[发明专利]一种基于边缘计算和在线更新样本智能识别的装备关键承力结构件健康监测系统

权利要求书

1.一种基于边缘计算和在线更新样本智能识别的装备关键承力结构件健康监测系统，其特征在于，将计算、存储、带宽等资源分摊到边缘计算节点上，系统包括：中心云计算层、边缘云计算层和边缘端计算层；

所述中心云计算层，实现对入云的所有安全状态信息的实时监控和预警以及离线故障诊断模型的训练；

所述边缘云计算层，实现边缘计算节点故障诊断模型更新任务调度、数据传输优先级调度以及实时监控；

所述边缘端计算层，实现故障在线监测和故障诊断模型在线更新；

所述中心云计算层的离线故障诊断模型训练中对微弱故障信号增强采用以下方式：

以相关峭度作为目标函数，选取有限冲击响应的滤波器通过迭代收敛准则，使已知信号相关峭度值最大，充分考虑振动信号中突变成分的周期特性，通过实现信号的解卷积运算，突出振动信号中被强噪声所掩盖的连续脉冲突变成分，实现微弱故障信号分离；

所述中心云计算层的离线故障诊断模型训练中特征提取和降维采用以下方式：

采用同步压缩小波变换对分离后的信号进行时频分析，经离散小波变换、相变换、同步压缩及信号重构处理后，获取能够表征不同故障的时频矩阵；进一步利用非负矩阵分解精简和优化特征空间，以计算得到的稀疏表达矩阵作为最终信号特征；

所述中心云计算层的离线故障诊断模型训练中构建特征子集采用以下方式：

根据降维之后的特征向量采用有放回均匀抽样的BootStrap算法建立训练集的特征子集：

其中J是训练子集的数量，即候选子模型的数量；l代表特征向量的个数，总数为k；

所述中心云计算层的离线故障诊断模型训练中子模型的构建与合并采用以下方式：

(1)构建三层的随机向量函数连接(RVFL)网络；

(2)根据标准正则化最小二乘原则计算隐含层到输出层的权值；

(3)对集成子模型基于AWF算法计算权重系数并合并；

所述边缘云计算层中故障诊断模型更新任务调度采用以下方式：

当任意边缘计算节点识别到更新样本之后，边缘云计算层通过轮询任务调度算法为边缘计算节点分配更新模型任务；

所述边缘端计算层中故障诊断模型在线更新采用以下方式：

更新样本识别同时考虑经过微弱信号增强的新样本的RALD值和RPE值的影响，使用DS证据距离的改进加权证据融合算法对RALD和RPE值进行融合输出，然后采用重心法进行去模糊处理，进而根据阈值判断更新样本，识别到更新样本之后对故障诊断模型进行更新。

2.根据权利要求1所述的基于边缘计算和在线更新样本智能识别的装备关键承力结构件健康监测系统，其特征在于：所述边缘云计算层中数据传输优先级调度采用以下方式：

更新模型的同时，边缘云计算层通过LoRa协议汇聚边缘端计算层的数据和故障诊断结果，通过4G透传将数据上传至中心云计算层；边缘计算节点采用CSMA/CA的方式与边缘云计算层进行通信。

3.根据权利要求1所述的基于边缘计算和在线更新样本智能识别的装备关键承力结构件健康监测系统，其特征在于：所述边缘云计算层中实时监控采用以下方式：

对边缘端计算层采集到的数据进行实时全局监控，一旦有报警信息，及时在监控界面弹出报警框，发出报警铃声；可通过实时曲线、历史曲线等形式，展示当前全车各车厢的安全状态，监测实时全局变化趋势。

4.根据权利要求1所述的基于边缘计算和在线更新样本智能识别的装备关键承力结构件健康监测系统，其特征在于：所述边缘端计算层中故障在线监测采用以下方式：

将故障诊断模型部署在边缘计算节点，边缘计算节点通过RS485协议采集传感器数据输入故障诊断模型，就近对安全情况进行评估和故障诊断。