一种AI边缘计算故障诊断器的制作方法

本发明涉及智能制造领域，尤其涉及一种ai边缘计算故障诊断器。

背景技术：

随着各行业的不断发展，对机械设备的需求量也越来越大，而为了保证各机械设备的正常运行，需要通过诊断器实时或定期地对机械设备进行故障诊断，以便机械设备得到及时的维修，然而现有的大多数诊断器对于设备可能出现的意外行为模式无法诊断，以及无法用精确的数学模型描述工业流程的问题，或者将故障诊断计算交付给云端或远程服务器来完成，造成实时性以及隐私数据的不安全等问题。

技术实现要素：

有鉴于现有技术的上述缺陷，本发明的目的是提供一种可以对意外模式进行有效诊断、及适合本地化部署的故障诊断器。

为实现上述目的，本发明提供了一种ai边缘计算故障诊断器，包括：

平台架构、软件系统、多协议支持模块、ai支持模块、监督学习模块和差异化适配模块；

所述平台架构和软件系统，用于构建边缘计算平台；

所述多协议支持模块，包括至少一个总线接口或以太网接口用于向下对接现场设备并获取现场设备的运行数据，至少一个以太网接口用于向上对接上位机接受控制指令或传递数据，和协议包，用于匹配现场设备的通信协议及进行数据解析；

所述ai支持模块，用于对采集的数据进行预处理；

所述监督学习模块，用于通过在线获取的经预处理的数据进行神经网络模型训练获取故障诊断模型；及部署已经训练好的故障诊断模型，根据在线获取的经预处理的数据进行故障诊断；

所述差异化适配模块用于保存和配置所述监督学习模块的参数，以适配现场设备。

该ai边缘计算故障诊断器为一个独立的装置，设置于现场设备侧，使用边缘计算以及人工智能相结合的方式，实时监测一台或多台设备的运行参数和运行状态并进行在线的故障诊断模型训练和故障诊断，解决故障诊断的实时性以及隐私数据的不安全等问题。同时通过差异化适配模块以弥补和自动调整设备间的差异，从而达到较为完美的训练效果。

进一步的，所述平台架构为arm平台架构或x86平台架构。

进一步的，所述软件系统为linux操作系统。

进一步的，所述协议包包括有设备组网协议、工业现场组网协议和应用层组网协议中的多种协议。

进一步的，所述总线接口至少包括rs-485接口、can接口中的一种。

进一步的，所述多协议支持模块至少包括两个以太网接口、一个rs-485接口和一个can接口。

进一步的，还包括多传感器支持模块，用于直接输入传感器采集的数据，所述多传感器支持模块的接口类型包括数字量输入输出接口，模拟量输入接口、rs-232串行接口和rs-422串行接口。

进一步的，所述ai支持模块包括ai硬件加速模块和算法库，和/或包括ai软件库。

进一步的，所述监督学习模块部署的神经网络模型包括但不限于：bp神经网络、多层激励函数的量子神经网络和rbf神经网络。通过在监督学习模块中部署不同的神经网络模型，以解决不同的技术问题。

技术效果：

本发明的ai边缘计算故障诊断器，通过采集现场设备、传感器的运行参数、运行状态等实时数据，使用边缘计算以及人工智能相结合的方式，应用神经网络的底层数值模型对实时数据进行分析推理，把神经网络作为知识源的表示和处理模式并与其它推理机制相互融合，实现多模式推理，可以对设备的意外模式进行有效诊断；采用本地化部署，保证数据传输的隐私性、快速性和安全性。

附图说明

图1是本发明的ai边缘计算故障诊断器的系统框图；

图2是本发明的ai边缘计算故障诊断器的接口示意图；

图3是典型神经网络模型的连接示意图；

图4是bp神经网络在故障诊断中的应用框图。

具体实施方式

为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。

现结合附图和具体实施方式对本发明进一步说明。

如图1和图2所示，本发明公开了一种ai边缘计算故障诊断器，所述ai边缘计算故障诊断器是一个集数据采集与神经网络模型训练结合的软硬件一体的产品。主要包括：平台架构、软件系统、多协议支持模块、多传感器支持模块、ai支持模块和监督学习模块，并通过ai支持模块和监督学习模块实现：数据处理、模型训练、模型部署和故障诊断等功能。

1、平台架构和软件系统

平台架构和软件系统构建了边缘计算平台，其中平台架构可以选用综合性价比较高的arm平台架构或类似的平台架构，或选择通用的x86平台架构或类似构架。软件系统一般采用linux等操作系统，适用于工业现场应用。

2、多协议支持模块

多协议支持模块包括至少一个总线接口或以太网接口用于向下对接现场设备并获取设备运行数据和/或进行设备控制，至少一个以太网接口用于向上对接上位机接受控制指令或传递数据，和多协议软件模块，用于匹配现场设备的通信协议和数据交互。

为适应网络连接方式及距离的要求，以太网接口的类型可以是rj-45接口也可以是光纤接口及其它类型的接口。总线接口包括rs-485接口、can接口中的至少一种。故障诊断器可以通过rs-485、can进行总线式连接，实现故障诊断器与被诊断设备的一对多的连接，获取各设备的运行数据和/或进行设备控制。

协议支持包括设备组网协议、工业现场组网协议和应用层组网协议三类。其中，工业现场协议包括诸如profinet、ethernet/ip、ethercat、cc-link、canopen、devicenet等协议；设备协议包括诸如法兰克cnc、海德汉cnc、西门子cnc、三菱cnc、注塑机等控制协议；应用层协议包括如opc/opcua、mqtt、mtconnect等协议，多协议支持模块设置有协议包，协议包包括有多种协议，这些协议根据应用需求进行部署，并可在应用过程中进行维护更新；ai边缘计算故障诊断器通过这些协议中的一种或多种向下对接各种现场设备获取运行数据和/或进行设备控制，及向上对接上位机接受控制指令或传递(计算过的)数据。

3、多传感器支持模块

传感器包括多种，如压力、温度、位置等传感器，用于获取现场设备的运行状态数据和/或现场环境的状态数据。传感器复杂多样，接口种类繁多，且部分独立存在，没有集成在设备中，不能通过直接访问设备获得，因此为实现各传感器的数据采集，需要根据应用对多传感器支持模块的接口进行配置。

多传感器支持模块，包括rs-232、rs-422、i/o(数字量信号输入/输出接口)、ad(模拟量信号采集接口)等接口的中的一个或多个，直接对传感器进行数据采集和/或控制。

rs-485、can接口为总线式接口，可同时连接多个传感器/设备，具有广泛的适用性，优选的，所述多传感器支持模块至少包括rs-485、can接口中的一种。

4、ai支持模块

ai模块用于对数据进行预处理，使数据能够满足神经网络模型训练的要求，进行数据清洗、特征提取、归一化和特征关联等预处理过程。根据现场设备的不同，ai边缘计算故障诊断器可选支持图形化数据或不支持图形化数据。

当支持图形化数据时，如进行图像识别，ai支持模块优选硬件，此时ai支持模块包括ai硬件加速模块和算法库，通过部署ai硬件加速模块和算法库，可以简化ai模型的加载和业务集成的难度。

对于非图形输入的场合，如进行传感器信号的诊断，ai支持模块可选软件，使用c++ai软件库，并基于cpu自身的处理能力，完成基于神经网络模型的本地定制设计、训练和部署，不再依赖上位机进行神经网络模型的学习训练。而且由于本地化训练和部署的一体化，我们可以将输入和输出再次作为训练集来使用，以此也可以弥补前期训练集不足或者匹配机器由于运行长时间之后产生的变化。

5、监督学习模块

所述监督学习模块，用于神经网络模型的训练，和部署有已经训练好的神经网络诊断模型，根据采集的运行数据或经ai支持模块处理后的运行数据，进行故障诊断。

通过多传感器支持模块和多协议支持模块能够同时采集到输入和输出数据，每一次采集的数据都是神经网络模型的一个输入，每一次的输出也都是一个标记(具有先验知识)，分析数据与标记的内层含义，产生一个具有推断功能的神经网络模型实例。如图3所示的，通过数据输入采用2～3层的全连接神经网络有监督学习出来的模型进行计算，再与实际的数据进行误差对比，能够做到计算量小且计算精准。

典型的神经网络模型如图3所示，神经元按照以下层来布局。最左边的层是输入层，负责接收输入数据；最右边的层是输出层，我们可以从这层获取神经网络输出数据。输入层和输出层之间的层是隐藏层，因为它们对于外部来说是不可见的。同一层的神经元之间没有连接但相邻层之间都有连接称为全连接(每个连接都有一个权值)。

常用的神经网络模型包括：bp神经网络、多层激励函数的量子神经网络、rbf神经网络等。本领域技术人员可根据具体应用需要，在监督学习模块中部署不同的神经网络模型，以解决不同的技术问题。

举例如下：

(1)bp神经网络模型

在某一现场设备的柴油机方面的故障诊断，采用bp神经网络模型。模型采用3层bp神经网络模型，由输出层、隐层和输出层构成，其具有自学习和自适应能力好；有良好的非线性映射能力，适用于求解内部机制复杂的问题。首先从已有的设备特征信号提取出特征数据，进过数据预处理后作为神经网络的输入，从已知的故障结果数据作为神经网络输出，构建bp神经网络，利用已有的特征数据和已知的故障结果数据形成的训练样本集对构建的bp神经网络进行训练和网络自学习，使bp神经网络的权值、阈值与已知的故障结果之间存在对应关系达到期望的故障结果输出。利用训练好的模型进行故障诊断步骤：

1)将故障样本输入给输入层各节点，同时它也是该层神经元的输出。

2)由隐层节点为输入。求出隐层神经元的输出，并将其作为输出层的输入。

3)由求出输入层的输出。

4)由阈值函数判定输出层神经元的最终结果。

bp神经网络的具体实现步骤如图4所示。

以柴油机中的四个实例故障为例，每个故障样本有5各故障特征值，因此选取网络的输入节点为5；每个输出节点代表一种故障类型，所以4种故障类型加上正常状态需要5各输出节点对应；隐层节点数可以调整，设置为60个。然后设置系统误差、学习率、最大迭代次数、输入层到隐层之间的激活函数、隐层到输出层之间的激活函数和输出端阈值。

(2)多层激励函数的量子神经网络

多层激励函数的量子神经网络对常规的bp神经网络进行改进，基于量子理论中的量子态叠加的思想提出的，隐层量子神经元的激励函数采用多个传统激励函数的叠加，使网络有了一种固有的模糊性，它能将决策不确定性数据合理地分配到各故障模式中，减少模式识别的不确定度，提高模式识别的准确性。只需要将隐层的节点数目为u的节点输出函数br＝f(w^tx-θ),(r＝1,2,...,u)改为其中θs为量子间隔；s为量子间隔数目，其大小的选择与待诊断的故障模式数目相同；β为陡度因子。

(3)rbf神经网络

在某现场设备的电机方面的故障诊断。rbf神经网络是一种三层向前的局部逼近网络，在逼近能力、分类能力和学习速度等方面均优于bp神经网络，它具有以任意精度逼近任意函数的能力。rbf神经网络的输入层等效于独立变量。隐层选取基函数为激活函数(通常采用高斯基函数)，隐层通过径向(高斯)基函数对输入产生非线性，输出为——其中为隐层第j个单元的输出，为欧式范数；x为m×q维的输入量(m为输入层节点，q为样本数)；cj为隐层第j个单元基函数中心；σj为第j个感知的变量；n为隐层节点数。输出层是对隐层的输出进行线性加权组合，则输出层输出为——其中yk为输出层第k个单元的输出；wjk为隐层第j个单元到输出层第k个单元的权值；p为输出层节点。

例如诊断某电机的电气故障和机械故障。采取相应故障的特征频率共10个作为特征向量输出，确定输出节点数为10；电气故障和机械故障分别有两类主要问题，则加上正常状态，确定输出节点数为5；输入训练样本40个，然后进行rbf神经网络训练。

6、差异化适配模块

不同类型的机械设备，甚至即使相同类型的，或都存在不同程度上的差异性，这些差异是不可避免的。通过差异化适配模块保存和配置监督学习模块的参数，以自动适配不同的现场设备。

如在非图形输入场合，由于设计、训练和部署一体化，也能采集到输入和输出的数据作为新训练数据，监测数据通过长时间的训练之后，不同的训练数据的实时导入会产生不同的效果，这些参数被存储于差异化适配模块中，传入神经网络模型训练中优化模型的输出，最后虽然相同类型的设备神经网络的类型相同但训练出的模型是最匹配该设备的，每一个神经网络层与层之间的权值参数都是符合该机械的最优参数，以弥补和自动调整设备间的差异，从而达到较为完美的训练效果和和最优化的输出。

实施例1：

本实施例给出了一种故障诊断器在某种机床的故障诊断上的应用。

该故障诊断器包括由arm平台架构和linux操作系统构建的边缘计算平台，包括两个以太网接口lan1、lan2、1个rs-485接口和1个can接口，其中一个以太网接口可以用于连接上位机，和上位机进行交互，另一个以太网接口可以用于连接被诊断的现场设备。rs-485和can接口可以连接具有相应总线接口的设备、设施和传感器，通过485总线和/或can总线可以同时连接多个设备、设施和传感器，进行数据采集。该故障诊断器为小尺寸结构，接口极简。为便于多个设备、传感器的连接，该故障诊断器至少包括rs-485接口和can接口中的至少一种。优选的，为满足接口极简及小尺寸的基础上，同时满足尽可能多的协议支持，该故障诊断器具备两个以太网接口、一个rs-485接口和一个can接口。

在实施例中，故障诊断器通过rs-485接口和机床及周边环境的温度传感器、压力传感器通信连接，进行温度、压力等数据的采集。

在实施例中，故障诊断器通过以太网接口lan1和机床连接，实现机床内部的电压、电流数据、加工刀口的x,y,z轴、转速等数据的采集传输。

这些数据传入linux系统交给c++ai软件库处理数据，进行必要的数据清洗、特征提取、归一化和特征关联等数据的前期准备。

之后，进行神经网络模型训练：在线获取大量的机床及周边环境的传感器数据及机床的运行数据，通过c++ai软件数据库进行预处理，将经过c++ai软件库预处理的数据输入bp神经网络的输入节点，假设该机床具有8维的数据，输入节点确定为8个；输出节点根据判断故障的个数进行设置，比如说有正常状态加上其它四种故障状态，则设置为5个输出；中间节点可根据精度调整设置为30个，神经网络之间的连接权值采用bp算法自动调整。

训练出来的满足精度条件的模型进行本地化的部署；部署完成后可以进行实时的数据采集和数据诊断。

通过以太网接口lan2对上层操控机(上位机)进行交互，可通过该以太网接口传输诊断结果和采集的数据进行查看和保存，上位机也可以通过指令对多个下层的故障诊断器进行操控和调试，比如可通过上位机通过指令对某个训练不足的故障诊断器进行再训练，把上位机的保存数据以及结果再次传输到下层的故障诊断器进行模型训练以及部署。

本发明的ai边缘计算故障诊断器，使用边缘计算以及人工智能相结合的方式，应用神经网络的底层数值模型对获取的实时数据进行分析推理，把神经网络作为知识源的表示和处理模式并与其它推理机制相互融合，实现多模式推理，可以对设备的意外模式进行有效诊断；采用本地化部署，保证数据传输的隐私性、快速性和安全性。

尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。