【技術實現步驟摘要】
本專利技術涉及數字化工廠，具體為一種基于邊緣計算的智慧工廠實時安全監測方法及系統。
技術介紹
1、智慧工廠是利用數字化和自動化技術整合各種生產資源的先進制造系統。這種工廠架構通過集成信息技術、人工智能、物聯網(iot)和機器學習等技術，實現生產過程的高度優化和智能化管理。智慧工廠不僅能提升生產效率和產品質量，還能實現資源的有效利用和能源消耗的最小化，從而達到可持續發展的目標。
2、智慧工廠雖然在自動化和智能化水平上有顯著提升，但生產過程中的安全風險也隨之增加，如設備故障、操作失誤、系統錯誤等可能導致嚴重的安全事故。因此，實施實時安全監測變得尤為重要，它可以及時發現和響應這些潛在風險，有效預防事故發生，保護工廠資產和員工安全，確保生產流程的順暢運行。
3、邊緣計算在智慧工廠的安全監測中扮演了關鍵角色。通過在數據產生的地點(即工廠現場)進行數據處理，邊緣計算技術可以顯著減少數據傳輸的延遲，實現幾乎實時的數據處理和響應。這種方式不僅加快了決策速度，還提高了系統的可靠性和效率，尤其是在網絡連接不穩定或數據量極大時更顯其優勢。此外，邊緣計算還能增強數據安全，因為敏感數據無需遠距離傳輸即可在本地進行分析和存儲。
4、邊緣計算是一種計算架構，其核心思想是將數據處理任務從云端或中央數據中心轉移到網絡的邊緣，即靠近數據產生源的位置。在智慧工廠實時監測的應用中，邊緣計算能夠在數據產生地即時處理數據，顯著減少傳輸到云端的延遲。這使得工廠管理系統能夠快速響應各種情況，如設備故障預警、安全隱患檢測等，從而提高生產效率和
5、在邊緣計算技術廣泛應用之前，傳統的工廠安全監測技術主要依賴于中心化的數據處理系統。這種系統通常將工廠各處的傳感器和攝像頭收集到的數據匯總到一個中央服務器上進行處理和分析。雖然這種方法能夠處理大量數據，但它存在數據處理和響應速度慢的問題，特別是當數據量龐大或需要跨地理位置處理時。此外，中心化系統的穩定性和可靠性也受到網絡質量的制約，一旦中心服務器或網絡出現問題，整個監測系統的效率和效果都會受到影響。
6、在現有技術中，對智慧工廠的實時安全監測還存在一定的缺陷，例如公開號cn115008059b的中國專利提出的一種基于智能制造的數字化工廠生產安全智能監測預警系統，通過設定焊接機器人的安全焊接區域、分析焊接質量和安全性、并在各焊接時間點進行危險預警，實現了從多個維度對焊接過程的安全性進行綜合分析，進而得到焊接質量系數和焊接安全系數。雖然這種方法有效地解決了分析結果的局限性，降低了管理人員的風險，但其依賴數據質量以及應對突發情況的能力有限。公開號為cn117273470b的中國專利提出的一種車輛貨物固定器加工工廠生產安全智能監測預警系統為此，提出一種基于邊緣計算的智慧工廠實時安全監測方法及系統，通過對各目標車間的機械生產運行安全指數、電氣生產供應安全指數以及車間生產環境安全指數進行細致化全面化分析，評估各目標車間的綜合生產安全指數，以篩選出各生產異常車間并對其進行生產風險預警。
7、現有技術在智慧工廠安全監測領域通常面臨數據處理延遲、中心化處理的網絡負載高、預處理不足以及缺乏針對性和動態適應性的分析機制，這些因素限制了其在實時和精準安全監控方面的效能。
8、為此，提出一種基于邊緣計算的智慧工廠實時安全監測方法及系統。
技術實現思路
1、本專利技術的目的在于提供一種基于邊緣計算的智慧工廠實時安全監測方法及系統。首先，在每個生產區域部署邊緣計算設備、攝像頭和傳感器組；然后，通過攝像頭獲取圖像數據；通過傳感器組獲取傳感器數據；最后，構建安全監測模型，安全監測模型在所述邊緣計算設備上運行；將圖像數據和傳感器數據輸入到所述安全監測模型中，依次通過數據預處理層、特征分析層、特征融合層和監測結果預測層，得到安全監測結果；本專利技術通過安全設備穿戴特征分析網絡和危險行為特征分析網絡對圖像數據和傳感器數據進行精細分析，最終得到的安全監測結果能夠精確地反映智慧工廠的實時安全狀態，確保了高效和動態的安全管理。
2、為實現上述目的，本專利技術提供如下技術方案：
3、一種基于邊緣計算的智慧工廠實時安全監測方法，包括：
4、在每個生產區域部署邊緣計算設備、攝像頭和傳感器組；所述傳感器組包括聲音傳感器、光照傳感器和溫度傳感器；
5、獲取圖像數據和傳感器數據；所述圖像數據通過所述攝像頭獲取；所述傳感器數據通過所述傳感器組獲取；所述傳感器數據包括噪聲數據、亮度數據和溫度數據；
6、構建安全監測模型，所述安全監測模型在所述邊緣計算設備上運行；將所述圖像數據和所述傳感器數據輸入到所述安全監測模型中，依次通過數據預處理層、特征分析層、特征融合層和監測結果預測層，得到安全監測結果；所述安全監測結果用于反映工廠的安全狀態；
7、所述數據預處理層用于對所述圖像數據和所述傳感器數據進行預處理操作，得到第一輸入數據組；
8、所述特征分析層用于對所述第一輸入數據組進行特征分析，得到安全設備穿戴特征向量和危險行為特征向量；
9、所述特征融合層用于將所述安全設備穿戴特征向量和所述危險行為特征向量進行融合，得到綜合安全分析特征向量；
10、所述監測結果預測層用于對所述綜合安全分析特征向量進行分析，分別獲取安全、警告和危險三個結果標簽的概率值，根據概率值的大小，最終得到所述安全監測結果。
11、所述預處理操作的具體實現過程包括：
12、使用圖像識別技術對所述圖像數據進行識別，標記出安全帽、防護眼鏡、安全手套和耳塞分別穿戴的區域；
13、使用yolo算法識別所述圖像數據中機械設備以及距離所述機械設備最近的員工身體部位，標記出所述機械設備、員工關鍵身體部位以及對應所述機械設備的生產階段；所述生產階段包括焊接、裝配和化學處理；
14、對所述亮度數據和所述溫度數據進行去除異常值、數據平滑和標準化處理；
15、對所述噪聲數據進行噪聲處理，獲取噪聲特征組；
16、將所述圖像數據和所述傳感器數據按照時間戳進行數據同步并拼接，得到第一輸入數據組。
17、所述對所述噪聲數據進行噪聲處理的具體過程包括：
18、選擇性去噪：使用帶通濾波器對所述噪聲數據進行選擇性去噪，得到去噪噪聲數據；所述帶通濾波器h(f)定義為：其中，fl,fh分別是濾波器的下限頻率和上限頻率；
19、音量標準化：計算所述去噪噪聲數據中每個聲音樣本的平均聲壓級并調整到目標聲壓級，得到標準化噪聲數據，具體計算公式為：
20、
21、其中，snor(t)為標準化噪聲數據，即經過音量標準化后的聲音信號，s(t)為去噪噪聲數據中時間t的原始聲音信號，ltar為目標聲壓級，l本文檔來自技高網...
【技術保護點】
1.一種基于邊緣計算的智慧工廠實時安全監測方法，其特征在于，包括：
2.根據權利要求1所述的一種基于邊緣計算的智慧工廠實時安全監測方法，其特征在于，所述預處理操作的具體實現過程包括：
3.根據權利要求2所述的一種基于邊緣計算的智慧工廠實時安全監測方法，其特征在于，所述對所述噪聲數據進行噪聲處理的具體過程包括：
4.根據權利要求1所述的一種基于邊緣計算的智慧工廠實時安全監測方法，其特征在于，所述特征分析層包含安全設備穿戴特征分析網絡和危險行為特征分析網絡；所述安全設備穿戴特征分析網絡為LSTM網絡結構；所述危險行為特征分析網絡為LSTM網絡結構和關鍵部位注意力機制；所述安全設備穿戴特征分析網絡用于對所述第一輸入數據組進行第一特征分析，得到安全設備穿戴特征向量；所述危險行為特征分析網絡用于對所述第一輸入數據組進行第二特征分析，得到危險行為特征向量。
5.根據權利要求4所述的一種基于邊緣計算的智慧工廠實時安全監測方法，其特征在于，所述安全設備穿戴特征分析網絡中包括動態權重調整機制；所述動態權重調整機制用于分析輸入的所述第一輸入數據組中的所
6.根據權利要求4所述的一種基于邊緣計算的智慧工廠實時安全監測方法，其特征在于，所述關鍵部位注意力機制包括風險評估函數，所述風險評估函數R(ss,pp,td)的公式為：
7.一種基于邊緣計算的智慧工廠實時安全監測系統，其特征在于，包括：
8.根據權利要求7所述的一種基于邊緣計算的智慧工廠實時安全監測系統，其特征在于，所述安全監測模型包括數據預處理層、特征分析層、特征融合層和監測結果預測層；所述特征分析層包含安全設備穿戴特征分析網絡和危險行為特征分析網絡；所述安全設備穿戴特征分析網絡為LSTM網絡結構；所述危險行為特征分析網絡為LSTM網絡結構和關鍵部位注意力機制；所述安全設備穿戴特征分析網絡用于對第一輸入數據組進行第一特征分析，得到安全設備穿戴特征向量；所述危險行為特征分析網絡用于對所述第一輸入數據組進行第二特征分析，得到危險行為特征向量。
9.根據權利要求8所述的一種基于邊緣計算的智慧工廠實時安全監測系統，其特征在于，所述安全設備穿戴特征分析網絡中包括動態權重調整機制；所述動態權重調整機制用于分析輸入的所述第一輸入數據組中的所述傳感器數據，得到環境因子權重；所述環境因子權重用于調整輸入到所述LSTM網絡結構的數據權重；所述環境因子權重的計算公式為：
10.根據權利要求8所述的一種基于邊緣計算的智慧工廠實時安全監測系統，其特征在于，所述關鍵部位注意力機制包括風險評估函數，所述風險評估函數R(ss,pp,td)的公式為：
...【技術特征摘要】
1.一種基于邊緣計算的智慧工廠實時安全監測方法，其特征在于，包括：
2.根據權利要求1所述的一種基于邊緣計算的智慧工廠實時安全監測方法，其特征在于，所述預處理操作的具體實現過程包括：
3.根據權利要求2所述的一種基于邊緣計算的智慧工廠實時安全監測方法，其特征在于，所述對所述噪聲數據進行噪聲處理的具體過程包括：
4.根據權利要求1所述的一種基于邊緣計算的智慧工廠實時安全監測方法，其特征在于，所述特征分析層包含安全設備穿戴特征分析網絡和危險行為特征分析網絡；所述安全設備穿戴特征分析網絡為lstm網絡結構；所述危險行為特征分析網絡為lstm網絡結構和關鍵部位注意力機制；所述安全設備穿戴特征分析網絡用于對所述第一輸入數據組進行第一特征分析，得到安全設備穿戴特征向量；所述危險行為特征分析網絡用于對所述第一輸入數據組進行第二特征分析，得到危險行為特征向量。
5.根據權利要求4所述的一種基于邊緣計算的智慧工廠實時安全監測方法，其特征在于，所述安全設備穿戴特征分析網絡中包括動態權重調整機制；所述動態權重調整機制用于分析輸入的所述第一輸入數據組中的所述傳感器數據，得到環境因子權重；所述環境因子權重用于調整輸入到所述lstm網絡結構的數據權重；所述環境因子權重的計算公式為：
6.根據權利要求4所述的一種基于邊緣計算的智慧工廠實時安全監測方法，其特征在于...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。