CN114882680A - 一种远程终端管理系统及方法 - Google Patents
一种远程终端管理系统及方法 Download PDFInfo
- Publication number
- CN114882680A CN114882680A CN202210408575.1A CN202210408575A CN114882680A CN 114882680 A CN114882680 A CN 114882680A CN 202210408575 A CN202210408575 A CN 202210408575A CN 114882680 A CN114882680 A CN 114882680A
- Authority
- CN
- China
- Prior art keywords
- data
- layer
- output
- error
- weight
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012544 monitoring process Methods 0.000 claims abstract description 44
- 238000007726 management method Methods 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 25
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 11
- 238000004891 communication Methods 0.000 claims abstract description 5
- 230000004927 fusion Effects 0.000 claims description 48
- 230000006870 function Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 12
- 201000010099 disease Diseases 0.000 claims description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000007788 liquid Substances 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 description 8
- 239000000243 solution Substances 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000036760 body temperature Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
- 239000012224 working solution Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
- G08B25/01—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium
- G08B25/08—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium using communication transmission lines
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- 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
-
- 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
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Medical Informatics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种远程终端管理系统,通过有效利用多传感器实现对传统监控的优化,借助多个不同类型的传感器获取信息,增加了信息的特征维数,更为全面的从不同角度描述被监测对象。为获取更全面的原始数据,现场设备采集控制模块需要根据需求完成对设备运行状态多特征参数的实时采集,围绕实际需求主要采集参数包括水温、进口压力、出口压力、流量、转速、输入功率和扬程,保证数据的实时性和准确性。本发明还提供了一种远程终端管理方法,将采集到的多源数据进行综合处理,给屏蔽泵运行状态的准确判断提供有力支持,在终端与服务器数据交互过程中保证数据完整性和通信机密性。
Description
技术领域
本发明属于终端管理技术领域,尤其涉及一种远程终端管理系统及方法。
背景技术
我国物联网产业发展迅猛,并不断与工业、农业和消费跨界融合,在民生活动中不断创新,智慧家居、智慧汽车等数以万计的智能设备接入网络,形成产品智能化的崭新局面,在行业转型升级中物联网作用液同样明显。无数垂直行业市场在物联网的催动下不断兴起,终端市场需求旺盛,使得物联网不断与行业技术融合,人工智能等技术不断进步。
远程监控技术作为物联网发展的重要智能产物之一,具有非常广阔的发展前景,近几年,已有不少行业积极发展远程监控系统,以取代曾经监控设备的传统方式,进而获取更准确的设备监测信息。屏蔽泵的绝对无泄漏技术迅速成为工业发展的重要部分,由于工作环境和温度的特殊性,屏蔽泵采用的电子式指针监测器会受到干扰,使用寿命缩短,指针显示不稳定,使得检测器难以正常准确地工作,若对屏蔽泵的检修不及时,很有可能会对叶轮和泵壳造成一定程度的损害,甚至导致机器烧毁而消耗大量维修费用。
发明内容
有鉴于此,本发明提供了一种远程终端管理系统及方法,通过对屏蔽泵设备运行状态的监测,需要结合设备周围复杂的信息源,对信息分类后综合分析,实现对运行状态做出更好的判断,将对元数据融合应用于多传感器中,降低了信息的不确定性,提高了信息的利用率,同时也增强了系统的鲁棒性,具体采用以下技术方案来实现。
第一方面,本发明提供了一种远程终端管理系统,包括设备采集控制终端、云服务平台和远程监控终端,设备采集控制终端和远程监控终端向云服务平台发送连接请求,云服务平台响应病接受连接请求病根据需要为其进行数据转发,所述远程监控终端包括:
实时监测模块,用于实时显示设备的运行状态,以实现特征参数可视化,其中,实时监测模块的界面左侧以报表形式实时显示屏蔽泵运行时水温、进口压力、出口压力、流量、转速、输入功率和扬程的状态参数的数值,界面右侧为动态实时数据曲线图,当实测数据超出对应的参数报警阈值触发报警并生成报警信息;
数据查询模块,用于对设备的运行状态和报警信息进行记录,当选择屏蔽泵、监测项目和时间后,点击查询对本地数据库查询以获取数据信息,将查询结果反馈给监控模块;
信息管理模块,用于对设备信息全面、有序的管理,包括增加、删除操作,信息管理模块的主界面显示所有被录入的屏蔽泵的基本信息,其中,基本信息包括屏蔽泵的编号、诶性、供应商、出厂时间和联系方式;
报警控制模块,用于实现对屏蔽泵运行时的异常情况进行提醒和处理,当实测参数超过阈值时触发报警,界面提示报警相关信息,将故障信息传达至操作人员;
设置模块,用于设定运行状态各参数阈值,根据运行环境和设备报警标准体系,根据用户的需求调整阈值以设定的阈值范围为基准与实时数据作比较以保证系统正常运行。
作为上述技术方案的进一步改进,设备采集控制终端通过传感器采集设备运行状态特征参数的原始数据,采用无线通信方式将数据传输至云服务平台,远程监控终端通过订阅主题获取来自采集控制终端的数据,进行显示病存入数据库。
作为上述技术方案的进一步改进,实时监测模块根据多传感器的数据融合并实时显示设备的运行状态,多传感器数据融合的过程包括:
输入来源于所测目标多传感器采集到的测量数据得到信号,在对信息融合处理签进行数据筛选,去除信号的噪声和干扰得到预处理信号;
从原始数据中提取目标的特征数据,特征为任意物理量并对数据配准和关联,采用数据融合算法对各传感器采集的原始测量数据进行合成,获取所测目标的一致性解释和描述,最后输出数据融合结果。
作为上述技术方案的进一步改进,通过神经网络预测扬程,运行状态特征参数作为输入,扬程作为输出,采用LMBP算法求解运行状态特征参数与扬程的映射,对输出预测和分析,具体过程包括:
输入值与期望输出值作为网络输入,由输入层进入隐含层,经处理后,传递至输出层,每个层的节点状态对相邻下一层的节点起直接作用,当输出层结果与期望的输出不一致时,计算两者差异并将信号原路返回;
利用梯度下降算法修正各层神经元节点的权值,对局部神经元节点间的权值进行优化,通过循环往复的学习过程,期间对各层权值和阈值进行修正,直到达到目标程度或学习次数,将输入与输出的映射转变为函数。
作为上述技术方案的进一步改进,预设训练样本为Xr=(x1,x2...xi,...xn)T,输入向量为X=(X1,X2...Xr,...Xp)T,期望输出向量为br=(b1,b2...bk...bl)T,隐含层输出向量为Yr=(y1,y2...yj...ym)T,输出层输出向量为Qr=(Q1,Q2...Qk...Ql)T,输入层到隐含层之间的权值矩阵为V=(V1,V2...Vj...Vm),隐含层到输出层之间的权值矩阵为W=(W1,W2...Wk...Wl),正向传播的过程包括:
隐含层第i个节点的输出,存在其中j=1,2...m,输出层第k个节点的输出存在输出函数为tansig函数,变化范围为(-1,1),存在当输出与期望不一致时,存在输出误差E的表达式为将误差展开至隐含层的表达式为将误差定义展开至输入层的表达式为
输出误差是关于各层权值的函数,修正权值改变误差E的大小,使其接近期望值,当达到预先设置的学习次数或误差E小于等于目标精度e时,计算结束,否则进行反向传播。
作为上述技术方案的进一步改进,神经网络算法具体学习过程包括:
初始化各层之间连接权值Wjk和Vij,输入样本X=(X1,X2...Xr...Xp)T,将输入样本X经输入层向前传递至隐含层,根据连接权值Wjk计算隐含层各神经元节点输出Yk;
根据连接权值Vij和隐含层输出yk计算输出层结果Qk,根据输出层实际输出和期望输出br,计算误差E;
判断误差是否符合目标精度,若符合则停止学习操作,若不符合,进行误差反向传播计算,根据误差E和各层输出值,计算各层神经元节点的连接权值变化量和阈值变化量,逐层修正连接权值和阈值,将下一个学习样本传输至输入层。
作为上述技术方案的进一步改进,反向传播的过程包括:
输出层第j个节点到第k个节点的权值变化量为其中将其表达式变换为则得到的表达式为其中根据上述同事求得权值和阈值变化量,对下一轮学习过程中得权值和阈值进行迭代更新,更新的表达式为Wjk(n+1)=Wjk(n)+△Wjk、Vij(n+1)=Vij(n)+△Vij。
作为上述技术方案的进一步改进,设备采集控制终端包括像素级融合单元、特征级融合单元和决策级融合单元;
像素级融合单元属于下层感知融合,是最低层次的融合,对采集到的原始数据不做处理直接融合,像素级融合采用卡尔曼滤波、加权平均、数理统计或选举决策中得一种或几种;
特征级融合单元属于中间层次融合,对提取采集到的数据的特征参数整合分类后融合,特征级融合采用聚类分析、模糊推理、神经网络或产生式规则中得一种或几种;
决策级融合为数据最高层次的融合,对采集到的数据进行特征识别,通过数据关联做决策层融合,决策级融合采用贝尔斯概率统计、Dempster-Shafer证据推理中的至少一种。
作为上述技术方案的进一步改进,设备采集控制终端用于实现采集被监测屏蔽泵的运行状态参数和对屏蔽泵启停的控制,根据屏蔽泵的工作原理和失效模式确定监测项目为水温、进口压力、出口压力、流量、转速、输入功率和扬程,根据监测项目的数据判定设备是否存在缺液或断液现象以实现对泵送物料的异常监测。
第二方面,本发明还提供了一种远程终端管理方法,包括以下步骤:
获取采集设备的原始数据,完成对设备运行状态多特征参数的实时采集,采集参数包括水温、进口压力、出口压力、流量、转速、输入功率和扬程;
将采集到的多源数据进行综合处理,将被监测设备的编号、监测项目名称、报警值、报警类型、触发时间、处理用户和处理时间进行记录;
采用神经网络对设置在设备上的多传感器数据进行融合,根据数据对设备运行状态预警,并实现控制设备的功能。
本发明提供了一种远程终端管理系统及方法,通过有效利用多传感器实现对传统监控的优化,借助多个不同类型的传感器获取信息,增加了信息的特征维数,更为全面的从不同角度描述被监测对象。为获取更全面的原始数据,现场设备采集控制模块需要根据需求完成对设备运行状态多特征参数的实时采集,围绕实际需求主要采集参数包括水温、进口压力、出口压力、流量、转速、输入功率和扬程,保证数据的实时性和准确性。将采集到的多源数据进行综合处理,给屏蔽泵运行状态的准确判断提供有力支持,在终端与服务器数据交互过程中保证数据完整性和通信机密性。通过对屏蔽泵设备运行状态的监测,需要结合设备周围复杂的信息源,对信息分类后综合分析,实现对运行状态做出更好的判断,将对元数据融合应用于多传感器中,降低了信息的不确定性,提高了信息的利用率,同时也增强了系统的鲁棒性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明的远程终端管理系统的结构框图;
图2为本发明的神经网络算法的流程图
图3为本发明的远程终端管理方法的流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
需要说明的是,当元件被称为“固定于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。相反,当元件被称作“直接在”另一元件“上”时,不存在中间元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
参阅图1,本发明提供了一种远程终端管理系统,包括设备采集控制终端、云服务平台和远程监控终端,设备采集控制终端和远程监控终端向云服务平台发送连接请求,云服务平台响应病接受连接请求病根据需要为其进行数据转发,所述远程监控终端包括:
实时监测模块,用于实时显示设备的运行状态,以实现特征参数可视化,其中,实时监测模块的界面左侧以报表形式实时显示屏蔽泵运行时水温、进口压力、出口压力、流量、转速、输入功率和扬程的状态参数的数值,界面右侧为动态实时数据曲线图,当实测数据超出对应的参数报警阈值触发报警并生成报警信息;
数据查询模块,用于对设备的运行状态和报警信息进行记录,当选择屏蔽泵、监测项目和时间后,点击查询对本地数据库查询以获取数据信息,将查询结果反馈给监控模块;
信息管理模块,用于对设备信息全面、有序的管理,包括增加、删除操作,信息管理模块的主界面显示所有被录入的屏蔽泵的基本信息,其中,基本信息包括屏蔽泵的编号、诶性、供应商、出厂时间和联系方式;
报警控制模块,用于实现对屏蔽泵运行时的异常情况进行提醒和处理,当实测参数超过阈值时触发报警,界面提示报警相关信息,将故障信息传达至操作人员;
设置模块,用于设定运行状态各参数阈值,根据运行环境和设备报警标准体系,根据用户的需求调整阈值以设定的阈值范围为基准与实时数据作比较以保证系统正常运行。
本实施例中,设备采集控制终端通过传感器采集设备运行状态特征参数的原始数据,采用无线通信方式将数据传输至云服务平台,远程监控终端通过订阅主题获取来自采集控制终端的数据,进行显示病存入数据库。实时监测模块根据多传感器的数据融合并实时显示设备的运行状态,多传感器数据融合的过程包括:输入来源于所测目标多传感器采集到的测量数据得到信号,在对信息融合处理签进行数据筛选,去除信号的噪声和干扰得到预处理信号;从原始数据中提取目标的特征数据,特征为任意物理量并对数据配准和关联,采用数据融合算法对各传感器采集的原始测量数据进行合成,获取所测目标的一致性解释和描述,最后输出数据融合结果。
需要说明的是,通过神经网络预测扬程,运行状态特征参数作为输入,扬程作为输出,采用LMBP算法求解运行状态特征参数与扬程的映射,对输出预测和分析,具体过程包括:输入值与期望输出值作为网络输入,由输入层进入隐含层,经处理后,传递至输出层,每个层的节点状态对相邻下一层的节点起直接作用,当输出层结果与期望的输出不一致时,计算两者差异并将信号原路返回;利用梯度下降算法修正各层神经元节点的权值,对局部神经元节点间的权值进行优化,通过循环往复的学习过程,期间对各层权值和阈值进行修正,直到达到目标程度或学习次数,将输入与输出的映射转变为函数。
应理解,预设训练样本为Xr=(x1,x2...xi,...xn)T,输入向量为X=(X1,X2...Xr,...Xp)T,期望输出向量为br=(b1,b2...bk...bl)T,隐含层输出向量为Yr=(y1,y2...yj...ym)T,输出层输出向量为Qr=(Q1,Q2...Qk...Ql)T,输入层到隐含层之间的权值矩阵为V=(V1,V2...Vj...Vm),隐含层到输出层之间的权值矩阵为W=(W1,W2...Wk...Wl),正向传播的过程包括:隐含层第i个节点的输出,存在其中j=1,2...m,输出层第k个节点的输出存在输出函数为tansig函数,变化范围为(-1,1),存在当输出与期望不一致时,存在输出误差E的表达式为将误差展开至隐含层的表达式为将误差定义展开至输入层的表达式为输出误差是关于各层权值的函数,修正权值改变误差E的大小,使其接近期望值,当达到预先设置的学习次数或误差E小于等于目标精度e时,计算结束,否则进行反向传播。
参阅图2,可选地,神经网络算法具体学习过程包括:
S10:初始化各层之间连接权值Wjk和Vij,输入样本X=(X1,X2...Xr...Xp)T,将输入样本X经输入层向前传递至隐含层,根据连接权值Wjk计算隐含层各神经元节点输出Yk;
S11:根据连接权值Vij和隐含层输出yk计算输出层结果Qk,根据输出层实际输出和期望输出br,计算误差E;
S12:判断误差是否符合目标精度,若符合则停止学习操作,若不符合,进行误差反向传播计算,根据误差E和各层输出值,计算各层神经元节点的连接权值变化量和阈值变化量,逐层修正连接权值和阈值,将下一个学习样本传输至输入层。
本实施例中,反向传播的过程包括:修正权值的最终目标是不断减小误差,权值的修正表达式为 其中负号表示梯度下降,η为学习率取η∈(0,1);输出层第j个节点到第k个节点的权值变化量为其中将其表达式变换为则得到的表达式为其中根据上述同事求得权值和阈值变化量,对下一轮学习过程中得权值和阈值进行迭代更新,更新的表达式为Wjk(n+1)=Wjk(n)+△Wjk、Vij(n+1)=Vij(n)+△Vij。
需要说明的是,通过设备采集控制终端中多种传感器的感知能力,构建多维度的原始信息,融合实时数据采集并综合分析,实现对屏蔽泵的多方面特征的监测,为实现远程终端管理系统的探测能力和预测能力的最大化提供有效的解决方案。神经网络技术具有强大的解决模糊非线性问题的能力,同时兼具并行性高、鲁棒性强、预测精度高和自适应能力强等特点,通过神经网络预测扬程,运行状态特征参数作为输入,扬程作为输出,两者之间存在未知的关系,通过神经网络的分析处理,直接求解运行状态特征参数与扬程的映射,从而提高数据处理的有效性。
可选地,设备采集控制终端包括像素级融合单元、特征级融合单元和决策级融合单元;
像素级融合单元属于下层感知融合,是最低层次的融合,对采集到的原始数据不做处理直接融合,像素级融合采用卡尔曼滤波、加权平均、数理统计或选举决策中得一种或几种;
特征级融合单元属于中间层次融合,对提取采集到的数据的特征参数整合分类后融合,特征级融合采用聚类分析、模糊推理、神经网络或产生式规则中得一种或几种;
决策级融合为数据最高层次的融合,对采集到的数据进行特征识别,通过数据关联做决策层融合,决策级融合采用贝尔斯概率统计、Dempster-Shafer证据推理中的至少一种。
本实施例中,设备采集控制终端用于实现采集被监测屏蔽泵的运行状态参数和对屏蔽泵启停的控制,根据屏蔽泵的工作原理和失效模式确定监测项目为水温、进口压力、出口压力、流量、转速、输入功率和扬程,根据监测项目的数据判定设备是否存在缺液或断液现象以实现对泵送物料的异常监测。
参阅图3,本发明还提供了一种远程终端管理方法,包括以下步骤:
S20:获取采集设备的原始数据,完成对设备运行状态多特征参数的实时采集,采集参数包括水温、进口压力、出口压力、流量、转速、输入功率和扬程;
S21:将采集到的多源数据进行综合处理,将被监测设备的编号、监测项目名称、报警值、报警类型、触发时间、处理用户和处理时间进行记录;
S22:采用神经网络对设置在设备上的多传感器数据进行融合,根据数据对设备运行状态预警,并实现控制设备的功能。
本实施例中,屏蔽泵作为无泄漏的离心泵,利用叶轮高速运转产生的离心力输送介质,叶轮随转子在被运送的介质中转动,被运送的介质在自身离心力的作用下以叶轮为中心向四周发散旋转运行,屏蔽套将充满介质的定子封闭以达到隔离的效果,定子屏蔽套的作用是防止被运送介质浸入定子绕组,转子屏蔽套的作用是防止被运送介质浸入转子铁芯。屏蔽泵工作时,导致泵体内部结构产生摩擦,通常需要泵送介质的循环来带走热量进行冷却,产生泵体温度过高现象的原因复杂多样,随着屏蔽泵运行时间不断累积,入口处的杂质也不断的堆积导致入口的过滤网堵塞,造成循环量不足,被运送的介质温度过高导致定子温度升高,也会引起泵体温度高,屏蔽泵运行时间过长,泵体自身温度自然也会有所升高,屏蔽泵运行过程中常出现的故障表现为泵体温度过高而导致屏蔽泵自动跳闸或停止运行,从而影响设备的使用效率。通过对屏蔽泵设备运行状态的监测,需要结合设备周围复杂的信息源,对信息分类后综合分析,实现对运行状态做出更好的判断,将对元数据融合应用于多传感器中,降低了信息的不确定性,提高了信息的利用率,同时也增强了系统的鲁棒性
在这里示出和描述的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制,因此,示例性实施例的其他示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (10)
1.一种远程终端管理系统,其特征在于,包括设备采集控制终端、云服务平台和远程监控终端,设备采集控制终端和远程监控终端向云服务平台发送连接请求,云服务平台响应病接受连接请求病根据需要为其进行数据转发,所述远程监控终端包括:
实时监测模块,用于实时显示设备的运行状态,以实现特征参数可视化,其中,实时监测模块的界面左侧以报表形式实时显示屏蔽泵运行时水温、进口压力、出口压力、流量、转速、输入功率和扬程的状态参数的数值,界面右侧为动态实时数据曲线图,当实测数据超出对应的参数报警阈值触发报警并生成报警信息;
数据查询模块,用于对设备的运行状态和报警信息进行记录,当选择屏蔽泵、监测项目和时间后,点击查询对本地数据库查询以获取数据信息,将查询结果反馈给监控模块;
信息管理模块,用于对设备信息全面、有序的管理,包括增加、删除操作,信息管理模块的主界面显示所有被录入的屏蔽泵的基本信息,其中,基本信息包括屏蔽泵的编号、诶性、供应商、出厂时间和联系方式;
报警控制模块,用于实现对屏蔽泵运行时的异常情况进行提醒和处理,当实测参数超过阈值时触发报警,界面提示报警相关信息,将故障信息传达至操作人员;
设置模块,用于设定运行状态各参数阈值,根据运行环境和设备报警标准体系,根据用户的需求调整阈值以设定的阈值范围为基准与实时数据作比较以保证系统正常运行。
2.根据权利要求1所述的远程终端管理系统,其特征在于,设备采集控制终端通过传感器采集设备运行状态特征参数的原始数据,采用无线通信方式将数据传输至云服务平台,远程监控终端通过订阅主题获取来自采集控制终端的数据,进行显示病存入数据库。
3.根据权利要求1所述的远程终端管理系统,其特征在于,实时监测模块根据多传感器的数据融合并实时显示设备的运行状态,多传感器数据融合的过程包括:
输入来源于所测目标多传感器采集到的测量数据得到信号,在对信息融合处理签进行数据筛选,去除信号的噪声和干扰得到预处理信号;
从原始数据中提取目标的特征数据,特征为任意物理量并对数据配准和关联,采用数据融合算法对各传感器采集的原始测量数据进行合成,获取所测目标的一致性解释和描述,最后输出数据融合结果。
4.根据权利要求3所述的远程终端管理系统,其特征在于,通过神经网络预测扬程,运行状态特征参数作为输入,扬程作为输出,采用LMBP算法求解运行状态特征参数与扬程的映射,对输出预测和分析,具体过程包括:
输入值与期望输出值作为网络输入,由输入层进入隐含层,经处理后,传递至输出层,每个层的节点状态对相邻下一层的节点起直接作用,当输出层结果与期望的输出不一致时,计算两者差异并将信号原路返回;
利用梯度下降算法修正各层神经元节点的权值,对局部神经元节点间的权值进行优化,通过循环往复的学习过程,期间对各层权值和阈值进行修正,直到达到目标程度或学习次数,将输入与输出的映射转变为函数。
5.根据权利要求4所述的远程终端管理系统,其特征在于,预设训练样本为Xr=(x1,x2...xi,...xn)T,输入向量为X=(X1,X2...Xr,...Xp)T,期望输出向量为br=(b1,b2...bk...bl)T,隐含层输出向量为Yr=(y1,y2...yj...ym)T,输出层输出向量为Qr=(Q1,Q2...Qk...Ql)T,输入层到隐含层之间的权值矩阵为V=(V1,V2...Vj...Vm),隐含层到输出层之间的权值矩阵为W=(W1,W2...Wk...Wl),正向传播的过程包括:
隐含层第i个节点的输出,存在其中j=1,2...m,输出层第k个节点的输出存在输出函数为tansig函数,变化范围为(-1,1),存在当输出与期望不一致时,存在输出误差E的表达式为将误差展开至隐含层的表达式为将误差定义展开至输入层的表达式为
输出误差是关于各层权值的函数,修正权值改变误差E的大小,使其接近期望值,当达到预先设置的学习次数或误差E小于等于目标精度e时,计算结束,否则进行反向传播。
6.根据权利要求5所述的远程终端管理系统,其特征在于,神经网络算法具体学习过程包括:
初始化各层之间连接权值Wjk和Vij,输入样本X=(X1,X2...Xr...Xp)T,将输入样本X经输入层向前传递至隐含层,根据连接权值Wjk计算隐含层各神经元节点输出Yk;
根据连接权值Vij和隐含层输出yk计算输出层结果Qk,根据输出层实际输出和期望输出br,计算误差E;
判断误差是否符合目标精度,若符合则停止学习操作,若不符合,进行误差反向传播计算,根据误差E和各层输出值,计算各层神经元节点的连接权值变化量和阈值变化量,逐层修正连接权值和阈值,将下一个学习样本传输至输入层。
8.根据权利要求1所述的远程终端管理系统,其特征在于,设备采集控制终端包括像素级融合单元、特征级融合单元和决策级融合单元;
像素级融合单元属于下层感知融合,是最低层次的融合,对采集到的原始数据不做处理直接融合,像素级融合采用卡尔曼滤波、加权平均、数理统计或选举决策中得一种或几种;
特征级融合单元属于中间层次融合,对提取采集到的数据的特征参数整合分类后融合,特征级融合采用聚类分析、模糊推理、神经网络或产生式规则中得一种或几种;
决策级融合为数据最高层次的融合,对采集到的数据进行特征识别,通过数据关联做决策层融合,决策级融合采用贝尔斯概率统计、Dempster-Shafer证据推理中的至少一种。
9.根据权利要求1所述的远程终端管理系统,其特征在于,设备采集控制终端用于实现采集被监测屏蔽泵的运行状态参数和对屏蔽泵启停的控制,根据屏蔽泵的工作原理和失效模式确定监测项目为水温、进口压力、出口压力、流量、转速、输入功率和扬程,根据监测项目的数据判定设备是否存在缺液或断液现象以实现对泵送物料的异常监测。
10.一种根据权利要求1-9任一项所述的远程终端管理系统的远程终端管理方法,其特征在于,包括以下步骤:
获取采集设备的原始数据,完成对设备运行状态多特征参数的实时采集,采集参数包括水温、进口压力、出口压力、流量、转速、输入功率和扬程;
将采集到的多源数据进行综合处理,将被监测设备的编号、监测项目名称、报警值、报警类型、触发时间、处理用户和处理时间进行记录;
采用神经网络对设置在设备上的多传感器数据进行融合,根据数据对设备运行状态预警,并实现控制设备的功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210408575.1A CN114882680A (zh) | 2022-04-19 | 2022-04-19 | 一种远程终端管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210408575.1A CN114882680A (zh) | 2022-04-19 | 2022-04-19 | 一种远程终端管理系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114882680A true CN114882680A (zh) | 2022-08-09 |
Family
ID=82671124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210408575.1A Pending CN114882680A (zh) | 2022-04-19 | 2022-04-19 | 一种远程终端管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114882680A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115913932A (zh) * | 2022-11-10 | 2023-04-04 | 齐鲁空天信息研究院 | 一种基于云端的接收机参数远程控制系统 |
CN117176331A (zh) * | 2023-11-03 | 2023-12-05 | 江苏高昕建筑系统有限公司 | 一种电数字数据处理装置及其处理方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105372087A (zh) * | 2015-11-30 | 2016-03-02 | 南通大学 | 基于多传感器信号分析的故障诊断方法 |
CN109889585A (zh) * | 2019-02-01 | 2019-06-14 | 中电科仪器仪表有限公司 | 一种电子测试仪器的运行状态远程监测系统及方法 |
CN111258261A (zh) * | 2019-12-31 | 2020-06-09 | 浙江正元地理信息有限责任公司 | 一种泵站远控及联合调度系统及其调度方法 |
CN111524602A (zh) * | 2020-04-28 | 2020-08-11 | 西安玖诚玖谊实业有限公司 | 一种老年人记忆及认知功能评估筛查预警系统 |
CN111985725A (zh) * | 2020-08-30 | 2020-11-24 | 浙江工业大学 | 一种基于改进bp神经网络的离心泵性能参数预测方法 |
CN112196784A (zh) * | 2020-09-18 | 2021-01-08 | 昆明理工大学 | 一种基于elm的高压隔膜泵健康状态预估系统及方法 |
CN112832999A (zh) * | 2021-01-08 | 2021-05-25 | 中国石油大学(北京) | 一种基于多传感器数据融合的电泵井工况诊断系统及方法 |
-
2022
- 2022-04-19 CN CN202210408575.1A patent/CN114882680A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105372087A (zh) * | 2015-11-30 | 2016-03-02 | 南通大学 | 基于多传感器信号分析的故障诊断方法 |
CN109889585A (zh) * | 2019-02-01 | 2019-06-14 | 中电科仪器仪表有限公司 | 一种电子测试仪器的运行状态远程监测系统及方法 |
CN111258261A (zh) * | 2019-12-31 | 2020-06-09 | 浙江正元地理信息有限责任公司 | 一种泵站远控及联合调度系统及其调度方法 |
CN111524602A (zh) * | 2020-04-28 | 2020-08-11 | 西安玖诚玖谊实业有限公司 | 一种老年人记忆及认知功能评估筛查预警系统 |
CN111985725A (zh) * | 2020-08-30 | 2020-11-24 | 浙江工业大学 | 一种基于改进bp神经网络的离心泵性能参数预测方法 |
CN112196784A (zh) * | 2020-09-18 | 2021-01-08 | 昆明理工大学 | 一种基于elm的高压隔膜泵健康状态预估系统及方法 |
CN112832999A (zh) * | 2021-01-08 | 2021-05-25 | 中国石油大学(北京) | 一种基于多传感器数据融合的电泵井工况诊断系统及方法 |
Non-Patent Citations (2)
Title |
---|
梁景凯等: "智能控制技术", 31 March 2016, 哈尔滨工业大学出版社, pages: 130 - 133 * |
闫纪红等: "可靠性与智能维护", 30 September 2020, 哈尔滨工业大学出版社, pages: 150 - 152 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115913932A (zh) * | 2022-11-10 | 2023-04-04 | 齐鲁空天信息研究院 | 一种基于云端的接收机参数远程控制系统 |
CN115913932B (zh) * | 2022-11-10 | 2024-05-03 | 齐鲁空天信息研究院 | 一种基于云端的接收机参数远程控制系统 |
CN117176331A (zh) * | 2023-11-03 | 2023-12-05 | 江苏高昕建筑系统有限公司 | 一种电数字数据处理装置及其处理方法 |
CN117176331B (zh) * | 2023-11-03 | 2024-02-02 | 江苏高昕建筑系统有限公司 | 一种电数字数据处理装置及其处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11092466B2 (en) | Internet of things based conveyance having predictive maintenance | |
US10877863B2 (en) | Automatic prediction system for server failure and method of automatically predicting server failure | |
CN112655004B (zh) | 用于异常检测和/或预测性维护的计算机实现的方法 | |
Xiang et al. | Fault detection of wind turbine based on SCADA data analysis using CNN and LSTM with attention mechanism | |
CN114882680A (zh) | 一种远程终端管理系统及方法 | |
Niu et al. | Intelligent condition monitoring and prognostics system based on data-fusion strategy | |
US20200081054A1 (en) | Power line issue diagnostic methods and apparatus using distributed analytics | |
US11442444B2 (en) | System and method for forecasting industrial machine failures | |
Zhang et al. | Deep learning-driven data curation and model interpretation for smart manufacturing | |
EP4028841B1 (en) | Systems and methods for detecting wind turbine operation anomaly using deep learning | |
US20220004163A1 (en) | Apparatus for predicting equipment damage | |
KR20200047772A (ko) | 장애 검출 분류 | |
Jiang et al. | Electrical-STGCN: An electrical spatio-temporal graph convolutional network for intelligent predictive maintenance | |
CN117131110B (zh) | 一种基于关联分析的容性设备介质损耗监测方法及系统 | |
da Silva Arantes et al. | A novel unsupervised method for anomaly detection in time series based on statistical features for industrial predictive maintenance | |
Selvaraj et al. | Proactive maintenance of small wind turbines using IoT and machine learning models | |
Fan et al. | Research and applications of data mining techniques for improving building operational performance | |
CN111814331A (zh) | 复杂情况下多变点的设备剩余使用寿命预测方法 | |
Jang et al. | Anomaly detection of 2.4 l diesel engine using one-class svm with variational autoencoder | |
CN115935285A (zh) | 基于掩码图神经网络模型的多元时间序列异常检测方法和系统 | |
Choudhary et al. | Nature‐inspired artificial bee colony‐based hyperparameter optimization of CNN for anomaly detection in induction motor | |
Jang et al. | Multi-instance attention network for anomaly detection from multivariate time series | |
CN117668737B (zh) | 一种管道检测数据故障预警查验方法以及相关装置 | |
CN117252435B (zh) | 一种基于工业互联网的工厂生产安全监控预警方法及系统 | |
CN113447813B (zh) | 海上风力发电机组的故障诊断方法及设备 |
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 |