本發(fā)明涉及邊緣計(jì)算，具體地說是一種基于邊緣計(jì)算的工業(yè)設(shè)備健康監(jiān)測(cè)及故障預(yù)警系統(tǒng)。

背景技術(shù)：

1、現(xiàn)代工業(yè)生產(chǎn)對(duì)設(shè)備健康狀態(tài)高度依賴，然而傳統(tǒng)監(jiān)測(cè)手段存在響應(yīng)慢、準(zhǔn)確性差等問題，無法滿足海量數(shù)據(jù)和實(shí)時(shí)預(yù)警的需求。特別是對(duì)于關(guān)鍵設(shè)備，故障會(huì)導(dǎo)致高昂的停機(jī)損失?，F(xiàn)有工業(yè)設(shè)備健康監(jiān)測(cè)系統(tǒng)主要采用單一模型，例如基于時(shí)間序列分析的lstm模型、基于規(guī)則的專家模型或基于物理模型的故障診斷模型，這些模型存在以下不足：

2、1、lstm模型:對(duì)設(shè)備運(yùn)行狀態(tài)的復(fù)雜變化和不同故障類型難以有效識(shí)別，預(yù)測(cè)精度有限；

3、2、專家模型:依賴于專家經(jīng)驗(yàn)和領(lǐng)域知識(shí)，難以適應(yīng)設(shè)備運(yùn)行狀態(tài)的動(dòng)態(tài)變化，泛化能力較弱；

4、3、物理模型:需要建立精確的物理模型，且難以涵蓋所有故障類型，模型建立和維護(hù)成本較高。

5、如何高效實(shí)時(shí)的實(shí)現(xiàn)設(shè)備的健康監(jiān)測(cè)和故障預(yù)警、并識(shí)別不同類型的故障，是需要解決的技術(shù)問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的技術(shù)任務(wù)是針對(duì)以上不足，提供一種基于邊緣計(jì)算的工業(yè)設(shè)備健康監(jiān)測(cè)及故障預(yù)警系統(tǒng)，來解決如何高效實(shí)時(shí)的實(shí)現(xiàn)設(shè)備的健康監(jiān)測(cè)和故障預(yù)警、并識(shí)別不同類型的故障的技術(shù)問題。

2、第一方面，本發(fā)明一種基于邊緣計(jì)算的工業(yè)設(shè)備健康監(jiān)測(cè)及故障預(yù)警系統(tǒng)，包括邊緣設(shè)備層、邊緣計(jì)算節(jié)點(diǎn)層、云邊協(xié)同模塊以及中央服務(wù)器層；

3、所述邊緣設(shè)備層包括多個(gè)邊緣設(shè)備，用于通過邊緣設(shè)備多維度采集工業(yè)設(shè)備的監(jiān)控?cái)?shù)據(jù)，并基于采集的監(jiān)控?cái)?shù)據(jù)構(gòu)建時(shí)間序列數(shù)據(jù)上傳至邊緣計(jì)算節(jié)點(diǎn)層；

4、所述邊緣計(jì)算節(jié)點(diǎn)層包括多個(gè)邊緣計(jì)算節(jié)點(diǎn)，每個(gè)邊緣計(jì)算節(jié)點(diǎn)接收對(duì)應(yīng)邊緣設(shè)備采集的時(shí)間序列數(shù)據(jù)、并對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行預(yù)處理，將預(yù)處后數(shù)據(jù)作為本地?cái)?shù)據(jù)，并將央服務(wù)器層下發(fā)的融合模型作為本地模型，每個(gè)邊緣計(jì)算節(jié)點(diǎn)用于以本地?cái)?shù)據(jù)為輸入、通過本地模型預(yù)測(cè)數(shù)出故障類別以及故障類別對(duì)應(yīng)的概率值作為預(yù)測(cè)結(jié)果輸出，并通過云邊協(xié)同模塊將本地?cái)?shù)據(jù)以及預(yù)測(cè)結(jié)果加密后發(fā)送至中央服務(wù)器層，其中，融合模型包括三個(gè)故障診斷模型，分別為基于lstm構(gòu)建的第一故障模型、基于規(guī)則的專家模型構(gòu)建的第二故障分析模型以及基于物理模型構(gòu)建的第三故障分析模型；

5、對(duì)于每個(gè)邊緣計(jì)算節(jié)點(diǎn)，所述中央服務(wù)器層用于基于自適應(yīng)權(quán)重機(jī)制對(duì)第一故障診斷模型、第二故障診斷模型以及第三故障診斷模型輸出的預(yù)測(cè)結(jié)果進(jìn)行融合，得到融合后預(yù)測(cè)結(jié)果，并基于所述邊緣計(jì)算節(jié)點(diǎn)上傳本地?cái)?shù)據(jù)對(duì)應(yīng)的真實(shí)結(jié)果和融合后預(yù)測(cè)結(jié)果對(duì)每個(gè)故障診斷模型進(jìn)行模型訓(xùn)練，得到每個(gè)故障診斷模型更新的模型參數(shù)，并通過云邊協(xié)同模塊將每個(gè)故障診斷模型更新的模型參數(shù)加密后發(fā)送至邊緣計(jì)算節(jié)點(diǎn)，對(duì)應(yīng)的，每個(gè)邊緣計(jì)算節(jié)點(diǎn)基于更新的模型參數(shù)對(duì)本地模型進(jìn)行更新；

6、對(duì)于各種監(jiān)控?cái)?shù)據(jù)以及各種故障類別，中央服務(wù)器層中配置有每種健康數(shù)據(jù)以及每種故障類別對(duì)應(yīng)的閾值，并配置有風(fēng)險(xiǎn)等級(jí)以及報(bào)警機(jī)制，所述中央服務(wù)器層用于基于各邊緣節(jié)點(diǎn)上傳的本地?cái)?shù)據(jù)、融合后預(yù)測(cè)結(jié)果、各種監(jiān)控?cái)?shù)據(jù)對(duì)應(yīng)的閾值以及各種故障類別對(duì)應(yīng)的閾值，結(jié)合風(fēng)險(xiǎn)等級(jí)和報(bào)警機(jī)制進(jìn)行風(fēng)險(xiǎn)等級(jí)劃分和風(fēng)險(xiǎn)預(yù)警，并將風(fēng)險(xiǎn)預(yù)警推送至對(duì)應(yīng)運(yùn)維人員。

7、作為優(yōu)選，每個(gè)邊緣設(shè)備按照預(yù)定的采集頻率、周期性的采集監(jiān)控?cái)?shù)據(jù)，并基于周期內(nèi)監(jiān)控?cái)?shù)據(jù)構(gòu)建時(shí)間序列數(shù)據(jù)上傳對(duì)應(yīng)的邊緣計(jì)算節(jié)點(diǎn)。

8、作為優(yōu)選，每個(gè)邊緣計(jì)算節(jié)點(diǎn)用于執(zhí)行如下對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行預(yù)處理：

9、基于統(tǒng)計(jì)學(xué)方法和機(jī)器學(xué)算法識(shí)別并剔除時(shí)間序列數(shù)據(jù)中的噪聲和異常值，得到清洗后數(shù)據(jù)；

10、基于傅里葉變換、滑窗平均方法或低通濾波器對(duì)清洗后數(shù)據(jù)進(jìn)行數(shù)據(jù)平滑，得到平滑后數(shù)據(jù)；

11、基于移動(dòng)平均方法對(duì)平滑后數(shù)據(jù)進(jìn)行平均，去除隨機(jī)噪聲，得到去噪后數(shù)據(jù)；

12、通過聚類分析方法對(duì)去噪后數(shù)據(jù)進(jìn)行分類，將去噪后數(shù)據(jù)聚集成不同簇，將遠(yuǎn)離簇的數(shù)據(jù)作為異常值去除，得到二次清洗后數(shù)據(jù)；

13、對(duì)二次清洗后數(shù)據(jù)進(jìn)行特征提取，得到時(shí)域特征、頻域特征以及統(tǒng)計(jì)特征，并結(jié)合小波變換算法對(duì)對(duì)提取的特征進(jìn)行處理，將小波變換后特征作為預(yù)處理后數(shù)據(jù)。

14、作為優(yōu)選，對(duì)于所述融合模型，第一故障模型包括lstm層、全連接層和輸出層，lstm層包括多個(gè)lstm單元，每個(gè)lstm單元包含輸入門、遺忘門和輸出門，用于捕捉長(zhǎng)期依賴關(guān)系，所述全連接層用于將lstm層的輸出映射到預(yù)測(cè)結(jié)果，所述輸出層用于用于輸出預(yù)測(cè)結(jié)果，預(yù)測(cè)結(jié)果包括故障類別和故障類別的概率值；

15、所述專家模型用于基于特定故障模式的特征進(jìn)行故障類別判斷，專家模型包括規(guī)則庫(kù)、推理引擎和知識(shí)更新機(jī)制，規(guī)則庫(kù)中存儲(chǔ)有專家定義的診斷規(guī)則，所述推理引擎用于根據(jù)監(jiān)控?cái)?shù)據(jù)和規(guī)則庫(kù)進(jìn)行推理，輸出故障類別和故障類別的概率值作為故障診斷結(jié)果，知識(shí)更新機(jī)制用于根據(jù)專家新的經(jīng)驗(yàn)和新的監(jiān)控?cái)?shù)據(jù)及對(duì)應(yīng)故障診斷結(jié)果更新規(guī)則庫(kù)；

16、所述物理模型用于基于監(jiān)控?cái)?shù)據(jù)和目標(biāo)設(shè)備運(yùn)行狀態(tài)、通過構(gòu)建的物理方程進(jìn)行判斷，輸出故障類別和故障類別的概率值。

17、作為優(yōu)選，中央服務(wù)器層用于基于自適應(yīng)權(quán)重機(jī)制對(duì)第一故障診斷模型、第二故障診斷模型以及第三故障診斷模型輸出的預(yù)測(cè)結(jié)果進(jìn)行融合，包括如下操作：

18、為每個(gè)故障診斷模型分配權(quán)重，對(duì)于每種故障類別的概率，基于每個(gè)故障診斷模型的權(quán)重以及各故障診斷模型預(yù)測(cè)輸出的概率值、通過加權(quán)平均法調(diào)整故障類別的概率值；

19、基于每種故障類別調(diào)整后概率值，通過投票機(jī)制為每個(gè)故障診斷模型選取概率最高的故障類別；

20、對(duì)于每個(gè)故障診斷模型，基于所述故障診斷模型對(duì)應(yīng)故障類別的概率以及先驗(yàn)概率值，通過貝葉斯融合更新后驗(yàn)證概率，得到后驗(yàn)概率值；

21、通過對(duì)每個(gè)故障診斷模型對(duì)應(yīng)的后驗(yàn)概率值進(jìn)行統(tǒng)計(jì)計(jì)算，得到最終概率值，其中統(tǒng)計(jì)計(jì)算包括計(jì)算平均值和計(jì)算最大值。

22、作為優(yōu)選，對(duì)于每種監(jiān)控?cái)?shù)據(jù)，中央服務(wù)器層用于基于滑動(dòng)窗口技術(shù)對(duì)監(jiān)控?cái)?shù)據(jù)對(duì)應(yīng)的閾值進(jìn)行調(diào)整。

23、作為優(yōu)選，所述中央服務(wù)器層用于基于各邊緣計(jì)算節(jié)點(diǎn)上傳的本地?cái)?shù)據(jù)和預(yù)測(cè)結(jié)果以及中央服務(wù)器層自身生成的融合后預(yù)測(cè)結(jié)果進(jìn)行趨勢(shì)分析，定期生成健康檢查報(bào)告，并用于通過可視化界面展示健康檢查報(bào)告、各邊緣計(jì)算節(jié)點(diǎn)上傳的本地?cái)?shù)據(jù)和預(yù)測(cè)結(jié)果、以及中央服務(wù)器層自身生成的融合后預(yù)測(cè)結(jié)果。

24、作為優(yōu)選，所述中央服務(wù)器層還用于采集用戶反饋和目標(biāo)設(shè)備的設(shè)備維護(hù)歷史記錄，基于用戶反饋和設(shè)備維護(hù)歷史記錄對(duì)邊緣計(jì)算節(jié)點(diǎn)的本地模型進(jìn)行模型訓(xùn)練和更新；

25、其中，用戶反饋和設(shè)備維護(hù)歷史記錄均對(duì)應(yīng)有時(shí)間戳，用戶反饋中包括用戶對(duì)報(bào)警的評(píng)分，設(shè)備維護(hù)歷史記錄中包括目標(biāo)設(shè)備的設(shè)備運(yùn)行數(shù)據(jù)和報(bào)警記錄。

26、作為優(yōu)選，基于用戶反饋和設(shè)備維護(hù)歷史記錄對(duì)邊緣計(jì)算節(jié)點(diǎn)的本地模型進(jìn)行模型訓(xùn)練和更新時(shí)，中央服務(wù)器層用于執(zhí)行如下：

27、通過可視化界面采集用戶反饋，采集方式包括定期問卷調(diào)查；

28、通過維護(hù)日志數(shù)據(jù)庫(kù)存儲(chǔ)所有設(shè)備的設(shè)備維護(hù)歷史記錄，并對(duì)設(shè)備維護(hù)歷史記錄中的數(shù)據(jù)進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理，其中，設(shè)備維護(hù)歷史記錄由邊緣設(shè)備計(jì)算節(jié)點(diǎn)層通過消息隊(duì)列推送至維護(hù)日志數(shù)據(jù)庫(kù)；

29、將用戶反饋與對(duì)應(yīng)時(shí)間段的設(shè)備維護(hù)歷史記錄進(jìn)行時(shí)間戳對(duì)齊；

30、從設(shè)備維護(hù)歷史記錄中提取關(guān)鍵特征，包括維護(hù)頻率、平均修復(fù)時(shí)間、故障類型分布；

31、分析用戶反饋、報(bào)警記錄以及維護(hù)活動(dòng)之間的關(guān)聯(lián)關(guān)系；

32、基于關(guān)聯(lián)關(guān)系、設(shè)備實(shí)際運(yùn)行情況以及邊緣計(jì)算節(jié)點(diǎn)上次的本地?cái)?shù)據(jù)，對(duì)邊緣計(jì)算節(jié)點(diǎn)的本地模型進(jìn)行模型訓(xùn)練和更新。

33、作為優(yōu)選，所述中央服務(wù)器層還用于基于邊緣計(jì)算節(jié)點(diǎn)采集的本地?cái)?shù)據(jù)以及設(shè)備實(shí)際運(yùn)行情況對(duì)邊緣設(shè)備的健康狀態(tài)進(jìn)行分析，并基于分析結(jié)果生成邊緣設(shè)備維護(hù)校準(zhǔn)報(bào)告，并將邊緣設(shè)備維護(hù)校準(zhǔn)報(bào)告推送至相關(guān)運(yùn)維人員。

34、本發(fā)明的一種基于邊緣計(jì)算的工業(yè)設(shè)備健康監(jiān)測(cè)及故障預(yù)警系統(tǒng)具有以下優(yōu)點(diǎn)：

35、1、通過邊緣設(shè)備多維度采集工業(yè)設(shè)備的監(jiān)控?cái)?shù)據(jù)，基于監(jiān)控?cái)?shù)據(jù)、通過部署與邊緣計(jì)算節(jié)點(diǎn)的本地模型對(duì)工業(yè)設(shè)備進(jìn)行故障分析，預(yù)測(cè)工業(yè)設(shè)備的故障類別，基于監(jiān)控?cái)?shù)據(jù)、預(yù)測(cè)的故障類別、每種健康數(shù)據(jù)以及每種故障類別對(duì)應(yīng)的閾值，通過配置于中央服務(wù)器層的風(fēng)險(xiǎn)等級(jí)以及報(bào)警機(jī)制進(jìn)行風(fēng)險(xiǎn)等級(jí)劃分和風(fēng)險(xiǎn)預(yù)警，從而實(shí)現(xiàn)了工業(yè)設(shè)備的實(shí)時(shí)監(jiān)控、故障識(shí)別和預(yù)警，避免了重大故障、提高了設(shè)備安全性；

36、2、通過部署于邊緣計(jì)算節(jié)點(diǎn)的本地模型進(jìn)行故障識(shí)別，通過中央服務(wù)器層對(duì)各邊緣計(jì)算節(jié)點(diǎn)的本地模型進(jìn)行模型訓(xùn)練，并通過中央服務(wù)器層進(jìn)行風(fēng)險(xiǎn)劃分和報(bào)警，實(shí)現(xiàn)了云邊協(xié)同計(jì)算，提高了計(jì)算效率，并減輕了計(jì)算負(fù)擔(dān)；

37、3、本地模型為自適應(yīng)融合模型，能夠有效識(shí)別不同類型的故障，提升模型對(duì)不同設(shè)備類型和運(yùn)行模式的適應(yīng)性，利用自適應(yīng)多模型融合技術(shù)，學(xué)習(xí)設(shè)備運(yùn)行模式，識(shí)別潛在故障，并預(yù)測(cè)故障發(fā)生時(shí)間和類型，為設(shè)備維護(hù)提供提前預(yù)警，降低維護(hù)成本。