管道生产过程远程监控方法技术

本发明专利技术提供一种管道生产过程远程监控方法

【技术实现步骤摘要】
管道生产过程远程监控方法、系统、设备及介质


[0001]本专利技术涉及监控技术，尤其涉及一种管道生产过程远程监控方法
、
系统
、
设备及介质
。

技术介绍

[0002]管道生产过程中涉及的产品款式种类繁多
、
款式加工时间不一致，导致产能浮动，加上产品的加工设备的数量较多，现有情况下，缺乏有效的工具协助管理和评估产品加工生产过程中的实时状况及过程，给加工生产管理带来不少的挑战
。

技术实现思路

[0003]本专利技术实施例提供一种管道生产过程远程监控方法
、
系统
、
设备及介质，能够至少解决现有技术中部分问题
。
[0004]本专利技术实施例的第一方面，提供一种管道生产过程远程监控方法，包括：
[0005]基于在生产现场部署的传感器实时获取管道生产过程的传感信息，将所述传感信息发送至与所述生产现场关联的边缘计算设备，其中，所述传感信息包括温度信息
、
压力信息
、
流量信息中至少一种；
[0006]通过所述边缘计算设备的实时数据处理流程将所述传感信息分解为多个数据元组，通过所述边缘计算设备的异常检测模型检测所述多个数据元组是否存在异常，其中，所述数据元组用于指示所述传感信息对应数据集合；
[0007]若存在异常，则将异常数据反馈至生产参数调整系统，并且对多个数据元组进行加密后发送至云端，在云端通过远程控制功能调整生产参数，并且构建与所述生产现场对应的数字孪生体，对调整结果进行可视化显示；若不存在异常，则将所述传感信息存储至所述边缘计算设备的数据库中
。
[0008]在一种可选的实施方式中，通过所述边缘计算设备的异常检测模型检测所述多个数据元组是否存在异常之前，所述方法还包括训练异常检测模型：
[0009]步骤1：随机将由生产现场的历史生产状态以及传感信息组成的数据集划分为训练数据集和测试数据集；
[0010]步骤2：确定待训练的异常检测模型的结构与参数，其中，异常检测模型的结构与参数包括网络的卷积层数
、
下采样层数
、
全连接层的层数和各层神经元个数
、
批量化尺寸
、L2
正则项系数
、
保留率
、
最大迭代次数中至少一种；
[0011]步骤
3:
在
(0,1)
范围内随机对待训练的异常检测模型进行权值矩阵
、
偏置参数的初始化，并令迭代次数
n=0
；
[0012]步骤4：在将训练数据集输入待训练的异常检测模型训练前，将训练数据集的一维数据转换为二维特征图；
[0013]步骤5：训练数据集经过各隐含层的前向传播，交替进行卷积
、
批归一化
、
激活
、
下采样操作，最后输出得到当前生产任务完成时间的预测值；
[0014]步骤6：根据当前生产任务完成时间的预测值与实际任务完成时间，计算出异常检测模型的预测误差；
[0015]步骤7：若异常检测模型的当前迭代次数
n
不满足最大迭代次数，则跳转至步骤8进行误差反向传播，若
n
满足最大迭代次数，则跳转至步骤
11
；
[0016]步骤8：初始化异常检测模型的参数向量，其中，参数向量包括每层的权值矩阵
、
偏置
、
一阶矩估计
、
二阶矩估计
、
矩估计的指数衰减速率中至少一种，并令时间步
t=0
；
[0017]步骤9：令
t=t+1
，
n=n+1
，计算对参数向量的导数，对异常检测模型的参数向量进行更新；
[0018]步骤
10
：判断
n
是否满足最大迭代次数，若满足，跳转至步骤4，若未满足，则跳转步骤9；
[0019]步骤
11
：异常检测模型训练完成，将测试集数据输入，预测当前生产任务的剩余完成时间
。
[0020]在一种可选的实施方式中，将异常数据反馈至生产参数调整系统，并且对多个数据元组进行加密后发送至云端包括：
[0021]随机生成一对密钥和初始化加密向量，其中，密钥包括公钥和私钥，所述公钥用于加密数据，所述私钥用于解密数据；
[0022]对当前数据元组通过公钥和前一数据元组的初始化加密向量进行数据加密，通过安全通信协议将加密后的数据发送至云端；
[0023]云端根据所述私钥对加密后的数据进行解密，获取当前数据元组的原始格式
。
[0024]在一种可选的实施方式中，构建与所述生产现场对应的数字孪生体包括：
[0025]以所述生产现场的车间为根层次，以车间环境
、
人员
、
立体仓库
、
物流系统以及机加工
、
装配检测单元为茎层次，以构成各茎层次的设备作为叶层次从而以三层结构化组织车间资源，对数字化制造车间涉及到的人员
、
设备
、
厂房
、
物料对象，在几何维度上对物理车间进行准确映射
。
[0026]在一种可选的实施方式中，所述数字孪生体包括：
[0027]物理实体层，通过传感器收集真实世界的信息并将其传给计算模块；
[0028]孪生产品层，在云端构建与物理实体一对一的数字孪生体；
[0029]点对点通信，通过将所包含的所有物理实体或网络进行唯一身份绑定，每当物理实体发生变化时，传感器就会将物理实体的当前状态推送至数字孪生体，从而实现物理实体的实时虚拟映射；
[0030]智能服务层，利用贝叶斯网络设计智能交互控制器并构造模糊规则库，进行数字孪生重构和实时决策；
[0031]系统应用层，基于情景驱动为用户提供多种数据融合方式
。
[0032]在一种可选的实施方式中，在云端通过远程控制功能调整生产参数包括：
[0033]根据生产现场的生产条件，根据管道生产的产量设置产量约束条件以及所述产量约束条件对应的惩罚系数；
[0034]引入多个附加条件，并且为所述多个附加条件设置对应的附加约束权重；
[0035]综合所述产量约束条件
、
所述惩罚系数以及所述多个附加条件
、
所述附加约束权重，以所述管道生产的产量最大化为目标迭代调整生产参数
。
[0036]在一种可选的实施方式中，综合所述产量约束条件
、
所述惩罚系数以及所述多个附加条件
、
所述附加约束权重，以所述管道生产的产量最大化为目标迭代调整生产参数包括：
[0037]；
[0038]其本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种管道生产过程远程监控方法，其特征在于，包括：基于在生产现场部署的传感器实时获取管道生产过程的传感信息，将所述传感信息发送至与所述生产现场关联的边缘计算设备，其中，所述传感信息包括温度信息
、
压力信息
、
流量信息中至少一种；通过所述边缘计算设备的实时数据处理流程将所述传感信息分解为多个数据元组，通过所述边缘计算设备的异常检测模型检测所述多个数据元组是否存在异常，其中，所述数据元组用于指示所述传感信息对应数据集合；若存在异常，则将异常数据反馈至生产参数调整系统，并且对多个数据元组进行加密后发送至云端，在云端通过远程控制功能调整生产参数，并且构建与所述生产现场对应的数字孪生体，对调整结果进行可视化显示；若不存在异常，则将所述传感信息存储至所述边缘计算设备的数据库中
。2.
根据权利要求1所述的方法，其特征在于，通过所述边缘计算设备的异常检测模型检测所述多个数据元组是否存在异常之前，所述方法还包括训练异常检测模型：步骤1：随机将由生产现场的历史生产状态以及传感信息组成的数据集划分为训练数据集和测试数据集；步骤2：确定待训练的异常检测模型的结构与参数，其中，异常检测模型的结构与参数包括网络的卷积层数
、
下采样层数
、
全连接层的层数和各层神经元个数
、
批量化尺寸
、L2
正则项系数
、
保留率
、
最大迭代次数中至少一种；步骤
3:
在
(0,1)
范围内随机对待训练的异常检测模型进行权值矩阵
、
偏置参数的初始化，并令迭代次数
n=0
；步骤4：在将训练数据集输入待训练的异常检测模型训练前，将训练数据集的一维数据转换为二维特征图；步骤5：训练数据集经过各隐含层的前向传播，交替进行卷积
、
批归一化
、
激活
、
下采样操作，最后输出得到当前生产任务完成时间的预测值；步骤6：根据当前生产任务完成时间的预测值与实际任务完成时间，计算出异常检测模型的预测误差；步骤7：若异常检测模型的当前迭代次数
n
不满足最大迭代次数，则跳转至步骤8进行误差反向传播，若
n
满足最大迭代次数，则跳转至步骤
11
；步骤8：初始化异常检测模型的参数向量，其中，参数向量包括每层的权值矩阵
、
偏置
、
一阶矩估计
、
二阶矩估计
、
矩估计的指数衰减速率中至少一种，并令时间步
t=0
；步骤9：令
t=t+1
，
n=n+1
，计算对参数向量的导数，对异常检测模型的参数向量进行更新；步骤
10
：判断
n
是否满足最大迭代次数，若满足，跳转至步骤4，若未满足，则跳转步骤9；步骤
11
：异常检测模型训练完成，将测试集数据输入，预测当前生产任务的剩余完成时间
。3.
根据权利要求1所述的方法，其特征在于，将异常数据反馈至生产参数调整系统，并且对多个数据元组进行加密后发送至云端包括：随机生成一对密钥和初始化加密向量，其中，密钥包括公钥和私钥，所述公钥用于加密数据，所述私钥用于解密数据；
对当前数据元组通过公钥和前一数据元组的初始化加密向量进行数据加密，通过安全通信协议将加密后的数据发送至云端；云端根据所述私钥对加密后的数据进行解密，获取当前数据元组的原始格式
。4.
根据权利要求1所述的方法，其特征在于，构建与所述生产现场对应的数字孪生体包括：以所述生产现场的车间为根层次，以车间环境
、
人...

【专利技术属性】
技术研发人员：李荣高，宁靖华，王建，高敏，徐笃军，刘同军，李珍，何洪伟，梁伟，
申请(专利权)人：中国电建集团山东电力管道工程有限公司，
类型：发明
国别省市：