[发明专利]基于边缘计算的设备异常状态预测方法在审
申请号: | 202110536016.4 | 申请日: | 2021-05-17 |
公开(公告)号: | CN113191306A | 公开(公告)日: | 2021-07-30 |
发明(设计)人: | 朱鸿辉 | 申请(专利权)人: | 杭州咏情科技有限公司 |
主分类号: | G06K9/00 | 分类号: | G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08 |
代理公司: | 暂无信息 | 代理人: | 暂无信息 |
地址: | 310000 浙江*** | 国省代码: | 浙江;33 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 边缘 计算 设备 异常 状态 预测 方法 | ||
1.一种基于边缘计算的设备异常状态预测方法,其特征在于,包括:
在边缘计算的端侧获取在自动生产线上的用于刀具的传感器以预设时间间隔采集的多组工作参数;
将所述多组工作参数分别通过预先训练的由多个全连接网络构成的编码器以获得多个参数特征向量,其中,所述多个参数特征向量的长度维度为L,时间维度为T、样本维度为S;
将所述多个参数特征向量构造为参数特征图,其中,所述参数特征图的尺度为L*T*S;
将所述参数特征图通过预先训练的第一卷积神经网络以获得第一特征图,其中,所述第一特征图的尺度为L1*T1*C1*S;
在边缘计算的端侧获取由摄像头采集的在自动生产线上的各个所述刀具的图像;
将各个所述刀具的图像通过预先训练的第二卷积神经网络以获得第二特征图,所述第二特征图的尺度为W*H*C2*S,其中W为宽度,H为高度,C2为通道数且S为样本数;
将所述第一特征图和所述第二特征图在样本维度上进行融合,以获得分类特征图,其中,所述将所述第一特征图和所述第二特征图在样本维度上进行融合以获得分类特征图,包括:将所述第二特征图转化为与所述第一特征图具有相同尺度的特征图以获得尺度变换特征图;以及,计算所述尺度变换特征图在各个样本维度的特征张量的基于各个刀具的类别信息的分类函数值后对所述第一特征图在其对应样本维度的特征张量进行加权,以获得所述分类特征图;以及
将所述分类特征图通过分类器以获得分类结果,其中,所述分类结果用于表示该自动生产线上的多个刀具是否预测到异常状态。
2.根据权利要求1所述的基于边缘计算的设备异常状态预测方法,其中,将所述第二特征图转化为与所述第一特征图具有相同尺度的特征图以获得尺度变换特征图,包括:
将所述第二特征图中每个尺度为W*H的特征矩阵通过转换器,以获得尺度为L1*T1*C2*S的初始变换特征图;
对所述初始变换特征图进行通道维度上的变换,以获得尺度为L1*T1*C1*S的所述尺度变换特征图。
3.根据权利要求2所述的基于边缘计算的设备异常状态预测方法,其中,所述转化器包括多个全连接层。
4.根据权利要求2所述的基于边缘计算的设备异常状态预测方法,其中,对所述初始变换特征图进行通道维度上的变换,以获得尺度为L1*T1*C1*S的所述尺度变换特征图,包括:
对所述初始变换特征图进行在通道维度上的插值或平均,以获得尺度为L1*T1*C1*S的所述尺度变换特征图。
5.根据权利要求2所述的基于边缘计算的设备异常状态预测方法,其中,计算所述尺度变换特征图在各个样本维度的特征张量的基于各个刀具的类别信息的分类函数值后对所述第一特征图在其对应样本维度的特征张量进行加权,以获得所述分类特征图,包括:
以第一公式计算所述尺度变换特征图在各个样本维度的特征张量的基于各个刀具的类别信息的分类函数值,其中,所述第一公式为:Yi=exp(-xi*kj)/∑i,j exp(-xi*kj),Yi表示所述分类函数值,xi表示尺度为L1*T1*C1的特征张量中的每个位置的值;kj表示每个样本的类别的标签值;以及
以所述分类函数值对所述第一特征图在其对应样本维度的特征张量进行加权,以获得所述分类特征图。
6.根据权利要求1所述的基于边缘计算的设备异常状态预测方法,其中,将所述分类特征图通过分类器以获得分类结果,包括:
将所述分类特征图通过一个或多个全连接层,以获得分类特征向量;
将所述分类特征向量输入Softmax分类函数,以获得所述分类结果。
7.根据权利要求1所述的基于边缘计算的设备异常状态预测方法,其中,所述第一卷积神经网络和所述第二卷积神经网络为深度残差网络。
8.根据权利要求1所述的基于边缘计算的设备异常状态预测方法,其中,所述第一卷积神经网络、所述第二卷积神经网络和所述编码器的训练过程在边缘计算的服务器端完成。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于杭州咏情科技有限公司,未经杭州咏情科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202110536016.4/1.html,转载请声明来源钻瓜专利网。