一种基于边缘节点的传动设备安全隐患预测方法

技术领域

本发明属于监控技术领域，尤其涉及一种基于边缘节点的传动设备安全隐患预测方法。

背景技术

当前对于传动设备的监测通常是采集参数后由工程师进行人工判定其是否存在安全隐患，或者基于其工作效率判断是否存在故障风险，并且基于模型判断安全隐患大小；上述方法主要依靠经验判断，数据为辅助，智能化程度不高，并且不同地区工况不同，模型适用性需要调整，经过学习后的模型方能够使用，此时安全隐患未及时排查，故障概率增加。

因此，亟需一种基于边缘节点的传动设备安全隐患预测方法，能够在同工况下对相同位置组件消耗情况进行排查，通过结合历史数据建立专用模型能够高效利用数据，提前预知设备使用情况，精细化管理设备安全状况。

发明内容

针对现有技术存在的问题，本发明提供一种基于边缘节点的传动设备安全隐患预测方法，上述方法中，控制器针对多套传动设备相同位置组件信息进行采集，针对不同目标检测设备类型，从位移参数、磨损、温度、工作噪音分贝、转速中选取合适的参数设置对应类型设备的预测模型，经过基于环境的预处理后，利用所述预测模型进行同工况下同位置组件参数对比，自云端下载同类型设备的全部历史数据后，结合该历史数据，建立专有模型，判定设备安全隐患，本发明能够在同工况下对相同位置组件消耗情况进行排查，通过结合历史数据建立专用模型能够高效利用数据，提前预知设备使用情况，精细化管理设备安全状况。

所述方法执行如下步骤：

S1.多个同型号传动设备[C1，C2···Cn]分别与各自现场边缘节点[L1，L2···Ln]相连接；

S2.在每个传动设备上分别设置温度传感器、噪音监测采集传感器、位移传感器以及转速传感器；所述噪音监测采集传感器采集所述每个传动设备的工作噪音分贝

S3.对传动设备C1而言，与所述传动设备C1现场边缘节点L1周期性收集所述C1的温度数据、噪音分贝数据、唯一数据以及转速数据，并生成温度数据序列T1、噪音分贝数据序列X1、位移数据序列W1以及转速数据序列Z1；

S4.所述L1自云端下载传动设备工作预测模型，并将所述温度数据序列T1、所述噪音分贝数据序列X1、所述位移数据序列W1以及所述转速数据序列Z1素数所述自云端下载的传动设备工作预测模型；

S5.输出所述C1的传动设备工作预测结果。

进一步地，S6.基于所述S1-S3的步骤，获取[C2，C3···Cn]对应的[T2，T3···Tn]、[X2，X3···Xn]、[W2，W3···Wn]、[Z2，Z3···Zn]。

进一步地，S7.[L2，L3···Ln]分别下载不同传动设备工作预测模型后，将所述[C2，C3···Cn]对应的[T2，T3···Tn]、[X2，X3···Xn]、[W2，W3···Wn]、[Z2，Z3···Zn]分别输入所下载的模型中，获得所述传动设备[C2，C3···Cn]的工作预测结果。

进一步地，S21.所述传动设备C1中，不同传感器之间相对位置与所述传动设备[C2，C3···Cn]中不同传感器之间相对位置一致。

进一步地，S31.所述C1的工作温度数据序列T1具体为[t11，t12···t1m]。

进一步地，S32.所述C1的噪音分贝数据序列X1具体为[x11，x12···x1m]。

进一步地，S33.所述C1的位移数据序列W1具体为[w11，w12···w1m]。

进一步地，S33.所述C1的转速数据序列Z1具体为[z11，z12···z1m]。

进一步地，所述自云端下载传动设备工作预测模型均具备自学习功能，任一传动设备应用所述模型后输出结果，并将结果直接同步反馈至云端，云端基于所述模型以及所述输出结果对模型进行调整。

本发明具有的优点：

1.通过周期性自动采集工作温度、噪音分贝、位移以及转速四个参数，经过边缘节点初步评估后，自云端下载传动设备工作预测模型，将所采集到的参数输入模型经过模型运算输出结果，本发明方案是两级评估，边缘节点第一级评估，基于评估结果选择不同模型的获取进行第二级评估，能够对传动设备工作情况进行预测，无需人工评估，能够基于具备自学习功能的传动设备工作预测模型自动对传动设备进行工作情况预测。

2.设置中控中心对现场各个边缘设备进行控制，基于各个边缘设备所采集的不同数据进行评估后，设置工作温度、噪音分贝、位移以及转速四个评估模型，基于不同需求选择不同模型进行工作预测，能够精确管理传动设备，同时，基于同一传动设备能够同时下载多个传动设备工作预测模型进行不同类型数据的预测，能够全方位评估设备工作情况。

3.本发明的方案能够同时针对现场多个传动设备同时进行安全隐患预测，效率较高，通过边缘节点的设置，便于在出现安全隐患预测结果不理想时准确定位传动设备，便于查找安全隐患信息。

4.工作温度、工作噪音分贝、位移以及转速四个模型各不相同，算法以及判断方法各不相同，能够基于不同参数特性有针对性设计模型；同时，工作温度模型中，需要运用转速相关参数判定；工作噪音分贝模型中，需要用到位移参数，通过不同类型数据作为参考并作为预测判定中的关键因素的方式，能够提高模型预测的安全可靠性与准确性。

5.在各个模型判定中，设置多类阈值，该阈值均能够在模型自学习过程中不断调整，随着样本的增加，不断增加安全隐患预测的准确性。

附图说明

图1是一种基于边缘节点的传动设备安全隐患预测方法步骤流程图；

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，所述方法执行如下步骤：

S1.多个同型号传动设备[C1，C2···Cn]分别与各自现场边缘节点[L1，L2···Ln]相连接；

S2.在每个传动设备上分别设置温度传感器、噪音监测采集传感器、位移传感器以及转速传感器；所述噪音监测采集传感器采集所述每个传动设备的工作噪音分贝；

S3.对传动设备C1而言，与所述传动设备C1现场边缘节点L1周期性收集所述C1的温度数据、噪音分贝数据、唯一数据以及转速数据，并生成温度数据序列T1、噪音分贝数据序列X1、位移数据序列W1以及转速数据序列Z1；

S4.所述L1自云端下载传动设备工作预测模型，并将所述温度数据序列T1、所述噪音分贝数据序列X1、所述位移数据序列W1以及所述转速数据序列Z1素数所述自云端下载的传动设备工作预测模型；

S5.输出所述C1的传动设备工作预测结果。

进一步地，S6.基于所述S1-S3的步骤，获取[C2，C3···Cn]对应的[T2，T3···Tn]、[X2，X3···Xn]、[W2，W3···Wn]、[Z2，Z3···Zn]。

进一步地，S7.[L2，L3···Ln]分别下载不同传动设备工作预测模型后，将所述[C2，C3···Cn]对应的[T2，T3···Tn]、[X2，X3···Xn]、[W2，W3···Wn]、[Z2，Z3···Zn]分别输入所下载的模型中，获得所述传动设备[C2，C3···Cn]的工作预测结果。

进一步地，S21.所述传动设备C1中，不同传感器之间相对位置与所述传动设备[C2，C3···Cn]中不同传感器之间相对位置一致。

进一步地，S31.所述C1的工作温度数据序列T1具体为[t11，t12···t1m]。

[C1，C2···Cn]各自对应的工作温度数据序列能够形成工作温度数据矩阵：

进一步地，S32.所述C1的噪音分贝数据序列X1具体为[x11，x12···x1m]。

[C1，C2···Cn]各自对应的噪音分贝数据序列能够形成噪音分贝数据矩阵：

进一步地，S33.所述C1的位移数据序列W1具体为[w11，w12···w1m]。

[C1，C2···Cn]各自对应的位移数据序列能够形成位移数据矩阵：

进一步地，S33.所述C1的转速数据序列Z1具体为[z11，z12···z1m]。

[C1，C2···Cn]各自对应的转速数据序列能够形成转速数据矩阵：

进一步地，所述自云端下载传动设备工作预测模型均具备自学习功能，任一传动设备应用所述模型后输出结果，并将结果直接同步反馈至云端，云端基于所述模型以及所述输出结果对模型进行调整。

进一步地，所述位移数据为所述传动设备上各个连接部件之间相对距离的改变。

进一步地，S71.中控中心L控制所述[L1，L2···Ln]；

S72.所述[L1，L2···Ln]基于[C1，C2···Cn]各自对应的工作温度、噪音分贝、位移、转速四类数据序列所形成的四类数据矩阵，分别评估各自对应采集的工作温度、噪音分贝、位移、转速四类数据序列的变化趋势；

S73.设置工作温度阈值Yt、噪音分贝阈值Yx、位移阈值Yw、转速阈值Yz；

S74.对任一所述[L1，L2···Ln]，

第一工况：所采集的工作温度数据中存在tqp≥Yt的数据点大于第一阈值时，将所述温度数据序列发送至中控中心L，并向上传异常数据的Lp告知需要下载工作温度预测模型；其中，n≥q≥1，m≥p≥1；

第二工况：所采集的噪音分贝数据中存在xqp≥Yt的数据点大于第二阈值时，将所述温度数据序列发送至中控中心L，并向上传异常数据的Lp告知需要下载噪音分贝预测模型；

第三工况：所采集的位移数据中存在wqp≥Yt的数据点大于第三阈值时，将所述温度数据序列发送至中控中心L，并向上传异常数据的Lp告知需要下载位移预测模型；

第四工况：所采集的转速数据中存在zqp≥Yt的数据点大于第四阈值时，将所述温度数据序列发送至中控中心L；并向上传异常数据的Lp告知需要下载转速预测模型；

所述第一阈值、第二阈值、第三阈值以及第四阈值基于人工设定。

若存在第一工况至第四工况中的多种工况情形，则将符合工况情形的数据均分类发送至所述中控中心L；

S75.所述中控中心向所述[L1，L2···Ln]分别反馈所需下载的相同或不同类型传动设备工作预测模型的模型标识以及下载路径；

存在Lp需要同时下载1类、2类、3类或4类传动设备工作预测模型的情形。

温度预测模型为：

对任一单独传动设备而言，转速均值为

[zq1，zq2···zqm]中大于

工作温度均值为

[tq1，tq2···tqm]中大于

a与b做差后取绝对值获得A；

若A≤温度预测阈值，且[zq1，zq2···zqm]与[tq1，tq2···tqm]两序列变化趋势相同，且序列[tq1，tq2···tqm]中全部数据均小于告警温度，则输出无异常结果，否则发出异常告警至中控中心L以及所述现场边缘节点Lq。

噪音分贝预测模型为：

若调用所述噪音分贝预测模型，则判定[xq1，xq2···xqm]所对应的[wq1，wq2···wqm]是否存在异常值；

若[wq1，wq2···wqm]中存在异常值，并且xqp异常的情况下，对应的wqp同样异常，则通知维修人员，告知设备连接间隙异常。

位移预测模型为：

若启用所述位移预测模型，则直接呼叫维修人员，调取对应传动设备所在地理位置，以及其所连接的所述现场边缘接连Lq，查询位移传感器所设置的位置，并检查设备。

转速预测模型为：

调取所述传动设备控制日志，若转速变化随控制指令相应变化，则输出无异常结果，否则发出异常告警至中控中心L以及所述现场边缘节点Lq。

S76.[L1，L2···Ln]分别依据所述传动设备工作预测模型的模型标识以及下载路径下载所述模型，并将所采集的四类数据进行输入，以获得输出结果。

可选的，还可以通过分布式的诊断专家系统替代历史数据建立专用模型能够高效利用数据，提前预知设备使用情况，精细化管理设备安全状况进行。

本发明具有的优点：

1.通过周期性自动采集工作温度、噪音分贝、位移以及转速四个参数，经过边缘节点初步评估后，自云端下载传动设备工作预测模型，将所采集到的参数输入模型经过模型运算输出结果，本发明方案是两级评估，边缘节点第一级评估，基于评估结果选择不同模型的获取进行第二级评估，能够对传动设备工作情况进行预测，无需人工评估，能够基于具备自学习功能的传动设备工作预测模型自动对传动设备进行工作情况预测。

2.设置中控中心对现场各个边缘设备进行控制，基于各个边缘设备所采集的不同数据进行评估后，设置工作温度、噪音分贝、位移以及转速四个评估模型，基于不同需求选择不同模型进行工作预测，能够精确管理传动设备，同时，基于同一传动设备能够同时下载多个传动设备工作预测模型进行不同类型数据的预测，能够全方位评估设备工作情况。

3.本发明的方案能够同时针对现场多个传动设备同时进行安全隐患预测，效率较高，通过边缘节点的设置，便于在出现安全隐患预测结果不理想时准确定位传动设备，便于查找安全隐患信息。

4.工作温度、噪音分贝、位移以及转速四个模型各不相同，算法以及判断方法各不相同，能够基于不同参数特性有针对性设计模型；同时，工作温度模型中，需要运用转速相关参数判定；噪音分贝模型中，需要用到位移参数，通过不同类型数据作为参考并作为预测判定中的关键因素的方式，能够提高模型预测的安全可靠性与准确性。

5.在各个模型判定中，设置多类阈值，该阈值均能够在模型自学习过程中不断调整，随着样本的增加，不断增加安全隐患预测的准确性。

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、等同替换和改进等，均应包含在本发明的保护范围之内。