本发明专利技术公开一种基于云边协同的主动学习故障诊断方法，包括：云端根据已有标注样本迭代训练故障诊断模型，并将本次训练后的模型参数传输给边缘设备；边缘设备接收后，更新故障诊断模型的模型参数，用新模型对边缘设备储存的样本进行特征提取和预测，并采用基于流的主动学习方法，对数据流进行评估，更新不确定性阈值，并将挖掘出的待标注样本传输给云端；云端将待标注样本发给标注员或者标注系统进行标注，得到样本的真实标签；云端回收分发的标注样本，结合已有的标注样本，对故障诊断模型进一步训练，更新模型参数，并将新的模型参数传给边缘设备；重复上述步骤，直至故障诊断模型训练结束。本方法能够显著提高边缘设备分类困难样本筛选效率。
【技术实现步骤摘要】
本专利技术属于工业过程故障检测和数据标注领域，具体涉及一种基于云边协同的主动学习故障诊断方法。
技术介绍
1、近年来，随着人工智能(ai)和物联网(iot)等技术的快速发展，智能化设备在工业、交通、医疗等领域得到广泛应用。在这些智能设备中，故障诊断是确保设备稳定运行和及时维护的重要环节。传统的故障诊断方法主要依赖专业维护人员进行手动检测和判断，这种方式存在人力成本高、诊断效率低、对维护人员经验依赖大等问题。
2、为了解决传统故障诊断方法的不足，近年来，基于机器学习和深度学习的故障诊断方法逐渐受到关注。这些方法通过从大量数据中学习模式和特征，构建自动化的故障诊断模型，实现对设备故障的准确判断。然而，随着数据规模的增加和智能设备的快速发展，仍然存在一些挑战：
3、1.数据量庞大：随着物联网技术的普及，大量传感器和设备产生海量的实时数据。在云端对所有数据进行存储和处理将导致巨大的计算和存储开销。
4、2.传输成本高：将所有数据传输到云端进行处理可能导致大量冗余数据传输，增加了网络带宽和传输成本。
>5、3.标注困难：本文档来自技高网...
【技术保护点】
1.一种基于云边协同的主动学习故障诊断方法，其特征在于，该方法包括如下步骤：
2.根据权利要求1所述的基于云边协同的主动学习故障诊断方法，其特征在于，基于反向传播神经网络的故障诊断模型包括输入层、隐含层和输出层；
3.根据权利要求1所述的基于云边协同的主动学习故障诊断方法，其特征在于，所述步骤二中，边缘设备采用基于流的主动学习方法，对数据流进行评估，更新不确定性阈值，挖掘困难样本的具体子步骤如下：
4.根据权利要求1所述的基于云边协同的主动学习故障诊断方法，其特征在于，所述故障诊断针对的样本为轴承的振动信号，该针对信号通过轴承传感器在风扇端和加速度器端...
【技术特征摘要】
1.一种基于云边协同的主动学习故障诊断方法，其特征在于，该方法包括如下步骤：
2.根据权利要求1所述的基于云边协同的主动学习故障诊断方法，其特征在于，基于反向传播神经网络的故障诊断模型包括输入层、隐含层和输出层；
3.根据权利要求1所述的基于云边协同的主动学习故障诊断方法，其特征在于，所述步骤二中，边缘设备采用基于流的主动学习方法，对数据流进行评估，更新不...
【专利技术属性】
技术研发人员：宋执环，宋泽宇，杨泽宇，
申请(专利权)人：浙江大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。