本发明涉及压缩机监测技术领域，特别是一种空气压缩机进气状态智能监测方法及系统，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；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。通过本方法能够快速分析出空气压缩机的故障状态信息，能够减少设备的停运时间，提高生产效率和设备利用率。
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。
2.根据权利要求1所述的一种空气压缩机进气状态智能监测方法，其特征在于，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，具体为：预设聚类数量与模糊度参数，根据预设聚类数量与模糊度参数随机初始化每个实际进气参数的权重；其中，每个实际进气参数的权重为正数，且权重总和为1；
将各个实际进气参数的取值与其对应的权重相乘，得到各个实际进气参数的加权值，并将各个实际进气参数的加权值除以预设权重，得到各个实际进气参数的加权平均值；
预设若干个阈值区间，根据各个实际进气参数的加权平均值将各个实际进气参数分配至相匹配的阈值区间内；
分配完毕后，将各个阈值区间内实际进气参数的加权平均值组合在一起，形成一个向量，根据形成的向量确定出各阈值区间内实际进气参数的模糊聚类质心；
计算各个阈值区间内实际进气参数与其模糊聚类质心之间的欧氏距离，根据所述欧氏距离计算出各个阈值区间内实际进气参数与其模糊聚类质心之间的隶属度；
逐一判断各个阈值区间内实际进气参数与其模糊聚类质心之间的隶属度是否小于预设隶属度，若小于，则将相应的实际进气参数在相应的阈值区间内剔除；
更新各个阈值区间内剩余的实际进气参数，并根据各个阈值区间内剩余的实际进气参数与其模糊聚类质心之间的隶属度构建得到若干个隶属度矩阵。
3.一种空气压缩机进气状态智能监测系统，其特征在于，所述空气压缩机进气状态智能监测系统包括存储器与处理器，所述存储器中存储有空气压缩机进气状态智能监测方法程序，当所述空气压缩机进气状态智能监测方法程序被所述处理器执行时，实现如下步骤：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。
一种空气压缩机进气状态智能监测方法及系统
技术领域
[0001] 本发明涉及压缩机监测技术领域，特别是一种空气压缩机进气状态智能监测方法及系统。
背景技术
[0002] 空气压缩机是工业生产中常用的设备，用于将空气压缩成高压气体，以供各种工艺设备使用。为了确保空气压缩机的正常运行和安全性，对其进气状态进行智能监测至关重要。目前，随着物联网、传感器技术和数据分析技术的发展，空气压缩机进气状态智能监测方法技术研发备受关注。现有方法中，在大量数据传输至云端进行实时分析和处理时，存在数据传输异常、数据丢失或处理能力不足等问题，在建立进气状态的预测模型时，存在模型精度不足或对异常状态的预测能力有限，导致智能诊断的效果不理想，影响监测结果的实时性和准确性，并且数据处理算法复杂，影响系统运行效率与鲁棒性。
发明内容
[0003] 本发明克服了现有技术的不足，提供了一种空气压缩机进气状态智能监测方法及系统。
[0004] 为达到上述目的本发明采用的技术方案为：
[0005] 本发明第一方面公开了一种空气压缩机进气状态智能监测方法，包括以下步骤：
[0006] 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；
[0007] 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；
[0008] 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；
[0009] 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。
[0010] 进一步地，本发明的一个较佳实施例中，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：
[0011] 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；
[0012] 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；
[0013] 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；
[0014] 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；
[0015] 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。
[0016] 进一步地，本发明的一个较佳实施例中，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，具体为：
[0017] 预设聚类数量与模糊度参数，根据预设聚类数量与模糊度参数随机初始化每个实际进气参数的权重；其中，每个实际进气参数的权重为正数，且权重总和为1；
[0018] 将各个实际进气参数的取值与其对应的权重相乘，得到各个实际进气参数的加权值，并将各个实际进气参数的加权值除以预设权重，得到各个实际进气参数的加权平均值；
[0019] 预设若干个阈值区间，根据各个实际进气参数的加权平均值将各个实际进气参数分配至相匹配的阈值区间内；
[0020] 分配完毕后，将各个阈值区间内实际进气参数的加权平均值组合在一起，形成一个向量，根据形成的向量确定出各阈值区间内实际进气参数的模糊聚类质心；
[0021] 计算各个阈值区间内实际进气参数与其模糊聚类质心之间的欧氏距离，根据所述欧氏距离计算出各个阈值区间内实际进气参数与其模糊聚类质心之间的隶属度；
[0022] 逐一判断各个阈值区间内实际进气参数与其模糊聚类质心之间的隶属度是否小于预设隶属度，若小于，则将相应的实际进气参数在相应的阈值区间内剔除；
[0023] 更新各个阈值区间内剩余的实际进气参数，并根据各个阈值区间内剩余的实际进气参数与其模糊聚类质心之间的隶属度构建得到若干个隶属度矩阵。
[0024] 进一步地，本发明的一个较佳实施例中，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：
[0025] 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；
[0026] 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；
[0027] 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；
[0028] 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；
[0029] 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。
[0030] 进一步地，本发明的一个较佳实施例中，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：
[0031] 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；
[0032] 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；
[0033] 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。
[0034] 进一步地，本发明的一个较佳实施例中，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：
[0035] 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；
[0036] 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；
[0037] 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；
[0038] 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；
[0039] 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。
[0040] 本发明第二方面公开了一种空气压缩机进气状态智能监测系统，所述空气压缩机进气状态智能监测系统包括存储器与处理器，所述存储器中存储有空气压缩机进气状态智能监测方法程序，当所述空气压缩机进气状态智能监测方法程序被所述处理器执行时，实现如下步骤：
[0041] 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；
[0042] 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；
[0043] 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；
[0044] 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。
[0045] 进一步地，本发明的一个较佳实施例中，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：
[0046] 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；
[0047] 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；
[0048] 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；
[0049] 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；
[0050] 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。
[0051] 进一步地，本发明的一个较佳实施例中，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：
[0052] 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；
[0053] 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；
[0054] 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。
[0055] 进一步地，本发明的一个较佳实施例中，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：
[0056] 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；
[0057] 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；
[0058] 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；
[0059] 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；
[0060] 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。
[0061] 本发明解决了背景技术中存在的技术缺陷，本发明具备以下有益效果：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。通过本方法能够快速分析出空气压缩机的故障状态信息，监测结果具有较高的时效性与准确性，能够减少设备的停运时间，提高生产效率和设备利用率。
附图说明
[0062] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他实施例的附图。
[0063] 图1为一种空气压缩机进气状态智能监测方法的第一方法流程图；
[0064] 图2为一种空气压缩机进气状态智能监测方法的第二方法流程图；
[0065] 图3为一种空气压缩机进气状态智能监测方法的第三方法流程图；
[0066] 图4为一种空气压缩机进气状态智能监测系统的系统框图。
具体实施方式
[0067] 为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
[0068] 在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
[0069] 如图1所示，本发明第一方面公开了一种空气压缩机进气状态智能监测方法，包括以下步骤：
[0070] S102：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；
[0071] S104：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；
[0072] S106：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；
[0073] S108：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。
[0074] 如图2所示，进一步地，本发明的一个较佳实施例中，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：
[0075] S202：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；
[0076] S204：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；
[0077] S206：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；
[0078] S208：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；
[0079] 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。
[0080] 需要说明的是，使用年限、维护保养状况、机械磨损程度等因素与空气压缩机运转状态有关，在不同运转状态下，空气压缩机的标准运行参数也不同，如处于初期磨损阶段的空气压缩机内部温度值会稍微偏高，此由于传动零件相互磨损原因造成，属于正常现象。通过本方法能够根据标空气压缩机的运转状态进一步预测得到空气压缩机的预设进气参数，即标准进气参数，以进步根据预测得到的预测进气参数判断空气压缩机的各项实际进气参数是否正常。
[0081] 进一步地，本发明的一个较佳实施例中，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，具体为：
[0082] 预设聚类数量与模糊度参数，根据预设聚类数量与模糊度参数随机初始化每个实际进气参数的权重；其中，每个实际进气参数的权重为正数，且权重总和为1；
[0083] 将各个实际进气参数的取值与其对应的权重相乘，得到各个实际进气参数的加权值，并将各个实际进气参数的加权值除以预设权重，得到各个实际进气参数的加权平均值；
[0084] 预设若干个阈值区间，根据各个实际进气参数的加权平均值将各个实际进气参数分配至相匹配的阈值区间内；
[0085] 分配完毕后，将各个阈值区间内实际进气参数的加权平均值组合在一起，形成一个向量，根据形成的向量确定出各阈值区间内实际进气参数的模糊聚类质心；
[0086] 计算各个阈值区间内实际进气参数与其模糊聚类质心之间的欧氏距离，根据所述欧氏距离计算出各个阈值区间内实际进气参数与其模糊聚类质心之间的隶属度；
[0087] 逐一判断各个阈值区间内实际进气参数与其模糊聚类质心之间的隶属度是否小于预设隶属度，若小于，则将相应的实际进气参数在相应的阈值区间内剔除；
[0088] 更新各个阈值区间内剩余的实际进气参数，并根据各个阈值区间内剩余的实际进气参数与其模糊聚类质心之间的隶属度构建得到若干个隶属度矩阵。
[0089] 需要说明的是，当通过空气压缩机内部的一系列传感器采集得到空气压缩机的实际进气参数，此时需要对实际进气参数进行分类处理，以初步筛选的各实际进气参数所属的参数类别，如哪些是实际进气温度参数，哪些是实际进气湿度等，以将对应类别的实际进气参数与预设进气参数进行比较，从而判断出各类别的实际进气参数是否正常。具体而言，首先需要确定聚类数量（k值）和模糊度参数（通常用m表示），然后随机初始化每个实际进气参数的权重；其中，每个实际进气参数的权重为正数，且权重总和为1；并使用加权平均算法计算模糊聚类质心（也称模糊聚类中心），将每个实际进气参数的加权平均值组合在一起，形成一个向量，这个向量即为该聚类的质心点，也就是聚类中心。通过使用加权平均法计算聚类中心，可以考虑到不同特征或属性的重要性，从而更准确地表示聚类的中心位置。接着逐一判断各个阈值区间内实际进气参数与其模糊聚类质心之间的隶属度是否小于预设隶属度，若小于，说明相应的参数为无效的噪音参数，则将相应的实际进气参数在相应的阈值区间内剔除。通过本方能够快速的对采集得到的实际进气参数进行初步聚类，以初步区分出不同类别的实际进气参数，从而得到相应的隶属度矩阵，算法易于实现，能够提高系统鲁棒性，提高系统运算效率与响应速率。
[0090] 进一步地，本发明的一个较佳实施例中，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：
[0091] 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；
[0092] 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；
[0093] 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；
[0094] 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；
[0095] 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。
[0096] 需要说明的是，当通过模糊C均值聚类算法对大量的实际进气参数进行分类过程中，由于模糊C均值聚类算法自身缺陷问题，在分类过程中难免会出现分类错误的情况，如将某一时刻的进气温度参数分类至进气湿度参数里面。因此，在经过初步分类后，需要对各个隶属度进行修正，从而提高数据精度与可靠性，进而提高监测精度。LOF算法又称局部离群因子算法，LOF算法基于密度的离群点检测方法，通过计算每个数据点相对于其邻域内其他数据点的密度来确定其离群程度，通过LOF算法筛选出隶属度矩阵中的异常点或离群点，这些异常点可能导致聚类结果的不准确性，通过修正可以提高聚类的稳定性和准确性。并且修正隶属度矩阵可以剔除冗余度过大的点，使得聚类结果更加合理和可靠，有助于提高聚类的效果和质量，帮助进行数据清洗和预处理，剔除对聚类结果影响较小的冗余点，提高数据的质量和准确性。此外，还可以减少冗余度过大点对模型的干扰，提高模型的稳定性和鲁棒性。
[0097] 如图3所示，进一步地，本发明的一个较佳实施例中，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：
[0098] S302：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；
[0099] S304：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；
[0100] S306：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。
[0101] 需要说明的是，通过本方法能够快速判断出目标空气压缩机的各项实际进气参数是否。
[0102] 进一步地，本发明的一个较佳实施例中，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：
[0103] 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；
[0104] 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；
[0105] 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；
[0106] 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；
[0107] 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。
[0108] 需要说明的是，贝叶斯网络是一种概率图模型，基于贝叶斯定理和图论，用于描述随机变量之间的依赖关系和概率分布，通过贝叶斯网络预测故障概率，可以利用历史数据，结合概率推断的方法，对设备故障进行概率性预测，为设备维护和管理提供决策支持。具体而言，通过贝叶斯网络预测可能发生的故障，可以提前发现潜在的问题，采取相应的维护和修复措施，避免故障对生产和设备造成严重影响，使得状态监测具有较高的时效性，减少设备的停运时间，提高生产效率和设备利用率，并且预测出可能发生的故障可以帮助工程师快速定位问题，进行故障诊断和分析，缩短故障排除时间，提高设备的可靠性和稳定性。
[0109] 此外，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，具体包括以下步骤：
[0110] 获取目标空气压缩机的工程图纸信息，根据所述工程图纸信息构建目标空气压缩机的三维结构模型图；
[0111] 获取目标空气压缩机的电气参数信息，并对所述电气参数信息进行格式转换，并将格式转换后的电气参数信息导入目标空气压缩机的三维结构模型图中，得到动态仿真三维模型图；
[0112] 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，得到若干个故障维修方案；
[0113] 将各个故障维修方案依导入所述动态仿真三维模型图中进行模拟维修，得到模拟维修结果，并基于所述模拟维修结果获取对目标空气压缩机进行维修后的模拟进气参数；
[0114] 将经过各个故障维修方案模拟维修后目标空气压缩机的模拟进气参数与预设进气参数进行比较，得到多个模拟参数差值；
[0115] 对多个模拟参数差值进行基于大小排序，得到排序结果，根据排序结果提取出与最小模拟参数差值对应的故障维修方案，并将该故障维修方案输出。
[0116] 需要说明的是，通过本方能够筛选出组价的故障维修方案进行推荐，从而提高维修方案推荐合理性，提高维修后设备运行效果，减少维修次数。
[0117] 此外，本方法还包括以下步骤：
[0118] 获取相应的故障维修方案所需的故障维修时间，根据所述故障维修时间确定出设备停机时长；根据所述设备停机时长预测出在维修过程中生产车间的缺产产量；
[0119] 获取生产车间中剩余的备产产量，判断所述缺产产量是否大于备产产量；若大于，则获取生产车间中停机空气压缩机的特征数据信息；
[0120] 获取生产车间中处于空闲状态下空气压缩机的特征数据信息，通过哈希算法计算该停机空气压缩机的特征数据信息与处于空闲状态下空气压缩机的特征数据信息之间的哈希值；
[0121] 将该停机空气压缩机的特征数据信息与处于空闲状态下空气压缩机的特征数据信息之间的哈希值进行大小排序，得到最大哈希值，并将与最大哈希值相对应的处于空闲状态下空气压缩机作为备选空气压缩机推荐至预设平台上显示。
[0122] 需要说明的是，在对故障的空气压缩机进行维修时，若所需的维修时间过长，则可能会对产品的出厂计划造成影响，因此，需要进一步筛选出其余能够替换待维修的空气压缩机工作的其余空气压缩机，以确保产能计划能够顺利实施。通过本方法能够筛选出相配的空气压缩机，并且进行推荐，提高车间生产管理的合理性。
[0123] 此外，本方法还包括以下步骤：
[0124] 通过大数据网络获取空气压缩机中各种元器件的标准特征三维模型图，构建知识图谱，并将空气压缩机中各种元器件的标准特征三维模型图导入所述知识图谱中；
[0125] 获取空气压缩机中故障元器件的图像信息，根据所述图像信息构建故障元器件的实际三维模型图；
[0126] 获取空气压缩机中故障元器件的类型信息，根据故障元器件的类型信息在所述知识图谱中检索得到相应的标准特征模型图；
[0127] 将检索得到的标准特征模型图与实际三维模型图进行比较，得到偏差模型图；
[0128] 计算所述偏差模型图的体积值，并判断所述体积值是否位于预设体积值范围内；若不位于，则直接对该故障元器件进行报废处理，若位于，则对该故障元器件进行修复处理。
[0129] 需要说明的是，当对目标空气压缩机进行维修后，若需要对一部分零件进行更换，如齿轮、轴承、传动轴等零件进行更换后，此时可以通过获取这些故障元器件的图像信息，从而利用图像重构技术构建得到实际三维模型图；若体积值不位于预设体积值范围，说明对这些故障元器件打磨修复的难度较大，成本较高，此时直接进行报废处理；若体积值位于预设体积值范围，说明可以对这些故障元器件打磨修复。通过本方法能够合理对故障元件器进行报废处理，提高资源利用效率。
[0130] 如图4所示，本发明第二方面公开了一种空气压缩机进气状态智能监测系统，所述空气压缩机进气状态智能监测系统包括存储器20与处理器30，所述存储器20中存储有空气压缩机进气状态智能监测方法程序，当所述空气压缩机进气状态智能监测方法程序被所述处理器30执行时，实现如下步骤：
[0131] 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；
[0132] 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；
[0133] 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；
[0134] 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。
[0135] 进一步地，本发明的一个较佳实施例中，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：
[0136] 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；
[0137] 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；
[0138] 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；
[0139] 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；
[0140] 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。
[0141] 进一步地，本发明的一个较佳实施例中，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：
[0142] 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；
[0143] 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；
[0144] 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。
[0145] 进一步地，本发明的一个较佳实施例中，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：
[0146] 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；
[0147] 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；
[0148] 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；
[0149] 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；
[0150] 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。
[0151] 在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
[0152] 上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
[0153] 另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
[0154] 本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read‑Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
[0155] 或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
[0156] 以上，仅为本发明的具体实施方式，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揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
