【技術實現步驟摘要】
本專利技術涉及人工智能，具體是一種基于人工智能的設備安全監測管理系統及方法。
技術介紹
1、現代工業生產的自動化程度日益提高，生產過程也越來越復雜，同時，由于工廠數量的井噴式爆發，對于工廠設備的安全監管也逐漸成為企業面對的難題之一，傳統的設備安全監管模式面臨著浪費人力、高昂的社會成本、效率低下、監管不到位的情況，這限制了企業的長期發展。
2、傳統監測管理系統中，通常沒有采用多維度深度融合采集設備數據，導致采集的設備數據不準確，傳輸速度慢、采集效率低；傳統監測管理系統中采集很多數據進行分析研究，對于設備關鍵數據的利用率低，沒有自動過濾垃圾數據，沒有對需要采集的重要數據進行調度抓取；傳統監測管理系統中對于設備分類沒有采用規則樹進行故障分類，并與專家系統聯動，導致設備故障處理不及時，診斷不到位。
3、所以，人們急需一種基于人工智能的設備安全監測管理系統及方法來解決上述問題。
技術實現思路
1、本專利技術的目的在于提供一種基于人工智能的設備安全監測管理系統及方法，以解決上述
技術介紹
中提出的問題。
2、為實現上述目的，本專利技術提供如下技術方案：
3、所述設備安全監測管理系統包括數據采集模塊、調度抓取模塊、模型建立模塊、設備管理模塊；
4、所述數據采集模塊用于通過多維度測量技術深度融合實時獲取設備的數據信息，所述設備數據包括傳感器監測數據、設備操作記錄、設備狀態信息，通過大數據提煉與挖掘、區塊鏈技術、多維度測量技術的深度融合，并利用
5、進一步的，所述調度抓取模塊基于所述數據采集模塊中采集到的設備數據，建立異常數據模型，將采集到的設備數據進行編號，基于所述采集到的設備數據對異常數據模型進行訓練，通過以下公式對設備數據上限閾值t1與數據下限閾值t2分別進行計算：
6、t1＝m+std；
7、t2＝m-std；
8、其中，m為數據的平均值，std為數據的標準差；
9、將設備數據的上限閾值與下限閾值分別進行存儲，通過對異常數據模型輸入設備數據編號，異常數據模型會將輸入的設備數據n和上限閾值與下限閾值進行對比，如果t2≤n≤t1，則會輸出1判定所述輸入的數據n為正常數據，如果n＞t1或者n＜t2，則會輸出0判定所述輸入的數據n為異常數據，當異常數據模型輸出0時進行智能調度，所述智能調度是通過信噪比衡量信號質量進行實時判斷，設置信噪比閾值k，將信噪比低于閾值k的信號排除，抓取剩余的振動、沖擊信號。
10、進一步的，所述模型建立模塊對所述調度抓取模塊中所采集到的振動、沖擊信號進行頻譜分析，基于以下公式通過離散傅立葉變換計算信號頻譜：
11、
12、其中，x(n)是離散時域信號，x(k)是離散頻域信號，k是頻率索引，n是信號長度；將得到的離散時域信號x(n)作為橫軸，離散頻域信號x(k)作為豎軸，建立頻譜圖；
13、在頻譜圖中，通過識別設備故障特征頻率的諧波成分監測設備是否發生故障，當設備故障特征頻率的諧波在頻譜圖中呈現倍頻關系，則判定設備發生故障，觸發系統預警，并在頻譜圖中標注故障特征位置及頻率，通過提取故障特征頻率的倍頻頻率，得到所述倍頻頻率中的特征數據，所述特征數據包括振動數據x1、沖擊數據x2、溫度數據x3和壓力數據x4，通過主成分分析方法將高維特征數據進行降維并建立設備模型。
14、進一步的，所述模型建立模塊通過主成分分析方法將高維特征數據進行降維并建立設備模型，通過主成分分析方法將特征數據降至k維，將所述特征數據整合為一個數據集x＝(x1，x2，x3，x4)，通過將所有特征數據減去整體數據集平均值進行化簡，將所有特征數據轉換為矩陣形式x，通過以下公式建立協方差矩陣y：
15、
16、其中，n為特征數據數量，xt為矩陣x的轉置矩陣，通過特征值分解方法對協方差矩陣進行求解，得到協方差矩陣的特征值λ1與特征向量α1，對特征值λ從大到小進行排序，選擇其中最大的k個，然后將對應的k個特征向量α1分別作為行向量組成特征向量矩陣p，通過以下公式建立降到k維后的矩陣q：
17、q＝px；
18、通過矩陣q得到降維后的特征值λ2，基于所述降維后的特征值λ2與特征向量α2作為輸入數據，建立設備模型。
19、進一步的，所述設備管理模塊對設備模型進行檢測，基于設備模型通過構建規則樹描述故障特征判斷邏輯，通過專家系統建立故障知識庫，將規則樹葉子結點閾值(β1，β2，β3，...，βn)與振動幅值v1、溫度變化率v2、壓力波動變化率v3以及其余特征值vn進行比對，在觸發系統預警時系統自動與故障知識庫進行關聯，根據關聯的故障知識庫信息，提供相應的診斷建議和處理方案，通知相關操作人員進行處理。
20、進一步的，所述設備管理模塊在構建規則樹描述故障特征判斷邏輯時，為每個葉子結點分配編號(β1，β2，β3，...，βn)，并為每個葉子節點分配閾值(θ1，θ2，θ3，...，θn)，所述葉子節點分配閾值為基于振動幅值v1、溫度變化率v2、壓力波動變化率v3以及其余特征值vn的歷史數據的平均值，將規則樹的葉子節點閾值與振動幅值v1、溫度變化率v2、壓力波動變化率v3以及其余特征值vn進行比對，基于以下公式計算振動幅值v1：
21、
22、其中，v2為最大振動幅值，v3為最小振動幅值，將實時計算得到的振動幅值v1與葉子結點β1的閾值θ1進行比對，如果實時計算得到的振動幅值v1超過葉子結點β1的閾值θ1，觸發系統預警；
23、基于以下公式計算溫度變化率v2：
24、
25、其中，r1為當前溫度，r2為上一個時間點記錄的溫度，t為時間間隔，將實時計算得到的溫度變化率v2與葉子結點β2的閾值θ2進行比對，如果實時計算得到的溫度變本文檔來自技高網...
【技術保護點】
1.一種基于人工智能的設備安全監測管理系統，其特征在于：所述設備安全監測管理系統包括數據采集模塊、調度抓取模塊、模型建立模塊、設備管理模塊；
2.根據權利要求1所述的一種基于人工智能的設備安全監測管理系統，其特征在于：所述調度抓取模塊基于所述數據采集模塊中采集到的設備數據，建立異常數據模型，將采集到的設備數據進行編號，基于所述采集到的設備數據對異常數據模型進行訓練，通過以下公式對設備數據上限閾值T1與數據下限閾值T2分別進行計算：
3.根據權利要求2所述的一種基于人工智能的設備安全監測管理系統，其特征在于：所述模型建立模塊對所述調度抓取模塊中所采集到的振動、沖擊信號進行頻譜分析，基于以下公式通過離散傅立葉變換計算信號頻譜：
4.根據權利要求3所述的一種基于人工智能的設備安全監測管理系統，其特征在于：所述模型建立模塊通過主成分分析方法將高維特征數據進行降維并建立設備模型，通過主成分分析方法將特征數據降至k維，將所述特征數據整合為一個數據集X＝(X1，X2，X3，X4)，通過將所有特征數據減去整體數據集平均值進行化簡，將所有特征數據轉換為矩陣形式X
5.根據權利要求4所述的一種基于人工智能的設備安全監測管理系統，其特征在于：所述設備管理模塊對設備模型進行檢測，基于設備模型通過構建規則樹描述故障特征判斷邏輯，通過專家系統建立故障知識庫，將規則樹葉子結點閾值與振動幅值V1、溫度變化率V2、壓力波動變化率V3以及其余特征值Vn進行比對，在觸發系統預警時系統自動與故障知識庫進行關聯，根據關聯的故障知識庫信息，提供相應的診斷建議和處理方案，通知相關操作人員進行處理。
6.根據權利要求5所述的一種基于人工智能的設備安全監測管理系統，其特征在于：所述設備管理模塊在構建規則樹描述故障特征判斷邏輯時，為每個葉子結點分配編號(β1，β2，β3，...，βn)，并為每個葉子節點分配閾值(θ1，θ2，θ3，...，θn)，所述葉子節點分配閾值為基于振動幅值V1、溫度變化率V2、壓力波動變化率V3以及其余特征值Vn的歷史數據的平均值，將規則樹的葉子節點閾值與振動幅值V1、溫度變化率V2、壓力波動變化率V3以及其余特征值Vn進行比對，基于以下公式計算振動幅值V1：
7.根據權利要求6所述的一種基于人工智能的設備安全監測管理系統，其特征在于：所述設備管理模塊基于人工智能分支中的專家系統對故障進行處理，所述專家系統建立故障知識庫，基于事例推理進行診斷，實時收集和整理已有過的故障案例和解決方案并存儲至故障知識庫，包括設備故障的描述、診斷過程和解決方法，當系統觸發預警之后，專家系統基于規則樹的葉子結點編號(β1，β2，β3，...，βn)，通過故障知識庫找到相同編號的案例進行匹配找出案例，基于找到的相同編號的案例，系統提取相應的解決方案和診斷過程，作為對當前故障的參考并反饋給相關的操作人員進行處理，當專家系統沒有在故障知識庫中檢索到相同編號的案例時，引入領域專家進行手動診斷和解決方案的制定，系統通過記錄領域專家的診斷過程和解決方案，作為新的案例與葉子節點映射加入到故障知識庫中進行擴充，并定期審查與更新故障知識庫。
8.應用于權利要求1-7中任一項的一種基于人工智能的設備安全監測管理系統的一種基于人工智能的設備安全監測管理方法，其特征在于：所述設備安全監測管理方法包括：
...【技術特征摘要】
1.一種基于人工智能的設備安全監測管理系統，其特征在于：所述設備安全監測管理系統包括數據采集模塊、調度抓取模塊、模型建立模塊、設備管理模塊；
2.根據權利要求1所述的一種基于人工智能的設備安全監測管理系統，其特征在于：所述調度抓取模塊基于所述數據采集模塊中采集到的設備數據，建立異常數據模型，將采集到的設備數據進行編號，基于所述采集到的設備數據對異常數據模型進行訓練，通過以下公式對設備數據上限閾值t1與數據下限閾值t2分別進行計算：
3.根據權利要求2所述的一種基于人工智能的設備安全監測管理系統，其特征在于：所述模型建立模塊對所述調度抓取模塊中所采集到的振動、沖擊信號進行頻譜分析，基于以下公式通過離散傅立葉變換計算信號頻譜：
4.根據權利要求3所述的一種基于人工智能的設備安全監測管理系統，其特征在于：所述模型建立模塊通過主成分分析方法將高維特征數據進行降維并建立設備模型，通過主成分分析方法將特征數據降至k維，將所述特征數據整合為一個數據集x＝(x1，x2，x3，x4)，通過將所有特征數據減去整體數據集平均值進行化簡，將所有特征數據轉換為矩陣形式x，通過以下公式建立協方差矩陣y：
5.根據權利要求4所述的一種基于人工智能的設備安全監測管理系統，其特征在于：所述設備管理模塊對設備模型進行檢測，基于設備模型通過構建規則樹描述故障特征判斷邏輯，通過專家系統建立故障知識庫，將規則樹葉子結點閾值與振動幅值v1、溫度變化率v2、壓力波動變化率v3以及其余特征值vn進行比對，在觸發系統預警時系統自動與故障知識庫進行關聯，根據關聯的故障知識庫信息，提供相應的診斷建議和處理方案，通知相關操作人員進行...
【專利技術屬性】
技術研發人員：于成琪，郝兆平，劉曉東，曹勝利，朱德明，張學源，黃浩，郝闖闖，
申請(專利權)人：廣東華電惠州能源有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。