开云优惠体育网页版入口

专利名称：一种基于云边协同的工业管理系统和方法

专利类型：发明专利

专利申请号：CN202311531041.9

专利申请（专利权）人：龙滩水电开发有限公司龙滩水力发电厂
权利人地址：广西壮族自治区河池市天峨县六排镇塘英第三、五小区

专利发明（设计）人：贾高祥,徐维友,农振昌,李浩玮,王伟,李世龙,韦江平,姚振龙,吴政,王明朗

专利摘要：本发明涉及工业管理技术领域，具体为一种基于云边协同的工业管理系统和方法，所述系统包括云边协同分析模块，所述云边协同分析模块通过边端采集与其连接的各个接入摄像机设备采集的图像，并在边端进行数据预处理；将预处理后的图像数据打包发送到云端，并识别各个图像中设备的运行状态；结合历史上数据中不同设备间运行状态之间的关系，筛选运行状态异常的设备及其对应的异常区域。本发明不仅考虑到异常设备之间的级联关系及异常设备的异常造成的二次影响，使得最终得到的分析结果更接近实际风险区域，还能够根据预测的风险地图实现对风险地图区域内人员的有效预警及引导，便于监测风险区域人员的疏散轨迹，辅助管理员进行风险处理决策。

主权利要求：
1.一种基于云边协同的工业管理方法，其特征在于，所述方法包括以下步骤：
S1、通过边端采集与其连接的各个接入摄像机设备采集的图像，并在边端进行数据预处理；将预处理后的图像数据打包发送到云端，并识别各个图像中设备的运行状态；结合历史上数据中不同设备间运行状态之间的关系，筛选运行状态异常的设备及其对应的异常区域；
S2、获取异常设备中异常区域内的危险源位置及其对应的危险干扰系数，得到每个异常设备对应的风险辐射距离；获取历史数据中不同异常设备之间的联动关系及异常设备风险辐射距离内的设备，生成异常设备联动关联链，并结合异常设备联动关联链中每个节点对应设备的风险辐射距离，得到异常联动设备的运行风险区域，并生成风险地图；
S3、在云端内识别风险地图对应的区域内接入摄像机采集的图像中的人员信息，记为风险区域人员；向各个风险区域人员持有的移动终端发送风险预警信息及风险地图；结合风险地图内的接入摄像机画面中识别的人员个数及历史数据中各个接入摄像机画面中的人员干扰量，生成风险地图内的接入摄像机画面反馈序列；
S4、实时对风险地图内的接入摄像机画面反馈序列进行更新，并反馈到可视化界面，并按照接入摄像机画面反馈序列中的序号对各个接入摄像机画面在可视化界面中的显示区域进行排列，监测风险区域人员的疏散轨迹，辅助管理员进行风险处理决策；每个序号在可视化界面中对应一个显示区域；
所述S2中得到每个异常设备对应的风险辐射距离的方法包括以下步骤：
S201、获取异常设备中异常区域内的每个危险源位置及其对应的危险干扰系数；危险源包括数据库预置的可燃物种类及危险建筑物；危险源对应的危险干扰系数表示相应危险源出现火灾或爆炸时的最大影响半径，且各个危险源对应的危险干扰系数为数据库中预置的常数，S202、获取同一异常设备中异常区域内，以每个危险源位置为中心且以其对应的危险干扰系数为半径分别围成的危险干扰区域，并将所得各个危险干扰区域中，存在交集区域的不同危险干扰区域进行区域融合，得到一个融合区域，所得融合区域对应的危险干扰系数为相应融合区域的最小外接圆半径；
S203、得到每个异常设备对应的风险辐射距离，所述风险辐射距离等于相应设备对应的各个危险干扰区域及融合区域分别对应的危险干扰系数中的最大值；
所述S2中生成异常设备联动关联链的方法包括以下步骤：
S211、获取所有异常设备的编号、异常区域及其对应的风险辐射距离；获取数据库中预置的与异常设备相连接的所有设备的编码构成的集合；
S212、将每个异常设备作为一条异常设备联动关联链中的一个节点，以每个节点对应异常区域的任意位置点为圆心且以相应节点对应的风险辐射距离为半径构建的所有圆形区域的并集作为相应节点对应设备的运行风险区域；
S213、提取所得节点对应的运行风险区域内的所有设备编号，并添加到与相应节点对应设备相连接的所有设备的编码构成的集合中，得到相应节点对应的关联节点元素集；并将相应节点对应的关联节点元素集中元素相应的设备作为与相应节点所属异常设备联动关联链中的新增节点；
S214、重复S212至S213中步骤，进一步获取异常设备联动关联链中各个新增节点对应的关联节点元素集，直至所有新增节点分别新增节点对应的关联节点元素集为空集或者其中元素均为相应异常设备联动关联链中的节点时，停止新增相应异常设备联动关联链中节点，得到相应异常设备关联链的最终分析结果；
S215、得到多条异常设备联动关联链；
所述S2中得到异常联动设备的运行风险区域的过程中，获取每条异常设备联动关联链上的各个节点分别对应设备的运行风险区域的并集，得到相应异常设备联动关联链对应的异常联动设备的运行风险区域；
所述风险地图为不同异常设备联动关联链分别对应的异常联动设备的运行风险区域的并集；
所述S1中在边端进行数据预处理时，剔除采集的图像中存在信号丢失、亮度异常及：窒蟮耐枷，并将预处理后的图像分别与相应的接入摄像头进行绑定，每个接入摄像头对应唯一的摄像头编号；
所述S1中识别各个图像中设备的运行状态的过程中，在云端接收的打包的图像数据进行图像识别，得到各个图像的识别信息，所述识别信息包括图像绑定的接入摄像头编号、识别设备的编码及设备识别数据，所述设备识别数据包括开关位置状态、设备运行温度及设备仪表读数，当图像的识别信息中未检测到开关位置状态、设备运行温度或设备仪表读数时，则相应设备识别数据内相应的数据项为空；所述开关位置状态、设备运行温度及设备仪表读数均为设备识别数据的项；所述设备中液体的跑冒滴漏状态包括液体正常状态与液体异常状态；
默认每个接入摄像头对应0个或1个设备，一个设备对应1个或多个接入摄像头；
所述S1中筛选运行状态异常的设备及其对应的异常区域时，获取所得图像识别信息，将第i个图像对应的识别信息记为Ai，所述Ai为一个集合，将Ai中识别设备的编码记为ABi；
提取所得图像识别信息中对应识别设备的编码为ABi的所有设备识别数据，构建ABi对应的设备识别数据集合，记为QABi；并获取数据库中预置的与编码为ABi的设备相连接的所有设备的编码构成的集合，记为MABi；
获取历史数据内运行状态正常时的ABi对应的设备识别数据中，每一项对应的识别结果构成的波动区间，将QABi中的每一项分别与相应项对应的波动区间进行比较，当QABi中所有元素中第j项分别对应的数据均在相应项对应的波动区间内，则判定QABi中所有元素中第j项的比较结果为1，反之，则判定QABi中所有元素中第j项的比较结果为0；获取QABi中所有元素中各项分别对应的比较结果的或运算结果，j∈[1，3]；
当所得QABi对应的与运算结果为0，则判定ABi的运行状态异常；
当所得QABi对应的与运算结果为1，则判定ABi的运行状态为待确认状态，并进行级联状态关联判定，若ABi的运行状态为待确认状态，并进行级联状态关联判定时，获取MABi及MABi中运行状态不异常的每个元素分别对应的设备识别数据集合，将MABi中运行状态不异常的第k个元素对应的设备识别数据集合记为MkABi；提取历史数据中设备识别数据集合为MkABi时，运行状态正常时的ABi内第j项对应识别结果分别构成的波动区间，记为BkjABi；将k为不同值时，分别对应的各个BkjABi之间的并集作为ABi内第j项对应识别结果构成的级联波动区间；
将QABi中的每一项分别与相应项对应的级联波动区间进行比较，当QABi中所有元素中第j项分别对应的数据均在相应项对应的级联波动区间内，则判定QABi中所有元素中第j项的比较结果为1，反之，则判定QABi中所有元素中第j项的比较结果为0；获取QABi中所有元素中各项分别对应的比较结果的或运算结果，当所得QABi对应的与运算结果为0，则判定ABi的运行状态由待确认状态变更为异常状态；
当所得QABi对应的与运算结果为1，则判定ABi的运行状态由待确认状态变更为正常状态；
所述运行状态异常的设备对应的异常区域为异常设备在实际场景所占用的位置区间；
所述S3中生成风险地图内的接入摄像机画面反馈序列的方法包括以下步骤：
S31、获取风险地图内的接入摄像机编号、每个接入摄像机采集画面中识别的人员个数及历史数据中各个接入摄像机画面中的人员干扰量，将风险地图内第r个接入摄像机画面中的人员干扰量记为Pr，其中，TLrg表示最近单位时间内的历史数据中，风险地图中的第r个接入摄像机画面中出现的第g个人员的停留时长；TZ表示最近单位时间内的历史数据中，风险地图中的第r个接入摄像机画面的监控总时长；g1表示最近单位时间内的历史数据中，风险地图中的第r个接入摄像机画面中出现人员总个数；
S32、获取各个风险区域人员持有的移动终端发送风险预警信息及风险地图，所述风险预警信息包括相应人员在风险地图中的位置及相应位置距离风险地图之外区域的最短规划路径；
S33、得到风险地图内第r个接入摄像机中的监控偏向值，记为PXr，
其中，Hr表示风险地图内第r个接入摄像机画面中识别的人员个数；grd表示各个风险区域人员分别对应的风险预警信息中的最短规划路径中，途径风险地图内第r个接入摄像机画面监测区域的路径个数；
S34、生成风险地图内的接入摄像机画面反馈序列，所得结果是按对应的监控偏向值从大到小的顺序对各个接入摄像机画面进行排序的。
2.一种基于云边协同的工业管理系统，应用权利要求1所述的一种基于云边协同的工业管理方法实现，其特征在于，所述系统包括以下模块：云边协同分析模块，所述云边协同分析模块通过边端采集与其连接的各个接入摄像机设备采集的图像，并在边端进行数据预处理；将预处理后的图像数据打包发送到云端，并识别各个图像中设备的运行状态；结合历史上数据中不同设备间运行状态之间的关系，筛选运行状态异常的设备及其对应的异常区域；
风险区域分析及地图构建模块，所述风险区域分析及地图构建模块获取异常设备中异常区域内的危险源位置及其对应的危险干扰系数，得到每个异常设备对应的风险辐射距离；获取历史数据中不同异常设备之间的联动关系及异常设备风险辐射距离内的设备，生成异常设备联动关联链，并结合异常设备联动关联链中每个节点对应设备的风险辐射距离，得到异常联动设备的运行风险区域，并生成风险地图；
画面反馈序列分析模块，所述画面反馈序列分析模块在云端内识别风险地图对应的区域内接入摄像机采集的图像中的人员信息，记为风险区域人员；向各个风险区域人员持有的移动终端发送风险预警信息及风险地图；结合风险地图内的接入摄像机画面中识别的人员个数及历史数据中各个接入摄像机画面中的人员干扰量，生成风险地图内的接入摄像机画面反馈序列；
反馈画面监管模块，所述反馈画面监管模块实时对风险地图内的接入摄像机画面反馈序列进行更新，并反馈到可视化界面，并按照接入摄像机画面反馈序列中的序号对各个接入摄像机画面在可视化界面中的显示区域进行排列，监测风险区域人员的疏散轨迹，辅助管理员进行风险处理决策；每个序号在可视化界面中对应一个显示区域。
3.根据权利要求2所述的一种基于云边协同的工业管理系统，其特征在于：所述云边协同分析模块包括边端数据处理单元、云端数据识别单元及异常设备筛选单元，所述边端数据处理单元通过边端采集与其连接的各个接入摄像机设备采集的图像，并在边端进行数据预处理；
所述云端数据识别单元将预处理后的图像数据打包发送到云端，并识别各个图像中设备的运行状态；
所述异常设备筛选单元结合历史上数据中不同设备间运行状态之间的关系，筛选运行状态异常的设备及其对应的异常区域。
4.根据权利要求3所述的一种基于云边协同的工业管理系统，其特征在于：所述风险区域分析及地图构建模块包括风险辐射距离获取单元、异常设备联动关联链构成单元及风险地图生成单元，所述风险辐射距离获取单元获取异常设备中异常区域内的危险源位置及其对应的危险干扰系数，得到每个异常设备对应的风险辐射距离；
所述异常设备联动关联链构成单元获取历史数据中不同异常设备之间的联动关系及异常设备风险辐射距离内的设备，生成异常设备联动关联链；
所述风险地图生成单元结合异常设备联动关联链中每个节点对应设备的风险辐射距离，得到异常联动设备的运行风险区域，并生成风险地图。 说明书 : 一种基于云边协同的工业管理系统和方法技术领域[0001] 本发明涉及工业管理技术领域，具体为一种基于云边协同的工业管理系统和方法。背景技术[0002] 云计算可以将之前由中心服务器负责的任务加以分解，并且将这些分解之后的任务片段分发至网络的边缘端，由边缘端去负责运算，但是数据的传输受带宽和时延的限制；边缘计算采集数据后进行数据传输的时延相比于云计算。鞘艿奖镜乇咴抵斩思扑隳芰Φ南拗疲挥纱，可见无论是云计算还是边缘计算均存在一定的缺陷，而云边协同能够有效综合两者的优点，进而云边协同在工业管理中具有广阔的应用前景。[0003] 现有的基于云边协同的工业管理系统中，仅仅是通过云边协同技术对采集的摄像头画面中设备运行状态进行识别，并将识别结果中运行状态异常的设备反馈给管理员；但是该方式没有考虑到异常设备之间的级联关系及异常设备的异常造成的二次影响，进而使得最终得到的分析结果跟实际风险区域存在较大的偏差，使得系统对工业设备及人员的管理效果较差。发明内容[0004] 本发明的目的在于提供一种基于云边协同的工业管理系统和方法，以解决上述背景技术中提出的问题。[0005] 为了解决上述技术问题，本发明提供如下技术方案：一种基于云边协同的工业管理方法，所述方法包括以下步骤：[0006] S1、通过边端采集与其连接的各个接入摄像机设备采集的图像，并在边端进行数据预处理；将预处理后的图像数据打包发送到云端，并识别各个图像中设备的运行状态；结合历史上数据中不同设备间运行状态之间的关系，筛选运行状态异常的设备及其对应的异常区域；[0007] S2、获取异常设备中异常区域内的危险源位置及其对应的危险干扰系数，得到每个异常设备对应的风险辐射距离；获取历史数据中不同异常设备之间的联动关系及异常设备风险辐射距离内的设备，生成异常设备联动关联链，并结合异常设备联动关联链中每个节点对应设备的风险辐射距离，得到异常联动设备的运行风险区域，并生成风险地图；[0008] S3、在云端内识别风险地图对应的区域内接入摄像机采集的图像中的人员信息，记为风险区域人员；向各个风险区域人员持有的移动终端发送风险预警信息及风险地图；结合风险地图内的接入摄像机画面中识别的人员个数及历史数据中各个接入摄像机画面中的人员干扰量，生成风险地图内的接入摄像机画面反馈序列；[0009] S4、实时对风险地图内的接入摄像机画面反馈序列进行更新，并反馈到可视化界面，并按照接入摄像机画面反馈序列中的序号对各个接入摄像机画面在可视化界面中的显示区域进行排列，监测风险区域人员的疏散轨迹，辅助管理员进行风险处理决策；每个序号在可视化界面中对应一个显示区域。[0010] 进一步的，所述S1中在边端进行数据预处理时，剔除采集的图像中存在信号丢失、亮度异常及：窒蟮耐枷，并将预处理后的图像分别与相应的接入摄像头进行绑定，每个接入摄像头对应唯一的摄像头编号；[0011] 本发明在对数据进行预处理时，剔除采集的图像中存在信号丢失、亮度异常及：窒蟮耐枷，是考虑到出现信号丢失时，接收的图像会出现不完整或无法呈现的情况，进行无法在云端进行有效识别图像内容，则亮度异常及：窒蟮耐枷窕崾沟猛枷裰械某氏值哪谌菀斐，进而使得云端内的识别结果呈现较大的偏差；预处理过程中将该类别的图像剔除，一方面能够降低云端对图像识别的工作量，提高对图像的有效识别效率，还能够确保识别结果的准确性。[0012] 所述S1中识别各个图像中设备的运行状态的过程中，在云端接收的打包的图像数据进行图像识别，得到各个图像的识别信息，所述识别信息包括图像绑定的接入摄像头编号、识别设备的编码及设备识别数据，所述设备识别数据包括开关位置状态、设备运行温度及设备仪表读数，当图像的识别信息中未检测到开关位置状态、设备运行温度或设备仪表读数时，则相应设备识别数据内相应的数据项为空；所述开关位置状态、设备运行温度及设备仪表读数均为设备识别数据的项；所述设备中液体的跑冒滴漏状态包括液体正常状态与液体异常状态；[0013] 默认每个接入摄像头对应0个或1个设备，一个设备对应1个或多个接入摄像头。[0014] 进一步的，所述S1中筛选运行状态异常的设备及其对应的异常区域时，获取所得图像识别信息，将第i个图像对应的识别信息记为Ai，所述Ai为一个集合，将Ai中识别设备的编码记为ABi；[0015] 提取所得图像识别信息中对应识别设备的编码为ABi的所有设备识别数据，构建ABi对应的设备识别数据集合，记为QABi；并获取数据库中预置的与编码为ABi的设备相连接的所有设备的编码构成的集合，记为MABi；[0016] 获取历史数据内运行状态正常时的ABi对应的设备识别数据中，每一项对应的识别结果构成的波动区间，将QABi中的每一项分别与相应项对应的波动区间进行比较，当QABi中所有元素中第j项分别对应的数据均在相应项对应的波动区间内，则判定QABi中所有元素中第j项的比较结果为1，反之，则判定QABi中所有元素中第j项的比较结果为0；获取QABi中所有元素中各项分别对应的比较结果的或运算结果，j∈[1，3]；[0017] 当所得QABi对应的与运算结果为0，则判定ABi的运行状态异常；[0018] 当所得QABi对应的与运算结果为1，则判定ABi的运行状态为待确认状态，并进行级联状态关联判定，[0019] 若ABi的运行状态为待确认状态，并进行级联状态关联判定时，获取MABi及MABi中运行状态不异常的每个元素分别对应的设备识别数据集合，将MABi中运行状态不异常的第k个元素对应的设备识别数据集合记为MkABi；提取历史数据中设备识别数据集合为MkABi时，运行状态正常时的ABi内第j项对应识别结果分别构成的波动区间，记为BkjABi；将k为不同值时，分别对应的各个BkjABi之间的并集作为ABi内第j项对应识别结果构成的级联波动区间；[0020] 将QABi中的每一项分别与相应项对应的级联波动区间进行比较，当QABi中所有元素中第j项分别对应的数据均在相应项对应的级联波动区间内，则判定QABi中所有元素中第j项的比较结果为1，反之，则判定QABi中所有元素中第j项的比较结果为0；获取QABi中所有元素中各项分别对应的比较结果的或运算结果，[0021] 当所得QABi对应的与运算结果为0，则判定ABi的运行状态由待确认状态变更为异常状态；[0022] 当所得QABi对应的与运算结果为1，则判定ABi的运行状态由待确认状态变更为正常状态；[0023] 所述运行状态异常的设备对应的异常区域为异常设备在实际场景所占用的位置区间。[0024] 本发明考虑到电力领域中，电力设备的运行状态异常可能会促使火灾的发生，进而对周边的设施或人员造成干扰；而在对设备异常运行状态的识别过程中，通过设备识别数据来进行判定，通常情况下设备的正常运行状态，每一个监测项都不是一成不变的，其会有一个正常的波动区间，进而可以在一定程度上判定设备的运行状态，但是其精度在一定程度上存在偏差，尤其是针对级联设备而言，不同设备之间的运行状态在一定程度上是相互干扰的，进而通过级联设备的设备运行情况，能够在一定程度上反映监测设备的运行状态。[0025] 进一步的，所述S2中得到每个异常设备对应的风险辐射距离的方法包括以下步骤：[0026] S201、获取异常设备中异常区域内的每个危险源位置及其对应的危险干扰系数；危险源包括数据库预置的可燃物种类及危险建筑物；危险源对应的危险干扰系数表示相应危险源出现火灾或爆炸时的最大影响半径，且各个危险源对应的危险干扰系数为数据库中预置的常数，[0027] S202、获取同一异常设备中异常区域内，以每个危险源位置为中心且以其对应的危险干扰系数为半径分别围成的危险干扰区域，并将所得各个危险干扰区域中，存在交集区域的不同危险干扰区域进行区域融合，得到一个融合区域，所得融合区域对应的危险干扰系数为相应融合区域的最小外接圆半径；[0028] S203、得到每个异常设备对应的风险辐射距离，所述风险辐射距离等于相应设备对应的各个危险干扰区域及融合区域分别对应的危险干扰系数中的最大值。[0029] 进一步的，所述S2中生成异常设备联动关联链的方法包括以下步骤：[0030] S211、获取所有异常设备的编号、异常区域及其对应的风险辐射距离；获取数据库中预置的与异常设备相连接的所有设备的编码构成的集合；[0031] S212、将每个异常设备作为一条异常设备联动关联链中的一个节点，以每个节点对应异常区域的任意位置点为圆心且以相应节点对应的风险辐射距离为半径构建的所有圆形区域的并集作为相应节点对应设备的运行风险区域；[0032] S213、提取所得节点对应的运行风险区域内的所有设备编号，并添加到与相应节点对应设备相连接的所有设备的编码构成的集合中，得到相应节点对应的关联节点元素集；并将相应节点对应的关联节点元素集中元素相应的设备作为与相应节点所属异常设备联动关联链中的新增节点；[0033] S214、重复S212至S213中步骤，进一步获取异常设备联动关联链中各个新增节点对应的关联节点元素集，直至所有新增节点分别新增节点对应的关联节点元素集为空集或者其中元素均为相应异常设备联动关联链中的节点时，停止新增相应异常设备联动关联链中节点，得到相应异常设备关联链的最终分析结果；[0034] S215、得到多条异常设备联动关联链。[0035] 所述S2中得到异常联动设备的运行风险区域的过程中，获取每条异常设备联动关联链上的各个节点分别对应设备的运行风险区域的并集，得到相应异常设备联动关联链对应的异常联动设备的运行风险区域；[0036] 所述风险地图为不同异常设备联动关联链分别对应的异常联动设备的运行风险区域的并集。[0037] 本发明考虑到异常设备在存在异常风险时，会对其风险辐射距离内的设备或其连接的设备造成二次破坏，进而产生连锁反应，使得整体波及的风险区域扩大，进而通过生成异常设备联动关联链的方式实现对异常设备的整体波及区域的预测，实现对异常联动设备的运行风险区域的有效管控，确保生成的风险地图的准确性。[0038] 进一步的，所述S3中生成风险地图内的接入摄像机画面反馈序列的方法包括以下步骤：[0039] S31、获取风险地图内的接入摄像机编号、每个接入摄像机采集画面中识别的人员个数及历史数据中各个接入摄像机画面中的人员干扰量，将风险地图内第r个接入摄像机画面中的人员干扰量记为Pr，[0040][0041] 其中，TLrg表示最近单位时间内的历史数据中，风险地图中的第r个接入摄像机画面中出现的第g个人员的停留时长；TZ表示最近单位时间内的历史数据中，风险地图中的第r个接入摄像机画面的监控总时长；g1表示最近单位时间内的历史数据中，风险地图中的第r个接入摄像机画面中出现人员总个数；[0042] S32、获取各个风险区域人员持有的移动终端发送风险预警信息及风险地图，所述风险预警信息包括相应人员在风险地图中的位置及相应位置距离风险地图之外区域的最短规划路径；[0043] S33、得到风险地图内第r个接入摄像机中的监控偏向值，记为PXr，[0044][0045] 其中，Hr表示风险地图内第r个接入摄像机画面中识别的人员个数；grd表示各个风险区域人员分别对应的风险预警信息中的最短规划路径中，途径风险地图内第r个接入摄像机画面监测区域的路径个数；[0046] S34、生成风险地图内的接入摄像机画面反馈序列，所得结果是按对应的监控偏向值从大到小的顺序对各个接入摄像机画面进行排序的。[0047] 一种基于云边协同的工业管理系统，所述系统包括以下模块：[0048] 云边协同分析模块，所述云边协同分析模块通过边端采集与其连接的各个接入摄像机设备采集的图像，并在边端进行数据预处理；将预处理后的图像数据打包发送到云端，并识别各个图像中设备的运行状态；结合历史上数据中不同设备间运行状态之间的关系，筛选运行状态异常的设备及其对应的异常区域；[0049] 风险区域分析及地图构建模块，所述风险区域分析及地图构建模块获取异常设备中异常区域内的危险源位置及其对应的危险干扰系数，得到每个异常设备对应的风险辐射距离；获取历史数据中不同异常设备之间的联动关系及异常设备风险辐射距离内的设备，生成异常设备联动关联链，并结合异常设备联动关联链中每个节点对应设备的风险辐射距离，得到异常联动设备的运行风险区域，并生成风险地图；[0050] 画面反馈序列分析模块，所述画面反馈序列分析模块在云端内识别风险地图对应的区域内接入摄像机采集的图像中的人员信息，记为风险区域人员；向各个风险区域人员持有的移动终端发送风险预警信息及风险地图；结合风险地图内的接入摄像机画面中识别的人员个数及历史数据中各个接入摄像机画面中的人员干扰量，生成风险地图内的接入摄像机画面反馈序列；[0051] 反馈画面监管模块，所述反馈画面监管模块实时对风险地图内的接入摄像机画面反馈序列进行更新，并反馈到可视化界面，并按照接入摄像机画面反馈序列中的序号对各个接入摄像机画面在可视化界面中的显示区域进行排列，监测风险区域人员的疏散轨迹，辅助管理员进行风险处理决策；每个序号在可视化界面中对应一个显示区域。[0052] 进一步的，所述云边协同分析模块包括边端数据处理单元、云端数据识别单元及异常设备筛选单元，[0053] 所述边端数据处理单元通过边端采集与其连接的各个接入摄像机设备采集的图像，并在边端进行数据预处理；[0054] 所述云端数据识别单元将预处理后的图像数据打包发送到云端，并识别各个图像中设备的运行状态；[0055] 所述异常设备筛选单元结合历史上数据中不同设备间运行状态之间的关系，筛选运行状态异常的设备及其对应的异常区域。[0056] 进一步的，所述风险区域分析及地图构建模块包括风险辐射距离获取单元、异常设备联动关联链构成单元及风险地图生成单元，[0057] 所述风险辐射距离获取单元获取异常设备中异常区域内的危险源位置及其对应的危险干扰系数，得到每个异常设备对应的风险辐射距离；[0058] 所述异常设备联动关联链构成单元获取历史数据中不同异常设备之间的联动关系及异常设备风险辐射距离内的设备，生成异常设备联动关联链；[0059] 所述风险地图生成单元结合异常设备联动关联链中每个节点对应设备的风险辐射距离，得到异常联动设备的运行风险区域，并生成风险地图。[0060] 与现有技术相比，本发明所达到的有益效果是：[0061] 1)本发明采用云边协同技术能够综合边缘计算及云计算两者的优点，不仅能够降低采集数据后进行数据传输的时延，还能解除本地边缘终端计算能力的限制，提高数据处理的效率；[0062] 2)本发明不仅考虑到异常设备之间的级联关系及异常设备的异常造成的二次影响，使得最终得到的分析结果更接近实际风险区域，还能够根据预测的风险地图实现对风险地图区域内人员的有效预警及引导，便于监测风险区域人员的疏散轨迹，辅助管理员进行风险处理决策，提升管理员对工业设备及人员的管理效果。附图说明[0063] 附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：[0064] 图1是本发明一种基于云边协同的工业管理方法的流程示意图；[0065] 图2是本发明一种基于云边协同的工业管理系统的结构示意图。具体实施方式[0066] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0067] 请参阅图1，本发明提供技术方案：一种基于云边协同的工业管理方法，所述方法包括以下步骤：[0068] S1、通过边端采集与其连接的各个接入摄像机设备采集的图像，并在边端进行数据预处理；将预处理后的图像数据打包发送到云端，并识别各个图像中设备的运行状态；结合历史上数据中不同设备间运行状态之间的关系，筛选运行状态异常的设备及其对应的异常区域；[0069] 所述S1中在边端进行数据预处理时，剔除采集的图像中存在信号丢失、亮度异常及：窒蟮耐枷，并将预处理后的图像分别与相应的接入摄像头进行绑定，每个接入摄像头对应唯一的摄像头编号；[0070] 本实施例中信号丢失现象为边端未接收到相应时间点时接入摄像头传输的图像信号；亮度异常现象表示边端接收的图像的亮度不在相应接入摄像头采集画面的亮度预设区间，在识别过程中可能会由于亮度的异常使得图像识别结果出现较大的偏差；：窒罂梢酝ü计谋咴到信斜，如果分明，那么图片会被认为不：，可以通过对图片进行二阶导数运算，获得边缘信息，进而与阈值进行比较来实现对图像：潭鹊呐卸，当所得图像的：潭却笥谙嘤Φ脑ど柚凳，则判断相应的图像：。[0071] 所述S1中识别各个图像中设备的运行状态的过程中，在云端接收的打包的图像数据进行图像识别，得到各个图像的识别信息，所述识别信息包括图像绑定的接入摄像头编号、识别设备的编码及设备识别数据，所述设备识别数据包括开关位置状态、设备运行温度及设备仪表读数，当图像的识别信息中未检测到开关位置状态、设备运行温度或设备仪表读数时，则相应设备识别数据内相应的数据项为空；所述开关位置状态、设备运行温度及设备仪表读数均为设备识别数据的项；所述设备中液体的跑冒滴漏状态包括液体正常状态与液体异常状态；[0072] 默认每个接入摄像头对应0个或1个设备，一个设备对应1个或多个接入摄像头。[0073] 所述S1中筛选运行状态异常的设备及其对应的异常区域时，获取所得图像识别信息，将第i个图像对应的识别信息记为Ai，所述Ai为一个集合，将Ai中识别设备的编码记为ABi；[0074] 提取所得图像识别信息中对应识别设备的编码为ABi的所有设备识别数据，构建ABi对应的设备识别数据集合，记为QABi；并获取数据库中预置的与编码为ABi的设备相连接的所有设备的编码构成的集合，记为MABi；[0075] 获取历史数据内运行状态正常时的ABi对应的设备识别数据中，每一项对应的识别结果构成的波动区间；[0076] 本实施例中若存在设备甲在判定运行状态正常的情况下，历史数据中对应的设备运行温度的最小值为t1，最大值为t2，则设备甲在运行状态正常时，设备运行温度这一项对应的识别结果构成的波动区间为[t1，t2]。[0077] 将QABi中的每一项分别与相应项对应的波动区间进行比较，当QABi中所有元素中第j项分别对应的数据均在相应项对应的波动区间内，则判定QABi中所有元素中第j项的比较结果为1，反之，则判定QABi中所有元素中第j项的比较结果为0；获取QABi中所有元素中各项分别对应的比较结果的或运算结果，j∈[1，3]；[0078] 当所得QABi对应的与运算结果为0，则判定ABi的运行状态异常；[0079] 当所得QABi对应的与运算结果为1，则判定ABi的运行状态为待确认状态，并进行级联状态关联判定，[0080] 若ABi的运行状态为待确认状态，并进行级联状态关联判定时，获取MABi及MABi中运行状态不异常的每个元素分别对应的设备识别数据集合，将MABi中运行状态不异常的第k个元素对应的设备识别数据集合记为MkABi；提取历史数据中设备识别数据集合为MkABi时，运行状态正常时的ABi内第j项对应识别结果分别构成的波动区间，记为BkjABi；将k为不同值时，分别对应的各个BkjABi之间的并集作为ABi内第j项对应识别结果构成的级联波动区间；[0081] 将QABi中的每一项分别与相应项对应的级联波动区间进行比较，当QABi中所有元素中第j项分别对应的数据均在相应项对应的级联波动区间内，则判定QABi中所有元素中第j项的比较结果为1，反之，则判定QABi中所有元素中第j项的比较结果为0；获取QABi中所有元素中各项分别对应的比较结果的或运算结果，[0082] 当所得QABi对应的与运算结果为0，则判定ABi的运行状态由待确认状态变更为异常状态；[0083] 当所得QABi对应的与运算结果为1，则判定ABi的运行状态由待确认状态变更为正常状态；[0084] 所述运行状态异常的设备对应的异常区域为异常设备在实际场景所占用的位置区间。[0085] 在电力领域中，电力设备的运行状态异常可能会促使火灾的发生，进而对周边的设施或人员造成干扰；[0086] S2、获取异常设备中异常区域内的危险源位置及其对应的危险干扰系数，得到每个异常设备对应的风险辐射距离；获取历史数据中不同异常设备之间的联动关系及异常设备风险辐射距离内的设备，生成异常设备联动关联链，并结合异常设备联动关联链中每个节点对应设备的风险辐射距离，得到异常联动设备的运行风险区域，并生成风险地图；[0087] 所述S2中得到每个异常设备对应的风险辐射距离的方法包括以下步骤：[0088] S201、获取异常设备中异常区域内的每个危险源位置及其对应的危险干扰系数；危险源包括数据库预置的可燃物种类及危险建筑物；危险源对应的危险干扰系数表示相应危险源出现火灾或爆炸时的最大影响半径，且各个危险源对应的危险干扰系数为数据库中预置的常数，本实施例的数据库中预置的危险干扰系数是通过ANSYS/LS?DYNA软件模拟得到的；[0089] S202、获取同一异常设备中异常区域内，以每个危险源位置为中心且以其对应的危险干扰系数为半径分别围成的危险干扰区域，并将所得各个危险干扰区域中，存在交集区域的不同危险干扰区域进行区域融合，得到一个融合区域，所得融合区域对应的危险干扰系数为相应融合区域的最小外接圆半径；[0090] S203、得到每个异常设备对应的风险辐射距离，所述风险辐射距离等于相应设备对应的各个危险干扰区域及融合区域分别对应的危险干扰系数中的最大值。[0091] 所述S2中生成异常设备联动关联链的方法包括以下步骤：[0092] S211、获取所有异常设备的编号、异常区域及其对应的风险辐射距离；获取数据库中预置的与异常设备相连接的所有设备的编码构成的集合；[0093] S212、将每个异常设备作为一条异常设备联动关联链中的一个节点，以每个节点对应异常区域的任意位置点为圆心且以相应节点对应的风险辐射距离为半径构建的所有圆形区域的并集作为相应节点对应设备的运行风险区域；[0094] S213、提取所得节点对应的运行风险区域内的所有设备编号，并添加到与相应节点对应设备相连接的所有设备的编码构成的集合中，得到相应节点对应的关联节点元素集；并将相应节点对应的关联节点元素集中元素相应的设备作为与相应节点所属异常设备联动关联链中的新增节点；[0095] S214、重复S212至S213中步骤，进一步获取异常设备联动关联链中各个新增节点对应的关联节点元素集，直至所有新增节点分别新增节点对应的关联节点元素集为空集或者其中元素均为相应异常设备联动关联链中的节点时，停止新增相应异常设备联动关联链中节点，得到相应异常设备关联链的最终分析结果；[0096] S215、得到多条异常设备联动关联链。[0097] 所述S2中得到异常联动设备的运行风险区域的过程中，获取每条异常设备联动关联链上的各个节点分别对应设备的运行风险区域的并集，得到相应异常设备联动关联链对应的异常联动设备的运行风险区域；[0098] 所述风险地图为不同异常设备联动关联链分别对应的异常联动设备的运行风险区域的并集。[0099] S3、在云端内识别风险地图对应的区域内接入摄像机采集的图像中的人员信息，记为风险区域人员；向各个风险区域人员持有的移动终端发送风险预警信息及风险地图；结合风险地图内的接入摄像机画面中识别的人员个数及历史数据中各个接入摄像机画面中的人员干扰量，生成风险地图内的接入摄像机画面反馈序列；[0100] 所述S3中生成风险地图内的接入摄像机画面反馈序列的方法包括以下步骤：[0101] S31、获取风险地图内的接入摄像机编号、每个接入摄像机采集画面中识别的人员个数及历史数据中各个接入摄像机画面中的人员干扰量，将风险地图内第r个接入摄像机画面中的人员干扰量记为Pr，[0102][0103] 其中，TLrg表示最近单位时间内的历史数据中，风险地图中的第r个接入摄像机画面中出现的第g个人员的停留时长；TZ表示最近单位时间内的历史数据中，风险地图中的第r个接入摄像机画面的监控总时长；g1表示最近单位时间内的历史数据中，风险地图中的第r个接入摄像机画面中出现人员总个数；[0104] S32、获取各个风险区域人员持有的移动终端发送风险预警信息及风险地图，所述风险预警信息包括相应人员在风险地图中的位置及相应位置距离风险地图之外区域的最短规划路径；[0105] 本实施例中所得最短规划路径是通过北斗导航软件生成的；[0106] S33、得到风险地图内第r个接入摄像机中的监控偏向值，记为PXr，[0107][0108] 其中，Hr表示风险地图内第r个接入摄像机画面中识别的人员个数；grd表示各个风险区域人员分别对应的风险预警信息中的最短规划路径中，途径风险地图内第r个接入摄像机画面监测区域的路径个数；[0109] S34、生成风险地图内的接入摄像机画面反馈序列，所得结果是按对应的监控偏向值从大到小的顺序对各个接入摄像机画面进行排序的。[0110] S4、实时对风险地图内的接入摄像机画面反馈序列进行更新，并反馈到可视化界面，并按照接入摄像机画面反馈序列中的序号对各个接入摄像机画面在可视化界面中的显示区域进行排列，监测风险区域人员的疏散轨迹，辅助管理员进行风险处理决策；每个序号在可视化界面中对应一个显示区域。[0111] 如图2所示，一种基于云边协同的工业管理系统，所述系统包括以下模块：[0112] 云边协同分析模块，所述云边协同分析模块通过边端采集与其连接的各个接入摄像机设备采集的图像，并在边端进行数据预处理；将预处理后的图像数据打包发送到云端，并识别各个图像中设备的运行状态；结合历史上数据中不同设备间运行状态之间的关系，筛选运行状态异常的设备及其对应的异常区域；[0113] 风险区域分析及地图构建模块，所述风险区域分析及地图构建模块获取异常设备中异常区域内的危险源位置及其对应的危险干扰系数，得到每个异常设备对应的风险辐射距离；获取历史数据中不同异常设备之间的联动关系及异常设备风险辐射距离内的设备，生成异常设备联动关联链，并结合异常设备联动关联链中每个节点对应设备的风险辐射距离，得到异常联动设备的运行风险区域，并生成风险地图；[0114] 画面反馈序列分析模块，所述画面反馈序列分析模块在云端内识别风险地图对应的区域内接入摄像机采集的图像中的人员信息，记为风险区域人员；向各个风险区域人员持有的移动终端发送风险预警信息及风险地图；结合风险地图内的接入摄像机画面中识别的人员个数及历史数据中各个接入摄像机画面中的人员干扰量，生成风险地图内的接入摄像机画面反馈序列；[0115] 反馈画面监管模块，所述反馈画面监管模块实时对风险地图内的接入摄像机画面反馈序列进行更新，并反馈到可视化界面，并按照接入摄像机画面反馈序列中的序号对各个接入摄像机画面在可视化界面中的显示区域进行排列，监测风险区域人员的疏散轨迹，辅助管理员进行风险处理决策；每个序号在可视化界面中对应一个显示区域。[0116] 所述云边协同分析模块包括边端数据处理单元、云端数据识别单元及异常设备筛选单元，[0117] 所述边端数据处理单元通过边端采集与其连接的各个接入摄像机设备采集的图像，并在边端进行数据预处理；[0118] 所述云端数据识别单元将预处理后的图像数据打包发送到云端，并识别各个图像中设备的运行状态；[0119] 所述异常设备筛选单元结合历史上数据中不同设备间运行状态之间的关系，筛选运行状态异常的设备及其对应的异常区域。[0120] 所述风险区域分析及地图构建模块包括风险辐射距离获取单元、异常设备联动关联链构成单元及风险地图生成单元，[0121] 所述风险辐射距离获取单元获取异常设备中异常区域内的危险源位置及其对应的危险干扰系数，得到每个异常设备对应的风险辐射距离；[0122] 所述异常设备联动关联链构成单元获取历史数据中不同异常设备之间的联动关系及异常设备风险辐射距离内的设备，生成异常设备联动关联链；[0123] 所述风险地图生成单元结合异常设备联动关联链中每个节点对应设备的风险辐射距离，得到异常联动设备的运行风险区域，并生成风险地图。[0124] 需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。[0125] 最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

专利地区：广西

专利申请日期：2023-11-16

专利公开日期：2024-08-27

专利公告号：CN117391454B