CN111537022B - 一种基于人工智能的冲压成型生产车间安全监控*** - Google Patents

一种基于人工智能的冲压成型生产车间安全监控*** Download PDF

Info

Publication number
CN111537022B
CN111537022B CN202010354718.6A CN202010354718A CN111537022B CN 111537022 B CN111537022 B CN 111537022B CN 202010354718 A CN202010354718 A CN 202010354718A CN 111537022 B CN111537022 B CN 111537022B
Authority
CN
China
Prior art keywords
data
sensor
safety
environment parameter
sequence
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.)
Active
Application number
CN202010354718.6A
Other languages
English (en)
Other versions
CN111537022A (zh
Inventor
钟丽芳
聂顺新
姚文涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangxi Tianjing Jingcang Technology Co ltd
Original Assignee
Jiangxi Tianjing Jingcang Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangxi Tianjing Jingcang Technology Co ltd filed Critical Jiangxi Tianjing Jingcang Technology Co ltd
Priority to CN202010354718.6A priority Critical patent/CN111537022B/zh
Publication of CN111537022A publication Critical patent/CN111537022A/zh
Application granted granted Critical
Publication of CN111537022B publication Critical patent/CN111537022B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/06—Investigating concentration of particle suspensions

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Dispersion Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Arrangements For Transmission Of Measured Signals (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

一种基于人工智能的冲压成型生产车间安全监控***，其特征是，包括安全监控模块、安全信息收集模块和安全管理中心，所述安全监控模块采用传感器组件采集车间环境参数数据，并将采集得到的车间环境参数数据传输至安全信息收集模块，所述安全信息收集模块将接收到的车间环境参数数据转发至安全管理中心，安全管理中心将接收到的车间环境参数数据和给定的安全阈值进行比较，当所述车间环境参数数据高于给定的安全阈值时进行预警。本发明的有益效果为：利用传感器组件对冲压成型的生产车间进行安全监控，能够保证冲压成型生产车间的安全运行。

Description

一种基于人工智能的冲压成型生产车间安全监控***
技术领域
本发明创造涉及安全监控领域，具体涉及一种基于人工智能的冲压成型生产车间安全监控***。
背景技术
冲压成型是指靠压力机和模具对板材、带材、管材和型材等施加外力，使之产生塑性变形或分离，从而获得所需形状和尺寸的工件(冲压件)的加工成型方法。在冲压成型的过程中，容易产生高摩擦力和高温等，稍有不慎容易引起意外事故，因此，提供一种基于人工智能的冲压成型生产车间安全监控***，对冲压成型的生产车间进行安全监控，保证了生产车间的安全，从而保证了冲压成型车间的安全进行。
针对上述问题，本发明旨在提供一种基于人工智能的冲压成型生产车间安全监控***。
本发明创造的目的通过以下技术方案实现：
一种基于人工智能的冲压成型生产车间安全监控***，包括安全监控模块、安全信息收集模块和安全管理中心，所述安全监控模块采用传感器组件采集车间环境参数数据，包括监控初始阶段和监控稳定阶段，在监控初始阶段，安全监控模块采用传感器组件采集车间环境参数数据，并将采集得到的车间环境参数数据传输至安全信息收集模块，在监控稳定阶段，安全监控模块采用传感器组件采集车间环境参数数据，并在传感器组件中选取簇首组件将其采集得到的车间环境参数数据传输至安全信息收集模块，所述安全信息收集模块将接收到的车间环境参数数据转发至安全管理中心，安全管理中心将接收到的车间环境参数数据和给定的安全阈值进行比较，当所述车间环境参数数据高于给定的安全阈值时进行预警。
本发明创造的有益效果：采用传感器组件对冲压成型的生产车间进行安全监控，分为监控初始阶段和监控稳定阶段，利用传感器组件在监控初始阶段采集的车间环境参数数据对车间的传感器组件进行分簇并选取能够代表整个簇的簇首组件，选取的簇首组件采集的车间环境参数数据跟簇中其他传感器组件采集的车间环境参数数据最为接近，从而只将簇首组件采集的车间环境参数数据传输至安全管理中心，在有效的减少传感器组件的数据传输量的同时，安全管理中心根据簇首组件采集的车间环境数据也能有效的对车间环境进行监控。
附图说明
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明结构示意图。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1，本实施例的一种基于人工智能的冲压成型生产车间安全监控***，包括安全监控模块、安全信息收集模块和安全管理中心，所述安全监控模块采用传感器组件采集车间环境参数数据，包括监控初始阶段和监控稳定阶段，在监控初始阶段，安全监控模块采用传感器组件采集车间环境参数数据，并将采集得到的车间环境参数数据传输至安全信息收集模块，在监控稳定阶段，安全监控模块采用传感器组件采集车间环境参数数据，并在传感器组件中选取簇首组件将其采集得到的车间环境参数数据传输至安全信息收集模块，所述安全信息收集模块将接收到的车间环境参数数据转发至安全管理中心，安全管理中心将接收到的车间环境参数数据和给定的安全阈值进行比较，当所述车间环境参数数据高于给定的安全阈值时进行预警。
优选地，所述传感器组件包括温度传感器、湿度传感器、烟雾浓度传感器和粉尘浓度传感器。
优选地，所述安全监控模块中的传感器节点的初始能量值都相同。
优选地，所述安全监控模块采用传感器组件采集车间环境参数数据，分为监控初始阶段和监控稳定阶段，设t表示当前时刻，τ为给定的时间阈值，当t≤τ时，安全监控模块处于监控初始阶段，安全监控模块采用传感器组件采集车间环境参数数据，并将采集的车间环境参数数据传输至安全信息收集模块；当t>τ时，安全监控模块处于监控稳定阶段，安全监控模块采用传感器组件采集车间环境参数数据，并在传感器组件中选取簇首组件将其采集得到的车间环境参数数据传输至安全信息收集模块。
本优选实施例采用传感器组件对冲压成型生产车间进行安全监控，分为监控初始阶段和监控稳定阶段，利用传感器组件在监控初始阶段采集的车间环境参数数据对车间的传感器组件进行分簇并选取能够代表整个簇的簇首组件，选取的簇首组件采集的车间环境参数数据跟簇中的传感器组件采集的车间环境参数数据最为接近，从而只将簇首组件采集的车间环境参数数据传输至安全管理中心，在有效的减少传感器组件的数据传输量的同时，安全管理中心根据簇首组件采集的车间环境数据也能有效的对车间环境进行监控。
优选地，安全管理中心根据接收到的传感器组件在监控初始阶段采集得到的车间环境参数数据对安全监控模块中的传感器组件进行分簇，包括数据预处理单元和分簇单元，所述数据预处理单元用于去除接收到的传感器组件在监控初始阶段采集得到的车间环境参数数据中的噪声数据，所述分簇单元用于根据预处理后的车间环境参数数据对安全监控模块中的传感器组件进行分簇，并将分簇结果传输至安全信息收集模块，由安全信息收集模块将分簇结果转发给安全监控模块中的传感器组件。
优选地，所述数据预处理单元用于去除接收到的传感器组件在监控初始阶段采集得到的车间环境参数数据中的噪声数据，设ci表示安全监控模块中的第i个传感器组件，
Figure GDA0002956597160000031
表示传感器组件ci中用于采集第r个车间环境参数的传感器节点，i＝1,2,…,N(c)，其中，N(c)表示安全监控模块中的传感器组件数，设
Figure GDA0002956597160000032
表示传感器节点
Figure GDA0002956597160000033
在监控初始阶段采集得到的第r个车间环境参数的数据序列(所述数据序列
Figure GDA0002956597160000034
按传感器节点
Figure GDA0002956597160000035
的采集顺序进行排序)，且
Figure GDA0002956597160000036
其中，
Figure GDA0002956597160000037
表示数据序列
Figure GDA0002956597160000038
中的第1个数据，
Figure GDA0002956597160000039
表示数据序列
Figure GDA00029565971600000310
中的第2个数据，
Figure GDA00029565971600000311
表示数据序列
Figure GDA00029565971600000312
中的第
Figure GDA00029565971600000313
个数据，
Figure GDA00029565971600000314
表示数据序列
Figure GDA00029565971600000315
中的数据量；
对数据序列
Figure GDA00029565971600000316
中的数据进行依次处理，设
Figure GDA00029565971600000317
表示数据序列
Figure GDA00029565971600000318
中的第j个数据，对数据
Figure GDA00029565971600000319
建立长度为l1的第一数据序列
Figure GDA00029565971600000320
和第二数据序列
Figure GDA00029565971600000321
且
Figure GDA00029565971600000322
Figure GDA00029565971600000323
其中，l1为小于
Figure GDA00029565971600000324
的正整数，且l1可以被3整除，
Figure GDA00029565971600000325
和
Figure GDA00029565971600000326
分别为数据序列
Figure GDA00029565971600000327
中的第(j-l1+1)和(j-l1+2)个数据，
Figure GDA00029565971600000328
和
Figure GDA00029565971600000329
分别为数据序列
Figure GDA00029565971600000330
中的第
Figure GDA00029565971600000331
和
Figure GDA00029565971600000332
Figure GDA00029565971600000333
个数据，
Figure GDA00029565971600000334
和
Figure GDA00029565971600000335
分别为数据序列
Figure GDA00029565971600000336
中的第
Figure GDA00029565971600000337
和第
Figure GDA00029565971600000338
个数据；定义数据
Figure GDA00029565971600000339
对应的异常检测因子为
Figure GDA00029565971600000340
且
Figure GDA00029565971600000341
的计算公式为：
Figure GDA00029565971600000342
Figure GDA0002956597160000041
式中，
Figure GDA0002956597160000042
表示数据序列
Figure GDA0002956597160000043
中的第p个数据，且
Figure GDA0002956597160000044
Figure GDA0002956597160000045
为数据
Figure GDA0002956597160000046
在第一数据序列
Figure GDA0002956597160000047
中的检测因子，
Figure GDA0002956597160000048
表示数据序列
Figure GDA0002956597160000049
中的第l个数据，且
Figure GDA00029565971600000410
Figure GDA00029565971600000411
表示数据序列
Figure GDA00029565971600000412
中的第(j-1)个数据，
Figure GDA00029565971600000413
表示数据序列
Figure GDA00029565971600000414
中的第k个数据，且
Figure GDA00029565971600000415
Figure GDA00029565971600000416
表示对数据
Figure GDA00029565971600000417
建立的长度为l1的第一数据序列，且
Figure GDA00029565971600000418
Figure GDA00029565971600000419
当数据
Figure GDA00029565971600000420
对应的异常检测因子
Figure GDA00029565971600000421
时，则数据
Figure GDA00029565971600000422
为异常数据，当数据
Figure GDA00029565971600000423
对应的异常检测因子
Figure GDA00029565971600000424
时，则数据
Figure GDA00029565971600000425
为正常数据，其中，
Figure GDA00029565971600000426
为给定的异常检测阈值，且
Figure GDA00029565971600000427
其中，
Figure GDA00029565971600000428
和
Figure GDA00029565971600000429
分别表示数据序列
Figure GDA00029565971600000430
中的第a和第b个数据，
Figure GDA00029565971600000431
和
Figure GDA00029565971600000432
分别表示取中值；
当
Figure GDA00029565971600000433
为异常数据时，对异常数据
Figure GDA00029565971600000434
进行二次检测，设
Figure GDA00029565971600000435
表示传感器节点
Figure GDA00029565971600000436
的相邻传感器组件中用来采集第r个车间环境参数的传感器节点集合，且
Figure GDA00029565971600000437
Figure GDA00029565971600000438
其中，
Figure GDA00029565971600000439
表示集合
Figure GDA00029565971600000440
中的第d个传感器节点，
Figure GDA00029565971600000441
表示集合
Figure GDA00029565971600000442
中的传感器节点数，设传感器节点
Figure GDA00029565971600000443
采集异常数据
Figure GDA00029565971600000444
对应的时间为
Figure GDA00029565971600000445
定义异常数据
Figure GDA00029565971600000446
对应的二次检测因子为
Figure GDA00029565971600000447
且
Figure GDA00029565971600000448
的计算公式为：
Figure GDA00029565971600000449
式中，
Figure GDA00029565971600000450
表示传感器节点
Figure GDA00029565971600000451
在
Figure GDA00029565971600000452
时刻采集得到的第r个车间环境参数的数据，
Figure GDA0002956597160000051
表示判断函数，当数据
Figure GDA0002956597160000052
为正常数据时，则
Figure GDA0002956597160000053
当数据
Figure GDA0002956597160000054
为异常数据时，
Figure GDA0002956597160000055
当异常数据
Figure GDA0002956597160000056
对应的二次检测因子
Figure GDA0002956597160000057
时，则判定异常数据
Figure GDA0002956597160000058
为正常数据，当异常数据
Figure GDA0002956597160000059
对应的二次检测因子
Figure GDA00029565971600000510
时，则判定异常数据
Figure GDA00029565971600000511
为噪声数据，并令
Figure GDA00029565971600000512
其中，
Figure GDA00029565971600000513
表示数据序列
Figure GDA00029565971600000514
中的第(j-o)个数据，
Figure GDA00029565971600000515
为异常数据
Figure GDA00029565971600000516
对应的二次检测阈值，设
Figure GDA00029565971600000517
表示集合
Figure GDA00029565971600000518
中的传感器节点在
Figure GDA00029565971600000519
时刻采集得到的第r个车间环境参数的正常数据集合，且
Figure GDA00029565971600000520
其中，
Figure GDA00029565971600000521
和
Figure GDA00029565971600000522
分别表示集合
Figure GDA00029565971600000523
中的第1、第2和第f个正常数据，f表示集合
Figure GDA00029565971600000524
中的数据量，则
Figure GDA00029565971600000525
其中，
Figure GDA00029565971600000526
为集合
Figure GDA00029565971600000527
中的第g个正常数据，
Figure GDA00029565971600000528
表示集合
Figure GDA00029565971600000529
中的第s个正常数据；
按照上述方法去除传感器组件ci在监控初始阶段采集的其他车间环境参数的数据序列中的噪声数据。
本优选实施例用于去除安全监控模块中的传感器组件在监控初始阶段采集得到的车间环境参数数据中的噪声数据，定义异常检测因子和二次检测因子根据数据的时间相关性和空间相关性对数据进行综合检测，定义的异常检测因子从时间相关性方面对数据异常进行检测，相较于传统的根据时间相关性对数据异常进行检测的方法，本优选实施例根据时间相关性对数据的异常进行检测时，建立第一数据序列和第二数据序列，建立的第一数据序列是通过将待检测数据和其之前采集的数据进行对比发现待检测数据的异常，为了避免因车间环境突然变化造成的数据突变而被误判为异常数据的情况，建立的第二数据序列包括了待检测数据之前采集和之后采集的部分数据，将待检测数据和第二数据序列中的数据进行对比发现待检测数据的异常，从而提高了异常数据的检测准确度；为了进一步提高异常数据的检测精度，从空间相关性方面对检测所得的异常数据进行二次检测，相较于传统的根据空间相关性对数据异常进行检测的方法，本优选实施例在二次检测因子中除了将所述异常数据和其相邻传感器节点采集的正常数据进行对比检测该异常数据的异常情况，并额外引入了所述异常数据的相邻传感器节点在相同时刻采集的数据被判定为异常数据的个数，当所述异常数据的相邻传感器节点在相同时刻采集的数据被判定为异常数据的个数较多时，即表明所述异常数据较大概率为车间环境突然变化造成的数据突变，即从空间相关性方面进一步排除了因车间环境突然变化造成的数据突变使得该数据被误判为异常数据的现象，从而提高了噪声数据的检测精度。
优选地，所述分簇单元用于根据预处理后的车间环境参数数据对安全环境监控模块中的传感器组件进行分簇，具体包括：
(1)安全监控模块中的每个传感器组件生成一个0～1之间的随机数rand，当传感器组件的随机数
Figure GDA0002956597160000061
时，则该传感器组件当选为临时簇首组件，当
Figure GDA0002956597160000062
时，将该传感器组件标记为待入簇传感器组件；其中，Q为待选取的临时簇首组件数，N(c)为安全监控模块中的传感器组件数；
(2)设Ci表示选取的第i个临时簇首组件，且i＝1,2,…Q，
Figure GDA0002956597160000063
表示临时簇首组件Ci中用于采集第r个车间环境参数的传感器节点，将临时簇首组件Ci所在的簇记为簇Ψi，临时簇首组件Ci即为簇Ψi中的成员组件，继续确定簇Ψi中的其他成员组件，具体为：
设
Figure GDA0002956597160000064
表示临时簇首组件Ci的相邻待入簇传感器组件集合，且
Figure GDA0002956597160000065
Figure GDA0002956597160000066
其中，cj(Ci)表示集合
Figure GDA0002956597160000067
中的第j个待入簇传感器组件，
Figure GDA0002956597160000068
表示集合
Figure GDA0002956597160000069
中的待入簇传感器组件数；
对集合
Figure GDA00029565971600000610
中的待入簇传感器组件进行入簇检测，设
Figure GDA00029565971600000611
表示传感器节点
Figure GDA00029565971600000612
在监控初始阶段采集的第r个车间环境参数的数据序列，且
Figure GDA00029565971600000613
Figure GDA00029565971600000614
和
Figure GDA00029565971600000615
分别表示数据序列
Figure GDA00029565971600000616
中的第1、第2和第
Figure GDA00029565971600000617
个数据，
Figure GDA00029565971600000618
表示数据序列
Figure GDA00029565971600000619
中的数据量，设
Figure GDA00029565971600000620
表示数据序列
Figure GDA00029565971600000621
经预处理单元预处理后的数据序列，且
Figure GDA00029565971600000622
Figure GDA00029565971600000623
Figure GDA00029565971600000624
和
Figure GDA00029565971600000625
分别表示数据序列
Figure GDA00029565971600000626
中的第1、第2和第
Figure GDA00029565971600000627
个数据，定义集合
Figure GDA00029565971600000628
中的待入簇传感器组件cj(Ci)加入簇Ψi的成簇代价函数为β(cj(ci))，且β(cj(Ci))的表达式为：
Figure GDA0002956597160000071
式中，
Figure GDA0002956597160000072
表示数据序列
Figure GDA0002956597160000073
中的第α个数据，
Figure GDA0002956597160000074
表示数据序列
Figure GDA0002956597160000075
中的第α个数据，
Figure GDA0002956597160000076
表示传感器节点
Figure GDA0002956597160000077
采集数据
Figure GDA0002956597160000078
对应的时刻，
Figure GDA0002956597160000079
表示待入簇传感器组件cj(Ci)在
Figure GDA00029565971600000710
时刻采集的第r个车间环境参数的数据，
Figure GDA00029565971600000711
表示数据
Figure GDA00029565971600000712
经预处理单元预处理后的值，H(β)为给定的成簇阈值，且
Figure GDA00029565971600000713
当待入簇传感器组件cj(Ci)的成簇代价函数β(cj(Ci))≤1时，则待入簇传感器组件cj(Ci)加入到簇Ψi中，将待入簇传感器组件cj(Ci)标记为簇Ψi的成员组件，当待入簇传感器组件cj(Ci)的成簇代价函数β(cj(Cj))>1时，则待入簇传感器组件cj(Ci)仍标记为待入簇传感器组件；
(3)当新加入簇Ψi的成员组件的相邻传感器组件中存在待入簇传感器组件时，继续按照上述方法对新加入簇Ψi的成员组件的相邻待入簇传感器组件进行入簇检测，当所述待入簇传感器组件的成簇代价函数小于等于1时，则该待入簇传感器组件加入到簇Ψi中，成为簇Ψi的成员组件；当所述待入簇传感器组件的成簇代价函数大于1时，则该待入簇传感器组件仍标记为待入簇传感器组件；
(4)重复步骤(3)直到簇Ψi中没有新的成员组件加入时，即停止继续确定簇Ψi中的其他成员组件，此时Ψi即为划分的第i个簇。
本优选实施例用于将安全监控模块中的传感器组件进行分簇，相较于传统的分簇方式，本优选实施例根据传感器组件采集的车间环境参数数据之间的相关性对安全监控模块中的传感器组件进行分簇，保证每个簇中的传感器组件采集的车间环境参数数据较为接近。
优选地，安全管理中心将传感器组件的分簇结果传输至安全信息收集模块，由安全信息收集模块将分簇结果传输给安全监控模块中的传感器组件，传感器组件接收到自己所在的簇后，位于同一个簇的传感器组件采用竞争的方式竞选其所在簇的簇首组件，具体为：
Ψi表示安全监控模块中的第i个簇，设Ψi＝{Cj(Ψi),j＝1,2,…,N(Ψi)}，其中，Cj(Ψi)表示簇Ψi中的第j个传感器组件，
Figure GDA0002956597160000081
表示传感器组件Cj(Ψi)中用来采集第r个车间环境参数的传感器节点，N(Ψi)表示簇Ψi中的传感器组件数，设
Figure GDA0002956597160000082
表示传感器节点
Figure GDA0002956597160000083
在监控初始阶段采集得到的第r个车间环境参数的数据序列，且
Figure GDA0002956597160000084
Figure GDA0002956597160000085
Figure GDA0002956597160000086
和
Figure GDA0002956597160000087
分别表示数据序列
Figure GDA0002956597160000088
中的第1、第2和第
Figure GDA0002956597160000089
个数据，
Figure GDA00029565971600000810
表示数据序列
Figure GDA00029565971600000811
经预处理单元处理后的数据序列，且
Figure GDA00029565971600000812
其中，
Figure GDA00029565971600000813
和
Figure GDA00029565971600000814
分别表示数据序列
Figure GDA00029565971600000815
中的第1、第2和第
Figure GDA00029565971600000816
个数据，
Figure GDA00029565971600000817
表示数据序列
Figure GDA00029565971600000818
中的数据量；
定义传感器组件Cj(Ψi)竞选簇Ψi的簇首组件的权值为B(Cj(Ψi))，则B(Cj(Ψi))的计算公式为：
B(Cj(Ψi))＝B1(Cj(Ψi))*B2(Cj(Ψi))
Figure GDA00029565971600000819
Figure GDA00029565971600000820
式中，B1(Cj(Ψi))为传感器组件Cj(Ψi)的属性检测因子，B2(Cj(Ψi))为传感器组件Cj(Ψi)的空间检测因子，E(Cj(Ψi))表示传感器组件Cj(Ψi)中传感器节点的当前能量值的最小值，E0(Cj(Ψi))表示传感器组件Cj(Ψi)中传感器节点的初始能量值，
Figure GDA00029565971600000821
表示数据预处理单元在数据序列
Figure GDA00029565971600000822
中检测所得的噪声数据量，
Figure GDA00029565971600000823
表示数据序列
Figure GDA00029565971600000824
中的第β个数据，
Figure GDA0002956597160000091
表示数据序列
Figure GDA0002956597160000092
中的第β个数据，
Figure GDA0002956597160000093
表示传感器节点
Figure GDA0002956597160000094
采集数据
Figure GDA0002956597160000095
对应的时刻，Cl(Ψi)表示簇Ψi中的第l个传感器组件，且Cl(Ψi)≠Cj(Ψi)，
Figure GDA0002956597160000096
表示传感器组件Cl(Ψi)中用来采集第r个车间环境参数的传感器节点，
Figure GDA0002956597160000097
表示传感器节点
Figure GDA0002956597160000098
在
Figure GDA0002956597160000099
时刻采集的数据经预处理单元处理后的值；
选取簇Ψi中权值最小的传感器组件为簇Ψi的簇首组件，簇首组件将其采集得到的车间环境参数数据传输至安全信息收集模块；
当安全监控模块中选取的簇首组件中存在传感器节点的当前能量值小于
Figure GDA00029565971600000910
时，则采用上述方式重新选取各簇的簇首组件，其中，
Figure GDA00029565971600000911
表示安全监控模块中传感器节点在当前时刻的平均能量值。
本优选实施例用于在每个簇中选取簇首组件将其采集的车间环境参数数据传输至安全信息收集模块，簇首组件采集的车间环境参数跟簇中其他传感器组件采集的车间环境参数最为接近，从而只将簇首组件采集的车间环境参数数据传输至安全管理中心，在有效的减少传感器组件的数据传输量，延长传感器组件的生命周期的同时，安全管理中心根据簇首组件采集的车间环境数据也能有效的对车间环境进行监控；因此，为保证簇首组件采集的车间环境参数数据能够代表整个簇，定义的传感器组件竞争簇首组件的权值公式中，包括了传感器组件的属性检测因子和空间检测因子两部分，所述属性检测因子用于对传感器组件的自身属性进行检测，包括传感器组件的当前能量值和传感器组件采集数据的出错率，使得选取的簇首组件能够拥有较高的当前能量值和可信度，所述空间检测因子用于检测传感器组件采集的车间环境数据和簇中其他传感器组件采集的车间环境参数数据之间的关系，使得选取的簇首组件采集的车间环境参数数据最能代表该簇所覆盖的车间范围的环境，进而在只将簇首组件采集的车间环境参数数据传输至安全监控管理中心的情况下，安全管理中心也能够对车间环境进行有效的监控。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (3)

1.一种基于人工智能的冲压成型生产车间安全监控***，其特征是，包括安全监控模块、安全信息收集模块和安全管理中心，所述安全监控模块采用传感器组件采集车间环境参数数据，包括监控初始阶段和监控稳定阶段，在监控初始阶段，安全监控模块采用传感器组件采集车间环境参数数据，并将采集得到的车间环境参数数据传输至安全信息收集模块，在监控稳定阶段，安全监控模块采用传感器组件采集车间环境参数数据，并在传感器组件中选取簇首组件将其采集得到的车间环境参数数据传输至安全信息收集模块，所述安全信息收集模块将接收到的车间环境参数数据转发至安全管理中心，安全管理中心将接收到的车间环境参数数据和给定的安全阈值进行比较，当所述车间环境参数数据高于给定的安全阈值时进行预警；所述安全管理中心根据接收到的传感器组件在监控初始阶段采集得到的车间环境参数数据对安全监控模块中的传感器组件进行分簇，包括数据预处理单元和分簇单元，所述数据预处理单元用于去除接收到的传感器组件在监控初始阶段采集得到的车间环境参数数据中的噪声数据，所述分簇单元用于根据预处理后的车间环境参数数据对安全监控模块中的传感器组件进行分簇，并将分簇结果传输至安全信息收集模块，由安全信息收集模块将分簇结果转发给安全监控模块中的传感器组件；所述数据预处理单元用于去除接收到的传感器组件在监控初始阶段采集得到的车间环境参数数据中的噪声数据，设ci表示安全监控模块中的第i个传感器组件，
Figure FDA0002956597150000011
表示传感器组件ci中用于采集第r个车间环境参数的传感器节点，i＝1,2,…,N(c)，其中，N(c)表示安全监控模块中的传感器组件数，设
Figure FDA0002956597150000012
表示传感器节点
Figure FDA0002956597150000013
在监控初始阶段采集得到的第r个车间环境参数的数据序列，且
Figure FDA0002956597150000014
其中，
Figure FDA0002956597150000015
表示数据序列
Figure FDA0002956597150000016
中的第1个数据，
Figure FDA0002956597150000017
表示数据序列
Figure FDA0002956597150000018
中的第2个数据，
Figure FDA0002956597150000019
表示数据序列
Figure FDA00029565971500000110
中的第
Figure FDA00029565971500000111
个数据，
Figure FDA00029565971500000112
表示数据序列
Figure FDA00029565971500000113
中的数据量；
对数据序列
Figure FDA00029565971500000114
中的数据进行依次处理，设
Figure FDA00029565971500000115
表示数据序列
Figure FDA00029565971500000116
中的第j个数据，对数据
Figure FDA00029565971500000117
建立长度为l1的第一数据序列
Figure FDA00029565971500000118
和第二数据序列
Figure FDA00029565971500000119
且
Figure FDA00029565971500000120
Figure FDA00029565971500000121
其中，l1为小于
Figure FDA00029565971500000122
的正整数，且l1可以被3整除，
Figure FDA00029565971500000123
和
Figure FDA00029565971500000124
分别为数据序列
Figure FDA00029565971500000125
中的第(j-l1+1)和(j-l1+2)个数据，
Figure FDA00029565971500000126
和
Figure FDA00029565971500000127
分别为数据序列
Figure FDA00029565971500000128
中的第
Figure FDA00029565971500000129
和
Figure FDA00029565971500000130
Figure FDA0002956597150000021
个数据，
Figure FDA0002956597150000022
和
Figure FDA0002956597150000023
分别为数据序列
Figure FDA0002956597150000024
中的第
Figure FDA0002956597150000025
和第
Figure FDA0002956597150000026
个数据；定义数据
Figure FDA0002956597150000027
对应的异常检测因子为
Figure FDA0002956597150000028
且
Figure FDA0002956597150000029
的计算公式为：
Figure FDA00029565971500000210
Figure FDA00029565971500000211
式中，
Figure FDA00029565971500000212
表示数据序列
Figure FDA00029565971500000213
中的第p个数据，且
Figure FDA00029565971500000214
Figure FDA00029565971500000215
为数据
Figure FDA00029565971500000216
在第一数据序列
Figure FDA00029565971500000217
中的检测因子，
Figure FDA00029565971500000218
表示数据序列
Figure FDA00029565971500000219
中的第l个数据，且
Figure FDA00029565971500000220
Figure FDA00029565971500000221
表示数据序列
Figure FDA00029565971500000222
中的第(j-1)个数据，
Figure FDA00029565971500000223
表示数据序列
Figure FDA00029565971500000224
中的第k个数据，且
Figure FDA00029565971500000225
Figure FDA00029565971500000226
表示对数据
Figure FDA00029565971500000227
建立的长度为l1的第一数据序列，且
Figure FDA00029565971500000228
Figure FDA00029565971500000229
当数据
Figure FDA00029565971500000230
对应的异常检测因子
Figure FDA00029565971500000231
时，则数据
Figure FDA00029565971500000232
为异常数据，当数据
Figure FDA00029565971500000233
对应的异常检测因子
Figure FDA00029565971500000234
时，则数据
Figure FDA00029565971500000235
为正常数据，其中，
Figure FDA00029565971500000236
为给定的异常检测阈值，且
Figure FDA00029565971500000237
其中，
Figure FDA00029565971500000238
和
Figure FDA00029565971500000239
分别表示数据序列
Figure FDA00029565971500000240
中的第a和第b个数据，
Figure FDA00029565971500000241
和
Figure FDA00029565971500000242
分别表示取中值；
当
Figure FDA00029565971500000243
为异常数据时，对异常数据
Figure FDA00029565971500000244
进行二次检测，设
Figure FDA00029565971500000245
表示传感器节点
Figure FDA00029565971500000246
的相邻传感器组件中用来采集第r个车间环境参数的传感器节点集合，且
Figure FDA00029565971500000247
Figure FDA00029565971500000248
其中，
Figure FDA00029565971500000249
表示集合
Figure FDA00029565971500000250
中的第d个传感器节点，
Figure FDA00029565971500000251
表示集合
Figure FDA00029565971500000252
中的传感器节点数，设传感器节点
Figure FDA00029565971500000253
采集异常数据
Figure FDA00029565971500000254
对应的时间为
Figure FDA00029565971500000255
定义异常数据
Figure FDA00029565971500000256
对应的二次检测因子为
Figure FDA00029565971500000257
且
Figure FDA00029565971500000258
的计算公式为：
Figure FDA0002956597150000031
式中，
Figure FDA0002956597150000032
表示传感器节点
Figure FDA0002956597150000033
在
Figure FDA0002956597150000034
时刻采集得到的第r个车间环境参数的数据，
Figure FDA0002956597150000035
表示判断函数，当数据
Figure FDA0002956597150000036
为正常数据时，则
Figure FDA0002956597150000037
当数据
Figure FDA0002956597150000038
为异常数据时，
Figure FDA0002956597150000039
当异常数据
Figure FDA00029565971500000310
对应的二次检测因子
Figure FDA00029565971500000311
时，则判定异常数据
Figure FDA00029565971500000312
为正常数据，当异常数据
Figure FDA00029565971500000313
对应的二次检测因子
Figure FDA00029565971500000314
时，则判定异常数据
Figure FDA00029565971500000315
为噪声数据，并令
Figure FDA00029565971500000316
其中，
Figure FDA00029565971500000317
表示数据序列
Figure FDA00029565971500000318
中的第(j-o)个数据，
Figure FDA00029565971500000319
为异常数据
Figure FDA00029565971500000320
对应的二次检测阈值，设
Figure FDA00029565971500000321
表示集合
Figure FDA00029565971500000322
中的传感器节点在
Figure FDA00029565971500000323
时刻采集得到的第r个车间环境参数的正常数据集合，且
Figure FDA00029565971500000324
其中，
Figure FDA00029565971500000325
和
Figure FDA00029565971500000326
分别表示集合
Figure FDA00029565971500000327
中的第1、第2和第f个正常数据，f表示集合
Figure FDA00029565971500000328
中的数据量，则
Figure FDA00029565971500000329
其中，
Figure FDA00029565971500000330
为集合
Figure FDA00029565971500000331
中的第g个正常数据，
Figure FDA00029565971500000332
表示集合
Figure FDA00029565971500000333
中的第s个正常数据；
按照上述方法去除传感器组件ci在监控初始阶段采集的其他车间环境参数的数据序列中的噪声数据。
2.根据权利要求1所述的一种基于人工智能的冲压成型生产车间安全监控***，其特征是，所述安全监控模块采用传感器组件采集车间环境参数数据，分为监控初始阶段和监控稳定阶段，设t表示当前时刻，τ为给定的时间阈值，当t≤τ时，安全监控模块处于监控初始阶段，安全监控模块采用传感器组件采集车间环境参数数据，并将采集的车间环境参数数据传输至安全信息收集模块；当t>τ时，安全监控模块处于监控稳定阶段，安全监控模块采用传感器组件采集车间环境参数数据，并在传感器组件中选取簇首组件将其采集得到的车间环境参数数据传输至安全信息收集模块。
3.根据权利要求1所述的一种基于人工智能的冲压成型生产车间安全监控***，其特征是，安全管理中心将传感器组件的分簇结果传输至安全信息收集模块，由安全信息收集模块将分簇结果传输给安全监控模块中的传感器组件，传感器组件接收到自己所在的簇后，位于同一个簇的传感器组件采用竞争的方式竞选其所在簇的簇首组件，具体为：
Ψi表示安全监控模块中的第i个簇，设Ψi＝{Cj(Ψi),j＝1,2,…,N(Ψi)}，其中，Cj(Ψi)表示簇Ψi中的第j个传感器组件，
Figure FDA0002956597150000041
表示传感器组件Cj(Ψi)中用来采集第r个车间环境参数的传感器节点，N(Ψi)表示簇Ψi中的传感器组件数，设
Figure FDA0002956597150000042
表示传感器节点
Figure FDA0002956597150000043
在监控初始阶段采集得到的第r个车间环境参数的数据序列，且
Figure FDA0002956597150000044
Figure FDA0002956597150000045
Figure FDA0002956597150000046
和
Figure FDA0002956597150000047
分别表示数据序列
Figure FDA0002956597150000048
中的第1、第2和第
Figure FDA0002956597150000049
个数据，
Figure FDA00029565971500000410
表示数据序列
Figure FDA00029565971500000411
经预处理单元处理后的数据序列，且
Figure FDA00029565971500000412
其中，
Figure FDA00029565971500000413
和
Figure FDA00029565971500000414
分别表示数据序列
Figure FDA00029565971500000415
中的第1、第2和第
Figure FDA00029565971500000416
个数据，
Figure FDA00029565971500000417
表示数据序列
Figure FDA00029565971500000418
中的数据量；
定义传感器组件Cj(Ψi)竞选簇Ψi的簇首组件的权值为B(Cj(Ψi))，则B(Cj(Ψi))的计算公式为：
B(Cj(Ψi))＝B1(Cj(Ψi))*B2(Cj(Ψi))
Figure FDA00029565971500000419
Figure FDA0002956597150000051
式中，B1(Cj(Ψi))为传感器组件Cj(Ψi)的属性检测因子，B2(Cj(Ψi))为传感器组件Cj(Ψi)的空间检测因子，E(Cj(Ψi))表示传感器组件Cj(Ψi)中传感器节点的当前能量值的最小值，E0(Cj(Ψi))表示传感器组件Cj(Ψi)中传感器节点的初始能量值，
Figure FDA0002956597150000052
表示数据预处理单元在数据序列
Figure FDA0002956597150000053
中检测所得的噪声数据量，
Figure FDA0002956597150000054
表示数据序列
Figure FDA0002956597150000055
中的第β个数据，
Figure FDA0002956597150000056
表示数据序列
Figure FDA0002956597150000057
中的第β个数据，
Figure FDA0002956597150000058
表示传感器节点
Figure FDA0002956597150000059
采集数据
Figure FDA00029565971500000510
对应的时刻，Cl(Ψi)表示簇Ψi中的第l个传感器组件，且Cl(Ψi)≠Cj(Ψi)，
Figure FDA00029565971500000511
表示传感器组件Cl(Ψi)中用来采集第r个车间环境参数的传感器节点，
Figure FDA00029565971500000512
表示传感器节点
Figure FDA00029565971500000513
在
Figure FDA00029565971500000514
时刻采集的数据经预处理单元处理后的值；
选取簇Ψi中权值最小的传感器组件为簇Ψi的簇首组件，簇首组件将其采集得到的车间环境参数数据传输至安全信息收集模块；
当安全监控模块中选取的簇首组件中存在传感器节点的当前能量值小于
Figure FDA00029565971500000515
时，则采用上述方式重新选取各簇的簇首组件，其中，
Figure FDA00029565971500000516
表示安全监控模块中传感器节点在当前时刻的平均能量值。
CN202010354718.6A 2020-04-29 2020-04-29 一种基于人工智能的冲压成型生产车间安全监控*** Active CN111537022B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010354718.6A CN111537022B (zh) 2020-04-29 2020-04-29 一种基于人工智能的冲压成型生产车间安全监控***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010354718.6A CN111537022B (zh) 2020-04-29 2020-04-29 一种基于人工智能的冲压成型生产车间安全监控***

Publications (2)

Publication Number Publication Date
CN111537022A CN111537022A (zh) 2020-08-14
CN111537022B true CN111537022B (zh) 2021-04-20

Family

ID=71980179

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010354718.6A Active CN111537022B (zh) 2020-04-29 2020-04-29 一种基于人工智能的冲压成型生产车间安全监控***

Country Status (1)

Country Link
CN (1) CN111537022B (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102497679B (zh) * 2011-12-20 2014-05-21 山东大学 一种无线传感器网络静态分簇算法
CN103068073A (zh) * 2013-01-31 2013-04-24 王福娟 无线传感器网络中数据不间断传输的方法
CN103338459A (zh) * 2013-05-24 2013-10-02 西安交通大学 一种无线传感器网络覆盖保持方法
CN106454815B (zh) * 2016-06-30 2019-10-18 华南理工大学 一种基于leach协议的无线传感器网络路由方法
CN106792973B (zh) * 2016-12-30 2020-06-30 武汉中原电子信息有限公司 一种能量异构无线传感器网络中的簇首选举及其轮换方法
CN107450342A (zh) * 2017-09-20 2017-12-08 深圳市晟达机械设计有限公司 一种智能家居智能安防***
CN110930644B (zh) * 2019-12-13 2020-06-30 江西太平洋电缆集团有限公司 一种电缆生产安全预警***

Also Published As

Publication number Publication date
CN111537022A (zh) 2020-08-14

Similar Documents

Publication Publication Date Title
CN106714220B (zh) 一种基于mea-bp神经网络wsn异常检测方法
CN102944435B (zh) 一种基于费希尔判别分析与马氏距离的旋转机械健康评估与故障诊断方法
CN105139029B (zh) 一种监狱服刑人员的行为识别方法及装置
CN113568774B (zh) 使用无监督深度神经网络的多维时序数据实时异常检测方法
CN111275198B (zh) 一种轴承异常检测方法及***
CN116304766A (zh) 基于多传感器的开关柜状态快速评估方法
CN103106394A (zh) 一种视频监控中的人体行为识别方法
CN117289778B (zh) 一种工控主机电源健康状态的实时监测方法
CN114417699A (zh) 泵阀故障检测方法
CN116662111B (zh) 一种列车智能网络管理控制***
CN117807551B (zh) 基于智能戒指的心率异常捕获方法及***
CN110378371B (zh) 一种基于平均近邻距离异常因子的能耗异常检测方法
CN117318614A (zh) 一种光伏逆变器故障预测方法
CN116404186A (zh) 一种功率型锂锰电池生产***
CN111537022B (zh) 一种基于人工智能的冲压成型生产车间安全监控***
CN110622692B (zh) 一种甘蔗联合收割机运行状态的智能识别方法及***
CN116433049A (zh) 一种基于模糊粗糙熵的用电异常检测方法
Luo et al. Recognition and labeling of faults in wind turbines with a density-based clustering algorithm
CN110349373B (zh) 基于二元传感器的行为识别方法、装置及存储介质
Liu et al. Research and application of wear prediction method of NC milling cutter based on data-driven
CN117407824B (zh) 一种电力时间同步装置的健康检测方法、设备和介质
Qin et al. Bearing fault diagnosis using modified multi-scale sample entropy and one-against-rest feature selection
CN113177873B (zh) 基于递进式预警方式的城市公共安全预警***
CN115854490B (zh) 一种用于除湿机状态监控的分析方法与***
CN117890825B (zh) 充电枪的泄露电流测试方法、装置、设备及存储介质

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