CN115270946A - 吸风设备状态确定方法、装置、电子设备及存储介质 - Google Patents
吸风设备状态确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115270946A CN115270946A CN202210854109.6A CN202210854109A CN115270946A CN 115270946 A CN115270946 A CN 115270946A CN 202210854109 A CN202210854109 A CN 202210854109A CN 115270946 A CN115270946 A CN 115270946A
- Authority
- CN
- China
- Prior art keywords
- frame
- air suction
- working parameters
- state
- working
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000003066 decision tree Methods 0.000 claims abstract description 84
- 230000000903 blocking effect Effects 0.000 claims description 29
- 239000007921 spray Substances 0.000 claims description 27
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 abstract description 40
- 238000001514 detection method Methods 0.000 abstract description 8
- 230000008569 process Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 238000010606 normalization Methods 0.000 description 6
- 238000007635 classification algorithm Methods 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005507 spraying Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B08—CLEANING
- B08B—CLEANING IN GENERAL; PREVENTION OF FOULING IN GENERAL
- B08B5/00—Cleaning by methods involving the use of air flow or gas flow
- B08B5/04—Cleaning by suction, with or without auxiliary action
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种吸风设备状态确定方法、装置、电子设备及存储介质。所述吸风设备状态确定方法,包括:采集吸风设备在设定时间段内的多帧工作参数;将所述多帧工作参数按照指定顺序输入至预先训练的决策树模型,以通过所述决策树模型对各帧工作参数进行分类,得到各帧工作参数的样本属性,所述样本属性包括正样本或负样本;根据所述多帧工作参数中正样本的特征确定所述吸风设备的状态,所述状态包括堵塞状态和正常状态。上述技术方案通过将吸风设备的多帧工作参数输入至决策树模型进行分类,得到各帧工作参数的样本属性,并根据正样本的特征确定吸风设备的状态,实现了对吸风设备状态的自动检测,提高了清洁的可靠性。
Description
技术领域
本发明实施例涉及人工智能技术领域,尤其涉及一种吸风设备状态确定方法、装置、电子设备及存储介质。
背景技术
随着自动化技术和人工智能的迅速发展,机器人已经被应用在各种场景。清洁机器人基于无人驾驶技术可以完成简单或重复的清洁任务,大大降低人力成本,实现清洁工作的自动化。在清洁机器人工作过程中,吸风设备的状态对于清洁作业效果以及效率影响非常大。目前,由于不能智能地对吸风设备状态进行自检,吸风设备堵塞时不能被及时发现和处理,严重影响清洁机器人的清洁效果,最终洗花地面甚至给地面造成损害。
发明内容
本发明提供了一种吸风设备状态确定方法、装置、电子设备及存储介质,以实现对吸风设备状态的自动检测,提高清洁的可靠性。
第一方面,本发明实施例提供了一种吸风设备状态确定方法,包括:
采集吸风设备在设定时间段内的多帧工作参数;
将所述多帧工作参数按照指定顺序输入至预先训练的决策树模型,以通过所述决策树模型对各帧工作参数进行分类,得到各帧工作参数的样本属性,所述样本属性包括正样本或负样本;
根据所述多帧工作参数中正样本的特征确定所述吸风设备的状态,所述状态包括堵塞状态和正常状态。
第二方面,本发明实施例提供了一种吸风设备状态确定装置,包括:
工作参数采集模块,用于采集吸风设备在设定时间段内的多帧工作参数;
工作参数分类模块,用于将所述多帧工作参数按照指定顺序输入至预先训练的决策树模型,以通过所述决策树模型对各帧工作参数进行分类,得到各帧工作参数的样本属性,所述样本属性包括正样本或负样本;
吸风设备状态确定模块,用于根据所述多帧工作参数中正样本的特征确定所述吸风设备的状态,所述状态包括堵塞状态和正常状态。
第三方面,本发明实施例提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如第一方面所述的吸风设备状态确定方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面所述的吸风设备状态确定方法。
本发明实施例的技术方案,通过将吸风设备的多帧工作参数输入至决策树模型进行分类,得到各帧工作参数的样本属性,并根据正样本的特征确定吸风设备的状态,实现了对吸风设备状态的自动检测,提高了清洁的可靠性。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种吸风设备状态确定方法的流程图;
图2是根据本发明实施例一提供的通过决策树模型对其中一帧工作参数进行分类得到该帧工作参数的样本属性的示意图;
图3是根据本发明实施例二提供的一种吸风设备状态确定方法的流程图;
图4是根据本发明实施例三提供的一种吸风设备状态确定方法的流程图;
图5是根据本发明实施例四提供的一种吸风设备状态确定方法的流程图;
图6是根据本发明实施例四提供的另一种吸风设备状态确定方法的流程图;
图7是根据本发明实施例五提供的一种吸风设备状态确定装置的结构示意图;
图8是实现本发明实施例的吸风设备状态确定方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
可以理解的是,在使用本发明各实施例公开的技术方案之前,均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围以及使用场景等告知用户并获得用户的授权。
实施例一
图1是根据本发明实施例一提供的一种吸风设备状态确定方法的流程图,本实施例可适用于清洁作业中对吸风设备状态进行确定的情况,该方法可以由吸风设备状态确定装置来执行,该吸风设备状态确定装置可以采用软件和/或硬件的形式实现,并集成在电子设备中。进一步的,电子设备包括但不限定于:计算机、笔记本电脑、智能手机、服务器等。如图1所示,该方法包括:
S110、采集吸风设备在设定时间段内的多帧工作参数。
其中,吸风设备可以是指通过负压实现空气吸入的设备。
吸风设备的工作原理可以总结如下:吸风设备可以由电动机、风叶、机壳、进风滤网、风嘴等组成,当吸风设备工作时,电动机转动带动风叶高速旋转,使吸风设备内部的空气被抽出,这样吸风设备内部和外部产生了压力差,也就是所谓的负压,为了使吸风设备内部和外部压力平衡,需要从吸风设备进风口吸入空气使其达到压力平衡,负压越高,吸力越强。
吸风设备在吸入空气的同时,可以吸入细沙、细土、灰尘、油污或碎屑及类似物等,因此吸风设备可以用于酒店、公园广场或工厂车间等场所的清洁作业,具有环保、节能、高效等优点。
设定时间段可以是指设定的用于采集吸风设备的工作参数的时间段,对设定时间段不作限定,只要能够在设定时间段内采集吸风设备的多帧工作参数即可,设定时间段可以是根据实际需要设定的,具体可以根据吸风设备的实际工作情况确定设定时间段。
工作参数可以是指吸风设备在工作时涉及到的参数,通过工作参数能够反映吸风设备的工作状态。工作参数可以包括但不限于里程计线速度、里程计角速度、吸风电机电流、喷水电机电流、吸风电机占空比、喷水电机占空比以及负压压力传感器电压。工作参数的数量不作限定,可以选取对吸风设备影响比重较大的工作参数来分析吸风设备的工作状态。
可选的,工作参数包括:
里程计线速度、里程计角速度、吸风电机电流、喷水电机电流、吸风电机占空比、喷水电机占空比以及负压压力传感器电压。
其中,里程计可以是指一种利用从移动传感器获得的数据来估计物体位置随时间的变化而改变的方法,里程计可以包含位姿(即位置和转角)和速度(即线速度和角速度)的信息,在本发明中可以通过里程计信息来估计吸风设备相对于初始状态的位姿和速度。
里程计线速度可以是指吸风设备上各点做曲线运动(包括圆周运动)时所具有的即时速度,其方向沿运动轨道的切线方向,通过里程计线速度可以反映吸风设备的前进速度。
里程计角速度可以是指吸风设备上各点做圆周运动时,连接运动质点和圆心的半径在单位时间内转过的弧度,通过里程计角速度可以反映吸风设备的转向速度。
吸风电机电流可以是指吸风设备中的吸风电机在工作时产生的电流,其中,吸风电机转动带动风叶高速旋转,可以使吸风设备的进风口处产生负压形成真空,进而形成吸力。
喷水电机电流可以是指吸风设备中的喷水电机在工作时产生的电流,其中,喷水电机转动可以使吸风设备向外喷水,通过吸风设备中的吸风电机和喷水电机相结合,可以实现吸风设备的清洁作业。
吸风电机占空比可以是指吸风设备中的吸风电机在工作时的占空比,喷水电机占空比可以是指吸风设备中的喷水电机在工作时的占空比。其中,占空比可以是指高电平在一个脉冲周期之中所占的比值,在电机控制中,当输出端为高电平时,电机会转动,电压越大,电机转速越快,而通过改变吸风电机占空比和喷水电机占空比可以分别实现对吸风电机和喷水电机转速的调节,高电平的所占的比值越大,占空比就越大。
负压压力传感器电压可以是指在吸风设备工作过程中负压压力传感器检测到的电压,其中,负压压力传感器可以是指能够测量待测压力比预定压力值小的情况下的压力值的传感器,通过负压压力传感器可以检测吸风设备内部和外部的压力差。
采集吸风设备在设定时间段内的多帧工作参数的方式不作限定,在设定时间段内可以按照一定的时间间隔连续多次采集吸风设备的工作参数。每采集一次工作参数即为一帧工作参数,一帧工作参数中可以有多个不同的工作参数,具体根据实际需要确定需要采集的工作参数的数量;连续多次采集工作参数即为多帧工作参数。对在设定时间段内采集工作参数的时间间隔不作限定,具体可以根据实际需要来确定时间间隔。
在一个实施例中,每20毫秒采集一帧工作参数,每帧工作参数中包含吸风设备的多个工作参数,连续2秒后,共采集到100帧工作参数。
采集工作参数的方式不作限定,对不同的工作参数可以有不同的采集方式,只要能够采集到吸风设备的工作参数即可。如,里程计线速度可以通过线速度传感器来采集;里程计角速度可以通过角速度传感器来采集;吸风电机电流和喷水电机电流可以通过钳形电流表或者电流互感器配套电流表来采集;吸风电机占空比和喷水电机占空比可以通过示波器来采集;负压压力传感器电压可以由负压压力传感器采集。
S120、将多帧工作参数按照指定顺序输入至预先训练的决策树模型,以通过决策树模型对各帧工作参数进行分类,得到各帧工作参数的样本属性,样本属性包括正样本或负样本。
其中,决策树模型可以是指机器学习中的一个预测模型,代表对象属性与对象值之间的一种映射关系。决策树模型本质上可以理解为一颗由多个判断节点组成的树,在树的每个节点做参数判断,进而在树的最末枝(叶节点)能够对所关心变量的取值作最佳判断。通常一棵决策树包含一个根结点,若干内部节点和若干叶节点,叶节点对应决策分类结果。树中每个节点表示某个对象,而每个分叉路径则代表某个可能的属性值,每个叶节点则对应从根节点到该叶节点所经历的路径所表示的对象的值。
样本属性可以是指在研究中实际观测或调查的一部分个体的属性,通过样本属性能够正确地反映总体的情况。样本属性包括正样本或负样本,其中,正样本可以是指通过决策树模型预测为正的正样本,即判断为真的正确率;负样本可以是指通过决策树模型预测为负的正样本,即判断为假的正确率。
对决策树模型的预先训练方式不作限定,只要能够获取决策树模型即可。如,将吸风设备状态为堵塞状态时采集到的工作参数作为正样本输入决策树模型,将吸风设备状态为正常状态时采集到的工作参数作为负样本输入决策树模型,对输入的数据进行训练得出决策树模型。其中,堵塞状态可以是指吸风设备的进风口堵塞,无法吸入空气的状态,在堵塞状态下吸风设备无法正常工作。正常状态可以是指吸风设备能够正常工作的状态。
将多帧工作参数按照指定顺序输入至预先训练的决策树模型的方式不作限定,只要能够将多帧工作参数输入至预先训练的决策树模型即可。其中,指定顺序可以是指定的不同的多帧工作参数输入决策树模型的顺序,对指定顺序不作限定,如可以按照采集各帧工作参数的时间顺序将各帧工作参数输入决策树模型,其中,各帧工作参数中不同的工作参数输入决策树模型的顺序不作限定,可以是按照各工作参数的重要程度输入决策树模型,也可以根据实际需要设定输入顺序将不同的工作参数输入决策树模型。
在一个实施例中,每20毫秒采集一帧工作参数,每帧工作参数中包含吸风设备的多个工作参数,按照采集各帧工作参数的时间顺序将各帧工作参数输入决策树模型,将每帧工作参数对应的多个工作参数按照重要程度输入决策树模型,如按照里程计线速度、里程计角速度、吸风电机电流、喷水电机电流、吸风电机占空比、喷水电机占空比以及负压压力传感器电压的顺序依次将各帧工作参数的多个工作参数输入至预先训练的决策树模型。
通过决策树模型对各帧工作参数进行分类,得到各帧工作参数的样本属性的方式不作限定,只要能够得到各帧工作参数的样本属性即可。如,在各帧工作参数中,不同的工作参数输入至预先训练的决策树模型的顺序可根据实际需求设定,保证训练过程与实际检测工作参数过程中的输入顺序一致即可,例如,按照不同工作参数的优先级、重要程度或权重由大到小的顺序输入等。在每帧工作参数中,按照一定的顺序将不同的多个工作参数输入至预先训练的决策树模型,每个工作参数有对应的判断条件,对判断条件不作限定,以第一个输入的工作参数的判断条件作为根节点,如第一个输入的工作参数为里程计线速度,判断条件为里程计线速度小于2米/秒,当输入的里程计线速度小于2米/秒时,将其设定为决策树模型的左分支,反之为右分支,继续输入下一个工作参数,并根据下一个工作参数对应的判断条件对其进行决策,直至将该帧工作参数中对应的所有工作参数全部输入至预先训练的决策树模型,在决策树模型中树的最末枝(叶节点)的最左分支即为最佳的决策结果,对应该帧工作参数的样本属性为正样本。
在一个实施例中,图2是根据本发明实施例一提供的通过决策树模型对其中一帧工作参数进行分类得到该帧工作参数的样本属性的示意图。如图2所示,data[0]、data[1]或data[…]表示不同的工作参数,如data[0]表示里程计线速度,判断条件为里程计线速度小于2米/秒,当输入的里程计线速度小于2米/秒时,将其设定为决策树模型的左分支,反之为右分支;继续输入下一个工作参数data[1],如data[1]表示里程计角速度,判断条件为里程计角速度小于2弧度/秒,当输入的里程计角速度小于2弧度/秒时,将其设定为决策树模型的左分支,反之为右分支;继续输入其他工作参数,并根据各个工作参数对应的判断条件对其进行决策,直至将该帧工作参数中对应的所有工作参数全部输入至预先训练的决策树模型,在决策树模型中树的最末枝(叶节点)的最左分支即为最佳的决策结果,对应该帧工作参数的样本属性为正样本,在决策树模型中树的最末枝(叶节点)的最右分支对应该帧工作参数的样本属性为负样本。
S130、根据多帧工作参数中正样本的特征确定吸风设备的状态,状态包括堵塞状态和正常状态。
根据多帧工作参数中正样本的特征确定吸风设备的状态的方式不作限定,只要能够根据多帧工作参数中正样本的特征确定吸风设备的状态即可。如,连续采集多帧工作参数,并判断各帧工作参数的样本属性,当连续多帧工作参数的样本属性均为正样本,或者采集多帧工作参数中超过设定比例的工作参数的样本属性为正样本,则吸风设备的状态为堵塞状态;反之,吸风设备的状态为正常状态。其中,设定比例可以是指设定的多帧工作参数中正样本的数量相对于总帧数的比例,对设定比例不作限定,具体可以根据实际需要设定。
在一个实施例中,每20毫秒采集一帧工作参数,连续2秒共采集到100帧工作参数,当采集到的100帧工作参数的样本属性均为正样本,表明吸风设备的状态为堵塞状态。
在一个实施例中,每20毫秒采集一帧工作参数,连续2秒共采集到100帧工作参数,当采集到的100帧工作参数中超过70%的工作参数的样本属性为正样本,即超过70帧工作参数的样本属性为正样本,表明吸风设备的状态为堵塞状态。
本发明实施例的技术方案,通过将吸风设备的多帧工作参数输入至决策树模型进行分类,得到各帧工作参数的样本属性,并根据正样本的特征确定吸风设备的状态,实现了对吸风设备状态的自动检测,提高了清洁的可靠性。
实施例二
图3是根据本发明实施例二提供的一种吸风设备状态确定方法的流程图,本实施例是在上述实施例一的基础上,在采集吸风设备在设定时间段内的多帧工作参数之前,还包括:采集吸风设备处于堵塞状态时的第一工作参数,以及吸风设备处于正常状态时的第二工作参数;将第一工作参数作为正样本,第二工作参数作为负样本,基于正样本和负样本训练得到决策树模型。如图2所示,该方法包括:
S140、采集吸风设备处于堵塞状态时的第一工作参数,以及吸风设备处于正常状态时的第二工作参数。
其中,第一工作参数可以是指吸风设备处于堵塞状态时的工作参数。第二工作参数可以是指吸风设备处于正常状态时的工作参数。第一工作参数和第二工作参数可以是多帧工作参数,每帧第一工作参数或每帧第二工作参数可以包括里程计线速度、里程计角速度、吸风电机电流、喷水电机电流、吸风电机占空比、喷水电机占空比以及负压压力传感器电压。
判断吸风设备处于堵塞状态或是正常状态的方式不作限定,只要能够判断吸风设备是处于堵塞状态还是正常状态即可。如,可以通过吸风设备的吸力判断,当吸风设备的吸力很小,进风口堵塞,无法吸入空气时,表明吸风设备处于堵塞状态;反之,表明吸风设备处于正常状态。
采集第一工作参数或第二工作参数的方式不作限定,只要能够采集第一工作参数或第二工作参数即可。如,可以在设定时间段内多次采集吸风设备的多帧第一工作参数或第二工作参数,对设定时间段不作限定,每帧第一工作参数或每帧第二工作参数中可以有多个不同的工作参数,具体根据实际需要确定需要采集的工作参数的数量,对不同的工作参数可以有不同的采集方式,如,里程计线速度可以通过线速度传感器来采集;里程计角速度可以通过角速度传感器来采集;吸风电机电流和喷水电机电流可以通过钳形电流表或者电流互感器配套电流表来采集;吸风电机占空比和喷水电机占空比可以通过示波器来采集;负压压力传感器电压可由负压压力传感器采集。
S150、将第一工作参数作为正样本,第二工作参数作为负样本,基于正样本和负样本训练得到决策树模型。
其中,训练可以是指利用采集到的第一工作参数和第二工作参数让电子设备学习如何确定各帧工作参数的样本属性的过程,训练的过程则是决策树模型不断拟合训练样本分布的过程。
基于正样本和负样本训练得到决策树模型的方式不作限定,只要能够基于正样本和负样本训练得到决策树模型即可。如,将多帧第一工作参数作为正样本,多帧第二工作参数作为负样本输入决策树模型,并通过机器学习分类算法训练出最终的决策树模型。其中,机器学习分类算法可以是指利用训练数据来预测后续数据会归类于一个类别的可能性。
在决策树模型训练的过程中,电子设备可以通过输入决策树模型的多帧第一工作参数和多帧第二工作参数学习各帧第一工作参数和各帧第二工作参数中每个工作参数对应的判断条件,后续输入决策树模型的数据可以根据每个工作参数对应的判断条件对输入的工作参数进行分类,进而确定各帧工作参数的样本属性。
本步骤通过机器学习分类算法训练出决策树模型,可以在后续数据输入决策树模型时,决策树模型可以根据预先分类的训练数据集,对输入的多帧工作参数进行决策分类,最终得到各帧工作参数的样本属性。
S110、采集吸风设备在设定时间段内的多帧工作参数。
S120、将多帧工作参数按照指定顺序输入至预先训练的决策树模型,以通过决策树模型对各帧工作参数进行分类,得到各帧工作参数的样本属性,样本属性包括正样本或负样本。
S130、根据多帧工作参数中正样本的特征确定吸风设备的状态,状态包括堵塞状态和正常状态。
本发明实施例的技术方案,通过在采集吸风设备在设定时间段内的多帧工作参数之前,基于正样本和负样本训练得到决策树模型,可以在后续多帧工作参数输入决策树模型时,通过预先训练好的决策树模型得到各帧工作参数的样本属性。
实施例三
图4是根据本发明实施例三提供的一种吸风设备状态确定方法的流程图,本实施例是在上述实施例一的基础上,对根据多帧工作参数中正样本的特征确定吸风设备的状态的进一步细化,如图4所示,该方法包括:
S110、采集吸风设备在设定时间段内的多帧工作参数。
S120、将多帧工作参数按照指定顺序输入至预先训练的决策树模型,以通过决策树模型对各帧工作参数进行分类,得到各帧工作参数的样本属性,样本属性包括正样本或负样本。
S131、若多帧工作参数中正样本的数量超过第一设定数量,或者多帧工作参数中正样本的数量相对于总帧数的占比超过第一设定占比,则确定吸风设备为堵塞状态。
其中,第一设定数量可以是指设定的多帧工作参数中正样本的数量,对第一设定数量不作限定,如可以是根据实际需要设定的第一设定数量。
第一设定占比可以是指多帧工作参数中正样本的数量相对于总帧数的占比,对第一设定占比不作限定,如可以是根据实际需要设定的第一设定占比。
在一个实施例中,若多帧工作参数中正样本的数量超过第一设定数量,则确定吸风设备为堵塞状态。假设共采集到100帧工作参数,第一设定数量为80,当采集到的100帧工作参数中有超过80帧工作参数为正样本,则确定吸风设备为堵塞状态。
在一个实施例中,若多帧工作参数中正样本的数量相对于总帧数的占比超过第一设定占比,则确定吸风设备为堵塞状态。假设共采集到100帧工作参数,第一设定占比为80%,当采集到的100帧工作参数中有超过80%帧工作参数为正样本,则确定吸风设备为堵塞状态。
S132、若多帧工作参数中连续的正样本的数量超过第二设定数量,或者多帧工作参数中连续的正样本的数量相对于总帧数的占比超过第二设定占比,或者多帧工作参数中连续的正样本跨越的时长超过设定时长,则确定吸风设备为堵塞状态。
其中,第二设定数量可以是指设定的多帧工作参数中连续的正样本的数量,对第二设定数量不作限定,如可以是根据实际需要设定的第二设定数量。
第二设定占比可以是指多帧工作参数中连续的正样本的数量相对于总帧数的占比,对第二设定占比不作限定,如可以是根据实际需要设定的第二设定占比。
设定时长可以是指多帧工作参数中连续的正样本跨越的时长,对设定时长不作限定,如可以是根据实际需要设定的设定时长。
在一个实施例中,若多帧工作参数中连续的正样本的数量超过第二设定数量,则确定吸风设备为堵塞状态。假设每20毫秒采集一帧工作参数,连续2秒共采集到100帧工作参数,第二设定数量为80,当采集到的100帧工作参数中有连续超过80帧的工作参数为正样本,则确定吸风设备为堵塞状态。
在一个实施例中,若多帧工作参数中连续的正样本的数量相对于总帧数的占比超过第二设定占比,则确定吸风设备为堵塞状态。假设每20毫秒采集一帧工作参数,连续2秒共采集到100帧工作参数,第二设定占比为80%,当采集到的100帧工作参数中有连续超过80%帧的工作参数为正样本,则确定吸风设备为堵塞状态。
在一个实施例中,若多帧工作参数中连续的正样本跨越的时长超过设定时长,则确定吸风设备为堵塞状态。假设设定时长为2秒,当采集到的多帧工作参数中,连续的正样本跨越的时长超过2秒时,则确定吸风设备为堵塞状态。
本发明实施例的技术方案,根据多帧工作参数中正样本的数量、正样本的数量相对于总帧数的占比、连续的正样本的数量、连续的正样本的数量相对于总帧数的占比或者连续的正样本跨越的时长确定吸风设备的状态,实现了对吸风设备状态的自动检测,提高了清洁的可靠性。
实施例四
图5是根据本发明实施例四提供的一种吸风设备状态确定方法的流程图,本实施例是在上述实施例一的基础上,在将多帧工作参数按照指定顺序输入至预先训练的决策树模型之前,还包括:将多帧工作参数归一化;在根据多帧工作参数中正样本的特征确定吸风设备的状态之前,还包括:根据各帧工作参数的样本属性过滤无效的分类结果。如图5所示,该方法包括:
S110、采集吸风设备在设定时间段内的多帧工作参数。
S160、将多帧工作参数归一化。
其中,归一化可以是指将预处理的数据限定在一定的范围内(比如[0,1]或者[-1,1]),从而消除奇异样本数据导致的不良影响。由于不同的工作参数往往具有不同的量纲和量纲单位,这样的情况会影响到数据分析的结果,将工作参数归一化可以消除不同工作参数之间的量纲影响,使各工作参数处于同一数量级。
将多帧工作参数归一化的方式不作限定,只要能够将多帧工作参数归一化即可。如,将多帧工作参数中的多个工作参数分别归一化,根据归一化的计算公式对工作参数进行归一化,计算公式如下:
其中,Xnorm为归一化后的工作参数,X为需要进行归一化的工作参数,Xmin为采集到的工作参数中的最小值,Xmax为采集到的工作参数中的最大值。
在一个实施例中,共采集到100帧工作参数,以100帧工作参数中的工作参数为里程计线速度为例,将每帧工作参数中的里程计线速度分别代入归一化的计算公式,可以得到多帧工作参数中的里程计线速度的归一化结果。
S120、将多帧工作参数按照指定顺序输入至预先训练的决策树模型,以通过决策树模型对各帧工作参数进行分类,得到各帧工作参数的样本属性,样本属性包括正样本或负样本。
S170、根据各帧工作参数的样本属性过滤无效的分类结果。
其中,无效的分类结果可以是指对各帧工作参数的样本属性分类明显错误的结果。过滤无效的分类结果,可以理解为,将无效的分类结果剔除。
在一个实施例中,假设每20毫秒采集一帧工作参数,连续2秒共采集到100帧工作参数,当100帧工作参数中的连续70帧工作参数中只有1帧是负样本,而其他帧工作参数都为正样本,则剔除分类结果为负样本的1帧,最终的分类结果为正样本,表明吸风设备的状态为堵塞状态。
S130、根据多帧工作参数中正样本的特征确定吸风设备的状态,状态包括堵塞状态和正常状态。
本发明实施例的技术方案,通过将工作参数归一化可以消除不同工作参数之间的量纲影响,通过各帧工作参数的样本属性过滤无效的分类结果可以使最终获得的样本属性更加准确,提高了清洁的可靠性。
以下对本发明进行示例性描述:
以吸风设备是清洁机器人为例,通过机器学习分类算法来实现清洁机器人基于负压压力传感器进行识别清洁机器人的状态,提升了清洁机器人的智能性和用户体验,降低清洁机器人的故障漏报率。
机器学习分类算法:根据清洁机器人负压压力传感器检测出来的数据,结合清洁机器人运行特点,清洁机器人不同状态下对吸风压强的影响,输入7个特征(即工作参数)进行分类学习,训练数学分类模型,从而达到识别清洁机器人负压状态的目的。
图6是根据本发明实施例四提供的另一种吸风设备状态确定方法的流程图,如图6所示:
(1)数据输入
收集现场数据,分析清洁机器人发生吸风堵塞时里程计线速度、里程计角速度、吸风电机电流、喷水电机电流、吸风电机占空比、喷水电机占空比或负压压力传感器电压等的特点。在时序上选取影响比重较大的指标(即工作参数)作为模型输入。
(2)归一化
不同传感器数据根据清洁机器人实际使用特点进行归一化处理。使用线性函数归一化方法,公式如下:
(3)模型分类
将其中清洁机器人发生吸风设备堵塞时的数据(即第一工作参数)作为正样本输入,正常清洗作业时候的数据(即第二工作参数)作为负样本输入,训练数据得出决策树分类模型(即决策树模型)。使用m2cgen将模型格式转换成python语言代码。
(4)模型分类和检测结果判断
清洁机器人作业过程中,选取清洁机器人的里程计线速度、里程计角速度、吸风电机电流、喷水电机电流、吸风电机占空比、喷水电机占空比和负压压力传感器电压7个指标作为数据输入给到决策树模型,得到模型检测结果。根据模型检测结果在时序上增加过滤处理,将偶现分类错误的结果过滤掉,累计时序上多帧分类结果,当总体结果大于70%可能性是堵塞(即吸风设备的状态为堵塞状态)的时候,推送软件报警。
具体的,实时接收清洁机器人里程计线速度、里程计角速度、吸风电机电流、喷水电机电流、吸风电机占空比、喷水电机占空比和负压压力传感器电压,归一化处理后,将数据(即工作参数)按照一定顺序组合成列表输入给决策树模型分析,输出分类结果。
将时序上实时分类的结果存储下来,时阈上累积一段时间的分类结果。计算累积结果里面分类为正样本的个数,如果正样本占比大于70%或者连续多帧均判定为正样本(一般持续2s以上),判断为吸风堵塞状态(即吸风设备的状态为堵塞状态),推送报警,让清洁机器人停车并且关闭清洗设备,避免造成更多地面洗花问题。
本发明实施例的技术方案,实现了清洁机器人在清洁作业中针对清洁效果的感知,降低了清洁作业过程中洗花地面的概率,提升了用户的体验,使清洁机器人作业更加智能。
实施例五
图7是根据本发明实施例五提供的一种吸风设备状态确定装置的结构示意图,本实施例可适用于清洁作业中对吸风设备状态进行确定的情况。如图7所示,该装置的具体结构包括:
工作参数采集模块21,用于采集吸风设备在设定时间段内的多帧工作参数;
工作参数分类模块22,用于将多帧工作参数按照指定顺序输入至预先训练的决策树模型,以通过决策树模型对各帧工作参数进行分类,得到各帧工作参数的样本属性,样本属性包括正样本或负样本;
吸风设备状态确定模块23,用于根据多帧工作参数中正样本的特征确定吸风设备的状态,状态包括堵塞状态和正常状态。
本实施例提供的吸风设备状态确定装置首先通过工作参数采集模块21采集吸风设备在设定时间段内的多帧工作参数;然后通过工作参数分类模块22将多帧工作参数按照指定顺序输入至预先训练的决策树模型,以通过决策树模型对各帧工作参数进行分类,得到各帧工作参数的样本属性,样本属性包括正样本或负样本;最后通过吸风设备状态确定模块23根据多帧工作参数中正样本的特征确定吸风设备的状态,状态包括堵塞状态和正常状态。
进一步的,在采集吸风设备在设定时间段内的多帧工作参数之前,该装置还包括:
堵塞和正常状态的工作参数采集模块,用于采集吸风设备处于堵塞状态时的第一工作参数,以及吸风设备处于正常状态时的第二工作参数;
决策树模型获取模块,用于将第一工作参数作为正样本,第二工作参数作为负样本,基于正样本和负样本训练得到决策树模型。
进一步的,吸风设备状态确定模块23具体用于:
若多帧工作参数中正样本的数量超过第一设定数量,或者多帧工作参数中正样本的数量相对于总帧数的占比超过第一设定占比,则确定吸风设备为堵塞状态。
进一步的,吸风设备状态确定模块23具体用于:
若多帧工作参数中连续的正样本的数量超过第二设定数量,或者多帧工作参数中连续的正样本的数量相对于总帧数的占比超过第二设定占比,或者多帧工作参数中连续的正样本跨越的时长超过设定时长,则确定吸风设备为堵塞状态。
进一步的,在将多帧工作参数按照指定顺序输入至预先训练的决策树模型之前,该装置还包括:
工作参数归一化模块,用于将多帧工作参数归一化。
进一步的,在根据多帧工作参数中正样本的特征确定吸风设备的状态之前,该装置还包括:
分类结果过滤模块,用于根据各帧工作参数的样本属性过滤无效的分类结果。
进一步的,工作参数采集模块21中,工作参数包括:
里程计线速度、里程计角速度、吸风电机电流、喷水电机电流、吸风电机占空比、喷水电机占空比以及负压压力传感器电压。
本发明实施例所提供的吸风设备状态确定装置可执行本发明任意实施例所提供的吸风设备状态确定方法,具备执行方法相应的功能模块和有益效果。
实施例六
图8示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图8所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如吸风设备状态确定方法。
在一些实施例中,吸风设备状态确定方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的吸风设备状态确定方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行吸风设备状态确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种吸风设备状态确定方法,其特征在于,包括:
采集吸风设备在设定时间段内的多帧工作参数;
将所述多帧工作参数按照指定顺序输入至预先训练的决策树模型,以通过所述决策树模型对各帧工作参数进行分类,得到各帧工作参数的样本属性,所述样本属性包括正样本或负样本;
根据所述多帧工作参数中正样本的特征确定所述吸风设备的状态,所述状态包括堵塞状态和正常状态。
2.根据权利要求1所述的方法,其特征在于,在采集吸风设备在设定时间段内的多帧工作参数之前,还包括:
采集所述吸风设备处于堵塞状态时的第一工作参数,以及所述吸风设备处于正常状态时的第二工作参数;
将所述第一工作参数作为正样本,所述第二工作参数作为负样本,基于所述正样本和所述负样本训练得到所述决策树模型。
3.根据权利要求1所述的方法,其特征在于,根据所述多帧工作参数中正样本的特征确定所述吸风设备的状态,包括:
若所述多帧工作参数中正样本的数量超过第一设定数量,或者所述多帧工作参数中正样本的数量相对于总帧数的占比超过第一设定占比,则确定所述吸风设备为堵塞状态。
4.根据权利要求1所述的方法,其特征在于,根据所述多帧工作参数中正样本的特征确定所述吸风设备的状态,包括:
若所述多帧工作参数中连续的正样本的数量超过第二设定数量,或者所述多帧工作参数中连续的正样本的数量相对于总帧数的占比超过第二设定占比,或者所述多帧工作参数中连续的正样本跨越的时长超过设定时长,则确定所述吸风设备为堵塞状态。
5.根据权利要求1所述的方法,其特征在于,在将所述多帧工作参数按照指定顺序输入至预先训练的决策树模型之前,还包括:
将所述多帧工作参数归一化。
6.根据权利要求1所述的方法,其特征在于,在根据所述多帧工作参数中正样本的特征确定所述吸风设备的状态之前,还包括:
根据各帧工作参数的样本属性过滤无效的分类结果。
7.根据权利要求1所述的方法,其特征在于,所述工作参数包括:
里程计线速度、里程计角速度、吸风电机电流、喷水电机电流、吸风电机占空比、喷水电机占空比以及负压压力传感器电压。
8.一种吸风设备状态确定装置,其特征在于,包括:
工作参数采集模块,用于采集吸风设备在设定时间段内的多帧工作参数;
工作参数分类模块,用于将所述多帧工作参数按照指定顺序输入至预先训练的决策树模型,以通过所述决策树模型对各帧工作参数进行分类,得到各帧工作参数的样本属性,所述样本属性包括正样本或负样本;
吸风设备状态确定模块,用于根据所述多帧工作参数中正样本的特征确定所述吸风设备的状态,所述状态包括堵塞状态和正常状态。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1-7中任一所述的吸风设备状态确定方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的吸风设备状态确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210854109.6A CN115270946A (zh) | 2022-07-13 | 2022-07-13 | 吸风设备状态确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210854109.6A CN115270946A (zh) | 2022-07-13 | 2022-07-13 | 吸风设备状态确定方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115270946A true CN115270946A (zh) | 2022-11-01 |
Family
ID=83767838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210854109.6A Pending CN115270946A (zh) | 2022-07-13 | 2022-07-13 | 吸风设备状态确定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115270946A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117520964A (zh) * | 2024-01-04 | 2024-02-06 | 深圳市霆宝科技有限公司 | 基于人工智能的电机预诊断方法 |
-
2022
- 2022-07-13 CN CN202210854109.6A patent/CN115270946A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117520964A (zh) * | 2024-01-04 | 2024-02-06 | 深圳市霆宝科技有限公司 | 基于人工智能的电机预诊断方法 |
CN117520964B (zh) * | 2024-01-04 | 2024-04-02 | 深圳市霆宝科技有限公司 | 基于人工智能的电机预诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108460144B (zh) | 一种基于机器学习的煤炭设备故障预警系统及方法 | |
CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
CN109766583A (zh) | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 | |
CN113205037B (zh) | 事件检测的方法、装置、电子设备以及可读存储介质 | |
CN113642431B (zh) | 目标检测模型的训练方法及装置、电子设备和存储介质 | |
CN107219924A (zh) | 一种基于惯性传感器的空中手势识别方法 | |
CN115270946A (zh) | 吸风设备状态确定方法、装置、电子设备及存储介质 | |
CN115600837A (zh) | 一种用于电器负荷异常的节能诊断方法 | |
CN117092980B (zh) | 一种基于大数据的电气故障检测控制系统 | |
CN110458096A (zh) | 一种基于深度学习的大规模商品识别方法 | |
CN112183906A (zh) | 一种基于多模型组合模型的机房环境预测方法及系统 | |
CN113705628A (zh) | 预训练模型的确定方法、装置、电子设备以及存储介质 | |
CN115294060A (zh) | 电器设备的外观缺陷检测方法、装置、电子设备及介质 | |
Lee | A Study on Fruit Quality Identification Using YOLO V2 Algorithm | |
CN116679167A (zh) | 一种电缆的局部放电定位方法、设备及存储介质 | |
CN117056842A (zh) | 构建设备异常监测模型的方法、装置、设备、介质及产品 | |
CN115587984A (zh) | 一种传送带的工作状态检测方法、装置、设备及存储介质 | |
CN115338867A (zh) | 移动机器人的故障状态监测方法、装置和设备 | |
CN113362543A (zh) | 结算方法、装置、电子设备以及存储介质 | |
CN103826202A (zh) | 基于手机传感器信息改进WiFi定位结果跳动的方法 | |
CN114511225A (zh) | 一种断面识别方法、装置、设备以及存储介质 | |
CN113936158A (zh) | 一种标签匹配方法及装置 | |
CN114330437A (zh) | 一种故障检测方法及故障分类模型的训练方法、装置 | |
Sahoo et al. | Automated human tracking using advanced mean shift algorithm | |
Hoffmann et al. | Embedding anomaly detection autoencoders for wind turbines |
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 |