【技术实现步骤摘要】
本专利技术涉及人工智能，具体是一种基于人工智能的设备安全监测管理系统及方法。
技术介绍
1、现代工业生产的自动化程度日益提高，生产过程也越来越复杂，同时，由于工厂数量的井喷式爆发，对于工厂设备的安全监管也逐渐成为企业面对的难题之一，传统的设备安全监管模式面临着浪费人力、高昂的社会成本、效率低下、监管不到位的情况，这限制了企业的长期发展。
2、传统监测管理系统中，通常没有采用多维度深度融合采集设备数据，导致采集的设备数据不准确，传输速度慢、采集效率低；传统监测管理系统中采集很多数据进行分析研究，对于设备关键数据的利用率低，没有自动过滤垃圾数据，没有对需要采集的重要数据进行调度抓取；传统监测管理系统中对于设备分类没有采用规则树进行故障分类，并与专家系统联动，导致设备故障处理不及时，诊断不到位。
3、所以，人们急需一种基于人工智能的设备安全监测管理系统及方法来解决上述问题。
技术实现思路
1、本专利技术的目的在于提供一种基于人工智能的设备安全监测管理系统及方法，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：
3、所述设备安全监测管理系统包括数据采集模块、调度抓取模块、模型建立模块、设备管理模块；
4、所述数据采集模块用于通过多维度测量技术深度融合实时获取设备的数据信息，所述设备数据包括传感器监测数据、设备操作记录、设备状态信息，通过大数据提炼与挖掘、区块链技术、多维度测量技术的深度融合，并利用
5、进一步的，所述调度抓取模块基于所述数据采集模块中采集到的设备数据，建立异常数据模型，将采集到的设备数据进行编号，基于所述采集到的设备数据对异常数据模型进行训练，通过以下公式对设备数据上限阈值t1与数据下限阈值t2分别进行计算：
6、t1＝m+std；
7、t2＝m-std；
8、其中，m为数据的平均值，std为数据的标准差；
9、将设备数据的上限阈值与下限阈值分别进行存储，通过对异常数据模型输入设备数据编号，异常数据模型会将输入的设备数据n和上限阈值与下限阈值进行对比，如果t2≤n≤t1，则会输出1判定所述输入的数据n为正常数据，如果n＞t1或者n＜t2，则会输出0判定所述输入的数据n为异常数据，当异常数据模型输出0时进行智能调度，所述智能调度是通过信噪比衡量信号质量进行实时判断，设置信噪比阈值k，将信噪比低于阈值k的信号排除，抓取剩余的振动、冲击信号。
10、进一步的，所述模型建立模块对所述调度抓取模块中所采集到的振动、冲击信号进行频谱分析，基于以下公式通过离散傅立叶变换计算信号频谱：
11、
12、其中，x(n)是离散时域信号，x(k)是离散频域信号，k是频率索引，n是信号长度；将得到的离散时域信号x(n)作为横轴，离散频域信号x(k)作为竖轴，建立频谱图；
13、在频谱图中，通过识别设备故障特征频率的谐波成分监测设备是否发生故障，当设备故障特征频率的谐波在频谱图中呈现倍频关系，则判定设备发生故障，触发系统预警，并在频谱图中标注故障特征位置及频率，通过提取故障特征频率的倍频频率，得到所述倍频频率中的特征数据，所述特征数据包括振动数据x1、冲击数据x2、温度数据x3和压力数据x4，通过主成分分析方法将高维特征数据进行降维并建立设备模型。
14、进一步的，所述模型建立模块通过主成分分析方法将高维特征数据进行降维并建立设备模型，通过主成分分析方法将特征数据降至k维，将所述特征数据整合为一个数据集x＝(x1，x2，x3，x4)，通过将所有特征数据减去整体数据集平均值进行化简，将所有特征数据转换为矩阵形式x，通过以下公式建立协方差矩阵y：
15、
16、其中，n为特征数据数量，xt为矩阵x的转置矩阵，通过特征值分解方法对协方差矩阵进行求解，得到协方差矩阵的特征值λ1与特征向量α1，对特征值λ从大到小进行排序，选择其中最大的k个，然后将对应的k个特征向量α1分别作为行向量组成特征向量矩阵p，通过以下公式建立降到k维后的矩阵q：
17、q＝px；
18、通过矩阵q得到降维后的特征值λ2，基于所述降维后的特征值λ2与特征向量α2作为输入数据，建立设备模型。
19、进一步的，所述设备管理模块对设备模型进行检测，基于设备模型通过构建规则树描述故障特征判断逻辑，通过专家系统建立故障知识库，将规则树叶子结点阈值(β1，β2，β3，...，βn)与振动幅值v1、温度变化率v2、压力波动变化率v3以及其余特征值vn进行比对，在触发系统预警时系统自动与故障知识库进行关联，根据关联的故障知识库信息，提供相应的诊断建议和处理方案，通知相关操作人员进行处理。
20、进一步的，所述设备管理模块在构建规则树描述故障特征判断逻辑时，为每个叶子结点分配编号(β1，β2，β3，...，βn)，并为每个叶子节点分配阈值(θ1，θ2，θ3，...，θn)，所述叶子节点分配阈值为基于振动幅值v1、温度变化率v2、压力波动变化率v3以及其余特征值vn的历史数据的平均值，将规则树的叶子节点阈值与振动幅值v1、温度变化率v2、压力波动变化率v3以及其余特征值vn进行比对，基于以下公式计算振动幅值v1：
21、
22、其中，v2为最大振动幅值，v3为最小振动幅值，将实时计算得到的振动幅值v1与叶子结点β1的阈值θ1进行比对，如果实时计算得到的振动幅值v1超过叶子结点β1的阈值θ1，触发系统预警；
23、基于以下公式计算温度变化率v2：
24、
25、其中，r1为当前温度，r2为上一个时间点记录的温度，t为时间间隔，将实时计算得到的温度变化率v2与叶子结点β2的阈值θ2进行比对，如果实时计算得到的温度变本文档来自技高网...
【技术保护点】
1.一种基于人工智能的设备安全监测管理系统，其特征在于：所述设备安全监测管理系统包括数据采集模块、调度抓取模块、模型建立模块、设备管理模块；
2.根据权利要求1所述的一种基于人工智能的设备安全监测管理系统，其特征在于：所述调度抓取模块基于所述数据采集模块中采集到的设备数据，建立异常数据模型，将采集到的设备数据进行编号，基于所述采集到的设备数据对异常数据模型进行训练，通过以下公式对设备数据上限阈值T1与数据下限阈值T2分别进行计算：
3.根据权利要求2所述的一种基于人工智能的设备安全监测管理系统，其特征在于：所述模型建立模块对所述调度抓取模块中所采集到的振动、冲击信号进行频谱分析，基于以下公式通过离散傅立叶变换计算信号频谱：
4.根据权利要求3所述的一种基于人工智能的设备安全监测管理系统，其特征在于：所述模型建立模块通过主成分分析方法将高维特征数据进行降维并建立设备模型，通过主成分分析方法将特征数据降至k维，将所述特征数据整合为一个数据集X＝(X1，X2，X3，X4)，通过将所有特征数据减去整体数据集平均值进行化简，将所有特征数据转换为矩阵形式X
5.根据权利要求4所述的一种基于人工智能的设备安全监测管理系统，其特征在于：所述设备管理模块对设备模型进行检测，基于设备模型通过构建规则树描述故障特征判断逻辑，通过专家系统建立故障知识库，将规则树叶子结点阈值与振动幅值V1、温度变化率V2、压力波动变化率V3以及其余特征值Vn进行比对，在触发系统预警时系统自动与故障知识库进行关联，根据关联的故障知识库信息，提供相应的诊断建议和处理方案，通知相关操作人员进行处理。
6.根据权利要求5所述的一种基于人工智能的设备安全监测管理系统，其特征在于：所述设备管理模块在构建规则树描述故障特征判断逻辑时，为每个叶子结点分配编号(β1，β2，β3，...，βn)，并为每个叶子节点分配阈值(θ1，θ2，θ3，...，θn)，所述叶子节点分配阈值为基于振动幅值V1、温度变化率V2、压力波动变化率V3以及其余特征值Vn的历史数据的平均值，将规则树的叶子节点阈值与振动幅值V1、温度变化率V2、压力波动变化率V3以及其余特征值Vn进行比对，基于以下公式计算振动幅值V1：
7.根据权利要求6所述的一种基于人工智能的设备安全监测管理系统，其特征在于：所述设备管理模块基于人工智能分支中的专家系统对故障进行处理，所述专家系统建立故障知识库，基于事例推理进行诊断，实时收集和整理已有过的故障案例和解决方案并存储至故障知识库，包括设备故障的描述、诊断过程和解决方法，当系统触发预警之后，专家系统基于规则树的叶子结点编号(β1，β2，β3，...，βn)，通过故障知识库找到相同编号的案例进行匹配找出案例，基于找到的相同编号的案例，系统提取相应的解决方案和诊断过程，作为对当前故障的参考并反馈给相关的操作人员进行处理，当专家系统没有在故障知识库中检索到相同编号的案例时，引入领域专家进行手动诊断和解决方案的制定，系统通过记录领域专家的诊断过程和解决方案，作为新的案例与叶子节点映射加入到故障知识库中进行扩充，并定期审查与更新故障知识库。
8.应用于权利要求1-7中任一项的一种基于人工智能的设备安全监测管理系统的一种基于人工智能的设备安全监测管理方法，其特征在于：所述设备安全监测管理方法包括：
...【技术特征摘要】
1.一种基于人工智能的设备安全监测管理系统，其特征在于：所述设备安全监测管理系统包括数据采集模块、调度抓取模块、模型建立模块、设备管理模块；
2.根据权利要求1所述的一种基于人工智能的设备安全监测管理系统，其特征在于：所述调度抓取模块基于所述数据采集模块中采集到的设备数据，建立异常数据模型，将采集到的设备数据进行编号，基于所述采集到的设备数据对异常数据模型进行训练，通过以下公式对设备数据上限阈值t1与数据下限阈值t2分别进行计算：
3.根据权利要求2所述的一种基于人工智能的设备安全监测管理系统，其特征在于：所述模型建立模块对所述调度抓取模块中所采集到的振动、冲击信号进行频谱分析，基于以下公式通过离散傅立叶变换计算信号频谱：
4.根据权利要求3所述的一种基于人工智能的设备安全监测管理系统，其特征在于：所述模型建立模块通过主成分分析方法将高维特征数据进行降维并建立设备模型，通过主成分分析方法将特征数据降至k维，将所述特征数据整合为一个数据集x＝(x1，x2，x3，x4)，通过将所有特征数据减去整体数据集平均值进行化简，将所有特征数据转换为矩阵形式x，通过以下公式建立协方差矩阵y：
5.根据权利要求4所述的一种基于人工智能的设备安全监测管理系统，其特征在于：所述设备管理模块对设备模型进行检测，基于设备模型通过构建规则树描述故障特征判断逻辑，通过专家系统建立故障知识库，将规则树叶子结点阈值与振动幅值v1、温度变化率v2、压力波动变化率v3以及其余特征值vn进行比对，在触发系统预警时系统自动与故障知识库进行关联，根据关联的故障知识库信息，提供相应的诊断建议和处理方案，通知相关操作人员进行...
【专利技术属性】
技术研发人员：于成琪，郝兆平，刘晓东，曹胜利，朱德明，张学源，黄浩，郝闯闯，
申请(专利权)人：广东华电惠州能源有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。