一种基于边云协同的厨电设备预测性维护系统及方法技术方案

本申请提供一种基于边云协同的厨电设备预测性维护系统及方法，所述方法对厨电设备及其工作环境的周期性或持续性检测，获得大量的相关运行情况数据或者环境参数；通过对这些数据进行分析，可以反映厨电设备的运行情况，进一步预测短期一段时间内设备是否会发生故障危险，提前发出预警信息；还可以从长期角度估计设备的剩余使用寿命，从而让居民可以及时对处在危险期的设备进行报废、更换等处理。

【技术实现步骤摘要】
一种基于边云协同的厨电设备预测性维护系统及方法
本申请涉及边云协同和人工智能领域，具体涉及一种基于边缘计算节点与云平台协同工作，利用深度神经网络分析厨电设备工作数据，预测设备故障的发生和设备剩余预期寿命，从而实现厨电设备的预测性维护的方法。
技术介绍
随着我国经济快速发展和人民生活水平的显著提高，居民家中的厨房也开始使用越来越多的厨电设备。厨电设备在给居民带来便利的同时，也存在一定的安全隐患，比如设备的老化、故障，可能会带来包括火灾、触电、有毒气体泄露等危险。目前，国内市场上存在有不少家居厨房安全监控产品，这些产品大多采用以下的方法保障厨房安全：利用传感器实时采集厨电设备数据，并传输到监控中心。当危险发生导致相关数据超过设定的安全阈值时，控制主机会发出相应的报警信号或自动执行排除危险的安全措施，比如自动切断电源和断开燃气阀门等操作。这类方法具有系统简单、产品成本低的优点，可以在危险发生后取得一定的应急效果。然而现有技术中的这些方法不能根据厨电设备的历史运行情况提前预测设备的故障和危险的发生。因此该方法可靠性不足，未能及时消除危险源。为了充分保障居民的生命财产安全和提高居民生活水平，迫切需要对居民家居厨电设备进行预测性维护，做到防患之未然。
技术实现思路
本申请的目的是提出了一种基于边云协同的厨电设备预测性维护系统及方法，用以减小或避免现有的厨房安全系统因可靠性、智能性低而带来的家用厨电设备的故障风险问题。为了实现上述任务，本申请采用以下技术方案：一种基于边云协同的厨电设备预测性维护系统，包括传感器网络、边缘计算节点和云平台，其中：所述传感器网络用于实时或周期性采集厨电设备的工作数据，包括厨电设备的运行数据和/或工作环境参数数据，并将采集到的工作数据传输到边缘计算节点；所述边缘计算节点包括数据预处理模块和故障分类预测模块，其中数据预处理模块用于对工作数据进行去噪、滤波、融合，并将工作数据分类为短期工作数据和长期工作数据，然后将长期工作数据上传到云平台；故障分类预测模块利用深度神经网络，对经过预处理后的短期工作数据进行分类分析，输出故障可能发生的概率和故障不发生的概率；所述云平台包括回归预测模块和网络模型训练模块，其中回归预测模块利用深度神经网络对所述长期工作数据进行归回预测分析，输出下一次故障发生的时间和/或厨电设备的剩余使用寿命；网络模型训练模块用于对所述故障分类预测模块所用的深度神经网络、回归预测模块所用的深度神经网络的训练，并将故障分类预测模块所用的深度神经网络训练好的网络模型下发到边缘计算节点。一种基于边云协同的厨电设备预测性维护方法，包括以下步骤：步骤1，针对不同的厨电设备部署不同类型的传感器以构成传感器网络，利用传感器网络实时或周期性采集厨电设备的工作数据，包括厨电设备的运行数据和/或工作环境参数数据；步骤2，在传感器网络边缘部署包含数据预处理模块和故障分类预测模块的边缘计算节点；步骤3，利用云平台中的大数据，训练边缘计算节点的故障分类预测模块所用的深度神经网络以及云平台的回归预测模块所用的深度神经网络，并将故障分类预测模块所用的深度神经网络训练得到的分类预测模型下发给故障分类预测模块，将回归预测模块所用的深度神经网络训练好的回归预测模型传送给回归预测模块；步骤4，将传感器网络采集到的工作数据传输到边缘计算节点的数据预处理模块，通过数据预处理模块对工作数据进行预处理，包括去噪、滤波、融合，得到标准化的工作数据；步骤5，将预处理后得到的标准化的工作数据中，短期工作数据传输到边缘计算节点的故障分类预测模块，长期工作数据上传到云平台的回归预测模块；步骤6，边缘计算节点的故障分类预测模块利用训练得到的分类预测模型，对所述短期工作数据进行分析，分类给出对应的未来一段时间内故障可能发生的概率和故障不会发生的概率，并将得到的故障发生概率和故障不会发生的概率与系统设定的阈值作比较，从而判定厨电设备是否会发生故障；步骤7，对厨电设备进行故障隐患的排除，并进行厨电设备的维护和更新。进一步地，所述步骤5包括：所述边缘计算节点具有数据存储功能，边缘计算节点中存储有距当前工作周期一段时间内的经过预处理得到的标准化的工作数据；在每个工作周期内，根据该周期内获取的工作数据的时间戳，分析计算得到这些工作数据的采集时间点距离当前工作周期的时间，并根据设置的时间阈值，将低于时间阈值的工作数据划分为短期工作数据，传输到边缘计算节点的故障分类预测模块的同时，上传至云平台进行保存；将高于时间阈值的工作数据划分为长期工作数据，上传到云平台的回归预测模块；上传至云平台保存的短期工作数据，随着时间的增加将逐渐转变为长期工作数据，从而使回归预测模块能利用更多的长期工作数据进行回归预测分析。进一步地，所述步骤7之前还包括：云平台的回归预测模块利用训练得到的回归预测模型，对所述长期工作数据进行拟合，得到关于时间的拟合函数，以及得到厨电设备的健康度曲线；利用所述时间的拟合函数，根据设定的安全阈值，预测出下次故障发生的时间；根据当前厨电设备的工作数据确定当前厨电设备的健康状态，利用所述健康度曲线，通过设定的厨电设备寿命安全警戒值，确定厨电设备的剩余使用寿命。进一步地，所述步骤7包括：根据厨电设备是否会发生故障的判定结果、预测的下次故障发生的时间以及厨电设备的使用寿命，对厨电设备进行故障隐患的排除，并进行厨电设备的维护和更新。进一步地，所述判定厨电设备是否会发生故障，包括：当同时满足以下条件，则可以判定厨电设备不会发生故障：条件1：故障发生概率低于故障不发生概率；条件2：故障发生概率低于系统设定的最小故障发生概率阈值；条件3：故障不发生概率高于系统设定的最小故障不发生概率阈值。进一步地，所述运行数据包括厨电设备的工作电压、工作电流、已用时长等；工作环境参数数据包括厨电设备的运行温度、环境湿度。进一步地，所述传感器网络包括布设在厨房内部和厨电上的各类信息采集传感器，包括电压传感器、温度传感器、湿度传感器、能耗传感器。进一步地，所述深度神经网络包括卷积神经网络CNN、递归神经网络RNN。进一步地，所述方法采用边云协同的方式进行数据传输，包括长期工作数据从边缘计算节点上传到云平台的过程中的数据传输，以及云平台将训练好的分类预测模型下发给边缘计算节点的过程中的数据传输；在数据传输过程，针对不同用户和不同任务需求，将数据传输过程中的异构数据进行缓存和分发，由此可降低数据传输延迟，提高边云任务调度精度，包括：在异构数据缓存和分发过程中，利用人工智能技术中的迁移学习方法来实现对内容流行度的预测：以同一时间段的内容访问特征为指标，利用基于深度学习的分类方法进行分类，再利用迁移学习的方法来提高内容流行度数值的预测精度：其中，在时间段[t，t+Δt]内第m个目标域中的流行度预测值可以表示为：其中，p本文档来自技高网...

【技术保护点】
1.一种基于边云协同的厨电设备预测性维护系统，其特征在于，包括传感器网络、边缘计算节点和云平台，其中：/n所述传感器网络用于实时或周期性采集厨电设备的工作数据，包括厨电设备的运行数据和/或工作环境参数数据，并将采集到的工作数据传输到边缘计算节点；/n所述边缘计算节点包括数据预处理模块和故障分类预测模块，其中数据预处理模块用于对工作数据进行去噪、滤波、融合，并将工作数据分类为短期工作数据和长期工作数据，然后将长期工作数据上传到云平台；故障分类预测模块利用深度神经网络，对经过预处理后的短期工作数据进行分类分析，输出故障可能发生的概率和故障不发生的概率；/n所述云平台包括回归预测模块和网络模型训练模块，其中回归预测模块利用深度神经网络对所述长期工作数据进行归回预测分析，输出下一次故障发生的时间和/或厨电设备的剩余使用寿命；网络模型训练模块用于对所述故障分类预测模块所用的深度神经网络、回归预测模块所用的深度神经网络的训练，并将故障分类预测模块所用的深度神经网络训练好的网络模型下发到边缘计算节点。/n

【技术特征摘要】
1.一种基于边云协同的厨电设备预测性维护系统，其特征在于，包括传感器网络、边缘计算节点和云平台，其中：
所述传感器网络用于实时或周期性采集厨电设备的工作数据，包括厨电设备的运行数据和/或工作环境参数数据，并将采集到的工作数据传输到边缘计算节点；
所述边缘计算节点包括数据预处理模块和故障分类预测模块，其中数据预处理模块用于对工作数据进行去噪、滤波、融合，并将工作数据分类为短期工作数据和长期工作数据，然后将长期工作数据上传到云平台；故障分类预测模块利用深度神经网络，对经过预处理后的短期工作数据进行分类分析，输出故障可能发生的概率和故障不发生的概率；
所述云平台包括回归预测模块和网络模型训练模块，其中回归预测模块利用深度神经网络对所述长期工作数据进行归回预测分析，输出下一次故障发生的时间和/或厨电设备的剩余使用寿命；网络模型训练模块用于对所述故障分类预测模块所用的深度神经网络、回归预测模块所用的深度神经网络的训练，并将故障分类预测模块所用的深度神经网络训练好的网络模型下发到边缘计算节点。


2.一种基于边云协同的厨电设备预测性维护方法，其特征在于，包括以下步骤：
步骤1，针对不同的厨电设备部署不同类型的传感器以构成传感器网络，利用传感器网络实时或周期性采集厨电设备的工作数据，包括厨电设备的运行数据和/或工作环境参数数据；
步骤2，在传感器网络边缘部署包含数据预处理模块和故障分类预测模块的边缘计算节点；
步骤3，利用云平台中的大数据，训练边缘计算节点的故障分类预测模块所用的深度神经网络以及云平台的回归预测模块所用的深度神经网络，并将故障分类预测模块所用的深度神经网络训练得到的分类预测模型下发给故障分类预测模块，将回归预测模块所用的深度神经网络训练好的回归预测模型传送给回归预测模块；
步骤4，将传感器网络采集到的工作数据传输到边缘计算节点的数据预处理模块，通过数据预处理模块对工作数据进行预处理，包括去噪、滤波、融合，得到标准化的工作数据；
步骤5，将预处理后得到的标准化的工作数据中，短期工作数据传输到边缘计算节点的数据预处理模块，长期工作数据上传到云平台的回归预测模块；
步骤6，边缘计算节点的故障分类预测模块利用训练得到的分类预测模型，对所述短期工作数据进行分析，分类给出对应的未来一段时间内故障可能发生的概率和故障不会发生的概率，并将得到的故障发生概率和故障不会发生的概率与系统设定的阈值作比较，从而判定厨电设备是否会发生故障；
步骤7，对厨电设备进行故障隐患的排除，并进行厨电设备的维护和更新。


3.根据权利要求2所述的基于边云协同的厨电设备预测性维护方法，其特征在于，所述步骤5包括：
所述边缘计算节点具有数据存储功能，边缘计算节点中存储有距当前工作周期一段时间内的经过预处理得到的标准化的工作数据；
在每个工作周期内，根据该周期内获取的工作数据的时间戳，分析计算得到这些工作数据的采集时间点距离当前工作周期的时间，并根据设置的时间阈值，将低于时间阈值的工作数据划分为短期工作数据，传输到边缘计算节点的故障分类预测模块的同时，上传至云平台进行保存；将高于时间阈值的工作数据划分为长期工作数据，上传到云平台的回归预测模块；
上传至云平台保存的短期工作数据，随着时间的增加将逐渐转变为长期工作数据，从而使回归预测模块能...

【专利技术属性】
技术研发人员：王欧宇，刘建圻，曾碧，尹秀文，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44