烟草制丝除尘环节的监控方法及系统与流程

摘要: 本技术涉及烟草,尤其涉及一种烟草制丝除尘环节的监控方法及系统。背景技术:1、烟草制丝除尘系统是卷烟生产过程中控制车间粉尘浓度的关键设施,通过风机驱动气流将制丝工...
烟草制丝除尘环节的监控方法及系统与流程

本技术涉及烟草,尤其涉及一种烟草制丝除尘环节的监控方法及系统。

背景技术:

1、烟草制丝除尘系统是卷烟生产过程中控制车间粉尘浓度的关键设施,通过风机驱动气流将制丝工序产生的粉尘从各产尘点经管网收集并输送至除尘器进行过滤处理。

2、除尘系统沿管网部署大量监测节点,实时采集风速、风量、压差、温度、风机频率、电流、阀门开度等多源运行数据,用于监控管网运行状态与设备工况。随着制丝车间数字化程度提升,除尘系统监控对数据融合分析与异常早期预警的需求日益增长。

3、现有烟草制丝车间除尘系统通常在各监测节点独立采集独立存储运行数据,节点间缺乏关联分析手段。当某一管段发生异常时,常规监控方式仅能依靠单点数据越限触发报警,无法从全局特征层面捕捉异常状态的早期微弱演变信号,导致异常状态识别滞后。

4、同时,现有监控方法缺乏对多源运行数据的深度融合特征提取手段,难以量化评估除尘系统整体运行健康度,且在异常发生后无法自动定位异常管段位置,依赖人工逐一排查,故障定位效率低。

技术实现思路

1、本技术的主要目的在于提供一种烟草制丝除尘环节的监控方法及系统,以解决现有技术中除尘管网监控各监测节点的参数数据独立判定,未通过管网拓扑结构与相邻节点之间的空间关联关系,管网级故障的早期微弱特征在单节点数据中表现不显著,难以在故障恶化前识别;故障发生后仅依靠阈值超限的节点位置进行定位,无法区分故障源区段与受故障影响区段,定位精度受限的问题。

2、为了实现上述目的,本技术提供了如下技术方案:

3、一种烟草制丝除尘环节的监控方法,所述监控方法应用于部署有多个监测节点的烟草制丝除尘环节,所述监控方法包括:

4、步骤s1,从多个监测节点同步采集多源运行数据,对所述多源运行数据进行数据预处理,得到对齐后多源运行数据;

5、步骤s2,将所述对齐后多源运行数据分别输入卷积核尺寸为3、5、7的并行一维卷积分支进行特征提取,将三个分支的输出沿通道维度拼接后通过挤压激励加权,得到加权后多维特征向量;

6、步骤s3,将所述加权后多维特征向量输入核密度估计模型计算负对数似然值作为异常得分,将所述异常得分映射为健康度等级,得到运行状态评估结果;

7、步骤s4,从历史数据库中提取加权后多维特征向量的时序序列输入长短期记忆网络进行预测,计算预测输出与所述加权后多维特征向量的偏差,当所述偏差超出预警阈值时生成预警指令;

8、步骤s5,对与所述预警指令对应的监测节点进行梯度归因分析确定异常归因通道,根据所述异常归因通道与管网管段的映射关系确定异常管段位置,得到异常溯源结果;

9、步骤s6,将所述异常溯源结果与实际运维确认结果比对,当比对不一致时通过新增标注样本更新挤压激励与所述长短期记忆网络的参数,得到更新后模型参数并部署至下一轮监控周期。

10、步骤s1至步骤s6有益效果:

11、本方法针对烟草制丝除尘系统多源运行数据割裂、节点间缺乏关联分析导致异常识别滞后与故障定位困难的问题,通过多尺度一维卷积与挤压激励对多源运行数据进行融合特征提取并自适应加权关键通道,结合核密度估计构建数据驱动的异常得分与健康度分级评估,利用长短期记忆网络捕捉特征时序演变趋势实现偏差预警,通过梯度归因分析定位异常管段,并基于运维确认反馈闭环更新模型参数,实现除尘系统运行状态的全局感知与异常早期预警。

12、其中,步骤s1通过时间戳对齐与缺失值补偿消除多源数据的时空异构性,为后续特征融合提供统一输入基准;步骤s2通过多尺度卷积提取不同感受野的局部特征并经挤压激励自适应加权关键通道,增强缺陷敏感通道的特征表达;步骤s3通过核密度估计构建正常工况概率密度函数并以负对数似然量化异常程度,实现无固定阈值的数据驱动健康度评估;步骤s4通过长短期记忆网络预测特征演变趋势并以马氏距离度量偏差,在异常尚未越限前捕获早期微弱信号;步骤s5通过梯度归因分析识别异常归因通道并映射至管网管段,实现故障管段的自动定位;步骤s6通过运维确认结果与异常溯源结果比对并利用新增样本闭环更新模型参数,持续提升监控准确率。

13、作为本技术的进一步改进,步骤s1,从部署于烟草制丝除尘系统的多个监测节点同步采集多源运行数据,对所述多源运行数据进行数据预处理,得到对齐后多源运行数据,包括:

14、步骤s1.1,从部署于烟草制丝除尘系统管网各节点的监测设备同步采集风速、风量、压差、温度、风机频率、电流、阀门开度数据,得到初始多源运行数据;

15、步骤s1.2,为所述初始多源运行数据中每个数据样本标记对应的监测节点编号与采集时间戳,得到标记后多源运行数据;

16、步骤s1.3,以最晚到达的监测节点的时间戳为基准,对其余监测节点的数据样本进行时间戳对齐,剔除时间戳偏差超出同步容差的样本,得到时序同步后多源运行数据;

17、步骤s1.4,检测所述时序同步后多源运行数据中的缺失值位置,对连续缺失长度低于预设插补上限的区间采用线性插值补偿,得到插补后多源运行数据;

18、步骤s1.5,对所述插补后多源运行数据中超出所述预设插补上限的无效区间进行标记,并触发该监测节点的数据采集重试指令,得到补偿后多源运行数据;

19、步骤s1.6,对所述补偿后多源运行数据按监测节点分组,对每个监测节点的各通道数据分别进行最小最大归一化,将归一化后数据按通道维度拼接为节点特征矩阵,得到对齐后多源运行数据。

20、步骤s1.1至步骤s1.6有益效果:

21、本系列步骤通过从管网各节点同步采集多类运行参数并逐一完成节点标记、时间戳对齐、缺失值插补、无效区间标记与归一化拼接,将分散的多源原始数据转化为统一格式的节点特征矩阵,消除各监测节点间的时空异构性,为后续特征融合提供标准化的输入基准。

22、其中,步骤s1.1通过同步采集多类运行参数覆盖除尘系统全面工况信息,确保监控数据源的完整性;步骤s1.2通过标记节点编号与采集时间戳为数据溯源与节点级分析提供索引依据;步骤s1.3通过时间戳对齐与同步容差过滤剔除失序样本,保证多节点数据的时序一致性;步骤s1.4通过线性插值补偿短区间缺失值,避免数据断点影响后续特征提取的连续性;步骤s1.5通过对超限无效区间标记并触发采集重试,防止缺失区间过长导致的数据失真;步骤s1.6通过最小最大归一化消除各通道量纲差异,使不同运行参数在同一尺度下可比。

23、作为本技术的进一步改进,步骤s2,将所述对齐后多源运行数据分别输入卷积核尺寸为3、5、7的并行一维卷积分支进行特征提取,将三个分支的输出沿通道维度拼接后通过挤压激励加权,得到加权后多维特征向量,包括:

24、步骤s2.1,将所述对齐后多源运行数据按监测节点提取为多通道一维时序序列,每个通道对应一类运行参数,得到节点时序输入序列;

25、步骤s2.2,将所述节点时序输入序列分别输入卷积核尺寸为3、5、7的三个并行一维卷积分支,各分支以填充方式保持输出序列长度与输入一致,得到三个分支的局部特征序列;

26、步骤s2.3,将所述三个分支的局部特征序列沿通道维度拼接,得到多尺度拼接特征矩阵;

27、步骤s2.4,对所述多尺度拼接特征矩阵沿通道维度进行全局平均池化,得到通道描述向量;

28、步骤s2.5,通过两层全连接层对所述通道描述向量进行降维与升维映射并经sigmoid函数输出各通道的注意力权重,得到通道注意力权重向量;

29、步骤s2.6,将所述通道注意力权重向量与所述多尺度拼接特征矩阵逐通道相乘,得到加权后多维特征向量。

30、步骤s2.1至步骤s2.6有益效果:

31、本系列步骤通过对节点时序输入序列分别进行三种卷积核尺寸的并行一维卷积提取不同感受野的局部特征,沿通道维度拼接后经全局平均池化与全连接层降维升维映射生成通道注意力权重并逐通道相乘加权,实现多尺度特征的自适应融合与关键通道的增强表达。

32、其中,步骤s2.1通过将多源运行数据提取为多通道一维时序序列,为卷积特征提取提供结构化输入;步骤s2.2通过三种卷积核并行提取不同尺度的局部时序特征,捕获差异化的运行模式信息;步骤s2.3通过沿通道维度拼接多尺度特征,实现不同感受野特征的统一表达;步骤s2.4通过全局平均池化压缩空间维度,提取各通道的全局统计描述;步骤s2.5通过全连接层降维升维与sigmoid映射学习通道间的非线性依赖关系,输出各通道的注意力权重;步骤s2.6通过注意力权重与拼接特征逐通道相乘,增强缺陷敏感通道的特征响应并抑制冗余通道。

33、作为本技术的进一步改进,步骤s3,将所述加权后多维特征向量输入核密度估计模型计算负对数似然值作为异常得分,将所述异常得分映射为健康度等级,得到运行状态评估结果,包括:

34、步骤s3.1,从历史正常工况数据库中提取加权后多维特征向量样本集作为核密度估计的训练数据,得到正常工况特征样本集;

35、步骤s3.2,对所述正常工况特征样本集采用高斯核函数进行核密度估计拟合,得到正常工况概率密度函数;

36、步骤s3.3,将所述加权后多维特征向量输入所述正常工况概率密度函数计算对数似然值,取负数后归一化,得到异常得分;

37、步骤s3.4,将所述异常得分与预设分级阈值比对,映射为正常、关注、预警、报警四级健康度等级,得到运行状态评估结果。

38、步骤s3.1至步骤s3.4有益效果:

39、本系列步骤通过从历史正常工况数据库提取特征样本集并采用高斯核函数进行核密度估计拟合,构建正常工况概率密度函数,将实时特征向量输入该函数计算对数似然值并取负归一化得到异常得分,再与预设分级阈值比对映射为四级健康度等级,实现无固定阈值的数据驱动运行状态评估。

40、其中,步骤s3.1通过提取历史正常工况特征样本集,为核密度估计提供训练数据支撑;步骤s3.2通过高斯核函数拟合正常工况概率密度分布,建立正常状态的统计基准模型;步骤s3.3通过对数似然取负归一化将偏离程度量化为统一尺度的异常得分,消除不同工况下阈值标定困难;步骤s3.4通过与预设分级阈值比对映射为四级健康度等级,为运维人员提供直观的运行状态量化指标。

41、作为本技术的进一步改进,步骤s4,从历史数据库中提取加权后多维特征向量的时序序列输入长短期记忆网络进行预测,计算预测输出与所述加权后多维特征向量的偏差,当所述偏差超出预警阈值时生成预警指令,包括:

42、步骤s4.1,从历史数据库中提取所述加权后多维特征向量在连续时间窗口内的序列,得到历史特征时序序列;

43、步骤s4.2,将所述历史特征时序序列输入长短期记忆网络,输出下一时段的预测特征向量;

44、步骤s4.3,计算所述预测特征向量与当前时刻所述加权后多维特征向量之间的马氏距离,得到偏差值;

45、步骤s4.4,将所述偏差值与动态预警阈值比对,当所述偏差值超出所述动态预警阈值时生成预警指令。

46、步骤s4.1至步骤s4.4有益效果:

47、本系列步骤通过从历史数据库提取加权后多维特征向量的连续时间窗口序列输入长短期记忆网络进行预测,计算预测特征向量与当前特征向量的马氏距离作为偏差值,并与动态预警阈值比对生成预警指令,实现除尘系统运行状态的时序趋势预测与异常早期预警。

48、其中,步骤s4.1通过提取连续时间窗口内的历史特征序列,为时序预测提供时间依赖信息输入;步骤s4.2通过长短期记忆网络输出下一时段预测特征向量,捕捉特征演变的长期依赖关系;步骤s4.3通过马氏距离度量预测与实际的偏差,考虑各通道间的协方差结构实现多维偏差的精确量化;步骤s4.4通过与动态预警阈值比对生成预警指令,在异常尚未越限前触发早期预警。

49、作为本技术的进一步改进,步骤s5,对与所述预警指令对应的监测节点进行梯度归因分析确定异常归因通道,根据所述异常归因通道与管网管段的映射关系确定异常管段位置,得到异常溯源结果,包括:

50、步骤s5.1,筛选所述偏差值超出所述预警阈值的监测节点,得到异常节点集合;

51、步骤s5.2,对所述异常节点集合中每个节点计算所述加权后多维特征向量各通道的一阶梯度,得到各通道梯度值;

52、步骤s5.3,将所述各通道梯度值按绝对值降序排序,选取前k个通道作为异常归因通道,得到异常归因通道集合;

53、步骤s5.4,根据所述异常归因通道集合与管网管段的预设映射关系,确定异常管段位置,得到异常溯源结果。

54、步骤s5.1至步骤s5.4有益效果:

55、本系列步骤通过筛选偏差值超出预警阈值的监测节点构建异常节点集合,对各节点加权后多维特征向量各通道计算一阶梯度并按绝对值降序选取前k个通道作为异常归因通道,再根据异常归因通道与管网管段的预设映射关系确定异常管段位置,实现故障管段的自动定位。

56、其中,步骤s5.1通过筛选偏差超阈节点构建异常节点集合,缩小异常分析范围;步骤s5.2通过计算各通道一阶梯度量化特征向量各维度对异常的贡献程度;步骤s5.3通过按绝对值降序选取前k个通道锁定主导异常的归因通道,排除次要通道干扰;步骤s5.4通过归因通道与管段的映射关系确定异常管段位置,替代人工逐一排查实现故障自动定位。

57、作为本技术的进一步改进,步骤s6,将所述异常溯源结果与实际运维确认结果比对,当比对不一致时通过新增标注样本更新挤压激励与所述长短期记忆网络的参数,得到更新后模型参数并部署至下一轮监控周期,包括:

58、步骤s6.1,获取所述异常溯源结果对应的实际运维确认结果,将两者进行比对,得到比对结果;

59、步骤s6.2,当所述比对结果为不一致时,将所述异常溯源结果与所述实际运维确认结果组合为新增标注样本,得到新增标注样本集;

60、步骤s6.3,将所述新增标注样本集输入挤压激励与所述长短期记忆网络进行联合微调,得到更新后模型参数;

61、步骤s6.4,将所述更新后模型参数部署至下一轮监控周期。

62、步骤s6.1至步骤s6.4有益效果:

63、本系列步骤通过将异常溯源结果与实际运维确认结果比对,当比对不一致时将两者组合为新增标注样本,输入挤压激励与长短期记忆网络进行联合微调更新模型参数并部署至下一轮监控周期,实现监控模型的闭环自适应优化。

64、其中,步骤s6.1通过将异常溯源结果与运维确认结果比对,识别模型输出的误判情况;步骤s6.2通过将误判样本组合为新增标注样本集,为模型更新提供针对性训练数据;步骤s6.3通过联合微调挤压激励与长短期记忆网络参数,修正模型对异常模式的判别偏差;步骤s6.4通过将更新后参数部署至下一轮监控周期,实现监控准确率的持续提升。

65、为了实现上述目的,本技术还提供了如下技术方案:

66、一种烟草制丝除尘环节的监控系统,所述监控系统应用于如上述的监控方法,所述监控系统包括:

67、多源运行数据获取模块,用于从多个监测节点同步采集多源运行数据,对所述多源运行数据进行数据预处理,得到对齐后多源运行数据;

68、多维特征向量处理模块,用于将所述对齐后多源运行数据分别输入卷积核尺寸为3、5、7的并行一维卷积分支进行特征提取,将三个分支的输出沿通道维度拼接后通过挤压激励加权,得到加权后多维特征向量;

69、运行状态评估模块,用于将所述加权后多维特征向量输入核密度估计模型计算负对数似然值作为异常得分,将所述异常得分映射为健康度等级,得到运行状态评估结果;

70、预警指令生成模块,用于从历史数据库中提取加权后多维特征向量的时序序列输入长短期记忆网络进行预测,计算预测输出与所述加权后多维特征向量的偏差,当所述偏差超出预警阈值时生成预警指令;

71、异常溯源模块,用于对与所述预警指令对应的监测节点进行梯度归因分析确定异常归因通道,根据所述异常归因通道与管网管段的映射关系确定异常管段位置,得到异常溯源结果;

72、异常溯源参数迭代模块,用于将所述异常溯源结果与实际运维确认结果比对,当比对不一致时通过新增标注样本更新挤压激励与所述长短期记忆网络的参数,得到更新后模型参数并部署至下一轮监控周期。

73、为了实现上述目的,本技术还提供了如下技术方案:

74、一种电子设备,包括处理器,以及与所述处理器耦接的存储器,所述存储器存储有可被所述处理器执行的程序指令;所述处理器执行所述存储器存储的所述程序指令时实现如上述的烟草制丝除尘环节的监控方法。

75、为了实现上述目的,本技术还提供了如下技术方案:

76、一种计算机可读存储介质,所述计算机可读存储介质内存储有程序指令,所述程序指令被处理器执行时能够实现如上述的烟草制丝除尘环节的监控方法。‌