CN117195138B - 基于人工智能的生产设备安全生产管理方法及相关装置 - Google Patents
基于人工智能的生产设备安全生产管理方法及相关装置 Download PDFInfo
- Publication number
- CN117195138B CN117195138B CN202311466936.9A CN202311466936A CN117195138B CN 117195138 B CN117195138 B CN 117195138B CN 202311466936 A CN202311466936 A CN 202311466936A CN 117195138 B CN117195138 B CN 117195138B
- Authority
- CN
- China
- Prior art keywords
- production equipment
- production
- data
- abnormality detection
- signal
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 376
- 238000007726 management method Methods 0.000 title claims abstract description 60
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 17
- 230000005856 abnormality Effects 0.000 claims abstract description 131
- 238000012545 processing Methods 0.000 claims abstract description 130
- 238000001514 detection method Methods 0.000 claims abstract description 125
- 238000000605 extraction Methods 0.000 claims abstract description 86
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000015654 memory Effects 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000007619 statistical method Methods 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 16
- 238000005192 partition Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 7
- 238000003384 imaging method Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000011835 investigation Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 description 10
- 238000012217 deletion Methods 0.000 description 4
- 230000037430 deletion Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于人工智能的生产设备安全生产管理方法及相关装置，其中，所述方法包括：基于设置在生产设备上的各个传感器进行生产设备运行时的状态信号采集处理；基于设置在生产设备上方的视频采集设备对生产设备范围内的移动目标进行视频采集处理；对生产设备运行时的状态信号进行特征提取处理；对采集视频数据中的移动目标进行移动特征提取处理；将速度与振动关联特征数据输入第一异常检测模型中进行异常检测处理，以及将移动特征数据输入第二异常检测模型中进行异常检测处理；基于第一异常检测结果和第二异常检测结果对生产设备在运行时的生产安全管理控制。在本发明实施例中，实现对生产设备的安全管理控制，减少生产安全事故。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的生产设备安全生产管理方法及相关装置。
背景技术
随着智能制造技术的成熟，实现将生产设备应用到智能制造的生产线上，由于智能制造生产线每一个生产设备的运行状态等情况都有可能影响到智能生产线的生产效率，因此需要保证每一个生产设备的运行安全，减少生产安全问题，现有的保证生产设备的运行安全方式一般是通过定期人员安全巡检的方式，但是该方式无法保证及时发现生产设备在运行过程中存在的异常问题，从而无法第一时间进行安全管理控制，由此可能导致生产设备出现安全事故，导致智能生产线的生产效率降低。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种基于人工智能的生产设备安全生产管理方法及相关装置，实现对生产设备的安全管理控制，减少生产安全事故。
为了解决上述技术问题，本发明实施例提供了一种基于人工智能的生产设备安全生产管理方法，所述方法包括：
在生产设备运行时，基于设置在生产设备上的各个传感器进行生产设备运行时的状态信号采集处理，获得所述生产设备运行时的状态信号，所述状态信号包括：生产设备运行速度信号数据和生产设备运行振动信号数据；
基于设置在生产设备上方的视频采集设备对生产设备范围内的移动目标进行视频采集处理，获得采集视频数据；
对所述生产设备运行时的状态信号进行特征提取处理，获得生产设备运行时的速度与振动关联特征数据；
对所述采集视频数据中的移动目标进行移动特征提取处理，获得移动目标的移动特征数据，所述移动特征数据包括：当前位置特征、移动趋势特征；
将所述生产设备运行时的速度与振动关联特征数据输入第一异常检测模型中进行异常检测处理，以及将移动目标的移动特征数据输入第二异常检测模型中进行异常检测处理，获得第一异常检测结果和第二异常检测结果；
基于所述第一异常检测结果和第二异常检测结果对所述生产设备在运行时的生产安全管理控制。
可选的，所述基于设置在生产设备上的各个传感器进行生产设备运行时的状态信号采集处理，获得所述生产设备运行时的状态信号，包括：
基于设置在所述生产设备上的运行速度传感器和运行振动传感器按照预设采集频率对所述生产设备在运行时的运行速度数据以及运行振动数据进行采集处理，获得生产设备运行速度信号数据和生产设备运行振动信号数据。
可选的，所述基于设置在生产设备上方的视频采集设备对生产设备范围内的移动目标进行视频采集处理，获得采集视频数据，包括：
在所述生产设备运行时，基于设置在所述生产设备上方的视频采集设备对以生产设备为中心划定的预设范围内的移动目标进行监测处理，获得监测结果；
在所述监测结果中存在有移动目标时，则基于所述视频采集设备对移动目标进行实时视频采集处理，获得采集视频数据。
可选的，所述对所述生产设备运行时的状态信号进行特征提取处理，获得生产设备运行时的速度与振动关联特征数据，包括：
对所述生产设备运行时的状态信号依次进行采样和量化处理，获得处理后的状态信号；
基于数字滤波方式对处理后的状态信号进行降噪处理，获得降噪后的状态信号；
对降噪后的状态信号进行信号缺失补全处理，获得处理后的状态信号；
基于信号统计分析算法对所述处理后的状态信号进行特征提取处理，获得生产设备运行时的速度与振动关联特征数据；
其中，根据时域信号利用信号统计分析算法对所述处理后的状态信号中的生产设备运行速度信号数据进行特征提取处理，同时根据频域信号利用信号统计分析算法对所述处理后的状态信号中的生产设备运行振动信号数据进行特征提取处理，将提取到的速度特征数据和振动特征数据基于采集频率进行关联，形成生产设备运行时的速度与振动关联特征数据。
可选的，所述对所述采集视频数据中的移动目标进行移动特征提取处理，获得移动目标的移动特征数据，包括：
按照预设间隔在所述采集视频数据中进行关键帧提取处理，形成关键帧图像序列；
将所述关键帧图像序列中的每一个关键帧图像划分为不重叠的分块，并将不重叠的分块依次输入收敛的移动目标特征提取模型中进行特征提取处理，获得不重叠的分块的特征向量；
基于多层串联的多头注意模块逐层提取所述特征向量中的图像特征信息，并根据提取到的图像特征信息建立每一个不重叠的分块之间的关联关系；
基于每一个不重叠的分块之间的关联关系在移动目标特征提取模型中的融合模块中形成所述关键帧图像序列中的每一个关键帧图像的关键帧图像特征；
基于卷积解码器将每一个关键帧图像的关键帧图像特征解码为所述关键帧图像相同尺寸的深度图像，所述深度图像中不同像素点的取值对应该位置距离视频采集设备的距离；
基于视频采集设备的内参矩阵通过所述视频采集设备成像逆变换将深度图像转换为视频采集设备坐标系中的一系列空间坐标点集，获得关键帧图像序列中每一关键字图像的移动目标的三维空间特征信息；
基于关键帧图像序列中每一关键字图像的移动目标的三维空间特征信息进行移动特征提取处理，获得动目标的移动特征数据。
可选的，所述第一异常检测模型为利用的人工标注的生产设备运行时的历史状态信号所形成的历史速度与振动关联特征数据对第一深度神经网络模型训练收敛的模型；
所述第二异常检测模型为利用的人工标注的生产设备运行时的历史采集视频数据所形成的历史移动特征数据对第二深度神经网络模型训练收敛的模型。
可选的，所述基于所述第一异常检测结果和第二异常检测结果对所述生产设备在运行时的生产安全管理控制，包括：
在所述第一异常检测结果中存在异常时，则确定所述生产设备本身存在故障风险，并对生产设备进行停止运行并实施故障排查的生产安全管理控制；
在所述第一异常检测结果中不存在异常且第二异常检测结果中存在异常时，则确定移动目标对所述生产设备运行存在安全风险，基于所述生产设备向所述移动目标发出警告的生产安全管理控制。
另外，本发明实施例还提供了一种基于人工智能的生产设备安全生产管理装置，所述装置包括：
信号采集模块：用于在生产设备运行时，基于设置在生产设备上的各个传感器进行生产设备运行时的状态信号采集处理，获得所述生产设备运行时的状态信号，所述状态信号包括：生产设备运行速度信号数据和生产设备运行振动信号数据；
视频采集模块：用于基于设置在生产设备上方的视频采集设备对生产设备范围内的移动目标进行视频采集处理，获得采集视频数据；
信号特征提取模块：用于对所述生产设备运行时的状态信号进行特征提取处理，获得生产设备运行时的速度与振动关联特征数据；
图像特征提取模块：用于对所述采集视频数据中的移动目标进行移动特征提取处理，获得移动目标的移动特征数据，所述移动特征数据包括：当前位置特征、移动趋势特征；
异常检测模块：用于将所述生产设备运行时的速度与振动关联特征数据输入第一异常检测模型中进行异常检测处理，以及将移动目标的移动特征数据输入第二异常检测模型中进行异常检测处理，获得第一异常检测结果和第二异常检测结果；
生产安全控制模块：用于基于所述第一异常检测结果和第二异常检测结果对所述生产设备在运行时的生产安全管理控制。
另外，本发明实施例还提供了一种控制设备，包括处理器和存储器，所述处理器运行存储于所述存储器中的计算机程序或代码，实现如上述中任一项所述的生产设备安全生产管理方法。
另外，本发明实施例还提供了一种计算机可读存储介质，用于存储计算机程序或代码，当所述计算机程序或代码被处理器执行时，实现如上述中任一项所述的生产设备安全生产管理方法。
在本发明实施例中，通过采集生产设备运行的状态信号和视频数据，然后分别提取到生产设备运行时的速度与振动关联特征数据和移动目标的移动特征数据，将速度与振动关联特征数据和移动特征数据分别输入对应的异常检测模型进行异常检测，最后根据异常检测结果进行生产设备在运行时的生产安全管理控制，可以实现对生产设备的安全管理控制，减少生产安全事故；实现了第一时间发现生产设备在运行是的异常状况，使得能够在第一时间排查异常状况，减少生产设备的安全事故，提升智能生产线的整体生产效率。
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，显而易见的，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它的附图。
图1是本发明实施例中的基于人工智能的生产设备安全生产管理方法的流程示意图；
图2是本发明实施例中的基于人工智能的生产设备安全生产管理装置的结构组成示意图；
图3是本发明实施例中的控制设备的结构组成示意图。
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例一，请参阅图1，图1是本发明实施例中的基于人工智能的生产设备安全生产管理方法的流程示意图。
如图1所示，一种基于人工智能的生产设备安全生产管理方法，所述方法包括：
S11：在生产设备运行时，基于设置在生产设备上的各个传感器进行生产设备运行时的状态信号采集处理，获得所述生产设备运行时的状态信号，所述状态信号包括：生产设备运行速度信号数据和生产设备运行振动信号数据；
在本发明具体实施过程中，所述基于设置在生产设备上的各个传感器进行生产设备运行时的状态信号采集处理，获得所述生产设备运行时的状态信号，包括：基于设置在所述生产设备上的运行速度传感器和运行振动传感器按照预设采集频率对所述生产设备在运行时的运行速度数据以及运行振动数据进行采集处理，获得生产设备运行速度信号数据和生产设备运行振动信号数据。
具体的，在生产设备上设置有运行速度传感器和运行振动传感器，在生产设备运行时，触发运行速度传感器和运行振动传感器启动，并按照相同的采集频率对生产设备在运行时的运行速度数据以及运行振动数据进行采集处理，获得生产设备运行速度信号数据和生产设备运行振动信号数据；其中生产设备运行速度信号数据和生产设备运行振动信号数据合并称为生产设备运行时的状态信号。
S12：基于设置在生产设备上方的视频采集设备对生产设备范围内的移动目标进行视频采集处理，获得采集视频数据；
在本发明具体实施过程中，所述基于设置在生产设备上方的视频采集设备对生产设备范围内的移动目标进行视频采集处理，获得采集视频数据，包括：在所述生产设备运行时，基于设置在所述生产设备上方的视频采集设备对以生产设备为中心划定的预设范围内的移动目标进行监测处理，获得监测结果；在所述监测结果中存在有移动目标时，则基于所述视频采集设备对移动目标进行实时视频采集处理，获得采集视频数据。
具体的，在生产设备运行时，通过设置在生产设备上方的视频采集设备对以生产设备为中心的划定的预设范围内的移动目标进行检测处理，可以采用设置在视频采集设备上的红外传感器实现移动目标的检测处理，即可得到监测结果，在监测结果中存在有移动目标时，则利用该视频采集设备对移动目标进行实时的视频采集处理，获得采集视频数据。
S13：对所述生产设备运行时的状态信号进行特征提取处理，获得生产设备运行时的速度与振动关联特征数据；
在本发明实施例中，所述对所述生产设备运行时的状态信号进行特征提取处理，获得生产设备运行时的速度与振动关联特征数据，包括：对所述生产设备运行时的状态信号依次进行采样和量化处理，获得处理后的状态信号；基于数字滤波方式对处理后的状态信号进行降噪处理，获得降噪后的状态信号；对降噪后的状态信号进行信号缺失补全处理，获得处理后的状态信号；基于信号统计分析算法对所述处理后的状态信号进行特征提取处理，获得生产设备运行时的速度与振动关联特征数据；其中，根据时域信号利用信号统计分析算法对所述处理后的状态信号中的生产设备运行速度信号数据进行特征提取处理，同时根据频域信号利用信号统计分析算法对所述处理后的状态信号中的生产设备运行振动信号数据进行特征提取处理，将提取到的速度特征数据和振动特征数据基于采集频率进行关联，形成生产设备运行时的速度与振动关联特征数据。
具体的，在得到运行的状态信号之后，需要对状态信号进行相应的处理，比如，对生产设备运行时的状态信号依次进行采样和量化处理，即可得到处理后的状态信号；然后为了简单状态信号中的噪声，则需要对处理后的状态信号利用数字滤波的方式进行滤波处理，实现降噪，获得降噪后的状态信号；由于状态信号可能存在错误或者缺失问题，则需要对降噪后的状态信号利用排序与合并算法进行删除无效和重复信号处理，然后对删除无效和重复信号处理后的状态信号进行异常信号纠正处理，最后再利用差值法对纠正后的状态信号进行缺失补全处理，得到处理后的状态信号；为了提取到状态信号特征，则利用信号统计分析算法对处理后的状态信号进行特征提取处理，获得生产设备运行时的速度与振动关联特征数据；即根据时域信号利用信号统计分析算法对处理后的状态信号中的生产设备运行速度信号数据进行特征提取处理，同时根据频域信号利用信号统计分析算法对处理后的状态信号中的生产设备运行振动信号数据进行特征提取处理，最后将提取到的速度特征数据和振动特征数据按照采集频率进行关联，形成生产设备运行时的速度与振动关联特征数据。
S14：对所述采集视频数据中的移动目标进行移动特征提取处理，获得移动目标的移动特征数据，所述移动特征数据包括：当前位置特征、移动趋势特征；
在本发明具体实施过程中，所述对所述采集视频数据中的移动目标进行移动特征提取处理，获得移动目标的移动特征数据，包括：按照预设间隔在所述采集视频数据中进行关键帧提取处理，形成关键帧图像序列；将所述关键帧图像序列中的每一个关键帧图像划分为不重叠的分块，并将不重叠的分块依次输入收敛的移动目标特征提取模型中进行特征提取处理，获得不重叠的分块的特征向量；基于多层串联的多头注意模块逐层提取所述特征向量中的图像特征信息，并根据提取到的图像特征信息建立每一个不重叠的分块之间的关联关系；基于每一个不重叠的分块之间的关联关系在移动目标特征提取模型中的融合模块中形成所述关键帧图像序列中的每一个关键帧图像的关键帧图像特征；基于卷积解码器将每一个关键帧图像的关键帧图像特征解码为所述关键帧图像相同尺寸的深度图像，所述深度图像中不同像素点的取值对应该位置距离视频采集设备的距离；基于视频采集设备的内参矩阵通过所述视频采集设备成像逆变换将深度图像转换为视频采集设备坐标系中的一系列空间坐标点集，获得关键帧图像序列中每一关键字图像的移动目标的三维空间特征信息；基于关键帧图像序列中每一关键字图像的移动目标的三维空间特征信息进行移动特征提取处理，获得动目标的移动特征数据。
具体的，需要将采集数据进行视频帧拆分处理，形成视频帧序列，然后按照预设间隔时间对视频帧序列中的视频关键帧进行抽取处理，即可形成关键帧图像序列；然后将关键帧图像序列中的每一个关键帧图像划分为不重复的分块，并将不重叠的分块依次输入收敛的移动目标特征提取模型中进行特征提取处理，获得不重叠的分块的特征向量，其中收敛的移动目标特征提取模型可以为Vision Transformer模型；然后采用移动目标特征提取模型中的多层串联的多头自注意模块逐层提取特征向量中的图像特征信息，并根据提取到的图像特征信息建立每一个不重叠的分块之间的关联关系；再根据每一个不重叠的分块之间的关联关系在移动目标特征提取模型中的融合模块中形成关键帧图像序列中的每一个关键帧图像的关键帧图像特征；然后利用收敛的移动目标特征提取模型中的卷积解码器将每一个关键帧图像的关键帧图像特征解码为关键帧图像相同尺寸的深度图像，深度图像中不同像素点的取值对应该位置距离视频采集设备的距离；即可根据视频采集设备的内参矩阵通过所述视频采集设备成像逆变换将深度图像转换为视频采集设备坐标系中的一系列空间坐标点集，最后即可根据关键帧图像序列中每一关键字图像的移动目标的三维空间特征信息进行移动特征提取处理，获得动目标的移动特征数据，其中移动特征数据包括：当前位置特征、移动趋势特征。
S15：将所述生产设备运行时的速度与振动关联特征数据输入第一异常检测模型中进行异常检测处理，以及将移动目标的移动特征数据输入第二异常检测模型中进行异常检测处理，获得第一异常检测结果和第二异常检测结果；
在本发明具体实施过程中，所述第一异常检测模型为利用的人工标注的生产设备运行时的历史状态信号所形成的历史速度与振动关联特征数据对第一深度神经网络模型训练收敛的模型；所述第二异常检测模型为利用的人工标注的生产设备运行时的历史采集视频数据所形成的历史移动特征数据对第二深度神经网络模型训练收敛的模型。
具体的，在获得生产设备运行时的速度与振动关联特征数据和移动目标的移动特征数据之后，则将生产设备运行时的速度与振动关联特征数据输入第一异常检测模型中进行异常检测处理，以及将移动目标的移动特征数据输入第二异常检测模型中进行异常检测处理，即可获得第一异常检测结果和第二异常检测结果；其中，第一异常检测模型为利用的人工标注的生产设备运行时的历史状态信号所形成的历史速度与振动关联特征数据对第一深度神经网络模型训练收敛的模型；第二异常检测模型为利用的人工标注的生产设备运行时的历史采集视频数据所形成的历史移动特征数据对第二深度神经网络模型训练收敛的模型。
S16：基于所述第一异常检测结果和第二异常检测结果对所述生产设备在运行时的生产安全管理控制。
在本发明具体实施过程中，所述基于所述第一异常检测结果和第二异常检测结果对所述生产设备在运行时的生产安全管理控制，包括：在所述第一异常检测结果中存在异常时，则确定所述生产设备本身存在故障风险，并对生产设备进行停止运行并实施故障排查的生产安全管理控制；在所述第一异常检测结果中不存在异常且第二异常检测结果中存在异常时，则确定移动目标对所述生产设备运行存在安全风险，基于所述生产设备向所述移动目标发出警告的生产安全管理控制。
具体的，首先是需要判断第一异常检测结果和第二异常检测结果中是否存在异常，在第一异常检测结果中存在异常时，则确定所述生产设备本身存在故障风险，并对生产设备进行停止运行并实施故障排查的生产安全管理控制；在第一异常检测结果中不存在异常且第二异常检测结果中存在异常时，确定移动目标对可能对生产设备运行存在安全风险，则需要根据生产设备向移动目标发出警告的生产安全管理控制。
在本发明实施例中，通过采集生产设备运行的状态信号和视频数据，然后分别提取到生产设备运行时的速度与振动关联特征数据和移动目标的移动特征数据，将速度与振动关联特征数据和移动特征数据分别输入对应的异常检测模型进行异常检测，最后根据异常检测结果进行生产设备在运行时的生产安全管理控制，可以实现对生产设备的安全管理控制，减少生产安全事故；实现了第一时间发现生产设备在运行是的异常状况，使得能够在第一时间排查异常状况，减少生产设备的安全事故，提升智能生产线的整体生产效率。
实施例二，请参阅图2，图2是本发明实施例中的基于人工智能的生产设备安全生产管理装置的结构组成示意图。
如图2所示，一种基于人工智能的生产设备安全生产管理装置，所述装置包括：
信号采集模块21：用于在生产设备运行时，基于设置在生产设备上的各个传感器进行生产设备运行时的状态信号采集处理，获得所述生产设备运行时的状态信号，所述状态信号包括：生产设备运行速度信号数据和生产设备运行振动信号数据；
在本发明具体实施过程中，所述基于设置在生产设备上的各个传感器进行生产设备运行时的状态信号采集处理，获得所述生产设备运行时的状态信号，包括：基于设置在所述生产设备上的运行速度传感器和运行振动传感器按照预设采集频率对所述生产设备在运行时的运行速度数据以及运行振动数据进行采集处理，获得生产设备运行速度信号数据和生产设备运行振动信号数据。
具体的，在生产设备上设置有运行速度传感器和运行振动传感器，在生产设备运行时，触发运行速度传感器和运行振动传感器启动，并按照相同的采集频率对生产设备在运行时的运行速度数据以及运行振动数据进行采集处理，获得生产设备运行速度信号数据和生产设备运行振动信号数据；其中生产设备运行速度信号数据和生产设备运行振动信号数据合并称为生产设备运行时的状态信号。
视频采集模块22：用于基于设置在生产设备上方的视频采集设备对生产设备范围内的移动目标进行视频采集处理，获得采集视频数据；
在本发明具体实施过程中，所述基于设置在生产设备上方的视频采集设备对生产设备范围内的移动目标进行视频采集处理，获得采集视频数据，包括：在所述生产设备运行时，基于设置在所述生产设备上方的视频采集设备对以生产设备为中心划定的预设范围内的移动目标进行监测处理，获得监测结果；在所述监测结果中存在有移动目标时，则基于所述视频采集设备对移动目标进行实时视频采集处理，获得采集视频数据。
具体的，在生产设备运行时，通过设置在生产设备上方的视频采集设备对以生产设备为中心的划定的预设范围内的移动目标进行检测处理，可以采用设置在视频采集设备上的红外传感器实现移动目标的检测处理，即可得到监测结果，在监测结果中存在有移动目标时，则利用该视频采集设备对移动目标进行实时的视频采集处理，获得采集视频数据。
信号特征提取模块23：用于对所述生产设备运行时的状态信号进行特征提取处理，获得生产设备运行时的速度与振动关联特征数据；
在本发明实施例中，所述对所述生产设备运行时的状态信号进行特征提取处理，获得生产设备运行时的速度与振动关联特征数据，包括：对所述生产设备运行时的状态信号依次进行采样和量化处理，获得处理后的状态信号；基于数字滤波方式对处理后的状态信号进行降噪处理，获得降噪后的状态信号；对降噪后的状态信号进行信号缺失补全处理，获得处理后的状态信号；基于信号统计分析算法对所述处理后的状态信号进行特征提取处理，获得生产设备运行时的速度与振动关联特征数据；其中，根据时域信号利用信号统计分析算法对所述处理后的状态信号中的生产设备运行速度信号数据进行特征提取处理，同时根据频域信号利用信号统计分析算法对所述处理后的状态信号中的生产设备运行振动信号数据进行特征提取处理，将提取到的速度特征数据和振动特征数据基于采集频率进行关联，形成生产设备运行时的速度与振动关联特征数据。
具体的，在得到运行的状态信号之后，需要对状态信号进行相应的处理，比如，对生产设备运行时的状态信号依次进行采样和量化处理，即可得到处理后的状态信号；然后为了简单状态信号中的噪声，则需要对处理后的状态信号利用数字滤波的方式进行滤波处理，实现降噪，获得降噪后的状态信号；由于状态信号可能存在错误或者缺失问题，则需要对降噪后的状态信号利用排序与合并算法进行删除无效和重复信号处理，然后对删除无效和重复信号处理后的状态信号进行异常信号纠正处理，最后再利用差值法对纠正后的状态信号进行缺失补全处理，得到处理后的状态信号；为了提取到状态信号特征，则利用信号统计分析算法对处理后的状态信号进行特征提取处理，获得生产设备运行时的速度与振动关联特征数据；即根据时域信号利用信号统计分析算法对处理后的状态信号中的生产设备运行速度信号数据进行特征提取处理，同时根据频域信号利用信号统计分析算法对处理后的状态信号中的生产设备运行振动信号数据进行特征提取处理，最后将提取到的速度特征数据和振动特征数据按照采集频率进行关联，形成生产设备运行时的速度与振动关联特征数据。
图像特征提取模块24：用于对所述采集视频数据中的移动目标进行移动特征提取处理，获得移动目标的移动特征数据，所述移动特征数据包括：当前位置特征、移动趋势特征；
在本发明具体实施过程中，所述对所述采集视频数据中的移动目标进行移动特征提取处理，获得移动目标的移动特征数据，包括：按照预设间隔在所述采集视频数据中进行关键帧提取处理，形成关键帧图像序列；将所述关键帧图像序列中的每一个关键帧图像划分为不重叠的分块，并将不重叠的分块依次输入收敛的移动目标特征提取模型中进行特征提取处理，获得不重叠的分块的特征向量；基于多层串联的多头注意模块逐层提取所述特征向量中的图像特征信息，并根据提取到的图像特征信息建立每一个不重叠的分块之间的关联关系；基于每一个不重叠的分块之间的关联关系在移动目标特征提取模型中的融合模块中形成所述关键帧图像序列中的每一个关键帧图像的关键帧图像特征；基于卷积解码器将每一个关键帧图像的关键帧图像特征解码为所述关键帧图像相同尺寸的深度图像，所述深度图像中不同像素点的取值对应该位置距离视频采集设备的距离；基于视频采集设备的内参矩阵通过所述视频采集设备成像逆变换将深度图像转换为视频采集设备坐标系中的一系列空间坐标点集，获得关键帧图像序列中每一关键字图像的移动目标的三维空间特征信息；基于关键帧图像序列中每一关键字图像的移动目标的三维空间特征信息进行移动特征提取处理，获得动目标的移动特征数据。
具体的，需要将采集数据进行视频帧拆分处理，形成视频帧序列，然后按照预设间隔时间对视频帧序列中的视频关键帧进行抽取处理，即可形成关键帧图像序列；然后将关键帧图像序列中的每一个关键帧图像划分为不重复的分块，并将不重叠的分块依次输入收敛的移动目标特征提取模型中进行特征提取处理，获得不重叠的分块的特征向量，其中收敛的移动目标特征提取模型可以为Vision Transformer模型；然后采用移动目标特征提取模型中的多层串联的多头自注意模块逐层提取特征向量中的图像特征信息，并根据提取到的图像特征信息建立每一个不重叠的分块之间的关联关系；再根据每一个不重叠的分块之间的关联关系在移动目标特征提取模型中的融合模块中形成关键帧图像序列中的每一个关键帧图像的关键帧图像特征；然后利用收敛的移动目标特征提取模型中的卷积解码器将每一个关键帧图像的关键帧图像特征解码为关键帧图像相同尺寸的深度图像，深度图像中不同像素点的取值对应该位置距离视频采集设备的距离；即可根据视频采集设备的内参矩阵通过所述视频采集设备成像逆变换将深度图像转换为视频采集设备坐标系中的一系列空间坐标点集，最后即可根据关键帧图像序列中每一关键字图像的移动目标的三维空间特征信息进行移动特征提取处理，获得动目标的移动特征数据，其中移动特征数据包括：当前位置特征、移动趋势特征。
异常检测模块25：用于将所述生产设备运行时的速度与振动关联特征数据输入第一异常检测模型中进行异常检测处理，以及将移动目标的移动特征数据输入第二异常检测模型中进行异常检测处理，获得第一异常检测结果和第二异常检测结果；
在本发明具体实施过程中，所述第一异常检测模型为利用的人工标注的生产设备运行时的历史状态信号所形成的历史速度与振动关联特征数据对第一深度神经网络模型训练收敛的模型；所述第二异常检测模型为利用的人工标注的生产设备运行时的历史采集视频数据所形成的历史移动特征数据对第二深度神经网络模型训练收敛的模型。
具体的，在获得生产设备运行时的速度与振动关联特征数据和移动目标的移动特征数据之后，则将生产设备运行时的速度与振动关联特征数据输入第一异常检测模型中进行异常检测处理，以及将移动目标的移动特征数据输入第二异常检测模型中进行异常检测处理，即可获得第一异常检测结果和第二异常检测结果；其中，第一异常检测模型为利用的人工标注的生产设备运行时的历史状态信号所形成的历史速度与振动关联特征数据对第一深度神经网络模型训练收敛的模型；第二异常检测模型为利用的人工标注的生产设备运行时的历史采集视频数据所形成的历史移动特征数据对第二深度神经网络模型训练收敛的模型。
生产安全控制模块26：用于基于所述第一异常检测结果和第二异常检测结果对所述生产设备在运行时的生产安全管理控制。
在本发明具体实施过程中，所述基于所述第一异常检测结果和第二异常检测结果对所述生产设备在运行时的生产安全管理控制，包括：在所述第一异常检测结果中存在异常时，则确定所述生产设备本身存在故障风险，并对生产设备进行停止运行并实施故障排查的生产安全管理控制；在所述第一异常检测结果中不存在异常且第二异常检测结果中存在异常时，则确定移动目标对所述生产设备运行存在安全风险，基于所述生产设备向所述移动目标发出警告的生产安全管理控制。
具体的，首先是需要判断第一异常检测结果和第二异常检测结果中是否存在异常，在第一异常检测结果中存在异常时，则确定所述生产设备本身存在故障风险，并对生产设备进行停止运行并实施故障排查的生产安全管理控制；在第一异常检测结果中不存在异常且第二异常检测结果中存在异常时，确定移动目标对可能对生产设备运行存在安全风险，则需要根据生产设备向移动目标发出警告的生产安全管理控制。
在本发明实施例中，通过采集生产设备运行的状态信号和视频数据，然后分别提取到生产设备运行时的速度与振动关联特征数据和移动目标的移动特征数据，将速度与振动关联特征数据和移动特征数据分别输入对应的异常检测模型进行异常检测，最后根据异常检测结果进行生产设备在运行时的生产安全管理控制，可以实现对生产设备的安全管理控制，减少生产安全事故；实现了第一时间发现生产设备在运行是的异常状况，使得能够在第一时间排查异常状况，减少生产设备的安全事故，提升智能生产线的整体生产效率。
本发明实施例提供的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述实施例中任意一个实施例的生产设备安全生产管理方法。其中，所述计算机可读存储介质包括但不限于任何类型的盘（包括软盘、硬盘、光盘、CD-ROM、和磁光盘）、ROM（Read-Only Memory，只读存储器）、RAM（Random AcceSSMemory，随即存储器）、EPROM（EraSable Programmable Read-Only Memory，可擦写可编程只读存储器）、EEPROM（Electrically EraSable ProgrammableRead-Only Memory，电可擦可编程只读存储器）、闪存、磁性卡片或光线卡片。也就是，存储设备包括由设备（例如，计算机、手机）以能够读的形式存储或传输信息的任何介质，可以是只读存储器，磁盘或光盘等。
本发明实施例还提供了一种计算机应用程序，其运行在计算机上，该计算机应用程序用于执行上述中任意一个实施例的生产设备安全生产管理方法。
此外，图3是本发明实施例中的控制设备的结构组成示意图。
本发明实施例还提供了一种控制设备，如图3所示。所述控制设备包括处理器302、存储器303、输入单元304以及显示单元305等器件。本领域技术人员可以理解，图3示出的控制设备结构器件并不构成对所有设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件。存储器303可用于存储应用程序301以及各功能模块，处理器302运行存储在存储器303的应用程序301，从而执行设备的各种功能应用以及数据处理。存储器可以是内存储器或外存储器，或者包括内存储器和外存储器两者。内存储器可以包括只读存储器(ROM)、可编程 ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)、快闪存储器、或者随机存储器。外存储器可以包括硬盘、软盘、ZIP盘、U盘、磁带等。本发明所公开的存储器包括但不限于这些类型的存储器。本发明所公开的存储器只作为例子而非作为限定。
输入单元304用于接收信号的输入，以及接收用户输入的关键字。输入单元304可包括触控面板以及其它输入设备。触控面板可收集用户在其上或附近的触摸操作（比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作），并根据预先设定的程序驱动相应的连接装置；其它输入设备可以包括但不限于物理键盘、功能键（比如播放控制按键、开关按键等）、轨迹球、鼠标、操作杆等中的一种或多种。显示单元305可用于显示用户输入的信息或提供给用户的信息以及终端设备的各种菜单。显示单元305可采用液晶显示器、有机发光二极管等形式。处理器302是终端设备的控制中心，利用各种接口和线路连接整个设备的各个部分，通过运行或执行存储在存储器303内的软件程序和/或模块，以及调用存储在存储器内的数据，执行各种功能和处理数据。
作为一个实施例，所述控制设备包括：一个或多个处理器302，存储器303，一个或多个应用程序301，其中所述一个或多个应用程序301被存储在存储器303中并被配置为由所述一个或多个处理器302执行，所述一个或多个应用程序301配置用于执行上述实施例中的任意一实施例中对的生产设备安全生产管理方法。
在本发明实施例中，通过采集生产设备运行的状态信号和视频数据，然后分别提取到生产设备运行时的速度与振动关联特征数据和移动目标的移动特征数据，将速度与振动关联特征数据和移动特征数据分别输入对应的异常检测模型进行异常检测，最后根据异常检测结果进行生产设备在运行时的生产安全管理控制，可以实现对生产设备的安全管理控制，减少生产安全事故；实现了第一时间发现生产设备在运行是的异常状况，使得能够在第一时间排查异常状况，减少生产设备的安全事故，提升智能生产线的整体生产效率。
另外，以上对本发明实施例所提供的一种基于人工智能的生产设备安全生产管理方法及相关装置进行了详细介绍，本文中应采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方法及其核心思想；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 (9)
1.一种基于人工智能的生产设备安全生产管理方法，其特征在于，所述方法包括：
在生产设备运行时，基于设置在生产设备上的各个传感器进行生产设备运行时的状态信号采集处理，获得所述生产设备运行时的状态信号，所述状态信号包括：生产设备运行速度信号数据和生产设备运行振动信号数据；
基于设置在生产设备上方的视频采集设备对生产设备范围内的移动目标进行视频采集处理，获得采集视频数据；
对所述生产设备运行时的状态信号进行特征提取处理，获得生产设备运行时的速度与振动关联特征数据；
对所述采集视频数据中的移动目标进行移动特征提取处理，获得移动目标的移动特征数据，所述移动特征数据包括：当前位置特征、移动趋势特征；
将所述生产设备运行时的速度与振动关联特征数据输入第一异常检测模型中进行异常检测处理，以及将移动目标的移动特征数据输入第二异常检测模型中进行异常检测处理，获得第一异常检测结果和第二异常检测结果；
基于所述第一异常检测结果和第二异常检测结果对所述生产设备在运行时的生产安全管理控制；
所述对所述采集视频数据中的移动目标进行移动特征提取处理，获得移动目标的移动特征数据，包括：
按照预设间隔在所述采集视频数据中进行关键帧提取处理，形成关键帧图像序列；
将所述关键帧图像序列中的每一个关键帧图像划分为不重叠的分块，并将不重叠的分块依次输入收敛的移动目标特征提取模型中进行特征提取处理，获得不重叠的分块的特征向量；
基于多层串联的多头注意模块逐层提取所述特征向量中的图像特征信息，并根据提取到的图像特征信息建立每一个不重叠的分块之间的关联关系；
基于每一个不重叠的分块之间的关联关系在移动目标特征提取模型中的融合模块中形成所述关键帧图像序列中的每一个关键帧图像的关键帧图像特征；
基于卷积解码器将每一个关键帧图像的关键帧图像特征解码为所述关键帧图像相同尺寸的深度图像，所述深度图像中不同像素点的取值对应该位置距离视频采集设备的距离；
基于视频采集设备的内参矩阵通过所述视频采集设备成像逆变换将深度图像转换为视频采集设备坐标系中的一系列空间坐标点集，获得关键帧图像序列中每一关键字图像的移动目标的三维空间特征信息；
基于关键帧图像序列中每一关键字图像的移动目标的三维空间特征信息进行移动特征提取处理，获得动目标的移动特征数据。
2.根据权利要求1所述的生产设备安全生产管理方法，其特征在于，所述基于设置在生产设备上的各个传感器进行生产设备运行时的状态信号采集处理，获得所述生产设备运行时的状态信号，包括：
基于设置在所述生产设备上的运行速度传感器和运行振动传感器按照预设采集频率对所述生产设备在运行时的运行速度数据以及运行振动数据进行采集处理，获得生产设备运行速度信号数据和生产设备运行振动信号数据。
3.根据权利要求1所述的生产设备安全生产管理方法，其特征在于，所述基于设置在生产设备上方的视频采集设备对生产设备范围内的移动目标进行视频采集处理，获得采集视频数据，包括：
在所述生产设备运行时，基于设置在所述生产设备上方的视频采集设备对以生产设备为中心划定的预设范围内的移动目标进行监测处理，获得监测结果；
在所述监测结果中存在有移动目标时，则基于所述视频采集设备对移动目标进行实时视频采集处理，获得采集视频数据。
4.根据权利要求1所述的生产设备安全生产管理方法，其特征在于，所述对所述生产设备运行时的状态信号进行特征提取处理，获得生产设备运行时的速度与振动关联特征数据，包括：
对所述生产设备运行时的状态信号依次进行采样和量化处理，获得处理后的状态信号；
基于数字滤波方式对处理后的状态信号进行降噪处理，获得降噪后的状态信号；
对降噪后的状态信号进行信号缺失补全处理，获得处理后的状态信号；
基于信号统计分析算法对所述处理后的状态信号进行特征提取处理，获得生产设备运行时的速度与振动关联特征数据；
其中，根据时域信号利用信号统计分析算法对所述处理后的状态信号中的生产设备运行速度信号数据进行特征提取处理，同时根据频域信号利用信号统计分析算法对所述处理后的状态信号中的生产设备运行振动信号数据进行特征提取处理，将提取到的速度特征数据和振动特征数据基于采集频率进行关联，形成生产设备运行时的速度与振动关联特征数据。
5.根据权利要求1所述的生产设备安全生产管理方法，其特征在于，所述第一异常检测模型为利用的人工标注的生产设备运行时的历史状态信号所形成的历史速度与振动关联特征数据对第一深度神经网络模型训练收敛的模型；
所述第二异常检测模型为利用的人工标注的生产设备运行时的历史采集视频数据所形成的历史移动特征数据对第二深度神经网络模型训练收敛的模型。
6.根据权利要求1所述的生产设备安全生产管理方法，其特征在于，所述基于所述第一异常检测结果和第二异常检测结果对所述生产设备在运行时的生产安全管理控制，包括：
在所述第一异常检测结果中存在异常时，则确定所述生产设备本身存在故障风险，并对生产设备进行停止运行并实施故障排查的生产安全管理控制；
在所述第一异常检测结果中不存在异常且第二异常检测结果中存在异常时，则确定移动目标对所述生产设备运行存在安全风险，基于所述生产设备向所述移动目标发出警告的生产安全管理控制。
7.一种基于人工智能的生产设备安全生产管理装置，其特征在于，所述装置包括：
信号采集模块：用于在生产设备运行时，基于设置在生产设备上的各个传感器进行生产设备运行时的状态信号采集处理，获得所述生产设备运行时的状态信号，所述状态信号包括：生产设备运行速度信号数据和生产设备运行振动信号数据；
视频采集模块：用于基于设置在生产设备上方的视频采集设备对生产设备范围内的移动目标进行视频采集处理，获得采集视频数据；
信号特征提取模块：用于对所述生产设备运行时的状态信号进行特征提取处理，获得生产设备运行时的速度与振动关联特征数据；
图像特征提取模块：用于对所述采集视频数据中的移动目标进行移动特征提取处理，获得移动目标的移动特征数据，所述移动特征数据包括：当前位置特征、移动趋势特征；
异常检测模块：用于将所述生产设备运行时的速度与振动关联特征数据输入第一异常检测模型中进行异常检测处理，以及将移动目标的移动特征数据输入第二异常检测模型中进行异常检测处理，获得第一异常检测结果和第二异常检测结果；
生产安全控制模块：用于基于所述第一异常检测结果和第二异常检测结果对所述生产设备在运行时的生产安全管理控制；
所述对所述采集视频数据中的移动目标进行移动特征提取处理，获得移动目标的移动特征数据，包括：
按照预设间隔在所述采集视频数据中进行关键帧提取处理，形成关键帧图像序列；
将所述关键帧图像序列中的每一个关键帧图像划分为不重叠的分块，并将不重叠的分块依次输入收敛的移动目标特征提取模型中进行特征提取处理，获得不重叠的分块的特征向量；
基于多层串联的多头注意模块逐层提取所述特征向量中的图像特征信息，并根据提取到的图像特征信息建立每一个不重叠的分块之间的关联关系；
基于每一个不重叠的分块之间的关联关系在移动目标特征提取模型中的融合模块中形成所述关键帧图像序列中的每一个关键帧图像的关键帧图像特征；
基于卷积解码器将每一个关键帧图像的关键帧图像特征解码为所述关键帧图像相同尺寸的深度图像，所述深度图像中不同像素点的取值对应该位置距离视频采集设备的距离；
基于视频采集设备的内参矩阵通过所述视频采集设备成像逆变换将深度图像转换为视频采集设备坐标系中的一系列空间坐标点集，获得关键帧图像序列中每一关键字图像的移动目标的三维空间特征信息；
基于关键帧图像序列中每一关键字图像的移动目标的三维空间特征信息进行移动特征提取处理，获得动目标的移动特征数据。
8.一种控制设备，包括处理器和存储器，其特征在于，所述处理器运行存储于所述存储器中的计算机程序或代码，实现如权利要求1至6中任一项所述的生产设备安全生产管理方法。
9.一种计算机可读存储介质，用于存储计算机程序或代码，其特征在于，当所述计算机程序或代码被处理器执行时，实现如权利要求1至6中任一项所述的生产设备安全生产管理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311466936.9A CN117195138B (zh) | 2023-11-07 | 2023-11-07 | 基于人工智能的生产设备安全生产管理方法及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311466936.9A CN117195138B (zh) | 2023-11-07 | 2023-11-07 | 基于人工智能的生产设备安全生产管理方法及相关装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117195138A CN117195138A (zh) | 2023-12-08 |
| CN117195138B true CN117195138B (zh) | 2024-02-20 |
Family
ID=88992809
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311466936.9A Active CN117195138B (zh) | 2023-11-07 | 2023-11-07 | 基于人工智能的生产设备安全生产管理方法及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117195138B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2407803A1 (en) * | 2010-07-15 | 2012-01-18 | The European Atomic Energy Community (EURATOM), represented by the European Commission | Method for safely identifying moving objects |
| CN108182413A (zh) * | 2017-12-29 | 2018-06-19 | 中国矿业大学(北京) | 一种矿井移动目标检测与跟踪识别方法 |
| CN111597889A (zh) * | 2020-04-09 | 2020-08-28 | 苏宁云计算有限公司 | 一种视频中目标移动的检测方法、装置及系统 |
| CN113467433A (zh) * | 2021-08-20 | 2021-10-01 | 河南中烟工业有限责任公司 | 一种机械设备故障检测的方法及装置 |
| CN115307943A (zh) * | 2022-08-03 | 2022-11-08 | 北京九天翱翔科技有限公司 | 一种旋转机械设备多工况运行状态异常检测方法及系统 |
| CN115438692A (zh) * | 2022-08-16 | 2022-12-06 | 郑州大学 | 一种基于变分自动编码器的设备状态异常检测方法 |
| CN116165981A (zh) * | 2023-02-13 | 2023-05-26 | 大连交通大学 | 一种工业行业安全生产智能监控系统 |
| CN116224925A (zh) * | 2022-12-16 | 2023-06-06 | 东莞市沃高实业投资有限公司 | 一种智能加工管理系统 |
| CN116886328A (zh) * | 2023-05-12 | 2023-10-13 | 南方电网科学研究院有限责任公司 | 数据安全的检测方法、检测装置和plc系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9020187B2 (en) * | 2011-05-27 | 2015-04-28 | Qualcomm Incorporated | Planar mapping and tracking for mobile devices |
-
2023
- 2023-11-07 CN CN202311466936.9A patent/CN117195138B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2407803A1 (en) * | 2010-07-15 | 2012-01-18 | The European Atomic Energy Community (EURATOM), represented by the European Commission | Method for safely identifying moving objects |
| CN108182413A (zh) * | 2017-12-29 | 2018-06-19 | 中国矿业大学(北京) | 一种矿井移动目标检测与跟踪识别方法 |
| CN111597889A (zh) * | 2020-04-09 | 2020-08-28 | 苏宁云计算有限公司 | 一种视频中目标移动的检测方法、装置及系统 |
| CN113467433A (zh) * | 2021-08-20 | 2021-10-01 | 河南中烟工业有限责任公司 | 一种机械设备故障检测的方法及装置 |
| CN115307943A (zh) * | 2022-08-03 | 2022-11-08 | 北京九天翱翔科技有限公司 | 一种旋转机械设备多工况运行状态异常检测方法及系统 |
| CN115438692A (zh) * | 2022-08-16 | 2022-12-06 | 郑州大学 | 一种基于变分自动编码器的设备状态异常检测方法 |
| CN116224925A (zh) * | 2022-12-16 | 2023-06-06 | 东莞市沃高实业投资有限公司 | 一种智能加工管理系统 |
| CN116165981A (zh) * | 2023-02-13 | 2023-05-26 | 大连交通大学 | 一种工业行业安全生产智能监控系统 |
| CN116886328A (zh) * | 2023-05-12 | 2023-10-13 | 南方电网科学研究院有限责任公司 | 数据安全的检测方法、检测装置和plc系统 |
Non-Patent Citations (2)
| Title |
|---|
| "A Microwave Imaging Device for Detecting Contaminants in Water-based Food Products";M. Ricci etc;《2022 16th European Conference on Antennas and Propagation (EuCAP)》;全文 * |
| 作业安全管控系统中人员目标识别算法研究;韦建成;余剑冰;杨伟群;;广西电力(02);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117195138A (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113128368B (zh) | 一种人物交互关系的检测方法、装置及系统 | |
| CN111345817B (zh) | Qrs波群位置确定方法、装置、设备及存储介质 | |
| CN111523378B (zh) | 一种基于深度学习的人体行为预测方法 | |
| CN110335313B (zh) | 音频采集设备定位方法及装置、说话人识别方法及系统 | |
| CN114973120B (zh) | 一种基于多维传感数据与监控视频多模异构融合的行为识别方法及系统 | |
| CN113205138B (zh) | 人脸人体匹配方法、设备和存储介质 | |
| CN114490344A (zh) | 一种基于机器学习和静态分析的软件集成测评方法 | |
| CN117195138B (zh) | 基于人工智能的生产设备安全生产管理方法及相关装置 | |
| CN111400114A (zh) | 基于深度递归网络大数据计算机系统故障检测方法及系统 | |
| CN111368824A (zh) | 一种仪表识别方法、移动设备及存储介质 | |
| CN117274177A (zh) | 一种基于图像识别的输电线路防外破方法及装置 | |
| CN115690544B (zh) | 多任务学习方法及装置、电子设备和介质 | |
| CN111695445A (zh) | 一种人脸识别的方法、装置、设备及计算机可读存储介质 | |
| CN116823795A (zh) | 橡胶制品的缺陷检测方法、装置、电子设备及存储介质 | |
| CN116740885A (zh) | 烟雾火焰报警方法、装置、电子设备及存储介质 | |
| CN115424253A (zh) | 车牌识别方法、装置、电子设备和存储介质 | |
| CN113420631A (zh) | 一种基于图像识别的安全报警方法及装置 | |
| CN117539674B (zh) | 异常处理方法、装置、设备及存储介质 | |
| CN118470612B (zh) | 基于多模态信息融合的安全生产作业人员行为识别方法及系统 | |
| CN117132667B (zh) | 一种基于环境温度反馈的热图像处理方法及相关装置 | |
| CN116739047B (zh) | 汽车螺栓拧紧曲线重建模型构建和拧紧质量识别方法 | |
| CN118038546A (zh) | 识别打架行为的方法和装置 | |
| CN116189050B (zh) | 一种上消化道内镜视频肿瘤诊断关键帧的提取方法及装置 | |
| CN110211092B (zh) | 成像方向模型训练方法及装置、检测方法及装置、介质 | |
| CN116597863A (zh) | 基于人工智能的声音事件检测方法、装置、设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |