一种基于云边协同的工业设备故障检测方法及系统技术方案

本发明专利技术公开了一种基于云边协同的工业设备故障检测方法及系统，应用于工业互联网技术领域，包括：获取工业设备的监测数据，并进行预处理，分为短期和长期工作数据，发送给边缘平台；一套工业设备对应一个边缘平台；在边缘平台上，分别根据短期工作数据和长期工作数据训练故障检测模型和故障回归预测分析模型，并发送给云平台；在云平台上，分别将所有边缘平台上的故障检测模型和故障回归预测分析模型进行加权平均融合，得到故障检测融合模型和故障回归预测分析融合模型，并发送给所有边缘平台检测设备故障以及预测工业设备下一次故障时间和剩余寿命。本发明专利技术在克服了工业设备监测数据传输缓慢以及数据易泄露等问题的基础上，保证了模型的泛化能力。证了模型的泛化能力。证了模型的泛化能力。

【技术实现步骤摘要】
一种基于云边协同的工业设备故障检测方法及系统


[0001]本专利技术涉及工业互联网
，特别涉及一种基于云边协同的工业设备故障检测方法及系统。

技术介绍

[0002]工业设备故障检测作为工业互联网重要应用之一，一直是学术届和工业界热点研究课题，基于深度神经网络的故障检测模型由于具有学习能力强，检测精度高，且反应速度快，能够符合工业设备跟踪监测需求的特点，被广泛应用于工业设备故障检测领域。
[0003]现有技术中，提出了基于云边协同的工业智能模型训练与测试，即通过将实时要求高的任务，即故障检测模型测试阶段部署于边缘平台，以降低时延，将计算量大、实时性不敏感的任务，即故障检测模型训练阶段部署于汇聚有多套工业设备监测数据的云平台，以提高模型的泛化能力，从而实现基于云边协同的工业智能模型训练与测试，进一步提高工业设备故障检测的实时性、准确性。
[0004]上述基于云边协同的工业智能模型训练与测试，存在如下问题：故障检测模型训练阶段部署于云平台上，虽能基于多套工业设备监测数据提高模型的泛化能力，但也存在工业设备监测数据传输缓慢以及数据易泄露等问题，而若将故障检测模型训练阶段部署于边缘平台上，又会影响模型的检测精度。并且，上述故障检测模型不具备故障预测功能。
[0005]为此，如何提供一种既不影响故障检测模型的泛化能力，又能克服工业设备监测数据传输缓慢以及数据易泄露等问题，且能够进行故障预测的基于云边协同的工业设备故障检测方法及系统是本领域技术人员亟需解决的问题。

技术实现思路

[0006]有鉴于此，本专利技术提出了一种基于云边协同的工业设备故障检测方法及系统。
[0007]为了实现上述目的，本专利技术采用如下技术方案：
[0008]一种基于云边协同的工业设备故障检测方法，包括：
[0009]步骤(1)：获取工业设备的监测数据，并进行预处理；将预处理后的监测数据分为短期工作数据和长期工作数据，发送给边缘平台；一套工业设备对应一个边缘平台。
[0010]步骤(2)：在边缘平台上，根据短期工作数据训练故障检测模型，根据长期工作数据训练故障回归预测分析模型，并将故障检测模型和故障回归预测分析模型发送给云平台。
[0011]步骤(3)：在云平台上，将所有边缘平台上的故障检测模型进行加权平均融合，得到故障检测融合模型，将所有边缘平台上的故障回归预测分析模型进行加权平均融合，得到故障回归预测分析融合模型，并将故障检测融合模型和故障回归预测分析融合模型发送给所有边缘平台。
[0012]步骤(4)：在边缘平台上，应用故障检测融合模型检测设备故障，应用故障回归预测分析融合模型预测工业设备下一次故障时间和剩余寿命。
[0013]可选的，步骤(1)中，工业设备的监测数据由安装于工业设备上的传感器采集得到，包括：压力传感器、温度传感器、湿度传感器、摄像头、电压传感器、电流传感器、电磁传感器、计数器和计米器。
[0014]可选的，步骤(1)中，预处理包括：数据格式标准化、数据去重、数据清洗以及数据归并。
[0015]可选的，步骤(1)中，将预处理后的监测数据分为短期工作数据和长期工作数据，具体为：
[0016]获取采集监测数据对应的时间点。
[0017]判断时间点距离运行设备当前工作周期的时间是否大于预设时间阈值。
[0018]若大于，则为长期工作数据，小于，则为短期工作数据。
[0019]可选的，步骤(2)中，故障检测模型和故障回归预测分析模型均基于深度神经网络训练得到。
[0020]可选的，步骤(3)中，将所有边缘平台上的故障检测模型进行加权平均融合，具体为：
[0021]建立故障检测模型的测试数据集。
[0022]计算每个故障检测模型的故障检测正确率。
[0023]根据每个故障检测模型的故障检测正确率计算每个故障检测模型的权重。
[0024]根据每个故障检测模型的权重对所有边缘平台上的故障检测模型进行加权平均融合。
[0025]可选的，步骤(3)中，将所有边缘平台上的故障回归预测分析模型进行加权平均融合，具体为：
[0026]建立故障回归预测分析模型的测试集。
[0027]计算每个故障回归预测分析模型对于工业设备下一次故障时间和剩余寿命的回归预测分析正确率。
[0028]根据每个故障回归预测分析模型对于工业设备下一次故障时间和剩余寿命的回归预测分析正确率计算每个故障回归预测分析模型的权重。
[0029]根据每个故障回归预测分析模型的权重对所有边缘平台上的故障回归预测分析模型进行加权平均融合。
[0030]可选的，所述方法采用云边协同的方式进行数据传输，包括：将故障检测模型和故障故障回归预测分析模型发送给云平台的过程中的数据传输，以及将故障检测融合模型和故障回归预测分析融合模型发送给所有边缘平台的过程中的数据传输；将数据传输过程中的异构数据进行缓存和分发。
[0031]可选的，将数据传输过程中的异构数据进行缓存和分发，具体为：
[0032]在异构数据进行缓存和分发的过程中，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。
[0033]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。
[0034]其中，在时间段[t，t+Δt]内第m个目标域中的流行度预测值表示为：
[0035][0036]其中，表示目标域中时间段[t
‑
Δt，t]中的流行度，表示各个协同缓存域中时间段[t
‑
Δt，t]中的流行度，a
m，k
表示第m个目标域中第k类数据的学习因子，a
l，k
∈a
k
，a
k
＝{a
1，k
，a
2，k
…
a
M，k
}表示协作域中第k类数据的学习因子，Δt表示时间增量，T、S表示内容数量，i表示内容，M表示协作缓存域的总数，1∈[1，
…
M]。
[0037]根据流行度预测值，实现异构数据在云平台和边缘平台之间的缓存和分发。
[0038]本专利技术还提供一种基于云边协同的工业设备故障检测系统，包括：
[0039]数据获取与预处理模块：用于获取工业设备的监测数据，并进行预处理；将预处理后的监测数据分为短期工作数据和长期工作数据，发送给边缘平台；一套工业设备对应一个边缘平台。
[0040]模型训练模块：用于在边缘平台上，根据所短期工作数据训练故障检测模型，根据长期工作数据训练故障回归预测分析模型，并将故障检测模型和故障回归预测分析模型发送给云平台。
[0041]模型融合模块：用于在云平台上，将所有边缘平台上的故障检测模型进行加权平均融合，得到故障检测融合模型，将所有边缘平台上的故障回归预测分析模型进行加权平均融合，得到故障回归预测分析本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于云边协同的工业设备故障检测方法，其特征在于，包括：步骤(1)：获取工业设备的监测数据，并进行预处理；将预处理后的所述监测数据分为短期工作数据和长期工作数据，发送给边缘平台；一套所述工业设备对应一个所述边缘平台；步骤(2)：在所述边缘平台上，根据所述短期工作数据训练故障检测模型，根据所述长期工作数据训练故障回归预测分析模型，并将所述故障检测模型和所述故障回归预测分析模型发送给云平台；步骤(3)：在所述云平台上，将所有边缘平台上的所述故障检测模型进行加权平均融合，得到故障检测融合模型，将所有边缘平台上的所述故障回归预测分析模型进行加权平均融合，得到故障回归预测分析融合模型，并将所述故障检测融合模型和所述故障回归预测分析融合模型发送给所有边缘平台；步骤(4)：在所述边缘平台上，应用所述故障检测融合模型检测设备故障，应用所述故障回归预测分析融合模型预测工业设备下一次故障时间和剩余寿命。2.根据权利要求1所述的一种基于云边协同的工业设备故障检测方法，其特征在于，步骤(1)中，工业设备的监测数据由安装于所述工业设备上的传感器采集得到，包括：压力传感器、温度传感器、湿度传感器、摄像头、电压传感器、电流传感器、电磁传感器、计数器和计米器。3.根据权利要求1所述的一种基于云边协同的工业设备故障检测方法，其特征在于，步骤(1)中，所述预处理包括：数据格式标准化、数据去重、数据清洗以及数据归并。4.根据权利要求1所述的一种基于云边协同的工业设备故障检测方法，其特征在于，步骤(1)中，将预处理后的所述监测数据分为短期工作数据和长期工作数据，具体为：获取采集所述监测数据对应的时间点；判断所述时间点距离运行设备当前工作周期的时间是否大于预设时间阈值；若大于，则为长期工作数据，小于，则为短期工作数据。5.根据权利要求1所述的一种基于云边协同的工业设备故障检测方法，其特征在于，步骤(2)中，所述故障检测模型和所述故障回归预测分析模型均基于深度神经网络训练得到。6.根据权利要求1所述的一种基于云边协同的工业设备故障检测方法，其特征在于，步骤(3)中，将所有边缘平台上的所述故障检测模型进行加权平均融合，具体为：建立所述故障检测模型的测试数据集；计算每个所述故障检测模型的故障检测正确率；根据每个所述故障检测模型的故障检测正确率计算每个所述故障检测模型的权重；根据每个所述故障检测模型的权重对所有边缘平台上的所述故障检测模型进行加权平均融合。7.根据权利要求1所述的一种基于云边协同的工业设备故障检测方法，其特征在于，步骤(3)中，将所有边缘平台上的所述故障回归预测分析模型进行加权平均融合，具体为：建立所述故障回归预测分析模型的测试集；计算每个所述故障回归预测分析模型对于所述工业设备下一次故障时间和剩余寿命的回归预测分析正确率；根据每个所述故障回归预测分析模型对于所述工业设备下一次故障时间和剩余寿命
的回归预测...

【专利技术属性】
技术研发人员：王程安，于秀明，杜玉琳，杨梦培，谢思，苍天竹，邱硕涵，
申请(专利权)人：中国电子技术标准化研究院，
类型：发明
国别省市：