CN109102143A - 一种产量监测方法及装置 - Google Patents
一种产量监测方法及装置 Download PDFInfo
- Publication number
- CN109102143A CN109102143A CN201810630453.0A CN201810630453A CN109102143A CN 109102143 A CN109102143 A CN 109102143A CN 201810630453 A CN201810630453 A CN 201810630453A CN 109102143 A CN109102143 A CN 109102143A
- Authority
- CN
- China
- Prior art keywords
- equipment
- monitored
- production
- preset duration
- yield
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种产量监测方法及装置,该方法包括:获取待监测设备在预设时长内的生产音频数据;通过预先训练的卷积神经网络对生产音频数据进行识别处理,确定待监测设备在预设时长内的产量。本发明仅借助放置在待监测设备旁的录音设备的录音,实现对产量的监测,对不同结构、不同特点的设备具有良好的普适性。录音设备与生产设备无需过于近距离接触,无需改变生产设备原有结构,能够适应紧凑型、封装严实、结构精密的情景要求。录音设备可同时监听多台设备多个部件的声音,能够实现一对多的监测,节约成本,减少对生产线本身的影响。同时具备良好的可拓展性,如果有新的监控需求,通常只需要做出软件方面的改动而不需要硬件调整。
Description
技术领域
本发明涉及数据处理技术领域,具体而言,涉及一种产量监测方法及装置。
背景技术
在工业生产中,需要对工业设备的产量进行监测统计,目前实际生产中应用的产量监测方式多种多样,比较常见的有设备内嵌监测系统、传感器监测、人工计数/称重等方式。
但设备内嵌监测系统需要在设备设计和安装阶段就做出相应的模块;传感器监测则经常需要在设备执行过程中的某些关键位置安装传感器,对于某些结构精密或是紧凑的设备,不具备施行的条件,同时安装的传感器经常只有监测单一环节功能,很难做到一对多的监测,也很难在产量检测之外实现额外拓展功能;人工计数/称重方式则极其耗费人力,给人员管理也造成了一定的负担。
因此,当前急需一种新的产量监测方案,在不改变工业生产设备原有结构的前提下,适应不同设备需求,自动监测设备产量。
发明内容
有鉴于此,本发明实施例的目的在于提供一种产量监测方法及装置,以在不改变工业生产设备原有结构的前提下,适应不同设备需求,自动监测设备产量。
第一方面,本发明实施例提供了一种产量监测方法,所述方法包括:
获取待监测设备在预设时长内的生产音频数据;
通过预先训练的卷积神经网络对所述生产音频数据进行识别处理,确定所述待监测设备在所述预设时长内的产量。
结合第一方面,本发明实施例提供了上述第一方面的第一种可能的实现方式,其中,所述通过预先训练的卷积神经网络对所述生产音频数据进行识别处理,确定所述待监测设备在所述预设时长内的产量,包括:
通过预先训练的卷积神经网络识别所述待监测设备在所述预设时长内的生产次数;
根据所述生产次数和预设单次产量,计算所述待监测设备在所述预设时长内的产量。
结合第一方面的第一种可能的实现方式,本发明实施例提供了上述第一方面的第二种可能的实现方式,其中,所述通过预先训练的卷积神经网络识别所述待监测设备在所述预设时长内的生产次数,包括:
通过预先训练的卷积神经网络从所述生产音频数据中识别出所述预设时长内包含的所有工序起点和工序终点;
根据所述所有工序起点和工序终点,确定所述待监测设备在所述预设时长内的生产次数。
结合第一方面的第二种可能的实现方式,本发明实施例提供了上述第一方面的第三种可能的实现方式,其中,所述根据所述所有工序起点和工序终点,确定所述待监测设备在所述预设时长内的生产次数,包括:
当在第一预设时间间隔内连续识别为工序起点时,确定一次生产开始;
当在所述第一预设时间间隔内连续识别为工序终点时,确定一次生产结束;
将彼此相邻且间隔时长满足预设时长范围的一次生产开始及一次生产结束确定为一次生产。
结合第一方面,本发明实施例提供了上述第一方面的第四种可能的实现方式,其中,所述通过预先训练的卷积神经网络对所述生产音频数据进行识别处理,确定所述待监测设备在所述预设时长内的产量之前,还包括:
获取所述待监测设备对应的训练数据集;
根据所述训练数据集训练卷积神经网络。
结合第一方面的第四种可能的实现方式,本发明实施例提供了上述第一方面的第五种可能的实现方式,其中,所述获取所述待监测设备对应的训练数据集,包括:
通过录音设备录取所述待监测设备对应的音频数据;
将所述音频数据转化为时间-频域的二维频谱数据;
在所述二维频谱数据中标记出每次生产的工序起点和工序终点;
按照预设时间间隔将标记后的所述二维频谱数据划分为多个训练数据,得到所述待监测设备对应的训练数据集。
结合第一方面,本发明实施例提供了上述第一方面的第六种可能的实现方式,其中,所述方法还包括:
根据所述生产音频数据,识别所述待监测设备的设备健康度。
第二方面,本发明实施例提供了一种产量监测装置,所述装置包括:
音频获取模块,用于获取待监测设备在预设时长内的生产音频数据;
产量确定模块,用于通过预先训练的卷积神经网络对所述生产音频数据进行识别处理,确定所述待监测设备在所述预设时长内的产量。
第三方面,本发明实施例提供了一种计算机设备,所述装置包括处理器和存储器;
所述存储器存储有执行指令,当该装置运行时,所述处理器执行所述存储器中存储的如下执行指令,以实现所述第一方面所述的产量监测方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有执行指令,所述执行指令被计算机执行实现所述第一方面所述的产量监测方法。
在本发明实施例中,仅借助放置在待监测设备旁的录音设备的录音,就实现对产量的监测,对不同结构、不同特点的设备具有良好的普适性。录音设备与生产设备无需过于近距离的接触,无需改变生产设备的原有结构,从而能够适应一些紧凑型、封装严实、结构精密的情景的要求。由于录音设备可以同时监听多台设备多个部件的声音,能够实现一对多的监测,从而节约成本,减少对生产线本身的影响。同时具备良好的可拓展性,如果有新的监控需求,通常只需要做出软件方面的改动而不需要硬件调整。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例1所提供的一种卷积神经网络的层级示意图;
图2示出了本发明实施例1所提供的一种工序识别卷积神经网络的训练流程图;
图3示出了本发明实施例1所提供的一种产量监测方法的流程示意图;
图4示出了本发明实施例1所提供的一种工序实时识别和产量统计程序流程图;
图5示出了本发明实施例1所提供的一种音频波形及识别结果的示意图;
图6示出了本发明实施例2所提供的一种产量监测装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
考虑到相关技术中产量监测需要改变生产设备的原有结构,或者需要人工干预进行产量统计,效率低下。基于此,本发明实施例提供了一种产量监测方法及装置,下面通过实施例进行描述。
实施例1
本发明实施例提供了一种产量监测方法,在通过该方法对待监测设备进行实时产量监测之前,首先通过如下步骤A1和A2的操作来训练卷积神经网络,具体包括:
A1:获取待监测设备对应的训练数据集。
在本发明实施例中,待监测设备可以为一台或多台生产设备,待监测设备生产过程中会发出声音,本发明实施例在待监测设备附近设置录音设备,如麦克风录音机等,录音设备用于收集待监测设备生产过程中产生的音频数据。
通过录音设备录取待监测设备对应的音频数据。将音频数据经傅里叶分解转化为时间-频域的二维频谱数据。在该二维频谱数据中标记出每次生产的工序起点和工序终点。按照预设时间间隔将标记后的二维频谱数据划分为多个训练数据,得到待监测设备对应的训练数据集。
上述傅里叶变换的频率分辨率由录取的音频数据的特征长度确定,通常比待监测设备每个细节动作的持续时间稍短,以保证可以清楚分辨这些动作,傅里叶变换的频率分辨率由待分辨的音频数据的复杂性确定,如果音频数据的频域特征分布在相邻很近的几个频段里,就需要更高的频率分辨率,对于一般的工业设备,傅里叶变换的频率分辨率取25上下就能满足需求。
在划分出多个训练数据时,每个训练数据的时长由待识别工序的时长确定,通常略短于工序时长,以保证既能包含尽量完整的工序音频,又不会同时包含开始和结尾点造成分辨上的困难。每隔多久取一次训练数据则要权衡训练环节的时长和训练集规模确定,如果拥有足够多的标记音频,可以把时间间隔取大,以减少训练数据的冗余,给训练环节减轻压力。但如果标记音频不多,则需尽可能将这一间隔取小,以保证得到足够多的训练数据,该时间间隔最小可以取到和傅里叶分析的时间分辨率相等。
按照上述方式对一段生产时间内录取的音频波形进行标记,在音频信号中标注出每一次生产开始和结束的时间,并按照每若干秒取为一段,每若干秒取一次的规则将录取的音频数据转化为规范的训练数据集。
A2:根据训练数据集训练卷积神经网络。
使用步骤A1得到的训练数据集,训练一个卷积神经网络,该卷积神经网络用于识别该场景下每台设备的生产是否起始和结束,该卷积神经网络的基本结构如图1所示,该卷积神经网络依次包括卷积层、池化层、卷积层、池化层、全连接层、全连接层,每层的具体参数和卷积层数随识别对象的时长和复杂度可以进行调整。
在训练出的卷积神经网络中,卷积层的数目以及每个网络层的具体参数(主要是全连接层神经元数、卷积层卷积核数、卷积核的宽高等)的选取要根据待识别信号的复杂度、待识别信号的总长、特征长度确定,目标信号越复杂,卷积层数、全连接层神经元数就需要越多;目标信号种类越多,卷积核数、全连接层神经元数就需要越多;目标信号越长,卷积核宽度就需要越大;目标信号的频域特征越密集,需要的卷积核高度就越大。
如图2所示,工序识别卷积神经网络(CNN)的训练主要使用data_marker.m,SplitSets.m,train_srt.py完成。使用data_marker获取生产过程录音并标记,使用data_marker将标记后的录音转化为训练数据,使用SplitSets.m将训练数据划分为训练、验证、测试集,使用train_srt.py训练工序识别,测试正确率是否高于预设值(如98%),如果是,保存网络以供调用,如果否,判断数据集是否有错误标记,如果是,则修正标记,并返回步骤“使用SplitSets.m将训练数据划分为训练、验证、测试集”。如果否,则调整网络参数,并返回步骤“使用train_srt.py训练工序识别”。
具体地,通过data_marker获取布置在待监测设备旁边的录音设备录制得到的音频的频谱数据,在data_marker界面中对一段生产时间对应的音频波形进行标记,在音频信号中标注出每一次生产开始和结束的时间,之后利用data_marker的生成训练集功能,将标好的数据按照每若干秒取为一段,每若干秒取一次的规则其转化为规范的训练数据集,并使用SplitSets将其转化随机拆分为训练、验证和测试集。使用前一步得到的训练数据集,训练一个用于识别该场景下每台设备的生产是否起始和结束的卷积神经网络,并使用测试集进行测试,如果测试结果够好(通常以98%为界),就可以保存下来供工序实时识别和产量统计程序使用,如果结果不够好,就需要检查数据集是否有标记错误,网络参数的设置是否合适等问题并重新训练。
通过上述步骤A1和A2的操作预先训练出卷积神经网络后,如图3所示,通过如下步骤101和102的操作来对待监测设备进行实时的产量监测统计,具体包括:
步骤101:获取待监测设备在预设时长内的生产音频数据。
上述预设时长可以为10分钟、半小时、1小时等。通过设置在待监测设备附近的录音设备录取待监测设备在预设时长内的生产音频数据。
步骤102:通过预先训练的卷积神经网络对生产音频数据进行识别处理,确定待监测设备在预设时长内的产量。
具体地,可以通过如下步骤S1和S2的操作来统计待监测设备在预设时长内的产量,包括:
S1:通过预先训练的卷积神经网络识别待监测设备在预设时长内的生产次数。
通过预先训练的卷积神经网络从生产音频数据中识别出预设时长内包含的所有工序起点和工序终点;根据所有工序起点和工序终点,确定待监测设备在预设时长内的生产次数。
在识别所有工序起点和工序终点之前,还通过傅里叶变换将获取的生产音频数据转化为时间-频域的二维频谱数据。当在第一预设时间间隔内连续识别为工序起点时,确定一次生产开始;当在第一预设时间间隔内连续识别为工序终点时,确定一次生产结束;将彼此相邻且间隔时长满足预设时长范围的一次生产开始及一次生产结束确定为一次生产。
S2:根据生产次数和预设单次产量,计算待监测设备在预设时长内的产量。
计算生产次数和预设单次产量之间的乘积,得到待监测设备在预设时长内的产量。
在本发明实施例中,将训练得到的卷积神经网络用于待监测设备生产中发出的噪声的实时识别,对卷积神经网络的输出进行适当的平滑处理以去掉生产开始和结束时间附近识别不准确的情况,之后加上一定的逻辑判别,能够判断出什么时间完成了一次生产,进而进行计数,得到实时产量的统计数据。
在一段时间内持续识别为工序开始,就认为一次生产开始,再遇到一段时间内持续识别为工序结束,就认为这次生产已结束,记录一次生产的信息。而做出这种判断需要的持续输出时长则分别由一次生产的开始和结束时间间隔和两次生产之间的时间间隔确定,通常取略大于这两者的一半。
图4所示为工序实时识别和产量统计流程图,首先获取频谱输入,通过卷积神经网络CNN计算,对CNN计算结果进行平滑处理,之后对工序起点终点进行判别,输出单次生产信息,判断是否需要记录分时/天统计信息,如果是输出统计信息,如果否等待输入,并返回获取频谱输入的步骤。
在本发明实施例中,工序实时识别和产量统计主要由CalProduction.py程序完成,注意在运行前要把model_srt.py文件和使用的网络参数文件放在与CalProduction.py程序同文件夹下,程序会持续运行并定时监测各个通道是否有最新的音频数据可供识别,如果有,就会将数据输入已训练好的该通道的CNN(卷积神经网络)识别模型进行计算,网络的输出分为三种状态:0——未监测到工序,1——监测到开头,2——监测到结尾。但是网络的输出在交接部分可能出现错误,因此对输出结果进行一次平滑处理解决这些问题。之后判断是否出现了工序的起点或终点,当工序的起点后出现了终点时,就判别为一次生产完成,记录下单次生产信息,之后程序会判别是否经过了完整的小时或工作日,如果有,会记录统计信息。
本发明实施例中,还配套了AnalyseDataFromServer.m可用来将获取的音频波形和识别结果进行可视化输出,以检验识别效果,如图5所示,是一次识别效果的展示,图5中从上到下依次是CNN网络原始输出、平滑后的结果、工序判别结果以及音频波形。从图5中可以看出本产量监测系统的可靠性。
在本发明实施例中,录制的生产音频数据还可以用来进行额外功能的开发,如根据生产音频数据,识别待监测设备的设备健康度。从而在实现不干扰生产的情况下开发更多服务于工业生产的功能。
本发明实施例仅借助放置在待监测设备旁的录音设备的录音,就实现对产量的监测,对不同结构、不同特点的设备具有良好的普适性。录音设备与生产设备无需过于近距离的接触,无需改变生产设备的原有结构,从而能够适应一些紧凑型、封装严实、结构精密的情景的要求。由于录音设备可以同时监听多台设备多个部件的声音,能够实现一对多的监测,从而节约成本,减少对生产线本身的影响。同时具备良好的可拓展性,如果有新的监控需求,通常只需要做出软件方面的改动而不需要硬件调整。
实施例2
如图6所示,本发明实施例提供了一种产量监测装置,该装置包括:
音频获取模块20,用于获取待监测设备在预设时长内的生产音频数据;
产量确定模块21,用于通过预先训练的卷积神经网络对生产音频数据进行识别处理,确定待监测设备在预设时长内的产量。
上述产量确定模块21包括:
次数识别单元,用于通过预先训练的卷积神经网络识别待监测设备在预设时长内的生产次数;
计算单元,用于根据生产次数和预设单次产量,计算待监测设备在预设时长内的产量。
上述次数识别单元包括:
识别子单元,用于通过预先训练的卷积神经网络从生产音频数据中识别出预设时长内包含的所有工序起点和工序终点;
确定子单元,用于根据所有工序起点和工序终点,确定待监测设备在预设时长内的生产次数。
上述确定子单元,用于当在第一预设时间间隔内连续识别为工序起点时,确定一次生产开始;当在第一预设时间间隔内连续识别为工序终点时,确定一次生产结束;将彼此相邻且间隔时长满足预设时长范围的一次生产开始及一次生产结束确定为一次生产。
在本发明实施例中,该装置还包括:网络训练模块,用于获取待监测设备对应的训练数据集;根据训练数据集训练卷积神经网络。
上述网络训练模块,用于通过录音设备录取待监测设备对应的音频数据;将音频数据转化为时间-频域的二维频谱数据;在二维频谱数据中标记出每次生产的工序起点和工序终点;按照预设时间间隔将标记后的二维频谱数据划分为多个训练数据,得到待监测设备对应的训练数据集。
在本发明实施例中,该装置还包括健康度识别模块,用于根据生产音频数据,识别待监测设备的设备健康度。
本发明实施例仅借助放置在待监测设备旁的录音设备的录音,就实现对产量的监测,对不同结构、不同特点的设备具有良好的普适性。录音设备与生产设备无需过于近距离的接触,无需改变生产设备的原有结构,从而能够适应一些紧凑型、封装严实、结构精密的情景的要求。由于录音设备可以同时监听多台设备多个部件的声音,能够实现一对多的监测,从而节约成本,减少对生产线本身的影响。同时具备良好的可拓展性,如果有新的监控需求,通常只需要做出软件方面的改动而不需要硬件调整。
实施例3
本发明实施例提供了一种计算机设备,该装置包括处理器和存储器;
存储器存储有执行指令,当该装置运行时,处理器执行存储器中存储的执行指令,以实现上述实施例1提供的产量监测方法。
该计算机设备通过处理器执行指令,仅借助放置在待监测设备旁的录音设备的录音,就实现对产量的监测,对不同结构、不同特点的设备具有良好的普适性。录音设备与生产设备无需过于近距离的接触,无需改变生产设备的原有结构,从而能够适应一些紧凑型、封装严实、结构精密的情景的要求。由于录音设备可以同时监听多台设备多个部件的声音,能够实现一对多的监测,从而节约成本,减少对生产线本身的影响。同时具备良好的可拓展性,如果有新的监控需求,通常只需要做出软件方面的改动而不需要硬件调整。
实施例4
本发明实施例提供了一种计算机可读存储介质,该计算机可读存储介质中存储有执行指令,执行指令被计算机执行实现上述实施例1提供的产量监测方法。
该计算机存储介质存储的计算机可执行指令执行后,仅借助放置在待监测设备旁的录音设备的录音,就实现对产量的监测,对不同结构、不同特点的设备具有良好的普适性。录音设备与生产设备无需过于近距离的接触,无需改变生产设备的原有结构,从而能够适应一些紧凑型、封装严实、结构精密的情景的要求。由于录音设备可以同时监听多台设备多个部件的声音,能够实现一对多的监测,从而节约成本,减少对生产线本身的影响。同时具备良好的可拓展性,如果有新的监控需求,通常只需要做出软件方面的改动而不需要硬件调整。
本发明实施例所提供的产量监测装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,前述描述的系统、装置和单元的具体工作过程,均可以参考上述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种产量监测方法,其特征在于,所述方法包括:
获取待监测设备在预设时长内的生产音频数据;
通过预先训练的卷积神经网络对所述生产音频数据进行识别处理,确定所述待监测设备在所述预设时长内的产量。
2.根据权利要求1所述的方法,其特征在于,所述通过预先训练的卷积神经网络对所述生产音频数据进行识别处理,确定所述待监测设备在所述预设时长内的产量,包括:
通过预先训练的卷积神经网络识别所述待监测设备在所述预设时长内的生产次数;
根据所述生产次数和预设单次产量,计算所述待监测设备在所述预设时长内的产量。
3.根据权利要求2所述的方法,其特征在于,所述通过预先训练的卷积神经网络识别所述待监测设备在所述预设时长内的生产次数,包括:
通过预先训练的卷积神经网络从所述生产音频数据中识别出所述预设时长内包含的所有工序起点和工序终点;
根据所述所有工序起点和工序终点,确定所述待监测设备在所述预设时长内的生产次数。
4.根据权利要求3所述的方法,其特征在于,所述根据所述所有工序起点和工序终点,确定所述待监测设备在所述预设时长内的生产次数,包括:
当在第一预设时间间隔内连续识别为工序起点时,确定一次生产开始;
当在所述第一预设时间间隔内连续识别为工序终点时,确定一次生产结束;
将彼此相邻且间隔时长满足预设时长范围的一次生产开始及一次生产结束确定为一次生产。
5.根据权利要求1所述的方法,其特征在于,所述通过预先训练的卷积神经网络对所述生产音频数据进行识别处理,确定所述待监测设备在所述预设时长内的产量之前,还包括:
获取所述待监测设备对应的训练数据集;
根据所述训练数据集训练卷积神经网络。
6.根据权利要求5所述的方法,其特征在于,所述获取所述待监测设备对应的训练数据集,包括:
通过录音设备录取所述待监测设备对应的音频数据;
将所述音频数据转化为时间-频域的二维频谱数据;
在所述二维频谱数据中标记出每次生产的工序起点和工序终点;
按照预设时间间隔将标记后的所述二维频谱数据划分为多个训练数据,得到所述待监测设备对应的训练数据集。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述方法还包括:
根据所述生产音频数据,识别所述待监测设备的设备健康度。
8.一种产量监测装置,其特征在于,所述装置包括:
音频获取模块,用于获取待监测设备在预设时长内的生产音频数据;
产量确定模块,用于通过预先训练的卷积神经网络对所述生产音频数据进行识别处理,确定所述待监测设备在所述预设时长内的产量。
9.一种计算机设备,其特征在于,所述装置包括处理器和存储器;
所述存储器存储有执行指令,当该装置运行时,所述处理器执行所述存储器中存储的如下执行指令,以实现所述权利要求1-7任一项所述的产量监测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有执行指令,所述执行指令被计算机执行实现所述权利要求1-7任一项所述的产量监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810630453.0A CN109102143B (zh) | 2018-06-19 | 2018-06-19 | 一种产量监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810630453.0A CN109102143B (zh) | 2018-06-19 | 2018-06-19 | 一种产量监测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109102143A true CN109102143A (zh) | 2018-12-28 |
CN109102143B CN109102143B (zh) | 2020-08-07 |
Family
ID=64796923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810630453.0A Active CN109102143B (zh) | 2018-06-19 | 2018-06-19 | 一种产量监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109102143B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109979033A (zh) * | 2019-03-26 | 2019-07-05 | 广东艾胜物联网科技有限公司 | 一种基于宽度学习算法的工业生产产量监测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205563258U (zh) * | 2016-04-25 | 2016-09-07 | 太原市鹭海自动化科技有限公司 | 洗煤厂综合自动化系统 |
CN106131324A (zh) * | 2016-06-28 | 2016-11-16 | 广东欧珀移动通信有限公司 | 音频数据处理方法、装置及终端 |
KR20160149802A (ko) * | 2015-06-19 | 2016-12-28 | (주)씽크포비엘 | 컴퓨터 기반의 작업 현황 모니터링 시스템 및 이의 작업 근거 데이터 수집 방법 |
KR101706245B1 (ko) * | 2015-09-14 | 2017-02-14 | 동아대학교 산학협력단 | 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법 |
CN106710599A (zh) * | 2016-12-02 | 2017-05-24 | 深圳撒哈拉数据科技有限公司 | 一种基于深度神经网络的特定声源检测方法与系统 |
CN108156142A (zh) * | 2017-12-14 | 2018-06-12 | 哈尔滨理工大学 | 基于数据挖掘的网络入侵检测方法 |
-
2018
- 2018-06-19 CN CN201810630453.0A patent/CN109102143B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160149802A (ko) * | 2015-06-19 | 2016-12-28 | (주)씽크포비엘 | 컴퓨터 기반의 작업 현황 모니터링 시스템 및 이의 작업 근거 데이터 수집 방법 |
KR101706245B1 (ko) * | 2015-09-14 | 2017-02-14 | 동아대학교 산학협력단 | 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법 |
CN205563258U (zh) * | 2016-04-25 | 2016-09-07 | 太原市鹭海自动化科技有限公司 | 洗煤厂综合自动化系统 |
CN106131324A (zh) * | 2016-06-28 | 2016-11-16 | 广东欧珀移动通信有限公司 | 音频数据处理方法、装置及终端 |
CN106710599A (zh) * | 2016-12-02 | 2017-05-24 | 深圳撒哈拉数据科技有限公司 | 一种基于深度神经网络的特定声源检测方法与系统 |
CN108156142A (zh) * | 2017-12-14 | 2018-06-12 | 哈尔滨理工大学 | 基于数据挖掘的网络入侵检测方法 |
Non-Patent Citations (4)
Title |
---|
FABIO VESPERINI等: "Deep neural networks for Multi-Room Voice Activity Detection: Advancements and comparative evaluation", 《2016 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN)》 * |
SAMA AMID 等: "Prediction of Output Energies for Broiler Production Using Linear Regression, ANN (MLP, RBF), and ANFIS Models", 《ENVIRONMENTAL PROGRESS & SUSTAINABLE ENERGY》 * |
王学强: "基于BP神经网络的录音地点识别方法", 《南京工程学院学报(自然科学版)》 * |
肖青青 等: "音频控制技术在现代农业中的功能研究进展", 《农业经济与信息技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109979033A (zh) * | 2019-03-26 | 2019-07-05 | 广东艾胜物联网科技有限公司 | 一种基于宽度学习算法的工业生产产量监测方法 |
CN109979033B (zh) * | 2019-03-26 | 2021-08-20 | 广东艾胜物联网科技有限公司 | 一种基于宽度学习算法的工业生产产量监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109102143B (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20040199482A1 (en) | Systems and methods for automatic and incremental learning of patient states from biomedical signals | |
CN105595990A (zh) | 一种用于心电信号质量评估判别的智能终端设备 | |
CN102247129B (zh) | 脉搏波非典型波峰波谷的识别方法 | |
CN111583962A (zh) | 一种基于声学分析的羊反刍行为监测方法 | |
CN102203783A (zh) | 执行受检者测量 | |
CN113128585B (zh) | 一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法 | |
CN116311539B (zh) | 基于毫米波的睡眠动作捕捉方法、装置、设备及存储介质 | |
CN110111815A (zh) | 动物异常声音监控方法及装置、存储介质、电子设备 | |
CN110010224A (zh) | 用户运动数据处理方法、装置、可穿戴设备及存储介质 | |
CN111949496B (zh) | 一种数据检测方法及装置 | |
CN110427978B (zh) | 面向小样本学习的变分自编码器网络模型和装置 | |
CN109102143A (zh) | 一种产量监测方法及装置 | |
CN112346945B (zh) | 人机交互数据分析方法及装置 | |
CN114550932A (zh) | 一种睡眠呼吸暂停风险评估方法、装置、设备及存储介质 | |
CN117038079A (zh) | 基于神经网络的儿童心脏病风险评估与预警系统 | |
CN116602661A (zh) | 运动负荷非线性测度方法及系统 | |
CN111899137B (zh) | 一种基于手写时序数据的考试系统和方法 | |
CN110349571A (zh) | 一种基于连接时序分类的训练方法及相关装置 | |
CN113143275B (zh) | 一种样本与特征质量联合量化评估的脑电疲劳检测方法 | |
CN116092519A (zh) | 车辆故障检测方法及系统 | |
CN107544668B (zh) | 行为信息有效性确定方法、装置、电子设备及存储介质 | |
CN107928652B (zh) | 一种基于脉率变异性的心脏监测方法 | |
CN109480820B (zh) | 一种动态心电图处理方法及系统 | |
CN110292388A (zh) | 一种认知负荷与心理压力的测量方法及终端 | |
CN117711581B (zh) | 一种自动添加书签的方法、系统、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |