一种基于可视技术的炸药生产现场智能管理系统及方法与流程

摘要: 本发明涉及生产可视化管理,具体为一种基于可视技术的炸药生产现场智能管理系统及方法。背景技术:1、由于工业炸药生产具有高度危险性,安全生产管理面临诸多挑战,如设备...
一种基于可视技术的炸药生产现场智能管理系统及方法与流程

本发明涉及生产可视化管理,具体为一种基于可视技术的炸药生产现场智能管理系统及方法。

背景技术:

1、由于工业炸药生产具有高度危险性,安全生产管理面临诸多挑战,如设备操作专业性不足、人员安全意识欠缺、生产流程复杂等问题,这些因素导致炸药生产的安全形势严峻,严重制约了行业的高质量发展和技术进步。所以迫切需要建立一体化的综合智能管理系统对炸药生产现场进行智能管理。

技术实现思路

1、本发明的目的在于提供的一种基于可视技术的炸药生产现场智能管理系统及方法,解决了背景技术中存在的问题。

2、为解决上述技术问题,本发明采用如下技术方案:本发明提供一种基于可视技术的炸药生产现场智能管理方法,具体包括以下步骤:

3、s1、采集炸药生产现场环境数据,并根据采集到的炸药生产现场环境数据和炸药生产流程对炸药生产现场环境进行分区,得到分区后的炸药生产区域;

4、s2、基于分区后炸药生产区域,在各分区安装多模态监测设备,并基于安装的多模态监测设备采集对应分区内的多模态历史数据;

5、s3、通过数据处理方式对采集的多模态历史数据进行处理,得到处理后的多模态历史数据;

6、s4、基于处理后的多模态历史数据,通过智能风险辨识方式构建炸药生产智能管理模型,并建立风险评估体系;

7、s5、实时采集炸药生产流程中各分区内的多模态数据,通过炸药生产智能管理模型和风险评估体系对采集到的多模态数据进管理,并根据管理结果动态调整炸药生产流程。

8、优选地,所述采集炸药生产现场环境数据,并根据采集到的炸药生产现场环境数据和炸药生产流程对炸药生产现场环境进行分区,得到分区后的炸药生产区域包括以下步骤:

9、s11、设定炸药生产现场区域,在设定的炸药生产现场区域内安装一系列监测设备,并通过安装的监测设备实时采集设定区域内炸药生产现场环境数据;

10、s12、基于实时采集设定区域内炸药生产现场环境数据构建炸药生产现场区域坐标系,并通过构建的炸药生产现场区域坐标系和炸药生产流程对炸药生产现场环境进行分区;

11、设定炸药生产流程包括:水相制备、油相制备、乳化工序、敏化工序以及冷却包装;

12、基于构建炸药生产现场区域坐标系及炸药生产流程对炸药生产现场环境进行分区,得到分区后的炸药生产区域及对应区域位置坐标。

13、优选地,所述基于分区后炸药生产区域,在各分区安装多模态监测设备,并基于安装的多模态监测设备采集对应分区内的多模态历史数据包括以下步骤:

14、设定安装多模态监测设备的采集周期集合,表示设定的第i个采集周期,表示设定的采集周期总个数;

15、基于的采集周期采集分区后炸药生产区域内产生的多模态历史数据;

16、所述多模态历史数据包括:有毒物质浓度数据、温度数据、压力数据、ph值数据以及生产流程图像数据。

17、优选地,所述通过数据处理方式对采集的多模态历史数据进行处理,得到处理后的多模态历史数据包括以下步骤:

18、s31、通过数据标准化处理方式对多模态历史数据中温度数据、压力数据以及ph值数据进行处理,得到处理后的温度数据、压力数据以及ph值数据;

19、s32、通过数据拟合方式对多模态历史数据中有毒物质浓度数据进行处理,得到处理后的有毒物质浓度数据;

20、s33、通过图像处理方式对多模态历史数据中生产流程图像数据进行处理,得到处理后的生产流程图像数据;

21、s34、汇总处理后的生产流程图像数据、有毒物质浓度数据温度数据、压力数据以及ph值数据,得到处理后的多模态历史数据。

22、优选地,所述通过数据拟合方式对多模态历史数据中有毒物质浓度数据进行处理,得到处理后的有毒物质浓度数据包括以下步骤:

23、汇总采集到的多模态历史数据中有毒物质浓度数据并按时间顺序进行排序,得到排序后的有毒物质浓度数据;

24、基于排序后的有毒物质浓度数据,选取m组有毒物质浓度数据通过高斯拟合的方式对选取数据进行拟合;

25、通过高斯拟合方式对排序后的有毒物质浓度数据进拟合,得到有毒物质浓度数据关于时间的有毒物质浓度曲线;

26、设定关于时间的有毒物质浓度曲线为处理后的有毒物质浓度数据。

27、优选地,所述通过图像处理方式对多模态历史数据中生产流程图像数据进行处理,得到处理后的生产流程图像数据包括以下步骤:

28、s331、设定多模态历史数据中生产流程图像数据包括:风险生产流程图像数据和非风险生产流程图像数据;

29、s332、通过图像增强方式对采集到的风险生产流程图像数据和非风险生产流程图像数据进行图像增强,得到图像增强后的生产流程图像数据;

30、对采集到风险生产流程图像数据和非风险生产流程图像数据中的像素值进行归一化;

31、汇总归一化后风险生产流程图像数据和非风险生产流程图像数据,得到归一化后生产流程图像数据;

32、汇总归一化后生产流程图像数据,通过高斯滤波方式对归一化后生产流程图像数据进行图像增强,得到图像增强后的生产流程图像数据;

33、s333、设定图像增强后的生产流程图像数据为处理后的生产流程图像数据。

34、优选地,所述基于处理后的多模态历史数据,通过智能风险辨识方式构建炸药生产智能管理模型,并建立风险评估体系包括以下步骤:

35、s41、通过数据分析方式对处理后的多模态历史数据进行分析,得到分析后的多模态历史数据;

36、s42、将分析后的多模态历史数据输入至多层感知机,通过多层感知机对分析后的多模态历史数据进行融合和降维,得到融合后的历史多模态数据;

37、s43、基于融合后的历史多模态数据构建炸药生产智能管理模型;

38、通过bp神经网络构建炸药生产智能管理模型;

39、所述bp神经网络的结构包括:输入层、隐含层和输出层;

40、设定输入层的输入为,其中表示输入的第一组融合后的历史多模态数据,表示输入的第i组融合后的历史多模态数据,输出层的输出为,其中表示输出的第一组炸药生产状态预测数据,表示输出的第j组炸药生产状态预测数据;

41、设定bp神经网络包括:正向传播过程和误差反向传播过程;

42、所述bp神经网络正向传播过程为数据从输入层输入,经过隐含层,通过隐含层对数据进行处理后,最后到达输出层;

43、所述bp神经网络误差反向传播过程为依次调节隐含层到输出层的权重,输入层到隐含层的权重;

44、正向传播过程包括以下步骤:

45、设定bp神经网络各层神经元数量和权重,设定完成后基于设定的权重对输入的数据进行处理,处理完成后通过输出层进行输出;

46、误差反向传播过程包括以下步骤:

47、基于融合后的历史多模态数据的时间序列设定期望值,设定下一时刻融合后历史多模态数据为上一时刻融合后历史多模态数据的期望值;

48、计算输出层和期望值之间的误差,设定输出层和期望值之间的误差阈值,当输出层和期望值之间的误差大于等于设定的误差阈值时,通过梯度下降方式对bp神经网络各层权重进行调节,将调节后的权重作为信号的正向传播过程新的权重进行迭代计算,直到数据收敛,得到炸药生产状态预测模型;

49、设定炸药生产状态预测模型为炸药生产智能管理模型;

50、s44、基于融合后的历史多模态数据建立风险评估体系;

51、收集专家对历史多模态数据中各类数据的评分,并根据评分设定历史多模态数据中各类数据的风险权重;

52、基于历史多模态数据中各类数据的风险权重建立风险评估体系。

53、优选地,所述通过数据分析方式对处理后的多模态历史数据进行分析,得到分析后的多模态历史数据包括以下步骤:

54、设定温度数据、压力数据以及ph值数据标准范围,并按照设定的标准范围通过数据遍历方式对处理后多模态历史数据中的温度数据、压力数据以及ph值数据进行筛选,设定超过设定标准范围的处理后多模态历史数据为风险数据,反之则为正常数据;

55、对风险数据和正常数据按数值大小进行排列,排列完成后根据风险数据和正常数据规模分别对风险数据和正常数据进行等比例划分,得到多个数据区间,并计算划分后各数据区间的均值;

56、设定划分后各数据区间的均值为分析后温度数据、压力数据以及ph值数据;

57、s412、对处理后多模态历史数据中的有毒物质浓度数据进行分析,得到分析后的有毒物质浓度数据;

58、基于得到关于时间的有毒物质浓度曲线,通过数据求导方式计算关于时间的有毒物质浓度曲线中相邻两个时间段之间的曲线斜率;

59、设定停止生产后换气频率恒定,通过控制变量法和数据求导法分别计算炸药定量生产过程中关于时间的有毒物质浓度曲线斜率,和停止生产后关于时间的有毒物质浓度曲线斜率;

60、设定生产过程中关于时间的有毒物质浓度曲线斜率表示有毒物质浓度增长速率,停止生产后关于时间的有毒物质浓度曲线斜率表示有毒物质浓度散发速率;

61、设定有毒物质浓度增长速率和有毒物质浓度散发速率为分析后的有毒物质浓度数据;

62、s413、对处理后的图像数据进行分析,得到分析后的图像数据;

63、对处理后的图像数据进行特征提取,得到生产流程图像数据的特征;

64、将处理后的图像数据按时间序列进行排序,得到排序后的生产流程图像数据;

65、排序完成后,将排序后的生产流程图像数据划分为大小相同的图像数据块;

66、将划分后的图像数据块传输至卷积神经网络,通过卷积神经网络提取排序后生产流程图像数据中的特征;

67、所述生产流程图像数据的特征包括:风险生产流程图像数据特征和非风险生产流程图像数据特征;

68、汇总生产流程图像数据的特征,设定汇总后生产流程图像数据的特征为分析后的图像数据;

69、s414、汇总分析后的图像数据、有毒物质浓度数据温度数据、压力数据以及ph值数据,得到分析后的多模态历史数据。

70、优选地,所述实时采集炸药生产流程中各分区内的多模态数据,通过炸药生产智能管理模型和风险评估体系对采集到的多模态数据进管理,并根据管理结果动态调整炸药生产流程包括以下步骤:

71、实时采集炸药生产流程中各分区内的多模态数据,并将采集的多模态数据输入风险评估体系,通过风险评估体系对实时采集的多模态数据进行评估,若评估存在风险则立刻停止炸药生产流程;

72、若评估不存在风险则将采集的多模态数据炸药生产智能管理模型,通过炸药生产智能管理模型输出下一时刻炸药生产状态预测数据,并将下一时刻炸药生产状态预测数据输入风险评估体系进行评估,若评估存在风险则立刻减少炸药生产规模,若评估不存在风险则继续监测。

73、本发明还提供一种基于可视技术的炸药生产现场智能管理系统,用于实现一种基于可视技术的炸药生产现场智能管理方法,系统包括:数据采集模块、数据处理模块、炸药生产智能管理模块、风险评估模块、动态调整模块以及可视化界面;

74、所述数据采集模块用于采集炸药生产现场的多模态数据;

75、所述数据处理模块用于对采集的多模态数据进行处理,得到处理后的多模态数据;

76、所述炸药生产智能管理模块用于对处理后的多模态数据进行分析,并根据分析结果构建炸药生产智能管理模型;

77、所述风险评估模块用于根据炸药生产智能管理模块的分析结果构建风险评估体系;

78、所述动态调整模块用于根据炸药生产智能管理模块和风险评估模块动态调整炸药生产流程;

79、所述可视化界面用于对炸药生产过程中产生的数据进行显示。

80、本发明的有益效果在于:

81、(1)本发明通过采集炸药生产现场环境数据,并根据采集到的炸药生产现场环境数据和炸药生产流程对炸药生产现场环境进行分区,分区后在各分区安装多模态监测设备,并基于安装的多模态监测设备采集对应分区内的多模态历史数据,采集完成后通过数据处理方式对采集的多模态历史数据进行处理,并基于处理后的多模态历史数据,通过智能风险辨识方式构建炸药生产智能管理模型,并建立风险评估体系,最后实时采集炸药生产流程中各分区内的多模态数据,通过炸药生产智能管理模型和风险评估体系对采集到的多模态数据进管理,并根据管理结果动态调整炸药生产流程,提高了炸药生产管理的实时性。

82、(2)本发明通过多种数据处理方式分别对采集到的多模态数据进行处理,处理完成后通过数据分析和数据融合方式对处理后的多模态数据进行分析融合,提高了采集多模态数据之间的关联性,提高了炸药生产管理的合理性。