一种基于大数据的石油设备故障预测方法及系统

本发明属于数据处理领域，尤其涉及一种基于大数据的石油设备故障预测方法及系统。

背景技术：

1、石油设备（如泵、压缩机、发动机等）往往处于高温、高压、腐蚀性环境下工作，设备运行的稳定性和安全性至关重要。如果设备在运行中出现故障，可能导致严重的安全事故，如爆炸、火灾、油气泄漏等。石油设备的意外故障和停机会导致巨大的经济损失，尤其是大型石油平台和炼油厂。通过有效的故障检测，可以大幅度减少停机时间，提高设备的利用率。

2、当前，对于石油设备的故障检测，传统方式主要基于设备运行的物理原理，通过对系统的力学、热学、流体动力学等建模，建立描述设备正常和异常运行状态的方程。这种方法通过监测参数偏离预期模型的情况来判断故障。然而传统方式对于复杂的石油设备，物理模型难以准确反映设备的真实运行情况，尤其是多种故障同时发生时，模型很难处理复杂的多故障模式。

3、随着科学技术的迅速发展，越来越多的现代化技术被应用到石油设备故障检测中。基于傅里叶变换、短时傅里叶变换以及小波变换的频谱分析方法，能够从设备的振动信号、电流信号等时序数据中提取出频率特征，从而发现隐藏在时域信号中的周期性特征和频率成分，进而帮助检测潜在的故障，提升了石油设备故障检测准确性。

4、然而，频谱分析方法往往只能基于单一维度信号（如振动或电流信号）进行分析，难以整合多种传感器信息进行全面的故障检测，同时，频谱分析方法对于简单、周期性的故障信号（如旋转机械的不平衡、轴承故障）具有良好的效果，但当设备出现复杂故障模式，或者多个故障叠加时，频谱分析方法难以有效区分和识别复杂的故障模式。

技术实现思路

1、鉴于以上现有技术的不足，发明的目的在于提供一种基于大数据的石油设备故障预测方法及系统，可以融合振动传感器数据、电流传感器数据以及温度传感器数据，进行全面的故障预测，同时，通过多尺度卷积神经网络自动化进行故障预测，可以区分和识别复杂的故障模式，提升石油设备故障预测准确性。

2、本发明的第一方面，提出了一种基于大数据的石油设备故障预测方法，包括：

3、s1，获取石油设备的传感器数据，所述传感器数据包括振动传感器数据、电流传感器数据以及温度传感器数据；

4、s2，分别对所述振动传感器数据、所述电流传感器数据以及所述温度传感器数据进行数据异常检测，确定各个时刻所述振动传感器数据、所述电流传感器数据以及所述温度传感器数据的异常因子；

5、s3，综合各个时刻所述振动传感器数据、所述电流传感器数据以及所述温度传感器数据的异常因子，判断所述传感器数据是否存在异常；若是，进入下一步；否则，返回s1，继续监测；

6、s4，对所述振动传感器数据、所述电流传感器数据以及所述温度传感器数据进行二维映射，形成二维的振动信号图、电流信号图以及温度信号图；

7、s5，对所述振动信号图、所述电流信号图以及所述温度信号图进行融合处理，得到融合信号图；

8、s6，通过多尺度卷积神经网络，根据所述融合信号图，进行故障预测，预测石油设备是否存在故障；若是，输出故障预测结果；否则，返回s1，继续监测。

9、进一步地，所述异常因子具体为局部异常因子lof，所述s2中的各个时刻所述振动传感器数据的异常因子的计算方式具体包括：

10、s201，对于所述振动传感器数据中的各个数据点，计算各个数据点的k-邻近距离，所述k-邻近距离为距离当前样本点最近的邻近样本点中，第k个最邻近样本点与当前数据点之间的距离；

11、s202，基于所述k-邻近距离，计算可达距离；

12、s203，基于所述可达距离，计算局部可达密度；

13、s204，基于所述局部可达密度，计算局部异常因子。

14、进一步地，所述s3中的判断所述传感器数据是否存在异常，具体包括：

15、s301，根据各个时刻所述振动传感器数据、所述电流传感器数据以及所述温度传感器数据的异常因子，计算综合异常因子：

16、

17、其中，τc表示综合异常因子，τz表示振动传感器数据的异常因子，τd表示电流传感器数据的异常因子，τw表示温度传感器数据的异常因子，λz表示振动传感器数据的权重系数，λd表示电流传感器数据的权重系数，λw表示温度传感器数据的权重系数；

18、s302，当满足以下任一条件时，确定所述传感器数据存在异常：

19、

20、其中，τ1表示第一异常阈值，τ2表示第二异常阈值，τ3表示第三异常阈值，τ4表示第四异常阈值。

21、进一步地，所述s4具体为：

22、通过对称点图模式sdp，对所述振动传感器数据、所述电流传感器数据以及所述温度传感器数据进行二维映射，形成二维的振动信号图、电流信号图以及温度信号图。

23、进一步地，所述s5具体为：

24、以所述振动信号图作为r通道、所述电流信号图作为g通道、所述温度信号图作为b通道，生成彩色图像，得到融合信号图。

25、进一步地，所述s6具体包括：

26、s601，采用不同尺寸的第一卷积核、第二卷积核以及第三卷积核，对所述融合信号图进行特征提取；

27、s602，对提取到的不同尺度的特征图进行融合处理，得到融合特征图；

28、s603，根据所述融合特征图，进行故障预测，预测石油设备是否存在故障；若是，输出故障预测结果；否则，返回s1，继续监测。

29、进一步地，所述第一卷积核的尺寸为7×1，所述第二卷积核的尺寸为5×1，所述第三卷积核的尺寸为3×1。

30、进一步地，所述s602具体为：

31、通过张量拼接函数，对提取到的不同尺度的特征图进行融合处理，得到融合特征图。

32、进一步地，所述s602具体包括：

33、s6021，对通过第一卷积核提取的大尺度的第一特征图进行上采样，以使所述第一特征图与通过第二卷积核提取的中尺度的第二特征图的尺寸匹配；

34、s6022，对上采样后的第一特征图与所述第二特征图进行加权融合，得到中间特征图；

35、s6023，对所述中间特征图进行上采样，以使所述中间特征图与通过第三卷积核提取的小尺度的第三特征图的尺寸匹配；

36、s6024，对上采样后的中间特征图与所述第三特征图进行加权融合，得到融合特征图。

37、本发明的第二方面，提出了一种基于大数据的石油设备故障预测系统，包括：存储器和处理器。

38、存储器中存储有应用程序，应用程序适于由处理器执行以实现第一方面的基于大数据的石油设备故障预测方法。

39、本发明的第三方面，提出了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序能够被处理器加载和执行以第一方面的基于大数据的石油设备故障预测方法。

40、本发明有益效果如下：

41、本发明的方法和系统，可以融合振动传感器数据、电流传感器数据以及温度传感器数据，进行全面的故障预测，同时，通过多尺度卷积神经网络自动化进行故障预测，可以区分和识别复杂的故障模式，提升石油设备故障预测准确性。