[发明专利]云、雾、边缘端协同的轴承状态监测与管理方法及系统

说明书

本发明公开一种云、雾、边缘端协同的轴承状态监测与管理系统及方法，获取轴承运行信号，并进行降噪、特征提取等信号处理，将结果上传至雾端设备，雾端设备根据边缘端上传的信息更新轴承数字孪生模型并进行故障诊断和数模融合的寿命预测，将结果和部分边缘端信息上传至云端，并接受云端发布的定制化轴承故障诊断和寿命预测模型；云端接受雾端信息，进行时空数据索引并为雾端计算定制化轴承故障诊断和寿命预测模型，并提供预知维护方案。本方案克服现有基于大数据技术的轴承运维系统的计算层级较少、功能单一、依赖数据驱动的缺点，为预知维护提供高效的计算架构和准确的诊断预测方案。

技术领域

本发明属于机械诊断智能化与数字化技术领域，具体涉及云、雾、边缘端协同的轴承状态监测与管理方法及系统。

背景技术

高端轴承是风机、高铁等重大装备中旋转机械的关键承力和传动部件，其寿命均决定着整机的翻修期及可靠性。高端轴承服役工况复杂，具有高速、高温、过载冲击、大范围工况波动等极端工况特征，这导致轴承在长期使用中易发生剥落、点蚀和打滑等故障并最终导致轴承失效。轴承在线状态监测与管理系统能够实时动态地获取轴承运行状态，诊断故障，预测剩余寿命并实现预知维护的目的。对轴承运行状态的在线状态监测会产生海量的数据，传统基于大数据云处理平台的在线状态监测与管理系统虽然能够实现云端算法的快速训练和数据存储，但对终端设备的反馈实时性往往较差。

目前轴承状态监测与管理系统大多仅在云平台或边缘端等单一平台进行实现，且采用的轴承故障诊断方法和寿命预测方法大多基于数据驱动方法。山东大学的张文龙等研究了一种云/雾/边缘端协同的轴承故障诊断方法，利用一维卷积神经网络的轴承故障诊断算法，并使用迁移学习的方式完成了对云、雾、边缘端任务的协同。同时构建了适用于设备集群中轴承故障诊断的实时数据管理系统(张文龙.云/雾/边缘端协同的轴承故障诊断方法研究[D].山东大学,2020.)。贵州大学的彭超等将边缘计算和轴承故障诊断相结合，将复杂度低的任务分配到离数据源较近的边缘端甚至设备端，复杂度高的任务分配到云端，并采用CNN和oneclasssvm联合处理方法，进行故障诊断。该方法在保证诊断精度的同时，也能保证诊断的时效性(彭超,唐向红,陆见光.基于边缘计算的轴承故障诊断[J].组合机床与自动化加工技术,2020(12):52-55.)。

经文献调研可以发现，现有的轴承状态监测与管理系统大多仅在边缘端或云端单一平台实现，单一的边缘端设备难以实现对海量监测数据的存储和诊断模型的快速训练，而单一的云端设备由于巨大的数据传输压力难以实现对被监测设备的实时反馈，而雾端设备的加入不仅能够为前两者分担计算和传输负担，更能提供良好的个性化诊断平台。此外，现有的云(雾)边缘协同轴承状态监测与管理系统大多只能实现数据驱动的轴承故障诊断功能，无法精准地实现预知维护功能，而数模结合的数字孪生轴承寿命预测能够准确模拟故障轴承的损伤扩展，计算剩余寿命，为备件调配提供有力依据。

发明内容

为解决现有技术中存在的问题，本发明公开云、雾、边缘端协同的轴承状态监测与管理系统，充分发挥云、雾、边缘端设备性能优势，在边缘端实现轴承监测信号的特征提取，在雾端构建轴承数字孪生模型进行故障诊断和剩余寿命计算，并在云端进行高复杂度模型训练和提供运维方案。

为了实现上述目的，本发明采用的技术方案是：云、雾、边缘端协同的轴承状态监测与管理方法，包括以下步骤：

在雾端初始化轴承数字孪生模型，云端加载通用诊断预测模型；

获取轴承运行状态信号以及轴承工作环境状态信号；

根据得到的轴承运行状态信号以及轴承工作环境状态信号，边缘端对轴承运行状态信号以及轴承工作环境状态信号进行信号处理，计算得到轴承运行状态指标；

边缘端根据所述轴承运行状态指标，利用简单轴承故障诊断算法进行轴承故障识别，若某监测指标超出阈值则及时告警，若没有指标超出阈值则认为被监测轴承没有发生失效行为；