基于云边协同和深度卷积迁移学习的齿轮箱故障诊断方法技术

健康管理技术的高速发展，对状态监测和故障诊断提出了更高的要求。但目前的诊断方法大都需要大量的数据以及计算资源来训练模型，而当面对故障状态样本不足或者工作环境不同时，其网络模型的拓展性不佳，故障诊断的准确性也不够理想。另一方面，在实际工程应用中，迁移学习训练模型的构建往往采用单个小型的边端，由于其数据样本和计算资源有限，加之工作环境复杂以及噪声干扰等问题，整体结构的通信资源经常受到限制，导致诊断的实时性不能得到保证。因此，本发明专利技术提出了一种基于云边协同和深度卷积迁移学习的故障诊断方法，在小样本数据集下，在复杂工作环境中，仍具有足够的模型拓展性，并且能够保障诊断的准确性与实时性。并且能够保障诊断的准确性与实时性。并且能够保障诊断的准确性与实时性。

【技术实现步骤摘要】
基于云边协同和深度卷积迁移学习的齿轮箱故障诊断方法
专利

[0001]本专利技术是一种机械故障诊断技术，应用于健康管理领域。具体说，本专利技术具体涉及云边协同和深度卷积迁移学习的齿轮箱故障诊断


技术介绍

[0002]齿轮箱作为机械设备的关键零部件，常常在复杂工作环境下持续受到变化的载荷影响，容易在不同的部位出现不同程度的故障。一旦齿轮箱出现故障，机械设备就会停止运作，导致维修成本的增加，维修时间的延长，机械设备的可靠性也会降低，从而造成严重的经济损失。因此，通过对机械设备进行有效的状态监测、故障诊断等，能够有效地提高机械设备的可靠性并减少经济损失，具有重要的意义。
[0003]近些年，很多专利技术专利利用信号处理技术和机器学习技术提出了基于卷积神经网络的数据驱动型齿轮箱故障诊断方法。这些诊断的准确率较高，但都需要大量的数据以及计算资源来训练模型，并且多数诊断方法依赖于大量故障标签数据，而当面对故障状态样本不足乃至缺失或者工作环境不同时，网络模型的拓展性不佳，故障诊断的准确性不够理想。
[0004]另一方面，在实际工程应用中，迁移学习训练模型的构建往往采用的是单个小型的边端，而单个小型边端的数据样本和计算资源有限，并不能很好地完成训练模型的任务，而由于边端工作环境的不同以及噪声干扰等问题，整体结构的通信资源也经常受到限制，诊断地实时性不能得到保证。
[0005]因此，提出一种在小样本或缺失样本数据集下，在不同的工作环境中，仍具有足够的模型拓展性，保障诊断的准确性与实时性，并且减少通信资源压力的故障诊断方法是十分必要的。

技术实现思路

[0006]针对现有技术中齿轮箱故障检测方法单一的技术现状，本专利技术提出了一种基于云边协同和深度卷积迁移学习的故障诊断方法。
[0007]本专利技术采用的主要技术方案：
[0008](1)基于云边协同，指由边端提取原始数据的特征信息，在云端汇总边端的特征数据训练模型，之后由边端使用模型进行诊断。云边协同可以充分发挥边端靠近现场和云端计算资源充分的优势，减小通信资源压力，提高故障诊断的实时性。
[0009](2)基于迁移学习，指在云端训练的源模型基础之上，使用边端收集汇总的实时数据(包括小样本或缺失样本数据)针对各个边端不同的工作环境进行模型的个性化训练，输出目标的特异化诊断模型。迁移学习能够在小样本或缺失样本数据集下，在不同的工作环境中，提高模型的拓展性和诊断的准确性。
[0010]本专利技术提供的一种云边协同和深度卷积迁移学习的故障诊断方法，具体步骤如下：
[0011](1)进行整体架构的设计，构建边缘端与云端并进行功能的分配：使用树莓派作为多个边缘端硬件，并使用容器技术对程序及其运行环境进行封装，实时监测功能可以在边端完成；使用计算机作为云端硬件，两者通过WIFI信号进行通信；
[0012](2)利用云边协同技术，制定云边协同方案，利用卷积神经网络构建训练源模型：一个边缘端服务一个目标对象，一个云端同时服务多个边端。边缘端负责对目标原始数据(齿轮箱振动信号)进行监测和诊断，并将结果发送至云端，由云端进行进一步的健康评估、趋势预测以及决策支持。
[0013](3)利用深度卷积迁移学习，对源模型进行训练得到目标诊断模型，再利用云边协同技术，下放目标诊断模型到边缘端，实现对齿轮箱的故障诊断：由传感器将目标的原始数据输入边端，由边端的数据采集程序将其分段处理并提取特征，之后把特征数据传输到云端。由云端汇总并存储各个边缘端的历史数据形成历史数据集，以历史数据集作为样本通过卷积神经网络构建并反复训练得出源模型。云端以各个边缘端的实时数据为样本，对源模型进行个性化迁移学习训练(微调)，训练出针对各目标的特异化目标诊断模型。云端将目标诊断模型发送到对应的边缘端，由边缘端的边缘诊断程序完成实时诊断，最后将诊断结果发送到云端进行进一步的健康管理。
[0014]通过实施本专利技术提供的技术方案可以达到以下有益效果：
[0015]本专利技术提供了一种基于云边协同和深度卷积迁移学习的齿轮箱故障诊断方法。
[0016]本专利技术的硬件载体使用了小型分散式边端对大规模工业对象或装备进行实时监测与诊断，适用于分散对象。
[0017]本专利技术的软件环境使用了容器引擎构建软件运行环境，最大化利用系统资源，解决资源不足的问题，有利于扩展和管理。
[0018]本专利技术采用的云边协同方案充分结合了云端的存储和计算资源充足的优势和边端靠近现场、及时响应的优势，减少了程序运行的时间及信息传输的时间，保证了诊断的实时性，提高诊断的准确率。
[0019]本专利技术采用的深度卷积神经网络的迁移学习训练方法利用当前任务的样本数据对一个已训练好的网络模型再次进行训练，从而得到适用于当前任务的卷积神经网络模型，在面对故障状态样本不足乃至缺失或者工作环境不同时，仍具有足够的模型拓展性，并且节省了反复训练模型的时间，提高了诊断的拓展性与实时性。
[0020]综上，本专利技术利用小型化分布式的硬件架构与边缘计算的软件模式，重构健康管理现场端，采用云端和边端协同的方式完成诊断并通过迁移学习训练个性化模型的工作方案，以适应大规模工业对象或分散化装备对象现场健康管理的需要。
附图说明
[0021]图1是本专利技术整体技术框架示意图。
[0022]图2是本专利技术卷积神经网络结构示意图。该卷积神经网络由4组卷积层和池化层交替以及全连接层构成，采用3
×
3的卷积核对数据进行遍历，用卷积核的权重与对应数值相乘后求和，结果与卷积核偏置相加，方便对数据提取特征；池化层通过对每个区域取最大值的方式对特征数据进行选择，降低特征数量，并从而减少参数数量；全连接层将池化层的所有特征矩阵转化成一维的特征向量，对提取的特征进行分类。
[0023]图3是本专利技术迁移学习方案示意图。本方案把历史数据作为源域，实时数据作为目标域，由历史数据得到的源模型作为已训练好的模型，使用各边端的实时数据再次训练得到适用于各边端诊断任务的特异化模型。首先把实时数据样本根据来源边端不同分类，将各类样本输入到迁移训练的程序中。迁移训练使用的深度卷积神经网络中前四个卷积层与池化层和训练源模型使用的卷积神经网络相同，在全连接层将输出的神经元个数改为齿轮箱故障标签的类别数。分别使用对应样本对对应模型进行训练得到各边端的目标诊断模型。
[0024]图4是本专利技术故障诊断流程示意图。
具体实施方式
[0025]下面，举实施例说明本专利技术，但是，本专利技术并不限于下述的实施例。
[0026]本专利技术的目的是提供一种基于云边协同和深度卷积迁移学习的齿轮箱故障诊断方法，在面对故障状态样本不足乃至缺失或者工作环境不同时，仍具有足够的模型拓展性，保障诊断的准确性与实时性，并且减少通信资源压力。
[0027]为实现上述目的，本专利技术采取以下技术方案：一种基于云边协同和深度卷积迁移学习的齿轮箱故障诊断方法，包括以下步骤：S1、进行整体架构的设计，构建边缘端与云端并进行功能的分配；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于云边协同和深度卷积迁移学习的齿轮箱故障诊断方法，其具体步骤如下：(1)进行整体架构的设计，构建边缘端与云端并进行功能的分配；(2)利用云边协同技术，制定云边协同方案，利用卷积神经网络构建训练源模型；(3)利用深度卷积迁移学习，对源模型进行训练得到目标诊断模型，再利用云边协同技术，下放目标诊断模型到边缘端，实现对齿轮箱的故障诊断。2.根据权利要求1所述基于云边协同和深度卷积迁移学习的齿轮箱故障诊断方法，其特征在于：使用树莓派作为多个边缘端硬件，并使用容器技术对程序及其运行环境进行封装，实时监测功能可以在边端完成；使用计算机作为云端硬件，两者通过WIFI信号进行通信。3.根据权利要求1所述基于云边协同和深度卷积迁移学习的齿轮箱故障诊断方法，其特征在于：一个边缘端服务一个目标对象，一个云端同时服务多个边端。边缘端负责对目标原始数...

【专利技术属性】
技术研发人员：齐鹏浩，陶来发，董鸿科，曹倚铭，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：