CN117991708A - 基于物联网工业自动预警系统 - Google Patents
基于物联网工业自动预警系统 Download PDFInfo
- Publication number
- CN117991708A CN117991708A CN202410401623.3A CN202410401623A CN117991708A CN 117991708 A CN117991708 A CN 117991708A CN 202410401623 A CN202410401623 A CN 202410401623A CN 117991708 A CN117991708 A CN 117991708A
- Authority
- CN
- China
- Prior art keywords
- value
- monitoring
- data
- positions
- early warning
- 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 claims abstract description 130
- 238000012545 processing Methods 0.000 claims abstract description 50
- 238000012216 screening Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 12
- 230000007613 environmental effect Effects 0.000 claims abstract description 8
- 230000006978 adaptation Effects 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 21
- 230000004044 response Effects 0.000 claims description 21
- 238000004519 manufacturing process Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 15
- 238000012423 maintenance Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000007726 management method Methods 0.000 claims description 6
- 238000013439 planning Methods 0.000 claims description 6
- 230000001960 triggered effect Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000013144 data compression Methods 0.000 claims description 3
- 238000013523 data management Methods 0.000 claims description 3
- 238000007418 data mining Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 230000011664 signaling Effects 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000012384 transportation and delivery Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 description 4
- 239000007789 gas Substances 0.000 description 4
- 238000009776 industrial production Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0428—Safety, monitoring
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24024—Safety, surveillance
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了基于物联网工业自动预警系统，涉及工业预警技术领域，本发明包括点位部署模块、点位优化模块、适配模块、综合处理模块及预警模块；点位部署模块用于对工业环境中关键位置进行传感器节点位置的部署；在工业环境中的关键位置部署多个传感器节点，用于实时监测环境参数，其中工业环境的关键位置选择首先对监测位置进行初步筛选后，然后对初步筛选的若干个监测位置进行优先级确定，最终确定多个传感器节点的位置；本发明，系统能够对工业环境中的关键位置进行精确的传感器节点位置部署，这一过程包括初步筛选监测位置、确定优先级以及优化传感器节点的具体位置，从而确保了传感器网络的高效覆盖和监测能力。
Description
技术领域
本发明涉及工业预警技术领域，具体为基于物联网工业自动预警系统。
背景技术
随着工业自动化和信息化技术的飞速发展，工业生产过程的安全性和效率性得到了显著提升。然而，工业环境中潜在的安全风险和突发事件的不确定性仍然对人员安全和生产连续性构成严重威胁。传统的工业监控系统多依赖于人工巡检和定期维护，这不仅效率低下，而且难以实时响应和处理突发事件。
为了解决这些问题，物联网（Internet of Things, IoT）技术被引入工业监控领域，形成了基于物联网的工业自动预警系统。物联网技术通过传感器网络、通信技术和数据处理平台的集成，实现了对工业环境的实时监控和智能分析。这些系统能够自动识别异常情况，预测潜在风险，并在必要时自动发出预警信号，从而大大提高了工业生产的安全性和可靠性。
然而，现有的物联网工业自动预警系统在实际应用中大多采用针对性的预警，一台设备或一个节点进行单独预警，并且在工业环境中的监测节点位置部署上较为随意，对整个工业环境覆盖存在重叠或覆盖不到位的情况，并在预警时无法根据不同的应急部分择优选择，影响整个预警流程的效率，因此，设计一种基于物联网工业自动预警系统。
为了解决上述缺陷，现提供技术方案。
发明内容
本发明的目的在于解决现有的物联网工业自动预警系统在实际应用中大多采用针对性的预警，一台设备或一个节点进行单独预警，并且在工业环境中的监测节点位置部署上较为随意，对整个工业环境覆盖存在重叠或覆盖不到位的情况的问题，而提出基于物联网工业自动预警系统。
本发明的目的可以通过以下技术方案实现：
基于物联网工业自动预警系统，包括：
点位部署模块，用于对工业环境中关键位置进行传感器节点位置的部署；具体步骤如下：
工业环境的关键位置选择首先对监测位置进行初步筛选后，然后对初步筛选的若干个监测位置进行优先级确定，最终确定多个传感器节点的位置；
其中对监测位置的初步筛选具体过程如下：
获取工业区域中历史事故数据，解析每个历史事故的发生地点，再获取工业区域内的关键设备，对每个关键设备的地点进行获取，选取历史事故发生地点与关键设备的地点及重合位置作为多个初步筛选的监测位置；
对初步筛选的若干个监测位置进行优先级确定的具体过程如下：
首先对监测位置的影响参数进行获取，其中影响参数包括安全与风险管理参数、监测与数据需求参数、通信与网络性能参数及能源与维护参数，并通过以上影响参数分别分析得到安风值AFZ、监需值JXZ、信性值XXZ及能维值NWZ，归一化处理后代入以下公式：
以得到优级值YJZ，式中/>分别为安风值、监需值、信性值及能维值的预设权重系数；
初步筛选的所有监测位置计算得到的优级值按照大小进行排序，并统计预设的监测位置部署指标，当初步筛选的所有监测位置数量大于预设的监测位置部署指标，则按照优级值大小进行择大选择，筛除优级值较小的监测位置，从而确定所有传感器节点的位置；当初步筛选的所有监测位置数量小于预设的监测位置部署指标时，则将初步筛选的所有监测位置均确定为传感器节点部署位置；
点位优化模块，用于对部署的传感器节点位置进行优化；
适配模块，用于根据传感器节点监测需求配置相对应的传感器；
综合处理模块，用于对不同的传感器节点上传的数据进行集中处理；
预警模块，用于根据传感器节点的预警数据择优选择通知对象实现预警。
进一步的，所述点位部署模块通过影响参数分别分析得到安风值AFZ、监需值JXZ、信性值XXZ及能维值NWZ的具体过程如下：
影响参数中安全与风险管理参数：通过对风险等级、设备重要性、人员密集度及历史事故数据进行分析；其中风险等级通过对监测位置的潜在危险严重性和发生概率进行评估，将评估的危险严重性赋予1-10的评分，发生概率赋予0-1的百分比，归一化处理后，将危险严重性评分与发生概率相乘以得到风级值FJZ；
设备重要性通过判断该监测位置是否存在设备，当存在设备时，则通过采集设备的平均故障间隔时间、利用率、平均生产量及停机成本，其中平均故障间隔时间通过设备历史数据中获取设备在两次故障之间的平均运行时间；
利用率为设备在生产过程中的实际运行时间与计划运行时间的比例；
平均生产量通过统计设备在单位时间内的生产力；
停机成本通过统计设备停机后导致的直接成本和间接成本，包括生产损失及延误交货罚款，并将计算经济损失之和，记为停成值；
再将得到的平均故障间隔时间、利用率、平均生产量及停成值分别标定为pg、ll、cl及tb，归一化处理后代入以下公式：
以得到设重值SZZ；当监测位置不存在设备时，则对应设重值为0；
人员密度通过以该监测位置中心位置作为圆心，预设距离为半径，形成一个圆形区域，并统计该圆形区域的工作人员数量，并将该圆形区域的总面积除以工作人员数量以得到平密值PMZ；
历史事故数据通过对该监测位置历史发生事故的数量进行统计，并分析每次发生事故所造成的经济损失，计算每次发生事故的经济损失均值，记为事故值SGZ；
再分别将分析得到的风级值FJZ、设重值SZZ、平密值PMZ及事故值SGZ归一化处理后代入以下公式：
以得到安风值AFZ；
监测与数据需求参数：通过对环境监测需求及数据采集频率进行分析；其中环境监测需求通过对不同类型进行评级，并根据每个类型的评级赋予1-20的监测需求度评分，再判断监测位置所属的类型，确定该监测区域的监测需求度评分，记为类评值；
数据采集频率根据该监测位置的采集频率需求进行设置，并记为采频值；
将得到的类评值与采频值归一化处理后分别与常数k和i相乘，并求和以得到监需值JXZ；
通信与网络性能参数：通过采集监测位置的无线信号强度、信噪比、无线网络延迟及有线连接损耗，其中有线连接损耗通过对监测位置安装有线网络所需的经济预算，并记为连损值；
再将得到的无线信号强度、信噪比、无线网络延迟及连损值归一化处理后将无线信号强度作为底圆半径建立底圆，将信噪比与无线信号强度之和作为高建立圆柱体，并选取圆柱体的质心作为顶点，无线网络延迟与连损值之和作为高，建立横向的圆锥体，再以该圆锥体对圆柱体进行切割，计算剩余异形体体积，记为信性值XXZ；
能源与维护参数：首先通过对监测位置的接电便易程度进行评价，并赋予1-100的评分，记为电易值；
再分析该监测位置物理维护的可达性，并对物理可达性赋予1-10的评分，记为可达值；
再将得到的电易值和可达值归一化处理后进行求和，以得到能维值NWZ。
进一步的，所述点位优化模块对部署的传感器节点位置进行优化的具体操作步骤如下：
S1：生成初始位置分布图：利用已选择的传感器节点位置，生成一张初始的位置分布图，初始的位置分布图通过二维平面图或三维空间图直观展示传感器节点的分布情况；
S2：评估部署均匀性：使用量化参数包括节点间距离、覆盖率及网络连通性，评估当前部署的均匀性，通过计算节点间的平均距离、标准差及区域密度进行衡量；
S3：识别不均匀区域：通过分析位置分布图，识别出部署过于密集或稀疏的区域，针对部署过于密集或稀疏的区域需要调整以改善整体的均匀性；
S4：局部调整策略：根据识别出的不均匀区域，制定局部调整策略，包括移动某些节点到新的更优位置，或者在稀疏区域额外增加新的传感器节点；
S5：优化算法应用：应用优化算法包括粒子群优化或遗传算法来寻找最佳的局部调整方案；
S6：模拟与验证：在实施局部调整之前，通过仿真工具模拟调整后的效果，并进行验证；
S7：实施调整：根据仿真结果，进行节点的位置调整，完成对所有传感器节点位置的部署优化。
进一步的，所述适配模块根据传感器节点监测需求配置相对应的传感器的具体操作步骤如下：
在完成对所有传感器节点位置的部署规划后，获取每个传感器节点监测目标和所需的数据类型，包括温度、湿度、气体浓度、振动及声音；
再根据需求分析的结果，为每个节点选择合适的传感器类型；
然后将每个对应传感器集成到相对应的节点上，进行配置，并将传感器采集的数据上传至综合处理模块。
进一步的，所述综合处理模块对不同的传感器节点上传的数据进行集中处理的具体操作步骤如下：
在数据传输到综合处理模块之前，预设在节点上的微控制器或嵌入式系统对数据进行预处理，包括滤波、去噪及数据压缩；
完成预处理后的数据通过无线或有线网络传输到综合处理模块，数据传输通过使用多种通信协议；
再接收来自各个节点的数据，并将其集成到一个统一的数据管理系统，包括对数据的数据同步、格式化和存储；
再使用数据处理技术和分析算法对集成的数据进行处理，包括数据挖掘、机器学习及统计分析方法，提取有用信息和洞察；
对于不同类型的数据，进行数据融合，将来自不同传感器的信息结合起来，以获得更全面的理解；
再根据分析结果，当数据分析结果显示某个或某些传感器节点的监测数据超出正常范围或达到预警阈值时，自动触发预警。
进一步的，所述预警模块根据传感器节点的预警数据择优选择通知对象实现预警的具体操作步骤如下：
首先接收综合处理模块对传感器节点触发的预警数据，对该预警数据进行判断并分类，确定该节点的预警分类；
当确定该节点的预警类别后，根据预警类别，筛选该类别相关应急部门，再对筛选的相关应急部门进行相关参数分析并确定一个最终通知的应急部门，具体的相关应急部门的相关参数包括距离、响应时间、历史经验及当前任务负载，并根据以上相关参数分别分析得到距判值jp、响应值xy、经历值jl及负载值fz，归一化处理后代入以下公式：
以得到择优值ZYZ；
再将筛选的若干个相关应急部门按照计算得到对应择优值的大小进行排序，优先选择择优值最大的对应相关应急部门进行通知，并将具体的传感器节点位置及具体预警数据向该相关应急部门终端发送，再根据该相关应急部门相关参数中距离及响应时间参数预测该相关应急部门到达传感器终端的时间。
进一步的，所述预警模块根据相关应急部门的相关参数分别分析得到距判值jp、响应值xy、经历值jl及负载值fz的过程如下
距离：通过获取相关应急部门与出现预警的传感器节点之间的直线距离及路程规划距离，归一化处理后并求和以得到的距判值jp；
响应时间：通过对相关应急部门的历史出勤记录进行分析，计算相关应急部门在每次接到预警信令后整备出发所需时间，并将所有的所需时间计算均值以得到响应值xy；
历史经验：通过统计相关应急部门过往处理类似事件的数量和成功率，对数量与成功率归一化处理后将成功率乘以常数u，常数u取值为93，并与数量求和，以得到经历值jl；
当前任务负载：通过对相关应急部门当前的任务负载情况进行评估，并赋予1-10的评分，记为负载值fz。
与现有技术相比，本发明的有益效果是：
本发明，通过点位部署模块，系统能够对工业环境中的关键位置进行精确的传感器节点位置部署，这一过程包括初步筛选监测位置、确定优先级以及优化传感器节点的具体位置，从而确保了传感器网络的高效覆盖和监测能力；
本发明，通过综合处理模块对传感器数据进行集中处理，包括数据预处理、同步、分析等，系统能够快速识别异常情况并预测潜在风险。这样的集中处理机制提高了数据处理的效率和准确性，使得预警系统能够及时响应潜在的安全威胁；
本发明，预警模块能够根据传感器节点的预警数据，智能选择最优的应急部门进行通知，这一选择基于对应急部门的相关参数如距离、响应时间、历史经验和当前任务负载的分析，确保了预警信息能够迅速且准确地传达给最合适的应急响应团队。
附图说明
为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明；
图1为本发明的系统总框图。
具体实施方式
下面将结合实施例对本发明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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
应当理解，本披露的说明书和权利要求书中使用的术语“包括”和 “包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本披露说明书中所使用的术语仅仅是出于描述特定实施例的目的，而并不意在限定本披露。如在本披露说明书和权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本披露说明书和权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如图1所示，基于物联网工业自动预警系统，包括点位部署模块、点位优化模块、适配模块、综合处理模块及预警模块；
点位部署模块用于对工业环境中关键位置进行传感器节点位置的部署；
在工业环境中的关键位置部署多个传感器节点，用于实时监测环境参数，其中工业环境的关键位置选择首先对监测位置进行初步筛选后，然后对初步筛选的若干个监测位置进行优先级确定，最终确定多个传感器节点的位置；
其中对监测位置的初步筛选具体过程如下：
获取工业区域中历史事故数据，解析每个历史事故的发生地点，再获取工业区域内的关键设备，对每个关键设备的地点进行获取，选取历史事故发生地点与关键设备的地点及重合位置作为多个初步筛选的监测位置；
对初步筛选的若干个监测位置进行优先级确定的具体过程如下：
首先对监测位置的影响参数进行获取，其中影响参数包括：
安全与风险管理参数：通过对风险等级、设备重要性、人员密集度及历史事故数据进行分析；其中风险等级通过对监测位置的潜在危险严重性和发生概率进行评估，将评估的危险严重性赋予1-10的评分，评分越高，危险越严重，发生概率赋予0-1的百分比，归一化处理后将危险严重性评分与发生概率相乘以得到风级值FJZ，并以此风级值FJZ作为衡量该监测位置风险等级的标准；设备重要性通过判断该监测位置是否存在设备，当存在设备时，则通过采集设备的平均故障间隔时间、利用率、平均生产量及停机成本，其中平均故障间隔时间通过设备历史数据中获取设备在两次故障之间的平均运行时间，用于衡量设备可靠性指标；利用率为设备在生产过程中的实际运行时间与计划运行时间的比例；平均生产量通过统计设备在单位时间内的生产力，反映设备的产出效率；停机成本通过统计设备停机后导致的直接成本和间接成本，包括生产损失及延误交货罚款，并将计算经济损失之和，记为停成值；再将得到的平均故障间隔时间、利用率、平均生产量及停成值分别标定为pg、ll、cl及tb，归一化处理后代入以下公式：
以得到设重值SZZ，并将设重值SZZ作为衡量设备重要性的标准；当监测位置不存在设备时，则对应设重值SZZ为0；人员密度通过以该监测位置中心位置作为圆心，预设距离为半径，形成一个圆形区域，并统计该圆形区域的工作人员数量，并将该圆心区域的总面积除以工作人员数量以得到平密值PMZ，将此平密值PMZ作为衡量人员密度的标准；历史事故数据通过对该监测位置历史发生事故的数量进行统计，并分析每次发生事故所造成的经济损失，计算每次发生事故的经济损失均值，并记为事故值SGZ，作为衡量历史事故数据的标准；
再分别将分析得到的风级值FJZ、设重值SZZ、平密值PMZ及事故值SGZ归一化处理后代入以下公式：
以得到安风值AFZ，将此安风值AFZ作为衡量安全与风险管理参数对监测位置印象的标准；
监测与数据需求参数：通过对环境监测需求及数据采集频率进行分析；其中环境监测需求通过对不同类型进行评级，监测位置的类型包括生产设备类型、环境监测类型、物流和仓储类型、安全和紧急响应类型及质量控制类型，并根据每个类型的评级赋予1-20的监测需求度评分，再判断监测位置所属的类型，确定该监测区域的监测需求度评分，记为类评值，并以此类评值作为衡量监测位置的监测环境需求标准；数据采集频率根据该监测位置的采集频率需求进行设置，并记为采频值，将得到的类评值与采频值归一化处理后分别与常数k和i相乘并求和以得到监需值JXZ，常数k和i分别取值为1.33与0.97，并以此监需值JXZ作为衡量监测与数据需求参数对监测位置影响的标准；
通信与网络性能参数：通过采集监测位置的无线信号强度、信噪比、无线网络延迟及有线连接损耗，其中有线连接损耗通过对监测位置安装有线网络所需的经济预算，并记为连损值，并以此连损值作为衡量有线连接损耗的标准；再将得到的无线信号强度、信噪比、无线网络延迟及连损值归一化处理后将无线信号强度作为底圆半径建立底圆，将信噪比与无线信号强度之和作为高建立圆柱体，并选取圆柱体的质心作为顶点，无线网络延迟与连损值之和作为高，建立横向的圆锥体，并以该圆锥体对圆柱体进行切割，计算剩余异形体体积，记为信性值XXZ，并以此信性值XXZ作为该监测位置通信与网络性能衡量的标准；
能源与维护参数：首先通过对监测位置的接电便易程度进行评价，并赋予1-100的评分，记为电易值；再分析该监测位置物理维护的可达性，并对物理可达性赋予1-10的评分，记为可达值；再将得到的电易值和可达值归一化处理后进行求和，以得到能维值NWZ，并以此能维值NWZ作为衡量能源与维护参数对该监测参数影响衡量的标准；
分别将计算得到的安风值AFZ、监需值JXZ、信性值XXZ及能维值NWZ归一化处理后代入以下公式：
以得到优级值YJZ，式中/>分别为安风值AFZ、监需值JXZ、信性值XXZ及能维值NWZ的预设权重系数，并分别取值为1.08、1.03、0.94及1.12；并将得到的优级值YJZ作为衡量监测位置的优先级的标准；
对初步筛选的所有监测位置计算得到的优级值按照大小进行排序，并统计预设的监测位置部署指标，当初步筛选的所有监测位置数量大于预设的监测位置部署指标，则按照优级值大小进行择大选择，筛除优级值较小的监测位置，从而确定所有传感器节点的位置；当初步筛选的所有监测位置数量小于预设的监测位置部署指标时，则将初步筛选的所有监测位置均确定为传感器节点部署位置。
点位优化模块用于对部署的传感器节点位置进行优化；
完成所有传感器节点的位置选择后，进行节点位置部署的优化，以实现整个工业环境中节点部署的均匀性，提高传感器节点的覆盖面积；具体步骤如下：
生成初始位置分布图：利用已选择的传感器节点位置，生成一张初始的位置分布图，初始的位置分布图可以是二维平面图或三维空间图，用于直观展示传感器节点的分布情况；评估部署均匀性：使用量化参数包括节点间距离、覆盖率及网络连通性，评估当前部署的均匀性，通过计算节点间的平均距离、标准差及区域密度进行衡量；识别不均匀区域：通过分析位置分布图，识别出部署过于密集或稀疏的区域，针对部署过于密集或稀疏的区域需要调整以改善整体的均匀性；局部调整策略：根据识别出的不均匀区域，制定局部调整策略，包括移动某些节点到新的更优位置，或者在稀疏区域额外增加新的传感器节点，以确保工业环境中的传感器节点覆盖；优化算法应用：应用优化算法包括粒子群优化或遗传算法来寻找最佳的局部调整方案，优化算法可以帮助在满足所有约束条件的前提下，找到最优的节点位置；模拟与验证：在实施局部调整之前，通过仿真工具模拟调整后的效果，验证是否能够提高网络的均匀性和性能；实施调整：根据仿真结果，进行节点的位置调整，完成对所有传感器节点位置的部署优化。
适配模块用于根据传感器节点监测需求配置相对应的传感器；
在完成对所有传感器节点位置的部署规划后，获取每个传感器节点监测目标和所需的数据类型，包括温度、湿度、气体浓度、振动及声音；再根据需求分析的结果，为每个节点选择合适的传感器类型，如每个节点需要监控空气质量，则需要对该节点安装气体传感器；再将每个对应传感器集成到相对应的节点上，进行必要的配置，实现配置的传感器正确的采集所需数据，并将传感器采集的数据上传至综合处理模块。
综合处理模块用于对不同的传感器节点上传的数据进行集中处理；
在数据传输到综合处理模块之前，节点上的微控制器或嵌入式系统可能需要对数据进行预处理，包括滤波、去噪及数据压缩，以提高数据质量和传输效率；完成预处理后的数据通过无线或有线网络传输到综合处理模块，数据传输通过使用多种通信协议，包括Wi-Fi、LoRa、ZigBee、蓝牙或有线传输；再接收来自各个节点的数据，并将其集成到一个统一的数据管理系统，包括对数据的数据同步、格式化和存储；再使用数据处理技术和分析算法对集成的数据进行处理，包括数据挖掘、机器学习及统计分析方法，以提取有用信息和洞察；对于不同类型的数据，进行数据融合，将来自不同传感器的信息结合起来，以获得更全面的理解，如，结合温度和湿度数据来评估环境舒适度；再根据分析结果，当数据分析结果显示某个或某些传感器节点的监测数据超出正常范围或达到预警阈值时，自动触发预警。
预警模块用于根据传感器节点的预警数据择优选择通知对象实现预警；
接收综合处理模块对传感器节点触发的预警数据，对该预警数据进行判断并分类，确定该节点的预警分类，具体预警类别包括：安全预警：涉及人员安全和设备安全的预警，包括火灾及有害气体泄漏；环境预警：涉及环境质量变化的预警，包括空气质量恶化及水质污染；设备故障预警：涉及设备运行异常的预警，包括温度过高及压力异常；操作预警：涉及操作不当或违规操作的预警，包括未授权访问及操作程序错误；
当确定该节点的预警类别后，根据预警类别，筛选该类别相关应急部门，并对筛选的相关应急部门进行相关参数分析并确定一个最终通知的应急部门，具体的相关应急部门的相关参数包括：
距离：通过获取相关应急部门与出现预警的传感器节点之间的直线距离及路程规划距离，归一化处理后求和以得到的距判值jp，并以此距判值jp作为衡量距离的标准；
响应时间：通过对相关应急部门的历史出勤记录进行分析，计算相关应急部门在每次接到预警信令后整备出发所需时间，并将所有的所需时间计算均值以得到响应值xy，并以此响应值xy作为衡量相关应急部门响应时间的标准；
历史经验：通过统计相关应急部门过往处理类似事件的数量和成功率，归一化处理后将成功率乘以常数u，常数u取值为93，并与数量求和，以得到经历值jl，并以此经历值jl作为衡量相关应急部门历史经验的标准；
当前任务负载：通过对相关应急部门当前的任务负载情况进行评估，并赋予1-10的评分，记为负载值fz，当负载值fz越大，则相关应急部门当前的任务负载越重；
再分别将得到的距判值jp、响应值xy、经历值jl及负载值fz归一化处理后代入以下公式：
以得到择优值ZYZ，并以此择优值ZYZ作为衡量相关应急部门的选择标准；
将筛选的若干个相关应急部门按照计算得到对应择优值的大小进行排序，优先选择择优值最大的对应相关应急部门进行通知，并将具体的传感器节点位置及具体预警数据向该相关应急部门终端发送，再根据该相关应急部门相关参数中距离及响应时间参数预测该相关应急部门到达传感器终端的时间。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (6)
1.基于物联网工业自动预警系统，其特征在于，包括：
点位部署模块，用于对工业环境中关键位置进行传感器节点位置的部署；具体步骤如下：
工业环境的关键位置选择首先对监测位置进行初步筛选后，然后对初步筛选的若干个监测位置进行优先级确定，最终确定多个传感器节点的位置；
其中对监测位置的初步筛选具体过程如下：
获取工业区域中历史事故数据，解析每个历史事故的发生地点，再获取工业区域内的关键设备，对每个关键设备的地点进行获取，选取历史事故发生地点与关键设备的地点及重合位置作为多个初步筛选的监测位置；
对初步筛选的若干个监测位置进行优先级确定的具体过程如下：
首先对监测位置的影响参数进行获取，其中影响参数包括安全与风险管理参数、监测与数据需求参数、通信与网络性能参数及能源与维护参数，并通过以上影响参数分别分析得到安风值AFZ、监需值JXZ、信性值XXZ及能维值NWZ，归一化处理后代入以下公式：
以得到优级值YJZ，式中/>分别为安风值、监需值、信性值及能维值的预设权重系数；
其中安风值AFZ、监需值JXZ、信性值XXZ及能维值NWZ的分析具体过程如下：
影响参数中安全与风险管理参数：通过对风险等级、设备重要性、人员密集度及历史事故数据进行分析；其中风险等级通过对监测位置的潜在危险严重性和发生概率进行评估，将评估的危险严重性赋予1-10的评分，发生概率赋予0-1的百分比，归一化处理后，将危险严重性评分与发生概率相乘以得到风级值FJZ；
设备重要性通过判断该监测位置是否存在设备，当存在设备时，则通过采集设备的平均故障间隔时间、利用率、平均生产量及停机成本，其中平均故障间隔时间通过设备历史数据中获取设备在两次故障之间的平均运行时间；
利用率为设备在生产过程中的实际运行时间与计划运行时间的比例；
平均生产量通过统计设备在单位时间内的生产力；
停机成本通过统计设备停机后导致的直接成本和间接成本，包括生产损失及延误交货罚款，并将计算经济损失之和，记为停成值；
再将得到的平均故障间隔时间、利用率、平均生产量及停成值分别标定为pg、ll、cl及tb，归一化处理后代入以下公式：
以得到设重值SZZ；当监测位置不存在设备时，则对应设重值为0；
人员密度通过以该监测位置中心位置作为圆心，预设距离为半径，形成一个圆形区域，并统计该圆形区域的工作人员数量，并将该圆形区域的总面积除以工作人员数量以得到平密值PMZ；
历史事故数据通过对该监测位置历史发生事故的数量进行统计，并分析每次发生事故所造成的经济损失，计算每次发生事故的经济损失均值，记为事故值SGZ；
再分别将分析得到的风级值FJZ、设重值SZZ、平密值PMZ及事故值SGZ归一化处理后代入以下公式：
以得到安风值AFZ；
监测与数据需求参数：通过对环境监测需求及数据采集频率进行分析；其中环境监测需求通过对不同类型进行评级，并根据每个类型的评级赋予1-20的监测需求度评分，再判断监测位置所属的类型，确定该监测区域的监测需求度评分，记为类评值；
数据采集频率根据该监测位置的采集频率需求进行设置，并记为采频值；
将得到的类评值与采频值归一化处理后分别与常数k和i相乘，并求和以得到监需值JXZ；
通信与网络性能参数：通过采集监测位置的无线信号强度、信噪比、无线网络延迟及有线连接损耗，其中有线连接损耗通过对监测位置安装有线网络所需的经济预算，并记为连损值；
再将得到的无线信号强度、信噪比、无线网络延迟及连损值归一化处理后将无线信号强度作为底圆半径建立底圆，将信噪比与无线信号强度之和作为高建立圆柱体，并选取圆柱体的质心作为顶点，无线网络延迟与连损值之和作为高，建立横向的圆锥体，再以该圆锥体对圆柱体进行切割，计算剩余异形体体积，记为信性值XXZ；
能源与维护参数：首先通过对监测位置的接电便易程度进行评价，并赋予1-100的评分，记为电易值；
再分析该监测位置物理维护的可达性，并对物理可达性赋予1-10的评分，记为可达值；
再将得到的电易值和可达值归一化处理后进行求和，以得到能维值NWZ；
初步筛选的所有监测位置计算得到的优级值按照大小进行排序，并统计预设的监测位置部署指标，当初步筛选的所有监测位置数量大于预设的监测位置部署指标，则按照优级值大小进行择大选择，筛除优级值较小的监测位置，从而确定所有传感器节点的位置；当初步筛选的所有监测位置数量小于预设的监测位置部署指标时，则将初步筛选的所有监测位置均确定为传感器节点部署位置；
点位优化模块，用于对部署的传感器节点位置进行优化；
适配模块，用于根据传感器节点监测需求配置相对应的传感器；
综合处理模块，用于对不同的传感器节点上传的数据进行集中处理；
预警模块，用于根据传感器节点的预警数据择优选择通知对象实现预警。
2.根据权利要求1所述的基于物联网工业自动预警系统，其特征在于，所述点位优化模块对部署的传感器节点位置进行优化的具体操作步骤如下：
S1：生成初始位置分布图：利用已选择的传感器节点位置，生成一张初始的位置分布图，初始的位置分布图通过二维平面图或三维空间图直观展示传感器节点的分布情况；
S2：评估部署均匀性：使用量化参数包括节点间距离、覆盖率及网络连通性，评估当前部署的均匀性，通过计算节点间的平均距离、标准差及区域密度进行衡量；
S3：识别不均匀区域：通过分析位置分布图，识别出部署过于密集或稀疏的区域，针对部署过于密集或稀疏的区域需要调整以改善整体的均匀性；
S4：局部调整策略：根据识别出的不均匀区域，制定局部调整策略，包括移动某些节点到新的更优位置，或者在稀疏区域额外增加新的传感器节点；
S5：优化算法应用：应用优化算法包括粒子群优化或遗传算法来寻找最佳的局部调整方案；
S6：模拟与验证：在实施局部调整之前，通过仿真工具模拟调整后的效果，并进行验证；
S7：实施调整：根据仿真结果，进行节点的位置调整，完成对所有传感器节点位置的部署优化。
3.根据权利要求1所述的基于物联网工业自动预警系统，其特征在于，所述适配模块根据传感器节点监测需求配置相对应的传感器的具体操作步骤如下：
在完成对所有传感器节点位置的部署规划后，获取每个传感器节点监测目标和所需的数据类型，包括温度、湿度、气体浓度、振动及声音；
再根据需求分析的结果，为每个节点选择合适的传感器类型；
然后将每个对应传感器集成到相对应的节点上，进行配置，并将传感器采集的数据上传至综合处理模块。
4.根据权利要求1所述的基于物联网工业自动预警系统，其特征在于，所述综合处理模块对不同的传感器节点上传的数据进行集中处理的具体操作步骤如下：
在数据传输到综合处理模块之前，预设在节点上的微控制器或嵌入式系统对数据进行预处理，包括滤波、去噪及数据压缩；
完成预处理后的数据通过无线或有线网络传输到综合处理模块，数据传输通过使用多种通信协议；
再接收来自各个节点的数据，并将其集成到一个统一的数据管理系统，包括对数据的数据同步、格式化和存储；
再使用数据处理技术和分析算法对集成的数据进行处理，包括数据挖掘、机器学习及统计分析方法，提取有用信息和洞察；
对于不同类型的数据，进行数据融合，将来自不同传感器的信息结合起来，以获得更全面的理解；
再根据分析结果，当数据分析结果显示某个或某些传感器节点的监测数据超出正常范围或达到预警阈值时，自动触发预警。
5.根据权利要求1所述的基于物联网工业自动预警系统，其特征在于，所述预警模块根据传感器节点的预警数据择优选择通知对象实现预警的具体操作步骤如下：
首先接收综合处理模块对传感器节点触发的预警数据，对该预警数据进行判断并分类，确定该节点的预警分类；
当确定该节点的预警类别后，根据预警类别，筛选该类别相关应急部门，再对筛选的相关应急部门进行相关参数分析并确定一个最终通知的应急部门，具体的相关应急部门的相关参数包括距离、响应时间、历史经验及当前任务负载，并根据以上相关参数分别分析得到距判值jp、响应值xy、经历值jl及负载值fz，归一化处理后代入以下公式：
以得到择优值ZYZ；
再将筛选的若干个相关应急部门按照计算得到对应择优值的大小进行排序，优先选择择优值最大的对应相关应急部门进行通知，并将具体的传感器节点位置及具体预警数据向该相关应急部门终端发送，再根据该相关应急部门相关参数中距离及响应时间参数预测该相关应急部门到达传感器终端的时间。
6.根据权利要求5所述的基于物联网工业自动预警系统，其特征在于，所述预警模块根据相关应急部门的相关参数分别分析得到距判值jp、响应值xy、经历值jl及负载值fz的过程如下：
距离：通过获取相关应急部门与出现预警的传感器节点之间的直线距离及路程规划距离，归一化处理后并求和以得到的距判值jp；
响应时间：通过对相关应急部门的历史出勤记录进行分析，计算相关应急部门在每次接到预警信令后整备出发所需时间，并将所有的所需时间计算均值以得到响应值xy；
历史经验：通过统计相关应急部门过往处理类似事件的数量和成功率，对数量与成功率归一化处理后将成功率乘以常数u，常数u取值为93，并与数量求和，以得到经历值jl；
当前任务负载：通过对相关应急部门当前的任务负载情况进行评估，并赋予1-10的评分，记为负载值fz。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410401623.3A CN117991708B (zh) | 2024-04-03 | 2024-04-03 | 基于物联网工业自动预警系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410401623.3A CN117991708B (zh) | 2024-04-03 | 2024-04-03 | 基于物联网工业自动预警系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117991708A true CN117991708A (zh) | 2024-05-07 |
| CN117991708B CN117991708B (zh) | 2024-09-03 |
Family
ID=90902350
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410401623.3A Active CN117991708B (zh) | 2024-04-03 | 2024-04-03 | 基于物联网工业自动预警系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117991708B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118382119A (zh) * | 2024-06-25 | 2024-07-23 | 江西省水投江河信息技术有限公司 | 一种应用于水利领域的多信道轮询数据传输系统及方法 |
| CN118465196A (zh) * | 2024-07-10 | 2024-08-09 | 江西省交通科学研究院有限公司 | 用于高速公路中车辆碳排放量的监测系统 |
| CN118549743A (zh) * | 2024-07-24 | 2024-08-27 | 一脉通(深圳)智能科技有限公司 | 智能锁生产测试方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106357426A (zh) * | 2016-08-26 | 2017-01-25 | 东北大学 | 一种基于工业云的大规模分布式智能数据采集系统及方法 |
| CN109699020A (zh) * | 2018-11-30 | 2019-04-30 | 东莞市巨冈机械工业有限公司 | 一种优化传感器节点部署的制造数据感知方法 |
| CN110266796A (zh) * | 2019-06-20 | 2019-09-20 | 安徽理工大学 | 一种基于lpwan的纺织车间监测系统 |
| CN115375196A (zh) * | 2022-10-24 | 2022-11-22 | 浙江省标准化研究院(金砖国家标准化(浙江)研究中心、浙江省物品编码中心) | 用于食品生产线的预警方法、电子设备、装置及存储介质 |
| CN116360367A (zh) * | 2023-03-29 | 2023-06-30 | 合肥汇一能源科技有限公司 | 一种工业设备物联网数据采集方法及系统 |
| CN117041312A (zh) * | 2023-09-25 | 2023-11-10 | 贵州荣锦一诺科技有限公司 | 基于物联网的企业级信息技术监控系统 |
| CN117499439A (zh) * | 2023-11-14 | 2024-02-02 | 北京理工大学前沿技术研究院 | 一种基于工业物联网的巡检数据处理系统及其处理方法 |
-
2024
- 2024-04-03 CN CN202410401623.3A patent/CN117991708B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106357426A (zh) * | 2016-08-26 | 2017-01-25 | 东北大学 | 一种基于工业云的大规模分布式智能数据采集系统及方法 |
| CN109699020A (zh) * | 2018-11-30 | 2019-04-30 | 东莞市巨冈机械工业有限公司 | 一种优化传感器节点部署的制造数据感知方法 |
| CN110266796A (zh) * | 2019-06-20 | 2019-09-20 | 安徽理工大学 | 一种基于lpwan的纺织车间监测系统 |
| CN115375196A (zh) * | 2022-10-24 | 2022-11-22 | 浙江省标准化研究院(金砖国家标准化(浙江)研究中心、浙江省物品编码中心) | 用于食品生产线的预警方法、电子设备、装置及存储介质 |
| CN116360367A (zh) * | 2023-03-29 | 2023-06-30 | 合肥汇一能源科技有限公司 | 一种工业设备物联网数据采集方法及系统 |
| CN117041312A (zh) * | 2023-09-25 | 2023-11-10 | 贵州荣锦一诺科技有限公司 | 基于物联网的企业级信息技术监控系统 |
| CN117499439A (zh) * | 2023-11-14 | 2024-02-02 | 北京理工大学前沿技术研究院 | 一种基于工业物联网的巡检数据处理系统及其处理方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118382119A (zh) * | 2024-06-25 | 2024-07-23 | 江西省水投江河信息技术有限公司 | 一种应用于水利领域的多信道轮询数据传输系统及方法 |
| CN118465196A (zh) * | 2024-07-10 | 2024-08-09 | 江西省交通科学研究院有限公司 | 用于高速公路中车辆碳排放量的监测系统 |
| CN118465196B (zh) * | 2024-07-10 | 2024-09-10 | 江西省交通科学研究院有限公司 | 用于高速公路中车辆碳排放量的监测系统 |
| CN118549743A (zh) * | 2024-07-24 | 2024-08-27 | 一脉通(深圳)智能科技有限公司 | 智能锁生产测试方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117991708B (zh) | 2024-09-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117991708B (zh) | 基于物联网工业自动预警系统 | |
| CN112614293B (zh) | 一种基于边缘计算的电力物联网安全预警方法及系统 | |
| US20240142063A1 (en) | Method for troubleshooting potential safety hazards of compressor in smart gas pipeline network and internet of things system thereof | |
| CN102324067A (zh) | 电力二次设备状态评价方法及其系统 | |
| CN109459998A (zh) | 钢铁生产过程监控报警系统和方法 | |
| CN116934262B (zh) | 一种基于人工智能的施工安全监管系统及方法 | |
| CN117197770B (zh) | 一种基于物联网的巡检全流程数据监管系统及方法 | |
| CN107633349A (zh) | 基于高压开关的故障影响因素定量分析方法 | |
| CN111509839A (zh) | 一种基于告警信号的跳闸事件化模型分析方法 | |
| CN114019927A (zh) | 基于智能精密模具制造的监管反馈控制系统 | |
| CN117850375B (zh) | 一种生产线的多维度监测系统 | |
| CN117390403A (zh) | 一种新能源灯塔发电站的电网故障检测方法及系统 | |
| CN109308587A (zh) | 电动汽车充电桩的可靠性分析系统及其智能诊断方法 | |
| CN116665401A (zh) | 一种化工生产用防事故报警系统 | |
| CN109149776A (zh) | 应用于智能电网的输电线路可靠监测系统 | |
| CN114928168A (zh) | 一种海上平台无人化数据边缘计算装置 | |
| CN117494009A (zh) | 基于绝缘材料热解分析的电气设备状态评估方法及云平台 | |
| CN117394346A (zh) | 一种虚拟电厂的运行控制方法 | |
| CN116611953A (zh) | 基于物联网的电能表生产制造实时数据管理方法和系统 | |
| CN115562201A (zh) | 一种基于智能物联的生产监测应急预警方法 | |
| CN116112404A (zh) | 无线公网通道质量及规约测试的诊断系统 | |
| CN108650124A (zh) | 一种基于WebGIS的电网通信预警系统 | |
| CN112001561A (zh) | 一种电力行业风险预测方法及系统 | |
| CN114760332A (zh) | 一种高效的设备监测分析方法 | |
| CN117933713B (zh) | 一种用于输电线路的安全态势感知预警系统 |
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 |