CN117032054B - 基于人工智能的工业设备控制方法 - Google Patents

Abstract

本发明公开了基于人工智能的工业设备控制方法，本发明涉及设备异常控制技术领域，解决了未对工业设备进行自适应分析处理，来判定工业设备是否处于真实的异常情况的问题，本发明通过对异常节点所产生的参数逐步分析，在分析过程中，依次确认对应的平稳阶段区间，后续，通过此平稳阶段区间，来确认对应的异常节点是否真实存在异常情况，首先需确认此异常单点最为平稳的一组参数区间，根据所确认的参数区间，来判定此异常节点是否存在真实异常情况，在大多数情况，因节点之间的连带反应，或节点的异常波动，也会造成节点被判定异常节点的情况，便可提升异常节点判定的准确性，避免出现误判的情况。

Description

基于人工智能的工业设备控制方法

技术领域

本发明涉及设备异常控制技术领域，具体为基于人工智能的工业设备控制方法。

背景技术

人工智能英文缩写为AI；它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学，在工业设备领域，已达到充分利用，对工业设备进行实时监测，并记录对应的设备参数；

专利公开号为CN113191659A申请公开了一种基于物联网的设备工作状态监测方法，其基于统计模型的深度学习技术来监测工业设备的工作效果，以对工业设备的工作状态进行智能地控制；具体地，在本申请中，将准确地监测工业设备的工作效果的问题转换为基于预定条件的特征提取和分类问题，对静态和动态条件数据分别进行处理，并且与通过图像特征的提取和识别的方式来获取高维图像特征进行特征融合和分类，通过这样的方式来提高分类准确性。这样，结合工业互联网技术和人工智能技术对于工业设备的状态进行智能监控，以优化其工作效果。

人工智能针对于工业设备进行智能监测控制时，一般根据对应节点所产生的输出参数，来判定此类工业设备是否属于正常状态，在正常情况下，因节点之间的连带反应或参数波动，也会导致工业设备处于异常状态，但实际上此设备并不处于异常状态，便造成误判情况，因系统未对工业设备进行自适应分析处理，来判定工业设备是否处于真实的异常情况，导致控制参数出现偏差。

发明内容

针对现有技术的不足，本发明提供了基于人工智能的工业设备控制方法，解决了未对工业设备进行自适应分析处理，来判定工业设备是否处于真实的异常情况的问题。

为实现以上目的，本发明通过以下技术方案予以实现：基于人工智能的工业设备控制方法，包括以下步骤：

S1、采用人工智能设备对若干个工业设备的工作参数进行监测，并根据所监测的工作参数，判定对应工业设备内部不同节点是否存在异常，若存在异常，则进行下一步处理，若不存在异常，则不进行任何处理，具体方式为：

S11、将不同工业设备不同节点所采集的工作参数标记为CS_i-k，其中i代表不同的工业设备，k代表不同的节点，将所采集的工作参数CS_i-k与预设区间进行比对，其中不同节点对应不同的预设区间，当CS_i-k∈预设区间时，不进行任何处理，反之，将对应的测试点位标记为异常单点DD_i-k；

S12、根据异常单点DD_i-k的标记i以及k，确认此单点的关联单点是否异常，若异常，则将存在关联且连续的单点进行捆绑，得到异常单点序列集合，若不存在异常情况，则不进行任何处理；

S2、对存在异常的节点进行周期监测，并根据异常节点所产生的输出参数构建监测波形，并对不同节点的监测波形进行分析，确认出属于对应节点平稳阶段区间，具体方式为：

S21、确认异常单点DD_i-k，并对异常单点DD_i-k进行周期监测，将输入参数逐渐提高，其中输入参数的具体数值为横向坐标轴，输出参数的具体数值为竖向坐标轴，其中不同节点的输入参数设定有指定的控制区间，按照控制区间内部数值从小至大的方式，对输入参数进行逐渐改变，并同时确认出输出参数，根据输入参数以及输出参数的对应关系，构建属于此异常单点的监测波形图；

S22、确认一组分割阈值，使用分割阈值将监测波形图内横向坐标轴进行分割，使监测波形图划分为若干个微分图，其中分割阈值为预设参数；

S23、确认微分图的初始波形走向趋势，当下一组波形走向趋势相反时，生成波动信号，当后续的波形走向趋势一直都处于相反波动时，便持续生成波动信号，对每个微分图内所出现的波动信号的次数进行记录，并将其标记为CC_t，其中t代表不同的波形图，将CC_t与预设值Y1进行比对，当CC_t＞Y1时，不进行任何处理，反之，将对应的微分图标记为平稳图；

S24、若平稳图出现多个，则对内部所出现的趋势值进行确认，其趋势值=（下一输出参数-上一输出参数）÷间隔输入参数，将所确认的若干组趋势值进行绝对值处理后，再进行均值处理，得到适配比对参，其中不同的平稳图对应不同的适配比对参，将数值最小的适配比对参所对应的平稳图标记为最佳平稳图，并提取此最佳平稳图两端的输入参数，生成属于此异常单点的平稳阶段区间；

S25、确认此异常单点是否属于异常单点序列集合，若不属于，则不进行任何处理，若属于，分析确认此异常单点序列集合内其他节点是否与本节点的平稳阶段区间存在相交情况，若存在，则直接选取相交段作为本节点的平稳阶段区间，若不存在，则不进行任何处理；

S3、根据异常节点所确认的平稳阶段区间，采用此平稳阶段区间内部的输入参数，对异常节点进行再测试处理，判定此异常节点是否异常，若异常，则将此节点标记为真实异常节点，反之，则将此节点标记为正常节点，具体方式为：

S31、确认对应异常节点所对应的平稳阶段区间，并确认此平稳阶段区间的输入参数，将此输入参数传输至此异常节点内，并记录此异常节点的输出参数；

S32、将输出参数与预设区间进行比对，其中不同节点对应不同的预设区间，当输出参数∈预设区间时，将此异常节点标记为正常节点，反之，将此异常节点标记为真实异常节点；

S4、对真实异常节点进行极限测试处理，判定此真实异常节点是否存在故障问题，若存在，则生成故障信号，若不存在，则生成异常信号，具体方式为：

S41、根据所确认的真实异常节点，从系统内确认此真实异常节点的极限测试参数，其中极限测试参数为预设参数，采用极限测试参数进行点位测试，每次测试时间为1秒，间隔周期为15s，记录此真实异常节点的输出参数，并标记为SSg，其中g代表不同时间点所对应的输出参数；

S42、将输出参数SSg与预设参数Y2进行比对，其中Y2为预设值，当SSg＞Y2时，生成故障信号，并直接进行展示，反之，生成异常信号，直接进行展示。

有益效果

本发明提供了基于人工智能的工业设备控制方法。与现有技术相比具备以下有益效果：

本发明通过对异常节点所产生的参数逐步分析，在分析过程中，依次确认对应的平稳阶段区间，后续，通过此平稳阶段区间，来确认对应的异常节点是否真实存在异常情况，首先需确认此异常单点最为平稳的一组参数区间，根据所确认的参数区间，来判定此异常节点是否存在真实异常情况，在大多数情况，因节点之间的连带反应，或节点的异常波动，也会造成节点被判定异常节点的情况，便可提升异常节点判定的准确性，避免出现误判的情况；

为了确认此真实异常节点是否存在故障问题，需要对此真实异常节点进行极限测试，并在极限测试过程中，确认出对应的输出参数，根据所确认的输出参数，判定此真实异常节点是否存在故障问题，从而及时作出应对措施，避免影响后续节点的正常使用。

附图说明

图1为本发明方法流程示意图。

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。

实施例一

请参阅图1，本申请提供了基于人工智能的工业设备控制方法，包括以下步骤：

S1、采用人工智能设备对若干个工业设备的工作参数进行监测，并根据所监测的工作参数，判定对应工业设备内部不同节点是否存在异常，若存在异常，则进行下一步处理，若不存在异常，则不进行任何处理，其中，分析对应节点是否存在异常的具体方式为：

S11、将不同工业设备不同节点所采集的工作参数标记为CS_i-k，其中i代表不同的工业设备，k代表不同的节点，将所采集的工作参数CS_i-k与预设区间进行比对，其中不同节点对应不同的预设区间，且预设区间两端端值均由操作人员提前拟定，当CS_i-k∈预设区间时，不进行任何处理，反之，将对应的测试点位标记为异常单点DD_i-k；

S12、根据异常单点DD_i-k的标记i以及k，确认此单点的关联单点是否异常，若异常，则将存在关联且连续的单点进行捆绑，得到异常单点序列集合，若不存在异常情况，则不进行任何处理，具体的，所谓存在相互关联的单点，就是存在联动的点位，例如电机的工作参数影响转轴的转速，当一个点位异常时，可能就是源头所引起；

S2、对存在异常的节点进行周期监测，并根据异常节点所产生的输出参数构建监测波形，并对不同节点的监测波形进行分析，确认出属于对应节点平稳阶段区间，其中，进行分析的具体方式为：

S21、确认异常单点DD_i-k，并对异常单点DD_i-k进行周期监测，将输入参数逐渐提高，其中输入参数的具体数值为横向坐标轴，输出参数的具体数值为竖向坐标轴，其中不同节点的输入参数设定有指定的控制区间，且控制区间内部的端点值均由操作人员根据经验拟定，按照控制区间内部数值从小至大的方式，对输入参数进行逐渐改变，并同时确认出输出参数，根据输入参数以及输出参数的对应关系，构建属于此异常单点的监测波形图；

S22、确认一组分割阈值，使用分割阈值将监测波形图内横向坐标轴进行分割，使监测波形图划分为若干个微分图，其中分割阈值为预设参数，其具体数值由操作人员根据经验拟定；

S23、确认微分图的初始波形走向趋势，当下一组波形走向趋势相反时，生成波动信号，当后续的波形走向趋势一直都处于相反波动时，便持续生成波动信号，对每个微分图内所出现的波动信号的次数进行记录，并将其标记为CC_t，其中t代表不同的波形图，将CC_t与预设值Y1进行比对，其中Y1的具体取值由操作人员根据经验拟定，且Y1一般取值2，当CC_t＞Y1时，不进行任何处理，反之，将对应的微分图标记为平稳图；

S24、若平稳图出现多个，则对内部所出现的趋势值进行确认，其趋势值=（下一输出参数-上一输出参数）÷间隔输入参数，便就是点位之间的趋势，将所确认的若干组趋势值进行绝对值处理后，再进行均值处理，得到适配比对参，其中不同的平稳图对应不同的适配比对参，将数值最小的适配比对参所对应的平稳图标记为最佳平稳图，并提取此最佳平稳图两端的输入参数，生成属于此异常单点的平稳阶段区间；

S25、确认此异常单点是否属于异常单点序列集合，若不属于，则不进行任何处理，若属于，分析确认此异常单点序列集合内其他节点是否与本节点的平稳阶段区间存在相交情况，若存在，则直接选取相交段作为本节点的平稳阶段区间，若不存在，则不进行任何处理；

具体的，为了区分后续对应异常单点是否存在故障问题，首先需确认此异常单点最为平稳的一组参数区间，根据所确认的参数区间，来判定此异常节点是否存在真实异常情况，在大多数情况，因节点之间的连带反应，或节点的异常波动，也会造成节点被判定异常节点的情况，此种情况为误判情况，但是会影响对应设备后续的正常运行以及正常控制；

S3、根据异常节点所确认的平稳阶段区间，采用此平稳阶段区间内部的输入参数，对异常节点进行再测试处理，判定此异常节点是否异常，若异常，则将此节点标记为真实异常节点，反之，则将此节点标记为正常节点，其中，进行再测试处理的具体方式为：

S31、确认对应异常节点所对应的平稳阶段区间，并确认此平稳阶段区间的输入参数，将此输入参数传输至此异常节点内，并记录此异常节点的输出参数；

S32、将输出参数与预设区间进行比对，其中不同节点对应不同的预设区间，当输出参数∈预设区间时，将此异常节点标记为正常节点，反之，将此异常节点标记为真实异常节点；

S4、对真实异常节点进行极限测试处理，判定此真实异常节点是否存在故障问题，若存在，则生成故障信号，传输至外部显示端内，若不存在，则生成异常信号，传输至外部显示端内，其中，判定此真实异常节点是否存在故障问题的具体方式为：

S41、根据所确认的真实异常节点，从系统内确认此真实异常节点的极限测试参数，其中极限测试参数为预设参数，其具体取值由操作人员提前根据经验拟定，采用极限测试参数进行点位测试，每次测试时间为1秒，间隔周期为15s，记录此真实异常节点的输出参数，并标记为SSg，其中g代表不同时间点所对应的输出参数；

S42、将输出参数SSg与预设参数Y2进行比对，其中Y2为预设值，其具体取值由操作人员根据经验拟定，且一般取值4，当SSg＞Y2时，生成故障信号，并直接进行展示，反之，生成异常信号，直接进行展示。

具体的，为了确认此真实异常节点是否存在故障问题，需要对此真实异常节点进行极限测试，并在极限测试过程中，确认出对应的输出参数，根据所确认的输出参数，判定此真实异常节点是否存在故障问题，从而及时作出应对措施，避免影响后续节点的正常使用。

上述公式中的部分数据均是去其纲量进行数值计算，同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。

以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (3)

1.基于人工智能的工业设备控制方法，其特征在于，包括以下步骤：

S1、采用人工智能设备对若干个工业设备的工作参数进行监测，并根据所监测的工作参数，判定对应工业设备内部不同节点是否存在异常，若存在异常，则进行下一步处理，若不存在异常，则不进行任何处理，具体方式为：

S11、将不同工业设备不同节点所采集的工作参数标记为CS_i-k，其中i代表不同的工业设备，k代表不同的节点，将所采集的工作参数CS_i-k与预设区间进行比对，其中不同节点对应不同的预设区间，当CS_i-k∈预设区间时，不进行任何处理，反之，将对应的测试点位标记为异常单点DD_i-k；

S12、根据异常单点DD_i-k的标记i以及k，确认此单点的关联单点是否异常，若异常，则将存在关联且连续的单点进行捆绑，得到异常单点序列集合，若不存在异常情况，则不进行任何处理；

S2、对存在异常的节点进行周期监测，并根据异常节点所产生的输出参数构建监测波形，并对不同节点的监测波形进行分析，确认出属于对应节点平稳阶段区间，具体方式为：

S21、确认异常单点DD_i-k，并对异常单点DD_i-k进行周期监测，将输入参数逐渐提高，其中输入参数的具体数值为横向坐标轴，输出参数的具体数值为竖向坐标轴，其中不同节点的输入参数设定有指定的控制区间，按照控制区间内部数值从小至大的方式，对输入参数进行逐渐改变，并同时确认出输出参数，根据输入参数以及输出参数的对应关系，构建属于此异常单点的监测波形图；

S22、确认一组分割阈值，使用分割阈值将监测波形图内横向坐标轴进行分割，使监测波形图划分为若干个微分图，其中分割阈值为预设参数；

S23、确认微分图的初始波形走向趋势，当下一组波形走向趋势相反时，生成波动信号，当后续的波形走向趋势一直都处于相反波动时，便持续生成波动信号，对每个微分图内所出现的波动信号的次数进行记录，并将其标记为CC_t，其中t代表不同的波形图，将CC_t与预设值Y1进行比对，当CC_t＞Y1时，不进行任何处理，反之，将对应的微分图标记为平稳图；

S24、若平稳图出现多个，则对内部所出现的趋势值进行确认，其趋势值=（下一输出参数-上一输出参数）÷间隔输入参数，将所确认的若干组趋势值进行绝对值处理后，再进行均值处理，得到适配比对参，其中不同的平稳图对应不同的适配比对参，将数值最小的适配比对参所对应的平稳图标记为最佳平稳图，并提取此最佳平稳图两端的输入参数，生成属于此异常单点的平稳阶段区间；

S25、确认此异常单点是否属于异常单点序列集合，若不属于，则不进行任何处理，若属于，分析确认此异常单点序列集合内其他节点是否与本节点的平稳阶段区间存在相交情况，若存在，则直接选取相交段作为本节点的平稳阶段区间，若不存在，则不进行任何处理；

S3、根据异常节点所确认的平稳阶段区间，采用此平稳阶段区间内部的输入参数，对异常节点进行再测试处理，判定此异常节点是否异常，若异常，则将此节点标记为真实异常节点，反之，则将此节点标记为正常节点；

S4、对真实异常节点进行极限测试处理，判定此真实异常节点是否存在故障问题，若存在，则生成故障信号，若不存在，则生成异常信号。

2.根据权利要求1所述的基于人工智能的工业设备控制方法，其特征在于，所述步骤S3中，对异常节点进行再测试处理的具体方式为：

S31、确认对应异常节点所对应的平稳阶段区间，并确认此平稳阶段区间的输入参数，将此输入参数传输至此异常节点内，并记录此异常节点的输出参数；

S32、将输出参数与预设区间进行比对，其中不同节点对应不同的预设区间，当输出参数∈预设区间时，将此异常节点标记为正常节点，反之，将此异常节点标记为真实异常节点。

3.根据权利要求2所述的基于人工智能的工业设备控制方法，其特征在于，所述步骤S4中，判定此真实异常节点是否存在故障问题的具体方式为：

S41、根据所确认的真实异常节点，从系统内确认此真实异常节点的极限测试参数，其中极限测试参数为预设参数，采用极限测试参数进行点位测试，每次测试时间为1秒，间隔周期为15s，记录此真实异常节点的输出参数，并标记为SSg，其中g代表不同时间点所对应的输出参数；

S42、将输出参数SSg与预设参数Y2进行比对，其中Y2为预设值，当SSg＞Y2时，生成故障信号，并直接进行展示，反之，生成异常信号，直接进行展示。