[发明专利]人工智能云计算多途径设备系统运行缺陷检查监控方法

权利要求书

1.人工智能云计算多途径设备系统运行缺陷检查监控方法，其特征在于，包括配置有微处理单元的工业数码相机，该工业数码相机用来捕获可能发生设备缺陷位置的图像，该工业数码相机选装在固定平台、轨道移动平台或飞行平台上，当要求是在室外环境中覆盖长距离的和大面积的监控，只有X射线相机仅用于短距离图像捕捉，并将工业数码相机微处理单元与卫星定位系统建立连接，以便于工业数码相机捕获图像时识别到系统位置，微处理单元将捕获可能发生设备缺陷的图像以及捕获到的图像的位置信息，通过网络发送到云端计算服务器，再由云服务器中的人工智能机器学习软件进行分析。

2.根据权利要求1所述人工智能云计算多途径设备系统运行缺陷检查监控方法，其特征在于，所述工业数码相机包括红外线、普通光线、X射线数码相机。

3.根据权利要求1所述人工智能云计算多途径设备系统运行缺陷检查监控方法，其特征在于，捕获的图像会从工业数码相机传递到微处理单元，微处理单元再将这些图像传去有线/无线网络通讯器，经有线/无线网络本地网络去到本地路由器/解调器，本地路由器/解调器透过互联网把图像传去云端计算服务器，云端伺服器把图像传送去人工智能计算器，并把有用的数据储存在云端储存器里，或出于安全考虑，这些图像档案也可以透过有线/无线网络传去本地计算服务器，所有的云端计算都在本地计算器里完成。

4.根据权利要求1所述人工智能云计算多途径设备系统运行缺陷检查监控方法，其特征在于，人工智能机器学习具体地是预测建模，主要关注的是最小化模型的误差，或令最准确的预测成为可能，智能机器学习需经过一个训练的步骤，包含大量没有发生运行缺陷时的位置图像，以及有发生运行缺陷时的位置图像，检测系统将使用三种不同类型的图像，包括：

(1)红外线，用于检测设备部件的工作温度的异常变化；

(2)普通光线，用于检测设备部件的形状，尺寸和位置的异常变化；

(3)X射线，用于检测设备部件中的异常微裂纹；

对于三种类型的图像中的每一种，在训练中，来自训练图像数据集，抽取75％作为训练样本，剩下的25％作为测试样本用来评估结果精度，当完成这足够图像的训练后，基于三种图像之一种，智能机器学习能根据输入的新的图像，预测新的可能发生的设备缺陷，训练步骤可以在将来持续地进行以收集更多的数据，这样模型预测缺陷的准确性也将不断提高，在对人工智能机器进行培训后，当输入正在被监控区域的新图像时，能够分析图像并告知正在受到监控的该区域是否实际上发生了设备缺陷，当发生设备缺陷和事故时，系统会自动通过互联网向各方发出警报信息。