一种基于人工智能的工业物联网设备检测的方法及系统与流程

1.本发明涉及工业物联网技术领域，具体涉及一种基于人工智能的工业物联网设备检测的方法及系统。


背景技术：

2.随着物联网技术的快速发展，越来越多的终端工业设备通过物联网进行控制、监测和运行，在边缘端和云端配合构建用于对设备进行控制、监测和运行等的模型，通过物联网的云端计算的强大算力，执行模型为边缘端的设备提供物联网功能。
3.但是目前终端设备的功能越来越强大，导致需要的计算资源越来越多，进而导致模型的构建和运行的效率降低，影响实际的使用。因此，现有技术中存在着工业物联网使用时，模型构建和使用效率低，物联网功能使用效果差的技术问题。


技术实现要素：

4.本技术提供了一种基于人工智能的工业物联网设备检测的方法及系统，用于针对解决现有技术中存在的工业物联网使用时，模型构建和使用效率低，物联网功能使用效果差的技术问题。
5.鉴于上述问题，本技术提供了一种基于人工智能的工业物联网设备检测的方法及系统。
6.本技术的第一个方面，提供了一种基于人工智能的工业物联网设备检测的方法，所述方法包括：
7.获取参与工业设备检测模型构建的n个检测方的边缘算力信息和数据规模信息，其中，所述n个检测方通过物联网连接云平台，n为大于1的整数；
8.根据所述n个检测方的数据规模信息，采集所述n个检测方贡献的样本数据，获得n个样本数据集，并集合获得总样本数据集；
9.根据所述n个检测方的边缘算力信息，将所述工业设备检测模型内的m个检测单元的构建任务分配给所述n个检测方，并将所述总样本数据集分配给所述n个检测方，m为大于1的整数；
10.所述n个检测方，通过边缘计算和所述云平台计算，采用分配的样本数据，完成m个检测单元的构建任务；
11.根据所述n个检测方的边缘算力信息和数据规模信息，计算所述n个检测方的n个总贡献系数，根据所述n个总贡献系数，将所述m个检测单元分配给所述n个检测方，进行工业设备检测。
12.本技术的第二个方面，提供了一种基于人工智能的工业物联网设备检测的系统，所述系统包括：
13.检测方信息获取模块，用于获取参与工业设备检测模型构建的n个检测方的边缘算力信息和数据规模信息，其中，所述n个检测方通过物联网连接云平台，n为大于1的整数；
14.样本数据采集模块，用于根据所述n个检测方的数据规模信息，采集所述n个检测方贡献的样本数据，获得n个样本数据集，并集合获得总样本数据集；
15.构建任务分配模块，用于根据所述n个检测方的边缘算力信息，将所述工业设备检测模型内的m个检测单元的构建任务分配给所述n个检测方，并将所述总样本数据集分配给所述n个检测方，m为大于1的整数；
16.模型构建模块，用于所述n个检测方，通过边缘计算和所述云平台计算，采用分配的样本数据，完成m个检测单元的构建任务；
17.模型分配模块，用于根据所述n个检测方的边缘算力信息和数据规模信息，计算所述n个检测方的n个总贡献系数，根据所述n个总贡献系数，将所述m个检测单元分配给所述n个检测方，进行工业设备检测。
18.本技术的第三个方面，提供了一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器内存储有计算机程序，所述计算机程序被所述处理器执行时实现第一方面中方法的步骤。
19.本技术的第四个方面，提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现第一方面中方法的步骤。
20.本技术中提供的一个或多个技术方案，至少具有如下技术效果或优点：
21.本技术提供的技术方案通过获取参与基于工业物联网进行工业设备检测的检测方的边缘算力和数据规模，采集各检测方提供的构建模型的样本数据，并将模型内多个检测单元的构建任务和样本数据分配给各检测方，通过边缘计算和云计算配合进行模型的构建，然后根据各检测方的边缘算力大小和数据规模，计算总贡献系数，将多个检测单元进行分配。本技术实施例通过采集多个检测方的样本数据，并将构建任务和样本数据按照算力大小进行分配，能够适应性地制定边缘计算的模型构建方案，提升模型构建的效率，并通过边缘计算和云平台计算的配合，提升模型构建效率，避免由于边缘端的算力不足导致模型构建和更新时间过长，并按照贡献进行模型的分配，实现较为公平的多端物联网模型构建，达到了提升工业物联网模型构建效率、提升工业物联网设备检测准确性和效率以及物联网应用效果的技术效果。
附图说明
22.图1为本技术提供的一种基于人工智能的工业物联网设备检测的方法流程示意图；
23.图2为本技术提供的一种基于人工智能的工业物联网设备检测的方法中获得总样本数据集的流程示意图；
24.图3为本技术提供的一种基于人工智能的工业物联网设备检测的方法中获得分配任务和分配数据集的流程示意图；
25.图4为本技术提供了一种基于人工智能的工业物联网设备检测的系统结构示意图；
26.图5为本技术实施例示例性计算机设备的结构示意图。
27.附图标记说明：检测方信息获取模块41，样本数据采集模块42，构建任务分配模块43，模型构建模块44，模型分配模块45，计算机设备5000，处理器51，输入装置52，输出装置
53，存储器54。
具体实施方式
28.本技术通过提供了一种基于人工智能的工业物联网设备检测的方法及系统，用于针对解决现有技术中存在的工业物联网使用时，模型构建和使用效率低，物联网功能使用效果差的技术问题。
29.实施例一
30.如图1所示，本技术提供了一种基于人工智能的工业物联网设备检测的方法，所述方法包括：
31.s100：获取参与工业设备检测模型构建的n个检测方的边缘算力信息和数据规模信息，其中，所述n个检测方通过物联网连接云平台，n为大于1的整数；
32.本技术实施例中，确定参与工业设备检测模型构建的n个检测方，n个检测方即进行合作，基于工业物联网进行设备运行状态检测的多个主体，n为大于1的整数，例如可为10。
33.示例性地，n个检测方可为具有相同工业设备的企业或个人等，n个检测方通过物联网和云平台连接，进行数据的传输，通过n个检测方本地内的工业设备的运行数据，结合云平台强大的算力，构建模型进行工业设备运行状态的检测。
34.获取参与工业设备检测模型构建的n个检测方的边缘算力信息和数据规模信息，n个检测方作为物联网中的边缘端，采集n个检测方的算力信息以及具有的工业设备运行数据的数据规模信息，作为构建模型的数据基础。
35.本技术实施例提供的方法中的步骤s100包括：
36.s110：根据所述n个检测方的计算资源，获取所述n个检测方的边缘算力信息；
37.s120：获取所述n个检测方内工业设备的运行数量；
38.s130：根据所述n个检测方内工业设备的运行数量，获取所述n个检测方的数据规模信息。
39.在一个实施例中，根据n个检测方在本地的计算资源，例如通过现有技术中的算力检测方法，检测各检测方本地计算设备的算力，并计算获得全部计算设备的总算力，获得n个检测方在边缘端的边缘算力信息。
40.进一步地，获取n个检测方本地内工业设备的运行数量，其中，n个检测方分别具有相同的工业设备，进而进行合作基于物联网构建设备运行状态的检测模型，获取n个检测方本地内工业设备的运行数量，获得n个设备数量值。
41.可认为，本地运行的工业设备的数量越大，则该检测方可提供的用于构建检测模型的工业设备运行数据越丰富，即数据规模越大。
42.根据该n个检测方内工业设备的运行数量，作为n个检测方的n个数据规模信息。
43.通过获取n个检测方的边缘算力信息和数据规模信息，作为基于物联网进行工业设备检测模型构建的计算任务分配的数据基础。
44.s200：根据所述n个检测方的数据规模信息，采集所述n个检测方贡献的样本数据，获得n个样本数据集，并集合获得总样本数据集；
45.在一个实施例中，根据n个检测方的数据规模信息，采集n个检测方贡献的工业设
备运行的样本数据，其中，样本数据包括工业设备运行时采集到的运行数据，以及进行运行状态检测后得到的检测结果。
46.示例性地，样本数据可包括工业设备运行时采集到的图像数据、压力数据、温度数据等，具体根据工业设备的种类和检测需求设置，样本数据内的检测结果可包括是否正常运行等检测结果，具体根据工业设备的种类和检测需求设置。
47.如图2所示，本技术实施例提供的方法中的步骤s200包括：
48.s210：根据所述n个检测方的数据规模信息，计算获得总数据规模信息，并计算所述n个检测方的数据规模信息与所述总数据规模系数的比值，获得n个数据规模系数；
49.s220：按照所述n个数据规模系数的比例，采集所述n个检测方内工业设备的运行数据，并进行人工检测分析，采集所述n个检测方内工业设备的检测结果，获得所述n个样本数据集；
50.s230：集合所述n个样本数据集，获得所述总样本数据集。
51.在一个实施例中，对n个检测方的数据规模信息进行加和，计算获得总数据规模信息。并计算n个检测方的数据规模信息与该总数据规模信息的比值，获得n个检测方的n个数据规模系数。其中，数据规模系数越大，则反映对应的检测方可提供越多的样本数据。
52.按照n个数据规模系数的比例，采集n个检测方内工业设备的运行数据，获得n个样本运行数据集，n个样本运行数据集内数据量之比即为n个数据规模系数的比例。
53.进一步地，对n个样本运行数据集的运行数据进行人工检测分析，按照n个检测方内工业设备检测的需求，获得n个检测方内工业设备的检测结果，获得n个样本检测结果集。n个样本检测结果集与n个样本运行数据集内的数据一一对应。
54.结合该n个样本运行数据集和n个样本检测结果集，获得n个样本数据集。集合该n个样本数据集，获得总样本数据集，作为基于物联网构建工业设备检测模型的构建数据。
55.本技术实施例通过按照n个检测方的数据规模比例，适应性地根据各检测方的数据贡献能力采集样本数据，能够获取足够的模型构建数据，提升模型构建精度和泛化能力。
56.s300：根据所述n个检测方的边缘算力信息，将所述工业设备检测模型内的m个检测单元的构建任务分配给所述n个检测方，并将所述总样本数据集分配给所述n个检测方，m为大于1的整数；
57.本技术实施例中，基于集成学习，构建工业设备检测模型内的m个检测单元，m为大于1的整数，例如可为30或50。通过集成学习，将总样本数据集进行分配，构建多个检测单元，综合多个检测单元进行工业设备检测，能够提升每个单元的构建速度和收敛效率，同时保证总体上进行工业设备检测的准确性。
58.本技术实施例通过根据n个检测方的边缘算力信息，将工业设备检测模型内的m个检测单元的构建任务分配给n个检测方，并将总样本数据集分配给n个检测方，基于物联网，在n个检测方合作的基础上，结合云平台的强大算力，进行模型的构建。
59.如图3所示，本技术实施例提供的方法中的步骤s300包括：
60.s310：根据所述n个检测方的边缘算力信息，计算获得n个检测方的n个算力系数；
61.s320：按照所述n个算力系数的比例，将所述m个检测单元进行取整分配给所述n个检测方，获得n个分配任务，每个分配任务内包括至少一个检测单元；
62.s330：按照所述n个算力系数的比例，将所述总样本数据集分配给所述n个检测方，
获得n个分配数据集。
63.在一个实施例中，根据n个检测方的边缘算力信息，进行求和计算，获得n个检测方的总算力信息，并计算n个检测方的边缘算力信息与该总算力信息的比值，获得n个检测方的n个算力系数。
64.按照n个算力系数的比例，将m个检测单元进行取整分配给n个检测方，示例性地，采用n个算力系数值，乘以该m值，并进行取整操作，获得n个分配任务，每个分配任务内包括至少一个检测单元的构建任务，且n个分配任务内检测单元的数量之和为m。
65.进一步地，按照所述n个算力系数的比例，具体采用n个算力系数的值，将总样本数据集分配给n个检测方，获得n个分配数据集。示例性地，将n个算力系数的值乘以该总样本数据集内的数据数量，获得n个分配样本数据的数量，按照该n个分配样本数据的数量，对总样本数据集内的样本运行数据和样本检测结果进行划分，划分过程中也进行取整操作，获得n个分配数据集。n各分配数据集之间的比值与n个算力系数之间的比值相同。
66.本技术实施例通过按按照n个检测方的边缘算力信息的比例，对工业设备检测模型内的m个检测单元的构建任务以及总样本数据集进行分配，合理的运用n个检测方的算力资源，进行分布式的模型构建，能够在合理运用计算资源的前提下，尽量提升模型的构建效率。
67.s400：所述n个检测方，通过边缘计算和所述云平台计算，采用分配的样本数据，完成m个检测单元的构建任务；
68.n个检测方，通过边缘计算和云平台计算配合，利用云平台强大的算力，采用分配的样本数据作为构建数据，完成m个检测单元的构建任务。
69.本技术实施例中，为进一步地提升模型的构建效率，将m个检测单元构建训练过程中的一部分计算内容放在n个检测方的边缘端进行，将另一部分计算内容放在云平台进行，进而降低边缘端的计算负担，合理运用云平台的计算资源，进一步提升模型的构建效率。
70.本技术实施例提供的方法中的步骤s400包括：
71.s410：在所述n个检测方，基于神经网络，构建所述n个分配任务内的检测单元的网络结构，每个检测单元的输入数据为工业设备的运行数据，输出数据为工业设备的检测结果；
72.s420：采用所述n个分配数据集作为构建数据，在n个检测方本地，进行检测单元的前向传播，获得n个边缘计算结果集合；
73.s430：将所述n个边缘计算结果集合传送给所述云平台，在所述云平台内，进行所述n个分配任务内检测单元的正向和反向传播，更新检测单元的模型参数，获得n个云计算结果集合；
74.s440：将所述n个云计算结果集合传送给所述n个检测方，所述n个检测方在本地进行检测单元的模型参数更新；
75.s450：进行迭代，直到所述n个分配任务内检测单元的准确率达到预设要求，获得所述m个检测单元。
76.在一个实施例中，在n个检测方本地内，基于神经网络，构建n个分配任务内的检测单元的网络结构，每个检测单元的输入数据均为工业设备的运行数据，输出数据均为工业设备的检测结果。
77.神经网络内包括多层由多个神经元连接形成的神经网络，多个神经元之间通过权值、阈值等网络参数连接，可根据输入进行非线性的复杂的逻辑运算得到输出，其可在监督训练过程汇总，通过逆向误差传播以及梯度下降的方式，修正模型的网络参数，提升模型的准确性，直到模型趋于收敛或准确率满足要求。示例性地，根据工业设备检测的需求以及运行数据的不同，该神经网络可为bp神经网络或深度学习中的卷积神经网络，卷积神经网络内还包括多层卷积层、池化层、全连接层等，用于提取工业设备运行图像内的特征，进一步进行非线性逻辑运算，获得输出的检测结果。
78.采用n个分配数据集作为构建数据，在n个检测方本地，将n个分配数据集内的样本运行数据输入检测单元，进行n个分配任务内检测单元的前向传播，获得n个边缘计算结果集合。
79.将n个边缘计算结果集合传送给云平台，在云平台内，进行所述n个分配任务内检测单元的正向和反向传播，更新n个分配任务内检测单元的模型参数，逐步提升检测单元的准确性，获得n个云计算结果集合。
80.进一步地，将n个云计算结果集合传送给n个检测方，n个检测方在本地进行n个分配任务内检测单元的模型参数更新，并采用n个分配数据集，再次对检测单元进行前行传播。
81.如此重复上述的步骤s420-440，进行m个检测单元的迭代监督训练，通过梯度下降获得检测单元准确的模型参数，直到n个分配任务内检测单元收敛，或准确率达到预设要求，获得m个检测单元。示例性地，该预设要求可为90％。
82.其中，n个分配任务内检测单元的构建数据通过分配获得，构建数据不同，且算力资源越小的检测方的构建数据量越小，构建的模型的泛化性较低，但准确性可以保证。如此，可构建获得性能不同的m个检测单元，在进行工业设备检测时，可将工业设备的运行数据输入多个检测单元，获得多个不同的检测结果，进一步将出现频率最高的检测结果作为最终的检测结果，保证工业设备检测的准确性，同时提升检测模型的构建效率。
83.本技术实施例通过分配检测单元构建训练的计算内容，将检测单元构建训练过程中的一部分计算内容放在边缘端进行，将另一部分计算内容放在云平台进行，进而降低边缘端的计算负担，合理运用云平台的计算资源，进一步提升模型的构建效率，同时通过集成学习保证工业设备检测模型的准确性。
84.s500：根据所述n个检测方的边缘算力信息和数据规模信息，计算所述n个检测方的n个总贡献系数，根据所述n个总贡献系数，将所述m个检测单元分配给所述n个检测方，进行工业设备检测。
85.本技术实施例中，在构建获得符合要求的m个检测单元后，根据n个检测方在基于物联网的工业设备检测模型构建过程中的贡献，将m个检测单元进行分配，以供各检测方进行工业设备运行的检测。
86.具体地，根据n个检测方的边缘算力信息和数据规模信息，计算n个检测方在工业设备检测模型构建过程中的n个总贡献系数，按照该n个总贡献系数的大小，将m个检测单元进行分配。
87.本技术实施例提供的方法中的步骤s500包括：
88.s510：根据所述n个检测方的边缘算力信息和数据规模信息，进行权重分配，获得
所述n个总贡献系数；
89.s520：根据所述n个总贡献系数的比例，将所述m个检测单元取整分配给所述n个检测方，获得n个分配结果，每个分配结果内包括至少一个检测单元；
90.s530：检测方将工业设备运行数据输入对应的分配结果内的至少一个检测单元内，获得至少一个检测结果，并取出现频率最高的检测结果作为工业设备检测结果。
91.在一个实施例中，根据n个检测方的边缘算力信息和数据规模信息，进行权重分配，作为对m个检测单元进行分配的根据。
92.本技术实施例提供的方法中的步骤s510包括：
93.s511：根据所述n个检测方的边缘算力信息的大小，进行权重分配，获得第一权重分配结果；
94.s512：根据所述n个检测方的数据规模信息的大小，进行权重分配，获得第二权重分配结果；
95.s513：根据所述第一权重分配结果和所述第二权重分配结果进行计算和重分配，获得所述n个总贡献系数。
96.在一个实施例中，首先，根据n个检测方的边缘算力信息的大小，进行权重分配，边缘算力信息越大，则权重值越大，分配获得的权重值即为边缘算力信息与n个边缘算力信息之和的比值，如此，获得第一权重分配结果。
97.进一步地，根据n个检测方的数据规模信息的大小，进行权重分配，数据规模信息越大，则权重值越大，分配获得的权重值即为数据规模信息与n个数据规模信息之和的比值，获得第二权重分配结果。
98.根据第一权重分配结果和第二权重分配结果进行计算和重分配，具体采用第一权重分配结果和所述第二权重分配结果内n个检测方的权重值进行一一对应的乘积运算，获得n个运算结果，进一步进行重分配，使得重分配的n个运算结果之和为1且比例不变，获得n个总贡献系数。
99.根据n个总贡献系数的比例，将m个检测单元取整分配给n个检测方，具体将n个总贡献系数乘以该m值并进行取整，获得n个分配结果，每个分配结果内包括至少一个检测单元，且n个分配结果内检测单元的数量之和为m。
100.基于该n个分配结果，n个检测方分别基于n个分配结果内的检测单元进行工业设备检测。
101.具体地，检测方可将工业设备运行数据输入对应的分配结果内的至少一个检测单元内，获得至少一个检测结果，并取出现频率最高的检测结果作为工业设备检测结果，保证工业设备检测的准确性。
102.本技术实施例通过根据各检测方的边缘算力信息和数据规模信息，计算检测方的总贡献系数，作为分配模型的数据基础，能够较为公平的基于数据合作、算力合作的基础，进行模型的构建和分配，提升工业设备检测模型构建的效率，保证检测准确性。
103.在一个实施例中，n个检测方可按照一定的时间周期，例如为1年，重新采集样本数据，进行工业设备检测模型的更新构建，具体基于前述内容中的方法进行，以更新模型，保证准确性。
104.综上所述，本技术实施例至少具有如下技术效果：
105.本技术实施例通过获取参与基于工业物联网进行工业设备检测的检测方的边缘算力和数据规模，采集各检测方提供的构建模型的样本数据，并将模型内多个检测单元的构建任务和样本数据分配给各检测方，通过边缘计算和云计算配合进行模型的构建，然后根据各检测方的边缘算力大小和数据规模，计算总贡献系数，将多个检测单元进行分配。本技术实施例通过采集多个检测方的样本数据，并将构建任务和样本数据按照算力大小进行分配，能够适应性地制定边缘计算的模型构建方案，提升模型构建的效率，并通过边缘计算和云平台计算的配合，提升模型构建效率，避免由于边缘端的算力不足导致模型构建和更新时间过长，并按照贡献进行模型的分配，实现较为公平的多端物联网模型构建，达到了提升工业物联网模型构建效率、提升工业物联网设备检测准确性和效率以及物联网应用效果的技术效果。
106.实施例二
107.基于与前述实施例中一种基于人工智能的工业物联网设备检测的方法相同的发明构思，如图4所示，本技术提供了一种基于人工智能的工业物联网设备检测的系统，实施例一中的一种基于人工智能的工业物联网设备检测的方法的具体阐述，对于该基于人工智能的工业物联网设备检测的系统也同样适用，其中，所述系统包括：
108.检测方信息获取模块41，用于获取参与工业设备检测模型构建的n个检测方的边缘算力信息和数据规模信息，其中，所述n个检测方通过物联网连接云平台，n为大于1的整数；
109.样本数据采集模块42，用于根据所述n个检测方的数据规模信息，采集所述n个检测方贡献的样本数据，获得n个样本数据集，并集合获得总样本数据集；
110.构建任务分配模块43，用于根据所述n个检测方的边缘算力信息，将所述工业设备检测模型内的m个检测单元的构建任务分配给所述n个检测方，并将所述总样本数据集分配给所述n个检测方，m为大于1的整数；
111.模型构建模块44，用于所述n个检测方，通过边缘计算和所述云平台计算，采用分配的样本数据，完成m个检测单元的构建任务；
112.模型分配模块45，用于根据所述n个检测方的边缘算力信息和数据规模信息，计算所述n个检测方的n个总贡献系数，根据所述n个总贡献系数，将所述m个检测单元分配给所述n个检测方，进行工业设备检测。
113.进一步地，所述检测方信息获取模块41还用于实现以下功能：
114.根据所述n个检测方的计算资源，获取所述n个检测方的边缘算力信息；
115.获取所述n个检测方内工业设备的运行数量；
116.根据所述n个检测方内工业设备的运行数量，获取所述n个检测方的数据规模信息。
117.进一步地，所述样本数据采集模块42还用于实现以下功能：
118.根据所述n个检测方的数据规模信息，计算获得总数据规模信息，并计算所述n个检测方的数据规模信息与所述总数据规模系数的比值，获得n个数据规模系数；
119.按照所述n个数据规模系数的比例，采集所述n个检测方内工业设备的运行数据，并进行人工检测分析，采集所述n个检测方内工业设备的检测结果，获得所述n个样本数据集；
120.集合所述n个样本数据集，获得所述总样本数据集。
121.进一步地，所述构建任务分配模块43还用于实现以下功能：
122.根据所述n个检测方的边缘算力信息，计算获得n个检测方的n个算力系数；
123.按照所述n个算力系数的比例，将所述m个检测单元进行取整分配给所述n个检测方，获得n个分配任务，每个分配任务内包括至少一个检测单元；
124.按照所述n个算力系数的比例，将所述总样本数据集分配给所述n个检测方，获得n个分配数据集。
125.进一步地，所述模型构建模块44还用于实现以下功能：
126.在所述n个检测方，基于神经网络，构建所述n个分配任务内的检测单元的网络结构，每个检测单元的输入数据为工业设备的运行数据，输出数据为工业设备的检测结果；
127.采用所述n个分配数据集作为构建数据，在n个检测方本地，进行检测单元的前向传播，获得n个边缘计算结果集合；
128.将所述n个边缘计算结果集合传送给所述云平台，在所述云平台内，进行所述n个分配任务内检测单元的正向和反向传播，更新检测单元的模型参数，获得n个云计算结果集合；
129.将所述n个云计算结果集合传送给所述n个检测方，所述n个检测方在本地进行检测单元的模型参数更新；
130.进行迭代，直到所述n个分配任务内检测单元的准确率达到预设要求，获得所述m个检测单元。
131.进一步地，所述模型分配模块45还用于实现以下功能：
132.根据所述n个检测方的边缘算力信息和数据规模信息，进行权重分配，获得所述n个总贡献系数；
133.根据所述n个总贡献系数的比例，将所述m个检测单元取整分配给所述n个检测方，获得n个分配结果，每个分配结果内包括至少一个检测单元；
134.检测方将工业设备运行数据输入对应的分配结果内的至少一个检测单元内，获得至少一个检测结果，并取出现频率最高的检测结果作为工业设备检测结果。
135.其中，根据所述n个检测方的边缘算力信息和数据规模信息，进行权重分配，获得所述n个总贡献系数，包括：
136.根据所述n个检测方的边缘算力信息的大小，进行权重分配，获得第一权重分配结果；
137.根据所述n个检测方的数据规模信息的大小，进行权重分配，获得第二权重分配结果；
138.根据所述第一权重分配结果和所述第二权重分配结果进行计算和重分配，获得所述n个总贡献系数。
139.实施例三
140.基于与前述实施例中一种基于人工智能的工业物联网设备检测的方法相同的发明构思，本技术还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现实施例一中方法的步骤。
141.实施例四
142.如图5所示，基于与前述实施例中一种基于人工智能的工业物联网设备检测的方法相同的发明构思，本技术还提供了一种计算机设备5000，所述计算机设备5000包括存储器54和处理器51，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时实现上述的方法。在实际应用中，系统还可以分别包含必要的其他元件，包含但不限于任意数量的输入装置52、输出装置53、处理器51、控制器、存储器54等，而所有可以实现本技术实施例的大数据管理方法的系统都在本技术的保护范围之内。
143.存储器包括但不限于是随机存储记忆体(random access memory，ram)、只读存储器(read至only memory，rom)、可擦除可编程只读存储器(erasable programmable read only memory，eprom)、或便携式只读存储器(compact disc read至only memory，cd至rom)，该存储器用于相关指令及数据。
144.输入装置52用于输入数据和/或信号，以及输出装置53用于输出数据和/或信号。输出装置53和输入装置52可以是独立的器件，也可以是一个整体的器件。
145.处理器可以包括是一个或多个处理器，例如包括一个或多个中央处理器(central processing unit，cpu)，在处理器是一个cpu的情况下，该cpu可以是单核cpu，也可以是多核cpu。处理器还可以包括一个或多个专用处理器，专用处理器可以包括gpu、fpga等，用于进行加速处理。
146.存储器用于存储网络设备的程序代码和数据。
147.处理器用于调用该存储器中的程序代码和数据，执行上述方法实施例中的步骤。具体可参见方法实施例中的描述，在此不再赘述。
148.在本技术所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，该单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。所显示或讨论的相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
149.作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
150.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本技术实施例的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程系统。该计算机指令可以存储在计算机可读存储介质中，或者通过该计算机可读存储介质进行传输。该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是只读存储器(read至only memory，rom)，或随机存储存储器(random access memory，ram)，或磁性介质，例如，软盘、硬盘、磁带、磁碟、或光介质，例如，数字通用光盘(digital versatile disc，dvd)、或者半
导体介质，例如，固态硬盘(solid state disk，ssd)等。
151.本说明书和附图仅仅是本技术的示例性说明，且视为已覆盖本技术范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的范围。这样，倘若本技术的这些修改和变型属于本技术及其等同技术的范围之内，则本技术意图包括这些改动和变型在内。
152.本说明书和附图仅仅是本技术的示例性说明，且视为已覆盖本技术范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的范围。这样，倘若本技术的这些修改和变型属于本技术及其等同技术的范围之内，则本技术意图包括这些改动和变型在内。

技术特征：
1.一种基于人工智能的工业物联网设备检测的方法，其特征在于，所述方法包括：获取参与工业设备检测模型构建的n个检测方的边缘算力信息和数据规模信息，其中，所述n个检测方通过物联网连接云平台，n为大于1的整数；根据所述n个检测方的数据规模信息，采集所述n个检测方贡献的样本数据，获得n个样本数据集，并集合获得总样本数据集；根据所述n个检测方的边缘算力信息，将所述工业设备检测模型内的m个检测单元的构建任务分配给所述n个检测方，并将所述总样本数据集分配给所述n个检测方，m为大于1的整数；所述n个检测方，通过边缘计算和所述云平台计算，采用分配的样本数据，完成m个检测单元的构建任务；根据所述n个检测方的边缘算力信息和数据规模信息，计算所述n个检测方的n个总贡献系数，根据所述n个总贡献系数，将所述m个检测单元分配给所述n个检测方，进行工业设备检测。2.根据权利要求1所述的方法，其特征在于，获取参与工业设备检测模型构建的n个检测方的边缘算力信息和数据规模信息，包括：根据所述n个检测方的计算资源，获取所述n个检测方的边缘算力信息；获取所述n个检测方内工业设备的运行数量；根据所述n个检测方内工业设备的运行数量，获取所述n个检测方的数据规模信息。3.根据权利要求1所述的方法，其特征在于，根据所述n个检测方的数据规模信息，采集所述n个检测方贡献的样本数据，包括：根据所述n个检测方的数据规模信息，计算获得总数据规模信息，并计算所述n个检测方的数据规模信息与所述总数据规模系数的比值，获得n个数据规模系数；按照所述n个数据规模系数的比例，采集所述n个检测方内工业设备的运行数据，并进行人工检测分析，采集所述n个检测方内工业设备的检测结果，获得所述n个样本数据集；集合所述n个样本数据集，获得所述总样本数据集。4.根据权利要求1所述的方法，其特征在于，根据所述n个检测方的边缘算力信息，将所述工业设备检测模型内的m个检测单元的构建任务分配给所述n个检测方，并将所述总样本数据集分配给所述n个检测方，包括：根据所述n个检测方的边缘算力信息，计算获得n个检测方的n个算力系数；按照所述n个算力系数的比例，将所述m个检测单元进行取整分配给所述n个检测方，获得n个分配任务，每个分配任务内包括至少一个检测单元；按照所述n个算力系数的比例，将所述总样本数据集分配给所述n个检测方，获得n个分配数据集。5.根据权利要求4所述的方法，其特征在于，所述n个检测方，通过边缘计算和所述云平台计算，采用分配的样本数据，完成m个检测单元的构建任务，包括：在所述n个检测方，基于神经网络，构建所述n个分配任务内的检测单元的网络结构，每个检测单元的输入数据为工业设备的运行数据，输出数据为工业设备的检测结果；采用所述n个分配数据集作为构建数据，在n个检测方本地，进行检测单元的前向传播，获得n个边缘计算结果集合；
将所述n个边缘计算结果集合传送给所述云平台，在所述云平台内，进行所述n个分配任务内检测单元的正向和反向传播，更新检测单元的模型参数，获得n个云计算结果集合；将所述n个云计算结果集合传送给所述n个检测方，所述n个检测方在本地进行检测单元的模型参数更新；进行迭代，直到所述n个分配任务内检测单元的准确率达到预设要求，获得所述m个检测单元。6.根据权利要求1所述的方法，其特征在于，根据所述n个检测方的边缘算力信息和数据规模信息，计算所述n个检测方的n个总贡献系数，根据所述n个总贡献系数，将所述m个检测单元分配给所述n个检测方，包括：根据所述n个检测方的边缘算力信息和数据规模信息，进行权重分配，获得所述n个总贡献系数；根据所述n个总贡献系数的比例，将所述m个检测单元取整分配给所述n个检测方，获得n个分配结果，每个分配结果内包括至少一个检测单元；检测方将工业设备运行数据输入对应的分配结果内的至少一个检测单元内，获得至少一个检测结果，并取出现频率最高的检测结果作为工业设备检测结果。7.根据权利要求6所述的方法，其特征在于，根据所述n个检测方的边缘算力信息和数据规模信息，进行权重分配，获得所述n个总贡献系数，包括：根据所述n个检测方的边缘算力信息的大小，进行权重分配，获得第一权重分配结果；根据所述n个检测方的数据规模信息的大小，进行权重分配，获得第二权重分配结果；根据所述第一权重分配结果和所述第二权重分配结果进行计算和重分配，获得所述n个总贡献系数。8.一种基于人工智能的工业物联网设备检测的系统，其特征在于，所述系统包括：检测方信息获取模块，用于获取参与工业设备检测模型构建的n个检测方的边缘算力信息和数据规模信息，其中，所述n个检测方通过物联网连接云平台，n为大于1的整数；样本数据采集模块，用于根据所述n个检测方的数据规模信息，采集所述n个检测方贡献的样本数据，获得n个样本数据集，并集合获得总样本数据集；构建任务分配模块，用于根据所述n个检测方的边缘算力信息，将所述工业设备检测模型内的m个检测单元的构建任务分配给所述n个检测方，并将所述总样本数据集分配给所述n个检测方，m为大于1的整数；模型构建模块，用于所述n个检测方，通过边缘计算和所述云平台计算，采用分配的样本数据，完成m个检测单元的构建任务；模型分配模块，用于根据所述n个检测方的边缘算力信息和数据规模信息，计算所述n个检测方的n个总贡献系数，根据所述n个总贡献系数，将所述m个检测单元分配给所述n个检测方，进行工业设备检测。9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器内存储有计算机程序，所述计算机程序被所述处理器执行时实现权利要求1-7任一项所述方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一项所述方法的步骤。

技术总结
本发明提供了一种基于人工智能的工业物联网设备检测的方法及系统，涉及工业物联网技术领域，该方法通过获取N个检测方的边缘算力信息和数据规模信息；采集获得总样本数据集；将工业设备检测模型内的M个检测单元的构建任务及总样本数据集分配给N个检测方；N个检测方通过边缘计算和云平台计算，采用分配的样本数据，完成M个检测单元的构建任务；计算N个检测方的N个总贡献系数，根据N个总贡献系数，将M个检测单元分配给N个检测方，进行工业设备检测。本发明解决了现有技术中存在的工业物联网中模型构建和使用效率低的技术问题，达到了提升工业物联网模型构建效率、提升工业物联网设备检测准确性和效率的技术效果。检测准确性和效率的技术效果。检测准确性和效率的技术效果。


技术研发人员：季国红 金雨橙 开芳军
受保护的技术使用者：广州领禾信息科技有限公司
技术研发日：2023.04.25
技术公布日：2023/8/1