一种玉米芯磨粉设备的安全运行监测系统的制作方法

1.本发明涉及人工智能领域，具体涉及一种玉米芯磨粉设备的安全运行监测系统。


背景技术：

2.磨粉设备的电流过大或温度过高都容易造成危险事故的发生。现在玉米芯磨粉设备的安全运行检测主要是通过当安全参数达到极限值时产生显示及声、光报警等输出。当设备长时间进行工作时，可能由于电机老化或者线路的老化等原因导致设备中的电流不稳定，造成设备短路停机，同时长时间工作或电流不稳定也会导致设备内部温度过高，对设备中的某些零部件造成了较大的损耗，大大减少了设备的使用寿命，同时降低了生产效率。
3.本发明提出了一种玉米芯磨粉设备的安全运行检测系统，通过对设备电流和温度的异常情况进行检测，得到导致异常的主要原因，进而进行及时调整。避免了每次当电流超过预定电流时，必须停机检测的事件，可以提前对电流或温度异常进行检测，通过及时调整，避免停机事件影响效率，同时也减少了不同零部件的损耗。


技术实现要素：

4.本发明提供一种玉米芯磨粉设备的安全运行检测系统，以解决现有的问题，包括：lstm神经网络训练模块用于获取设备电流预测值，将实际电流值与电流预测值进行比较，得到电流偏离值；同理得到温度偏离值；将超过第一阈值的偏离值作为异常值；第一计算模块用于计算电流异常值序列对应的电流超限概率和温度异常值序列对应的温度超限概率，将其中较大的概率值作为设备超限概率；第二计算模块用于计算电流与温度的相关性；数据关联控制模块用于计算设备的异常概率，根据设备的异常概率对设备进行对应控制。
5.本发明采用如下技术方案，一种玉米芯磨粉设备的安全运行检测系统：包括lstm神经网络训练模块，超限概率确定模块，相关性确定模块以及数据关联控制模块；lstm神经网络训练模块：接收玉米芯磨粉设备在工作时当前时刻和前一时刻的电流信息和温度信息，预测下一时刻的电流预测值和温度预测值；并分别利用预测到的下时刻的电流预测值和温度预测值与下时刻的实际电流值和温度值进行比较，得到电流偏离值和温度偏离值；将超过第一阈值的电流偏离值和温度偏离值分别作为电流异常值和温度异常值；超限概率确定模块：用于接收lstm神经网络训练模块确定出的所有电流异常值和温度异常值及其对应出现的时刻，利用出现电流电流异常值和温度异常值的时刻顺序构建电流异常值序列和温度异常值序列；且分别利用电流异常值序列和温度异常值序列中异常值的连续性和递增性计算电流超限概率和温度超限概率，并电流超限概率和温度超限概率中的概率最大值作为设备超限概率；相关性确定模块：用于接收lstm神经网络训练模块确定出每一时刻出现的电流值
和温度值，所述电流值包括电流异常值和电流正常值，所述温度值包括与温度正常值和温度异常值；分别计算所有时刻下电流正常值与温度正常值的正常值dtw距离以及所有时刻下电流异常值与温度异常值的异常值dtw距离，根据异常值dtw距离和正常值dtw距离计算电流与温度的相关性；数据关联控制模块：用于根据超限概率确定模块中得到的设备超限概率，以及相关性确定模块中得到的电流与温度的相关性计算设备的异常概率，根据设备的异常概率对设备进行对应控制。
6.进一步的，一种玉米芯磨粉设备的安全运行监测系统，将设备当前时刻以及当前时刻之前时刻的电流输入lstm神经网络，其中当前时刻与当前时刻之前时刻之间为固定时间差。
7.进一步的，一种玉米芯磨粉设备的安全运行监测系统，所述异常值序列的连续性通过如下方法得到：通过异常值序列形成链结构，将存在异常值的时刻作为链结构的节点，不存在异常值的时刻作为边，节点表示连续异常值的数量，边表示连续时刻不存在异常值的时刻数量，计算异常值序列中异常值的连续性方法为：其中，n表示对应异常值序列中异常值的数量，n表示连续时刻中所有时间节点的数量，n1表示链结构的节点数量，n2表示链结构边的数量，表示第j个时间节点对应链结构的边值，表示异常值序列中异常值的连续性。
8.进一步的，一种玉米芯磨粉设备的安全运行监测系统，异常值序列中异常值的递增性通过如下方法得到：对异常值序列中前后两个值进行比较，根据比较结果设置比较值，设置方法为：当后一个数小于前一个数时，比较值为-1；当后一个数等于前一个数时，比较值为0；当后一个数大于前一个数时，比较值为1；获取当异常值序列为理想递增状态下的理想异常值序列比较值之和，根据理想异常值序列的比较值之和与实际异常值序列的比较值之和计算异常值序列的递增性。
9.进一步的，一种玉米芯磨粉设备的安全运行监测系统，根据电流异常值序列的连续性值和递增性值的乘积得到电流超限概率；同理得到温度超限概率，将电流超限概率与温度超限概率中的最大值作为设备超限概率p1。
10.进一步的，一种玉米芯磨粉设备的安全运行监测系统，计算电流与温度的相关性的表达式为：其中,p2表示电流与温度的相关性，a为所有时刻下电流异常值与温度异常值的异常dwt距离，b为所有时刻下正常电流正常值与温度正常值的正常值dtw距离。
11.进一步的，一种玉米芯磨粉设备的安全运行监测系统，计算设备的异常概率的方法为：根据设备的超限概率p1和电流与温度的相关性值p2的乘积得到设备的异常概率；当设备的异常概率值大于第二阈值时，对设备进行停机检查处理。
12.进一步的，一种玉米芯磨粉设备的安全运行监测系统，lstm神经网络的训练方法如下：通过前向计算获得每个神经元的输出值；通过反向计算获得每个神经元的误差项值，所述误差项包括两个方向：一个是按照时间序列的反向传播，从当前时刻开始计算前一时刻误差项的值；另一个为按照空间结构的反向传播，从当前层向上一层计算误差项的值；计算得到两个方向的误差项值后，计算每个权值矩阵的梯度值，并进行更新操作。
13.本发明的有益效果是：根据本发明提出的技术手段，利用lstm网络对设备中的电流和温度进行预测，从而根据实际情况得到准确的电流异常值和温度异常值，进而准确计算设备的超限概率，通过dtw距离算法分析电流异常值与温度异常值的相关性，从而得到设备的异常概率，并根据异常概率值对设备进行相应检查调整，避免停机事件的发生，提高工作效率的同时，也减少了零部件的损耗。
附图说明
14.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
15.图1为本发明实施例的一种玉米芯磨粉设备的安全运行监测系统结构示意图。
具体实施方式
16.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
17.如图1所示，给出了本发明实施例的一种玉米芯磨粉设备的安全运行监测系统结构示意图，包括：lstm神经网络训练模块：接收玉米芯磨粉设备在工作时当前时刻和前一时刻的电流信息和温度信息，预测下一时刻的电流预测值和温度预测值；并分别利用预测到的下时刻的电流预测值和温度预测值与下时刻的实际电流值和温度值进行比较，得到电流偏离值和温度偏离值；将超过第一阈值的电流偏离值和温度偏离值分别作为电流异常值和温度异常值；本实施例需要对单次运行时间内没有发生停机情况的事件的电流和温度进行统计，通过主机内部的温度传感器和电流表可以得到所需数据。
18.单次运行时间内没有发生停机情况的事件可以认为是正常事件，即安全运行，没
有异常情况发生的事件。
19.lstm网络的训练过程如下：通过前向计算获得每个神经元的输出值；通过反向计算获得每个神经元的误差项值，误差项的计算涉及两个方向：一个是按照时间序列的反向传播，即从当前时刻t开始计算前一时刻t-1误差项的值；另一个是按照空间结构的反向传播，即从当前层向上一层计算误差项的值。
20.在两个方向误差项值的基础上，计算每个权值矩阵的梯度值，并进行更新操作。
21.分别以电流数据和温度数据进行训练得到了两个lstm神经网络，一个是正常情况下的表示主机电流信息的lstm神经网络，另一个是正常情况下的表示主机温度信息的lstm神经网络。
22.将设备当前时刻以及当前时刻之前时刻的电流输入lstm神经网络，其中当前时刻与当前时刻之前时刻之间为固定时间差。
23.相邻时刻之间的时间差默认为10分钟，该时间差作为超参数，具体的时间差可以根据实际需要进行调整。lstm神经网络训练中的数据的时间差均为规定的时间差。
24.将当前时刻和当前时刻之前的数据作为电流lstm网络的输入，可以得到下一时刻的电流预测值，与下一时刻的实际电流值进行比较得到预测值和实际值的差值，进而可以得到每个时刻电流的偏离值。同样地，可以得到每个时刻温度的偏离值。本实施例中，第一阈值为大于预测值的20%，即超过预测值的20%以上的偏离值为异常值。
25.例如：有三个时刻，t1,t2,t3时刻，且t3》t2》t1，首先将t1和t1之前的数据记为序列a，输入网络，预测得到t2时刻的数据s2’；然后把序列{a,s2’]输入网络，预测得到t3时刻的数据s3’。t2时刻的偏离值为（s2
’‑
s2）/s2。
26.超限概率确定模块：用于接收lstm神经网络训练模块确定出的所有电流异常值和温度异常值及其对应出现的时刻，利用出现电流电流异常值和温度异常值的时刻顺序构建电流异常值序列和温度异常值序列；且分别利用电流异常值序列和温度异常值序列中异常值的连续性和递增性计算电流超限概率和温度超限概率，并电流超限概率和温度超限概率中的概率最大值作为设备超限概率；如果异常值是连续的，则连续程度越大，则之后温度值或电流值会超过预设阈值的概率越大。
27.异常值序列的递增趋势越明显，之后温度值或电流值会超过预设阈值的概率越大。
28.通过异常值序列的时间连续性和异常时间点的占比得到异常值序列的连续性，异常值序列的事件连续性越大，异常时间点的占比越大，异常值序列的连续性越大。
29.所述异常值序列的连续性通过如下方法得到：通过异常值序列的所有异常值以及对应出现的时刻形成链结构，将存在异常值的时刻作为链结构的节点，不存在异常值的时刻作为边，节点表示连续异常值的数量，边表示连续时刻不存在异常值的时刻数量，计算异常值序列中异常值的连续性方法为：
其中，n表示对应异常值序列中异常值的数量，n表示连续时刻中所有时间节点的数量，n1表示链结构的节点数量，n2表示链结构边的数量，表示第j个时间节点对应链结构的边值，表示异常值序列中异常值的连续性。
30.连续性m不是一个[0,1]的值，通过理想情况下即所有时间节点均为异常点的情况进行归一化。
[0031]
所述异常值序列的递增性通过如下方法得到：对异常值序列中前后两个值进行比较，根据比较结果设置比较值，设置方法为：当后一个数小于前一个数时，比较值为-1；当后一个数等于前一个数时，比较值为0；当后一个数大于前一个数时，比较值为1；获取当异常值序列为理想递增状态下的理想异常值序列比较值之和，根据理想异常值序列的比较值之和与实际异常值序列的比较值之和计算异常值序列的递增性，将实际异常值序列的比较值之和与理想异常值序列的比较值之和的商值作为递增性。
[0032]
根据电流异常值序列的连续性值和递增性值的乘积得到电流超限概率；同理得到温度超限概率，将电流超限概率与温度超限概率中的最大值作为设备超限概率p1。
[0033]
相关性确定模块：用于接收lstm神经网络训练模块确定出每一时刻出现的电流值和温度值，所述电流值包括电流异常值和电流正常值，所述温度值包括与温度正常值和温度异常值；分别计算所有时刻下电流正常值与温度正常值的正常值dtw距离以及所有时刻下电流异常值与温度异常值的异常值dtw距离，根据异常值dtw距离和正常值dtw距离计算电流与温度的相关性。
[0034]
磨粉机一次性给料过多，超出了其工作负荷，耗能就会增多，所需电流就会增大，导致主机的电流上升。而且一次给料过多，很容易造成磨粉机磨腔内物料堵塞，管道通风排气不畅，造成机器内部气压发热，引起机温升高，特别是当物料湿度过大时，堵料情况会更加严重，会造成磨粉机主机的工作负荷瞬间增大，电流也随之升高。
[0035]
如果最初送入的物料温度过高，也会引起磨粉机主机电流上升。因为磨粉机的磨腔是密闭结构，送入的物料温度过高，会使磨腔内的温度上升，再加上磨粉过程中，磨辊和磨环之间的摩擦会产生一定的热量，会使磨腔内的压强增大，进而加大主机的工作负荷，使电流上升。
[0036]
无论是给料过多还是物料温度过高都会导致主机电流过大和磨腔内温度过高，因此当异常情况发生时电流过大和温度过高是呈现正相关关系的一对变量。
[0037]
由于温度值和电流值属于不同的量纲，不能直接进行比较，因此将温度异常值和电流异常值的dtw距离作为两者的相关性。
[0038]
计算电流与温度的相关性的表达式为：
其中,p2表示电流与温度的相关性，a为所有时刻下电流异常值与温度异常值的异常dwt距离，b为所有时刻下正常电流正常值与温度正常值的正常值dtw距离。
[0039]
数据关联控制模块：用于根据超限概率确定模块中得到的设备超限概率，以及相关性确定模块中得到的电流与温度的相关性计算设备的异常概率，根据设备的异常概率对设备进行对应控制。
[0040]
计算设备的异常概率的方法为：根据设备的超限概率p1和电流与温度的相关性值p2的乘积得到设备的异常概率；当设备的异常概率值大于第二阈值时，对设备进行停机检查处理。
[0041]
设备的异常概率值越大，电流和温度异常在之后的时间中超限的概率越大，当设备的异常概率值大于80%时，需要停机进行及时检查，避免超限事件的发生。
[0042]
根据本发明提出的技术手段，利用lstm网络对设备中的电流和温度进行预测，从而根据实际情况得到准确的电流异常值和温度异常值，进而准确计算设备的超限概率，通过dtw距离算法分析电流异常值与温度异常值的相关性，从而得到设备的异常概率，并根据异常概率值对设备进行相应检查调整，避免停机事件的发生，提高工作效率的同时，也减少了零部件的损耗。
[0043]
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、改进等，均应包含在本发明的保护范围之内。