[发明专利]基于5G和算法的智慧工厂远程监控方法及系统

权利要求书

1.基于5G和算法的智慧工厂远程监控方法，其特征在于：包括以下步骤：

在所述工厂内设置有多个工作区域，每个工作区域内均设置有图像采集模块，所述的图像采集模块每间隔预定时间获取该工作区域中设备的运行状态数据；

采用Otsu算法和粒子群算法对接收的图像进行分割处理，获取设备图像中的目标图像；

对分割所得的目标图像与异常事件数据库中生产设备异常运行时的特征信息进行比对分析，判断生产设备是否运行故障，若是，则确定该生产设备存在异常事件；

当存在异常事件时，获取该异常事件对应的故障等级，并根据故障等级，获取对应的异常处理策略；

其中：所述异常事件数据库中存储有生产设备异常运行时的特征信息，以及与特征信息相对应的故障等级；

所述采用Otsu算法和粒子群算法对接收的图像进行分割处理，获取设备图像中的目标图像，具体包括：

对获取的图像进行滤波处理；

采用Otsu算法和粒子群算法确定设备区域图像的最佳分割阈值；

根据最佳分割阈值对图像进行阈值分割并输出分割后的图像；

所述粒子群算法采用下列方式进行更新：

V_a(t+1)＝ω_a(t)V_a(t)+c₁r₁(G_a(t)-X_a(t))+c₂r₂(G(t)-X_a(t))

X_a(t+1)＝X_a(t)+V_a(t+1)

式中，V_a(t+1)和X_a(t+1)分别表示粒子a在第(t+1)次迭代时的速度和位置，V_a(t)和X_a(t)分别表示粒子a在第t次迭代时的速度和位置，c₁和c₂表示学习因子，r₁和r₂表示0到1之间的随机数，G(t)表示粒子群在第t次迭代时的全局最优解，ω_a(t)表示粒子i在第t次迭代时的惯性权重因子，G_a(t)表示粒子a在第t次迭代时的局部学习解，粒子a在第t次迭代时的局部学习解G_a(t)的值采用下列方式确定：

在粒子群中选取用于确定局部学习解的参考粒子，选取的参考粒子对粒子群中未被选取为参考粒子的粒子进行标记，具体为：

首先选取粒子群中当前适应度函数值最大的粒子为第一个参考粒子，记为b₁(t)，设m₁(t)表示参考粒子b₁(t)待标记的粒子数，所述参考粒子b₁(t)将粒子群中距离其最近的m₁(t)个粒子标记为1，所述距离为粒子之间的欧式距离，继续在粒子群中未被标记和未被选取为参考粒子的粒子中选取适应度函数值最大的粒子为第二个参考粒子，记为b₂(t)，设m₂(t)表示参考粒子b₂(t)待标记的粒子数，所述参考粒子b₂(t)将粒子群中距离其最近的m₂(t)个未被选取为参考粒子的粒子标记为2，继续按照上述方法在粒子群中选取参考粒子，选取的参考粒子继续对粒子群中未被选取为参考粒子的粒子进行标记，直到粒子群中的粒子都被参考粒子进行了标记则停止参考粒子的选取；

设B(t)表示在第t次迭代时选取的参考粒子集合，且B(t)＝{b_v(t)，v＝1，2，...，m(B(t))}，其中，b_v(t)表示选取的第v个参考粒子，m(B(t))表示在第t次迭代时选取的参考粒子数，设m_v(t)表示参考粒子b_v(t)待标记的粒子数，则m_v(t)的值为：

式中，m表示给定的参考粒子待标记的粒子数的初始值，且m＜M，M为粒子群中的粒子数，η_v(t)表示参考粒子b_v(t)的寻优优先级，且其中，f_v(t)表示参考粒子b_v(t)的适应度函数值，f_o(t)表示距离参考粒子b_v(t)最近的第o个粒子在第t次迭代时的适应度函数值，f_max(t)表示粒子群在第t次迭代时的最大适应度函数值，f_min(t)表示粒子群在第t次迭代时的最小适应度函数值；

设集合B(t)中标记了粒子i的参考粒子组成的集合为B_i(t)，且B_i(t)＝{b_i，c(t)，c＝1，...，m(B_i(t))}，其中，b_i，c(t)表示集合B(t)中标记了粒子i的第c个参考粒子，m(B_i(t))表示集合B(t)中标记了粒子i的参考粒子数，定义χ(b_i，c(t))表示参考粒子b_i，c(t)对于粒子i的参考价值，则χ(b_i，c(t))的表达式为：

式中，α(f_i(t)，f_i，c(t))为条件函数，f_i，c(t)表示参考粒子b_i，c(t)的适应度函数值，f_i(t)表示粒子i在第t次迭代时的适应度函数值，当f_i(t)＜f_i，c(t)时，则α(f_i(t)，f_i，c(t))＝1，当f_i(t)≥f_i，c(t)时，则α(f_i(t)，f_i，c(t))＝0，η_i，c(t)表示参考粒子b_i，c(t)的寻优优先级，X_i，c(t)表示参考粒子b_i，c(t)在第t次迭代时的位置，l(X_i(t)，X_i，c(t))表示位置X_i(t)和位置X_i，c(t)之间的欧式距离；

当粒子i在第t次迭代时被选为参考粒子时，则粒子i在第t次迭代时的局部学习解G_i(t)＝Best_i(t)，其中，Best_i(t)表示粒子i在第t次迭代时的历史最优解；

当粒子i在第t次迭代时未被选取为参考粒子时，设b_i，A(t)表示集合B_i(t)中对于粒子i具有最大参考价值的参考粒子，即b_i，B(t)表示集合B_i(t)中对于粒子i具有第二大参考价值的参考粒子，且则粒子i在第t次迭代时的局部学习解G_i(t)的表达式为：

G_i(t)＝r₃X_i，A(t)+(1-r₃)X_i，B(t)

式中，r₃表示0到1之间的随机数，X_i，A(t)表示参考粒子b_i，A(t)在第t次迭代时的位置，X_i，B(t)表示参考粒子b_i，B(t)在第t次迭代时的位置。