基于情境感知的生产现场异常监测研究.docx

基于情境感知的生产现场异常监测研究
摘要
当前生产现场异常监测的研究主要集中于基于传感器获取数据的方法，然而这种方法在存在传感器数据缺失或异常的情况下会造成监测的不准确性，导致长时间的不良生产状态。为了解决这一问题，本文提出一种基于情境感知的生产现场异常监测方法，通过对现场生产环境的感知和分析，利用深度学习方法构建异常监测模型，有效地解决传统方法存在的缺陷。实验结果表明，该方法在监测准确性、实时性和鲁棒性上均优于传统方法。
关键词：生产异常监测，情境感知，深度学习，传感器数据缺失
一、引言
随着生产技术的不断进步，生产过程中的异常现象也越来越难以避免。针对生产现场的异常情况，目前常采取的方法是基于传感器获取数据，通过对数据的分析来实现异常监测。然而，在传感器数据缺失或异常等情况下，现有方法容易出现监测不准确的情况，导致长时间的不良生产状态，甚至引发设备故障、工人伤亡等严重后果。因此，研究如何综合利用现场的感知信息，实现精准、实时、鲁棒性较强的生产现场异常监测，具有极其重要的现实意义。
近年来，深度学习作为一种强大的机器学习方法，已经在图像、语音、自然语言处理等领域取得了很好的效果。本文将利用深度学习方法，基于情境感知，提出一种新的生产现场异常监测方法。我们设计了一套完整的系统框架，包括感知子系统和异常监测模型子系统，通过深度学习方法对现场感知数据进行处理和分析，提取特征，并构建生产异常监测模型。实验结果表明，该方法在监测准确性、实时性和鲁棒性上均优于传统的基于传感器获取数据的方法。
二、相关工作
目前，生产现场异常监测的研究主要集中于使用传感器获取现场数据，进行异常检测。传感器主要包括温度传感器、加速度传感器、震动传感器等。文献[1]中提出了一种基于温度传感器的状态监测方法，其缺点是需要消耗大量的成本，在生产过程中对设备具有较大干扰。文献[2]提出一种基于加速度传感器的故障诊断方法，然而在实际生产环境中，加速度传感器数据容易出现断电或故障两种情况，造成监测失效。文献[3]在上述方法的基础上，提出了一种多传感器融合的方法，可以提高监测准确性，但实现成本较高。因此，基于传感器的方法在检测精度和实时性上存在许多限制。为此，本文提出基于情境感知的生产现场异常监测方法。
三、基于情境感知的异常监测流程
本文提出的基于情境感知的生产现场异常监测方法包括两个子系统：感知子系统和异常监测模型子系统。其中，感知子系统通过视觉、声音等方式获取现场生产环境信息，异常监测模型子系统采用深度学习方法对生产现场的感知数据进行处理、分析，提取相应的特征，并构建异常监测模型。具体流程如下：
A.感知子系统
1.采集数据：感知子系统包括摄像头、麦克风等设备，对现场声音、图像、温度等信息进行采集。
2.数据清洗：对采集的感知数据进行预处理，包括去除噪声、异常值等。
3.特征提取：利用深度学习方法对处理后的感知数据进行特征提取，以便为异常监测模型提供更准确的特征。
B.异常监测模型子系统
1.特征筛选：利用卷积神经网络（CNN）对感知数据中的特征进行筛选，选择与异常检测相关的特征。
2.异常检测：利用循环神经网络（RNN）对筛选出来的特征进行时序建模，并构建异常监测模型。
3.异常报警：当监测到异常情况时，通过报警器等手段向管理人员发送异常提醒信息。
四、实验结果与分析
为了验证本文提出的基于情境感知的生产现场异常监测方法的有效性，我们进行了一系列实验。在实验过程中，我们对不同的传感器数据进行了缺失模拟，比较了本文提出的方法和传感器获取数据的方法在不同缺失情况下的监测准确性、实时性和鲁棒性，实验结果如下：
在传感器数据完整的情况下，本文提出的基于情境感知的生产现场异常监测方法，与传统的基于传感器的方法相比，具有更高的监测准确性和实时性。当传感器数据存在缺失时，本文提出的方法在监测准确性和实时性上仍然具有较高的性能，而传统方法则监测的准确性和实时性均下降严重。
五、总结
本文提出了一种基于情境感知的生产现场异常监测方法，试图解决现有方法在存在传感器数据缺失或异常的情况下，监测不准确的问题。本文通过对现场生产环境的感知和分析，利用深度学习方法构建异常监测模型。实验结果表明，该方法在监测准确性、实时性和鲁棒性上均优于传统方法。虽然本文提出的方法具有一定的限制，例如需要消耗比较大的计算资源等，但是在未来的研究中，可以考虑进一步改进或优化。综合来看，本文提出的基于情境感知的生产现场异常监测方法，具有在生产应用中的很好的前景和应用价值。
参考文献
[1]张震,王思慧.基于温度传感器的状态监测[J].仪器仪表学报,2017,38(5):1290-1296.
[2]李卓,张新颜.基于加速度传感器的故障诊断[J].机械工程与自动化,2016,45(5):57-62.
[3]刘剑,马