CN117909853B - 基于机理与工况大数据的设备损伤智能监测方法及*** - Google Patents
基于机理与工况大数据的设备损伤智能监测方法及*** Download PDFInfo
- Publication number
- CN117909853B CN117909853B CN202410310116.9A CN202410310116A CN117909853B CN 117909853 B CN117909853 B CN 117909853B CN 202410310116 A CN202410310116 A CN 202410310116A CN 117909853 B CN117909853 B CN 117909853B
- Authority
- CN
- China
- Prior art keywords
- damage
- working condition
- sample
- model
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000007246 mechanism Effects 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012544 monitoring process Methods 0.000 title claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 30
- 208000033999 Device damage Diseases 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 52
- 238000010276 construction Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 238000007477 logistic regression Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 claims description 4
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000003449 preventive effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 10
- 238000005260 corrosion Methods 0.000 description 8
- 230000007797 corrosion Effects 0.000 description 8
- 230000006872 improvement Effects 0.000 description 8
- 230000002265 prevention Effects 0.000 description 7
- 239000000498 cooling water Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000003902 lesion Effects 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 229910000975 Carbon steel Inorganic materials 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 229910000963 austenitic stainless steel Inorganic materials 0.000 description 1
- 239000010962 carbon steel Substances 0.000 description 1
- 238000004523 catalytic cracking Methods 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005297 material degradation process Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及工业设备检测技术领域，公开了基于机理与工况大数据的设备损伤智能监测方法及***。该监测方法首先设定设备的多种损伤模式，基于技术标准和工程案例构建每种损伤模式的机理模型样本，基于现场数据构建每种损伤模式的工况大数据样本。然后将机理模型样本和工况大数据样本作为用于模型训练的数据集，分别构建出机理模型和工况模型。最后将待预测的实时文本数据和实时工况数据分别输入机理模型和工况模型，计算出实时文本数据属于各种损伤模式的可能性，以及实时工况数据属于各种损伤模式的可能性，结合两种可能性生成设备损伤监测结果。本发明有效提高了针对承压设备的损伤监测时的实时信息利用率，使得监测结果更加准确。
Description
技术领域
本发明涉及工业设备检测技术领域，具体是基于机理与工况大数据的设备损伤智能监测方法，以及应用这种方法的损伤模式智能预测***。
背景技术
石化等流程工业领域的承压设备在复杂工艺、波动工况下运行，设备发生损伤和失效的风险随之增大，依据承压设备的应用场景(如所属的装置/设备类型，设备材料、涉及的工艺介质等)和运行参数(如温度、压力、pH值、腐蚀性介质含量等)，对承压设备可能的损伤开展进行监测与预警，对保证设备安全可靠运行的具有重要作用。
目前针对承压设备的损伤防控通常采用被动方法，例如对已经发生减薄的位置进行定期或不定期测量，对发生的开裂的部位进行裂纹监测等，这些都是在损伤发生后加以检测，无法对运行设备损伤发生时进行自动预防与控制。另一方面，承压设备在服役过程中的损伤模式分析需要借助专用数据库及大量专家经验，无法开展大规模损伤自动分析，严重影响了承压设备的安全长周期运行，因此亟待解决。
发明内容
为了避免和克服现有技术中针对承压设备的损伤监测，存在实时信息利用率低、监测结果不够准确以及无法自动识别的技术问题，本发明提供了基于机理与工况大数据的设备损伤智能监测方法及***。
为实现上述目的，本发明提供如下技术方案：
本发明公开一种基于机理与工况大数据的设备损伤智能监测方法，用于监测承压设备的损伤模式；所述监测方法包括步骤S1~S3。
S1.设定设备的多种损伤模式，基于技术标准和工程案例构建每种损伤模式的机理模型样本，基于现场数据构建每种损伤模式的工况大数据样本。
S2.将机理模型样本和工况大数据样本作为用于模型训练的数据集，分别构建出机理模型和工况模型。
S3.将待预测的实时文本数据和实时工况数据分别输入机理模型和工况模型，计算出实时文本数据属于各种损伤模式的可能性，以及实时工况数据属于各种损伤模式的可能性，结合两种可能性生成设备损伤监测结果。
作为上述方案的进一步改进，在步骤S1之前，还构建与设备损伤模式相关的自定义词库和停用词词库。
步骤S1包括以下具体步骤，即S11~S14。
S11.从技术标准和工程案例中获取用于描述每种损伤模式的机理模型样本，并从现场数据中获取用于描述每种损伤模式的工况数据样本。
S12.根据自定义词库和停用词词库对从技术标准中获取的文本样本进行清洗、分词、过滤停用词、去重操作，获得机理模型样本关键词库。
S13.模拟机理模型识别方法和专家经验，根据所述技术标准文本样本关键词库获取自生成的技术标准关键词专家样本，结合从工程案例中获取的文本样本共同构建所述机理模型样本。
S14.保留工况数据样本中预设种类的工况参数，并删除其余种类的工况参数，从而获得所述工况大数据样本。
作为上述方案的进一步改进，步骤S11中，所述技术标准采用GB/T 30579技术标准；其中GB/T 30579技术标准包含损伤模式的损伤机理、损伤形态、主要影响因素、易发生的装置或设备、主要预防措施；所述工程案例包含材料名称、介质和发生损伤的零部件名称。
作为上述方案的进一步改进，步骤S14中，保留的工况参数的种类包括：压力、温度、pH值、H2S含量、H2O含量、CO2含量、硫化物含量、NH3含量、氯离子含量；其中，当不含有或未提供其中一种或多种介质时，则将对应的工况参数设置为0。
作为上述方案的进一步改进，步骤S13中，所述技术标准关键词专家样本的获取过程如下：
模拟机理模型识别方法和专家经验，对所述技术标准文本样本关键词库进行分析，依据每个损伤模式真实发生的概率决定每个损伤模式样本的生成的数量，在不超过每个损伤模式技术标准文本样本关键词库总数的前提下，采用条件随机抽样法对词库进行预设词语数量范围内的抽样，并为抽样文本添加对应的损伤模式分类标签，进行样本增强，从而获得自生成的技术标准关键词专家样本。
作为上述方案的进一步改进，步骤S2中，机理模型的构建方法包括以下步骤，即S2A1~S2A3。
S2A1.将机理模型样本中的所有损伤模式分类标签所组成的向量为，表达公式为：
式中，n为所有损伤模式的种类数量，n＞1；y n 为第n种损伤模式分类标签；上标T为矩阵的转置。
S2A2.使用TF-IDF算法对机理模型样本进行向量化处理，将文本转化为稀疏矩阵形式。
S2A3.将向量化后的文本数据按照设定比例划分为训练集和测试集，结合对应的分类标签向量进行模型训练，并采用多种多分类机器学***均值、加权平均值，根据对比结果选择最优的多分类机器学习算法构建机理模型。
作为上述方案的进一步改进，步骤S2中，工况模型的构建方法包括以下步骤：
使用工况大数据样本作为训练集，结合对应的分类标签向量进行训练，并采用多种多分类学***均值、加权平均值，根据对比结果选择最优的多分类机器学习算法构建工况模型。
作为上述方案的进一步改进，在构建机理模型时，采用逻辑回归算法、SVM、随机森林等算法（包括但不限于这些算法）进行模型训练；在构建工况模型时，采用KNN算法、随机森林算法、伯努利等算法（包括但不限于这些算法）进行模型训练。
作为上述方案的进一步改进，步骤S3中，实时文本数据属于各种损伤模式的第一可能性集合P (1)表示为：
实时工况数据属于各种损伤模式的第二可能性集合P (2)表示为：
式中，P 1n 表示实时文本数据属于第n种损伤模式的可能性；P 2n 表示工况数据属于第n种损伤模式的可能性。
将实时文本数据和实时工况数据属于同一种损伤模式的可能性进行相乘，从而得到设备属于每种损伤模式的综合可能性集合；其中，。
其中，将第一可能性集合P (1)、第二可能性集合P (2)和综合可能性集合各自的可能性分别进行由大到小的排序，并将排名在前若干个的损伤模式及其可能性作为所述设备损伤监测结果。
本发明还公开一种基于机理与工况大数据的损伤模式智能预测***，应用上述基于机理与工况大数据的设备损伤智能监测方法，所述***包括：样本构建模块、模型构建模块以及计算模块。
样本构建模块用于设定设备的多种损伤模式，基于技术标准和工程案例构建每种损伤模式的机理模型样本，基于现场数据构建每种损伤模式的工况大数据样本。
模型构建模块用于将机理模型样本和工况大数据样本作为用于模型训练的数据集，分别构建出机理模型和工况模型。
计算模块用于将待预测的机理模型样本数据和工况数据分别输入机理模型和工况模型，计算出文本数据属于各种损伤模式的可能性，以及工况数据属于各种损伤模式的可能性，从而结合两种可能性生成设备损伤监测结果。
与现有技术相比，本发明的有益效果是：
1、本发明公开的设备损伤智能监测方法，结合了机理模型和工况模型的分析结果，不仅仅是关注单一的评价标准，通过深度理解机理模型和工况模型的优势，展现了机理分析与工况分析因素之间的潜在关联性，最终提供了更加全面、准确的设备损伤模式评估模型，利用待预测的机理模型样本数据和实时工况数据生成设备损伤监测结果，有效提高了实时信息利用率，使得监测结果更加准确。
2、本发明在构建机理模型时，包含了技术标准与工程案例内容，技术标准和工程案例描述了设备的损伤机理、影响因素、设计规范等信息，工程案例中的信息包括了设备在运行过程实时采集到的数据，综合考虑上述两方面的内容后，使在构建机理模型时，能够考虑标准和现场的多重影响因素，建立更加全面的机理模型，扩大了模型的适用性。
3、本发明在训练机理模型时，通过模拟机理模型识别方法和专家经验、对机理知识进行分析、采用条件随机抽样方法抽样，自主生成了机理模型样本，解决了经验缺乏与人员数量不足导致的机理模型样本偏少问题，提高了机理模型预测结果的准确率。
4、本发明可以解决机理模型在处理工况大数据中存在的无法处理非文字文本难题，通过采集与设备损伤密切相关的工况参数（如温度、压力、pH值等数据），将这些数字形数据转化为可供分析的表示形式，构建工况模型，弥补了单纯依据标准定义开展损伤模式识别的局限性，同时将工况参数在设备损伤监测中的重要作用体现了出来。
5、本发明具有智能化、及时性、提前预警等优点，无需大量的人工操作，通过对设备状态开展实时监测分析，对发生的异常情况或潜在的设备损伤都可以及时预警给操作人员或相关管理***，设备在出现故障或损伤之前就可以采取相应的措施规避风险的发生，从而降低了维修成本并提了设备的可靠性。
6、本发明公开的基于机理与工况大数据的损伤模式智能预测***，其通过应用上述设备损伤智能监测方法，能够产生与该方法相同的有益效果，在此不再赘述。
附图说明
图1为本发明实施例1中基于机理与工况大数据的设备损伤智能监测方法的流程图。
图2为本发明实施例2中基于机理与工况大数据的损伤模式智能预测***的框架图。
图3为本发明实施例2中损伤模式智能预测***的待输入可视化界面展示图。
图4为本发明实施例2中损伤模式智能预测***的操作与结果界面展示图。
图5为承压设备的传统被动风险防控方法的逻辑图。
图6为本发明实施例3中承压设备的主动风险防控方法的逻辑图。
具体实施方式
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，所描述的实施案例仅仅是本发明一部分实施例，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做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。
实施例1
请参阅图1，本发明实施例提供一种基于机理与工况大数据的设备损伤智能监测方法，用于监测承压设备的损伤模式；所述监测方法包括以下步骤：
首先，构建与设备损伤模式相关的自定义词库和停用词词库。其中部分自定义词如下所示：
[催化裂化，常压蒸馏，分液罐，重柴油，奥氏体不锈钢...]
部分停用词如下所示：
[一般，一起，也是，有无，取决于，发生...]
S1.设定设备的多种损伤模式，基于技术标准和工程案例构建每种损伤模式的机理模型样本，基于现场数据构建每种损伤模式的工况大数据样本。
本实施例中，损伤模式可设定预设若干数量（如20个），涵盖腐蚀减薄、环境开裂、机械损伤、材质劣化等损伤模式范围。
步骤S1可包括以下具体步骤，即S11~S14。
S11.从技术标准和工程案例中获取用于描述每种损伤模式的文本样本，并从现场数据中获取用于描述每种损伤模式的工况数据样本。
步骤S11中，所述技术标准采用GB/T 30579技术标准，GB/T 30579技术标准包含损伤模式的损伤机理、损伤形态、主要影响因素、易发生的装置或设备、主要预防措施等信息。当然，在一些实施例中，也可采用最新制订的承压设备损伤模式识别标准。所述工程案例包含材料名称、介质和发生损伤的零部件名称等信息。
S12.根据自定义词库和停用词词库，对从GB/T 30579技术标准中获取的文本样本进行清洗、分词、过滤停用词、去重操作，获得技术标准文本样本关键词库。
S13.模拟机理模型识别方法和专家经验，根据所述技术标准文本样本关键词库获取自生成的技术标准关键词专家样本。
其中，所述技术标准关键词专家样本的获取过程如下：
模拟机理模型识别方法和专家经验，对所述技术标准文本样本关键词库进行分析，依据每个损伤模式真实发生的概率决定每个损伤模式样本自生成的数量，在不超过每个损伤模式技术标准文本样本关键词库总数的前提下，采用条件随机抽样法对词库进行一定数量（如20-35个）范围内进行词语抽样，并为抽样文本添加对应的损伤模式分类标签，进行样本增强，从而获得自生成的技术标准关键词专家样本。
需要说明的是，机理模型样本属于文本，而机理模型属于语义模型。
本实施例中，自生成的技术标准关键词专家样本部分内容如下表1所示。
表1.自生成技术标准关键词专家样本部分内容
步骤S13随后结合从工程案例中获取的文本样本共同构建所述机理模型样本。机理模型样本部分内容如下表2所示：
表2.机理模型样本部分内容
S14.保留工况数据样本中预设种类的工况参数，并删除其余种类的工况参数，从而获得所述工况大数据样本。
本实施例中，保留的工况参数的种类包括：压力、温度、pH值、H2S含量、H2O含量、CO2含量、硫化物含量、NH3含量、氯离子含量；当然，在一些实施例中，也可以根据需求设置保留的工况数据种类。
其中，当不含有或未提供其中一种或多种介质时，则将对应的工况参数设置为0。
本实施例中，工况大数据样本部分内容如表3所示。
表3.工况大数据样本部分内容
S2.将机理模型样本和工况大数据样本作为用于模型训练的数据集，分别构建出机理模型和工况模型。
其中，机理模型的构建方法包括以下步骤，即S2A1~S2A3。
S2A1.将机理模型样本中的所有损伤模式分类标签所组成的向量为，表达公式为：
式中，n为所有损伤模式的种类数量，n=20；y n 为第n种损伤模式分类标签；上标T为矩阵的转置。
S2A2.使用TF-IDF算法对机理模型样本进行向量化处理，将文本转化为稀疏矩阵形式。
S2A3.将向量化后的文本数据进行划分，按一定的比例划分为训练集与测试集，本实施例中80%作为训练集，20%作为测试集，结合对应的分类标签向量进行模型训练，并采用逻辑回归算法、SVM（支持向量机）、随机森林等算法进行模型训练，对比每种算法下多个损伤模式预测结果的准确率、召回率、F1分数，同时对比不同算法对每个损伤模式预测最终结果的整体准确率、平均值、加权平均值，根据对比结果选择最适合数据集（整体准确率最高）的算法构建机理模型。逻辑回归、SVM、随机森林等算法对每个损伤模式预测最终结果的整体准确率、平均值、加权平均值的对比结果如表4所示。
表4.三种算法整体准确率、平均值、加权平均值的对比结果
可以看出，逻辑回归算法的整体准确率最高，在逻辑回归算法下，20种损伤模式预测结果的准确率、召回率与F1分数（F1-Score）如表5所示。
表5.逻辑回归对20种损伤模式预测结果的准确率、召回率与F1分数
本实施例中，工况模型的构建方法包括以下步骤：
使用工况大数据样本作为训练集，结合对应的分类标签向量进行训练，并采用KNN算法、随机森林算法、伯努利等算法进行模型训练，对比每种算法下多个损伤模式预测结果的准确率、召回率、F1分数，同时对比不同算法对每个损伤模式预测最终结果的整体准确率、平均值、加权平均值，根据对比结果选择最优的多分类机器学***均值、加权平均值的对比如表6所示。
表6.多种算法的整体准确率、平均值、加权平均值的对比
KNN算法（K=6）下，20种损伤模式预测结果的准确率、召回率与F1-Score数值如表7所示。
表7.KNN算法对20种损伤模式预测结果的准确率、召回率与F1-Score
在机理模型与工况模型构建完成之后，使用400条未参与训练的工程案例文本（每种损伤模式20条）作为机理模型的测试集数据。
使用400条现场工况数据作为工况模型测试集数据（每种损伤模式20条，组成每种损伤模式的工况有9个，其中包括压力、温度、pH值、H2S含量、H2O含量、CO2含量、硫化物含量、NH3含量、氯离子含量）。
随后结合上述机理模型和工况模型计算的结果，将属于同一损伤模式的机理模型测试集数据与工况模型测试集的随机组合，调用机理模型和工况模型，计算机理模型测试集与工况模型测试集结果属于20种损伤模式的可能性、。
将20种损伤模式中相同标签的文本预测可能性与工况预测可能性分别相乘，得到。本实施例以一段机理模型样本数据为例，数据如下：
[H2O 16MnR碳钢 水 轻汽油 换热器 稳定塔底油冷却器 管程 循环水]
该段文本数据属于20种损伤模式的可能性如表8所示：
表8.文本数据属于20种损伤模式的可能性
在表8中，对这一段文本数据预测可能性最高的损伤模式是冷却水腐蚀，预测为概率0.579825。
本实施例还以一段工况数据为例，工况数据如下：
[0.5 32 7 0 1000000 0 0 0 25]
该段工况数据属于20种损伤模式的可能性如表9所示。
表9.工况数据属于20种损伤模式的可能性
表9中，对这一段工况数据预测可能性最高的损伤模式是冷却水腐蚀，预测为0.9916673。
将表8和表9中相同损伤模式的预测结果相乘，从而得到承压设备属于不同损伤模式的综合可能性，如表10所示。
表10.承压设备属于不同损伤模式的综合可能性
将表10中属于每个损伤模式的可能性P 1,P 2,P 3,…,P n 由大到小排序，可能性最大的损伤模式“冷却水腐蚀”为最可能的损伤模式。同时，针对真实案例中出现的同一描述指向多个损伤模式情况，提供可能性最大的前三个损伤模式M 1、M 2、M 3为设备最可能发生的损伤模式，由于出现了概率为0的情况，则预测概率最高的前三个损伤模式M 1为冷却水腐蚀、M 2为大气腐蚀（无隔热层）、M 3为空。、/>、/>，真实的损伤模式是冷却水腐蚀，M 1冷却水腐蚀出现在预测的前三个损伤模式中，实现了准确预测；与此同时，将400条测试集预测出的损伤模式与实际损伤模式对比，最终准确率为85.2130%。
S3.将待预测的实时文本数据和实时工况数据分别输入完成训练、测试且符合要求的机理模型和工况模型，计算出实时文本数据属于各种损伤模式的可能性，以及实时工况数据属于各种损伤模式的可能性，结合两种可能性生成设备损伤监测结果。
其中，将实时文本数据属于损伤模式的可能性、实时工况数据属于损伤模式的可能性，以及承压设备属于损伤模式的综合可能性分别进行由大到小的排序，并将排名在前三个的损伤模式及其可能性作为所述设备损伤监测结果。
实施例2
请参阅图2，本实施例提供一种基于机理与工况大数据的损伤模式智能预测***，应用实施例1的基于机理与工况大数据的设备损伤智能监测方法，所述***包括：样本构建模块100、模型构建模块200以及计算模块300。
样本构建模块100用于设定设备的多种损伤模式，基于技术标准和工程案例构建每种损伤模式的机理模型样本，基于现场数据构建每种损伤模式的工况大数据样本。
模型构建模块200用于将机理模型样本和工况大数据样本作为用于模型训练的数据集，分别构建出机理模型和工况模型。
计算模块300用于将待预测的实时文本数据和工况数据分别输入机理模型和工况模型，计算出实时文本数据属于各种损伤模式的可能性，以及工况数据属于各种损伤模式的可能性，从而结合两种可能性生成设备损伤监测结果。
本实施例中，损伤模式智能预测***还可以包括交互模块，能够将操作过程与预测结果进行可视化展示。请参阅图3、图4，图3是损伤模式智能预测***待输入的可视化界面展示，在20个损伤模式范围内，需要分别在框内输入文本与工况。图4为对文本输入与工况输入的预测过程的结果可视化界面展示，同时最终预测的前三个损伤模式、机理模型预测的前三个损伤模式、工况模型预测的前三个损伤模式，并附对应的预测概率。
实施例3
请参阅图5，该图为传统被动风险防控方法的逻辑图。可以看出，该方法仅在损伤发生后加以检测，无法对运行设备损伤发生时进行自动识别与预警。另一方面，承压设备数量庞大，采用人工开展分析费时费力，智能化程度低无法开展大规模损伤自动分析，严重影响了承压设备的安全长周期运行。
为解决上述问题，本实施例提供一种承压设备的主动风险防控方法。请参阅图6，本实施例提供的承压设备的主动风险防控方法包括以下步骤：
步骤一、在承压设备运行并受到波动工况下，对全部设备进行损伤智能监测。
其中，步骤一中的损伤智能监测可采用实施例1中的基于机理与工况大数据的设备损伤智能监测方法实现，也可直接应用实施例2中的损伤模式智能预测***，从而得到设备损伤监测结果。
步骤二、根据步骤一得到的设备损伤监测结果，判断是否需要对设备进行预警；当需要对设备进行预警时，则提出预警或操作建议，并且持续对全部设备进行损伤智能监测。
由此可见，本实施例公开的主动风险防控方法，具有智能性、及时性、提前预警等优点，无需大量的人工操作，通过对设备状态的实时监测模型分析，发生的异常情况或潜在的设备损伤都可以及时预警给操作人员或相关管理***，设备在出现故障或损伤之前就可以采取相应的措施规避风险的发生，从而降低了维修成本并提了设备的可靠性。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (8)
1.基于机理与工况大数据的设备损伤智能监测方法，其特征在于，用于监测承压设备的损伤模式；所述监测方法包括步骤：
S1.设定设备的多种损伤模式，基于技术标准和工程案例构建每种损伤模式的机理模型样本，基于现场数据构建每种损伤模式的工况大数据样本；
在步骤S1之前，还构建与设备损伤模式相关的自定义词库和停用词词库；
步骤S1包括以下具体步骤：
S11.从技术标准和工程案例中获取用于描述每种损伤模式的机理模型样本，并从现场数据中获取用于描述每种损伤模式的工况数据样本；
S12.根据自定义词库和停用词词库对从技术标准中获取的文本样本进行清洗、分词、过滤停用词、去重操作，获得技术标准文本样本关键词库；
S13.模拟机理模型识别方法和专家经验，根据所述技术标准文本样本关键词库获取自生成的技术标准关键词专家样本，结合从工程案例中获取的样本共同构建所述机理模型样本；
S14.保留工况数据样本中预设种类的工况参数，并删除其余种类的工况参数，从而获得所述工况大数据样本；
S2.将机理模型样本和工况大数据样本作为用于模型训练的数据集，分别构建出机理模型和工况模型；
S3.将待预测的实时文本数据和实时工况数据分别输入机理模型和工况模型，计算出实时文本数据属于各种损伤模式的可能性，以及实时工况数据属于各种损伤模式的可能性，结合两种可能性生成设备损伤监测结果；
步骤S3中，实时文本数据属于各种损伤模式的第一可能性集合P (1)表示为：P (1)={P 11,P 12,P 13,…,P 1n }；实时工况数据属于各种损伤模式的第二可能性集合P (2)表示为：P (2)={P 21,P 22,P 23,…,P 2n }；式中，P 1n 表示实时文本数据属于第n种损伤模式的可能性；P 2n 表示工况数据属于第n种损伤模式的可能性；
将实时文本数据和实时工况数据属于同一种损伤模式的可能性进行相乘，从而得到设备属于每种损伤模式的综合可能性集合{P 1,P 2,P 3,…,P n }；其中，其中，将第一可能性集合P (1)、第二可能性集合P (2)和综合可能性集合各自的可能性分别进行由大到小的排序，并将排名在前若干个的损伤模式及其可能性作为所述设备损伤监测结果。
2.根据权利要求1所述的基于机理与工况大数据的设备损伤智能监测方法，其特征在于，步骤S11中，所述技术标准采用GB/T 30579技术标准；其中GB/T 30579技术标准包含损伤模式的损伤机理、损伤形态、主要影响因素、易发生的装置或设备、主要预防措施；所述工程案例包含材料名称、介质和发生损伤的零部件名称。
3.根据权利要求1所述的基于机理与工况大数据的设备损伤智能监测方法，其特征在于，步骤S14中，保留的工况参数的种类包括：压力、温度、pH值、H2S含量、H2O含量、CO2含量、硫化物含量、NH3含量、氯离子含量；其中，当不含有或未提供其中一种或多种介质时，则将对应的工况参数设置为0。
4.根据权利要求1所述的基于机理与工况大数据的设备损伤智能监测方法，其特征在于，步骤S13中，所述技术标准关键词专家样本的获取过程如下：
模拟机理模型识别方法和专家经验，对所述技术标准文本样本关键词库进行分析，依据每个损伤模式真实发生的概率决定每个损伤模式样本自生成的数量，在不超过每个损伤模式技术标准文本样本关键词库总数的前提下，采用条件随机抽样法对词库进行预设词语数量范围内的抽样，并为抽样文本添加对应的损伤模式分类标签，进行样本增强，从而获得自生成的技术标准关键词专家样本。
5.根据权利要求4所述的基于机理与工况大数据的设备损伤智能监测方法，其特征在于，步骤S2中，机理模型的构建方法包括以下步骤：
S2A1.将机理模型样本中的所有损伤模式分类标签所组成的向量为，表达公式为：
式中，n为所有损伤模式的种类数量，n＞1；y n 为第n种损伤模式分类标签；上标T为矩阵的转置；
S2A2.使用TF-IDF算法对机理模型样本进行向量化处理，将文本转化为稀疏矩阵形式；
S2A3.将向量化后的文本数据按照设定比例划分为训练集和测试集，结合对应的分类标签向量进行模型训练，并采用多种多分类机器学***均值、加权平均值，根据对比结果选择最优的多分类机器学习算法构建机理模型。
6.根据权利要求5所述的基于机理与工况大数据的设备损伤智能监测方法，其特征在于，步骤S2中，工况模型的构建方法包括以下步骤：
使用工况大数据样本作为训练集，结合对应的分类标签向量进行训练，并采用多种多分类学***均值、加权平均值，根据对比结果选择最优的多分类机器学习算法构建工况模型。
7.根据权利要求6所述的基于机理与工况大数据的设备损伤智能监测方法，其特征在于，在构建机理模型时，多种多分类学习算法包括逻辑回归算法、SVM、随机森林；在构建工况模型时，多种多分类学习包括KNN算法、随机森林算法、伯努利。
8.基于机理与工况大数据的损伤模式智能预测***，其特征在于，应用如权利要求1至7中任一项所述的基于机理与工况大数据的设备损伤智能监测方法，其特征在于，所述***包括：
样本构建模块，其用于设定设备的多种损伤模式，基于技术标准和工程案例构建每种损伤模式的机理模型样本，基于现场数据构建每种损伤模式的工况大数据样本；
模型构建模块，其用于将机理模型样本和工况大数据样本作为用于模型训练的数据集，分别构建出机理模型和工况模型；以及
计算模块，其用于将待预测的实时文本数据和工况数据分别输入机理模型和工况模型，计算出实时文本数据属于各种损伤模式的可能性，以及工况数据属于各种损伤模式的可能性，从而结合两种可能性生成设备损伤监测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410310116.9A CN117909853B (zh) | 2024-03-19 | 2024-03-19 | 基于机理与工况大数据的设备损伤智能监测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410310116.9A CN117909853B (zh) | 2024-03-19 | 2024-03-19 | 基于机理与工况大数据的设备损伤智能监测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117909853A CN117909853A (zh) | 2024-04-19 |
| CN117909853B true CN117909853B (zh) | 2024-05-31 |
Family
ID=90695043
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410310116.9A Active CN117909853B (zh) | 2024-03-19 | 2024-03-19 | 基于机理与工况大数据的设备损伤智能监测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117909853B (zh) |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111639450A (zh) * | 2020-06-03 | 2020-09-08 | 太原科技大学 | 基于支持向量机的塔式起重机损伤识别方法 |
| CN113011010A (zh) * | 2021-03-01 | 2021-06-22 | 常州英集动力科技有限公司 | 基于结构机理和运行数据的锅炉故障诊断方法及诊断*** |
| CN113241132A (zh) * | 2021-05-07 | 2021-08-10 | 北京理工大学 | 一种材料辐照损伤预测机器学习模型的建立方法和*** |
| CN113590396A (zh) * | 2021-07-23 | 2021-11-02 | 南方电网深圳数字电网研究院有限公司 | 一次设备的缺陷诊断方法、***、电子设备及存储介质 |
| CN114036258A (zh) * | 2021-10-19 | 2022-02-11 | 东南大学 | 一种基于自然语言处理的桥梁技术状况等级快速识别方法 |
| CN114154237A (zh) * | 2021-11-09 | 2022-03-08 | 东风鼎新动力***科技有限公司 | 一种纯电动汽车减速箱耐久载荷谱生成方法及电子设备 |
| CN114528897A (zh) * | 2021-07-27 | 2022-05-24 | 河北工业大学 | 一种基于知识和数据融合驱动的设备故障诊断方法 |
| CN115357637A (zh) * | 2022-07-15 | 2022-11-18 | 朗坤智慧科技股份有限公司 | 一种工业设备特定工况样本数据抽取的方法 |
| CN115936658A (zh) * | 2021-08-16 | 2023-04-07 | 国网能源研究院有限公司 | 一种电力设备异常检测方法、***、可读存储介质 |
| CN115986945A (zh) * | 2023-03-21 | 2023-04-18 | 山东聚发数字工业技术有限公司 | 一种基于工业互联网的电力设备监测方法、设备及介质 |
| CN116026569A (zh) * | 2022-12-20 | 2023-04-28 | 北京航空航天大学 | 释放源数据的机械设备无监督迁移智能故障诊断方法 |
| US11709979B1 (en) * | 2022-10-28 | 2023-07-25 | Hefei University Of Technology | Bridge damage identification method considering uncertainty |
| CN116756909A (zh) * | 2023-04-18 | 2023-09-15 | 西安西热控制技术有限公司 | 一种基于数据模型及机理模型的火电厂预警诊断*** |
| CN116786219A (zh) * | 2023-07-27 | 2023-09-22 | 华能济南黄台发电有限公司 | 一种磨煤机钢球磨损监测方法、***、设备及介质 |
| CN117056640A (zh) * | 2023-08-07 | 2023-11-14 | 合肥通用机械研究院有限公司 | 获取设备高温氢腐蚀损伤因子和无损检测比例的方法 |
| CN117131425A (zh) * | 2023-10-25 | 2023-11-28 | 广东德力宏展智能装备有限公司 | 一种基于反馈数据的数控机床加工状态监测方法及*** |
| CN117149522A (zh) * | 2023-09-06 | 2023-12-01 | 广西科学院 | 一种桥梁数据智能容灾备份***和方法 |
| CN117292230A (zh) * | 2023-10-07 | 2023-12-26 | 四川大学 | 基于多模态大模型的建筑物震害损伤智能评估方法 |
| CN117291072A (zh) * | 2023-09-20 | 2023-12-26 | 宁波朗达工程科技有限公司 | 一种桥梁损伤识别方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103832223A (zh) * | 2012-11-20 | 2014-06-04 | 傅黎明 | 一种tpms技术缺陷改进方案 |
| US9217999B2 (en) * | 2013-01-22 | 2015-12-22 | General Electric Company | Systems and methods for analyzing data in a non-destructive testing system |
| CN115034248A (zh) * | 2021-03-03 | 2022-09-09 | 斯凯孚公司 | 用于设备的自动诊断方法、***和存储介质 |
-
2024
- 2024-03-19 CN CN202410310116.9A patent/CN117909853B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111639450A (zh) * | 2020-06-03 | 2020-09-08 | 太原科技大学 | 基于支持向量机的塔式起重机损伤识别方法 |
| CN113011010A (zh) * | 2021-03-01 | 2021-06-22 | 常州英集动力科技有限公司 | 基于结构机理和运行数据的锅炉故障诊断方法及诊断*** |
| CN113241132A (zh) * | 2021-05-07 | 2021-08-10 | 北京理工大学 | 一种材料辐照损伤预测机器学习模型的建立方法和*** |
| CN113590396A (zh) * | 2021-07-23 | 2021-11-02 | 南方电网深圳数字电网研究院有限公司 | 一次设备的缺陷诊断方法、***、电子设备及存储介质 |
| CN114528897A (zh) * | 2021-07-27 | 2022-05-24 | 河北工业大学 | 一种基于知识和数据融合驱动的设备故障诊断方法 |
| CN115936658A (zh) * | 2021-08-16 | 2023-04-07 | 国网能源研究院有限公司 | 一种电力设备异常检测方法、***、可读存储介质 |
| CN114036258A (zh) * | 2021-10-19 | 2022-02-11 | 东南大学 | 一种基于自然语言处理的桥梁技术状况等级快速识别方法 |
| CN114154237A (zh) * | 2021-11-09 | 2022-03-08 | 东风鼎新动力***科技有限公司 | 一种纯电动汽车减速箱耐久载荷谱生成方法及电子设备 |
| CN115357637A (zh) * | 2022-07-15 | 2022-11-18 | 朗坤智慧科技股份有限公司 | 一种工业设备特定工况样本数据抽取的方法 |
| US11709979B1 (en) * | 2022-10-28 | 2023-07-25 | Hefei University Of Technology | Bridge damage identification method considering uncertainty |
| CN116026569A (zh) * | 2022-12-20 | 2023-04-28 | 北京航空航天大学 | 释放源数据的机械设备无监督迁移智能故障诊断方法 |
| CN115986945A (zh) * | 2023-03-21 | 2023-04-18 | 山东聚发数字工业技术有限公司 | 一种基于工业互联网的电力设备监测方法、设备及介质 |
| CN116756909A (zh) * | 2023-04-18 | 2023-09-15 | 西安西热控制技术有限公司 | 一种基于数据模型及机理模型的火电厂预警诊断*** |
| CN116786219A (zh) * | 2023-07-27 | 2023-09-22 | 华能济南黄台发电有限公司 | 一种磨煤机钢球磨损监测方法、***、设备及介质 |
| CN117056640A (zh) * | 2023-08-07 | 2023-11-14 | 合肥通用机械研究院有限公司 | 获取设备高温氢腐蚀损伤因子和无损检测比例的方法 |
| CN117149522A (zh) * | 2023-09-06 | 2023-12-01 | 广西科学院 | 一种桥梁数据智能容灾备份***和方法 |
| CN117291072A (zh) * | 2023-09-20 | 2023-12-26 | 宁波朗达工程科技有限公司 | 一种桥梁损伤识别方法 |
| CN117292230A (zh) * | 2023-10-07 | 2023-12-26 | 四川大学 | 基于多模态大模型的建筑物震害损伤智能评估方法 |
| CN117131425A (zh) * | 2023-10-25 | 2023-11-28 | 广东德力宏展智能装备有限公司 | 一种基于反馈数据的数控机床加工状态监测方法及*** |
Non-Patent Citations (5)
| Title |
|---|
| An incremental stress state dependent damage model for ductile failure prediction;F. X. C. Andrade，et al;International Journal of Fracture;20160203;第200卷;127–150 * |
| Material failure mechanisms and damage models;A. Dasgupta，et al;IEEE Transactions on Reliability;19911231;第40卷(第5期);531 - 536 * |
| 复杂介质环境下承压设备主导损伤机制的判定与失效可能性分析;艾志斌等;压力容器;20100630(第06期);52-58 * |
| 数据驱动的人工智能技术在电力设备状态分析中的研究与应用;唐文虎等;高电压技术;20200930(第09期);6-20 * |
| 数据驱动的工业过程运行监控与自优化研究展望;刘强等;自动化学报;20181122(第11期);1944-1956 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117909853A (zh) | 2024-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021184630A1 (zh) | 基于知识图谱定位排污对象的方法及相关设备 | |
| Yang et al. | A novel method for maintenance record clustering and its application to a case study of maintenance optimization | |
| Aziz et al. | A study on gradient boosting algorithms for development of AI monitoring and prediction systems | |
| Song et al. | Narrative texts-based anomaly detection using accident report documents: The case of chemical process safety | |
| CN111340110B (zh) | 一种基于工业过程运行状态趋势分析的故障预警方法 | |
| CN111310803B (zh) | 环境数据处理方法和装置 | |
| CN116485020B (zh) | 一种基于大数据的供应链风险识别预警方法、***及介质 | |
| CN114201374A (zh) | 基于混合机器学习的运维时序数据异常检测方法及*** | |
| CN115524002B (zh) | 一种电厂旋转设备的运行状态预警方法、***及存储介质 | |
| CN116596305A (zh) | 用于食品安全管理的风险分级方法 | |
| Tripathy et al. | Explaining Anomalies in Industrial Multivariate Time-series Data with the help of eXplainable AI | |
| CN117807377B (zh) | 多维度物流数据挖掘与预测方法及*** | |
| Shubinsky et al. | Application of machine learning methods for predicting hazardous failures of railway track assets | |
| CN115688581A (zh) | 油气集输站设备参数预警方法、***、电子设备及介质 | |
| CN117768618A (zh) | 一种基于视频图像分析人员违章的方法 | |
| Gangadhari et al. | Application of rough set theory and machine learning algorithms in predicting accident outcomes in the Indian petroleum industry | |
| CN116893924B (zh) | 设备故障处理方法、装置、电子设备和存储介质 | |
| CN117909853B (zh) | 基于机理与工况大数据的设备损伤智能监测方法及*** | |
| CN112733935A (zh) | 一种基于Stacking算法的渔船捕捞方式预测方法 | |
| Mostofi et al. | Explainable safety risk management in construction with unsupervised learning | |
| Saetia et al. | Data-driven approach to equipment taxonomy classification | |
| CN116523298A (zh) | 一种馆藏文物保存环境风险评价和溯源方法 | |
| Zhang et al. | Decision-supporting models for human-reliability based safety promotion in offshore Liquid Natural Gas terminal | |
| CN117688503B (zh) | 一种基于移动端的用电安全检查*** | |
| Kim et al. | A hybrid failure diagnosis and prediction using natural language-based process map and rule-based expert system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |