一种结合边缘计算的厨电危险智能监测方法技术

本发明专利技术公开了一种结合边缘计算的厨电危险智能监测方法，包括下述步骤：在厨房的不同设备与不同位置部署不同类型的传感器，并将以上传感器构成厨电传感器网络，实时采集相关的各项数据；厨电传感器网络将采集到的数据传输到邻近部署的边缘计算节点，边缘计算节点包括数据预处理模块、异常检测模块和故障诊断模块；边缘计算节点还储存有深度学习网络模型和基于知识的故障推理所需的知识库；本发明专利技术采用的厨电传感器网络，兼容了多种传感器，可以针对多种厨电隐患实时采集各种数据，充分获取全方位的潜在危险源；采用的靠近数据源部署的边缘计算节点对厨电数据的处理，有利于降低系统延迟，提高反应速度。

An intelligent monitoring method of kitchen electrical hazard based on edge calculation

【技术实现步骤摘要】
一种结合边缘计算的厨电危险智能监测方法
本专利技术涉及边缘计算和人工智能
，具体涉及一种结合边缘计算的厨电危险智能监测方法。
技术介绍
异常检测和故障诊断技术是厨电设备安全性的重要保障，现有技术中也存在一些基于传统手段的监测方法：例如一种基于STM32单片机为核心元件的厨房有害气体检测系统，其通过安置CO、CH3等气体传感器，检测气体浓度，并根据预先设定的灵敏度和阈值判断是否存在异常，最后通过发送警报短信和一键式电话实现远程报警功能。然而，目前采用传统方法的厨电异常检测和故障诊断主要依靠人工经验，准确性和智能化程度低，在厨电危险产生时，可靠性不足，难以保证厨电安全的需求，因此为了保障居民的生命财产安全，需要更加智能的手段。当前，人工智能技术在社会生活中的其他领域取得了非凡的成就，颇受世人瞩目。同时，深度学习中的一些异常检测和故障分析的智能算法值得科研工作者的关注和借鉴：比如一种基于LSTMRNN神经网络的实时联合异常检测模型，可以完成网络学习和特征操作，提供实时有效的联合异常检测；比如可以在异常检测中引入生成对抗网络(GAN)，利用生成对抗网络实现对图像和网络数据库的检测。物联网领域中新兴的边缘计算技术受到了研究人员的广泛关注。边缘计算是在靠近终端或数据源头处，完成计算、存储等工作的平台。边缘计算的主要目的是就近提供服务。边缘计算通过赋予网络边缘设备一定的计算能力和存储能力，可以实现人工智能算法的执行，从而实现设备的智能化，同时进一步降低延迟，达到充分利用计算资源的目的。
技术实现思路
r>本专利技术的目的在于克服现有技术的缺点与不足，提供一种结合边缘计算的厨电危险智能监测方法，该方法利用边缘计算技术，在靠近厨电数据源处部署边缘计算节点，执行人工智能算法，完成对厨电危险的异常检测和故障分析工作，给出危险应对措施，从而排除厨电危险；通过本方法，能够充分提高厨电安全系统的检测准确度和智能化水平，有利于减少厨电危险安全事故的发生，充分保障居民的人生财产安全。本专利技术的目的通过下述技术方案实现：一种结合边缘计算的厨电危险智能监测方法，包括下述步骤：步骤一，在厨房的不同设备与不同位置部署不同类型的传感器，并将以上传感器构成厨电传感器网络，实时采集相关的各项数据；步骤二，厨电传感器网络将采集到的数据传输到邻近部署的边缘计算节点，边缘计算节点包括数据预处理模块、异常检测模块和故障诊断模块；边缘计算节点还储存有深度学习网络模型和基于知识的故障推理所需的知识库；步骤三，数据预处理模块对获取到的厨电传感器网络数据进行预处理，包括去噪、Kalman滤波和融合操作，从而得到标准化的厨电数据，用于后续的数据异常检测和厨电故障诊断阶段，具体为：数据预处理模块利用小波变换技术对来自厨电传感器网络采集的数据进行去噪、压缩和分层处理；对分层后的数据基于以下公式，实现Kalman滤波：T(t|t)＝(1-Kg(t)H)(t|t-1)(1)其中，表示Kalman增益，H是测量系统的参数；利用Kalman滤波，可以通过上一时刻的最优厨电数据估计结果来预测当前的数据值；接着利用最大最小贴近度，计算厨电传感器网络数据的信噪比，通过信噪比融合技术对厨电数据的近似系数进行融合；最后，利用小波变换重构技术，得到融合后的标准厨电数据，并将这些数据输入到边缘计算节点的异常检测模块；步骤四，异常检测模块将通过人工智能算法从标准化数据中找出异常或离群的厨电数据，这些数据包括超过安全范围的有毒气体浓度、设备过载电流大小、设备空转数据；异常检测模块将实时检测出的异常数据输入到边缘计算节点的故障诊断模块，具体为：异常检测模块采用深度学习的自编码神经网络模型重构误差的方法检测厨电设备数据异常，该网络模型的输入层和输出层节点数量相同，网络模型中间层的节点数少于输入层和输出层的节点数；网络模型的计算过程分为编码和解码两部分：输入的厨电数据通过编码过程得到中间低维特征，然后经过解码过程得到输出；同时，在异常检测模块工作前，还需要对网络事先训练：通过不断优化原始输入和最终输出的损失函数来学习训练网络参数；步骤五，故障诊断模块根据边缘计算节点储存的知识库，从来自异常检测模块的异常数据中，获取、挖掘出设备故障知识，即把用于故障知识求解的专门知识从数据源中提炼出来，获取故障事实和对应的规则，然后基于关联规则，挖掘出相应的厨电故障知识；再进行知识推理，定位厨电设备的故障，并判断出现危险或者故障的位置、原因，以及给出危险应对决策来恢复或者排除危险。优选地，所述步骤一中部署不同类型的传感器，具体包括采集厨房环境参数的湿度传感器、温度传感器和有毒气体传感器，采集厨电设备运行参数的电压传感器和电流传感器。优选地，所述实时采集相关的各项数据，具体为厨电设备运行数据和其他厨房环境数据，包括厨电设备的电压、电流运行参数，温度、湿度工作环境参数，以及煤气、一氧化碳、火种、烟雾这些厨房环境潜在的危险监测数据。优选地，所述步骤四中的编码和解码过程具体为：将经过预处理的厨电数据输入自编码神经网络模型的输入层，厨电数据经过网络模型的编码层(encoder)的压缩后，得到低维的特征；在此前的网络训练过程中，编码层已经从训练数据中学习到各个变量之间的相互作用，因此当厨电设备出现电压异常、设备空烧这些危险情况时，会影响变量之间的相互作用，从而影响到低维特征的获取；网络模型的解码层(decoder)根据这些中间的低维特征，重构输入变量；最后利用原始输入和重构输入计算重建误差，当误差超过预设阈值时，即可判断数据点为异常，否则为正常。本专利技术与现有技术相比具有以下的有益效果：(1)本专利技术采用的厨电传感器网络，兼容了多种传感器，可以针对多种厨电隐患实时采集各种数据，充分获取全方位的潜在危险源；(2)本专利技术采用的靠近数据源部署的边缘计算节点，具有一定的计算能力和存储能力；对厨电数据的处理，有利于降低系统延迟，提高反应速度；(3)本专利技术采用的边缘计算节点实现人工智能算法的执行，在异常检测和故障诊断方面具有准确度高，鲁棒性好等优点，充分提高系统的智能度，是其他基于人工经验的传统厨电监测方法所不可比拟的。附图说明图1为本专利技术的整体流程示意图；图2为本专利技术的实施流程示意图；图3为本专利技术的厨电数据预处理操作流程；图4为本专利技术的自编码器网络结构示意图；图5为本专利技术的厨电异常检测流程示意图；图6为本专利技术的厨电故障诊断流程示意图。具体实施方式下面结合实施例及附图对本专利技术作进一步详细的描述，但本专利技术的实施方式不限于此。本专利技术针对现实中厨电设备可能产生的安全隐患，公开了一种结合边缘计算的厨电危险智能监测方法，采用了先进的边缘计算技术和人工智能技术。该方法通过实现厨电数据的实时采集，数据异常检测和厨电故障诊断，能够定位故障位置并给出相应的厨电危险排除决策，有利于降低厨房危险事故的发生风险，从而保障居民的生命财产安全。在家本文档来自技高网...

【技术保护点】
1.一种结合边缘计算的厨电危险智能监测方法，其特征在于，包括下述步骤：/n步骤一，在厨房的不同设备与不同位置部署不同类型的传感器，并将以上传感器构成厨电传感器网络，实时采集相关的各项数据；/n步骤二，厨电传感器网络将采集到的数据传输到邻近部署的边缘计算节点，边缘计算节点包括数据预处理模块、异常检测模块和故障诊断模块；边缘计算节点还储存有深度学习网络模型和基于知识的故障推理所需的知识库；/n步骤三，数据预处理模块对获取到的厨电传感器网络数据进行预处理，包括去噪、Kalman滤波和融合操作，从而得到标准化的厨电数据，用于后续的数据异常检测和厨电故障诊断阶段，具体为：/n数据预处理模块利用小波变换技术对来自厨电传感器网络采集的数据进行去噪、压缩和分层处理；对分层后的数据基于以下公式，实现Kalman滤波：/nT(t|t)＝(1-Kg(t)H)(t|t-1) (1)/n其中，

【技术特征摘要】
1.一种结合边缘计算的厨电危险智能监测方法，其特征在于，包括下述步骤：
步骤一，在厨房的不同设备与不同位置部署不同类型的传感器，并将以上传感器构成厨电传感器网络，实时采集相关的各项数据；
步骤二，厨电传感器网络将采集到的数据传输到邻近部署的边缘计算节点，边缘计算节点包括数据预处理模块、异常检测模块和故障诊断模块；边缘计算节点还储存有深度学习网络模型和基于知识的故障推理所需的知识库；
步骤三，数据预处理模块对获取到的厨电传感器网络数据进行预处理，包括去噪、Kalman滤波和融合操作，从而得到标准化的厨电数据，用于后续的数据异常检测和厨电故障诊断阶段，具体为：
数据预处理模块利用小波变换技术对来自厨电传感器网络采集的数据进行去噪、压缩和分层处理；对分层后的数据基于以下公式，实现Kalman滤波：
T(t|t)＝(1-Kg(t)H)(t|t-1)(1)
其中，表示Kalman增益，H是测量系统的参数；利用Kalman滤波，可以通过上一时刻的最优厨电数据估计结果来预测当前的数据值；
接着利用最大最小贴近度，计算厨电传感器网络数据的信噪比，通过信噪比融合技术对厨电数据的近似系数进行融合；最后，利用小波变换重构技术，得到融合后的标准厨电数据，并将这些数据输入到边缘计算节点的异常检测模块；
步骤四，异常检测模块将通过人工智能算法从标准化数据中找出异常或离群的厨电数据，这些数据包括超过安全范围的有毒气体浓度、设备过载电流大小、设备空转数据；异常检测模块将实时检测出的异常数据输入到边缘计算节点的故障诊断模块，具体为：
异常检测模块采用深度学习的自编码神经网络模型重构误差的方法检测厨电设备数据异常，该网络模型的输入层和输出层节点数量相同，网络模型中间层的节点数少于输入层和输出层的节点数；网络模型的计算过程分为编码和解码两部分：输入的厨电数据通过编码过程得到中间低维...

【专利技术属性】
技术研发人员：刘建圻，王欧宇，曾碧，尹秀文，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44