CN116592814B - 一种基于人工智能自适应多维度计算的物体移位监测方法 - Google Patents

一种基于人工智能自适应多维度计算的物体移位监测方法 Download PDF

Info

Publication number
CN116592814B
CN116592814B CN202310873551.8A CN202310873551A CN116592814B CN 116592814 B CN116592814 B CN 116592814B CN 202310873551 A CN202310873551 A CN 202310873551A CN 116592814 B CN116592814 B CN 116592814B
Authority
CN
China
Prior art keywords
dimensional
data
training
dimensional vector
binary image
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
Application number
CN202310873551.8A
Other languages
English (en)
Other versions
CN116592814A (zh
Inventor
连燕云
李永华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tadun Information Technology Shanghai Co ltd
Original Assignee
Tadun Information Technology Shanghai Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tadun Information Technology Shanghai Co ltd filed Critical Tadun Information Technology Shanghai Co ltd
Priority to CN202310873551.8A priority Critical patent/CN116592814B/zh
Publication of CN116592814A publication Critical patent/CN116592814A/zh
Application granted granted Critical
Publication of CN116592814B publication Critical patent/CN116592814B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Abstract

本发明公开一种基于人工智能自适应多维度计算的物体移位监测方法，涉及物体位移监测技术领域。所述方法包括：获取待测物体的多维度感知数据；将所述多维度感知数据按照固定的顺序连接，组成一个一维向量，所述一维向量中的每个元素数据对应所述多维度感知数据每bit的二进制数值；将所述一维向量存储至设定数量时，组合成为一个二维向量，并根据所述二维向量对应生成一个二值图像；根据所述二值图像和识别预测模型确定待测物体位置的状态识别结果；所述状态识别结果包括传感器故障、位置异常和位置正常；所述识别预测模型是基于卷积神经网络算法构建的，并利用Adam方法进行训练。本发明能够提高物体位移监测的准确性。

Description

一种基于人工智能自适应多维度计算的物体移位监测方法
技术领域
本发明涉及物体位移监测技术领域，特别是涉及一种基于人工智能自适应多维度计算的物体移位监测方法。
背景技术
固定物体位置监测在各个领域都有较大的需求，例如大型结构的螺栓松动监测、医用导管移位监测、文物、试卷等特殊物体安全位置监测等，通过监测避免重要物体的移动造成的不可挽回的损失。监测物体移动的物理量和传感器有很多种，例如光、振动、磁、声音、电阻等。在现有技术中的装置，能够实现将磁铁与传感器靠近，一旦二者离开，基于初始环境的磁场强度和存储在存储单元的阈值存储装置中的阈值来计算应在其中发出警报的警报范围，并将计算出的警报范围发送给比较装置，用于对输液导管位移监测。这种利用磁特性监测物体移位的方式具有的突出优势是结构简单，仅需一块以毫米量级便于安装的磁铁和一个MEMS（即微机电系统）磁传感器即可实现，但是磁场环境比较复杂，实际应用中存在地磁场和其他磁性物体干扰，磁场阈值比较难测定，在实验中还发现磁传感器存在随机噪声的情况，这种随机出现的数据，往往超出阈值，导致产生误报警，从而使得整个设备可靠性受到一定影响。还有现有技术使用复杂且难以安装的摄像头通过机器视觉来判断螺栓是否有旋转移位，但在实际应用中，摄像头所能覆盖的范围有限，安装占用空间较大，获取图像易受干扰，应用受到很大限制，因此投入实际应用的往往是对螺栓应力进行监测的方案。
传统的物体移位监测方法往往只简单判断单一物理量是否超出某个数值，存在误判情况；使用机器视觉技术的监测方法仅见于实验性研究；大规模部署监测装置需要的微型尺寸和智能计算需要的复杂物理结构存在矛盾；真正实现多场景自适应监测的设备尚不存在。面临复杂的多场景需求，如何实现自适应多维度计算和智能监测，成为一个急需解决的问题。
发明内容
本发明的目的是提供一种基于人工智能自适应多维度计算的物体移位监测方法，能够提高物体位移监测的准确性。
为实现上述目的，本发明提供了如下方案：
一种基于人工智能自适应多维度计算的物体移位监测方法，包括：
获取待测物体的多维度感知数据；所述多维度感知数据包括以设定间隔时间采集的三轴磁传感器数据、温度传感器数据、压电传感器数据以及柔性皮肤传感器数据；所述三轴磁传感器数据数据包括X轴和Y轴的原始数据；
将所述多维度感知数据按照固定的顺序连接，组成一个一维向量；所述一维向量中的每个元素数据对应所述多维度感知数据每bit的二进制数值；
将所述一维向量存储至设定数量时，组合成为一个二维向量，并根据所述二维向量对应生成一个二值图像；
根据所述二值图像和识别预测模型确定待测物体位置的状态识别结果；所述状态识别结果包括传感器故障、位置异常和位置正常；所述识别预测模型是基于卷积神经网络算法构建的，并利用Adam方法进行训练。
可选地，还包括：当所述三轴磁传感器、所述温度传感器数据、所述压电传感器数据以及所述柔性皮肤传感器中的任一传感器出现异常数据时，将出现异常数据的传感器数据设置为0。
可选地，将所述一维向量存储至设定数量时，组合成为一个二维向量，并根据所述二维向量对应生成一个二值图像，具体包括：
持续获取所述多维感知数据并计数，将生成的一维向量临时存放在RAM中，到达设定数量后组合成为一个二维向量，并对应生成一个二值图像，保存在RAM的region1中，使计数器归零，重复步骤“获取所述多维感知数据并计数”，下一次获取的二维向量保存在RAM的region2中，形成乒乓缓冲区。
可选地，所述识别预测模型包括依次连接的输入层、第一卷积层、第二卷积层、第三卷积层、池化层、全连接层和输出层；各卷积层的卷积核大小为3×3，在每层卷积运算后，采用ReLU激活函数运算并输出。
可选地，所述识别预测模型的训练方法为：
获取训练数据；所述训练数据包括训练物体的二值图像及对应的图像标签；所述图像标签包括传感器故障、位置异常和位置正常；
基于卷积神经网络算法构建训练模型；
将所述训练数据输入所述训练模型进行训练，在训练时利用Adam方法对所述训练数据进行优化，并将训练好的训练模型确定为识别预测模型。
可选地，所述识别预测模型的神经网络参数值和激活值的大小为1bit。
可选地，所述二值图像中的每个点均为0或1。
可选地，还包括：将所述识别预测模型轻量化载入至嵌入式微处理器中。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开了一种基于人工智能自适应多维度计算的物体移位监测方法，所述方法包括获取待测物体的多维度感知数据；所述多维度感知数据包括以设定间隔时间采集的三轴磁传感器数据、温度传感器数据、压电传感器数据以及柔性皮肤传感器数据；所述三轴磁传感器数据数据包括三轴磁传感器X轴数据和三轴磁传感器Y轴数据。将所述多维度感知数据按照固定的顺序连接，组成一个一维向量；所述一维向量中的每个元素数据对应所述多维度感知数据每bit的二进制数值。将所述一维向量存储至设定数量时，组合成为一个二维向量，并根据所述二维向量对应生成一个二值图像。根据所述二值图像和识别预测模型确定待测物体位置的状态识别结果；所述状态识别结果包括传感器故障、位置异常和位置正常；所述识别预测模型是基于卷积神经网络算法构建的，并利用Adam方法进行训练。通过上述方法，能够融合磁、温度、压电传感器以及柔性皮肤等多维度感知信号，使用卷积神经网络的人工智能计算方法可以获得多种环境下精准感知三种状态的自适应智能识别能力，并通过轻量级模型转换使其运行于嵌入式微处理器中，可以智能识别随机噪声，克服地磁影响，提高监测方法对多种环境的自适应性，实现预测性维护。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于人工智能自适应多维度计算的物体移位监测方法的流程示意图；
图2为本实施例中多传感器数据融合为一维向量原理示意图；
图3为本实施例中一维向量组合成为二维向量原理示意图；
图4为本实施例中基于本发明方法工作的微型监测系统典型结构框图。
附图标记：201、三轴磁传感器X轴数据；202、三轴磁传感器Y轴数据；203、温度传感器数据；204、压电传感器数据；205、柔性皮肤传感器数据；206、一维向量；301、二维向量；302、数据段；303、原始数据；401、电源模块；402、微处理器模块；403、蓝牙通信模块；404、第一传感器；405、第二传感器；406、第三传感器；407、第四传感器；408、待测物体；409、管理系统。
具体实施方式
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，都属于本发明保护的范围。
本发明的目的是提供一种基于人工智能自适应多维度计算的物体移位监测方法，能够提高物体位移监测的准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供了一种基于人工智能自适应多维度计算的物体移位监测方法，包括：
步骤100：获取待测物体408的多维度感知数据；所述多维度感知数据包括以设定间隔时间采集的三轴磁传感器数据、温度传感器数据203、压电传感器数据204以及柔性皮肤传感器数据205；所述三轴磁传感器数据数据包括三轴磁传感器X轴数据201和三轴磁传感器Y轴数据202。
步骤200：将所述多维度感知数据按照固定的顺序连接，组成一个一维向量206；所述一维向量206中的每个元素数据对应所述多维度感知数据每bit的二进制数值。
步骤300：将所述一维向量206存储至设定数量时，组合成为一个二维向量301，并根据所述二维向量301对应生成一个二值图像。
步骤400：根据所述二值图像和识别预测模型确定待测物体408位置的状态识别结果；所述状态识别结果包括传感器故障、位置异常和位置正常；所述识别预测模型是基于卷积神经网络算法构建的，并利用Adam方法进行训练。
此外，还包括：当所述三轴磁传感器、所述温度传感器数据203、所述压电传感器数据204以及所述柔性皮肤传感器中的任一传感器出现异常数据时，将出现异常数据的传感器数据设置为0。以及将所述识别预测模型轻量化载入至嵌入式微处理器中。
其中，作为步骤300的一种具体实施方式，包括：
持续获取所述多维感知数据并计数，将生成的一维向量206临时存放在RAM中，到达设定数量后组合成为一个二维向量301，并对应生成一个二值图像，保存在RAM的region1中，使计数器归零，重复步骤“获取所述多维感知数据并计数”，下一次获取的二维向量301保存在RAM的region2中，形成乒乓缓冲区。
在本实施例中，所述识别预测模型包括依次连接的输入层、第一卷积层、第二卷积层、第三卷积层、池化层、全连接层和输出层；各卷积层的卷积核大小为3×3，在每层卷积运算后，采用ReLU激活函数运算并输出。所述识别预测模型的神经网络参数值和激活值的大小为1bit。所述二值图像中的每个点均为0或1。
所述识别预测模型的训练方法为：
获取训练数据；所述训练数据包括训练物体的二值图像及对应的图像标签；所述图像标签包括传感器故障、位置异常和位置正常；基于卷积神经网络算法构建训练模型；将所述训练数据输入所述训练模型进行训练，在训练时利用Adam方法对所述训练数据进行优化，并将训练好的训练模型确定为识别预测模型。
在上述技术方案的基础上，提供一种具体实施方式：
步骤S101：获取待测物体408多维度感知数据，间隔一定时间获取三轴磁传感器X和Y轴的原始数据303，以及温度、压电传感器以及柔性皮肤输出数据，如果某一传感器出现异常，自动将这一传感器部分数据设置为0。
所述传感器数据长度一般为16bit。例如三轴磁传感器（例如HMC5883L）X轴和Y轴的原始数据303，每个轴的数据由2字节组成，分为MSB（高字节，共8bit）、LSB（低字节，共8bit），2个轴的数据共计32bit。获取温度、压电和柔性皮肤等原始数据303，每个数据由2字节组成，分为MSB（高字节，共8位）、LSB（低字节，共8位），共16bit。为了实现多维计算自适应，首先需要在数据读取时，能够在数据无效的情况下将其设置为0，降低该数据对整个计算结果的影响，防止误判。通过后续步骤的训练，可进一步提升智能识别的鲁棒性。
步骤S10：将多传感器原始数据303按照固定的顺序连接，组成一个一维向量206，每个元素数据对应原始数据303每bit的二进制数值。
所述原始数据303均为二进制数据，与单个元素2个字节（16bit）数据量相比，可以节省16倍内存，便于机器学习和轻量级部署。
步骤S103：持续获取多维感知数据并计数，将步骤S102所生成的一维向量206临时存放在RAM中，到达一定数量后，将其组合成为一个二维向量301，对应成为一个二值图像，保存在RAM的region1中，待接下来步骤使用，计数器归零，重复步骤S101和S102，下一次获取的二维向量301保存在RAM的region2中，组成乒乓缓冲区。
所述原始数据303不经过任何格式转换，可以节约大量处理器运算，尤其是数据标准浮点数计算，因此可以节约能耗。所述乒乓缓冲区降低数据冲突风险，提高可靠性。由于卷积神经网络的优点是提取输入数据的空间关联，单纯的一维向量206空间关系并不明显，所以使用二维向量301作为输入，提升对多传感器融合感知数据的自适应性。
步骤S104：重复步骤S101至S103，获取尽可能多情况下的二维向量301组成样本集，数据集要求覆盖不同物体多种场合不同移位状态下的异常情况，还包括多传感器故障状态下的超常情况，对所有样本按照物体状态添加标签，分为3类：故障、异常、正常。
步骤S105：使用人工智能训练算法学习智能识别策略，自适应多场景多维度感知信息，提供预测性维护支持。
于本实施例中，所述工智能训练算法是指卷积神经网络算法，神经网络包括：输入层，第一卷积层，第二卷积层，第三卷积层，池化层、全连接层和输出层，卷积核大小为3×3，每层卷积运算后，采用ReLU激活函数。
进一步的，所述人工智能训练算法是指卷积神经网络算法，对步骤S104生成的二维向量样本进行训练得到分类模型。该卷积神经网络包括3个卷积层，1个池化层和1个全连接层，卷积核为3×3。由于图像中的每个点均为0或1两种数值，所以原本需要32 bit 表示的神经网络参数值和激活值二值化到只需要用1 bit 表示，即-1或+1表示。
，
其中，式中wb是函数输出，输出值只有+1和-1两种，wr是函数输入。本式指当输入值为小于0的任何值时，函数输出值为-1；当输入值为其他时，函数输出值为+1。函数表达式中wb和wr也可使用f(x)和x表示，不影响本式的意义。
于本实施例中，需在训练时针对二值化图像进行优化，所用方法为Adam方法。该方法会把一阶动量和二阶动量结合起来，再修正偏差，从而避免二值化图像训练中的梯度消失风险。其核心公式为：
，
式中，β2是二阶动量，m是累积动量，是梯度二次方的平均值。
于本实施例中，二值化数据处理方式具有高压缩比，它可以用位运算代替高能耗的矩阵乘法运算，并且有巨大潜力应用于片上人工智能。训练出来的模型可以实现对原始数据303不进行转换的情况下，智能识别所提供数据（图像）代表的状态分类，这样就不必将传感器数据转换为以特定单位计量的浮点数来进行计算。同时，人工智能模型将降低实际应用种随机噪声和复杂磁场环境变化造成的干扰，确保精度。
所述预测性维护是指传统的监测方法只能在故障发生后报警，并不能在故障发生前实现维护，然而实际上物体发生移位之前，某些感知数据会有异常，通过人工智能，可以实现对这些异常的综合智能分析，实现故障前的预测，预防灾难性故障发生，从而提升被监测物体可靠性，在医学上甚至可以挽救生命。
在多传感器融合感知情况下，故障特征呈现较大的非线性，使用传统数字信号处理方式无法实现故障特征的高精度提取，而使用人工智能方式可以应对这种非线性，实现较佳的效果。
步骤S106：将识别策略模型轻量化，使之适应低成本嵌入式微处理器。
所述识别策略模型轻量化是指使用特定工具将训练出的分类器模型转换为轻量级模型（例如TensorFlow Lite)。转换模型减小了模型文件大小，并引入了不影响准确性（accuracy）的优化措施（optimizations）。还可以在进行一些取舍的情况下，选择进一步减小模型文件大小，并提高执行速度。这个步骤将为嵌入式处理器运行效率提升和电池供电的能耗降低打下基础。目前有多种类型的微处理器（MCU）支持轻量级人工智能模型引擎，在微处理器中调用识别策略模型，可实现对物体状态的智能识别。尽管所训练的模型不可解释，但是对于多传感器融合获取的非线性数据仍然可以极高的精度实现正常、异常以及故障状态的智能监测。
步骤S107：持续更新样本集，不断学习，获得更好的自适应性。
持续更新样本集是通过网络交互实现的，实际应用中，监测系统一般为带有蓝牙、WiFi等通信功能的设备，使体积小巧的单个设备可以通过联网方式与远程管理系统409通信，以提供声光报警等功能。网络通信功能为智能监测方法持续更新提供支撑，即可以通过网络更多的原始数据303，更新完善样本集，获取更加精准的模型，并通过网络OTA功能在线更新终端设备，使设备更好地实现自适应。
如图2所示，为多传感器数据融合为一维向量206原理示意图，包括：三轴磁传感器X轴数据201、三轴磁传感器Y轴数据202、温度传感器数据203、压电传感器数据204、柔性皮肤传感器数据205。每个传感器输出数据长度一定（例如为16bit），那么每次定时获取的数据按照固定的先后顺序组合成为一维向量206，每一段对应一个传感器的原始数据303，这一段上每个位置都是由1或0组成。
如图3所示，为一维向量206组合成为二维向量301原理示意图。每个一维向量206中的传感器数据段302位置固定，多个一维向量206叠加组成二维向量301。以数据段302为例，它由某传感器的原始数据303组成，在该数据段302中，每个位以二进制存储当前传感器的测量数值。
如图4所示，为基于本发明方法工作的微型监测系统典型结构框图。监测系统由电源模块401、微处理器模块402、蓝牙通信模块403、第一传感器404模块、第二传感器405模块、第三传感器406模块、第四传感器407模块组成。实际应用中，部分型号的蓝牙控制芯片已经同时具备嵌入式微处理器的功能，因此这两个模块在性能达到的情况下，微处理器模块402和蓝牙通信模块403可以为同一模块。嵌入式微处理器内固化有包含本发明方法的模型、指令、程序等，是实现本方法的载体。微型监测系统对待测物体408进行移位监测。此外，通过蓝牙模块可以与匹配的管理系统409进行通信，将智能程序识别到的物体移位状态发送至管理系统409，以声光形式报警，使管理人员可以及时采取措施，避免损失。
于本实施例中，用户可以通过采集不同环境下的数据，采用人工智能的方法，学习历史经验信息预测不同情况下的使用规律，来达到自适应多维度计算的目的，从而可以智能识别随机噪声，克服地磁影响，提高监测方法对多种环境的自适应性，实现预测性维护。通过本申请的方法，用户不需要预先知道传感器报警阈值，可以通过与真实环境的交互逐渐学习到适合的识别策略。
基于上述实施例，具有如下有益效果：
所述传感器的原始数据均为二进制数据，单个元素只需1bit存储空间，与单个元素2个字节（16bit）数据量相比，可以节省大量内存。并且，所述原始数据不经过任何格式转换，只是经过规定格式的排列组合，提供给人工智能学习和训练。当一维向量组合成为二维向量后，可以作为一种图片形式用于人工智能学习和训练，所述图片每个像素仅为黑或白颜色。训练得到的模型可以转换为轻量级模型用于嵌入式微处理器。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (4)

1.一种基于人工智能自适应多维度计算的物体移位监测方法，其特征在于，包括：
获取待测物体的多维度感知数据；所述多维度感知数据包括以设定间隔时间采集的三轴磁传感器数据、温度传感器数据、压电传感器数据以及柔性皮肤传感器数据；所述三轴磁传感器数据包括X轴和Y轴的原始数据；
将所述多维度感知数据按照固定的顺序连接，组成一个一维向量；所述一维向量中的每个元素数据对应所述多维度感知数据每bit的二进制数值；
将所述一维向量存储至设定数量时，组合成为一个二维向量，并根据所述二维向量对应生成一个二值图像；
根据所述二值图像和识别预测模型确定待测物体位置的状态识别结果；所述状态识别结果包括传感器故障、位置异常和位置正常；所述识别预测模型是基于卷积神经网络算法构建的，并利用Adam方法进行训练；
所述识别预测模型包括依次连接的输入层、第一卷积层、第二卷积层、第三卷积层、池化层、全连接层和输出层；各卷积层的卷积核大小为3×3，在每层卷积运算后，采用ReLU激活函数运算并输出；
所述识别预测模型的训练方法为：
获取训练数据；所述训练数据包括训练物体的二值图像及对应的图像标签；所述图像标签包括传感器故障、位置异常和位置正常；由于二值图像中的每个点均为0或1两种数值，所以原本需要32 bit 表示的神经网络参数值和激活值二值化到1 bit，用-1或+1表示；
基于卷积神经网络算法构建训练模型；
将所述训练数据输入所述训练模型进行训练，在训练时利用Adam方法对所述训练数据进行优化，并将训练好的训练模型确定为识别预测模型。
2.根据权利要求1所述的基于人工智能自适应多维度计算的物体移位监测方法，其特征在于，还包括：当所述三轴磁传感器、所述温度传感器数据、所述压电传感器数据以及所述柔性皮肤传感器中的任一传感器出现异常数据时，将出现异常数据的传感器数据设置为0。
3.根据权利要求1所述的基于人工智能自适应多维度计算的物体移位监测方法，其特征在于，将所述一维向量存储至设定数量时，组合成为一个二维向量，并根据所述二维向量对应生成一个二值图像，具体包括：
持续获取所述多维度感知数据并计数，将生成的一维向量临时存放在RAM中，到达设定数量后组合成为一个二维向量，并对应生成一个二值图像，保存在RAM的region1中，使计数器归零，重复步骤“获取所述多维度感知数据并计数”，下一次获取的二维向量保存在RAM的region2中，形成乒乓缓冲区。
4.根据权利要求1所述的基于人工智能自适应多维度计算的物体移位监测方法，其特征在于，还包括：将所述识别预测模型轻量化载入至嵌入式微处理器中。
CN202310873551.8A 2023-07-17 2023-07-17 一种基于人工智能自适应多维度计算的物体移位监测方法 Active CN116592814B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310873551.8A CN116592814B (zh) 2023-07-17 2023-07-17 一种基于人工智能自适应多维度计算的物体移位监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310873551.8A CN116592814B (zh) 2023-07-17 2023-07-17 一种基于人工智能自适应多维度计算的物体移位监测方法

Publications (2)

Publication Number Publication Date
CN116592814A CN116592814A (zh) 2023-08-15
CN116592814B true CN116592814B (zh) 2023-10-13

Family

ID=87604857

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310873551.8A Active CN116592814B (zh) 2023-07-17 2023-07-17 一种基于人工智能自适应多维度计算的物体移位监测方法

Country Status (1)

Country Link
CN (1) CN116592814B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107203001A (zh) * 2017-06-19 2017-09-26 安徽鼎信科技集团有限公司 基于物联网的矿井地质灾害监测系统
CN107707657A (zh) * 2017-09-30 2018-02-16 苏州涟漪信息科技有限公司 基于多传感器的安全监护系统
CN110390668A (zh) * 2019-06-26 2019-10-29 石家庄铁道大学 螺栓松动检测方法、终端设备及存储介质
CN110569752A (zh) * 2019-08-20 2019-12-13 河海大学 基于卷积神经网络的雷达信号类别确定方法
CN112507915A (zh) * 2020-12-15 2021-03-16 西安交通大学 一种基于振动响应信息的螺栓连接结构松动状态识别方法
CN112668526A (zh) * 2020-12-31 2021-04-16 武汉地震工程研究院有限公司 基于深度学习和压电主动传感的螺栓群松动定位监测方法
CN114357372A (zh) * 2021-12-15 2022-04-15 中国航空工业集团公司成都飞机设计研究所 一种基于多传感器数据驱动的飞机故障诊断模型生成方法
KR102388418B1 (ko) * 2021-06-03 2022-04-19 (주)텔코코리아아이에스 구조물 모니터링 시스템
CN116136441A (zh) * 2023-02-23 2023-05-19 中南大学 基于非线性Lamb波的螺栓早期松动预紧状态监测方法、系统及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5969906B2 (ja) * 2012-11-29 2016-08-17 株式会社神戸製鋼所 計測方法及び計測装置
US20160071004A1 (en) * 2015-10-23 2016-03-10 Sarkhoon and Qeshm LLC Method and system for predictive maintenance of control valves

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107203001A (zh) * 2017-06-19 2017-09-26 安徽鼎信科技集团有限公司 基于物联网的矿井地质灾害监测系统
CN107707657A (zh) * 2017-09-30 2018-02-16 苏州涟漪信息科技有限公司 基于多传感器的安全监护系统
CN110390668A (zh) * 2019-06-26 2019-10-29 石家庄铁道大学 螺栓松动检测方法、终端设备及存储介质
CN110569752A (zh) * 2019-08-20 2019-12-13 河海大学 基于卷积神经网络的雷达信号类别确定方法
CN112507915A (zh) * 2020-12-15 2021-03-16 西安交通大学 一种基于振动响应信息的螺栓连接结构松动状态识别方法
CN112668526A (zh) * 2020-12-31 2021-04-16 武汉地震工程研究院有限公司 基于深度学习和压电主动传感的螺栓群松动定位监测方法
KR102388418B1 (ko) * 2021-06-03 2022-04-19 (주)텔코코리아아이에스 구조물 모니터링 시스템
CN114357372A (zh) * 2021-12-15 2022-04-15 中国航空工业集团公司成都飞机设计研究所 一种基于多传感器数据驱动的飞机故障诊断模型生成方法
CN116136441A (zh) * 2023-02-23 2023-05-19 中南大学 基于非线性Lamb波的螺栓早期松动预紧状态监测方法、系统及装置

Also Published As

Publication number Publication date
CN116592814A (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
US10223403B2 (en) Anomaly detection system and method
EP3776113B1 (en) Apparatus and method for controlling system
Zhao et al. Enabling data-driven condition monitoring of power electronic systems with artificial intelligence: Concepts, tools, and developments
US20190034497A1 (en) Data2Data: Deep Learning for Time Series Representation and Retrieval
CN112329855B (zh) 基于自适应字典的欠定工作模态参数识别方法及检测方法
Alexandridis Evolving RBF neural networks for adaptive soft-sensor design
CN109115879B (zh) 一种基于模态振型和卷积神经网络的结构损伤识别方法
CN114722952B (zh) 一种基于表示学习的轴承故障检测和分类的一体化方法
CN113569445A (zh) 一种基于数字孪生技术的钢结构健康监测系统及方法
CN115994630A (zh) 基于多尺度自注意力的设备剩余使用寿命预测方法及系统
Son et al. Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge
CN116992226A (zh) 一种水泵电机故障检测方法、系统
CN116482524A (zh) 输配电开关状态检测方法及系统
CN116592814B (zh) 一种基于人工智能自适应多维度计算的物体移位监测方法
CN112528548A (zh) 一种自适应深度耦合卷积自编码多模态数据融合方法
CN115474108B (zh) 一种基于边缘计算的事件监控系统及监控方法
CN111623797A (zh) 一种基于深度学习的步数测量方法
CN116702005A (zh) 一种基于神经网络的数据异常诊断方法和电子设备
CN114385619B (zh) 一种多通道海洋观测时序标量数据缺失值预测方法及系统
Fritz et al. A state-of-the-art review of nature-inspired systems for smart structures
Chen et al. A Fault Diagnosis Platform of Actuators on Embedded IoT Microcontrollers
Wang [Retracted] Recognition, Processing, and Detection of Sensor Fault Signal Based on Genetic Algorithm
Dong et al. Design and implementation of behaviour detection system for the elderly based on smart phone
KR102464945B1 (ko) 기계 학습을 이용한 신호 데이터 상태 분석 장치 및 방법
CN114637645B (zh) 一种传感器量测数据的校验方法

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