一种基于边缘计算和深度学习的电机故障诊断系统及方法与流程

本发明涉及电机故障诊断技术领域，尤其涉及一种基于边缘计算和深度学习的电机故障诊断系统及方法。

背景技术：

电机在现代工业中的应用非常普遍，无论是大的工厂企业，还是小额工厂企业随处都能看见电机的身影，而一些重要生产线上的大电机对企业更是至关重要，一旦发生故障可能会导致整条产线停止工作，更为严重的可能会给企业带来重大的经济损失和人员伤亡，所以电机的正常稳定运行对企业来说是非常重要的。

目前，对于电机的维护大多都是通过现场维护人员每天对电机的振动噪声和壳体温度检查等，根据多年的现场经验对电机状态进行评估，另外的主要措施就是对电机进行定期的返厂维修。凭借现场维护人员的经验很有可能会对电机已经出现的故障无法及时发现，导致重大事故的发生，另外定期对电机进行拆机维修需要暂停整个生产线的工作，还会造成过度维修所带来的经济损失。

目前现有的技术方案大多是在现场布置一台数据采集装置，根据现场实时采集的数据传回云服务器，在应用相应的算法来对电机状态进行检测和对故障进行诊断。目前常用的算法还比较多的停留在传统的神经网络算法，比如bp神经网络和概率神经网络等算法，但是面对电机群庞大的数据量，这些浅层神经网络算法将没有优势可言，导致训练速度慢，诊断模型的精度低；

另一方面，采用云端处理的方法，已经无法满足实时性要求，可能已经出现故障之后才检测出来，另外该方法对服务器的存储及计算能力要求很高，传输大量原始数据的安全性和稳定性也无法得到保证。

随着网络技术的发展，接入网络的设备数量越来越大，将产生海量的数据，如果这些数据都直接回传云端服务器，将产生很大的带宽和延迟，同时处理海量数据的安全性也难以得到保证；另外对于这些浅层神经网络算法已经难以处理电机群庞大的数据量，会导致网络训练速度慢，过拟合等问题，最终使得网络的诊断能力下降，不能很好的反应电机实际状态。

技术实现要素：

针对需要将所有的诊断数据全部回传到云端服务器才能进行诊断计算以及浅层神经网络诊断准确率低的问题，本发明提供一种基于边缘计算和深度学习的电机故障诊断系统及方法，采用在边缘侧设备上应用深度学习算法来诊断电机故障。

为达到上述目的，本发明提供了一种基于边缘计算和深度学习的电机故障诊断系统，包括，若干采集装置、若干边缘侧设备以及云服务中心；

所述采集装置用于采集电机的振动或者电流信号并发送给对应的所述边缘侧设备；

所述边缘侧设备包括采集配置模块、预处理模块、经验模态分解模块以及诊断模块；所述采集配置模块能够对采集装置进行配置；所述预处理模块对振动或者电流信号进行预处理；所述经验模态分解模块将预处理后的振动或者电流信号进行经验模态分解emd，分解为n个imf分量；所述诊断模块内置深度残差网络诊断模型输入n个imf分量进行故障诊断，将诊断结果和故障数据上传至所述云服务中心；

所述云服务中心利用历史数据和故障数据进行经验模态分解emd，定期对深度残差网络诊断模型进行训练，训练好后下发到各个边缘侧设备，更新边缘侧设备中的深度残差网络诊断模型。

进一步地，所述经验模态分解模块处理流程包括：

s1获得预处理后的振动或者电流信号x(t)，另i＝0；

s2获得x(t)上包络线fmax(t)和下包络线fmin(t)，计算上、下包络线均值为m(t)；

s2将x(t)与均值m(t)做差，差记为h1(t)；

s3判断i是否小于n，如果小于，则将i加1，获得第i个imf分量ci(t)＝h1(t)，并采用x(t)-h1(t)替换x(t)，返回s2；如果i不小于n，则输出n个imf分量。

进一步地，所述诊断模块包括输入卷积单元、6个残差单元以及输出单元；n个imf分量经过输入卷积单元进行特征提取后，依次经过串联的6个残差单元处理；最后由输出单元得到诊断结果。

进一步地，所述残差单元包括依次串联的第一批量标准化层、第一relu激活函数、第一卷积层、第二批量标准化层、第二relu激活函数、第二卷积层、第三批量标准化层、第三relu激活函数、第三卷积层以及恒等映射单元，恒等映射单元将第三卷积层的输出与第一批量标准化层的输入叠加后输出。

进一步地，所述输出单元包括依次串联的输出批量标准化层、输出relu激活函数、全局均值池化层、dropout层以及全连接输出层；输出批量标准化层对输入特征进行标准化处理，输出relu激活函数进行非线性处理，全局均值池化层对每个输入通道的特征图取均值后输出，所述dropout层丢弃部分神经元，所述全连接输出层采用softmax函数计算分类结果，输出各种类型故障和无故障的概率。

进一步地，第一、第二、第三批量标准化层和输出批量标准化层的运算过程包括对各个样本的n个imf分量表征的n个一维特征进行处理，分别获得输出特征，计算第s个输入样本的某一维特征xs计算输出特征ys为：

其中：nbatch指的是每个批次所包含的样本数量，μ为nbatch个样本在某一维上的平均值，σ为nbatch个样本在某一维上的标准差，γ和β分别是缩放和平移可学习参数，ε是接近于零的常量。

进一步地，所述云服务中心包括：数据库、选择模块、imf分量提取模块、模型训练模块以及封装输出模块；所述数据库存储电机的历史振动或者电流信号，各所述边缘侧设备上传的故障时的电机的振动或者电流信号及人工标注的诊断结果；所述选择模块从数据库中选择样本并输入至所述imf分量提取模块，所述imf分量提取模块对输入进行经验模态分解emd，分解为n个imf分量；所述模型训练模块将n个imf分量输入到内部的深度残差网络诊断模型中进行训练，当满足训练次数或训练精度的要求后，由封装输出模块将深度残差网络诊断模型封装并发送给各个所述边缘侧设备。

进一步地，还包括应用层，读取所述云服务中心的数据并进行展示。

本发明另一方面提供一种基于边缘计算和深度学习的电机故障诊断方法，包括：

训练深度残差网络诊断模型并加载至边缘侧设备；

各个边缘侧设备接收对应的采集设备采集的电机的振动或者电流信号并进行预处理；将预处理后的振动或者电流信号进行经验模态分解emd，分解为n个imf分量；深度残差网络诊断模型输入n个imf分量进行故障诊断，将诊断结果和故障数据上传至所述云服务中心；

所述云服务中心利用诊断结果和故障数据进行经验模态分解emd，定期对深度残差网络诊断模型进行训练，训练好后下发到各个边缘侧设备，更新边缘侧设备中的深度残差网络诊断模型。

进一步地，所述经验模态分解模块将预处理后的振动或者电流信号进行经验模态分解emd，被分解为n个imf分量；

所述经验模态分解模块进行经验模态分解emd的处理流程包括：

s1获得预处理后的振动或者电流信号x(t)，另i＝0；

s2获得x(t)上包络线fmax(t)和下包络线fmin(t)，计算上、下包络线均值为m(t)；

s2将x(t)与均值m(t)做差，差记为h1(t)；

s3判断i是否小于n，如果小于，则将i加1，获得第i个imf分量ci(t)＝h1(t)，并采用x(t)-h1(t)替换x(t)，返回s1；如果i不小于n，则输出n个imf分量。

进一步地，所述深度残差网络诊断模型包括输入卷积单元、6个残差单元以及输出单元；n个imf分量经过输入卷积单元进行特征提取后，依次经过串联的6个残差单元处理；最后由输出单元得到诊断结果。

进一步地，所述残差单元包括依次串联的第一批量标准化层、第一relu激活函数、第一卷积层、第二批量标准化层、第二relu激活函数、第二卷积层、第三批量标准化层、第三relu激活函数、第三卷积层以及恒等映射单元，恒等映射单元将第三卷积层的输出与第一批量标准化层的输入叠加后输出。

进一步地，所述输出模块包括依次串联的输出批量标准化层、输出relu激活函数、全局均值池化层、dropout层以及全连接输出层；输出批量标准化层对输入特征进行标准化处理，输出relu激活函数进行非线性处理，全局均值池化层对每个输入通道的特征图取均值后输出，所述dropout层丢弃部分神经元，所述全连接输出层采用softmax函数计算分类结果，输出各种类型故障和无故障的概率。

进一步地，所述云服务中心包括：数据库、选择模块、imf分量提取模块、模型训练模块以及封装输出模块；所述数据库存储电机的历史振动或者电流信号，各所述边缘侧设备上传的故障时的电机的振动或者电流信号及人工标注的诊断结果；所述选择模块从数据库中选择样本并输入至所述imf分量提取模块，所述imf分量提取模块对输入进行经验模态分解emd，分解为n个imf分量；所述模型训练模块将n个imf分量输入到内部的深度残差网络诊断模型中进行训练，当满足训练次数或训练精度的要求后，由封装输出模块将深度残差网络诊断模型封装并发送给各个所述边缘侧设备。

本发明的上述技术方案具有如下有益的技术效果：

(1)目前常见的方法都是采用数据采集装置，将本地采集到的数据发送到云中心计算分析得到诊断结果，但由于原始数据体量巨大，加上众多的现场采集装置，数据的实时传输和存储对云中心都是非常巨大的挑战，很容易出现现场的设备已经出现故障，但是故障数据由于各种原因未及时上传到云中心，导致发现故障迟缓。本发明采用在云中心训练深度残差网络模型，并将训练好的深度残差网络模型，下发到边缘侧设备上，通过在边缘侧设备计算就可对电机设备进行实时诊断，能够及时快速对电机状态进行诊断，而且边缘侧设备诊断出故障后，除了将诊断结果传送到云服务器，还要将故障数据传到云中心，这样能够不断的丰富故障数据库，使得训练的诊断模型也更加符合电机的实际情况。

(2)现有的方法都是将采集到的原始数据直接作为深度学习网络的输入，这也会引入非常多的噪声，导致诊断结果不准确；本发明通过采集电流或振动信号，通过预处理的方法对原始数据进行处理，然后通过经验模态分解算法提取故障信号的本征模态函数，这样能够充分获取到原始信号的有用信息，使得深度模型的准确率增加；

(3)现有的故障诊断模型还是应用浅层的神经网络，或者基本的卷积神经网络，这些网络也会造成对电机工况学习的不够完全，导致模型的准确率低，而本发明是在基本卷积神经网络的改进版本，及深度残差网络模型，该网络通过引入残差模块，可大大降低网路的训练时间，提高模型的准确率，对诊断模型的快速更新提供了很大的支撑。

(4)边缘计算将数据存储在本地，这就从根本上解决了安全性和隐私性问题，此外，边缘计算的处理更接近数据源，仅将处理完的数据传到云中心，大大缩减了由数据传输速度和带宽限制带来的延时，云中心的处理数据压力将得到显著缓解。

附图说明

图1为电机故障诊断系统流程图；

图2为resnet残差单元示意图；

图3为resnet网络结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

本发明的目的在于提供一种电机故障诊断系统和方法，该诊断系统包括若干采集装置、若干边缘侧设备、云服务中心以及应用层，结合图1。

所述采集装置用于采集电机的振动或者电流信号并发送给对应的所述边缘侧设备；

边缘侧设备具有数据采集功能，数据预处理以及具有应用深度学习模型诊断功能，包含数据上传和本地数据存储和展示功能；所述边缘侧设备包括采集配置模块、预处理模块、经验模态分解模块以及诊断模块；所述采集配置模块能够对采集装置进行初始化，配置采集策略参数；所述预处理模块对振动或者电流信号进行预处理，采用滤波处理等预处理方法；所述经验模态分解模块将预处理后的振动或者电流信号进行经验模态分解emd，分解为n个imf分量；所述诊断模块内置深度残差网络诊断模型输入n个imf分量进行故障诊断，将诊断结果和故障数据上传至所述云服务中心；在边缘侧设备上应用训练好的深度残差网络诊断模型，对电机进行实时诊断，当诊断结果为正常时，不对正常实时数据进行存储，只需将诊断结果进行存储和展示，当诊断结果出现故障时，则需要将诊断结果和故障数据进行存储和展示。将诊断结果和故障数据上传到云中心进行展示和存储，当诊断结果为某部件出现故障时，将会将诊断结果和相应故障的故障数据上传到云中心，再人为的对故障结果进行确认和标定。当诊断结果各部件全部正常时，则只将诊断结果发送到云服务中心，正常工况的实时数据则不发送到云服务中心，这样能够大大减少数据传输的成本。

云服务中心具有对边缘侧设备进行初始化配置的功能，具有接收数据和存储数据及展示的功能、包含故障数据库模块功能；所述云服务中心利用历史数据和故障数据定期对深度残差网络诊断模型进行训练，训练好后下发到各个边缘侧设备，更新边缘侧设备中的深度残差网络诊断模型。

应用层包括办公电脑、笔记本等便携式设备、手机等移动设备以及各类应用的控制展示电机实时运行状态的功能。

进一步地，经验模态分解是一种新型自适应信号时频处理方法，特别适用于非线性非平稳信号的分析处理，该方法的优势在于其根据自身的时间尺度特征来对信号进行处理，无需设定任何基函数，这一点与建立在先验性的谐波基函数和小波基函数的傅里叶分解与小波分解具有本质的差别，正是由于这样的优点，emd方法在理论上可以应用于任何类型的信号的分解，因此在处理非线性非平稳数据上，具有非常明显的优势。

该方法的核心是经验模式分解，它能使复杂信号分解为有限个本征模函数(imf)，所分解出来的各imf分量包含了原始信号的不同时间尺度的局部特征信号，由于分解是基于信号序列时间尺度的局部特性，因此具有自适应性。本征模函数必须2个满足的条件：

条件1：函数在整个时间范围内，局部极值点和过零点的数目必须相等，或最多相差1个；

条件2：在任意时刻点，局部最大值包络和局部最小值包络平均必须为0。

对于给定信号采用emd方法求本征模态函数，emd分析的筛选过程如下：所述经验模态分解模块处理流程包括：

s1获得预处理后的振动或者电流信号x(t)，另i＝0；

s2找出x(t)上的所有极值点，将所有极值点和极小值点分别用一条曲线连接起来，形成上包络线fmax(t)和下包络线fmin(t)，将上下包络线均值即为m(t)；

s3将x(t)与均值m(t)做差，差记为h1(t)；即有如下等式：

h1(t)＝x(t)-m(t)

理想的情况下，h1(t)是一个基本模式分量，而实际信号一般比较复杂，将h1(t)作为新的x(t)重复上述过程，直至满足条件，则h1(t)为第一个基本模式分量，记为：

c1(t)＝h1(t)

s4判断i是否小于n，如果小于，则将i加1，获得第i个imf分量ci(t)＝h1(t)，并采用x(t)-h1(t)替换x(t)，即，x(t)＝x(t)-c1(t)，返回s2；如果i不小于n，则输出n个imf分量。依次得到第二个imf分量c2(t)，第三个imf分量c3(t)，直至第n个imf分量cn(t)，最终原始信号经过emd分解后被分解为n个imf分量。n个imf分量表征样本的的n个一维特征。

进一步地，结合图3，所述诊断模块包括输入卷积单元、6个残差单元以及输出单元；n个imf分量经过输入卷积单元进行特征提取后，依次经过输入卷积单元、串联的6个残差单元处理；最后由输出单元得到诊断结果。结合图2，所述残差单元包括依次串联的第一批量标准化层、第一relu激活函数、第一卷积层、第二批量标准化层、第二relu激活函数、第二卷积层、第三批量标准化层、第三relu激活函数、第三卷积层以及恒等映射单元，恒等映射单元将第三卷积层的输出与第一批量标准化层的输入叠加后输出。

所述输出单元包括依次串联的输出批量标准化层、输出relu激活函数、全局均值池化层、dropout层以及全连接输出层；输出批量标准化层对输入特征进行标准化处理，输出relu激活函数进行非线性处理，全局均值池化层对每个输入通道的特征图取均值后输出，所述dropout层丢弃部分神经元，所述全连接输出层采用softmax函数计算分类结果，输出各种类型故障和无故障的概率。

通过采集电机的电流或振动信号，将采集到的信号在边缘设备上进行预处理计算和应用深度学习诊断模型进行实时计算，具体包括在边缘设备上通过对采集到的信号应用经验模态分解算法提取本征模态函数(imf)，然后将提取到的各阶imf分量组成的矩阵作为深度学习诊断模型的输入，通过诊断模型即可对现场电机进行实时诊断，然后将诊断结果和故障数据上传到云中心，将故障数据进行存储，在云中心应用历史数据和上传的故障数据可定期对深度神经网络模型进行训练，然后再将训练好的深度学习模型下发到各个边缘设备中，使得深度学习诊断模型能够不断的进行更新，从而对电机的诊断响应更快，效率更高，且故障诊断结果准确率更高。该系统可通过多个平台对电机的状态进行展示，使客户能够清晰掌握各台电机的实时情况。

残差网络模型本质上是一种升级的卷积神经网络(convnet)模型，能够克服卷积网络模型随着层数的不断加深，模型训练也会逐渐困难的问题。残差网络模型通常由输入层、卷积层、批量标准化、恒等映射。全局均值池化以及全链接输出层等重要的基本模块组合而成。对于深度残差网络(resnet)诊断模型，不同的基本单元具有不同的功能。resnet模型通常包含着一定数量的基本残差单元，而这些基本残差单元是resnet模型的核心组成部分。resnet模型的主要部分就是由很多基本残差模块堆叠而成。常见的基本残差单元均由两个卷积层、两个relu激活函数、两个批量标准化和一个恒等映射组成。本发明应用改良版本的残差模块，该模块包含的路径包括“批量标准化—relu激活函数—卷积层—批量标准化—relu激活函数—卷积层—批量标准化—relu激活函数—卷积层”，该残差单元更加利于误差在神经网络内部的反向传播，使得参数变得更容易训练。本发明所用的残差模块如图2所示。

(1)卷积层

卷积层是convnet模型以及resnet模型核心部分之一。相较于传统的全连接层，它的一个主要优势在于显著地减少了所需训练的训练权重。实际上，卷积核可以作为一种可训练的局部特征提取算子。在卷积运算的过程中，卷积核在输入数据上滑动以提取不同位置的基本局部特征。同一个卷积核可以用来提取不同位置的同类局部特征，从而提高神经网络中权重的利用效率。如图3所示，本发明首先采用3*3的输入卷积单元进行特征提取。每个残差单元内，也分别设置三个3*3的卷积单元进行特征提取。

(2)批量标准化层(bn)

当采用最小批随机梯度下降法时，在深度神经网络训练过程的每次迭代一定数量随机选择的训练样本被输入到深度神经网络之中，进行前向传播和反向传播的计算。然而，这些小批次训练样本之间的特征分布往往在迭代过程中持续变化，在这种情况下，权重和偏置需要持续地被更新以适应变化之后的分布，减慢了深度神经网络训练的速度。批量标准化针对这种内部协方差漂移问题而提出的一种归一化方法。与一般的标准化方法不同，批量标准化是嵌入在深度神经网络内部曾与层之间的一种运算，可以表示为：

其中：nbatch指的是每个批次所包含的样本数量，u为nbatch个样本在某一维上的平均值，σ为nbatch个样本在某一维上的标准差，γ和β是可学习参数，分别用作对标准化后的值进行缩放和平移，ε是接近于零的常量。，ys是xs所对应的输出特征。每个残差单元内设置三个批量标准化层(bn)，输出单元也设置批量标准化层(bn)，进行标准化处理。

在深度神经网络训练时，随着参数的不断更新，中间每一层输入的数据分布往往会和参数更新之前有较大的差异，导致网络要不不断的适应新的数分布，导致整个深度网络的训练极为困难。通过引入批量标准化，不仅仅对输入层做标准化处理，还要对每一中间层的输入做标准化处理，能够避免内部协变量漂移的问题，进而解决训练困难和训练速度慢的问题。

(3)激活函数

激活函数通常是神经网络算法中不可或缺的一部分，其核心作用在于实现输入数据在神经网络中的非线性映射，从而使得神经网络能够拟合输入数据与标签之间的非线性关系。由于目前的神经网络算法大都需要采用误差反向传播算法进行内部参数的训练，激活函数的输出对于输入需要是可微分的。目前常见的激活函数包括sigmoid、tanh和relu激活函数等。由于relu激活函数的偏导数只可能为0或者1，相较于传统的sigmoid和tanh激活函数，relu激活函数能够有效地减小深度神经网络在训练的过程中遭遇梯度消失和梯度爆炸的风险，减轻深度神经网络内部参数的训练难度，因此本发明默认采用relu激活函数，其公式表示如下：

其中，xrelu和yrelu分别为relu激活函数的输入特征和输出特征。

如图3所示，每个批量标准化层(bn)后面均连接relu激活函数，分别对批量标准化层(bn)输出的特征进行非线性处理。激活函数的作用是向神经网络中引入非线性因素的，通过激活函数，神经网络就可以拟合各种曲线，使神经网络的表达能力更加强大。

(4)全局均值池化层gap

本发明采用的resnet模型在靠近输出层的位置采用了全局均值池化的操作。全局均值池化指的是从每一个通道的特征图中分别计算出其相应的平均值作为输出特征，可以表示为：

ygap(1,1,ich)＝average(xgap(iro,ico,ich))

其中：xgap和ygap分别表示全局均值池化的输入特征图和输出特征图。

全局均值池化不仅能够显著减少所需要训练的权重的数量，而且能够有效解决平移变化的问题。即对于同一故障类型的振动信号而言，其故障冲击在样本中的位置时不同的，而在传统的神经神经网络中所学习到写特征也会因此有所不同。全局均值池化能够通过计算平均值这一全局特征，实现深度学习模型对故障冲击位置的不变性，在一定程度上解决了这一问题，从而提高了深度学习模型在测试数据上的泛化效果。

(5)dropout层

dropout是一种较为常用的减轻多拟合的方法。在每次训练过程中，dropout随机地丢弃一些神经元，使神经网络仅对保留神经元参数进行前向传播及反向更新。通过这一方式，drop可以减弱神经元之前的“合作关系”，使得各个神经元的作用更加独立，从而实现模型正则化的效果。在测试的过程中，是不存在dropout操作的，即所有的神经元均参与计算，本发明对全局均值池化的输出进行了dropout的操作，将丢弃比率设置为50％。

(6)输出层

交叉熵损失函数是一种经典的损失函数，经常用于神经网络及深度神经网络的多分类问题。在resnet模型中，输出层的特征维数与参与训练的类别数量相同。在计算交叉熵损失函数之前，首先需要采用softmax函数将输出层的特征xj，j＝1,2,…,nclass强制转化为[0,1]区间的小数，其中，nclass表示该分类任务所涉及的类别数量。softmax函数可以用公式的形式表示为：

通常情况下，在浅层和深层神经网络的多分类问题，每一类别的标签均为向量形式，仅有一个值为1，而且其他值均为0，在这种标签形式下，交叉熵损失函数可定义为：

其中，tj表示该样本的真实标签，yj表示softmax函数的输出。通常而言，相较于更为传统的平方差误差函数，交叉熵损失函数在基于神经网络的多分类问题中能够带来更高的训练速度。

step3：第一个基本模式分量c1(t)被分解出来之后，用原始信号x(t)减去c1(t)，得到剩余信号x1(t)

x1(t)＝x(t)-c1(t)

step4：将x1(t)作为原始信号x(t)，重复步骤1至步骤3过程，依次得到第二个imf分量c2(t)，第三个imf分量c3(t)，直至第n个imf分量cn(t)，最终原始信号经过emd分解后被分解为n个imf分量。

云计算通过将数据传输到云端，利用云端部署好的应用去计算，计算完成好再将计算结果传回各个用户，这样用户就不必关注环境及硬件条件等问题，与云端计算不同，边缘计算是一种新的计算模式，是在现今云计算的模式下发展出来的。边缘计算将数据存储在本地，这就从根本上解决了安全性和隐私性问题，此外，边缘计算的处理更接近数据源，仅将处理完的数据传到云中心，大大缩减了由数据传输速度和带宽限制带来的延时，云中心的处理数据压力将得到显著缓解。

综上所述，本发明涉及一种基于边缘计算和深度学习的电机故障诊断系统及方法，所述边缘侧设备能够对采集装置进行配置，对振动或者电流信号进行预处理后进行经验模态分解emd，诊断模块内置深度残差网络诊断模型输入n个imf分量进行故障诊断，将诊断结果和故障数据上传至所述云服务中心；云服务中心利用历史数据和故障数据定期对深度残差网络诊断模型进行训练，训练好后下发到各个边缘侧设备，更新边缘侧设备中的深度残差网络诊断模型。通过在边缘侧设备计算就可对电机设备进行实时诊断，能够及时快速对电机状态进行诊断。通过将检测计算下沉到边缘设备，将采集到的现场数据直接在结合深度学习算法的边缘设备上进行处理计算，将检测结果和故障数据发回到云中心服务器，从而大大提高检测效率和诊断的准确率，而且能够降低数据传输成本。

应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。