一种告警方法及系统

技术领域

本申请涉及工业制造技术领域，尤其是涉及一种告警方法及系统。

背景技术

飞机部件、火箭箭体等大型或超大型构件的对准和组装是工业制造领域难度较高的问题。如果构件或者安装的设备在对准和安装的过程出现了偏差，会影响最终产品的质量，甚至造成经济损失和人员伤亡。故对准和组装过程中，对构件或其附属组装构件可能的异常状态或运动进行告警，例如，控制构件或组装部件安装的工业机器人的机械臂，其运动速度过慢或突然停止；构件或组装部件与机械臂的结合不牢固，所导致的构件或组装部件的姿态出现偏差；构件或组装部件脱落导致超出预设边界等情况。可以有效降低风险发生几率，提升整个对准或安装系统的稳定性。

在组装场地内，受到多径干扰及噪声影响，现有的告警系统对于大型或超大型构件或其附属组装构件上的关键节点的定位精度较低，容易导致不告警或误告警的情况；并且机械臂或吊装机构的移动过程中易阻隔其中一路信号的直射传播，致使通过定位算法求解构件关键节点位置信息时也会出现偏差而出现误告警的情况。

针对上述中的相关技术，发明人发现工业生产过程中由于现有的告警系统对于大型或超大型构件或其附属组装构件上的关键节点受到多径干扰及噪声影响，定位精度较低，易出现误告警和不告警的情况，以及场地内定位过程中一路直射波信号被阻挡时，现有告警系统通过算法对关键节点定位出现较大偏差，导致误告警情况的发生。

发明内容

为了提高告警系统对构件或组装部件的姿态异常状态的告警准确率，对构件或组装部件的对准和组装过程进行精准告警，减少误告警和不告警的情况，本申请提供了一种告警方法及系统。

第一方面，本申请提供一种告警方法。

本申请是通过以下技术方案得以实现的：

一种告警方法，应用于大型及超大型构件或附属部件的对准和组装过程，包括以下步骤，

获取构件的关键节点上发射出的不同频段的混沌超声波信号；

预处理获取的所述混沌超声波信号；

将预处理的所述混沌超声波信号输入预设的神经网络中，输出构件关键节点的位置信息；

基于所述位置信息和所设阈值判断是否告警。

本申请在一较佳示例中可以进一步配置为：所述位置信息根据所设阈值判断是否告警的步骤包括，

获取构件上关键节点的位置信息；

根据关键节点的位置信息，判断关键节点的位置边界是否超出预设的边界范围和运动速度是否超出阈值，超出则进行告警。

本申请在一较佳示例中可以进一步配置为：所述神经网络包括主干网络、粗定位网络和精细定位网络；

所述主干网络的输出信号输入所述粗定位网络和精细定位网络；

所述粗定位网络的输出信号输入所述精细定位网络。

本申请在一较佳示例中可以进一步配置为：所述主干网络由五个瓶颈结构、一个全局平均池化层和两个注意力模块组成；

其中，第一个瓶颈结构的卷积层为二维卷积，其余瓶颈结构的卷积层为一维卷积；

第一个瓶颈结构的输出信号输入所述全局平均池化层后，再依次输入其余瓶颈结构中；

最后一个瓶颈结构的输出信号依次输入所述注意力模块。

本申请在一较佳示例中可以进一步配置为：所述瓶颈结构包括3个卷积层、3个ReLU激活函数和1个下采样层；

所述卷积层和所述ReLU激活函数配套设置，所述卷积层的输出信号输入所述ReLU激活函数后输出；

累加所述ReLU激活函数的输出信号后输入所述下采样层。

本申请在一较佳示例中可以进一步配置为：所述粗定位网络包括3个卷积层、3个ReLU激活函数和1个自适应平均池化层；

所述卷积层和所述ReLU激活函数配套设置，所述卷积层的输出信号输入所述ReLU激活函数后输出；

累加所述ReLU激活函数的输出信号后输入所述自适应平均池化层。

本申请在一较佳示例中可以进一步配置为：所述精细定位网络包含5个卷积层、5个ReLU激活函数和1个自适应平均池化层；

所述卷积层和所述ReLU激活函数配套设置，所述卷积层的输出信号输入所述ReLU激活函数后输出；

累加所述ReLU激活函数的输出信号后输入所述自适应平均池化层。

本申请在一较佳示例中可以进一步配置为：所述将预处理的所述混沌超声波信号输入预设的神经网络中，输出构件关键节点的位置信息的步骤前还包括，

使用样本数据集训练所述神经网络，其中，样本数据集分为仿真样本集与实采样本集。

将依据仿真软件生成并经过预处理的混沌超声波信号作为所述仿真样本集中的仿真样本，其仿真的位置信息作为所述仿真样本的标签；

将预处理的预设超声发生装置发射的所述混沌超声波信号作为所述实采样本集中的实采样本，其预设超声发生装置的位置信息作为所述实采样本的标签；

将所述仿真样本集和所述实采样本集按预设比例划分为仿真训练集、仿真测试集、实采训练集和实采测试集；

将所述仿真训练集和对应的标签输入所述神经网络进行训练，并在每次训练后将所述仿真测试集输入训练后的所述神经网络进行测试，直至所述神经网络的测试准确率达到第一阈值；

将所述实采训练集和对应的标签输入训练后的所述神经网络进行训练，并在每次训练后将所述实采测试集输入训练后的所述神经网络进行测试，直至所述神经网络的测试准确率达到第二阈值，输出所述神经网络。

本申请在一较佳示例中可以进一步配置为：所述预处理获取的所述混沌超声波信号的步骤包括，

对预生成的混沌超声波信号进行补0，使其长度与获取的所述混沌超声波信号长度相同；

将补0后的混沌超声波信号与获取的相同频段的所述混沌超声波信号进行拼接，得到预处理的混沌超声波信号。

第二方面，本申请提供一种告警系统。

本申请是通过以下技术方案得以实现的：

一种告警系统，包括超声发生模块、告警超声采集装置组、告警数据处理模块、告警判断模块和告警模块；

超声发生模块分别安装于构件的关键节点上，用于发射不同频段的混沌超声波信号；

告警超声采集装置组，用于获取构件的关键节点上发射出的不同频段的混沌超声波信号；

告警数据处理模块，连接于所述告警超声采集装置组，用于预处理获取的所述混沌超声波信号；

告警判断模块，用于通过预设的神经网络输出构件关键节点的位置信息，基于所述位置信息和所设阈值判断是否告警；

告警模块，用于基于所述告警判断模块的判断结果进行自动告警。

第三方面，本申请提供一种计算机设备。

本申请是通过以下技术方案得以实现的：

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一种告警方法的步骤。

第四方面，本申请提供一种计算机可读存储介质。

本申请是通过以下技术方案得以实现的：

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一种告警方法的步骤。

综上所述，与现有技术相比，本申请提供的技术方案带来的有益效果至少包括：

一种应用于大型及超大型构件的场内构件对准和组装过程的告警方法，通过获取构件的关键节点上发出的不同频段的混沌超声波信号，预处理获取的混沌超声波信号，将预处理的混沌超声波信号输入预设的神经网络中，输出构件或组装部件关键节点的位置信息，基于位置信息根据所设阈值判断是否告警。不同频段的混沌超声波信号互不干扰，减少混沌超声波信号之间的串扰，保证了预处理拼接信号中所含测距信息来自于同一个超声发生装置，有利于神经网络精准输出关键节点位置信息；改善了因信号的周期性导致相位匹配产生误差，进而影响定位精度的情况。降低了告警系统误告警和不告警的可能性；可根据任务类型的不同调整判断告警的边界和阈值，无需针对同一场地内安装或对接任务重设新的告警系统；神经网络输出关键节点位置信息相比传统定位算法有更好的抗干扰能力，可以在输入信号包含少量干扰的情况下输出较为准确的位置信息，有效减少告警系统误告警和不告警发生的概率；改善了传统告警方法过程中，场地内执行机构或组装部件阻挡信号的直射路径进而导致误告警的情况。

附图说明

图1为本申请一个示例性实施例提供的一种告警方法的流程示意图。

图2为本申请一个示例性实施例提供的一种告警方法的神经网络的主要结构框图。

图3为本申请一个示例性实施例提供的神经网络的主干网络结构图。

图4为本申请一个示例性实施例提供的神经网络的主干网络的瓶颈结构示意图。

图5为本申请一个示例性实施例提供的神经网络的粗定位网络结构图。

图6为本申请一个示例性实施例提供的神经网络的精细定位网络结构图。

图7为本申请一个示例性实施例提供的一种告警系统的结构框图。

图8为本申请一个示例性实施例提供的一种告警系统的信号传输示意图。

具体实施方式

本具体实施例仅仅是对本申请的解释，其并不是对本申请的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本申请的权利要求范围内都受到专利法的保护。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。下面结合说明书附图对本申请实施例作进一步详细描述。

目前，告警系统主要包括基于人工观测的告警系统、基于电磁波的告警系统和基于传统超声定位的告警系统。

基于人工观测的告警，通过人眼观测的方式对大型构件对准和组装过程中的异常状况进行告警。该告警方式依赖于人的主观感知与经验积累，对构件或组装部件的异常状态的判断需要监测人员对构件或组装部件的运动情况和边界状况及其所设阈值进行精准的把握，对构件或组装部件边界参数观测精度不高，且人眼观测存在观测不全面以及人工疲劳等情况，从而最终影响告警系统的准确性。

基于电磁波的告警系统，采用电磁波测距技术，在对准和组装过程中，在待对接构件表面放置雷达测距仪，可通过电磁波自收自发进行测距并依据测距结果进行告警。该告警系统的灵敏度较高，但在工厂场地的尺度下，由于电磁波的传播速度约为3×10

基于传统超声定位的告警系统，在对准和组装过程中，在待对接构件表面放置超声波测距仪，利用超声波自收自发进行测距并依据测距结果进行告警，但与电磁波告警系统类似，因超声波具有较强的方向性，当其测距方向上出现执行机构或组装部件时，超声波测距仪发出的信号会因遮挡而产生误告警。或者，利用多个超声波接收装置，通过定位算法计算多个设置于构件关键节点的超声波发生装置的位置信息，并利用位置信息进行告警。但超声波的超声信号易受内部周期性影响，由于周期性影响导致时间测量引入了微小的扰动，则最终定位点的位置将会出现一定量的偏差，进而产生误告警的情况。并且算法定位求解过程易受噪声或多径效应的干扰致使定位精度受到影响，如TDOA，MUSIC等在应用中与实际情况存在偏差，需要大量的额外实验对算法模型进行补偿和修正，设计难度较大，实施的难度和成本较高，进而影响告警的准确性。此外，当超声波直射传输方向上出现执行机构或组装部件时，信号被阻隔致使超声波测距产生误差，通过算法求解构件关键节点位置信息出现偏差也会出现误告警的情况。

参照图1，本申请实施例提供一种告警方法，应用于大型及超大型构件或附属构件的对准和组装过程，该一种告警方法的主要步骤描述如下。

S1:获取构件的关键节点上发射出的不同频段的混沌超声波信号；

S2:预处理获取的所述混沌超声波信号；

S3:将预处理的所述混沌超声波信号输入预设的神经网络中，输出构件关键节点的位置信息；

S4:基于所述位置信息和所设阈值判断是否告警。

进一步地，所述将位置信息和所设阈值判断是否告警的步骤包括，

获取构件上关键节点的位置信息；

根据关键节点的位置信息，判断关键节点的位置边界是否超出预设的边界范围和运动速度是否超出阈值，超出阈值则进行告警。

进一步地，所述神经网络包括主干网络、粗定位网络和精细定位网络；

所述主干网络的输出信号输入所述粗定位网络和精细定位网络；

所述粗定位网络的输出信号输入所述精细定位网络。

进一步地，所述主干网络由五个瓶颈结构、一个全局平均池化层和两个注意力模块组成；

其中，第一个瓶颈结构的卷积层为二维卷积，其余瓶颈结构的卷积层为一维卷积；

第一个瓶颈结构的输出信号输入所述全局平均池化层后，再依次输入其余瓶颈结构中；

最后一个瓶颈结构的输出信号依次输入所述注意力模块。

进一步地，所述瓶颈结构包括3个卷积层、3个ReLU激活函数和1个下采样层；

所述卷积层和所述ReLU激活函数配套设置，所述卷积层的输出信号输入所述ReLU激活函数后输出；

累加所述ReLU激活函数的输出信号后输入所述下采样层。

进一步地，所述粗定位网络包括3个卷积层、3个ReLU激活函数和1个自适应平均池化层；

所述卷积层和所述ReLU激活函数配套设置，所述卷积层的输出信号输入所述ReLU激活函数后输出；

累加所述ReLU激活函数的输出信号后输入所述自适应平均池化层。

进一步地，所述精细定位网络包含5个卷积层、5个ReLU激活函数和1个自适应平均池化层；

所述卷积层和所述ReLU激活函数配套设置，所述卷积层的输出信号输入所述ReLU激活函数后输出；

累加所述ReLU激活函数的输出信号后输入所述自适应平均池化层。

进一步地，所述预处理的混沌超声波信号输入预设的神经网络中，输出构件关键节点的位置信息的步骤前还包括，

使用样本数据集训练所述神经网络，其中，样本数据集分为仿真样本集与实采样本集。

将依据仿真软件生成并经过预处理的混沌超声波信号作为所述仿真样本集中的仿真样本，其仿真的位置信息作为所述仿真样本的标签；

将预处理的预设超声发生装置发射的所述混沌超声波信号作为所述实采样本集中的实采样本，其预设超声发生装置的位置信息作为所述实采样本的标签；

将所述仿真样本集和所述实采样本集按预设比例划分为仿真训练集、仿真测试集、实采训练集和实采测试集；

将所述仿真训练集和对应的标签输入所述神经网络进行训练，并在每次训练后将所述仿真测试集输入训练后的所述神经网络进行测试，直至所述神经网络的测试准确率达到第一阈值；

将所述实采训练集和对应的标签输入训练后的所述神经网络进行训练，并在每次训练后将所述实采测试集输入训练后的所述神经网络进行测试，直至所述神经网络的测试准确率达到第二阈值，输出所述神经网络。

进一步地，所述预处理获取的所述混沌超声波信号的步骤包括，

对预生成的混沌超声波信号进行补0，使其长度与获取的所述混沌超声波信号长度相同；

将补0后的混沌超声波信号与获取的相同频段的所述混沌超声波信号进行拼接，得到预处理的混沌超声波信号。

上述各个实施例的具体描述如下。

混沌信号是一种连续、遍历的非周期信号。遍历时空间内所有的样值都会出现至少一次。混沌信号的非周期性可以有效避免信号相位的匹配误差，还可以被用于滤除接收信号中的非主路径信号分量，从而避免了多径效应对定位精度的干扰，提高了后续的定位性能，同时，混沌信号具有更好的相位差信息(时间差)，避免了相位匹配产生的误差导致时间估算产生误差进而影响定位精度，提高了告警的准确性。

混沌信号的生成方式有很多种，此处以解析解混沌系统为例进行介绍。解析解混沌系统是Corron N.J.等人于2010年提出的一种混沌系统，其连续时间动力学方程可由微分方程(1)表示：

其中，w表示混合混沌信号角频率，x为时间t的函数,是幅度随时间改变的连续的混沌信号，它是一维信号且发射时只需根据x(t)的强度进行发射即可，γ为负衰减系数，取值为0到ln2的左开右闭区，只有这个范围系统才是混沌的。s＝sgn(x(t))是开关函数。

s的开关条件定义为：

即在x的一阶导数为0时，s(t)被赋值为sgn(x(t))，s为符号序列，取值±1，s为在信号导数为0情况才改变，其余时间s(t)保持不变直至下一个开关条件满足。

根据公式(1)和公式(2)推导解析解在n≤t≤n+1情况下,

s

x

解析上述迭代式，x(0)一个优选值为-0.3776，即可产生混沌波形，用于超声发生装置发射。

本实施例中，构件的关键节点可以为待对接面所在的四个角，以准确定位和反映构件姿态状况及变化，实现对构件异常状态实时告警的目的。

在构件的关键节点上设置四个或以上的超声发生装置，超声发生装置结合混沌系统生成混沌超声波信号，使超声发生装置分别发送不同频段的混沌超声波信号。

在构件对准和组装场地内固定位置设置四个或以上的超声采集装置，所有的超声采集装置构成告警超声采集装置组。

接着，处理获取的混沌超声波信号，对预生成的混沌超声波信号进行补0，使其长度与获取的混沌超声波信号长度相同；

对将补0后的混沌超声波信号与获取的相同频段的所述混沌超声波信号进行拼接，得到预处理的混沌超声波信号。

具体地，预处理操作可分为以下两部分：

(1)混沌超声波信号的接收。

因超声采集装置不能同步接收发射端发送的信号数据，应设置接收端接收窗口大于发射端发送的数据量。例如，发送2秒的信号，须用时长为3秒的窗口进行接收。

(2)混沌超声波信号的拼接处理。

以4路为例(4个超声采集装置)，计算机(告警数据处理模块)获取告警超声采集装置组接收的相同频段的4路信号(同一个超声发生装置发出的信号通过不同路径到达不同超声采集装置并被采集)，相同频段的混沌超声波信号来自同一个超声发生模块。由于接收窗口持续时间比发射的混沌超声波信号持续时间长，导致接收的混沌超声波信号数据长度比预生成用于发射的混沌超声波信号数据长度长，因此需要对预生成的混沌超声波信号后端进行补0后再与接收到四路同频信号进行拼接。例如，接收的混沌超声波信号和预生成的混沌超声波信号经过补0后的数据形状为[1，20000]，则拼接后的数据形状为[5，20000]，其中，5表示4个超声采集装置接收的信号与1个预生成的混沌超声波信号经过补0后的信号，20000则表示每个超声采集装置接收的信息。

参照图2，本申请的神经网络的结构包括主干网络、粗定位网络和精细定位网络。预处理的信号输入主干网络后，主干网络的输出信号输入粗定位网络和精细定位网络，粗定位网络的输出信号输入精细定位网络。

参照图3，主干网络结构由五个瓶颈结构、一个全局平均池化层和两个注意力模块组成。注意力模块包括通道注意力模块和空间注意力模块。两个注意力模块可以使神经网络更加关注重点信息，对于局部的无效信息降低关注度，从而达到简化模型、加速计算的目的。

其中，第一个瓶颈结构的卷积层为二维卷积，其他瓶颈结构的卷积层为一维卷积。全局平均池化层将第一个瓶颈结构的输出映射为[1,10000]，再依次输入剩余的瓶颈结构中。

参照图3-4，设置瓶颈结构的卷积核个数C、卷积核尺寸K和卷积过程补充的值P。在第一个瓶颈结构(即瓶颈结构-1)中C32K5表示有32个5x5的卷积核，其余瓶颈结构中K尺寸固定设置为1x9，P设置为4，旨在防止数据在卷积过程中由于卷积特导性致缺失边界数据并进行补充。

最后一个瓶颈结构输出的结果与通道注意力模块相乘后，再与空间注意力模块相乘后输出，主干网络最终的输出的尺寸为[512,625]。

参照图4，瓶颈结构包括3个卷积层、3个ReLU激活函数和1个下采样层。

参照图5，粗定位网络结构包括3个卷积层、3个ReLU激活函数和1个自适应平均池化层。粗定位网络接收主干网络的输出并输出形状为[1,3]的向量。向量中的三个元素分别为关键节点的粗定位空间坐标，以(x,y,z)坐标表示,其精度为厘米级。

参照图6，精细定位网络结构包含5个卷积层、5个ReLU激活函数和1个自适应平均池化层。精细定位网络接收主干网络和粗定位网络输出拼接而成的矩阵。该矩阵的形状为[515,625]，其前512行为主干网络的输出矩阵，后3行为重复的3个粗定位的空间坐标。精细定位网络的输出为1个[3，11]的矩阵。其中元素最大的位置表示精细定位的输出结果。输出向量的11个元素分别对应5到5的整数，表示对粗定位神经网络定位输出结果在毫米精度下的修正。

通过神经网络的主干网络提取特征信息，神经网络的粗定位网络从而输出坐标，由于精度为厘米级，粗定位网络经过有效训练可以输出关键节点的位置信息。

神经网络的精细定位网络接收到粗定位网络输出的位置信息与主干网络提取的特征信息，通过对厘米精度下偏移量进行分类的方式实现了对粗定位网络定位误差的有效修正。

具体地，假设粗定位网络的输出为CP，精细定位网络的输出为FP，则神经网络最终的输出结果P为：

P＝[P

其中P

P

P

P

其中CP、FP均为三维坐标形式：

CP＝[CP

FP＝[FP

其中，FP

进一步地，当执行精度要求低的告警任务，且精度要求仅厘米级范围时，神经网络的精细定位网络可不工作，并直接通过神经网络的粗定位网络输出结果。

进一步地，神经网络的损失函数可以评价神经网络预测值的好坏，即预测值与真实值的差距程度。在每一轮训练的过程中，向损失函数输入神经网络的预测值与数据对应的标签，计算神经网络预测值与标签的误差值，并利用误差值进而优化神经网络。

在训练中，粗定位网络采用均方误差作为损失函数；精细定位网络采用交叉熵作为损失函数。其中，均方误差的公式如下：

式中，k为样本数据编号；label

交叉熵的公式如下：

其中，k为样本数据编号，label

进一步地，神经网络的训练依赖样本集的构成，其构成如下：

神经网络的训练所需样本集包括仿真样本集。仿真样本集由仿真软件依据实际构件组装场地的数字化模型和在其中随机放置的超声发生装置模型共同生成。每条仿真样本对应的标签均为生成仿真样本的超声发生装置模型在构件组装场地的数字化模型中的位置信息，由(x，y，z)坐标描述。仿真样本集中包含模型设置在直射无遮挡情况下采集的数据集与少部分直射路径被遮挡情况下采集的数据集。仿真样本集按照8∶2的划分为仿真训练集和仿真测试集，且对应的标签划分为定位(厘米级精度)与偏移量的形式，分别用作粗定位网络的标签和精细定位网络的标签。其中，仿真软件可以使用matlab和cad。

神经网络的训练所需样本集还包括实采样本集。实采样本集由告警系统的告警超声采集装置组和告警数据处理模块中的数据预处理子模块采集获得。每条实采样本对应的标签均为生成实采样本的超声发生装置在构件组装场地中的实际位置，由(x’，y’，z’)坐标描述。实采样本集中包含场地内实采条件下，信号直射无遮挡情况下采集的数据集和少部分直射路径被遮挡情况下采集的数据集。实采样本集按照8∶2的划分为实采训练集和实采测试集，且对应的标签划分为定位(厘米级精度)与偏移量的形式，分别用作粗定位网络的标签和精细定位网络的标签。

仿真样本集中的样本和标签的数据格式与实采样本集中数据格式的完全一致。

最后，对神经网络进行训练。神经网络的训练有仿真训练阶段和实采训练阶段两个阶段。

使用不同的训练集样本完成两个阶段训练的过程，即使用仿真样本集训练好神经网络后再将此网络继续使用实采样本集进行训练。训练具体过程如下：

A.将训练集样本输入神经网络，神经网络产生两个预测输出：粗定位结果和精细定位结果；

B.这两个输出结果首先与对应训练样本标签中划分好的定位信息(厘米级精度)与偏移量分别计算损失函数L

C.利用粗定位网络损失函数L

D.不断重复上述A、B和C步骤，

仿真样本集训练阶段时，在仿真训练集上训练一段时间后，当仿真测试集上测试准确率达到第一阈值(100％)时停止上述训练，并进入实采样本训练阶段。同理，在实采训练集训练一段时间后，当实采测试集上测试准确率达到第二阈值(98％)时停止上述训练，神经网络训练完成。

采用训练好的深度神经网络接收经过数据预处理后的混沌超声波信号，即可输出构件关键节点的位置信息，可根据不同构件对接安装的任务设置不同的速度的阈值及边界阈值，通过神经网络输出的关键节点的位置信息判断构件或组装部件关键节点的位置边界和运动速度是否超出预设的边界和阈值，超出则进行告警。

综上所述，一种应用于大型及超大型构件的场内构件或部件对准组装过程的告警方法，通过获取构件不同的关键节点上发出的不同频段的混沌超声波信号，利用神经网络处理获取的混沌超声波信号并学习输出构件上不同位置的超声发生装置的空间坐标信息，从而得到其关键节点的位置信息，利用输出的关键节点的位置信息，判断关键节点的位置边界和运动速度是否超出预设的边界和阈值，如若超出则告警。不同频段的混沌超声波信号互不干扰，减少混沌超声波信号之间的串扰，保证了预处理拼接信号中所含测距信息来自于同一个超声发生装置，有利于神经网络精准输出关键节点位置信息；改善了因信号的周期性导致相位匹配产生误差，进而影响定位精度的情况。降低了告警系统误告警和不告警的可能性；神经网络输出关键节点位置信息相比传统定位算法有更好的抗干扰能力，可以在输入信号包含少量干扰的情况下输出较为准确的位置信息，有效减少告警系统误告警和不告警发生的概率；改善了传统告警方法过程中，场地内执行机构或组装部件阻挡信号的直射路径进而导致误告警的情况。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

参照图7，本申请实施例还提供一种告警系统，该告警系统包括超声发生模块、告警超声采集装置组、告警数据处理模块、告警判断模块和告警模块；

超声发生模块，包含四个或以上的超声发生装置，具体的数目由构件或安装部件的结构确定，本实施例中，可以为四个，这些超声发射装置被设置于构件的关键节点上，分别在不同频段上发射互不干扰的超声混沌信号，同一个位置的超声发生装置的信号频率相同；

告警超声采集装置组，包含四个或以上的超声采集装置，超声采集装置被设置于场地内靠近工作场地的固定位置，每个超声采集装置有多个信号采集通道，用于接收对应频段的混沌超声波信号；

超声采集装置的数量取决于不同场地情况下，工业机器人的机械臂或其他执行机构阻挡信号直射路径的概率情况。若超声采集装置的数量少于四个，则接收的信息不够用于神经网络学习，即神经网络难以学习到有效信息。如果在构件或组装部件对准与安装的场地空间中，工业机器人的机械臂或其他执行机构较为密集，阻挡一路信号直射路径的概率大，则需要增多超声采集装置的数量以给神经网络提供更多的路径测距信息以支持定位。而超声采集装置数量过多，会增加数据的处理量，降低神经网络输出位置信息的实时性，所以超声采集装置的数量也不宜过多。本实施例中，选取四个超声采集装置。当场地内工业机器人的机械臂或其他执行机构阻挡信号直射路径的概率较小时，四个超声采集装置即可完成精准定位，输出定位信息的实时性也较好；

告警数据处理模块，通讯连接于所述告警超声采集装置组，用于接收不同频率的混沌超声波信号，并将接收到相同频段的混沌信号进行拼接处理，生成对应超声发生装置数量的拼接信号；

告警判断模块连接于所述告警数据处理模块的输出端，用于通过预设的神经网络输出构件关键节点的位置信息，基于所述位置信息和所设阈值判断是否告警；

具体地，神经网络基于拼接信号推理计算得到对应拼接信号的位于构件或安装部件关键节点的超声发生装置的位置信息；本实施例中，包括四个超声发生装置的位置信息；神经网络是一种模仿动物神经网络系统并具有学习能力的数学模型。在训练中，神经网络会依据输入样本计算得到输出结果，并根据输出结果和样本标签的误差调整其内部参数。因此，神经网络可在训练过程中学到如何从数据中的到想要的结果，而不需要人工设计其计算流程；

具体地，基于所述位置信息和所设阈值判断是否告警，可根据不同构件对接或安装的任务设置不同的速度阈值及预设边界，根据神经网络输出的关键节点的位置信息，判断构件关键节点的位置边界和运动速度是否超出预设的边界和速度阈值，超出阈值则进行告警，即向后输出告警指令；

告警模块，连接于所述告警判断模块的输出端，用于根据告警判断模块输出的告警指令进行综合警报；告警模块可以为场地内告警喇叭与告警灯等报警设施。

参照图8，超声发生装置的混沌超声波信号的生成、告警超声采集装置组采集的混沌超声波信号的数据处理、与告警状态的判断都由同一个计算机系统完成。

综上所述，一种告警系统在构件的关键节点上设置四个或以上超声发生装置。这些装置发送不同频段的超声混沌信号。

在场地固定位置设置四个或以上超声采集装置，使得告警系统包含有冗余的超声采集装置，这种冗余会为深度神经网络提供更多的位置推理依据，使深度神经网络可以输出更准确的定位；并且由于拼接信号所包含冗余的多路测距信息，当一路信号被阻挡时，拼接信号中其余路径所包含的信息也足够实现精准定位。

利用神经网络处理所接收且经过预处理的混沌超声波信号，并输出所对应的超声发生装置所在关键节点的位置信息，再根据输出的位置信息判断由构件或组装部件位置边界和运动速度是否超出预设的边界和阈值，当边界与速度超出设置的阈值时进行告警。神经网络本身具有良好的抗干扰能力，可以在训练过程中学习到如何从噪声或多径干扰情况下提取有用信息进行定位，可在训练的过程中通过数据驱动进行自我修正，不需要大量的额外实验对算法模型进行补偿和修正，在存在噪声等干扰情况下定位精度较传统超声波定位算法更高，进而减少了误告警和不告警发生的可能性。

由于数据集包含多个一路直射波被阻挡时采集的数据及标签对，并具备冗余的测距信息，通过神经网络强大的提取信息的能力，其可在多轮训练后可以学到当一路信号被遮挡时使用其余路径信息实现精准定位，进而减少了误告警发生的可能性。

场地内告警喇叭与告警灯等报警设施接收到告警指令后进行告警。

故一种告警系统应用于大型及超大型构件的近场对准或构件组装过程中附属构件的安装，避免了传统告警过程中存在的由于场地内执行机构或组装部件阻挡信号的直射路径进而导致误告警的情况；并且提升了定位精度，有效减少了传统定位算法受噪声等情况干扰时关键节点定位不准确导致出现的系统误告警或不告警状况。

关于一种告警系统的具体限定可以参见上文中对于一种告警方法限定，在此不再赘述。

上述一种告警系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述任意一种告警方法。

在一个实施例中，提供了一种计算机可读存储介质，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：

S1:获取构件的关键节点上发射出的不同频段的混沌超声波信号；

S2:预处理获取的所述混沌超声波信号；

S3:将预处理的所述混沌超声波信号输入预设的神经网络中，输出构件关键节点上的位置信息；

S4:基于所述位置信息和所设阈值判断是否告警。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述系统的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。