【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及工業(yè)設(shè)備維護(hù)維修，具體為一種基于工業(yè)視覺智能的設(shè)備維護(hù)維修運(yùn)行管理系統(tǒng)及方法。
技術(shù)介紹
1、在現(xiàn)代工業(yè)生產(chǎn)中，設(shè)備的穩(wěn)定運(yùn)行至關(guān)重要，工業(yè)技術(shù)的發(fā)展，設(shè)備的復(fù)雜性和智能化程度日益提高，傳統(tǒng)的設(shè)備維護(hù)維修方法面臨著諸多挑戰(zhàn)。
2、一方面，傳統(tǒng)的設(shè)備監(jiān)測主要依賴人工巡檢和定期維護(hù)，其方式效率低下，且難以實(shí)時(shí)、準(zhǔn)確地掌握設(shè)備的運(yùn)行狀態(tài)。同時(shí)。人工巡檢易受到主觀因素的影響，會(huì)遺漏潛在的故障隱患，而定期維護(hù)則會(huì)導(dǎo)致過度維護(hù)或維護(hù)不及時(shí)的情況，增加維護(hù)成本或降低設(shè)備的可靠性。
3、另一方面，設(shè)備的智能化和自動(dòng)化程度提高，設(shè)備產(chǎn)生的數(shù)據(jù)量呈爆炸式增加，傳統(tǒng)的數(shù)據(jù)處理方法難以應(yīng)對(duì)龐大的數(shù)據(jù)量，無法提取有價(jià)值的信息，同時(shí)，不同類型的傳感器數(shù)據(jù)往往獨(dú)立處理，缺乏有效的融合方法，難以全面、準(zhǔn)確地反映設(shè)備的狀態(tài)。
4、此外，在設(shè)備維護(hù)決策方面，傳統(tǒng)方法主要依靠經(jīng)驗(yàn)和固定的維護(hù)計(jì)劃，缺乏靈活性和適應(yīng)性，無法根據(jù)設(shè)備的實(shí)際運(yùn)行狀態(tài)和故障情況進(jìn)行動(dòng)態(tài)調(diào)整，難以實(shí)現(xiàn)最優(yōu)的維護(hù)效果。
技術(shù)實(shí)現(xiàn)思路
1、針對(duì)現(xiàn)有技術(shù)的不足，本專利技術(shù)提供一種基于工業(yè)視覺智能的設(shè)備維護(hù)維修運(yùn)行管理系統(tǒng)及方法，以解決上述
技術(shù)介紹
中提出的問題。
2、為實(shí)現(xiàn)以上目的，本專利技術(shù)通過以下技術(shù)方案予以實(shí)現(xiàn)：一種基于工業(yè)視覺智能的設(shè)備維護(hù)維修運(yùn)行管理系統(tǒng)，其特征在于，包括：工業(yè)視覺采集模塊，負(fù)責(zé)通過工業(yè)級(jí)視覺傳感器實(shí)時(shí)獲取設(shè)備的工作狀態(tài)和外觀數(shù)據(jù)；
3、多傳感器融合模塊，
4、邊緣計(jì)算處理模塊，負(fù)責(zé)對(duì)工業(yè)視覺采集模塊實(shí)時(shí)獲取設(shè)備的工作狀態(tài)和外觀數(shù)據(jù)進(jìn)行本地化處理和實(shí)時(shí)分析；
5、深度學(xué)習(xí)分析模塊，負(fù)責(zé)通過深度學(xué)習(xí)算法對(duì)實(shí)時(shí)獲取設(shè)備的工作狀態(tài)和外觀數(shù)據(jù)進(jìn)行深入分析，提取設(shè)備故障的復(fù)雜特征，識(shí)別潛在問題；
6、故障檢測模塊，負(fù)責(zé)將深度學(xué)習(xí)分析模塊的分析結(jié)果進(jìn)行綜合評(píng)估，識(shí)別當(dāng)前設(shè)備的故障狀態(tài)；
7、智能維護(hù)決策模塊，基于深度學(xué)習(xí)分析模塊的強(qiáng)化學(xué)習(xí)算法生成自適應(yīng)維護(hù)計(jì)劃；
8、增強(qiáng)現(xiàn)實(shí)與用戶交互模塊，用于維護(hù)人員實(shí)時(shí)獲取設(shè)備狀態(tài)、可視化故障信息且提供遠(yuǎn)程協(xié)作功能；
9、系統(tǒng)集成與安全模塊，負(fù)責(zé)系統(tǒng)的集成和數(shù)據(jù)傳輸?shù)陌踩Ｕ稀?/p>
10、優(yōu)選的，所述工業(yè)視覺采集模塊包括：
11、rgb相機(jī)單元，用于采集設(shè)備表面圖像；
12、紅外相機(jī)單元，用于檢測設(shè)備的熱輻射異常；
13、3d相機(jī)單元，用于獲取設(shè)備表面的三維形變信息；
14、所述多傳感器融合模塊，通過加權(quán)融合算法將傳感器數(shù)據(jù)進(jìn)行融合，融合公式為：
15、，
16、其中，為第i個(gè)傳感器的數(shù)據(jù)，為相應(yīng)的權(quán)重，n為傳感器數(shù)量，表示融合后的特征或結(jié)果。
17、優(yōu)選的，所述邊緣計(jì)算處理模塊包括：
18、輕量化深度學(xué)習(xí)模型用于實(shí)時(shí)故障檢測，所述輕量化深度學(xué)習(xí)模型采用深度可分離卷積，其卷積操作公式為：
19、，
20、其中，為輸入特征圖，為深度卷積核，為卷積核，表示輸出特征圖或結(jié)果矩陣。
21、優(yōu)選的，所述邊緣計(jì)算處理模塊進(jìn)一步包括用于圖像特征提取的sobel邊緣檢測器，其計(jì)算公式為：
22、，
23、其中，和表示圖像在水平方向和垂直方向的梯度，表示圖像梯度幅值，表示圖像的灰度值分布函數(shù)，項(xiàng)。
24、優(yōu)選的，所述深度學(xué)習(xí)分析模塊基于卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行故障分類，卷積層的輸出由以下公式計(jì)算：
25、，
26、其中，為第l層卷積核，為輸入特征圖，為偏置，為非線性激活函，表示第i+1層或時(shí)間步的隱藏狀態(tài)；
27、所述深度學(xué)習(xí)分析模塊包括用于故障分類的softmax層，其輸出的故障概率由以下公式計(jì)算：
28、，
29、其中，表示在給定輸入特征向量的條件下，類別j的概率；
30、為輸入特征向量，為輸入特征對(duì)應(yīng)于類別j的得分；
31、k表示類別的總數(shù)，分母部分，表示對(duì)所有類別的指數(shù)得分進(jìn)行求和，用于歸一化，使得所有類別的概率和為1。
32、優(yōu)選的，所述智能維護(hù)決策模塊基于強(qiáng)化學(xué)習(xí)算法生成維護(hù)計(jì)劃，使用q學(xué)習(xí)算法更新狀態(tài)-動(dòng)作值函數(shù)，其更新公式為：
33、，
34、其中，表示在狀態(tài)s下采取動(dòng)作a的q值，表示學(xué)習(xí)率，表示即時(shí)獎(jiǎng)勵(lì)，表示折扣因子，表示在下一狀態(tài)中確定最優(yōu)動(dòng)作的最大q值，表示當(dāng)前狀態(tài)s下采取動(dòng)作a后所到達(dá)的下一狀態(tài)，表示最優(yōu)動(dòng)作。
35、優(yōu)選的，所述智能維護(hù)決策模塊通過遺傳算法優(yōu)化維護(hù)任務(wù)調(diào)度，適應(yīng)度函數(shù)為：
36、，
37、其中，為第i次維護(hù)的成本，為維護(hù)耗時(shí)，為平衡系數(shù)，表示總成本，n表示總的成本項(xiàng)或時(shí)間項(xiàng)的數(shù)量。
38、一種基于工業(yè)視覺智能的設(shè)備維護(hù)維修運(yùn)行管理方法，包括如下步驟：
39、s1、首先，利用工業(yè)視覺采集模塊中的rgb相機(jī)采集設(shè)備表面圖像，后借助紅外相機(jī)檢測設(shè)備的熱輻射異常，及時(shí)察覺過熱部位，最后，通過3d相機(jī)獲取設(shè)備表面的三維形變信息；
40、s2、采用多傳感器融合模塊，運(yùn)用加權(quán)融合算法將不同類型傳感器的數(shù)據(jù)進(jìn)行整合，而得到對(duì)設(shè)備狀態(tài)的多維感知數(shù)據(jù)；
41、s3、在設(shè)備現(xiàn)場部署邊緣計(jì)算處理模塊，首先，采用輕量化深度學(xué)習(xí)模型進(jìn)行實(shí)時(shí)故障檢測，察覺潛在故障，后利用sobel邊緣檢測器進(jìn)行圖像特征提取，提取圖像的關(guān)鍵特征；
42、s4、基于卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)設(shè)備數(shù)據(jù)進(jìn)行深入分析，識(shí)別潛在問題后通過softmax層輸出故障概率，根據(jù)計(jì)算公式，確定設(shè)備不同故障類型的概率；
43、s5、將深度學(xué)習(xí)模塊的分析結(jié)果進(jìn)行綜合評(píng)估，準(zhǔn)確識(shí)別當(dāng)前設(shè)備的故障狀態(tài)；
44、s6、基于強(qiáng)化學(xué)習(xí)算法生成自適應(yīng)維護(hù)計(jì)劃，使用q學(xué)習(xí)算法更新狀態(tài)-動(dòng)作值函數(shù)，優(yōu)化維護(hù)策略，且通過遺傳算法優(yōu)化維護(hù)任務(wù)調(diào)度，確定最優(yōu)的維護(hù)任務(wù)安排；
45、s7、利用增強(qiáng)現(xiàn)實(shí)與用戶交互模塊，使維護(hù)人員能實(shí)時(shí)獲取設(shè)備狀態(tài)、可視化故障信息，提供遠(yuǎn)程協(xié)作功能；
46、s8、通過系統(tǒng)集成與安全模塊負(fù)責(zé)系統(tǒng)的集成，確保各模塊間的協(xié)同工作。
47、優(yōu)選的，所述s4步驟中，對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型的輸出，引入注意力機(jī)制，以突出重要的特征和故障類型；
48、設(shè)卷積神經(jīng)網(wǎng)絡(luò)的原始輸出為，注意力權(quán)重為，改進(jìn)后的輸出通過以下公式計(jì)算：，
49、其中，表示逐元素相乘；
50、注意力權(quán)重通過單獨(dú)的網(wǎng)絡(luò)或者算法計(jì)算得到，根據(jù)輸入數(shù)據(jù)的不同自動(dòng)調(diào)整對(duì)不同特征和故障類型的關(guān)注度。
51、優(yōu)選的，所述s6步驟中，基于強(qiáng)化學(xué)習(xí)算法和遺傳算法的結(jié)果，進(jìn)行更全面的維護(hù)決策；
52、設(shè)強(qiáng)化學(xué)習(xí)算法得到的本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于工業(yè)視覺智能的設(shè)備維護(hù)維修運(yùn)行管理系統(tǒng)，其特征在于，包括：工業(yè)視覺采集模塊，負(fù)責(zé)通過工業(yè)級(jí)視覺傳感器實(shí)時(shí)獲取設(shè)備的工作狀態(tài)和外觀數(shù)據(jù)；
2.根據(jù)權(quán)利要求1所述的一種基于工業(yè)視覺智能的設(shè)備維護(hù)維修運(yùn)行管理系統(tǒng)，其特征在于，所述工業(yè)視覺采集模塊包括：
3.根據(jù)權(quán)利要求1所述的一種基于工業(yè)視覺智能的設(shè)備維護(hù)維修運(yùn)行管理系統(tǒng)，其特征在于，所述邊緣計(jì)算處理模塊包括：
4.根據(jù)權(quán)利要求3所述的一種基于工業(yè)視覺智能的設(shè)備維護(hù)維修運(yùn)行管理系統(tǒng)，其特征在于，所述邊緣計(jì)算處理模塊進(jìn)一步包括用于圖像特征提取的Sobel邊緣檢測器，其計(jì)算公式為：
5.根據(jù)權(quán)利要求1所述的一種基于工業(yè)視覺智能的設(shè)備維護(hù)維修運(yùn)行管理系統(tǒng)，其特征在于，所述深度學(xué)習(xí)分析模塊基于卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行故障分類，卷積層的輸出由以下公式計(jì)算：
6.根據(jù)權(quán)利要求1所述的一種基于工業(yè)視覺智能的設(shè)備維護(hù)維修運(yùn)行管理系統(tǒng)，其特征在于，所述智能維護(hù)決策模塊基于強(qiáng)化學(xué)習(xí)算法生成維護(hù)計(jì)劃，使用Q學(xué)習(xí)算法更新狀態(tài)-動(dòng)作值函數(shù)，其更新公式為：
7.根據(jù)權(quán)利要求1所述的一
8.一種基于工業(yè)視覺智能的設(shè)備維護(hù)維修運(yùn)行管理方法，依據(jù)權(quán)利要求1～7任一項(xiàng)所述的一種基于工業(yè)視覺智能的設(shè)備維護(hù)維修運(yùn)行管理系統(tǒng)，其特征在于，包括如下步驟：S1、首先，利用工業(yè)視覺采集模塊中的RGB相機(jī)采集設(shè)備表面圖像，后借助紅外相機(jī)檢測設(shè)備的熱輻射異常，及時(shí)察覺過熱部位，最后，通過3D相機(jī)獲取設(shè)備表面的三維形變信息；
9.根據(jù)權(quán)利要求8所述的一種基于工業(yè)視覺智能的設(shè)備維護(hù)維修運(yùn)行管理方法，其特征在于，所述S4步驟中，對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型的輸出，引入注意力機(jī)制，以突出重要的特征和故障類型；
10.根據(jù)權(quán)利要求8所述的一種基于工業(yè)視覺智能的設(shè)備維護(hù)維修運(yùn)行管理方法，其特征在于，所述S6步驟中，基于強(qiáng)化學(xué)習(xí)算法和遺傳算法的結(jié)果，進(jìn)行更全面的維護(hù)決策；
...【技術(shù)特征摘要】
1.一種基于工業(yè)視覺智能的設(shè)備維護(hù)維修運(yùn)行管理系統(tǒng)，其特征在于，包括：工業(yè)視覺采集模塊，負(fù)責(zé)通過工業(yè)級(jí)視覺傳感器實(shí)時(shí)獲取設(shè)備的工作狀態(tài)和外觀數(shù)據(jù)；
2.根據(jù)權(quán)利要求1所述的一種基于工業(yè)視覺智能的設(shè)備維護(hù)維修運(yùn)行管理系統(tǒng)，其特征在于，所述工業(yè)視覺采集模塊包括：
3.根據(jù)權(quán)利要求1所述的一種基于工業(yè)視覺智能的設(shè)備維護(hù)維修運(yùn)行管理系統(tǒng)，其特征在于，所述邊緣計(jì)算處理模塊包括：
4.根據(jù)權(quán)利要求3所述的一種基于工業(yè)視覺智能的設(shè)備維護(hù)維修運(yùn)行管理系統(tǒng)，其特征在于，所述邊緣計(jì)算處理模塊進(jìn)一步包括用于圖像特征提取的sobel邊緣檢測器，其計(jì)算公式為：
5.根據(jù)權(quán)利要求1所述的一種基于工業(yè)視覺智能的設(shè)備維護(hù)維修運(yùn)行管理系統(tǒng)，其特征在于，所述深度學(xué)習(xí)分析模塊基于卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行故障分類，卷積層的輸出由以下公式計(jì)算：
6.根據(jù)權(quán)利要求1所述的一種基于工業(yè)視覺智能的設(shè)備維護(hù)維修運(yùn)行管理系統(tǒng)，其特征在于，所述智能維護(hù)決策模塊基于強(qiáng)化學(xué)習(xí)算法生成維護(hù)計(jì)劃，...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：杜寶剛，于洋，丁春興，梁哲銘，劉榮波，楊家興，孟憲成，
申請(qǐng)(專利權(quán))人：華能阜新風(fēng)力發(fā)電有限責(zé)任公司，
類型：發(fā)明
國別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。