CN117252435B - 一种基于工业互联网的工厂生产安全监控预警方法及*** - Google Patents
一种基于工业互联网的工厂生产安全监控预警方法及*** Download PDFInfo
- Publication number
- CN117252435B CN117252435B CN202311536207.6A CN202311536207A CN117252435B CN 117252435 B CN117252435 B CN 117252435B CN 202311536207 A CN202311536207 A CN 202311536207A CN 117252435 B CN117252435 B CN 117252435B
- Authority
- CN
- China
- Prior art keywords
- production process
- factory
- factory production
- early warning
- analysis
- 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
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 181
- 238000012544 monitoring process Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000000463 material Substances 0.000 claims abstract description 123
- 238000004458 analytical method Methods 0.000 claims abstract description 76
- 238000010219 correlation analysis Methods 0.000 claims abstract description 19
- 238000004393 prognosis Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 238000005516 engineering process Methods 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 17
- 230000032683 aging Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 7
- 238000012106 screening analysis Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013076 uncertainty analysis Methods 0.000 description 2
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004643 material aging Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/12—Simultaneous equations, e.g. systems of linear equations
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- General Health & Medical Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种基于工业互联网的工厂生产安全监控预警方法及***,涉及工厂监控技术领域,该方法包括以下步骤:收集工厂生产过程中的生产数据及工厂生产过程的分析数据;实现对工厂生产过程中的结构动力特性和材料属性的分析及评估;基于相关性分析算法建立工厂生产过程的预后风险模型;将安全监控及预警的信息通过工业互联网平台实时反馈给工厂管理者及操作者;该***包括收集模块、工厂结构材料分析模块、风险预警模块及反馈模块。本发明实现对工厂内结构材料的状态和性能的有效评估,进而可以及时发现结构材料的潜在风险、可靠性和鲁棒性,达到预警的目的。
Description
技术领域
本发明涉及工厂监控技术领域,具体来说,涉及一种基于工业互联网的工厂生产安全监控预警方法及***。
背景技术
工业互联网是指将物联网、云计算、大数据、人工智能等先进信息技术与工业制造相结合,实现对工业设备、生产过程、产品质量等的智能感知、智能分析和智能决策的一种新型网络模式。工业互联网可以提高工业生产的效率、质量和安全性,促进工业创新和转型。工厂生产是工业互联网的重要应用场景之一,涉及到各种复杂的设备、材料、流程和环境,存在着各种潜在的风险和挑战,如设备故障、材料老化、流程异常、环境变化等。这些风险和挑战不仅会影响工厂生产的效率和质量,还会危及工厂生产的安全和可持续性,甚至会造成人员伤亡和财产损失。因此,如何利用工业互联网的技术优势,实现对工厂生产过程的安全监控和预警,是一个亟待解决的问题。
例如中国专利201910661791.5公开了一种化工厂事故预警及事态跟踪***,其包括数据处理器、存储器、数据获取单元和监视器,通过子区域之间的影响,推算每个子区域当前的状态和下一个时刻的状态,能够对化工厂的事故发展进行跟踪,为化工厂的安全管理提供前瞻性的事态发展预测。但是该预警***还存在以下不足:没有对结构材料的状态和性能缺乏有效的评估,无法及时发现结构材料的潜在风险或损坏,同时没有对工厂生产过程中的数据进行有效筛选。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题,本发明提出一种基于工业互联网的工厂生产安全监控预警方法及***,以克服现有相关技术所存在的上述技术问题。
为此,本发明采用的具体技术方案如下:
根据本发明的一个方面,提供了一种基于工业互联网的工厂生产安全监控预警方法,该方法包括以下步骤:
S1、通过工业互联网平台收集及存储工厂生产过程中的生产数据及工厂生产过程的分析数据。
S2、利用试验模态参数识别技术及区间参数描述技术,实现对工厂生产过程中的结构动力特性和材料属性的分析及评估。
S3、基于相关性分析算法建立工厂生产过程的预后风险模型,并预测工厂生产过程的风险程度,且实现对工厂生产过程的安全监控及预警。
S4、将安全监控及预警的信息通过工业互联网平台实时反馈给工厂管理者及操作者,并根据反馈信息对工厂的设备、材料、流程及环境进行调节。
进一步的,为了实现对结构材料的状态和性能的有效评估,进而可以及时发现结构材料的潜在风险、可靠性和鲁棒性,达到预警的目的;
利用试验模态参数识别技术及区间参数描述技术,实现对工厂生产过程中的结构动力特性和材料属性的分析及评估包括以下步骤:
S21、对工厂生产过程中的结构材料进行试验模态分析,获取结构材料的模态数据;
S22、将特征值函数在结构材料属性名义值点进行泰勒展开,并得到结构模态参数与结构材料属性参数的区间代数方程组;
S23、基于线性规划理论,求解区间代数方程组,并得到结构材料属性参数的区间估计;
S24、利用区间估计结果评估结构材料属性的分散性及老化程度。
其中,所述基于线性规划理论,求解区间代数方程组时,得到区间代数方程组的最小和最大值问题,并得到结构材料属性参数的上界和下界。
对工厂生产过程中的结构材料进行试验模态分析,获取结构材料的模态数据包括以下步骤:
S211、通过工业互联网平台收集及传输工厂生产过程中的结构材料自由振动响应的位移、速度及加速度时域信号;
S212、利用试验模态参数识别技术,对收集的位移、速度及加速度时域信号进行特征提取和降维,并得到结构材料的模态数据。
将特征值函数在结构材料属性名义值点进行泰勒展开,并得到结构模态参数与结构材料属性参数的区间代数方程组包括以下步骤:
S221、利用泰勒级数近似特征值函数在结构材料属性名义值点附近的变化,将非线性的特征值函数转化为线性方程;
S222、通过区间代数方程组描述模态参数及结构材料属性参数。
利用区间估计结果评估结构材料属性的分散性及老化程度包括以下步骤:
S241、利用区间估计结果与结构材料属性名义值进行比较;
S242、分析结构材料属性的变化范围和趋势;
S243、评估结构材料属性的分散性及老化程度。
进一步的,为了筛选出与工厂生产过程风险相关的重要因素,并建立预后风险模型进行风险预测,从而实现对工厂生产过程的安全监控及预警;
基于相关性分析算法建立工厂生产过程的预后风险模型,并预测工厂生产过程的风险程度,且实现对工厂生产过程的安全监控及预警包括以下步骤:
S31、整理工厂生产过程的分析数据;
S32、使用相关性分析方法筛选工厂生产过程的分析数据;
S33、基于筛选工厂生产过程的分析数据,建立预后风险模型并进行预测;
S34、实现安全监控及预警。
使用相关性分析方法筛选工厂生产过程的分析数据包括以下步骤:
S321、使用斯皮尔曼等级相关系数计算不同工厂生产过程的分析数据之间的相关性;
S322、使用XGBoost模型分析各工厂生产过程的分析数据对工厂生产过程风险的贡献度;
S323、根据不同工厂生产过程的分析数据的重要性进行排序及归一化,并选择重要性累加和低于阈值的工厂生产过程的分析数据。
使用斯皮尔曼等级相关系数计算不同工厂生产过程的分析数据之间的相关性包括以下步骤:
S3211、将每个工厂生产过程的分析数据转换为等级值,并按照从小到大的顺序给每个工厂生产过程的分析数据赋予整数值;
S3212、计算两个工厂生产过程的分析数据间的斯皮尔曼等级相关系数;
其中,计算公式为:
;
式中,表示两个工厂生产过程的分析数据x及y间的斯皮尔曼等级相关系数;
d i 表示第i个观测值在两个工厂生产过程的分析数据中的等级差,n表示观测值的总数;
S3213、重复S3211-S3212,计算所有工厂生产过程的分析数据之间的斯皮尔曼等级相关系数,并构造相关性矩阵。
使用XGBoost模型分析各工厂生产过程的分析数据对工厂生产过程风险的贡献度包括以下步骤:
S3221、将工厂生产过程风险作为目标变量,并将工厂生产过程风险之外的数据作为特征变量,构造一个监督学习过程;
S3222、计算每个特征变量的平均信息增益,并将平均信息增益作为该特征变量对风险预测的贡献度,即该特征变量与风险之间的相关性。
根据本发明的另一方面,提供了一种基于工业互联网的工厂生产安全监控预警***,该***包括收集模块、工厂结构材料分析模块、风险预警模块及反馈模块。
其中,收集模块与工厂结构材料分析模块及风险预警模块连接,且工厂结构材料分析模块及风险预警模块均与反馈模块连接。
收集模块,用于通过工业互联网平台收集及存储工厂生产过程中的生产数据及工厂生产过程的分析数据。
工厂结构材料分析模块,用于利用试验模态参数识别技术及区间参数描述技术,实现对工厂生产过程中的结构动力特性和材料属性的分析及评估。
风险预警模块,用于基于相关性分析算法建立工厂生产过程的预后风险模型,并预测工厂生产过程的风险程度,且实现对工厂生产过程的安全监控及预警。
反馈模块,用于将安全监控及预警的信息通过工业互联网平台实时反馈给工厂管理者及操作者,并根据反馈信息对工厂的设备、材料、流程及环境进行调节。
本发明的有益效果为:
(1)本发明提供的一种基于工业互联网的工厂生产安全监控预警方法及***,通过工业互联网平台收集及存储工厂生产过程中的生产数据及工厂生产过程的分析数据,实现对工厂生产过程中的各种数据的高效获取和管理,为后续的分析和评估提供数据支持。通过对工厂生产过程中的结构动力特性和材料属性的分析及评估,可以利用试验模态参数识别技术对结构材料进行动力特性分析,利用区间参数描述技术对结构材料进行不确定性分析,从而实现对结构材料的状态和性能的有效评估,进而可以及时发现结构材料的潜在风险、可靠性和鲁棒性,达到预警的目的。
(2)本发明基于相关性分析算法建立工厂生产过程的预后风险模型,筛选出与工厂生产过程风险相关的重要因素,并建立预后风险模型进行风险预测,从而实现对工厂生产过程的安全监控及预警。
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的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种基于工业互联网的工厂生产安全监控预警方法的流程图;
图2是根据本发明实施例的一种基于工业互联网的工厂生产安全监控预警***的原理框图。
图中:
1、收集模块;2、工厂结构材料分析模块;3、风险预警模块;4、反馈模块。
具体实施方式
为进一步说明各实施例,本发明提供有附图,这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理,配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点,图中的组件并未按比例绘制,而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例,提供了一种基于工业互联网的工厂生产安全监控预警方法及***。
现结合附图和具体实施方式对本发明进一步说明,如图1所示,根据本发明的一个实施例,提供了一种基于工业互联网的工厂生产安全监控预警方法,该方法包括以下步骤:
S1、通过工业互联网平台收集及存储工厂生产过程中的生产数据,如温度、压力、流量、电流、电压等,以及工厂生产过程的分析数据,如设备参数、产品质量、环境因素、人员状态等。
S2、利用试验模态参数识别技术及区间参数描述技术,实现对工厂生产过程中的结构动力特性和材料属性的分析及评估。
在进一步的实施例中,利用试验模态参数识别技术及区间参数描述技术,实现对工厂生产过程中的结构动力特性和材料属性的分析及评估包括以下步骤:
S21、对工厂生产过程中的结构材料进行试验模态分析,获取结构材料的模态数据,如固有频率、振型等;通过模态数据反映了结构材料的动力响应和振动特性。
S22、将特征值函数在结构材料属性名义值点进行泰勒展开,并得到结构模态参数与结构材料属性参数的区间代数方程组;通过泰勒展开,这些方程组描述了结构模态参数与结构材料属性参数之间的关系。
S23、基于线性规划理论,求解区间代数方程组,并得到结构材料属性参数的区间估计;
S24、利用区间估计结果评估结构材料属性的分散性及老化程度,反映结构材料在工厂生产过程中可能发生的质量变化和损耗情况。
其中,所述基于线性规划理论,求解区间代数方程组时,得到区间代数方程组的最小和最大值问题,并得到结构材料属性参数的上界和下界,即区间估计。
在进一步的实施例中,对工厂生产过程中的结构材料进行试验模态分析,获取结构材料的模态数据包括以下步骤:
S211、通过工业互联网平台收集及传输工厂生产过程中的结构材料自由振动响应的位移、速度及加速度时域信号;
S212、利用试验模态参数识别技术,对收集的位移、速度及加速度时域信号进行特征提取和降维,并得到结构材料的模态数据,如固有频率、振型等。具体的,通过试验模态参数识别方法对位移、速度及加速度时域信号进行变换,如傅里叶变换、小波变换、经验模态分解等,并得到结构材料的频域或时频域信号;对变换后的频域或时频域信号进行特征提取,如求解特征值、特征向量、奇异值等,并得到结构材料的模态参数,如固有频率、振型等;对提取出的模态参数进行降维,如主成分分析、因子分析、聚类分析等,以减少数据维数和冗余,并得到结构材料的模态数据。
在进一步的实施例中,将特征值函数在结构材料属性名义值点进行泰勒展开,并得到结构模态参数与结构材料属性参数的区间代数方程组包括以下步骤:
S221、利用泰勒级数近似特征值函数在结构材料属性名义值点附近的变化,将非线性的特征值函数转化为线性方程;由于特征值函数通常是非线性的,而线性方程更容易求解,所以利用上述的泰勒级数近似,将非线性方程转化为线性方程。
S222、通过区间代数方程组描述模态参数及结构材料属性参数。由于模态参数和结构材料属性参数都有不确定性,所以用区间数学的方法来描述它们的取值范围。
其中,特征值函数是描述结构的动力学特性的数学函数,它和材料的属性有密切的关系。如果材料的属性发生变化,那么特征值函数也会随之变化,从而影响结构的固有频率、振型等模态参数。
在进一步的实施例中,利用区间估计结果评估结构材料属性的分散性及老化程度包括以下步骤:
S241、利用区间估计结果与结构材料属性名义值进行比较,从而可以判断结构材料属性是否发生了显著的变化,以及变化的方向和程度。如果区间估计结果包含了名义值,则说明结构材料属性没有发生显著的变化;如果区间估计结果高于或低于名义值,则说明结构材料属性发生了正向或负向的变化,且变化的程度与区间估计结果与名义值的差值成正比。
S242、分析结构材料属性的变化范围和趋势,从而可以判断结构材料属性是否存在不确定性或不稳定性,如果区间估计结果很窄且对称,则说明结构材料属性较为确定且稳定;如果区间估计结果很宽且不对称,则说明结构材料属性较为不确定且不稳定,且不确定性或不稳定性可能来自于结构材料本身的分散性或老化程度,或者来自于外部环境的干扰或变化。
S243、评估结构材料属性的分散性及老化程度,从而可以判断结构材料是否符合设计要求和使用标准,以及是否需要进行维护或更新。根据区间估计结果与设计要求和使用标准进行对照分析,如果区间估计结果在设计要求和使用标准之内,则说明结构材料仍然具有良好的性能和可靠性;如果区间估计结果超出了设计要求和使用标准,则说明结构材料已经出现了性能下降或可靠性降低,且可能需要进行维护或更新。
S3、基于相关性分析算法建立工厂生产过程的预后风险模型,并预测工厂生产过程的风险程度,且实现对工厂生产过程的安全监控及预警。
在进一步的实施例中,基于相关性分析算法建立工厂生产过程的预后风险模型,并预测工厂生产过程的风险程度,且实现对工厂生产过程的安全监控及预警包括以下步骤:
S31、整理工厂生产过程的分析数据;提取和合并工厂生产过程中涉及的各种数据,例如设备参数、产品质量、环境因素、人员状态等。如果有些数据是在不同的时间点或频率下采集的,则使用插值或平滑的方法来填充或对齐数据。
S32、使用相关性分析方法筛选工厂生产过程的分析数据。
S33、基于筛选工厂生产过程的分析数据,建立预后风险模型并进行预测;此处使用机器学习或深度学习的算法,如支持向量机、随机森林、神经网络等,来建立工厂生产过程的预后风险模型,并使用筛选出的重要数据作为输入,进行风险程度的预测。使用一些评价指标,如准确率、召回率、F1值等,来评估模型的性能和效果。
S34、实现安全监控及预警。将建立好的预后风险模型部署在工厂生产过程中,并实时收集并输入数据,进行风险程度的预测。同时根据预测结果,设置阈值或规则,实现对工厂生产过程的安全监控及预警。例如,当预测结果超过某个阈值时,发出报警信号,并采取相应的措施。
在进一步的实施例中,使用相关性分析方法筛选工厂生产过程的分析数据包括以下步骤:
S321、使用斯皮尔曼等级相关系数计算不同工厂生产过程的分析数据之间的相关性;斯皮尔曼等级相关系数是一种衡量两个变量的相关性的无参数指标,其利用单调函数评价两个统计变量的相关性。
S322、使用XGBoost模型分析各工厂生产过程的分析数据对工厂生产过程风险的贡献度;XGBoost是一种基于梯度提升决策树的算法,其通过二阶导数使损失函数更精准,正则项避免树过拟合,Block存储可以并行计算等优化技术,提高了模型的效率、灵活性和轻便性。
S323、根据不同工厂生产过程的分析数据的重要性进行排序及归一化,并选择重要性累加和低于阈值的工厂生产过程的分析数据。
在进一步的实施例中,使用斯皮尔曼等级相关系数计算不同工厂生产过程的分析数据之间的相关性包括以下步骤:
S3211、将每个工厂生产过程的分析数据转换为等级值,并按照从小到大的顺序给每个工厂生产过程的分析数据赋予整数值,相同的数据赋予相同的值;
S3212、计算两个工厂生产过程的分析数据间的斯皮尔曼等级相关系数;
其中,计算公式为:
;
式中,表示两个工厂生产过程的分析数据x及y间的斯皮尔曼等级相关系数;
d i 表示第i个观测值在两个工厂生产过程的分析数据中的等级差,n表示观测值的总数;观测值是指两个数据中的每一个具体的数值,例如设备参数、产品质量、环境因素、人员状态等。观测值的数量取决于数据的采集频率和时间范围,例如每小时、每天、每周等。观测值越多,相关性分析越可靠。
S3213、重复S3211-S3212,计算所有工厂生产过程的分析数据之间的斯皮尔曼等级相关系数,并构造相关性矩阵。
在进一步的实施例中,使用XGBoost模型分析各工厂生产过程的分析数据对工厂生产过程风险的贡献度包括以下步骤:
S3221、将工厂生产过程风险作为目标变量,并将工厂生产过程风险之外的数据作为特征变量,构造一个监督学习过程;
S3222、计算每个特征变量的平均信息增益,并将平均信息增益作为该特征变量对风险预测的贡献度,即该特征变量与风险之间的相关性。
S4、将安全监控及预警的信息通过工业互联网平台实时反馈给工厂管理者及操作者,并根据反馈信息对工厂的设备、材料、流程及环境进行调节。通过利用工业互联网平台实现信息的快速传递和共享,提高工厂管理者及操作者对工厂生产过程风险的认知和响应能力。解决了可能会导致信息的滞后或不完整,影响工厂管理者及操作者做出正确和及时的决策的问题。
如图2所示,根据本发明的另一个实施例,提供了一种基于工业互联网的工厂生产安全监控预警***,该***包括收集模块1、工厂结构材料分析模块2、风险预警模块3及反馈模块4。
其中,收集模块1与工厂结构材料分析模块2及风险预警模块3连接,且工厂结构材料分析模块2及风险预警模块3均与反馈模块4连接。
收集模块1,用于通过工业互联网平台收集及存储工厂生产过程中的生产数据及工厂生产过程的分析数据。
工厂结构材料分析模块2,用于利用试验模态参数识别技术及区间参数描述技术,实现对工厂生产过程中的结构动力特性和材料属性的分析及评估。
风险预警模块3,用于基于相关性分析算法建立工厂生产过程的预后风险模型,并预测工厂生产过程的风险程度,且实现对工厂生产过程的安全监控及预警。
反馈模块4,用于将安全监控及预警的信息通过工业互联网平台实时反馈给工厂管理者及操作者,并根据反馈信息对工厂的设备、材料、流程及环境进行调节。
综上所述,本发明提供的一种基于工业互联网的工厂生产安全监控预警方法及***,通过工业互联网平台收集及存储工厂生产过程中的生产数据及工厂生产过程的分析数据,实现对工厂生产过程中的各种数据的高效获取和管理,为后续的分析和评估提供数据支持。通过对工厂生产过程中的结构动力特性和材料属性的分析及评估,可以利用试验模态参数识别技术对结构材料进行动力特性分析,利用区间参数描述技术对结构材料进行不确定性分析,从而实现对结构材料的状态和性能的有效评估,进而可以及时发现结构材料的潜在风险、可靠性和鲁棒性,达到预警的目的。本发明基于相关性分析算法建立工厂生产过程的预后风险模型,筛选出与工厂生产过程风险相关的重要因素,并建立预后风险模型进行风险预测,从而实现对工厂生产过程的安全监控及预警。
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,凡在本发明的精神和原则之内,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 (7)
1.一种基于工业互联网的工厂生产安全监控预警方法,其特征在于,该方法包括以下步骤:
S1、通过工业互联网平台收集及存储工厂生产过程中的生产数据及工厂生产过程的分析数据;
S2、利用试验模态参数识别技术及区间参数描述技术,实现对工厂生产过程中的结构动力特性和材料属性的分析及评估;
S3、基于相关性分析算法建立工厂生产过程的预后风险模型,并预测工厂生产过程的风险程度,且实现对工厂生产过程的安全监控及预警;
S4、将安全监控及预警的信息通过工业互联网平台实时反馈给工厂管理者及操作者,并根据反馈信息对工厂的设备、材料、流程及环境进行调节;
所述利用试验模态参数识别技术及区间参数描述技术,实现对工厂生产过程中的结构动力特性和材料属性的分析及评估包括以下步骤:
S21、对工厂生产过程中的结构材料进行试验模态分析,获取结构材料的模态数据;
S22、将特征值函数在结构材料属性名义值点进行泰勒展开,并得到结构模态参数与结构材料属性参数的区间代数方程组;
S23、基于线性规划理论,求解区间代数方程组,并得到结构材料属性参数的区间估计;
S24、利用区间估计结果评估结构材料属性的分散性及老化程度;
其中,所述基于线性规划理论,求解区间代数方程组时,得到区间代数方程组的最小和最大值问题,并得到结构材料属性参数的上界和下界;
所述基于相关性分析算法建立工厂生产过程的预后风险模型,并预测工厂生产过程的风险程度,且实现对工厂生产过程的安全监控及预警包括以下步骤:
S31、整理工厂生产过程的分析数据;
S32、使用相关性分析方法筛选工厂生产过程的分析数据;
S33、基于筛选工厂生产过程的分析数据,建立预后风险模型并进行预测;
S34、实现安全监控及预警;
所述使用相关性分析方法筛选工厂生产过程的分析数据包括以下步骤:
S321、使用斯皮尔曼等级相关系数计算不同工厂生产过程的分析数据之间的相关性;
S322、使用XGBoost模型分析各工厂生产过程的分析数据对工厂生产过程风险的贡献度;
S323、根据不同工厂生产过程的分析数据的重要性进行排序及归一化,并选择重要性累加和低于阈值的工厂生产过程的分析数据。
2.根据权利要求1所述的一种基于工业互联网的工厂生产安全监控预警方法,其特征在于,所述对工厂生产过程中的结构材料进行试验模态分析,获取结构材料的模态数据包括以下步骤:
S211、通过工业互联网平台收集及传输工厂生产过程中的结构材料自由振动响应的位移、速度及加速度时域信号;
S212、利用试验模态参数识别技术,对收集的位移、速度及加速度时域信号进行特征提取和降维,并得到结构材料的模态数据。
3.根据权利要求2所述的一种基于工业互联网的工厂生产安全监控预警方法,其特征在于,所述将特征值函数在结构材料属性名义值点进行泰勒展开,并得到结构模态参数与结构材料属性参数的区间代数方程组包括以下步骤:
S221、利用泰勒级数近似特征值函数在结构材料属性名义值点附近的变化,将非线性的特征值函数转化为线性方程;
S222、通过区间代数方程组描述模态参数及结构材料属性参数。
4.根据权利要求3所述的一种基于工业互联网的工厂生产安全监控预警方法,其特征在于,所述利用区间估计结果评估结构材料属性的分散性及老化程度包括以下步骤:
S241、利用区间估计结果与结构材料属性名义值进行比较;
S242、分析结构材料属性的变化范围和趋势;
S243、评估结构材料属性的分散性及老化程度。
5.根据权利要求1所述的一种基于工业互联网的工厂生产安全监控预警方法,其特征在于,所述使用斯皮尔曼等级相关系数计算不同工厂生产过程的分析数据之间的相关性包括以下步骤:
S3211、将每个工厂生产过程的分析数据转换为等级值,并按照从小到大的顺序给每个工厂生产过程的分析数据赋予整数值;
S3212、计算两个工厂生产过程的分析数据间的斯皮尔曼等级相关系数;
其中,计算公式为:
;
式中,表示两个工厂生产过程的分析数据x及y间的斯皮尔曼等级相关系数;
d i 表示第i个观测值在两个工厂生产过程的分析数据中的等级差,n表示观测值的总数;
S3213、重复S3211-S3212,计算所有工厂生产过程的分析数据之间的斯皮尔曼等级相关系数,并构造相关性矩阵。
6.根据权利要求5所述的一种基于工业互联网的工厂生产安全监控预警方法,其特征在于,所述使用XGBoost模型分析各工厂生产过程的分析数据对工厂生产过程风险的贡献度包括以下步骤:
S3221、将工厂生产过程风险作为目标变量,并将工厂生产过程风险之外的数据作为特征变量,构造一个监督学习过程;
S3222、计算每个特征变量的平均信息增益,并将平均信息增益作为该特征变量对风险预测的贡献度,即该特征变量与风险之间的相关性。
7.一种基于工业互联网的工厂生产安全监控预警***,用于实现权利要求1-6任一项所述的基于工业互联网的工厂生产安全监控预警方法,其特征在于,该***包括收集模块、工厂结构材料分析模块、风险预警模块及反馈模块;
其中,所述收集模块与所述工厂结构材料分析模块及所述风险预警模块连接,且所述工厂结构材料分析模块及所述风险预警模块均与所述反馈模块连接;
所述收集模块,用于通过工业互联网平台收集及存储工厂生产过程中的生产数据及工厂生产过程的分析数据;
所述工厂结构材料分析模块,用于利用试验模态参数识别技术及区间参数描述技术,实现对工厂生产过程中的结构动力特性和材料属性的分析及评估;
所述风险预警模块,用于基于相关性分析算法建立工厂生产过程的预后风险模型,并预测工厂生产过程的风险程度,且实现对工厂生产过程的安全监控及预警;
所述反馈模块,用于将安全监控及预警的信息通过工业互联网平台实时反馈给工厂管理者及操作者,并根据反馈信息对工厂的设备、材料、流程及环境进行调节。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311536207.6A CN117252435B (zh) | 2023-11-17 | 2023-11-17 | 一种基于工业互联网的工厂生产安全监控预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311536207.6A CN117252435B (zh) | 2023-11-17 | 2023-11-17 | 一种基于工业互联网的工厂生产安全监控预警方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117252435A CN117252435A (zh) | 2023-12-19 |
CN117252435B true CN117252435B (zh) | 2024-01-30 |
Family
ID=89128075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311536207.6A Active CN117252435B (zh) | 2023-11-17 | 2023-11-17 | 一种基于工业互联网的工厂生产安全监控预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117252435B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318007A (zh) * | 2014-10-20 | 2015-01-28 | 西北工业大学 | 基于模态分析的超声切削刀具设计方法 |
CN115456482A (zh) * | 2022-10-24 | 2022-12-09 | 中国计量大学 | 一种基于XGBoost的化工企业风险分级方法 |
CN116976163A (zh) * | 2023-06-25 | 2023-10-31 | 宁波华杨新能源有限公司 | 超高速轻量化永磁直驱电机的生产方法 |
-
2023
- 2023-11-17 CN CN202311536207.6A patent/CN117252435B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318007A (zh) * | 2014-10-20 | 2015-01-28 | 西北工业大学 | 基于模态分析的超声切削刀具设计方法 |
CN115456482A (zh) * | 2022-10-24 | 2022-12-09 | 中国计量大学 | 一种基于XGBoost的化工企业风险分级方法 |
CN116976163A (zh) * | 2023-06-25 | 2023-10-31 | 宁波华杨新能源有限公司 | 超高速轻量化永磁直驱电机的生产方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117252435A (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108628281B (zh) | 异常检测***及异常检测方法 | |
Wu et al. | Process topology convolutional network model for chemical process fault diagnosis | |
US10877863B2 (en) | Automatic prediction system for server failure and method of automatically predicting server failure | |
US10921759B2 (en) | Computer system and method for monitoring key performance indicators (KPIs) online using time series pattern model | |
El-Midany et al. | A proposed framework for control chart pattern recognition in multivariate process using artificial neural networks | |
US8036999B2 (en) | Method for analyzing and classifying process data that operates a knowledge base in an open-book mode before defining any clusters | |
WO2020159706A1 (en) | Methods and systems for fault detection and identification | |
KR101872342B1 (ko) | 개선된 RTC(Real-time contrasts) 기법을 이용한 지능형 이상 진단 방법 및 장치 | |
CN113762329A (zh) | 一种大型轧机状态预测模型的构建方法及构建*** | |
CN113036913B (zh) | 一种综合能源设备状态监测方法及装置 | |
CN116776273B (zh) | 物联网设备的运行状态监测方法及*** | |
CN117639602A (zh) | 电机运行状态自适应调节方法及*** | |
CN117273440A (zh) | 基于深度学习的工程施工物联网监测管理***及方法 | |
CN117156442A (zh) | 基于5g网络的云数据安全保护方法及*** | |
Roemer et al. | Prognostics | |
Liu et al. | Deep learning approach for sensor data prediction and sensor fault diagnosis in wind turbine blade | |
Martins et al. | Prediction maintenance based on vibration analysis and deep learning–A case study of a drying press supported on a hidden Markov model | |
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 | |
CN117471346A (zh) | 用于确定退役电池模组剩余寿命和健康状态的方法及*** | |
CN117252435B (zh) | 一种基于工业互联网的工厂生产安全监控预警方法及*** | |
Ashfahani et al. | Autonomous deep quality monitoring in streaming environments | |
CN114726751A (zh) | 资源质量监控的智能化预警方法、***、设备和存储介质 | |
Yan et al. | Nonlinear quality-relevant process monitoring based on maximizing correlation neural network | |
CN117254593B (zh) | 基于云边协同的电网巡视作业智慧管控平台及其方法 | |
CN118015839B (zh) | 一种高速公路路域风险预测方法及装置 |
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 |