CN114006793A - 一种用于硫化腐蚀产物自燃灾害监测的边缘计算网关 - Google Patents
一种用于硫化腐蚀产物自燃灾害监测的边缘计算网关 Download PDFInfo
- Publication number
- CN114006793A CN114006793A CN202111429794.XA CN202111429794A CN114006793A CN 114006793 A CN114006793 A CN 114006793A CN 202111429794 A CN202111429794 A CN 202111429794A CN 114006793 A CN114006793 A CN 114006793A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- monitoring
- threshold
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 236
- 230000007797 corrosion Effects 0.000 title claims abstract description 83
- 238000005260 corrosion Methods 0.000 title claims abstract description 83
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 title claims abstract description 28
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 20
- 230000002269 spontaneous effect Effects 0.000 title claims abstract description 20
- 238000003860 storage Methods 0.000 claims abstract description 64
- 230000005540 biological transmission Effects 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000004073 vulcanization Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 21
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims abstract description 16
- 229910052717 sulfur Inorganic materials 0.000 claims abstract description 16
- 239000011593 sulfur Substances 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims description 75
- 230000002159 abnormal effect Effects 0.000 claims description 53
- 238000007781 pre-processing Methods 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 25
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims description 16
- 238000005486 sulfidation Methods 0.000 claims description 15
- 238000009529 body temperature measurement Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 239000013307 optical fiber Substances 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 125000000101 thioether group Chemical group 0.000 claims description 4
- 238000005987 sulfurization reaction Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000010779 crude oil Substances 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910052976 metal sulfide Inorganic materials 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 238000010863 targeted diagnosis Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/66—Arrangements for connecting between networks having differing types of switching systems, e.g. gateways
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0823—Errors, e.g. transmission errors
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Environmental & Geological Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提出的是一种用于硫化腐蚀产物自燃灾害监测的边缘计算网关,其结构包括现场传感器网络接口、中央处理单元、内部储存与数据传输单元;其中,内部储存与数据传输单元分别与现场传感器网络接口、中央处理单元相连接;所述中央处理单元内执行硫化腐蚀安全监测算法。本发明能够对现场采集的不同类型数据进行处理、运算,利用深度学习算法对当前涉硫装置的硫化腐蚀的自燃状态得出初步判断,并将数据传输给后方主控平台,进而实现对现场参数的监控、提高系统诊断的实时性、提高现场决策程序的智能化水平、提高整个监测网络的可靠性。
Description
技术领域
本发明涉及一种用于硫化腐蚀产物自燃灾害监测的边缘计算网关,属于物联网技术、边缘计算技术领域。
背景技术
在石油化工领域,储存、运输或反应涉硫物料的过程中,硫元素会对诸如浮顶储罐、输油管道或反应釜等装置造成一定程度的腐蚀;腐蚀形成的金属硫化物在遇到空气的情况下会迅速氧化,放出热量形成潜在点火源,甚至造成涉硫装置燃烧爆炸;为了能在危害发生初期及时识别风险,减轻此类事故的危害,对涉硫装置应用在线状态监控十分迫切。
目前对于涉硫装置的安全监测,尤其是涉硫装置内部硫化腐蚀的监测,主要针对二氧化硫浓度测量和温度测量两个指标;二氧化硫浓度测量可以显示出当前硫化腐蚀的程度,温度测量则是判断是否已经出现异常热源。
在生产过程中,常用监测设备即为二氧化硫传感器(测量二氧化硫浓度)、压力传感器(测量带压装置压力)和热电偶(测量温度);对于原油储罐等的特殊装置,通常安装光纤光栅测温系统或分布式光纤测温系统等符合本质安全要求的监测设备。
目前布置分布式光纤测温系统的应用中,主要还是利用阈值来进行火灾报警;分布式光纤测温系统可以提供光纤布置通道上大量连续的温度数据,并且这些数据也具备空间相关性;这样的数据并没有被很好的利用;此外,由不同传感器采集的不同类型的现场数据、不应该被孤立地处理和分析,应该结合多种传感器信息对当前生产装置进行状态判断及故障预警;同时,由于日照、降雨等自然因素对传感器工作的影响,可能造成各种误报警的情况发生,这给应急处置带来了挑战;由于引发误报警的传感器数据与异常状态下的返回的传感器数据较为相似,传统的阈值判断无法分清两者之间的差别,所以需要引入深度学习算法进行辅助判断,降低误报警率。
网关设备作为网络间的连接器,用于建立传感器与主控平台之间的连接,转发生产过程现场产生的传感器数据;但现有应用于安全监测的网关功能单一,不能进行数据处理、不能利用数据进行事故状态判断,数据由网关转发后集中在控制中心平台内处理,现场级别的决策没有办法运用针对性的诊断模型或者深度学习算法,监测控制平台存在明显的不足。
因此,需要一种具有边缘计算功能的硫化腐蚀安全监控网关,对现场采集的不同类型数据进行处理、运算,利用高级诊断模型或者深度学习算法对当前涉硫装置的硫化腐蚀的自燃状态得出初步判断,并将数据传输给后方主控平台,进而实现对现场参数的监控、提高系统诊断的实时性、提高现场决策程序的智能化水平、提高整个监测网络的可靠性。
发明内容
本发明提出的是一种用于硫化腐蚀产物自燃灾害监测的边缘计算网关,其目的是解决现有与涉硫装置相关的监测监控平台网关不具有数据处理和状态判断功能的问题。
本发明的技术解决方案:一种用于硫化腐蚀产物自燃灾害监测的边缘计算网关,其结构包括现场传感器网络接口、中央处理单元、内部储存与数据传输单元;其中,内部储存与数据传输单元分别与现场传感器网络接口、中央处理单元相连接;所述中央处理单元内执行硫化腐蚀安全监测算法。
进一步地,所述内部储存与数据传输单元分别与现场传感器网络接口、中央处理单元相连接,具体为:现场传感器网络接口的数据输出端与内部储存与数据传输单元的数据输入端连接,内部储存与数据传输单元的数据输出输入端与中央处理单元的数据输入输出端对应连接;所述内部储存与数据传输单元包括存储模块和数据发送模块;存储模块用于储存现场传感器网络接口传输的数据,并将数据传输至中央处理单元用于硫化腐蚀安全监测算法;数据发送模块将存储模块内的数据通过工业以太网分别传输至本地数据库、云端数据库和对应监控平台。
进一步地,所述现场传感器网络接口包括RS-485模块、工业以太网模块、CAN模块;所述RS-485模块与涉硫装置现场的Modbus网络相连接;所述工业以太网模块与分布式光纤测温系统主机相连接;所述CAN模块与通讯网络连接;工作时,RS-485模块、工业以太网模块、CAN模块将接收到的传感器数据传输至内部储存与数据传输单元;所述Modbus网络包括涉硫装置现场的热电偶传感器、压力传感器、二氧化硫传感器中的一种传感器或若干种传感器;所述工业以太网模块通过RJ45网络接口与分布式光纤测温系统主机相连接;所述CAN模块与其他通讯网络连接。
进一步地,所述中央处理单元包括主控单元(MCU)和嵌入式神经网络处理单元(NPU);所述中央处理单元采用Linux操作系统;所述主控单元用于处理网关正常运行及实现部分硫化腐蚀安全监测算法功能;所述嵌入式神经网络处理单元用于实现部分硫化腐蚀安全监测算法功能;所述中央处理单元从内部储存与数据传输单元获取原始数据,并将经硫化腐蚀安全监测算法处理后的数据传输至内部储存与数据传输单元。
进一步地,所述主控单元所实现的部分硫化腐蚀安全监测算法功能为不需要神经网络运算的硫化腐蚀安全监测算法功能;所述嵌入式神经网络处理单元所实现的部分硫化腐蚀安全监测算法功能为需要神经网络运算的硫化腐蚀安全监测算法功能。
进一步地,所述硫化腐蚀安全监测算法包括数据预处理模块、阈值模型监测模块、神经网络监测模块;所述硫化腐蚀安全监测算法获取数据后,会先经过数据预处理模块处理,之后由阈值模型监测模块和神经网络检测模块同步处理;所述硫化腐蚀安全监测算法输出结果人为选择由阈值模型监测模块结果决定或由神经网络检测模块结果决定或由阈值模型监测模块、神经网络监测模块两者结果共同决定;所述数据预处理模块与阈值模型监测模块由主控单元执行;所述神经网络监测模块由嵌入式神经网络处理单元执行。
进一步地,所述数据预处理模块运行步骤包括如下:
1-1)在数据预处理模块内预先设定现场传感器数量、传感器种类、传入方式;所述传入方式是指传感器数据由RS-485模块、工业以太网模块、CAN模块中哪一模块传入;
1-2)检查传入硫化腐蚀安全监测算法的传感器数据是否完整,若在当前时刻,存在一个或多个传感器没有传入任何数据,即数据预处理模块未识别到预先设定的现场传感器中某一个或多个传感器的数据信息,则返回错误警告至数据发送模块通过工业以太网传输至后端对应监控平台,若传感器数据完整则进入下一步;
1-3)剔除错误数据,并利用同一类型的上一时刻数据填补当前空白数据,记录出现错误数据或空白数据的传感器信息,其中出现错误数据或空白数据均属于一次数据错误,若该传感器在设定时间内连续或间断出现数据错误的累计次数超过设定次数则返回错误警告至数据发送模块通过工业以太网传输至后端对应监控平台,若无错误警告返回则进入下一步;
1-4)将处理好的传感器数据发送至阈值模型监测模块和神经网络监测模块。
进一步地,所述阈值模型监测模块运行步骤包括如下:
2-1)为不同传感器数据设定监测阈值,所述监测阈值包括数值阈值、数值-时间一阶导阈值、数值-时间二阶导阈值;
2-2)将当前时刻数据作为数值量与数值阈值比较,若当前时刻数据大于数值阈值,则返回异常警告至存储模块并由数据发送模块通过工业以太网传输至后端对应监控平台;
2-3)将当前时刻数据减去上一时刻数据并除以时间跨度,计算得出的值作为数值-时间一阶导量,并将数值-时间一阶导量与数值-时间一阶导阈值比较,若数值-时间一阶导量大于数值-时间一阶导阈值,则返回异常警告至存储模块并由数据发送模块通过工业以太网传输至后端对应监控平台;
2-4)将当前时刻数值-时间一阶导量减去上一时刻数值-时间一阶导量并除以时间跨度,计算得出的值作为数值-时间二阶导量,并将数值-时间二阶导量与数值-时间二阶导阈值比较,若数值-时间二阶导量大于数值-时间二阶导阈值,则返回异常警告至存储模块并由数据发送模块通过工业以太网传输至后端对应监控平台;若无异常警告,则返回正常信号至存储模块并由数据发送模块通过工业以太网传输至后端对应监控平台;
2-5)将阈值模型监测模块的所有计算数值传输至内部储存与数据传输单元留作备份。
进一步地,所述神经网络监测模块包括训练程序与判别程序两个子程序;所述训练程序为一个自编码器模型;特别地,当所述自编码器模型训练次数超过设定数值,即自编码器模型已通过训练完成模型建立过程,所述判别程序开始运行,判别程序未开始运行前,神经网络监测模块不参与硫化腐蚀安全监测;所述数据预处理模块传递数据至阈值模型监测模块和神经网络监测模块后,所述数据预处理模块传递的处理过的传感器数据和所述阈值模型监测模块处理过的监测返回信号被暂时储存在训练程序中;满足设定时间条件后,将设定时间条件内的所有由数据预处理模块传递的数据作为一个输入数据在训练程序的自编码器模型中进行训练,并计算自编码器模型输出结果与数据预处理模块传递的数据之间的相对误差;若阈值模型监测模块在设定时间条件内有返回异常警告,则经训练程序自编码器计算出的相对误差设置为计算误差阈值;当所述自编码器模型训练次数超过设定数值,所述判别程序开始运行后,所述判别程序为训练程序当前训练得到的自编码器模型;所述判别程序开始运行后,所述训练程序仍循环运行训练自编码器模型,每隔一段时间后,判别程序中的自编码器模型更新为当前训练程序中的自编码器模型;所述数据预处理模块传递数据至阈值模型监测模块和神经网络监测模块,满足设定时间条件后,将设定时间条件内的所有由数据预处理模块传递的数据和阈值模型监测模块处理过的监测返回信号用于训练程序自编码器模型的训练过程,以及将由数据预处理模块传递的数据作为一个输入数据在判别程序的自编码器模型中进行判别,判别过程为计算判别程序中的自编码器模型输出结果与数据预处理模块传递的数据之间的相对误差,并将相对误差与计算误差阈值进行比较,若当前训练程序中没有得出计算误差阈值,则与人为设定的设定误差阈值进行比较;若相对误差小于或等于计算误差阈值或设定误差阈值,则返回正常信号,否则返回异常警告;返回正常信号或异常警告均发送至存储模块并由数据发送模块通过工业以太网传输至后端对应监控平台;所述神经网络监测模块中训练程序与判别程序两个子程序的自编码器模型参数信息以及计算过程中产生的相对误差均传输至内部储存与数据传输单元留作备份。
进一步地,所述硫化腐蚀安全监测算法返回结果如下所示:所述神经网络监测模块中的判别程序未运行时,所述阈值模型监测模块结果即为硫化腐蚀安全监测算法返回结果;所述神经网络监测模块中的判别程序开始运行后,若神经网络监测模块和阈值模型监测模块均返回正常信号,则硫化腐蚀安全监测算法返回正常信号;所述神经网络监测模块中的判别程序开始运行后,若神经网络监测模块和阈值模型监测模块有一个返回异常信号,则硫化腐蚀安全监测算法返回疑似异常警告,其中若神经网络监测模块返回异常信号,则疑似异常警告可能性更高;所述神经网络监测模块中的判别程序开始运行后,若神经网络监测模块和阈值模型监测模块均返回异常警告,则硫化腐蚀安全监测算法返回异常警告。
本发明的有益效果是:
1)本发明能够对现场采集的不同类型数据进行处理、运算,利用深度学习算法对当前涉硫装置的硫化腐蚀的自燃状态得出初步判断,并将数据传输给后方主控平台,进而实现对现场参数的监控、提高系统诊断的实时性、提高现场决策程序的智能化水平、提高整个监测网络的可靠性;
2)与传统网关相比,本发明利用边缘计算技术,在网关内完成初步异常状态判断,减轻后方主控平台运算压力,提高整体系统的运行效率;
3)与传统异常状态判断方法相比,本发明利用深度学习算法,弥补了传统阈值判断方法中无法回避的误报警问题;
4)本发明所述现场传感器网络接口可以进一步升级拓展,以满足更多不同种类传感器数据的采集要求;
5)本发明所述硫化腐蚀安全监测算法可以对参数进行任意修改,以满足不同工况下对异常判断的不同需求。
附图说明
附图1为本发明的结构示意图,其中图中箭头为数据流向。
附图2为硫化腐蚀安全监测算法的示意图,其中图中箭头为数据流向。
附图3为数据预处理模块算法流程图。
附图4为阈值模型监测模块算法流程图。
附图5为神经网络监测模块算法流程图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,此处所描述的具体具体实施方式仅用于解释相关发明,并不是对该发明施加限定。
需要说明的是,当某两部分被称为“相连接”,这两部分可以是直接连接或者可能存在中间部件,除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
如图1所示,一种用于硫化腐蚀产物自燃灾害监测的边缘计算网关,其结构包括现场传感器网络接口、内部储存与数据传输单元、中央处理单元;所述内部储存与数据传输单元分别与现场传感器网络接口和中央处理单元相连接;所述中央处理单元内执行硫化腐蚀安全监测算法。
所述现场传感器网络接口包括RS-485模块、工业以太网模块、CAN模块;所述RS-485模块接入涉硫装置现场的热电偶、压力传感器、二氧化硫传感器等组成的Modbus网络;所述工业以太网模块通过RJ45网络接口与分布式光纤测温系统主机相连接;所述CAN模块与其他通讯网络连接;工作时,RS-485模块、工业以太网模块、CAN模块将接收到的传感器数据传输至内部储存与数据传输单元;其中,涉硫装置现场的热电偶、压力传感器、二氧化硫传感器等为常用的工业监测传感器,用于电气要求相对较弱的反应器、传输管道等区域;分布式光纤测温系统主机用于隔绝电气设备的温度监控场所,诸如原油储罐等;可以理解的是,当现场传感器网络接口的接口数量及种类不够丰富时,可以通过增加接口的方式获取更全面的数据。
所述中央处理单元包括主控单元(MCU)和嵌入式神经网络处理单元(NPU);所述中央处理单元采用Linux操作系统;所述主控单元(MCU)用于处理网关正常运行及实现部分不需要神经网络运算的硫化腐蚀安全监测算法功能;所述嵌入式神经网络处理单元(NPU)用于实现部分需要神经网络运算的硫化腐蚀安全监测算法功能;所述中央处理单元从内部储存与数据传输单元获取原始数据,并将硫化腐蚀安全监测算法处理后的数据传输至内部储存与数据传输单元。
所述内部储存与数据传输单元包括存储模块和数据发送模块;所述存储模块用于储存现场传感器网络接口传输的数据,并将数据传输至中央处理单元用于硫化腐蚀安全监测算法;所述数据发送模块将存储模块内的数据通过工业以太网分别传输至本地数据库、云端数据库和对应监控平台等;可以理解的是,可通过增加输出线路的方式实现数据发送模块更丰富的数据传输展示功能。
如图2所示,所述硫化腐蚀安全监测算法包括数据预处理模块、阈值模型监测模块、神经网络监测模块;所述硫化腐蚀安全监测算法获取数据后,会先经过数据预处理模块处理,之后由阈值模型监测模块和神经网络检测模块同步处理;所述硫化腐蚀安全监测算法输出结果可人为选择由阈值模型监测模块或神经网络检测模块其中任一模块结果决定,也可以由两者结果共同决定;所述数据预处理模块与阈值模型监测模块由主控单元(MCU)执行;所述神经网络监测模块由嵌入式神经网络处理单元(NPU)执行。
如图3所示,所述数据预处理模块运行步骤如下:在所述数据预处理模块内预先设定现场传感器数量、传感器种类、传入方式,所述传入方式是指传感器数据由RS-485模块、工业以太网模块、CAN模块中哪一模块传入;检查传入硫化腐蚀安全监测算法的传感器数据是否完整,若在当前时刻,存在一个或多个传感器没有传入任何数据,即数据预处理模块未识别到预先设定的现场传感器中某一个或多个传感器的数据信息,则返回错误警告至数据发送模块通过工业以太网传输至后端对应监控平台,若数据完整则进入下一步;检查剔除错误数据,并利用同一类型的上一时刻数据填补当前空白数据,记录出现错误数据或空白数据的传感器信息;所述错误数据指传感器出现问题故障时发送的数据,如温度传感器返回温度下限(-273.15)或上限值(500、1000等);所述空白数据指数据传输过程中出现丢包或传感器出现故障导致部分数缺失;其中出现错误数据或空白数据均属于一次数据错误;若该传感器在设定时间t1内连续出现错误数据的次数超过设定次数n1则返回错误警告至数据发送模块,若无错误警告返回则进入下一步;将处理好的数据发送至阈值模型监测模块和神经网络监测模块。
如图4所示,所述阈值模型监测模块运行步骤如下:首先在程序中为不同传感器数据设定监测阈值,所述监测阈值包括数值阈值tr0、数值-时间一阶导阈值tr1、数值-时间二阶导阈值tr2;将当前时刻数据作为数值量c0与数值阈值tr0比较,若大于数值阈值tr0,则返回异常警告至存储模块并由数据发送模块通过工业以太网传输至后端对应监控平台;将当前时刻数据减去上一时刻数据并除以时间跨度,计算得出的值作为数值-时间一阶导量c1并将其与数值-时间一阶导阈值tr1比较,若大于数值-时间一阶导阈值tr1,则返回异常警告至存储模块并由数据发送模块通过工业以太网传输至后端对应监控平台;将当前时刻数值-时间一阶导量减去上一时刻数值-时间一阶导量并除以时间跨度,计算得出的值作为数值-时间二阶导量c2并将其与数值-时间二阶导阈值tr2比较,若大于数值-时间二阶导阈值tr2,则返回异常警告至存储模块并由数据发送模块通过工业以太网传输至后端对应监控平台;若无异常警告,则返回正常信号至存储模块并由数据发送模块通过工业以太网传输至后端对应监控平台,并将阈值模型监测模块的所有计算数值传输至内部储存与数据传输单元留作备份。
如图5所示,所述神经网络监测模块包括训练程序与判别程序两个子程序;所述训练程序为一个自编码器模型;特别地,当自编码器模型训练次数超过设定数值,即自编码器模型已通过训练完成模型建立过程,判别程序开始运行,且判别程序未开始运行前,神经网络监测模块不参与硫化腐蚀安全监测;数据预处理模块传递数据至阈值模型监测模块和神经网络监测模块后,所述数据预处理模块传递的处理过的传感器数据和所述阈值模型监测模块处理过的监测返回信号被暂时储存在训练程序中;满足设定时间条件t1后,将阈值模型监测模块在设定时间条件t1内传递的所有数据作为一个输入数据在自编码器模型中进行训练,并计算自编码器模型输出结果与数据预处理模块传递的数据之间的相对误差;若阈值模型监测模块在设定时间条件t1内有返回异常警告,则经训练程序自编码器计算出的相对误差设置为计算误差阈值δc。
当所述自编码器模型训练次数超过设定数值n,所述判别程序开始运行;所述判别程序为训练程序当前训练得到的自编码器模型;所述判别程序开始运行后,所述训练程序仍循环运行训练自编码器模型,每隔一段设定时间tinterval,所述判别程序中的自编码器模型更新为当前训练程序中的自编码器模型;将所述设定时间条件t1内的所有由数据预处理模块传递的数据作为一个输入数据在判别程序中的自编码器模型进行判别,计算判别程序中的自编码器模型输出结果与数据预处理模块传递的数据之间的相对误差δ,并将其与计算误差阈值δc或设定误差阈值δ0相比较,若相对误差δ小于等于计算误差阈值δc或设定误差阈值δ0,则返回正常信号,否则返回异常警告;返回正常信号或异常警告均发送至存储模块并由数据发送模块通过工业以太网传输至后端对应监控平台;所述神经网络监测模块中训练程序与判别程序两个子程序的自编码器模型参数信息以及计算过程中产生的相对误差均传输至内部储存与数据传输单元留作备份。
所述硫化腐蚀安全监测算法返回结果如下所示:所述神经网络监测模块中的判别程序未运行时,阈值模型监测模块结果即为硫化腐蚀安全监测算法返回结果;所述神经网络监测模块中的判别程序开始运行后,若神经网络监测模块和阈值模型监测模块均返回正常信号,则硫化腐蚀安全监测算法返回正常信号;所述神经网络监测模块中的判别程序开始运行后,若神经网络监测模块和阈值模型监测模块有一个返回异常信号,则硫化腐蚀安全监测算法返回疑似异常警告,其中若神经网络监测模块返回异常信号,则疑似异常警告可能性更高;所述神经网络监测模块中的判别程序开始运行后,若神经网络监测模块和阈值模型监测模块均返回异常警告,则所述硫化腐蚀安全监测算法返回异常警告。
所述硫化腐蚀安全监测算法中所有参数设置应由现场生产条件及经验所得;可以理解的是,所述硫化腐蚀安全监测算法中的参数和输出结果的判别条件可以随时修改以满足工业生产环境的变化。
下面将结合实施例进一步解释本发明的技术方案。
实施例1
在实施例1中,现场测温热电偶已与所述现场传感器网络接口连接,现场测温热电偶以t=1s的测温时间间隔向所述现场传感器网络接口返回数据;所述现场传感器网络接口将温度数据传递至所述内部储存与传输单元并将数据储存于所述存储模块;所述存储模块中的数据又传入至中央处理单元进行处理;
相关温度数据首先进入所述数据预处理模块;设定时间条件t1为180s,错误次数允许值n1为20;若180s内,输入的现场热电偶温度存在的错误数据和空白数据的数量小于20,则将数据传入所述阈值模型监测模块和所述神经网络监测模块;
在所述阈值模型监测模块中,设定所述数值阈值tr0为80,设定所述数值-时间一阶导阈值tr1为1,设定所述数值-时间二阶导阈值tr2为0;由所述数据预处理模块处理过的温度数据传入后,分别计算所述数值-时间一阶导量c1和所述数值-时间二阶导量c2;c1=(Ti+1-Ti)/t=(Ti+1-Ti)/1,其中Ti+1和Ti分别是下一时刻与当前时刻的温度值;c2=(ci+1-ci)/t=(ci+1-ci)/1,其中ci+1和ci分别是下一时刻与当前时刻的数值-时间一阶导量;若同时满足当前时刻的温度值T小于数值阈值tr0、数值-时间一阶导量c1小于数值-时间一阶导阈值tr1、数值-时间二阶导量c2小于所述数值-时间二阶导阈值tr2,则由所属阈值模型监测模块判断的当前时刻现场属于正常状态。
在所述神经网络监测模块中,设定判别程序开始运行时的训练程序训练次数为500次,即训练程序训练次数大于500时,判别程序开始运行;在训练程序内,将时间条件t1=180s内所有温度数据作为一个数据输入放入自编码器模型中进行训练;若这180s的数据在所述阈值模型监测模块中返回的结果为正常信号,则正常参与自编码器模型训练;若这180s的数据在所述阈值模型监测模块中返回的结果存在异常警告,则计算自编码器模型输出的结果(180个数据)与输入数据(180s的温度数值,即180个数值)之间各数据对应的相对误差,取相对误差中最大的数值设定为计算误差阈值δc;设定时间间隔tinterval=3600s,即当判别程序开始运行后,每隔3600s,将训练程序中的自编码器模型更新至判别程序中;在判别程序内,将时间条件t1=180s内所有温度数据作为一个数据输入放入自编码器模型中进行判别,计算自编码器模型输出的结果(180个数据)与输入数据(180s的温度数值,即180个数值)之间各数据对应的相对误差并取最大值δ;设定误差阈值δ0=0.1,若当前在训练程序内没有计算误差阈值δc计算出,则利用设定误差阈值δ0与δ进行比较,否则利用计算误差阈值δc与δ进行比较,若δ较大,则说明此刻(此180s内)存在异常,反之为状态正常。
在所述硫化腐蚀安全监测算法全部处理完毕后,所有返回信息和计算数据均会传回至所述内部存储与传输单元中的存储模块,所述数据发送模块会将所述存储模块中的所有数据利用工业以太网发送至后方数据库和控制中心等。
以上的具体实施方式,对本发明的目的、技术方案进行了进一步详细说明,所应理解的是,以上仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围。
Claims (10)
1.一种用于硫化腐蚀产物自燃灾害监测的边缘计算网关,其特征是包括现场传感器网络接口、中央处理单元、内部储存与数据传输单元;其中,内部储存与数据传输单元分别与现场传感器网络接口、中央处理单元相连接;所述中央处理单元内执行硫化腐蚀安全监测算法。
2.根据权利要求1所述一种用于硫化腐蚀产物自燃灾害监测的边缘计算网关,其特征是所述现场传感器网络接口的数据输出端与内部储存与数据传输单元的数据输入端连接,内部储存与数据传输单元的数据输出输入端与中央处理单元的数据输入输出端对应连接;所述内部储存与数据传输单元包括存储模块和数据发送模块;存储模块用于储存现场传感器网络接口传输的数据,并将数据传输至中央处理单元用于硫化腐蚀安全监测算法;数据发送模块将存储模块内的数据通过工业以太网分别传输至本地数据库、云端数据库和对应监控平台。
3.根据权利要求1所述一种用于硫化腐蚀产物自燃灾害监测的边缘计算网关,其特征是所述现场传感器网络接口包括RS-485模块、工业以太网模块、CAN模块;所述RS-485模块与涉硫装置现场的Modbus网络相连接;所述工业以太网模块与分布式光纤测温系统主机相连接;所述CAN模块与通讯网络连接;工作时,RS-485模块、工业以太网模块、CAN模块将接收到的传感器数据传输至内部储存与数据传输单元;所述Modbus网络包括涉硫装置现场的热电偶传感器、压力传感器、二氧化硫传感器中的一种传感器或若干种传感器;所述工业以太网模块通过RJ45网络接口与分布式光纤测温系统主机相连接;所述CAN模块与其他通讯网络连接。
4.根据权利要求1所述一种用于硫化腐蚀产物自燃灾害监测的边缘计算网关,其特征是所述中央处理单元包括主控单元和嵌入式神经网络处理单元;所述中央处理单元采用Linux操作系统;所述主控单元用于处理网关正常运行及实现部分硫化腐蚀安全监测算法功能;所述嵌入式神经网络处理单元用于实现部分硫化腐蚀安全监测算法功能;所述中央处理单元从内部储存与数据传输单元获取原始数据,并将经硫化腐蚀安全监测算法处理后的数据传输至内部储存与数据传输单元。
5.根据权利要求4所述一种用于硫化腐蚀产物自燃灾害监测的边缘计算网关,其特征是所述主控单元所实现的部分硫化腐蚀安全监测算法功能为不需要神经网络运算的硫化腐蚀安全监测算法功能;所述嵌入式神经网络处理单元所实现的部分硫化腐蚀安全监测算法功能为需要神经网络运算的硫化腐蚀安全监测算法功能。
6.根据权利要求1所述一种用于硫化腐蚀产物自燃灾害监测的边缘计算网关,其特征是所述硫化腐蚀安全监测算法包括数据预处理模块、阈值模型监测模块、神经网络监测模块;所述硫化腐蚀安全监测算法获取数据后,会先经过数据预处理模块处理,之后由阈值模型监测模块和神经网络检测模块同步处理;所述硫化腐蚀安全监测算法输出结果人为选择由阈值模型监测模块结果决定或由神经网络检测模块结果决定或由阈值模型监测模块、神经网络监测模块两者结果共同决定;所述数据预处理模块与阈值模型监测模块由主控单元执行;所述神经网络监测模块由嵌入式神经网络处理单元执行。
7.根据权利要求6所述一种用于硫化腐蚀产物自燃灾害监测的边缘计算网关,其特征是所述数据预处理模块运行步骤包括如下:
1-1)在数据预处理模块内预先设定现场传感器数量、传感器种类、传入方式;所述传入方式是指传感器数据由RS-485模块、工业以太网模块、CAN模块中哪一模块传入;
1-2)检查传入硫化腐蚀安全监测算法的传感器数据是否完整,若在当前时刻,存在一个或多个传感器没有传入任何数据,即数据预处理模块未识别到预先设定的现场传感器中某一个或多个传感器的数据信息,则返回错误警告至数据发送模块通过工业以太网传输至后端对应监控平台,若传感器数据完整则进入下一步;
1-3)剔除错误数据,并利用同一类型的上一时刻数据填补当前空白数据,记录出现错误数据或空白数据的传感器信息,其中出现错误数据或空白数据均属于一次数据错误,若该传感器在设定时间内连续或间断出现数据错误的累计次数超过设定次数则返回错误警告至数据发送模块通过工业以太网传输至后端对应监控平台,若无错误警告返回则进入下一步;
1-4)将处理好的传感器数据发送至阈值模型监测模块和神经网络监测模块。
8.根据权利要求6所述一种用于硫化腐蚀产物自燃灾害监测的边缘计算网关,其特征是所述阈值模型监测模块运行步骤包括如下:
2-1)为不同传感器数据设定监测阈值,所述监测阈值包括数值阈值、数值-时间一阶导阈值、数值-时间二阶导阈值;
2-2)将当前时刻数据作为数值量与数值阈值比较,若当前时刻数据大于数值阈值,则返回异常警告至存储模块并由数据发送模块通过工业以太网传输至后端对应监控平台;
2-3)将当前时刻数据减去上一时刻数据并除以时间跨度,计算得出的值作为数值-时间一阶导量,并将数值-时间一阶导量与数值-时间一阶导阈值比较,若数值-时间一阶导量大于数值-时间一阶导阈值,则返回异常警告至存储模块并由数据发送模块通过工业以太网传输至后端对应监控平台;
2-4)将当前时刻数值-时间一阶导量减去上一时刻数值-时间一阶导量并除以时间跨度,计算得出的值作为数值-时间二阶导量,并将数值-时间二阶导量与数值-时间二阶导阈值比较,若数值-时间二阶导量大于数值-时间二阶导阈值,则返回异常警告至存储模块并由数据发送模块通过工业以太网传输至后端对应监控平台;若无异常警告,则返回正常信号至存储模块并由数据发送模块通过工业以太网传输至后端对应监控平台;
2-5)将阈值模型监测模块的所有计算数值传输至内部储存与数据传输单元留作备份。
9.根据权利要求6所述一种用于硫化腐蚀产物自燃灾害监测的边缘计算网关,其特征是所述神经网络监测模块包括训练程序与判别程序两个子程序;所述训练程序为一个自编码器模型;当自编码器模型训练次数超过设定数值,即自编码器模型已通过训练完成模型建立过程,判别程序开始运行,判别程序未开始运行前,神经网络监测模块不参与硫化腐蚀安全监测;数据预处理模块传递数据至阈值模型监测模块和神经网络监测模块后,数据预处理模块传递的处理过的传感器数据和阈值模型监测模块处理过的监测返回信号被暂时储存在训练程序中;满足设定时间条件后,将设定时间条件内的所有由数据预处理模块传递的数据作为一个输入数据在训练程序的自编码器模型中进行训练,并计算自编码器模型输出结果与数据预处理模块传递的数据之间的相对误差;若阈值模型监测模块在设定时间条件内有返回异常警告,则经训练程序自编码器计算出的相对误差设置为计算误差阈值;当自编码器模型训练次数超过设定数值,判别程序开始运行后,判别程序为训练程序当前训练得到的自编码器模型;判别程序开始运行后,训练程序仍循环运行训练自编码器模型,每隔一段时间后,判别程序中的自编码器模型更新为当前训练程序中的自编码器模型;数据预处理模块传递数据至阈值模型监测模块和神经网络监测模块,满足设定时间条件后,将设定时间条件内的所有由数据预处理模块传递的数据和阈值模型监测模块处理过的监测返回信号用于训练程序自编码器模型的训练过程,以及将由数据预处理模块传递的数据作为一个输入数据在判别程序的自编码器模型中进行判别,判别过程为计算判别程序中的自编码器模型输出结果与数据预处理模块传递的数据之间的相对误差,并将相对误差与计算误差阈值进行比较,若当前训练程序中没有得出计算误差阈值,则与人为设定的设定误差阈值进行比较;若相对误差小于或等于计算误差阈值或设定误差阈值,则返回正常信号,否则返回异常警告;返回正常信号或异常警告均发送至存储模块并由数据发送模块通过工业以太网传输至后端对应监控平台;神经网络监测模块中训练程序与判别程序两个子程序的自编码器模型参数信息以及计算过程中产生的相对误差均传输至内部储存与数据传输单元留作备份。
10.根据权利要求9所述一种用于硫化腐蚀产物自燃灾害监测的边缘计算网关,其特征是所述硫化腐蚀安全监测算法返回结果如下所示:所述神经网络监测模块中的判别程序未运行时,阈值模型监测模块结果即为硫化腐蚀安全监测算法返回结果;神经网络监测模块中的判别程序开始运行后,若神经网络监测模块和阈值模型监测模块均返回正常信号,则硫化腐蚀安全监测算法返回正常信号;神经网络监测模块中的判别程序开始运行后,若神经网络监测模块和阈值模型监测模块有一个返回异常信号,则硫化腐蚀安全监测算法返回疑似异常警告,其中若神经网络监测模块返回异常信号,则疑似异常警告可能性更高;神经网络监测模块中的判别程序开始运行后,若神经网络监测模块和阈值模型监测模块均返回异常警告,则硫化腐蚀安全监测算法返回异常警告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111429794.XA CN114006793B (zh) | 2021-11-29 | 2021-11-29 | 一种用于硫化腐蚀产物自燃灾害监测的边缘计算网关 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111429794.XA CN114006793B (zh) | 2021-11-29 | 2021-11-29 | 一种用于硫化腐蚀产物自燃灾害监测的边缘计算网关 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114006793A true CN114006793A (zh) | 2022-02-01 |
CN114006793B CN114006793B (zh) | 2022-07-22 |
Family
ID=79930583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111429794.XA Active CN114006793B (zh) | 2021-11-29 | 2021-11-29 | 一种用于硫化腐蚀产物自燃灾害监测的边缘计算网关 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114006793B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115884006A (zh) * | 2023-02-23 | 2023-03-31 | 启实(烟台)数据技术有限公司 | 基于AIoT的校园安全防控系统和方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110474839A (zh) * | 2019-07-08 | 2019-11-19 | 冯瑞军 | 边缘计算网关设备 |
CN111024158A (zh) * | 2019-12-23 | 2020-04-17 | 广东工业大学 | 一种结合边缘计算的厨电危险智能监测方法 |
US20200225655A1 (en) * | 2016-05-09 | 2020-07-16 | Strong Force Iot Portfolio 2016, Llc | Methods, systems, kits and apparatuses for monitoring and managing industrial settings in an industrial internet of things data collection environment |
CN111627199A (zh) * | 2020-04-14 | 2020-09-04 | 国电大渡河流域水电开发有限公司 | 一种水电站大坝安全监测系统及监测方法 |
CN112164153A (zh) * | 2020-09-22 | 2021-01-01 | 厦门德威智联科技有限公司 | 一种ai边缘计算故障诊断器 |
CN113674509A (zh) * | 2021-10-21 | 2021-11-19 | 北京博华信智科技股份有限公司 | 基于区块链的边缘节点灾害监测预警系统及方法 |
-
2021
- 2021-11-29 CN CN202111429794.XA patent/CN114006793B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200225655A1 (en) * | 2016-05-09 | 2020-07-16 | Strong Force Iot Portfolio 2016, Llc | Methods, systems, kits and apparatuses for monitoring and managing industrial settings in an industrial internet of things data collection environment |
CN110474839A (zh) * | 2019-07-08 | 2019-11-19 | 冯瑞军 | 边缘计算网关设备 |
CN111024158A (zh) * | 2019-12-23 | 2020-04-17 | 广东工业大学 | 一种结合边缘计算的厨电危险智能监测方法 |
CN111627199A (zh) * | 2020-04-14 | 2020-09-04 | 国电大渡河流域水电开发有限公司 | 一种水电站大坝安全监测系统及监测方法 |
CN112164153A (zh) * | 2020-09-22 | 2021-01-01 | 厦门德威智联科技有限公司 | 一种ai边缘计算故障诊断器 |
CN113674509A (zh) * | 2021-10-21 | 2021-11-19 | 北京博华信智科技股份有限公司 | 基于区块链的边缘节点灾害监测预警系统及方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115884006A (zh) * | 2023-02-23 | 2023-03-31 | 启实(烟台)数据技术有限公司 | 基于AIoT的校园安全防控系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114006793B (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116246407B (zh) | 一种基于人工智能的农林区域火灾预警监管系统 | |
AU2020103722A4 (en) | A Dynamic Early Warning System for Power Station Operating Parameters Based on Cloud Platform | |
CN110619587B (zh) | 一种基坑监测智能预警和数据存证的方法及系统 | |
CN114006793B (zh) | 一种用于硫化腐蚀产物自燃灾害监测的边缘计算网关 | |
CN116994418B (zh) | 管道安全预警方法及系统 | |
CN112668873B (zh) | 矿山安全态势分析及预测预警方法 | |
CN104238530A (zh) | 一种基于传感器故障诊断技术的联锁报警系统 | |
CN111783945B (zh) | 基于迁移学习lstm的长输油管道泄漏实时检测系统 | |
KR101565030B1 (ko) | 데이터 분석을 이용한 자동차의 오류 판단 시스템 및 그 방법 | |
Shimada et al. | A statistical approach to reduce failure facilities based on predictive maintenance | |
CN110703712B (zh) | 一种工业控制系统信息安全攻击风险评估方法及系统 | |
CN110166972B (zh) | 一种带有区块链模块的智能传感系统 | |
CN114859839A (zh) | 煤炭生产安全监控系统及方法 | |
CN117221145A (zh) | 基于物联网平台的设备故障预测性维护系统 | |
CN113944545B (zh) | 一种实时监测柴油机轴瓦温度的装置及方法 | |
CN115755664A (zh) | 一种离散型企业制造设备维护方法及系统 | |
CN111879363A (zh) | 一种环境自动监测装置运行维护方法与系统 | |
CN110513160B (zh) | 一种汽轮机进水、进冷安全报警及预警方法 | |
CN116414086A (zh) | 基于fmeda失效预测技术集成安全控制系统的装置 | |
CN105929814A (zh) | 具有自动运行能力的工业控制器性能监控、诊断与维护方法 | |
CN112329145A (zh) | 一种综合评估自主船动力系统可靠性的方法 | |
CN117113255B (zh) | 基于状态监控自动识别含量的液化天然气安全监测系统 | |
CN112326255B (zh) | 一种发动机远程健康监护系统及监护方法 | |
CN114858480A (zh) | 应用于车辆中的部件故障预警方法、装置、设备及介质 | |
CN115307916A (zh) | 一种基于工业物联网的汽车发动机故障预警系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |