一种工厂环境监测管理系统及方法与流程

1.本发明涉及工业生产环境管理技术，尤其是一种工厂环境监测管理系统及方法。


背景技术：

2.在现代工厂中，设备的正常运行对于保证生产过程的稳定性和效率至关重要。然而，由于工厂环境复杂，设备数量众多，设备故障的发生往往难以预测和及时发现。传统的设备维护方式通常是定期检查或者在设备出现故障后进行维修，这样不仅会导致设备的闲置时间增加，而且可能会因为设备故障而导致整个生产线的停工，从而对生产效率和产品质量造成严重影响。
3.为了解决这个问题，许多研究者和工程师已经提出了利用各种监测技术进行设备状态监测和故障预警的方法。例如，通过安装各种传感器来监测设备的温度、振动、电流等物理参数，然后通过分析这些参数的变化来判断设备的运行状态。然而，这些方法通常需要在设备上安装特定的传感器，不仅增加了成本，而且在某些情况下可能会影响设备的正常工作。
4.因此，如何在不影响设备正常运行的情况下，实时、准确地监测设备的运行状态，并及时预警可能的设备故障，是当前工厂环境监测管理面临的重要问题。


技术实现要素：

5.本发明的目的是提供一种工厂环境监测管理系统，该系统可以实时、自动化地监测工厂内某区域的噪声，及时发现和预警设备故障，从而提高设备管理和维护的效率，减少设备故障对生产的影响，提高工厂的生产效率和设备使用寿命。
6.本发明提供的基础方案：该工厂环境监测管理系统包括:数据收集模块，该模块用于在工厂内收集环境噪声；数据处理模块，该模块接收数据收集模块收集到的音频数据，进行降噪、滤波和特征提取；设备状态识别模块，该模块接收数据处理模块输出的音频特征，进行设备运行状态的识别；预警模块，该模块接收设备状态识别模块的识别结果，并在检测到可能的设备故障时发送预警。
7.本发明的有益效果：提供一种实时、自动化的设备运行状态识别和故障预警方案，通过收集和处理环境噪声数据，利用设备状态识别模块对设备运行状态进行识别，并在检测到可能的设备故障时立即发送预警。这种方式大大提高了故障检测的及时性和准确性，能有效减少设备故障带来的生产中断，提升工厂的生产效率和设备使用寿命。
8.进一步，数据处理模块具体还包括：降噪子模块，用于减少音频数据中的噪声；滤波子模块，用于过滤音频数据中的不相关噪声；特征提取子模块，用于从处理后的音频数据中提取特征。
9.本方案的有益效果：降噪和滤波子模块降低了噪声数据的干扰，增强了设备运行状态识别的准确性；特征提取子模块则从处理后的音频数据中提取出对设备运行状态有影响的关键特征，提高了设备状态识别模块的分析效率和预警的及时性。
10.进一步，所述特征提取子模块中提取的特征包括：时域特征：音频信号的平均值、标准差、最大值、最小值、信号的能量；频域特征：频谱能量、频谱熵、频谱质心、频谱平均、频谱标准差；时频特征：梅尔频率倒谱系数、线性预测倒谱系数、感知线性预测、伽马声谱倒谱系数；统计特征：峰值数、过零率、频率分布的偏度和峰度。
11.本方案的有益效果：在特征提取子模块中提取丰富的时域特征、频域特征、时频特征和统计特征，极大地增强了对设备运行状态的敏感性和识别的准确性。这些特征涵盖了音频信号在时间、频率和统计等多个维度的信息，能够更全面、更深入地反映设备运行状态的变化。
12.进一步，所述设备状态识别模块具体还包括：深度学习模型训练子模块：使用已知设备运行状态的历史数据来训练设备状态识别深度学习模型；设备运行状态识别子模块：在深度学习模型训练完成后，使用它来识别新的音频数据的设备运行状态；设备运行状态包括"正常"、"故障"、"即将故障"；深度学习模型评估和优化子模块：定期对深度学习模型进行评估和优化，确保深度学习模型的预测性能。
13.本方案的有益效果：通过深度学习模型训练、设备状态识别和深度学习模型评估优化等步骤，有效地提升了设备运行状态的识别准确性和预警的前瞻性。深度学习模型训练使得系统能学习到音频特征和设备运行状态间的关系，从而在设备状态识别阶段，能准确地预测出设备的运行状态，包括"正常"、"故障"和"即将故障"。此外，通过定期评估和优化，深度学习模型的预测性能得到保证，使得故障预警更为及时和准确。因此，本方案不仅有助于减少因设备故障带来的停工时间，提高生产效率，还有助于提前识别设备可能的故障，优化设备维护计划，进一步提升设备的使用寿命和工厂的运营效率。
14.进一步，所述深度学习模型评估和优化具有包括：使用新的数据进行重新训练，或者调整深度学习模型的参数；此外，当设备或环境条件发生变化时，更新或替换深度学习模型。
15.本方案的有益效果：深度学习模型评估和优化强调了深度学习模型的动态更新和适应性。通过使用新的数据进行重新训练或调整深度学习模型参数，可以确保深度学习模型能够及时适应生产环境的变化以及设备状态的更新，从而继续提供准确的设备状态预测。此外，当设备或环境条件发生大的变化时，系统能够更新或替换深度学习模型，保证了深度学习模型预测的适应性和准确性。
16.进一步，所述预警模块包括：预警条件：基于设备状态识别模块的设备状态识别结果定义一组预警条件，用于判断设备是否可能出现故障；预警级别：定义不同的预警级别，以反映设备故障的严重程度；预警通知：当预警条件被满足时，预警模块会发送预警通知；预警记录：记录所有的预警事件，以便进行后续的分析和审计；预警测试和调整：为了确保预警模块的有效性，定期对其进行测试和调整。
17.本方案的有益效果：通过设定预警条件、级别、通知、记录和测试调整，实现了对设备状态的全方位监控和故障的及时预警。预警条件和级别使得预警更具针对性和区分度，能够根据故障的可能性和严重程度，提供不同级别的预警通知，使得生产管理人员能够更加灵活和准确地应对可能的设备故障。预警记录为后续的故障分析和设备维护提供了重要的数据支持。预警测试和调整保证了预警系统的有效性和准确性。
18.进一步，所述数据收集模块中收集的数据还包括设备id、设备类型、设备位置。
19.本方案的有益效果：本方案主要目的在于监控某个区域内所有设备的运行状况，通过收集包括设备id、设备类型、设备位置在内的详细数据，能够对每个设备产生的环境噪声及其可能的影响进行深入理解和分析。
20.进一步，所述设备状态识别模块中，还包括为每种设备类型或每个设备训练特定的深度学习模型。
21.本方案的有益效果：通过为每种设备类型或每个设备训练特定的深度学习模型，可以更准确地识别和预测设备的运行状态和潜在问题。这种个性化的模型训练方法考虑到了每种设备或每个设备的特性和工作模式，从而可以更精确地分析环境噪声和其可能的影响，提供更精确的设备状态识别和预警。
22.进一步，所述预警模块中还包括：集成处理子模块，用于收集并整合来自各个设备的预警信息。
23.本方案的有益效果：通过集成处理子模块收集并整合来自各个设备的预警信息，可以形成对整个区域设备运行状况的全局视图。这种全局视图使得管理者可以更加高效、直观地监控和管理区域内的所有设备，及时发现和处理设备问题，提升决策效率。
附图说明
24.图1为本发明的系统流程图。
具体实施方式
25.下面通过具体实施方式进一步详细说明：实施例一如图1所示的一种工厂环境监测管理系统，包括：数据收集模块，该模块用于在工厂内收集环境噪声，具体包括：麦克风阵列：这是数据收集模块的核心部分，通常由多个高质量、高灵敏度的麦克风组成。麦克风阵列被布置在工厂的关键位置，例如设备附近、工作区域、通道等地方，以最大限度地收集设备运行过程中产生的声音。音频采集设备：这些设备将麦克风捕捉到的声音转换为可供进一步处理的数字信号。这通常通过模数转换器（adc）实现，它可以将连续的声音波形转换为离散的数字信号。数据传输系统：音频数据通常很大，需要有效的数据传输系统将其从麦克风阵列传输到数据处理模块。这可以通过有线（例如，以太网）或无线（例如，wi-fi，5g）的方式实现。同步系统：如果使用多个麦克风同时收集数据，那么需要一个同步系统来确保所有麦克风收集的数据在时间上是对齐的。
26.数据处理模块，该模块接收数据收集模块收集到的音频数据，进行降噪、滤波和特征提取，具体还包括：降噪子模块，用于减少音频数据中的噪声。降噪子模块的主要任务是减少音频数据中的背景噪声，以便于后续的分析。降噪的方法有很多，例如谱减法、wiener滤波器、最小均方误差等。滤波子模块，用于过滤音频数据中的不相关噪声。滤波子模块的主要任务是过滤音频数据中的不相关噪声，例如风声、人声等。这通常通过频域滤波器实现，例如带通滤波器、阻带滤波器等。这些滤波器可以根据设备声音的频率特性进行设计，例如，如果设备声音的主要频率在1000hz到2000hz之间，那么可以设计一个带通滤波器，只保留这个频率
范围内的声音；如果工厂环境中存在一个恒定的噪声源，其频率在3000hz左右，可以设计一个阻带滤波器，阻止这个频率的信号通过；如果设备的声音主要集中在高频范围，可以使用高通滤波器来过滤掉低频的环境噪声等等。特征提取子模块，用于从处理后的音频数据中提取特征。特征提取子模块的主要任务是从处理后的音频数据中提取有用的特征，这些特征将被用于后续的设备状态识别。特征提取子模块中提取的特征包括：时域特征、频域特征、时频特征、统计特征。
27.设备状态识别模块，该模块具体还包括：深度学习模型训练子模块：使用已知设备运行状态的历史数据来训练设备状态识别深度学习模型；设备运行状态识别子模块：在深度学习模型训练完成后，使用它来识别新的音频数据的设备运行状态；设备运行状态包括"正常"、"故障"、"即将故障"；深度学习模型评估和优化子模块：定期对深度学习模型进行评估和优化，确保深度学习模型的预测性能。
28.预警模块，该模块接收设备状态识别模块的识别结果，并在检测到可能的设备故障时发送预警，具体还包括：预警条件子模块：基于设备状态识别模块的设备状态识别结果定义一组预警条件，用于判断设备是否可能出现故障，如果设备的预测状态为"即将故障"，那么就会触发预警。预警级别子模块：定义不同的预警级别，以反映设备故障的严重程度，例如，定义"低"、"中"和"高"三个级别，对应于故障的概率或影响程度。预警通知子模块：当预警条件被满足时，预警模块会发送预警通知，通知的形式可能包括电子邮件、短信、推送通知或者是在控制面板上显示警告。这个子模块的目标是尽可能快地将预警信息传达给相关人员，以便他们可以及时采取行动。预警记录子模块：记录所有的预警事件，以便进行后续的分析和审计。这些记录包含预警的时间、设备的状态、预警的条件和级别等信息。这些数据可以供后续的分析和审计使用，例如，分析设备的故障模式，或者评估预警系统的性能。预警测试和调整：为了确保预警模块的有效性，定期对其进行测试和调整。测试使用历史数据或者模拟数据来检查预警模块的性能。如果发现模块的性能不佳，或者随着时间推移设备的行为发生了变化，需要调整预警的条件和级别。
29.以大型汽车制造工厂中的冲压机为例，在运行过程中，系统通过麦克风实时收集其产生的环境噪声。该麦克风设置在冲压机的周围、冲头和模具、冲压机的进料口和出料口。
30.收集得到的音频数据接着被送到数据处理模块。在这个模块中，首先通过降噪子模块应用降噪算法，分离环境噪声和设备自身噪声，减少音频数据中的背景噪声。然后，滤波子模块过滤掉音频数据中的不相关的频率噪声。最后，特征提取子模块从处理后的音频数据中提取出时域特征、频域特征、时频特征、统计特征等关键信息。
31.这些提取出的特征随后被送入设备状态识别模块。在这个模块中，已经通过使用历史数据训练的深度学习模型会学习并理解音频特征和设备运行状态之间的关系。例如，当冲压机在正常运行中，其产生的环境噪声会有一定的模式和规律，这些音频特征被提取并输入到深度学习模型中，模型会根据已有的训练，识别出这是正常的设备运行状态。当冲压机发生故障，比如冲头卡住或者电机过热等问题，这些故障往往会导致设备的噪声改变，这些改变的音频特征被提取并输入到深度学习模型中，模型会识别出这是故障的设备运行状态。某些设备问题可能不会立即导致冲压机停机，但是会使设备的运行状态发生变化，这些变化可能是故障的前兆，这些微妙的音频特征变化被提取并输入到深度学习模型中，模
型会识别出这是"即将故障"的设备运行状态。
32.设备运行状态的识别结果被送给预警模块。预警模块会定义一组预警条件，当设备状态识别结果满足这些条件时，预警模块会发送预警通知，并记录所有的预警事件，以便进行后续的分析和审计。如果设备状态识别模块在连续几个时间周期内持续识别出设备的状态为"即将故障"，那么预警模块就会触发预警，因为这可能意味着设备的某个部分正在逐渐磨损或者失效。如果在一个较短的时间周期内，设备的状态突然从"正常"变为"故障"，那么预警模块也会触发预警，因为这可能意味着设备出现了突发的故障。如果设备的状态在"正常"和"即将故障"之间频繁切换，那么预警模块可能也会触发预警，因为这可能意味着设备的运行状态不稳定，可能存在潜在的问题。同时，为了确保预警模块的有效性，系统会定期对其进行测试和调整。
33.在整个过程中，深度学习模型评估和优化子模块会定期对深度学习模型进行评估和优化，确保其预测性能，使用新的数据进行重新训练，或者调整模型的参数。当设备或环境条件发生变化时，系统会及时更新或替换深度学习模型。这样的系统实现了对冲压机设备的实时监控，提高了设备的运行效率和安全性，同时也为工厂的运营提供了强大的支持。
34.实施例二本实施例与实施例一的区别在于：该实施例是针对工厂内某一区域的多设备实施监控，例如某生产线的设备预警。
35.以汽车零部件生产线为例，该生产线上有20台号码为1到20的冲压机，按照特定的顺序排列，每台机器都负责完成零部件生产过程中的特定步骤。
36.首先，工厂环境监测管理系统的数据收集模块会从每台冲压机中收集数据。例如，机器1的数据可能包括设备id（例如，"machine_01"）、设备类型（例如，"press_machine"）、设备位置（例如，"line_1, position_1"）以及设备产生的环境噪声。
37.然后，设备状态识别模块会对这些数据进行处理。对于机器1，有一个特定的深度学习模型，该模型经过特别训练，以识别机器1的正常和异常运行状态。
38.假设在某个时间点，机器5和机器7的深度学习模型都识别出了可能的问题。机器5的模型可能检测到了不寻常的噪声模式（运动时产生了不寻常的摩擦声），这可能意味着其中一个零件正在磨损。同时，机器7的模型可能检测到了设备运行速度的下降（设备的声音节奏可能变慢），这可能意味着电力供应有问题。
39.这时，预警模块的集成处理子模块会接收到这两台设备发出的预警信息。这两个预警信息首先会被记录下来，然后进行整合。
40.集成处理子模块会考虑到这两台冲压机都在同一条生产线上，并且预警信息几乎在同一时间发出，因此可能存在一个共同的问题源头。集成处理子模块可能会推测，这可能是由于供电不稳定，导致机器5的零件过度磨损，同时影响了机器7的运行速度。
41.然后，集成处理子模块会生成一个综合预警信息，告知工厂的维护人员这两台冲压机可能的问题，以及推测的问题源头。这个预警信息可能会以电子邮件或者短信的形式，发送给负责维护的人员，让他们可以尽快进行检查和维修。
42.此外，所有的预警信息都会被存储在一个数据库中，以便进行后续的分析和审计。例如，通过分析预警信息的模式，可以发现某个特定时间段（比如每天的下午3点到5点）经常出现预警，这可能意味着电网在这个时间段的稳定性有问题。这样的信息可以帮助工厂
找到潜在的问题，提前进行维护，避免更大的生产中断。
43.以上的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本技术给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本技术的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本技术要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

技术特征：
1.一种工厂环境监测管理系统,其特征在于，该系统包括:数据收集模块，该模块用于在工厂内收集设备产生的环境噪声；数据处理模块，该模块接收数据收集模块收集到的音频数据，进行降噪、滤波和特征提取；设备状态识别模块，该模块接收数据处理模块输出的音频特征，进行设备运行状态的识别；预警模块，该模块接收设备状态识别模块的识别结果，并在检测到设备故障时发送预警。2.根据权利要求2所述的工厂环境监测管理系统，其特征在于，数据处理模块具体还包括：降噪子模块，用于减少音频数据中的噪声；滤波子模块，用于过滤音频数据中的不相关噪声；特征提取子模块，用于从处理后的音频数据中提取特征。3.根据权利要求2所述的工厂环境监测管理系统，其特征在于，所述特征提取子模块中提取的特征包括：时域特征、频域特征、时频特征、统计特征。4.根据权利要求3所述的工厂环境监测管理系统，其特征在于，所述设备状态识别模块具体还包括：深度学习模型训练子模块：使用已知设备运行状态的历史数据来训练设备状态识别深度学习模型；设备运行状态识别子模块：在深度学习模型训练完成后，使用它来识别新的音频数据的设备运行状态；设备运行状态包括"正常"、"故障"、"即将故障"；深度学习模型评估和优化子模块：定期对深度学习模型进行评估和优化，确保深度学习模型的预测性能。5.根据权利要求4所述的工厂环境监测管理系统，其特征在于，所述深度学习模型评估和优化具有包括：使用新的数据进行重新训练，或者调整深度学习模型的参数；当设备或环境条件发生变化时，更新或替换深度学习模型。6.根据权利要求5所述的工厂环境监测管理系统，其特征在于，所述预警模块包括：预警条件子模块：基于设备状态识别模块的设备状态识别结果定义一组预警条件，用于判断设备是否出现故障；预警级别子模块：定义不同的预警级别，以反映设备故障的严重程度；预警通知子模块：当预警条件被满足时，预警模块会发送预警通知；预警记录子模块：记录所有的预警事件，以便进行后续的分析和审计；预警测试和调整：为了确保预警模块的有效性，定期对其进行测试和调整。7.根据权利要求1所述的工厂环境监测管理系统，其特征在于，所述数据收集模块中收集的数据还包括设备id、设备类型、设备位置。8.根据权利要求7所述的工厂环境监测管理系统，其特征在于，所述设备状态识别模块中，还包括为每种设备类型或每个设备训练特定的深度学习模型。9.根据权利要求8所述的工厂环境监测管理系统，其特征在于，所述预警模块中还包括：集成处理子模块，用于收集并整合来自各个设备的预警信息。
10.一种工厂环境监测管理方法，该方法使用了权利要求1-9任一项所述的工厂环境监测管理系统。

技术总结
本发明涉及工业生产环境管理技术，具体为一种工厂环境监测管理系统及方法。该工厂环境监测管理系统通过数据收集模块在工厂内收集环境噪声，然后通过数据处理模块对音频数据进行降噪、滤波和特征提取。接着，设备状态识别模块根据音频特征进行设备运行状态的识别，并通过预警模块在检测到可能的设备故障时发送预警。该系统采用音频数据处理和设备状态识别技术，可以实时监测工厂环境，及时发现和预警设备故障，从而提高设备管理和维护的效率，减少设备故障对生产的影响，提高工厂的生产效率和设备使用寿命。设备使用寿命。设备使用寿命。


技术研发人员：汪玲 马宁 叶小荣 赵亮 龙玉玲 陈绍杨 覃鸿钰 林旺 崔志平
受保护的技术使用者：重庆环科源博达环保科技有限公司
技术研发日：2023.07.31
技术公布日：2023/10/15