CN112365163A - 一种工业设备异常检测方法、装置、存储介质及终端 - Google Patents
一种工业设备异常检测方法、装置、存储介质及终端 Download PDFInfo
- Publication number
- CN112365163A CN112365163A CN202011265241.0A CN202011265241A CN112365163A CN 112365163 A CN112365163 A CN 112365163A CN 202011265241 A CN202011265241 A CN 202011265241A CN 112365163 A CN112365163 A CN 112365163A
- Authority
- CN
- China
- Prior art keywords
- industrial equipment
- equipment
- detection
- detected
- training
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 152
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 84
- 238000000034 method Methods 0.000 claims abstract description 48
- 230000002159 abnormal effect Effects 0.000 claims abstract description 26
- 230000000007 visual effect Effects 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 65
- 230000005856 abnormality Effects 0.000 claims description 29
- 238000005070 sampling Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 abstract description 31
- 238000012423 maintenance Methods 0.000 abstract description 13
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000003745 diagnosis Methods 0.000 abstract 1
- 238000005457 optimization Methods 0.000 abstract 1
- 238000012827 research and development Methods 0.000 abstract 1
- 238000013528 artificial neural network Methods 0.000 description 25
- 238000013473 artificial intelligence Methods 0.000 description 14
- 238000010801 machine learning Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000009776 industrial production Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
-
- 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
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Abstract
本发明公开了一种工业设备异常检测方法、装置、存储介质及终端,该方法包括:实时采集当前待检测工业设备的运行数据;将待检测工业设备的运行参数输入检测芯片中输出待检测工业设备的检测结果;其中检测芯片中包括预先训练的工业设备检测模型所对应的权重文件,预先训练的工业设备检测模型是通过可视化界面进行参数配置后完成模型训练和部署;当检测结果中指示当前待检测工业设备异常时,将异常信息通过告警信道传输至有关部门进行预警。因此,采用本申请实施例,可以降低工业设备故障监测、健康管理、故障诊断和能源优化等智能需求中使用人工智能算法的技术门槛,以及降低模型研发、运维、管理的成本,进一步提升工业设备的运行效率。
Description
技术领域
本发明涉及人工智能技术领域,特别涉及一种工业设备异常检测方法、装置、存储介质及终端。
背景技术
当前,工厂生产智能自动化已经受到越来越多的关注,因为智能自动化不仅能带来生产效率的提高,而且能够降低或消除设备停工造成的严重损失。机器设备的不平衡、缺陷、紧固件松动和其它异常现象往往会转化为振动,导致精度下降,并且引发安全问题。但是近年来随着机器学习和边缘AI算法的发展,将机器学习和人工智能算法应用于工厂智能自动化,通过机器学习和边缘AI算法可以实时监测工业设备的运行状况。
当前,传统的机器学习和人工智能算法应用于工厂智能自动化时,传统的人工智能算法部署环节众多,机器学习时需要人工采集大量数据样本进行数据标记,整个过程都需要人员参与,操作频繁,不仅占用大量的时间,还效率低下,并且存在一定的管理混乱,人为误操作的机率增大,从而降低了机器学习和人工智能算法在工厂生产智能自动化中的落地,从而导致进一步降低了工业设备的运行效率。
发明内容
本申请实施例提供了一种工业设备异常检测方法、装置、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
第一方面,本申请实施例提供了一种工业设备异常检测方法,该方法包括:
实时采集当前待检测工业设备的运行数据;
将待检测工业设备的运行参数输入检测芯片中输出待检测工业设备的检测结果;其中检测芯片中包括预先训练的工业设备检测模型所对应的权重文件,预先训练的工业设备检测模型是通过可视化界面进行参数配置后完成模型训练和部署;
当检测结果中指示当前待检测工业设备异常时,将异常信息通过告警信道传输至有关部门进行预警。
可选的,实时采集当前待检测工业设备的运行数据之前时,还包括:
当接收到训练数据采集指令时,从影子设备服务组件中加载数据采集功能;
基于训练数据采集功能采集所需训练数据样本,并将训练数据样本发送至影子设备服务组件保存;
当影子设备服务组件接收到训练数据样本时,通过影子设备服务组件调用模型训练组件并加载回调组件;
创建工业设备检测模型,并采用模型训练组件将训练数据样本输入工业设备检测模型进行训练,训练结束后生成预先训练的工业设备检测模型。
可选的,方法还包括:
抽取预先训练的工业设备检测模型中的权重文件;
将权重文件嵌入回调组件,生成嵌入后的回调组件;
从影子设备服务组件中加载文件下载功能确定为当前工业设备所需执行的功能。
可选的,方法还包括:
当当前工业设备启动时,基于文件下载功能从嵌入后的回调组件中下载权重文件;
将下载的权重文件写入到现场可编程逻辑门阵列(FPGA)芯片中。
可选的,当接收到训练数据采集指令时,从影子设备服务组件中加载数据采集功能之前,还包括:
接收针对客户端可视化界面配置的设备所需参数,设备所需参数包括运行参数以及数据采集参数;
基于配置的运行参数创建设备所需执行的功能,设备所需执行的功能至少包括文件下载功能;
基于数据采集参数创建设备所需的数据采集功能;
将设备所需执行的功能和数据采集功能发送至影子设备服务组件保存。
可选的,方法还包括:
将配置的设备所需参数发送至数据库进行保存。
可选的,设备所需参数至少包括采样频率、采样时长、单次运行时长、采样维度和工作模式。
第二方面,本申请实施例提供了一种工业设备异常检测装置,该装置包括:
参数采集模块,用于实时采集当前待检测工业设备的运行数据;
结果输出模块,用于将待检测工业设备的运行参数输入检测芯片中输出待检测工业设备的检测结果;其中检测芯片中包括预先训练的工业设备检测模型所对应的权重文件,预先训练的工业设备检测模型是通过可视化界面进行参数配置后完成模型训练和部署;
预警模块,用于当检测结果中指示当前待检测工业设备异常时,将异常信息通过告警信道传输至有关部门进行预警。
第三方面,本申请实施例提供一种计算机存储介质,计算机存储介质存储有多条指令,指令适于由处理器加载并执行上述的方法步骤。
第四方面,本申请实施例提供一种终端,可包括:处理器和存储器;其中,存储器存储有计算机程序,计算机程序适于由处理器加载并执行上述的方法步骤。
本申请实施例提供的技术方案可以包括以下有益效果:
在本申请实施例中,工业设备异常检测装置首先实时采集当前待检测工业设备的运行数据,然后将待检测工业设备的运行参数输入检测芯片中输出待检测工业设备的检测结果,其中检测芯片中包括预先训练的工业设备检测模型所对应的权重文件,预先训练的工业设备检测模型是通过可视化界面进行参数配置后完成模型训练和部署,最后当检测结果中指示当前待检测工业设备异常时,将异常信息通过告警信道传输至有关部门进行预警。由于本发明采用智能边缘计算平台的全流程人工智能算法部署,从而实现了算法自动部署,以及本发明通过嵌入式软核中内置神经网络与自学习算法,可在线收集运行数据进行无监督在线训练神经网络,使训练后的神经网络检测结果更加准确,从而可预测工业设备维护需求以避免发生紧急维修事件,使工业设备正常运行时间最大化,进而提高工业生产效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是本申请实施例提供的一种工业设备异常检测方法的流程示意图;
图2是本申请实施例提供的一种工业设备异常检测是参数配置界面示意图;
图3是本申请实施例提供的一种工业设备异常检测模型训练过程的过程示意图;
图4是本申请实施例提供的一种工业设备异常检测模型训练方法的流程示意图;
图5是本申请实施例提供的一种工业设备异常检测装置的装置示意图;
图6是本申请实施例提供的一种终端的结构示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案,以使本领域的技术人员能够实践它们。
应当明确,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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。此外,在本发明的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
到目前为此,传统的机器学习和人工智能算法应用于工厂智能自动化时,传统的人工智能算法部署环节众多,机器学习时需要人工采集大量数据样本进行数据标记,整个过程都需要人员参与,操作频繁,不仅占用大量的时间,还效率低下,并且存在一定的管理混乱,人为误操作的机率增大,从而降低了机器学习和人工智能算法在工厂生产智能自动化中的落地,从而导致进一步降低了工业设备的运行效率,为了解决上述存在的问题,为此,本发明提供了一种工业设备异常检测方法、装置、存储介质和电子设备,以解决上述相关技术问题中存在的问题。由于本发明采用智能边缘计算平台的全流程人工智能算法部署,从而实现了算法自动部署,以及本发明通过嵌入式软核中内置神经网络与自学习算法,可在线收集运行数据进行无监督在线训练神经网络,使训练后的神经网络检测结果更加准确,从而可预测工业设备维护需求以避免发生紧急维修事件,使工业设备正常运行时间最大化,进而提高工业生产效率,下面采用示例性的实施例进行详细说明。
下面将结合附图1-附图3,对本申请实施例提供的工业设备异常检测方法进行详细介绍。该方法可依赖于计算机程序实现,可运行于基于冯诺依曼体系的工业设备异常检测装置上。该计算机程序可集成在应用中,也可作为独立的工具类应用运行。
请参见图1,为本申请实施例提供了一种工业设备异常检测方法的流程示意图。如图1所示,本申请实施例的方法可以包括以下步骤:
S101,实时采集当前待检测工业设备的运行数据;
其中,工业设备例如工业风机、搅拌器、汽轮发电机、电机、水泵以及齿轮箱等设备,运行数据是当前工业设备工作状态下的输出的参数值。
通常,在本发明中运行参数可以为工业设备振动的数据,该振动的数据通过工业设备异常检测装置中的振动传感器实时监测,该振动传感器和工业设备连接。工业设备异常检测装置中还包含物联网节点模块、智能边缘计算平台以及报警终端。其中物联网节点用于处理工业设备的运行信息,智能边缘计算平台用于接收来自IOT节点的数据进行数据处理与统计,报警终端包含手机报警与大数据平台报警,工业设备有异常时实时报警。
进一步地,物联网节点模块中还包括FPGA芯片,该芯片中保存有神经网络以及自学习算法。
在一种可能的实现方式中,在通过工业设备异常检测装置对工业设备进行异常检测时,首先将工业设备异常检测装置和待检测工业设备进行连接,具体为工业设备异常检测装置的振动传感器连接在待检测工业设备上,连接后开启工业设备异常检测装置通过振动传感器实时采集工业设备的运行信息。
S102,将待检测工业设备的运行参数输入检测芯片中输出待检测工业设备的检测结果;其中检测芯片中包括预先训练的工业设备检测模型所对应的权重文件,预先训练的工业设备检测模型是通过可视化界面进行参数配置后完成模型训练和部署;
其中,检测芯片为异常检测装置中物联网节点中的FPGA芯片。预先训练的工业设备检测模型为通过芯片中自学习算法实时采集设备运行正常的数据对芯片中的神经网络进行训练后,使得神经网络具备在线监测能力,可视化界面为报警终端的可视化界面,用户可通过该界面进行参数配置,例如图2所示,目前可配置的参数至少有采样频率、采样时长、单次运行时长、采样维度和工作模式等。每次设备相关的参数更新之后都会记录在数据库之中。
通常,在针对工业设备监测之前,还需要通过芯片中自学习算法实时采集设备运行正常的数据对芯片中的神经网络进行训练。
进一步地,在进行神经网络进行训练时,首先通过检测装置中的物联网节点对待检测的工业设备运行进程进行数据采集,然后将采集的数据上传至服务器设备中进行模型训练获得权重文件,其中,模型训练的相关配置和参数可预先通过可视化界面进行配置。
具体的,首先接收针对客户端可视化界面配置的设备所需参数,设备所需参数包括运行参数以及数据采集参数,再基于配置的运行参数创建设备所需执行的功能,设备所需执行的功能至少包括文件下载功能,然后基于数据采集参数创建设备所需的数据采集功能,最后将设备所需执行的功能和数据采集功能发送至影子设备服务组件保存。当接收到训练数据采集指令时采集数据进行模型训练。
在进行训练时,首先从影子设备服务组件中加载数据采集功能,再基于训练数据采集功能采集所需训练数据样本,并将训练数据样本发送至影子设备服务组件保存,然后当影子设备服务组件接收到训练数据样本时,通过影子设备服务组件调用模型训练组件并加载回调组件,最后创建工业设备检测模型,并采用模型训练组件将训练数据样本输入工业设备检测模型进行训练,训练结束后生成预先训练的工业设备检测模型。
进一步地,模型训练结束后,抽取预先训练的工业设备检测模型中的权重文件,再将权重文件嵌入回调组件,生成嵌入后的回调组件,最后从影子设备服务组件中加载文件下载功能确定为当前工业设备所需执行的功能。
在当前工业设备启动时,基于文件下载功能从嵌入后的回调组件中下载权重文件,再将下载的权重文件写入到现场可编程逻辑门阵列(FPGA)芯片中。
例如图3所示,图3为本申请实施例神经网络训练的过程示意图,首先移动应用APP展示设备状态、配置设备参数以及所控制的设备,用户通过APP在线配置参数后通过HTTP协议将参数发送至设备管理中心进行设备配置和注册,影子设备服务器通过应用程序编程接口调用配置的参数,通过配置的参数进行设备状态管理、设备命令下发以及训练服务调用,然后训练服务器根据参数和采集数据生成模型训练文件,最后通过模型训练文件检测工业设备的检测任务。
需要说明的是,影子设备服务会记录设备需要执行的命令,并根据优先级调度下次设备启动时需要执行的操作。设备在启动之后会收集需要执行的操作,若根据优先级得到的操作为下载操作时,说明模型已经训练好,直接通过下载操作下载模型的权重文件进行处理,否则采集运行正常的数据进行在线的神经网络(模型)训练。
例如,影子设备服务会记录设备需要执行的命令,并根据优先级调度下次设备启动时需要执行的操作。设备在启动之后会收到采集训练数据的指令,按指令采集完成所需数据之后,会把这些数据上传至影子设备服务。影子设备服务接收完毕训练数据之后,会调用训练服务的接口并增加回调接口。一段时间后,如果训练任务完成,会把模型权重文件写入回调接口,更新下次设备启动的指令为下载权重文件。
在一种可能的实现方式中,基于步骤S101采集到工业设备运行的数据后,将待检测工业设备的运行参数输入检测芯片中输出待检测工业设备的检测结果,具体通过芯片中的权重文件进行处理。
S103,当检测结果中指示当前待检测工业设备异常时,将异常信息通过告警信道传输至有关部门进行预警。
其中,异常信息为工业设备出现振动等异常后识别到的信息数据,该信息例如为“设备某一部件出现松动,请及时查看并处理!!!”。
在一种可能的实现方式中,如果设备没有接收到特殊的指令,会在启动时执行检测任务。如果发现了设备的异常,会上报相关异常信息到告警信道中,以便后续处理。
在本申请实施例中,工业设备异常检测装置首先实时采集当前待检测工业设备的运行数据,然后将待检测工业设备的运行参数输入检测芯片中输出待检测工业设备的检测结果,其中检测芯片中包括预先训练的工业设备检测模型所对应的权重文件,预先训练的工业设备检测模型是通过可视化界面进行参数配置后完成模型训练和部署,最后当检测结果中指示当前待检测工业设备异常时,将异常信息通过告警信道传输至有关部门进行预警。由于本发明采用智能边缘计算平台的全流程人工智能算法部署,从而实现了算法自动部署,以及本发明通过嵌入式软核中内置神经网络与自学习算法,可在线收集运行数据进行无监督在线训练神经网络,使训练后的神经网络检测结果更加准确,从而可预测工业设备维护需求以避免发生紧急维修事件,使工业设备正常运行时间最大化,进而提高工业生产效率。
请参见图4,为本申请实施例提供了一种工业设备异常检测模型训练方法的流程示意图。如图4所示,本申请实施例的方法可以包括以下步骤:
S201,接收针对客户端可视化界面配置的设备所需参数,设备所需参数包括运行参数以及数据采集参数;
S202,基于配置的运行参数创建设备所需执行的功能,设备所需执行的功能至少包括文件下载功能;
S203,基于数据采集参数创建设备所需的数据采集功能,将设备所需执行的功能和数据采集功能发送至影子设备服务组件保存,并将配置的设备所需参数发送至数据库进行保存;
S204,当接收到训练数据采集指令时,从影子设备服务组件中加载数据采集功能;
S205,基于训练数据采集功能采集所需训练数据样本,并将训练数据样本发送至影子设备服务组件保存;
S206,当影子设备服务组件接收到训练数据样本时,通过影子设备服务组件调用模型训练组件并加载回调组件;
S207,创建工业设备检测模型,并采用模型训练组件将训练数据样本输入工业设备检测模型进行训练,训练结束后生成预先训练的工业设备检测模型;
S208,抽取预先训练的工业设备检测模型中的权重文件,将权重文件嵌入回调组件,生成嵌入后的回调组件;
S209,从影子设备服务组件中加载文件下载功能确定为当前工业设备所需执行的功能;
S210,当当前工业设备启动时,基于文件下载功能从嵌入后的回调组件中下载权重文件;
S211,将下载的权重文件写入到现场可编程逻辑门阵列(FPGA)芯片中。
在本申请实施例中,工业设备异常检测装置首先实时采集当前待检测工业设备的运行数据,然后将待检测工业设备的运行参数输入检测芯片中输出待检测工业设备的检测结果,其中检测芯片中包括预先训练的工业设备检测模型所对应的权重文件,预先训练的工业设备检测模型是通过可视化界面进行参数配置后完成模型训练和部署,最后当检测结果中指示当前待检测工业设备异常时,将异常信息通过告警信道传输至有关部门进行预警。由于本发明采用智能边缘计算平台的全流程人工智能算法部署,从而实现了算法自动部署,以及本发明通过嵌入式软核中内置神经网络与自学习算法,可在线收集运行数据进行无监督在线训练神经网络,使训练后的神经网络检测结果更加准确,从而可预测工业设备维护需求以避免发生紧急维修事件,使工业设备正常运行时间最大化,进而提高工业生产效率。
下述为本发明装置实施例,可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节,请参照本发明方法实施例。
请参见图5,其示出了本发明一个示例性实施例提供的工业设备异常检测装置的结构示意图。该工业设备异常检测装置可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该装置5包括参数采集模块10、结果输出模块20、预警模块30。
参数采集模块10,用于实时采集当前待检测工业设备的运行数据;
结果输出模块20,用于将待检测工业设备的运行参数输入检测芯片中输出待检测工业设备的检测结果;其中检测芯片中包括预先训练的工业设备检测模型所对应的权重文件,预先训练的工业设备检测模型是通过可视化界面进行参数配置后完成模型训练和部署;
预警模块30,用于当检测结果中指示当前待检测工业设备异常时,将异常信息通过告警信道传输至有关部门进行预警。
需要说明的是,上述实施例提供的工业设备异常检测装置在执行工业设备异常检测方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的工业设备异常检测装置与工业设备异常检测方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请实施例中,工业设备异常检测装置首先实时采集当前待检测工业设备的运行数据,然后将待检测工业设备的运行参数输入检测芯片中输出待检测工业设备的检测结果,其中检测芯片中包括预先训练的工业设备检测模型所对应的权重文件,预先训练的工业设备检测模型是通过可视化界面进行参数配置后完成模型训练和部署,最后当检测结果中指示当前待检测工业设备异常时,将异常信息通过告警信道传输至有关部门进行预警。由于本发明采用智能边缘计算平台的全流程人工智能算法部署,从而实现了算法自动部署,以及本发明通过嵌入式软核中内置神经网络与自学习算法,可在线收集运行数据进行无监督在线训练神经网络,使训练后的神经网络检测结果更加准确,从而可预测工业设备维护需求以避免发生紧急维修事件,使工业设备正常运行时间最大化,进而提高工业生产效率。
本发明还提供一种计算机可读介质,其上存储有程序指令,该程序指令被处理器执行时实现上述各个方法实施例提供的工业设备异常检测方法。
本发明还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各个方法实施例的工业设备异常检测方法。
请参见图6,为本申请实施例提供了一种终端的结构示意图。如图6所示,终端1000可以包括:至少一个处理器1001,至少一个网络接口1004,用户接口1003,存储器1005,至少一个通信总线1002。
其中,通信总线1002用于实现这些组件之间的连接通信。
其中,用户接口1003可以包括显示屏(Display)、摄像头(Camera),可选用户接口1003还可以包括标准的有线接口、无线接口。
其中,网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器1001可以包括一个或者多个处理核心。处理器1001利用各种借口和线路连接整个电子设备1000内的各个部分,通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集,以及调用存储在存储器1005内的数据,执行电子设备1000的各种功能和处理数据。可选的,处理器1001可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器1001中,单独通过一块芯片进行实现。
其中,存储器1005可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图6所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及工业设备异常检测应用程序。
在图6所示的终端1000中,用户接口1003主要用于为用户提供输入的接口,获取用户输入的数据;而处理器1001可以用于调用存储器1005中存储的工业设备异常检测应用程序,并具体执行以下操作:
实时采集当前待检测工业设备的运行数据;
将待检测工业设备的运行参数输入检测芯片中输出待检测工业设备的检测结果;其中检测芯片中包括预先训练的工业设备检测模型所对应的权重文件,预先训练的工业设备检测模型是通过可视化界面进行参数配置后完成模型训练和部署;
当检测结果中指示当前待检测工业设备异常时,将异常信息通过告警信道传输至有关部门进行预警。
在一个实施例中,处理器1001在执行实时采集当前待检测工业设备的运行数据之前时,还执行以下操作:
当接收到训练数据采集指令时,从影子设备服务组件中加载数据采集功能;
基于训练数据采集功能采集所需训练数据样本,并将训练数据样本发送至影子设备服务组件保存;
当影子设备服务组件接收到训练数据样本时,通过影子设备服务组件调用模型训练组件并加载回调组件;
创建工业设备检测模型,并采用模型训练组件将训练数据样本输入工业设备检测模型进行训练,训练结束后生成预先训练的工业设备检测模型。
在一个实施例中,处理器1001在执行训练结束后生成预先训练的工业设备检测模型之后时,还执行以下操作:
抽取预先训练的工业设备检测模型中的权重文件;
将权重文件嵌入回调组件,生成嵌入后的回调组件;
从影子设备服务组件中加载文件下载功能确定为当前工业设备所需执行的功能;
当当前工业设备启动时,基于文件下载功能从嵌入后的回调组件中下载权重文件;
将下载的权重文件写入到现场可编程逻辑门阵列(FPGA)芯片中。
在一个实施例中,处理器1001在执行当接收到训练数据采集指令时,从影子设备服务组件中加载数据采集功能之前时,还执行以下操作:
接收针对客户端可视化界面配置的设备所需参数,设备所需参数包括运行参数以及数据采集参数;
基于配置的运行参数创建设备所需执行的功能,设备所需执行的功能至少包括文件下载功能;
基于数据采集参数创建设备所需的数据采集功能;
将设备所需执行的功能和数据采集功能发送至影子设备服务组件保存;
将配置的设备所需参数发送至数据库进行保存。
在本申请实施例中,工业设备异常检测装置首先实时采集当前待检测工业设备的运行数据,然后将待检测工业设备的运行参数输入检测芯片中输出待检测工业设备的检测结果,其中检测芯片中包括预先训练的工业设备检测模型所对应的权重文件,预先训练的工业设备检测模型是通过可视化界面进行参数配置后完成模型训练和部署,最后当检测结果中指示当前待检测工业设备异常时,将异常信息通过告警信道传输至有关部门进行预警。由于本发明采用智能边缘计算平台的全流程人工智能算法部署,从而实现了算法自动部署,以及本发明通过嵌入式软核中内置神经网络与自学习算法,可在线收集运行数据进行无监督在线训练神经网络,使训练后的神经网络检测结果更加准确,从而可预测工业设备维护需求以避免发生紧急维修事件,使工业设备正常运行时间最大化,进而提高工业生产效率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (10)
1.一种工业设备异常检测方法,其特征在于,所述方法包括:
实时采集当前待检测工业设备的运行数据;
将所述待检测工业设备的运行参数输入检测芯片中输出所述待检测工业设备的检测结果;其中所述检测芯片中包括预先训练的工业设备检测模型所对应的权重文件,所述预先训练的工业设备检测模型是通过可视化界面进行参数配置后完成模型训练和部署;
当所述检测结果中指示所述当前待检测工业设备异常时,将所述异常信息通过告警信道传输至有关部门进行预警。
2.根据权利要求1所述的方法,其特征在于,所述实时采集当前待检测工业设备的运行数据之前,还包括:
当接收到训练数据采集指令时,从影子设备服务组件中加载数据采集功能;
基于所述训练数据采集功能采集所需训练数据样本,并将所述训练数据样本发送至影子设备服务组件保存;
当所述影子设备服务组件接收到训练数据样本时,通过所述影子设备服务组件调用模型训练组件并加载回调组件;
创建工业设备检测模型,并采用所述模型训练组件将所述训练数据样本输入所述工业设备检测模型进行训练,训练结束后生成预先训练的工业设备检测模型。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
抽取所述预先训练的工业设备检测模型中的权重文件;
将所述权重文件嵌入所述回调组件,生成嵌入后的回调组件;
从影子设备服务组件中加载文件下载功能确定为所述当前工业设备所需执行的功能。
4.根据权利要求2或3所述的方法,其特征在于,所述方法还包括:
当所述当前工业设备启动时,基于所述文件下载功能从所述嵌入后的回调组件中下载权重文件;
将所述下载的权重文件写入到现场可编程逻辑门阵列(FPGA)芯片中。
5.根据权利要求2所述的方法,其特征在于,所述当接收到训练数据采集指令时,从影子设备服务组件中加载数据采集功能之前,还包括:
接收针对客户端可视化界面配置的设备所需参数,所述设备所需参数包括运行参数以及数据采集参数;
基于所述配置的运行参数创建设备所需执行的功能,所述设备所需执行的功能至少包括文件下载功能;
基于所述数据采集参数创建设备所需的数据采集功能;
将所述设备所需执行的功能和数据采集功能发送至影子设备服务组件保存。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
将所述配置的设备所需参数发送至数据库进行保存。
7.根据权利要求5所述的方法,其特征在于,所述设备所需参数至少包括采样频率、采样时长、单次运行时长、采样维度和工作模式。
8.一种工业设备异常检测装置,其特征在于,所述装置包括:
参数采集模块,用于实时采集当前待检测工业设备的运行数据;
结果输出模块,用于将所述待检测工业设备的运行参数输入检测芯片中输出所述待检测工业设备的检测结果;其中所述检测芯片中包括预先训练的工业设备检测模型所对应的权重文件,所述预先训练的工业设备检测模型是通过可视化界面进行参数配置后完成模型训练和部署;
预警模块,用于当所述检测结果中指示所述当前待检测工业设备异常时,将所述异常信息通过告警信道传输至有关部门进行预警。
9.一种计算机存储介质,其特征在于,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行如权利要求1-7任意一项的方法步骤。
10.一种终端,其特征在于,包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行如权利要求1-7任意一项的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011265241.0A CN112365163A (zh) | 2020-11-12 | 2020-11-12 | 一种工业设备异常检测方法、装置、存储介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011265241.0A CN112365163A (zh) | 2020-11-12 | 2020-11-12 | 一种工业设备异常检测方法、装置、存储介质及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112365163A true CN112365163A (zh) | 2021-02-12 |
Family
ID=74516090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011265241.0A Pending CN112365163A (zh) | 2020-11-12 | 2020-11-12 | 一种工业设备异常检测方法、装置、存储介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112365163A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862347A (zh) * | 2021-03-02 | 2021-05-28 | 同济大学 | 基于联邦学习的设备异常监测方法、系统、存储介质及终端 |
CN113657628A (zh) * | 2021-08-20 | 2021-11-16 | 武汉霖汐科技有限公司 | 工业设备监控方法、系统、电子设备及存储介质 |
CN113762783A (zh) * | 2021-09-10 | 2021-12-07 | 中兴耀维科技江苏有限公司 | 一种数字化工业产品在线检测平台 |
CN115442209A (zh) * | 2022-06-22 | 2022-12-06 | 北京车网科技发展有限公司 | 一种故障检测方法、装置、电子设备及存储介质 |
CN115563622A (zh) * | 2022-09-29 | 2023-01-03 | 国网山西省电力公司 | 一种运行环境的检测方法、装置和系统 |
CN116414097A (zh) * | 2023-05-15 | 2023-07-11 | 广东思创智联科技股份有限公司 | 基于工业设备数据的告警管理方法及系统 |
WO2024026777A1 (en) * | 2022-08-04 | 2024-02-08 | Nec Corporation | Method, device and computer storage medium of communication |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105531965A (zh) * | 2013-09-09 | 2016-04-27 | 三星电子株式会社 | 具有检测机构的计算系统及其操作方法 |
CN110119333A (zh) * | 2019-02-21 | 2019-08-13 | 北京天泽智云科技有限公司 | 一种异常检测边缘计算系统 |
CN111163002A (zh) * | 2019-12-31 | 2020-05-15 | 广州智光电气股份有限公司 | 一种基于容器的边缘网关系统和能源数据处理方法 |
-
2020
- 2020-11-12 CN CN202011265241.0A patent/CN112365163A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105531965A (zh) * | 2013-09-09 | 2016-04-27 | 三星电子株式会社 | 具有检测机构的计算系统及其操作方法 |
CN110119333A (zh) * | 2019-02-21 | 2019-08-13 | 北京天泽智云科技有限公司 | 一种异常检测边缘计算系统 |
CN111163002A (zh) * | 2019-12-31 | 2020-05-15 | 广州智光电气股份有限公司 | 一种基于容器的边缘网关系统和能源数据处理方法 |
Non-Patent Citations (4)
Title |
---|
"《转型》", 上海科学技术出版社, pages: 106 - 124 * |
付强: "《物联网系统开发:从0到1构建IoT平台》", 31 August 2020, 机械工业出版社, pages: 199 - 201 * |
张朝阳: "《深入浅出工业机器学习算法详解与实战》", 31 January 2020, 上海科学技术出版社, pages: 195 - 197 * |
钟良骥等: "《物联网技术与应用》", 31 October 2020, 华中科技大学出版社, pages: 82 - 91 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862347A (zh) * | 2021-03-02 | 2021-05-28 | 同济大学 | 基于联邦学习的设备异常监测方法、系统、存储介质及终端 |
CN113657628A (zh) * | 2021-08-20 | 2021-11-16 | 武汉霖汐科技有限公司 | 工业设备监控方法、系统、电子设备及存储介质 |
CN113762783A (zh) * | 2021-09-10 | 2021-12-07 | 中兴耀维科技江苏有限公司 | 一种数字化工业产品在线检测平台 |
CN115442209A (zh) * | 2022-06-22 | 2022-12-06 | 北京车网科技发展有限公司 | 一种故障检测方法、装置、电子设备及存储介质 |
CN115442209B (zh) * | 2022-06-22 | 2024-02-02 | 北京车网科技发展有限公司 | 一种故障检测方法、装置、电子设备及存储介质 |
WO2024026777A1 (en) * | 2022-08-04 | 2024-02-08 | Nec Corporation | Method, device and computer storage medium of communication |
CN115563622A (zh) * | 2022-09-29 | 2023-01-03 | 国网山西省电力公司 | 一种运行环境的检测方法、装置和系统 |
CN115563622B (zh) * | 2022-09-29 | 2024-03-12 | 国网山西省电力公司 | 一种运行环境的检测方法、装置和系统 |
CN116414097A (zh) * | 2023-05-15 | 2023-07-11 | 广东思创智联科技股份有限公司 | 基于工业设备数据的告警管理方法及系统 |
CN116414097B (zh) * | 2023-05-15 | 2023-09-29 | 广东思创智联科技股份有限公司 | 基于工业设备数据的告警管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112365163A (zh) | 一种工业设备异常检测方法、装置、存储介质及终端 | |
CN110398264A (zh) | 一种设备状态监测方法及系统 | |
EP1813999A1 (en) | Device and method for alarm information processing | |
CN112650200B (zh) | 一种厂站设备故障的诊断方法及诊断装置 | |
CN112025703B (zh) | 机器人自诊断的方法、装置及系统 | |
CN112817814A (zh) | 异常监控方法、系统、存储介质及电子装置 | |
CN110388315A (zh) | 基于多源信息融合的输油泵故障识别方法、装置及系统 | |
CN109189024A (zh) | 一种包括监控单元的工业自动化系统、工厂及监控方法 | |
CN104615067A (zh) | 控制装置以及控制方法 | |
CN102736545A (zh) | 用于自动化设备的防呆监控方法及其装置 | |
CN110650243B (zh) | 一种报警方法、装置、存储介质以及终端 | |
CN114595987A (zh) | 多设备集中管理方法、装置、系统、电子设备及存储介质 | |
CN110782905A (zh) | 一种定位方法、装置及系统 | |
CN108696375B (zh) | 工业网络信息获取装置、方法、监控系统及存储介质 | |
JP2013140577A (ja) | プロセスコントローラの健全性をモニタするためのデバイスおよび方法 | |
CN115002226B (zh) | 传感器数据分时上报的智能电缆监测系统 | |
CN110377637A (zh) | 一种多类型矿机的管理方法及系统 | |
CN113123955A (zh) | 柱塞泵异常检测方法、装置、存储介质及电子设备 | |
CN116824734A (zh) | 一种基于数字孪生的设备远程故障诊断方法、系统和装置 | |
JP7182662B2 (ja) | 製造現場においてエッジプログラムを分散させるシステムおよび方法 | |
EP4152016A1 (en) | Evolving faults in a power grid | |
CN114743332A (zh) | 一种智能消防的感知预警方法、装置、存储介质及终端 | |
CN116416764A (zh) | 报警阈值的生成方法和装置、电子设备和存储介质 | |
CN110244188A (zh) | 一种电网故障诊断方法、装置及配电开关监控终端 | |
CN115792606B (zh) | 一种水泵电机故障检测方法、装置、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 |