CN110544247B - 人工智能云计算多途径设备系统运行缺陷检查监控方法 - Google Patents
人工智能云计算多途径设备系统运行缺陷检查监控方法 Download PDFInfo
- Publication number
- CN110544247B CN110544247B CN201910827009.2A CN201910827009A CN110544247B CN 110544247 B CN110544247 B CN 110544247B CN 201910827009 A CN201910827009 A CN 201910827009A CN 110544247 B CN110544247 B CN 110544247B
- Authority
- CN
- China
- Prior art keywords
- images
- equipment
- digital camera
- layer
- cloud computing
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012544 monitoring process Methods 0.000 title claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 24
- 230000004913 activation Effects 0.000 claims description 23
- 230000002159 abnormal effect Effects 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000013473 artificial intelligence Methods 0.000 claims description 16
- 238000010801 machine learning Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000008774 maternal effect Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims 1
- 238000007689 inspection Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 2
- 239000007788 liquid Substances 0.000 description 11
- 238000010438 heat treatment Methods 0.000 description 6
- 238000005452 bending Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了人工智能云计算多途径设备系统运行缺陷检查监控方法，包括配置有微处理单元的工业数码相机，该工业数码相机用来捕获可能发生设备缺陷位置的图像，该工业数码相机选装在固定平台、轨道移动平台或飞行平台上，尤其是当要求是在室外环境中覆盖长距离的和大面积的监控，只有X射线相机仅用于短距离图像捕捉，并将工业数码相机微处理单元与卫星定位系统建立连接，以便于工业数码相机捕获图像时识别到系统位置，微处理单元将捕获可能发生设备缺陷的图像以及捕获到的图像的位置信息，通过网络发送到云端计算服务器，再由云服务器中的人工智能机器学习软件进行分析。
Description
技术领域
本发明涉及电子信息技术领域，具体涉及一种人工智能云计算多途径设备系统运行缺陷检查监控方法。
背景技术
在当今的工业社会中，到处都有各种机器设备系统运行,以帮助我们更快，更有效地完成特定任务。例如，这些设备系统可以是制造工业中使用的制造机器，石化工业中使用的加工和精炼设备，农业工业中使用的拖拉机和磨机。这些设备系统例如可以由液体或气体泵，液体或气体管道，电机，发动机,发电机,涡轮机,切割机，加热元件，热泵,炉子，化学加热罐,压缩机,冷凝器,冷冻器,散热器,热交换器,存储罐，过滤器,压力阀门，机械杠杆等等所组成。所有这些设备系统在运行这么多小时后都会失效。一贯常用方法,采用操作员以特定的时间进行检查和维护服务,是非常重要以确保这些设备系统能够继续正常工作。并且运营商必须在系统运行发生故障当时或之前,立即检测监控到任何操作事故,或检测可能导致事故的缺陷，以便最大限度地减少机器停机时间和经济损失。
这些机器故障通常会在实际发生当时或故障之前出现某些缺陷，这些缺陷可能是工作温度异常，系统部件异常弯曲，形状异常变形，裂缝，微裂纹，气体或液体泄漏等。通常一贯常用方法，使用大量的操作人员会定期检查这些机器。或者，安装电子传感器以检测任何这些异常缺陷。如果任何部分机器无法正常运行，破裂，爆炸,泄漏气体液体，或发生任何其他意外事故,警报将会响起。人工巡逻队将被派出以识别是什么事故和发生的位置。但这类型的人员搜索团队将导致处理此类的时间额外延迟。
此外，由于有限的时间,有限的运营商资源,和实时通信的额外成本高，设备缺陷检测结果或发生意外事故,通常不能立即与所有管理团队的成员或救援队共享的。有时候，只使用本地报警系统，远离事发地点的救援队可能无法及时被通知设备缺陷事故，这种类型的通信延迟又将导致处理此类的时间再额外延迟。如果设备缺陷检测结果可以实时地传送给所有的管理团队成员，那么整个社会对处理这类设备缺陷影响的信心和满意度也将大大提高。
发明内容
本发明的目的在于，提供人工智能云计算多途径设备系统运行缺陷检查监控方法,避免了安装了大量的传感器硬件和软件，以检测出设备系统运行缺陷，免除了这类型的人员搜索团队安排，并减少了处理此类事故的额外延迟。降低了将检测结果传达给所有管理团队成员来自远方的救援队的成本，同时更缩短了分享结果的时间。而且这些检测结果可以运用任何移动设备查看。因为这些机器缺陷可能是工作温度异常，系统部件异常弯曲，形状异常变形，裂缝，微裂纹，气体或液体泄漏等。
为实现上述目的，本发明采用的技术方案是：
工智能云计算多途径设备系统运行缺陷检查监控方法，包括配置有微处理单元的工业数码相机，该工业数码相机用来捕获可能发生设备缺陷位置的图像，该工业数码相机选装在固定平台、轨道移动平台或飞行平台上，尤其是当要求是在室外环境中覆盖长距离的和大面积的监控，只有X射线相机仅用于短距离图像捕捉，并将工业数码相机微处理单元与卫星定位系统建立连接，以便于工业数码相机捕获图像时识别到系统位置，微处理单元将捕获可能发生设备缺陷的图像以及捕获到的图像的位置信息，通过网络发送到云端计算服务器，再由云服务器中的人工智能机器学习软件进行分析。
所述工业数码相机包括红外线、普通光线、X射线数码相机。
工业数码相机用来捕获可能发生设备缺陷位置的图像，其包括例如液体或气体泵，液体或气体管道，发动机，发电机，涡轮机，切割机，加热元件，热泵，炉子，化学加热罐，压缩机，冷凝器，冷冻器，散热器，热交换器，存储罐，过滤器，压力阀门，机械杠杆，等等，以及能发生工作温度异常，系统部件异常弯曲，形状异常变形，裂缝，微裂纹，气体或液体泄漏，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制,。
捕获的图像会从工业数码相机传递到微处理单元，微处理单元再将这些图像传去有线/无线网络通讯器，经有线/无线网络本地网络去到本地路由器/解调器，本地路由器/解调器透过互联网把图像传去云端计算服务器，云端伺服器把图像传送去人工智能计算器，并把有用的数据储存在云端储存器里，或出于安全考虑，这些图像档案也可以透过有线/无线网络传去本地计算服务器，所有的云端计算都在本地计算器里完成。
人工智能机器学习具体地是预测建模，主要关注的是最小化模型的误差，或令最准确的预测成为可能，智能机器学习需经过一个训练的步骤，包含大量没有发生运行缺陷时的位置图像，以及有发生运行缺陷时的位置图像，检测系统将使用三种不同类型的图像，包括：
(1)红外线，用于检测设备部件的工作温度的异常变化；
(2)普通光线，用于检测设备部件的形状，尺寸和位置的异常变化；
(3)X射线，用于检测设备部件中的异常微裂纹；
对于三种类型的图像中的每一种，在训练中，来自训练图像数据集，抽取75％作为训练样本，剩下的25％作为测试样本用来评估结果精度，当完成这足够图像的训练后，基于三种图像之一种，智能机器学习能根据输入的新的图像，预测新的可能发生的设备缺陷，训练步骤可以在将来持续地进行以收集更多的数据，这样模型预测缺陷的准确性也将不断提高，在对人工智能机器进行培训后，当输入正在被监控区域的新图像时，能够分析图像并告知正在受到监控的该区域是否实际上发生了设备缺陷，当发生设备缺陷和事故时，系统会自动通过互联网向各方发出警报信息。
进行图像设备缺陷识别应用的算法是人工智能机器学习其中的一个分支卷积神经网络，卷积神经网络运作方法包括如下：
共由7层的卷积层/ReLU/降采样组成；
(1)卷积：把图像输入卷积计算，再对图像执行卷积，将图像具有像素值的矩阵输入，裁剪后每幅图像大小为1280*1280像素，输入矩阵的读数从图像的左上角开始，接下来在那里选择一个较小的矩阵，称为过滤器，然后过滤器产生卷积，即随输入图像的x和y轴移动；过滤器的任务是将其值乘以原始像素值，所有这些乘法都是相加的，最后得到一个数字；由于过滤器仅在左上角读取图像，它进一步向右移动1或N单元，然后再次执行类似的操作；当过滤器穿过所有位置之后，获得了一个新矩阵，新矩阵大小是小于输入矩阵；第一层过滤器的尺寸长*宽为32*32，深度为16，步数为2，越界时，以0填充，第二层过滤器的尺寸为长*宽为32*32，深度为16，步数为2，以0填充,第三层的过滤器的尺寸长*宽为16*16，深度为32，步数为1，以0填充，第四层的过滤器的尺寸长*宽为12*12，深度为32，步数为1，以0填充，第五层过滤器的尺寸长*宽为8*8，深度为64，步数为1，以0填充,第六层过滤器的尺寸长*宽4*4，深度为64，步数为1，以0填充，第七层过滤器的尺寸长*宽3*3，深度为128，步数为1，以0填充；
(2)ReLU激活：在每个卷积运算之后，进入非线性ReLU激活层，把ReLU激活应用于矩阵，ReLU代表整流线性单元，用于非线性操作，它用这方程式式，输出为f(x)＝max(0，x)，ReLU的目的是在计算中引入非线性，因需要计算学习是非负线性值，这步的结果会是一组特征图；
(3)降采样：将这些特征图提供给降采样汇集计算，降采样也称为子采样或下采样，它降低了矩阵的维度，但保留了重要信息，这步骤执行数据最大值降采样汇集计算，该计算截取ReLU激活特征图中具有最大值的元素，并应用于所有元素；前四层降采样，最大降采设定降采窗口为(Pooling Size)4*4，滑动步长为4，后三层精度最大降采设定降采窗口的大小2*2，滑动步长2；
(4)不断重复：我们的计算方法共由7层建立，如有需要，可增加减少调整，卷积，ReLU激活和降采样的过程，直到得到的特征图显示出令人满意的关键参数；
(5)压平完全连接层：在重复足够的次数之后，将特征图压平，特征图的矩阵，将转换为矢量，并将其传送以形成完全连接层，最后，输出具softmax激活函数的完全连接层，使用SoftMax回归，使神经网络向前传播得到的结果变成一个概率分布。Softmax称为归一化指数函数，表达式为：
z1表示节点属于第1类，zk表示节点属于第k类；
(6)结果：激活函数应用在完全连接层以后，将结果分类为没有设备缺陷，和不同类型的设备缺陷。
除了使用卷积神经网络运作方法之外，还运用了统计计算作为第二种机器学习方法，应用在设备系统运行缺陷检查监控，首先确定设备系统上的任何关键的物理尺寸，并可从输入的设备系统图像中测量，从模型的训练步骤开始，在人工智能机器学习软件中输入了大量之前的设备系统图像，这些图像记录了该关键维度值的变化，基于这种变化，可以根据以下方程式建立不同设备系统数值的标准差：
样本方差：
母体方差：
样本标准差：
母体标准差：
经过足够的训练数据后，标准差慢慢被建立，可以开始使用该模型来量度新的设备系统图像的关键尺寸，并计算出差异值，如果差异很明显并且超过一个或两个标准差，这意味着这个设备系统有严重问题，可能是由于系统部件异常弯曲，形状异常变形，意味着发生了设备系统缺陷。
人工智能计算器把已确定是否发生了的结果，透过互联网实时的将信息发送到终端设备上，终端设备也可以透过互联网从云端伺服器中读取结果。所述终端设备可为移动电话、平板电脑。
本发明有益效果：本发明提供人工智能云计算多途径设备系统运行缺陷检查监控方法，解决了目前传统的做法使用大量操作员进行人工检查,或安装大量的传感器硬件和软件，以检测出设备系统运行缺陷，尤其是当要求是在室外环境中覆盖长距离和大面积可能发生设备缺陷的地点,检测这些设备缺陷需要大量的传感器和人手去安装以使检测有效，整个传感器检测系统成本非常贵。
本发明人工智能云计算多途径设备系统运行缺陷检查监控方法，可以识别实际的，设备缺陷位置，在长距离的或大面积的可能设备缺陷地点，一旦警报发出，也不再需要人工巡逻队去确定的位置。我们的系统免除了这类型的人员搜索团队安排，并减少了处理此类事故的额外延迟。
为更清楚地阐述本发明的结构特征和功效，下面结合附图与具体实施例来对其进行详细说明。
附图说明
图1所示为本发明系统结构示意图；
图2所示为本发明卷积神经网络运作流程图。
具体实施方式
下面将结合本发明实施例中的附图，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。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。
参阅附图1至图2，本实施例提供工智能云计算多途径设备系统运行缺陷检查监控方法，包括配置有微处理单元的工业数码相机，该工业数码相机用来捕获可能发生设备缺陷位置的图像，该工业数码相机选装在固定平台、轨道移动平台或飞行平台上，尤其是当要求是在室外环境中覆盖长距离的和大面积的监控，只有X射线相机仅用于短距离图像捕捉，并将工业数码相机微处理单元与卫星定位系统建立连接，以便于工业数码相机捕获图像时识别到系统位置，微处理单元将捕获可能发生设备缺陷的图像以及捕获到的图像的位置信息，通过网络发送到云端计算服务器，再由云服务器中的人工智能机器学习软件进行分析。
所述工业数码相机包括红外线、普通光线、X射线数码相机。
工业数码相机用来捕获可能发生设备缺陷位置的图像，其包括例如液体或气体泵，液体或气体管道，发动机，发电机，涡轮机，切割机，加热元件，热泵，炉子，化学加热罐，压缩机，冷凝器，冷冻器，散热器，热交换器，存储罐，过滤器，压力阀门，机械杠杆，等等，以及能发生工作温度异常，系统部件异常弯曲，形状异常变形，裂缝，微裂纹，气体或液体泄漏，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制。
捕获的图像会从工业数码相机传递到微处理单元，微处理单元再将这些图像传去有线/无线网络通讯器，经有线/无线网络本地网络去到本地路由器/解调器，本地路由器/解调器透过互联网把图像传去云端计算服务器，云端伺服器把图像传送去人工智能计算器，并把有用的数据储存在云端储存器里，或出于安全考虑，这些图像档案也可以透过有线/无线网络传去本地计算服务器，所有的云端计算都在本地计算器里完成。
人工智能机器学习具体地是预测建模，主要关注的是最小化模型的误差，或令最准确的预测成为可能，智能机器学习需经过一个训练的步骤，包含大量没有发生运行缺陷时的位置图像，以及有发生运行缺陷时的位置图像，检测系统将使用三种不同类型的图像，包括：
(1)红外线，用于检测设备部件的工作温度的异常变化；
(2)普通光线，用于检测设备部件的形状，尺寸和位置的异常变化；
(3)X射线，用于检测设备部件中的异常微裂纹；
对于三种类型的图像中的每一种，在训练中，来自训练图像数据集，抽取75％作为训练样本，剩下的25％作为测试样本用来评估结果精度，当完成这足够图像的训练后，基于三种图像之一种，智能机器学习能根据输入的新的图像，预测新的可能发生的设备缺陷，训练步骤可以在将来持续地进行以收集更多的数据，这样模型预测缺陷的准确性也将不断提高，在对人工智能机器进行培训后，当输入正在被监控区域的新图像时，能够分析图像并告知正在受到监控的该区域是否实际上发生了设备缺陷，当发生设备缺陷和事故时，系统会自动通过互联网向各方发出警报信息。
进行图像设备缺陷识别应用的算法是人工智能机器学习其中的一个分支卷积神经网络，卷积神经网络运作方法包括如下：
共由7层的卷积层/ReLU/降采样组成；
(1)卷积：把图像输入卷积计算，再对图像执行卷积，将图像具有像素值的矩阵输入，裁剪后每幅图像大小为1280*1280像素，输入矩阵的读数从图像的左上角开始，接下来在那里选择一个较小的矩阵，称为过滤器，然后过滤器产生卷积，即随输入图像的x和y轴移动；过滤器的任务是将其值乘以原始像素值，所有这些乘法都是相加的，最后得到一个数字；由于过滤器仅在左上角读取图像，它进一步向右移动1或N单元，然后再次执行类似的操作；当过滤器穿过所有位置之后，获得了一个新矩阵，新矩阵大小是小于输入矩阵；第一层过滤器的尺寸长*宽为32*32，深度为16，步数为2，越界时，以0填充，第二层过滤器的尺寸为长*宽为32*32，深度为16，步数为2，以0填充,第三层的过滤器的尺寸长*宽为16*16，深度为32，步数为1，以0填充，第四层的过滤器的尺寸长*宽为12*12，深度为32，步数为1，以0填充，第五层过滤器的尺寸长*宽为8*8，深度为64，步数为1，以0填充,第六层过滤器的尺寸长*宽4*4，深度为64，步数为1，以0填充，第七层过滤器的尺寸长*宽3*3，深度为128，步数为1，以0填充；
(2)ReLU激活：在每个卷积运算之后，进入非线性ReLU激活层，把ReLU激活应用于矩阵，ReLU代表整流线性单元，用于非线性操作，它用这方程式式，输出为f(x)＝max(0，x)，ReLU的目的是在计算中引入非线性，因需要计算学习是非负线性值，这步的结果会是一组特征图；
(3)降采样：将这些特征图提供给降采样汇集计算，降采样也称为子采样或下采样，它降低了矩阵的维度，但保留了重要信息，这步骤执行数据最大值降采样汇集计算，该计算截取ReLU激活特征图中具有最大值的元素，并应用于所有元素；前四层降采样，最大降采设定降采窗口为(Pooling Size)4*4，滑动步长为4，后三层精度最大降采设定降采窗口的大小2*2，滑动步长2；
(4)不断重复：我们的计算方法共由7层建立，如有需要，可增加减少调整，卷积，ReLU激活和降采样的过程，直到得到的特征图显示出令人满意的关键参数；
(5)压平完全连接层：在重复足够的次数之后，将特征图压平，特征图的矩阵，将转换为矢量，并将其传送以形成完全连接层，最后，输出具softmax激活函数的完全连接层，使用SoftMax回归，使神经网络向前传播得到的结果变成一个概率分布。Softmax称为归一化指数函数，表达式为：
z1表示节点属于第1类，zk表示节点属于第k类；
(7)结果：激活函数应用在完全连接层以后，将结果分类为没有设备缺陷，和不同类型的设备缺陷。
除了使用卷积神经网络运作方法之外，还运用了统计计算作为第二种机器学习方法，应用在设备系统运行缺陷检查监控，首先确定设备系统上的任何关键的物理尺寸，并可从输入的设备系统图像中测量，从模型的训练步骤开始，在人工智能机器学习软件中输入了大量之前的设备系统图像，这些图像记录了该关键维度值的变化，基于这种变化，可以根据以下方程式建立不同设备系统数值的标准差：
样本方差：
母体方差：
样本标准差：
母体标准差：
经过足够的训练数据后，标准差慢慢被建立，可以开始使用该模型来量度新的设备系统图像的关键尺寸，并计算出差异值，如果差异很明显并且超过一个或两个标准差，这意味着这个设备系统有严重问题，可能是由于系统部件异常弯曲，形状异常变形，意味着发生了设备系统缺陷。
人工智能计算器把已确定是否发生了的结果，透过互联网实时的将信息发送到终端设备上，终端设备也可以透过互联网从云端伺服器中读取结果。所述终端设备可为移动电话、平板电脑。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案作出许多可能的变动和修饰，或修改为等同变化的等效实施例。故凡是未脱离本发明技术方案的内容，依据本发明之形状、构造及原理所作的等效变化，均应涵盖于本发明的保护范围内。
Claims (6)
1.人工智能云计算多途径设备系统运行缺陷检查监控方法，其特征在于，包括配置有微处理单元的工业数码相机，该工业数码相机用来捕获可能发生设备缺陷位置的图像，该工业数码相机选装在固定平台、轨道移动平台或飞行平台上，当要求是在室外环境中覆盖长距离的和大面积的监控，只有X射线相机仅用于短距离图像捕捉，并将工业数码相机微处理单元与卫星定位系统建立连接，以便于工业数码相机捕获图像时识别到系统位置，微处理单元将捕获可能发生设备缺陷的图像以及捕获到的图像的位置信息，通过网络发送到云端计算服务器，再由云服务器中的人工智能机器学习软件进行分析；
智能机器学习需经过训练的步骤，包含没有发生运行缺陷时的位置图像，以及有发生运行缺陷时的位置图像，检测系统将使用三种不同类型的图像，包括：
(1)红外线，用于检测设备部件的工作温度的异常变化；
(2)普通光线，用于检测设备部件的形状，尺寸和位置的异常变化；
(3)X射线，用于检测设备部件中的异常微裂纹；
对于三种类型的图像中的每一种，在训练中，来自训练图像数据集，抽取75％作为训练样本，剩下的25％作为测试样本用来评估结果精度，当完成这足够图像的训练后，基于三种图像之一种，智能机器学习能根据输入的新的图像，预测新的可能发生的设备缺陷，训练步骤可以在将来持续地进行以收集更多的数据，在对人工智能机器进行培训后，当输入正在被监控区域的新图像时，能够分析图像并告知正在受到监控的该区域是否实际上发生了设备缺陷，当发生设备缺陷和事故时，系统会自动通过互联网向各方发出警报信息；
进行图像设备缺陷识别应用的算法是人工智能机器学习其中的一个分支卷积神经网络；
卷积神经网络运作方法包括如下：共7层，依次为卷积层、relu激活层、降采样层、卷积层、relu激活层、降采样层、完全连接层；
(1)卷积：把图像输入卷积计算，再对图像执行卷积，将图像具有像素值的矩阵输入，裁剪后每幅图像大小为1280*1280像素，输入矩阵的读数从图像的左上角开始，接下来在那里选择一个较小的矩阵，称为过滤器，然后过滤器产生卷积，即随输入图像的x和y轴移动；过滤器的任务是将其值乘以原始像素值，所有这些乘法都是相加的，最后得到一个数字；由于过滤器仅在左上角读取图像，它进一步向右移动1或N单元，然后再次执行类似的操作；当过滤器穿过所有位置之后，获得了一个新矩阵，新矩阵大小是小于输入矩阵；第一层过滤器的尺寸长*宽为32*32，深度为16，步数为2，越界时，以0填充，第二层过滤器的尺寸为长*宽为32*32，深度为16，步数为2，以0填充,第三层的过滤器的尺寸长*宽为16*16，深度为32，步数为1，以0填充，第四层的过滤器的尺寸长*宽为12*12，深度为32，步数为1，以0填充，第五层过滤器的尺寸长*宽为8*8，深度为64，步数为1，以0填充,第六层过滤器的尺寸长*宽4*4，深度为64，步数为1，以0填充，第七层过滤器的尺寸长*宽3*3，深度为128，步数为1，以0填充；
(2)ReLU激活：在每个卷积运算之后，进入非线性ReLU激活层，把ReLU激活应用于矩阵，ReLU代表整流线性单元，用于非线性操作，它用这方程式，输出为f(x)＝max(0，x)，ReLU的目的是在计算中引入非线性，因需要计算学习是非负线性值，这步的结果会是一组特征图；
(3)降采样：将这些特征图提供给降采样汇集计算，降采样也称为子采样或下采样，它降低了矩阵的维度，但保留了重要信息，这步骤执行数据最大值降采样汇集计算，该计算截取ReLU激活特征图中具有最大值的元素，并应用于所有元素；前四层降采样，最大降采设定降采窗口为(Pooling Size)4*4，滑动步长为4，后三层精度最大降采设定降采窗口的大小2*2，滑动步长2；
(4)不断重复：我们的计算方法共由7层建立，如有需要，可增加减少调整，卷积，ReLU激活和降采样的过程，直到得到的特征图显示出经过调整的关键参数；
(5)压平完全连接层：在重复足够的次数之后，将特征图压平，特征图的矩阵，将转换为矢量，并将其传送以形成完全连接层，最后，输出具softmax激活函数的完全连接层，使用SoftMax回归，使神经网络向前传播得到的结果变成一个概率分布，Softmax称为归一化指数函数，表达式为：
f:
其表达意义是：函数f：输入一个有K个实数的向量z，向量元素是从1到k，映射到输出一个有K个实数的向量；
z1表示节点属于第1类，zk表示节点属于第k类；该方程式中的R表达意义是实数，Zj表达意义是向量Z的j元素，i表达意义是索引指数；
(6)结果：激活函数应用在完全连接层以后，将结果分类为没有设备缺陷，和不同类型的设备缺陷。
2.根据权利要求1所述人工智能云计算多途径设备系统运行缺陷检查监控方法，其特征在于，所述工业数码相机包括红外线、普通光线、X射线数码相机。
3.根据权利要求1所述人工智能云计算多途径设备系统运行缺陷检查监控方法，其特征在于，捕获的图像会从工业数码相机传递到微处理单元，微处理单元再将这些图像传去有线/无线网络通讯器，经有线/无线网络本地网络去到本地路由器/解调器，本地路由器/解调器透过互联网把图像传去云端计算服务器，云端伺服器把图像传送去人工智能计算器，并把有用的数据储存在云端储存器里，或出于安全考虑，这些图像档案也可以透过有线/无线网络传去本地计算服务器，所有的云端计算都在本地计算器里完成。
4.根据权利要求1所述人工智能云计算多途径设备系统运行缺陷检查监控方法，其特征在于，除了使用卷积神经网络运作方法之外，还运用了统计计算作为第二种机器学习方法，应用在设备系统运行缺陷检查监控，首先确定设备系统上的关键的物理尺寸，并可从输入的设备系统图像中测量，从模型的训练步骤开始，在人工智能机器学习软件中输入了大量之前的设备系统图像，这些图像记录了该关键维度值的变化，基于这种变化，可以根据以下方程式建立不同设备系统数值的标准差：
样本方差：
母体方差：
样本标准差：
母体标准差：
经过足够的训练数据后，标准差慢慢被建立，使用该模型来量度新的设备系统图像的关键尺寸，并计算出差异值，如果差异并且超过一个或两个标准差，可能是由于系统部件形状异常变形，意味着发生了设备系统缺陷。
5.根据权利要求4所述人工智能云计算多途径设备系统运行缺陷检查监控方法，其特征在于，人工智能计算器把已确定是否发生了的结果，透过互联网实时的将信息发送到终端设备上，终端设备也可以透过互联网从云端伺服器中读取结果。
6.根据权利要求5所述人工智能云计算多途径设备系统运行缺陷检查监控方法，其特征在于，所述终端设备可为移动电话、平板电脑。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910827009.2A CN110544247B (zh) | 2019-09-03 | 2019-09-03 | 人工智能云计算多途径设备系统运行缺陷检查监控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910827009.2A CN110544247B (zh) | 2019-09-03 | 2019-09-03 | 人工智能云计算多途径设备系统运行缺陷检查监控方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110544247A CN110544247A (zh) | 2019-12-06 |
| CN110544247B true CN110544247B (zh) | 2023-11-07 |
Family
ID=68712432
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910827009.2A Active CN110544247B (zh) | 2019-09-03 | 2019-09-03 | 人工智能云计算多途径设备系统运行缺陷检查监控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110544247B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111426712B (zh) * | 2019-12-27 | 2023-01-20 | 江苏兴华胶带股份有限公司 | 一种基于x射线成图的自动锚链检测系统 |
| CN112067632A (zh) * | 2020-06-04 | 2020-12-11 | 西南交通大学 | 一种电力设备检测云平台及检测方法 |
| CN111638672B (zh) * | 2020-06-05 | 2024-01-16 | 昆山艾控智能科技有限公司 | 一种工业机台的自动控制系统 |
| CN112733824B (zh) * | 2021-04-06 | 2022-04-15 | 中国电力科学研究院有限公司 | 基于视频图像智能前端的变电设备缺陷诊断方法和系统 |
| CN115291646B (zh) * | 2022-07-08 | 2022-12-23 | 福建省龙氟新材料有限公司 | 用于氟化锂制备的能源管理控制系统及其控制方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103411974A (zh) * | 2013-07-10 | 2013-11-27 | 杭州赤霄科技有限公司 | 基于云端大数据的平面材料检测远程系统及检测方法 |
| CN108257114A (zh) * | 2017-12-29 | 2018-07-06 | 天津市万贸科技有限公司 | 一种基于深度学习的输电设备缺陷自动识别方法 |
| CN108491867A (zh) * | 2018-03-12 | 2018-09-04 | 苏州卓融新能源科技有限公司 | 基于人工智能的影像匹配及识别方法 |
| CN109872317A (zh) * | 2019-02-22 | 2019-06-11 | 西南交通大学 | 一种基于电力设备缺陷识别学习模型的缺陷识别方法 |
| CN110175648A (zh) * | 2019-05-28 | 2019-08-27 | 东莞德福得精密五金制品有限公司 | 应用人工智能云计算对设备进行非侵入性的信息连通方法 |
-
2019
- 2019-09-03 CN CN201910827009.2A patent/CN110544247B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103411974A (zh) * | 2013-07-10 | 2013-11-27 | 杭州赤霄科技有限公司 | 基于云端大数据的平面材料检测远程系统及检测方法 |
| CN108257114A (zh) * | 2017-12-29 | 2018-07-06 | 天津市万贸科技有限公司 | 一种基于深度学习的输电设备缺陷自动识别方法 |
| CN108491867A (zh) * | 2018-03-12 | 2018-09-04 | 苏州卓融新能源科技有限公司 | 基于人工智能的影像匹配及识别方法 |
| CN109872317A (zh) * | 2019-02-22 | 2019-06-11 | 西南交通大学 | 一种基于电力设备缺陷识别学习模型的缺陷识别方法 |
| CN110175648A (zh) * | 2019-05-28 | 2019-08-27 | 东莞德福得精密五金制品有限公司 | 应用人工智能云计算对设备进行非侵入性的信息连通方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110544247A (zh) | 2019-12-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110544247B (zh) | 人工智能云计算多途径设备系统运行缺陷检查监控方法 | |
| CN110598655B (zh) | 人工智能云计算多光谱烟雾高温火花火灾监控方法 | |
| CN107168294B (zh) | 一种火电水系统设备无人巡检监控方法 | |
| CN109800697B (zh) | 基于VGG-net风格迁移的变压器目标检测与外观缺陷识别方法 | |
| CN111274737A (zh) | 一种机械设备剩余使用寿命预测方法及系统 | |
| US10901834B2 (en) | Interactive troubleshooting assistant | |
| US10963797B2 (en) | System for analyzing machine data | |
| KR102284282B1 (ko) | 증강현실 이미지 기반의 원격협업 모니터링 방법 | |
| CN113283344A (zh) | 一种基于语义分割网络的矿用输送带跑偏检测方法 | |
| CN116186946B (zh) | 一种基于诊断模型的液压系统故障诊断方法及系统 | |
| CN111815576B (zh) | 金属部件腐蚀状况检测方法、装置、设备和存储介质 | |
| CN114595875A (zh) | 基于变压器传感信息和数字孪生的状态评估方法及系统 | |
| CN115546223A (zh) | 一种列车车下设备紧固螺栓的缺失检测方法和系统 | |
| CN112326264A (zh) | 一种远程操控工程车辆的运行状态监测及故障诊断系统、方法 | |
| He et al. | A non-intrusive approach for fault detection and diagnosis of water distribution systems based on image sensors, audio sensors and an inspection robot | |
| Yu et al. | UAV-based pipeline inspection system with Swin Transformer for the EAST | |
| CN116754022B (zh) | 电缆隧道的在线检测应急预警方法及系统 | |
| CN113569956A (zh) | 一种基于ai算法的山火灾害勘查识别方法 | |
| CN113284103B (zh) | 基于空间变换Faster R-CNN模型的变电站设备缺陷在线检测方法 | |
| CN114192583B (zh) | 一种基于Scada平台的带钢轧制过程质量监控方法和系统 | |
| Lowin et al. | From physical to virtual: leveraging drone imagery to automate photovoltaic system maintenance | |
| CN114490825A (zh) | 一种核反应堆设备安全分析模型 | |
| US20240168444A1 (en) | Method and system for hybrid data augmentation for estimating performance degradation in industrial plant | |
| KR102660626B1 (ko) | 현장 검증이 가능한 ai 기반 비전 검사 시스템 및 방법 | |
| RU2800740C1 (ru) | Система и способ выявления аномалий в киберфизической системе |
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 |