CN113191306A - 基于边缘计算的设备异常状态预测方法 - Google Patents
基于边缘计算的设备异常状态预测方法 Download PDFInfo
- Publication number
- CN113191306A CN113191306A CN202110536016.4A CN202110536016A CN113191306A CN 113191306 A CN113191306 A CN 113191306A CN 202110536016 A CN202110536016 A CN 202110536016A CN 113191306 A CN113191306 A CN 113191306A
- Authority
- CN
- China
- Prior art keywords
- feature map
- feature
- classification
- scale
- dimension
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及边缘计算领域,更具体地涉及一种基于边缘计算的设备异常状态预测方法。所述方法融合工业互联网和边缘计算将自动生产线上与设备状态相关联的信息数据化并基于人工智能来挖掘与设备状态相关联的数据之间的关联以对设备状态进行异常预测。并且,为了降低计算量和均衡计算资源,将预先在服务器端训练好的深度神经网络模型直接部署在自动生产线的边缘端,从而在获得自动产线的各个传感器采集的数据后能在边缘端产生异常状态的预测结果,这也能够保证异常状态预测所需的实时性。
Description
技术领域
本发明涉及一种基于边缘计算的设备异常状态预测方法、基于边缘计算的设备异常状态预测系统和电子设备。
背景技术
传统的生产设备维护管理模式,依赖“人工”管理,而“人”难免疏忽、不够严谨,也不能对各种设备实时监测、及时检测和状态预测,尤其特殊、复杂设备的故障诊断处理还必须由少数人才解决,严重影响维护效率及维护成本,造成企业经济收益下降。
例如,在金属切削的自动产线中,金属切削过程中不可避免的伴随着刀具磨损甚至破损的现象。由于自动生产线上往往是多机床连续生产,同时工作的刀具数量众多,所以只要其中一把刀具的损坏(磨损、崩刃、折断)未能及时发现和采取措施,就可能会造成事故,产生大量废品或被迫长时间停顿,甚至于损坏机床设备,影响整条自动线的正常运转。
因此,对于刀具磨损状态的预测结果的准确性和实时性至关重要。然而由于不同材质、规格、切削用量的刀具其耐磨性不同,在读取到相同的运行参数时,其使用寿命是不同的,这就导致在对生产线上数量庞大的不同类型刀具进行监测时,需要传输和处理的数据量会呈指数倍的增长,大大影响了设备故障的监测效率。
因此,期待一种优化的设备异常预测方法。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于边缘计算的设备异常状态预测方法、基于边缘计算的设备异常状态预测系统和电子设备,其融合工业互联网和边缘计算将自动生产线上与设备状态相关联的信息数据化并基于人工智能来挖掘与设备状态相关联的数据之间的关联以对设备状态进行异常预测。并且,为了降低计算量和均衡计算资源,将预先在服务器端训练好的深度神经网络模型直接部署在自动生产线的边缘端,从而在获得自动产线的各个传感器采集的数据后能在边缘端产生异常状态的预测结果,这也能够保证异常状态预测所需的实时性。
根据本申请的一个方面,提供了一种基于边缘计算的设备异常状态预测方法,其包括:
在边缘计算的端侧获取在自动生产线上的用于刀具的传感器以预设时间间隔采集的多组工作参数;
将所述多组工作参数分别通过预先训练的由多个全连接网络构成的编码器以获得多个参数特征向量,其中,所述多个参数特征向量的长度维度为L,时间维度为T、样本维度为S;
将所述多个参数特征向量构造为参数特征图,其中,所述参数特征图的尺度为L*T*S;
将所述参数特征图通过预先训练的第一卷积神经网络以获得第一特征图,其中,所述第一特征图的尺度为L1*T1*C1*S;
在边缘计算的端侧获取由摄像头采集的在自动生产线上的各个所述刀具的图像;
将各个所述刀具的图像通过预先训练的第二卷积神经网络以获得第二特征图,所述第二特征图的尺度为W*H*C2*S,其中W为宽度,H为高度,C2为通道数且S为样本数;
将所述第一特征图和所述第二特征图在样本维度上进行融合,以获得分类特征图,其中,所述将所述第一特征图和所述第二特征图在样本维度上进行融合以获得分类特征图,包括:将所述第二特征图转化为与所述第一特征图具有相同尺度的特征图以获得尺度变换特征图;以及,计算所述尺度变换特征图在各个样本维度的特征张量的基于各个刀具的类别信息的分类函数值后对所述第一特征图在其对应样本维度的特征张量进行加权,以获得所述分类特征图;以及
将所述分类特征图通过分类器以获得分类结果,其中,所述分类结果用于表示该自动生产线上的多个刀具是否预测到异常状态。
在上述基于边缘计算的设备异常状态预测方法中,将所述第二特征图转化为与所述第一特征图具有相同尺度的特征图以获得尺度变换特征图,包括:将所述第二特征图中每个尺度为W*H的特征矩阵通过转换器,以获得尺度为L1*T1*C2*S的初始变换特征图;以及,对所述初始变换特征图进行通道维度上的变换,以获得尺度为L1*T1*C1*S的所述尺度变换特征图。
在上述基于边缘计算的设备异常状态预测方法中,所述转化器包括多个全连接层。
在上述基于边缘计算的设备异常状态预测方法中,对所述初始变换特征图进行通道维度上的变换,以获得尺度为L1*T1*C1*S的所述尺度变换特征图,包括:对所述初始变换特征图进行在通道维度上的插值或平均,以获得尺度为L1*T1*C1*S的所述尺度变换特征图。
在上述基于边缘计算的设备异常状态预测方法中,计算所述尺度变换特征图在各个样本维度的特征张量的基于各个刀具的类别信息的分类函数值后对所述第一特征图在其对应样本维度的特征张量进行加权,以获得所述分类特征图,包括:以第一公式计算所述尺度变换特征图在各个样本维度的特征张量的基于各个刀具的类别信息的分类函数值,其中,所述第一公式为:Yi=exp(-xi*kj)/∑i,j exp(-xi*kj),Yi表示所述分类函数值,xi表示尺度为L1*T1*C1的特征张量中的每个位置的值;kj表示每个样本的类别的标签值;以及,以所述分类函数值对所述第一特征图在其对应样本维度的特征张量进行加权,以获得所述分类特征图。
在上述基于边缘计算的设备异常状态预测方法中,将所述分类特征图通过分类器以获得分类结果,包括:将所述分类特征图通过一个或多个全连接层,以获得分类特征向量;以及,将所述分类特征向量输入Softmax分类函数,以获得所述分类结果。
在上述基于边缘计算的设备异常状态预测方法中,所述第一卷积神经网络和所述第二卷积神经网络为深度残差网络。
在上述基于边缘计算的设备异常状态预测方法中,所述第一卷积神经网络、所述第二卷积神经网络和所述编码器的训练过程在边缘计算的服务器端完成。
根据本申请的另一方面,提供了一种基于边缘计算的设备异常状态预测系统,其包括:
工作参数获取单元,用于在边缘计算的端侧获取在自动生产线上的用于刀具的传感器以预设时间间隔采集的多组工作参数;
参数特征向量生成单元,用于将所述工作参数获取单元获得的所述多组工作参数分别通过预先训练的由多个全连接网络构成的编码器以获得多个参数特征向量,其中,所述多个参数特征向量的长度维度为L,时间维度为T、样本维度为S;
参数特征图生成单元,用于将所述参数特征向量生成单元获得的所述多个参数特征向量构造为参数特征图,其中,所述参数特征图的尺度为L*T*S;
第一特征图生成单元,用于将所述参数特征图生成单元获得的所述参数特征图通过预先训练的第一卷积神经网络以获得第一特征图,其中,所述第一特征图的尺度为L1*T1*C1*S;
图像获取单元,用于在边缘计算的端侧获取由摄像头采集的在自动生产线上的各个所述刀具的图像;
第二特征图生成单元,用于将所述图像获取单元获得的各个所述刀具的图像通过预先训练的第二卷积神经网络以获得第二特征图,所述第二特征图的尺度为W*H*C2*S,其中W为宽度,H为高度,C2为通道数且S为样本数;
分类特征图生成单元,用于将所述第一特征图生成单元获得的所述第一特征图和所述第二特征图生成单元获得的所述第二特征图在样本维度上进行融合,以获得分类特征图,其中,所述将所述第一特征图和所述第二特征图在样本维度上进行融合以获得分类特征图,包括:尺度变换特征图生成子单元,用于将所述第二特征图转化为与所述第一特征图具有相同尺度的特征图以获得尺度变换特征图;以及,加权子单元,用于计算所述尺度变换特征图生成子单元获得的所述尺度变换特征图在各个样本维度的特征张量的基于各个刀具的类别信息的分类函数值后对所述第一特征图在其对应样本维度的特征张量进行加权,以获得所述分类特征图;以及
分类结果生成单元,用于将所述分类特征图生成单元获得的所述分类特征图通过分类器以获得分类结果,其中,所述分类结果用于表示该自动生产线上的多个刀具是否预测到异常状态。
在上述基于边缘计算的设备异常状态预测系统中,所述尺度变换特征图生成子单元,包括:初始变换特征图生成模块,用于将所述第二特征图中每个尺度为W*H的特征矩阵通过转换器,以获得尺度为L1*T1*C2*S的初始变换特征图;以及,通道维度变换模块,用于对所述初始变换特征图生成模块获得的所述初始变换特征图进行通道维度上的变换,以获得尺度为L1*T1*C1*S的所述尺度变换特征图。
在上述基于边缘计算的设备异常状态预测系统中,所述转化器包括多个全连接层。
在上述基于边缘计算的设备异常状态预测系统中,所述通道维度变换模块,进一步用于:对所述初始变换特征图进行在通道维度上的插值或平均,以获得尺度为L1*T1*C1*S的所述尺度变换特征图。
在上述基于边缘计算的设备异常状态预测系统中,所述加权子单元,包括:分类函数值生成模块,用于以第一公式计算所述尺度变换特征图在各个样本维度的特征张量的基于各个刀具的类别信息的分类函数值,其中,所述第一公式为:Yi=exp(-xi*kj)/∑i,j exp(-xi*kj),Yi表示所述分类函数值,xi表示尺度为L1*T1*C1的特征张量中的每个位置的值;kj表示每个样本的类别的标签值;以及,加权模块,用于以所述分类函数值生成模块获得的所述分类函数值对所述第一特征图在其对应样本维度的特征张量进行加权,以获得所述分类特征图。
在上述基于边缘计算的设备异常状态预测系统中,所述分类结果生成单元,包括:分类特征向量生成子单元,用于将所述分类特征图通过一个或多个全连接层,以获得分类特征向量;以及,分类子单元,用于将所述分类特征向量生成子单元获得的所述分类特征向量输入Softmax分类函数,以获得所述分类结果。
在上述基于边缘计算的设备异常状态预测系统中,所述第一卷积神经网络和所述第二卷积神经网络为深度残差网络。
在上述基于边缘计算的设备异常状态预测系统中,所述第一卷积神经网络、所述第二卷积神经网络和所述编码器的训练过程在边缘计算的服务器端完成。
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于边缘计算的设备异常状态预测方法。
根据本申请的再又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于边缘计算的设备异常状态预测方法。
与现有技术相比,本申请提供的基于边缘计算的设备异常状态预测方法、基于边缘计算的设备异常状态预测系统和电子设备,其采用深度学习技术从多维度数据中挖掘出与刀具状态相关的统计关联信息,以提高自动产生线上的多个刀具的异常状态预测的准确性。具体地,在本申请中,将预先在服务器端训练好的深度神经网络模型直接部署在自动生产线的边缘端,通过深度神经网络模型对生产线上的各个传感器获取的刀具的工作数据和摄像头采集的刀具的可感知的视觉信息进行特征提取和融合分类,产生异常状态的预测结果,以保证异常状态预测所需的实时性和准确性。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的基于边缘计算的设备异常状态预测方法的应用场景图;
图2图示了根据本申请实施例的基于边缘计算的设备异常状态预测方法的流程图;
图3图示了根据本申请实施例的基于边缘计算的设备异常状态预测方法的系统架构示意图;
图4图示了根据本申请实施例的基于边缘计算的设备异常状态预测方法中,将所述第二特征图转化为与所述第一特征图具有相同尺度的特征图以获得尺度变换特征图的流程图;
图5图示了根据本申请实施例的基于边缘计算的设备异常状态预测方法中,计算所述尺度变换特征图在各个样本维度的特征张量的基于各个刀具的类别信息的分类函数值后对所述第一特征图在其对应样本维度的特征张量进行加权,以获得所述分类特征图的流程图;
图6图示了根据本申请实施例的基于边缘计算的设备异常状态预测方法中,将所述分类特征图通过分类器以获得分类结果的流程图;
图7图示了根据本申请实施例的基于边缘计算的设备异常状态预测系统的框图;
图8图示了根据本申请实施例的基于边缘计算的设备异常状态预测系统中尺度变换特征图生成子单元的框图;
图9图示了根据本申请实施例的基于边缘计算的设备异常状态预测系统中加权子单元的框图;
图10图示了根据本申请实施例的基于边缘计算的设备异常状态预测系统中分类结果生成单元的框图;
图11图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
如前所述,在自动生产线上由于同时工作的刀具数目众多,而传统的基于数据库的比较方法仅适用于分析单个刀具的磨损状态,如果对于多个刀具也通过基于数据库的直接数据比对的方法进行状态预测,则会影响到预测的实时性。
另外,由于在基于数据库的直接数据比对的方法中,没有考虑到刀具之间的关联因素,也没有很好地应用各种刀具之间的类型信息,因此在进行异常状态的预测时,准确度也会受到影响。
基于此,本申请的发明人考虑到深度学习技术在处理多维度数据时的优异性能,也就是,深度神经网络模型能够从多维度数据中挖掘出其统计关联信息,而不仅限于两个数据之间的直接比较关系,因此,在处理如上所述的自动产生线上的多个刀具的异常状态预测时,会具有很好的性能。并且,由于在使用深度学习技术时,深度神经网络模型已经预先在服务器端,例如云端训练好,因此可以直接部署在自动生产线的边缘端,从而获得产线上的各个传感器获取的数据后产生异常状态的预测结果,这也能够保证异常状态预测所需的实时性。
因此,在本申请的技术方案中,首先在边缘计算的端侧获得自动生产线上的用于刀具的传感器所获得的刀具的工作数据,也就是,以预定时间间隔传感得到的工作参数,这里,每个时间点的工作参数都可以通过预先训练的由多个全连接网络构成的编码器进行编码而获得参数特征向量,这里,该参数特特征向量的维度记为L,并且时间维度为T,且样本维度为S。并且,将该L*T*S的参数特征图通过第一卷积神经网络以获得第一特征图,从而充分挖掘跨时间和跨样本的关联信息,这里,第一特征图的维度例如为L1*T1*C1*S。
此外,在本申请中,为了不仅限于各个刀具本身的类型信息,而是充分利用各个刀具的可感知的视觉信息,通过边缘计算的端侧部署的摄像头获得自动生产线上的各个刀具的图像,并通过第二卷积神经网络以获得第二特征图,该第二特征图的维度为W*H*C2*S,其中W为宽度,H为高度,C2为通道数且S为样本数。接下来,将第二特征图与第一特征图在样本维度上进行融合,具体地,将第二特征图中的每个W*H的特征矩阵通过转换器,例如多个全连接层转换为L1*T1的特征矩阵,再对第二特征图进行通道维度上的转换,例如插值或者平均来转换为C1的通道数。然后,针对转换后的L1*T1*C1*S的第二特征图,基于各个刀具的类别信息计算其分类函数值,也就是,exp(-xi*kj)/∑i,j exp(-xi*kj),这里,xi是L1*T1*C1的特征张量中的每个位置的值,而k是对应于每个样本的类别的标签值,从而获得对于每个样本的基于类别标签值的高维视觉统计信息。
然后,将对于每个样本获得的加权值对第一特征图进行加权,即将加权值乘以L1*T1*C1的特征张量中的每个位置的值,就可以获得分类特征图,并以此分类特征图通过分类函数获得分类结果,该分类结果用于表示该自动生产线上的多个刀具是否预测到异常状态。
图1图示了根据本申请实施例的基于边缘计算的设备异常状态预测方法的应用场景图。如图1所示,在该应用场景中,首先在边缘计算的端侧获取在自动生产线上的用于刀具的传感器(例如,如图1中所示意的T)以预设时间间隔采集的多组工作参数和由摄像头(例如,如图1中所示意的C)采集的在自动生产线上的各个所述刀具的图像;然后,将所述多组工作参数和刀具的图像输入至部署有基于边缘计算的设备异常状态预测算法的服务器中(例如,如图1中所示意的S),其中,所述服务器能够基于边缘计算的设备异常状态预测算法对所述多组工作参数和刀具的图像进行处理,以生成表示该自动生产线上的多个刀具是否预测到异常状态的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2图示了基于边缘计算的设备异常状态预测方法的流程图。如图2所示,根据本申请实施例的基于边缘计算的设备异常状态预测方法,包括:S110,在边缘计算的端侧获取在自动生产线上的用于刀具的传感器以预设时间间隔采集的多组工作参数;S120,将所述多组工作参数分别通过预先训练的由多个全连接网络构成的编码器以获得多个参数特征向量,其中,所述多个参数特征向量的长度维度为L,时间维度为T、样本维度为S;S130,将所述多个参数特征向量构造为参数特征图,其中,所述参数特征图的尺度为L*T*S;S140,将所述参数特征图通过预先训练的第一卷积神经网络以获得第一特征图,其中,所述第一特征图的尺度为L1*T1*C1*S;S150,在边缘计算的端侧获取由摄像头采集的在自动生产线上的各个所述刀具的图像;S160,将各个所述刀具的图像通过预先训练的第二卷积神经网络以获得第二特征图,所述第二特征图的尺度为W*H*C2*S,其中W为宽度,H为高度,C2为通道数且S为样本数;S170,将所述第一特征图和所述第二特征图在样本维度上进行融合,以获得分类特征图,其中,所述将所述第一特征图和所述第二特征图在样本维度上进行融合以获得分类特征图,包括:将所述第二特征图转化为与所述第一特征图具有相同尺度的特征图以获得尺度变换特征图;以及,计算所述尺度变换特征图在各个样本维度的特征张量的基于各个刀具的类别信息的分类函数值后对所述第一特征图在其对应样本维度的特征张量进行加权,以获得所述分类特征图;以及,S180,将所述分类特征图通过分类器以获得分类结果,其中,所述分类结果用于表示该自动生产线上的多个刀具是否预测到异常状态。
图3图示了根据本申请实施例的基于边缘计算的设备异常状态预测方法的架构示意图。如图3所示,在所述基于边缘计算的设备异常状态预测方法的网络架构中,首先,在边缘计算的端侧获取在自动生产线上的用于刀具的传感器以预设时间间隔采集的多组工作参数(例如,如图3中所示意的IN11到IN1n);接着,将所述多组工作参数分别通过预先训练的由多个全连接网络构成的编码器(例如,如图3中所示意的编码器)以获得多个参数特征向量(例如,如图3中所示意的V1到Vn);接着,将所述多个参数特征向量构造为参数特征图(例如,如图3中所示意的F1);接着,将所述参数特征图通过预先训练的第一卷积神经网络(例如,如图3中所示意的CNN1)以获得第一特征图(例如,如图3中所示意的Ft1);接着,在边缘计算的端侧获取由摄像头采集的在自动生产线上的各个所述刀具的图像(例如,如图3中所示意的IN2);接着,将各个所述刀具的图像通过预先训练的第二卷积神经网络(例如,如图3中所示意的CNN2)以获得第二特征图(例如,如图3中所示意的Ft2);接着,将所述第一特征图和所述第二特征图在样本维度上进行融合,以获得分类特征图(例如,如图3中所示意的Fc);然后,将所述分类特征图通过分类器(例如,如图3中所示意的分类器),以获得分类结果,其中,所述分类结果用于表示该自动生产线上的多个刀具是否预测到异常状态。
在步骤S110中,在边缘计算的端侧获取在自动生产线上的用于刀具的传感器以预设时间间隔采集的多组工作参数。如前所述,由于目前传统的基于数据库比较的刀具磨损预测方法没有考虑到刀具之间的关联因素,导致在进行异常状态的预测时,准确度也会受到影响。因此,在本申请中,通过对与刀具相关联的多维数据的特征挖掘以提高状态预测的准确性。具体地,在本申请实施例中,通过用于刀具的传感器以预设时间间隔采集自动生产线上的刀具的多组工作参数,例如,刀具的切削速度、进给量和切削深度等参数。
在步骤S120中,将所述多组工作参数分别通过预先训练的由多个全连接网络构成的编码器以获得多个参数特征向量,其中,所述多个参数特征向量的长度维度为L,时间维度为T、样本维度为S。也就是,以预先训练的由多个全连接网络构成的编码器对所述多组工作参数进行编码。特别地,在本申请实施例中,所述编码器的训练过程在服务器端完成。也就是预先在服务器端,例如云端训练好由多个全连接网络构成的编码器,然后直接部署在自动生产线的边缘端,从而保证异常状态预测所需的实时性。应可以理解,多个全连接网络构成的编码器包括多个全连接层,且所述编码器全部都是全连接层,这样,可以减少编码过程中的信息损失,以提高编码精度。
在步骤S130中,将所述多个参数特征向量构造为参数特征图,其中,所述参数特征图的尺度为L*T*S。例如,将所述多个参数特征向量按顺序排列,以构成参数特征图。
在步骤S140中,将所述参数特征图通过预先训练的第一卷积神经网络以获得第一特征图,其中,所述第一特征图的尺度为L1*T1*C1*S。也就是,以第一卷积神经网络充分挖掘所述参数特征图中跨时间和跨样本的关联信息。同样地,在该实施例中,可将所述第一卷积神经网络的训练过程在云服务器端完成而选择将预先在服务器端训练好的卷积神经网络模型的参数部署于边缘端,以保证异常状态预测所需的实时性。
特别地,在本申请实施例中,所述第一卷积神经网为深度残差网络。本领域普通技术人员应知晓,卷积神经网络在提取图像高维特征中有着独特的优势,随着网络层级的不断增加,模型精度不断得到提升,而当网络层级增加到一定的数目以后,训练精度和测试精度迅速下降,这是因为神经网络在反向传播过程中要不断地传播梯度,而当网络层数加深时,梯度在传播过程中会逐渐消失,导致无法对前面网络层的权重进行有效的调整。而深度残差网络引入了残差网络结构,通过使用恒等映射直接跳过一个或者多个层,在网络上堆叠这样的结构,就算梯度消失,至少把原来的输出恒等映射了过去,相当于在浅层网络上堆叠了“复制层”,缓解了在深度神经网络中增加深度带来的梯度消失问题。
在步骤S150中,在边缘计算的端侧获取由摄像头采集的在自动生产线上的各个所述刀具的图像。应可以理解,在本申请中,为了不仅限于各个刀具本身的类型信息,而是充分利用各个刀具的可感知的视觉信息,通过边缘计算的端侧部署的摄像头获得自动生产线上的各个刀具的图像。
在步骤S160中,将各个所述刀具的图像通过预先训练的第二卷积神经网络以获得第二特征图,所述第二特征图的尺度为W*H*C2*S,其中W为宽度,H为高度,C2为通道数且S为样本数。也就是,以训练好的第二卷积神经网络提取出所述第二特征图中的与刀具状态相关联的高维特征信息。相一致地,在本申请实施例中,所述第二卷积神经网络的训练过程也可以在边缘计算的服务器端完成,以保证异常状态预测所需的实时性。特别地,在本申请实施例中,所述第二卷积神经网为深度残差网络,例如,ResNet 50。
在步骤S170中,将所述第一特征图和所述第二特征图在样本维度上进行融合,以获得分类特征图,其中,所述将所述第一特征图和所述第二特征图在样本维度上进行融合以获得分类特征图,包括:将所述第二特征图转化为与所述第一特征图具有相同尺度的特征图以获得尺度变换特征图;以及,计算所述尺度变换特征图在各个样本维度的特征张量的基于各个刀具的类别信息的分类函数值后对所述第一特征图在其对应样本维度的特征张量进行加权,以获得所述分类特征图。也就是,将第二特征图与第一特征图在样本维度上进行融合,具体地,将第二特征图中的每个W*H的特征矩阵通过转换器,例如多个全连接层转换为L1*T1的特征矩阵,再对第二特征图进行通道维度上的转换,例如插值或者平均来转换为C1的通道数。然后,针对转换后的L1*T1*C1*S的第二特征图,基于各个刀具的类别信息计算其分类函数值,也就是,exp(-xi*kj)/∑i,j exp(-xi*kj),这里,xi是L1*T1*C1的特征张量中的每个位置的值,而k是对应于每个样本的类别的标签值,从而获得对于每个样本的基于类别标签值的高维视觉统计信息
具体地,在本申请实施例中,将所述第二特征图转化为与所述第一特征图具有相同尺度的特征图以获得尺度变换特征图的过程,包括:首先,将所述第二特征图中每个尺度为W*H的特征矩阵通过转换器,以获得尺度为L1*T1*C2*S的初始变换特征图。也就是,通过转换器对多个尺度为W*H的特征矩阵进行尺度上的转换,以获得由多个尺度为L1*T1的特征矩阵构成的初始变换特征图。更具体地,在本申请实施例中,所述转化器包括多个全连接层,通过多个全连接层的最后一层输出位数控制输出尺度的大小。然后,对所述初始变换特征图进行通道维度上的变换,以获得尺度为L1*T1*C1*S的所述尺度变换特征图。也就是,在通道维度上对初始变换特征图进行转换,例如插值或者平均来将C2的通道数转换为C1的通道数。
图4图示了根据本申请实施例的基于边缘计算的设备异常状态预测方法中,将所述第二特征图转化为与所述第一特征图具有相同尺度的特征图以获得尺度变换特征图的流程图。如图4所示,在本申请实施例中,将所述第二特征图转化为与所述第一特征图具有相同尺度的特征图以获得尺度变换特征图,包括:S210,将所述第二特征图中每个尺度为W*H的特征矩阵通过转换器,以获得尺度为L1*T1*C2*S的初始变换特征图;以及,S220,对所述初始变换特征图进行通道维度上的变换,以获得尺度为L1*T1*C1*S的所述尺度变换特征图。
更具体地,在本申请实施例中,计算所述尺度变换特征图在各个样本维度的特征张量的基于各个刀具的类别信息的分类函数值后对所述第一特征图在其对应样本维度的特征张量进行加权,以获得所述分类特征图的过程,包括:首先,以第一公式计算所述尺度变换特征图在各个样本维度的特征张量的基于各个刀具的类别信息的分类函数值,其中,所述第一公式为:Yi=exp(-xi*kj)/∑i,j exp(-xi*kj),Yi表示所述分类函数值,xi表示尺度为L1*T1*C1的特征张量中的每个位置的值;kj表示每个样本的类别的标签值。也就是,通过上述第一公式计算所述尺度变换特征图在各个样本维度的特征张量的基于各个刀具的类别信息的分类函数值,以获得对于每个样本的基于类别标签值的高维视觉统计信息。然后,以所述分类函数值对所述第一特征图在其对应样本维度的特征张量进行加权,以获得所述分类特征图。应可以理解,通过所述分类函数值对所述第一特征图在其对应样本维度的特征张量进行加权,获得的所述分类特征图可以融合刀具的工作参数和可感知的视觉信息,这样,通过分类器进行分类可以提高分类的准确度。
图5图示了根据本申请实施例的基于边缘计算的设备异常状态预测方法中,计算所述尺度变换特征图在各个样本维度的特征张量的基于各个刀具的类别信息的分类函数值后对所述第一特征图在其对应样本维度的特征张量进行加权,以获得所述分类特征图的流程图。如图5所示,在本申请实施例中,计算所述尺度变换特征图在各个样本维度的特征张量的基于各个刀具的类别信息的分类函数值后对所述第一特征图在其对应样本维度的特征张量进行加权,以获得所述分类特征图,包括:S310,以第一公式计算所述尺度变换特征图在各个样本维度的特征张量的基于各个刀具的类别信息的分类函数值,其中,所述第一公式为:Yi=exp(-xi*kj)/∑i,j exp(-xi*kj),Yi表示所述分类函数值,xi表示尺度为L1*T1*C1的特征张量中的每个位置的值;kj表示每个样本的类别的标签值;以及,S320,以所述分类函数值对所述第一特征图在其对应样本维度的特征张量进行加权,以获得所述分类特征图。
在步骤S180中,将所述分类特征图通过分类器以获得分类结果,其中,所述分类结果用于表示该自动生产线上的多个刀具是否预测到异常状态。也就是,采用解耦的方式,所述分类器中包含编码器,编码器可以由卷积层、池化层或者全连接层构成。
具体地,在本申请实施例中,将所述分类特征图通过分类器,以获得分类结果的过程,包括:首先,将所述分类特征图通过一个或多个全连接层,以获得分类特征向量,也就是,通过一个或多个全连接层作为编码器对所述分类特征图进行编码以充分利用所述分类特征图中每个位置信息,以生成分类特征向量。然后,将所述分类特征向量输入Softmax分类函数,以获得所述分类结果。应可以理解,在将该分类特征向量输入Softmax分类函数之后可以获得分类结果,该分类结果用于表示该自动生产线上的多个刀具是否预测到异常状态。
图6图示了根据本申请实施例的基于边缘计算的设备异常状态预测方法中,将所述分类特征图通过分类器,以获得分类结果的流程图。如图6所示,在本申请实施例中,将所述分类特征图通过分类器,以获得分类结果,包括:S410,将所述分类特征图通过一个或多个全连接层,以获得分类特征向量;S420,将所述分类特征向量输入Softmax分类函数,以获得所述分类结果。
综上,本申请实施例的基于边缘计算的设备异常状态预测方法被阐明,其融合工业互联网和边缘计算将自动生产线上与设备状态相关联的信息数据化并基于人工智能来挖掘与设备状态相关联的数据之间的关联以对设备状态进行异常预测。并且,为了降低计算量和均衡计算资源,将预先在服务器端训练好的深度神经网络模型直接部署在自动生产线的边缘端,从而在获得自动产线的各个传感器采集的数据后能在边缘端产生异常状态的预测结果,这也能够保证异常状态预测所需的实时性。
示例性系统
图7图示了根据本申请实施例的基于边缘计算的设备异常状态预测系统的框图。如图7所示,根据本申请实施例的基于边缘计算的设备异常状态预测系统700,包括:工作参数获取单元710,用于在边缘计算的端侧获取在自动生产线上的用于刀具的传感器以预设时间间隔采集的多组工作参数;参数特征向量生成单元720,用于将所述工作参数获取单元710获得的所述多组工作参数分别通过预先训练的由多个全连接网络构成的编码器以获得多个参数特征向量,其中,所述多个参数特征向量的长度维度为L,时间维度为T、样本维度为S;参数特征图生成单元730,用于将所述参数特征向量生成单元720获得的所述多个参数特征向量构造为参数特征图,其中,所述参数特征图的尺度为L*T*S;第一特征图生成单元740,用于将所述参数特征图生成单元730获得的所述参数特征图通过预先训练的第一卷积神经网络以获得第一特征图,其中,所述第一特征图的尺度为L1*T1*C1*S;图像获取单元750,用于在边缘计算的端侧获取由摄像头采集的在自动生产线上的各个所述刀具的图像;第二特征图生成单元760,用于将所述图像获取单元750获得的各个所述刀具的图像通过预先训练的第二卷积神经网络以获得第二特征图,所述第二特征图的尺度为W*H*C2*S,其中W为宽度,H为高度,C2为通道数且S为样本数;分类特征图生成单元770,用于将所述第一特征图生成单元740获得的所述第一特征图和所述第二特征图生成单元760获得的所述第二特征图在样本维度上进行融合,以获得分类特征图,其中,所述将所述第一特征图和所述第二特征图在样本维度上进行融合以获得分类特征图,包括:尺度变换特征图生成子单元771,用于将所述第二特征图转化为与所述第一特征图具有相同尺度的特征图以获得尺度变换特征图;以及,加权子单元772,用于计算所述尺度变换特征图生成子单元771获得的所述尺度变换特征图在各个样本维度的特征张量的基于各个刀具的类别信息的分类函数值后对所述第一特征图在其对应样本维度的特征张量进行加权,以获得所述分类特征图;以及,分类结果生成单元780,用于将所述分类特征图生成单元770获得的所述分类特征图通过分类器以获得分类结果,其中,所述分类结果用于表示该自动生产线上的多个刀具是否预测到异常状态。
在一个示例中,在上述设备异常状态预测系统700中,如图8所示,所述尺度变换特征图生成子单元771,包括:初始变换特征图生成模块771a,用于将所述第二特征图中每个尺度为W*H的特征矩阵通过转换器,以获得尺度为L1*T1*C2*S的初始变换特征图;以及,通道维度变换模块771b,用于对所述初始变换特征图生成模块771a获得的所述初始变换特征图进行通道维度上的变换,以获得尺度为L1*T1*C1*S的所述尺度变换特征图。
在一个示例中,在上述设备异常状态预测系统700中,所述转化器包括多个全连接层。
在一个示例中,在上述设备异常状态预测系统700中,所述通道维度变换模块771b,进一步用于:对所述初始变换特征图进行在通道维度上的插值或平均,以获得尺度为L1*T1*C1*S的所述尺度变换特征图。
在一个示例中,在上述设备异常状态预测系统700中,如图9所示,所述加权子单元772,包括:分类函数值生成模块772a,用于以第一公式计算所述尺度变换特征图在各个样本维度的特征张量的基于各个刀具的类别信息的分类函数值,其中,所述第一公式为:Yi=exp(-xi*kj)/∑i,j exp(-xi*kj),Yi表示所述分类函数值,xi表示尺度为L1*T1*C1的特征张量中的每个位置的值;kj表示每个样本的类别的标签值;以及,加权模块772b,用于以所述分类函数值生成模块772a获得的所述分类函数值对所述第一特征图在其对应样本维度的特征张量进行加权,以获得所述分类特征图。
在一个示例中,在上述设备异常状态预测系统700中,如图10所示,所述分类结果生成单元780,包括:分类特征向量生成子单元781,用于将所述分类特征图通过一个或多个全连接层,以获得分类特征向量;以及,分类子单元782,用于将所述分类特征向量生成子单元781获得的所述分类特征向量输入Softmax分类函数,以获得所述分类结果。
在一个示例中,在上述设备异常状态预测系统700中,所述第一卷积神经网络和所述第二卷积神经网络为深度残差网络。
在一个示例中,在上述设备异常状态预测系统700中,所述第一卷积神经网络、所述第二卷积神经网络和所述编码器的训练过程在边缘计算的服务器端完成。
这里,本领域技术人员可以理解,上述设备异常状态预测系统700中的各个单元和模块的具体功能和操作已经在上面参考图1到图6的基于边缘计算的设备异常状态预测方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的设备异常状态预测系统700可以实现在各种终端设备中,例如用于生产线上刀具异常状态预测的服务器等。在一个示例中,根据本申请实施例的设备异常状态预测系统700可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该设备异常状态预测系统700可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该设备异常状态预测系统700同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该设备异常状态预测系统700与该终端设备也可以是分立的设备,并且该设备异常状态预测系统700可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面,参考图11来描述根据本申请实施例的电子设备。
图11图示了根据本申请实施例的电子设备的框图。
如图11所示,电子设备包括10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的基于边缘计算的设备异常状态预测方法的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如参数特征图、分类特征图等各种内容。
在一个示例中,电子设备10还可以包括:输入系统13和输出系统14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入系统13可以包括例如键盘、鼠标等等。
该输出系统14可以向外部输出各种信息,包括分类结果等。该输出系统14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图11中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
Claims (10)
1.一种基于边缘计算的设备异常状态预测方法,其特征在于,包括:
在边缘计算的端侧获取在自动生产线上的用于刀具的传感器以预设时间间隔采集的多组工作参数;
将所述多组工作参数分别通过预先训练的由多个全连接网络构成的编码器以获得多个参数特征向量,其中,所述多个参数特征向量的长度维度为L,时间维度为T、样本维度为S;
将所述多个参数特征向量构造为参数特征图,其中,所述参数特征图的尺度为L*T*S;
将所述参数特征图通过预先训练的第一卷积神经网络以获得第一特征图,其中,所述第一特征图的尺度为L1*T1*C1*S;
在边缘计算的端侧获取由摄像头采集的在自动生产线上的各个所述刀具的图像;
将各个所述刀具的图像通过预先训练的第二卷积神经网络以获得第二特征图,所述第二特征图的尺度为W*H*C2*S,其中W为宽度,H为高度,C2为通道数且S为样本数;
将所述第一特征图和所述第二特征图在样本维度上进行融合,以获得分类特征图,其中,所述将所述第一特征图和所述第二特征图在样本维度上进行融合以获得分类特征图,包括:将所述第二特征图转化为与所述第一特征图具有相同尺度的特征图以获得尺度变换特征图;以及,计算所述尺度变换特征图在各个样本维度的特征张量的基于各个刀具的类别信息的分类函数值后对所述第一特征图在其对应样本维度的特征张量进行加权,以获得所述分类特征图;以及
将所述分类特征图通过分类器以获得分类结果,其中,所述分类结果用于表示该自动生产线上的多个刀具是否预测到异常状态。
2.根据权利要求1所述的基于边缘计算的设备异常状态预测方法,其中,将所述第二特征图转化为与所述第一特征图具有相同尺度的特征图以获得尺度变换特征图,包括:
将所述第二特征图中每个尺度为W*H的特征矩阵通过转换器,以获得尺度为L1*T1*C2*S的初始变换特征图;
对所述初始变换特征图进行通道维度上的变换,以获得尺度为L1*T1*C1*S的所述尺度变换特征图。
3.根据权利要求2所述的基于边缘计算的设备异常状态预测方法,其中,所述转化器包括多个全连接层。
4.根据权利要求2所述的基于边缘计算的设备异常状态预测方法,其中,对所述初始变换特征图进行通道维度上的变换,以获得尺度为L1*T1*C1*S的所述尺度变换特征图,包括:
对所述初始变换特征图进行在通道维度上的插值或平均,以获得尺度为L1*T1*C1*S的所述尺度变换特征图。
5.根据权利要求2所述的基于边缘计算的设备异常状态预测方法,其中,计算所述尺度变换特征图在各个样本维度的特征张量的基于各个刀具的类别信息的分类函数值后对所述第一特征图在其对应样本维度的特征张量进行加权,以获得所述分类特征图,包括:
以第一公式计算所述尺度变换特征图在各个样本维度的特征张量的基于各个刀具的类别信息的分类函数值,其中,所述第一公式为:Yi=exp(-xi*kj)/∑i,j exp(-xi*kj),Yi表示所述分类函数值,xi表示尺度为L1*T1*C1的特征张量中的每个位置的值;kj表示每个样本的类别的标签值;以及
以所述分类函数值对所述第一特征图在其对应样本维度的特征张量进行加权,以获得所述分类特征图。
6.根据权利要求1所述的基于边缘计算的设备异常状态预测方法,其中,将所述分类特征图通过分类器以获得分类结果,包括:
将所述分类特征图通过一个或多个全连接层,以获得分类特征向量;
将所述分类特征向量输入Softmax分类函数,以获得所述分类结果。
7.根据权利要求1所述的基于边缘计算的设备异常状态预测方法,其中,所述第一卷积神经网络和所述第二卷积神经网络为深度残差网络。
8.根据权利要求1所述的基于边缘计算的设备异常状态预测方法,其中,所述第一卷积神经网络、所述第二卷积神经网络和所述编码器的训练过程在边缘计算的服务器端完成。
9.一种基于边缘计算的设备异常状态预测系统,其特征在于,包括:
工作参数获取单元,用于在边缘计算的端侧获取在自动生产线上的用于刀具的传感器以预设时间间隔采集的多组工作参数;
参数特征向量生成单元,用于将所述工作参数获取单元获得的所述多组工作参数分别通过预先训练的由多个全连接网络构成的编码器以获得多个参数特征向量,其中,所述多个参数特征向量的长度维度为L,时间维度为T、样本维度为S;
参数特征图生成单元,用于将所述参数特征向量生成单元获得的所述多个参数特征向量构造为参数特征图,其中,所述参数特征图的尺度为L*T*S;
第一特征图生成单元,用于将所述参数特征图生成单元获得的所述参数特征图通过预先训练的第一卷积神经网络以获得第一特征图,其中,所述第一特征图的尺度为L1*T1*C1*S;
图像获取单元,用于在边缘计算的端侧获取由摄像头采集的在自动生产线上的各个所述刀具的图像;
第二特征图生成单元,用于将所述图像获取单元获得的各个所述刀具的图像通过预先训练的第二卷积神经网络以获得第二特征图,所述第二特征图的尺度为W*H*C2*S,其中W为宽度,H为高度,C2为通道数且S为样本数;
分类特征图生成单元,用于将所述第一特征图生成单元获得的所述第一特征图和所述第二特征图生成单元获得的所述第二特征图在样本维度上进行融合,以获得分类特征图,其中,所述将所述第一特征图和所述第二特征图在样本维度上进行融合以获得分类特征图,包括:尺度变换特征图生成子单元,用于将所述第二特征图转化为与所述第一特征图具有相同尺度的特征图以获得尺度变换特征图;以及,加权子单元,用于计算所述尺度变换特征图生成子单元获得的所述尺度变换特征图在各个样本维度的特征张量的基于各个刀具的类别信息的分类函数值后对所述第一特征图在其对应样本维度的特征张量进行加权,以获得所述分类特征图;以及
分类结果生成单元,用于将所述分类特征图生成单元获得的所述分类特征图通过分类器以获得分类结果,其中,所述分类结果用于表示该自动生产线上的多个刀具是否预测到异常状态。
10.一种电子设备,包括:
处理器;以及
存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-8中任一项所述的基于边缘计算的设备异常状态预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110536016.4A CN113191306A (zh) | 2021-05-17 | 2021-05-17 | 基于边缘计算的设备异常状态预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110536016.4A CN113191306A (zh) | 2021-05-17 | 2021-05-17 | 基于边缘计算的设备异常状态预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113191306A true CN113191306A (zh) | 2021-07-30 |
Family
ID=76982182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110536016.4A Withdrawn CN113191306A (zh) | 2021-05-17 | 2021-05-17 | 基于边缘计算的设备异常状态预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191306A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116095089A (zh) * | 2023-04-11 | 2023-05-09 | 云南远信科技有限公司 | 遥感卫星数据处理方法及系统 |
-
2021
- 2021-05-17 CN CN202110536016.4A patent/CN113191306A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116095089A (zh) * | 2023-04-11 | 2023-05-09 | 云南远信科技有限公司 | 遥感卫星数据处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20150254554A1 (en) | Information processing device and learning method | |
CN110287583B (zh) | 基于循环神经网络的工业设备剩余寿命预测方法 | |
US20170039470A1 (en) | Factor extraction system and factor extraction method | |
CN117041017B (zh) | 数据中心的智能运维管理方法及系统 | |
CN113779882A (zh) | 设备剩余使用寿命的预测方法、装置、设备及存储介质 | |
CN114386514A (zh) | 基于动态网络环境下的未知流量数据识别方法及装置 | |
CN112801063A (zh) | 神经网络系统和基于神经网络系统的图像人群计数方法 | |
CN115983497A (zh) | 一种时序数据预测方法和装置、计算机设备、存储介质 | |
CN117579513B (zh) | 汇聚分流设备的可视化运维系统及其方法 | |
CN113191306A (zh) | 基于边缘计算的设备异常状态预测方法 | |
CN117349583A (zh) | 用于低温液体储罐的智能检测方法及系统 | |
CN117495421A (zh) | 基于电力通信网建设的电网通信工程造价预测方法 | |
Wang et al. | A multivariate sign chart for monitoring dependence among mixed-type data | |
CN117225091A (zh) | 布袋除尘器的运行状态监测系统及方法 | |
CN117421655A (zh) | 工业互联网数据流异常检测方法及系统 | |
CN110320802B (zh) | 基于数据可视化的复杂系统信号时序识别方法 | |
Wei et al. | Rolling bearing fault diagnosis based on Gramian angular difference field and improved channel attention model | |
CN110650130B (zh) | 基于多分类GoogLeNet-LSTM模型的工控入侵检测方法 | |
CN113159164A (zh) | 基于分布式的工业互联网设备协同作业方法 | |
KR20220154135A (ko) | 제조 공정을 위한 시스템, 방법 및 매체 | |
JP2022000940A (ja) | データ圧縮評価システム、データ圧縮システム、及びデータ圧縮評価方法 | |
CN117784710B (zh) | 数控机床远程状态监控系统及其方法 | |
CN117057743B (zh) | 建筑工程项目咨询费用管理方法及其系统 | |
CN115174421B (zh) | 基于自监督解缠绕超图注意力的网络故障预测方法及装置 | |
CN116821745B (zh) | 智能线切割慢走丝设备的控制方法及其系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210730 |
|
WW01 | Invention patent application withdrawn after publication |