[发明专利]基于人工智能的燃气调压设备故障预测方法

权利要求书

1.一种基于人工智能的燃气调压设备故障预测方法，其特征在于，包括：

步骤S1、获取调压器运行状态的状态参数，并根据调压器运行状态和状态参数之间的关联，确认核心状态参数；

步骤S2、根据核心状态参数，构建调压器正常运行状态下的关系模型；

步骤S3、基于关系模型对调压器故障参数进行模拟，根据提取的模拟故障特征，构建调压器故障预测模型，并基于调压器故障预测模型对调压器进行故障预测诊断，得到故障类型；

步骤S1中获取调压器运行状态的状态参数，并根据调压器运行状态和状态参数之间的关联，确认核心状态参数为调压器出口压力P₂和调压器驱动压力P₃；

步骤S2中根据核心状态参数，构建调压器正常运行状态下的关系模型，包括：

步骤S2.1、采用散点图矩阵进行核心状态参数的特征值关联度筛选，并采用平滑滤波处理筛选后的关联度特征值数据；

步骤S2.2、对处理后的关联度特征值数据的输入输出训练样本组合进行曲线拟合，提取特征参数；

步骤S2.3、基于多项式回归，构建得到调压器正常工作下的含参模型和正常工作的预测曲线；

含参模型为：

其中，a、b为参数；

正常工作的预测曲线为：

其中，y_i为经过平滑滤波后得到的序列，P₃(i)为传感器得到的P₃值序列，P₂(i)为预测得到的P₂值序列；

步骤S2.4、基于含参模型和预测曲线进行故障判断和预警；

步骤S2.1中采用散点图矩阵进行核心状态参数的特征值关联度筛选，并采用平滑滤波处理筛选后的关联度特征值数据，包括：

采用移动平均滤波方法处理时间关联序列：

其中，x_i是输入的序列，n为输入的序列x_i的序列长度，x_i-n为第i-n个输入点，x_i+n为第i+n个输入点；

步骤S2.4中基于含参模型和预测曲线进行故障判断和预警，包括：

将P₃的序列输入含参模型得到预测序列；

将预测序列和真实值 P₂的序列做差，得到判定序列；

若判定序列数值预设的偏差包容度γ时，则工作正常；

若判定序列数值预设的偏差包容度γ时，则进入等待计数，发出提示；

若判定序列数值预设的偏差包容度γ时，且计数长度到达m，则发出警报。

2.根据权利要求1所述的基于人工智能的燃气调压设备故障预测方法，其特征在于，步骤S3中基于关系模型对调压器故障参数进行模拟，根据提取的模拟故障特征，构建调压器故障预测模型，并基于调压器故障预测模型对调压器进行故障预测诊断，得到故障类型，包括：

步骤S3.1、采用趋势结合噪声的方法模拟调压器故障参数，得到不同故障下的调压器出口压力P₂和调压器驱动压力 P₃数据组；

步骤S3.2、基于曲线拟合，构建故障模型库；

步骤S3.3、将获取的调压器特征值输入故障模型库中的各个预测模型中，输出故障分类结果表和可能性清单；

步骤S3.4、基于KNN神经网络，进行数据分类和预测报警。

3.根据权利要求2所述的基于人工智能的燃气调压设备故障预测方法，其特征在于，步骤S3.2中基于曲线拟合，构建故障模型库，包括：

步骤S3.2.1、将故障模拟得到的序列进行关联度筛选；

步骤S3.2.2、对选择后的序列进行平滑滤波，去除高斯噪音，得到平滑的曲线和序列；

步骤S3.2.3、将平滑后的序列进行拟合，根据曲线特征确定拟合函数；

步骤S3.2.4、对拟合函数进行变换，得到P₂、P₃的关系函数，将P₂、P₃的关系函数的参数作为模型库的存储参数，并根据存储参数的分类存储，构建故障模型库。