一种基于边缘计算和深度学习的电机故障诊断系统及方法技术方案

本发明专利技术涉及一种基于边缘计算和深度学习的电机故障诊断系统及方法，所述边缘侧设备能够对采集装置进行配置，对振动或者电流信号进行预处理后进行经验模态分解EMD，诊断模块内置深度残差网络诊断模型输入n个IMF分量进行故障诊断，将诊断结果和故障数据上传至所述云服务中心；云服务中心利用历史数据和故障数据定期对深度残差网络诊断模型进行训练，训练好后下发到各个边缘侧设备，更新边缘侧设备中的深度残差网络诊断模型。通过在边缘侧设备计算就可对电机设备进行实时诊断，能够及时快速对电机状态进行诊断，仅将处理完的数据传到云中心，大大缩减了由数据传输速度和带宽限制带来的延时，云中心的处理数据压力将得到显著缓解。

【技术实现步骤摘要】
一种基于边缘计算和深度学习的电机故障诊断系统及方法
本专利技术涉及电机故障诊断
，尤其涉及一种基于边缘计算和深度学习的电机故障诊断系统及方法。
技术介绍
电机在现代工业中的应用非常普遍，无论是大的工厂企业，还是小额工厂企业随处都能看见电机的身影，而一些重要生产线上的大电机对企业更是至关重要，一旦发生故障可能会导致整条产线停止工作，更为严重的可能会给企业带来重大的经济损失和人员伤亡，所以电机的正常稳定运行对企业来说是非常重要的。目前，对于电机的维护大多都是通过现场维护人员每天对电机的振动噪声和壳体温度检查等，根据多年的现场经验对电机状态进行评估，另外的主要措施就是对电机进行定期的返厂维修。凭借现场维护人员的经验很有可能会对电机已经出现的故障无法及时发现，导致重大事故的发生，另外定期对电机进行拆机维修需要暂停整个生产线的工作，还会造成过度维修所带来的经济损失。目前现有的技术方案大多是在现场布置一台数据采集装置，根据现场实时采集的数据传回云服务器，在应用相应的算法来对电机状态进行检测和对故障进行诊断。目前常用的算法还比较多的停留在传统的神经网络算法，比如BP神经网络和概率神经网络等算法，但是面对电机群庞大的数据量，这些浅层神经网络算法将没有优势可言，导致训练速度慢，诊断模型的精度低；另一方面，采用云端处理的方法，已经无法满足实时性要求，可能已经出现故障之后才检测出来，另外该方法对服务器的存储及计算能力要求很高，传输大量原始数据的安全性和稳定性也无法得到保证。随着网络技术的发展，接入网络的设备数量越来越大，将产生海量的数据，如果这些数据都直接回传云端服务器，将产生很大的带宽和延迟，同时处理海量数据的安全性也难以得到保证；另外对于这些浅层神经网络算法已经难以处理电机群庞大的数据量，会导致网络训练速度慢，过拟合等问题，最终使得网络的诊断能力下降，不能很好的反应电机实际状态。
技术实现思路
针对需要将所有的诊断数据全部回传到云端服务器才能进行诊断计算以及浅层神经网络诊断准确率低的问题，本专利技术提供一种基于边缘计算和深度学习的电机故障诊断系统及方法，采用在边缘侧设备上应用深度学习算法来诊断电机故障。为达到上述目的，本专利技术提供了一种基于边缘计算和深度学习的电机故障诊断系统，包括，若干采集装置、若干边缘侧设备以及云服务中心；所述采集装置用于采集电机的振动或者电流信号并发送给对应的所述边缘侧设备；所述边缘侧设备包括采集配置模块、预处理模块、经验模态分解模块以及诊断模块；所述采集配置模块能够对采集装置进行配置；所述预处理模块对振动或者电流信号进行预处理；所述经验模态分解模块将预处理后的振动或者电流信号进行经验模态分解EMD，分解为n个IMF分量；所述诊断模块内置深度残差网络诊断模型输入n个IMF分量进行故障诊断，将诊断结果和故障数据上传至所述云服务中心；所述云服务中心利用历史数据和故障数据进行经验模态分解EMD，定期对深度残差网络诊断模型进行训练，训练好后下发到各个边缘侧设备，更新边缘侧设备中的深度残差网络诊断模型。进一步地，所述经验模态分解模块处理流程包括：S1获得预处理后的振动或者电流信号x(t)，另i＝0；S2获得x(t)上包络线fmax(t)和下包络线fmin(t)，计算上、下包络线均值为m(t)；S2将x(t)与均值m(t)做差，差记为h1(t)；S3判断i是否小于n，如果小于，则将i加1，获得第i个IMF分量ci(t)＝h1(t)，并采用x(t)-h1(t)替换x(t)，返回S2；如果i不小于n，则输出n个IMF分量。进一步地，所述诊断模块包括输入卷积单元、6个残差单元以及输出单元；n个IMF分量经过输入卷积单元进行特征提取后，依次经过串联的6个残差单元处理；最后由输出单元得到诊断结果。进一步地，所述残差单元包括依次串联的第一批量标准化层、第一ReLu激活函数、第一卷积层、第二批量标准化层、第二ReLu激活函数、第二卷积层、第三批量标准化层、第三ReLu激活函数、第三卷积层以及恒等映射单元，恒等映射单元将第三卷积层的输出与第一批量标准化层的输入叠加后输出。进一步地，所述输出单元包括依次串联的输出批量标准化层、输出ReLu激活函数、全局均值池化层、Dropout层以及全连接输出层；输出批量标准化层对输入特征进行标准化处理，输出ReLu激活函数进行非线性处理，全局均值池化层对每个输入通道的特征图取均值后输出，所述Dropout层丢弃部分神经元，所述全连接输出层采用softmax函数计算分类结果，输出各种类型故障和无故障的概率。进一步地，第一、第二、第三批量标准化层和输出批量标准化层的运算过程包括对各个样本的n个IMF分量表征的n个一维特征进行处理，分别获得输出特征，计算第s个输入样本的某一维特征xs计算输出特征ys为：其中：Nbatch指的是每个批次所包含的样本数量，μ为Nbatch个样本在某一维上的平均值，σ为Nbatch个样本在某一维上的标准差，γ和β分别是缩放和平移可学习参数，ε是接近于零的常量。进一步地，所述云服务中心包括：数据库、选择模块、IMF分量提取模块、模型训练模块以及封装输出模块；所述数据库存储电机的历史振动或者电流信号，各所述边缘侧设备上传的故障时的电机的振动或者电流信号及人工标注的诊断结果；所述选择模块从数据库中选择样本并输入至所述IMF分量提取模块，所述IMF分量提取模块对输入进行经验模态分解EMD，分解为n个IMF分量；所述模型训练模块将n个IMF分量输入到内部的深度残差网络诊断模型中进行训练，当满足训练次数或训练精度的要求后，由封装输出模块将深度残差网络诊断模型封装并发送给各个所述边缘侧设备。进一步地，还包括应用层，读取所述云服务中心的数据并进行展示。本专利技术另一方面提供一种基于边缘计算和深度学习的电机故障诊断方法，包括：训练深度残差网络诊断模型并加载至边缘侧设备；各个边缘侧设备接收对应的采集设备采集的电机的振动或者电流信号并进行预处理；将预处理后的振动或者电流信号进行经验模态分解EMD，分解为n个IMF分量；深度残差网络诊断模型输入n个IMF分量进行故障诊断，将诊断结果和故障数据上传至所述云服务中心；所述云服务中心利用诊断结果和故障数据进行经验模态分解EMD，定期对深度残差网络诊断模型进行训练，训练好后下发到各个边缘侧设备，更新边缘侧设备中的深度残差网络诊断模型。进一步地，所述经验模态分解模块将预处理后的振动或者电流信号进行经验模态分解EMD，被分解为n个IMF分量；所述经验模态分解模块进行经验模态分解EMD的处理流程包括：S1获得预处理后的振动或者电流信号x(t)，另i＝0；S2获得x(t)上包络线fmax(t)和下包络线fmin(t)，计算上、下包络线均值为m(t)；S2将x(t)与均值m(t)做差，差记为h1(t)；S3判断i是否小于n，如果小本文档来自技高网...

【技术保护点】
1.一种基于边缘计算和深度学习的电机故障诊断系统，其特征在于，包括，若干采集装置、若干边缘侧设备以及云服务中心；/n所述采集装置用于采集电机的振动或者电流信号并发送给对应的所述边缘侧设备；/n所述边缘侧设备包括采集配置模块、预处理模块、经验模态分解模块以及诊断模块；所述采集配置模块能够对采集装置进行配置；所述预处理模块对振动或者电流信号进行预处理；所述经验模态分解模块将预处理后的振动或者电流信号进行经验模态分解EMD，分解为n个IMF分量；所述诊断模块内置深度残差网络诊断模型输入n个IMF分量进行故障诊断，将诊断结果和故障数据上传至所述云服务中心；/n所述云服务中心利用历史数据和故障数据进行经验模态分解EMD，定期对深度残差网络诊断模型进行训练，训练好后下发到各个边缘侧设备，更新边缘侧设备中的深度残差网络诊断模型。/n

【技术特征摘要】
1.一种基于边缘计算和深度学习的电机故障诊断系统，其特征在于，包括，若干采集装置、若干边缘侧设备以及云服务中心；
所述采集装置用于采集电机的振动或者电流信号并发送给对应的所述边缘侧设备；
所述边缘侧设备包括采集配置模块、预处理模块、经验模态分解模块以及诊断模块；所述采集配置模块能够对采集装置进行配置；所述预处理模块对振动或者电流信号进行预处理；所述经验模态分解模块将预处理后的振动或者电流信号进行经验模态分解EMD，分解为n个IMF分量；所述诊断模块内置深度残差网络诊断模型输入n个IMF分量进行故障诊断，将诊断结果和故障数据上传至所述云服务中心；
所述云服务中心利用历史数据和故障数据进行经验模态分解EMD，定期对深度残差网络诊断模型进行训练，训练好后下发到各个边缘侧设备，更新边缘侧设备中的深度残差网络诊断模型。


2.根据权利要求1所述的基于边缘计算和深度学习的电机故障诊断系统，其特征在于，所述经验模态分解模块处理流程包括：
S1获得预处理后的振动或者电流信号x(t)，另i＝0；
S2获得x(t)上包络线fmax(t)和下包络线fmin(t)，计算上、下包络线均值为m(t)；
S2将x(t)与均值m(t)做差，差记为h1(t)；
S3判断i是否小于n，如果小于，则将i加1，获得第i个IMF分量ci(t)＝h1(t)，并采用x(t)-h1(t)替换x(t)，返回S2；如果i不小于n，则输出n个IMF分量。


3.根据权利要求2所述的基于边缘计算和深度学习的电机故障诊断系统，其特征在于，所述诊断模块包括输入卷积单元、6个残差单元以及输出单元；n个IMF分量经过输入卷积单元进行特征提取后，依次经过串联的6个残差单元处理；最后由输出单元得到诊断结果。


4.根据权利要求3所述的基于边缘计算和深度学习的电机故障诊断系统，其特征在于，所述残差单元包括依次串联的第一批量标准化层、第一ReLu激活函数、第一卷积层、第二批量标准化层、第二ReLu激活函数、第二卷积层、第三批量标准化层、第三ReLu激活函数、第三卷积层以及恒等映射单元，恒等映射单元将第三卷积层的输出与第一批量标准化层的输入叠加后输出。


5.根据权利要求4所述的基于边缘计算和深度学习的电机故障诊断系统，其特征在于，所述输出单元包括依次串联的输出批量标准化层、输出ReLu激活函数、全局均值池化层、Dropout层以及全连接输出层；输出批量标准化层对输入特征进行标准化处理，输出ReLu激活函数进行非线性处理，全局均值池化层对每个输入通道的特征图取均值后输出，所述Dropout层丢弃部分神经元，所述全连接输出层采用softmax函数计算分类结果，输出各种类型故障和无故障的概率。


6.根据权利要求5所述的基于边缘计算和深度学习的电机故障诊断系统，其特征在于，第一、第二、第三批量标准化层和输出批量标准化层的运算过程包括对各个样本的n个IMF分量表征的样本的n个一维特征进行处理，分别获得输出特征，计算第s个输入样本的某一维特征xs计算输出特征ys为：









其中：Nbatch指的是每个批次所包含的样本数量，μ为Nbatch个样本在某一维上的平均值，σ为Nbatch个样本在某一维上的标准差，γ和β分别是缩放和平移可学习参数，ε是接近于零的常量。


7.根据权利要求1或2所述的基于边缘计算和深度学习的电机故障诊断系统，其特征在于，所述云服务中心包括：数据库、选择模块、IMF分量提取模块、模型训练模块以及封装输出模块；所述数据库存储电机的历史振动或者电流信号，各所述边缘侧设备上传的故障时的电机的振动或者电流信号及人工标注的诊断结果；所述选择模块从数据库中选择样本并输入至所述IMF分量提取模块，所述IMF分量提取模块对输入进行经验模态分...

【专利技术属性】
技术研发人员：张品佳，吴志良，袁巍，
申请(专利权)人：朗斯顿科技北京有限公司，
类型：发明
国别省市：北京;11