一种基于AR技术的粮储装备远程协同诊断系统的制作方法

本发明涉及远程协同诊断，具体为一种基于ar技术的粮储装备远程协同诊断系统。

背景技术：

1、粮食仓储是保障国家粮食安全的关键环节，粮储装备的健康运行直接关系到粮食收储的效率与安全。当前，伴随物联网、大数据、人工智能等新一代信息技术与传统粮储行业的加速融合，部分大型粮库已开始部署温湿度传感器、振动传感器等多源感知设备，尝试对粮储装备的运行状态进行数字化监测。但现有粮储装备的故障诊断仍主要依赖现场人员经验判断和专家现场诊断。 尽管部分粮库已部署传感器采集装备状态信息，但这些数据往往碎片化、孤立化严重，未能形成完整的监测与分析体系。大多数基层粮库的装备运维仍停留在事后维修的传统模式，当设备出现异常时，现场操作人员由于缺乏专业诊断能力，难以及时准确地判断故障原因，必须等待厂家技术人员或领域专家赶到现场才能开展诊断与维修。这种依赖人到现场的传统模式导致故障响应时间过长，尤其在粮库地处偏远、交通不便的情况下，专家从接到通知到抵达现场往往需要数小时乃至数天，在此期间设备被迫停机，严重影响粮食收储作业的正常进行。

2、现有技术中，粮储装备故障诊断主要依赖现场人员经验以及专家现场诊断，缺乏基于ar的远程协同诊断手段，导致故障响应不及时且维修周期长。

技术实现思路

1、本发明的目的在于提供一种基于ar技术的粮储装备远程协同诊断系统，以解决现有技术中粮储装备故障诊断故障响应不及时且维修周期长的问题。

2、本发明的目的可以通过以下技术方案实现：一种基于ar技术的粮储装备远程协同诊断系统，包括：

3、采集模块，采集粮储装备的运行数据与现场影像数据，基于采集数据获取各采样时刻的状态向量及空间坐标数据；

4、分析模块，持续获取状态向量并构建分析时段，获取分析时段内近期状态向量与前期状态向量并进行比对获取故障程度；

5、划定模块，依据故障程度筛选故障时刻，基于故障时刻对应的空间坐标数据划定故障区域范围；

6、检修模块，依据故障区域范围及故障时刻，获取故障时刻的现场影像数据，并确定标注区域，将标注区域与故障程度绑定后发送至ar眼镜显示并进行维修，维修完成后更新状态向量。

7、优选地，所述粮储装备的运行数据包括温度值、振动幅值、压力值以及电流值，所述状态向量是指将各时刻获取的温度值、振动幅值、压力值以及电流值按照固定顺序排列形成的。

8、优选地，所述获取空间坐标数据的具体步骤为：

9、将各采样时刻的状态向量、影像帧以及空间姿态数据传输给远程服务器，空间姿态数据具体包括ar眼镜的俯仰角、偏航角以及滚转角；

10、服务器提取影像帧中的特征点，对相邻时刻的影像帧进行特征点匹配，获取匹配特征点对；

11、从空间姿态数据中获取相邻影像帧的姿态变化量和平移向量，根据姿态变化量构造旋转矩阵，结合旋转矩阵和平移向量，通过空间几何约束关系求解匹配特征点对对应的装备表面空间点在服务器坐标系下的空间坐标数据；

12、建立影像帧中像素坐标与装备表面空间点坐标之间的映射函数。

13、优选地，所述故障程度的具体获取步骤为：

14、以连续b个采样时刻的状态向量构成分析时段，其中，b为正整数，将分析时段末端的d1个状态向量作为近期状态向量，将分析时段首端的d2个状态向量作为前期状态向量，其中，d1和d2均为小于b的正整数，且d1与d2的和等于b；

15、分别计算各运行数据在近期状态向量与前期状态向量之间的差异因子和偏移倍数；

16、依据各运行数据的差异因子与偏移倍数的组合关系判定每一种运行数据的异常程度；

17、对各运行数据的异常程度进行归一化处理并结合对应的偏移倍数加权求和，得到当前时刻的故障程度。

18、优选地，所述计算各运行数据在近期状态向量与前期状态向量之间的差异因子的具体步骤为：

19、从分析时段中提取各运行参数的时序数据，获取近期子序列和前期子序列；

20、计算近期子序列各运行参数的平均变化速率和平均加速度，计算前期子序列各运行参数的参考基准值、参考波动值和参考平均变化速率；

21、将各运行参数近期平均变化速率减去对应参考平均变化速率得到变化速率偏离值，将对应运行参数的近期平均加速度的绝对值乘以预设惩罚系数得到加速度惩罚值，将对应运行参数的变化速率偏离值的绝对值与加速度惩罚值相加后再除以参考波动值与预设安全系数的乘积，得到对应运行参数的差异因子。

22、优选地，所述计算各运行数据在近期状态向量与前期状态向量之间的偏移倍数的具体步骤为：

23、从当前采样时刻的状态向量中获取各运行数据的当前值；

24、将各运行数据的当前值减去对应的前期子序列的参考基准值得到该运行参数当前偏移量；

25、将当前偏移量除以参考波动值后取绝对值，得到所述运行参数的偏移倍数。

26、优选地，所述依据各运行数据的差异因子与偏移倍数的组合关系判定每一种运行数据的异常程度的具体步骤为：

27、为各运行参数预设第一差异阈值、第二差异阈值以及第一偏移阈值、第二偏移阈值以及第三偏移阈值，其中第一差异阈值大于第二差异阈值，第一偏移阈值、第二偏移阈值以及第三偏移阈值依次减小；

28、若各运行参数的差异因子大于对应的第一差异阈值且各运行参数的偏移倍数大于对应的第一偏移阈值，则异常程度赋值为第一等级值；

29、若各运行参数的差异因子介于对应的第一差异阈值与第二差异阈值之间且各运行参数的偏移倍数大于对应的第二偏移阈值，则异常程度赋值为第二等级值；

30、若各运行参数的差异因子小于对应的第二差异阈值且各运行参数的偏移倍数大于对应的第三偏移阈值，则异常程度赋值为第三等级值；

31、否则，赋值为第四等级值，各等级值由高到低排列。

32、优选地，所述对各运行数据的异常程度进行归一化处理并结合对应的偏移倍数加权求和，得到当前时刻的故障程度的具体步骤为：

33、获取各运行数据异常程度的总和，将运行数据异常程度分别除以所述总和，得到各运行数据的权重因子；

34、将各运行数据的权重因子分别乘以对应的偏移倍数，得到各运行数据的加权偏移量；

35、将所有运行数据的加权偏移量相加，得到当前时刻的故障程度。

36、优选地，所述基于故障时刻对应的空间坐标数据划定故障区域范围的具体步骤为：

37、对于被标记为故障时刻的影像帧，获取该影像帧对应的空间点集；

38、将空间点集沿深度方向等距分为若干个深度层，计算每层的层中心点，检测相邻层中心点距离异常的跳变层；

39、根据跳变层的位置筛选候选故障层集合，从候选故障层中筛选特征点密度高于平均密度的高密度层，高密度层内的全部特征点构成高密度特征点集合；

40、剔除高密度特征点集合中的离群特征点，得到最终故障特征点集合；

41、根据最终故障特征点集合中各特征点的空间坐标计算加权边界中心和边界半径，依据加权边界中心和边界半径确定故障区域边界框。

42、优选地，所述根据最终故障特征点集合中各特征点的空间坐标计算加权边界中心和边界半径，依据加权边界中心和边界半径确定故障区域边界框的具体步骤为：

43、以最终故障特征点集合中每个特征点所在深度层的特征点密度值作为所述特征点的加权系数；

44、分别计算所有特征点在水平方向、垂直方向和深度方向上的加权坐标总值，再分别除以所有特征点的加权系数之和，得到加权边界中心的三个方向坐标值；

45、计算每个特征点到加权边界中心的欧氏距离，取其中的最大值作为边界半径；

46、以加权边界中心为球心、边界半径为半径确定球形边界，再以加权边界中心为中心、边界半径为半边长构建三维正方体区域，得到故障区域边界框的六个边界坐标值，其中，六个边界坐标值是指水平方向的最小坐标值和最大坐标值、垂直方向的最小坐标值和最大坐标值、深度方向的最小坐标值和最大坐标值。

47、本发明的有益效果：

48、1、本发明通过构建由连续采样时刻组成的动态分析时段，将时段末端近期状态向量与时段首端前期状态向量进行差异化比对，分别获取各运行参数的差异因子和偏移倍数。各运行参数的差异因子的计算融合了近期相对前期的变化速率偏离程度以及近期加速度惩罚项，使变化速率加快、加速度增大的异常趋势能够被有效识别，偏移倍数反映当前瞬时值相对前期基准的偏离幅度。再依据差异因子与偏移倍数的组合，将各运行参数异常程度划分为多个等级，再通过异常程度归一化加权求和得到故障程度。本发明使最终获取的故障程度对不同类型故障具有差异化响应灵敏度，避免单一阈值在复杂故障场景下的误判，提升故障诊断的准确性和适应性。

49、2、本发明在故障区域空间定位中，对于被标记为故障时刻的影像帧，利用其对应的三维空间点集沿深度方向分层，通过检测相邻层中心点距离判断跳变层，用于识别装备表面结构突变位置，并依据跳变层位置筛选候选故障层，再通过特征点密度与平均密度的比较剔除低密度层，再利用邻近距离的统计分布剔除离群特征点，最终得到故障区域的故障特征点集合。本发明通过跳变层检测将装备表面固有结构特征与局部异常区域分离，再通过密度筛选和离群剔除使保留的特征点群在空间上具有一致性，解决故障区域因与背景结构混杂而难以定位的问题。

50、3、本发明从多源运行数据采集、故障程度量化分析、故障区域空间定位到增强现实空间标注的完整远程协同诊断链路。通过将状态向量与影像帧在时间维度上对齐，使运行数据中的异常波动能够驱动影像帧中对应空间位置的自动标注，再利用对极几何约束从影像帧序列中恢复装备表面的三维空间坐标，使故障区域划定不依赖预先建立的装备三维模型，具备对不同型号粮储装备的自适应能力，故障排除后通过清除缓存数据并重新构建分析时段执行二次确认，只有连续多个采样时刻均未检测到故障才判定故障已排除，防止因偶发性数据波动导致故障状态误判，形成从异常发现、空间定位到修复确认的完整闭环，使现场人员无需等待专家到场即可根据增强现实标注定位故障部位并实施维修，缩短故障响应与修复时间。