[发明专利]基于时间序列的化工设备健康状态预测方法

说明书

本发明公开了一种基于时间序列的化工设备健康状态预测方法，通过对观测数据的各个变量进行自回归移动平均模型建模，可预测未来一段时间内的数值，将预测数值投影到偏最小二乘模型上，得到平方预测误差值，利用所述平方预测误差值可对自回归移动平均模型建模进行调整，之后，利用所述调整后的自回归移动平均模型建模即可实现对未来一段时间内系统安全生产状态的预测。

技术领域

本发明涉及故障诊断领域，特别提供了一种基于时间序列的化工设备健康状态预测方法。

背景技术

部分国家的化工生产管理技术己经能够实现预警功能，不仅能够监控当前系统状态，还可以预测未来一段时间内可能发生的异常或者故障，分析故障产生原因，并针对故障以及系统状态给出调整策略作为参考。然而，在我国安全生产预测研究领域，主要应用的方法包括回归分析、灰色预测模型、时间序列、人工神经网络、主元分析方法、核主元分析法、最小二乘支持向量机等，仍是参数采集和故障诊断，与故障预测理念和方法还有一定差距，特别是研究结果缺少预测能力，要应用到实际化工生产中，还存在一定的差距。

因此，研发一种化工设备健康状态预测方法，以实现对未来一段时间内系统安全生产状态的预测是非常重要的。

发明内容

鉴于此，本发明的目的在于提供一种基于时间序列的化工设备健康状态预测方法，以实现对未来一段时间内系统安全生产状态的预测。

本发明提供的技术方案是：基于时间序列的化工设备健康状态预测方法，包括如下步骤：

S1：收集观测点的化工设备健康状态数据，得到化工设备健康状态数据集，并对化工设备健康状态数据集中的数据进行归一化处理，得到归一化数据；

S2：将所述归一化数据中的正常数据与故障数据分离，并在正常数据中提取出部分数据作为训练集；

S3：将训练集数据按照偏最小二乘算法建模的步骤进行建模，得到偏最小二乘模型；

S4：提取化工设备健康状态数据集中最新的至少100条化工设备健康状态数据，作为自回归移动平均模型的训练集，并将训练集中的数据做差分处理，得到平稳时间序列；

S5：对自回归移动平均模型的训练集中存在故障发生记录的变量分别进行自回归移动平均模型阶数p和q选择；

S6：利用选择的自回归移动平均模型阶数p和q对自回归移动平均模型的训练集中存在故障发生记录的变量分别建立自回归移动平均模型；

S7：利用S6中建立的自回归移动平均模型对存在故障发生记录的变量未来一段时间内的数据进行预测，得到预测数据；

S8：将预测数据投影到S3中得到的偏最小二乘模型上，得到平方预测误差值；

S9：如果平方预测误差值超过控制限，则利用平方预测误差值画出该观测点各变量的平方预测误差值贡献图，分析S7中预测数据的准确度，并根据所述准确度对自回归移动平均模型进行调整，直至平方预测误差值进入控制限内；

S10：利用S9中调整后的自回归移动平均模型对存在故障发生记录的变量未来一段时间内的数据进行预测。

优选，S1中，所述化工设备健康状态数据包括压缩机工作状态参数，低压桶的液位、压力及温湿度信息和储液器的液位、压力及温湿度信息。

进一步优选，S5中，自回归移动平均模型的阶数p和q分别利用S4中得到的平稳时间序列的自相关函数和偏自相关函数确定。

进一步优选，S7中，所述一段时间为3～10分钟。

进一步优选，S7中，所述一段时间为5分钟。