[发明专利]一种基于边云协同的自适应多模型驱动设备故障诊断方法

说明书

本发明公开了一种基于边云协同的自适应多模型驱动设备故障诊断方法。首先，本发明提出时间容忍因子按需多模型分支选择方法，设置多个诊断模型分支，在时间容忍因子范围内，选择准确度最高的分支模型；进一步采用基于边云协同的诊断模型划分方法，将基于深度学习的故障诊断模型以层为粒度在边云之间进行划分；最后，提出基于边云协同的跨工况诊断方法，云端训练通用工况模型，并下发到边缘端，由边缘端对其个性化工况的数据进行诊断。本发明针对云计算故障诊断模式实时性不足，边缘设备算力资源与存储能力有限而无法直接部署深度学习故障诊断模型的问题，采用边云协同的方式对传统的云计算诊断模式进行了改进，有效降低了时延并实现了跨工况诊断。

技术领域

本发明涉及工业设备故障诊断及边云协同技术领域，具体涉及一种基于边云协同的自适应多模型驱动设备故障诊断方法。

背景技术

随着人工智能、物联网及工业互联网技术的发展，工业制造业正走向数字化与智能化，机械设备也朝着日益复杂化、集成化的方向发展。一旦结构复杂的精密关键机械部件发生故障，将严重影响机械设备的正常运转，造成重大损失。因此，对大型机械设备故障的预测诊断和预防，是工业制造业发展的重要课题。

传统的故障诊断方法主要包括人工方式特征提取、信号处理方法及深度学习方法。人工提取信号特征效率低下，无法应对快速增长的海量工业数据；信号处理方法主要包括小波变换、傅里叶变换及经验模态分解等方法，通过数据处理提取数据特征，然后获取振动信号的特征向量以进行故障分类诊断。然而，上述方法无法提取多重故障模式之间的深层抽象特征，不适合处理海量复杂异构的工业设备数据。针对上述问题，一些国内外学者提出基于深度学习的故障诊断方法，深度神经网络可以对时变性高，多维非线性等复杂异构的工业数据进行建模，不需要复杂的数据变换及特征提取，可以直接使用原始振动信号，实现端到端故障诊断。作为典型的深度学习模型，卷积神经网络（CNN）非常适合处理非线性、非平稳信号，在故障诊断领域具有很大的应用前景。文章[李强.基于深度卷积神经网络的数据驱动故障诊断方法研究[D].山东大学,2018.]提出了一种基于EHHT-CNNs的数据驱动故障诊断方法，实现了在无专家经验的条件下对数据深层特征的自动提取。文章[韩涛,袁建虎,唐建,等.基于 MWT和CNN的滚动轴承智能复合故障诊断方法[J]. 机械传动, 2016(12).]提出了一种基于小波变换和CNN的故障诊断方法，利用小波变换对原始振动信号进行处理，将处理后转换成的特征图输入CNN中进行故障识别分类。上述深度学习算法的提出实现了数据特征的高效提取及高精度诊断，然而工业生产中的数据多为时序型数据，需要对前后数据进行关联，上述算法并未考虑该问题。长短期记忆网络（LSTM）具有记忆功能，适合处理时间序列数据，文章[唐赛.基于长短期记忆网络的轴承故障诊断算法研究[D].重庆大学,2018.]提出了一种基于LSTM的轴承故障诊断方法，从系统的历史故障数据出发，实现了高精度诊断。但基于LSTM的诊断方法存在频域信息损失的问题，针对上述问题，文章[黄业昌.基于深度学习的轴承故障状态识别方法研究[D].华中科技大学,2019.]提出了一种基于时频图像和2DCNN轴承故障诊断方法，将原始信号转换为时频信号图像，将时频图像输入模型进行识别分类。解决了LSTM模型在轴承故障诊断中频域信息损失的问题，使诊断模型具有更强的鲁棒性。综上所述，目前基于深度神经网络的设备故障诊断方法已经成为研究热点。

随着设备状态数据呈指数级增加，集中式云计算模式会造成较大的端到端时延和能耗，而且不利于数据的隐私保护，无法满足工业设备故障诊断领域的实时性、可靠性与安全性需求；边缘计算模式可以很好地解决云计算模式的上述问题，但由于边缘端算力与存储能力有限，无法直接部署基于深度神经网络的诊断模型。这些问题给工业设备故障诊断带来了巨大的挑战。

发明内容