基于云端数据库的远程磁场日变监测系统设计与实现

这是一篇关于地磁日变,异常识别,同态加密,云服务器的论文, 主要内容为地磁场是地球的重要物理属性之一,内部蕴含着许多重要的地理信息,因此近百年来科学家们对于地磁的研究工作从未停止,尤其是近年在航空磁探领域的应用更是十分广泛。对于采集到的磁探数据来说,常常受到地磁日变数据的影响,因此为了对磁探数据进行补偿需要同步架设日变站采集日变信息。然而当前学者们对于日变数据的研究大都集中在日变的规律和建模上,更多是对日变数据的宏观分析,缺少微观角度的数据分析。在进行日变数据的采集、传输和处理过程中会遇到一系列的问题,且当下缺少有效的解决方案。在采集日变数据时,为了减少周围环境的磁干扰,日变站通常会架设在远离城区的郊外或海边,而负责航空磁探任务的数据补偿端与日变站距离较远,难以及时收到采集的日变数据;另外日变站采集到的日变数据内包含内部电流信号引起的噪声,若不对这部分异常数据进行识别和修复,会严重影响磁探数据的补偿结果,甚至造成磁探任务的失败。针对以上问题,本文开发了一套基于云端数据库的远程磁场日变监测系统,系统主要包含软件和算法两部分,解决了日变数据的传输、存储和异常修复工作,并设计了相应的加密方案保证了数据的安全性。本文的主要研究内容有以下几个方面:首先,针对日变数据的传输问题,利用日变站携带的5G通信模块和云服务器的公网IP通信功能开发了可以进行实时数据转发的功能模块;同时在云服务器端部署了一个历史数据库,用户可以通过客户端APP对云端数据库内的日变数据进行操作;另外为了充分利用云服务器的闲时计算资源,结合同态加密和日变数据处理算法实现了对历史数据的加密运算。由于云服务器可以在任何地方进行访问,本系统大大提升了实验人员存取和管理日变数据的效率。其次,针对日变数据中受到电流信号干扰而产生的尖刺状和梯形状异常数据段,研究并实现了基于滑动窗口的可变阈值异常识别算法和基于差分特征的异常修复算法,并利用以往任务中采集到的日变数据验证了两个算法的有效性。由于实际实验中这部分工作需要研究人员手动进行操作,本文的算法研究工作极大的提高了异常数据的处理效率,减少了人工成本的投入。最后,由于日变数据属于敏感的国家地理信息,在网络中进行传输时要防止数据的泄露,针对此问题设计并实现了可靠的用户身份认证模块和加密的通信协议以及安全性极高的数据加密传输、存储和运算方案。

三甘醇脱水装置故障诊断与预测技术

这是一篇关于三甘醇脱水装置,异常识别,参数预测,GBDT-ANP,水露点预测的论文, 主要内容为三甘醇脱水装置是重要的石化生产设备,具有设备多,故障机理复杂的特点。由于其高温高压的生产环境,当其发生故障时,将导致巨大的经济损失,甚至重大事故。因此,为避免重大事故的发生和不必要的经济损失,确保其安全稳定运行,对脱水系统进行状态监测与故障诊断具有重要意义。同时,三甘醇脱水装置在运行中产生了大量的监测数据,这些工业大数据蕴含了设备的状态信息,基于此,本文以三甘醇脱水装置为研究对象,以实现三甘醇脱水装置的智能监测与诊断为目标,开展三甘醇脱水装置异常识别和参数预测技术研究,设计开发三甘醇脱水装置的智能监测与诊断系统。具体研究内容如下:(1)在三甘醇脱水装置的工艺过程的基础上,分析三甘醇脱水装置的典型故障。针对经验知识可能存在偏差的问题,建立三甘醇脱水装置HYSYS稳态和动态模型,完善脱水装置典型故障与监测参数的映射关系,为异常识别和故障诊断提供基础。(2)针对三甘醇脱水装置数据监测中存在数据缺失和噪声等数据问题,建立随机插补方法、四分位距(Interquartile range,IQR)准则法和小波包降噪相结合的数据预处理方法,以提高数据的质量。针对三甘醇脱水装置的参数动态变化的运行特点,提出主成分分析(Principal Component Analysis,PCA)和符号有向图(Sign Directed Graph,SDG)异常识别技术,通过PCA异常识别和SDG故障定位的联合诊断进行脱水装置异常识别,利用历史故障数据对PCA-SDG故障诊断方法进行验证,结果表明,PCA-SDG故障诊断方法能够有效的识别故障。基于智能监测系统状态监测和保存案例数据的思想,提出基于阈值和基于案例库的识别方法,基于阈值的方法通过设定阈值识别简单过程故障。基于案例库的识别方法通过将PCA识别出的异常数据与故障案例数据进行比较分析,直接准确的定位故障。(3)针对三甘醇脱水装置缺乏监测参数状态预测的问题,提出基于向量自回归(Vector Auto-Regressive,VAR)模型对监测参数进行预测,实验验证表明,VAR预测模型具有良好的预测效果,有效的预测了参数的变化趋势。针对在实际生产过程中对天然气水露点等关键脱水指标检测成本高的问题,提出工艺监测参数融合驱动的注意力神经过程(Attentive Neural Processes,ANP)在线预测方法,首先通过梯度提升决策树(Gradient Boosting Decision Tree,GBDT)选择关键特征参数,然后通过ANP模型自适应的建立关键参数与天然气水露点的函数回归关系并预测天然气水露点。利用历史数据进行实验验证,并与GBDT进行对比,结果表明,通过特征选择后的ANP模型具有较强的泛化能力和预测准确度。(4)设计开发天然气脱水装置智能监测与诊断系统。为提高系统的扩展性,设计了基于Spring boot的系统开发框架,同时设计了以B/S三层应用体系结构和以面向服务架构(Service-Oriented Architecture,SOA)的开发模式。设计数据源层、数据服务层、应用服务层和界面展示层的系统整体架构,分别对系统的数据库、Python数据分析服务模块和系统前端功能模块进行设计。通过智能监测与诊断系统上线测试运行时的测试实例分析,本文研发的三甘醇脱水装置智能监测与诊断系统满足三甘醇脱水装置监测诊断的需求。

基于深度学习的客流监测与预警系统的设计与实现

这是一篇关于客流监测,异常识别,深度学习的论文, 主要内容为近几年来,城市轨道交通发展迅速,客流量与日俱增。随着客流量地不断增长,线网规模与客流的高速增长对轨道交通运营安全带来极大的考验。目前轨道交通的客流监测与预警依靠人工监控,无法实时获取站厅、站台等重要监测区域的客流结构化信息,总体技术手段单一、监测精准度有限、实时性较差,缺乏智能化高精度客流信息监测和量化手段,无法有效高速地获取准确的实时客流信息,且难以支撑精准可靠的客流预测预警和合理的有效决策,客流监测的不足之处制约了轨道交通信息化的发展。基于深度学习的客流监测与预警系统是集实时客流监测、统计与分析于一体的系统。该系统主要包括五个模块,一是实时客流信息展示,二是客流统计与分析,三是行人轨迹跟踪展示,四是异常行为识别,五是离线视频的检测。实时客流信息展示模块实现了客流量、客流密度、行人速度等基本信息的提取,提供了客流监控信息不同维度和不同粒度的显示功能;客流统计与分析模块对客流信息进行统计与分析,实现数据可视化表达,用图表形式展现;行人轨迹跟踪展示模块实现了对行人的轨迹追踪,将轨迹实时展示;异常行为识别模块基于行人轨迹跟踪,可识别行人侵入危险区域或工作区域等行为。该系统不仅为轨道交通车站客流控制提供数据支撑,还为车站安全运营提供帮助。客流监测与预警系统适用于当前的自动化和信息化管理模式,对轨道交通控制与安全工作人员提供了便利,能够高效解决了实时数据收集以及数据处理滞后的问题。在算法上,本系统采用深度学习的算法对视频图像进行处理,通过基于YOLOv3算法的方法来进行目标检测;选用Deepsort算法实现对目标的轨迹提取;选用基于运动轨迹的行为分析方法对异常行为进行判别,并针对不同的异常类型设置违法规则,当规则被触发时,显示报警。在系统的开发方面,采用B/S技术体系;WEB开发框架选择了SSM框架;代理服务器使用nginx,来实现负载均衡;并使用RTMP流媒体服务器进行视频的采集与实时传送到客户端,数据库则使用My SQL,并采用Echarts插件对数据进行图表化展示。本文完全按照软件工程的技术,从背景研究,关键技术研究,需求分析,系统的概要设计,各模块的详细设计,以及系统的测试叙述。目前,此系统的基本功能已经开发完成,并且通过测试,进入试运行阶段,试运行阶段系统部署在某(北京)网络技术研究院,后续将在南方某地铁公司地铁站部署。在试运行阶段,各功能一切正常,解决了实时数据收集以及数据滞后的问题。

三甘醇脱水装置故障诊断与预测技术

这是一篇关于三甘醇脱水装置,异常识别,参数预测,GBDT-ANP,水露点预测的论文, 主要内容为三甘醇脱水装置是重要的石化生产设备,具有设备多,故障机理复杂的特点。由于其高温高压的生产环境,当其发生故障时,将导致巨大的经济损失,甚至重大事故。因此,为避免重大事故的发生和不必要的经济损失,确保其安全稳定运行,对脱水系统进行状态监测与故障诊断具有重要意义。同时,三甘醇脱水装置在运行中产生了大量的监测数据,这些工业大数据蕴含了设备的状态信息,基于此,本文以三甘醇脱水装置为研究对象,以实现三甘醇脱水装置的智能监测与诊断为目标,开展三甘醇脱水装置异常识别和参数预测技术研究,设计开发三甘醇脱水装置的智能监测与诊断系统。具体研究内容如下:(1)在三甘醇脱水装置的工艺过程的基础上,分析三甘醇脱水装置的典型故障。针对经验知识可能存在偏差的问题,建立三甘醇脱水装置HYSYS稳态和动态模型,完善脱水装置典型故障与监测参数的映射关系,为异常识别和故障诊断提供基础。(2)针对三甘醇脱水装置数据监测中存在数据缺失和噪声等数据问题,建立随机插补方法、四分位距(Interquartile range,IQR)准则法和小波包降噪相结合的数据预处理方法,以提高数据的质量。针对三甘醇脱水装置的参数动态变化的运行特点,提出主成分分析(Principal Component Analysis,PCA)和符号有向图(Sign Directed Graph,SDG)异常识别技术,通过PCA异常识别和SDG故障定位的联合诊断进行脱水装置异常识别,利用历史故障数据对PCA-SDG故障诊断方法进行验证,结果表明,PCA-SDG故障诊断方法能够有效的识别故障。基于智能监测系统状态监测和保存案例数据的思想,提出基于阈值和基于案例库的识别方法,基于阈值的方法通过设定阈值识别简单过程故障。基于案例库的识别方法通过将PCA识别出的异常数据与故障案例数据进行比较分析,直接准确的定位故障。(3)针对三甘醇脱水装置缺乏监测参数状态预测的问题,提出基于向量自回归(Vector Auto-Regressive,VAR)模型对监测参数进行预测,实验验证表明,VAR预测模型具有良好的预测效果,有效的预测了参数的变化趋势。针对在实际生产过程中对天然气水露点等关键脱水指标检测成本高的问题,提出工艺监测参数融合驱动的注意力神经过程(Attentive Neural Processes,ANP)在线预测方法,首先通过梯度提升决策树(Gradient Boosting Decision Tree,GBDT)选择关键特征参数,然后通过ANP模型自适应的建立关键参数与天然气水露点的函数回归关系并预测天然气水露点。利用历史数据进行实验验证,并与GBDT进行对比,结果表明,通过特征选择后的ANP模型具有较强的泛化能力和预测准确度。(4)设计开发天然气脱水装置智能监测与诊断系统。为提高系统的扩展性,设计了基于Spring boot的系统开发框架,同时设计了以B/S三层应用体系结构和以面向服务架构(Service-Oriented Architecture,SOA)的开发模式。设计数据源层、数据服务层、应用服务层和界面展示层的系统整体架构,分别对系统的数据库、Python数据分析服务模块和系统前端功能模块进行设计。通过智能监测与诊断系统上线测试运行时的测试实例分析,本文研发的三甘醇脱水装置智能监测与诊断系统满足三甘醇脱水装置监测诊断的需求。

电厂管道泄漏检测与异常识别预警系统开发

这是一篇关于管道泄漏检测,异常识别,油液泄漏检测,高压蒸汽泄漏检测的论文, 主要内容为电厂中,锅炉零米层、汽机运转层、油库、化水车间等关键区域时常出现高压蒸汽、油液等管道泄漏现象。针对传统人工巡检方式存在巡检周期长、实时性差等缺点,为了及时发现异常状况,减少人工巡检工作量、提升电厂生产效率,本文通过对电厂关键区域内管道油液泄漏、高压蒸汽泄漏图像识别算法进行研究,设计了电厂管道泄漏检测与异常识别预警系统。主要内容如下:(1)通过对真实泄漏事故影像数据和现场模拟实验数据等进行清洗、筛选和扩充,构建了涵盖电厂关键区域室内外管道、阀门等多个场景的跑冒滴漏数据集。(2)提出基于改进YOLOv5的电厂管道油液泄漏检测算法。该算法融入CBAM注意力机制,加强特征学习与特征提取;采用BiFPN进行多尺度特征融合,提升小目标检测能力;采用Focal EIoU Loss损失函数,增强在回归过程中对高质量锚框的关注度。(3)提出基于改进YOLOv7的电厂管道高压蒸汽泄漏检测算法。该算法引入HorNet实现关键泄漏特征之间的高阶交互;融入SimAM无参注意力机制,抑制电厂复杂背景的干扰;引入RFB和SPD提高模型的及时反应能力。(4)设计开发了电厂管道泄漏检测与异常识别预警系统。该系统采用B/S前后端分离的架构设计,可以实现电厂关键区域管道油液泄漏检测、高压蒸汽泄漏检测、异常识别预警等功能。

基于云端数据库的远程磁场日变监测系统设计与实现

这是一篇关于地磁日变,异常识别,同态加密,云服务器的论文, 主要内容为地磁场是地球的重要物理属性之一,内部蕴含着许多重要的地理信息,因此近百年来科学家们对于地磁的研究工作从未停止,尤其是近年在航空磁探领域的应用更是十分广泛。对于采集到的磁探数据来说,常常受到地磁日变数据的影响,因此为了对磁探数据进行补偿需要同步架设日变站采集日变信息。然而当前学者们对于日变数据的研究大都集中在日变的规律和建模上,更多是对日变数据的宏观分析,缺少微观角度的数据分析。在进行日变数据的采集、传输和处理过程中会遇到一系列的问题,且当下缺少有效的解决方案。在采集日变数据时,为了减少周围环境的磁干扰,日变站通常会架设在远离城区的郊外或海边,而负责航空磁探任务的数据补偿端与日变站距离较远,难以及时收到采集的日变数据;另外日变站采集到的日变数据内包含内部电流信号引起的噪声,若不对这部分异常数据进行识别和修复,会严重影响磁探数据的补偿结果,甚至造成磁探任务的失败。针对以上问题,本文开发了一套基于云端数据库的远程磁场日变监测系统,系统主要包含软件和算法两部分,解决了日变数据的传输、存储和异常修复工作,并设计了相应的加密方案保证了数据的安全性。本文的主要研究内容有以下几个方面:首先,针对日变数据的传输问题,利用日变站携带的5G通信模块和云服务器的公网IP通信功能开发了可以进行实时数据转发的功能模块;同时在云服务器端部署了一个历史数据库,用户可以通过客户端APP对云端数据库内的日变数据进行操作;另外为了充分利用云服务器的闲时计算资源,结合同态加密和日变数据处理算法实现了对历史数据的加密运算。由于云服务器可以在任何地方进行访问,本系统大大提升了实验人员存取和管理日变数据的效率。其次,针对日变数据中受到电流信号干扰而产生的尖刺状和梯形状异常数据段,研究并实现了基于滑动窗口的可变阈值异常识别算法和基于差分特征的异常修复算法,并利用以往任务中采集到的日变数据验证了两个算法的有效性。由于实际实验中这部分工作需要研究人员手动进行操作,本文的算法研究工作极大的提高了异常数据的处理效率,减少了人工成本的投入。最后,由于日变数据属于敏感的国家地理信息,在网络中进行传输时要防止数据的泄露,针对此问题设计并实现了可靠的用户身份认证模块和加密的通信协议以及安全性极高的数据加密传输、存储和运算方案。

基于改进YOLOv4的货运列车异常识别系统研究及应用

这是一篇关于货运列车,系统设计,目标检测,异常识别,Improved-YOLOv4的论文, 主要内容为货运列车的异常排查工作是铁路站点列检作业中不可或缺的环节,一般由人工进行检测和数据记录。由于列车站内停车时间短、通行列车数量多,再加上雨雪等外部环境因素的影响,列检人员长时间工作极易出现异常的误检、漏检以及记录错误等问题。随着货运列车数量及其运行速度的急剧增长,上述列检作业问题更加突出。为了解决这些问题,本文在调研和分析了多个货运铁路站点列检作业的需求后,提出了基于改进YOLOv4的货运列车异常识别系统,在不停车的情况下实现了货运列车异常的高精度、低时延识别,大大地提高了列检作业的准确率和效率。本文的主要工作和研究内容如下:(1)针对货运铁路站点列检作业时的需求,完成了货运列车异常识别系统的设计。在架构上,给出了货运列车异常识别系统的框架结构图,并详细阐述了现场数据采集区、数据处理区和中控区的主要功能和设计思路。在硬件上,完成了主要设备(工业线阵相机、网络摄像机等硬件)的选型。在软件上,设计与开发了图像采集软件和视频采集软件,同时对数据库软件和界面软件进行了初步设计。(2)通过实验选取了One-stage目标检测算法中精度和实时性更好的YOLOv4作为异常识别软件的基础算法。系统地分析了YOLO系列算法与Center Net算法的基本原理后,在MS COCO数据集和货运列车异常数据集上对比地研究了YOLOv4和Center Net。(3)提出的Improved-YOLOv4算法实现了六种列车异常的高精度、低时延识别。在YOLOv4算法的基础上,从数据增强方式、特征提取网络、特征融合模块以及归一化层四个方面对其进行改进,使其更加适合货运列车异常的识别。首先提出针对性数据增强来提高模型的泛化能力,并引入负样本机制辅助模型学习;然后在特征提取网络中增加ECA-Block解耦通道维度和空间维度的特征关系来优化特征选择方式;最后改用“级联金字塔卷积+集成批量归一化”的组合方式代替PAN进行多级特征融合来强化模型对小目标的检测效果。通过对比实验,证明了本文提出的Improved-YOLOv4算法在货运列车异常数据集上的有效性,最终达到了8.28%的误检率、8.58%的漏检率以及22.5FPS识别速度,满足实际应用的要求。(4)构建了货运列车异常数据集。通过与列检工作人员配合,在两年的时间里从云南、内蒙古等地的货运铁路站点采集到20余万张过车图像,经筛选和预处理后获得7258张正样本图像、11485张负样本图像作为货运列车异常数据集的训练集,4761张图像作为货运列车异常数据集的测试集。数据集中包含车门开启、车窗开启、罐车顶盖开启、人员爬乘、异物悬挂和列尾装置丢失六类列车异常。(5)本文设计的货运列车异常识别系统在内蒙古自治区某货运铁路站点完成了部署、现场测试以及试运行工作。该系统能够实现数据采集、数据传输、数据处理、数据存储、结果展示和记录回看等功能,软件处理数据的速度快、精度高,监控界面上的图像和视频数据清晰且不失真。四个月试运行期间异常的误检率在8%以内、漏检率在5%以内,识别结果均能在列车通过后的2分钟内给出,满足了现场应用需求,实现了稳定运行。

液压系统关键部件运行特征选择及异常状态识别的设计与实现

这是一篇关于液压系统,异常识别,特征选择,Light GBM的论文, 主要内容为液压系统是通过液压增强作用力的系统,可用于动力传动和控制系统中,随着工业发展液压系统在各个领域中应用日益广泛,因此加强对液压系统安全运行的保障也日益重要。但由于液压系统趋向专业化和多样化,导致其结构组成越来越复杂,从而增加液压系统部件异常识别的难度。针对液压系统结构组成复杂、难以进行机理建模分析的特点,使用基于数据驱动的方法从系统整体的角度进行研究,研究内容分为特征工程、模型训练、软件实现三个部分。其中特征工程对数据进行处理并提取与各个部件相关特征;模型训练使用集成学习算法训练部件异常状态识别模型;软件实现则是开发液压系统状态监测软件系统并将研究内容进行应用层面的测试验证。本文具体研究内容如下:在特征工程部分,首先对多元时间序列数据统一提取描述数据信息的统计特征,对数据结构进行降维处理并构建备选特征库,再针对每个部件使用特征选择法筛选相关特征,以此避免对部件逐一分析提升特征选择的效率。在具体的特征选择方法上,使用基于双向启发式搜索策略的Wrapper式特征选择法以挖掘多个特征组合之间的关联关系,同时引入SA优化算法解决启发式搜索容易陷入局部最优的问题,再使用CART算法的特征评价指标优化基于SA优化的特征选择过程,由此提出用于优化特征选择的CART-SA算法,并用CART-SA优化的特征选择算法用于液压系统部件特征选择上,筛选出部件的相关特征。在模型训练部分,使用Light GBM集成学习算法对部件相关特征进行训练液压系统部件异常状态识别模型,并使用BO算法优化训练使用的超参数。其中使用SMAC模型取代常规BO算法中的高斯过程代理模型,以解决离散的优化标不适用该算法的问题。将BO-SMAC算法用于优化各个部件的异常识别模型的超参数,并将优化后的超参数作为Light GBM的配置训练各个部件的异常状态识别模型。在软件开发部分,将各个部件异常状态识别模型集成到软件功能中,同时根据使用需求拓展设计其他相关业务功能,形成完整的液压系统状态监测软件的研发方案,并针对测试液压系统对象完成软件系统的验证开发,为软件实际应用提供方案说明及技术支持。

基于云端数据库的远程磁场日变监测系统设计与实现

这是一篇关于地磁日变,异常识别,同态加密,云服务器的论文, 主要内容为地磁场是地球的重要物理属性之一,内部蕴含着许多重要的地理信息,因此近百年来科学家们对于地磁的研究工作从未停止,尤其是近年在航空磁探领域的应用更是十分广泛。对于采集到的磁探数据来说,常常受到地磁日变数据的影响,因此为了对磁探数据进行补偿需要同步架设日变站采集日变信息。然而当前学者们对于日变数据的研究大都集中在日变的规律和建模上,更多是对日变数据的宏观分析,缺少微观角度的数据分析。在进行日变数据的采集、传输和处理过程中会遇到一系列的问题,且当下缺少有效的解决方案。在采集日变数据时,为了减少周围环境的磁干扰,日变站通常会架设在远离城区的郊外或海边,而负责航空磁探任务的数据补偿端与日变站距离较远,难以及时收到采集的日变数据;另外日变站采集到的日变数据内包含内部电流信号引起的噪声,若不对这部分异常数据进行识别和修复,会严重影响磁探数据的补偿结果,甚至造成磁探任务的失败。针对以上问题,本文开发了一套基于云端数据库的远程磁场日变监测系统,系统主要包含软件和算法两部分,解决了日变数据的传输、存储和异常修复工作,并设计了相应的加密方案保证了数据的安全性。本文的主要研究内容有以下几个方面:首先,针对日变数据的传输问题,利用日变站携带的5G通信模块和云服务器的公网IP通信功能开发了可以进行实时数据转发的功能模块;同时在云服务器端部署了一个历史数据库,用户可以通过客户端APP对云端数据库内的日变数据进行操作;另外为了充分利用云服务器的闲时计算资源,结合同态加密和日变数据处理算法实现了对历史数据的加密运算。由于云服务器可以在任何地方进行访问,本系统大大提升了实验人员存取和管理日变数据的效率。其次,针对日变数据中受到电流信号干扰而产生的尖刺状和梯形状异常数据段,研究并实现了基于滑动窗口的可变阈值异常识别算法和基于差分特征的异常修复算法,并利用以往任务中采集到的日变数据验证了两个算法的有效性。由于实际实验中这部分工作需要研究人员手动进行操作,本文的算法研究工作极大的提高了异常数据的处理效率,减少了人工成本的投入。最后,由于日变数据属于敏感的国家地理信息,在网络中进行传输时要防止数据的泄露,针对此问题设计并实现了可靠的用户身份认证模块和加密的通信协议以及安全性极高的数据加密传输、存储和运算方案。