CN114694357A - 一种基于物联网的加热炉管控装置及异常报警系统 - Google Patents
一种基于物联网的加热炉管控装置及异常报警系统 Download PDFInfo
- Publication number
- CN114694357A CN114694357A CN202210344965.7A CN202210344965A CN114694357A CN 114694357 A CN114694357 A CN 114694357A CN 202210344965 A CN202210344965 A CN 202210344965A CN 114694357 A CN114694357 A CN 114694357A
- Authority
- CN
- China
- Prior art keywords
- data
- internet
- heating furnace
- mapper
- platform
- 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.)
- Pending
Links
- 238000010438 heat treatment Methods 0.000 title claims abstract description 33
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000005516 engineering process Methods 0.000 claims abstract description 32
- 238000007726 management method Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 18
- 230000002776 aggregation Effects 0.000 claims abstract description 16
- 238000004220 aggregation Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 25
- 230000010354 integration Effects 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 15
- 238000011478 gradient descent method Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- 238000011161 development Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 description 9
- 230000003321 amplification Effects 0.000 description 4
- 238000003199 nucleic acid amplification method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000002364 input neuron Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000005504 petroleum refining Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
- H04L69/08—Protocols for interworking; Protocol conversion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Emergency Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Computer Security & Cryptography (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于物联网的加热炉管控装置及异常报警系统,包括采集、分析和处理、划分、更新放大和最终重构误差对比;步骤一利用合纵边缘网关采集加热炉运行过程中各个plc点位的实时数据,步骤二通过数据处理模块在云端通过云技术、大数据平台技术、算法平台技术针对边缘侧传递来的数据进行建模分析和处理;步骤三利用特征映射器将原始的特征利用聚合层次聚类算法划分成若干个子特征空间集合。本发明目的是基于物联网技术、云和边缘计算技术提供一种基于自编码器的神经网络算法,结合大数据技术来判定工况异常,以便及时、快速、准确的提示报警信息,通过大数据报警等级进行预测警示,以便提早进一步的部位排查,避免风险隐患。
Description
技术领域
本发明涉及石油炼化相关技术领域,具体为一种基于物联网的加热炉管控装置及异常报警系统。
背景技术
石油在炼化生产过程中本身具有高危险性,稍有不慎就会对国家、集体、企业造成不可估量的经济损失,这就要求在生产过程中对监控和实时故障准确报警提出更高的要求,将隐患风险扼杀在摇篮里,做到早发现、早处理,从而确保生产过程的安全性和稳定性。但是,现有技术的油田加热炉在集中生产运行中出现的工况异常并不容易被发现和准确报警,导致油田加热炉在集中生产运行存在的一定的安全隐患,并不能够完整的确保生产过程与工作人员的安全性和稳定性。
发明内容
本发明的目的在于提供一种基于物联网的加热炉管控装置及异常报警系统,以解决上述背景技术中提出的现有技术的油田加热炉在集中生产运行中出现的工况异常并不容易被发现和准确报警,导致油田加热炉在集中生产运行存在的一定的安全隐患,并不能够完整的确保生产过程与工作人员的安全性和稳定性的问题。
本发明是通过以下技术方案实现的。
为实现上述目的,本发明提供如下技术方案:一种基于物联网的加热炉管控装置及异常报警系统,包括采集、分析和处理、划分、更新放大和最终重构误差对比;
步骤一:利用合纵边缘网关采集加热炉运行过程中各个plc点位的实时数据,
步骤二:通过数据处理模块在云端通过云技术、大数据平台技术、算法平台技术针对边缘侧传递来的数据进行建模分析和处理;
步骤三:利用特征映射器将原始的特征利用聚合层次聚类算法划分成若干个子特征空间集合;
步骤四:通过异常映射器利用随机梯度下降法进行神经元的参数更新,得到训练集的最终重构误差,将最终误差进行一定增益系数的放大;
步骤五:通过测试模块获取来自数据处理模块的一条新数据,依次经过特征映射器、异常检测器模块,得到该条数据的重构,将其与训练集放大后的最终重构误差进行比较,若大于训练集放大后重构误差,则说明该条数据存在异常,在页面进行相应报警信息提示。
一种基于物联网的加热炉管控装置及异常报警系统,包括大数据报警预测警示系统、数据处理模块、特征映射器、异常映射器和测试模块,所述大数据报警预测警示系统设置有云端和边云协同的智能优化,且云端与边云协同的智能优化之间通过物联网平台网络信号连接在一起,并且边云协同的智能优化通过物联网平台与数据处理模块之间网络信号连接,所述数据处理模块通过合纵边缘网关与数据采集模块之间网络信号连接;
所述数据处理模块包括有合纵协议网关、算法平台、大数据平台、APP平台和聚合层次聚类算法,且数据处理模块与特征映射器之间电性连接,并且特征映射器与异常映射器之间电性连接,并且特征映射器内设置有子特征集合,同时异常映射器与测试模块之间电性连接在一起,所述异常映射器包括有集成层和误差输出层,且集成层内设置有自编码网络一,同时误差输出层内设置有自编码网络二。
作为进一步的技术方案,所述数据采集模块采集加热炉运行过程中各个plc点位的实时数据,且数据采集模块通过合纵边缘网关设置,所述数据采集模块基于合纵边缘网关和边缘计算技术获得加热炉各个维度的传感器数值特征及相关计算指标特征,且数据采集模块作为模型的输入特征,并且特征维度为n。
作为进一步的技术方案,所述特征映射器将原始的特征通过聚合层次聚类算法划分成多组子特征集合。
作为进一步的技术方案,所述物联网平台提供物联网服务和解决方案来连接和管理设备,采用微服务架构在云端和边缘侧部署可自由组合的组件。
作为进一步的技术方案,所述算法平台设置为面向开发者的一站式AI开发平台。
作为进一步的技术方案,所述大数据平台通过数据采集模块对各类结构化数据、非结构化数据按照离线、实时、全量、增量等不同的策略进行采集。
作为进一步的技术方案,所述数据处理模块通过聚合层次聚类算法将所有特征划分成若干个子特征空间,且聚合层次聚类算法设置为一种自下而上的算法。
作为进一步的技术方案,所述合纵边缘网关支持接入多类型硬件设备和多种协议,多类型硬件设备分别为多路以太网、RS485以及数字量和模拟量采集接口,多种协议分别为EtherNet/IP、ModbusTCP等多种工业实时以太网协议、OPCUA协议、TLS无线数据传输加密技术和SNMP协议;所述特征映射器中的子特征集合输入集成层内,且集成层通过自编码网络一通过随机梯度下降法进行神经元参数的更新处理后的数据输送至误差输出层内,并且误差输出层通过自编码网络二通过随机梯度下降法进行神经元参数的更新处理后输出最终重构误差设置。
与现有技术相比,本发明的有益效果是:
1.基于物联网技术、边缘计算技术针对感知层的海量异构终端,采用对现场采集部件采用规范的上联接口协议和数据格式,实现协议、数据格式统一;
2.不需要大量的人工标记数据,通过无监督方式即可实现;
3.合神经网络模型的训练,不需要消耗大量计算内存,每次只有一条样本存在于内存中;
4.基于物联网技术,可适用于任何异常场景报警;
5.结合大数据技术来判定工况异常,以便及时、快速、准确的提示报警信息,通过大数据报警等级进行预测警示,以便提早进一步的部位排查,避免风险隐患。
附图说明
图1为本发明结构的大数据报警预测警示系统结构示意图;
图2为本发明结构的最终重构误差产生流程示意图;
图3为本发明结构的正视大数据报警预测警示系统程序示意图。
图中:1、大数据报警预测警示系统;10、云端;11、物联网平台;12、边云协同的智能优化;2、数据处理模块;20、合纵协议网关;21、算法平台;22、大数据平台;23、APP平台;24、聚合层次聚类算法;25、合纵边缘网关;26、数据采集模块;3、特征映射器;30、子特征集合;4、异常映射器;40、集成层;41、误差输出层;42、自编码网络一;43、自编码网络二;44、最终重构误差;5、测试模块。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实时例:
具体实施方式一,参阅图1-3,本发明提供一种技术方案:一种基于物联网的加热炉管控装置及异常报警系统,包括采集、分析和处理、划分、更新放大和最终重构误差对比;
步骤一:利用合纵边缘网关25采集加热炉运行过程中各个plc点位的实时数据,
步骤二:通过数据处理模块2在云端通过云技术、大数据平台技术、算法平台技术针对边缘侧传递来的数据进行建模分析和处理;
步骤三:利用特征映射器3将原始的特征利用聚合层次聚类算法划分成若干个子特征空间集合;
步骤四:通过异常映射器4利用随机梯度下降法进行神经元的参数更新,得到训练集的最终重构误差,将最终误差进行一定增益系数的放大;
步骤五:通过测试模块5获取来自数据处理模块2的一条新数据,依次经过特征映射器、异常检测器模块,得到该条数据的重构,将其与训练集放大后的最终重构误差进行比较,若大于训练集放大后重构误差,则说明该条数据存在异常,在页面进行相应报警信息提示。
一种基于物联网的加热炉管控装置及异常报警系统,包括大数据报警预测警示系统1、数据处理模块2、特征映射器3、异常映射器4和测试模块5,大数据报警预测警示系统1设置有云端10和边云协同的智能优化12,且云端10与边云协同的智能优化12之间通过物联网平台11网络信号连接在一起,并且边云协同的智能优化12通过物联网平台11与数据处理模块2之间网络信号连接,数据处理模块2通过合纵边缘网关25与数据采集模块26之间网络信号连接;数据处理模块2包括有合纵协议网关20、算法平台21、大数据平台22、APP平台23和聚合层次聚类算法24,且数据处理模块2与特征映射器3之间电性连接,并且特征映射器3与异常映射器4之间电性连接,并且特征映射器3内设置有子特征集合30,同时异常映射器4与测试模块5之间电性连接在一起,异常映射器4包括有集成层40和误差输出层41,且集成层40内设置有自编码网络一42,同时误差输出层41内设置有自编码网络二43。
在本实施例中,数据采集模块26采集加热炉运行过程中各个plc点位的实时数据,且数据采集模块26通过合纵边缘网关设置,数据采集模块26基于合纵边缘网关和边缘计算技术获得加热炉各个维度的传感器数值特征及相关计算指标特征,且数据采集模块26作为模型的输入特征,并且特征维度为n。
具体的:本发明中数据采集模块26通过合纵边缘网关,利用边缘计算技术实现边缘侧各种原始数据的分析、整理、计算、编辑等的加工和处理,并通过物联网技术,实现云端的转换、存储、调度,并对敏感数据分类、加密。
在本实施例中,合纵边缘网关25支持接入多类型硬件设备和多种协议,多类型硬件设备分别为多路以太网、RS485以及数字量和模拟量采集接口,多种协议分别为EtherNet/IP、ModbusTCP等多种工业实时以太网协议、OPCUA协议、TLS无线数据传输加密技术和SNMP协议。
具体的:本发明中的开发合纵协议网关其能力是支持接入数十种工业协议,通过转换成MQTT协议接入云端工业物联网平台;适用于在不同场景下对各类网关硬件进行部署,从而构建工业物联网平台,支持X86、ARM架构,同时数据防丢失,数据在上传云平台的同时会在本地历史数据存储区进行备份,而且可扩展框架-设备接入SDK,提供可扩展接口,用户可以自定义实现接入新的协议;同时基于Web的网关配置管理,所有网关标签都被纳入到Web控制台,进行统一管理;同时具备边缘计算功能,支持自定义条件设置和管理告警,网关支持业务规则在运行时脚本即时修改。
在本实施例中,物联网平台11提供物联网服务和解决方案来连接和管理设备,采用微服务架构在云端和边缘侧部署可自由组合的组件。
具体的:本发明中物联网平台11提供物联网服务和解决方案来连接和管理设备,采用微服务架构在云端和边缘侧部署可自由组合的组件,依托云边智慧协同,为行业提供智能物联的基础设施,协助行业快速向数字化转型了;通过软硬一体化服务,实现IoT设备全生命周期全流程闭环管理。
在本实施例中,算法平台21设置为面向开发者的一站式AI开发平台。
具体的:本发明中算法平台21为机器学习和深度学习提供海量数据处理及半自动化标注,提供在线编程环境、CPU/GPU算力、大规模分布式Training、自动化模型生成,及端-边-云模型按需部署能力,帮助开发者快速创建和部署模型,管理全周期AI工作流。算法平台具备训练环境轻松创建、云环境算法程序编辑器、训练过程可视化和模型训练全周期管理。
在本实施例中,大数据平台22通过数据采集模块对各类结构化数据、非结构化数据按照离线、实时、全量、增量等不同的策略进行采集。
具体的:本发明中大数据平台22通过数据集成、数据治理、算法开发、数据运维等组件对数据进行开发与挖掘,通过数据存储处理模块实现对数据的存储与运算。整个大数据平台由数据基础设施服务模块实现管理与监控功能。经过大数据平台处理后的数据,由统一的数据API对外提供数据与服务。
在本实施例中,数据处理模块2通过聚合层次聚类算法24将所有特征划分成若干个子特征空间,且聚合层次聚类算法24设置为一种自下而上的算法。
具体的:本发明中数据处理模块2在云端通过云技术、大数据平台技术、算法平台技术针对边缘侧传递来的数据进行建模分析,并清洗掉数据中存在的异常数据,确保进入模型的数据为正常运行时的数据,并实现数据的处理和存储,从而完成数据的全生命周期管理。同时通过物联网技术,利用云技术中的大数据平台和算法平台技术剔除可能的异常数据,确保训练集数据是加热炉运行的正常数据流,同时对缺失值等做相关填充处理。
在本实施例中,特征映射器3将原始的特征通过聚合层次聚类算法24划分成多组子特征集合30;特征映射器3中的子特征集合30输入集成层40内,且集成层40通过自编码网络一42通过随机梯度下降法进行神经元参数的更新处理后的数据输送至误差输出层41内,并且误差输出层41通过自编码网络二43通过随机梯度下降法进行神经元参数的更新处理后输出最终重构误差44设置。
具体的:本发明中异常检测器4分为集成层与误差输出层,每个模块都由独立的自编码网络组成;首先将通过特征映射器得到的子特征集合,作为输入分别送入集成层对应的自编码器进行训练,利用随机梯度下降法进行神经元参数的更新。然后将集成层的每个子模块的重构误差,作为误差输出层的输入,利用随机梯度下降法进行神经元的参数更新,得到训练集的最终重构误差,将最终误差进行一定增益系数的放大;测试模块5获取一条新数据,依次经过特征映射器、异常检测器模块,得到该条数据的重构误差,将其与训练集放大后的最终重构误差进行比较,若大于训练集放大后重构误差,则说明该条数据存在异常,在页面进行相应报警信息提示。
同时异常检测器模块,此模块涉及两个过程,分别为训练与执行过程,其中训练过程主要是更新模型参数,执行过程是在参数不更新的情况下,计算出正常数据集下的均方根误差,从而确定出阈值,用于判断正常数据与异常数据。假设取N条数据,用于训练异常检测器模块中神经网络架构参数,依次逐条输入数据,通过特征映射器后得到k个子特征空间,每输入一个样本就进行相关参数更新。假设取M条数据用来在执行阶段计算正常数据集下的最终均方根误差输出。详细过程如下:
训练过程:
(1)将k个子特征空间数据进行归一化,其过程为:记录当前时刻下每个特征的最大值xMax、最小值xMin,利用公式xMax-xMin对输入数据进行归一化。
(2)将以上得到归一化后的k个特征子空间数据分别输入k个自编码模型中,自编码输入层神经元对应每个子空间中特征个数vk,其中k特指对应的自编码器序号,中间隐藏层神经元个数对应0.75vk,输出层神经元个数对应为vk;参数初始化采用uniform策略,超参数学习率设为0.1;每个自编码器结构共三层,分为编码部分与解码部分。假设输入为训练样本Vi,w和b为每一层对应的权值矩阵和偏置向量,f表示激活函数,则整个网络训练如下:
解码部分表示如下:V’i=f(w(2)*h1+b(2))
通过均方根误差公式,均方根误差公式中的对应输出神经元的个数,计算集合层中各个自编码器输出层的均方根差,利用随机梯度下降法对集合层中各编码器进行参数更新。
(4)将集合层各个自编码器的均方根误差,作为误差输出层自编码器的输入,自编码输入神经元对应集合成自编码器个数k,中间隐藏层神经元对应0.75k,输出层神经元个数对应为k;参数采用uniform初始化策略,学习率设为0.1。经过单个自编码器后,计算输出层的均方根误差RMSE,利用随机梯度下降法对各编码器进行参数更新。
(5)反复进行以上计算,更新相应参数,直到完成N条训练数据的遍历。至此,完成了模型参数的更新。
执行过程:
(1)依次遍历M条数据集,通过特征映射器、与异常检测模块中集成层与误差输出层后,得到均方根误差,记录保存该条数据的均方根误差,直至得到所有M条数据的均方根误差。
(2)在得到的M条数据的均方根误差后,通过统计手段求出均值μ、方差σ,确定正常数据与异常数据的阈值分界线为a=β(μ+3σ),其中β为增益系数,是超参数。
(3)测试模块输入一条新数据,依次经过特征映射器模块、训练完成的异常检测器模块,最终得到该条数据的重构均方根误差,将其与以上阈值a进行比较,若大于阈值a,则说明该条数据存在异常,在页面进行相应炉况报警信息提示,若小于a,则为正常数据,不做报警处理。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种基于物联网的加热炉管控装置及异常报警系统,包括采集、分析和处理、划分、更新放大和最终重构误差对比,其特征在于:
步骤一:利用合纵边缘网关(25)采集加热炉运行过程中各个plc点位的实时数据,
步骤二:通过数据处理模块(2)在云端通过云技术、大数据平台技术、算法平台技术针对边缘侧传递来的数据进行建模分析和处理;
步骤三:利用特征映射器(3)将原始的特征利用聚合层次聚类算法划分成若干个子特征空间集合;
步骤四:通过异常映射器(4)利用随机梯度下降法进行神经元的参数更新,得到训练集的最终重构误差,将最终误差进行一定增益系数的放大;
步骤五:通过测试模块(5)获取来自数据处理模块(2)的一条新数据,依次经过特征映射器、异常检测器模块,得到该条数据的重构,将其与训练集放大后的最终重构误差进行比较,若大于训练集放大后重构误差,则说明该条数据存在异常,在页面进行相应报警信息提示。
2.如权利要求1所述一种基于物联网的加热炉管控装置及异常报警系统,包括大数据报警预测警示系统(1)、数据处理模块(2)、特征映射器(3)、异常映射器(4)和测试模块(5),其特征在于:所述大数据报警预测警示系统(1)设置有云端(10)和边云协同的智能优化(12),且云端(10)与边云协同的智能优化(12)之间通过物联网平台(11)网络信号连接在一起,并且边云协同的智能优化(12)通过物联网平台(11)与数据处理模块(2)之间网络信号连接,所述数据处理模块(2)通过合纵边缘网关(25)与数据采集模块(26)之间网络信号连接;
所述数据处理模块(2)包括有合纵协议网关(20)、算法平台(21)、大数据平台(22)、APP平台(23)和聚合层次聚类算法(24),且数据处理模块(2)与特征映射器(3)之间电性连接,并且特征映射器(3)与异常映射器(4)之间电性连接,并且特征映射器(3)内设置有子特征集合(30),同时异常映射器(4)与测试模块(5)之间电性连接在一起,所述异常映射器(4)包括有集成层(40)和误差输出层(41),且集成层(40)内设置有自编码网络一(42),同时误差输出层(41)内设置有自编码网络二(43)。
3.根据权利要求2所述的一种基于物联网的加热炉管控装置及异常报警系统,其特征在于:所述数据采集模块(26)采集加热炉运行过程中各个plc点位的实时数据,且数据采集模块(26)通过合纵边缘网关设置,所述数据采集模块(26)基于合纵边缘网关和边缘计算技术获得加热炉各个维度的传感器数值特征及相关计算指标特征,且数据采集模块(26)作为模型的输入特征,并且特征维度为n。
4.根据权利要求2所述的一种基于物联网的加热炉管控装置及异常报警系统,其特征在于:所述合纵边缘网关(25)支持接入多类型硬件设备和多种协议,多类型硬件设备分别为多路以太网、RS485以及数字量和模拟量采集接口,多种协议分别为EtherNet/IP、ModbusTCP等多种工业实时以太网协议、OPCUA协议、TLS无线数据传输加密技术和SNMP协议。
5.根据权利要求2所述的一种基于物联网的加热炉管控装置及异常报警系统,其特征在于:所述物联网平台(11)提供物联网服务和解决方案来连接和管理设备,采用微服务架构在云端和边缘侧部署可自由组合的组件。
6.根据权利要求2所述的一种基于物联网的加热炉管控装置及异常报警系统,其特征在于:所述算法平台(21)设置为面向开发者的一站式AI开发平台。
7.根据权利要求2所述的一种基于物联网的加热炉管控装置及异常报警系统,其特征在于:所述大数据平台(22)通过数据采集模块对各类结构化数据、非结构化数据按照离线、实时、全量、增量等不同的策略进行采集。
8.根据权利要求2所述的一种基于物联网的加热炉管控装置及异常报警系统,其特征在于:所述数据处理模块(2)通过聚合层次聚类算法(24)将所有特征划分成若干个子特征空间,且聚合层次聚类算法(24)设置为一种自下而上的算法。
9.根据权利要求2所述的一种基于物联网的加热炉管控装置及异常报警系统,其特征在于:所述特征映射器(3)将原始的特征通过聚合层次聚类算法(24)划分成多组子特征集合(30),所述特征映射器(3)中的子特征集合(30)输入集成层(40)内,且集成层(40)通过自编码网络一(42)通过随机梯度下降法进行神经元参数的更新处理后的数据输送至误差输出层(41)内,并且误差输出层(41)通过自编码网络二(43)通过随机梯度下降法进行神经元参数的更新处理后输出最终重构误差(44)设置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210344965.7A CN114694357A (zh) | 2022-03-31 | 2022-03-31 | 一种基于物联网的加热炉管控装置及异常报警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210344965.7A CN114694357A (zh) | 2022-03-31 | 2022-03-31 | 一种基于物联网的加热炉管控装置及异常报警系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114694357A true CN114694357A (zh) | 2022-07-01 |
Family
ID=82140272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210344965.7A Pending CN114694357A (zh) | 2022-03-31 | 2022-03-31 | 一种基于物联网的加热炉管控装置及异常报警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114694357A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020250247A2 (en) * | 2019-06-13 | 2020-12-17 | Tata Consultancy Services Limited | Method and system for industrial anomaly detection |
CN113283546A (zh) * | 2021-07-20 | 2021-08-20 | 深圳市佳运通电子有限公司 | 加热炉完整性管理集控装置的炉况异常报警方法及系统 |
WO2022052510A1 (zh) * | 2020-09-09 | 2022-03-17 | 江南大学 | 一种无菌灌装生产线异常检测系统和方法 |
-
2022
- 2022-03-31 CN CN202210344965.7A patent/CN114694357A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020250247A2 (en) * | 2019-06-13 | 2020-12-17 | Tata Consultancy Services Limited | Method and system for industrial anomaly detection |
WO2022052510A1 (zh) * | 2020-09-09 | 2022-03-17 | 江南大学 | 一种无菌灌装生产线异常检测系统和方法 |
CN113283546A (zh) * | 2021-07-20 | 2021-08-20 | 深圳市佳运通电子有限公司 | 加热炉完整性管理集控装置的炉况异常报警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985561B (zh) | 一种智能电表的故障诊断方法、系统及电子装置 | |
de la Hermosa González | Wind farm monitoring using Mahalanobis distance and fuzzy clustering | |
CN111461555A (zh) | 一种生产线质量监测方法、装置及系统 | |
CN112817280A (zh) | 一种用于火电厂智慧监盘报警系统实现方法 | |
CN117234785B (zh) | 基于人工智能自查询的集控平台错误分析系统 | |
CN116611013A (zh) | 针对工业时序数据的异常检测以及根因分析方法及系统 | |
EP4028841B1 (en) | Systems and methods for detecting wind turbine operation anomaly using deep learning | |
CN111382494A (zh) | 用于检测工业机器的感知数据中的异常的系统及方法 | |
CN110807518A (zh) | 一种面向电网数据的离群点检测方法 | |
CN113987908A (zh) | 基于机器学习方法的天然气管网泄漏预警方法 | |
CN116914917A (zh) | 一种基于大数据的配电柜运行状态监测管理系统 | |
CN113283546B (zh) | 加热炉完整性管理集控装置的炉况异常报警方法及系统 | |
CN117110748A (zh) | 一种基于融合终端的变电站主设备运行状态异常检测方法 | |
CN117390529A (zh) | 多因素溯源的数据中台信息管理方法 | |
CN114694357A (zh) | 一种基于物联网的加热炉管控装置及异常报警系统 | |
KR102665637B1 (ko) | 복수의 이상 탐지 기법을 통합하여 공정 설비의 이상을 탐지하는 방법, 장치 및 프로그램 | |
CN117560300B (zh) | 一种智能物联网流量预测与优化系统 | |
Luo | [Retracted] Electronic Communication Fault Signal Recognition Based on Data Mining Algorithm | |
CN117113157B (zh) | 一种基于人工智能的台区用电故障检测系统 | |
CN117408162A (zh) | 基于数字孪生的电网故障控制方法 | |
CN115357010A (zh) | 一种电网安全稳定控制系统状态监测与故障诊断方法 | |
CN118228165A (zh) | 一种基于人工智能风电场的等值建模异常分析方法及系统 | |
CN117640342A (zh) | 一种电力监控系统主体异常检测方法、装置、设备和介质 | |
CN117989074A (zh) | 一种基于感知计算协同的海上风电机组智能化监测方法 | |
CN117743969A (zh) | 故障预测方法、模型训练方法、装置、电子设备及介质 |
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 |