一种基于自学习算法的智能安全监控和诊断方法

摘要

本发明公开了一种基于自学习算法的智能安全监控和诊断方法，包括步骤如下：获取对象属性数据，建立对象属性数据模型；建立对象方法数据模型；基于对象属性数据模型和对象方法数据模型，获得理论对象属性数据模型；基于理论对象属性数据模型，对对象属性数据模型进行训练，获得有效对象属性数据模型；根据有效对象属性数据模型，对对象方法数据模型进行训练，获得有效对象方法数据模型；根据有效对象数据模型和有效对象方法数据模型，建立最佳线性系统；获取实时对象属性数据，基于最佳线性系统，将实时对象属性数据进行分类；对不同分类中的实时对象属性数据进行自动校正、提前预警和安全防护；从而能够根据实际应用场景做精准预警和安全防护。

说明书

技术领域

本发明涉及空调设备制造技术领域，具体涉及一种基于自学习算法的智能安全监控和诊断方法。

背景技术

热交换器是生产空调机里一个重要部件，在过程中，需要有两道工序对置于散热片内的众多铜管进行加工，第一道工序是将铜管直径胀大，使之与散热片紧密接触，避免产生松动的情况，同时也增大热交换器的导热性能；第二道工序是把众多铜管预留之端部胀大成带锥形口沿的杯状，以利于下道工序中对接其它铜管。

在胀管过程中，胀管的品质取决于胀管的材料和胀管的供气状态等多种因素的影响，并且，胀管过程往往需要较大的气压(约为30MPa)，因此需要对其进行安全防护，避免压力过大损坏铜管，或造成操作人员受伤，而现有的气压胀管安全监控方法大多采用开环式控制逻辑，根据操作经验设置单一的控制方法，只有达到相应条件时，才会自动触发安全防护，安全防护的灵敏度较差，且不能根据实际应用常景做精准预警和安全防护。

发明内容

为了克服现有气压胀管安全监控系统的灵敏度较差，且不能根据实际应用常景做精准预警和安全防护的技术问题，本发明提供一种基于自学习算法的智能安全监控和诊断方法。

本发明所述的基于自学习算法的智能安全监控和诊断方法，包括步骤如下：

获取对象属性数据，并根据对象属性数据，建立对象属性数据模型；其中，对象属性数据包括：产品参数、供气参数和测试参数；

建立对象方法数据模型，对象方法数据模型包括：气体状态计算方法、压缩流体流量计算方法、胀接压力计算方法和不确定度计算方法；

基于对象属性数据模型，根据对象方法数据模型，计算出与对象属性数据模型对应的理论对象属性数据模型；

基于理论对象属性数据模型，对对象属性数据模型进行训练，得到第一训练结果，并根据第一训练结果，更新对象属性数据模型中的对象属性数据，获得有效对象属性数据模型；

根据有效对象属性数据模型，对对象方法数据模型进行训练，得到第二训练结果，并根据第二训练结果，更新对象属性方法模型中的对象方法数据，获得有效对象方法数据模型；

根据有效对象数据模型和有效对象方法数据模型，建立最佳线性系统；

获取实时对象属性数据，基于最佳线性系统，将实时对象属性数据进行分类；

对不同分类中的实时对象属性数据进行自动校正、提前预警和安全防护。

优选地，获得理论对象属性数据模型的步骤包括：

将对象属性数据中的产品参数和供气参数，带入对象方法数据模型中，计算出与产品参数和供气参数对应的理论测试参数，得到理论对象属性数据；

根据理论对象属性数据，建立理论对象属性数据模型。

优选地，获得有效对象数据模型的步骤包括：

将理论对象属性数据模型中的理论测试参数，和与之对应的对象属性数据模型中的测试参数，进行对比；

若不同，则将测试参数，带入对象方法数据模型中，计算出与测试参数，对应的第一有效产品参数和第一有效供气参数；若相同，则将与理论测试参数对应的产品参数和供气参数进行标注，得到第二有效产品参数和第二有效供气参数；获得第一训练结果；

根据第一训练结果，对对象属性数据中的产品参数和供气参数进行更新，获得有效对象属性数据；

根据有效对象属性数据，建立有效对象数据模型。

优选地，获得有效对象方法数据模型的步骤包括：

将有效对象数据中的测试参数作为因变量，将与测试参数对应的第一有效产品参数和第一有效供气参数，或第二有效产品参数和第二有效供气参数作为自变量，对气体状态计算方法、压缩流体流量计算方法、胀接压力计算方法和不确定度计算方法进行训练；得到第二训练结果；

根据第二训练结果，对对象方法数据中的气体状态计算方法、压缩流体流量计算方法、胀接压力计算方法和不确定度计算方法进行更新，获得有效对象方法数据模型。

优选地，将实时对象属性数据进行分类的步骤包括：

基于最佳线性系统，根据有效对象方法数据模型，计算出有效对象属性数据模型对应的状态拟合曲线，根据状态拟合曲线设置与优质产品、合格产品和不合格产品对应的划分范围；

基于最佳线性系统，对实时对象属性数据进行实时判断，得出状态判断结果；

将状态判断结果与划分范围进行对比，以对实时对象属性数据进行分类。

优选地，产品参数包括：铜管材料信息、翅片材料信息和产品性能信息；供气参数包括：压力信息、脉动信息和含湿量信息。

优选地，测试参数包括充气压力信息、充气时长信息、胀管压力信息、胀管时长信息、泄压压力信息、泄压时长信息和节拍。

优选地，气体状态计算方法中的计算公式如下：

PV＝NRT

其中，P为压强(单位为：Pa)，V为体积(单位为：L)，N为物质的量(单位为：mol)，R为常数，T为温度(单位为：K)。

优选地，压缩流体流量计算方法中的计算公式如下：

其中，Q为体积流量(单位为m³/h)，Kv为控制阀的开度(单位为：m³/h/Pa)，ΔP为控制阀前、后的压差(单位为：Pa)，P₂为控制阀阀后的压强(单位为：Pa)。

优选地，胀接压力计算方法中的计算公式如下：

其中，P_isy为最佳胀接压力(单位为：MPa)，σ_st为铜管的屈服强度(单位为：MPa)，K_t为铜管的外径与内径的比值，σ_ss为铝箔的屈服强度(单位为：MPa)，K_s为铝箔的外径与内径的比值。

综上所述，根据以往的胀管工作，获取胀管时的对象属性数据，并建立用于模拟整个胀管过程的对象方法数据模型，采用对象方法数据模型，根据对象属性数据中的产品参数和供气参数，计算出二者相对应的理论测试参数，将理论测试参数和获取实际的测试参数进行对比，值相同，则说明对象属性数据中的产品参数和供气参数不存在偏差，若不同，则说明二者存在偏差，并根据获取的实际的测试参数，计算出与之对应的准确的产品参数和供气参数，以此建立有效对象属性数据模型；有效对象属性数据模型中产品参数、供气参数和测试参数均为准确值，这样可根据有效对象属性数据模型对建立的对象方法数据模型，进行修正，更新对象方法数据模型各项计算方法，以此建立有效对象方法数据模型；从而得到最佳线性系统。

在实时胀管工作中，最佳线性系统实时获取实时对象属性数据，并对实时对象属性数据进行分类，分类后，最佳线性系统对加工属于合格品的铜管时，启动自动校正工作，自动调整设备运行状态，使设备在最优的情况下运行，提高产品质量，降低原材料浪费，若自动校正失败，启动提前预警，则进行安全防护，提高设备安全性；安全监控和诊断方法中无论是对象属性数据模型还是对象方法数据模型，均经过修正更新，为准确值，或与实际情况高度吻合的计算方法，能够根据实际应用场景做精准预警和安全防护。

附图说明

图1是本发明中基于自学习算法的智能安全监控和诊断方法流程图。

具体实施方式

下面结合附图说明根据本发明的具体实施方式。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明并不限于下面公开的具体实施例的限制。

为了克服现有气压胀管安全监控系统的灵敏度较差，且不能根据实际应用常景做精准预警和安全防护的技术问题，本发明提供一种基于自学习算法的智能安全监控和诊断方法。

本发明所述的基于自学习算法的智能安全监控和诊断方法，包括步骤如下：

S1、获取对象属性数据，并根据对象属性数据，建立对象属性数据模型；其中，对象属性数据包括：产品参数、供气参数和测试参数；

本实施例中，具体地，产品参数包括：铜管材料信息、翅片材料信息和产品性能信息；需要说明的是，产品参数为铜管或翅片上生产时标注的信息；

供气参数包括：压力信息、脉动信息和含湿量信息。

测试参数包括充气压力信息、充气时长信息、胀管压力信息、胀管时长信息、泄压压力信息、泄压时长信息和节拍。

S2、建立对象方法数据模型，对象方法数据模型包括：气体状态计算方法、压缩流体流量计算方法、胀接压力计算方法和不确定度计算方法；

进一步地，气体状态计算方法中的计算公式如下：

PV＝NRT

其中，P为压强(单位为：Pa)，V为体积(单位为：L)，N为物质的量(单位为：mol)，R为常数，T为温度(单位为：K)；此方程为克拉伯龙方程，根据此方程结合空气压缩机的性能参数，可以计算出高压集成系统的储气罐从某个压力升高至另外一个压力需要的时间。

进一步地，压缩流体流量计算方法中的计算公式如下：

其中，Q为体积流量(单位为m³/h)，Kv为控制阀的开度(单位为：m³/h/Pa)，ΔP为控制阀前后的压差(单位为：Pa)，P₂为控制阀阀后的压强(单位为：Pa)。根据此计算公式结合控制阀的开度，以及控制阀前、后的压差，可以计算出升高至胀管系统设定的胀管压力需要的时间。

进一步地，胀接压力计算方法中的计算公式如下：

其中，P_isy为最佳胀接压力(单位为：MPa)，σ_st为铜管的屈服强度(单位为：MPa)，K_t为铜管的外径与内径的比值，σ_ss为铝箔的屈服强度(单位为：MPa)，K_s为铝箔的外径与内径的比值。

根据此公式可以计算出铜管、翅片气压胀接需要的最佳胀接压力值。

需要说明的是，由于整个胀接系统的监控过程是动态的，且是实时进行的，而应用上述计算公式，参与理论计算的传感器自身的精度和脉动会导致理论计算结果存在误差，此时，不确定度计算方法可以计算出，在一定误差范围内相应的理论值范围。

S3、基于对象属性数据模型，根据对象方法数据模型，计算出与对象属性数据模型对应的理论对象属性数据模型；

本实施例中，根据获取的对象属性数据中产品参数和供气参数，采用理论层面的对象方法数据模型中的各项计算方法，计算出了与对象属性数据模型对应的理论对象属性数据模型，以为后期修正对象属性数据中产品参数和供气参数，提供依据。

其中，获得理论对象属性数据模型的具体步骤包括：

S31、将对象属性数据中的产品参数和供气参数，带入对象方法数据模型中，计算出与产品参数和供气参数，对应的理论测试参数，得到理论对象属性数据；

S32、根据理论对象属性数据，建立理论对象属性数据模型。

S4、基于理论对象属性数据模型，对对象属性数据模型进行训练，得到第一训练结果，并根据第一训练结果，更新对象属性数据模型中的对象属性数据，获得有效对象属性数据模型；

本实施例中，为确定步骤S1中，获取的对象属性数据中产品参数和供气参数是否准确，会根据获得的采集的产品参数和供气参数，应用步骤S2中理论计算公式，计算出与之对应的理论测试参数，并根据理论测试参数，判断获取的对象属性数据中产品参数和供气参数的准确性，以提高监控的准确度。

其中，获得有效对象数据模型的具体步骤包括：

S41、将理论对象属性数据模型中的理论测试参数，和与之对应的对象属性数据模型中的测试参数，进行对比；

S42、若不同，则将测试参数，带入对象方法数据模型中，计算出与测试参数，对应的第一有效产品参数和第一有效供气参数；若相同，则将与理论测试参数对应的产品参数和供气参数进行标注，得到第二有效产品参数和第二有效供气参数；获得第一训练结果；

S43、根据第一训练结果，对对象属性数据中的产品参数和供气参数进行更新，获得有效对象属性数据；

S44、根据有效对象属性数据，建立有效对象数据模型。

S5、根据有效对象属性数据模型，对对象方法数据模型进行训练，得到第二训练结果，并根据第二训练结果，更新对象属性方法模型中的对象方法数据，获得有效对象方法数据模型；

实施例中，为确定步骤S2中，应用的理论层面上的气体状态计算方法、压缩流体流量计算方法、胀接压力计算方法和不确定度计算方法，与实际工作状况是否吻合，会根据步骤S3中，获得的有效对象数据模型，对上述计算方法进行修正，使之能够根据实时采集的数据准确预测出胀管过程，以提高监控的准确度。

其中，获得有效对象方法数据模型的具体步骤包括：

S51、将有效对象数据中的测试参数作为因变量，将与测试参数对应的第一有效产品参数和第一有效供气参数，或第二有效产品参数和第二有效供气参数作为自变量，对气体状态计算方法、压缩流体流量计算方法、胀接压力计算方法和不确定度计算方法进行训练；得到第二训练结果；

S52、根据第二训练结果，对对象方法数据中的气体状态计算方法、压缩流体流量计算方法、胀接压力计算方法和不确定度计算方法进行更新，获得有效对象方法数据模型。

S6、根据有效对象数据模型和有效对象方法数据模型，建立最佳线性系统；

S7、获取实时对象属性数据，基于最佳线性系统，将实时对象属性数据进行分类；

本实施例中，在实际胀管工作中，获取实时对象属性数据，基于最佳线性系统，对实时对象属性数据进行分类，以便对不同情况采取不同的监控管理。

其中，将实时对象属性数据进行分类的具体步骤包括：

S71、基于最佳线性系统，根据有效对象方法数据模型，计算出有效对象属性数据模型对应的状态拟合曲线，根据状态拟合曲线设置与优质产品、合格产品和不合格产品，对应的划分范围；

S72、基于最佳线性系统，对实时对象属性数据进行实时判断，得出状态判断结果；

S73、将状态判断结果与划分范围进行对比，以对实时对象属性数据进行分类。

S8、对不同分类中的实时对象属性数据进行自动校正、提前预警和安全防护。

本实施例中，具体地，若实时对象属性数据划分为优质产品，其对其采用自动校正，自动调整设备运行状态，使设备在最优的情况下运行，在确保的基础上提高产品质量；

若实时对象属性数据划分为合格产品，启动自动校正工作，自动调整设备运行状态，使设备在最优的情况下运行，提高产品质量，若自动校正失败，启动提前预警，则进行安全防护，确保设备和操作人员安全；

若实时对象属性数据划分为不合格产品，则立刻进行安全防护，确保设备和操作人员安全。

综上所述，本发明提供的基于自学习算法的智能安全监控和诊断方法，能够在实时胀管工作中，依据最佳线性系统实时获取实时对象属性数据，并对实时对象属性数据进行分类，分类后，对不同类型的产品采取不同的监控工作，确保产品质量；而且，最佳线性系统中无论是有效对象属性数据模型还是有效对象方法数据模型，均经过修正更新，为准确值，或与实际情况高度吻合的计算方法，能够根据实际应用场景做精准预警和安全防护。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。