技术领域
[0001] 本
发明涉及一种中低压燃气调压器故障检测方法，具体涉及一种基于误差匹配和统计分析的中低压燃气故障检测方法。
背景技术
[0002] 在
天然气输送的系统中，燃气调压器有着举足轻重的作用，由于现今对天然气的使用越来越多，用气量也逐年上升，在燃气调压器的运营和维护中，也显现出越来越多的问题，其中最主要的问题大致有：调压器诊断方式落后，调压器诊断准确率低；目前调压器诊断大部分还是采取定期人工维护，维护成本很高，智能化程度较低。所以，针对调压器的智能化诊断技术就显得尤为重要。
[0003] 现如今大部分调压器故障检测方法为燃气企业委派专业人员定期的维护，通过人工查看压
力数据，基于专家经验来做分析判断故障类型，该方法费时费力，同时消耗大量资金，不利于智能化检测技术的推广。
[0004] 近几年来，
机器学习的方法越来越多，应用也越来越广泛，有学者相继提出调压器的智能诊断方法，其通过使用分类器，例如Support Vector Machine，即
支持向量机等方法，将调压器一天的压力信息作为整体数据样本进行处理分析，来判断调压器的故障类型，其运算速度快，能节约大量的人力物力财力；但该方法存在一个明显的弊端：对于无规律的压力信息，特别是中小型企业使用的中小型燃气调压器，它的压力信息变化较大，无法分析规律，并不能有效的判断故障类型；同时，对于其他因素变化的影响，例如
温度，流量等，鲁棒性较差。
发明内容
[0005] 基于以上背景，本发明的目的在于提供一种故障检测准确度高，适应能力强；且
算法复杂度低，易于实现的检测方法，基于
集成学习和统计学习思想，采用的技术方案如下：
[0006] 本发明提供一种基于误差匹配的中低压燃气调压器故障检测方法，其特征在于，包括如下步骤：
[0008] 步骤(b)，建立算法模型，输入预处理后的训练数据对算法模型进行训练，并保存训练好的算法模型；
[0009] 步骤(c)，对测试数据进行预处理；
[0010] 步骤(d)，向训练好的算法模型输入预处理后的测试数据，输出调压器压力的预测值；
[0011] 步骤(e)，把调压器压力的预测值与调压器压力的真实压值进行误差特征匹配，输出相应的故障等级+故障类型。
[0012] 进一步地，本发明提供的基于误差匹配的中低压燃气调压器故障检测方法中，步骤(a)包括如下步骤：
[0013] 步骤(a1)，对作为训练数据的调压器时间，温度T，流量F，压力Ptrue，构建一维数组a，a＝[T,F,Ptrue]，并删除压力数据低于0的训练数据，将一维数组a构建形成嵌套数组A，A＝[a1，a2，a3，…aM]；
[0014] 步骤(a2)，对数据清洗后的训练数据按时间类别排列出对应数据月份mouth，小时hour，温度T，流量F，压力Ptrue并保存到一维数组a中，a＝[month,hour,T,F,Ptrue]。
[0015] 进一步地，本发明提供的基于误差匹配的中低压燃气调压器故障检测方法中，步骤(b)包括如下步骤：
[0016] 步骤(b1)，根据
随机森林算法建立算法模型，利用随机搜索算法为算法模型寻找最优参数；
[0017] 步骤(b2)，根据十字交叉验证方法将预处理后的训练数据拆分成十份，依次选一份作为测试集Dtest，剩余9份作为训练集Dtrain；
[0018] 步骤(b3)，利用拆分后的训练数据对寻到最优参数后的算法模型进行训练，并保存训练完成后的算法模型。
[0019] 进一步地，本发明提供的基于误差匹配的中低压燃气调压器故障检测方法中，步骤(b3)包括如下步骤：
[0020] 步骤(b31)，将测试集Dtest＝[a1，a2，a3，…]中每一个一维数组 ai＝[month,hour,T,F,Ptrue]，拆分为ai(p)＝[month,hour,T,F]和ai(o)＝[Ptrue]；
[0021] 步骤(b32)，根据随机森林算法，将ai(p)作为树的输入量，将 ai(o)作为树的子
节点，训练一个CART
决策树，在训练过程中对每个节点的切分规则是：
[0022] 先从所有输入特征中随机的选择i个特征，再从这i个特征中选择最优的切分点再做左右子树的划分，以此类推训练下一个CART 决策树；
[0023] 步骤(b33)，根据所及森林算法设置多个决策树融合方式，设 CART决策树样本点所到叶节点权重为z，决策树个数为n，n个CART 决策树样本点所到叶节点权重的均值作为y，根据公式：
[0024]
[0025] 上式中n＝100，最终将单个CART决策树即弱分类器组合成多个 CART决策树即强分类器，保存各节点均值y，从而得到训练完成的算法模型并保存。
[0026] 进一步地，本发明提供的基于误差匹配的中低压燃气调压器故障检测方法中，步骤(c)包括如下步骤：
[0027] 步骤(c1)，对作为测试数据的调压器时间，温度T，流量F，压力Ptrue，构建一维数组c，c＝[T,F,Ptrue]，并删除压力数据低于0的测试数据，将一维数组c构建形成嵌套数组C，C＝[c1，c2，c3，…cM]；
[0028] 步骤(c2)，对数据清洗后的测试数据按时间类别排列出对应数据月份mouth，小时hour，温度T，流量F，压力Ptrue并保存到一维数组c中，c＝[month,hour,T,F,Ptrue]。
[0029] 进一步地，本发明提供的基于误差匹配的中低压燃气调压器故障检测方法中，步骤(d)包括如下步骤：
[0030] 步骤(d1)，读取已保存的训练完成后的算法模型；
[0031] 步骤(d2)，将预处理后的测试数据输入训练完成后的算法模型；
[0032] 步骤(d3)，输出调压器压力的预测值Pout。
[0033] 进一步地，本发明提供的基于误差匹配的中低压燃气调压器故障检测方法中，步骤(d2)包括如下步骤：
[0034] 步骤(d21)，将嵌套数组C＝[c1，c2，c3，…cM]作为测试数据集，对于每一个一维数组ci＝[month，hour，T，F，Ptrue]，拆分为ci(p)＝ [month，hour，T，F]和ci(o)＝[Ptrue]；
[0035] 步骤(d22)，将拆分后的ci(p)作为输入量，ci(o)作为输入量输入到训练好的算法模型中。
[0036] 进一步地，本发明提供的基于误差匹配的中低压燃气调压器故障检测方法中，步骤(e)包括如下步骤：
[0037] 步骤(e1)，对调压器输出压力的预测值Pout与调压器压力的真实值Ptrue做误差特征分析；
[0038] 步骤(e2)，根据误差特征分析得出的误差特征来匹配相应的故障类型并输出。
[0039] 进一步地，本发明提供的基于误差匹配的中低压燃气调压器故障检测方法中，步骤(e1)包括如下步骤：
[0040] 步骤(e11)，利用调压器输出压力的预测值Pout与调压器压力的真实值Ptrue，根据公式
[0041] E＝Ptrue-Pout
[0042] 记录误差值E；
[0043] 步骤(e12)，设f1，f2为调压器预警
精度范围，Pave为调压器平均输出压力值，嵌套数组C中一维数组c的个数为M，根据公式：
[0044]
[0045]
[0046] 其中[·]为
艾佛森括号，艾佛森括号内的条件满足则为1，不满足则为0，记录S1，S2的值；
[0047] 步骤(e13)，F为流量，根据公式：
[0048]
[0049]
[0050] 其中[·]为艾佛森括号，艾佛森括号内的条件满足则为1，不满足则为0，记录SF1，SF2的值；
[0051] 步骤(e14)，根据公式：
[0052]
[0053]
[0054]
[0055]
[0056]
[0057]
[0058] 其中[·]为艾佛森括号，艾佛森括号内的条件满足则为1，不满足则为0，记录S31，S32，S41，S42，S51，S52的值。
[0059] 进一步地，本发明提供的基于误差匹配的中低压燃气调压器故障检测方法中，步骤(e2)包括如下步骤：
[0060] 步骤(e21)，设输出故障等级为Out1，α、β、γ为误差故障点比例，根据公式：
[0061]
[0062] 上式中α＝0.3，β＝0.5，γ＝0.1，
[0063] 输出相应的故障等级，其中Out1输出正常则设备运行正常无需维护；Out1输出故障预警I则设备发生轻微故障需要定期维护；Out1输出故障预警II则设备发生严重故障需要立即检修；
[0064] 步骤(e22)，设输出故障类型为Out2，根据公式：
[0065]
[0066] 输出相应的故障类型。
[0067] 发明作用与效果
[0068] 根据本发明提供的基于误差匹配的中低压燃气调压器故障检测方法，利用离散化数据思想，通过对压力数据段进行切分，实现单个子数据段独立预测，相比于对整个压力数据预测的方式，这种方法增加了预测结果的准确性，而应对不规律的压力数据，其适应能力也显著增强。同
时针对调压器特性，利用调压器不同故障类型对应其各个条件下误差点的个数不同，根据这一特性，利用统计学习思想，将不同调压器故障类型对应不同的误差点个数进行统计分析，提出误差匹配方法，使其能更有效的识别出调压器的故障类型和故障等级。另外由于考虑到了各种因素对预测结果的影响，对温度，时间，流量，压力各部分数据完全利用，增强了算法的泛化性能和鲁棒性，提高了算法的实用性。
附图说明
[0070] 图2a)是本发明实验输出的调压器正常图像。
[0071] 图2b)是本发明实验输出的调压器预警I-关闭压力高图像。
[0072] 图2c)是本发明实验输出的调压器预警I-用气压力高图像。
[0073] 图2d)是本发明实验输出的调压器预警I–用气压力低图像。
[0074] 图2e)是本发明实验输出的调压器预警I–喘振图像。
[0075] 图2f)是本发明实验输出的调压器预警II–关闭压力高图像。
[0076] 图2g)是本发明实验输出的调压器预警II–用气压力高图像。
[0077] 图2h)是本发明实验输出的调压器预警II–用气压力低图像。
[0078] 图2i)是本发明实验输出的调压器预警II–喘振图像。
具体实施方式
[0079] 下面结合
实施例对本发明作进一步地详细说明，但本发明的实施方式不限于此。
[0080] 如图1所示，本实施例所述的一种基于误差匹配的中低压燃气调压器故障检测方法，包括以下步骤：
[0081] 步骤(a)，对训练数据进行预处理；
[0082] 步骤(b)，建立算法模型，输入预处理后的训练数据，对算法模型进行训练，并保存训练好的算法模型；
[0083] 步骤(c)，对测试数据进行预处理；
[0084] 步骤(d)，向训练好的算法模型输入预处理后的测试数据，输出调压器压力的预测值；
[0085] 步骤(e)，对调压器压力的预测值与调压器压力的真实压值进行误差特征匹配，输出相应的故障等级+故障类型。
[0086] 下面对步骤(a)进一步细化如下：
[0087] 步骤(a1)，对输入的调压器时间，温度T，流量F，压力Ptrue数据进行数据清洗；
[0088] 步骤(a2)，对清洗后的数据按时间排列并保存。
[0089] 进一步地，所述步骤(a1)的具体过程为：
[0090] 步骤(a11)，按照压力类别查询数据，构造一维数组a，a＝[T,F, Ptrue]；
[0091] 步骤(a12)，删除压力数据低于0的数组a；
[0092] 步骤(a13)，建立空数组，添加查询到的一维数组a，形成嵌套数组A，A＝[a1,a2,a3…aM]。
[0093] 进一步地，所述步骤(a2)的具体过程为：
[0094] 步骤(a21)，对清洗后的数据按照“年-月-日”的时间顺序查询；
[0095] 步骤(a22)，记录时间月份为month，小时为hour，按时间顺序排列并保存到一维数组a中，a＝[month,hour,T,F,Ptrue]。
[0096] 下面对步骤(b)进一步细化如下：
[0097] 步骤(b1)，根据随机森林算法建立算法模型，利用随机搜索算法为算法模型寻找最优参数；
[0098] 步骤(b2)，利用十折交叉验证方法拆分嵌套数组A；
[0099] 步骤(b3)，利用拆分后的训练数据对寻到最优参数后的算法模型进行训练；
[0100] 步骤(b4)，保存训练完成后的算法模型。
[0101] 进一步地，所述步骤(b1)的具体过程为：
[0102] 步骤(b11)，设置随机搜索的随机数，不断随机地产生随机点；
[0103] 步骤(b12)，对于随机搜索算法，设定约束函数f(x)，目标函数 g(x)，计算其约束函数f(x)和目标函数g(x)的值，判断函数为P(x)，根据公式：
[0104] x＝P(f(x)＝＝g(x))
[0105] 对满足约束条件的点，逐个比较其目标函数的值，将坏的点抛弃，保留好的点，如此
迭代，当寻找到最优解的近似解x后停止。
[0106] 进一步地，所述步骤(b2)的具体过程为：
[0107] 步骤(b21)，将训练数据即嵌套数组A拆分成十份，每一份为 Dt，t＝1,2,3…10；
[0108] 步骤(b22)，依次选一份作为测试集Dtest，剩下9份为训练集 Dtrain。
[0109] 进一步地，所述步骤(b3)的具体过程为：
[0110] 步骤(b31)，将所述测试集Dtest＝[a1，a2，a3，…]中每一个所述一维数组ai＝[month,hour,T,F,Ptrue]，拆分为ai(p)＝[month,hour,T,F]和 ai(o)＝[Ptrue]；
[0111] 步骤(b32)，根据所述随机森林算法，将所述ai(p)作为树的输入量，将所述ai(o)作为树的
子节点，训练一个CART决策树，在训练的过程中，对每个节点的切分规则是：先从所有输入特征中随机的选择 i个特征，然后再从这i个特征中选择最优的切分点再做左右子树的划分，以此类推训练下一个CART决策树；
[0112] 步骤(b33)，根据所述所及森林算法设置多个决策树融合方式，设CART决策树样本点所到叶节点权重为z，决策树个数为n，n个 CART决策树样本点所到叶节点权重的均值作为y，依据公式：
[0113]
[0114] 上式中n＝100，最终将单个CART决策树即弱分类器组合成多个 CART决策树即强分类器，保存各节点均值y，从而得到训练完成的所述算法模型并保存。
[0115] 下面对步骤(c)进一步细化如下：
[0116] 步骤(c1)，对输入的调压器时间，温度T，流量F，压力Ptrue数据进行数据清洗；
[0117] 步骤(c2)，对清洗后的数据按时间排列并保存；
[0118] 进一步地，所述步骤(c1)的具体过程为：
[0119] 步骤(c11)，按照压力类别查询数据，构造一维数组c，c＝[T,F, Ptrue]；
[0120] 步骤(c12)，删除压力数据低于0的数组c；
[0121] 步骤(c13)，建立空数组，添加查询到的一维数组c，形成嵌套数组C，C＝[c1,c2,c3…cM]。
[0122] 进一步地，所述步骤(c2)的具体过程为：
[0123] 步骤(c21)，对清洗后的数据按照“年-月-日”的时间顺序查询；
[0124] 步骤(c22)，记录时间月份为month，小时为hour，按时间顺序排列并保存到一维数组c中，c＝[month,hour,T,F,Ptrue]。
[0125] 下面对步骤(d)进一步细化如下：
[0126] 步骤(d1)，读取已保存的训练完成后的算法模型；
[0127] 步骤(d2)，将预处理后的测试数据输入训练完成后的算法模型；
[0128] 步骤(d3)，输出调压器压力的预测值Pout。
[0129] 进一步地，所述步骤(d2)的具体过程为：
[0130] 步骤(d21)，将即嵌套数组C＝[c1，c2，c3，…cM]作为测试数据集，对于每一个所述一维数组ci＝[month，hour，T，F，Ptrue]，拆分为ci(p)＝[month，hour，T，F]和ci(o)＝[Ptrue]；
[0131] 步骤(d22)，将拆分后的ci(p)作为输入量，ci(o)作为输出量输入到训练好的算法模型中。
[0132] 下面对步骤(e)进一步细化如下：
[0133] 步骤(e1)，对调压器输出压力的预测值Pout与调压器压力的真实值Ptrue做误差特征分析；
[0134] 步骤(e2)，根据误差特征分析得出的误差特征来匹配相应的故障类型并输出。
[0135] 进一步地，所述步骤(e1)的具体过程为：
[0136] 步骤(e11)，利用调压器输出压力的预测值Pout与调压器压力的真实值Ptrue，根据公式
[0137] E＝Ptrue-Pout
[0138] 记录误差值E；
[0139] 步骤(e12)，f1，f2为调压器预警精度范围，Pave为调压器平均输出压力值，嵌套数组C中一维数组c的个数为M，根据公式：
[0140]
[0141]
[0142] 其中[·]为艾佛森括号，艾佛森括号内的条件满足则为1，不满足则为0，记录S1，S2的值；
[0143] 步骤(e13)，F为流量，根据公式：
[0144]
[0145]
[0146] 步骤其中[·]为艾佛森括号，艾佛森括号内的条件满足则为1，不满足则为0，记录SF1，SF2的值；
[0147] 步骤(e14)，根据公式：
[0148]
[0149]
[0150]
[0151]
[0152]
[0153]
[0154] 其中[·]为艾佛森括号，艾佛森括号内的条件满足则为1，不满足则为0，记录S31，S32，S41，S42，S51，S52的值。
[0155] 进一步地，所述步骤(e2)的具体过程为：
[0156]
[0157] 步骤(e21)，设输出故障等级为Out1，α、β、γ为误差故障点比例，根据公式：
[0158] 上式中α＝0.3，β＝0.5，γ＝0.1，
[0159] 输出相应的故障等级，其中Out1输出正常则设备运行正常无需维护；Out1输出故障预警I则设备发生轻微故障需要定期维护；Out1输出故障预警II则设备发生严重故障需要立即检修；
[0160] 步骤(e22)，输出故障类型为Out2，根据公式：
[0161]
[0162] 输出相应的故障类型。
[0163] 本实施例的效果可以通过以下性能分析及仿真实验测试得到验证和说明。
[0164] 实验所用数据来源：上海航天
能源股份有限公司-潮州港华抄表系统-燃气调压器数据2017-2018，数据总量为28113条调压器数据，依据调压器类型，参数选择为：α＝0.3，β＝0.5，γ＝0.1，根据不同调压器出口压力值设置不同的Pave的值，根据本实验所用中低压燃气调压器设置Pave＝165，根据不同调压器精度设置调压器预警精度f1，f2，根据本实例所用调压器设置为f1＝0.02，f2＝0.05，。
[0165] 利用训练后的算法模型，选取一天的调压器数据约1400条进行测试。由于故障样本较少，通过原有数据仿真故障数据，来对该中低压燃气调压器故障诊断模型进行测试。
[0166] 图2a)是本实施例实验输出的调压器正常图像，其中曲线a1为调压器压力的真实值，曲线a2为调压器压力的测试值，曲线a3为流量。
[0167] 图2b)是本实施例实验输出的调压器预警I-关闭压力高图像，其中曲线b1为调压器压力的真实值，曲线b2为调压器压力的测试值，曲线b3为流量。
[0168] 图2c)是本实施例实验输出的调压器等级预警I的图像-用气压力高图像，其中曲线c1为调压器压力的真实值，曲线c2为调压器压力的测试值，曲线c3为流量。
[0169] 图2d)是本实施例实验输出的调压器等级预警I的图像–用气压力低图像，其中曲线d1为调压器压力的真实值，曲线d2为调压器压力的测试值，曲线d3为流量。
[0170] 图2e)是本实施例实验输出的调压器等级预警I的图像–喘振图像，其中曲线e1为调压器压力的真实值，曲线e2为调压器压力的测试值，曲线e3为流量。
[0171] 根据
图像分析，预测压力值能和真实的故障压力值有明显的区分，说明本发明能够很好地将正常数据与故障数据进行区分，从而准确的识别出故障问题，通过选取调压器一天的样本仿真数据进行测试，共测试十份样本数据，测试结果准确率如下：
[0172] 故障预警I测试样本编号 测试准确率1 88％
2 90％
3 91％
4 89％
5 90％
6 90％
7 89％
8 89％
9 86％
10 90％
[0173] 表1
[0174] 根据十次测试结果，该发明对中低压调压器故障等级为故障预警 I的测试平均准确率为89％。
[0175] 图2f)是本实施例实验输出的调压器预警II-关闭压力高图像，其中曲线f1为调压器压力的真实值，曲线f2为调压器压力的测试值，曲线f3为流量。
[0176] 图2g)是本实施例实验输出的调压器等级预警II的图像-用气压力高图像，其中曲线g1为调压器压力的真实值，曲线g2为调压器压力的测试值，曲线g3为流量。
[0177] 图2h)是本实施例实验输出的调压器等级预警II的图像–用气压力低图像，其中曲线h1为调压器压力的真实值，曲线h2为调压器压力的测试值，曲线h3为流量。
[0178] 图2i)是本实施例实验输出的调压器等级预警II的图像–喘振图像，其中曲线i1为调压器压力的真实值，曲线i2为调压器压力的测试值，曲线i3为流量。
[0179] 相比于故障等级I，该发明对故障等级II的真实压力图像与预测压力图像差别更明显，调压器故障能更容易被检测出来，通过选取调压器一天的样本仿真数据进行测试，共测试十份样本数据，测试结果准确率如下：
[0180]
[0181]
[0182] 表2
[0183] 根据十次测试结果，该发明对中低压调压器故障等级为故障预警 II的测试平均准确率为92％。
[0184] 本实施例利用离散化数据思想，在步骤(b3)和步骤(d2)中通过对压力数据段进行切分，实现单个子数据段独立预测，相比于对整个压力数据预测的方式，增加了预测结果的准确性；同时应对不规律的压力数据，其适应能力也显著增强。
[0185] 本实施例利用统计学习思想，针对调压器特性，利用调压器不同故障类型对应其各个条件下误差点的个数不同，将不同调压器故障类型对应不同的误差点个数进行统计分析，在步骤(e)中提出误差匹配方法，使其能更有效的识别出调压器的故障类型和故障等级。
[0186] 本实施例在步骤(a)和步骤(c)中对训练数据和测试数据考虑到了各种因素对预测结果的影响，对温度，时间，流量，压力各部分数据完全利用，增强了算法的泛化性能和鲁棒性，提高了算法的实用性。
