本发明涉及物联网数据监测,更具体的说是涉及一种基于物联网的生产车间异常监控系统。
背景技术:
1、随着物联网技术的快速发展,越来越多的企业开始将物联网技术应用于生产车间中,以提高生产效率、降低成本并提高产品质量。
2、然而,传统的生产车间异常监控系统通常基于人工巡检和简单的传感器监测,无法实现实时、全面的异常监控和预警。传统的生产车间异常监控系统仅是通过阈值判断运行设备的好与坏,缺少采用智能分析技术对设备运行数据的挖掘分析和故障趋势预测,且由于生产车间的运维设备种类较多,设备较复杂,并不利于查找出引起设备运行故障的关键影响因素,使其设备维护效率较低。
技术实现思路
1、有鉴于此,本发明提供了一种基于物联网的生产车间异常监控系统,用于解决上述现有技术
2、为了实现上述目的,本发明提供如下技术方案:
3、一种基于物联网的生产车间异常监控系统,包括:数据采集设备、物联网传输设备、物联网监控平台以及移动终端;
4、其中,所述数据采集设备采集生产车间的不同设备的运行信息,包括:电流信息、电压信息、温度信息以及红外图像信息;
5、所述物联网传输设备将设备运行信息按照预设频率上传至所述物联网监控平台;
6、所述物联网监控平台实时显示上传的设备运行信息,并基于所述设备运行信息分析预测生产车间设备是否出现故障,若是,则进行预警提示并向所述移动终端发送预警报告。
7、优选的,所述数据采集设备包括:
8、电流传感器、电压传感器、温度传感器以及红外相机,分别采集电流信息、电压信息、温度信息以及红外图像信息。
9、优选的,所述物联网传输设备包括:
10、存储模块,将所述设备运行信息进行缓存;
11、频率调整模块,按照预设频率发送驱动信号,其中,所述预设频率包括:
12、默认上传频率:
13、
14、式中,σ为时间标准差,ω为预设标准差权值,σ0为预设标准差参考值,f0为使用的上传模块标准上传频率;
15、当判断缓存的设备信息大于缓存总容量的百分之80%时,提高上传频率:
16、fb=wlog2(1+s/n);
17、式中,w为信道使用的上传模块的最大信道带宽,s为信道内所传信号的平均功率,n为信道内部的高斯噪声功率;
18、上传模块,基于所述驱动信号将所述设备运行信息上传至所述物联网监测控制平台。
19、优选的,所述物联网监控平台包括:
20、显示模块,实时显示上传的设备运行信息;
21、预测模块,基于所述设备运行信息分析预测生产车间设备是否出现故障并生成相应的预警报告;
22、预警模块,当生产车间设备出现故障时,则进行预警提示并向所述移动终端发送预警报告。
23、优选的,所述预测模块包括:
24、对所述设备运行信息进行预处理,包括:获取生产车间中不同设备的历史电压信息、历史电流信息以及历史温度信息,并进行特征提取,生成频谱图特征样本数据集,获取生产车间中不同设备的历史红外图像信息,并进行特征提取,生成红外图特征样本数据集;并将所述频谱图特征样本数据集以及所述红外图特征样本数据集分别划分为训练集、测试集和预测集;
25、构建神经网络模型,输入训练集和测试集数据进行学习训练;
26、将设备运行信息进行预处理,并调用训练好的神经网络模型进行多尺度故障识别,得到预测结果。
27、优选的,生成的频谱图特征样本数据集的数据格式为:
28、α=[(x1,y1),(x2,y2),…,(xn,yn)];
29、式中,x1,x2…xn为设备运行时间,y1,y2…yn为对应运行时间的频谱图。
30、优选的,生成的红外图特征样本数据集的数据格式为:
31、β=[(u1,w1),(u2,w2),…,(um,wm)];
32、式中,u1,u2…um为设备运行时间,w1,w2…wm为对应运行时间的红外图像。
33、优选的,所述构建神经网络模型,输入训练集和测试集数据进行学习训练,包括:卷积层、池化层以及全连接层,其中,所述卷积层迭代提取不同层次的训练集的特征,经过所述池化层后,通过所述全连接层得到预测结果,根据所述预测结果输出计算损失函数,对神经网络模型的参数权值更新,并采用adam算法进行优化训练,得到训练好的神经网络模型。
34、优选的,所述将设备运行信息进行预处理,并调用训练好的神经网络模型进行多尺度故障识别,得到预测结果,包括:
35、将设备运行信息进行数据清洗、小波包降噪和归一化处理:
36、提取设备运行信息中的电压信息、电流信息以及温度信息的频谱图特征,并得到与频谱图特征样本数据集相同数据格式的频谱图特征输入集;
37、提取设备运行信息中的红外图像特征,并得到与红外图特征样本数据集相同数据格式的红外图像特征输入集;
38、将所述频谱图特征输入集以及所述红外图像特征输入集分别输入训练好的所述神经网络模型中,得到预测结果。
39、优选的,所述物联网监控平台还包括:控制模块,基于预测结果控制相应的设备启停。
40、通过上述技术方案,本发明相对于现有技术具有以下有益效果:
41、1)本发明在物联网传输设备中通过不同的上传频率实现低功耗上传,且通过缓存提高了数据采集的可靠性;
42、2)通过对多维度数据的采集及处理,并采用深度学习构建神经网络模型,通过实时采集的频谱特征示意红外图像特征数据进行快速、准确、批量化地对各类监测数据的变化规律进行智能识别,尤其适合于生产车间中大量监测数据的快速批量化管理,提高设备维护效率。
43、本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
44、下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
1.一种基于物联网的生产车间异常监控系统,其特征在于,包括:数据采集设备、物联网传输设备、物联网监控平台以及移动终端;
2.根据权利要求1所述的一种基于物联网的生产车间异常监控系统,其特征在于,所述数据采集设备包括:
3.根据权利要求1所述的一种基于物联网的生产车间异常监控系统,其特征在于,所述物联网传输设备包括:
4.根据权利要求1所述的一种基于物联网的生产车间异常监控系统,其特征在于,所述物联网监控平台包括:
5.根据权利要求4所述的一种基于物联网的生产车间异常监控系统,其特征在于,所述预测模块包括:
6.据权利要求5所述的一种基于物联网的生产车间异常监控系统,其特征在于,生成的频谱图特征样本数据集的数据格式为:
7.据权利要求5所述的一种基于物联网的生产车间异常监控系统,其特征在于,生成的红外图特征样本数据集的数据格式为:
8.据权利要求5所述的一种基于物联网的生产车间异常监控系统,其特征在于,所述构建神经网络模型,输入训练集和测试集数据进行学习训练,包括:卷积层、池化层以及全连接层,其中,所述卷积层迭代提取不同层次的训练集的特征,经过所述池化层后,通过所述全连接层得到预测结果,根据所述预测结果输出计算损失函数,对神经网络模型的参数权值更新,并采用adam算法进行优化训练,得到训练好的神经网络模型。
9.据权利要求5所述的一种基于物联网的生产车间异常监控系统,其特征在于,所述将设备运行信息进行预处理,并调用训练好的神经网络模型进行多尺度故障识别,得到预测结果,包括:
10.据权利要求1所述的一种基于物联网的生产车间异常监控系统,其特征在于,所述物联网监控平台还包括:控制模块,基于预测结果控制相应的设备启停。