一种基于数字孪生和边缘计算的工业互联网故障诊断方法技术

本发明专利技术公开了一种基于数字孪生和边缘计算的工业互联网故障诊断方法，属于工业互联网与故障诊断领域。本发明专利技术首先，使用采集到的工业历史数据训练出机器学习的模型，从而找到每一个故障对应的关键变量以及用于故障诊断的机器学习模型。其次，针对于单个故障，找到能覆盖该故障所有关键变量的边缘嵌入式设备集合，并找到一个能够对所有种类的故障进行诊断的最小边缘嵌入设备集合。最后，在工业互联网场景中实时采集数据，输入的得到的机器学习模型，输出诊断诊断结果，将诊断结果反应在数字孪生系统界面。本发明专利技术解决了工业故障诊断的延迟问题，降低了通信成本，并且更好地实现了人机交互。机交互。机交互。

【技术实现步骤摘要】
一种基于数字孪生和边缘计算的工业互联网故障诊断方法


[0001]本专利技术属于工业互联网与故障诊断领域，特别涉及一种在基于数字孪生和边缘计算的工业互联网故障检测方法。

技术介绍

[0002]故障诊断是工业物联网的基本需求，对于制造企业来说非常重要。随着智能制造越来越自动化、数字化和智能化，人们越来越关注制造过程的可靠性和安全性。生产过程中的轻微故障可能会造成无法修复的损坏。
[0003]在工业物联网中进行故障诊断方法很多，使用最多的是基于先验过程知识的方法。该方法大致可以分为基于物理模型和基于数据驱动两类。基于模型的方法需要精确的过程描述，而基于数据驱动的方法不需要了解机器设备的原理和构造，仅仅依靠中间数据就能给出结果。由于基于物理模型的方法设计困难，效果较差，近年来已被逐渐淘汰。
[0004]另一类基于数据驱动的方法主要分为三类，第一类是统计方法，有单变量统计和多变量统计的方法，主要刻画并利用变量之间的相关性，适用于高维系统的故障检测与诊断，但是要求数据在时间序列上独立并不适用于工业互联网数据，因为工业数据大都依据时间采样；第二类是信号处理方法，主要分为谱分析和小波变换等方法，通过利用大量丰富的专家经验知识和系统运行过程中的状态信息进行分析处理，得到系统运行状况和故障状况的综合性评价，但该类方法对于数据要求较高，处理复杂耗时，不太适用于工业互联网。第三类方法是基于定量的机器学习方法，主要是使用机器学习如人工智能技术，再结合云计算强大的计算能力，已经能够模拟真实的系统，给出较为准确的预测结果，该类方法能很好的应用于工业互联网场景。但是机器学习需要大量的计算资源进行数据处理与模型训练，主流方法是将所有数据上传到云端服务器进行任务的处理，包括历史数据和实时数据。但是云计算高度依赖网络环境，当出现网络堵塞时，会产生较大延迟，在工业互联网中这类问题会造成非常严重的后果。
[0005]采用边缘计算架构可以有效解决上述问题，通过在生成数据的机器设备的传感器附近执行必要计算任务能够有效减少云服务器工作负载。
[0006]同时，随着信息技术的快速发展和应用，数字孪生技术在产品设计和制造、医学分析、工程建设、工艺优化、车间调度等各个领域受到越来越多的关注。同样在智能制造领域，数字孪生技术也发挥了举足轻重的作用，成为推动智能制造发展的有力武器。它在虚拟空间中完成映射，反映相应物理设备的全生命周期过程。数字孪生技术不仅可以降低设计和维护成本，还可以提高制造效率和质量。

技术实现思路

[0007]为了克服现有技术的不足，本专利技术提供了一种基于边缘计算和数字孪生的工业互联网故障诊断方法，以解决传统数据中心和云中心的处理模式延迟较高的问题，同时实现开销优化，提高系统整体的实时性，结合数字孪生技术使得故障诊断更加具体，在云端布置
一个数字孪生模型与故障检测相结合，能够更好地对智能工厂的生产制造过程提过更有力的保护与更有效的决策，对于故障的诊断拥有了更高的可视化，加强了人机交互体验。
[0008]一种基于数字孪生和边缘计算的工业互联网故障诊断方法，包括以下步骤：
[0009]S1：提取关键变量：使用采集到的工业历史数据训练出机器学习的模型，利用机器学习模型的特性找出其中重要性程度高的特征变量，达到变量筛选的目的，从而找到每一个故障对应的关键变量，并得到用于故障诊断的机器学习模型。
[0010]S2：寻找覆盖单个故障的边缘嵌入式设备集合：由于边缘嵌入式设备仅能收集到几种特征变量的数据，因此需要针对单个故障，找到能覆盖该故障所有关键变量的边缘嵌入式设备集合。
[0011]S3：寻找最小能覆盖所有故障的边缘嵌入式设备集合：在得到了所有覆盖单个故障的边缘嵌入式设备集合后，将其放组合在一起，构成一个列表，找到一个仅使用部分边缘嵌入式设备，就能够对所有种类的故障进行诊断的最小边缘嵌入式设备集合。
[0012]S4：故障诊断并实现交互：根据S3得到的最小边缘嵌入式设备集合，在工业互联网场景中实时采集数据，输入S1的得到的机器学习模型，输出故障诊断结果，将诊断结果反应在数字孪生系统界面。
[0013]所述步骤S1提取关键变量包含以下步骤：
[0014]S1.1：经过对工业历史数据集进行筛选清洗后，将所有与故障相关的数据，即特征变量，输入机器学习模型进行训练，输出故障诊断的结果和相应特征变量的权重。
[0015]S1.2：将每一类故障中所有的特征变量按照其权重的值由高到低进行排序操作，保留前n个特征变量。
[0016]S1.3：统计每个特征变量在每一类故障中被保留的次数，筛选出出现次数最高的m个特征变量，作为新训练集，重新训练一个机器学习模型，重复步骤S1.1和S1.2，保留的特征变量即关键变量，并保存该训练得到的机器学习模型，使得故障检测的数据需求更小，能够更快地进行检测。
[0017]所述步骤S2中为单一故障找到所有能提供关键变量的边缘嵌入式设备集合。根据现有的边缘嵌入式设备的集合，构建一个搜索树，每个节点代表一台设备。假设单一故障f1，从根节点开始，根据深度遍历的方法，收集路径上的所有节点，并将这些节点组合成一个新的集合。计算新集合的感知质量值：如果感知质量值大于等于对应故障的平均阈值则将此集合保留，并返回到上一个节点继续遍历边缘嵌入式设备的集合，遍历结束后保留的集合就对应了故障f1的所有能提供关键变量的边缘嵌入式设备集合。
[0018]所述步骤S3中记录边缘嵌入式设备在各个故障对应集合中出现次数，找到出现次数最少的边缘嵌入式设备编号，若该边缘嵌入式设备出现在两个以上的集合中，则判断删除该边缘嵌入式设备是否会导致相应列表中的集合缺少，是则保留该边缘嵌入式设备，否则删除该边缘嵌入式设备，改为寻找出现次数第二少的设备重复上述操作，直到边缘嵌入式设备遍历完成，即可得到寻找最小能覆盖所有故障的边缘嵌入式设备集合。
[0019]所述步骤S4中数字孪生系统包含服务层、模型层和数据层。故障检测结果出来后，由有线或无线网络传输至数字孪生系统数据层，数据层接收数据后将检测结果数据打包发送到模型层，模型层通过关键变量与检测结果进行一一对应，将结果发送到服务层，该结果就反应在服务层的故障可视化管理系统和监控平台上，方便操作人员随时查看，了解机器
设备整体状态。
[0020]与现有技术相比，本专利技术具有以下有益效果：本专利技术使用将边缘嵌入式设备部署在传感器附近收集数据。然后利用训练完毕的模型找出和单个故障相关的多个关键特征，再找出覆盖所有关键变量的边缘嵌入式设备的最小集合，选择边缘嵌入式采集必要的数据处理并上传进行诊断，最终把检测结果反映在机器设备的数字孪生系统上。与现有技术相比，本专利技术采用边缘计算架构，通过在生成数据的机器设备的传感器附近执行必要计算任务能够有效减少云服务器工作负载，并缩小了检测故障时需要的数据量，解决了工业故障诊断的延迟问题，降低了通信成本，在数字孪生系统中完成机器设备的故障结果映射，反应于显示平台，方便操作人员查看，更好地实现了人机交互。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数字孪生和边缘计算的工业互联网故障诊断方法，其特征在于，包括以下步骤：S1：提取关键变量：使用采集到的工业历史数据训练出机器学习模型，找到每一个故障对应的关键变量，并得到用于故障诊断的机器学习模型；S2：寻找覆盖单个故障的边缘嵌入式设备集合：针对单个故障，找到能覆盖该故障所有关键变量的边缘嵌入式设备集合；S3：寻找最小能覆盖所有故障的边缘嵌入式设备集合：将覆盖所有单个故障的边缘嵌入式设备集合组合在一起，构成一个列表，找到一个仅使用部分边缘嵌入式设备，就能够对所有种类的故障进行诊断的最小边缘嵌入式设备集合；S4：故障诊断并实现交互：根据S3得到的最小边缘嵌入式设备集合，在工业互联网场景中实时采集数据，输入S1的得到的机器学习模型，输出故障诊断结果，将诊断结果反应在数字孪生系统界面。2.根据权利要求1所述的一种基于数字孪生和边缘计算的工业互联网故障诊断方法，其特征在于，所述步骤S1具体过程如下：S1.1：经过对工业历史数据集进行筛选清洗后，将所有与故障相关的数据，即特征变量，输入机器学习模型进行训练，输出故障诊断的结果和相应特征变量的权重；S1.2，将每一类故障中所有的特征变量按照其权重的值由高到低进行排序操作，保留前n个特征变量；S1.3：统计每个特征变量在每一类故障中被保留的次数，筛选出出现次数最高的m个特征变量，作为新训练集，重新训练一个机器学习模型，重复步骤S1.1和S1.2，保留的特征变量即关键变量，并保存该训练得到的机器学习模型。3.根据权利要求1所述的一种基于数字孪生和边缘计算的工业互联网故障诊断方法，其特征在于，在所述步骤S2中，根据现有的边缘嵌入式设备的集合，构建一个搜索树，其中每个节点代表一台边缘嵌入式设备；针对单一故障f1，从根节点开始，根据深度遍历的方法，收集路径上的所有节点，并将这些节点组合成一个新的集合，计算新...

【专利技术属性】
技术研发人员：张世文，包健，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：