CN116066343A - 一种输油泵机组故障模型的智能预警方法及*** - Google Patents

Abstract

本发明提供了一种输油泵机组故障模型的智能预警方法及***，涉及管道输油设备诊断技术领域，该方法包括：获得输油泵机组的故障信号；SCADA模块中记录故障信号对应的时刻参数，对SCADA模块中的数据进行预警等级和故障标记；根据参数越限信息分析对应时刻SCADA数据的参数状态；根据预警等级、故障标记和参数状态，构建关联规则模型；根据关联规则模型，获得输油泵机组的预测故障预警信息。本发明解决了现有技术中对工况变化及机组状态变化过程不敏感、报警太迟，使得故障预警效果差的技术问题，通过对反映输油泵机组运行状态的SCADA***监测数据进行分析，实现输油泵机组故障早期的异常状态预警，达到提升故障预警的针对性和准确性的效果。

Description

一种输油泵机组故障模型的智能预警方法及***

技术领域

本发明涉及管道输油设备诊断技术领域，具体涉及一种输油泵机组故障模型的智能预警方法及***。

背景技术

输油泵作为管道输油的关键设备，是保证管线运输正常运行的重要因素。目前输油泵诊断技术主要面临以下三个问题：第一，当前80％输油泵机组的状态监测依靠SCADA***预警，且仅设置2个固定报警阈值：高报警、高高报警，该预警机制并不关注机组运行工况的变化和机组运行状态变化过程及个性化表现，导致对监测参数变化不敏感。第二，基于厂家经验和设备承受极限的固定阈值报警值设计，无统一标准参考，因报警值设置较高，导致机组报警太迟，往往处于停机边缘。第三，SCADA预警只有简单的超值报警，而基于加装高频振动传感器的状态监测***，因故障数据积累少，故障诊断通常需要人工依据经验，智能化程度偏低。

现有技术存在对工况变化及机组状态变化过程不敏感、报警太迟，使得故障预警效果差的技术问题。

发明内容

本申请实施例提供了一种输油泵机组故障模型的智能预警方法及***，用于针对解决现有技术中对工况变化及机组状态变化过程不敏感、报警太迟，使得故障预警效果差的技术问题。

鉴于上述问题，本申请实施例提供了一种输油泵机组故障模型的智能预警方法及***。

第一方面，本申请实施例提供了一种输油泵机组故障模型的智能预警方法，所述方法包括：获得输油泵机组的故障信号；SCADA模块中记录所述故障信号对应的时刻参数，并对SCADA模块中的数据进行预警等级和故障标记；根据SCADA模块中的参数越限信息分析对应时刻SCADA数据的参数状态；根据所述预警等级、所述故障标记和所述参数状态，构建关联规则模型；根据所述关联规则模型，获得所述输油泵机组的预测故障预警信息。

第二方面，本申请实施例提供了一种输油泵机组故障模型的智能预警***，所述***包括：故障信号获取模块，所述故障信号获取模块用于获得输油泵机组的故障信号；数据标记模块，所述数据标记模块用于SCADA模块中记录所述故障信号对应的时刻参数，并对SCADA模块中的数据进行预警等级和故障标记；参数状态分析模块，所述参数状态分析模块用于根据SCADA模块中的参数越限信息分析对应时刻SCADA数据的参数状态；模型构建模块，所述模型构建模块用于根据所述预警等级、所述故障标记和所述参数状态，构建关联规则模型；预警信息获取模块，所述预警信息获取模块用于根据所述关联规则模型，获得所述输油泵机组的预测故障预警信息。

本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本申请实施例提供的一种输油泵机组故障模型的智能预警方法，涉及管道输油设备诊断技术领域，获得输油泵机组的故障信号；SCADA模块中记录所述故障信号对应的时刻参数，并对SCADA模块中的数据进行预警等级和故障标记；根据SCADA模块中的参数越限信息分析对应时刻SCADA数据的参数状态；根据所述预警等级、所述故障标记和所述参数状态，构建关联规则模型；根据所述关联规则模型，获得所述输油泵机组的预测故障预警信息。解决了现有技术中对工况变化及机组状态变化过程不敏感、报警太迟，使得故障预警效果差的技术问题，通过对反映输油泵机组运行状态的SCADA***监测数据进行分析，实现输油泵机组故障早期的异常状态预警，达到提升故障预警的针对性和准确性的效果。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

图1为本申请实施例提供了一种输油泵机组故障模型的智能预警方法流程示意图；

图2为本申请实施例提供了一种输油泵机组故障模型的智能预警方法中获得故障信号流程示意图；

图3为本申请实施例提供了一种输油泵机组故障模型的智能预警方法中获得参数状态流程示意图；

图4为本申请实施例提供了一种输油泵机组故障模型的智能预警***结构示意图。

附图标记说明：故障信号获取模块10，数据标记模块20，参数状态分析模块30，模型构建模块40，预警信息获取模块50。

具体实施方式

本申请实施例通过提供一种输油泵机组故障模型的智能预警方法，用于针对解决现有技术中对工况变化及机组状态变化过程不敏感、报警太迟，使得故障预警效果差的技术问题。

实施例一

如图1所示，本申请实施例提供了一种输油泵机组故障模型的智能预警方法，所述方法应用于输油泵机组故障模型的智能预警***，所述***包括SCADA模块，所述方法包括：

步骤S100：获得输油泵机组的故障信号；

具体而言，本申请实施例提供的一种输油泵机组故障模型的智能预警方法应用于输油泵机组故障模型的智能预警***，所述输油泵机组故障模型的智能预警***包括SCADA模块，所述包括SCADA模块用于进行输油泵机组的数据采集和监视控制。

进一步而言，如图2所示，本申请步骤S100还包括：

步骤S110：采集所述输油泵机组的运行状态和工况参数，获得机组状态数据；

进一步而言，本申请步骤S110中，所述机组状态数据包括输油泵振动信号和/或输油泵温度信号和/或输油泵流量信号和/或输油泵电机电压信号和/或输油泵电机电流信号/或上下游调节阀阀位信息/或电机轴承温度/或电机绕组温度/或机械密封泄漏量/或泵进口压力/或泵出口压力。

具体而言，通过检测装置分别对输油泵机组的输油泵振动信号和/或输油泵温度信号和/或输油泵流量信号和/或输油泵电机电压信号和/或输油泵电机电流信号/或上下游调节阀阀位信息/或电机轴承温度/或电机绕组温度/或机械密封泄漏量/或泵进口压力/或泵出口压力进行采集。要进行数据采集工作，首先要确定测点，对于测点的选择，在保证准确度的前提下，应遵循以最少的测点获取最多信息的原则，在选择测点时，除了仪器的摆放位置要接近待测位置，还需要考虑传感器的安装拆卸是否方便，一般优选输油泵的轴承、泵壳以及为监测点。示例性地，利用测振仪，选取多个振动监测点对振动信号进行监测，如对于卧式机泵，其振动监测点可选在四个轴承座上，对准轴心从垂直方向和水平方向振动信息值。将采集到的输油泵机组的输油泵振动信号和/或输油泵温度信号和/或输油泵流量信号和/或输油泵电机电压信号和/或输油泵电机电流信号/或上下游调节阀阀位信息/或电机轴承温度/或电机绕组温度/或机械密封泄漏量/或泵进口压力/或泵出口压力添加至机组状态数据。

步骤S120：对所述机组状态数据进行预处理，获得机组状态标准数据；

进一步而言，本申请步骤S120还包括：

步骤S121：对所述机组状态数据进行数据清洗，获得机组状态特征数据；

步骤S122：对所述机组状态特征数据进行归一化处理，获得所述机组状态标准数据。

具体而言，数据清理是将数据库精简以除去重复记录，并使剩余部分转换成标准可接收格式的过程，数据清洗通过以下步骤进行处理，第一，根据机组状态数据选择第一数据列，第一数据列为需要进行分析的数据，为避免干扰可对其他不参与分析的数列进行隐藏处理，示例性地，选择输油泵温度信号作为第一数据列；第二，获取第一数据列中的重复数据值，保留重复数据的第一条数据，删除其他重复数据；第三，原始数据中可能会出现数据值缺失，对缺失值进行删除，数据较少时可对缺失数据进行手动补充，示例性地，计算第一数据列的平均值，将平均值作为第一数据列的缺失值对第一数据列进行补充，或者统计第一数据列中出现频率最高的数据，以此作为缺失值对第一数据列进行补充；第四，当第一数据列中存在数据与标准不一致或命名规则不一致的情况，使用分列功能将不一致的数据列中的数据值进行拆分；第五，对第一数据列中的数据进行筛选排序、升序、降序排列等函数的应用，完成数据清洗。通过数据清洗对数据进行重新审查和校验，进而删除重复数据、纠正错误数据，并提供数据一致性，以此生成机组状态特征数据。

归一化处理一般是将数据映射到指定的范围，用于去除不同维度数据的量纲以及量纲单位，示例性地，本申请优选Min-Max归一化方法，使结果值映射到[0，1]之间，转换函数如下：

其中，x_new为归一化处理后的数据，x为样本数据，x_max为样本数据的最大值，x_min为样本数据的最小值，通过归一化处理，获得所述机组状态标准数据。通过归一化处理，将数据映射到指定范围内，使得不同单位或者量级的指标能够进行加权和比较，达到简化计算的效果。

步骤S130：对所述机组状态标准数据进行压缩，获得机组状态标准信息；

步骤S140：对所述机组状态标准信息进行异常特征提取，获得所述故障信号。

具体而言，通过主成分分析算法对机组状态标准数据进行压缩，首先根据机组状态标准数据构建特征数据集矩阵，并获得第一特征数据集，继而对所述第一特征数据集中的各特征数据进行中心化处理，首先求解所述第一特征数据集中各特征的平均值，然后对于所有的样本，每一个特征都减去自身的均值，继而获得新的特征值，由新的特征数据集构成所述第二特征数据集，所述第二特征数据集为一数据矩阵。通过协方差公式对所述第二特征数据集进行运算，获得所述第二特征数据集的第一协方差矩阵，继而通过矩阵运算，求出所述第一协方差矩阵的特征值及特征向量，且每一特征值对应一个特征向量。在求出的所述第一特征向量中，选取最大的前J个特征值及其对应的特征向量，并将所述第一特征数据集中的原始特征投影到所选取的特征向量之上，得到降维之后的所述第一特征数据集，以此作为机组状态标准信息。获取机组状态标准数据中的故障数据，并对其进行标识，提取机组状态标准信息中带有故障标识的信息，获得所述故障信号。

步骤S200：SCADA模块中记录所述故障信号对应的时刻参数，并对SCADA模块中的数据进行预警等级和故障标记；

具体而言，SCADA模块是以计算机为基础的生产过程控制与调度自动化模块，可以对现场的运行设备进行监视和控制，通过SCADA模块记录所述故障信号对应的时刻参数。

根据机组状态标准信息，获取第一特征数据集的J个特征值，其中每个特征值对应一个温度数据区间，将每一个特征值作为一个预警等级，特征值越靠前则预警等级越高，其中每个特征值对应的温度数据区间的最大值作为对应预警等级的最大阈值，每个特征值对应的温度数据区间的最小值作为对应预警等级的最小阈值。并将特征值对应的温度数据区间内所有温度数据对应的故障数据，作为该预警等级内的故障数据。同样地，对机组状态标准信息中的其他特征数据集进行预警等级和故障划分，根据划分结果对SCADA模块中的数据进行预警等级和故障标记。

步骤S300：根据SCADA模块中的参数越限信息分析对应时刻SCADA数据的参数状态；

进一步而言，如图3所示，本申请步骤S300还包括：

步骤S310：基于SCADA模块，提取异常预警特征和输油泵状态实时数据；

步骤S320：基于所述异常预警特征和所述输油泵状态实时数据，构建异常状态模型；

具体而言，基于SCADA模块，提取不同预警等级的异常预警特征，以及异常预警特征对应的输油泵状态实时数据。基于所述异常预警特征和所述输油泵状态实时数据，采用K-means算法构建异常状态模型，具体而言，将输油泵状态实时数据作为样本，从样本中随机选择K个点作为初始质心，计算各样本到各个质心的距离，将样本划分到距离最近的质心所在的簇中，计算每个簇内所有样本的均值，并使用该均值更新簇的质心，进行迭代，直到质心的位置变化小于指定的阈值或者达到最大迭代次数，此时生成聚类结果，对每个聚类结果与异常预警特征进行匹配，以此构建异常状态模型。

步骤S330：通过工况-状态特征分析法进行运行工况与输油泵机组状态的多参数关联特性分析，构建输油泵机组预警模型；

进一步而言，本申请步骤S330还包括：

步骤S331：利用聚类分析、长短时序记忆、神经网络、回归建模、离群点检测中的一个或多个算法进行输油泵机组预警模型的构建。

具体而言，聚类分析方法为将样本数据的集合分组为由类似的对象组成的多个类的分析过程，聚类分析的目标就是在相似的基础上收集数据来进行分类，根据分类结果进行建模；长短时序记忆是循环神经网络的一种变体，用于处理序列数据，它可以接受任意长度的输入序列，并通过内部的循环连接来处理序列中的每个元素，并且可以解决传统RNN在处理长序列数据中存在的梯度消失和梯度***问题；神经网络是一种模仿生物神经网络的结构和功能的数学模型或计算模型，用于对函数进行估计或近似；回归建模是一种预测性的建模技术，它研究的是因变量和自变量之间的关系，可以进行预测分析、构建时间序列模型，以及发现变量之间的因果关系；离群点检测是找出其行为不同于预期对象的过程，这种对象称为离群点或异常。利用聚类分析、长短时序记忆、神经网络、回归建模、离群点检测，其中一个或多个分析方法进行模型构建。

优选地，本申请采用聚类分析法进行运行工况与输油泵机组状态的多参数关联特性分析，首先获取输油泵机组状态参数中的正常参数和异常参数，以故障等级为横坐标、故障次数为纵坐标，构建状态参数坐标系，对状态参数坐标系进行区域化标签化分类，不同的区域对应不同的标签分类结果，即正常参数和异常参数。将运行工况参数输入所述状态参数坐标系，获取运行工况参数对应的状态参数向量，根据欧氏距离对参数进行距离计算，获得状态参数向量与其他参数之间的欧氏距离数据集，根据欧氏距离数据集获得参数分类数据集，所述参数分类数据集为欧氏距离数据集中最短的k个距离，k值为所述欧氏距离数据集的一部分，可自行设定。根据参数分类数据集和标签分类结果进行映射匹配，获取状态参数向量对应的分类标签，以此进行输油泵机组异常参数预警。

步骤S340：在SCADA模块中记录故障发生的时刻，构建故障标签；

步骤S350：基于所述异常状态模型、所述输油泵机组预警模型和所述故障标签，分析对应时刻SCADA数据中输油泵机组运行状态参数数据，获得所述参数状态。

具体而言，根据故障标签对故障发生的节点、故障信息、以及该节点的运行状态参数数据进行标记，即在此节点之前输油泵机组为正常状态，在此节点时以及在此节点之后输油泵机组为异常状态，对应的运行状态参数数据也为异常数据。

将对应时刻SCADA数据中输油泵机组运行状态参数数据输入异常状态模型，计算运行状态参数数据与各个质心之间的距离，获取距离最近的质心所在的簇，将运行状态参数数据划分到该簇中，获取该簇对应的异常预警特征，该异常预警特征即为运行状态参数数据对应的运行状态参数数据，将该异常预警特征的预警等级作为运行状态参数数据的预警等级。

将对应时刻SCADA数据中输油泵机组运行状态参数数据输入输油泵机组预警模型，获取运行状态参数数据对应的参数向量，进行距离计算获得参数向量与其他参数的距离中最短的k个距离，作为状态参数分类数据集，将状态参数分类数据集与标签分类结果进行映射匹配，获取参数向量对应的分类标签，以此进行输油泵机组异常参数预警。

根据故障标签获取输油泵机组运行状态参数数据故障发生的节点、故障信息、以及该节点的运行状态参数数据，结合预警等级、预警项目，构建该节点输油泵机组的参数状态。

步骤S400：根据所述预警等级、所述故障标记和所述参数状态，构建关联规则模型；

进一步而言，本申请步骤S400还包括：

步骤S410：对所述预警等级、所述故障标记和所述参数状态进行时间划分，获得参数越限信息表；

步骤S420：基于预设周期，通过关联规则挖掘算法对所述参数越限信息表进行分析，获得关联规则模型。

具体而言，以时间为横轴以运行状态参数为纵轴，构建参数-时间坐标系，在坐标系中绘制运行状态参数随时间变化的曲线y＝y(t)，根据预警等级对坐标系的纵轴进行划分，示例性地，对于第一预警等级的预警参数为[a,b]，在参数-时间坐标系内绘制y＝a和y＝b两条直线，当运行状态参数升高，曲线y＝y(t)达到第一预警等级时，曲线y＝y(t)超过直线y＝a，获取曲线y＝y(t)与直线y＝a的相交节点t₁；随后当运行状态参数下降，曲线y＝y(t)低与第一预警等级时，曲线y＝y(t)低于直线y＝a，获取获取曲线y＝y(t)与直线y＝a的相交节点t₂。将节点t₁与节点t₂之间的运行状态参数称为对于第一预警等级的越限参数，越限即为目标值达到越值的上下限值，基于越限值对运行状态参数进行监测，当达到越限值时说明达到预警等级，以此对其进行预警。获取越限参数的预警等级、故障标记和参数状态，构建参数越限信息表。

关联规则反映一个对象与其他对象之间的相互依赖关系，如果多个对象之间存在一定的关联关系，那么一个对象可以通过其他对象进行预测。设置预设周期，示例性地，设置为24h，对24h内的数据进行提取，获取数据集，获取提取到的数据集中的一个或多个参数越限信息表。设I＝(i₁,i₂,i₃...i_k,)是数据集中所有项构成的集合，设定参数越限信息表为D，参数越限信息表中，将预警等级、故障标记和参数状态同时出现的情况标示为事物t，每个事物t都是I的子集。计算支持度，即越限参数在整个参数越限信息表中出现的概率，某个组合出现的次数与总次数之比，公式为

对于出现次数不多的组合，不需要去关注，设定最小支持度Sup_min，最小支持度是一个阈值参数，用于标识数据集的最低支持度。最后计算置信度，即A参数出现后，出现B参数的概率，可看做条件概率P(B|A)＝P(AB)/P(A)，根据支持度、最小支持度和置信度计算参数的关联关系，构建关联规则模型。

步骤S500：根据所述关联规则模型，获得所述输油泵机组的预测故障预警信息；

具体而言，根据所述关联规则模型获取预警等级、故障标记和参数状态之间的关联关系，将采集到的实时参数状态输入关联规则模型，根据关联关系匹配对应的预警等级、故障标记和参数状态，以此输油泵机组的参数进行快速检测，当出现异常参数时，迅速匹配到对应的故障类型和预警等级，实现输油泵机组故障早期的异常状态预警，达到提升故障预警的针对性和准确性的效果。

综上所述，本申请实施例所提供的一种输油泵机组故障模型的智能预警方法及***具有如下技术效果：

获得输油泵机组的故障信号，SCADA模块中记录所述故障信号对应的时刻参数，并对SCADA模块中的数据进行预警等级和故障标记，根据SCADA模块中的参数越限信息分析对应时刻SCADA数据的参数状态，根据所述预警等级、所述故障标记和所述参数状态，构建关联规则模型；根据所述关联规则模型，获得所述输油泵机组的预测故障预警信息。解决了现有技术中对工况变化及机组状态变化过程不敏感、报警太迟，使得故障预警效果差的技术问题，通过对反映输油泵机组运行状态的SCADA***监测数据进行分析，实现输油泵机组故障早期的异常状态预警，达到提升故障预警的针对性和准确性的效果。

实施例二

基于与前述实施例中一种输油泵机组故障模型的智能预警方法相同的发明构思，如图4所示，本申请提供了一种输油泵机组故障模型的智能预警***，所述***包括：

故障信号获取模块10，所述故障信号获取模块10用于获得输油泵机组的故障信号；

数据标记模块20，SCADA模块中记录所述故障信号对应的时刻参数，所述数据标记模块20用于对SCADA模块中的数据进行预警等级和故障标记；

参数状态分析模块30，所述参数状态分析模块30用于根据SCADA模块中的参数越限信息分析对应时刻SCADA数据的参数状态；

模型构建模块40，所述模型构建模块40用于根据所述预警等级、所述故障标记和所述参数状态，构建关联规则模型；

预警信息获取模块50，所述预警信息获取模块50用于根据所述关联规则模型，获得所述输油泵机组的预测故障预警信息。

进一步而言，所述***还包括：

机组状态数据获取模块，所述机组状态数据获取模块用于采集所述输油泵机组的运行状态和工况参数，获得机组状态数据；

预处理模块，所述预处理模块用于对所述机组状态数据进行预处理，获得机组状态标准数据；

压缩模块，所述压缩模块用于对所述机组状态标准数据进行压缩，获得机组状态标准信息；

异常特征提取模块，所述异常特征提取模块用于对所述机组状态标准信息进行异常特征提取，获得所述故障信号。

进一步而言，所述***还包括：

数据清洗模块，所述数据清洗模块用于对所述机组状态数据进行数据清洗，获得机组状态特征数据；

归一化处理模块，所述归一化处理模块用于对所述机组状态特征数据进行归一化处理，获得所述机组状态标准数据。

进一步而言，所述***还包括：

实时数据提取模块，所述实时数据提取模块用于基于SCADA模块，提取异常预警特征和输油泵状态实时数据；

异常状态模型构建模块，所述异常状态模型构建模块用于基于所述异常预警特征和所述输油泵状态实时数据，构建异常状态模型；

关联特性分析模块，所述关联特性分析模块用于通过工况-状态特征分析法进行运行工况与输油泵机组状态的多参数关联特性分析，构建输油泵机组预警模型；

故障标签构建模块，所述故障标签构建模块用于在SCADA模块中记录故障发生的时刻，构建故障标签；

运行状态参数数据分析模块，所述运行状态参数数据分析模块用于基于所述异常状态模型、所述输油泵机组预警模型和所述故障标签，分析对应时刻SCADA数据中输油泵机组运行状态参数数据，获得所述参数状态。

进一步而言，所述***还包括：

预警模型构建模块，所述预警模型构建模块用于利用聚类分析、长短时序记忆、神经网络、回归建模、离群点检测中的一个或多个算法进行输油泵机组预警模型的构建。

进一步而言，所述***还包括：

时间划分模块，所述时间划分模块用于对所述预警等级、所述故障标记和所述参数状态进行时间划分，获得参数越限信息表；

信息表分析模块，所述信息表分析模块用于基于预设周期，通过关联规则挖掘算法对所述参数越限信息表进行分析，获得关联规则模型。

本说明书通过前述对一种输油泵机组故障模型的智能预警方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种输油泵机组故障模型的智能预警方法及***，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种输油泵机组故障模型的智能预警方法，其特征在于，所述方法应用于一种输油泵机组故障模型的智能预警***，所述***包括SCADA模块，所述方法包括：

获得输油泵机组的故障信号；

SCADA模块中记录所述故障信号对应的时刻参数，并对SCADA模块中的数据进行预警等级和故障标记；

根据SCADA模块中的参数越限信息分析对应时刻SCADA数据的参数状态；

根据所述预警等级、所述故障标记和所述参数状态，构建关联规则模型；

根据所述关联规则模型，获得所述输油泵机组的预测故障预警信息。

2.如权利要求1所述的方法，其特征在于，所述获得输油泵机组的故障信号，所述方法还包括：

采集所述输油泵机组的运行状态和工况参数，获得机组状态数据；

对所述机组状态数据进行预处理，获得机组状态标准数据；

对所述机组状态标准数据进行压缩，获得机组状态标准信息；

对所述机组状态标准信息进行异常特征提取，获得所述故障信号。

3.如权利要求2所述的方法，其特征在于，所述机组状态数据包括输油泵振动信号和/或输油泵温度信号和/或输油泵流量信号和/或输油泵电机电压信号和/或输油泵电机电流信号/或调节阀阀位信息/或电机轴承温度/或电机绕组温度/或机械密封泄漏量/或泵进口压力/或泵出口压力。

4.如权利要求2所述的方法，其特征在于，对所述机组状态数据进行预处理，获得机组状态标准数据，所述方法还包括：

对所述机组状态数据进行数据清洗，获得机组状态特征数据；

对所述机组状态特征数据进行归一化处理，获得所述机组状态标准数据。

5.如权利要求1所述的方法，其特征在于，所述方法还包括：

基于SCADA模块，提取异常预警特征和输油泵状态实时数据；

基于所述异常预警特征和所述输油泵状态实时数据，构建异常状态模型；

通过工况-状态特征分析法进行运行工况与输油泵机组状态的多参数关联特性分析，构建输油泵机组预警模型；

在SCADA模块中记录故障发生的时刻，构建故障标签；

基于所述异常状态模型、所述输油泵机组预警模型和所述故障标签，分析对应时刻SCADA数据中输油泵机组运行状态参数数据，获得所述参数状态。

6.如权利要求5所述的方法，其特征在于，所述工况-状态特征分析法包括：

利用聚类分析、长短时序记忆、神经网络、回归建模、离群点检测中的一个或多个算法进行输油泵机组预警模型的构建。

7.如权利要求1所述的方法，其特征在于，根据所述预警等级、所述故障标记和所述参数状态，构建关联规则模型，所述方法还包括：

对所述预警等级、所述故障标记和所述参数状态进行时间划分，获得参数越限信息表；

基于预设周期，通过关联规则挖掘算法对所述参数越限信息表进行分析，获得关联规则模型。

8.一种输油泵机组故障模型的智能预警***，其特征在于，所述***包括SCADA模块，所述***包括：

故障信号获取模块，所述故障信号获取模块用于获得输油泵机组的故障信号；

数据标记模块，SCADA模块中记录所述故障信号对应的时刻参数，所述数据标记模块用于对SCADA模块中的数据进行预警等级和故障标记；

参数状态分析模块，所述参数状态分析模块用于根据SCADA模块中的参数越限信息分析对应时刻SCADA数据的参数状态；

模型构建模块，所述模型构建模块用于根据所述预警等级、所述故障标记和所述参数状态，构建关联规则模型；

预警信息获取模块，所述预警信息获取模块用于根据所述关联规则模型，获得所述输油泵机组的预测故障预警信息。

Images