本發明屬于空壓站，涉及一種多臺無油空壓站氣壓調控系統。
背景技術：
1、在工業生產進程中，壓縮空氣作為關鍵動力源，其氣壓穩定性對生產效率與產品質量起著決定性作用。無油空壓站憑借輸出潔凈壓縮空氣的特性，在對空氣質量要求嚴苛的工業領域應用廣泛。伴隨工業規模擴張與生產工藝的精細化發展，單臺無油空壓機已無法滿足日益增長的用氣需求，多臺無油空壓站的應用愈發普遍。然而，多臺空壓機協同運行時，氣壓調控面臨諸多挑戰，如氣壓波動、能源浪費等。有效的氣壓調控系統是多臺無油空壓站穩定、高效運行的關鍵。它不僅能確保氣壓精準維持在設定范圍，滿足不同生產設備的用氣要求，還能通過優化控制策略實現節能降耗，延長設備使用壽命。因此，深入研究多臺無油空壓站氣壓調控策略，對提升工業生產綜合效益、推動行業可持續發展具有重要意義。
2、然而，傳統的多臺無油空壓站氣壓調控往往依賴于預設的規則和固定的參數來運行。這些規則通常是基于經驗或者一些簡單的數學模型建立的，難以應對復雜多變的工業用氣場景。例如，不同的生產工序、不同的時間段以及設備的不同運行狀態等，都會導致用氣量出現較大的波動。在這種情況下，傳統系統無法及時、準確地調整空壓機的運行參數，容易造成氣壓不穩定，影響生產質量，同時還可能導致能源的浪費。
技術實現思路
1、為解決現有技術中存在的上述問題，本發明提供了一種多臺無油空壓站氣壓調控系統，旨在通過深度學習模型對傳感器實時采集的大量氣壓、流量、設備運行狀態等數據進行深度分析。通過不斷學習與訓練，精準預測不同時段、工況下的用氣量，提前調整空壓機運行參數與運行臺數，實現氣壓的前瞻性、智能化調控。
2、本發明的目的可以通過以下技術方案實現：
3、本技術提供了一種多臺無油空壓站氣壓調控系統，包括工作監測模塊、用氣量預估模塊和氣壓調控模塊，所述工作監測模塊、用氣量預估模塊和氣壓調控模塊通信連接，其中：
4、所述工作監測模塊，用于監測多臺空壓站當前的氣壓、產氣流量、用氣設備運行狀態和用氣流量；
5、所述用氣量預估模塊，用于建立用氣設備運行狀態和用氣流量的深度學習模型，根據當前用氣設備運行狀態和用氣流量預測下一時間段的用氣流量；
6、所述氣壓調控模塊，用于根據下一時間段的用氣流量，對空壓機運行臺數和用氣流量進行調整，以保持預設的氣壓范圍。
7、進一步地，所述用氣設備運行狀態，包括啟停狀態、負載狀態、工作壓力、工作流量和故障狀態。
8、進一步地，所述深度學習模型，包括時間序列模型和隨機森林模型，所述時間序列模型，用于根據當前的用氣設備運行狀態和用氣流量，預測下一時間段的用氣設備運行狀態和第一用氣流量；所述隨機森林模型，用于根據下一時間段的用氣設備運行狀態預測下一時間段的第二用氣流量。
9、進一步地，所述下一時間段的用氣流量，通過第一用氣流量和第二用氣流量綜合計算得出。
10、進一步地，所述通過第一用氣流量和第二用氣流量綜合計算得出，計算公式為：
11、qz＝w1q1+w2q2，
12、式中，qz為下一時間段的用氣流量；q1為第一用氣流量，w1為對應的第一權重；q2為第二用氣流量，w2為對應的第二權重；所述第一權重和所述第二權重，由模型在歷史時期預測的平均誤差確定。
13、進一步地，所述時間序列模型，配置為長短期記憶網絡模型，包括以下構建步驟：
14、數據收集整合：從工作監測模塊收集多臺空壓站涵蓋用氣設備運行狀態和用氣流量的歷史數據，并處理缺失值與異常值；
15、數據預處理：歸一化數據，按時間順序整理為特定格式，確定時間步長構建時間序列數據集；
16、模型架構設計：依數據特征確定輸入層神經元數，選合適數量lstm單元構建lstm層，據預測目標設輸出層神經元數；
17、模型編譯：選擇均方誤差作為損失函數衡量誤差，adam為優化器更新模型參數并設定學習率；
18、模型訓練：劃分訓練集、驗證集和測試集，其中訓練集用于訓練模型，設定訓練輪數與批次大小進行訓練，驗證集用于模型驗證和擬合度優化；
19、模型評估調優：采用測試集評估判斷模型預測性能，通過調整超參數和增加數據樣本優化模型。
20、進一步地，所述隨機森林模型，包括以下構建步驟：
21、數據準備：從工作監測模塊采集包含用氣設備運行狀態及對應的用氣流量數據，通過相關性分析方法挑選出對用氣流量預測有顯著影響的關鍵特征；
22、數據集劃分：將預處理好的數據劃分為訓練集、驗證集和測試集；
23、模型初始化：確定隨機森林模型中決策樹的數量，設置每棵樹隨機選擇特征數、最大深度和最小樣本分割數；
24、模型訓練：利用訓練集數據，通過有放回的自助采樣法，為每棵決策樹構建獨特的訓練樣本；每棵樹在節點劃分時隨機選取部分特征，獨立進行訓練，最終綜合所有決策樹的預測結果，完成隨機森林模型的訓練過程；
25、模型評估：先運用驗證集初步評估訓練好的模型，調整超參數優化模型；再使用測試集進行最終評估，衡量模型在未知數據上的泛化能力與預測準確性。
26、進一步地，所述根據下一時間段的用氣流量，對空壓機運行臺數和用氣流量進行調整，以保持預設的氣壓范圍，包括以下步驟：
27、用氣流量分析：從用氣量預估模塊獲取下一時間段的用氣流量預測數據，與當前空壓機的產氣能力以及系統實時氣壓狀態相結合，評估系統的供需狀態；
28、空壓機運行臺數調整決策：預先設定基于不同產氣規模所需運行的空壓機臺數閾值，將用氣流量分析得出的結果與預設臺數閾值進行比對，若預測用氣流量顯著上升，且當前空壓機產氣能力難以匹配，增加運行的空壓機臺數；反之，若預測用氣流量下降，且當前產氣能力明顯過剩，則減少運行臺數；
29、具體空壓機的啟停決策：制定空壓機優先級列表，綜合設備性能、使用年限和維護記錄確定每臺空壓機的優先級；按照運行臺數調整決策，結合優先級列表，確定具體需要啟動或停止的空壓機；
30、空壓機運行參數調整：針對正在運行或即將啟動的空壓機，依據預測用氣流量調整運行參數，預先設定的空壓機產氣流量與電機轉速的對應關系，根據預測用氣流量計算出所需的電機轉速，隨后向變頻器發送指令進行調整；
31、實時監控與反饋調整：在完成空壓機運行臺數和參數調整后，對實際氣壓和用氣流量展開實時和高頻監測，將實時獲取的數據與預設的氣壓范圍進行比對，若實際氣壓超出或逼近預設范圍邊界，根據偏差程度再次對空壓機的運行參數或運行臺數進行微調；
32、記錄與報告：記錄每次對空壓機運行臺數和用氣流量的調整操作，涵蓋調整時間、調整原因、涉及的空壓機編號和具體調整參數。
33、進一步地，所述氣壓調控模塊，采用分布式協同控制架構對多臺空壓站進行協調控制。
34、本發明的有益效果：
35、通過監測多臺空壓站當前的氣壓、產氣流量、用氣設備運行狀態和用氣流量；建立用氣設備運行狀態和用氣流量的深度學習模型，根據當前用氣設備運行狀態和用氣流量預測下一時間段的用氣流量；根據下一時間段的用氣流量，對空壓機運行臺數和用氣流量進行調整，以保持預設的氣壓范圍。本發明解決現有技術難以應對復雜多變的工業用氣場景，無法及時、準確地調整空壓機的運行參數，容易造成氣壓不穩定的問題。