CN117172757A - 一种无人渔场水产养殖设备机组故障诊断系统及方法 - Google Patents
一种无人渔场水产养殖设备机组故障诊断系统及方法 Download PDFInfo
- Publication number
- CN117172757A CN117172757A CN202311442922.3A CN202311442922A CN117172757A CN 117172757 A CN117172757 A CN 117172757A CN 202311442922 A CN202311442922 A CN 202311442922A CN 117172757 A CN117172757 A CN 117172757A
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- equipment unit
- fishing ground
- digital twin
- unmanned fishing
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 142
- 238000009360 aquaculture Methods 0.000 title claims abstract description 97
- 244000144974 aquaculture Species 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000006854 communication Effects 0.000 claims abstract description 38
- 238000004891 communication Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 21
- 230000003993 interaction Effects 0.000 claims description 15
- 230000007246 mechanism Effects 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 10
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 238000002955 isolation Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000005276 aerator Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Abstract
本发明公开一种无人渔场水产养殖设备机组故障诊断系统及方法,涉及设备机组故障诊断领域。本发明提供的系统包括:设备机组物理实体模块、数据通信模块、设备机组数字孪生模块和软件服务模块。数据通信模块分别与设备机组物理实体模块和设备机组数字孪生模块连接。软件服务模块分别与设备机组数字孪生模块和设备机组物理实体模块连接。本发明通过采用设备机组数字孪生模块构建无人渔场水产养殖设备机组的数字孪生模型,为无人渔场水产养殖设备机组的实时故障诊断提供数据来源与软件平台,能够直观、精准、高效地实现无人渔场水产养殖设备机组的运行监测和故障诊断,进而保障无人渔场生产管理的可靠运行。
Description
技术领域
本发明涉及设备机组故障诊断领域,特别是涉及一种无人渔场水产养殖设备机组故障诊断系统及方法。
背景技术
无人渔场模式是针对传统渔业向现代渔业转型升级问题,出现的一种前瞻性、高效率、可持续的渔业发展方式。通过机器代人实现无人化的养殖模式,势必要增加养殖设备机组的种类和数量,这给设备的检修和维护带来了挑战。设备的工作状态正常与否,将会直接影响生物的生存和生长,如处理不当,会进一步造成重大损失。
目前常见的设备运行维护多采用定期检修、事后维护的方式,即便采用故障诊断的方式,也多数会因为设备故障有效样本少,导致故障诊断精度较低的情况。
发明内容
为解决现有技术存在的上述问题,本发明提供了一种无人渔场水产养殖设备机组故障诊断系统及方法。
为实现上述目的,本发明提供了如下方案。
一种无人渔场水产养殖设备机组故障诊断系统,包括:设备机组物理实体模块、数据通信模块、设备机组数字孪生模块和软件服务模块。
设备机组物理实体模块,包括传感器,用于采集无人渔场水产养殖设备机组的运行数据和环境信息。
数据通信模块,与所述设备机组物理实体模块进行通信,用于对所述运行数据和环境信息进行处理,得到处理数据。
设备机组数字孪生模块,与所述数据通信模块进行通信,植入有故障诊断模型,用于构建无人渔场水产养殖设备机组的数字孪生模型,用于将所述处理数据输入至所述数字孪生模型和所述故障诊断模型得到故障诊断结果。
软件服务模块,分别与所述设备机组数字孪生模块和所述设备机组物理实体模块连接,用于基于所述无人渔场水产养殖设备机组的数字孪生模型确定无人渔场水产养殖设备机组的工作状态信息,并用于基于所述工作状态信息和所述故障诊断结果生成故障诊断调节指令;所述故障诊断调节指令包括所述无人渔场水产养殖设备机组的工作状态调整指令以及所述无人渔场水产养殖设备机组中备用设备的启动指令。
可选地,所述设备机组物理实体模块通过Modbus协议与所述数据通信模块进行通信。
可选地,所述数据通信模块通过TCP/IP协议与所述设备机组数字孪生模块进行通信。
可选地,所述设备机组数字孪生模块构建无人渔场水产养殖设备机组的数字孪生模型的过程包括:基于无人渔场水产养殖设备机组的几何结构与物理规则的映射以及无人渔场水产养殖设备机组的几何结构与化学规则的映射,建立无人渔场水产养殖设备机组的数字孪生体。
在所述数字孪生体中构建无人渔场水产养殖设备机组的工作机理模型得到所述数字孪生模型。
可选地,在所述设备机组数字孪生模块中,采用故障诊断模型得到故障诊断结果的过程包括:将所述处理数据输入到所述数字孪生模型得到数字孪生运行数据。
采用所述故障诊断模型提取所述数字孪生运行数据的特征信息。
对所述特征信息进行分类和回归匹配,以优化得到所述故障诊断结果。
可选地,所述软件服务模块包括人机交互平台;所述人机交互平台通过Web终端页面展示所述数字孪生模型的运行输出结果、所述故障诊断结果以及所述故障诊断调节指令。
可选地,所述故障诊断模型包括多个分支网络和一个中心网络;每一所述分支网络对应一个传感器采集的数据集;所述中心网络用于从多个所述分支网络中提取特征,并用于融合提取的所述特征。
进一步,本发明还提供了一种无人渔场水产养殖设备机组故障诊断方法,应用于上述提供的无人渔场水产养殖设备机组故障诊断系统;所述方法包括:获取无人渔场水产养殖设备机组的运行数据和环境信息。
对所述运行数据和环境信息进行处理,得到处理数据。
构建无人渔场水产养殖设备机组的数字孪生模型。
将所述处理数据输入至故障诊断模型得到故障诊断结果。
基于所述无人渔场水产养殖设备机组的数字孪生模型确定无人渔场水产养殖设备机组的工作状态信息。
基于所述工作状态信息和所述故障诊断结果生成故障诊断调节指令;所述故障诊断调节指令包括所述无人渔场水产养殖设备机组的工作状态调整指令以及所述无人渔场水产养殖设备机组中备用设备的启动指令。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明通过构建无人渔场水产养殖设备机组的数字孪生模型,为无人渔场水产养殖设备机组的实时故障诊断提供数据来源与软件平台,直观、精准、高效地实现无人渔场水产养殖设备机组的运行监测和故障诊断,进而保障无人渔场生产管理的可靠运行。
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为本发明提供的无人渔场水产养殖设备机组故障诊断系统的结构框架图。
图2为本发明提供的无人渔场水产养殖设备机组故障诊断系统的结构示意图。
图3为本发明提供的无人渔场水产养殖设备机组故障诊断方法的流程图。
符号说明:1-设备机组物理实体模块,2-数据通信模块,3-设备机组数字孪生模块,4-软件服务模块。
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。
本发明的目的是提供一种无人渔场水产养殖设备机组故障诊断系统及方法,能够准确、快速、直观的展示故障诊断结果,进而保障无人渔场生产管理的可靠运行。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1和图2所示,本发明提供的无人渔场水产养殖设备机组故障诊断系统,包括:设备机组物理实体模块1、数据通信模块2、设备机组数字孪生模块3和软件服务模块4。
设备机组物理实体模块1包括传感器,设备机组物理实体模块1主要用于采集无人渔场水产养殖设备机组(简称为设备机组)的运行数据和环境信息。其中,无人渔场水产养殖设备机组一般包括微滤机、造流泵和增氧机等设备。基于此,设备机组物理实体模块1中所包含的传感器是指部署在微滤机、造流泵和增氧机等设备之上或周围的运行监测传感器。
数据通信模块2与设备机组物理实体模块1进行通信。数据通信模块2用于对运行数据和环境信息进行处理,得到处理数据。其中,数据通信模块2与设备机组物理实体模块1可以通过Modbus协议进行通信。在实施过程中,数据通信模块2中具体的数据处理过程包括:(1)数据收集:首先从设备上收集各种运行数据,如温度、压力等。(2)数据预处理:对收集到的数据进行清洗和格式化,以便后续处理。(3)数据分析:利用各种算法对预处理后的数据进行分析,生成有用的信息,如设备状态、故障预警等。
进一步,数据通信模块2与设备机组物理实体模块1的通信过程涵盖多种关键数据,包括滤网压力、振动、声音信息、电压、温升、功耗等无人渔场水产养殖设备机组的运行数据以及环境信息等,这些数据就是由设备机组物理实体模块1上部署的各类传感器实时采集的数据。
进一步,在实际应用过程中,数据通信模块2可以包含实时数据采集、数据处理和数据加工等功能。其中,实时数据采集通过Modbus协议的轮询机制,从传感器中采集各项数据指标。采集到的数据经过数据处理和加工,以确保数据的准确性和完整性,并为后续的数字孪生模型建立和故障诊断提供高质量的数据基础。
设备机组数字孪生模块3与数据通信模块2进行通信。设备机组数字孪生模块3中植入有故障诊断模型。设备机组数字孪生模块3用于构建无人渔场水产养殖设备机组的数字孪生模型,用于将处理数据输入至数字孪生模型和故障诊断模型得到故障诊断结果。其中,数据通信模块2可以通过TCP/IP协议与设备机组数字孪生模块3进行通信。其中,可以采用支持向量机算法构建的这一故障诊断模型。
在实际应用过程中,设备机组数字孪生模块3中构建的数字孪生模型包括设备机组内外部结构映射模型和设备机组工作机理模型。这两个模型与故障诊断模型共同构成了设备机组数字孪生模块3,以达到通过连接物理设备与信息空间,实现装备运程监控和管理的目的。其中,设备机组内外部结构映射模型以及设备机组工作机理模型使用几何结构与物理、化学规则的映射,建立了设备机组的数字孪生体。建立的数字孪生体是一种包括结构和工作原理的综合仿真模型。故障诊断模型则利用深度神经网络和支持向量机算法,对实时采集的运行数据进行特征提取,形成特征参数集,以实现精准的故障诊断和预警。
进一步,数字孪生模型的构建过程包括以下几个步骤。
步骤1、获取物理数据:通过传感器等设备获取物理设备的运行数据,通过使用扫描设备对物体进行扫描,获取物体的三维数据。
步骤2、建立工作机理模型:根据设备物理实体的结构和运行原理,建立物理模型,将物理模型转换成数学模型,建立工作机理。步骤3、建立三维模型:使用Unity 3D软件,根据收集到的数据(即物体的三维数据和工作机理)建立数字孪生三维模型。
步骤4、优化展示效果:为数字孪生三维模型添加材质和纹理,使其更加真实,通过添加动画和交互,实现数字孪生模型的动态演示和交互操作。
基于上述构建的数字孪生模型,能够远程查看物理实体设备(即无人渔场水产养殖设备机组)的运行状况,并对无人渔场水产养殖设备机组的异常状况进行管理。
进一步,为了解决实际生产工况的故障样本少、单维传感数据诊断方法不足等问题,本发明中故障诊断模型采用的神经网络由多个分支网络和一个中心网络组成,以用于实现对采集到的滤网压力、振动、声音、电压信号数据进行处理和特征提取,从而实现故障诊断功能。其中,每个传感器数据集(滤网压力、振动、声音、电压)对应一个独立的分支网络,这些分支网络使用不同的卷积层和池化层来并行地处理不同传感器数据,提取单个传感器数据的深层特征,以同时学习不同传感器之间的特征关系,有效地捕获不同传感器所包含的特征信息,从而为故障诊断提供更全面的数据基础。中心网络是该神经网络的核心部分,其主要功能是对从多个分支网络中提取的特征进行融合或整合。在融合时,可以采用基于注意力机制的融合算法,该算法能够重点关注对故障诊断最具有辨识能力的特征信息,以充分挖掘相关信息并提高故障诊断的准确性。融合后的高级特征将被馈送到全连接层,以输出最终的故障诊断结果。全连接层可以根据训练好的模型对特征进行分类和判断,将故障类型进行分类并输出相应的诊断结果。
通过这样的神经网络结构,能够自动从多个传感器数据中提取深层特征,充分利用注意力机制的融合算法挖掘相关信息,并最终输出准确的故障诊断结果。
软件服务模块4分别与设备机组数字孪生模块3和设备机组物理实体模块1连接。此外,为了便于控制指令的传输,软件服务模块4还可以与数据通信模块2连接,或者,在软件服务模块4中设置用于无线通信的单元,以便与无人渔场水产养殖设备机组进行远程通信。软件服务模块4用于基于无人渔场水产养殖设备机组的数字孪生模型确定无人渔场水产养殖设备机组的工作状态信息,并用于基于工作状态信息和故障诊断结果生成故障诊断调节指令。故障诊断调节指令包括无人渔场水产养殖设备机组的工作状态调整指令以及无人渔场水产养殖设备机组中备用设备的启动指令。
在实际应用过程中,软件服务模块4包括人机交互平台。人机交互平台中设置有远程状态三维可视化监控页面、历史数据回顾页面、故障诊断页面以及设备机组控制页面。这些页面通过Web终端展示,以实时显示设备机组数字孪生模块3的运行输出结果,并将设备机组数字孪生模块3的运行输出结果提供给操作人员,以便操作人员实时准确的基于无人渔场水产养殖设备机组工作状态信息进行故障隔离、检修维护等操作。同时,人机交互平台通过与设备机组物理实体模块1、设备机组数字孪生模块3的连接,实现远程监控和控制功能。其中,人机交互平台显示设备机组数字孪生模块3的运行输出结果包括但不限于以下内容:(1)无人渔场水产养殖设备机组的当前工作状态:无人渔场水产养殖设备机组各个部件(如微滤机、造流泵、增氧机等)的运行状态和参数,例如工作状态、转速、温度、压力等。(2)故障诊断结果:通过数字孪生模型和故障诊断模型,人机交互平台可以实时输出对无人渔场水产养殖设备机组的故障诊断结果,指示是否存在故障以及故障的类型和位置。
进一步,远程状态三维可视化监控页面主要用来显示数字孪生模型的实时三维可视化结果,帮助操作人员了解设备机组的当前状态。
历史数据回顾页面主要是为了提供设备历史运行数据的回顾,帮助操作人员理解设备机组的运行趋势和模式。
故障诊断页面主要是为了提供设备机组的故障诊断信息,帮助操作人员快速定位和解决问题。
设备机组控制页面主要是为了提供控制设备机组的界面,以便操作人员通过这个页面对设备进行远程操作和控制。
此外,上述页面还可以显示数据通信模块2得到的处理数据。
进一步,人机交互平台中还可以设置有故障诊断系统页面,该页面可以通过人机交互平台的Web终端展示。操作人员进行故障隔离、检修维护等操作均是通过故障诊断系统页面完成。其中,故障诊断系统页面包括了数字孪生模块中的映射模型和设备机组控制页面。在实际应用过程中,故障诊断系统页面包括故障隔离、备用设备启动以及检修维护等功能。这些功能是通过与设备机组数字孪生模块3和设备机组控制页面的交互来实现的。在故障发生时,根据预先建立的故障诊断模型,能够自动进行故障诊断,并且采取故障隔离和备用设备启动等行为。对于更复杂的故障,操作人员可通过人机交互平台进行进一步的检修维护操作。
其中,设备机组数字孪生模块3和设备机组控制页面的交互过程包括:(1)建立通信:通过网络或数据总线等方式,建立故障诊断系统页面同设备组物理实体之间的通信。此页面可以部署在网络服务器端。(2)获取数据:故障诊断系统页面通过通信获取设备机组数字孪生模块3中的设备运行数据和状态信息,以及设备机组控制页面中的设备控制信息。(3)分析数据:故障诊断系统页通过设备机组数字孪生模块3中的故障诊断模型对获取到的数据进行分析,判断设备是否存在故障或异常情况。(4)显示结果:根据分析结果,在故障诊断系统页面上显示故障诊断结果和处理建议,同时提供备用设备启动和检修维护等功能。(5)控制设备:故障诊断系统页面通过向设备机组物理实体模块1发送控制指令,实现设备的启停、调节等操作。
进一步,本发明还提供了一种无人渔场水产养殖设备机组故障诊断方法,应用于上述提供的无人渔场水产养殖设备机组故障诊断系统。如图3所示,该方法的实现过程具体如下。
步骤100:获取无人渔场水产养殖设备机组的运行数据和环境信息。
基于上述对无人渔场水产养殖设备机组故障诊断系统结构的描述,在实际应用过程中,该步骤还可以获取设备机组的尺寸数据、结构数据、空间位置,以及部署(贴附或固定)在上述设备机组中微滤机、造流泵、增氧机上或/和周围的传感器实时监测的运行特征数据。其中,微滤机用于过滤水中的杂质,造流泵用于产生水流,增氧机用于增加养殖水中的溶解氧。各类传感器包括压力传感器、振动传感器、声传感器、电压传感器、温度传感器、环境传感器等,用于采集的数据指标包括滤网压力、振动、声音信息、电压、机组参数、环境信息等。上述传感器通过RS485接口与数据通信模块连接,并采用Modbus协议进行通信。数据通信模块负责实时采集来自这些传感器的数据,并将其传输到软件服务模块,以用于后续的数据处理和故障诊断。
步骤101:对运行数据和环境信息进行处理,得到处理数据。
在实际应用过程中,对步骤100中采集到的数据进行预处理。其中,通过滤波算法实现平滑数据或去除高频噪声,通过特征提取算法从数据中提取关键特征。例如,从振动数据中提取频谱特征或时域特征。降维算法可以用于将高维数据转换为低维表示,以减少数据存储和计算复杂度。对加工后的数据进行处理,例如,数据插值、数据归一化等。其中,数据插值可以填补数据中的缺失值,确保数据连续性和完整性。数据归一化可以将数据转换为统一的尺度,以消除不同数据指标之间的量纲差异。实时数据采集功能通过数据通信模块与传感器之间的数据通信实现的,具体实现方式可以是采用Modbus轮询机制,即数据通信模块定期向传感器发送请求,获取实时数据。Modbus是一种通信协议,广泛应用于工业自动化领域,它简单易用且效率高,适用于数据通信模块与传感器之间的实时数据传输。软件服务模块为设立在云端的数据处理和存储中心。通过互联网连接,可以随时随地通过电脑、手机、iPad等终端设备远程访问软件服务模块的服务页面,实现对无人渔场水产养殖设备机组的实时监控、故障诊断和控制。
步骤102:构建无人渔场水产养殖设备机组的数字孪生模型。
步骤103:将处理数据输入至数字孪生模型和故障诊断模型得到故障诊断结果。
步骤104:基于无人渔场水产养殖设备机组的数字孪生模型确定无人渔场水产养殖设备机组的工作状态信息。
步骤105:基于工作状态信息和故障诊断结果生成故障诊断调节指令。故障诊断调节指令包括无人渔场水产养殖设备机组的工作状态调整指令以及无人渔场水产养殖设备机组中备用设备的启动指令。
具体的,该步骤105是将软件服务模块根据设备机组的实时运行数据和故障诊断结果作出的决策生成操作指令,并将操作指令下发到现场控制器,以实现设备机组的自动故障诊断、排除或预警,并自动进行故障点隔离,或启动备用设备以及进行例行检修维护等操作。其中,决策和操作指令的生成是通过综合分析设备机组的运行数据和故障诊断结果实现的,其具体的流程如下。
1)、数据分析和特征提取:软件服务模块首先对无人渔场水产养殖设备机组的实时运行数据进行数据分析和特征提取,提取关键的运行指标和故障特征,如温度、压力、振动等参数。
2)、故障诊断:基于前面建立的故障诊断模型,软件服务模块对提取的特征数据进行比对和分析,判断是否存在故障,并确定故障的类型和位置。
3)、决策生成:根据故障诊断结果、无人渔场水产养殖设备机组的实际状态以及预先设定的运行策略,软件服务模块采用特定的算法或规则来生成相应的决策,包括对故障的处理方案、故障点隔离的位置,启动备用设备等。
4)、操作指令下发:生成的决策和操作指令传输到无人渔场水产养殖设备机组的现场控制器,现场控制器根据接收到的指令对无人渔场水产养殖设备机组中的其他设备进行相应的控制和调整,以实现自动故障诊断、排除或预警、故障点隔离或启动备用设备以及进行例行检修维护等操作。
作为另一实施例,生成的决策和操作指令可以通过数据通信模块传输到无人渔场水产养殖设备机组的现场控制器,此时,上述提供的软件服务模块还可以与数据通信模块连接。
软件服务模块在作出决策和指令时,运用改进的深度神经网络根据历史数据和设备机组的工作机理进行学习和优化,以提高故障诊断的准确性和效率。
进一步,在实际应用过程中,步骤102和步骤103中,数字孪生模型的构建以及故障诊断结果优化的过程可以为:1)、利用设备机组的尺寸数据、结构数据、空间位置等信息进行几何结构与物理、化学规则的映射。具体的:首先,收集设备机组的几何参数以及结构细节。其中,几何参数为长度、宽度、高度等,结构细节为材料属性、连接方式等。然后,将这些信息与物理、化学规则进行虚拟映射,即将实际物理结构与相应的数学模型对应起来。通过这样的映射,可以在计算机的数值模拟中模拟设备机组的几何特征和物理性质。
2)、多物理、多尺度的工作过程综合仿真:在建立数字孪生体时,需要综合考虑设备机组的多个物理特性和多个尺度的工作过程。这意味着在仿真过程中,需要同时模拟在不同工作状态下的多种物理现象(例如流体动力学、热传导、声学等)以及不同时间和空间尺度上的行为。通过这样的综合仿真,可以更真实地反映的工作情况。
3)、建立各个设备的工作机理模型:在数字孪生体中,需要对内部各个设备(例如微滤机、造流泵、增氧机等)建立其工作机理模型。这些模型可以基于物理原理、运动学、流体力学等进行建模,并结合实际运行数据进行参数校准,以确保模型的准确性和可靠性。
4)、故障诊断模型的建立:在故障诊断模型的建立中,卷积神经网络用于提取存储的运行数据中的特征信息。具体而言,卷积神经网络可以自动学习和提取复杂的数据特征,将从卷积神经网络中提取的特征参数集与实际故障数据进行训练和验证,建立故障诊断模型。
5)、匹配故障诊断模型结果和数字孪生模型结果,以便优化最终的故障诊断结果。具体的:将实时传感器采集的实时数据输入到数字孪生模型中,通过支持向量机算法提取数字孪生模型运行数据中的特征信息。数字孪生模型能够根据结果进行回归匹配,对的故障诊断进行优化,并输出优化后的故障类型和相关信息(即故障诊断结果),帮助操作人员进行故障隔离、检修维护等操作。
其中,在匹配故障诊断模型结果和数字孪生模型结果时,需要建立基于属性的故障诊断匹配库。基于属性的故障诊断匹配库的具体步骤为:(1)收集数据:收集设备运行过程中的各种数据,包括传感器采集的实时数据、设备运行日志、设备维护记录等。(2)筛选属性:通过分析收集到的数据,筛选出与故障相关的属性,并进行属性归一化处理。(3)建立匹配库:将筛选出来的属性及其对应的故障类型,建立基于属性的故障诊断匹配库。
基于上述构建得到的故障诊断匹配库训练故障诊断模型。其中,训练模型的过程为:(1)根据建立的匹配库,训练故障诊断模型,以便对新的故障进行诊断。(2)进行测试验证:对训练好的故障诊断模型进行测试验证,检查模型的准确性和鲁棒性。
最后,在进行应用优化过程中,将训练好的故障诊断模型应用于实际设备运行监控和管理中,并根据实际应用情况对模型进行优化,提高模型的准确性和实用性。
基于上述描述,本发明利用数字孪生技术,构建数字孪生模型,为无人渔场水产养殖设备机组的实时故障诊断提供数据来源与软件平台,直观、精准、高效地实现无人渔场水产养殖设备机组的运行监测、故障诊断。将采集到的无人渔场水产养殖设备机组的运行特征数据分别输入到各分支网络中,自动提取单个传感器数据的深层特征,学习到的特征由中心网络融合,此外,在融合从多传感器数据中提取的特征时,利用基于注意力机制的融合算法来充分挖掘相关信息,然后将高级特征馈送到全连接层以输出无人渔场水产养殖设备机组的故障诊断结果。对目前无人渔场设备机组故障诊断和预警向全面、直观和准确调控有启发作用,对未来数字渔业产业有促进作用,满足了节约增效、安全可靠的可持续要求。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种无人渔场水产养殖设备机组故障诊断系统,其特征在于,包括:
设备机组物理实体模块,包括传感器,用于采集无人渔场水产养殖设备机组的运行数据和环境信息;
数据通信模块,与所述设备机组物理实体模块进行通信,用于对所述运行数据和环境信息进行处理,得到处理数据;
设备机组数字孪生模块,与所述数据通信模块进行通信,植入有故障诊断模型,用于构建无人渔场水产养殖设备机组的数字孪生模型,用于将所述处理数据输入至所述数字孪生模型和所述故障诊断模型得到故障诊断结果;
软件服务模块,分别与所述设备机组数字孪生模块和所述设备机组物理实体模块连接,用于基于所述无人渔场水产养殖设备机组的数字孪生模型确定无人渔场水产养殖设备机组的工作状态信息,并用于基于所述工作状态信息和所述故障诊断结果生成故障诊断调节指令;所述故障诊断调节指令包括所述无人渔场水产养殖设备机组的工作状态调整指令以及所述无人渔场水产养殖设备机组中备用设备的启动指令。
2.根据权利要求1所述的无人渔场水产养殖设备机组故障诊断系统,其特征在于,所述设备机组物理实体模块通过Modbus协议与所述数据通信模块进行通信。
3.根据权利要求1所述的无人渔场水产养殖设备机组故障诊断系统,其特征在于,所述数据通信模块通过TCP/IP协议与所述设备机组数字孪生模块进行通信。
4.根据权利要求1所述的无人渔场水产养殖设备机组故障诊断系统,其特征在于,所述设备机组数字孪生模块构建无人渔场水产养殖设备机组的数字孪生模型的过程包括:
基于无人渔场水产养殖设备机组的几何结构与物理规则的映射以及无人渔场水产养殖设备机组的几何结构与化学规则的映射,建立无人渔场水产养殖设备机组的数字孪生体;
在所述数字孪生体中构建无人渔场水产养殖设备机组的工作机理模型得到所述数字孪生模型。
5.根据权利要求1所述的无人渔场水产养殖设备机组故障诊断系统,其特征在于,在所述设备机组数字孪生模块中,采用故障诊断模型得到故障诊断结果的过程包括:
将所述处理数据输入到所述数字孪生模型得到数字孪生运行数据;
采用所述故障诊断模型提取所述数字孪生运行数据的特征信息;
对所述特征信息进行分类和回归匹配,以优化得到所述故障诊断结果。
6.根据权利要求1所述的无人渔场水产养殖设备机组故障诊断系统,其特征在于,所述软件服务模块包括人机交互平台;所述人机交互平台通过Web终端页面展示所述数字孪生模型的运行输出结果、所述故障诊断结果以及所述故障诊断调节指令。
7.根据权利要求1所述的无人渔场水产养殖设备机组故障诊断系统,其特征在于,所述故障诊断模型包括多个分支网络和一个中心网络;每一所述分支网络对应一个传感器采集的数据集;所述中心网络用于从多个所述分支网络中提取特征,并用于融合提取的所述特征。
8.一种无人渔场水产养殖设备机组故障诊断方法,其特征在于,应用于如权利要求1-7任意一项所述的无人渔场水产养殖设备机组故障诊断系统;所述方法包括:
获取无人渔场水产养殖设备机组的运行数据和环境信息;
对所述运行数据和环境信息进行处理,得到处理数据;
构建无人渔场水产养殖设备机组的数字孪生模型;
将所述处理数据输入至故障诊断模型得到故障诊断结果;
基于所述无人渔场水产养殖设备机组的数字孪生模型确定无人渔场水产养殖设备机组的工作状态信息;
基于所述工作状态信息和所述故障诊断结果生成故障诊断调节指令;所述故障诊断调节指令包括所述无人渔场水产养殖设备机组的工作状态调整指令以及所述无人渔场水产养殖设备机组中备用设备的启动指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311442922.3A CN117172757A (zh) | 2023-11-02 | 2023-11-02 | 一种无人渔场水产养殖设备机组故障诊断系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311442922.3A CN117172757A (zh) | 2023-11-02 | 2023-11-02 | 一种无人渔场水产养殖设备机组故障诊断系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117172757A true CN117172757A (zh) | 2023-12-05 |
Family
ID=88937826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311442922.3A Pending CN117172757A (zh) | 2023-11-02 | 2023-11-02 | 一种无人渔场水产养殖设备机组故障诊断系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117172757A (zh) |
-
2023
- 2023-11-02 CN CN202311442922.3A patent/CN117172757A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111596604B (zh) | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 | |
WO2022037068A1 (zh) | 一种机床轴承故障诊断方法 | |
CN110554657B (zh) | 一种数控机床运行状态健康诊断系统及诊断方法 | |
CN113190886A (zh) | 一种基于快速仿真数字孪生技术的设备健康监测方法 | |
CN109635483A (zh) | 一种基于电磁检测的电机和泵故障预测分析系统 | |
CN105487530B (zh) | 柴油机排温低故障预测系统及方法 | |
CN112594142B (zh) | 一种基于5g的端云协同风电运维诊断系统 | |
CN112926257A (zh) | 往复式天然气压缩机故障诊断系统以及诊断方法 | |
CN114992106B (zh) | 一种基于数字孪生的泵站机组运行状态分析系统 | |
CN111444169A (zh) | 一种变电站电气设备状态监测与诊断系统及方法 | |
CN104615121B (zh) | 一种列车故障诊断方法及系统 | |
CN114329849B (zh) | 基于数字孪生的充液成形设备健康管控系统和方法 | |
CN115614292B (zh) | 一种立式水泵机组振动监测装置及其方法 | |
CN111651530A (zh) | 一种智能化港口监测系统 | |
CN116186946B (zh) | 一种基于诊断模型的液压系统故障诊断方法及系统 | |
CN115562133A (zh) | 一种轴向柱塞泵智能网关 | |
CN117314094A (zh) | 基于ai智能园区的能源管控方法及系统 | |
CN117270482A (zh) | 基于数字孪生的汽车工厂控制系统 | |
CN117172757A (zh) | 一种无人渔场水产养殖设备机组故障诊断系统及方法 | |
CN114875999A (zh) | 一种用于二次供水系统的泵房运维管理系统 | |
CN115509178A (zh) | 数字孪生驱动的刀具磨损监测方法及数控机床设备 | |
CN114442543A (zh) | 一种适用于水电站故障预警的计算机监测方法 | |
CN107943002B (zh) | 环卫设备故障诊断方法及系统 | |
CN112486096A (zh) | 一种机床运行状态的监控方法 | |
CN114167270B (zh) | 一种基于边缘计算的刀闸状态识别系统 |
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 |