矿用压缩机流量预测方法、装置、电子设备及可读存储介质与流程

本发明涉及压缩机流量预测，具体地涉及一种矿用压缩机流量预测方法、一种矿用压缩机流量预测装置、一种电子设备及一种可读存储介质。

背景技术：

1、矿用空压机是煤矿生产中重要的动力系统，其意外故障或者意外停机都会导致一系列的损失，如空气动力设备无法正常使用而影响煤矿生产安全，煤矿生产停滞造成经济损失。因此，空压机故障诊断技术对于保证机器安全运行、消除事故等方面起到巨大作用。

2、由于压缩机压力代表压缩机的排气情况，所以利用排气流量能够真实地反映压缩机的排气情况，从而预测压缩机的压力，进而对压缩机机组进行故障诊断。而且随着近年来现代化工业、计算机技术、传感器技术和故障诊断技术的发展，空压机监测和故障诊断有了更先进更科学的方法，使得人工智能和工业互联网逐渐成为工业时代背景下设备管理发展的重要技术手段，其主要是通过传感器获取时间序列流量信息，然后对机器下一运行趋势做出预测，利用这些时间序列流量信息对机器运行现状进行诊断。因此，时间序列预测成为了学术界和工业界都被认为是一个重要的、具有挑战性的课题。

3、目前，许多学者已经提出了大量的方法被用于时间序列预测。主要分为两类：传统的统计方法(例如：卡尔曼滤波法，支持向量回归，自回归移动平均模型)和人工智能方法(例如：人工神经网络的反向传播，反向传播神经网络和长短时记忆神经网络，但由于空压机流量会因为每天的生产任务而围绕某一固定值上下波动，这种波动存在着大量的噪声，所以使得上述各个方法在时间序列预测上的表现各不相同，例如：自回归移动平均模型存在一定的不平稳性，这使得自回归移动平均模型预测准确率有限，而且自回归移动平均模型模型是线性预测模型，且由于有移动平均项的参与，当进行较长时间跨度的预测时，会导致预测结果最后趋近于一个常数；长短时记忆神经网络[虽然具有更好的非线性时间序列数据处理能力，但是在面对大量数据的时候，也无法记忆过多的序列特征，导致在长期预测中仍存在较大的瓶颈。

4、总的来说，目前的时间序列预测方法无法准确地对矿用压缩机的流量进行预测。

技术实现思路

1、本发明实施例的目的是提供一种空压机流量预测方法、装置、电子设备及可读存储介质，以解决现有的时间序列预测方法无法准确地对矿用压缩机的流量进行预测的问题。

2、为了实现上述目的，本发明实施例提供一种空压机流量预测方法，包括：

3、获取矿用压缩机流量的时间序列；其中，所述时间序列的跨度至少为一小时；

4、利用卡尔曼滤波对所述矿用压缩机流量的时间序列进行滤波处理，得到滤波后的时间序列矩阵；

5、将所述滤波后的时间序列矩阵输入线性回归模型，得到所述线性回归模型输出的线性时间序列；

6、将所述线性时间序列输入时间序列预测模型，得到所述时间序列预测模型输出的矿用压缩机流量的预测时间序列。

7、可选地，所述将所述线性时间序列输入时间序列预测模型，得到所述时间序列预测模型输出的矿用压缩机流量的预测时间序列的步骤之后，所述方法还包括：

8、利用回归模型评估指标对所述预测时间序列进行评估，以确定所述预测时间序列有效性。

9、可选地，所述线性回归模型通过以下方式获得：

10、获取矿用压缩机流量的样本时间序列；

11、利用单位根检验法对所述样本时间序列进行平稳性检验，确定差分阶数；

12、对所述样本时间序列的自相关系数图和偏相关系数图进行非随机性检验，确定自回归阶数和移动回归阶数；

13、以根据所述差分阶数、所述自回归阶数和所述移动回归阶数作为所述整合移动平均自回归模型的参数，并利用所述训练时间序列对于预先构建的自回归移动平均模型进行训练，在训练完成后获得初步构建的线性回归模型；

14、利用拟合度检验、回归标准差和赤池信息量准则对所述初步构建的线性回归模型进行准确定阶，确定最优的自回归阶数和移动回归阶数；

15、根据所述差分阶数、所述最优的自回归阶数和所述最优的移动回归阶数，建立所述线性回归模型。

16、可选地，所述时间序列预测模型通过以下方式获得：

17、获取矿用压缩机流量的样本时间序列；其中，所述样本时间序列的维度为12×60×1；

18、利用所述样本时间序列对预先构建的深度学习网络模型进行训练，在训练完成后获得所述时间序列预测模型。

19、可选地，所述所述自回归移动平均模型基于python的statsmodels模块构建得到；所述深度学习模型基于pytorch深度学习框架构建得到。

20、可选地，所述深度学习网络模型为长短期记忆网络模型。。

21、在本发明实施方式的第二方面，提供一种矿用压缩机流量预测装置，包括：

22、获取模块，用于获取矿用压缩机流量的时间序列；其中，所述时间序列的跨度至少为一小时；

23、处理模块，用于利用卡尔曼滤波对所述矿用压缩机流量的时间序列进行滤波处理，得到滤波后的时间序列矩阵；

24、第一预测模块，用于将所述滤波后的时间序列矩阵输入线性回归模型，得到所述线性回归模型输出的线性时间序列；

25、第二预测模块，用于将所述线性时间序列输入时间序列预测模型，得到所述时间序列预测模型输出的矿用压缩机流量的预测时间序列。

26、可选地，所述装置还包括评估模块；所述评估模块用于：利用回归模型评估指标方法对所述预测时间序列进行评估，以确定所述预测时间序列有效性。

27、在本发明实施方式的第三方面，提供一种电子设备，包括：处理器和存储器，所述存储器存储有所述处理器可执行的机器可读指令，所述机器可读指令被所述处理器执行时执行上述矿用压缩机流量预测方法。

28、在本发明实施方式的第四方面，提供一种计算机可读存储介质，该计算机可读存储介质上存储有指令，该指令用于使得机器执行上述矿用压缩机流量预测方法。

29、在本发明实施例中，通过获取矿用压缩机流量的时间序列；其中，时间序列的跨度至少为一小时；利用卡尔曼滤波对矿用压缩机流量的时间序列进行滤波处理，得到滤波后的时间序列矩阵；将滤波后的时间序列矩阵输入线性回归模型，得到线性回归模型输出的线性时间序列；将线性时间序列输入时间序列预测模型，得到时间序列预测模型输出的矿用压缩机流量的预测时间序列。本发明通过卡尔曼滤波来降低矿用压缩机流量中存在的噪声，使得能够更好地被线性回归融合模型识别，然后通过时间序列预测模型进行线性处理，从而实现准确地对矿用压缩机流量进行预测。

30、本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。

技术特征：

1.一种矿用压缩机流量预测方法，其特征在于，包括：

2.根据权利要求1所述的矿用压缩机流量预测方法，其特征在于，所述将所述线性时间序列输入时间序列预测模型，得到所述时间序列预测模型输出的矿用压缩机流量的预测时间序列的步骤之后，所述方法还包括：

3.根据权利要求1所述的矿用压缩机流量预测方法，其特征在于，所述线性回归模型通过以下方式获得：

4.根据权利要求1所述的矿用压缩机流量预测方法，其特征在于，所述时间序列预测模型通过以下方式获得：

5.根据权利要求3和4所述的矿用压缩机流量预测方法，其特征在于，所述自回归移动平均模型基于python的statsmodels模块构建得到；所述深度学习模型基于pytorch深度学习框架构建得到。

6.根据权利要求4所述的矿用压缩机流量预测方法，其特征在于，所述深度学习网络模型为长短期记忆网络模型。

7.一种矿用压缩机流量预测装置，其特征在于，包括：

8.根据权利要求7所述的矿用压缩机流量预测装置，其特征在于，所述装置还包括评估模块；所述评估模块用于：利用回归模型评估指标方法对所述预测时间序列进行评估，以确定所述预测时间序列有效性。

9.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器存储有所述处理器可执行的机器可读指令，所述机器可读指令被所述处理器执行时执行权利要求1至6中任一项所述的矿用压缩机流量预测方法。

10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有指令，该指令用于使得机器执行权利要求1-6中任一项所述的矿用压缩机流量预测方法。

技术总结
本发明提供一种矿用压缩机流量预测方法，属于压缩机流量预测技术领域。所述矿用压缩机流量预测方法包括：获取矿用压缩机流量的时间序列；其中，时间序列的跨度至少为一小时；利用卡尔曼滤波对矿用压缩机流量的时间序列进行滤波处理，得到滤波后的时间序列矩阵；将滤波后的时间序列矩阵输入线性回归模型，得到线性回归模型输出的线性时间序列；将线性时间序列输入时间序列预测模型，得到时间序列预测模型输出的矿用压缩机流量的预测时间序列。本发明通过卡尔曼滤波来降低矿用压缩机流量中存在的噪声，使得能够更好地被线性回归融合模型识别，然后通过时间序列预测模型进行线性处理，从而实现准确地对矿用压缩机的流量进行预测。

技术研发人员：林茂,吴晓非
受保护的技术使用者：四川紫气节能科技有限公司
技术研发日：
技术公布日：2024/5/16