一种设备维护方法及系统、服务端和设备维护端与流程

本发明涉及工业设备智能维护技术领域，具体地，涉及一种设备维护方法及系统、服务端和设备维护端。

背景技术：

在智能制造系统中，工业设备成本高、使用时间长、实时性要求高，设备的非计划停机可能造成严重的损失，因此必须具备与工业设备匹配的智能维护方式及系统。预测性维护是工业设备维护的重要手段，通过连续的测量和分析，预测诸如工业设备零件剩余使用寿命等关键指标、运行参数数据，可以辅助决策，判断机器的运行状态、优化机器的维护时机，大幅降低设备故障率，从而降低被动维护费用和设备非计划停机带来的损失。

目前常用的预测维护方法，一般通过传感器采集设备数据，然后将设备数据汇聚到云端服务器进行集中处理、分析学习。当联网的工业设备越来越多时，与之对应的数据也将呈指数式增长。如果将所有的数据处理分析全部都交给云端服务器，必然会产生通信拥堵、传输变慢、处理时延等问题，为高延时、低吞吐的工业现场网络带来极大的负担，无用的数据也会浪费云端服务器的存储资源。

如何在不将所有的数据处理分析都交给云端服务器的情况下对设备进行智能的预测性维护已经成为目前亟待解决的问题。

技术实现要素：

本发明针对现有技术中存在的上述技术问题，提供一种设备维护方法及系统、服务端和设备维护端。该设备维护方法使服务端无需再对设备的运行数据进行全盘接受，也无需再对设备的数据进行集中处理，从而避免出现服务端与设备维护端之间的通信拥堵、传输变慢和处理时延长等问题，进而大大减轻了高延时、低吞吐的工业设备控制网络的负担，同时还能节约服务端的存储资源。

本发明提供一种设备维护方法，包括：

根据所述设备的运行特征参数创建用于所述设备预测维护的共享基准模型，并将所述共享基准模型下发至所述设备控制网络中的边缘处理节点；

接收所述边缘处理节点上传的共享基准模型更新文件，并根据所述共享基准模型更新文件对所述共享基准模型进行更新，并将更新后的所述共享基准模型下发至所述边缘处理节点，以便所述边缘处理节点采用所述更新后的所述共享基准模型对所述设备进行预测维护。

优选地，所述根据所述设备的运行特征参数创建用于所述设备预测维护的共享基准模型，并将所述共享基准模型下发至所述设备控制网络中的边缘处理节点包括：

根据所述设备的预配置信息提取所述设备的所述运行特征参数；其中，所述预配置信息包括所述设备的出厂配置和入网参数；

根据所述运行特征参数为同类所述设备的同类参数创建用于所述设备预测维护的所述共享基准模型；

将所述共享基准模型编写为所述边缘处理节点能调用的共享基准模型文件并对所述共享基准模型文件进行加密；

将加密后的所述共享基准模型文件下发至所述边缘处理节点。

优选地，所述接收所述边缘处理节点上传的共享基准模型更新文件，并根据所述共享基准模型更新文件对所述共享基准模型进行更新，并将更新后的所述共享基准模型下发至所述边缘处理节点，以便所述边缘处理节点采用所述更新后的所述共享基准模型对所述设备进行预测维护包括：

接收所述边缘处理节点上传的加密的所述共享基准模型更新文件；

判断针对同一所述共享基准模型上传所述共享基准模型更新文件的所述边缘处理节点的数量是否大于第一阈值以及所述共享基准模型更新文件的数量是否大于第二阈值；

如果是，则解密所述共享基准模型更新文件，并根据所述共享基准模型更新文件和所述共享基准模型生成新的共享基准模型文件，对所述新的共享基准模型文件进行加密，并将加密后的所述新的共享基准模型文件下发至所述边缘处理节点。

本发明还提供一种设备维护方法，包括：

接收服务端下发的用于所述设备预测维护的共享基准模型；

采集所述设备运行的实时数据并对其进行处理，获得所述设备的预测维护数据；

基于所述预测维护数据对所述共享基准模型进行训练，生成用于所述设备预测维护的个性化模型；

分析所述个性化模型并从其中抽取共享基准模型更新文件，将所述共享基准模型更新文件上传至所述服务端；

接收所述服务端下发的更新后的所述共享基准模型，采用所述更新后的所述共享基准模型对所述设备进行预测维护。

优选地，所述接收服务端下发的用于所述设备预测维护的共享基准模型包括：

接收所述服务端下发的加密的能调用的共享基准模型文件；

保存所述共享基准模型文件并对其进行解密。

优选地，所述采集所述设备运行的实时数据并对其进行处理，获得所述设备的预测维护数据包括：

采集所述设备运行的所述实时数据；

从所述实时数据中提取特征量，根据所述特征量生成所述设备的个性化特征集数据；所述个性化特征集数据包括所述设备的设备号、所述实时数据和所述实时数据产生的时间；

基于所述共享基准模型和所述设备的所述个性化特征集数据，生成所述设备的所述预测维护数据。

优选地，所述基于所述预测维护数据对所述共享基准模型进行训练，生成用于所述设备预测维护的个性化模型包括：

分析所述预测维护数据与所述实时数据的第一差异；

根据所述第一差异、所述实时数据和所述共享基准模型，生成所述个性化模型。

优选地，所述分析所述个性化模型并从其中抽取共享基准模型更新文件，将所述共享基准模型更新文件上传至所述服务端包括：

分析所述个性化模型与所述共享基准模型的第二差异；

将所述第二差异作为所述共享基准模型更新文件；

对所述共享基准模型更新文件进行加密；

将加密后的所述共享基准模型更新文件上传至所述服务端。

优选地，所述接收所述服务端下发的更新后的所述共享基准模型，采用所述更新后的所述共享基准模型对所述设备进行预测维护包括：

判断所述第一差异是否大于第三阈值；如果否，则采用所述共享基准模型对所述设备进行预测维护；如果是，则判断是否收到所述更新后的所述共享基准模型；

如果判断是否收到所述更新后的所述共享基准模型的判断结果为否，则采用所述个性化模型对所述设备进行预测维护；如果判断是否收到所述更新后的所述共享基准模型的判断结果为是，则采用所述更新后的所述共享基准模型对所述设备进行预测维护。

本发明还提供一种服务端，包括：

创建下发模块，用于根据所述设备的运行特征参数创建用于所述设备预测维护的共享基准模型，并将所述共享基准模型下发至所述设备控制网络中的边缘处理节点；

更新下发模块，用于接收所述边缘处理节点上传的共享基准模型更新文件，并根据所述共享基准模型更新文件对所述共享基准模型进行更新，并将更新后的所述共享基准模型下发至所述边缘处理节点，以便所述边缘处理节点采用所述更新后的所述共享基准模型对所述设备进行预测维护。

本发明还提供一种设备维护端，包括：

接收模块，用于接收服务端下发的用于所述设备预测维护的共享基准模型；

采集处理模块，用于采集所述设备运行的实时数据并对其进行处理，获得所述设备的预测维护数据；

模型训练模块，用于基于所述预测维护数据对所述共享基准模型进行训练，生成用于所述设备预测维护的个性化模型；

分析抽取模块，用于分析所述个性化模型并从其中抽取共享基准模型更新文件，将所述共享基准模型更新文件上传至所述服务端；

接收维护模块，用于接收所述服务端下发的更新后的所述共享基准模型，采用所述更新后的所述共享基准模型对所述设备进行预测维护。

本发明还提供一种设备维护系统，包括上述服务端和上述设备维护端。

本发明的有益效果：本发明所提供的设备维护方法，通过服务端创建用于设备预测维护的共享基准模型并下发给边缘处理节点，接收共享基准模型更新文件并对共享基准模型进行更新，下发更新后的共享基准模型给边缘处理节点；通过设备维护端采集设备运行实时数据并处理获得预测维护数据，基于预测维护数据对共享基准模型进行训练，生成设备预测维护的个性化模型，从个性化模型中抽取共享基准模型更新文件上传服务端，实现了设备维护端对设备运行数据的采集、处理和共享基准模型更新文件的提取及上传，使服务端无需再对设备的运行数据进行全盘接受，也无需再对设备的数据进行集中处理，从而避免出现服务端与设备维护端之间的通信拥堵、传输变慢和处理时延长等问题，进而大大减轻了高延时、低吞吐的工业设备控制网络的负担，同时还能节约服务端的存储资源。

本发明所提供的服务端，无需再对设备的运行数据进行全盘接受，也无需再对设备的数据进行集中处理，从而避免出现服务端与设备维护端之间的通信拥堵、传输变慢和处理时延长等问题，进而大大减轻了高延时、低吞吐的工业设备控制网络的负担，同时还能节约服务端的存储资源。

本发明所提供的设备维护端，实现了对设备运行数据的采集、处理和共享基准模型更新文件的提取及上传，使服务端无需再对设备的运行数据进行全盘接受，也无需再对设备的数据进行集中处理，从而避免出现服务端与设备维护端之间的通信拥堵、传输变慢和处理时延长等问题，进而大大减轻了高延时、低吞吐的工业设备控制网络的负担，同时还能节约服务端的存储资源。

本发明所提供的设备维护系统，能使服务端无需再对设备的运行数据进行全盘接受，也无需再对设备的数据进行集中处理，从而避免出现服务端与设备维护端之间的通信拥堵、传输变慢和处理时延长等问题，进而大大减轻了高延时、低吞吐的工业设备控制网络的负担，同时还能节约服务端的存储资源。

附图说明

图1为本发明实施例1中设备维护方法的流程图；

图2为本发明实施例2中设备维护方法的步骤s10的流程图；

图3为本发明实施例2中设备维护方法的步骤s11的流程图；

图4为本发明实施例3中服务端的原理框图；

图5为本发明实施例4中设备维护方法的流程图；

图6为本发明实施例5中设备维护方法的流程图；

图7为本发明实施例6中设备维护端的原理框图。

其中的附图标记说明：

1.创建下发模块；11.第一提取单元；12.创建单元；13.编写加密单元；14.第一下发单元；2.更新下发模块；21.第一接收单元；22.第一判断单元；23.更新下发单元；3.接收模块；31.第二接收单元；32.存储单元；4.采集处理模块；41.采集单元；42.第二提取单元；43.第一生成单元；5.模型训练模块；51.第一分析单元；52.第二生成单元；6.分析抽取模块；61.第二分析单元；62.第三生成单元；63.加密单元；64.上传单元；7.接收维护模块；71.第二判断单元；72.第三判断单元；73.预测维护单元。

具体实施方式

为使本领域的技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明所提供的一种设备维护方法及系统、服务端和设备维护端作进一步详细描述。

实施例1：

本实施例提供一种设备维护方法，如图1所示，包括：

步骤s10：根据设备的运行特征参数创建用于设备预测维护的共享基准模型，并将共享基准模型下发至设备控制网络中的边缘处理节点。

其中，设备指工业设备。设备的运行特征参数指设备在运行过程中的温度、压力、声音、震度、冲击、转速等参数。设备预测维护指对设备进行预测性维护，具体为：通过连续的测量和分析，预测诸如工业设备零件的剩余使用寿命等关键指标、运行参数数据，以便利用这些预测数据辅助判断设备的运行状态，从而优化设备的维护时机，降低设备故障率，从而降低设备被动维护费用和设备非计划停机带来的损失。

该共享基准模型用于设备的预测性维护。

步骤s11：接收边缘处理节点上传的共享基准模型更新文件，并根据共享基准模型更新文件对共享基准模型进行更新，并将更新后的共享基准模型下发至边缘处理节点，以便边缘处理节点采用更新后的共享基准模型对设备进行预测维护。

其中，共享基准模型更新文件由设备维护端的边缘处理节点根据服务端下发的共享基准模型对设备运行产生的数据处理后获得，因此，服务端无需再对设备的运行数据进行全盘接受，也无需再对设备的数据进行集中处理，从而避免出现服务端与设备维护端之间的通信拥堵、传输变慢和处理时延长等问题，进而大大减轻了高延时、低吞吐的工业设备控制网络的负担，同时还能节约服务端的存储资源。

该设备维护方法，通过创建用于设备预测维护的共享基准模型并下发给边缘处理节点，接收共享基准模型更新文件并对共享基准模型进行更新，下发更新后的共享基准模型给边缘处理节点，使服务端无需再对设备的运行数据进行全盘接受，也无需再对设备的数据进行集中处理，从而避免出现服务端与设备维护端之间的通信拥堵、传输变慢和处理时延长等问题，进而大大减轻了高延时、低吞吐的工业设备控制网络的负担，同时还能节约服务端的存储资源。

实施例2：

本实施例提供一种设备维护方法，包括：

步骤s10：根据设备的运行特征参数创建用于设备预测维护的共享基准模型，并将共享基准模型下发至设备控制网络中的边缘处理节点。

其中，设备指工业设备。设备的运行特征参数指设备在运行过程中的温度、压力、声音、震度、冲击、转速等参数。设备预测维护指对设备进行预测性维护，具体为：通过连续的测量和分析，预测诸如工业设备零件的剩余使用寿命等关键指标、运行参数数据，以便利用这些预测数据辅助判断设备的运行状态，从而优化设备的维护时机，降低设备故障率，从而降低设备被动维护费用和设备非计划停机带来的损失。

该共享基准模型用于设备的预测性维护。

该步骤具体包括：如图2所示，

步骤s101：根据设备的预配置信息提取设备的运行特征参数。其中，预配置信息包括设备的出厂配置和入网参数。

步骤s102：根据运行特征参数为同类设备的同类参数创建用于设备预测维护的共享基准模型。

其中，该共享基准模型是针对同一类型的众多设备进行预测性维护的模型。

步骤s103：将共享基准模型编写为边缘处理节点能调用的共享基准模型文件并对共享基准模型文件进行加密。

该步骤能避免共享基准模型能被边缘处理节点使用且不容易在下发过程中丢失或泄露。

步骤s104：将加密后的共享基准模型文件下发至边缘处理节点。

步骤s11：接收边缘处理节点上传的共享基准模型更新文件，并根据共享基准模型更新文件对共享基准模型进行更新，并将更新后的共享基准模型下发至边缘处理节点，以便边缘处理节点采用更新后的共享基准模型对设备进行预测维护。

该步骤具体包括：如图3所示，

步骤s111：接收边缘处理节点上传的加密的共享基准模型更新文件。

该步骤能避免边缘处理节点上传的共享基准模型更新文件丢失或泄露。

步骤s112：判断针对同一共享基准模型上传共享基准模型更新文件的边缘处理节点的数量是否大于第一阈值以及共享基准模型更新文件的数量是否大于第二阈值。

该步骤中，为每个工业现场控制网络中的设备配置一个边缘处理节点。每个边缘处理节点实时监测设备运行状况，且随着时间的推移间断性地上传共享基准模型更新文件。

该步骤的实际意义为：上传共享基准模型更新文件的边缘处理节点越多，且上传的共享基准模型更新文件越多，则要求进行共享基准模型更新的设备越多，且设备要求更新共享基准模型的要求越强烈，因此，将二者作为是否更新共享基准模型的判断条件，以良好地推进共享基准模型的更新，从而使共享基准模型能够更好地适应设备预测维护的新要求。

步骤s112的判断结果如果是，则执行步骤s113：解密共享基准模型更新文件，并根据共享基准模型更新文件和共享基准模型生成新的共享基准模型文件，对新的共享基准模型文件进行加密，并将加密后的新的共享基准模型文件下发至边缘处理节点。

该步骤中，新的共享基准模型文件能够更好地满足设备预测维护的新要求。该步骤还能够避免新的共享基准模型文件在下发过程中丢失或泄露。

步骤s112的判断结果如果否，则不对共享基准模型进行更新。即边缘处理节点仍然采用原来的共享基准模型对设备进行预测维护。

本实施例中，共享基准模型更新文件由设备维护端的边缘处理节点根据服务端下发的共享基准模型对设备运行产生的数据处理后获得，因此，服务端无需再对设备的运行数据进行全盘接受，也无需再对设备的数据进行集中处理，从而避免出现服务端与设备维护端之间的通信拥堵、传输变慢和处理时延长等问题，进而大大减轻了高延时、低吞吐的工业设备控制网络的负担，同时还能节约服务端的存储资源。

实施例1-2的有益效果：实施例1-2所提供的设备维护方法，通过创建用于设备预测维护的共享基准模型并下发给边缘处理节点，接收共享基准模型更新文件并对共享基准模型进行更新，下发更新后的共享基准模型给边缘处理节点，使服务端无需再对设备的运行数据进行全盘接受，也无需再对设备的数据进行集中处理，从而避免出现服务端与设备维护端之间的通信拥堵、传输变慢和处理时延长等问题，进而大大减轻了高延时、低吞吐的工业设备控制网络的负担，同时还能节约服务端的存储资源。

实施例3：

基于实施例2中的设备维护方法，本实施例提供一种服务端，如图4所示，包括：创建下发模块1，用于根据设备的运行特征参数创建用于设备预测维护的共享基准模型，并将共享基准模型下发至设备控制网络中的边缘处理节点。更新下发模块2，用于接收边缘处理节点上传的共享基准模型更新文件，并根据共享基准模型更新文件对共享基准模型进行更新，并将更新后的共享基准模型下发至边缘处理节点，以便边缘处理节点采用更新后的共享基准模型对设备进行预测维护。

通过设置创建下发模块1和更新下发模块2，使该服务端无需再对设备的运行数据进行全盘接受，也无需再对设备的数据进行集中处理，从而避免出现服务端与设备维护端之间的通信拥堵、传输变慢和处理时延长等问题，进而大大减轻了高延时、低吞吐的工业设备控制网络的负担，同时还能节约服务端的存储资源。

其中，创建下发模块1包括第一提取单元11，用于根据设备的预配置信息提取设备的运行特征参数。其中，预配置信息包括设备的出厂配置和入网参数。创建单元12，用于根据运行特征参数为同类设备的同类参数创建用于设备预测维护的共享基准模型。编写加密单元13，用于将共享基准模型编写为边缘处理节点能调用的共享基准模型文件并对共享基准模型文件进行加密。第一下发单元14，用于将加密后的共享基准模型文件下发至边缘处理节点。

更新下发模块2包括第一接收单元21，用于接收边缘处理节点上传的加密的共享基准模型更新文件。第一判断单元22，用于判断针对同一共享基准模型上传共享基准模型更新文件的边缘处理节点的数量是否大于第一阈值以及共享基准模型更新文件的数量是否大于第二阈值。更新下发单元23，用于在所述第一判断单元22的判断结果为是时，解密共享基准模型更新文件，并根据共享基准模型更新文件和共享基准模型生成新的共享基准模型文件，对新的共享基准模型文件进行加密，并将加密后的新的共享基准模型文件下发至边缘处理节点。

该服务端，无需再对设备的运行数据进行全盘接受，也无需再对设备的数据进行集中处理，从而避免出现服务端与设备维护端之间的通信拥堵、传输变慢和处理时延长等问题，进而大大减轻了高延时、低吞吐的工业设备控制网络的负担，同时还能节约服务端的存储资源。

实施例4：

本实施例提供一种设备维护方法，如图5所示，包括：

步骤s20：接收服务端下发的用于设备预测维护的共享基准模型。

其中，该共享基准模型是针对同一类型的众多设备进行预测性维护的模型。

步骤s21：采集设备运行的实时数据并对其进行处理，获得设备的预测维护数据。

其中，设备运行的实时数据指设备运行的时间序列数据，如温度、压力、声音、震度、冲击、转速等数据。设备的预测维护数据指根据设备的运行状态对设备进行维护的预测数据。

步骤s22：基于预测维护数据对共享基准模型进行训练，生成用于设备预测维护的个性化模型。

其中，该个性化模型是对应某个边缘管理节点下所管理的设备进行预测性维护的模型，该边缘管理节点是基于预测维护数据对共享基准模型进行训练的边缘管理节点。

步骤s23：分析个性化模型并从其中抽取共享基准模型更新文件，将共享基准模型更新文件上传至服务端。

该步骤中，实际是从个性化模型中抽取共享基准模型相对于该个性化模型需要改进的部分作为共享基准模型更新文件，以对共享基准模型进行改进。

步骤s24：接收服务端下发的更新后的共享基准模型，采用更新后的共享基准模型对设备进行预测维护。

该设备维护方法，通过设备维护端采集设备运行实时数据并处理获得预测维护数据，基于预测维护数据对共享基准模型进行训练，生成设备预测维护的个性化模型，从个性化模型中抽取共享基准模型更新文件上传服务端，实现了设备维护端对设备运行数据的采集、处理和共享基准模型更新文件的提取及上传，使服务端无需再对设备的运行数据进行全盘接受，也无需再对设备的数据进行集中处理，从而避免出现服务端与设备维护端之间的通信拥堵、传输变慢和处理时延长等问题，进而大大减轻了高延时、低吞吐的工业设备控制网络的负担，同时还能节约服务端的存储资源。

实施例5：

本实施例提供一种设备维护方法，如图6所示，包括：

步骤s20：接收服务端下发的用于设备预测维护的共享基准模型。

其中，该共享基准模型是针对同一类型的众多设备进行预测性维护的模型。

该步骤具体包括：

步骤s201：接收服务端下发的加密的能调用的共享基准模型文件。

该步骤能避免共享基准模型文件在下发过程中丢失或泄露。

步骤s202：保存共享基准模型文件并对其进行解密。

步骤s21：采集设备运行的实时数据并对其进行处理，获得设备的预测维护数据。

其中，设备运行的实时数据指设备运行的时间序列数据，如温度、压力、声音、震度、冲击、转速等数据。设备的预测维护数据指根据设备的运行状态对设备进行维护的预测数据。

该步骤具体包括：

步骤s211：采集设备运行的实时数据。

步骤s212：从实时数据中提取特征量，根据特征量生成设备的个性化特征集数据。个性化特征集数据包括设备的设备号、实时数据和实时数据产生的时间。

步骤s213：基于共享基准模型和设备的个性化特征集数据，生成设备的预测维护数据。

该步骤中，将设备的个性化特征集数据输入共享基准模型中，经过共享基准模型的运算后生成设备的预测维护数据。

步骤s22：基于预测维护数据对共享基准模型进行训练，生成用于设备预测维护的个性化模型。

其中，该个性化模型是对应某个边缘管理节点下所管理的设备进行预测性维护的模型，该边缘管理节点是基于预测维护数据对共享基准模型进行训练的边缘管理节点。

该步骤具体包括：

步骤s221：分析预测维护数据与实时数据的第一差异。

步骤s222：根据第一差异、实时数据和共享基准模型，生成个性化模型。

该步骤中，具体为：将第一差异、实时数据和共享基准模型作为训练算法的输入，输入到训练算法中进行运算，生成个性化模型。

步骤s23：分析个性化模型并从其中抽取共享基准模型更新文件，将共享基准模型更新文件上传至服务端。

该步骤中，实际是从个性化模型中抽取共享基准模型相对于该个性化模型需要改进的部分作为共享基准模型更新文件，以对共享基准模型进行改进。

该步骤具体包括：

步骤s231：分析个性化模型与共享基准模型的第二差异。

其中，第二差异为两个模型之间的差异。

步骤s232：将第二差异作为共享基准模型更新文件。

其中，第二差异即为共享基准模型相对于该个性化模型需要改进的部分。

步骤s233：对共享基准模型更新文件进行加密。

该步骤能够避免共享基准模型更新文件在上传过程中丢失或泄露。

步骤s234：将加密后的共享基准模型更新文件上传至服务端。

步骤s24：接收服务端下发的更新后的共享基准模型，采用更新后的共享基准模型对设备进行预测维护。

该步骤具体包括：

步骤s241：判断第一差异是否大于第三阈值。如果否，则执行步骤s242：采用共享基准模型对设备进行预测维护。如果是，则执行步骤s243：判断是否收到更新后的共享基准模型。

如果否，则执行步骤s244：采用个性化模型对设备进行预测维护。如果是，则执行步骤s245：采用更新后的共享基准模型对设备进行预测维护。

通过步骤s241-步骤s245，能够适时地采用个性化模型或更新后的共享基准模型对某个设备进行预测维护，从而提高了该设备的预测维护效果。

该设备维护方法，通过设备维护端采集设备运行实时数据并处理获得预测维护数据，基于预测维护数据对共享基准模型进行训练，生成设备预测维护的个性化模型，从个性化模型中抽取共享基准模型更新文件上传服务端，实现了设备维护端对设备运行数据的采集、处理和共享基准模型更新文件的提取及上传，使服务端无需再对设备的运行数据进行全盘接受，也无需再对设备的数据进行集中处理，从而避免出现服务端与设备维护端之间的通信拥堵、传输变慢和处理时延长等问题，进而大大减轻了高延时、低吞吐的工业设备控制网络的负担，同时还能节约服务端的存储资源。

实施例6：

基于实施例5中的设备维护方法，本实施例提供一种设备维护端，如图7所示，包括：接收模块3，用于接收服务端下发的用于设备预测维护的共享基准模型。采集处理模块4，用于采集设备运行的实时数据并对其进行处理，获得设备的预测维护数据。模型训练模块5，用于基于预测维护数据对共享基准模型进行训练，生成用于设备预测维护的个性化模型。分析抽取模块6，用于分析个性化模型并从其中抽取共享基准模型更新文件，将共享基准模型更新文件上传至服务端。接收维护模块7，用于接收服务端下发的更新后的共享基准模型，采用更新后的共享基准模型对设备进行预测维护。

通过设置采集处理模块4、模型训练模块5和分析抽取模块6，实现了设备维护端对设备运行数据的采集、处理和共享基准模型更新文件的提取及上传，使服务端无需再对设备的运行数据进行全盘接受，也无需再对设备的数据进行集中处理，从而避免出现服务端与设备维护端之间的通信拥堵、传输变慢和处理时延长等问题，进而大大减轻了高延时、低吞吐的工业设备控制网络的负担，同时还能节约服务端的存储资源。

其中，接收模块3包括第二接收单元31，用于接收服务端下发的加密的能调用的共享基准模型文件。存储单元32，用于保存共享基准模型文件并对其进行解密。

采集处理模块4包括采集单元41，用于采集设备运行的实时数据。第二提取单元42，用于从实时数据中提取特征量，根据特征量生成设备的个性化特征集数据。个性化特征集数据包括设备的设备号、实时数据和实时数据产生的时间。第一生成单元43，用于基于共享基准模型和设备的个性化特征集数据，生成设备的预测维护数据。

本实施例中，模型训练模块5包括第一分析单元51，用于分析预测维护数据与实时数据的第一差异。第二生成单元52，用于根据第一差异、实时数据和共享基准模型，生成个性化模型。

分析抽取模块6包括第二分析单元61，用于分析个性化模型与共享基准模型的第二差异。第三生成单元62，用于将第二差异作为共享基准模型更新文件。加密单元63，用于对共享基准模型更新文件进行加密。上传单元64，用于将加密后的共享基准模型更新文件上传至服务端。

本实施例中，接收维护模块7包括第二判断单元71，用于判断第一差异是否大于第三阈值。第三判断单元72，用于在第二判断单元71的判断结果为是时，判断是否收到更新后的共享基准模型。预测维护单元73，用于在第二判断单元71的判断结果为否时，采用共享基准模型对设备进行预测维护；还用于在第二判断单元71的判断结果为是且第三判断单元72的判断结果为否时，采用个性化模型对设备进行预测维护；还用于在第二判断单元71的判断结果为是且第三判断单元72的判断结果为是时，采用更新后的共享基准模型对设备进行预测维护。

本实施例所提供的设备维护端，通过设置接收模块、采集处理模块、模型训练模块、分析抽取模块和接收维护模块，实现了设备维护端对设备运行数据的采集、处理和共享基准模型更新文件的提取及上传，使服务端无需再对设备的运行数据进行全盘接受，也无需再对设备的数据进行集中处理，从而避免出现服务端与设备维护端之间的通信拥堵、传输变慢和处理时延长等问题，进而大大减轻了高延时、低吞吐的工业设备控制网络的负担，同时还能节约服务端的存储资源。

实施例7：

本实施例提供一种设备维护系统，包括实施例3中所提供的服务端和实施例6中所提供的设备维护端。

该设备维护系统，能使服务端无需再对设备的运行数据进行全盘接受，也无需再对设备的数据进行集中处理，从而避免出现服务端与设备维护端之间的通信拥堵、传输变慢和处理时延长等问题，进而大大减轻了高延时、低吞吐的工业设备控制网络的负担，同时还能节约服务端的存储资源。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。