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技术

本发明专利技术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，本发明专利技术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。本发明专利技术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。

【技术实现步骤摘要】
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
本专利技术涉及工业设备故障诊断及边云协同
，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。
技术介绍
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。
技术实现思路
为了解决现有技术问题，本专利技术提供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，采用基于边云协同的诊断模型划分方法，将模型以层为粒度在边云之间进行划分，降低模型诊断时延；其次，提出时间容忍因子多模型分支选择方法，设置多个诊断分支，随着多个分支诊断模型的层数与复杂程度逐步升高其诊断准确率与执行时间逐步升高。根据时间容忍因子，自适应选择模型分支，实现了诊断模型执行时间与准确度的平衡，满足用户对诊断时间的容忍需求。最后，实现边云数据协同及跨工况诊断。为解决上述技术问题，本专利技术所采取的技术方案是：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，包括下述步骤：S1：云端首先训练通用工况的诊断模型，并下发给边缘端作为边缘端诊断模型，实现了跨工况诊断。系统在云端及边缘端部署深度学习算法模型，并对模型中不同类型的层建立基于对数的回归预测模型，以预测诊断模型分支的服务响应时延；S2：边缘端得到用户时间容忍因子值后，进行自适应多模型选择，诊断模型分支决策器选择满足用户时间容忍因子且准确率最大的模型分支并获得相应的边云划分点；S3：根据所选模型分支的划分点，边缘端首先执行分支模型前端部分，中间结果上传到云端后，云端执行模型的后端部分，最终的诊断结果返回给边缘端；S4：边缘端将个性化工况的数据集上传汇总至云端，形成云端数据集；云端定期重新训练模型，优化调整模型权重，提高模型诊断精度与泛化性。进一步的，所述步骤S1中，先设计三个诊断分支模型，均为基于深度学习的故障诊断模型，三个分支的诊断模型层数与复杂程度逐步升高，故分支模型的诊断准确率与执行时间逐步升高。分支1（Branch1）模型采用四层卷积层，分支2（Branch2）模型采用五层卷积层，分支3（Branch3）模型采用三层卷积层与三层LSTM网络。进一步的，所述步骤S2中，采用时间容忍因子多模型分支选择方法，包括以下步骤：1-1）在云端与边缘端按照网络层的类型建立基于对数的回归模型，根据该回归模型对诊断模型每层的执行时间进行预测，求和累加后即为模型总执行时间；1-2）多模型选择前，由1-1）建立的回归模型对3个分支模型的执行时间进行预测；1-3）接收用户的诊断时间容忍因子值作为诊断模型选择的依据；1-4）根据用户时间容忍因子，选择预测时延略低于但最接近时间容忍因子的分支，以达到在时间容忍因子范围内诊断模型准确率的最大化。进一步的，所述步骤S3中，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，具体步骤如下：2-1）以层为粒度，对诊断模型每层的数据和计算特性进行分析，将执行时间较长或算力资源消耗较大的层卸载到云端以减少端到端等待时间；2-2）同时划分点层的输出数据量应该较小，以减少数据传输量；2-3）划分点之前的层由边缘端先执行，执行完毕后，中间结果上传到云端；2-4）云端执行模型的后端部分，执行完毕后，诊断结果返回给边缘端，诊断完毕；采用上述技术方案所产生的有益效果在于：本专利技术提出的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，采用基于边云协同的思想进行设备故障诊断。本专利技术提出的设备故障诊断方法称为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(adaptivemulti-modeldrivedevicefaultdiagnosismethodbasedonedge-cloudcollaboration，简称MFDEC)。在该方法中，算力资源与存储资源较强的云端承担计算量较大、公共的计算任务，负责海量数据的挖掘分析及模型本文档来自技高网...

【技术保护点】
1.一种基于边云协同的自适应多模型驱动设备故障诊断方法，其特征在于：包括下述步骤：/nS1：云端首先训练通用工况的诊断模型，并下发给边缘端作为边缘端诊断模型，实现了跨工况诊断，系统在云端及边缘端部署深度学习算法模型，并对模型中不同类型的层建立基于对数的回归预测模型，以预测诊断模型分支的服务响应时延；/nS2：边缘端得到用户时间容忍因子值后，进行自适应多模型选择，诊断模型分支决策器选择满足用户时间容忍因子且准确率最大的模型分支并获得相应的边云划分点；/nS3：根据所选模型分支的划分点，边缘端首先执行分支模型前端部分，中间结果上传到云端后，云端执行模型的后端部分，最终的诊断结果返回给边缘端；/nS4：边缘端将个性化工况的数据集上传汇总至云端，形成云端数据集；云端定期重新训练模型，优化调整模型权重，提高模型诊断精度与泛化性。/n

【技术特征摘要】
1.一种基于边云协同的自适应多模型驱动设备故障诊断方法，其特征在于：包括下述步骤：
S1：云端首先训练通用工况的诊断模型，并下发给边缘端作为边缘端诊断模型，实现了跨工况诊断，系统在云端及边缘端部署深度学习算法模型，并对模型中不同类型的层建立基于对数的回归预测模型，以预测诊断模型分支的服务响应时延；
S2：边缘端得到用户时间容忍因子值后，进行自适应多模型选择，诊断模型分支决策器选择满足用户时间容忍因子且准确率最大的模型分支并获得相应的边云划分点；
S3：根据所选模型分支的划分点，边缘端首先执行分支模型前端部分，中间结果上传到云端后，云端执行模型的后端部分，最终的诊断结果返回给边缘端；
S4：边缘端将个性化工况的数据集上传汇总至云端，形成云端数据集；云端定期重新训练模型，优化调整模型权重，提高模型诊断精度与泛化性。


2.根据权利要求1所述的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，其特征在于：所述步骤S2中，采用时间容忍因子多模型分支选择...

【专利技术属性】
技术研发人员：石志鹏，冯海领，窦润亮，
申请(专利权)人：天津开发区精诺瀚海数据科技有限公司，
类型：发明
国别省市：天津;12