一种基于数字孪生制造产线的实时监控的安全预警系统

本发明涉及安全预警领域，具体而言，涉及一种基于数字孪生制造产线的实时监控的安全预警系统。

背景技术：

1、随着制造业的快速发展，制造产线的安全性和稳定性越来越受到重视，中国发明专利申请号：cn202311866513.6所提出的装配制造产线数字孪生布局网络系统，包括rfid标签和读写器；所述rfid标签固定在制造产线中的各个移动组件上；所述读写器固定在制造产线中的各个设备上，所述读写器用于读写rfid标签对制造装配产线的物流、设备、产品状态进行实时监测。根据rfid标签以及读写器的布置，可以对制造装配产线的物流、设备、产品状态实时监测。可根据工艺要求以及实际生产需要自定义改变布局。可快速识别感知产品当前状态，对产品生产进行实时指导；布局可更改，可根据生产需要进行规划。

2、但是现有的监控的安全预警系统存在一些不足之处仍需要进行改进，传统的制造产线监控方式大多依赖于人工巡检和固定摄像头监控，这种方式存在效率低下、反应速度慢、监控不全面问题，无法满足现代制造产线的实时监控需求。因此我们对此做出改进，提出一种基于数字孪生制造产线的实时监控的安全预警系统。

技术实现思路

1、本发明的目的在于：针对目前存在的背景技术提出的问题。为了实现上述发明目的，本发明提供了以下技术方案：一种基于数字孪生制造产线的实时监控的安全预警系统，包括故障模式识别模块，所述故障模式识别模块与数据融合模块数据连接，所述数据融合模块与数据标准化模块数据连接，所述故障模式识别模块与异常检测模块数据连接，所述异常检测模块与风险评估模块数据连接，所述风险评估模块与多变量控制模块数据连接，所述异常检测模块与预测模型模块数据连接，所述预测模型模块与安全预警模块数据连接，所述安全预警模块与监控相关性分析模块数据连接。

2、作为本发明优选的技术方案，所述安全预警模块与故障预测模块数据连接，所述故障预测模块的故障预测模型：

3、[text{forecasted failure time}＝alpha times text{last fail ure time}+(1-alpha)times text{previous forecasted failure tim e}]；

4、其中，alpha是平滑系数，text{last failure time}是上一次故障发生的时间，text{previous forecasted failure time}是上一次预测的故障发生时间。

5、作为本发明优选的技术方案，所述故障模式识别模块，用于在数字孪生模型中识别设备的故障模式；

6、[text{euclidean distance}＝sqrt{sum_{i＝1}^{m}(x_i-y_i)^2}]；

7、其中，x_i和y_i分别是两个数据点的第i个特征值，m是特征总数；

8、数据融合模块的数据融合算法为：

9、[text{fused data}＝sum_{i＝1}^{n}w_i times text{data}_i]；

10、其中，text{data}_i是来自第i个传感器的数据，w_i是该传感器的权重，n是传感器的总数。

11、作为本发明优选的技术方案，所述数据标准化模块：数据标准化将原始数据转换为标准格式的过程，用于消除不同数据维度之间的量纲影响；

12、[x_{text{normalized}}＝frac{x-mu}{sigma}]；

13、其中，x是原始数据，mu是数据的均值，sigma是数据的标准差；经过标准化处理后的数据x_{text{normalized}}将具有零均值和单位方差。

14、作为本发明优选的技术方案，所述异常检测模块的异常检测算法使用z-score来检测异常值：

15、[z＝frac{x-mu}{sigma}]；

16、z的绝对值超过数据点x，则数据点x被视为异常值。

17、作为本发明优选的技术方案，所述风险评估模块的风险评估算法为：

18、[text{risk score}＝w_1times text{factor}_1+w_2times text{fac tor}_2+ldots+w_n times text{factor}_n]；

19、其中，text{factor}_i是不同的风险因素，所述风险因素包括设备故障率、环境温度，w_i是相应的权重，用于反映每个因素在整体风险中的重要性。

20、作为本发明优选的技术方案，所述预测模型模块的预测模型为：

21、[text{predicted risk}＝f(text{feature}_1,text{feature}_2,ldots,tex t{feature}_m)]；

22、其中，text{feature}_i是输入特征，所述输入特征包括历史数据、实时数据，f是机器学习模型。

23、作为本发明优选的技术方案，所述安全预警模块的预警阈值为：

24、[text{if risk score}>text{warning threshold},text{then iss uewarning}]；

25、其中，text{warning threshold}是根据实际需求和安全标准设定的阈值；

26、所述安全预警模块的故障预警阈值动态调整算法为：

27、[text{new warning threshold}＝text{old warning threshold}ti mes(1+gamma times text{risk change rate})]；

28、其中，text{old warning threshold}是之前的预警阈值，gamma是调整系数，text{risk change rate}是风险评估得分的变化率。

29、作为本发明优选的技术方案，所述监控相关性分析模块，用于衡量两个变量之间的线性关系强度和方向；

30、[r＝frac{sum_{i＝1}^{n}(x_i-bar{x})(y_i-bar{y})}{sqrt{sum_{i＝1}^{n}(x_i-bar{x})^2sum_{i＝1}^{n}(y_i-bar{y})^2}}]；

31、其中，x_i和y_i是两个变量的观测值，bar{x}和bar{y}分别是它们的均值，n是观测值的数量。

32、作为本发明优选的技术方案，所述多变量控制模块用于监控多个变量的联合分布，以检测异常事件或故障；

33、[d^2＝(text{observation}-text{mean vector})^t times text{cov ariancematrix}^{-1}times(text{observation}-text{mean vector})]；

34、其中，text{observation}是观测到的多变量数据点；text{mean vector}

35、是这些变量的均值向量；

36、text{covariance matrix}是协方差矩阵，计算出的马氏距离d^2超过预设的控制限，则观测点是一个异常点。

37、与现有技术相比，本发明的有益效果：在本发明的方案中：通过实时监控和预测潜在的安全风险，系统可以在风险发生之前提供预警，从而允许操作人员和管理人员及时采取预防措施，减少或避免事故的发生，显著提高制造产线的安全性。系统能够实时监测产线的运行状态，发现异常情况并及时处理，避免生产中断和设备损坏。这有助于保持生产线的连续性和稳定性，提高生产效率。通过实时监测和分析，系统能够预测设备的维护需求，从而进行有针对性的维护计划。这可以减少不必要的维护操作，降低维护成本，并延长设备的使用寿命。系统提供的大量实时数据和分析结果，可以为管理层的决策提供有力支持。管理人员可以根据这些数据制定更加合理和科学的生产计划、资源调配和风险管理策略。该系统的实施有助于制造企业实现数字化转型，提升企业的智能化水平。通过数字孪生技术和大数据分析，企业可以更加深入地了解产线的运行状态和性能，实现更加精细化的管理和控制。