机械设备异常检测的边缘检测模型构建方法及装置制造方法及图纸

本发明专利技术实施例提供一种机械设备异常检测的边缘检测模型构建方法及装置，该方法包括：建立无监督异常检测模型，使用历史正常数据集进行模型剪枝训练及量化训练，得到压缩后的无监督异常检测模型；建立有监督异常检测模型，使用带有标签的历史数据训练集进行模型剪枝训练及量化训练，得到压缩后的有监督异常检测模型；将压缩后无监督异常检测模型和压缩后有监督异常检测模型，发送到边缘硬件节点，以供所述边缘硬件节点进行集成学习，得到异常检测的边缘检测模型。该方法能够对云计算服务器中，检测结果准确但是计算规模较大的检测模型进行有效精简，并只损失了少量的计算精度，在模型体积和运算资源占用上均有大幅度压缩，充分满足边缘计算需求。

Edge detection model construction method and device of mechanical equipment anomaly detection

【技术实现步骤摘要】
机械设备异常检测的边缘检测模型构建方法及装置
本专利技术涉及机械设备异常监测领域，尤其涉及一种机械设备异常检测的边缘检测模型构建方法及装置。
技术介绍
随着大数据人工智能的发展以及工业4.0的兴起，各工业企业对设备监测及异常预警越发的重视。现在大部分的工业智能化企业在给传统行业赋能时都选择云平台的形式，即在服务器上部署复杂算法，将设备的振动、温度、噪声等原始数据通过无线或2G网络上传云平台进行运算。这种方式虽然可以保证预警一定程度上的准确性，但弊端同样十分明显：1)2G或无线传输大量数据上云导致采集器无法从有源变为无源，因为原始数据较为庞大，传输十分耗电。而有源就意味着在设备周围进行复杂的布线，这就导致了安全隐患和故障概率的增加。2)在数据即资产的时代，没有一个企业希望自己的设备数据大量外泄，而原始数据的无线传输加大了这样的风险。所以如何能让无线设备只上传预警结果上云，同时保证有效的正确率是当前的一大难点。目前的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。目前的检测方法虽然将算法迁移到了边缘设备运算，但其异常检测算法为了满足边缘计算性能仍只使用简单的物理特征(均值、标准差、峰值、傅里叶变换等)及简单机器学习线性模型。这样做虽然可以保证模型在边缘段的计算和更新，但异常监测相比云平台上正确率会随着边缘特征及模型的简化而产生下降，从而使漏报及误报增加。另一方面，为了模糊正确率下降的影响，最终在边缘端输出的是评价较为宽泛的健康指数，这就会导致用户在使用时对其概念理解参差不齐，不好量化。
技术实现思路
为了解决上述问题，本专利技术实施例提供一种机械设备异常检测的边缘检测模型构建方法及装置。第一方面，本专利技术实施例提供一种机械设备异常检测的边缘检测模型构建方法，包括：建立无监督异常检测模型，使用历史正常数据集进行模型剪枝训练及量化训练，得到压缩后的无监督异常检测模型；建立有监督异常检测模型，使用带有标签的历史数据训练集进行模型剪枝训练及量化训练，得到压缩后的有监督异常检测模型；将压缩后无监督异常检测模型和压缩后有监督异常检测模型，发送到边缘硬件节点，以供所述边缘硬件节点进行集成学习，得到异常检测的边缘检测模型。进一步地，所述建立无监督异常检测模型，包括：获取多个机械设备正常运行的历史数据，构成所述历史正常数据集；建立初始无监督异常检测模型，利用所述历史正常数据集对所述初始无监督异常检测模型进行训练，得到所述无监督异常检测模型；所述建立有监督异常检测模型，包括：获取多个机械设备的历史数据，并获取所述历史数据对应的异常结果标签，构成带有标签的历史数据训练集；建立初始有监督异常检测模型，利用带有标签的历史数据训练集对所述初始有监督异常检测模型进行训练，得到所述有监督异常检测模型。进一步地，所述使用历史正常数据集进行模型剪枝训练及量化训练，得到压缩后的无监督异常检测模型，包括：使用历史正常数据集进行模型剪枝训练，得到剪枝后的无监督异常检测模型；使用历史正常数据对剪枝后的无监督异常检测模型，进行量化训练，得到所述压缩后的无监督异常检测模型。进一步地，所述使用带有标签的历史数据训练集进行模型剪枝训练及量化训练，得到压缩后的有监督异常检测模型，包括：使用带有标签的历史数据训练集进行模型剪枝训练，得到剪枝后的有监督异常检测模型；使用带有标签的历史数据训练集对剪枝后的有监督异常检测模型，进行量化训练，得到所述压缩后的有监督异常检测模型。第二方面，本专利技术实施例提供一种机械设备异常检测的边缘检测模型构建方法，包括：接收压缩后无监督异常检测模型和压缩后有监督异常检测模型；对所述压缩后无监督异常检测模型和所述压缩后有监督异常检测模型进行集成学习，得到异常检测的边缘检测模型；其中，压缩后的无监督异常检测模型为云平台服务器使用历史正常数据集，对无监督异常检测模型，进行模型剪枝训练及量化训练后得到；压缩后的有监督异常检测模型为云平台服务器，使用带有标签的样本数据，对有监督异常检测模型进行模型剪枝训练及量化训练后得到。进一步地，所述接收压缩后无监督异常检测模型和压缩后有监督异常检测模型之后，所述对所述压缩后无监督异常检测模型和所述压缩后有监督异常检测模型进行集成学习之前，还包括：使用边缘正常数据集对所述压缩后无监督异常检测模型进行微调操作，使用边缘带标签训练集对压缩后有监督异常检测模型进行微调操作。第三方面，本专利技术实施例提供一种机械设备异常检测的边缘检测模型构建装置，包括：第一模型构建模块，用于建立无监督异常检测模型，使用历史正常数据集进行模型剪枝训练及量化训练，得到压缩后的无监督异常检测模型；第二模型构建模块，用于建立有监督异常检测模型，使用带有标签的历史数据训练集进行模型剪枝训练及量化训练，得到压缩后的有监督异常检测模型；发送模块，用于将压缩后无监督异常检测模型和压缩后有监督异常检测模型，发送到边缘硬件节点，以供所述边缘硬件节点进行集成学习，得到异常检测的边缘检测模型。第四方面，本专利技术实施例提供一种机械设备异常检测的边缘检测模型构建装置，包括：接收模块，用于接收压缩后无监督异常检测模型和压缩后有监督异常检测模型；处理模块，用于对所述压缩后无监督异常检测模型和所述压缩后有监督异常检测模型进行集成学习，得到异常检测的边缘检测模型；其中，压缩后的无监督异常检测模型为云平台服务器使用历史正常数据集，对无监督异常检测模型，进行模型剪枝训练及量化训练后得到；压缩后的有监督异常检测模型为云平台服务器，使用带有标签的样本数据，对有监督异常检测模型进行模型剪枝训练及量化训练后得到。第五方面，本专利技术实施例提供一种电子设备，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，处理器执行程序时实现本专利技术第一方面机械设备异常检测的边缘检测模型构建方法的步骤。第六方面，本专利技术实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本专利技术第一方面机械设备异常检测的边缘检测模型构建方法的步骤。本专利技术实施例提供的机械设备异常检测的边缘检测模型构建方法及装置，通过使用历史正常数据集进行模型剪枝训练及量化训练，得到压缩后的无监督异常检测模型，以及使用带有标签的历史数据训练集进行模型剪枝训练及量化训练，得到压缩后的有监督异常检测模型，能够对云计算服务器中，检测结果准确但是计算规模较大的检测模型进行有效精简，并只损失了少量的计算精度，能够有效适用于边缘节点的存储受限和计算能力受限，在模型体积和运算资源占用上均有大幅度压缩，充分满足边缘计算需求。通过将压缩后无监督异常检测模型和压缩后有监督异常检测模型，发送到边缘硬件节点，将两者类型的检测模型同时用于边缘节点进行检测分析，通过边缘硬本文档来自技高网...

【技术保护点】
1.一种机械设备异常检测的边缘检测模型构建方法，其特征在于，包括：/n建立无监督异常检测模型，使用历史正常数据集进行模型剪枝训练及量化训练，得到压缩后的无监督异常检测模型；/n建立有监督异常检测模型，使用带有标签的历史数据训练集进行模型剪枝训练及量化训练，得到压缩后的有监督异常检测模型；/n将压缩后无监督异常检测模型和压缩后有监督异常检测模型，发送到边缘硬件节点，以供所述边缘硬件节点进行集成学习，得到异常检测的边缘检测模型。/n

【技术特征摘要】
1.一种机械设备异常检测的边缘检测模型构建方法，其特征在于，包括：
建立无监督异常检测模型，使用历史正常数据集进行模型剪枝训练及量化训练，得到压缩后的无监督异常检测模型；
建立有监督异常检测模型，使用带有标签的历史数据训练集进行模型剪枝训练及量化训练，得到压缩后的有监督异常检测模型；
将压缩后无监督异常检测模型和压缩后有监督异常检测模型，发送到边缘硬件节点，以供所述边缘硬件节点进行集成学习，得到异常检测的边缘检测模型。


2.根据权利要求1所述的机械设备异常检测的边缘检测模型构建方法，其特征在于，所述建立无监督异常检测模型，包括：
获取多个机械设备正常运行的历史数据，构成所述历史正常数据集；
建立初始无监督异常检测模型，利用所述历史正常数据集对所述初始无监督异常检测模型进行训练，得到所述无监督异常检测模型；
所述建立有监督异常检测模型，包括：
获取多个机械设备的历史数据，并获取所述历史数据对应的异常结果标签，构成带有标签的历史数据训练集；
建立初始有监督异常检测模型，利用带有标签的历史数据训练集对所述初始有监督异常检测模型进行训练，得到所述有监督异常检测模型。


3.根据权利要求1所述的机械设备异常检测的边缘检测模型构建方法，其特征在于，所述使用历史正常数据集进行模型剪枝训练及量化训练，得到压缩后的无监督异常检测模型，包括：
使用历史正常数据集进行模型剪枝训练，得到剪枝后的无监督异常检测模型；
使用历史正常数据对剪枝后的无监督异常检测模型，进行量化训练，得到所述压缩后的无监督异常检测模型。


4.根据权利要求1所述的机械设备异常检测的边缘检测模型构建方法，其特征在于，所述使用带有标签的历史数据训练集进行模型剪枝训练及量化训练，得到压缩后的有监督异常检测模型，包括：
使用带有标签的历史数据训练集进行模型剪枝训练，得到剪枝后的有监督异常检测模型；
使用带有标签的历史数据训练集对剪枝后的有监督异常检测模型，进行量化训练，得到所述压缩后的有监督异常检测模型。


5.一种机械设备异常检测的边缘检测模型构建方法，其特征在于，包括：
接收压缩后无监督异常检测模型和压缩后有监督异常检测模型；
对所述压缩后无监督异常检测模型和所述压缩后有监督异常检测模型进行集成学习，得到异常检测的边缘检测模型；
其中，压缩后的无监督异常...

【专利技术属性】
技术研发人员：蔺思宇，马君，王伟，刘勇攀，李素洁，刘涛，杨晨旺，周景源，
申请(专利权)人：湃方科技天津有限责任公司，
类型：发明
国别省市：天津;12