本發(fā)明涉及數(shù)據(jù)處理，特別涉及一種基于聲紋識(shí)別的智能油氣診斷方法及系統(tǒng)。

背景技術(shù)：

1、石油化工設(shè)備種類繁多、生產(chǎn)流程復(fù)雜、聯(lián)系緊密，運(yùn)行環(huán)境通常較為惡劣，高負(fù)荷地持續(xù)運(yùn)行是常態(tài)。其中不乏重要且敏感設(shè)備，在生產(chǎn)過(guò)程中一旦發(fā)生設(shè)備故障，輕則影響生產(chǎn)效率，重則導(dǎo)致整個(gè)系統(tǒng)非計(jì)劃停機(jī)、生產(chǎn)中斷，造成嚴(yán)重的經(jīng)濟(jì)損失，甚至出現(xiàn)安全事故，危及生命。

2、企業(yè)目前采取在線儀表監(jiān)測(cè)等方式對(duì)大型設(shè)備進(jìn)行監(jiān)控與實(shí)時(shí)報(bào)警，但設(shè)備部件磨損、變形帶來(lái)的故障隱患無(wú)法提前預(yù)測(cè)，繼發(fā)性損壞難以控制。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供一種基于聲紋識(shí)別的智能油氣診斷方法及系統(tǒng)，能夠及時(shí)預(yù)見(jiàn)油氣設(shè)備的潛在故障因素。

2、鑒于此，本發(fā)明一方面提供一種基于聲紋識(shí)別的智能油氣診斷方法，所述方法包括：

3、獲取油氣設(shè)備樣本集群，針對(duì)所述油氣設(shè)備樣本集群中的任一油氣設(shè)備，在所述油氣設(shè)備運(yùn)行過(guò)程中，采集所述油氣設(shè)備的運(yùn)行聲紋數(shù)據(jù)；

4、為所述油氣設(shè)備標(biāo)注故障信息，并建立所述運(yùn)行聲紋數(shù)據(jù)與所述故障信息之間的關(guān)聯(lián)關(guān)系；

5、通過(guò)故障預(yù)測(cè)模型對(duì)所述運(yùn)行聲紋數(shù)據(jù)進(jìn)行處理，以預(yù)測(cè)所述運(yùn)行聲紋數(shù)據(jù)表征的故障類型；

6、對(duì)比預(yù)測(cè)得到的故障類型與所述故障信息表征的故障類型，并基于對(duì)比結(jié)果對(duì)所述故障預(yù)測(cè)模型進(jìn)行校正；

7、利用校正后的故障預(yù)測(cè)類型對(duì)目標(biāo)油氣設(shè)備的運(yùn)行聲紋數(shù)據(jù)進(jìn)行處理，以輸出所述目標(biāo)油氣設(shè)備的潛在故障因素。

8、在一個(gè)實(shí)施方式中，在采集所述油氣設(shè)備的運(yùn)行聲紋數(shù)據(jù)之后，所述方法還包括：

9、將所述運(yùn)行聲紋數(shù)據(jù)從時(shí)域轉(zhuǎn)換至頻域，得到聲紋頻域數(shù)據(jù)，并將所述聲紋頻域數(shù)據(jù)寫入kafka消息隊(duì)列中；

10、通過(guò)故障預(yù)測(cè)模型對(duì)所述運(yùn)行聲紋數(shù)據(jù)進(jìn)行處理包括：

11、按照預(yù)先設(shè)置的讀取窗口，從所述kafka消息隊(duì)列中讀取批次數(shù)據(jù)；

12、遍歷每一條批次數(shù)據(jù)，提取各個(gè)批次數(shù)據(jù)的數(shù)值特征，并匯總各個(gè)批次數(shù)據(jù)的數(shù)值特征，構(gòu)成所述聲紋頻域數(shù)據(jù)的聲紋特征；

13、其中，任意相鄰的兩個(gè)批次數(shù)據(jù)之間，至少存在部分交集數(shù)據(jù)。

14、在一個(gè)實(shí)施方式中，在采集所述油氣設(shè)備的運(yùn)行聲紋數(shù)據(jù)之后，所述方法還包括：

15、將各個(gè)油氣設(shè)備的運(yùn)行聲紋數(shù)據(jù)分配至不同的數(shù)據(jù)組合當(dāng)中；

16、選中一個(gè)數(shù)據(jù)組合并標(biāo)記為比對(duì)組合，并將所述比對(duì)組合中的運(yùn)行聲紋數(shù)據(jù)標(biāo)記為比對(duì)數(shù)據(jù)；

17、判斷剩余的數(shù)據(jù)組合中是否存在與所述比對(duì)數(shù)據(jù)的相似度滿足要求的目標(biāo)數(shù)據(jù)組合，若存在，將所述目標(biāo)數(shù)據(jù)組合刪除，并從剩余的數(shù)據(jù)組合中重新選擇一個(gè)數(shù)據(jù)組合作為比對(duì)組合；

18、將最終剩余的數(shù)據(jù)組合中的運(yùn)行聲紋數(shù)據(jù)按照指定數(shù)據(jù)格式進(jìn)行封裝，并將封裝后的運(yùn)行聲紋數(shù)據(jù)輸入所述故障預(yù)測(cè)模型。

19、在一個(gè)實(shí)施方式中，在輸出所述目標(biāo)油氣設(shè)備的潛在故障因素之后，所述方法還包括：

20、獲取所述潛在故障因素對(duì)應(yīng)的歷史數(shù)據(jù)集合，并擬合所述歷史數(shù)據(jù)集合的故障趨勢(shì)曲線；

21、識(shí)別當(dāng)前時(shí)刻在所述故障趨勢(shì)曲線中所處的位置，并基于識(shí)別出的位置，生成針對(duì)所述潛在故障因素的處理策略。

22、本發(fā)明還提供一種基于聲紋識(shí)別的智能油氣診斷系統(tǒng)，所述系統(tǒng)包括：

23、數(shù)據(jù)采集單元，用于獲取油氣設(shè)備樣本集群，針對(duì)所述油氣設(shè)備樣本集群中的任一油氣設(shè)備，在所述油氣設(shè)備運(yùn)行過(guò)程中，采集所述油氣設(shè)備的運(yùn)行聲紋數(shù)據(jù)；

24、關(guān)聯(lián)單元，用于為所述油氣設(shè)備標(biāo)注故障信息，并建立所述運(yùn)行聲紋數(shù)據(jù)與所述故障信息之間的關(guān)聯(lián)關(guān)系；

25、預(yù)測(cè)單元，用于通過(guò)故障預(yù)測(cè)模型對(duì)所述運(yùn)行聲紋數(shù)據(jù)進(jìn)行處理，以預(yù)測(cè)所述運(yùn)行聲紋數(shù)據(jù)表征的故障類型；

26、校正單元，用于對(duì)比預(yù)測(cè)得到的故障類型與所述故障信息表征的故障類型，并基于對(duì)比結(jié)果對(duì)所述故障預(yù)測(cè)模型進(jìn)行校正；

27、因素輸出單元，用于利用校正后的故障預(yù)測(cè)類型對(duì)目標(biāo)油氣設(shè)備的運(yùn)行聲紋數(shù)據(jù)進(jìn)行處理，以輸出所述目標(biāo)油氣設(shè)備的潛在故障因素。

28、由于聲紋數(shù)據(jù)中可能存在其他噪聲干擾，可能會(huì)造成對(duì)所述目標(biāo)油氣設(shè)備的潛在故障因素的判斷失準(zhǔn)，進(jìn)而可能會(huì)對(duì)后續(xù)的故障維修帶來(lái)一些列問(wèn)題，因此在對(duì)所述目標(biāo)油氣設(shè)備的潛在故障因素的判斷時(shí)采用如下算法：

29、步驟一：設(shè)對(duì)于故障因素a，其主要的聲紋參數(shù)特征有n個(gè)，例如聲紋的頻率、振幅等，設(shè)第i個(gè)聲紋參數(shù)特征值為ki,目標(biāo)油氣設(shè)備的運(yùn)行聲紋數(shù)據(jù)第i個(gè)聲紋特征值為f?i，則目標(biāo)油氣設(shè)備的運(yùn)行聲紋數(shù)據(jù)第i個(gè)聲紋特征值和故障因素a的第i個(gè)聲紋參數(shù)特征值的相似度為：

30、

31、其中si為目標(biāo)油氣設(shè)備的運(yùn)行聲紋數(shù)據(jù)第i個(gè)聲紋特征值和故障因素a的第i個(gè)聲紋參數(shù)特征值的相似度。

32、步驟二：設(shè)第i個(gè)聲紋參數(shù)特征在故障因素a中的參考權(quán)重為qi，則目標(biāo)油氣設(shè)備的運(yùn)行聲紋數(shù)據(jù)第i個(gè)聲紋特征在故障因素a的權(quán)重得分為：

33、

34、其中pi為目標(biāo)油氣設(shè)備的運(yùn)行聲紋數(shù)據(jù)第i個(gè)聲紋特征在故障因素a的權(quán)重得分。

35、步驟三：根據(jù)步驟一和步驟二的計(jì)算結(jié)果，計(jì)算目標(biāo)油氣設(shè)備的運(yùn)行聲紋數(shù)據(jù)表明潛在的故障因素為a的概率，其計(jì)算公式如下：

36、

37、其中p(a)為目標(biāo)油氣設(shè)備的運(yùn)行聲紋數(shù)據(jù)表明潛在的故障因素為a的概率，pa為故障因素a的預(yù)設(shè)權(quán)重總分，其根據(jù)實(shí)際情況獲得并可以進(jìn)行調(diào)整。當(dāng)p(a)大于0.9時(shí)表明目標(biāo)油氣設(shè)備的運(yùn)行聲紋數(shù)據(jù)表明潛在的故障因素為a，當(dāng)p(a)小于等于0.9時(shí)表明目標(biāo)油氣設(shè)備的運(yùn)行聲紋數(shù)據(jù)表明潛在的故障因素為不為a，可能為其他故障因素。

38、本算法根據(jù)目標(biāo)故障因素的聲紋參數(shù)特征及目標(biāo)油氣設(shè)備的運(yùn)行聲紋數(shù)據(jù)中的聲紋參數(shù)特征對(duì)目標(biāo)油氣設(shè)備的運(yùn)行聲紋數(shù)據(jù)顯示的故障因素是否為目標(biāo)故障因素進(jìn)行了準(zhǔn)確判斷，避免了對(duì)所述目標(biāo)油氣設(shè)備的潛在故障因素的判斷失準(zhǔn)及為后續(xù)故障維修帶來(lái)一些列問(wèn)題的情況的發(fā)生。

39、在一個(gè)實(shí)施方式中，所述系統(tǒng)還包括：

40、數(shù)據(jù)轉(zhuǎn)換單元，用于將所述運(yùn)行聲紋數(shù)據(jù)從時(shí)域轉(zhuǎn)換至頻域，得到聲紋頻域數(shù)據(jù)，并將所述聲紋頻域數(shù)據(jù)寫入kafka消息隊(duì)列中；

41、所述預(yù)測(cè)單元具體用于，按照預(yù)先設(shè)置的讀取窗口，從所述kafka消息隊(duì)列中讀取批次數(shù)據(jù)；遍歷每一條批次數(shù)據(jù)，提取各個(gè)批次數(shù)據(jù)的數(shù)值特征，并匯總各個(gè)批次數(shù)據(jù)的數(shù)值特征，構(gòu)成所述聲紋頻域數(shù)據(jù)的聲紋特征；其中，任意相鄰的兩個(gè)批次數(shù)據(jù)之間，至少存在部分交集數(shù)據(jù)。

42、在一個(gè)實(shí)施方式中，所述系統(tǒng)還包括：

43、數(shù)據(jù)分配單元，用于將各個(gè)油氣設(shè)備的運(yùn)行聲紋數(shù)據(jù)分配至不同的數(shù)據(jù)組合當(dāng)中；

44、選取單元，用于選中一個(gè)數(shù)據(jù)組合并標(biāo)記為比對(duì)組合，并將所述比對(duì)組合中的運(yùn)行聲紋數(shù)據(jù)標(biāo)記為比對(duì)數(shù)據(jù)；

45、判斷單元，用于判斷剩余的數(shù)據(jù)組合中是否存在與所述比對(duì)數(shù)據(jù)的相似度滿足要求的目標(biāo)數(shù)據(jù)組合，若存在，將所述目標(biāo)數(shù)據(jù)組合刪除，并從剩余的數(shù)據(jù)組合中重新選擇一個(gè)數(shù)據(jù)組合作為比對(duì)組合；

46、格式轉(zhuǎn)換單元，用于將最終剩余的數(shù)據(jù)組合中的運(yùn)行聲紋數(shù)據(jù)按照指定數(shù)據(jù)格式進(jìn)行封裝，并將封裝后的運(yùn)行聲紋數(shù)據(jù)輸入所述故障預(yù)測(cè)模型。

47、在一個(gè)實(shí)施方式中，所述系統(tǒng)還包括：

48、趨勢(shì)擬合單元，用于獲取所述潛在故障因素對(duì)應(yīng)的歷史數(shù)據(jù)集合，并擬合所述歷史數(shù)據(jù)集合的故障趨勢(shì)曲線；

49、策略生成單元，用于識(shí)別當(dāng)前時(shí)刻在所述故障趨勢(shì)曲線中所處的位置，并基于識(shí)別出的位置，生成針對(duì)所述潛在故障因素的處理策略。

50、本發(fā)明提供的技術(shù)方案，基于運(yùn)行聲紋數(shù)據(jù)，能夠?qū)τ蜌庠O(shè)備的狀態(tài)進(jìn)行綜合評(píng)價(jià)和智能推理，及時(shí)掌握設(shè)備的運(yùn)行狀態(tài)，為設(shè)備維修決策提供重要依據(jù)，從而防止惡性事故的發(fā)生，實(shí)現(xiàn)預(yù)知維修。

51、本發(fā)明的其它特征和優(yōu)點(diǎn)將在隨后的說(shuō)明書中闡述，并且，部分地從說(shuō)明書中變得顯而易見(jiàn)，或者通過(guò)實(shí)施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點(diǎn)可通過(guò)在所寫的說(shuō)明書、權(quán)利要求書、以及附圖中所特別指出的結(jié)構(gòu)來(lái)實(shí)現(xiàn)和獲得。

52、下面通過(guò)附圖和實(shí)施例，對(duì)本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)描述。