CN113359623B - 一种工作状态的监测方法、设备及计算机可读存储介质 - Google Patents
一种工作状态的监测方法、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113359623B CN113359623B CN202110499255.7A CN202110499255A CN113359623B CN 113359623 B CN113359623 B CN 113359623B CN 202110499255 A CN202110499255 A CN 202110499255A CN 113359623 B CN113359623 B CN 113359623B
- Authority
- CN
- China
- Prior art keywords
- target
- industrial
- working state
- deviation
- inputting
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 76
- 238000012549 training Methods 0.000 claims description 35
- 238000000605 extraction Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 16
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 10
- 239000000725 suspension Substances 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 abstract description 11
- 230000005540 biological transmission Effects 0.000 abstract description 4
- 238000007405 data analysis Methods 0.000 abstract description 3
- 238000012806 monitoring device Methods 0.000 description 20
- 230000002159 abnormal effect Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 8
- 230000005856 abnormality Effects 0.000 description 4
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请适用于工业检测技术领域，提供了一种工作状态的监测方法、设备及计算机可读存储介质，所述方法包括：获取由目标传感器采集的工业现场中多个目标工业对象的混合工作状态；将混合工作状态输入经过训练的工业状态监测模型进行处理，得到每个目标工业对象对应的目标偏差特征；根据每个目标工业对象对应的目标偏差特征确定各个目标工业对象的工作状态。上述方案，在监测过程中对于数据量的需求和数据分析的难度都大大降低，节省传感器的部署成本，降低检测设备管理难度，同时减少观测数据的传输和存储消耗，进一步提高监测结果的时效性。
Description
技术领域
本申请属于工业检测技术领域，尤其涉及一种工作状态的监测方法、设备及计算机可读存储介质。
背景技术
在现有的工业场景中，会包含多个工业对象，当需要对多个工业对象的工作状态进行监测时，一种方式是采用多对象隔离监测.针对每个待监测对象部署专属传感器,这些专属传感器获取对应待监测对象的工作状态后，应用异常检测技术对每个待监测对象和其作为参照的正常工作状态对比，进行潜在异常的判断。另一种方式是采用先分离多个对象，在针对每一个分离出的对象的状态信息单独进行检测。
但是，第一种工业对象的工作状态的监测方法需要部署大量的传感器，大量的采集和传输数据，第二种工业对象的工作状态的监测方法在处理时由于工作量较大，会出现延迟。也就是说，目前相关技术,最大的问题是无法保证实时性的要求，并且，对于传感器网络的管理成本也很高。
发明内容
本申请实施例提供了一种工作状态的监测方法、设备及计算机可读存储介质，可以解决上述问题。
第一方面，本申请实施例提供了一种工作状态的监测方法，包括：
获取由目标传感器采集的工业现场中多个目标工业对象的混合工作状态；
将所述混合工作状态输入经过训练的工业状态监测模型进行处理，得到每个所述目标工业对象对应的目标偏差特征；
根据每个所述目标工业对象对应的目标偏差特征确定各个所述目标工业对象的工作状态。
进一步地，所述经过训练的工业状态监测模型包括编码模块、特征抽取模块和定位模块；
所述将所述混合工作状态输入经过训练的工业状态监测模型进行处理，得到每个所述目标工业对象对应的目标偏差特征，包括：
将所述混合工作状态输入所述编码模块进行编码处理，得到混合工作状态的编码信息；
将所述编码信息输入所述特征抽取模块进行特征抽取处理，得到混合偏差特征；
将所述混合偏差特征输入所述定位模块进行定位处理，得到每个所述目标工业对象对应的目标偏差特征。
进一步地，所述将所述混合工作状态输入所述编码模块进行编码处理，得到混合工作状态的编码信息，包括：
将所述混合工作状态输入所述编码模块，对所述混合工作状态进行下采样处理和特征维度转化处理，得到混合工作状态的编码信息。
进一步地，所述将所述编码信息输入所述特征抽取模块进行特征抽取处理，得到混合偏差特征，包括：
将所述编码信息输入所述特征抽取模块中的残差块进行下采样处理，得到混合偏差特征。
进一步地，所述将所述混合偏差特征输入所述定位模块进行定位处理，得到每个所述目标工业对象对应的目标偏差特征，包括：
将所述混合偏差特征输入平均池化层进行压缩处理，得到第一特征；
将所述第一特征输入全连接层进行特征分配，得到每个所述目标工业对象对应的目标偏差特征。
进一步地，在所述将所述混合工作状态输入经过训练的工业状态监测模型进行处理，得到每个所述目标工业对象对应的目标偏差特征之前，还包括：
获取样本训练集；所述样本训练集包括样本工业对象的样本混合工作状态及其对应的标准混合工作状态下的标准偏差特征；
使用所述样本训练集对初始的工业状态监测模型进行训练，得到经过训练的工业状态监测模型。
进一步地，所述使用所述样本训练集对初始的工业状态监测模型进行训练，得到经过训练的工业状态监测模型，包括：
将所述样本混合工作状态输入预设的初始神经网络模型进行处理，得到样本混合工作状态对应的样本偏差特征；
根据所述样本偏差特征、所述标准偏差特征和预设损失函数，计算目标损失值；
若所述目标损失值不满足预设中止条件，则根据所述目标损失值对所述初始神经网络模型进行更新，并返回执行将所述样本混合工作状态输入预设的初始神经网络模型进行处理，得到样本混合工作状态对应的样本偏差特征；
若所述目标损失值满足预设中止条件，则输出训练完成的工业状态监测模型。
进一步地，所述根据每个所述目标工业对象对应的目标偏差特征确定所述目标工业对象的工作状态，包括：
若所述目标工业对象对应的目标偏差特征与预设标准值之间的差值小于预设阈值，则所述目标工业对象的工作状态为正常状态。
第二方面，本申请实施例提供了一种工作状态的监测装置，包括：
第一获取单元，用于获取由目标传感器采集的工业现场中多个目标工业对象的混合工作状态；
第一处理单元，用于将所述混合工作状态输入经过训练的工业状态监测模型进行处理，得到每个所述目标工业对象对应的目标偏差特征；
确定单元，用于根据每个所述目标工业对象对应的目标偏差特征确定各个所述目标工业对象的工作状态。
进一步地，所述经过训练的工业状态监测模型包括编码模块、特征抽取模块和定位模块；
所述第一处理单元，具体用于：
将所述混合工作状态输入所述编码模块进行编码处理，得到混合工作状态的编码信息；
将所述编码信息输入所述特征抽取模块进行特征抽取处理，得到混合偏差特征；
将所述混合偏差特征输入所述定位模块进行定位处理，得到每个所述目标工业对象对应的目标偏差特征。
进一步地，所述第一处理单元，具体用于：
将所述混合工作状态输入所述编码模块，对所述混合工作状态进行下采样处理和特征维度转化处理，得到混合工作状态的编码信息。
进一步地，所述第一处理单元，具体用于：
将所述编码信息输入所述特征抽取模块中的残差块进行下采样处理，得到混合偏差特征。
进一步地，所述第一处理单元，具体用于：
将所述混合偏差特征输入平均池化层进行压缩处理，得到第一特征；
将所述第一特征输入全连接层进行特征分配，得到每个所述目标工业对象对应的目标偏差特征。
进一步地，所述工作状态的监测装置，还包括：
第二获取单元，用于获取样本训练集；所述样本训练集包括样本工业对象的样本混合工作状态及其对应的标准混合工作状态下的标准偏差特征；
第二处理单元，用于使用所述样本训练集对初始的工业状态监测模型进行训练，得到经过训练的工业状态监测模型。
进一步地，所述第二处理单元，具体用于：
将所述样本混合工作状态输入预设的初始神经网络模型进行处理，得到样本混合工作状态对应的样本偏差特征；
根据所述样本偏差特征、所述标准偏差特征和预设损失函数，计算目标损失值；
若所述目标损失值不满足预设中止条件，则根据所述目标损失值对所述初始神经网络模型进行更新，并返回执行将所述样本混合工作状态输入预设的初始神经网络模型进行处理，得到样本混合工作状态对应的样本偏差特征；
若所述目标损失值满足预设中止条件，则输出训练完成的工业状态监测模型。
进一步地，所述确定单元，具体用于：
若所述目标工业对象对应的目标偏差特征与预设标准值之间的差值小于预设阈值，则所述目标工业对象的工作状态为正常状态。
第三方面，本申请实施例提供了一种工作状态的监测设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的工作状态的监测方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的工作状态的监测方法。
本申请实施例中，获取由目标传感器采集的工业现场中多个目标工业对象的混合工作状态；将混合工作状态输入经过训练的工业状态监测模型进行处理，得到每个目标工业对象对应的目标偏差特征；根据每个目标工业对象对应的目标偏差特征确定各个目标工业对象的工作状态。上述方案，提出了一种一步式多工业对象的工业状态的实时监测方法，一次性观测便可以对多个工业对象同时进行异常状态监测。通过多个工业对象的混合工作状态，提取他们工作状态的目标偏差特征，就可对每个工业对象的工作状态进行监测。该方法无需获知每个工业对象原始工作状态信息，也无需对单个工业对象部署专属传感器独立检测，这样，在监测过程中对于数据量的需求和数据分析的难度都大大降低使得整个监测系统更快的作出判断，从而以低成本低延时高精度的方式定位异常对象，实现对多个工业对象工作状态的实时监测。节省传感器的部署成本，降低检测设备管理难度，同时减少观测数据的传输和存储消耗，进一步提高监测结果的时效性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请第一实施例提供的一种工作状态的监测方法的示意流程图；
图2是本申请第二实施例提供的工作状态的监测装置的示意图；
图3是本申请第三实施例提供的工作状态的监测设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
请参见图1，图1是本申请第一实施例提供的一种工作状态的监测方法的示意流程图。本实施例中一种工作状态的监测方法的执行主体为具有工作状态的监测功能的设备。如图1所示的工作状态的监测方法可以包括：
S101：获取由目标传感器采集的工业现场中多个目标工业对象的混合工作状态。
在实际的工业现场，可能会有各种各样的工业设备，也会产生各种各样的工业场景。针对不同的工业场景，可以获取到各种各样的工业数据，为了了解工业场景中工业设备运行生产过程中的情况和出现的问题，可以对工业数据进行分析计算，但是，对于工业数据及其标量化计算结果，一般很难得到直接结论。
本实施例中，在工业场景中构建工业对象，结合工业现场不同场景需求构建工业对象，工业对象是针对不同工业场景的，工业对象可以根据一台工业设备进行构建，也可以根据多台工业设备进行构建。举例在一个工地上，有一台机械车辆上面有n个零件的工作状态需要被实时监测，则每个零件都是一个单独的工业对象。
在本实施例中，可以在工业现场部署目标传感器，用来采集目标工业对象的工作状态。目标传感器采集到个目标工业对象的混合工作状态后，可以将混合工作状态传输至本端设备。设备获取由目标传感器采集的工业现场中多个目标工业对象的混合工作状态。其中，目标传感器的数量优选为一个，这样可以节省传感器的部署成本,降低检测传感器的管理难度。
举例来说，目标传感器的数量为一个，目标传感器监测到的信息x是这n个机械车辆零件的混合工作状态：
其中，ai表示每个机械车辆零件在观测到混合信息里的权重,该权重无需特别设置，si表示机械车辆零件在m个时间点的工作状态信息。
其中，需要说明的是，本申请实施例中，可以计算并消除上述权重对于异常监测的影响。此处的权重是目标传感器采集到的每个对象声音源的强度,因为如上提到的本专利特征，所以目标传感器位置的部署无需特别设定，只需要确保该目标传感器的感知范围可以覆盖多个被检测的目标工业对象即可。该x即作为本监测系统的输入数据，进行后续的异常检测。
对于n个待监测工程机械零件，不采用本方法时，n个机械车辆零件在m个时间点的工作状态信息标注为{s1,s2,...,sn}∈Rn×m，本监测系统以将其产生的n×m大小的信息降低为1×m，从而减少观测数据的传输和存储消耗。
S102：将所述混合工作状态输入经过训练的工业状态监测模型进行处理，得到每个所述目标工业对象对应的目标偏差特征。
本实施例中，设备将混合工作状态输入经过训练的工业状态监测模型进行处理，得到每个目标工业对象对应的目标偏差特征。不对混合工作状态进行分离和定位单个工业对象,而直接对他们进行异常状态的监测，基于卷积神经网络的方法，通过对混合工作状态x进行操作，来获得目标工业对象对应的目标偏差特征，并将这些目标偏差特征定位到多个目标工业对象。
设备中可以预先设置经过训练的工业状态监测模型，也可以从其他设备中调用经过训练的工业状态监测模型。经过训练的工业状态监测模型可以包括输入层、隐含层、输出层(损失函数层)。输入层包括一个输入层节点，用于从外部接收输入的混合工作状态。隐含层用于对混合工作状态进行处理，提取目标工业对象对应的目标偏差特征。输出层用于输出目标工业对象对应的目标偏差特征。
具体来说，经过训练的工业状态监测模型可以包括编码模块、特征抽取模块和定位模块。
首先，设备将混合工作状态输入编码模块进行编码处理，得到混合工作状态的编码信息。其中，编码模块用于对目标传感器采集到的混合工作状态x重新编码，以便为后续的目标偏差特征的识别和定位提供细节信息。
设备将混合工作状态输入编码模块，对混合工作状态进行下采样处理和特征维度转化处理，得到混合工作状态的编码信息。这里对与下采样的倍数以及维度转化处理的参数并不做限制，会根据工业状态监测模型训练时的情况发生变化。举例来说，可以使用4个stride为2的卷积层(Convc)，将混合工作状态x下采样24＝16倍，并放大到256维度的特征空间，成为
y＝C(x,Convc)
其中，y为混合工作状态的编码信息，编码后的y抑制了混合工作状态x的时间相关性,并强调si之间的语义相关性。
然后，设备将编码信息输入特征抽取模块进行特征抽取处理，得到混合偏差特征。其中，特征抽取模块用于从混合工作状态的编码信息y中提取所有si的混合偏差特征。
具体来说，特征抽取模块中可以包括多个卷积层，由多个残差块组成，这些残差块可以通过时域的降采样来压缩时间相关性，并通过扩大卷积层中滤波器的数量来增加特征域中的语义相关性。设备将编码信息输入特征抽取模块中的残差块进行下采样处理，得到混合偏差特征。例如，特征抽取模块有50个卷积层(ResNet-50)，由多个1-D残差块组成，此处残差快的个数可根据实际情况下系统精度的要求设置。每个一维残差块由卷积层(Convt)、非线性激活层non-linearity activation layer(pRelu)和batchnormalization layer BN组成。通过ResNet-50中的多个残差块，混合工作状态的编码信息y再次被下采样16次，同时将其语义相关性从256放大到2048，成为n个目标工业对象的混合偏差特征
该特征抽取过程表示为τ，
z＝τ(BN(pRelu(y,Convt)))
得到混合偏差特征后，所有关于n个目标工业对象的偏差特性已经被包含在混合偏差特征z中。但是，只能根据混合偏差特征z来判断这一组n个目标工业对象是否有出现异常工作状态，但无法确定哪一个/哪些目标工业对象出现异常工作状态。所以，为了达到精准监测的目的，需要下一步定位偏差特征的操作。
最后，设备将混合偏差特征输入定位模块进行定位处理，得到每个目标工业对象对应的目标偏差特征。其中，定位模块用于确定哪一个/哪些目标工业对象出现异常工作状态。
具体来说，设备将混合偏差特征输入平均池化层进行压缩处理，得到第一特征；将第一特征输入全连接层进行特征分配，得到每个目标工业对象对应的目标偏差特征。举例来说，定位处理首先使用一个平均池化层(AvgPooling)将混合偏差特征z的时间相关性从
挤压到2048×1。这里压缩的目的是为了减小偏差特征的长度，以便降低异常监测的速度。然后，一个全连接层(FC)将被压缩的偏差特征分配给n个目标工业对象，作为偏差特性f∈Rn。其中，此处f长度256是一个可变长度，可根据计算系统性能进行调整。整个定位处理可以被表示为：
f＝ρ(FC(AvgPooling(z)),n)
其中，f的第i-th行，fi∈R1×256，是对第i-th个目标工业对象si∈R1×m的目标偏差特征表示。它指的是当第i-th个目标工业对象si处于由目标传感器采集到所有n个目标工业对象的混合工作状态x下时，它的异常工作状态的条件概率分布特征：P(si|x)。
一种可能的实施方式中，工业状态监测模型由本端设备预先进行训练。工业状态监测模型的训练方法可以如下：
设备获取样本训练集，其中，样本训练集包括样本工业对象的样本混合工作状态及其对应的标准混合工作状态下的标准偏差特征，使用样本训练集对初始的工业状态监测模型进行训练，得到经过训练的工业状态监测模型。设备对样本训练集进行训练，在训练过程中，将样本工业对象的样本混合工作状态及其对应的标准混合工作状态下的标准偏差特征作为训练数据，将其输入初始的工业状态监测模型，通过调整工业状态监测模型的损失函数不断的完善模型，从而得到最终的工业状态监测模型。
具体来说，设备将样本混合工作状态输入预设的初始神经网络模型进行处理，得到样本混合工作状态对应的样本偏差特征，其中，预设的初始神经网络模型中也可以包括编码模块、特征抽取模块和定位模块，样本混合工作状态通过这三个模块的处理，得到样本混合工作状态对应的样本偏差特征，具体的处理过程可以参阅上文中三个模块的具体描述，此处不再赘述。
设备中预先存储预设损失函数，设备根据样本偏差特征、所述标准偏差特征和预设损失函数，计算目标损失值；若目标损失值不满足预设中止条件，则根据目标损失值对初始神经网络模型进行更新，并返回执行将样本混合工作状态输入预设的初始神经网络模型进行处理，得到样本混合工作状态对应的样本偏差特征；若目标损失值满足预设中止条件，则输出训练完成的工业状态监测模型。
具体来说，在训练时，设备引入一组样本工业对象的正常工作状态sr作为对比参照(reference)。对应的，sr由输入预设的初始神经网络模型进行处理，产生的标准混合工作状态下的标准偏差特征接近于0，被记为fr。将待监测状态的偏差特征和标准偏差特征对比，可以发现：
1.无异常(e＝0)时，两个偏差特征(fri和fi)近似相同,
2.有异常(e＝0)时，两者偏差特征(fri和fi)存在差异.
所以，设备训练的目的就是为了实现fri和fi的距离(distance)如下：
设备可以使用对比损失来实现模型训练，具体损失函数如下：
其中，yi表示第i-th个参照对象和训练对象的偏差特征(fri和fi)是相似(yi＝1)，还是不相似(yi＝0)。此处每一个yi需要根据参照对象和训练对象的相似程度，在训练前标注为1或者0。m是一个超参数：margin是需要保持的不相似特征的最小距离。
S103：根据每个所述目标工业对象对应的目标偏差特征确定各个所述目标工业对象的工作状态。
得到每个目标工业对象对应的目标偏差特征后，设备根据每个目标工业对象对应的目标偏差特征确定各个目标工业对象的工作状态。
具体来说，若目标工业对象对应的目标偏差特征与预设标准值之间的差值小于预设阈值，则目标工业对象的工作状态为正常状态。若目标工业对象对应的目标偏差特征与预设标准值之间的差值大于或者等于预设阈值，则目标工业对象的工作状态为异常状态。
即得到目标偏差特征fi，当fi接近0时，表示i-th目标工业对象不存在偏差特征，工作状态为正常状态。当fi远离0时，表示存在偏差特征，其工作状态为异常状态。并且，当fi偏离0越远，表示异常越严重。
本申请实施例中，获取由目标传感器采集的工业现场中多个目标工业对象的混合工作状态；将混合工作状态输入经过训练的工业状态监测模型进行处理，得到每个目标工业对象对应的目标偏差特征；根据每个目标工业对象对应的目标偏差特征确定各个目标工业对象的工作状态。上述方案，提出了一种一步式多工业对象的工业状态的实时监测方法，一次性观测便可以对多个工业对象同时进行异常状态监测。通过多个工业对象的混合工作状态，提取他们工作状态的目标偏差特征，就可对每个工业对象的工作状态进行监测。该方法无需获知每个工业对象原始工作状态信息，也无需对单个工业对象部署专属传感器独立检测，这样，在监测过程中对于数据量的需求和数据分析的难度都大大降低使得整个监测系统更快的作出判断，从而以低成本低延时高精度的方式定位异常对象，实现对多个工业对象工作状态的实时监测。节省传感器的部署成本，降低检测设备管理难度，同时减少观测数据的传输和存储消耗，进一步提高监测结果的时效性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
请参见图2，图2是本申请第二实施例提供的工作状态的监测装置的示意图。包括的各单元用于执行图1对应的实施例中的各步骤。具体请参阅图1对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。
参见图2，工作状态的监测装置2包括：
第一获取单元210，用于获取由目标传感器采集的工业现场中多个目标工业对象的混合工作状态；
第一处理单元220，用于将所述混合工作状态输入经过训练的工业状态监测模型进行处理，得到每个所述目标工业对象对应的目标偏差特征；
确定单元230，用于根据每个所述目标工业对象对应的目标偏差特征确定各个所述目标工业对象的工作状态。
进一步地，所述经过训练的工业状态监测模型包括编码模块、特征抽取模块和定位模块；
所述第一处理单元220，具体用于：
将所述混合工作状态输入所述编码模块进行编码处理，得到混合工作状态的编码信息；
将所述编码信息输入所述特征抽取模块进行特征抽取处理，得到混合偏差特征；
将所述混合偏差特征输入所述定位模块进行定位处理，得到每个所述目标工业对象对应的目标偏差特征。
进一步地，所述第一处理单元220，具体用于：
将所述混合工作状态输入所述编码模块，对所述混合工作状态进行下采样处理和特征维度转化处理，得到混合工作状态的编码信息。
进一步地，所述第一处理单元220，具体用于：
将所述编码信息输入所述特征抽取模块中的残差块进行下采样处理，得到混合偏差特征。
进一步地，所述第一处理单元220，具体用于：
将所述混合偏差特征输入平均池化层进行压缩处理，得到第一特征；
将所述第一特征输入全连接层进行特征分配，得到每个所述目标工业对象对应的目标偏差特征。
进一步地，所述工作状态的监测装置2，还包括：
第二获取单元，用于获取样本训练集；所述样本训练集包括样本工业对象的样本混合工作状态及其对应的标准混合工作状态下的标准偏差特征；
第二处理单元，用于使用所述样本训练集对初始的工业状态监测模型进行训练，得到经过训练的工业状态监测模型。
进一步地，所述第二处理单元，具体用于：
将所述样本混合工作状态输入预设的初始神经网络模型进行处理，得到样本混合工作状态对应的样本偏差特征；
根据所述样本偏差特征、所述标准偏差特征和预设损失函数，计算目标损失值；
若所述目标损失值不满足预设中止条件，则根据所述目标损失值对所述初始神经网络模型进行更新，并返回执行将所述样本混合工作状态输入预设的初始神经网络模型进行处理，得到样本混合工作状态对应的样本偏差特征；
若所述目标损失值满足预设中止条件，则输出训练完成的工业状态监测模型。
进一步地，所述确定单元230，具体用于：
若所述目标工业对象对应的目标偏差特征与预设标准值之间的差值小于预设阈值，则所述目标工业对象的工作状态为正常状态。
图3是本申请第三实施例提供的工作状态的监测设备的示意图。如图3所示，该实施例的工作状态的监测设备3包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32，例如工作状态的监测程序。所述处理器30执行所述计算机程序32时实现上述各个工作状态的监测方法实施例中的步骤，例如图2所示的步骤101至103。或者，所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块210至230的功能。
示例性的，所述计算机程序32可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器31中，并由所述处理器30执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序32在所述工作状态的监测设备3中的执行过程。例如，所述计算机程序32可以被分割成第一获取单元、第一处理单元、确定单元，各单元具体功能如下：
第一获取单元，用于获取由目标传感器采集的工业现场中多个目标工业对象的混合工作状态；
第一处理单元，用于将所述混合工作状态输入经过训练的工业状态监测模型进行处理，得到每个所述目标工业对象对应的目标偏差特征；
确定单元，用于根据每个所述目标工业对象对应的目标偏差特征确定各个所述目标工业对象的工作状态。
所述工作状态的监测设备可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是工作状态的监测设备3的示例，并不构成对工作状态的监测设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述工作状态的监测设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
所述存储器31可以是所述工作状态的监测设备3的内部存储单元，例如工作状态的监测设备3的硬盘或内存。所述存储器31也可以是所述工作状态的监测设备3的外部存储设备，例如所述工作状态的监测设备3上配备的插接式硬盘，智能存储卡(Smart MediaCard,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述工作状态的监测设备3还可以既包括所述工作状态的监测设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述工作状态的监测设备所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
本申请实施例还提供了一种网络设备，该网络设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (9)
1.一种工作状态的监测方法，其特征在于，包括：
获取由目标传感器采集的工业现场中多个目标工业对象的混合工作状态；
将所述混合工作状态输入经过训练的工业状态监测模型进行处理，得到每个所述目标工业对象对应的目标偏差特征；所述经过训练的工业状态监测模型包括编码模块、特征抽取模块和定位模块；
所述将所述混合工作状态输入经过训练的工业状态监测模型进行处理，得到每个所述目标工业对象对应的目标偏差特征，包括：
将所述混合工作状态输入所述编码模块进行编码处理，得到混合工作状态的编码信息；
将所述编码信息输入所述特征抽取模块进行特征抽取处理，得到混合偏差特征；
将所述混合偏差特征输入所述定位模块进行定位处理，得到每个所述目标工业对象对应的目标偏差特征；
根据每个所述目标工业对象对应的目标偏差特征确定各个所述目标工业对象的工作状态。
2.如权利要求1所述的工作状态的监测方法，其特征在于，所述将所述混合工作状态输入所述编码模块进行编码处理，得到混合工作状态的编码信息，包括：
将所述混合工作状态输入所述编码模块，对所述混合工作状态进行下采样处理和特征维度转化处理，得到混合工作状态的编码信息。
3.如权利要求1所述的工作状态的监测方法，其特征在于，所述将所述编码信息输入所述特征抽取模块进行特征抽取处理，得到混合偏差特征，包括：
将所述编码信息输入所述特征抽取模块中的残差块进行下采样处理，得到混合偏差特征。
4.如权利要求1所述的工作状态的监测方法，其特征在于，所述将所述混合偏差特征输入所述定位模块进行定位处理，得到每个所述目标工业对象对应的目标偏差特征，包括：
将所述混合偏差特征输入平均池化层进行压缩处理，得到第一特征；
将所述第一特征输入全连接层进行特征分配，得到每个所述目标工业对象对应的目标偏差特征。
5.如权利要求1所述的工作状态的监测方法，其特征在于，在所述将所述混合工作状态输入经过训练的工业状态监测模型进行处理，得到每个所述目标工业对象对应的目标偏差特征之前，还包括：
获取样本训练集；所述样本训练集包括样本工业对象的样本混合工作状态及其对应的标准混合工作状态下的标准偏差特征；
使用所述样本训练集对初始的工业状态监测模型进行训练，得到经过训练的工业状态监测模型。
6.如权利要求5所述的工作状态的监测方法，其特征在于，所述使用所述样本训练集对初始的工业状态监测模型进行训练，得到经过训练的工业状态监测模型，包括：
将所述样本混合工作状态输入预设的初始神经网络模型进行处理，得到样本混合工作状态对应的样本偏差特征；
根据所述样本偏差特征、所述标准偏差特征和预设损失函数，计算目标损失值；
若所述目标损失值不满足预设中止条件，则根据所述目标损失值对所述初始神经网络模型进行更新，并返回执行将所述样本混合工作状态输入预设的初始神经网络模型进行处理，得到样本混合工作状态对应的样本偏差特征；
若所述目标损失值满足预设中止条件，则输出训练完成的工业状态监测模型。
7.如权利要求1-6任一项所述的工作状态的监测方法，其特征在于，所述根据每个所述目标工业对象对应的目标偏差特征确定所述目标工业对象的工作状态，包括：
若所述目标工业对象对应的目标偏差特征与预设标准值之间的差值小于预设阈值，则所述目标工业对象的工作状态为正常状态。
8.一种工作状态的监测设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110499255.7A CN113359623B (zh) | 2021-05-08 | 2021-05-08 | 一种工作状态的监测方法、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110499255.7A CN113359623B (zh) | 2021-05-08 | 2021-05-08 | 一种工作状态的监测方法、设备及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113359623A CN113359623A (zh) | 2021-09-07 |
| CN113359623B true CN113359623B (zh) | 2022-08-23 |
Family
ID=77526001
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110499255.7A Active CN113359623B (zh) | 2021-05-08 | 2021-05-08 | 一种工作状态的监测方法、设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113359623B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114139622A (zh) * | 2021-11-29 | 2022-03-04 | 北京唐智科技发展有限公司 | 状态监测方法、装置、电子设备及可读存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105372087A (zh) * | 2015-11-30 | 2016-03-02 | 南通大学 | 基于多传感器信号分析的故障诊断方法 |
| CN109710636A (zh) * | 2018-11-13 | 2019-05-03 | 广东工业大学 | 一种基于深度迁移学习的无监督工业系统异常检测方法 |
| CN110119339A (zh) * | 2019-05-07 | 2019-08-13 | 上海电气集团股份有限公司 | 工业设备的健康状态的评估方法、系统、设备和存储介质 |
| CN110334816A (zh) * | 2019-07-12 | 2019-10-15 | 深圳市智物联网络有限公司 | 一种工业设备检测方法、装置、设备及可读存储介质 |
| CN111506049A (zh) * | 2020-04-27 | 2020-08-07 | 西北工业大学 | 基于aann网络系统的航空发动机控制系统多重故障诊断方法 |
| CN111551383A (zh) * | 2020-05-12 | 2020-08-18 | 山东大学 | 一种基于异质多传感器的机械状态监测方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9176819B2 (en) * | 2011-09-23 | 2015-11-03 | Fujitsu Limited | Detecting sensor malfunctions using compression analysis of binary decision diagrams |
-
2021
- 2021-05-08 CN CN202110499255.7A patent/CN113359623B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105372087A (zh) * | 2015-11-30 | 2016-03-02 | 南通大学 | 基于多传感器信号分析的故障诊断方法 |
| CN109710636A (zh) * | 2018-11-13 | 2019-05-03 | 广东工业大学 | 一种基于深度迁移学习的无监督工业系统异常检测方法 |
| CN110119339A (zh) * | 2019-05-07 | 2019-08-13 | 上海电气集团股份有限公司 | 工业设备的健康状态的评估方法、系统、设备和存储介质 |
| CN110334816A (zh) * | 2019-07-12 | 2019-10-15 | 深圳市智物联网络有限公司 | 一种工业设备检测方法、装置、设备及可读存储介质 |
| CN111506049A (zh) * | 2020-04-27 | 2020-08-07 | 西北工业大学 | 基于aann网络系统的航空发动机控制系统多重故障诊断方法 |
| CN111551383A (zh) * | 2020-05-12 | 2020-08-18 | 山东大学 | 一种基于异质多传感器的机械状态监测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113359623A (zh) | 2021-09-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021232229A1 (zh) | 虚拟场景生成方法、装置、计算机设备和存储介质 | |
| US20190333296A1 (en) | Vehicle diagnostic method and device, and computer readable storage medium | |
| JP6742554B1 (ja) | 情報処理装置およびそれを備えた電子機器 | |
| CN109784254B (zh) | 一种车辆违规事件检测的方法、装置和电子设备 | |
| CN112630799B (zh) | 用于输出信息的方法和装置 | |
| CN113359623B (zh) | 一种工作状态的监测方法、设备及计算机可读存储介质 | |
| Oussama et al. | A literature review of steering angle prediction algorithms for self-driving cars | |
| US11120308B2 (en) | Vehicle damage detection method based on image analysis, electronic device and storage medium | |
| CN110866428A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
| CN111931679A (zh) | 动作识别方法、装置、设备及存储介质 | |
| CN112101156A (zh) | 一种目标识别的方法、装置和电子设备 | |
| CN116204871A (zh) | 异常行为识别方法及装置、电子设备、存储介质 | |
| CN116630978A (zh) | 长尾数据获取方法、装置、系统、设备和存储介质 | |
| CN115909215B (zh) | 一种基于目标检测的边缘入侵预警方法及系统 | |
| CN112950961B (zh) | 车流量统计方法、装置、设备和存储介质 | |
| CN112085788B (zh) | 回环检测方法、装置、计算机可读存储介质及移动装置 | |
| CN114267021A (zh) | 对象识别方法和装置、存储介质及电子设备 | |
| CN113160942A (zh) | 影像数据质量评估方法、装置、终端设备及可读存储介质 | |
| CN106017955A (zh) | 机械设备状态类别识别方法和系统 | |
| CN112903316B (zh) | 一种检测方法、检测装置及终端设备 | |
| CN117152650B (zh) | 海量视频的视频内容分析方法和视频事件信息网络 | |
| CN113743387B (zh) | 视频行人重识别方法、装置、电子设备及可读存储介质 | |
| CN117333790B (zh) | 视频事件的相似性判断方法、装置和电子设备 | |
| CN113867314B (zh) | 故障码库的访问控制方法、装置、电子设备及存储介质 | |
| CN109597813B (zh) | 一种车辆数据处理方法及装置 |
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 |