CN117724446A - 一种预警监控系统、方法及装置 - Google Patents
一种预警监控系统、方法及装置 Download PDFInfo
- Publication number
- CN117724446A CN117724446A CN202311727071.7A CN202311727071A CN117724446A CN 117724446 A CN117724446 A CN 117724446A CN 202311727071 A CN202311727071 A CN 202311727071A CN 117724446 A CN117724446 A CN 117724446A
- Authority
- CN
- China
- Prior art keywords
- early warning
- information
- equipment
- state
- industrial 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000003062 neural network model Methods 0.000 claims abstract description 26
- 238000004891 communication Methods 0.000 claims abstract description 10
- 238000012806 monitoring device Methods 0.000 claims abstract description 5
- 230000003044 adaptive effect Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 15
- 239000002245 particle Substances 0.000 claims description 14
- 238000005299 abrasion Methods 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 9
- 230000008447 perception Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000004888 barrier function Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种预警监控系统、方法及装置，系统包括通信连接的预警监控模块、预警反馈模块以及自适应学习模块，其中，预警监控模块用于监控设备元件的状态信息以及工业设备的实时工作环境信息；预警反馈模块用于分析设备元件的状态信息以及工业设备的实时工作环境信息，并输出对应的预警反馈值；自适应学习模块用于接收并存储预警反馈值，并通过自适应神经网络模型动态确定工业设备的正常工作状态和预警状态之间的界限，极大提高了安全性。
Description
技术领域
本发明属于预警监控技术领域，特别是一种预警监控系统、方法及装置。
背景技术
工业设备类指的是例如空调主机、水泵、空压机、电机设备等公用能耗设备，由于工业设备在长期运行过程中会导致设备元件出现不同程度的损耗，因工业设备众多且分散，难以及时高效对设备元件进行全面监控。且在工业设备工作过程中，由于缺乏技术人员的实时看管，导致一旦出现易燃障碍物长期堆积在工业设备周围不及时清理，则可能造成一定的安全隐患，例如工业设备在工作过程中产生热量与易燃障碍物发生接触时则可能引发火灾。
发明内容
本发明的目的是提供一种预警监控系统、方法及装置，以解决现有技术中的不足，它通过提出包含预警监控模块、预警反馈模块以及自适应学习模块的预警监控系统,极大的提高工业设备的安全性，并提升了危险预警的准确性。
本申请的一个实施例提供了一种预警监控系统，应用于工业设备，所述工业设备设备内包括多个设备元件，所述系统包括：
通信连接的预警监控模块、预警反馈模块以及自适应学习模块，其中，
所述预警监控模块用于监控所述设备元件的状态信息以及所述工业设备的实时工作环境信息；
所述预警反馈模块用于分析所述设备元件的状态信息以及所述工业设备的实时工作环境信息，并输出对应的预警反馈值；
所述自适应学习模块用于接收并存储所述预警反馈值，并通过自适应神经网络模型动态确定所述工业设备的正常工作状态和预警状态之间的界限。
可选的，所述预警监控模块包括：
设备信息采集单元和环境信息采集单元，其中，
所述设备信息采集单元用于采集并分析预设时间内工业设备的设备元件信息，并确定与所述设备元件当前工作状态对应的磨损程度；
所述环境信息采集单元用于实时采集所述工业设备的运行信息以及感知范围内的障碍物信息；其中，所述运行信息包括工业设备的动力设备运行信息数据。
可选的，所述确定与所述设备元件当前工作状态对应的磨损程度，包括：
通过以下算式确定设备元件当前工作状态对应的磨损程度：
其中，y表示磨损程度的量化值，T表示累积工作时间，表示工业设备磨损率，ei表示工业设备状态误差参数，θ表示设备元件与水平面的角度值，e0表示固有磨损率。
可选的，所述预警反馈模块包括：
障碍物确定单元、第一预警标识单元和第二预警标识单元，其中，
所述障碍物确定单元用于根据预先存储的电子地图、所述环境信息，通过三维成像技术生成数字孪生场景模型，所述数字孪生场景模型包含所述工业设备及所述工业设备感知范围内的障碍物信息；
所述第一预警标识单元用于将所述设备元件当前工作状态转化为对应的磨损程度值，并根据所述磨损程度值进行第一预警标识显示；
所述第二预警标识单元用于根据所述工业设备的工作监控信息，查找预先建立的数字孪生场景模型状态显示映射关系表，所述数字孪生场景模型采用与所述工业设备的工作监控信息中每一数据对应的数字孪生场景的状态显示方式进行第二预警标识。
可选的，所述自适应神经网络模型包括：
数据输入层、特征提取层、决策层和自我学习与优化层，其中，
所述数据输入层用于接收所述设备信息采集单元发送的采集数据；
所述特征提取层用于通过深度学习技术，接收所述数据输入层中的采集数据并自动提取数据特征；
所述决策层用于根据提取出的数据特征结合循环神经网络和/或长短时记忆网络进行决策，确定设备元件或工业设备的当前状态；
所述自我学习与优化层用于通过自适应粒子群算法动态调整工作环境中所述工业设备的正常工作状态和预警状态之间的界限，以获得最优预警监控反馈结果。
可选的，所述自我学习与优化层包括：
动态权重确定子单元以及粒子更新子单元，其中，
所述动态权重确定子单元用于通过以下算式动态确定工作环境中所述工业设备的正常工作状态和预警状态之间的预设权重值：
其中，wi为预设权重，fi、fmax、fave分别表示粒子的当前适应度、最大适应度和平均适应度；
所述粒子更新子单元用于通过以下算式更新粒子速度和位置信息：
vi+1＝wi×vi+c1×r1×(pbesti-xi)+c2×r2×(gbesti-xi)
xi+1＝xi+vi
其中，c1、c2分别为个体学习因子和群体学习因子，r1、r2为0到1之间的随机数，pbesti与gbesti分别是个体最优预警监控反馈结果和群体最优预警监控反馈结果。
本申请的又一实施例提供了一种预警监控方法，应用于工业设备，所述工业设备设备内包括多个设备元件，所述方法包括：
接收预设时段内采集到的所述设备元件的状态信息以及所述工业设备的实时工作环境信息；
对预设时段内所述状态信息以及所述环境信息进行分析得到对应的预警反馈值；
基于所述预警反馈值，并通过自适应神经网络模型动态确定所述工业设备的正常工作状态和预警状态之间的界限，生成预警信息。
本申请的又一实施例提供了一种预警监控装置，应用于工业设备，所述工业设备设备内包括多个设备元件，所述装置包括：
接收模块，用于接收预设时段内采集到的所述设备元件的状态信息以及所述工业设备的实时工作环境信息；
分析模块，用于对预设时段内所述状态信息以及所述环境信息进行分析得到对应的预警反馈值；
确定模块，用于基于所述预警反馈值，并通过自适应神经网络模型动态确定所述工业设备的正常工作状态和预警状态之间的界限，生成预警信息。
本申请的又一实施例提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时实现上述所述的方法。
本申请的又一实施例提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以实现上述所述的方法。
与现有技术相比，本发明提供一种预警监控系统，系统包括通信连接的预警监控模块、预警反馈模块以及自适应学习模块，其中，预警监控模块用于监控设备元件的状态信息以及工业设备的实时工作环境信息；预警反馈模块用于分析设备元件的状态信息以及工业设备的实时工作环境信息，并输出对应的预警反馈值；自适应学习模块用于接收并存储预警反馈值，并通过自适应神经网络模型动态确定工业设备的正常工作状态和预警状态之间的界限，极大提高了安全性。
附图说明
图1为本发明实施例提供的一种预警监控系统的计算机终端的硬件结构框图；
图2为本发明实施例提供的一种预警监控系统的模块示意图；
图3为本发明实施例提供的一种预警监控方法的流程示意图；
图4为本发明实施例提供的一种预警监控装置的结构示意图。
具体实施方式
下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本发明实施例首先提供了一种预警监控系统，该系统可以应用于电子设备，如计算机终端，具体如普通电脑、量子计算机等。
下面以运行在计算机终端上为例对其进行详细说明。图1为本发明实施例提供的一种预警监控系统的计算机终端的硬件结构框图。如图1所示，计算机终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，可选地，上述计算机终端还可以包括用于通信功能的传输装置106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述计算机终端的结构造成限定。例如，计算机终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储应用软件的软件程序以及模块，如本申请实施例中的预警监控系统对应的程序指令/模块，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
参见图2，图2为本发明实施例提供的一种预警监控系统的模块示意图，其中，预警监控系统200应用于工业设备，所述工业设备设备内包括多个设备元件，预警监控系统200可以包括：通信连接的预警监控模块201、预警反馈模块202以及自适应学习模块203，其中，所述预警监控模块201用于监控所述设备元件的状态信息以及所述工业设备的实时工作环境信息；所述预警反馈模块202用于分析所述设备元件的状态信息以及所述工业设备的实时工作环境信息，并输出对应的预警反馈值；所述自适应学习模块203用于接收并存储所述预警反馈值，并通过自适应神经网络模型动态确定所述工业设备的正常工作状态和预警状态之间的界限。
具体的，所述预警监控模块201可以包括：设备信息采集单元和环境信息采集单元；所述设备信息采集单元用于采集并分析预设时间内工业设备的设备元件信息，并确定与所述设备元件当前工作状态对应的磨损程度；所述环境信息采集单元用于实时采集所述工业设备的运行信息以及感知范围内的障碍物信息；其中，所述运行信息包括工业设备的动力设备运行信息数据。
其中，设备信息采集单元可以通过数据采集、数据处理和分析等步骤确定设备元件的磨损程度。例如设备信息采集单元会定时或者连续地采集工业设备的设备元件信息，这些信息可能包括设备的状态、使用频率、电流、电压等数据。设备信息采集单元接收到上述数据后，会使用预设的算法和模型进行分析。例如，它可能会检测设备的运行状态，如是否在正常范围内，是否有异常情况等。此外，它还可以根据设备的使用频率和使用情况，预测设备元件的磨损程度。经过分析后，设备信息采集单元会根据设备的状态、使用情况等，评估设备的磨损程度，这可能包括设备的磨损位置、磨损程度、是否需要更换等。最后将分析结果输出，例如通过报告或者警报的形式。用户或者维修人员可以根据输出结果，对设备元件进行维护和更换，保证工业设备的安全和稳定运行。
在一种可选的实施方式中，确定与所述设备元件当前工作状态对应的磨损程度，可以包括：
通过以下算式确定设备元件当前工作状态对应的磨损程度：
其中，y表示磨损程度的量化值，T表示累积工作时间，表示工业设备磨损率，ei表示工业设备状态误差参数，θ表示设备元件与水平面的角度值，e0表示固有磨损率。
环境信息采集单元可以获得工业设备的动态工作信息，包括工业设备的速度、方向、加速度等实时数据，这些数据可以用于判断工业设备的工作状态，以及预测其未来的工作轨迹。除了动力设备运行信息数据，运行信息还可以包括工业设备的各种传感器数据，例如GPS数据、转向角度数据等。这些数据可以用于判断工业设备的运行状态，例如是否在正常运行范围内。这些数据可以用于判断工业设备工作环境的状态。通过感知范围内的障碍物信息，例如障碍物类型、与工业设备的距离等，能够及时发现对工业设备存在安全隐患的周边障碍物。
环境信息采集单元的信息采集和处理需要使用多种传感器和设备，例如摄像头、雷达、激光雷达(LiDAR)、GPS等。同时，也需要使用数据处理和分析算法，例如机器学习算法、图像处理算法等，对采集到的数据进行处理和分析，以提取出有用的信息和特征。
具体的，所述预警反馈模块202可以包括障碍物确定单元、第一预警标识单元和第二预警标识单元，其中，所述障碍物确定单元用于根据预先存储的电子地图、所述环境信息，通过三维成像技术生成数字孪生场景模型，所述数字孪生场景模型包含所述工业设备及所述工业设备感知范围内的障碍物信息；所述第一预警标识单元用于将所述设备元件当前工作状态转化为对应的磨损程度值，并根据所述磨损程度值进行第一预警标识显示；所述第二预警标识单元用于根据所述工业设备的工作监控信息，查找预先建立的数字孪生场景模型状态显示映射关系表，所述数字孪生场景模型采用与所述工业设备的工作监控信息中每一数据对应的数字孪生场景的状态显示方式进行第二预警标识。
示例性的，障碍物确定单元可以通过以下步骤来确定工业设备感知范围内的障碍物信息：首先预存电子地图，预先存储的电子地图包含有关道路、建筑物、树木等静态障碍物的信息，这些信息可用于构建数字孪生场景模型。环境信息采集单元实时采集工业设备的运行信息以及感知范围内的障碍物信息。然后障碍物确定单元使用三维成像技术，根据预存的电子地图和实时采集的环境信息，生成数字孪生场景模型，该模型包含工业设备以及感知范围内的障碍物信息。在数字孪生场景模型中，障碍物确定单元通过图像处理和模式识别技术，识别出静态和动态障碍物。例如，它可以识别出工业设备周围的障碍物。障碍物确定单元从数字孪生场景模型中提取出障碍物的位置、大小、形状等信息，这些信息将用于下一步的决策和规划。最后障碍物确定单元将提取出的障碍物信息输出。这些信息可以帮助技术人员及时发现工业设备周围的障碍物以提高工作安全性等。
第一预警标识单元首先将设备元件的当前工作状态转化为对应的磨损程度值。这可以通过分析设备的工作状态、使用情况等来实现，例如，如果设备工作异常或使用频率过高，对应的磨损程度值就会升高。在转化设备元件的磨损程度值后，第一预警标识单元需要设定一个预警阈值，这个阈值是根据设备的特性、使用寿命以及安全要求等因素来设定的。当磨损程度值达到或超过这个阈值时，就会触发预警。当磨损程度值达到或超过预警阈值时，第一预警标识单元会进行第一预警标识显示，这可以是通过声音、灯光、图像等方式来提醒用户设备元件的磨损程度已经达到或超过了预警阈值，需要关注和维修。
在一种可选的实施方式中，第二预警标识单元可以通过以下步骤实现工业设备的工作监控信息并进行预警标识：
首先，建立数字孪生场景模型状态显示映射关系表：这个映射关系表预先建立，将数字孪生场景模型的状态与相应的显示方式进行映射。例如，当数字孪生场景模型中某一部分的状态发生变化时，相应的显示方式也会进行调整。
其次，工作监控信息采集：工业设备的工作监控信息通过各种传感器和设备进行采集，这些信息包括但不限于工业设备的位置、速度、加速度、转向角度等。
最后，查找映射关系：第二预警标识单元根据采集到的工作监控信息，查找数字孪生场景模型状态显示映射关系表，查找对应的数字孪生场景的状态显示方式。当查找到的数字孪生场景的状态显示方式需要进行预警标识时，第二预警标识单元会进行第二预警标识。这可以是通过声音、灯光、图像等方式来提醒用户工业设备的状态已经达到或超过了预警阈值，需要关注和采取相应措施。
具体的，所述自适应学习模块203中的自适应神经网络模型可以包括：数据输入层、特征提取层、决策层和自我学习与优化层，其中，所述数据输入层用于接收所述设备信息采集单元发送的采集数据；所述特征提取层用于通过深度学习技术，接收所述数据输入层中的采集数据并自动提取数据特征；所述决策层用于根据提取出的数据特征结合循环神经网络和/或长短时记忆网络进行决策，确定设备元件或工业设备的当前状态；所述自我学习与优化层用于通过自适应粒子群算法动态调整工作环境中所述工业设备的正常工作状态和预警状态之间的界限，以获得最优预警监控反馈结果。
其中，所述自我学习与优化层包括：动态权重确定子单元以及粒子更新子单元，其中，所述动态权重确定子单元用于通过以下算式动态确定工作环境中所述工业设备的正常工作状态和预警状态之间的预设权重值：
其中，wi为预设权重，fi、fmax、fave分别表示粒子的当前适应度、最大适应度和平均适应度；
所述粒子更新子单元用于通过以下算式更新粒子速度和位置信息：
vi+1＝wi×vi+c1×r1×(pbesti-xi)+c2×r2×(gbesti-xi)
xi+1＝xi+vi
其中，c1、c2分别为个体学习因子和群体学习因子，r1、r2为0到1之间的随机数，pbesti与gbesti分别是个体最优预警监控反馈结果和群体最优预警监控反馈结果。
需要说明的是，自适应学习模块中的自适应神经网络模型使用存储的预警反馈值来训练模型。这个模型可以采用深度学习技术或者其他自我优化学习技术，通过不断地学习和调整，逐渐找到正常工作状态和预警状态之间的界限。通过训练后的自适应神经网络模型，自适应学习模块可以动态地确定工业设备的正常工作状态和预警状态之间的界限，这个界限会根据工业设备的使用情况、磨损程度等因素进行动态调整，以保证模型的准确性和适应性。
可见，本发明提供一种预警监控系统，系统包括通信连接的预警监控模块、预警反馈模块以及自适应学习模块，其中，预警监控模块用于监控设备元件的状态信息以及工业设备的实时工作环境信息；预警反馈模块用于分析设备元件的状态信息以及工业设备的实时工作环境信息，并输出对应的预警反馈值；自适应学习模块用于接收并存储预警反馈值，并通过自适应神经网络模型动态确定工业设备的正常工作状态和预警状态之间的界限，极大提高了安全性。
参见图3，图3为本发明实施例提供的一种预警监控方法的流程示意图，应用于工业设备，所述工业设备设备内包括多个设备元件，可以包括如下步骤：
S301：接收预设时段内采集到的所述设备元件的状态信息以及所述工业设备的实时工作环境信息。
S302：对预设时段内所述状态信息以及所述环境信息进行分析得到对应的预警反馈值。
S303：基于所述预警反馈值，并通过自适应神经网络模型动态确定所述工业设备的正常工作状态和预警状态之间的界限，生成预警信息。
具体的，首先接收预设时段内采集到的设备元件的状态信息以及工业设备的实时工作环境信息。可以通过各种传感器和数据采集系统实现，包括但不限于摄像头、雷达、激光雷达(LiDAR)、全球定位系统(GPS)等。然后对预设时段内的状态信息以及环境信息进行分析，得到对应的预警反馈值。可以利用预设算法和机器学习模型，比如卷积神经网络(CNN)、循环神经网络(RNN)或者长短期记忆网络(LSTM)等，用于从大量的数据中提取有用的特征，并转换为对应的预警反馈值。最后基于预警反馈值，并可以通过自适应神经网络模型动态确定工业设备的正常工作状态和预警状态之间的界限。这个步骤中，神经网络模型可能会根据历史数据和实时反馈进行自我调整和优化，以更好地划定正常工作状态和预警状态之间的界限。根据界限生成预警信息，预警信息可能包括文字警告、声音警告或者其他形式的反馈，用于提醒技术人员，工业设备即将进入预警状态，需要采取相应的措施进行干预或者调整。
可见，本申请首先接收预设时段内采集到的所述设备元件的状态信息以及工业设备的实时工作环境信息；对预设时段内状态信息以及环境信息进行分析得到对应的预警反馈值；基于预警反馈值，并通过自适应神经网络模型动态确定工业设备的正常工作状态和预警状态之间的界限，生成预警信息，极大提高了安全性。
本申请的又一实施例提供了一种预警监控装置，如图4所示的一种预警监控装置的结构示意图，所述装置包括：
接收模块401，用于接收预设时段内采集到的所述设备元件的状态信息以及所述工业设备的实时工作环境信息；
分析模块402，用于对预设时段内所述状态信息以及所述环境信息进行分析得到对应的预警反馈值；
确定模块403，用于基于所述预警反馈值，并通过自适应神经网络模型动态确定所述工业设备的正常工作状态和预警状态之间的界限，生成预警信息。
与现有技术相比，本申请首先接收预设时段内采集到的所述设备元件的状态信息以及工业设备的实时工作环境信息；对预设时段内状态信息以及环境信息进行分析得到对应的预警反馈值；基于预警反馈值，并通过自适应神经网络模型动态确定工业设备的正常工作状态和预警状态之间的界限，生成预警信息，极大提高了安全性。
本发明实施例还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时实现上述方法实施例中的步骤。
具体的，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S301：接收预设时段内采集到的所述设备元件的状态信息以及所述工业设备的实时工作环境信息；
S302：对预设时段内所述状态信息以及所述环境信息进行分析得到对应的预警反馈值；
S303：基于所述预警反馈值，并通过自适应神经网络模型动态确定所述工业设备的正常工作状态和预警状态之间的界限，生成预警信息。
与现有技术相比，本申请首先接收预设时段内采集到的所述设备元件的状态信息以及工业设备的实时工作环境信息；对预设时段内状态信息以及环境信息进行分析得到对应的预警反馈值；基于预警反馈值，并通过自适应神经网络模型动态确定工业设备的正常工作状态和预警状态之间的界限，生成预警信息，极大提高了安全性。
具体的，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
与现有技术相比，本申请首先接收预设时段内采集到的所述设备元件的状态信息以及工业设备的实时工作环境信息；对预设时段内状态信息以及环境信息进行分析得到对应的预警反馈值；基于预警反馈值，并通过自适应神经网络模型动态确定工业设备的正常工作状态和预警状态之间的界限，生成预警信息，极大提高了安全性。
本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述方法实施例中的步骤。
具体的，上述电子设备还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
具体的，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S301：接收预设时段内采集到的所述设备元件的状态信息以及所述工业设备的实时工作环境信息；
S302：对预设时段内所述状态信息以及所述环境信息进行分析得到对应的预警反馈值；
S303：基于所述预警反馈值，并通过自适应神经网络模型动态确定所述工业设备的正常工作状态和预警状态之间的界限，生成预警信息。
与现有技术相比，本申请首先接收预设时段内采集到的所述设备元件的状态信息以及工业设备的实时工作环境信息；对预设时段内状态信息以及环境信息进行分析得到对应的预警反馈值；基于预警反馈值，并通过自适应神经网络模型动态确定工业设备的正常工作状态和预警状态之间的界限，生成预警信息，极大提高了安全性。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上对本发明实施例进行了详细介绍，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 (10)
1.一种预警监控系统，应用于工业设备，所述工业设备包括多个设备元件，其特征在于，所述系统包括：
通信连接的预警监控模块、预警反馈模块以及自适应学习模块，其中，
所述预警监控模块用于监控所述设备元件的状态信息以及所述工业设备的实时工作环境信息；
所述预警反馈模块用于分析所述设备元件的状态信息以及所述工业设备的实时工作环境信息，并输出对应的预警反馈值；
所述自适应学习模块用于接收并存储所述预警反馈值，并通过自适应神经网络模型动态确定所述工业设备的正常工作状态和预警状态之间的界限。
2.根据权利要求1所述的系统，其特征在于，所述预警监控模块包括：
设备信息采集单元和环境信息采集单元，其中，
所述设备信息采集单元用于采集并分析预设时间内工业设备的设备元件信息，并确定与所述设备元件当前工作状态对应的磨损程度；
所述环境信息采集单元用于实时采集所述工业设备的运行信息以及感知范围内的障碍物信息；其中，所述运行信息包括工业设备的动力设备运行信息数据。
3.根据权利要求2所述的系统，其特征在于，所述确定与所述设备元件当前工作状态对应的磨损程度，包括：
通过以下算式确定设备元件当前工作状态对应的磨损程度：
其中，y表示磨损程度的量化值，T表示累积工作时间，表示工业设备磨损率，ei表示工业设备状态误差参数，θ表示设备元件与水平面的角度值，e0表示固有磨损率。
4.根据权利要求1或3所述的系统，其特征在于，所述预警反馈模块包括：
障碍物确定单元、第一预警标识单元和第二预警标识单元，其中，
所述障碍物确定单元用于根据预先存储的电子地图、所述环境信息，通过三维成像技术生成数字孪生场景模型，所述数字孪生场景模型包含所述工业设备及所述工业设备感知范围内的障碍物信息；
所述第一预警标识单元用于将所述设备元件当前工作状态转化为对应的磨损程度值，并根据所述磨损程度值进行第一预警标识显示；
所述第二预警标识单元用于根据所述工业设备的工作监控信息，查找预先建立的数字孪生场景模型状态显示映射关系表，所述数字孪生场景模型采用与所述工业设备的工作监控信息中每一数据对应的数字孪生场景的状态显示方式进行第二预警标识。
5.根据权利要求4所述的系统，其特征在于，所述自适应神经网络模型包括：
数据输入层、特征提取层、决策层和自我学习与优化层，其中，
所述数据输入层用于接收所述设备信息采集单元发送的采集数据；
所述特征提取层用于通过深度学习技术，接收所述数据输入层中的采集数据并自动提取数据特征；
所述决策层用于根据提取出的数据特征结合循环神经网络和/或长短时记忆网络进行决策，确定设备元件或工业设备的当前状态；
所述自我学习与优化层用于通过自适应粒子群算法动态调整工作环境中所述工业设备的正常工作状态和预警状态之间的界限，以获得最优预警监控反馈结果。
6.根据权利要求5所述的系统，其特征在于，所述自我学习与优化层包括：
动态权重确定子单元以及粒子更新子单元，其中，
所述动态权重确定子单元用于通过以下算式动态确定工作环境中所述工业设备的正常工作状态和预警状态之间的预设权重值：
其中，wi为预设权重，fi、fmax、fave分别表示粒子的当前适应度、最大适应度和平均适应度；
所述粒子更新子单元用于通过以下算式更新粒子速度和位置信息：
vi+1＝wi×vi+c1×r1×(pbesti-xi)+c2×r2×(gbesti-xi)
xi+1＝xi+vi
其中，c1、c2分别为个体学习因子和群体学习因子，r1、r2为0到1之间的随机数，pbesti与gbesti分别是个体最优预警监控反馈结果和群体最优预警监控反馈结果。
7.一种预警监控方法，应用于工业设备，所述工业设备设备内包括多个设备元件，其特征在于，所述方法包括：
接收预设时段内采集到的所述设备元件的状态信息以及所述工业设备的实时工作环境信息；
对预设时段内所述状态信息以及所述环境信息进行分析得到对应的预警反馈值；
基于所述预警反馈值，并通过自适应神经网络模型动态确定所述工业设备的正常工作状态和预警状态之间的界限，生成预警信息。
8.一种预警监控装置，应用于工业设备，所述工业设备设备内包括多个设备元件，其特征在于，所述装置包括：
接收模块，用于接收预设时段内采集到的所述设备元件的状态信息以及所述工业设备的实时工作环境信息；
分析模块，用于对预设时段内所述状态信息以及所述环境信息进行分析得到对应的预警反馈值；
确定模块，用于基于所述预警反馈值，并通过自适应神经网络模型动态确定所述工业设备的正常工作状态和预警状态之间的界限，生成预警信息。
9.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时实现所述权利要求7中所述的方法。
10.一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以实现所述权利要求7中所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311727071.7A CN117724446B (zh) | 2023-12-14 | 一种预警监控系统、方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311727071.7A CN117724446B (zh) | 2023-12-14 | 一种预警监控系统、方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117724446A true CN117724446A (zh) | 2024-03-19 |
| CN117724446B CN117724446B (zh) | 2024-07-05 |
Family
ID=
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106569030A (zh) * | 2016-11-11 | 2017-04-19 | 广东电网有限责任公司电力科学研究院 | 一种电能计量异常诊断中的告警阈值寻优方法及装置 |
| CN109596165A (zh) * | 2018-11-23 | 2019-04-09 | 湖南城市学院 | 一种智能地理信息动态预警布控系统及方法 |
| CN109856969A (zh) * | 2018-11-06 | 2019-06-07 | 皖西学院 | 一种基于bp神经网络模型的故障预测方法及预测系统 |
| CN111847170A (zh) * | 2020-07-31 | 2020-10-30 | 河池学院 | 基于算法模型的电梯曳引轮状态监测预警系统及方法 |
| CN112133323A (zh) * | 2020-09-15 | 2020-12-25 | 青岛科技大学 | 一种空间结构性特征相关的无监督分类与有监督修正融合的语音分离方法 |
| WO2021026944A1 (zh) * | 2019-08-09 | 2021-02-18 | 东北大学 | 基于粒子群和神经网络的工业无线流媒体自适应传输方法 |
| CN113191636A (zh) * | 2021-04-30 | 2021-07-30 | 陕西科技大学 | 基于深度学习技术的水产品安全预警监测方法 |
| CN113903395A (zh) * | 2021-10-28 | 2022-01-07 | 聊城大学 | 一种改进粒子群优化的bp神经网络拷贝数变异检测方法与系统 |
| CN114118673A (zh) * | 2021-09-30 | 2022-03-01 | 苏州大学 | 一种基于数字孪生技术的车间智能化故障诊断预警方法 |
| CN114396714A (zh) * | 2021-12-14 | 2022-04-26 | 广州智业节能科技有限公司 | 一种系统启动台数自动控制运行系统和方法 |
| CN114673745A (zh) * | 2022-03-30 | 2022-06-28 | 中汽创智科技有限公司 | 基于数字孪生的摩擦片管理方法、系统、车辆及介质 |
| CN115935763A (zh) * | 2021-09-24 | 2023-04-07 | 中国石油化工股份有限公司 | 油浆系统磨蚀度的评价方法、系统、电子设备及存储介质 |
| CN116955434A (zh) * | 2023-08-30 | 2023-10-27 | 信通院工业互联网创新中心(重庆)有限公司 | 一种工业装备全生命周期管理及多维度能效分析系统 |
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106569030A (zh) * | 2016-11-11 | 2017-04-19 | 广东电网有限责任公司电力科学研究院 | 一种电能计量异常诊断中的告警阈值寻优方法及装置 |
| CN109856969A (zh) * | 2018-11-06 | 2019-06-07 | 皖西学院 | 一种基于bp神经网络模型的故障预测方法及预测系统 |
| CN109596165A (zh) * | 2018-11-23 | 2019-04-09 | 湖南城市学院 | 一种智能地理信息动态预警布控系统及方法 |
| WO2021026944A1 (zh) * | 2019-08-09 | 2021-02-18 | 东北大学 | 基于粒子群和神经网络的工业无线流媒体自适应传输方法 |
| CN111847170A (zh) * | 2020-07-31 | 2020-10-30 | 河池学院 | 基于算法模型的电梯曳引轮状态监测预警系统及方法 |
| CN112133323A (zh) * | 2020-09-15 | 2020-12-25 | 青岛科技大学 | 一种空间结构性特征相关的无监督分类与有监督修正融合的语音分离方法 |
| CN113191636A (zh) * | 2021-04-30 | 2021-07-30 | 陕西科技大学 | 基于深度学习技术的水产品安全预警监测方法 |
| CN115935763A (zh) * | 2021-09-24 | 2023-04-07 | 中国石油化工股份有限公司 | 油浆系统磨蚀度的评价方法、系统、电子设备及存储介质 |
| CN114118673A (zh) * | 2021-09-30 | 2022-03-01 | 苏州大学 | 一种基于数字孪生技术的车间智能化故障诊断预警方法 |
| CN113903395A (zh) * | 2021-10-28 | 2022-01-07 | 聊城大学 | 一种改进粒子群优化的bp神经网络拷贝数变异检测方法与系统 |
| CN114396714A (zh) * | 2021-12-14 | 2022-04-26 | 广州智业节能科技有限公司 | 一种系统启动台数自动控制运行系统和方法 |
| CN114673745A (zh) * | 2022-03-30 | 2022-06-28 | 中汽创智科技有限公司 | 基于数字孪生的摩擦片管理方法、系统、车辆及介质 |
| CN116955434A (zh) * | 2023-08-30 | 2023-10-27 | 信通院工业互联网创新中心(重庆)有限公司 | 一种工业装备全生命周期管理及多维度能效分析系统 |
Non-Patent Citations (3)
| Title |
|---|
| 吴巍;周孝德;王新宏;程文;: "基于自适应粒子群算法优化神经网络的多沙水库冲淤预测模型研究及应用", 西北农林科技大学学报(自然科学版), no. 04, 10 April 2011 (2011-04-10) * |
| 杜小凯;任青文;郑治;张国华;许传华;: "基于APSO-BP耦合算法的岩体力学参数反馈研究", 中国矿业大学学报, no. 06, 15 November 2008 (2008-11-15) * |
| 陈启鹏;谢庆生;袁庆霓;黄海松;魏琴;李宜汀;: "基于深度门控循环单元神经网络的刀具磨损状态实时监测方法", 计算机集成制造系统, no. 07, 15 July 2020 (2020-07-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110889350B (zh) | 一种基于三维成像的线路障碍物监测报警系统及方法 | |
| CN116129366B (zh) | 基于数字孪生的园区监测方法及相关装置 | |
| CN107592371A (zh) | 一种基于无线传感器网络的电力施工现场信息化监理系统 | |
| CN114331000A (zh) | 一种基于人工智能的智慧园区能耗管理系统 | |
| CN104167067A (zh) | 城市井盖、栏杆监控报警系统及其监控方法 | |
| CN104581076A (zh) | 基于360度全景红外鱼眼摄像机之山火监控识别方法及装置 | |
| CN105261079A (zh) | 便携式智能电力巡检装置 | |
| CN115527203B (zh) | 一种基于物联网的谷物干燥远程控制方法及系统 | |
| CN111127806A (zh) | 基于多传感器的综合森林防火监控系统及方法 | |
| CN114446021A (zh) | 一种基于无线通讯的建筑工程监测系统 | |
| CN104330113A (zh) | 一种环境多参数在线采集监控装置 | |
| CN110930262A (zh) | 一种突发事件电力应急处置现场全域监测信息交互支撑前置服务系统及方法 | |
| CN103034207A (zh) | 一种基础设施健康监测系统及其实施过程 | |
| CN204515433U (zh) | 职业病健康安全数据实时监测及信息管理系统 | |
| CN108230624A (zh) | 基于cc2530的山体滑坡监测系统 | |
| CN106546703A (zh) | 大气质量监测系统、方法及装置 | |
| CN113569801B (zh) | 一种配电施工现场带电设备及其带电区域识别方法及装置 | |
| CN115620175A (zh) | 一种基于无人机自动巡检的现场管理系统 | |
| CN117724446B (zh) | 一种预警监控系统、方法及装置 | |
| CN117852896A (zh) | 一种施工监理风险控制预警系统及方法 | |
| CN113932282A (zh) | 一种城市供暖监管方法和系统 | |
| CN108810843A (zh) | 城市空气质量智能监测系统 | |
| CN110517251B (zh) | 一种景区区域过载检测与预警系统及方法 | |
| CN117724446A (zh) | 一种预警监控系统、方法及装置 | |
| CN117081917A (zh) | 基于ai物联网污水处理运维管理的智能网关 |
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 |