[發明專利]基于5G和算法的智慧工廠遠程監控方法及系統

有效

• 申請號: 202011126971.2
• 申請日: 2020-10-20
• 公開（公告）號: CN112232235B
• 公開（公告）日: 2021-06-04
• 發明（設計）人: 羅子堯
• 申請（專利權）人: 徐向峰;廖六發
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/46;G06K9/62;G06N3/00
• 代理公司: 廣州天河萬研知識產權代理事務所(普通合伙) 44418
• 代理人: 劉強;陳軒

1.基于5G和算法的智慧工廠遠程監控方法，其特征在于：包括以下步驟：

在所述工廠內設置有多個工作區域，每個工作區域內均設置有圖像采集模塊，所述的圖像采集模塊每間隔預定時間獲取該工作區域中設備的運行狀態數據；

采用Otsu算法和粒子群算法對接收的圖像進行分割處理，獲取設備圖像中的目標圖像；

對分割所得的目標圖像與異常事件數據庫中生產設備異常運行時的特征信息進行比對分析，判斷生產設備是否運行故障，若是，則確定該生產設備存在異常事件；

當存在異常事件時，獲取該異常事件對應的故障等級，并根據故障等級，獲取對應的異常處理策略；

其中：所述異常事件數據庫中存儲有生產設備異常運行時的特征信息，以及與特征信息相對應的故障等級；

所述采用Otsu算法和粒子群算法對接收的圖像進行分割處理，獲取設備圖像中的目標圖像，具體包括：

對獲取的圖像進行濾波處理；

采用Otsu算法和粒子群算法確定設備區域圖像的最佳分割閾值；

根據最佳分割閾值對圖像進行閾值分割并輸出分割后的圖像；

所述粒子群算法采用下列方式進行更新：

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)分別表示粒子a在第(t+1)次迭代時的速度和位置，V_a(t)和X_a(t)分別表示粒子a在第t次迭代時的速度和位置，c₁和c₂表示學習因子，r₁和r₂表示0到1之間的隨機數，G(t)表示粒子群在第t次迭代時的全局最優解，ω_a(t)表示粒子i在第t次迭代時的慣性權重因子，G_a(t)表示粒子a在第t次迭代時的局部學習解，粒子a在第t次迭代時的局部學習解G_a(t)的值采用下列方式確定：

在粒子群中選取用于確定局部學習解的參考粒子，選取的參考粒子對粒子群中未被選取為參考粒子的粒子進行標記，具體為：

首先選取粒子群中當前適應度函數值最大的粒子為第一個參考粒子，記為b₁(t)，設m₁(t)表示參考粒子b₁(t)待標記的粒子數，所述參考粒子b₁(t)將粒子群中距離其最近的m₁(t)個粒子標記為1，所述距離為粒子之間的歐式距離，繼續在粒子群中未被標記和未被選取為參考粒子的粒子中選取適應度函數值最大的粒子為第二個參考粒子，記為b₂(t)，設m₂(t)表示參考粒子b₂(t)待標記的粒子數，所述參考粒子b₂(t)將粒子群中距離其最近的m₂(t)個未被選取為參考粒子的粒子標記為2，繼續按照上述方法在粒子群中選取參考粒子，選取的參考粒子繼續對粒子群中未被選取為參考粒子的粒子進行標記，直到粒子群中的粒子都被參考粒子進行了標記則停止參考粒子的選取；

設B(t)表示在第t次迭代時選取的參考粒子集合，且B(t)＝{b_v(t)，v＝1，2，...，m(B(t))}，其中，b_v(t)表示選取的第v個參考粒子，m(B(t))表示在第t次迭代時選取的參考粒子數，設m_v(t)表示參考粒子b_v(t)待標記的粒子數，則m_v(t)的值為：

式中，m表示給定的參考粒子待標記的粒子數的初始值，且m＜M，M為粒子群中的粒子數，η_v(t)表示參考粒子b_v(t)的尋優優先級，且其中，f_v(t)表示參考粒子b_v(t)的適應度函數值，f_o(t)表示距離參考粒子b_v(t)最近的第o個粒子在第t次迭代時的適應度函數值，f_max(t)表示粒子群在第t次迭代時的最大適應度函數值，f_min(t)表示粒子群在第t次迭代時的最小適應度函數值；

設集合B(t)中標記了粒子i的參考粒子組成的集合為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)中標記了粒子i的第c個參考粒子，m(B_i(t))表示集合B(t)中標記了粒子i的參考粒子數，定義χ(b_i，c(t))表示參考粒子b_i，c(t)對于粒子i的參考價值，則χ(b_i，c(t))的表達式為：

式中，α(f_i(t)，f_i，c(t))為條件函數，f_i，c(t)表示參考粒子b_i，c(t)的適應度函數值，f_i(t)表示粒子i在第t次迭代時的適應度函數值，當f_i(t)＜f_i，c(t)時，則α(f_i(t)，f_i，c(t))＝1，當f_i(t)≥f_i，c(t)時，則α(f_i(t)，f_i，c(t))＝0，η_i，c(t)表示參考粒子b_i，c(t)的尋優優先級，X_i，c(t)表示參考粒子b_i，c(t)在第t次迭代時的位置，l(X_i(t)，X_i，c(t))表示位置X_i(t)和位置X_i，c(t)之間的歐式距離；

當粒子i在第t次迭代時被選為參考粒子時，則粒子i在第t次迭代時的局部學習解G_i(t)＝Best_i(t)，其中，Best_i(t)表示粒子i在第t次迭代時的歷史最優解；

當粒子i在第t次迭代時未被選取為參考粒子時，設b_i，A(t)表示集合B_i(t)中對于粒子i具有最大參考價值的參考粒子，即b_i，B(t)表示集合B_i(t)中對于粒子i具有第二大參考價值的參考粒子，且則粒子i在第t次迭代時的局部學習解G_i(t)的表達式為：

G_i(t)＝r₃X_i，A(t)+(1-r₃)X_i，B(t)

式中，r₃表示0到1之間的隨機數，X_i，A(t)表示參考粒子b_i，A(t)在第t次迭代時的位置，X_i，B(t)表示參考粒子b_i，B(t)在第t次迭代時的位置。