【技术实现步骤摘要】
本专利技术涉及工业设备集群监测，具体指一种基于云边协同的设备集群健康监测方法。
技术介绍
1、当今，云边协同技术已成为工业互联网的重要组成部分。该技术旨在通过整合和抽象分布广泛、资源异构的边缘节点、终端设备，实现云边端分布式资源统一视角管理和使用。在设备健康监测场景中，设备运行环境复杂、数据样本不足等问题日益突出。同种设备在不同的工作场景中都会展现出不同的数据特征，并且随着使用时间的推移，这些特征也在不断的发生变化。现实中对于单个工厂而言，其采集的设备数据量往往不足以完成一个高精度、高泛化的模型训练任务。为了解决上述问题，采用云边协同技术来实现设备健康监测显然是一个理想的选项。
2、针对目前基于云边协同实现设备健康监测的方法，传统做法是在各个边缘端进行数据处理和模型构建，然后将构建好的模型上传至云端，进行多个边缘端模型的聚合。这种方式通过迭代聚合实现全局模型的构建。虽然上传模型相对于上传训练数据至云端，能够显著降低云边通信成本和设备数据泄露风险，但通用的全局模型并不能在所有生产环境下实现高精度监测。在实际生产中，误诊设备健康问题可能导致比误诊具体故障类型更严重的财产和人员损失。然而，过去的研究多数将设备健康和具体故障类型推理视为同等重要的任务，忽略了设备健康状态推理失误可能带来的重大影响。
技术实现思路
1、本专利技术针对现有技术的不足，提出一种基于云边协同的设备集群健康监测方法，旨在实现工业设备健康状态的实时动态监测。其目标是在不同工作环境下实现实时、精准的告警，并将
2、为了解决上述技术问题，本专利技术的技术方案为：
3、一种基于云边协同的设备集群健康监测方法，包括如下步骤：
4、步骤1、构建数据集并预处理
5、设备端采集设备数据并上传至边缘端，在边缘端进行设备数据的标注，完成标注的设备数据通过滑动窗口的过采样方法进行数据切片，最后完成边缘端中各个边缘节点的本地训练集以及测试集的构建；
6、步骤2、模型训练
7、模型训练阶段涉及边缘端本地模型的迭代训练，以及通过基于加权卡帕值设计的模型聚合策略，迭代聚合生成云端全局模型、组模型和边缘端边缘模型，直至云边通信次数达到阈值。
8、步骤2-1、云端初始模型生成及下发：初始模型的每层权重随机生成，遵循n(0,1)的正态分布，随后将初始模型下发至所有边缘节点，作为步骤2-2中各个边缘节点的本地模型；该模型的输入为固定大小的1维数据切片，输出为设备的健康状态；
9、步骤2-2、边缘端本地模型训练：边缘端中各边缘节点的本地模型使用该节点的本地训练集进行训练，当训练迭代次数达到最大值或精度达到预期精度时，训练结束；随后，本地模型使用本地测试集计算加权卡帕值，并将各边缘节点的本地模型、本地模型加权卡帕值、本地训练集样本数量以及本地训练集数据特征上传至云端；
10、步骤2-3、云端全局模型与组模型生成：云端针对各个边缘节点上传的训练集数据特征，利用k-means算法进行聚类分组，得到边缘节点的分组结果，将各个分组内的边缘节点本地模型聚合生成组模型，并下发至分组内的边缘节点；将所有边缘节点的本地模型聚合生成全局模型，并下发至所有边缘节点；若云边通信次数达到阈值，则将聚合结束的信号下发至边缘端；
11、步骤2-4、边缘端边缘模型生成：边缘端中各边缘节点将本地模型以及云端下发的全局模型、组模型分别使用本地测试集计算加权卡帕值；接着，利用这三个模型的加权卡帕值作为模型聚合时的权重分配依据，根据边缘模型聚合策略获得边缘模型，如果接收到步骤2-3中聚合结束的信号，则停止模型训练；否则，各边缘节点将复制边缘模型的模型参数至本地模型,并重复执行步骤2-2；
12、步骤3、设备健康监测
13、在边缘端，各个边缘节点的边缘模型承担健康监测任务。运行中的设备持续上传设备数据至边缘端，各个边缘节点将设备数据传入边缘模型进行设备健康监测。一旦监测到设备处于故障状态，边缘节点将记录该设备的故障发生时间和故障类型，并将这些信息上传至云端，最终由云端统一发布告警。
14、作为优选，所述云端指的是远程的、集中的计算资源，可以是大型的数据中心或服务器群。
15、所述边缘端指的是介于设备端和云端之间的位置。在边缘端，数据处理和计算发生在接近数据源的位置，可以是接近设备的本地网关、微型数据中心、本地服务器。
16、所述设备端指的是最接近数据源的位置，可以是各类传感器、信号发生器。
17、作为优选，所述初始化全局模型为gru、lstm、cnn中任意一种或组合。
18、作为优选，所述设备数据的类型包括加速度、振动、电流信号。
19、作为优选，所述步骤2-2中，得到本地训练集的数据特征的方法为：通过深度学习网络的前向传播得到一个高维的特征张量。然后通过取平均的降维方法，将其转换为一个低维的特征张量。
20、作为优选，所述组模型和全局模型的生成均采用加权卡帕kmul值以及训练集样本数量作为模型权重分配依据。
21、作为优选，所述全局模型生成公式为：
22、
23、
24、其中t为边缘节点数量，kmuli表示第i个边缘节点完成本地模型训练后上传的加权卡帕值，sum表示排除加权卡帕值小于等于0的边缘节点之后，所有符合条件的边缘节点所上传的加权卡帕值与本地训练集样本数量乘积的总和，表示第j+1轮训练时聚合生成全局模型的模型参数，表示在第j轮训练时边缘节点i完成本地模型训练后上传的本地模型参数。
25、作为优选，所述组模型的生成公式为：
26、
27、
28、其中，sumz表示所属分组z中，排除加权卡帕值小于等于0的边缘节点之后，所有符合条件的边缘节点所上传的加权卡帕值与本地训练集样本数量乘积的总和，表示第j+1轮训练时聚合生成分组z的组模型参数。
29、作为优选，所述加权卡帕值计算方式为：传入multiple参数，加权放大模型分类混淆矩阵中将故障数据误识别为正常数据和将正常数据误识别为故障数据的系数，接着，利用加权所得的混淆矩阵计算其卡帕系数，得到加权卡帕值。
30、具体的，假设有混淆矩阵a：
31、
32、混淆矩阵中αij表示将第i类数据误分类为第j类数据的数量。假设第1类数据是正常样本，而第2至第n类数据代表不同的故障类型。
33、所述混淆矩阵加权公式为：
34、α1j(j＞1)＝α1j*mul
35、αj1(j＞1)＝αj1*mul
36、所述卡帕系数计算公式为：
37、
38、
39、
40、卡帕系数取值范围在-1到1之间。卡帕值接近1表明模型识别结果与实际数据样本标签越接近，而小于0的卡帕值表明模型的识别结果比随机预测结本文档来自技高网...
【技术保护点】
1.一种基于云边协同的设备集群健康监测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于云边协同的设备集群健康监测方法，其特征在于，所述初始模型为GRU、LSTM、CNN中任意一种或组合。
3.根据权利要求1所述的一种基于云边协同的设备集群健康监测方法，其特征在于，所述设备数据的类型包括加速度、振动、电流信号。
4.根据权利要求1所述的一种基于云边协同的设备集群健康监测方法，其特征在于，所述步骤2-2中，得到本地训练集的数据特征的方法为：通过深度学习网络的前向传播得到一个高维的特征张量，然后通过取平均的降维方法，将其转换为一个低维的特征张量。
5.根据权利要求1所述的一种基于云边协同的设备集群健康监测方法，其特征在于，所述步骤2-3中云端全局模型与组模型生成均采用加权卡帕Kmul值以及训练集样本数量作为模型权重分配依据。
6.根据权利要求5所述的一种基于云边协同的设备集群健康监测方法，其特征在于，所述全局模型生成公式为：
7.根据权利要求6所述的一种基于云边协同的设备集群健康监测方法，其特征在
8.根据权利要求5或6或7所述的一种基于云边协同的设备集群健康监测方法，其特征在于，所述加权卡帕值计算方式为：传入Multiple参数，加权放大模型分类混淆矩阵中将故障数据误识别为正常数据和将正常数据误识别为故障数据的系数，接着，利用加权所得的混淆矩阵计算其卡帕系数，得到加权卡帕值。
9.根据权利要求8所述的一种基于云边协同的设备集群健康监测方法，其特征在于，所述步骤2-4中，边缘模型的聚合策略为：
...【技术特征摘要】
1.一种基于云边协同的设备集群健康监测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于云边协同的设备集群健康监测方法，其特征在于，所述初始模型为gru、lstm、cnn中任意一种或组合。
3.根据权利要求1所述的一种基于云边协同的设备集群健康监测方法，其特征在于，所述设备数据的类型包括加速度、振动、电流信号。
4.根据权利要求1所述的一种基于云边协同的设备集群健康监测方法，其特征在于，所述步骤2-2中，得到本地训练集的数据特征的方法为：通过深度学习网络的前向传播得到一个高维的特征张量，然后通过取平均的降维方法，将其转换为一个低维的特征张量。
5.根据权利要求1所述的一种基于云边协同的设备集群健康监测方法，其特征在于，所述步骤2-3中云端全局模型与组模型...
【专利技术属性】
技术研发人员：吴以凡，胡承凯，叶挺聪，许艳萍，张桦，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。