CN116992393B - 一种基于工业物联网的安全生产监测方法 - Google Patents
一种基于工业物联网的安全生产监测方法 Download PDFInfo
- Publication number
- CN116992393B CN116992393B CN202311258298.1A CN202311258298A CN116992393B CN 116992393 B CN116992393 B CN 116992393B CN 202311258298 A CN202311258298 A CN 202311258298A CN 116992393 B CN116992393 B CN 116992393B
- Authority
- CN
- China
- Prior art keywords
- data
- interval
- time sequence
- component
- vibration signal
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 94
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 description 6
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000009776 industrial production Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H21/00—Adaptive networks
- H03H21/0012—Digital adaptive filters
- H03H21/0043—Adaptive algorithms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Computing Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及数据处理领域,具体涉及一种基于工业物联网的安全生产监测方法,包括:获取机床设备在每个时间的振动信号数据组成的信号波;获取振动信号数据的若干时序间隔;根据每个时序间隔中的数据得到每个时序间隔的信号波动程度,得到所有的异常时序间隔;根据每个异常时序间隔的数据得到基线的恒定值,得到处理后的振动信号数据;获取若干分量和每个分量的若干时序间隔;根据每个分量的每个时序间隔中的数据得到每个分量的最优窗口步长;根据每个分量的最优窗口步长得到每个分量去噪后的数据,根据所有分量去噪后的数据得到修正后的振动信号数据;根据修正后的振动信号数据进行监测。本发明用数据处理方式,提高了监测的准确性。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于工业物联网的安全生产监测方法。
背景技术
在日常生活和工业生产中,随处可见物联网的影子,工业物联网的广泛应用使得现代工业迅速发展,发展的过程中出现了各种各样的挑战。工业生产现场的线路不断增多,包括各种设备连接线和信号传输线路,同时增长的还有各种工业自动化产生的数据量,其次再加上工业信息化程度的提高,有限的人力已经无法管理日益飞速增长的数据以及对生产设备运行状态的监测。基于物联网的工业生产,不光可以节省对设备状态监测所需的人力资源,并且可以有效避免出现一些生产事故的发生,有效提高对设备运行故障的响应效率。
在工业生产有很多的设备,导致对其中一种设备的正常生产过程进行监控时,由于其他设备的干扰和一些噪声的干扰导致监测到的数据不太准确,则通过对监测到的数据进行分析,得到的结果不能很好的去评定设备在生产过程是否是正常的,所以针对监测到的数据要进行去噪处理,得到一个较为准确的监测数据。
发明内容
本发明提供一种基于工业物联网的安全生产监测方法,以解决现有的问题。
本发明的一种基于工业物联网的安全生产监测方法采用如下技术方案:
包括以下步骤:
获取机床设备在每个时间的振动信号数据组成的信号波;
对信号波进行划分,得到信号波的若干时序间隔;
根据信号波的每个时序间隔中的极大值点和极小值点对应的振动信号数据和时间得到信号波的每个时序间隔的信号波动程度,根据信号波的时序间隔的信号波动程度得到信号波的所有异常时序间隔;
根据信号波的每个异常时序间隔的极大值点和极小值点对应的振动信号数据得到信号波的每个异常时序间隔的均值包络线;根据信号波的所有异常时序间隔的均值包络线对应的数据得到基线的恒定值,根据基线的恒定值对振动信号数据进行处理得到处理后的振动信号数据;
对处理后的振动信号数据进行分解,得到若干分量,对每个分量进行划分,得到每个分量的若干时序间隔;根据每个分量的每个时序间隔中的数据得到每个分量的每个时序间隔的信号波动程度;根据每个分量的时序间隔的信号波动程度得到每个分量的最优窗口步长;
根据每个分量的最优窗口步长得到每个分量去噪后的数据,根据所有分量去噪后的数据得到修正后的振动信号数据;
根据修正后的振动信号数据得到异常数据点的个数,根据异常数据点的个数进行机床设备的安全生产监测。
进一步地,所述对信号波进行划分,得到信号波的若干时序间隔,包括的具体步骤如下:
使用预设间隔阈值A对振动信号数据对应的信号波进行均等划分,得到信号波的若干个时序间隔。
进一步地,所述根据信号波的每个时序间隔中的极大值点和极小值点对应的振动信号数据和时间得到信号波的每个时序间隔的信号波动程度,根据信号波的时序间隔的信号波动程度得到信号波的所有异常时序间隔,包括的具体步骤如下:
获得每个时序间隔上的极大值点和极小值点,记为每个时序间隔的极值点,每个时序间隔的信号波动程度的公式为:
式中,表示第c个时序间隔内的第z个极值点对应的振动信号数据,表示第c
个时序间隔内的第z个极值点对应的时间,表示第c个时序间隔内的所有极值点对应的振
动信号数据的均值,表示第c个时序间隔内的所有极值点对应的时间的均值,表示第c
个时序间隔内的所有极值点对应的振动信号数据的标准差,表示第c个时序间隔内的所
有极值点对应的时间的标准差,v表示第c个时序间隔内的所有极值点的个数,表示第c
个时序间隔内的第z个极值点与相邻的第z+1个极值点对应的振动信号数据之间的差异,
表示第c个时序间隔内所有相邻极值点对应的振动信号数据之间差异的均值,表示双
曲线正切函数,表示第c个时序间隔的信号波动程度;
当大于预设阈值B时,则第c个时序间隔为异常时序间隔;当小于等于预设阈值
B时,则第c个时序间隔为正常时序间隔。
进一步地,所述根据信号波的每个异常时序间隔的极大值点和极小值点对应的振动信号数据得到信号波的每个异常时序间隔的均值包络线,包括的具体步骤如下:
获取每个异常时序间隔中的极大值点和极小值点,用所有的极大值点对应的振动信号数据通过最小二乘法使用五次多项式进行线性拟合,将拟合得到的曲线记为上包络线;用所有的极小值点对应的振动信号数据通过最小二乘法使用五次多项式进行线性拟合,将拟合得到的曲线记为下包络线;将每个异常时序间隔中每个时间在上包络线对应的数据和在下包络线对应的数据的均值,记为每个异常时序间隔中每个时间的中间数据,将异常时序间隔中所有时间的中间数据连接得到一条曲线,记为均值包络线。
进一步地,所述根据信号波的所有异常时序间隔的均值包络线对应的数据得到基线的恒定值,根据基线的恒定值对振动信号数据进行处理得到处理后的振动信号数据,包括的具体步骤如下:
基线的恒定值的获取公式为:
式中,表示第p个异常时序间隔的信号波动程度,表示第p个异常时序间隔的
均值包络线上第m个时间的数据,s表示第p个异常时序间隔的均值包络线上所有时间的数
据个数,q表示所有的异常时序间隔的个数,表示基线的恒定值;
将振动信号数据的每个异常时序间隔中的每个数据减去基线的恒定值,得到处理后的振动信号数据。
进一步地,所述对处理后的振动信号数据进行分解,得到若干分量,对每个分量进行划分,得到每个分量的若干时序间隔,包括的具体步骤如下:
对处理后的振动信号数据通过EMD进行分解,得到若干分量,然后使用预设间隔阈值A对每个分量进行均等划分,得到每个分量的若干时序间隔。
进一步地,所述根据每个分量的每个时序间隔中的数据得到每个分量的每个时序间隔的信号波动程度,包括的具体步骤如下:
根据每个分量的每个时序间隔中的极大值点和极小值点对应的数据和时间通过每个时序间隔的信号波动程度的公式得到每个分量的每个时序间隔的信号波动程度。
进一步地,所述每个分量的最优窗口步长的具体获取步骤如下:
将每个分量中信号波动程度相等的时序间隔划分为一个类别,将每个分量中的所有时序间隔划分为若干个类别,每个分量的最优窗口步长的公式为:
式中,表示第i个分量中第j个类别对应的时序间隔的个数,表示第i个分量中
类别的个数,R为预设阈值,表示第i个分量的最优窗口步长,表示向下取整函数。
进一步地,所述根据每个分量的最优窗口步长得到每个分量去噪后的数据,根据所有分量去噪后的数据得到修正后的振动信号数据,包括的具体步骤如下:
以每个分量的每个数据为窗口中心点,获取每个分量的每个数据的最优窗口,其中最优窗口中窗口中心点左边的数据个数等于右边的数据个数等于最优窗口步长,通过每个分量的每个数据的最优窗口使用均值滤波对每个分量进行去噪,得到每个分量去噪后的数据,对所有的分量去噪后的数据进行合并得到修正后的振动信号数据。
进一步地,所述根据修正后的振动信号数据得到异常数据点的个数,根据异常数据点的个数进行机床设备的安全生产监测,包括的具体步骤如下:
将修正后的振动信号数据映射到[-1,1]区间;
将映射后的振动信号数据中大于预设阈值D或小于预设阈值E的数据点记为异常
数据点,获取异常数据点在映射后的振动信号数据的所有数据点中的占比;
当ph大于等于预设阈值F时,机床设备出现异常;当ph小于预设阈值F时,机床设备正常工作。
本发明的技术方案的有益效果是:本发明通过对振动信号数据进行划分时序间隔,获取每个时序间隔信号波动程度,通过时序间隔信号波动程度获取异常时序间隔,根据异常时序间隔中的数据获取基线的恒定值,并通过基线的恒定值对异常时序间隔的数据进行处理,提高数据的可靠性;再通过对处理后的振动信号数据进行分解,根据每个分量的特征再进行具体的自适应的去噪处理,得到修正后的振动信号数据,然后通过修正后的振动信号数据进行异常检测,提高了异常检测的准确性。
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。
图1为本发明一种基于工业物联网的安全生产监测方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于工业物联网的安全生产监测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
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。
下面结合附图具体的说明本发明所提供的一种基于工业物联网的安全生产监测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于工业物联网的安全生产监测方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集机床设备振动信号数据组成的信号波。
需要说明的是,为了分析噪声对机床设备的干扰,需要采集机床设备的振动信号数据。在生产电子元件的机床中,振动传感器通常用于监测和检测机床结构和零件的振动情况。将振动传感器安装在机床的管件位置,如主轴、床身或其他重要部位,确保传感器安装牢固且与机床紧密接触,以准确地感知振动信号。然后将振动传感器与数据采集设备进行连接,确保连接准确。
具体地,使用振动传感器采集机床设备的振动情况,并连接振动分析器得到机床设备在每个时间的振动信号数据,以时间为横轴,以每个时间的振动信号数据为纵轴建立坐标系,得到所有时间的振动信号数据组成的信号波。
至此,得到所有时间的振动信号数据组成的信号波。
步骤S002:划分时序间隔,对时序间隔分析得到每个时序间隔的信号波动程度。
需要说明的是,在正常运行状态下,机床的振动信号通常具有一定的稳定性和周期性,而异常的振动信号数据破坏了振动信号的规律性,可能包含突然增加、突变或剧烈波动等不规则行为,因为异常的振动信号数据在原始信号中的分布较为低频,并且发生突变的振动信号不具一定的稳定性,因为发生异常振动的一瞬间,振动信号波动会很剧烈,然后波动幅值又趋于稳定,所以说异常的振动信号在时序上会呈现一种衰减的趋势。
具体地,预设一个间隔阈值A,其中本实施例以A=30秒为例进行叙述,本实施例不进行具体限定,其中A可根据具体实施情况而定。使用间隔阈值A对振动信号数据对应的信号波进行均等划分,得到信号波的若干个时序间隔。获取每个时序间隔中的极值点对应的振动信号数据,其中,极值点包括极大值点和极小值点;根据每个时序间隔中的极值点对应的振动信号数据得到每个时序间隔的信号波动程度。具体用公式表示为:
式中,表示第c个时序间隔内的第z个极值点对应的振动信号数据,表示第c
个时序间隔内的第z个极值点对应的时间,表示第c个时序间隔内的所有极值点对应的振
动信号数据的均值,表示第c个时序间隔内的所有极值点对应的时间的均值,表示第c
个时序间隔内的所有极值点对应的振动信号数据的标准差,表示第c个时序间隔内的所
有极值点对应的时间的标准差,v表示第c个时序间隔内的所有极值点的个数,表示第c
个时序间隔内的第z个极值点与相邻的第z+1个极值点对应的振动信号数据之间的差异,
表示第c个时序间隔内所有相邻极值点对应的振动信号数据之间差异的均值,表示双
曲线正切函数,表示第c个时序间隔的信号波动程度。
其中,表示时序间隔内极值点对应的振动信号数据的差异大小,
该值越大,表示时序间隔内的数据波动越大,反之,值越小,表示时序间隔内的数据波动越
小。表示极值点对应的振动信号数据变化与极值点对应的时间之间的关
系,由于随着时间的变化,极值点对应的振动信号数据都是降低的,所以极值点对应的振动
信号数据变化与极值点对应的时间之间为负相关,在前面添加一个负号,
保证取值范围在0到1之间,在与相加得到的每个时序间隔的信号波
动程度的取值范围在0到2之间。
预设一个阈值B,其中本实施例以B=1.7为例进行叙述,本实施例不进行具体限定,
其中B可根据具体实施情况而定。当大于阈值B时,则判定第c个时序间隔的为异常时序间
隔;当小于等于阈值B时,则判定第c个时序间隔的为正常时序间隔。
至此,得到异常时序间隔。
步骤S003:根据异常时序间隔数据获取基线,根据基线对振动信号数据处理得到处理后的振动信号数据,对处理后的振动信号数据进行分解,对每个分量进行自适应均值滤波。
需要说明的是,现有的EMD方法会无视异常振动信号的分布特征,在对原始信号的分解过程中可能会将异常振动信号分解为不同的IMF分量,对不同的分量进行滤波操作,然后在对分量进行重构,可能会导致异常信号数据的信息丢失且监测结果出现误差,不利于对机床振动安全的实时监测,所以将先针对数据的监测误差进行修正处理,用处理后的数据在分解自适应滤波,可以提高数据的可靠性,降低异常诊断的干扰。
(1)根据异常时序间隔数据获取基线,根据基线对振动信号数据处理得到处理后的振动信号数据。
进一步需要说明的是,正常的振动信号都会在基线上线均匀波动,那么它的均值包络线都会出现在基线附近,可能会存在较小的差异,出现异常的振动信号就会导致异常振动信号的均值包络线偏移基线,在EMD分解信号的过程中,期望偏离基线的区域的均值包络线在与原始信号作差的时候,会出现分解的异常信号数据过多的情况,为了保证分解过程中不会将异常振动信号分解到不同的IMF分量中,需要将振动信号的均值包络线的不同区域赋予不同的权重,使得异常振动信号趋于的均值包络线在做差值的时候被减去的部分较少,可以在EMD分解过程中较好的保留异常信号的有效信息。
具体的,获取每个异常时序间隔中的极大值点和极小值点,用所有的极大值点对应的振动信号数据通过最小二乘法使用五次多项式进行线性拟合,将拟合得到的曲线记为上包络线;用所有的极小值点对应的振动信号数据通过最小二乘法使用五次多项式进行线性拟合,将拟合得到的曲线记为下包络线;将每个异常时序间隔中每个时间在上包络线对应的数据和在下包络线对应的数据的均值,记为每个异常时序间隔中每个时间的中间数据,将异常时序间隔中所有时间的中间数据连接得到一条曲线,记为均值包络线。其中,本实施例使用的是五次多项式拟合,但在本实施例中不做具体的限定,实施者可根据具体情况而定。
同理,得到每个异常时序间隔的均值包络线。
通过所有异常时序间隔的均值包络线对应的数据得到基线。其中,基线为一个恒定值不变的水平直线。
则基线的恒定值的获取公式为:
式中,表示第p个异常时序间隔的信号波动程度,表示第p个异常时序间隔的
均值包络线上第m个时间的数据,s表示第p个异常时序间隔的均值包络线上所有时间的数
据个数,q表示所有的异常时序间隔的个数,表示基线的恒定值。
其中,对于均值包络线来说,振动信号始终在横轴上下波动,如果振动信号的上下波动程度较为一致的情况下,均值包络线就会与横轴重叠或者就处于横轴附近,则就为正常振动信号数据的均值包络线,对这种均值包络线的补偿程度较小,接近于0程度的补偿,即E的值越小,补偿系数2-E的值越接近于2,时序上每个信号值与补偿系数的乘积越接近于原本的信号值,时序段上的均值包络线与基线形成的面积越接近于原本的面积大小;相反的,E的值越大,越表示时序段上的均值包络线属于异常振动信号区域的均值包络线,我们期望该区域的均值包络线与基线形成的面积相对于原本的面积要减小,也就是将原本时序段上的信号曲线的分解程度变小,即2-E的值越接近于0,时序段上的信号值与补偿系数2-E的乘积的累加形成的面积就会比原本的面积小,这样更能符合我们对异常振动信号EMD分解过程中的补偿效果,根据自适应的面积大小形成的均值包络线在EMD分解的过程中能较好的保留异常振动信号的有效信息,使得异常振动的信号数据不会被分解到不同的分量中。
将振动信号数据的异常时序间隔中的每个数据减去基线的恒定值,得到处理后的振动信号数据。
(2)对处理后的振动信号数据进行分解,对每个分量进行自适应均值滤波。
需要说明的是,由于不同分量的频率是不同的,则噪声对不同频率的分量的影响程度不一样;为了减少噪声对各个分量的影响,所以本实施例针对每个分量数据自身的特征进行自适应的均值滤波。
具体地,对处理后的振动信号数据通过EMD进行分解,得到若干分量,将分量的个数记为n,然后使用步骤S002过程的时序间隔划分和时序间隔的信号波动程度计算。
预设一个阈值R,其中本实施例以R=5为例进行叙述,本实施例不进行具体限定,其中R可根据具体实施情况而定。将每个分量中信号波动程度相等的时序间隔划分为一个类别,将每个分量中的所有时序间隔划分为若干个类别。对各个分量进行自适应窗口大小的选取,得到每个分量的最优窗口步长,用最优窗口步长进行均值滤波。每个分量的最优窗口步长的公式为:
式中,表示第i个分量中第j个类别对应的时序间隔的个数,表示第i个分量中
类别的个数,R为预设阈值,表示第i个分量的最优窗口步长,表示向下取整函数。
其中,表示不同分量中的信号波动程度的信息熵,表示
信息熵的最大极限,表示信号数据波动程度的熵极限,值越接近于1,越表
示不同分量中的信号波动程度较为一致。
至此,得到每个分量的最优窗口步长。
以每个分量的每个数据为窗口中心点,获取每个分量的每个数据的最优窗口,其中最优窗口中窗口中心点左边的数据个数等于右边的数据个数等于最优窗口步长,通过每个分量的每个数据的最优窗口使用均值滤波对每个分量进行去噪,得到每个分量去噪后的数据,对所有的分量去噪后的数据进行合并得到一个较为准确的信号数据,记为修正后的振动信号数据。
至此,得到修正后的振动信号数据。
步骤S004:用修正后的振动信号数据进行工业机床设备的安全生产监测。
将修正后的振动信号数据映射到[-1,1]区间。
设置异常阈值D和E,其中本实施例以D=0.8和E=-0.8为例进行叙述,本实施例不进行具体限定,其中D和E可根据具体实施情况而定。
将映射后的振动信号数据中大于预设阈值D或小于预设阈值E的数据点记为异常数据点。统计映射后的振动信号数据中的异常数据点个数,记为h;将归一化后的振动信号数据中的所有数据点个数记为g。
预设一个阈值F,其中本实施例以F=0.2为例进行叙述,本实施例不进行具体限定,其中F可根据具体实施情况而定。计算异常数据点在总数据点中的比例,用公式表示为:
式中,h表示归一化后的振动信号数据中的异常数据点个数,g表示归一化后的振动信号数据中的所有数据点个数,ph表示异常数据点在总数据点中的比例。
当ph大于等于预设阈值F时,判定机床设备出现异常,需要进行检修;当ph小于预设阈值F时,判定机床设备正常工作,没有出现异常情况。
至此,本实施例完成。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于工业物联网的安全生产监测方法,其特征在于,该方法包括以下步骤:
获取机床设备在每个时间的振动信号数据组成的信号波;
对信号波进行划分,得到信号波的若干时序间隔;
根据信号波的每个时序间隔中的极大值点和极小值点对应的振动信号数据和时间得到信号波的每个时序间隔的信号波动程度,根据信号波的时序间隔的信号波动程度得到信号波的所有异常时序间隔;
根据信号波的每个异常时序间隔的极大值点和极小值点对应的振动信号数据得到信号波的每个异常时序间隔的均值包络线;根据信号波的所有异常时序间隔的均值包络线对应的数据得到基线的恒定值,根据基线的恒定值对振动信号数据进行处理得到处理后的振动信号数据;
对处理后的振动信号数据进行分解,得到若干分量,对每个分量进行划分,得到每个分量的若干时序间隔;根据每个分量的每个时序间隔中的数据得到每个分量的每个时序间隔的信号波动程度;根据每个分量的时序间隔的信号波动程度得到每个分量的最优窗口步长;
根据每个分量的最优窗口步长得到每个分量去噪后的数据,根据所有分量去噪后的数据得到修正后的振动信号数据;
根据修正后的振动信号数据得到异常数据点的个数,根据异常数据点的个数进行机床设备的安全生产监测;
所述根据信号波的每个时序间隔中的极大值点和极小值点对应的振动信号数据和时间得到信号波的每个时序间隔的信号波动程度,根据信号波的时序间隔的信号波动程度得到信号波的所有异常时序间隔,包括的具体步骤如下:
获得每个时序间隔上的极大值点和极小值点,记为每个时序间隔的极值点,每个时序间隔的信号波动程度的公式为:
;
式中,表示第c个时序间隔内的第z个极值点对应的振动信号数据,/>表示第c个时序间隔内的第z个极值点对应的时间,/>表示第c个时序间隔内的所有极值点对应的振动信号数据的均值,/>表示第c个时序间隔内的所有极值点对应的时间的均值,/>表示第c个时序间隔内的所有极值点对应的振动信号数据的标准差,/>表示第c个时序间隔内的所有极值点对应的时间的标准差,v表示第c个时序间隔内的所有极值点的个数,/>表示第c个时序间隔内的第z个极值点与相邻的第z+1个极值点对应的振动信号数据之间的差异,/>表示第c个时序间隔内所有相邻极值点对应的振动信号数据之间差异的均值,/>表示双曲线正切函数,/>表示第c个时序间隔的信号波动程度;
当大于预设阈值B时,则第c个时序间隔为异常时序间隔;当/>小于等于预设阈值B时,则第c个时序间隔为正常时序间隔;
所述每个分量的最优窗口步长的具体获取步骤如下:
将每个分量中信号波动程度相等的时序间隔划分为一个类别,将每个分量中的所有时序间隔划分为若干个类别,每个分量的最优窗口步长的公式为:
;
式中,表示第i个分量中第j个类别对应的时序间隔的个数,/>表示第i个分量中类别的个数,R为预设阈值,/>表示第i个分量的最优窗口步长,/>表示向下取整函数。
2.根据权利要求1所述一种基于工业物联网的安全生产监测方法,其特征在于,所述对信号波进行划分,得到信号波的若干时序间隔,包括的具体步骤如下:
使用预设间隔阈值A对振动信号数据对应的信号波进行均等划分,得到信号波的若干个时序间隔。
3.根据权利要求1所述一种基于工业物联网的安全生产监测方法,其特征在于,所述根据信号波的每个异常时序间隔的极大值点和极小值点对应的振动信号数据得到信号波的每个异常时序间隔的均值包络线,包括的具体步骤如下:
获取每个异常时序间隔中的极大值点和极小值点,用所有的极大值点对应的振动信号数据通过最小二乘法使用五次多项式进行线性拟合,将拟合得到的曲线记为上包络线;用所有的极小值点对应的振动信号数据通过最小二乘法使用五次多项式进行线性拟合,将拟合得到的曲线记为下包络线;将每个异常时序间隔中每个时间在上包络线对应的数据和在下包络线对应的数据的均值,记为每个异常时序间隔中每个时间的中间数据,将异常时序间隔中所有时间的中间数据连接得到一条曲线,记为均值包络线。
4.根据权利要求1所述一种基于工业物联网的安全生产监测方法,其特征在于,所述根据信号波的所有异常时序间隔的均值包络线对应的数据得到基线的恒定值,根据基线的恒定值对振动信号数据进行处理得到处理后的振动信号数据,包括的具体步骤如下:
基线的恒定值的获取公式为:
;
式中,表示第p个异常时序间隔的信号波动程度,/>表示第p个异常时序间隔的均值包络线上第m个时间的数据,s表示第p个异常时序间隔的均值包络线上所有时间的数据个数,q表示所有的异常时序间隔的个数,/>表示基线的恒定值;
将振动信号数据的每个异常时序间隔中的每个数据减去基线的恒定值,得到处理后的振动信号数据。
5.根据权利要求2所述一种基于工业物联网的安全生产监测方法,其特征在于,所述对处理后的振动信号数据进行分解,得到若干分量,对每个分量进行划分,得到每个分量的若干时序间隔,包括的具体步骤如下:
对处理后的振动信号数据通过EMD进行分解,得到若干分量,然后使用预设间隔阈值A对每个分量进行均等划分,得到每个分量的若干时序间隔。
6.根据权利要求1所述一种基于工业物联网的安全生产监测方法,其特征在于,所述根据每个分量的每个时序间隔中的数据得到每个分量的每个时序间隔的信号波动程度,包括的具体步骤如下:
根据每个分量的每个时序间隔中的极大值点和极小值点对应的数据和时间通过每个时序间隔的信号波动程度的公式得到每个分量的每个时序间隔的信号波动程度。
7.根据权利要求1所述一种基于工业物联网的安全生产监测方法,其特征在于,所述根据每个分量的最优窗口步长得到每个分量去噪后的数据,根据所有分量去噪后的数据得到修正后的振动信号数据,包括的具体步骤如下:
以每个分量的每个数据为窗口中心点,获取每个分量的每个数据的最优窗口,其中最优窗口中窗口中心点左边的数据个数等于右边的数据个数等于最优窗口步长,通过每个分量的每个数据的最优窗口使用均值滤波对每个分量进行去噪,得到每个分量去噪后的数据,对所有的分量去噪后的数据进行合并得到修正后的振动信号数据。
8.根据权利要求1所述一种基于工业物联网的安全生产监测方法,其特征在于,所述根据修正后的振动信号数据得到异常数据点的个数,根据异常数据点的个数进行机床设备的安全生产监测,包括的具体步骤如下:
将修正后的振动信号数据映射到[-1,1]区间;
将映射后的振动信号数据中大于预设阈值D或小于预设阈值E的数据点记为异常数据点,获取异常数据点在映射后的振动信号数据的所有数据点中的占比;
当ph大于等于预设阈值F时,机床设备出现异常;当ph小于预设阈值F时,机床设备正常工作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311258298.1A CN116992393B (zh) | 2023-09-27 | 2023-09-27 | 一种基于工业物联网的安全生产监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311258298.1A CN116992393B (zh) | 2023-09-27 | 2023-09-27 | 一种基于工业物联网的安全生产监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116992393A CN116992393A (zh) | 2023-11-03 |
CN116992393B true CN116992393B (zh) | 2023-12-22 |
Family
ID=88530662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311258298.1A Active CN116992393B (zh) | 2023-09-27 | 2023-09-27 | 一种基于工业物联网的安全生产监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116992393B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117375626B (zh) * | 2023-12-08 | 2024-03-08 | 北京奥力斯特投资管理有限公司 | 一种智慧供热异常数据传输方法及系统 |
CN117633554B (zh) * | 2023-12-14 | 2024-05-14 | 艾信智慧医疗科技发展(苏州)有限公司 | 医用箱式物流传输监测及预警系统 |
CN117420346B (zh) * | 2023-12-19 | 2024-02-27 | 东莞市兴开泰电子科技有限公司 | 一种电路保护板过流值检测方法及系统 |
CN117599519B (zh) * | 2024-01-24 | 2024-04-12 | 山东泽林农业科技有限公司 | 一种用于数字化反冲洗一体机的智能控制方法 |
CN117871466B (zh) * | 2024-03-12 | 2024-05-24 | 苏州安易得安全科技有限公司 | 一种监测数据自检的激光甲烷探测器 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107356427A (zh) * | 2017-07-10 | 2017-11-17 | 成都航空职业技术学院 | 一种基于经验模态分解的电机铁芯异常检测方法 |
CN110558974A (zh) * | 2019-09-06 | 2019-12-13 | 江苏华康信息技术有限公司 | 一种基于极值能量分解法的心电图信号分析方法 |
CN110558973A (zh) * | 2019-09-06 | 2019-12-13 | 江苏华康信息技术有限公司 | 一种基于极值能量分解法的心电图信号量化分析方法 |
CN110926571A (zh) * | 2018-09-19 | 2020-03-27 | 联合汽车电子有限公司 | 一种燃油液位传感器准确性的评估和校正系统及方法 |
WO2021000556A1 (zh) * | 2019-07-02 | 2021-01-07 | 中国科学院深圳先进技术研究院 | 一种工业设备剩余有效寿命预测方法、系统及电子设备 |
CN112683395A (zh) * | 2020-11-09 | 2021-04-20 | 山东柯瑞申智能科技有限公司 | 一种elmd和gzc机器状态监测方法及装置 |
CN112697266A (zh) * | 2020-11-09 | 2021-04-23 | 山东柯瑞申智能科技有限公司 | 一种itd和gzc机器状态监测方法及装置 |
CN112697473A (zh) * | 2020-11-09 | 2021-04-23 | 山东柯瑞申智能科技有限公司 | 一种emd和gzc机器状态监测方法及装置 |
CN115574922A (zh) * | 2022-09-07 | 2023-01-06 | 西北农林科技大学 | 一种基于交叉熵的水电机组振动信号降噪方法及系统 |
CN116184968A (zh) * | 2023-04-24 | 2023-05-30 | 山东星峰面粉机械有限公司 | 用于玉米熟粉生产线的生产控制方法及系统 |
CN116701984A (zh) * | 2023-08-04 | 2023-09-05 | 无锡康贝电子设备有限公司 | 基于机器学习的数控机床自动故障诊断系统 |
CN116776168A (zh) * | 2023-08-22 | 2023-09-19 | 惠州帝恩科技有限公司 | 一种试剂管生产数据智能分析方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11822780B2 (en) * | 2019-04-15 | 2023-11-21 | Apple Inc. | Devices, methods, and systems for performing content manipulation operations |
US20220284619A1 (en) * | 2021-03-02 | 2022-09-08 | Lyft, Inc. | Offline optimization of sensor data for agent trajectories |
-
2023
- 2023-09-27 CN CN202311258298.1A patent/CN116992393B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107356427A (zh) * | 2017-07-10 | 2017-11-17 | 成都航空职业技术学院 | 一种基于经验模态分解的电机铁芯异常检测方法 |
CN110926571A (zh) * | 2018-09-19 | 2020-03-27 | 联合汽车电子有限公司 | 一种燃油液位传感器准确性的评估和校正系统及方法 |
WO2021000556A1 (zh) * | 2019-07-02 | 2021-01-07 | 中国科学院深圳先进技术研究院 | 一种工业设备剩余有效寿命预测方法、系统及电子设备 |
CN110558974A (zh) * | 2019-09-06 | 2019-12-13 | 江苏华康信息技术有限公司 | 一种基于极值能量分解法的心电图信号分析方法 |
CN110558973A (zh) * | 2019-09-06 | 2019-12-13 | 江苏华康信息技术有限公司 | 一种基于极值能量分解法的心电图信号量化分析方法 |
CN112683395A (zh) * | 2020-11-09 | 2021-04-20 | 山东柯瑞申智能科技有限公司 | 一种elmd和gzc机器状态监测方法及装置 |
CN112697266A (zh) * | 2020-11-09 | 2021-04-23 | 山东柯瑞申智能科技有限公司 | 一种itd和gzc机器状态监测方法及装置 |
CN112697473A (zh) * | 2020-11-09 | 2021-04-23 | 山东柯瑞申智能科技有限公司 | 一种emd和gzc机器状态监测方法及装置 |
CN115574922A (zh) * | 2022-09-07 | 2023-01-06 | 西北农林科技大学 | 一种基于交叉熵的水电机组振动信号降噪方法及系统 |
CN116184968A (zh) * | 2023-04-24 | 2023-05-30 | 山东星峰面粉机械有限公司 | 用于玉米熟粉生产线的生产控制方法及系统 |
CN116701984A (zh) * | 2023-08-04 | 2023-09-05 | 无锡康贝电子设备有限公司 | 基于机器学习的数控机床自动故障诊断系统 |
CN116776168A (zh) * | 2023-08-22 | 2023-09-19 | 惠州帝恩科技有限公司 | 一种试剂管生产数据智能分析方法及系统 |
Non-Patent Citations (3)
Title |
---|
Quantification of knee vibroarthrographic signal irregularity associated with patellofemoral joint cartilage pathology based on entropy and envelope amplitude measures;Yunfeng Wu等;Computer Methods and Programs in Biomedicine;第130卷;1-12 * |
基于局部均值分解的滚动轴承故障诊断系统研究与应用;刘乐;中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑;C029-39 * |
基于相关系数的多变量异常数据段的检测;庞向坤等;控制工程;第27卷(第01期);194-200 * |
Also Published As
Publication number | Publication date |
---|---|
CN116992393A (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116992393B (zh) | 一种基于工业物联网的安全生产监测方法 | |
CN116955938B (zh) | 一种基于数据分析的干式废气处理设备监测方法及系统 | |
CN116881745B (zh) | 基于大数据的压力变送器异常监测方法 | |
CN110287827B (zh) | 一种基于数据关联性的桥梁应变数据异常值识别方法 | |
CN116842348B (zh) | 基于人工智能的桥梁健康监测系统 | |
EP1264412A2 (en) | Complex signal decomposition and modeling | |
CN110307895B (zh) | 异声判定装置以及异声判定方法 | |
US8437986B2 (en) | Method for detecting and filtering a random noise signal | |
CN110717472B (zh) | 基于改进的小波阈值去噪的故障诊断方法及系统 | |
CN117454085B (zh) | 一种车辆在线监控方法及系统 | |
CN116976684B (zh) | 用于物流输送机的风险模型预测控制方法及系统 | |
CN111797889A (zh) | 基于分段线性表示的单变量报警系统性能评价方法及系统 | |
CN115540799A (zh) | 一种适用于位移检测装置的运行效率评估系统 | |
CN117434153A (zh) | 基于超声波技术的道路无损检测方法及系统 | |
CN108508860B (zh) | 一种基于耦合关系的流程工业生产系统数据监测方法 | |
CN117390568A (zh) | 基于增强Transformer模型的芯片封装丝网印刷机的异常检测方法 | |
CN117451963A (zh) | 一种氨氮废水高效检测系统 | |
CN117213569A (zh) | 一种超声波流量检测方法 | |
CN116842410A (zh) | 一种基于动态感知的智能头盔防盗管理方法以及系统 | |
CN115200797B (zh) | 一种用于零泄露阀的泄露检测系统 | |
CN115163195A (zh) | 煤矿采煤工作面瓦斯传感器数值失真识别方法与系统 | |
CN112525337B (zh) | 一种针对机械压力机振动监测数据预处理方法 | |
CN108733812B (zh) | 基于全局信息的时间序列数据中异常数据点的识别方法 | |
CN113229826A (zh) | 一种qrs波检测方法、装置及电子设备 | |
CN113408383A (zh) | 基于有界β(g,h)分布和MWKPCA的可听噪声无效数据判定方法 |
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 |