一种智能化故障检测与实时热插拔系统的制作方法

本发明涉及自动化控制，具体地说，涉及一种智能化故障检测与实时热插拔系统。

背景技术：

1、智能化故障检测与实时热插拔系统融合了故障检测、热插拔，提升了工业系统的可靠性、灵活性和安全性；通过实时监测和智能分析，系统自动识别故障，减少停机时间；热插拔功能支持动态设备更换，无需停机，增强了系统可用性；基于神经网络多线程模式分析实时数据，不仅能够预测设备的模块类型，还可以提前判断设备的异常情况；与传统技术相比，这种智能识别机制提升了对复杂故障模式的识别能力，显著提高了系统的自适应性和智能化水平。

2、现有的plc系统在设备热插拔过程中，缺乏智能化的故障检测机制，无法及时发现和处理设备类型不匹配等问题，导致系统可靠性降低；且现有的热插拔管理单元主要依赖于静态配置，无法在设备插入或移除时进行动态管理和优化，影响系统的灵活性和效率；因此，设计一种智能化故障检测与实时热插拔系统。

技术实现思路

1、本发明的目的在于提供一种智能化故障检测与实时热插拔系统，以解决上述背景技术中提出的现有的plc系统在设备热插拔过程中，缺乏有效的故障检测机制，无法及时发现和处理设备类型不匹配等问题，导致系统可靠性降低；且现有的热插拔管理单元主要依赖于静态配置，无法在设备插入或移除时进行动态管理和优化，影响系统的灵活性和效率的问题；

2、为实现上述目的，本发明目的在于提供了一种智能化故障检测与实时热插拔系统，

3、包括热插拔管理单元，所述热插拔管理单元基于即插即用协议用于处理设备的动态添加和移除；热插拔管理单元能够实时识别新连接的设备，自动配置必要的资源，并确保系统在设备插入或移除过程中不会中断运行；能够在检测到设备故障时迅速执行热插拔操作，优化设备管理和维护流程，从而提高系统的灵活性和可靠性，确保设备的持续运行和稳定性；

4、数据采集单元包括数据采集模块，所述数据采集模块用于采集设备的状态数据，并采用快速存储机制确数据不会丢失，保持数据的完整性和可用性，提高了数据存取效率，为实时分析和故障检测提供了可靠的支持；

5、数据采集单元还包括高度缓存存储模块，所述高度缓存存储模块用于实时接收和存储从设备和传感器采集的数据，采用快速存储机制确数据不会丢失，保持数据的完整性和可用性；

6、智能故障检测单元，所述智能故障检测单元用于对设备运行状态的监测、故障勘测和智能识别，监测设备运行状态，识别并判断故障，从而提高系统的响应速度和准确性；

7、所述智能故障检测单元包括特征提取模块、智能识别模块和故障检测模块；

8、其中，所述特征提取模块基于小波变换对信号进行多尺度分析，并处理瞬时性和非平稳信号，提取瞬时特征和局部特征；

9、所述智能识别模块基于神经网络，采用多线程模式，分析实时数据预测其模块类型，从而实时判断设备的异常情况；

10、所述故障检测模块基于高度缓存存储模块接收到数据采样，通过异常检测算法不断监测这些数据，可以快速识别设备状态的异常变化，判断是否存在故障；

11、信号反馈单元，所述信号反馈单元当检测到异常或故障时，信号反馈单元及时发出报警信号。

12、作为本技术方案的进一步改进，所述状态数据包括电压、电流、温度、振动、物理标识参数，用于获取系统运行状态的数据，为后续分析和故障检测提供基础数据。

13、作为本技术方案的进一步改进，所述智能故障检测单元中，神经网络采用多线程模式，在实时分析设备的运行数据，以预测其模块类型并判断设备的异常情况，涉及的具体检测步骤为：

14、s1.1、搭建神经网络的网络结构；

15、s1.2、收集高度缓存存储模块接收到的采样数据，包括电压、电流、温度、振动、物理标识参数；

16、s1.3、通过预处理算法对原始采集数据进行清理、转换和标准化处理，以确保数据质量；

17、s1.4、基于特征提取模块采用小波变换，提取瞬时特征和局部特征；

18、s1.5、通过神经网络预测算法预测提升智能化故障检测的有效性和可靠性；

19、s1.6、使用交叉熵损失函数对预测数据与插入模块进行比较，如果监测到的数据与正常模式有差异，系统将发出警报。

20、作为本技术方案的进一步改进，所述s1.1中，搭建神经网络网络结构的具体步骤为：

21、确定输入层的形状，以匹配特征数量定义输入层；设置隐藏层的数量和每层的神经元数量，并选择sigmoid激活函数构建隐藏层；根据任务选择输出层的神经元数量设置输出层；

22、作为本技术方案的进一步改进，所述s1.3中，基于预处理算法，所述预处理算法是通过假设数据在已知点之间的变化是线性的，能够快速且简单地填补缺失数据，所述预处理算法所涉及的步骤为：

23、先通过采用线性插值算法：

24、

25、式中，x0,y0表示第一个已知数据点的横坐标和纵坐标；x1,y1表示第二个已知数据点的横坐标和纵坐标；x表示插值位置；y表示插值计算得到的纵坐标；

26、通过插值计算得到的纵坐标，进行数据转换，数据转换所采用标签编码算法为：

27、label(ci)＝i；

28、式中，c表示包含所有类别的列表；ci表示每个类别编码被映射到的整数；

29、最后标签编码算法得到的结果，进行数据标准化，数据标准化所采用min-max标准化算法为：

30、

31、式中，x表示原始数据值；xmin表示特征的最小值；xmax表示特征的最大值；x′表示经过min-max标准化后的值。

32、作为本技术方案的进一步改进，所述s1.4中，通过小波变换对输入信号进行逐层分解，提取瞬时特征和局部特征，具体为：

33、通过低通滤波器提取信号的低频成分，得到逼近系数；

34、a[n]＝∑kx[k]h[2n-k]；

35、式中，x[k]表示输入信号；h[n]表示低通滤波器的滤波系数；2n表示下采样；a[n]表示逼近系数；k表示遍历输入信号的各个样本点的索引变量；

36、通过高通滤波器提取信号的高频成分，得到细节系数；

37、d[n]＝∑kx[k]g[2n-k]；

38、式中，x[k]表示输入信号；g[n]表示高通滤波器的滤波系数；d[n]表示细节系数。

39、通过小波变换的多尺度分析，提取信号的瞬时特征又为高通滤波，局部特征又为低通滤波。

40、作为本技术方案的进一步改进，所述s1.5中，基于神经网络预测算法进行模块类型预测，使系统能够准确识别设备的工作状态，并及时判断是否存在异常，从而提升智能化故障检测的有效性和可靠性；所述神经网络预测算法预测步骤为：

41、输入层到隐藏层：

42、z(1)＝w(1)·x+b(1)；

43、a(1)＝σ(z(1))；

44、式中，w(1)表示第一层的权重矩阵；x表示输入特征向量；b(1)表示第一层的偏置向量；z(1)表示第一层的线性组合结果；a(1)表示第一层的激活输出；σ表示sigmoid激活函数；

45、隐藏层到输出层：

46、z(2)＝w(2)·a(1)+b(2)；

47、式中，z(2)表示输出层的线性组合结果；w(2)表示从隐藏层到输出层的权重矩阵；a(1)表示隐藏层的激活输出；b(2)表示第二层的偏置向量；

48、应用sigmoid激活函数：

49、

50、式中，a(2)表示输出层的激活输出，表示为概率值；e表示自然对数。

51、作为本技术方案的进一步改进，所述s1.6中，基于交叉熵损失函数对预测数据与插入模块进行比较，该函数的表达式为：

52、l＝-(ylog(a(2))+(1-y)log(1-a(2)))；

53、式中，l表示模型预测与真实标签之间的差异；y表示真实标签；a表示样本属于正类的概率；log表示自然对数。

54、作为本技术方案的进一步改进，所述故障检测模块基于异常检测算法识别设备状态的异常变化异常行为，用于识别设备状态的异常变化，判断是否存在故障，所述异常检测算法具体为：

55、

56、式中，z表示z-score；x表示待检测的样本值；μ表示样本值的均值；σ表示样本值的标准差；

57、其中z-score的意义在于，它将原始数据转换为无单位的标准化值，这些值可以用来比较不同单位或不同尺度下的数据。在标准正态分布中，大约68％的数据的z-score会落在-1到1之间，约95％的数据的z-score会落在-2到2之间，而z-score绝对值大于2的观测值可能被视为异常值。

58、所述在智能故障检测单元中，可以通过计算实时采集的数据的z-score，并与预先设定的阈值进行比较，来判定数据是否异常；如果z-score的绝对值超过了阈值，系统就认为检测到了一个异常，并触发进一步的信号反馈机制。

59、作为本技术方案的进一步改进，所述信号反馈单元，包括报警和指示模块，当系统检测到神经网络对原模块的特征预测结果不一致时，发出声光信号提醒用户。

60、与现有技术相比，本发明的有益效果：

61、1、该一种智能化故障检测与实时热插拔系统中，通过集成先进的故障检测技术，系统能够实时监测设备状态，并自动识别故障，从而减少人工干预和潜在的停机时间，提高系统的整体可靠性，热插拔功能的设计允许在不关闭电源的情况下动态添加或移除设备，实现零停机维护和升级，增强了系统的可用性和灵活性。

62、2、该一种智能化故障检测与实时热插拔系统中，模块化设计使得系统可以根据需要轻松扩展和升级，适应不同的工业应用场景，提高了系统的可维护性和对未来技术发展的适应性，系统能够收集和分析大量的数据，提供深入的业务洞察，支持更精准的数据驱动决策。