CN110472695B - 一种工业生产过程的异常工况检测和分类方法 - Google Patents
一种工业生产过程的异常工况检测和分类方法 Download PDFInfo
- Publication number
- CN110472695B CN110472695B CN201910779570.8A CN201910779570A CN110472695B CN 110472695 B CN110472695 B CN 110472695B CN 201910779570 A CN201910779570 A CN 201910779570A CN 110472695 B CN110472695 B CN 110472695B
- Authority
- CN
- China
- Prior art keywords
- data
- layer
- neural network
- video data
- variable data
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种工业应用中的异常工况检测和分类方法和装置,其方法包括:获得包含金属冶炼设备运行情况的视频数据和变量数据;将所述视频数据输入至由卷积神经网络和全连接神经网络组成的网络模型架构中,将所述变量数据直接输入至所述全连接神经网络,获得识别结果,基于所述视频数据和变量数据进行深度学习后,完成所述网络模型架构参数设置,获得目标网络模型架构;获取待检测数据输入至所述目标网络模型架构,检测金属冶炼设备运行情况是否存在异常工况,若是,则发送报警指示信息。采用本发明所述的方法,能够基于构建的网络模型架构同时处理获取的视频数据和输入的变量数据,提高了工业过程中离线学习的准确率和在线诊断的效率。
Description
技术领域
本发明实施例涉及人工智能技术领域,具体涉及一种工业应用中的异常工况检测和分类方法和装置。另外,还涉及一种电子设备和存储介质。
背景技术
近年来,随着金属冶炼工业快速发展,生产技术不断更新,精细化、流水化、规模化的冶炼过程成为钢铁企业生产的标准流程。在冶金生产过程中,需要用到主轧机、卷扬机、汽轮机、冶炼炉等多种金属冶炼设备。因此,如何通过分析各生产工序中存在的设备或零件异常工况准确确定金属冶炼设备的异常工况成为本领域关注的重点。然而,目前的异常工况检测方法过程繁琐已无法满足实际生产作业的需求。
随着人工智能技术的快速发展,以及计算机硬件算力的增长,以深度神经网络技术为核心的图像处理系统应运而生。以深度神经网络为代表的深度学习模型在目标物体检测和追踪、动作识别等任务上都表现出优越的性能,并得到广泛应用。因此,如何利用深度神经网络技术构建一种新型网络模型架构来实现神经网络同时处理获取的视频数据和变量数据的功能,提高了工业过程中离线学习的准确率和在线诊断的效率成为本领域急需解决的技术问题。
发明内容
为此,本发明实施例提供一种工业应用中的异常工况检测和分类方法,以解决现有技术中存在的冶金工业过程中的异常工况检测过程繁琐的问题。
为了实现上述目的,本发明实施例提供如下技术方案:
根据本发明实施例提供的一种工业应用中的异常工况检测和分类方法,包括:获得包含金属冶炼设备运行情况的视频数据和变量数据;将所述视频数据输入至由卷积神经网络和全连接神经网络组成的网络模型架构中,将所述变量数据直接输入至所述全连接神经网络,获得所述视频数据和所述变量数据的识别结果,基于所述视频数据和所述变量数据组成的大数据深度学习后,完成所述网络模型架构参数设置,获得目标网络模型架构;获取待检测视频数据和待检测变量数据,将所述待检测视频数据和所述待检测变量数据输入到所述目标网络模型架构,检测所述待检测数据中的金属冶炼设备运行情况是否存在异常,若是,则对异常进行分类并发送报警指示信息。
进一步的,所述将所述视频数据输入至由卷积神经网络和全连接神经网络组成的网络模型架构中,将所述变量数据直接输入至所述全连接神经网络,获得所述视频数据和所述变量数据的识别结果,具体包括:将所述视频数据输入至所述卷积神经网络,经过卷积层和池化层进行处理,获得特征降维后的压缩数据,将所述压缩数据输入至所述全连接神经网络的全连接层;获得与所述视频数据对应的所述变量数据,将所述变量数据加入至所述卷积神经网络的全连接层与所述压缩数据进行拼接,获得目标数据;将所述目标数据经过全连接神经网络的隐藏层进行运算处理,获得所述视频数据和所述变量数据的识别结果。
进一步的,所述隐藏层设置于所述卷积神经网络的所述全连接层和所述全连接神经网络的输出层之间。
进一步的,所述卷积神经网络的所述全连接层和所述全连接神经网络的输出层之间包含至少两个所述隐藏层。
进一步的,所述视频数据为包含金属冶炼设备运行情况的视频帧。
进一步的,所述隐藏层内设置有激活函数。
相应的,本申请还提供一种工业应用中的异常工况检测装置,包括:数据获得单元,用于获得包含金属冶炼设备运行情况的视频数据和变量数据;网络模型架构训练调整单元,用于将所述视频数据输入至由卷积神经网络和全连接神经网络组成的网络模型架构中,将所述变量数据直接输入至所述全连接神经网络,获得所述视频数据和所述变量数据的识别结果,基于所述视频数据和所述变量数据组成的大数据深度学习后,完成所述网络模型架构参数设置,获得目标网络模型架构;检测单元,用于获取待检测视频数据和待检测变量数据,将所述待检测视频数据和所述待检测变量数据输入到所述目标网络模型架构,检测所述待检测数据中的金属冶炼设备运行情况是否存在异常,若是,则对异常进行分类并发送报警指示信息。
所述网络模型架构训练调整单元具体用于:将所述视频数据输入至所述卷积神经网络,经过卷积层和池化层进行处理,获得特征降维后的压缩数据,将所述压缩数据输入至所述全连接神经网络的全连接层;获得与所述视频数据对应的所述变量数据,将所述变量数据加入至所述卷积神经网络的全连接层与所述压缩数据进行拼接,获得目标数据;将所述目标数据经过全连接神经网络的隐藏层进行运算处理,获得所述视频数据和所述变量数据的识别结果。
进一步的,所述隐藏层设置于所述卷积神经网络的所述全连接层和所述全连接神经网络的输出层之间。
进一步的,所述卷积神经网络的所述全连接层和所述全连接神经网络的输出层之间包含至少两个所述隐藏层。
进一步的,所述视频数据为包含金属冶炼设备运行情况的视频帧。
进一步的,所述隐藏层内设置有激活函数。
相应的,本申请还提供一种电子设备,包括:处理器和存储器;其中,所述存储器,用于存储工业应用中的异常工况检测和分类方法的程序,该电子设备通电并通过所述处理器运行该工业应用中的异常工况检测和分类方法的程序后,执行上述任意一项所述的工业应用中的异常工况检测和分类方法。
相应的,本申请还提供一种计算机可读存储介质,所述计算机存储介质中包含一个或多个程序指令,所述一个或多个程序指令用于被服务器执行如上任一项所述的工业应用中的异常工况检测和分类方法。
采用本发明所述的工业应用中的异常工况检测和分类方法,能够基于构建的网络模型架构同时处理获取的视频数据和输入的变量数据,提高了工业过程中离线学习的准确率和在线诊断的效率,从而提高了用户的使用体验。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,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,还可以根据提供的附图引申获得其它的实施附图。
本说明书所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明实施例提供的一种工业应用中的异常工况检测和分类方法的流程示意图;
图2为本发明实施例提供的一种工业应用中的异常工况检测装置的示意图;
图3为本发明实施例提供的一种电子设备的示意图;
图4为本发明实施例提供的基于网络模型架构的异常工况检测过程示意图;
图5为本发明实施例提供的全连接神经网络的结构图;
图6为本发明实施例提供的基于卷积神经网络的异常工况检测过程示意图;
图7为本发明实施例提供的一种工业应用中的异常工况检测和分类方法的损失函数随迭代次数变化的效果图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动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。
下面根据本发明所述的工业应用中的异常工况检测和分类方法,对其实施例进行详细描述。如图1所示,其为本发明实施例提供的一种工业应用中的异常工况检测和分类方法的流程示意图,具体实现过程包括以下步骤:
步骤S101:获得包含金属冶炼设备运行情况的视频数据和变量数据。
在本步骤中,所述的视频数据可以是指包含金属冶炼设备运行情况的视频帧或者视频图像,所述的金属冶炼设备冶金生产过程中需要用到的主轧机、卷扬机、汽轮机、冶炼炉等多种金属冶炼设备中的至少一种,所述变量数据可以是与所述视频数据相对应变量数据,在此不做具体限定。
步骤S102:将所述视频数据输入至由卷积神经网络和全连接神经网络组成的网络模型架构中,将所述变量数据直接输入至所述全连接神经网络,获得所述视频数据和所述变量数据的识别结果,基于所述视频数据和所述变量数据组成的大数据深度学习后,完成所述网络模型架构参数设置,获得目标网络模型架构。
上述步骤S101中获得包含金属冶炼设备运行情况的视频数据和变量数据之后,在本步骤中可以将所述视频数据和所述变量数据作为训练样本训练所述网络模型架构。在本步骤中所述的将所述视频数据输入至由卷积神经网络和全连接神经网络组成的网络模型架构中,将所述变量数据直接输入至所述全连接神经网络,获得所述视频数据和所述变量数据的识别结果,具体实现方式如下所述:将所述视频数据输入至卷积神经网络的卷基层和池化层进行预处理,获得特征降维后的压缩数据,将所述压缩数据输入至所述全连接神经网络的全连接层;获得与所述视频数据对应的变量数据,将所述变量数据加入至所述卷积神经网络的全连接层与所述压缩数据进行拼接,获得目标数据,将所述目标数据输入全连接神经网络的隐藏层进行运算处理,获得视频数据识别结果。其中,所述隐藏层设置于所述卷积神经网络的所述全连接层和所述全连接神经网络的输出层之间。需要说明的是,在具体实施过程中,所述卷积神经网络的所述全连接层和所述全连接神经网络的输出层之间可包含至少两个所述隐藏层,所述隐藏层内设置有预设的激活函数。
如图4所示,其为本发明实施例提供的基于网络模型架构的异常工况检测过程示意图。在本发明实施例中,所述的网络模型架构由卷积神经网络和全连接神经网络融合组成。
如图5所示,其为本发明实施例提供的全连接神经网络的结构图。所述全连接神经网络中的神经元按照层来布局,具体构成部分包括:输入层、激活函数、全连接层以及输出层。其中,所述第一层是输入层,用于接收输入数据;所述输出层为最后一层,用于获取全连接神经网络处理后的输出数据并输出。所述输入层和所述输出层之间的层是隐藏层,所述隐藏层内设置有激活函数。
需要说明的是,如图5所示,在所述全连接神经网络中同一层的神经元之间没有连接。第N层的每个神经元的输入和第N-1层的所有神经元的输出相连接,每个连接都有一个权值,第N-1层神经元的输出就是第N层神经元的输入。输入层为列向量,其为第一隐藏层的输入,隐藏层的输出为下一隐藏层的输入,每一层的输入均由上一层的输出的线性加权获得,具体公式如下:
其中,v为求得的输入,xi为输入的第i个神经元,wi为与之对应的权重,b为偏置量。在本发明实施例中,所述的激活函数需要具备非线性、可微分的特性,常用的激活函数有sigmoid、tanh、ReLU函数等,在此不做具体限定。
训练过程使用反向传播算法,在具体训练时,首先随机为权重赋值,取全连接神经网络的所有输出层节点的误差平方和作为目标函数,具体公式如下:
为了使得目标函数值最小,需要用梯度下降算法对目标函数进行优化,具体如下:
其中,wji为权重,η为学习系数,学习系数越大,收敛速度越快,但越不容易得到最优解,根据链式求导法则,具体公式如下:
其中,netj为第j隐藏层神经元的值,xji为第i-1层与权重wji相乘的神经元的值。
如图6所示,其为本发明实施例提供的基于卷积神经网络的异常工况检测过程示意图。其中,卷积神经网络具体构成部分包括:输入层、卷积层、激活函数、池化层、全连接层。具体的,所述卷积神经网络的输入层是整个网络模型架构的输入层,通常为对于图像的像素矩阵,其三维矩阵的长和宽代表了图像的大小,而三维矩阵的深度代表了图像的色彩通道。从输入层开始,卷积神经网络通过不同的神经网络结构将上一层的三维矩阵转换成下一层的三维矩阵,直至最后的全连接层。
步骤S103:获取待检测视频数据和待检测变量数据,将所述待检测视频数据和所述待检测变量数据输入到所述目标网络模型架构,检测所述待检测数据中的金属冶炼设备运行情况是否存在异常工况,若是,则发送报警指示信息。
上述步骤S102中训练获得可用于检测所述金属冶炼设备异常运行情况目标网络模型架构之后,在本步骤中可将所述目标网络模型架构具体应用异常工况检测中。
需要说明的是,在本发明所述的卷积神经网络的每一个卷积层使用的过滤器网络模型中的参数相同,共享过滤器网络模型参数可使得图像上的内容不受位置的影响。卷积层中每个节点的输入只是上一层神经网络的一部分。卷积层可将神经网络中的每一部分进行更加深入的分析从而得到抽象程度更高的特征。池化层神经网络用于缩小矩阵的大小,有效减少最后全连接层中的参数。通过池化层可以进一步缩小最后全连接层中节点的个数,已达到减少整个网络模型架构中参数的目的,从而便于训练获得目标网络模型架构。在一个具体实施例中,如图4所示的从左至右第一个卷积层前15*5的权重值可以如下表所示:
0.0068 | -0.0387 | 0.0041 | 0.0033 | 0.0025 |
0.0245 | -0.0037 | -0.0100 | 0.0008 | 0.0164 |
-0.0041 | -0.0048 | -0.0173 | 0.0031 | 0.0277 |
0.0046 | -0.0102 | -0.0263 | 0.0097 | -0.0323 |
-0.0169 | -0.0239 | 0.0230 | 0.0046 | -0.0232 |
-0.0311 | -0.0052 | -0.0253 | 0.0043 | -0.0348 |
0.0016 | -0.0412 | -0.0336 | -0.0187 | -0.0253 |
-0.0122 | -0.0035 | 0.0256 | -0.0110 | -0.0109 |
0.0133 | 0.0255 | 0.0036 | 0.0243 | -0.0258 |
-0.0301 | -0.0142 | -0.0390 | 0.0132 | 0.0075 |
-0.0372 | 0.0268 | -0.0415 | -0.0006 | -0.0256 |
0.0185 | 0.0218 | 0.0099 | 0.0006 | 0.0211 |
0.0037 | 0.0275 | -0.0052 | -0.0144 | 0.0132 |
-0.0015 | 0.0122 | -0.0119 | 0.0152 | 0.0182 |
0.0227 | -0.0279 | 0.0150 | -0.0023 | -0.0264 |
表1
表1为第一层第一个卷积层前15*5部分的权重值(保留小数点后四位)。
如图7所示,其为本发明实施例提供的一种工业应用中的异常工况检测和分类方法的损失函数随迭代次数变化的效果图。
在本实际实施过程中,用于模型训练比对的标准结果可以分为三类,即:严重喷炉异常工况、轻度喷炉异常工况以及正常运行状态,其分别对应设置的标签可以是[1,0,0]、[0,1,0]、[0,0,1]。将训练样本输入至网络模型架构,经过如图7所示的多次迭代训练后,可将获得的结果与标签对应的标准结果进行比对分析,调整所述网络模型架构内部的参数,获得目标网络模型架构。
采用本发明所述的工业应用中的异常工况检测和分类方法,能够基于构建的网络模型架构同时处理获取的视频数据和输入的变量数据,提高了工业过程中离线学习的准确率和在线诊断的效率,从而提高了用户的使用体验。
与上述提供的一种工业应用中的异常工况检测和分类方法相对应,本发明还提供一种工业应用中的异常工况检测装置。由于该装置的实施例相似于上述方法实施例,所以描述的比较简单,相关之处请参见上述方法实施例部分的说明即可,下面描述一种工业应用中的异常工况检测装置的实施例仅是示意性的。请参考图2所示,其为本发明实施例提供的一种工业应用中的异常工况检测装置示意图。
本发明所述的一种工业应用中的异常工况检测装置包括如下部分:
视频数据和变量数据获得单元201,用于视频数据和变量数据获得单元,用于获得包含金属冶炼设备运行情况的视频数据和变量数据。
网络模型架构训练调整单元202,用于将所述视频数据输入至由卷积神经网络和全连接神经网络组成的网络模型架构中,将所述变量数据直接输入至所述全连接神经网络,获得所述视频数据和所述变量数据的识别结果,基于所述视频数据和所述变量数据组成的大数据深度学习后,完成所述网络模型架构参数设置,获得目标网络模型架构。
检测单元203,用于获取待检测视频数据和待检测变量数据,将所述待检测视频数据和所述待检测变量数据输入到所述目标网络模型架构,检测所述待检测数据中的金属冶炼设备运行情况是否存在异常,若是,则对异常进行分类并发送报警指示信息。
在本发明实施例中,还可以包括变量数据获得单元,用于获得包含金属冶炼设备运行情况的变量数据。
采用本发明所述的工业应用中的异常工况检测装置,能够基于构建的网络模型架构同时处理获取的视频数据和输入的变量数据,提高了工业过程中离线学习的准确率和在线诊断的效率,从而提高了用户的使用体验。
与上述提供的工业应用中的异常工况检测和分类方法相对应,本发明还提供一种电子设备。如图3所示,其为本发明实施例提供的一种电子设备的示意图。
该电子设备具体包括:处理器301和存储器302;其中,存储器302用于运行一个或多个程序指令,用于存储工业应用中的异常工况检测和分类方法的程序,该服务器通电并通过所述处理器301运行该工业应用中的异常工况检测和分类方法的程序后,执行上述任意一项所述的工业应用中的异常工况检测和分类方法。本发明所述的电子设备可以是指服务器。
与上述提供的一种工业应用中的异常工况检测和分类方法相对应,本发明还提供一种计算机存储介质。由于该计算机存储介质的实施例相似于上述方法实施例,所以描述的比较简单,相关之处请参见上述方法实施例部分的说明即可,下面描述的计算机存储介质仅是示意性的。
所述计算机存储介质中包含一个或多个程序指令,所述一个或多个程序指令用于被服务器执行上述所述的工业应用中的异常工况检测和分类方法。
在本发明实施例中,处理器或处理器模块可以是一种集成电路芯片,具有信号的处理能力。处理器可以是通用处理器、数字信号处理器(Digital SignalProcessor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。处理器读取存储介质中的信息,结合其硬件完成上述方法的步骤。
存储介质可以是存储器,例如可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。
其中,非易失性存储器可以是只读存储器(Read-Only Memory,简称ROM)、可编程只读存储器(Programmable ROM,简称PROM)、可擦除可编程只读存储器(Erasable PROM,简称EPROM)、电可擦除可编程只读存储器(Electrically EPROM,简称EEPROM)或闪存。
易失性存储器可以是随机存取存储器(Random Access Memory,简称RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,简称SRAM)、动态随机存取存储器(Dynamic RAM,简称DRAM)、同步动态随机存取存储器(Synchronous DRAM,简称SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM,简称DDRSDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM,简称ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM,简称SLDRAM)和直接内存总线随机存取存储器(Direct Ram bus RAM,简称DRRAM)。
本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。本领域技术人员应该可以意识到,在上述一个或多个示例中,本发明所描述的功能可以用硬件与软件组合来实现。当应用软件时,可以将相应功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的技术方案的基础之上,所做的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (5)
1.一种工业应用中的异常工况检测和分类方法,其特征在于,包括:
获得包含金属冶炼设备运行情况的视频数据和变量数据;
将所述视频数据输入至卷积神经网络,经过卷积层和池化层进行处理,获得特征降维后的压缩数据,将所述压缩数据输入至全连接神经网络的全连接层;
获得与所述视频数据对应的所述变量数据,将所述变量数据加入至所述卷积神经网络的全连接层与所述压缩数据进行拼接,获得目标数据;
将所述目标数据经过全连接神经网络的隐藏层进行运算处理,获得所述视频数据和所述变量数据的识别结果;
基于所述视频数据和所述变量数据组成的大数据深度学习后,完成网络模型架构参数设置,获得目标网络模型架构;
获取待检测视频数据和待检测变量数据,将所述待检测视频数据和所述待检测变量数据输入到所述目标网络模型架构,检测待检测数据中的金属冶炼设备运行情况是否存在异常,若是,则对异常进行分类并发送报警指示信息;
所述隐藏层设置于所述卷积神经网络的所述全连接层和所述全连接神经网络的输出层之间;
所述卷积神经网络的所述全连接层和所述全连接神经网络的输出层之间包含至少两个所述隐藏层;
所述隐藏层内设置有激活函数;
所述全连接神经网络中第N层的每个神经元的输入和第N-1层的所有神经元的输出相连接,每个连接都有一个权值,第N-1层神经元的输出就是第N层神经元的输入,输入层为列向量,其为第一隐藏层的输入,隐藏层的输出为下一隐藏层的输入,每一层的输入均由上一层的输出的线性加权获得,公式为:
其中,v为求得的输入,xi为输入的第i个神经元,wi为与之对应的权重,b为偏置量。
2.根据权利要求1所述的工业应用中的异常工况检测和分类方法,其特征在于,所述视频数据为包含金属冶炼设备运行情况的视频帧。
3.一种工业应用中的异常工况检测和分类装置,其特征在于,包括:
视频数据和变量数据获得单元,用于获得包含金属冶炼设备运行情况的视频数据和变量数据;
网络模型架构训练调整单元,用于将所述视频数据输入至由卷积神经网络和全连接神经网络组成的网络模型架构中,将所述变量数据直接输入至所述全连接神经网络,获得所述视频数据和所述变量数据的识别结果,基于所述视频数据和所述变量数据组成的大数据深度学习后,完成所述网络模型架构参数设置,获得目标网络模型架构;
检测单元,用于获取待检测视频数据和待检测变量数据,将所述待检测视频数据和所述待检测变量数据输入到所述目标网络模型架构,检测待检测数据中的金属冶炼设备运行情况是否存在异常,若是,则对异常进行分类并发送报警指示信息;
所述网络模型架构训练调整单元具体用于:
将所述视频数据输入至所述卷积神经网络,经过卷积层和池化层进行处理,获得特征降维后的压缩数据,将所述压缩数据输入至所述全连接神经网络的全连接层;
获得与所述视频数据对应的所述变量数据,将所述变量数据加入至所述卷积神经网络的全连接层与所述压缩数据进行拼接,获得目标数据;
将所述目标数据经过全连接神经网络的隐藏层进行运算处理,获得所述视频数据和所述变量数据的识别结果。
4.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储工业应用中的异常工况检测和分类方法的程序,该电子设备通电并通过所述处理器运行该工业应用中的异常工况检测和分类方法的程序后,执行上述权利要求1-2任意一项所述的工业应用中的异常工况检测和分类方法。
5.一种计算机可读存储介质,其特征在于,所述计算机存储介质中包含一个或多个程序指令,所述一个或多个程序指令用于被服务器执行如权利要求1-2任一项所述的工业应用中的异常工况检测和分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910779570.8A CN110472695B (zh) | 2019-08-22 | 2019-08-22 | 一种工业生产过程的异常工况检测和分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910779570.8A CN110472695B (zh) | 2019-08-22 | 2019-08-22 | 一种工业生产过程的异常工况检测和分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110472695A CN110472695A (zh) | 2019-11-19 |
CN110472695B true CN110472695B (zh) | 2022-10-18 |
Family
ID=68513333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910779570.8A Active CN110472695B (zh) | 2019-08-22 | 2019-08-22 | 一种工业生产过程的异常工况检测和分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110472695B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191838B (zh) * | 2019-12-27 | 2023-09-22 | 赛腾机电科技(常州)有限公司 | 一种集成人工智能算法的工业设备状态管控方法和装置 |
CN112037197A (zh) * | 2020-08-31 | 2020-12-04 | 中冶赛迪重庆信息技术有限公司 | 一种热轧棒材冷剪物料堆积检测方法、系统及介质 |
CN112301322B (zh) * | 2020-12-21 | 2021-04-13 | 上海陛通半导体能源科技股份有限公司 | 具有工艺参数智能调节功能的气相沉积设备及方法 |
CN113472564B (zh) * | 2021-05-13 | 2022-07-15 | 北京邮电大学 | 基于区块链的责任溯源方法及电子设备 |
WO2023133683A1 (zh) * | 2022-01-11 | 2023-07-20 | 东北大学 | 基于特征回归的多视角数据异常工况检测方法 |
CN116663725A (zh) * | 2023-05-30 | 2023-08-29 | 北京网藤科技有限公司 | 一种用于工业互联网的工艺流程智能预测优化方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779069A (zh) * | 2016-12-08 | 2017-05-31 | 国家电网公司 | 一种基于神经网络的异常用电检测方法 |
CN107506695A (zh) * | 2017-07-28 | 2017-12-22 | 武汉理工大学 | 视频监控设备故障自动检测方法 |
CN107748901A (zh) * | 2017-11-24 | 2018-03-02 | 东北大学 | 基于相似性局部样条回归的工业过程故障诊断方法 |
CN110084257A (zh) * | 2018-01-26 | 2019-08-02 | 北京京东尚科信息技术有限公司 | 用于检测目标的方法和装置 |
-
2019
- 2019-08-22 CN CN201910779570.8A patent/CN110472695B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779069A (zh) * | 2016-12-08 | 2017-05-31 | 国家电网公司 | 一种基于神经网络的异常用电检测方法 |
CN107506695A (zh) * | 2017-07-28 | 2017-12-22 | 武汉理工大学 | 视频监控设备故障自动检测方法 |
CN107748901A (zh) * | 2017-11-24 | 2018-03-02 | 东北大学 | 基于相似性局部样条回归的工业过程故障诊断方法 |
CN110084257A (zh) * | 2018-01-26 | 2019-08-02 | 北京京东尚科信息技术有限公司 | 用于检测目标的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110472695A (zh) | 2019-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472695B (zh) | 一种工业生产过程的异常工况检测和分类方法 | |
Yin et al. | A deep normalization and convolutional neural network for image smoke detection | |
CN111797122B (zh) | 高维重现概念漂移流数据的变化趋势预测方法及装置 | |
CN110048827B (zh) | 一种基于深度学习卷积神经网络的类模板攻击方法 | |
CN111368937B (zh) | 图像分类方法、装置、及其训练方法、装置、设备、介质 | |
US11107250B2 (en) | Computer architecture for artificial image generation using auto-encoder | |
EP4163831A1 (en) | Neural network distillation method and device | |
CN111353076A (zh) | 训练跨模态检索模型的方法、跨模态检索的方法和相关装置 | |
CN110222718B (zh) | 图像处理的方法及装置 | |
CN110781686B (zh) | 一种语句相似度计算方法、装置及计算机设备 | |
Al-Jumeily et al. | Predicting physical time series using dynamic ridge polynomial neural networks | |
US20200134429A1 (en) | Computer architecture for multiplier-less machine learning | |
CN111079930B (zh) | 数据集质量参数的确定方法、装置及电子设备 | |
CN114417739B (zh) | 一种异常工况的工艺参数推荐方法及装置 | |
US11195053B2 (en) | Computer architecture for artificial image generation | |
CN112364974A (zh) | 一种基于激活函数改进的YOLOv3算法 | |
CN115564983A (zh) | 目标检测方法、装置、电子设备、存储介质及其应用 | |
Liu et al. | Stock price trend prediction model based on deep residual network and stock price graph | |
Li et al. | Disease Identification in Potato Leaves using Swin Transformer | |
CN110889290A (zh) | 文本编码方法和设备、文本编码有效性检验方法和设备 | |
US20210241147A1 (en) | Method and device for predicting pair of similar questions and electronic equipment | |
CN110889316A (zh) | 一种目标对象识别方法、装置及存储介质 | |
CN114692745A (zh) | 数据处理方法、装置、集成芯片、电子设备及存储介质 | |
CN116888605A (zh) | 神经网络模型的运算方法、训练方法及装置 | |
CN113420699A (zh) | 一种人脸匹配方法、装置及电子设备 |
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 |