一种异常检测边缘计算系统技术方案

本发明专利技术公开了一种异常检测边缘计算系统，涉及边缘计算领域，包括硬件子系统和软件子系统，其中，硬件子系统包括数据采集模块和计算平台，被检测信号经过数据采集模块数字化传送到计算平台，计算平台承载高复杂度运算，并且支持数据整合、数据通信接口、网络服务；软件子系统运行在计算平台，对数字化信号进行处理和分析并对外呈现，包括模型在线训练模块、模型执行模块、Web服务。本发明专利技术支持自适应异常检测模型在线训练，当检测不同类型的工业设备时或者某设备原有诊断模型失效时，可以重新在线训练及更新模型参数，满足通用性和适用性需求。

An Abnormal Detection Edge Computing System

【技术实现步骤摘要】
一种异常检测边缘计算系统
本专利技术涉及边缘计算领域，尤其涉及一种异常检测边缘计算系统。
技术介绍
工业生产的顺利进行需要基于工业设备的健康有效运行，如果工业设备特别是机械类设备发生意外故障，对生产过程影响巨大，直接影响整体产值效益。设备健康检测是对运行中的机械设备整体或其零部件的工作状态进行检测，确认运行状态是否正常，有没有异常情况或者异常征兆情况，预测设备异常信息趋势并确定设备故障程度，然后采取合适的方法去提前解决问题。随着更低成本的传感器、智能硬件系统以及大数据分析技术的出现及发展，大大促进了在线状态检测及预测性维护解决方案的普及。在特定生产环境中对大型发电涡轮机等重要旋转设备和压缩机、泵、风扇等辅助旋转机械进行在线状态检测可帮助公司最大程度地了解资产设备和厂房的整体可靠性，进而了解机器的运行状态，并据此做出商业决策。对于昂贵的大型资本设备和旋转机械，采用在线状态检测解决方案的回报远远高于成本。最大的回报是增加利润，这主要是通过最大化正常运行时间和生产机械效率来实现。正常运转的机器可保证最大产量，并且通过检测生产机器，用户可以根据机械行为检测产品输出缺陷，减少废料和原材料的使用，同时提高产品质量。此外，通过策略性维修及在线状态检测系统，机器的运行和维护费用可以显著降低。在线检测系统还可以识别正在形成的故障，使用户有足够的准备计划停机时间，适当安排检修，避免了昂贵的工厂停产。通过检测各种性能参数，状态检测系统实际上可以帮助提醒即将发生的故障风险，进而避免严重的损失。随着在线检测系统的功能性扩展和性能日益提升，现在的设备在线检测系统硬件通常集成了高速率振动等信号实时采集、协议信号读取、高性能计算能力、网络传输接口等功能，也可以统称为工业智能边缘计算系统。同时，工业设备种类繁多，故障机理各不相同，传统的诊断算法只能识别机理明确、特征明显的严重故障，而对一些微弱故障或者机理不明确的故障类型却束手无策，所以近年来基于数据驱动的通过异常检测模型的设备健康检测方法日益得到落地试用。因此，本领域的技术人员致力于开发一种支持机器学习的异常检测边缘计算系统。
技术实现思路
有鉴于现有技术的上述缺陷，本专利技术所要解决的技术问题是设计支持数据采集且具有高性能在线计算能力的一体化边缘计算系统，满足检测对象或工况变化时的通用性和适用性需求，并降低应用部署和运维成本。为实现上述目的，本专利技术提供了一种异常检测边缘计算系统。在本专利技术的较佳实施方式中，包括硬件子系统和软件子系统，硬件子系统作为边缘计算的基础和应用载体，包括数据采集模块和计算平台，被检测信号经过数据采集模块数字化传送到计算平台，计算平台承载高复杂度运算，并且支持数据整合、数据通信接口、网络服务；软件子系统运行在计算平台，对数字化信号进行处理和分析并对外呈现，包括模型在线训练模块、模型执行模块、Web服务。可选地，在上述任一实施例中的异常检测边缘计算系统中，上述被检测信号包括但不限于振动、电压、电流、转速等信号，采集模块包括不同的采集硬件实现对上述信号的采集。可选地，在上述任一实施例中的异常检测边缘计算系统中，上述高复杂度运算包括但不限于采集驱动、数据处理、模型执行、模型训练。可选地，在上述任一实施例中的异常检测边缘计算系统中，上述模型在线训练模块最核心的技术功能模块，是保证满足检测对象或工况变化时的通用性要求所需的最核心模块；当用户启动该模块时，该模块自动采集最新的数据，并经过一系列处理和分析之后训练出最新基线模型；模型训练结束之后，系统更新该模型给模型执行模块，以实时检测检测系统状态并且计算健康偏离程度。可选地，在上述任一实施例中的异常检测检测边缘计算系统中，上述模型在线训练模块训练步骤包括：S10、数据预处理，清除故障数据和明显异常的训练数据，由于传感器或传输过程的异常，造成部分数据记录不完全或存在异常干扰，这些记录会对数据分析处理带来影响，应当清除；S20、特征提取，筛选能够表征所述被检测信号机理原理的特征；S30、特征归一化，由于提取出的特征可能会存在数量级等一些固有差异，对所述特征进行归一化再进行建模，提高泛化能力；S40、基线模型训练，使用所述特征建立健康状态基线模型，通过学习算法得到标准基线模型，并得到相应的MQE作为参考阈值；S50、模型更新，把所述标准基线模型更新到所述模型执行模块。可选地，在上述任一实施例中的异常检测边缘计算系统中，上述学习算法使用模型自组织映射算法(Self-organizingMaps，SOM)，SOM算法是一种无监督学习方法，具有良好的自组织、可视化等特性，在得到标准基线模型同时，得出相应的MQE(MinimumQuantizationError，最小量化误差)作为参考阈值。可选地，在上述任一实施例中的异常检测边缘计算系统中，上述步骤S20还包括：S21、时域特征提取，所述时域特征包括均值、标准差、RMS、峰值、峰值因子、峭度、偏度；S22、频域特征提取，采用的方法包括FFT分析、阶次谱分析、包络谱分析。可选地，在上述任一实施例中的异常检测边缘计算系统中，上述数据采集模块时刻实时采集数据，传输给上述模型执行模块。可选地，在上述任一实施例中的异常检测边缘计算系统中，上述模型执行模块执行步骤包括：S100、数据预处理，清除故障数据和明显异常的实时采集数据；S200、特征提取，筛选能够表征所述被检测信号机理原理的特征；S300、特征归一化，对所述特征进行归一化；S400、模型计算执行，基于标准基线模型，计算实时健康指数；S500、健康指数输出。可选地，在上述任一实施例中的异常检测边缘计算系统中，上述步骤S200还包括：S210、时域特征提取，所述时域特征包括均值、标准差、RMS、峰值、峰值因子、峭度、偏度；S220、频域特征提取，采用的方法包括FFT分析、阶次谱分析、包络谱分析。可选地，在上述任一实施例中的异常检测边缘计算系统中，上述实时健康指数采用0～100数值表示，数值越高代表越健康，当上述实时健康指数低于所述参考阈值时，被检测工业设备工作异常。可选地，在上述任一实施例中的异常检测边缘计算系统中，上述Web服务提供WebUI界面，通过所述WebUI界面可以设置训练收敛条件、进行训练起始和中止操作、配置采集通道，还可以查看实时健康指数、告警、历史趋势变化图。本专利技术提供了一种异常检测边缘计算系统，支持数据采集且具有高性能在线计算能力的一体化边缘计算系统，用于工业设备的异常检测应用，大大降低了应用部署和运维成本；该系统支持自适应异常检测模型在线训练，检测不同类型的工业设备或者某设备原有模型失效时，可以重新在线训练及更新模型参数，满足通用性和适用性需求。以下将结合附图对本专利技术的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本专利技术的目的、特征和效果。附图说明图1是本专利技术的一个较佳实施例的组成示意图；图2是本专利技术的一个较佳实施例的模型在线训练模块与模型执行模块示意图。具体实施方式以下参考说明书附图介绍本专利技术的多个优选实施例，使其
技术实现思路
更加清楚和便于理解。本专利技术可以通过许多不同形式的实施例来得以体现，本专利技术的保护范围并非仅限于文中提到的实施例。在附图中，结构相同的部件以相同数字标号表示，各处结构或功能相似的组件以相似数字标号本文档来自技高网...

【技术保护点】
1.一种异常检测边缘计算系统，其特征在于，包括硬件子系统和软件子系统，其中，所述硬件子系统包括数据采集模块和计算平台，被检测信号经过所述数据采集模块数字化传送到所述计算平台，所述计算平台承载高复杂度运算，并且支持数据整合、数据通信接口、网络服务；所述软件子系统运行在所述计算平台，对数字化信号进行处理和分析并对外呈现，包括模型在线训练模块、模型执行模块、Web服务。

【技术特征摘要】
1.一种异常检测边缘计算系统，其特征在于，包括硬件子系统和软件子系统，其中，所述硬件子系统包括数据采集模块和计算平台，被检测信号经过所述数据采集模块数字化传送到所述计算平台，所述计算平台承载高复杂度运算，并且支持数据整合、数据通信接口、网络服务；所述软件子系统运行在所述计算平台，对数字化信号进行处理和分析并对外呈现，包括模型在线训练模块、模型执行模块、Web服务。2.如权利要求1所述的异常检测边缘计算系统，其特征在于，所述模型在线训练模块训练步骤包括：S10、数据预处理，清除故障数据和明显异常的训练数据；S20、特征提取，筛选能够表征所述被检测信号机理原理的特征；S30、特征归一化，对所述特征进行归一化再进行建模，提高泛化能力；S40、基线模型训练，使用所述特征建立健康状态基线模型，通过学习算法得到标准基线模型，并得到相应的MQE作为参考阈值；S50、模型更新，把所述标准基线模型更新到所述模型执行模块。3.如权利要求2所述的异常检测边缘计算系统，其特征在于，所述步骤S20还包括：S21、时域特征提取，所述时域特征包括均值、标准差、RMS、峰值、峰值因子、峭度、偏度；S22、频域特征提取，采用的方法包括FFT分析、阶次谱分析、包络谱分析。4.如权利要求3所述的异常检测边缘计算系统，其特征在于，所述模型执行模块执行步骤包括...

【专利技术属性】
技术研发人员：陈芳，李文韬，崔鹏，刘宗长，金超，晋文静，
申请(专利权)人：北京天泽智云科技有限公司，
类型：发明
国别省市：北京,11