【壓縮機網】隨著人工智能技術的快速發展，深度學習在各個領域的應用也日趨廣泛。本文旨在探討AI深度學習在空壓系統策略優化中的應用，通過構建深度學習模型，實現對空壓系統參數的精準預測和優化，以提高空壓系統的運行效率。實驗結果表明，對比機理模型和線性回歸模型，本文所提出的卷積神經網絡建模的方法具有更好的模型訓練效果，并結合遺傳算法為控制參數提供優化，此方法為工業節能提供了新思路。
引言
隨著工業化進程的加速和能源需求的不斷增長，空壓機作為工業領域的關鍵設備，其能耗問題日益凸顯。空壓機在各類工業生產過程中，如汽車、化工、電力、醫藥等，都發揮著至關重要的作用，但同時也是能源消耗的大戶。因此，如何降低空壓機的能耗，提高能源利用效率，已成為當前工業節能領域亟待解決的問題[7]。
傳統的空壓機能耗優化方法主要依賴于經驗調整或固定參數的優化，雖然在一定程度上能夠降低能耗，但效果有限且難以適應復雜多變的工業環境。
在空壓機深度學習建模應用方面，研究者們已經取得了一些初步的成果。通過模型預測，可以實現對空壓機運行狀態的實時監測和預警，及時發現潛在故障，提高設備的可靠性和安全性[1][2][3][4][5]。還有一些研究者對空壓機用電需求規律進行研究，利用長短記憶模型（LSTM）取得了不錯的結果[6]。也有研究者對燃氣輪機的多級壓縮機使用神經網絡模型進行建模[8]，但對于用于工業場景的空壓機性能的建模以及優化控制目前還較少有人研究。因此，研究一種新型的建模方法，實現對空壓系統的精準控制和優化，具有重要的現實意義和應用價值。
一、建立深度學習空壓機模型
1.數據采集與預處理
在空壓機建模過程中，數據收集與處理是至關重要的一步。數據質量直接影響到模型的準確性和泛化能力。因此，我們對空壓機運行數據進行了細致的收集和處理工作。針對空壓機建模，將以下變量納入模型中：
在數據收集完成后，我們進行了數據清洗工作，以去除異常值和重復數據。異常值可能是由于傳感器故障、數據傳輸錯誤等原因產生的，它們會對模型的訓練產生干擾，因此需要被識別并剔除。此處我們使用四分位法，并使用標準的1.5倍IQR值作為閾值，將超出正常范圍的數據標記為異常值，并在后續的數據處理中將其排除。同時使用滑動窗口濾波方法，以5個樣本作為窗口長度，計算出滑動平均值，對于超出平均值20%的原始樣本標記為異常并在后續的處理中將其排除。重復數據則可能是由于數據采集系統的問題而產生的，我們需要去除這些冗余數據，以避免對模型訓練造成不必要的負擔，此處我們對一組數據全部為重復的數據和空壓機功率數據重復的數據標記為異常，并在后續的數據處理中將其排除。
2.多種方法建模對比
方法一：機理模型
機理模型使用如下公式
等價公式為
其中P壓縮機功率，對應表格1中變量18；Tsuct空壓機進口溫度(K)，對比變量1；Tdischarge空壓機出口溫度（K），對應變量14；M空氣摩爾質量(g/mol)28.96；Qm空壓機流量(kg/s)，對應變量11；k空氣等熵系數1.4；P2空壓機出口壓力，對應變量7；P1空壓機進口壓力，對應變量8。
方法二：線性回歸建模
線性回歸的目標是找到一個最佳的直線（在多變量情況下是平面），使得這個直線（平面）與數據點之間的距離最小化[10]。這個距離通常是歐幾里得距離，即垂直距離。通過最小二乘法，可以求解線性回歸模型的參數，從而實現連續型變量的預測。線性回歸模型可以表示為
其中Y是因變量，X1,X2,...,Xn是自變量，β0,β1,β2,...,βn是模型的參數。本文中，將表格1中1-17號變量作為輸入，18號變量作為輸出，并使用最小二乘法求解出。
方法三：卷積神經網絡建模
卷積神經網絡（CNN）是一種專門用于處理具有網格結構數據的神經網絡，如圖像數據。它通過卷積操作提取輸入數據的局部特征，并通過層次化的網絡結構逐步抽象出更高級的特征表示。CNN在圖像識別、目標檢測等領域取得了顯著的成功。CNN模型通常由卷積層、池化層、全連接層等組成。卷積層負責提取輸入數據的局部特征，通過卷積核與輸入數據的卷積運算生成特征圖。池化層則負責對特征圖進行下采樣，減少數據的維度和計算量，同時保留重要的特征信息。全連接層則負責將提取的特征映射到輸出空間，實現分類或回歸等任務[9]。
本文使用兩層3*1大小的卷積層，一層3*1大小的池化層，三層全連接層，每層之間均設置激活層，激活層均使用RELU函數。模型輸入為表格1中1-17號變量，模型輸出為18號變量。
3.建模結果對比
本次建模中，共對5臺空壓機進行建模測試，對比上述3中建模方法，模型訓練從3個指標進行評價，分別是R2擬合系數，R2定義式為
MAE平均絕對誤差，定義式為
MAPE平均絕對誤差百分比，定義式為
訓練結果指標如表2所示
由表格2可以得知，CNN模型在5臺空壓機的建模中，在R2，MAE，MAPE這三個指標中均取得了最佳的結果。同時根據圖1至圖3所示5號空壓機建模結果，機理建模方法僅對少量工況起到了較好的擬合效果，在900kW功率和1000kW功率附近均出現了較多的預測偏離樣本。線性回歸和CNN模型均有較好的擬合結果，但從模型指標上看CNN模型的誤差更小。綜上所述，CNN網絡取得了最佳的訓練效果，故使用此模型作為優化的基礎。
二、優化目標及優化算法選擇
根據壓縮機變量特征和工藝流程分析，如圖4所示，空壓系統模型的輸入為每個空壓機模型輸入，輸出為5個空壓機模型輸出電功率之和，即
f1-f5為5臺空壓機模型，優化目標為公式（6）的總功率E最小，即空壓系統能耗最低。
遺傳算法（Genetic Algorithm,GA）是一種模擬自然選擇和遺傳機制的優化算法。它借鑒了生物進化過程中的自然選擇和遺傳學原理，通過模擬種群的進化過程來搜索問題的最優解。遺傳算法的基本思想是將問題的求解過程轉化為類似生物進化中的染色體基因的交叉、變異等過程。在求解過程中，遺傳算法通過逐代進化來搜索越來越好的近似解，每一代都根據問題域中個體的適應度大小選擇個體，并借助于自然遺傳學的遺傳算子進行組合交叉和變異，產生出代表新的解集的種群。這個過程將導致種群像自然進化一樣的后生代種群，比前代更加適應于環境，末代種群中的最優個體經過解碼，可以作為問題近似最優解[11][12]。遺傳算法的基本步驟包括：
編碼：將問題的解空間轉化為遺傳算法能夠處理的搜索空間，即把問題的可能解從其解空間轉換到遺傳算法所能處理的搜索空間的轉換方法。
初始種群生成：隨機生成一組個體作為初始種群，這些個體代表問題的可能解。
適應度評估：根據問題的目標函數，計算每個個體的適應度值，評估其優劣。
選擇：根據個體的適應度值，選擇一部分優秀個體進入下一代，保證優秀基因得以傳遞。
交叉（也稱雜交）：將選擇出的個體進行配對，并按照一定的概率交換部分基因，生成新的個體。
變異：對交叉產生的個體按照一定的概率改變某些基因的值，以增加種群的多樣性。
終止條件判斷：若滿足終止條件（如達到最大迭代次數、找到滿意解等），則算法結束，輸出最優解；否則，返回步驟3繼續迭代。
故使用遺傳算法對空壓系統模型的輸入參數進行尋優，使得系統總功率最低的輸入參數，即為最佳控制參數。本文中，使用表格1輸入變量中7空壓機出口壓力，11空壓機供氣流量，17空壓機開啟狀態最為可變量，其余輸入參數為固定常數取當前實時值，變量18空壓機總功率作為尋優目標，同時約束空壓系統總供氣流量在優化后不能低于當前實際值。種群個數設置為100，初始種群完全隨機生成，迭代次數為300次，無其它迭代停止條件。
三、算法驗證
空壓機CNN模型訓練完成后，使用兩個月的新數據對模型進行測試，所有空壓機模型指標MAE和MAPE均未超過模型訓練時MAE和MAPE，測試集R2指標不低于訓練時R2，說明CNN模型表現比較穩定。
本文所提到的5臺空壓機參數如下表3：
我們將供氣需求量0-240帶入模型進行優化計算得到結果如下表4所示：
經實際測試，在同樣的供氣量下CNN模型結合遺傳算法給出的最佳組合對比其它機組組合，具有更低的供氣能耗。
結論
本文嘗試了機理模型，線性回歸模型以及CNN模型，對比前兩種模型，CNN模型在模型精度上有優勢。
CNN模型結合遺傳算法進行空壓機控制參數優化，可以找到最佳機組組合以及控制參數，對比其它機組組合方式，此方法推理得到的機組組合整體能耗最低。
參考文獻
[1]王宇.基于數據驅動的空壓機故障診斷與性能預測系統研究[D].上海應用技術大學,2021.
[2]馬玉寶,張興龍,李霖,等.基于數據驅動的空壓機健康狀態評估[J].石油工程建設,2023,49(1):62-66,87.DOI:10.3969/j.issn.1001-2206.2023.01.012.
[3]侯大立,王宇,成凡.基于數據驅動的空壓機集群智能診斷系統[J].機床與液壓,2021,49(12):190-195.<br>HOU Dali,WANG Yu,CHENG Fan.Intelligent Diagnosis System of Air Compressor Cluster Based on Data driven[J].Machine Tool&Hydraulics,2021,49(12):190-195
[4]M.U.;Hameed,I.A.;Sundli,K.Health Monitoring of Air Compressors Using Reconstruction-Based Deep Learning for Anomaly Detection with Increased Transparency.Entropy 2021,23,83.https://doi.org/10.3390/e23010083
[5]胡歡歡.基于HHT和深度學習的船舶空壓機故障診斷[D].福建:集美大學,2020.
[6]Da-Chun Wu,Babak Bahrami Asl,Ali Razban,Jie Chen,Air compressor load forecasting using artificial neural network,Expert Systems with Applications,Volume 168,2021,114209,ISSN 0957-4174,https://doi.org/10.1016/j.eswa.2020.114209.
[7]R.Saidur,N.A.Rahim,M.Hasanuzzaman,A review on compressed-air energy use and energy savings,Renewable and Sustainable Energy Reviews,Volume 14,Issue 4,2010,Pages 1135-1153,ISSN 1364-0321,https://doi.org/10.1016/j.rser.2009.11.013.
[8]K.Ghorbanian,M.Gholamrezaei,An artificial neural network approach to compressor performance prediction,Applied Energy,Volume 86,Issues 7 8,2009,Pages 1210-1221,ISSN 0306-2619,https://doi.org/10.1016/j.apenergy.2008.06.006.
[9]孫志軍,薛磊,許陽明,等.深度學習研究綜述[J].計算機應用研究,2012,29(8):5.DOI:10.3969/j.issn.1001-3695.2012.08.002.
[10]鄒樂強.最小二乘法原理及其簡單應用[J].科技信息,2010(23):2.DOI:CNKI:SUN:KJXX.0.2010-23-209.
[11]周明,孫樹棟.遺傳算法原理及應用[M].國防工業出版社,1999.
[12]丁建立,陳增強,袁著祉.遺傳算法與螞蟻算法的融合[J].計算機研究與發展,2003,40(9):6.DOI:CNKI:SUN:JFYZ.0.2003-09-010.
來源：本站原創
【壓縮機網】隨著人工智能技術的快速發展，深度學習在各個領域的應用也日趨廣泛。本文旨在探討AI深度學習在空壓系統策略優化中的應用，通過構建深度學習模型，實現對空壓系統參數的精準預測和優化，以提高空壓系統的運行效率。實驗結果表明，對比機理模型和線性回歸模型，本文所提出的卷積神經網絡建模的方法具有更好的模型訓練效果，并結合遺傳算法為控制參數提供優化，此方法為工業節能提供了新思路。
引言
隨著工業化進程的加速和能源需求的不斷增長，空壓機作為工業領域的關鍵設備，其能耗問題日益凸顯。空壓機在各類工業生產過程中，如汽車、化工、電力、醫藥等，都發揮著至關重要的作用，但同時也是能源消耗的大戶。因此，如何降低空壓機的能耗，提高能源利用效率，已成為當前工業節能領域亟待解決的問題[7]。
傳統的空壓機能耗優化方法主要依賴于經驗調整或固定參數的優化，雖然在一定程度上能夠降低能耗，但效果有限且難以適應復雜多變的工業環境。
在空壓機深度學習建模應用方面，研究者們已經取得了一些初步的成果。通過模型預測，可以實現對空壓機運行狀態的實時監測和預警，及時發現潛在故障，提高設備的可靠性和安全性[1][2][3][4][5]。還有一些研究者對空壓機用電需求規律進行研究，利用長短記憶模型（LSTM）取得了不錯的結果[6]。也有研究者對燃氣輪機的多級壓縮機使用神經網絡模型進行建模[8]，但對于用于工業場景的空壓機性能的建模以及優化控制目前還較少有人研究。因此，研究一種新型的建模方法，實現對空壓系統的精準控制和優化，具有重要的現實意義和應用價值。
一、建立深度學習空壓機模型
1.數據采集與預處理
在空壓機建模過程中，數據收集與處理是至關重要的一步。數據質量直接影響到模型的準確性和泛化能力。因此，我們對空壓機運行數據進行了細致的收集和處理工作。針對空壓機建模，將以下變量納入模型中：
在數據收集完成后，我們進行了數據清洗工作，以去除異常值和重復數據。異常值可能是由于傳感器故障、數據傳輸錯誤等原因產生的，它們會對模型的訓練產生干擾，因此需要被識別并剔除。此處我們使用四分位法，并使用標準的1.5倍IQR值作為閾值，將超出正常范圍的數據標記為異常值，并在后續的數據處理中將其排除。同時使用滑動窗口濾波方法，以5個樣本作為窗口長度，計算出滑動平均值，對于超出平均值20%的原始樣本標記為異常并在后續的處理中將其排除。重復數據則可能是由于數據采集系統的問題而產生的，我們需要去除這些冗余數據，以避免對模型訓練造成不必要的負擔，此處我們對一組數據全部為重復的數據和空壓機功率數據重復的數據標記為異常，并在后續的數據處理中將其排除。
2.多種方法建模對比
方法一：機理模型
機理模型使用如下公式
等價公式為
其中P壓縮機功率，對應表格1中變量18；Tsuct空壓機進口溫度(K)，對比變量1；Tdischarge空壓機出口溫度（K），對應變量14；M空氣摩爾質量(g/mol)28.96；Qm空壓機流量(kg/s)，對應變量11；k空氣等熵系數1.4；P2空壓機出口壓力，對應變量7；P1空壓機進口壓力，對應變量8。
方法二：線性回歸建模
線性回歸的目標是找到一個最佳的直線（在多變量情況下是平面），使得這個直線（平面）與數據點之間的距離最小化[10]。這個距離通常是歐幾里得距離，即垂直距離。通過最小二乘法，可以求解線性回歸模型的參數，從而實現連續型變量的預測。線性回歸模型可以表示為
其中Y是因變量，X1,X2,...,Xn是自變量，β0,β1,β2,...,βn是模型的參數。本文中，將表格1中1-17號變量作為輸入，18號變量作為輸出，并使用最小二乘法求解出。
方法三：卷積神經網絡建模
卷積神經網絡（CNN）是一種專門用于處理具有網格結構數據的神經網絡，如圖像數據。它通過卷積操作提取輸入數據的局部特征，并通過層次化的網絡結構逐步抽象出更高級的特征表示。CNN在圖像識別、目標檢測等領域取得了顯著的成功。CNN模型通常由卷積層、池化層、全連接層等組成。卷積層負責提取輸入數據的局部特征，通過卷積核與輸入數據的卷積運算生成特征圖。池化層則負責對特征圖進行下采樣，減少數據的維度和計算量，同時保留重要的特征信息。全連接層則負責將提取的特征映射到輸出空間，實現分類或回歸等任務[9]。
本文使用兩層3*1大小的卷積層，一層3*1大小的池化層，三層全連接層，每層之間均設置激活層，激活層均使用RELU函數。模型輸入為表格1中1-17號變量，模型輸出為18號變量。
3.建模結果對比
本次建模中，共對5臺空壓機進行建模測試，對比上述3中建模方法，模型訓練從3個指標進行評價，分別是R2擬合系數，R2定義式為
MAE平均絕對誤差，定義式為
MAPE平均絕對誤差百分比，定義式為
訓練結果指標如表2所示
由表格2可以得知，CNN模型在5臺空壓機的建模中，在R2，MAE，MAPE這三個指標中均取得了最佳的結果。同時根據圖1至圖3所示5號空壓機建模結果，機理建模方法僅對少量工況起到了較好的擬合效果，在900kW功率和1000kW功率附近均出現了較多的預測偏離樣本。線性回歸和CNN模型均有較好的擬合結果，但從模型指標上看CNN模型的誤差更小。綜上所述，CNN網絡取得了最佳的訓練效果，故使用此模型作為優化的基礎。
二、優化目標及優化算法選擇
根據壓縮機變量特征和工藝流程分析，如圖4所示，空壓系統模型的輸入為每個空壓機模型輸入，輸出為5個空壓機模型輸出電功率之和，即
f1-f5為5臺空壓機模型，優化目標為公式（6）的總功率E最小，即空壓系統能耗最低。
遺傳算法（Genetic Algorithm,GA）是一種模擬自然選擇和遺傳機制的優化算法。它借鑒了生物進化過程中的自然選擇和遺傳學原理，通過模擬種群的進化過程來搜索問題的最優解。遺傳算法的基本思想是將問題的求解過程轉化為類似生物進化中的染色體基因的交叉、變異等過程。在求解過程中，遺傳算法通過逐代進化來搜索越來越好的近似解，每一代都根據問題域中個體的適應度大小選擇個體，并借助于自然遺傳學的遺傳算子進行組合交叉和變異，產生出代表新的解集的種群。這個過程將導致種群像自然進化一樣的后生代種群，比前代更加適應于環境，末代種群中的最優個體經過解碼，可以作為問題近似最優解[11][12]。遺傳算法的基本步驟包括：
編碼：將問題的解空間轉化為遺傳算法能夠處理的搜索空間，即把問題的可能解從其解空間轉換到遺傳算法所能處理的搜索空間的轉換方法。
初始種群生成：隨機生成一組個體作為初始種群，這些個體代表問題的可能解。
適應度評估：根據問題的目標函數，計算每個個體的適應度值，評估其優劣。
選擇：根據個體的適應度值，選擇一部分優秀個體進入下一代，保證優秀基因得以傳遞。
交叉（也稱雜交）：將選擇出的個體進行配對，并按照一定的概率交換部分基因，生成新的個體。
變異：對交叉產生的個體按照一定的概率改變某些基因的值，以增加種群的多樣性。
終止條件判斷：若滿足終止條件（如達到最大迭代次數、找到滿意解等），則算法結束，輸出最優解；否則，返回步驟3繼續迭代。
故使用遺傳算法對空壓系統模型的輸入參數進行尋優，使得系統總功率最低的輸入參數，即為最佳控制參數。本文中，使用表格1輸入變量中7空壓機出口壓力，11空壓機供氣流量，17空壓機開啟狀態最為可變量，其余輸入參數為固定常數取當前實時值，變量18空壓機總功率作為尋優目標，同時約束空壓系統總供氣流量在優化后不能低于當前實際值。種群個數設置為100，初始種群完全隨機生成，迭代次數為300次，無其它迭代停止條件。
三、算法驗證
空壓機CNN模型訓練完成后，使用兩個月的新數據對模型進行測試，所有空壓機模型指標MAE和MAPE均未超過模型訓練時MAE和MAPE，測試集R2指標不低于訓練時R2，說明CNN模型表現比較穩定。
本文所提到的5臺空壓機參數如下表3：
我們將供氣需求量0-240帶入模型進行優化計算得到結果如下表4所示：
經實際測試，在同樣的供氣量下CNN模型結合遺傳算法給出的最佳組合對比其它機組組合，具有更低的供氣能耗。
結論
本文嘗試了機理模型，線性回歸模型以及CNN模型，對比前兩種模型，CNN模型在模型精度上有優勢。
CNN模型結合遺傳算法進行空壓機控制參數優化，可以找到最佳機組組合以及控制參數，對比其它機組組合方式，此方法推理得到的機組組合整體能耗最低。
參考文獻
[1]王宇.基于數據驅動的空壓機故障診斷與性能預測系統研究[D].上海應用技術大學,2021.
[2]馬玉寶,張興龍,李霖,等.基于數據驅動的空壓機健康狀態評估[J].石油工程建設,2023,49(1):62-66,87.DOI:10.3969/j.issn.1001-2206.2023.01.012.
[3]侯大立,王宇,成凡.基于數據驅動的空壓機集群智能診斷系統[J].機床與液壓,2021,49(12):190-195.<br>HOU Dali,WANG Yu,CHENG Fan.Intelligent Diagnosis System of Air Compressor Cluster Based on Data driven[J].Machine Tool&Hydraulics,2021,49(12):190-195
[4]M.U.;Hameed,I.A.;Sundli,K.Health Monitoring of Air Compressors Using Reconstruction-Based Deep Learning for Anomaly Detection with Increased Transparency.Entropy 2021,23,83.https://doi.org/10.3390/e23010083
[5]胡歡歡.基于HHT和深度學習的船舶空壓機故障診斷[D].福建:集美大學,2020.
[6]Da-Chun Wu,Babak Bahrami Asl,Ali Razban,Jie Chen,Air compressor load forecasting using artificial neural network,Expert Systems with Applications,Volume 168,2021,114209,ISSN 0957-4174,https://doi.org/10.1016/j.eswa.2020.114209.
[7]R.Saidur,N.A.Rahim,M.Hasanuzzaman,A review on compressed-air energy use and energy savings,Renewable and Sustainable Energy Reviews,Volume 14,Issue 4,2010,Pages 1135-1153,ISSN 1364-0321,https://doi.org/10.1016/j.rser.2009.11.013.
[8]K.Ghorbanian,M.Gholamrezaei,An artificial neural network approach to compressor performance prediction,Applied Energy,Volume 86,Issues 7 8,2009,Pages 1210-1221,ISSN 0306-2619,https://doi.org/10.1016/j.apenergy.2008.06.006.
[9]孫志軍,薛磊,許陽明,等.深度學習研究綜述[J].計算機應用研究,2012,29(8):5.DOI:10.3969/j.issn.1001-3695.2012.08.002.
[10]鄒樂強.最小二乘法原理及其簡單應用[J].科技信息,2010(23):2.DOI:CNKI:SUN:KJXX.0.2010-23-209.
[11]周明,孫樹棟.遺傳算法原理及應用[M].國防工業出版社,1999.
[12]丁建立,陳增強,袁著祉.遺傳算法與螞蟻算法的融合[J].計算機研究與發展,2003,40(9):6.DOI:CNKI:SUN:JFYZ.0.2003-09-010.
來源：本站原創
網友評論
條評論
最新評論