[发明专利]一种化工生产设备故障预测方法

权利要求书

1.一种化工生产设备故障预测方法，其特征在于，包括以下步骤：

步骤100，构建训练数据库，所述训练数据库包括多个训练样本；

步骤200，构建并初始化神经网络模型；

步骤300，将各个所述训练样本输入到神经网络模型中，完成神经网络模型的训练操作；

步骤400，采集化工生产设备的实时物理参数，组成监测样本；

步骤500，将监测样本输入到神经网络模型中，神经网络模型输出监测样本的故障预测结果。

2.根据权利要求1所述的一种化工生产设备故障预测方法，其特征在于：所述训练样本包括状态参数以及故障标签，所述状态参数包括反应过程中的反应釜中的温度值、反应釜中的气压值、反应釜中各个反应物的输入流量、反应釜的暴流状态以及时间值。

3.根据权利要求2所述的一种化工生产设备故障预测方法，其特征在于，所述神经网络模型包括输入层、隐含层以及输出层，所述输入层设有m个第一节点，所述隐含层设有n个第二节点，所述输出层设有j个第三节点；每个第一节点与每个第二节点之间均设有连接权重，所述第二节点设有激活函数；

步骤300具体包括以下步骤：

步骤310，将训练样本中非数值型数据转换成数值型数据；

步骤320，将训练样本中的所有数据进行标准化处理；

步骤330，初始化输入层中各个第一节点与每个第二节点之间的连接权重，设置各个第二节点的激活函数，设置误差阈值以及训练次数；

步骤340，将各个数据样本输入到神经网络模型的输入层中，神经网络模型的输出层输出故障预测值；

步骤350，计算故障预测值与故障标签之间的误差；

步骤360，根据步骤350所得的误差，修改各个第一节点与每个第二节点之间的连接权重，使故障预测值与故障标签之间的误差降低；

步骤370，判断误差是否达到误差阈值要求，如果是，训练结束，神经网络模型建立完成，如果不是，再判断是否达到训练次数要求，如果是，训练结束，神经网络模型建立完成，如果不是，继续输入下一个训练样本，返回步骤340。

4.根据权利要求3所述的一种化工生产设备故障预测方法，其特征在于：所述训练样本还包括与各个状态参数相对应的状态变化率，所述状态变化率由对应的状态参数对时间进行求导得到的。

5.根据权利要求2所述的一种化工生产设备故障预测方法，其特征在于：反应釜的暴流状态是通过图像采集方式得到的。

6.根据权利要求5所述的一种化工生产设备故障预测方法，其特征在于：采集反应釜的暴流状态包括以下步骤：

步骤110，设置阈值范围，利用摄像头采集反应釜的实时运行图像；

步骤120，对所述反应釜的实时运行图像进行滤波处理；

步骤130，对所述反应釜的实时运行图像进行二值化处理；

步骤140，对所述反应釜的实时运行图像进行轮廓跟踪处理以及圆形拟合处理，获取反应釜的实时运行图像的ROI区域；

步骤150，对所述ROI区域进行去除噪声处理；

步骤160，计算所述ROI区域的面积，判断所述ROI区域的面积是否在阈值范围内，如果是，则所述反应釜的暴流状态为正常，否则所述反应釜的暴流状态为异常。