[发明专利]一种基于边缘计算的故障诊断与监测系统

权利要求书

1.一种基于边缘计算的故障诊断与监测系统，其特征在于，包括：

智能仪表设备端和边缘计算服务设备端，其中：

所述智能仪表设备端包括：边缘计算组件，传感器组件，智能仪表网络通信组件；

所述边缘计算组件包括：过程趋势诊断模型模块、数据预测模型模块、传感器故障特征计算模块；

所述传感器组件以一定的采样频率感知物理世界的变化量，将感知数据存储到RAM存储区；

所述智能仪表网络通信组件接收边缘计算服务设备发送的四元组数据；

所述边缘计算服务设备端包括：数据存储组件，特征筛选算法组件，故障诊断模型组件，边缘计算服务网络通信组件；

所述数据存储组件包括：

上行数据存储区模块：用于存储智能仪表上传的故障特征值和传感器状态；

下行数据存储区模块：用于存储发送给智能仪表的四元组数据；

算法与模型数据存储区模块：用于存储特征筛选算法模块所需要的相关性系数表以及故障诊断模型的权重值；

所述特征筛选算法组件包括：特征提取算法模块、特征选择算法模块；

所述边缘计算服务网络通信组件接收智能仪表设备发送的故障特征值，同时根据当前边缘计算服务设备的智能仪表状态决定是否重新运行特征筛选算法更新下行的四元组数据；

所述过程趋势诊断模型模块利用峭度值完成仪表未启动、启动过程、正常运行、停机过程、异常或故障这5种状态的诊断；

所述5种状态的诊断的方法为：当系统处于启动和停止过程时，此时K3，K为峭度值，分布曲线具有负峭度，此时正态分布曲线峰顶的高度低于正常分布曲线；当系统处于异常或故障时，此时K3，分布曲线具有正峭度，此时正态分布曲线峰顶的高度高于正常正态分布曲线；而在未启动和正常运行状态，数据较为稳定，符合正常的高斯分布，此时K=3。

所述数据预测模型模块根据仪表历史感知的7个小时的数据预测未来1个小时的数据；采用多元线性回归模型，多元线性回归模型的假设空间如下：

其中为待训练的参数，为输入的特征向量；定义的代价函数如下：

其中M为样本的数量，为预测的值，为真值；模型的训练过程以最小化代价函数为目标，使用多变量梯度下降算法对进行训练，从而找出一组使得代价函数最小的参数；得到参数后，输入前7个小时的数据后即可预测未来1个小时的数据；

所述故障诊断模型组件将所述特征筛选算法模块筛选出来的特征作为多层感知机模型的输入，根据底层传感器的不同状态，载入不同的模型参数，完成对故障的前向推演；故障诊断模型中同一层的每个神经元，其计算公式如下：

其中f表示神经元计算中的激活函数，w表示神经元计算中的权重，x表示神经元计算中的输入特征值，b表示神经元计算中的偏置；

每个传感器的贡献度定义为该传感器提取的所有特征与因变量的相关性系数的均值，如下式：

其中，m为划分的窗口数，n为第i个窗口下可滑动的次数，p为特征的数量，为第i个窗口中的第j个子窗口的第k个特征与因变量的相关性系数；

所述特征选择算法的计算步骤包括：

（1）使用皮尔逊相关系数分别计算自变量与因变量之间的相关性、自变量与自变量之间的相关性，将计算的结果存入到算法与模型数据存储区中的相关性系数表中，初始化该相关性系数表；

（2）根据每个传感器的自变量与自变量之间的相关性系数矩阵，使用贪心的策略减少不同特征之间的冗余，即当选取一个特征时尽可能多地删除与其相关性高的特征；

（3）将经过步骤（2）筛选的特征按照与因变量之间的相关性降序排序，选取前n个特征作为故障诊断模型的输入，同时根据选取出来的特征更新下行数据存储区中的四元组信息；

所述故障诊断模型为一个3层的多层感知机，包含1个输入层、1个隐藏层和1个输出层，输入层的神经元个数为筛选出来特征的数量、隐藏层有10个神经元、输出层的神经元个数为输出的故障类型的数量。

2.根据权利要求1所述的故障诊断与监测系统，其特征在于，所述传感器故障特征计算模块根据边缘计算服务设备发送的四元组信息，实时计算出边缘计算服务设备所需要的故障特征，并通过智能仪表网络通信组件上传给边缘计算服务设备。

3.根据权利要求1所述的故障诊断与监测系统，其特征在于，所述特征提取算法模块根据历史数据采用基于滑动窗口的方法提取每个窗口中样本的时域特征，频域特征，形状特征；所述特征选择算法模块根据相关性系数选择较优的特征作为故障诊断模型组件的输入。