发明内容
本发明的目的在于提供一种基于物联网的智能在线监控系统及方法,以解决现有技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于物联网的智能在线监控方法,该监控方法包括以下步骤:
S1、利用信息采集模块采集智能阀门的相关数据,组成训练集;
S2、模型训练单元利用训练集进行预测模型的训练,得到水垢量预测模型和流量预测模型;
S3、利用水垢量预测模型对智能阀门中的水垢量进行预测,得到预测水垢量;
S4、利用流量预测模型根据预测水垢量对智能阀门中的流量进行预测,得到预测流量;
S5、将预测流量与实际流量进行比较,得到误差值,根据误差值判断智能阀门内的水垢分布情况是否出现异常;
S6、根据误差值对水垢峰值的位置进行分析和判断。
根据上述技术方案,在S1中,利用温度采集单元对智能阀门的流体温度数据进行采集,得到温度集合W={w1,w2,w3,…,wn},其中,w1,w2,w3,…,wn表示智能阀门内部流动的流体温度数据,利用时间采集单元对智能阀门的使用时长进行记录,得到使用时长集合T={t1,t2,t3,…,tn};其中,t1,t2,t3,…,tn表示智能阀门使用的时长数据;利用流量采集单元对智能阀门与管道连接处的流量数据进行采集,得到流量集合L={l1,l2,l3,…,ln},其中,l1,l2,l3,…,ln表示智能阀门不同使用时长以及不同流体温度下的流体流量数据;利用水垢量采集单元对智能阀门使用后的水垢量数据进行采集,得到水垢量集合S={s1,s2,s3,…,sn},其中,s1,s2,s3,…,sn表示智能阀门不同使用时长以及不同流体温度下的水垢量数据,水垢量的采集方式通过对智能阀门进行拆卸,对智能阀门内部的水垢量进行清理得到;
集合W、集合T、集合L和集合S组成训练集。
根据上述技术方案,在S2-S4中,所述模型训练单元利用集合W、集合T和集合S训练得到水垢量预测模型:
S0=θ0+θ1*W0+θ2*T0+∈;
其中,S0表示预测水垢量,W0表示实际温度数据,T0表示智能阀门实际使用时长数据,θ0、θ1、θ2均表示线性回归系数,∈表示水垢量误差项,所述水垢量误差项由流体硬度决定;
当
时,表示智能阀门内部的水垢量超过设定阈值,会严重影响阀门的使用,需要对智能阀门内部的水垢进行清理;
当
时,表示智能阀门内部的水垢量未超过设定阈值,水垢的形成不会影响阀门的使用,
表示设定的水垢量阈值;
随着智能阀门输送流体的温度不断的升高,流体内部的杂质会不断的析出,吸附在智能阀门内部的表面,因此,流体温度的变化直接影响着水垢量的产生,同时,智能阀门的使用时长也直接影响水垢量的产生,智能阀门的使用时间越长,水垢量的数量越大,因此,通过集合W、集合T和集合S作为训练集,可以得到智能阀门内部水垢量的预测模型;
当
时,所述模型训练单元利用集合L和集合S训练得到流量预测模型:
L0=β1*S0+δ;
其中,L0表示预测流量,S0表示预测水垢量数据,β1表示线性回归系数,δ表示流量误差项。
随着智能阀门内部的水垢量的不算增加,智能阀门内部流通流体的面积在不断的减小,因此,流体的流量也在不断的减小,因此,利用集合L和集合S作为训练集进行流量预测模型的训练,可以很好的预测在不同时间点下智能阀门内部的流量数据,可以方便为后期的数据比对提供参考。
根据上述技术方案,在S5中,根据下列公式对预测流量与实际流量之间的流量差值ΔL进行计算:
ΔL=L0-L实;
其中,L实表示流量采集单元所采集的实际流量数据;
当ΔL≥γ时,表示实际流量与预测流量之间存在较大的误差值,所述智能阀门内部的水垢产生了峰值,会影响智能阀门的正常使用;
因为当实际流量与预测流量之间的差值较大时,代表智能阀门内部产生了严重影响流体流量的因素,那么智能阀门内部的水垢存在峰值就会严重影响智能阀门的流体流量,因此,当差值较大时,可以判定智能阀门内部存在水垢峰值;
当ΔL<γ时,表示实际流量与预测流量之间的误差值较小,所述智能阀门内部的水垢属于正常情况,不会影响智能阀门的使用,γ表示设定的流量差值阈值。
根据上述技术方案,在S6中,利用峰值判断单元建立流量差值ΔL的线性方程:
Y=k1*ΔL;
其中,Y表示水垢峰值与流量采集单元采集点之间的距离,k1表示线性系数。
因为当管道内部的水垢峰值位置与流量采集单元的采集点位置之间的距离越近时,流量采集单元所采集的流量数据越靠近水垢峰值位置处的流量数据,因此,线性系数k1<0,通过上述过程的分析和计算,可以大体上确认水垢峰值的大致位置,这为后期水垢的清理提供的数据支撑,使得在不打开整个智能阀门的情况下,可以精准的敲击智能阀门中水垢峰值的位置,使得对于智能阀门中的水垢清理更加的方便。
一种基于物联网的智能在线监控系统,该监控系统包括信息采集模块、远程通讯模块和监控中心模块;
所述信息采集模块安装在智能阀门上,所述信息采集模块用于对智能阀门的各项信息数据进行采集,所述智能阀门和监控中心模块均设置有远程通讯模块,所述远程通讯模块用于实现智能阀门与监控中心模块之间的通讯,所述监控中心模块用于实现对智能阀门的远程在线监控和数据分析,判断智能阀门是否出现异常。
根据上述技术方案,所述信息采集模块包括温度采集单元、时间记录单元、流量采集单元和水垢量采集单元;
所述温度采集单元用于对智能阀门内部的流体温度数据进行采集,所述时间记录单元用于对智能阀门的使用时长数据进行采集,所述流量采集单元用于对通过智能阀门输送的流体流量数据进行采集,所述水垢量采集单元用于对智能阀门内部的水垢量数据进行采集,所述水垢量的采集通过对智能阀门进行拆卸,并对智能阀门内部的水垢进行清理得到;
所述温度采集单元、时间记录单元、流量采集单元和水垢量采集单元均通过远程通讯模块与监控中心模块连接。
根据上述技术方案,所述远程通讯模块包括无线发送单元和无线接收单元;
所述无线发送单元和无线接收单元均安装在智能阀门和监控中心模块上,安装在智能阀门上的无线发送单元用于将信息采集模块所采集的各项信息数据发送至监控中心模块,安装在监控中心模块上的无线发送单元用于将控制指令发送至智能阀门,安装在智能阀门上的无线接收单元用于接收监控中心模块所发送的控制指令,安装在监控中心模块上的无线接收单元用于接收信息采集单元所采集的各项信息数据。
根据上述技术方案,所述监控中心模块包括数据整合单元、模型训练单元、水垢量预测单元、流量预测单元和峰值判断单元;
所述数据整合单元用于对信息采集模块所采集的各项信息数据,形成训练集,所述模型训练单元用于根据训练集进行水垢量预测模型和流量预测模型的训练,通过训练水垢量预测模型,可以在对智能阀门进行在线监控时,对其内部的水垢量进行分析,进而可以在不拆卸智能阀门的情况下,得知智能阀门内部水垢的含量,通过训练流量预测模型,可以对智能阀门中的流体流量进行预测,进而可以结合实际流量检测数据,进行水垢峰值的分析,所述水垢量预测单元用于结合水垢量预测模型对智能阀门中的水垢量进行预测,所述流量预测单元用于结合流量预测模型对智能阀门的流体流量进行预测,所述峰值判断单元用于对智能阀门内部的水垢峰值位置进行分析和判断,使得在进行水垢清理时,可以大致了解水垢峰值在智能阀门内部的分布情况,进而可以针对性的进行水垢的清理。
与现有技术相比,本发明的有益效果是:
1、本发明设置有模型训练单元,可以根据历史数据对水垢量预测模型进行训练,待模型训练完成后,可以利用采集的信息数据直接分析和预测阀门内部的水垢量情况,进而可以对智能阀门是否能够正常使用进行判断,避免水垢增多影响智能阀门的正常使用。
2、本发明设置有模型训练单元,可以根据历史数据对流量预测模型进行训练,待模型训练完成后,配合流量采集单元所采集的数据,将实际流量与预测流量进行对比,可以分析处智能阀门内部的水垢量是否出现了异常,结合峰值判断单元,可以对智能阀门内部的水垢峰值的大致位置进行判断和分析,进而可以针对性的对智能阀门内部的水垢进行清理。
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。
实施例:如图1所示,本发明提供以下技术方案,一种基于物联网的智能在线监控方法,该监控方法包括以下步骤:
S1、利用信息采集模块采集智能阀门的相关数据,所述相关数据是指流体温度数据、智能阀门使用时长数据、流体流量数据和阀门水垢量数据,组成训练集;
S2、模型训练单元利用训练集进行预测模型的训练,得到水垢量预测模型和流量预测模型;
S3、利用水垢量预测模型对智能阀门中的水垢量进行预测,得到预测水垢量;
S4、利用流量预测模型根据预测水垢量对智能阀门中的流量进行预测,得到预测流量;
S5、将预测流量与实际流量进行比较,得到误差值,根据误差值判断智能阀门内的水垢分布情况是否出现异常,所述异常是指智能阀门内部的水垢出现了峰值,即水垢在智能阀门内部的堆积存在突出点;
S6、根据误差值对水垢峰值的位置进行分析和判断。
在S1中,利用温度采集单元对智能阀门的流体温度数据进行采集,得到温度集合W={w1,w2,w3,…,wn},其中,w1,w2,w3,…,wn表示智能阀门内部流动的流体温度数据,利用时间采集单元对智能阀门的使用时长进行记录,得到使用时长集合T={t1,t2,t3,…,tn};其中,t1,t2,t3,…,tn表示智能阀门使用的时长数据;利用流量采集单元对智能阀门与管道连接处的流量数据进行采集,得到流量集合L={l1,l2,l3,…,ln},其中,l1,l2,l3,…,ln表示智能阀门不同使用时长以及不同流体温度下的流体流量数据;利用水垢量采集单元对智能阀门使用后的水垢量数据进行采集,得到水垢量集合S={s1,s2,s3,…,sn},其中,s1,s2,s3,…,sn表示智能阀门不同使用时长以及不同流体温度下的水垢量数据,水垢量的采集方式通过对智能阀门进行拆卸,对智能阀门内部的水垢量进行清理得到;
集合W、集合T、集合L和集合S组成训练集。
在S2-S4中,所述模型训练单元利用集合W、集合T和集合S训练得到水垢量预测模型:
S0=θ0+θ1*W0+θ2*T0+∈;
其中,S0表示预测水垢量,W0表示实际温度数据,T0表示智能阀门实际使用时长数据,θ0、θ1、θ2均表示线性回归系数,所述线性回归系数通过将训练集输入MATLAB进行数据的处理得到,∈表示水垢量误差项,所述水垢量误差项由流体硬度决定,例如:水质越硬,∈越大;
当
时,表示智能阀门内部的水垢量超过设定阈值,会严重影响阀门的使用,需要对智能阀门内部的水垢进行清理;
当
时,表示智能阀门内部的水垢量未超过设定阈值,水垢的形成不会影响阀门的使用,
表示设定的水垢量阈值;
随着智能阀门输送流体的温度不断的升高,流体内部的杂质会不断的析出,吸附在智能阀门内部的表面,因此,流体温度的变化直接影响着水垢量的产生,同时,智能阀门的使用时长也直接影响水垢量的产生,智能阀门的使用时间越长,水垢量的数量越大,因此,通过集合W、集合T和集合S作为训练集,可以得到智能阀门内部水垢量的预测模型;
当
时,所述模型训练单元利用集合L和集合S训练得到流量预测模型:
L0=β1*S0+δ;
其中,L0表示预测流量,S0表示预测水垢量数据,β1表示线性回归系数,所述线性回归系数通过将训练集输入MATLAB进行数据的处理得到,δ表示流量误差项,所述流量误差项由阀门大小决定,例如:阀门越大,δ越小。
随着智能阀门内部的水垢量的不算增加,智能阀门内部流通流体的面积在不断的减小,因此,流体的流量也在不断的减小,因此,利用集合L和集合S作为训练集进行流量预测模型的训练,可以很好的预测在不同时间点下智能阀门内部的流量数据,可以方便为后期的数据比对提供参考。
在S5中,根据下列公式对预测流量与实际流量之间的流量差值ΔL进行计算:
ΔL=L0-L实;
其中,L实表示流量采集单元所采集的实际流量数据;
当ΔL≥γ时,表示实际流量与预测流量之间存在较大的误差值,所述智能阀门内部的水垢产生了峰值,会影响智能阀门的正常使用;
因为当实际流量与预测流量之间的差值较大时,代表智能阀门内部产生了严重影响流体流量的因素,那么智能阀门内部的水垢存在峰值就会严重影响智能阀门的流体流量,因此,当差值较大时,可以判定智能阀门内部存在水垢峰值;
当ΔL<γ时,表示实际流量与预测流量之间的误差值较小,所述智能阀门内部的水垢属于正常情况,不会影响智能阀门的使用,γ表示设定的流量差值阈值。
在S6中,利用峰值判断单元建立流量差值ΔL的线性方程:
Y=k1*ΔL;
其中,Y表示水垢峰值与流量采集单元采集点之间的距离,k1表示线性系数,所述线性系统通过将历史数据输入MATLAB进行数据的处理得到。
因为当管道内部的水垢峰值位置与流量采集单元的采集点位置之间的距离越近时,流量采集单元所采集的流量数据越靠近水垢峰值位置处的流量数据,因此,线性系数k1<0,通过上述过程的分析和计算,可以大体上确认水垢峰值的大致位置,这为后期水垢的清理提供的数据支撑,使得在不打开整个智能阀门的情况下,可以精准的敲击智能阀门中水垢峰值的位置,使得对于智能阀门中的水垢清理更加的方便。
如图2~图3所示,一种基于物联网的智能在线监控系统,该监控系统包括信息采集模块、远程通讯模块和监控中心模块;
所述信息采集模块安装在智能阀门上,所述信息采集模块用于对智能阀门的各项信息数据进行采集,所述智能阀门和监控中心模块均设置有远程通讯模块,所述远程通讯模块用于实现智能阀门与监控中心模块之间的通讯,所述监控中心模块用于实现对智能阀门的远程在线监控和数据分析,判断智能阀门是否出现异常。
所述信息采集模块包括温度采集单元、时间记录单元、流量采集单元和水垢量采集单元;
所述温度采集单元用于对智能阀门内部的流体温度数据进行采集,当流体的温度数据超出设定阈值时,及时的通过警报单元进行报警提醒,所述时间记录单元用于对智能阀门的使用时长数据进行采集,所述流量采集单元用于对通过智能阀门输送的流体流量数据进行采集,所述水垢量采集单元用于对智能阀门内部的水垢量数据进行采集,所述水垢量的采集通过对智能阀门进行拆卸,并对智能阀门内部的水垢进行清理得到;
所述温度采集单元、时间记录单元、流量采集单元和水垢量采集单元均通过远程通讯模块与监控中心模块连接。
所述远程通讯模块包括无线发送单元和无线接收单元;
所述无线发送单元和无线接收单元均安装在智能阀门和监控中心模块上,安装在智能阀门上的无线发送单元用于将信息采集模块所采集的各项信息数据发送至监控中心模块,安装在监控中心模块上的无线发送单元用于将控制指令发送至智能阀门,安装在智能阀门上的无线接收单元用于接收监控中心模块所发送的控制指令,安装在监控中心模块上的无线接收单元用于接收信息采集单元所采集的各项信息数据。
所述监控中心模块包括数据整合单元、模型训练单元、水垢量预测单元、流量预测单元和峰值判断单元;
所述数据整合单元用于对信息采集模块所采集的各项信息数据,形成训练集,所述模型训练单元用于根据训练集进行水垢量预测模型和流量预测模型的训练,通过训练水垢量预测模型,可以在对智能阀门进行在线监控时,对其内部的水垢量进行分析,进而可以在不拆卸智能阀门的情况下,得知智能阀门内部水垢的含量,通过训练流量预测模型,可以对智能阀门中的流体流量进行预测,进而可以结合实际流量检测数据,进行水垢峰值的分析,所述水垢量预测单元用于结合水垢量预测模型对智能阀门中的水垢量进行预测,所述流量预测单元用于结合流量预测模型对智能阀门的流体流量进行预测,所述峰值判断单元用于对智能阀门内部的水垢峰值位置进行分析和判断,使得在进行水垢清理时,可以大致了解水垢峰值在智能阀门内部的分布情况,进而可以针对性的进行水垢的清理。
实施例:
利用温度采集单元对智能阀门的流体温度数据进行采集,得到温度集合W={45,35,60,…,25,30},单位:℃,利用时间采集单元对智能阀门的使用时长进行记录,得到使用时长集合T={135,258,152,…,215,311};单位:天,利用流量采集单元对智能阀门与管道连接处的流量数据进行采集,得到流量集合L={50,45,60,…,50,55},单位:立方米/小时,利用水垢量采集单元对智能阀门使用后的水垢量数据进行采集,得到水垢量集合S={1.5,2.3,1.9,…,2.5,2.9},单位:kg,水垢量的采集方式通过对智能阀门进行拆卸,对智能阀门内部的水垢量进行清理得到;
集合W、集合T、集合L和集合S组成训练集。
在S2-S4中,所述模型训练单元利用集合W、集合T和集合S训练得到水垢量预测模型:
S0=θ0+θ1*W0+θ2*T0+∈;
其中,S0表示预测水垢量,W0表示实际温度数据,T0表示智能阀门实际使用时长数据,θ0、θ1、θ2均表示线性回归系数,∈表示水垢量误差项,所述水垢量误差项由流体硬度决定;
温度采集单元采集的流体温度为45℃,时间采集单元采集的使用时长数据为125天,通过水垢量预测模型预测的智能阀门内部的水垢量S0为1.62kg
表示智能阀门内部的水垢量未超过设定阈值,水垢的形成不会影响阀门的使用,
表示设定的水垢量阈值;
所述模型训练单元利用集合L和集合S训练得到流量预测模型:
L0=β1*S0+δ;
其中,L0表示预测流量,S0表示预测水垢量数据,β1表示线性回归系数,δ表示流量误差项。
通过模型计算,得到智能阀门的预测流量L0为45,所述流量采集单元采集的实际流量为39.5;
根据下列公式对预测流量与实际流量之间的流量差值ΔL进行计算:
ΔL=L0-L实=5.5;
其中,L实=39.5表示流量采集单元所采集的实际流量数据;
ΔL=5.5≥γ=5,表示实际流量与预测流量之间存在较大的误差值,所述智能阀门内部的水垢产生了峰值,会影响智能阀门的正常使用;
利用峰值判断单元建立流量差值ΔL的线性方程:
Y=k1*ΔL=-3.5*ΔL=19.25cm;
其中,Y=19.25cm表示水垢峰值与流量采集单元采集点之间的距离,具体的距离单元可以根据实际应用进行调整,k1=-3.5表示线性系数;
表明智能阀门内部的水垢峰值在距离流量采集单元19.25cm左右的位置。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。