工业设备的监控管理方法、装置和计算机设备制造方法及图纸

本发明专利技术涉及工业设备技术领域，公开了一种工业设备的监控管理方法，包括：获取工业设备当日的检测数据；输入预设网络模型得到工业设备的异常分数，并判断是否出现了异常值；当出现了异常值时，判断工业设备的操作员是否具有违规操作；若否，则不记录工业设备当日的异常值；若是，则记录工业设备当日的异常值以及违规操作；将异常值、违规操作与时间标签进行关联并存储；提取第二设定时间段内工业设备违规操作的具体操作和次数；对工业设备违规操作的具体操作进行排序。本发明专利技术提供的方法，便于后续对操作人员的操作进行规范，提高工业设备的工作效率，避免因操作人员的操作使得工业设备发生损坏而导致安全事故发生，保证操作人员的生命安全。生命安全。生命安全。

【技术实现步骤摘要】
工业设备的监控管理方法、装置和计算机设备


[0001]本专利技术涉及工业设备
，特别涉及一种工业设备的监控管理方法、装置和计算机设备。

技术介绍

[0002]随着全球经济与制造业的快速发展，工业规模也在不断扩充，工业生产的安全性和高效性离不开持续稳定的工业过程运转，同时每台工业设备的正常运作是保障正常工业流程的关键。
[0003]随着设备制造能力不断提升，虽然工业设备的质量越来越好，但是工业流程周期较长，设备通常在不间断的运转，即使是高质量的设备也会出现设备老化和设备故障等问题，然后引起一系列工业生产流程异常现象。不仅系统内部结构故障会导致设备发生异常，外界因素和人为操作也会对工业设备造成影响。外接因素：工业设备会因为环境问题导致一些故障问题，比如设备中的电路器件可能在高温的时候出现变形、烧坏的现象，润滑油在低温的时候粘度增加，可能会导致旋转机械的转速大大降低，出现设备启动困难的问题。人为操作：如操作人员未按照正常操作顺序使用工业设备，或在工业设备不应堆放物品的位置进行了违规摆放等引起工业设备异常运转。
[0004]当工业设备发生异常故障时，若没有及时进行异常原因检测并作出合理预警控制，当异常问题逐渐累积就有可能造成严重生产安全事故。

技术实现思路

[0005]本专利技术提供了一种工业设备的监控管理方法、装置和计算机设备，通过预设的网络模型对工业设备的检测数据进行异常检测，并记录出现异常时操作人员的违规操作，分析工业设备的异常中由人为具体操作造成异常的顺序，以便后续对操作人员的操作进行规范，提高工业设备的工作效率，避免因操作人员的操作使得工业设备发生损坏而导致安全事故发生，保证操作人员的生命安全。
[0006]本专利技术提供了一种工业设备的监控管理方法，包括：
[0007]获取工业设备当日的检测数据；其中，所述检测数据包括传感器收集的温度、风速、频率、转速数据；
[0008]将所述检测数据输入预设网络模型得到所述工业设备的异常分数，并根据所述异常分数判断所述检测数据中是否出现了异常值；
[0009]当所述检测数据中出现了异常值时，判断所述工业设备的操作员在第一设定时间段内是否具有违规操作；其中，所述第一设定时间段为当日所述工业设备的运行时间段；
[0010]若所述工业设备的操作员在第一设定时间段内不具有违规操作，则不记录所述工业设备当日的异常值；
[0011]若所述工业设备的操作员在第一设定时间段内具有违规操作，则记录所述工业设备当日的异常值的具体数值和次数，以及记录所述操作员的违规操作的具体操作和次数；
[0012]将所述异常值的具体数值和次数、违规操作的具体操作和次数与时间标签进行关联，并存储在异常数据库中；
[0013]从所述异常数据库中提取第二设定时间段内所述工业设备违规操作的具体操作和次数；
[0014]根据所述具体操作的次数对所述工业设备违规操作的具体操作进行排序，得到所述工业设备的异常操作排序表，并将所述异常操作排序表展示给监控管理人员。
[0015]进一步地，所述将所述检测数据输入预设网络模型得到所述工业设备的异常分数，并根据所述异常分数判断所述检测数据中是否出现了异常值的步骤，包括：
[0016]设所述检测数据的时间序列为X＝(x1,x2,x3,
…
,x
T
)∈R
n
×
T
；其中，n＝10表示数据的维度大小，T表示时间序列数据的长度；
[0017]将所述时间序列进行归一化处理，并将归一化处理后的时间序列利用滑动窗口生成所述预设网络模型的输入值；
[0018]将所述时间序列输入训练完成的预设网络模型，得到所述预设网络模型的输出值；其中，所述输出值为预测值，所述预设的网络模型包括编码层、注意力层和解码层，所述编码层为BiGRU网络；
[0019]将所述预设网络模型的输出值与实际值进行均方误差计算得到异常分数，并判断所述异常分数是否大于阈值；
[0020]若所述异常分数大于阈值，则所述异常分数为异常值；
[0021]若所述异常分数小于等于阈值，则所述异常分数为正常值。
[0022]进一步地，所述将所述时间序列输入训练完成的预设网络模型，得到所述预设网络模型的输出值的步骤中，训练预设网络模型，包括：
[0023]获取所述预设网络模型的训练数据集；其中，所述训练数据集包括训练集和测试集；
[0024]将时间序列输入BiGRU网络中的正向GRU层，得到隐藏状态以及将所述时间序列输入BiGRU网络中的反向GRU层，得到隐藏状态
[0025]将所述隐藏状态与所述隐藏状态进行拼接生成BiGRU网络的隐藏层的输出向量H(H1,H2,H3,
…
,H
T
)；
[0026]将所述输出向量H输入注意力层计算特征权值其中，表示在t时刻第i个变量的注意力权重；
[0027]将所述BiGRU网络的隐藏层的输出向量H与所述注意力层的特征权值加权求和得到状态向量c＝(c1,c2,c3,
…
，c
T
)；
[0028]将所述状态向量c＝(c1,c2,c3,
…
,c
T
)通过模型解码器D＝(D1,D2,D3,
…
,D
T
)得到所述预设网络模型的输出值
[0029]采用均方根误差函数和/或平均绝对百分比误差函数作为所述预设网络模型的损失函数，得到训练完成的预设网络模型。
[0030]进一步地，所述将所述隐藏状态与所述隐藏状态进行拼接生成BiGRU网络的隐藏层的输出向量H(H1,H2,H3,
…
,H
T
)的步骤中，计算公式为：
[0031][0032]其中，H
t
表示经过前向传输隐藏层和后向传输隐藏层得到的t时刻的隐藏状态；
[0033]所述将所述输出向量H输入注意力层计算特征权值的步骤中，计算方式为：
[0034]将输入变量表示为h(h1,h2,h3,
…
,h
n
)，通过tanh激活函数将隐藏状态之间进行比较，计算每个变量的注意力得分s：
[0035]s
i
＝tanh(W[h
i
；h
n
])+b
[0036]将所述注意力得分s通过softmax函数做归一化处理，生成每个变量对应的注意力权值a：
[0037][0038]其中，生成每个变量对应的注意力权值为a(a1,a2,a3,
…
,a
n
)。
[0039]进一步地，所述将时间序列输入BiGRU网络中的正向GRU层，得到隐藏状态以及将所述时间序列输入BiGRU网络中的反向GRU层，得到隐藏状态的步骤之前，还包括：
[0040]选择第一层BiGRU神经元数量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种工业设备的监控管理方法，其特征在于，包括：获取工业设备当日的检测数据；其中，所述检测数据包括传感器收集的温度、风速、频率、转速数据；将所述检测数据输入预设网络模型得到所述工业设备的异常分数，并根据所述异常分数判断所述检测数据中是否出现了异常值；当所述检测数据中出现了异常值时，判断所述工业设备的操作员在第一设定时间段内是否具有违规操作；其中，所述第一设定时间段为当日所述工业设备的运行时间段；若所述工业设备的操作员在第一设定时间段内不具有违规操作，则不记录所述工业设备当日的异常值；若所述工业设备的操作员在第一设定时间段内具有违规操作，则记录所述工业设备当日的异常值的具体数值和次数，以及记录所述操作员的违规操作的具体操作和次数；将所述异常值的具体数值和次数、违规操作的具体操作和次数与时间标签进行关联，并存储在异常数据库中；从所述异常数据库中提取第二设定时间段内所述工业设备违规操作的具体操作和次数；根据所述具体操作的次数对所述工业设备违规操作的具体操作进行排序，得到所述工业设备的异常操作排序表，并将所述异常操作排序表展示给监控管理人员。2.根据权利要求1所述的工业设备的监控管理方法，其特征在于，所述将所述检测数据输入预设网络模型得到所述工业设备的异常分数，并根据所述异常分数判断所述检测数据中是否出现了异常值的步骤，包括：设所述检测数据的时间序列为X＝(x1,x2,x3,
…
,x
T
)∈R
n
×
T
；其中，n＝10表示数据的维度大小，T表示时间序列数据的长度；将所述时间序列进行归一化处理，并将归一化处理后的时间序列利用滑动窗口生成所述预设网络模型的输入值；将所述时间序列输入训练完成的预设网络模型，得到所述预设网络模型的输出值；其中，所述输出值为预测值，所述预设的网络模型包括编码层、注意力层和解码层，所述编码层为BiGRU网络；将所述预设网络模型的输出值与实际值进行均方误差计算得到异常分数，并判断所述异常分数是否大于阈值；若所述异常分数大于阈值，则所述异常分数为异常值；若所述异常分数小于等于阈值，则所述异常分数为正常值。3.根据权利要求1所述的工业设备的监控管理方法，其特征在于，所述将所述时间序列输入训练完成的预设网络模型，得到所述预设网络模型的输出值的步骤中，训练预设网络模型，包括：获取所述预设网络模型的训练数据集；其中，所述训练数据集包括训练集和测试集；将时间序列输入BiGRU网络中的正向GRU层，得到隐藏状态以及将所述时间序列输入BiGRU网络中的反向GRU层，得到隐藏状态将所述隐藏状态与所述隐藏状态进行拼接生成BiGRU网络的隐藏层的输出向量H
(H1,H2,H3,
…
,H
T
)；将所述输出向量H输入注意力层计算特征权值其中，表示在t时刻第i个变量的注意力权重；将所述BiGRU网络的隐藏层的输出向量H与所述注意力层的特征权值加权求和得到状态向量c＝(c1,c2,c3,
…
,c
T
)；将所述状态向量c＝(c1,c2,c3,
…
,c
T
)通过模型解码器D＝(D1,D2,D3,
…
,D
T
)得到所述预设网络模型的输出值采用均方根误差函数和/或平均绝对百分比误差函数作为所述预设网络模型的损失函数，得到训练完成的预设网络模型。4.根据权利要求3所述的工业设备的监控管理方法，其特征在于，所述将所述隐藏状态与所述隐藏状态进行拼接生成BiGRU网络的隐藏层的输出向量H(H1,H2,H3,
…
,H
T
)的步骤中，计算公式为：其中，H
t
表示经过前向传输隐藏层和后向传输隐藏层得到的t时刻的隐藏状态；所述将所述输出向量H输入注意力层计算特征权值的步骤中，计算方式为：将输入变量表示为h(h1,h2,h3,
…
,h
n
)，通过tanh激活函数将隐藏状态之间进行比较，计算每个变量的注意力得分s：s
i
＝tanh(W[h
i
；h
...

【专利技术属性】
技术研发人员：黄军，
申请(专利权)人：黄军，
类型：发明
国别省市：