一种空气压缩机进气状态智能监测方法及系统

专利主权项内容

1.一种空气压缩机进气状态智能监测方法，其特征在于，包括以下步骤：获取目标空气压缩机的实际运转状态，根据目标空气压缩机的实际运转状态确定出目标空气压缩机的预设进气参数；在预设时间内获取目标空气压缩机的实际进气参数，并根据模糊C均值聚类算法对目标空气压缩机的实际进气参数进行处理，得到若干个隶属度矩阵；引入LOF算法，并通过LOF算法对各个隶属度矩阵进行检测修正，得到若干个修正后的隶属度矩阵；根据各个修正后的隶属度矩阵中对应元素得到不同类别的实际进气参数；将相同类别的实际进气参数与预设进气参数进行比较，以判断出目标空气压缩机中实际进气参数的参数状态是否正常；根据目标空气压缩机中实际进气参数的参数状态判断出目标空气压缩机的实时故障类型信息，并生成相应的故障维修方案；其中，获取目标空气压缩机的实际运转状态，根据目标空气压缩机的实际运转状态确定出目标空气压缩机的预设进气参数，具体为：基于大数据网络检索得到目标空气压缩机在各种预设运转状态所对应的标准进气参数；基于深度学习网络建立预测模型，并将目标空气压缩机在各种预设运转状态所对应的标准进气参数导入所述预测模型中进行训练，得到训练好的预测模型；获取目标空气压缩机的使用年限信息、维护保养状况信息以及机械磨损程度信息，根据所述使用年限信息、维护保养状况信息以及机械磨损程度信息确定出目标空气压缩机的实际运转状态；将所述目标空气压缩机的实际运转状态导入所述训练好的预测模型中，预测得到目标空气压缩机在当前实际运转状态条件之下的预设进气参数；其中，所述进气参数包括进气温度、进气压力、进气流速、进气体积、进气湿度以及进气粉尘浓度；其中，引入LOF算法，并通过LOF算法对各个隶属度矩阵进行检测修正，得到若干个修正后的隶属度矩阵，具体为：对于各个隶属度矩阵，计算矩阵内各个元素与预设领域内元素之间的曼哈顿距离，并对各个元素与预设领域内元素之间的曼哈顿距离求和后取平均值，得到各个元素的局部可达密度；根据局部可达密度，计算每个元素的局部离群因子，局部离群因子表示该元素相对于其邻域内其他元素的离群程度；将隶属度矩阵每个元素的局部离群因子与预设阈值进行比较；将局部离群因子大于预设阈值的元素视为聚类异常元素，并将该聚类异常元素导入至其余隶属度矩阵中，并重新判断该聚类异常元素在其余隶属度矩阵中的局部离群因子是否均大于预设阈值；若该聚类异常元素在其余隶属度矩阵中的局部离群因子均大于预设阈值，则将该聚类异常元素彻底剔除；若该聚类异常元素在其余隶属度矩阵中的存在局部离群因子不大于预设阈值的情况，则将该聚类异常元素分配至局部离群因子最小的隶属度矩阵中；更新各个隶属度矩阵中各个元素位置情况，得到修正后的隶属度矩阵；其中，将相同类别的实际进气参数与预设进气参数进行比较，以判断出目标空气压缩机中实际进气参数的参数状态是否正常，具体为：将相同类别的实际进气参数与预设进气参数进行比较，得到参数偏差值；并将所述参数偏差值与预设偏差值进行比较；若所述参数偏差值大于预设偏差值，则将目标空气压缩机中对应的实际进气参数标记为异常进气参数；若所述参数偏差值不大于预设偏差值，则将目标空气压缩机中对应的实际进气参数标记为正常进气参数；其中，根据目标空气压缩机中实际进气参数的参数状态判断出目标空气压缩机的实时故障类型信息，并生成相应的故障维修方案，具体为：基于大数据网络检索得到目标空气压缩机发生各种故障类型时对应的故障特征数据，根据所述故障特征数据定义随机变量，并根据所述随机变量确定贝叶斯网络结构的目标节点；基于所述目标节点构建贝叶斯网络，并基于最大拟然估计法对所述贝叶斯网络进行迭代优化，直至迭代次数达到预设次数，输出条件概率表；引入马尔科夫链，通过马尔科夫链，并结合所述条件概率表计算出目标空气压缩机在各种预设异常进气参数组合条件之下发生各种故障类型时的状态转移概率；根据所述状态转移概率构建概率状态转移矩阵，将所述状态转移矩阵导入贝叶斯网络中进行结构学习，得到贝叶斯网络模型；将所述参数状态为异常进气参数导入所述贝叶斯网络中进行推演预测，得到目标空气压缩机发生各种故障类型的故障概率，提取并输出故障概率大于预设故障概率的故障类型，得到目标空气压缩机的实时故障类型信息；根据目标空气压缩机的实时故障类型信息生成检索标签，基于所述检索标签对大数据网络进行检索，得到相应的故障维修方案，并将所述故障维修方案推送至预设平台上显示。