技术转让、技术开发、技术咨询、技术服务、技术入股

正在申请 ,其中:发明专利 2 项
已授权专利,其中:发明专利 0 项

                                                

随着工厂中自动化程度加深，大型机械设备的组成愈加复杂，设备一旦发生故障将导致生产停滞，甚至可能引发安全事故。传统的方法通过人工巡检对机械设备状态进行监控，但具有实时性不足、对人员素质要求高、可能需停机检查等缺点。如何在工厂机械设备的低成本微处理器中部署机器学习算法，实现设备状态实时检测，将是个巨大的挑战。针对这些痛点，我们开发了基于嵌入式机器学习的工业设备状态检测系统。系统终端为自主开发的智能传感器，目前采用12cm×12cm×4cm的亚克力外壳。智能传感器采用MobileNetV2神经网络，经过音频预处理，模型训练、模型部署和算法优化，算法对运行状态的识别正确率可以稳定达到90%以上。智能传感器提前部署机器学习模型，利用微处理器中的麦克风捕捉工业设备工作时发出的声音，实时判断工业设备的运行状态，并将判断结果发送给服务器。
系统软件为设备管理人员提供Web端和移动端界面，进行设备状态实时监测、设备管理、数据分析、日志管理等操作，从而实现了设备的集中管理。可以及时提醒相关的工作人员进行检修。该系统降低了设备运行风险，可以在实时检测设备状态的基础上，早期发现安全隐患。

基于嵌入式机器学习的工业设备状态检测系统分为终端和系统两部分。系统终端为自主开发的智能传感器，目前采用12cm×12cm×4cm的亚克力外壳。智能传感器采用MobileNetV2神经网络，经过音频预处理，模型训练、模型部署和算法优化，算法对运行状态的识别正确率可以稳定达到90%以上。智能传感器提前部署机器学习模型，利用微处理器中的麦克风捕捉工业设备工作时发出的声音，实时判断工业设备的运行状态，并将判断结果发送给服务器。
系统软件为设备管理人员提供Web端和移动端界面，进行设备状态实时监测、设备管理、数据分析、日志管理等操作，从而实现了设备的集中管理。可以及时提醒相关的工作人员进行检修。该系统降低了设备运行风险，可以在实时检测设备状态的基础上，早期发现安全隐患。

检测准确率稳定在90%以上。