CN117272214A - 一种安全生产智能管理系统 - Google Patents
一种安全生产智能管理系统 Download PDFInfo
- Publication number
- CN117272214A CN117272214A CN202311551724.0A CN202311551724A CN117272214A CN 117272214 A CN117272214 A CN 117272214A CN 202311551724 A CN202311551724 A CN 202311551724A CN 117272214 A CN117272214 A CN 117272214A
- Authority
- CN
- China
- Prior art keywords
- temperature
- data
- temperature data
- interval
- variation
- 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.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 50
- 238000004804 winding Methods 0.000 claims abstract description 153
- 230000002159 abnormal effect Effects 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012544 monitoring process Methods 0.000 claims abstract description 30
- 238000012937 correction Methods 0.000 claims abstract description 24
- 230000005856 abnormality Effects 0.000 claims abstract description 13
- 230000035772 mutation Effects 0.000 claims description 23
- 238000010606 normalization Methods 0.000 claims description 14
- 238000012423 maintenance Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 7
- 238000007726 management method Methods 0.000 abstract description 23
- 238000013523 data management Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
- G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Filamentary Materials, Packages, And Safety Devices Therefor (AREA)
Abstract
本发明涉及数据管理技术领域，提出了一种安全生产智能管理系统，包括：数据获取模块获取温度数据、转速数据、温度区间和转速区间；全局温度变异系数模块获取温度区间的全局温度变异系数；全局转速变异系数模块获取转速区间的全局转速变异系数；卷芯综合变异度模块获取温度区间的卷芯综合变异度；温度数据类型确定模块获取温度数据的异常得分校正值，进而确定温度数据所属类型；安全生产监控模块：根据温度数据所属类型判断卷芯的工作状态，对生产过程进行精确监控；管理方式确定模块根据温度数据所属类型选取管理方式。本发明解决安全生产管理过程中的异常监测准确率不足的问题。
Description
技术领域
本发明涉及数据管理技术领域，具体涉及一种安全生产智能管理系统。
背景技术
电池作为能源存储和供应的关键技术，被广泛应用于移动设备、便携式电子产品和无线通信设备，其高能量密度和可充电性质为设备提供了灵活性和便捷性。随着可再生能源与新能源技术的发展，电池生产技术也随之发展，目前，电池在平滑能量供应，调节供需平衡、提高电网的可靠性和稳定性上发挥着重要作用。为了对电路提供稳定的电能，在电池的生产过程中，需要对生产步骤进行严格把控。
安全生产管理可以监测生产现场、工艺参数、操作流程和产品质量，及时发现电池的生产过程中潜在的安全隐患，减少人为错误。为自动安全生产管理，可使用孤立森林算法直接基于视频监控获得的原始数据对安全生产过程进行评估，但是，视频监控内包含的信息较为繁杂，会导致孤立森林算法获取的异常数据得分准确率较低，无法为安全生产过程评估提供精确的可视化数据支持，增大后续的生产管理难度，影响生产效率。
发明内容
本发明一个实施例提供了一种安全生产智能管理系统，以解决安全生产管理过程中异常监测准确率不足的问题，该系统包括以下模块：
数据获取模块：根据视频监控数据获取卷绕设备的卷芯的温度数据和转速数据，获取温度序列和转速序列，获取温度区间和转速区间；
全局温度变异系数模块：根据温度序列获取温度数据的局部温度变异系数，根据温度数据的局部温度变异系数确定温度变异点，获取温度变异点的变异剧增指数，获取温度区间的正常点数量，获取温度区间的平均离群因子，进而获取温度区间的全局温度变异系数；
全局转速变异系数模块：获取转速区间的全局转速变异系数；
卷芯综合变异度模块：根据对应同一时间段的温度区间的全局温度变异系数和转速区间的全局转速变异系数获取温度区间的卷芯综合变异度；
温度数据类型确定模块：获取每个温度数据的异常得分，根据温度数据的异常得分和温度数据所在的温度区间的卷芯综合变异度获取温度数据的异常得分校正值，确定温度数据所属类型；
其中，温度数据的异常得分校正值的获取公式为：
式中，为温度数据的异常得分校正值；/>为温度数据的异常得分；/>为温度数据所在的温度区间的卷芯综合变异度；/>为线性归一化函数；
当温度数据的异常得分校正值小于第一判断阈值时，则认为温度数据为卷芯正常运行类的数据；当温度数据的异常得分校正值大于等于第一判断阈值且小于第二判断阈值时，则认为温度数据为卷芯维持运行类的数据；当温度数据的异常得分校正值大于等于第二判断阈值且小于第三判断阈值时，则认为温度数据为卷芯异常运行类的数据；当温度数据的异常得分校正值大于等于第三判断阈值时，则认为温度数据为卷芯危险运行类的数据；
安全生产监控模块：根据温度数据所属类型判断卷芯的工作状态，根据卷芯的工作状态对生产过程进行精确监控；
管理方式确定模块：根据温度数据所属类型选取管理方式。
进一步，所述根据温度序列获取温度数据的局部温度变异系数的获取方法为：
将温度序列中每个温度数据分别作为待分析温度数据；
将待分析温度数据与温度序列中待分析温度数据的前一个温度数据的差值的绝对值记为待分析温度数据的第一温度，将待分析温度数据与温度序列中待分析温度数据的后一个温度数据的差值的绝对值记为待分析温度数据的第二温度；
将待分析温度数据的第一温度与第二温度的均值记为待分析温度数据的变异幅度；
将温度序列中待分析温度数据的前第一时刻之前的温度数据记为第一温度数据，将所有第一温度数据的变异幅度的均值记为待分析温度数据的第一变异幅度均值；
将温度序列中待分析温度数据的后第一时刻之后的温度数据记为第二温度数据，将所有第二温度数据的变异幅度的均值记为待分析温度数据的第二变异幅度均值；
将温度序列中所有温度数据的均值记为温度均值；
将待分析温度数据与温度均值的差值的绝对值记为待分析温度数据的平均温差；
将待分析温度数据的第一变异幅度均值与第二变异幅度均值的最大值与最小值的比值记为第一比值；
将第一比值与待分析温度数据的平均温差的乘积的线性归一化值记为待分析温度数据的局部温度变异系数。
进一步，所述根据温度数据的局部温度变异系数确定温度变异点的获取方法为：
将温度序列中包含的温度数据的局部温度变异系数与温度阈值进行比较，当局部温度变异系数大于温度阈值时，则将局部温度变异系数对应的温度数据标记为温度变异点。
进一步，所述获取温度变异点的变异剧增指数，获取温度区间的正常点数量，获取温度区间的平均离群因子的获取方法为：
将温度序列中所有温度变异点对应的温度数据的均值记为突变平均因子；
根据温度变异点的温度数据和突变平均因子的差值的绝对值记为温度变异点的第一变异剧增指数；
将温度变异点的温度变异集合内所有温度变异点的第一变异剧增指数的均值记为温度变异点的变异剧增指数；
将温度区间内包含的不是温度变异点的温度数据的数量记为温度区间的正常点数量；
对温度序列中包含的所有温度数据进行异常检测，获取每个温度数据对应的局部离群因子，将温度区间内包含的所有温度数据的局部离群因子的均值记为温度区间的平均离群因子。
进一步，所述进而获取温度区间的全局温度变异系数的获取方法为：
将温度区间内包含的所有温度数据的局部温度变异系数的和记为第一和值；
将温度区间中包含的所有温度变异点的变异剧增指数的和记为第二和值；
将第一和值与第二和值以及温度区间的平均离群因子的乘积记为第一乘积；
将第一乘积与温度区间的正常点数量的比值记为温度区间的全局温度变异系数。
进一步，所述获取转速区间的全局转速变异系数的获取方法为：
根据卷绕设备设定参数确定卷芯的标准转速；
获取转速序列中包含的所有转速数据的斜率，将转速区间内所有转速数据的斜率的均值记为转速区间的斜率；
将转速数据与卷芯的标准转速的差值的绝对值记为转速数据的第一绝对差值；
将转速区间内包含的所有转速数据的第一绝对差值的和记为第三和值；
将以自然常数为底数，以转速区间的斜率的相反数为指数的幂与第三和值的乘积记为转速区间的全局转速变异系数。
进一步，所述根据对应同一时间段的温度区间的全局温度变异系数和转速区间的全局转速变异系数获取温度区间的卷芯综合变异度的获取方法为：
将对应同一时间段的温度区间的全局温度变异系数和转速区间的全局转速变异系数的乘积的线性归一化值记为温度区间的卷芯综合变异度。
进一步，所述根据温度数据所属类型判断卷芯的工作状态，根据卷芯的工作状态对生产过程进行精确监控的获取方法为：
卷芯正常运行类的数据表示温度数据的获取时刻时，卷芯的工作状态稳定；
卷芯维持运行类的数据表示温度数据的获取时刻时，卷芯偶尔出现异常状况，但还可继续维持正常运行；
卷芯异常运行类的数据表示温度数据的获取时刻时，卷芯在一种较为危险的状态下运行，卷芯异常工作状态的频率上升；
卷芯危险运行类的数据表示温度数据的获取时刻时，卷芯异常状态明显，卷芯继续运行会引起安全事故，需及时关停设备进行设备检修维护。
本发明的有益效果是：
本发明对卷绕设备的温度数据和转速数据进行分析，首先，根据温度数据的变化幅度获取温度数据的局部温度变异系数，进而对温度区间内包含的温度数据的温度异常状况进行评价，获取温度区间的全局温度变异系数；其次，判断卷芯运行状态处于异常的可能性，根据转速数据获取转速区间的全局转速变异系数；然后，获取温度区间的卷芯综合变异度，即对每个温度区间对应的卷芯工作状态进行判断，根据温度区间的卷芯综合变异度对温度数据的异常得分进行校正，即结合卷芯温度数据以及转速数据实现对温度数据的异常程度精准评价，解决安全生产管理过程中异常监测准确率不足的问题，实时精确地监测卷芯的运行状态，及时发现卷芯设备异常状况并进行相应的处理。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的一种安全生产智能管理系统的流程示意图；
图2为卷芯温度变化示意图。
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。
请参阅图1，其示出了本发明一个实施例提供的一种安全生产智能管理系统流程图，该系统包括以下步骤：
数据获取模块：根据视频监控数据获取温度数据和转速数据，获取温度序列和转速序列，获取温度区间和转速区间。
在电池生产过程中，卷绕设备发生故障会导致卷芯发生异常抖动，进而导致卷芯与设备之间的摩擦增加，产生额外的热能，使得卷芯周围的温度升高。同时，卷芯的异常抖动会导致卷芯与设备接触不稳定，影响卷芯的运行状态，使卷芯的转速下降。进一步的，当出现温度异常和转速异常时，正负极片与隔膜的卷绕也会受到影响，往往会因为隔膜的缠绕不均匀导致正负极片接触触发短路，导致接触位置出现剧烈放热，最终引起电池性能下降、寿命缩短，导致生产的电池不符合电池生产标准。所以，检测安全生产的过程，可以基于视频监控获取温度数据和转速数据，通过对温度数据和转速数据的监测对生产过程的安全性进行监控。
基于视频监控摄像头拍摄的视频监控画面，获取视频监控图像。对视频监控图像使用Mask R-CNN语义实例分割，将卷绕设备的卷芯区域分割出来。其中，Mask R-CNN语义实例分割为公知技术，不再赘述。
从获取的第一张视频监控图像至最后一张视频监控图像，对所有分割出的卷芯区域使用MeanShift目标跟踪算法，获取卷芯区域的运动轨迹，对卷芯运动轨迹使用光流法获取每两张视频监控图像对应的卷绕设备转速数据。其中，MeanShift目标跟踪算法和光流法为公知技术，不再赘述。
通过双模式成像系统对卷绕设备的卷芯温度数据进行采集。其中，双模式为可见光模式与红外模式，通过高清摄像机和红外热像仪分别获取可见光视频以及热分布情况，通过双模式获取的数据获取卷绕设备的卷芯温度数据的过程为公知技术，不再赘述。
在采集卷绕设备的卷芯的温度数据和卷绕设备转速数据的过程中，采集的时长经验值为7小时，将采集的时长划分为多个时间段，一个时间段的经验值为3秒。
将一个时间段内获取的卷绕设备的卷芯温度数据的均值记为该时间段对应的温度数据，将一个时间段内获取的卷绕设备转速数据的均值记为该时间段对应的转速数据。将每个时间段对应的温度数据按照时间段的获取时间顺序排列为初始温度序列，将每个时间段对应的转速数据按照时间段的获取时间顺序排列为初始转速序列。
对初始温度序列内包含的数据进行归一化处理，获取温度序列。对初始转速序列内包含的数据进行归一化处理，获取转速序列。其中，归一化处理可使用Z-score算法，使序列中包含的数据的数值大于等于0且小于等于1，实施者也可根据实际情况选择其它归一化算法。
在电池生产过程中，卷芯开始运行后，摩擦、挤压和材料内部的分子运动会引起能量转化和热量释放，热量会通过传导、对流和辐射方式从卷芯表面传递到周围介质，使得卷芯的温度会逐渐稳定在一个较高的工作温度上，温度异常往往在卷芯保持工作温度时出现，卷芯温度变化示意图如图2所示。
为了更详细地对温度数据和转速数据进行分析，将温度序列划分为多个温度区间，将转速序列划分为多个转速区间，每个温度区间和转速区间均包含第一预设阈值个数据，其中，第一预设阈值的经验值为20。
至此，获取温度序列、转速序列、温度区间和转速区间。
全局温度变异系数模块：根据温度序列获取温度数据的局部温度变异系数，根据温度数据的局部温度变异系数确定温度变异点，获取温度变异点的变异剧增指数，获取温度区间的正常点数量，获取温度区间的平均离群因子，进而获取温度区间的全局温度变异系数。
将温度序列中每个温度数据分别作为待分析温度数据，将待分析温度数据与温度序列中待分析温度数据的前一个温度数据的差值的绝对值记为待分析温度数据的第一温度，将待分析温度数据与温度序列中待分析温度数据的后一个温度数据的差值的绝对值记为待分析温度数据的第二温度，将待分析温度数据的第一温度与第二温度的均值记为待分析温度数据的变异幅度。
将温度序列中待分析温度数据的前第一时刻之前的温度数据记为第一温度数据，将所有第一温度数据的变异幅度的均值记为待分析温度数据的第一变异幅度均值。将温度序列中待分析温度数据的后第一时刻之后的温度数据记为第二温度数据，将所有第二温度数据的变异幅度的均值记为待分析温度数据的第二变异幅度均值。其中，第一时刻的经验值为2。
将温度序列中所有温度数据的均值记为温度均值。将待分析温度数据与温度均值的差值的绝对值记为待分析温度数据的平均温差。
获取每个温度数据的局部温度变异系数。
式中，为温度序列中第/>个温度数据的局部温度变异系数；/>为第/>个温度数据的第一变异幅度均值；/>为第/>个温度数据的第二变异幅度均值；/>为第/>个温度数据的平均温差；/>为线性归一化函数，作用为取括号内的数值的归一化值；/>为第一取值函数，作用为取括号内数值的最大值；/>为第二取值函数，作用为取括号内数值的最小值。
当温度数据的第一变异幅度均值与第二变异幅度均值中的最大值与最小值的比值越大时，温度数据的前、后时刻的数据的变化程度越大，温度序列中包含的温度数据出现变化的特征越显著。当温度数据的平均温差越大时，温度数据对应时刻的卷芯温度与稳定工作温度差异越大，温度出现异常的状况越严重，卷芯运行状态越趋向于异常。当温度数据的第一变异幅度均值与第二变异幅度均值中的最大值与最小值的比值越大、温度数据的平均温差越大时，温度数据的局部温度变异系数越大，温度数据对应时刻的卷芯运行状态越趋向于异常。
当温度序列中的温度数据无法根据上述步骤获取局部温度变异系数时，则将无局部温度变异系数的温度数据最近时刻的局部温度变异系数，作为无局部温度变异系数的温度数据的局部温度变异系数。
将温度序列中包含的温度数据的局部温度变异系数与温度阈值进行比较，当局部温度变异系数大于温度阈值时，则将局部温度变异系数对应的温度数据标记为温度变异点。其中，温度阈值的经验值为0.7。
将温度序列中所有温度变异点对应的温度数据的均值记为突变平均因子。
根据温度变异点的温度数据和突变平均因子的差值的绝对值记为温度变异点的第一变异剧增指数，将温度变异点的温度变异集合内所有温度变异点的第一变异剧增指数的均值记为温度变异点的变异剧增指数。
当温度变异点的变异剧增指数越大时，温度变异点处温度异常状况越严重。
获取温度区间中每个温度数据的局部温度变异系数，获取温度区间中包含的所有温度变异点的变异剧增指数的和。
当温度区间中包含的所有温度变异点的变异剧增指数的和越大时，温度区间中包含的温度数据突变程度越高，温度区间内的温度异常状况越严重，卷芯抖动状况越严重。
将温度区间内包含的不是温度变异点的温度数据的数量记为温度区间的正常点数量。
对温度序列中包含的所有温度数据使用LOF异常检测算法进行异常检测，获取每个温度数据对应的局部离群因子。使用LOF异常检测算法获取局部离群因子为公知技术，不再赘述。
将温度区间内包含的所有温度数据的局部离群因子的均值记为温度区间的平均离群因子。
当温度区间的平均离群因子越大时，温度区间内包含的温度数据的温度异常状况越严重，卷芯异常抖动状况越严重。
获取温度区间的全局温度变异系数。
式中，为温度序列中第/>个温度区间的全局温度变异系数；/>为第/>个温度区间的平均离群因子；/>为第一预设阈值，经验值为20；/>为第/>个温度区间内第/>个温度数据的局部温度变异系数，其中，/>；/>为温度区间中包含的所有温度变异点的变异剧增指数的和；/>为第/>个温度区间的正常点数量。
当温度区间的平均离群因子越大、温度区间中包含的所有温度变异点的变异剧增指数的和越大、温度区间内所有温度数据的局部温度变异系数越大、温度区间的正常点数量越小时，温度区间的全局温度变异系数越大，即温度区间内包含的温度数据的温度异常状况越严重，卷芯异常抖动状况越严重。
至此，获取温度区间的全局温度变异系数。
全局转速变异系数模块，获取转速区间的全局转速变异系数。
当设备产生故障导致卷芯异常抖动时，卷芯与设备之间的摩擦力增加，卷芯的转速下降使卷芯的转速小于卷芯的标准转速。
卷芯的标准转速根据卷绕设备设定参数确定。获取转速序列中包含的所有转速数据的斜率。其中，转速数据的斜率为转速数据前一时刻与转速数据后一时刻的转速数据的差与二倍的相邻两个转速数据的间隔时间的比值。在获取转速数据的斜率的过程中，缺失数据使用均值填充法进行数据填充，均值填充法为公知技术，不再赘述。
将转速区间内所有转速数据的斜率的均值记为转速区间的斜率。
当转速区间的斜率越小时，转速区间对应的时间段内卷芯的转速下降越明显，卷芯运行状态处于异常的可能性越大，卷芯的异常抖动状况越为严重。
获取转速区间的全局转速变异系数。
式中，为转速序列中第/>个转速区间的全局转速变异系数；/>为第/>个转速区间的斜率；/>为自然常数；/>为第/>个转速区间内包含的第/>个转速数据；/>为卷芯的标准转速。
当转速区间的斜率越小、转速区间内包含的转速数据与卷芯的标准转速的差异越大时，转速区间的全局转速变异系数越大，转速区间对应的时间段内卷芯的转速下降越明显，卷芯运行状态处于异常的可能性越大，卷芯的异常抖动状况越为严重。
至此，获取每个转速区间的全局转速变异系数。
卷芯综合变异度模块：根据对应同一时间段的温度区间的全局温度变异系数和转速区间的全局转速变异系数获取温度区间的卷芯综合变异度。
根据对应同一时间段的温度区间的全局温度变异系数和转速区间的全局转速变异系数获取温度区间的卷芯综合变异度。
为第/>个温度区间的卷芯综合变异度；/>为温度序列中第/>个温度区间的全局温度变异系数；/>为转速序列中第/>个转速区间的全局转速变异系数；/>为线性归一化函数，作用为取括号内数值的线性归一化值。
当同一时间段的温度区间的全局温度变异系数和转速区间的全局转速变异系数越大时，温度区间的卷芯综合变异度越大，即卷芯运行状态处于异常的可能性越大，卷芯的异常抖动状况越为严重。
至此，获取每个温度区间的卷芯综合变异度。
温度数据类型确定模块：获取每个温度数据的异常得分，根据温度数据的异常得分和温度数据所在的温度区间的卷芯综合变异度获取温度数据的异常得分校正值，确定温度数据所属类型。
对温度序列中包含的所有温度数据使用孤立森林进行异常检测，其中，每次抽取的样本数的经验值为128，森林中孤立树的数量经验值为50，获取每个温度数据的异常得分。其中，使用孤立森林进行异常检测为公知技术，不再赘述，实施者可根据需要设置孤立森林的参数取值。
获取每个温度数据的异常得分校正值。
式中，为温度数据的异常得分校正值；/>为温度数据的异常得分；/>为温度数据所在的温度区间的卷芯综合变异度；/>为线性归一化函数，作用为取括号内数值的线性归一化值。
当温度数据所在的温度区间的卷芯综合变异度越大、温度数据的异常得分越大时，温度数据的异常得分校正值越大，即卷芯在温度数据的获取时刻的运行状态处于异常的可能性越大。
比较温度数据的异常得分校正值与第一判断阈值、第二判断阈值和第三判断阈值之间的大小关系，确定温度数据所属类型。其中，第一判断阈值、第二判断阈值和第三判断阈值的经验值分别为0.4，0.6，0.8。
当温度数据的异常得分校正值小于第一判断阈值时，则认为温度数据为卷芯正常运行类的数据；当温度数据的异常得分校正值大于等于第一判断阈值且小于第二判断阈值时，则认为温度数据为卷芯维持运行类的数据；当温度数据的异常得分校正值大于等于第二判断阈值且小于第三判断阈值时，则认为温度数据为卷芯异常运行类的数据；当温度数据的异常得分校正值大于等于第三判断阈值时，则认为温度数据为卷芯危险运行类的数据。
安全生产监控模块：根据温度数据所属类型判断卷芯的工作状态，根据卷芯的工作状态对生产过程进行精确监控。
卷芯正常运行类的数据表示温度数据的获取时刻时，卷芯的工作状态稳定；卷芯维持运行类的数据表示温度数据的获取时刻时，卷芯偶尔出现异常状况，但还可继续维持正常运行；卷芯异常运行类的数据表示温度数据的获取时刻时，卷芯在一种较为危险的状态下运行，卷芯异常工作状态的频率上升；卷芯危险运行类的数据表示温度数据的获取时刻时，卷芯异常状态明显，卷芯继续运行会引起安全事故，需及时关停设备进行设备检修维护。
至此，可根据温度数据所属类型对生产过程进行精确监控，实现安全生产智能监控。
管理方式确定模块：根据温度数据所属类型选取管理方式。
当温度数据所属类型不是卷芯正常运行类的数据时，将温度数据上传到云端服务器，并采取对应的管理方式，管理方式的选择具体如下：
当温度数据为卷芯维持运行类的数据时，将温度数据对应的卷绕设备的位置信息和温度数据所在的温度区间对应的时间段的视频上传到云端服务器，同时，将上述信息传输至项目管理者处并提醒项目管理者，由项目管理者选取具体的处理和预警方式；
当温度数据为卷芯异常运行类的数据时，将温度数据对应的卷绕设备的位置信息和温度数据所在的温度区间对应的时间段的视频上传到云端服务器，同时，通过与云端服务器相连的电话自动拨号器系统自动拔打预设的紧急电话号码，并通过电话播放报警声或AI语音提示，及时通知相关的管理人员与维修人员。此时，管理人员需及时核对生产监控数据准确性，对生产设备所在区域的人员进行任务划分，保证维修人员畅通无阻的快速施工维修；
当温度数据为卷芯危险运行类的数据时，在温度数据为卷芯异常运行类的数据的处理基础上，停止卷绕设备的电力供给，开放应急通道，下达通知疏散生产工人。
至此，实现安全生产智能管理。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，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。
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)
1.一种安全生产智能管理系统，其特征在于，包括：
数据获取模块：根据视频监控数据获取卷绕设备的卷芯的温度数据和转速数据，获取温度序列和转速序列，获取温度区间和转速区间；
全局温度变异系数模块：根据温度序列获取温度数据的局部温度变异系数，根据温度数据的局部温度变异系数确定温度变异点，获取温度变异点的变异剧增指数，获取温度区间的正常点数量，获取温度区间的平均离群因子，进而获取温度区间的全局温度变异系数；
全局转速变异系数模块：获取转速区间的全局转速变异系数；
卷芯综合变异度模块：根据对应同一时间段的温度区间的全局温度变异系数和转速区间的全局转速变异系数获取温度区间的卷芯综合变异度；
温度数据类型确定模块：获取每个温度数据的异常得分，根据温度数据的异常得分和温度数据所在的温度区间的卷芯综合变异度获取温度数据的异常得分校正值，确定温度数据所属类型；
其中，温度数据的异常得分校正值的获取公式为：
式中，为温度数据的异常得分校正值；/>为温度数据的异常得分；/>为温度数据所在的温度区间的卷芯综合变异度；/>为线性归一化函数；
当温度数据的异常得分校正值小于第一判断阈值时，则认为温度数据为卷芯正常运行类的数据；当温度数据的异常得分校正值大于等于第一判断阈值且小于第二判断阈值时，则认为温度数据为卷芯维持运行类的数据；当温度数据的异常得分校正值大于等于第二判断阈值且小于第三判断阈值时，则认为温度数据为卷芯异常运行类的数据；当温度数据的异常得分校正值大于等于第三判断阈值时，则认为温度数据为卷芯危险运行类的数据；
安全生产监控模块：根据温度数据所属类型判断卷芯的工作状态，根据卷芯的工作状态对生产过程进行精确监控；
管理方式确定模块：根据温度数据所属类型选取管理方式。
2.根据权利要求1所述的一种安全生产智能管理系统，其特征在于，所述根据温度序列获取温度数据的局部温度变异系数的获取方法为：
将温度序列中每个温度数据分别作为待分析温度数据；
将待分析温度数据与温度序列中待分析温度数据的前一个温度数据的差值的绝对值记为待分析温度数据的第一温度，将待分析温度数据与温度序列中待分析温度数据的后一个温度数据的差值的绝对值记为待分析温度数据的第二温度；
将待分析温度数据的第一温度与第二温度的均值记为待分析温度数据的变异幅度；
将温度序列中待分析温度数据的前第一时刻之前的温度数据记为第一温度数据，将所有第一温度数据的变异幅度的均值记为待分析温度数据的第一变异幅度均值；
将温度序列中待分析温度数据的后第一时刻之后的温度数据记为第二温度数据，将所有第二温度数据的变异幅度的均值记为待分析温度数据的第二变异幅度均值；
将温度序列中所有温度数据的均值记为温度均值；
将待分析温度数据与温度均值的差值的绝对值记为待分析温度数据的平均温差；
将待分析温度数据的第一变异幅度均值与第二变异幅度均值的最大值与最小值的比值记为第一比值；
将第一比值与待分析温度数据的平均温差的乘积的线性归一化值记为待分析温度数据的局部温度变异系数。
3.根据权利要求1所述的一种安全生产智能管理系统，其特征在于，所述根据温度数据的局部温度变异系数确定温度变异点的获取方法为：
将温度序列中包含的温度数据的局部温度变异系数与温度阈值进行比较，当局部温度变异系数大于温度阈值时，则将局部温度变异系数对应的温度数据标记为温度变异点。
4.根据权利要求1所述的一种安全生产智能管理系统，其特征在于，所述获取温度变异点的变异剧增指数，获取温度区间的正常点数量，获取温度区间的平均离群因子的获取方法为：
将温度序列中所有温度变异点对应的温度数据的均值记为突变平均因子；
根据温度变异点的温度数据和突变平均因子的差值的绝对值记为温度变异点的第一变异剧增指数；
将温度变异点的温度变异集合内所有温度变异点的第一变异剧增指数的均值记为温度变异点的变异剧增指数；
将温度区间内包含的不是温度变异点的温度数据的数量记为温度区间的正常点数量；
对温度序列中包含的所有温度数据进行异常检测，获取每个温度数据对应的局部离群因子，将温度区间内包含的所有温度数据的局部离群因子的均值记为温度区间的平均离群因子。
5.根据权利要求1所述的一种安全生产智能管理系统，其特征在于，所述进而获取温度区间的全局温度变异系数的获取方法为：
将温度区间内包含的所有温度数据的局部温度变异系数的和记为第一和值；
将温度区间中包含的所有温度变异点的变异剧增指数的和记为第二和值；
将第一和值与第二和值以及温度区间的平均离群因子的乘积记为第一乘积；
将第一乘积与温度区间的正常点数量的比值记为温度区间的全局温度变异系数。
6.根据权利要求1所述的一种安全生产智能管理系统，其特征在于，所述获取转速区间的全局转速变异系数的获取方法为：
根据卷绕设备设定参数确定卷芯的标准转速；
获取转速序列中包含的所有转速数据的斜率，将转速区间内所有转速数据的斜率的均值记为转速区间的斜率；
将转速数据与卷芯的标准转速的差值的绝对值记为转速数据的第一绝对差值；
将转速区间内包含的所有转速数据的第一绝对差值的和记为第三和值；
将以自然常数为底数，以转速区间的斜率的相反数为指数的幂与第三和值的乘积记为转速区间的全局转速变异系数。
7.根据权利要求1所述的一种安全生产智能管理系统，其特征在于，所述根据对应同一时间段的温度区间的全局温度变异系数和转速区间的全局转速变异系数获取温度区间的卷芯综合变异度的获取方法为：
将对应同一时间段的温度区间的全局温度变异系数和转速区间的全局转速变异系数的乘积的线性归一化值记为温度区间的卷芯综合变异度。
8.根据权利要求1所述的一种安全生产智能管理系统，其特征在于，所述根据温度数据所属类型判断卷芯的工作状态，根据卷芯的工作状态对生产过程进行精确监控的获取方法为：
卷芯正常运行类的数据表示温度数据的获取时刻时，卷芯的工作状态稳定；
卷芯维持运行类的数据表示温度数据的获取时刻时，卷芯偶尔出现异常状况，但还可继续维持正常运行；
卷芯异常运行类的数据表示温度数据的获取时刻时，卷芯在一种较为危险的状态下运行，卷芯异常工作状态的频率上升；
卷芯危险运行类的数据表示温度数据的获取时刻时，卷芯异常状态明显，卷芯继续运行会引起安全事故，需及时关停设备进行设备检修维护。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311551724.0A CN117272214B (zh) | 2023-11-21 | 2023-11-21 | 一种安全生产智能管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311551724.0A CN117272214B (zh) | 2023-11-21 | 2023-11-21 | 一种安全生产智能管理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117272214A true CN117272214A (zh) | 2023-12-22 |
| CN117272214B CN117272214B (zh) | 2024-02-02 |
Family
ID=89210860
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311551724.0A Active CN117272214B (zh) | 2023-11-21 | 2023-11-21 | 一种安全生产智能管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117272214B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117556366A (zh) * | 2024-01-12 | 2024-02-13 | 中科迈航信息技术有限公司 | 基于数据筛选的数据异常检测系统及方法 |
| CN117668734A (zh) * | 2024-01-29 | 2024-03-08 | 深圳欧斯普瑞智能科技有限公司 | 一种智能切割头温度监测方法 |
| CN117909692A (zh) * | 2024-03-18 | 2024-04-19 | 山东海纳智能装备科技股份有限公司 | 一种双盘式电机轴承运行数据智能分析方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ES2272241T3 (es) * | 2000-11-08 | 2007-05-01 | Kawasaki Thermal Engineering Co., Ltd. | Refrigerador de absorcion/refrigerador-calentador de absorcion con dispositivo de seguridad. |
| CN111002830A (zh) * | 2019-12-19 | 2020-04-14 | 吉林建筑大学 | 一种基于柔性热管的动力电池管理系统及方法 |
| CN112286771A (zh) * | 2020-11-03 | 2021-01-29 | 中国电子科技集团公司第二十八研究所 | 一种针对全域资源监控的告警方法 |
| US20220044023A1 (en) * | 2020-08-05 | 2022-02-10 | Ambarella International Lp | Object-aware temperature anomalies monitoring and early warning by combining visual and thermal sensing sensing |
| CN114179675A (zh) * | 2022-02-16 | 2022-03-15 | 深圳康普盾科技股份有限公司 | 一种基于物联网的换电柜安全控制方法、系统及存储介质 |
| CN115476730A (zh) * | 2022-10-19 | 2022-12-16 | 湖北亿纬动力有限公司 | 动力电池的热失控监控方法、装置及存储介质 |
| CN115498313A (zh) * | 2022-09-23 | 2022-12-20 | 新源智储能源发展(北京)有限公司 | 风冷型锂离子电池储能集装箱热管理系统异常预警方法 |
| CN115655516A (zh) * | 2022-12-12 | 2023-01-31 | 广东电网有限责任公司佛山供电局 | 一种变压器顶层油温异常校验方法及相关装置 |
| CN116304898A (zh) * | 2023-05-15 | 2023-06-23 | 北京信息科技大学 | 基于机器学习的传感器数据智能存储系统 |
| CN116449224A (zh) * | 2023-02-17 | 2023-07-18 | 中国华能集团清洁能源技术研究院有限公司 | 一种电池异常发热判断方法及系统 |
| CN116736115A (zh) * | 2023-08-14 | 2023-09-12 | 山东开创电气有限公司 | 一种煤矿皮带输送电机温度监测方法及系统 |
-
2023
- 2023-11-21 CN CN202311551724.0A patent/CN117272214B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ES2272241T3 (es) * | 2000-11-08 | 2007-05-01 | Kawasaki Thermal Engineering Co., Ltd. | Refrigerador de absorcion/refrigerador-calentador de absorcion con dispositivo de seguridad. |
| CN111002830A (zh) * | 2019-12-19 | 2020-04-14 | 吉林建筑大学 | 一种基于柔性热管的动力电池管理系统及方法 |
| US20220044023A1 (en) * | 2020-08-05 | 2022-02-10 | Ambarella International Lp | Object-aware temperature anomalies monitoring and early warning by combining visual and thermal sensing sensing |
| CN112286771A (zh) * | 2020-11-03 | 2021-01-29 | 中国电子科技集团公司第二十八研究所 | 一种针对全域资源监控的告警方法 |
| CN114179675A (zh) * | 2022-02-16 | 2022-03-15 | 深圳康普盾科技股份有限公司 | 一种基于物联网的换电柜安全控制方法、系统及存储介质 |
| CN115498313A (zh) * | 2022-09-23 | 2022-12-20 | 新源智储能源发展(北京)有限公司 | 风冷型锂离子电池储能集装箱热管理系统异常预警方法 |
| CN115476730A (zh) * | 2022-10-19 | 2022-12-16 | 湖北亿纬动力有限公司 | 动力电池的热失控监控方法、装置及存储介质 |
| CN115655516A (zh) * | 2022-12-12 | 2023-01-31 | 广东电网有限责任公司佛山供电局 | 一种变压器顶层油温异常校验方法及相关装置 |
| CN116449224A (zh) * | 2023-02-17 | 2023-07-18 | 中国华能集团清洁能源技术研究院有限公司 | 一种电池异常发热判断方法及系统 |
| CN116304898A (zh) * | 2023-05-15 | 2023-06-23 | 北京信息科技大学 | 基于机器学习的传感器数据智能存储系统 |
| CN116736115A (zh) * | 2023-08-14 | 2023-09-12 | 山东开创电气有限公司 | 一种煤矿皮带输送电机温度监测方法及系统 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117556366A (zh) * | 2024-01-12 | 2024-02-13 | 中科迈航信息技术有限公司 | 基于数据筛选的数据异常检测系统及方法 |
| CN117556366B (zh) * | 2024-01-12 | 2024-04-26 | 中科迈航信息技术有限公司 | 基于数据筛选的数据异常检测系统及方法 |
| CN117668734A (zh) * | 2024-01-29 | 2024-03-08 | 深圳欧斯普瑞智能科技有限公司 | 一种智能切割头温度监测方法 |
| CN117668734B (zh) * | 2024-01-29 | 2024-04-12 | 深圳欧斯普瑞智能科技有限公司 | 一种智能切割头温度监测方法 |
| CN117909692A (zh) * | 2024-03-18 | 2024-04-19 | 山东海纳智能装备科技股份有限公司 | 一种双盘式电机轴承运行数据智能分析方法 |
| CN117909692B (zh) * | 2024-03-18 | 2024-05-31 | 山东海纳智能装备科技股份有限公司 | 一种双盘式电机轴承运行数据智能分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117272214B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117272214B (zh) | 一种安全生产智能管理系统 | |
| AU2021235867B2 (en) | Method and apparatus for determining operating state of photovoltaic array, device and storage medium | |
| CN115954989B (zh) | 一种储能电站运行监测管理系统 | |
| CN110794785A (zh) | 基于物联网的施工现场边缘计算物联分析告警系统及其方法 | |
| CN211061895U (zh) | 基于物联网的施工现场边缘计算物联分析告警系统 | |
| US20170299657A1 (en) | System and Method for Monitoring an Electrical Pattern and Pattern Trends in Electrically Driven Systems | |
| CN112562112A (zh) | 自动巡检方法及系统 | |
| CN115933762A (zh) | 闸门开度的调整方法、装置和设备 | |
| CN113920452A (zh) | 一种基于ar的智能巡检方法和系统 | |
| CN118155047B (zh) | 一种适用于高寒地区的小型电池管理方法 | |
| CN113591574A (zh) | 一种基于激光雷达的输电线路巡检方法及装置 | |
| CN117080624A (zh) | 一种电池加热控制方法及系统 | |
| CN115641608A (zh) | 基于边缘智能的配网作业个人防护用品智能识别设备 | |
| CN117253347A (zh) | 一种分布式储能设备的智能监控系统 | |
| CN115421046B (zh) | 动力电池梯度利用筛选方法、装置、设备及存储介质 | |
| CN109780451B (zh) | 一种基于机器视觉的电厂调速器油路巡检方法 | |
| CN116029116A (zh) | 一种智能变电站智慧管控数字孪生系统 | |
| CN112738456A (zh) | 基于多站融合的一体化智能监控系统 | |
| CN111882454A (zh) | 一种核电站重量监测系统及方法 | |
| CN117118088B (zh) | 一种可远程监控装置及其控制系统 | |
| CN113129160A (zh) | 一种基于设备状态感知和智能化的电力通信网络巡检方法 | |
| CN116170329B (zh) | 基站隐患挖掘方法、装置、设备及存储介质 | |
| CN114285874B (zh) | 一种基于异常脱帽记录的安全帽定时器调度方法及系统 | |
| CN117937700B (zh) | 基于互联网的锂电池充放电安全预警系统 | |
| CN220895012U (zh) | 一种站房辅助监控终端系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |