一种基于云边协同的设备故障智能检测方法及系统与流程

本发明涉及一种故障智能检测系统，特别地涉及一种基于云边协同的设备故障智能检测方法及系统。

背景技术：

1、随着现代化机械不断向大型化、复杂化和智能自动化方向不断发展，设备之间的联系也更加紧密，如果某个设备出现故障且无法及时解决，对整个机械系统都会产生较大影响。

2、目前同一设备由于生产厂家不同，故障检测系统也不同，当企业使用不同厂家同一设备时由于故障检测系统不同，对于所有设备的故障件检测较复杂。

技术实现思路

1、针对上述问题，本申请一方面提供一种基于云边协同的设备故障智能检测方法。

2、一种基于云边协同的设备故障智能检测方法，包括如下步骤：

3、s1：将实现云边协同的企业的设备作为边缘设备，实现云边协同的企业作为边缘节点，再设立一个云服务器，且云服务器与边缘节点相互连接；

4、s2：在各个边缘设备设立视频采集设备和各类传感器，获取边缘设备数据，边缘设备数据包括视觉检测数据和传感器数据；

5、s3：再通过支持向量机模型区分出边缘设备异常数据和边缘设备正常数据，若边缘设备数据属于边缘设备异常数据，则输出边缘设备异常数据，反之则无操作；

6、s4：将s3输出的边缘设备异常数据上传至边缘节点，根据内置专家解决方案数据库获取相应的专家解决方案数据；再根据上传云服务器历史数据，判断是否上传云服务器，若专家解决方案数据库存在相应解决方案，且有上传云服务器历史数据，则不上传云服务，反之则上传云服务器；

7、s5：将s4得到的边缘设备异常数据和专家解决方案数据上传至云服务器，并且将多个边缘节点上传的边缘设备异常数据和专家解决方案数据训练成一个通用型故障模型，并将通用型故障模型分发至各个边缘节点；

8、s6：当边缘节点获取到无专家解决方案数据的边缘设备异常数据时，根据通用型模型读取边缘节点本地的私有数据和增量数据，得到最终故障模型，从而进行故障预警及处理，当边缘节点获取到有专家解决方案数据的边缘设备异常数据时，则根据专家解决方案数据直接进行预警及处理。

9、作为本发明的一个优选，对于步骤s3中，支持向量机模型建立方法如下：获取边缘设备样本数据，把边缘设备样本数据按照4:1分为边缘设备训练数据和边缘设备验证数据，将边缘设备训练数据映射到更高维的空间中，在这个空间里建立有一个最大间隔超平面，再分开数据的超平面两边建立两个互相平行的超平面，即边缘设备正常数据和边缘设备异常数据；利用边缘设备训练数据充分训练，再利用边缘设备验证数据进行验证，消除误差，从而得到支持向量机模型。

10、作为本发明的一个优选，对于步骤s4，将边缘设备异常数据上传至边缘节点，边缘节点内置专家解决方案数据库，将边缘设备异常数据和专家解决方案数据库进行验证，若专家解决方案数据库中存在对应的专家解决方案数据，且无上传云服务器历史数据，则将专家解决方案数据和边缘设备异常数据打包发送至云服务器，若专家解决方案数据库中存在对应的专家解决方案数据，且有上传云服务器历史数据，则不上传至云服务器，若专家解决方案数据库中不存在对应的专家解决方案数据，则直接上传至云服务器。

11、作为本发明的一个优选，对于步骤s5，将得到边缘设备异常数据和专家解决方案数据的上传至云服务器，云服务器将各个边缘节点获取的边缘设备异常数据和专家解决方案数据结合起来，利用卷积神经网络重新建模，将所有的边缘设备异常数据输入到输入层，然后通卷积层对边缘设备异常数据进行卷积计算，得到多个特征向量，再通过池化层将庞大的特征向量数据以指数级快速减少数据量，并且最大化保存有效特征，最后通过全连接层将各部分特征结合起来变成全局特征，反复训练得到一个通用型故障模型。再将得到的通用型故障模型分发至各个边缘节点。

12、作为本发明的一个优选，对于步骤s6，当边缘节点获取到无专家解决方案数据的边缘设备异常数据时，根据通用型模型读取边缘节点本地的私有数据，即设备数据和环境数据等，并且通过迁移学习寻找通用型模型和私有数据的共通性，从而得到故障模型，最后读取增量，利用增量学习将故障模型和增量整合得到最终故障模型。

13、作为本申请的另一个方面，提供一种基于云边协同的设备故障智能检测系统，包括：

14、云服务器构建模块，用于构建云服务器，训练通用型模型；

15、边缘设备数据获取模块，用于获取边缘设备数据；

16、边缘设备数据分类模块，将边缘设备数据分为边缘设备训练数据和边缘设备验证数据；

17、支持向量机模型构建模块，用于通过支持向量机机器学习构建支持向量机模型；

18、边缘设备数据筛选模块，用于筛选出边缘设备异常数据

19、边缘设备数据判断模块，根据云服务器历史上传数据判断是否上传至云服务器；

20、边缘设备数据上传模块，将边缘设备异常数据和专家解决方案数据上传至云服务器。

21、作为本发明的一个优选，还包括：

22、通用型模型构建模块，基于卷积神经网络构建通用型模型；

23、通用型模型分发模块，将通用型模型分发至各个边缘节点；

24、通用型模型结合模块，用于将通用型模型和边缘节点本地私有数据和增量结合起来，得到最终故障模型。

25、本发明具有以下优点：

26、1、本发明通过在边缘端设立专家解决方案数据，可以对设备故障进行及时检测、及时预警和及时解决，从而确保了设备的正常运行。

27、2、本发明通过设立云服务器，且结合多个边缘节点的边缘设备异常数据构建通用型模型，即资源整合共享，从而实现设备故障智能感知，快速预警，快速解决。

技术特征：

1.一种基于云边协同的设备故障智能检测方法，其特征在于，包括如下步骤:

2.如权利要求1所述的一种基于云边协同的设备故障智能检测方法，其特征在于，对于步骤s3中，支持向量机模型建立方法如下：获取边缘设备样本数据，把边缘设备样本数据按照4:1分为边缘设备训练数据和边缘设备验证数据，将边缘设备训练数据映射到更高维的空间中，在这个空间里建立有一个最大间隔超平面，再分开数据的超平面两边建立两个互相平行的超平面，即边缘设备正常数据和边缘设备异常数据；利用边缘设备训练数据充分训练，再利用边缘设备验证数据进行验证，消除误差，从而得到支持向量机模型。

3.如权利要求2所述的一种基于云边协同的设备故障智能检测方法，其特征在于，对于步骤s4，将边缘设备异常数据上传至边缘节点，边缘节点内置专家解决方案数据库，将边缘设备异常数据和专家解决方案数据库进行验证，若专家解决方案数据库中存在对应的专家解决方案数据，且无上传云服务器历史数据，则将专家解决方案数据和边缘设备异常数据打包发送至云服务器，若专家解决方案数据库中存在对应的专家解决方案数据，且有上传云服务器历史数据，则不上传至云服务器，若专家解决方案数据库中不存在对应的专家解决方案数据，则直接上传至云服务器。

4.如权利要求3所述的一种基于云边协同的设备故障智能检测方法，其特征在于，对于步骤s5，将得到边缘设备异常数据和专家解决方案数据的上传至云服务器，云服务器将各个边缘节点获取的边缘设备异常数据和专家解决方案数据结合起来，利用卷积神经网络重新建模，将所有的边缘设备异常数据输入到输入层，然后通卷积层对边缘设备异常数据进行卷积计算，得到多个特征向量，再通过池化层将庞大的特征向量数据以指数级快速减少数据量，并且最大化保存有效特征，最后通过全连接层将各部分特征结合起来变成全局特征，反复训练得到一个通用型故障模型。再将得到的通用型故障模型分发至各个边缘节点。

5.如权利要求4所述的一种基于云边协同的设备故障智能检测方法，其特征在于，对于步骤s6，当边缘节点获取到无专家解决方案数据的边缘设备异常数据时，根据通用型模型读取边缘节点本地的私有数据，即设备数据和环境数据等，并且通过迁移学习寻找通用型模型和私有数据的共通性，从而得到故障模型，最后读取增量，利用增量学习将故障模型和增量整合得到最终故障模型。

6.一种基于云边协同的设备故障智能检测系统，其特征在于，包括：

7.如权利要求6所述的一种基于云边协同的设备故障智能检测系统，其特征在于，还包括：

技术总结
本发明提供一种基于云边协同的设备故障智能检测方法及系统。一种基于云边协同的设备故障智能检测系统包括：服务器构建模块、边缘设备数据获取模块、边缘设备数据分类模块、支持向量机模型构建模块、边缘设备数据筛选模块、边缘设备数据判断模块、边缘设备数据上传模块、通用型模型构建模块、通用型模型分发模块和通用型模型结合模块。本发明通过在边缘端设立专家解决方案数据，可以对设备故障进行及时检测、及时预警和及时解决，从而确保了设备的正常运行；且结合多个边缘节点的边缘设备异常数据构建通用型模型，即资源整合共享，从而实现设备故障智能感知，快速预警，快速解决。

技术研发人员：王玅,石伟,谢莉蕊,曹玉龙,谢超男
受保护的技术使用者：北京航天智造科技发展有限公司
技术研发日：
技术公布日：2024/1/13