空分设备预警，并通知相关人员进行维护检修；当故障系数a2小于0.5，说明空分设备的故障概率在第三阶段(低等概率故障)，此时，不进行故障预警，让空分设备正常工作，以提高空分设备的使用效率。
109.本发明还提供一种空分设备的故障诊断系统，包括：存储器，用于存储可执行指令；处理器，用于执行所述存储器中存储的可执行指令时，实现空分设备的故障诊断方法，该方法包括如下步骤：
110.s100：获取各模块内相关装置的运行参数并形成多个数据子集；
111.s200：将所述多个数据子集分别输入至预先训练的深度学习模型进行模型练习，得到练习结果；
112.s300：基于所述练习结果确定各模块的故障系数a1，其中，所述故障系数a1的值在0-1之间；
113.s400：获取各模块对空分设备故障的影响权重；
114.s500：基于所述影响权重及所述故障系数a1得到各模块的有效故障系数；
115.s600：基于各模块的有效故障系数得到所述空分设备的故障系数a2；
116.s700：确定所述故障系数a2大于预设值，定位故障设备的位置并进行预警。
117.本发明通过数据子集识别、影响权重识别获取、有效故障系数识别、故障系数识别判断等多级识别综合判断，最后通过空分设备的故障系数来进行高精度的故障诊断，以减少设备故障误判，从而提高设备的使用效率，使设备高效运行。
118.以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。