CN116700193A - 工厂车间智能化监控管理系统及其方法 - Google Patents
工厂车间智能化监控管理系统及其方法 Download PDFInfo
- Publication number
- CN116700193A CN116700193A CN202310891800.6A CN202310891800A CN116700193A CN 116700193 A CN116700193 A CN 116700193A CN 202310891800 A CN202310891800 A CN 202310891800A CN 116700193 A CN116700193 A CN 116700193A
- Authority
- CN
- China
- Prior art keywords
- temperature
- power
- time domain
- domain correlation
- equipment
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 34
- 230000002159 abnormal effect Effects 0.000 claims abstract description 24
- 230000005540 biological transmission Effects 0.000 claims abstract description 10
- 239000000779 smoke Substances 0.000 claims abstract description 9
- 238000007726 management method Methods 0.000 claims description 65
- 239000013598 vector Substances 0.000 claims description 45
- 239000011159 matrix material Substances 0.000 claims description 34
- 238000000605 extraction Methods 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 abstract description 25
- 230000026676 system process Effects 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013439 planning Methods 0.000 description 4
- 230000007257 malfunction Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000002542 deteriorative effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004500 asepsis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32368—Quality control
-
- 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)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种工厂车间智能化监控管理系统及其方法，其通过设置于工厂车间的运行设备对产品进行加工处理；对所述运行设备的运行情况进行监测分析，并对运行正常的所述运行设备进行数据传输，对运行异常的所述运行设备进行报警处理；对所述工厂车间的烟雾情况和火灾情况进行监测，并对出现火灾的区域进行预警和灭火处理。这样，可以及时准确地监测预警机械设备的运行情况，提高工厂车间的管理效率与生产效率。
Description
技术领域
本发明涉及智能化监控管理技术领域，尤其涉及一种工厂车间智能化监控管理系统及其方法。
背景技术
随着社会的发展，生产车间管理成为经营计划实施的核心。车间管理系统建立在工业供需链及生产管理各子系统的基础上，旨在为工业企业提供全面的生产任务制定、投料与领料、工序计划与派工、生产检验，以及产品入库全过程的监督与控制。其目标是帮助企业提高业务管理效率与生产效率，减少车间在制品，降低损耗与成本，并提高产品质量与客户满意度。生产管理是指为实现企业经营目标，有效地利用生产资源，对企业生产过程进行计划、组织、控制的管理活动，以生产出满足市场需求的产品或提供服务。其宗旨是以实现企业的经营目标和经营方针为核心，实现产品在品种、质量、数量、交货期、成本等方面的要求，为企业经营目标的实现提供保障。
然而，在现有工厂车间管理方案中，由于车间主要由人和机械设备监管运行，对实际工厂设备的工作状态进行监督时会存在误差。并且，现有的智能管理系统主要通过监测各个数据是否超过阈值来发出预警信息，无法及时准确地监测预警机械设备的运行情况，同时也就降低了工厂车间的管理效率与生产效率，增加了工厂车间的生产损耗和成本，影响了产品质量和客户满意度。
因此，期望一种优化的工厂车间智能化监控管理方案。
发明内容
本发明实施例提供一种工厂车间智能化监控管理系统及其方法，其通过设置于工厂车间的运行设备对产品进行加工处理；对所述运行设备的运行情况进行监测分析，并对运行正常的所述运行设备进行数据传输，对运行异常的所述运行设备进行报警处理；对所述工厂车间的烟雾情况和火灾情况进行监测，并对出现火灾的区域进行预警和灭火处理。这样，可以及时准确地监测预警机械设备的运行情况，提高工厂车间的管理效率与生产效率。
本发明实施例还提供了一种工厂车间智能化监控管理方法，其包括：
通过设置于工厂车间的运行设备对产品进行加工处理；
对所述运行设备的运行情况进行监测分析，并对运行正常的所述运行设备进行数据传输，对运行异常的所述运行设备进行报警处理；
对所述工厂车间的烟雾情况和火灾情况进行监测，并对出现火灾的区域进行预警和灭火处理。
本发明实施例还提供了一种工厂车间智能化监控管理系统，其包括：
加工处理模块，用于通过设置于工厂车间的运行设备对产品进行加工处理；
监测分析模块，用于对所述运行设备的运行情况进行监测分析，并对运行正常的所述运行设备进行数据传输，对运行异常的所述运行设备进行报警处理；
预警和灭火处理模块，用于对所述工厂车间的烟雾情况和火灾情况进行监测，并对出现火灾的区域进行预警和灭火处理。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。在附图中：
图1为本发明实施例中提供的一种工厂车间智能化监控管理方法的流程图。
图2为本发明实施例中提供的一种工厂车间智能化监控管理方法的系统架构的示意图。
图3为本发明实施例中提供的一种工厂车间智能化监控管理方法中步骤120的子步骤的流程图。
图4为本发明实施例中提供的一种工厂车间智能化监控管理方法中步骤122的子步骤的流程图。
图5为本发明实施例中提供的一种工厂车间智能化监控管理系统的框图。
图6为本发明实施例中提供的一种工厂车间智能化监控管理方法的应用场景图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，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的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
在本发明的一个实施例中，图1为本发明实施例中提供的一种工厂车间智能化监控管理方法的流程图。如图1所示，根据本发明实施例的工厂车间智能化监控管理方法100，包括：110，通过设置于工厂车间的运行设备对产品进行加工处理；120，对所述运行设备的运行情况进行监测分析，并对运行正常的所述运行设备进行数据传输，对运行异常的所述运行设备进行报警处理；130，对所述工厂车间的烟雾情况和火灾情况进行监测，并对出现火灾的区域进行预警和灭火处理。
在现有工厂车间管理方案中，由于车间主要由人和机械设备监管运行，对实际工厂设备的工作状态进行监督时会存在误差。并且，现有的智能管理系统主要通过监测各个数据是否超过阈值来发出预警信息，无法及时准确地监测预警机械设备的运行情况，同时也就降低了工厂车间的管理效率与生产效率，增加了工厂车间的生产损耗和成本，影响了产品质量和客户满意度。因此，期望一种优化的工厂车间智能化监控管理方案。
具体地，在本申请的技术方案中，提出了一种工厂车间智能化监控管理方法，其包括：通过设置于工厂车间的运行设备对产品进行加工处理；对所述运行设备的运行情况进行监测分析，并对运行正常的所述运行设备进行数据传输，对运行异常的所述运行设备进行报警处理；对所述工厂车间的烟雾情况和火灾情况进行监测，并对出现火灾的区域进行预警和灭火处理。
图2为本发明实施例中提供的一种工厂车间智能化监控管理方法的系统架构的示意图。图3为本发明实施例中提供的一种工厂车间智能化监控管理方法中步骤120的子步骤的流程图。如图2和图3所示，对所述运行设备的运行情况进行监测分析，并对运行正常的所述运行设备进行数据传输，对运行异常的所述运行设备进行报警处理，包括：121，获取被监测运行设备在预定时间段内多个预定时间点的温度值和功率值；122，对所述多个预定时间点的温度值和功率值进行时序关联特征提取以得到温度-功率多尺度时域关联特征图；以及，123，基于所述温度-功率多尺度时域关联特征图，确定运行设备的运行状态是否正常。
在所述步骤121中，在获取被监测运行设备的温度值和功率值时，确保采集的数据准确、实时，并且覆盖预定时间段内的多个预定时间点，可以使用传感器或仪表设备进行数据采集，并确保设备的稳定性和可靠性。通过获取温度值和功率值，可以了解运行设备的热量产生情况和能量消耗情况，这些数据可以用于后续的分析和判断，帮助确定设备的运行状态是否正常。
在所述步骤122中，在对多个预定时间点的温度值和功率值进行时序关联特征提取时，选择合适的算法和方法，例如，可以使用信号处理技术、时序分析方法或深度学习方法来提取温度-功率多尺度时域关联特征图。通过提取温度-功率多尺度时域关联特征图，可以捕捉到设备运行状态的变化模式和规律，这些特征图可以用于后续的运行状态判断和异常检测，帮助及时发现设备的异常情况。
在所述步骤123中，在基于温度-功率多尺度时域关联特征图确定运行设备的运行状态时，需要建立合适的判断模型或规则，可以使用机器学习算法、统计分析方法或专家经验知识来进行判断。通过确定运行设备的运行状态是否正常，可以及时采取相应的措施。对于正常运行的设备，可以进行数据传输和记录，用于后续的分析和管理；对于异常运行的设备，可以进行报警处理，及时进行维修或调整，避免设备故障或生产事故的发生。
通过上述步骤汇总，工厂车间可以实现对运行设备的准确监测和分析，提高管理效率和生产效率，降低损耗和成本，提高产品质量和客户满意度。
具体地，在所述步骤121中，获取被监测运行设备在预定时间段内多个预定时间点的温度值和功率值。相应地，考虑到在实际进行工厂车间的智能化监控管理过程中，工厂车间的运行设备在正常运行时，温度和功率通常会保持在一定的范围内；如果设备出现故障或异常情况，温度和功率值则会发生异常变化。基于此，在本申请的技术方案中，期望采用基于深度学习的人工智能技术，以通过对运行设备的温度值和功率值进行时序分析来判断运行设备的运行状态是否正常，从而以此帮助企业提高业务管理效率与生产效率，降低损耗与成本，并提高产品质量与客户满意度，从而实现企业的经营目标。
具体地，在本申请的技术方案中，首先，获取被监测运行设备在预定时间段内多个预定时间点的温度值和功率值。应可以理解，工厂车间的运行设备在正常运行时，温度和功率通常会保持在一定的范围内，如果设备出现故障或异常情况，温度和功率值则会发生变化。因此，通过监测设备的温度和功率值，可以实时了解该设备的运行状态。例如，当设备温度异常升高或功率异常变化时，可能表示设备存在故障、过载或其他问题。及时检测到这些异常情况，可以采取相应的措施，如停机维修、调整设备负载等，以避免设备故障进一步恶化，提高设备的可靠性和使用寿命。
应可以理解，在工厂车间中，设备的功率值表示设备消耗的能量，而温度值则反映了设备在运行过程中产生的热量。一般情况下，设备的功率值越高，说明设备消耗的能量越大，可能意味着设备在进行更加复杂或者高强度的工作，而设备在工作过程中产生的热量也会相应增加，导致设备的温度升高。
当设备的温度升高时，可能会对设备的运行产生影响。过高的温度可能会导致设备的故障、损坏或者降低设备的寿命。因此，通过监测设备的温度值，可以及时发现设备的异常情况，采取相应的措施进行修复或者调整，以保证设备的正常运行。另一方面，通过监测设备的功率值，可以了解设备的能耗情况，在工厂车间中，控制设备的功率消耗可以帮助降低能源消耗和成本。通过对功率值的监测和分析，可以识别出设备的能效问题，并采取相应的措施进行优化，提高设备的能源利用效率。
因此，温度值和功率值之间的关系可以提供有关设备运行状态、故障检测、能效优化等方面的信息，帮助提高工厂车间的管理效率和生产效率。
在本申请中，通过监测设备的温度和功率值，可以实时了解设备当前的运行状态。正常运行时，温度和功率值通常会保持在一定的范围内，如果设备出现故障或异常情况，温度和功率值可能会发生变化。因此，通过获取这些数据，可以及时发现设备的异常情况，有助于提前预警和采取相应的措施。
异常的温度和功率值可能表示设备存在故障、过载或其他问题，通过监测这些值，可以及时检测到设备的故障和问题，避免设备故障进一步恶化。例如，当设备温度异常升高时，可能表示设备存在过热问题，需要及时停机维修，当功率异常变化时，可能表示设备负载过大或电力供应问题，需要调整设备负载或检查电力供应情况。
通过及时检测和处理设备的异常情况，可以避免设备故障的发生和恶化，从而提高设备的可靠性和使用寿命，及时的维修和调整可以减少设备的停机时间，提高生产效率和工作效率。
获取温度值和功率值的历史数据可以用于后续的数据分析和优化。通过对这些数据的统计和分析，可以了解设备的运行趋势、能耗情况等，为工厂的生产计划和设备维护提供参考依据。同时，可以通过优化设备的使用和调整工艺参数，进一步提高生产效率和节约能源。
也就是说，获取被监测运行设备的温度值和功率值可以实时了解设备的运行状态，检测设备故障和问题，提高设备可靠性和使用寿命，并为数据分析和优化提供基础，有助于提高工厂车间的管理效率和生产效率，降低损耗和成本，提高产品质量和客户满意度。
具体地，在所述步骤122中，对所述多个预定时间点的温度值和功率值进行时序关联特征提取以得到温度-功率多尺度时域关联特征图。图4为本发明实施例中提供的一种工厂车间智能化监控管理方法中步骤122的子步骤的流程图，如图4所示，对所述多个预定时间点的温度值和功率值进行时序关联特征提取以得到温度-功率多尺度时域关联特征图，包括：1221，将所述多个预定时间点的温度值和功率值分别按照时间维度排列为温度时序输入向量和功率时序输入向量；1222，对所述温度时序输入向量和所述功率时序输入向量进行关联编码以得到温度-功率全时序关联矩阵；1223，对所述温度-功率全时序关联矩阵进行局部关联特征提取以得到温度-功率局部时域关联特征图；1224，对所述温度-功率局部时域关联特征图进行全局关联特征提取以得到温度-功率全局时域关联特征图；以及，1225，融合所述温度-功率局部时域关联特征图和所述温度-功率全局时域关联特征图以得到所述温度-功率多尺度时域关联特征图。
其中，将温度值和功率值按照时间维度排列为温度时序输入向量和功率时序输入向量可以保留时间序列的信息，使得后续的关联编码和特征提取能够充分利用时间相关性。对温度时序输入向量和功率时序输入向量进行关联编码，通过关联编码，可以将温度和功率之间的时序关联性进行建模，捕捉它们之间的时间相关性。对温度-功率全时序关联矩阵进行局部关联特征提取，局部关联特征提取可以识别出温度和功率之间的局部时域关联模式，如短时的温度和功率波动等。温度-功率局部时域关联特征图进行全局关联特征提取，全局关联特征提取可以捕捉到温度和功率之间的整体时域关联模式，如长时间的趋势和周期性变化等，有助于理解设备的长期运行状态和性能变化。融合温度-功率局部时域关联特征图和温度-功率全局时域关联特征图，融合多尺度特征可以综合考虑设备的局部和全局时域关联性，提供更全面的信息来描述温度和功率之间的关系。
换言之，通过提取温度-功率的多尺度时域关联特征，可以更好地理解设备的运行情况，帮助监控设备的性能、预测设备的故障，并提供基础数据用于进一步的数据分析和优化。这有助于提高工厂车间的管理效率和生产效率，降低损耗和成本，提高产品质量和客户满意度。
首先，对于步骤1221，接着，考虑到由于所述温度值和所述功率值在时间维度上都具有着动态性的变化规律，因此，为了能够对于所述温度值和所述功率值在时间维度上的变化特征信息进行提取，在本申请的技术方案中，需要将所述多个预定时间点的温度值和功率值分别按照时间维度排列为温度时序输入向量和功率时序输入向量，以此来分别整合所述温度值和所述功率值在时序上的分布信息。
时间维度是指在监测和记录温度和功率值时，按照时间的先后顺序进行排列和组织数据，对于每个预定的时间点，温度值和功率值都会被记录下来，并按照时间维度形成时序输入向量。
温度时序输入向量是一个包含多个温度值的向量，按照时间的先后顺序排列。每个时间点的温度值都会被记录下来，例如：温度时序输入向量:[T1,T2,T3,...,Tn]，其中，T1表示第一个时间点的温度值，T2表示第二个时间点的温度值，以此类推，Tn表示第n个时间点的温度值。
类似地，功率时序输入向量也是一个包含多个功率值的向量，按照时间的先后顺序排列。每个时间点的功率值都会被记录下来，例如：功率时序输入向量:[P1,P2,P3,...,Pn]，其中，P1表示第一个时间点的功率值，P2表示第二个时间点的功率值，以此类推，Pn表示第n个时间点的功率值。
通过将温度值和功率值按照时间维度整合为时序输入向量，可以更好地分析和理解温度和功率在时间上的变化趋势，从而提取出温度-功率的多尺度时域关联特征图，进一步优化工厂车间的智能化监控管理。
这样，可以获取温度值和功率值的数据，从传感器或监测设备中获取温度值和功率值的数据，确保数据的准确性和完整性。可以确定时间点，确定要记录的预定时间点，可以是固定的时间间隔，例如每分钟记录一次，或者根据具体需求进行设定。也可以排列数据，按照时间的先后顺序，将温度值和功率值分别排列为温度时序输入向量和功率时序输入向量。确保每个时间点的温度值和功率值对应正确。还可以形成时序输入向量，将排列好的温度值和功率值分别整合到温度时序输入向量和功率时序输入向量中。每个向量的长度取决于记录的时间点数量。
在本申请一具体示例中，假设有三个预定时间点记录温度和功率值，分别为T1、T2、T3，对应的温度值为[25℃,28℃,30℃]，功率值为[100W,120W,110W]，温度时序输入向量:[25℃,28℃,30℃]，功率时序输入向量:[100W,120W,110W]，通过这样的排列和整合，就可以得到按照时间维度排列的温度时序输入向量和功率时序输入向量，以便进行后续的分析和处理。
然后，对于步骤1222，然后，还考虑到由于所述温度值和所述功率值在时序上不仅具有着各自的动态变化规律，而且这两者之间还具有着时序的协同关联变化特征信息。因此，需要充分捕捉所述温度值和所述功率值之间的时序协同关联特征来进行运行设备的运行状态监测，进而提高异常情况检测的准确性和及时性。具体地，需要对所述温度时序输入向量和所述功率时序输入向量进行关联编码以得到温度-功率全时序关联矩阵。
关联编码是一种将两个不同的时序输入向量进行关联的方法，以获得它们之间的全时序关联矩阵。例如，可以使用时序关联特征提取的方法来实现关联编码，时序关联特征提取是一种将两个时序输入向量进行关联的方法，它可以捕捉它们之间的时域关联特征。其包括步骤：1.将温度时序输入向量和功率时序输入向量进行时序对齐，确保它们具有相同的时间步长和对应的时间点。2.对于每个时间步，将温度和功率的数值作为特征，构成一个时刻的特征向量。3.使用合适的算法(例如，相关性分析、卷积神经网络等)来计算温度-功率特征向量之间的关联程度。4.将关联程度作为关联矩阵的元素，构成温度-功率的全时序关联矩阵。
通过关联编码，以获得温度-功率的全时序关联矩阵，该矩阵可以提供温度和功率之间的关联信息，可以更好地理解设备的运行状态和性能，这样的关联矩阵可以用于进一步的数据分析、异常检测和优化决策。
接着，对于步骤1223，其包括：将所述温度-功率全时序关联矩阵通过基于卷积神经网络模型的局部时域关联特征提取器以得到所述温度-功率局部时域关联特征图。进一步地，使用在局部隐含关联特征提取方面具有优异表现的基于卷积神经网络模型的局部时域关联特征提取器来进行所述温度-功率全时序关联矩阵的特征挖掘，以提取出所述温度-功率全时序关联矩阵中有关于所述温度值和所述功率值在时间维度上的时序协同关联特征分布信息，从而得到温度-功率局部时域关联特征图。
基于卷积神经网络(Convolutional Neural Network，CNN)模型的局部时域关联特征提取器是一种使用CNN来提取温度-功率局部时域关联特征的方法。CNN是一种深度学习模型，广泛应用于图像处理和模式识别任务中，通过在输入数据上应用一系列的卷积操作和池化操作来提取特征，并通过全连接层进行分类或回归。
具体地，基于卷积神经网络模型的局部时域关联特征提取器通常由多个卷积层、激活函数、池化层和全连接层组成，卷积层可以捕捉到温度-功率关联矩阵中的局部关联模式，激活函数可以引入非线性，池化层可以减小特征图的尺寸并保留关键特征，全连接层可以将提取到的特征映射到最终的输出。
然后，对于步骤1224，其包括：通过基于深度神经网络模型的全局特征提取器来对所述温度-功率局部时域关联特征图进行全局关联编码以得到所述温度-功率全局时域关联特征图。其中，所述深度神经网络模型为非局部神经网络模型。应可以理解，考虑到由于卷积是典型的局部操作，其只能提取所述温度-功率全时序关联矩阵中的局部关联特征，而无法关注全局，会影响到后续对于设备运行状态的检测判断精准度。而对于所述温度值和所述功率值来说，这两者之间在时间维度上的不同时间段内都具有着关于设备运行状态的关联关系。因此，在本申请的技术方案中，为了能够充分刻画有关于所述温度值和所述功率值的时序协同关联特性，需要进一步使用非局部神经网络来进一步进行特征提取。
也就是，将所述温度-功率局部时域关联特征图通过基于非局部神经网络模型的全局特征提取器，以通过非局部神经网络模型来扩展特征感受野，从而得到温度-功率全局时域关联特征图。特别地，这里，所述非局部神经网络模型通过计算所述温度-功率全时序关联矩阵中有关于各个预定时间点下的温度和功率之间的相似度捕获隐藏的依赖信息，进而建模上下文特征，使网络关注所述温度值和所述功率值间的整体内容，进而在分类、检测任务中提升主干网络特征提取能力。
非局部神经网络(Non-local Neural Network)是一种用于图像和视频处理的深度学习模型。它通过引入非局部操作来扩展特征感受野，从而捕捉全局上下文信息。非局部神经网络模型的核心思想是利用全局关联信息来增强特征表示能力。传统的卷积神经网络在处理图像时，只能通过局部感受野来获取特征信息，而无法获取全局上下文信息。而非局部神经网络则通过引入非局部操作，使得每个像素点都能够与整个图像中的其他像素点进行关联，从而获得更全局的特征信息。
非局部操作可以看作是一种自注意力机制，它通过计算每个像素点与其他像素点之间的相似度，来确定它们之间的关联程度。这样，每个像素点就可以利用其他像素点的信息来更新自己的特征表示，非局部操作可以在不引入额外参数的情况下，实现全局上下文信息的融合。
在温度-功率局部时域关联特征图的基础上，通过基于非局部神经网络模型的全局特征提取器，可以进一步扩展特征感受野，获取温度-功率全局时域关联特征图。这样可以更好地捕捉设备运行状态的全局上下文信息，提高故障检测和问题诊断的准确性和效率。
最后，对于步骤1225，继而，再融合所述温度-功率局部时域关联特征图和所述温度-功率全局时域关联特征图，以此来融合所述温度值和所述功率值在时间维度上的基于短距离依赖的局部时序协同关联特征信息和基于长距离依赖的全局时序关联特征信息，从而得到温度-功率多尺度时域关联特征图。
特别地，在本申请的技术方案中，融合所述温度-功率局部时域关联特征图和所述温度-功率全局时域关联特征图以得到温度-功率多尺度时域关联特征图时，考虑到所述温度-功率局部时域关联特征图和所述温度-功率全局时域关联特征图分别强化表达温度-功率全时序关联的局部时序关联特征和全局时序关联特征，而所述温度-功率局部时域关联特征图的局部时序关联特征是在所述温度-功率全时序关联矩阵的源时序关联下基于所述局部时域关联特征提取器的卷积神经网络模型的卷积核尺度的时序关联的局部关联特征提取得到的，且所述温度-功率全局时域关联特征图的全局时序关联特征又是在所述局部时序关联特征的基础上进一步基于全局特征提取器的非局部神经网络模型的卷积核尺度下的空间关联特征提取得到的，因此为了提升所述温度-功率局部时域关联特征图和所述温度-功率全局时域关联特征图的融合效果，需要基于所述局部时域关联特征提取器和所述全局特征提取器的用于特征提取的不同尺度的卷积核的空间尺度关联表示来进行融合。
基于此，本申请的申请人对所述温度-功率局部时域关联特征图和所述温度-功率全局时域关联特征图进行全局上下文空间关联富化融合以获得所述温度-功率多尺度时域关联特征图，具体表示为：以如下优化公式对所述温度-功率局部时域关联特征图和所述温度-功率全局时域关联特征图进行全局上下文空间关联富化融合以获得所述温度-功率多尺度时域关联特征图；其中，所述优化公式为：
其中，M1i和M2i分别是所述温度-功率局部时域关联特征图和所述温度-功率全局时域关联特征图的第i个特征矩阵，Mc'是所述温度-功率多尺度时域关联特征图的第i个特征矩阵，(·)T表示矩阵的转置矩阵，和/>分别是矩阵乘法和矩阵加法。
这里，为了聚集在所述温度-功率局部时域关联特征图和所述温度-功率全局时域关联特征图之间关联分布的本地空间语义之间的上下文空间关联语义，所述全局上下文空间关联富化融合通过聚焦于特征图的特征矩阵所表示的空间帧级别(spatial frame-level)的显式上下文相关性，来富化(enriching)全局感知野下的特征矩阵的帧级别的空间语义融合式表达，从而实现所述温度-功率局部时域关联特征图和所述温度-功率全局时域关联特征图的跨通道的空间共享上下文语义的同化(assimilation)融合，以获得较好地融合所述温度-功率局部时域关联特征图和所述温度-功率全局时域关联特征图的局部和全局时序关联特征的所述温度-功率多尺度时域关联特征图，从而提升所述温度-功率多尺度时域关联特征图的特征融合表达效果。这样，能够对于工厂车间的设备运行状态进行实时准确地监测，并对异常情况采取相应措施来提高设备的可靠性和使用寿命，同时帮助企业提高业务管理效率与生产效率，降低损耗与成本，提高产品质量与客户满意度，从而实现企业的经营目标。
具体地，在所述步骤123中，基于所述温度-功率多尺度时域关联特征图，确定运行设备的运行状态是否正常，包括：将所述温度-功率多尺度时域关联特征图通过分类器以得到分类结果，所述分类结果用于表示运行设备的运行状态是否正常。
进而，进一步再将所述温度-功率多尺度时域关联特征图通过分类器以得到分类结果，所述分类结果用于表示运行设备的运行状态是否正常。其包括：将所述温度-功率多尺度时域关联特征图按照行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
也就是，在本申请的技术方案中，所述分类器的标签包括运行设备的运行状态正常(第一标签)，以及，运行设备的运行状态不正常(第二标签)，其中，所述分类器通过软最大值函数来确定所述温度-功率多尺度时域关联特征图属于哪个分类标签。
值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“运行设备的运行状态是否正常”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，运行设备的运行状态是否正常的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“运行设备的运行状态是否正常”的语言文本意义。
应可以理解，在本申请的技术方案中，所述分类器的分类标签为运行设备的运行状态是否正常的检测评估标签，因此，在得到所述分类结果后，可基于所述分类结果来对于工厂车间的设备运行状态进行实时准确监测，并对异常情况采取相应措施来提高设备的可靠性和使用寿命。
综上，基于本发明实施例的工厂车间智能化监控管理方法100被阐明，其可以及时准确地监测预警机械设备的运行情况，提高工厂车间的管理效率与生产效率。
图5为本发明实施例中提供的一种工厂车间智能化监控管理系统的框图。如图5所示，所述工厂车间智能化监控管理系统，包括：加工处理模块210，用于通过设置于工厂车间的运行设备对产品进行加工处理；监测分析模块220，用于对所述运行设备的运行情况进行监测分析，并对运行正常的所述运行设备进行数据传输，对运行异常的所述运行设备进行报警处理；预警和灭火处理模块230，用于对所述工厂车间的烟雾情况和火灾情况进行监测，并对出现火灾的区域进行预警和灭火处理。
本领域技术人员可以理解，上述工厂车间智能化监控管理系统中的各个步骤的具体操作已经在上面参考图1到图4的工厂车间智能化监控管理方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本发明实施例的工厂车间智能化监控管理系统100可以实现在各种终端设备中，例如用于工厂车间智能化监控管理的服务器等。在一个示例中，根据本发明实施例的工厂车间智能化监控管理系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该工厂车间智能化监控管理系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该工厂车间智能化监控管理系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该工厂车间智能化监控管理系统100与该终端设备也可以是分立的设备，并且该工厂车间智能化监控管理系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
图6为本发明实施例中提供的一种工厂车间智能化监控管理方法的应用场景图。如图6所示，在该应用场景中，首先，获取被监测运行设备(例如，如图6中所示意的M)在预定时间段内多个预定时间点的温度值(例如，如图6中所示意的C1)和功率值(例如，如图6中所示意的C2)；然后，将获取的温度值和功率值输入至部署有工厂车间智能化监控管理算法的服务器(例如，如图6中所示意的S)中，其中所述服务器能够基于工厂车间智能化监控管理算法对所述温度值和所述功率值进行处理，以确定运行设备的运行状态是否正常。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种工厂车间智能化监控管理方法，其特征在于，包括：
通过设置于工厂车间的运行设备对产品进行加工处理；
对所述运行设备的运行情况进行监测分析，并对运行正常的所述运行设备进行数据传输，对运行异常的所述运行设备进行报警处理；
对所述工厂车间的烟雾情况和火灾情况进行监测，并对出现火灾的区域进行预警和灭火处理。
2.根据权利要求1所述的工厂车间智能化监控管理方法，其特征在于，对所述运行设备的运行情况进行监测分析，并对运行正常的所述运行设备进行数据传输，对运行异常的所述运行设备进行报警处理，包括：
获取被监测运行设备在预定时间段内多个预定时间点的温度值和功率值；
对所述多个预定时间点的温度值和功率值进行时序关联特征提取以得到温度-功率多尺度时域关联特征图；以及
基于所述温度-功率多尺度时域关联特征图，确定运行设备的运行状态是否正常。
3.根据权利要求2所述的工厂车间智能化监控管理方法，其特征在于，对所述多个预定时间点的温度值和功率值进行时序关联特征提取以得到温度-功率多尺度时域关联特征图，包括：
将所述多个预定时间点的温度值和功率值分别按照时间维度排列为温度时序输入向量和功率时序输入向量；
对所述温度时序输入向量和所述功率时序输入向量进行关联编码以得到温度-功率全时序关联矩阵；
对所述温度-功率全时序关联矩阵进行局部关联特征提取以得到温度-功率局部时域关联特征图；
对所述温度-功率局部时域关联特征图进行全局关联特征提取以得到温度-功率全局时域关联特征图；以及
融合所述温度-功率局部时域关联特征图和所述温度-功率全局时域关联特征图以得到所述温度-功率多尺度时域关联特征图。
4.根据权利要求3所述的工厂车间智能化监控管理方法，其特征在于，对所述温度-功率全时序关联矩阵进行局部关联特征提取以得到温度-功率局部时域关联特征图，包括：将所述温度-功率全时序关联矩阵通过基于卷积神经网络模型的局部时域关联特征提取器以得到所述温度-功率局部时域关联特征图。
5.根据权利要求4所述的工厂车间智能化监控管理方法，其特征在于，对所述温度-功率局部时域关联特征图进行全局关联特征提取以得到温度-功率全局时域关联特征图，包括：通过基于深度神经网络模型的全局特征提取器来对所述温度-功率局部时域关联特征图进行全局关联编码以得到所述温度-功率全局时域关联特征图。
6.根据权利要求5所述的工厂车间智能化监控管理方法，其特征在于，所述深度神经网络模型为非局部神经网络模型。
7.根据权利要求6所述的工厂车间智能化监控管理方法，其特征在于，融合所述温度-功率局部时域关联特征图和所述温度-功率全局时域关联特征图以得到所述温度-功率多尺度时域关联特征图，包括：
以如下优化公式对所述温度-功率局部时域关联特征图和所述温度-功率全局时域关联特征图进行全局上下文空间关联富化融合以获得所述温度-功率多尺度时域关联特征图；
其中，所述优化公式为：
其中，M1i和M2i分别是所述温度-功率局部时域关联特征图和所述温度-功率全局时域关联特征图的第i个特征矩阵，Mc'是所述温度-功率多尺度时域关联特征图的第i个特征矩阵，(·)T表示矩阵的转置矩阵，和/>分别是矩阵乘法和矩阵加法。
8.根据权利要求7所述的工厂车间智能化监控管理方法，其特征在于，基于所述温度-功率多尺度时域关联特征图，确定运行设备的运行状态是否正常，包括：将所述温度-功率多尺度时域关联特征图通过分类器以得到分类结果，所述分类结果用于表示运行设备的运行状态是否正常。
9.一种工厂车间智能化监控管理系统，其特征在于，包括：
加工处理模块，用于通过设置于工厂车间的运行设备对产品进行加工处理；
监测分析模块，用于对所述运行设备的运行情况进行监测分析，并对运行正常的所述运行设备进行数据传输，对运行异常的所述运行设备进行报警处理；
预警和灭火处理模块，用于对所述工厂车间的烟雾情况和火灾情况进行监测，并对出现火灾的区域进行预警和灭火处理。
10.根据权利要求9所述的工厂车间智能化监控管理系统，其特征在于，所述监测分析模块，包括：
数据获取单元，用于获取被监测运行设备在预定时间段内多个预定时间点的温度值和功率值；
时序关联特征提取单元，用于对所述多个预定时间点的温度值和功率值进行时序关联特征提取以得到温度-功率多尺度时域关联特征图；以及
设备的运行状态监测单元，用于基于所述温度-功率多尺度时域关联特征图，确定运行设备的运行状态是否正常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310891800.6A CN116700193A (zh) | 2023-07-20 | 2023-07-20 | 工厂车间智能化监控管理系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310891800.6A CN116700193A (zh) | 2023-07-20 | 2023-07-20 | 工厂车间智能化监控管理系统及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116700193A true CN116700193A (zh) | 2023-09-05 |
Family
ID=87825932
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310891800.6A Pending CN116700193A (zh) | 2023-07-20 | 2023-07-20 | 工厂车间智能化监控管理系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116700193A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117291582A (zh) * | 2023-11-27 | 2023-12-26 | 合肥宝康自动化系统有限公司 | 一种基于数据分析的工业生产互联监控系统 |
| CN117351659A (zh) * | 2023-12-01 | 2024-01-05 | 四川省华地建设工程有限责任公司 | 一种水文地质灾害监测装置及监测方法 |
| CN117370919A (zh) * | 2023-12-08 | 2024-01-09 | 吉林省拓达环保设备工程有限公司 | 污水处理设备远程监控系统 |
| CN117388893A (zh) * | 2023-12-11 | 2024-01-12 | 深圳市移联通信技术有限责任公司 | 一种基于gps的多设备定位系统 |
-
2023
- 2023-07-20 CN CN202310891800.6A patent/CN116700193A/zh active Pending
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117291582A (zh) * | 2023-11-27 | 2023-12-26 | 合肥宝康自动化系统有限公司 | 一种基于数据分析的工业生产互联监控系统 |
| CN117291582B (zh) * | 2023-11-27 | 2024-03-29 | 合肥宝康自动化系统有限公司 | 一种基于数据分析的工业生产互联监控系统 |
| CN117351659A (zh) * | 2023-12-01 | 2024-01-05 | 四川省华地建设工程有限责任公司 | 一种水文地质灾害监测装置及监测方法 |
| CN117351659B (zh) * | 2023-12-01 | 2024-02-20 | 四川省华地建设工程有限责任公司 | 一种水文地质灾害监测装置及监测方法 |
| CN117370919A (zh) * | 2023-12-08 | 2024-01-09 | 吉林省拓达环保设备工程有限公司 | 污水处理设备远程监控系统 |
| CN117370919B (zh) * | 2023-12-08 | 2024-03-01 | 吉林省拓达环保设备工程有限公司 | 污水处理设备远程监控系统 |
| CN117388893A (zh) * | 2023-12-11 | 2024-01-12 | 深圳市移联通信技术有限责任公司 | 一种基于gps的多设备定位系统 |
| CN117388893B (zh) * | 2023-12-11 | 2024-03-12 | 深圳市移联通信技术有限责任公司 | 一种基于gps的多设备定位系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116700193A (zh) | 工厂车间智能化监控管理系统及其方法 | |
| WO2011043108A1 (ja) | 設備状態監視方法、監視システム及び監視プログラム | |
| Pavlovski et al. | Hierarchical convolutional neural networks for event classification on PMU measurements | |
| KR20200110979A (ko) | 공장 설비 결함의 예지보전 시스템 | |
| US20220414526A1 (en) | Intelligent fault detection system | |
| CN117375237B (zh) | 基于数字孪生技术变电站运维方法及系统 | |
| CN111666978B (zh) | 一种it系统运维大数据的智能故障预警系统 | |
| CN116929815A (zh) | 基于物联网的设备工作状态监测系统及其方法 | |
| CN117055502A (zh) | 基于物联网和大数据分析的智能控制系统 | |
| CN113486571A (zh) | 一种机加工设备剩余使用寿命预测方法 | |
| CN113159517B (zh) | 一种三维可视化电网运行数据分析系统 | |
| Fang et al. | A data-driven method for online transient stability monitoring with vision-transformer networks | |
| Bae et al. | Detecting abnormal behavior of automatic test equipment using autoencoder with event log data | |
| Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
| KR102535019B1 (ko) | Graph autoencoder를 활용한 자동화 설비 동작 시퀀스 이상 감지 방법 | |
| CN114881154A (zh) | 一种基于pca和深度森林的天然气场站故障检测方法及系统 | |
| CN111931798B (zh) | 进行冷头状态分类检测和寿命预测的方法 | |
| CN116934304B (zh) | 智能配电房设备运行维护管理系统及其方法 | |
| CN117579513B (zh) | 汇聚分流设备的可视化运维系统及其方法 | |
| CN117648237B (zh) | 性能测试过程自动监控方法 | |
| Wahid et al. | TCRSCANet: Harnessing Temporal Convolutions and Recurrent Skip Component for Enhanced RUL Estimation in Mechanical Systems | |
| CN113159516B (zh) | 一种基于电网运行数据的三维可视化信息分析系统 | |
| Li et al. | Health Monitoring Framework for Weather Radar Based on Long Short‐Term Memory Network with a Real Case Study | |
| Zhou et al. | Transient identification for nuclear power plants based on the similarity of matrices | |
| Lian | Research on health analysis and prediction algorithm of coal mine underground system |
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 |