CN111024158A - 一种结合边缘计算的厨电危险智能监测方法 - Google Patents

Abstract

本发明公开了一种结合边缘计算的厨电危险智能监测方法，包括下述步骤：在厨房的不同设备与不同位置部署不同类型的传感器，并将以上传感器构成厨电传感器网络，实时采集相关的各项数据；厨电传感器网络将采集到的数据传输到邻近部署的边缘计算节点，边缘计算节点包括数据预处理模块、异常检测模块和故障诊断模块；边缘计算节点还储存有深度学习网络模型和基于知识的故障推理所需的知识库；本发明采用的厨电传感器网络，兼容了多种传感器，可以针对多种厨电隐患实时采集各种数据，充分获取全方位的潜在危险源；采用的靠近数据源部署的边缘计算节点对厨电数据的处理，有利于降低系统延迟，提高反应速度。

Description

一种结合边缘计算的厨电危险智能监测方法

技术领域

本发明涉及边缘计算和人工智能技术领域，具体涉及一种结合边缘计算的厨电危险智能监测方法。

背景技术

异常检测和故障诊断技术是厨电设备安全性的重要保障，现有技术中也存在一些基于传统手段的监测方法：例如一种基于STM32单片机为核心元件的厨房有害气体检测系统，其通过安置CO、CH3等气体传感器，检测气体浓度，并根据预先设定的灵敏度和阈值判断是否存在异常，最后通过发送警报短信和一键式电话实现远程报警功能。然而，目前采用传统方法的厨电异常检测和故障诊断主要依靠人工经验，准确性和智能化程度低，在厨电危险产生时，可靠性不足，难以保证厨电安全的需求，因此为了保障居民的生命财产安全，需要更加智能的手段。

当前，人工智能技术在社会生活中的其他领域取得了非凡的成就，颇受世人瞩目。同时，深度学习中的一些异常检测和故障分析的智能算法值得科研工作者的关注和借鉴：比如一种基于LSTM RNN神经网络的实时联合异常检测模型，可以完成网络学习和特征操作，提供实时有效的联合异常检测；比如可以在异常检测中引入生成对抗网络(GAN)，利用生成对抗网络实现对图像和网络数据库的检测。物联网领域中新兴的边缘计算技术受到了研究人员的广泛关注。边缘计算是在靠近终端或数据源头处，完成计算、存储等工作的平台。边缘计算的主要目的是就近提供服务。边缘计算通过赋予网络边缘设备一定的计算能力和存储能力，可以实现人工智能算法的执行，从而实现设备的智能化，同时进一步降低延迟，达到充分利用计算资源的目的。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种结合边缘计算的厨电危险智能监测方法，该方法利用边缘计算技术，在靠近厨电数据源处部署边缘计算节点，执行人工智能算法，完成对厨电危险的异常检测和故障分析工作，给出危险应对措施，从而排除厨电危险；通过本方法，能够充分提高厨电安全系统的检测准确度和智能化水平，有利于减少厨电危险安全事故的发生，充分保障居民的人生财产安全。

本发明的目的通过下述技术方案实现：

一种结合边缘计算的厨电危险智能监测方法，包括下述步骤：

步骤一，在厨房的不同设备与不同位置部署不同类型的传感器，并将以上传感器构成厨电传感器网络，实时采集相关的各项数据；

步骤二，厨电传感器网络将采集到的数据传输到邻近部署的边缘计算节点，边缘计算节点包括数据预处理模块、异常检测模块和故障诊断模块；边缘计算节点还储存有深度学习网络模型和基于知识的故障推理所需的知识库；

步骤三，数据预处理模块对获取到的厨电传感器网络数据进行预处理，包括去噪、Kalman滤波和融合操作，从而得到标准化的厨电数据，用于后续的数据异常检测和厨电故障诊断阶段，具体为：

数据预处理模块利用小波变换技术对来自厨电传感器网络采集的数据进行去噪、压缩和分层处理；对分层后的数据基于以下公式，实现Kalman滤波：

T(t|t)＝(1-Kg(t)H)(t|t-1) (1)

其中，

表示Kalman增益，H是测量系统的参数；利用Kalman滤波，可以通过上一时刻的最优厨电数据估计结果来预测当前的数据值；

接着利用最大最小贴近度，计算厨电传感器网络数据的信噪比，通过信噪比融合技术对厨电数据的近似系数进行融合；最后，利用小波变换重构技术，得到融合后的标准厨电数据，并将这些数据输入到边缘计算节点的异常检测模块；

步骤四，异常检测模块将通过人工智能算法从标准化数据中找出异常或离群的厨电数据，这些数据包括超过安全范围的有毒气体浓度、设备过载电流大小、设备空转数据；异常检测模块将实时检测出的异常数据输入到边缘计算节点的故障诊断模块，具体为：

异常检测模块采用深度学习的自编码神经网络模型重构误差的方法检测厨电设备数据异常，该网络模型的输入层和输出层节点数量相同，网络模型中间层的节点数少于输入层和输出层的节点数；网络模型的计算过程分为编码和解码两部分：输入的厨电数据通过编码过程得到中间低维特征，然后经过解码过程得到输出；同时，在异常检测模块工作前，还需要对网络事先训练：通过不断优化原始输入和最终输出的损失函数来学习训练网络参数；

步骤五，故障诊断模块根据边缘计算节点储存的知识库，从来自异常检测模块的异常数据中，获取、挖掘出设备故障知识，即把用于故障知识求解的专门知识从数据源中提炼出来，获取故障事实和对应的规则，然后基于关联规则，挖掘出相应的厨电故障知识；再进行知识推理，定位厨电设备的故障，并判断出现危险或者故障的位置、原因，以及给出危险应对决策来恢复或者排除危险。

优选地，所述步骤一中部署不同类型的传感器，具体包括采集厨房环境参数的湿度传感器、温度传感器和有毒气体传感器，采集厨电设备运行参数的电压传感器和电流传感器。

优选地，所述实时采集相关的各项数据，具体为厨电设备运行数据和其他厨房环境数据，包括厨电设备的电压、电流运行参数，温度、湿度工作环境参数，以及煤气、一氧化碳、火种、烟雾这些厨房环境潜在的危险监测数据。

优选地，所述步骤四中的编码和解码过程具体为：将经过预处理的厨电数据输入自编码神经网络模型的输入层，厨电数据经过网络模型的编码层(encoder)的压缩后，得到低维的特征；在此前的网络训练过程中，编码层已经从训练数据中学习到各个变量之间的相互作用，因此当厨电设备出现电压异常、设备空烧这些危险情况时，会影响变量之间的相互作用，从而影响到低维特征的获取；网络模型的解码层(decoder)根据这些中间的低维特征，重构输入变量；最后利用原始输入和重构输入计算重建误差，当误差超过预设阈值时，即可判断数据点为异常，否则为正常。

本发明与现有技术相比具有以下的有益效果：

(1)本发明采用的厨电传感器网络，兼容了多种传感器，可以针对多种厨电隐患实时采集各种数据，充分获取全方位的潜在危险源；

(2)本发明采用的靠近数据源部署的边缘计算节点，具有一定的计算能力和存储能力；对厨电数据的处理，有利于降低系统延迟，提高反应速度；

(3)本发明采用的边缘计算节点实现人工智能算法的执行，在异常检测和故障诊断方面具有准确度高，鲁棒性好等优点，充分提高系统的智能度，是其他基于人工经验的传统厨电监测方法所不可比拟的。

附图说明

图1为本发明的整体流程示意图；

图2为本发明的实施流程示意图；

图3为本发明的厨电数据预处理操作流程；

图4为本发明的自编码器网络结构示意图；

图5为本发明的厨电异常检测流程示意图；

图6为本发明的厨电故障诊断流程示意图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

本发明针对现实中厨电设备可能产生的安全隐患，公开了一种结合边缘计算的厨电危险智能监测方法，采用了先进的边缘计算技术和人工智能技术。该方法通过实现厨电数据的实时采集，数据异常检测和厨电故障诊断，能够定位故障位置并给出相应的厨电危险排除决策，有利于降低厨房危险事故的发生风险，从而保障居民的生命财产安全。

在家用厨电设备和厨房中的相应位置布置各类型传感器，包括有毒气体传感器、温度传感器、设备电流传感器、设备电压传感器等，构成厨电传感器网络，实现厨电设备工作环境参数以及环境潜在危险因素数据的采集；可采用SoC芯片，部署支持低成本、CNN(卷积神经网络)技术、低功耗，能够提供边缘计算功能的边缘计算节点，将其部署在靠近厨电传感器网络数据源的一侧，完成厨电数据的预处理操作，随后执行例如基于自编码器网络的厨电危险异常检测算法和基于知识的故障诊断方法。由于人工智能算法具有准确度高、速度快和鲁棒性好的优点，能够做到快速故障定位，并给出危险消除方案，由此实现针对厨电危险的实时智能化监测。

具体来说，如图1～6所示，一种结合边缘计算的厨电危险智能监测方法，包括下述步骤：

步骤一，在厨房的不同设备与不同位置部署不同类型的传感器，并将以上传感器构成厨电传感器网络，实时采集相关的各项数据；其中部署不同类型的传感器，具体包括采集厨房环境参数的湿度传感器、温度传感器和有毒气体传感器，采集厨电设备运行参数的电压传感器和电流传感器；其中实时采集相关的各项数据，具体为厨电设备运行数据和其他厨房环境数据，包括厨电设备的电压、电流运行参数，温度、湿度工作环境参数，以及煤气、一氧化碳、火种、烟雾这些厨房环境潜在的危险监测数据。

步骤二，厨电传感器网络将采集到的数据传输到邻近部署的边缘计算节点，边缘计算节点包括数据预处理模块、异常检测模块和故障诊断模块；边缘计算节点还储存有深度学习网络模型和基于知识的故障推理所需的知识库。

该边缘计算节点基于SoC芯片，具有成本低，低功耗，支持卷积神经网络操作等特点，可以很好地嵌入到厨电设备物联网体系中。

步骤三，数据预处理模块对获取到的厨电传感器网络数据进行预处理，包括去噪、Kalman滤波和融合操作，从而得到标准化的厨电数据，用于后续的数据异常检测和厨电故障诊断阶段，具体为：

如图3所示，数据预处理模块利用小波变换技术对来自厨电传感器网络采集的数据进行去噪、压缩和分层处理；对分层后的数据基于以下公式，实现Kalman滤波：

T(t|t)＝(1-Kg(t)H)(t|t-1) (1)

其中，

表示Kalman增益，H是测量系统的参数；利用Kalman滤波，可以通过上一时刻的最优厨电数据估计结果来预测当前的数据值。

接着利用最大最小贴近度，计算厨电传感器网络数据的信噪比，通过信噪比融合技术对厨电数据的近似系数进行融合；最后，利用小波变换重构技术，得到融合后的标准厨电数据，并将这些数据输入到边缘计算节点的异常检测模块。

步骤四，异常检测模块将通过人工智能算法从标准化数据中找出异常或离群的厨电数据，这些数据包括超过安全范围的有毒气体浓度、设备过载电流大小、设备空转数据；异常检测模块将实时检测出的异常数据输入到边缘计算节点的故障诊断模块，具体为：

如图4所示，异常检测模块采用深度学习的自编码神经网络模型重构误差的方法检测厨电设备数据异常，该网络模型的输入层和输出层节点数量相同，网络模型中间层的节点数少于输入层和输出层的节点数；采用该网络模型，可以对输入的厨电数据起到数据压缩和数据恢复的作用；网络模型的计算过程分为编码和解码两部分：输入的厨电数据通过编码过程得到中间低维特征，然后经过解码过程得到输出；同时，在异常检测模块工作前，还需要对网络事先训练：通过不断优化原始输入和最终输出的损失函数来学习训练网络参数。

如图5所示，将经过预处理的厨电数据输入自编码神经网络模型的输入层，厨电数据经过网络模型的编码层(encoder)的压缩后，得到低维的特征；在此前的网络训练过程中，编码层已经从训练数据中学习到各个变量之间的相互作用，因此当厨电设备出现电压异常、设备空烧这些危险情况时，会影响变量之间的相互作用，从而影响到低维特征的获取；网络模型的解码层(decoder)根据这些中间的低维特征，重构输入变量；最后利用原始输入和重构输入计算重建误差，当误差超过预设阈值时，即可判断数据点为异常，否则为正常。

步骤五，如图6所示，故障诊断模块根据边缘计算节点储存的知识库，从来自异常检测模块的异常数据中，获取、挖掘出设备故障知识，即把用于故障知识求解的专门知识从数据源中提炼出来，获取故障事实和对应的规则，然后基于关联规则，挖掘出相应的厨电故障知识；再进行知识推理，定位厨电设备的故障，并判断出现危险或者故障的位置、原因，以及给出危险应对决策来恢复或者排除危险。

最后，故障诊断模块进行针对厨电危险的知识推理工作，用于完成寻求解决问题、实现状态转移的智能操作，以便从初始状态沿着最优路径有效地转移到目标状态。本发明通过知识推理过程，确定厨电设备的故障种类，并判断出现危险或者故障的位置、原因，以及根据知识库给出适当的决策来恢复或者排除危险，比如对空转设备及时断电、燃气泄漏及时断开气体阀门、对用户不符合安全规范的操作及时作出警报等措施，从而实现智能化的厨电设备故障诊断。

通过以上步骤，边缘计算节点凭借其储存能力和计算能力赋予了厨电系统的安全智能监测，与其他厨电安全系统相比，本发明采用的厨电传感器网络，兼容了多种传感器，可以针对多种厨电隐患实时采集各种数据，充分获取全方位的潜在危险源；采用的靠近数据源部署的边缘计算节点，具有一定的计算能力和存储能力；对厨电数据的处理，有利于降低系统延迟，提高反应速度；采用的边缘计算节点实现人工智能算法的执行，在异常检测和故障诊断方面具有准确度高，鲁棒性好等优点，充分提高系统的智能度，是其他基于人工经验的传统厨电监测方法所不可比拟的。

本发明利用包含多种类型的厨电传感器，构成了厨电传感器网络，实时采集了多种数据，充分获取危险来源；创新地在厨电安全领域，引入了先进的边缘计算技术：在靠近数据源处部署包含了数据预处理模块、异常检测模块和故障诊断模块的边缘计算节点；在边缘计算节点处采用的人工智能算法实现异常检测和故障诊断，比传统基于人工的方法更具有智能性。

上述为本发明较佳的实施方式，但本发明的实施方式并不受上述内容的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (4)

1.一种结合边缘计算的厨电危险智能监测方法，其特征在于，包括下述步骤：

步骤一，在厨房的不同设备与不同位置部署不同类型的传感器，并将以上传感器构成厨电传感器网络，实时采集相关的各项数据；

步骤二，厨电传感器网络将采集到的数据传输到邻近部署的边缘计算节点，边缘计算节点包括数据预处理模块、异常检测模块和故障诊断模块；边缘计算节点还储存有深度学习网络模型和基于知识的故障推理所需的知识库；

步骤三，数据预处理模块对获取到的厨电传感器网络数据进行预处理，包括去噪、Kalman滤波和融合操作，从而得到标准化的厨电数据，用于后续的数据异常检测和厨电故障诊断阶段，具体为：

数据预处理模块利用小波变换技术对来自厨电传感器网络采集的数据进行去噪、压缩和分层处理；对分层后的数据基于以下公式，实现Kalman滤波：

T(t|t)＝(1-Kg(t)H)(t|t-1) (1)

其中，

表示Kalman增益，H是测量系统的参数；利用Kalman滤波，可以通过上一时刻的最优厨电数据估计结果来预测当前的数据值；

接着利用最大最小贴近度，计算厨电传感器网络数据的信噪比，通过信噪比融合技术对厨电数据的近似系数进行融合；最后，利用小波变换重构技术，得到融合后的标准厨电数据，并将这些数据输入到边缘计算节点的异常检测模块；

步骤四，异常检测模块将通过人工智能算法从标准化数据中找出异常或离群的厨电数据，这些数据包括超过安全范围的有毒气体浓度、设备过载电流大小、设备空转数据；异常检测模块将实时检测出的异常数据输入到边缘计算节点的故障诊断模块，具体为：

异常检测模块采用深度学习的自编码神经网络模型重构误差的方法检测厨电设备数据异常，该网络模型的输入层和输出层节点数量相同，网络模型中间层的节点数少于输入层和输出层的节点数；网络模型的计算过程分为编码和解码两部分：输入的厨电数据通过编码过程得到中间低维特征，然后经过解码过程得到输出；同时，在异常检测模块工作前，还需要对网络事先训练：通过不断优化原始输入和最终输出的损失函数来学习训练网络参数；

步骤五，故障诊断模块根据边缘计算节点储存的知识库，从来自异常检测模块的异常数据中，获取、挖掘出设备故障知识，即把用于故障知识求解的专门知识从数据源中提炼出来，获取故障事实和对应的规则，然后基于关联规则，挖掘出相应的厨电故障知识；再进行知识推理，定位厨电设备的故障，并判断出现危险或者故障的位置、原因，以及给出危险应对决策来恢复或者排除危险。

2.根据权利要求1所述的结合边缘计算的厨电危险智能监测方法，其特征在于，所述步骤一中部署不同类型的传感器，具体包括采集厨房环境参数的湿度传感器、温度传感器和有毒气体传感器，采集厨电设备运行参数的电压传感器和电流传感器。

3.根据权利要求1所述的结合边缘计算的厨电危险智能监测方法，其特征在于，所述实时采集相关的各项数据，具体为厨电设备运行数据和其他厨房环境数据，包括厨电设备的电压、电流运行参数，温度、湿度工作环境参数，以及煤气、一氧化碳、火种、烟雾这些厨房环境潜在的危险监测数据。

4.根据权利要求1所述的结合边缘计算的厨电危险智能监测方法，其特征在于，所述步骤四中的编码和解码过程具体为：将经过预处理的厨电数据输入自编码神经网络模型的输入层，厨电数据经过网络模型的编码层(encoder)的压缩后，得到低维的特征；在此前的网络训练过程中，编码层已经从训练数据中学习到各个变量之间的相互作用，因此当厨电设备出现电压异常、设备空烧这些危险情况时，会影响变量之间的相互作用，从而影响到低维特征的获取；网络模型的解码层(decoder)根据这些中间的低维特征，重构输入变量；最后利用原始输入和重构输入计算重建误差，当误差超过预设阈值时，即可判断数据点为异常，否则为正常。

Images