本技术公开了人工智能云计算多途径设备系统运行缺陷检查监控方法，包括配置有微处理单元的工业数码相机，该工业数码相机用来捕获可能发生设备缺陷位置的图像，该工业数码相机选装在固定平台、轨道移动平台或飞行平台上，尤其是当要求是在室外环境中覆盖长距离的和大面积的监控，只有X射线相机仅用于短距离图像捕捉，并将工业数码相机微处理单元与卫星定位系统建立连接，以便于工业数码相机捕获图像时识别到系统位置，微处理单元将捕获可能发生设备缺陷的图像以及捕获到的图像的位置信息，通过网络发送到云端计算服务器，再由云服务器中的人工智能机器学习软件进行分析。 技术要求
1.人工智能云计算多途径设备系统运行缺陷检查监控方法，其特征在于，包括配置有微处理单元的工业数码相机，该工业数码相机用来捕获可能发生设备缺陷位置的图像，该工业数码相机选装在固定平台、轨道移动平台或飞行平台上，当要求是在室外环境中覆盖长距离的和大面积的监控，只有X射线相机仅用于短距离图像捕捉，并将工业数码相机微处理单元与卫星定位系统建立连接，以便于工业数码相机捕获图像时识别到系统位置，微处理单元将捕获可能发生设备缺陷的图像以及捕获到的图像的位置信息，通过网络发送到云端计算服务器，再由云服务器中的人工智能机器学习软件进行分析。
2.根据权利要求1所述人工智能云计算多途径设备系统运行缺陷检查监控方法，其特征在于，所述工业数码相机包括红外线、普通光线、X射线数码相机。
3.根据权利要求1所述人工智能云计算多途径设备系统运行缺陷检查监控方法，其特征在于，捕获的图像会从工业数码相机传递到微处理单元，微处理单元再将这些图像传去有线/无线网络通讯器，经有线/无线网络本地网络去到本地路由器/解调器，本地路由器/解调器透过互联网把图像传去云端计算服务器，云端伺服器把图像传送去人工智能计算器，并把有用的数据储存在云端储存器里，或出于安全考虑，这些图像档案也可以透过有线/无线网络传去本地计算服务器，所有的云端计算都在本地计算器里完成。
4.根据权利要求1所述人工智能云计算多途径设备系统运行缺陷检查监控方法，其特征在于，人工智能机器学习具体地是预测建模，主要关注的是最小化模型的误差，或令最准确的预测成为可能，智能机器学习需经过一个训练的步骤，包含大量没有发生运行缺陷时的位置图像，以及有发生运行缺陷时的位置图像，检测系统将使用三种不同类型的图像，包括：
(1)红外线，用于检测设备部件的工作温度的异常变化；
(2)普通光线，用于检测设备部件的形状，尺寸和位置的异常变化；
(3)X射线，用于检测设备部件中的异常微裂纹；
对于三种类型的图像中的每一种，在训练中，来自训练图像数据集，抽取75％作为训练样本，剩下的
25％作为测试样本用来评估结果精度，当完成这足够图像的训练后，基于三种图像之一种，智能机器学习能根据输入的新的图像，预测新的可能发生的设备缺陷，训练步骤可以在将来持续地进行以收集更多的数据，这样模型预测缺陷的准确性也将不断提高，在对人工智能机器进行培训后，当输入正在被监控区域的新图像时，能够分析图像并告知正在受到监控的该区域是否实际上发生了设备缺陷，当发生设备缺陷和事故时，系统会自动通过互联网向各方发出警报信息。
5.根据权利要求4所述人工智能云计算多途径设备系统运行缺陷检查监控方法，其特征在于，进行图像设备缺陷识别应用的算法是人工智能机器学习其中的一个分支卷积神经网络，卷积神经网络运作方法包括如下：
共由7层的卷积层/ReLU/降采样组成；
(1)卷积：把图像输入卷积计算，再对图像执行卷积，将图像具有像素值的矩阵输入，裁剪后每幅图像大小为1280*1280像素，输入矩阵的读数从图像的左上角开始，接下来在那里选择一个较小的矩阵，称为过滤器，然后过滤器产生卷积，即随输入图像的x和y轴移动；过滤器的任务是将其值乘以原始像素值，所有这些乘法都是相加的，最后得到一个数字；由于过滤器仅在左上角读取图像，它进一步向右移动1或N单元，然后再次执行类似的操作；当过滤器穿过所有位置之后，获得了一个新矩阵，新矩阵大小是小于输入矩阵；第一层过滤器的尺寸长*宽为32*32，深度为16，步数为2，越界时，以0填充，
第二层过滤器的尺寸为长*宽为32*32，深度为16，步数为2，以0填充，第三层的过滤器的尺寸长*宽为16*16，深度为32，步数为1，以0填充，第四层的过滤器的尺寸长*宽为12*12，深度为32，步数为1，以0填充，第五层过滤器的尺寸长*宽为8*8，深度为64，步数为1，以0填充，第六层过滤器的尺寸长*宽4*4，深度为64，步数为1，以0填充，第七层过滤器的尺寸长*宽3*3，深度为128，步数为1，以0填充；
(2)ReLU激活：在每个卷积运算之后，进入非线性ReLU激活层，把ReLU激活应用于矩阵，ReLU代表整流线性单元，用于非线性操作，它用这方程式式，输出为f(x)＝
max(0，x)，ReLU的目的是在计算中引入非线性，因需要计算学习是非负线性值，这步的结果会是一组特征图；
(3)降采样：将这些特征图提供给降采样汇集计算，降采样也称为子采样或下采样，它降低了矩阵的维度，但保留了重要信息，这步骤执行数据最大值降采样汇集计算，该计算截取ReLU激活特征图中具有最大值的元素，并应用于所有元素；前四层降采样，最大降采设定降采窗口为(Pooling Size)4*4，滑动步长为4，后三层精度最大降采设定降采窗口的大小2*2，滑动步长2；
(4)不断重复：我们的计算方法共由7层建立，如有需要，可增加减少调整，卷积，ReLU 激活和降采样的过程，直到得到的特征图显示出令人满意的关键参数；
(5)压平完全连接层：在重复足够的次数之后，将特征图压平，特征图的矩阵，将转换为矢量，并将其传送以形成完全连接层，最后，输出具softmax激活函数的完全连接层，使用SoftMax回归，使神经网络向前传播得到的结果变成一个概率分布，Softmax称为归一化指数函数，表达式为：
z1表示节点属于第1类，zk表示节点属于第k类；
(6)结果：激活函数应用在完全连接层以后，将结果分类为没有设备缺陷，和不同类型的设备缺陷。
6.根据权利要求4所述人工智能云计算多途径设备系统运行缺陷检查监控方法，其特征在于，除了使用卷积神经网络运作方法之外，还运用了统计计算作为第二种机器学习方法，应用在设备系统运行缺陷检查监控，首先确定设备系统上的任何关键的物理尺寸，并可从输入的设备系统图像中测量，从模型的训练步骤开始，在人工智能机器学习软件中输入了大量之前的设备系统图像，这些图像记录了该关键维度值的变化，基于这种变化，可以根据以下方程式建立不同设备系统数值的标准差：
样本方差：
母体方差：
样本标准差：
母体标准差：
经过足够的训练数据后，标准差慢慢被建立，可以开始使用该模型来量度新的设备系统图像的关键尺寸，并计算出差异值，如果差异很明显并且超过一个或两个标准差，这意味着这个设备系统有严重问题，可能是由于系统部件异常弯曲，形状异常变形，意味着发生了设备系统缺陷。
7.根据权利要求6所述人工智能云计算多途径设备系统运行缺陷检查监控方法，其特征在于，人工智能计算器把已确定是否发生了的结果，透过互联网实时的将信息发送到终端设备上，终端设备也可以透过互联网从云端伺服器中读取结果。
8.根据权利要求7所述人工智能云计算多途径设备系统运行缺陷检查监控方法，其特征在于，所述终端设备可为移动电话、平板电脑。
技术说明书
人工智能云计算多途径设备系统运行缺陷检查监控方法
技术领域
本技术涉及电子信息技术领域，具体涉及一种人工智能云计算多途径设备系统运行缺陷检查监控方法。
背景技术
在当今的工业社会中，到处都有各种机器设备系统运行，以帮助我们更快，更有效地完成特定任务。例如，这些设备系统可以是制造工业中使用的制造机器，石化工业中使用的加工和精炼设备，农业工业中使用的拖拉机和磨机。这些设备系统例如可以由液体或气体泵，液体或气体管道，电机，发动机，发电机，涡轮机，切割机，加热元件，热泵，炉子，化学加热罐，压缩机，冷凝器，冷冻器，散热器，热交换器，存储罐，过滤器，压力阀门，机械杠杆等等所组成。所有这些设备系统在运行这么多小时后都会失效。一贯常用方法，采用操作员以特定的时间进行检查和维护服务，是非常重要以确保这些设备系统能够继续正常工作。并且运营商必须在系统运行发生故障当时或之前，立即检测监控到任何操作事故，或检测可能导致事故的缺陷，以便最大限度地减少机器停机时间和经济损失。
