科创中国
人工智能赋能化工产业数字化转型及其应用
发布时间: 2022-10-13
基本信息
合作方式：
技术许可
成果类型：
软件著作权
行业领域：
电子信息技术
成果介绍
企业的安全生产监测是企业运营的关键因素，然而随着传感器数量的增加和采样频率的增加，收集的数据过多，导致数据冗余，降低诊断效率。本项目所构建的云-边-缘计算节点端（CEE）诊断系统，主要针对高端设备的健康监测需求对每种状态下的振动信号和压力信号数据进行采集。设计开发了包括幅值差分法对数据进行压缩，自适应阈值判断，对设备运行状态进行实时诊断，诊断准确率可达到98%。设计了通过经验模态分解（EMD）得到复合特征集作为搭建智能诊断模型的训练数据，运用BP神经网络与深度迁移学习（长短时诊断方法）进行多分类故障诊断，检测故障出现的位置。本方法和设备具有准确性、实时性、实用性以及高效性。
成果亮点
一、工业大数据的特点有：
大容量：依靠诊断专家来手动分析很不现实，需要研究智能方法自动分析
速度快：保证数据处理的时效性，高效挖掘故障信息并及时预警
多样性：涵盖了多种机械不同工况下不同物理源辐射出的大量健康状态信息
低价值密度：设备长期处于正常工作状态，监测数据蕴含的信息重复性大，数据价值密度低，需要数据提纯
二、工业大数据驱动的智能故障诊断框架
1.大数据质量改善。工业大数据信号来源分散、采样形式多变、随机因素干扰等特点，需要依据一定标准对数据进行筛选，剔除冗余和噪声数据，提高机械大数据的可靠性。
2.大数据健康监测。通过信号处理方法提取多域特征，表征设备的健康状态。并结合历史健康状态信息设置自适应阈值或结合人工智能模型进行定量评估，实现设备的健康监测。
3.大数据智能诊断。将分类、聚类等人工智能算法用于机械设备的故障诊断中，对设备故障信息进行知识挖掘，获得与故障有关的诊断规则，进而识别设备故障状态，以便制订维修策略。
团队介绍
北京工业大学智能诊断所长期从事智能诊断方面的研究。（1）苗扬博士，项目负责人。北京航空航天大学工学博士。长期从事智能诊断与在线监测研究，开发了耐燃油蒸汽TDLAS氧气智能传感器，设计、开发了迁移学习算法、云边端PHM架构、分散注意力卷积网络等人工智能方法。参与码垛机械手自动化生产线设备制造公司管理及市场开发和销售。（2）张筱璐博士，项目技术负责人，专利发明人。英国南安普顿大学工学博士，人因工程专业；先后参与郑州宇通、中汽研、浙江中瑞、重庆东风小康、上海大众等智能化人椅耦合系统设备研制。
专家点评
“科创中国”技术路演化工产业数字化转型（濮阳）专场 | 2022-10-17
成果资料
路演文件
微信公众号
下载app
Copyright © 2022 中国科学技术协会 版权所有 | 京ICP备16016202号-20
京公网安备 11010202008974号
朱希铎
中关村天合科技成果转化促进中心—主任
吕世杰
北京视维数据科技有限公司—CEO
孟奇
北京视维数据科技有限公司—副总经理
苗扬
北京工业大学材料与制造学部—副主任
徐日炜
北京化工大学材料科学与工程学院—副教授