【技术实现步骤摘要】
技术介绍
1、故障诊断是保障工业过程安全可靠运行的重要环节，及时、准确、高效的识别异常故障，对于工业过程高效安全运行至关重要。在边缘端实现机电设备故障诊断，能够减小物联网带宽压力和云端计算负载，及时发现故障，提升故障诊断实时性，避免造成大的损失。但传统基于数据驱动的故障诊断方法，存在需要大量历史数据、需要较高算力支持等问题，边缘端有限的计算资源对其实施提出挑战，在这样的情况下，如何在边缘端实现模型移植部署及在线训练更新，具有重要的工程意义和应用价值。
2、通过对目前的文献检索发现，在边缘端移植部署机器学习方法研究尚处于起步阶段，受限于边缘端有限的计算资源，目前边缘端机器学习部署方法主要集中在cortex-a9、树莓派等嵌入式微处理器(microprocessor unit,mpu)上，而且也仅限于将计算量较少的智能故障诊断的推理环节部署在嵌入式mpu上，无法在边缘端实现训练过程。如尚书阳等人在《基于arm的嵌入式轴承健康监测系统设计》中基于arm9内核的s3c2440a主控芯片、linux操作系统与qt图形化开发软件实现了对轴承的健康监测，但是研究仍然是在pc端完成机器学习训练，没有实现实时的故障诊断，更无法进行故障诊断模型的增量更新，难以应用于实际工程中。
3、嵌入式微控制器(microcontroller unit,mcu)相比于mpu具有更小的体积和更低的功耗，常用在传感器数据采集的场景下，如果将mcu作为边缘端，并部署故障诊断算法，能够更靠近设备端，进一步提高健康监测的实时性和故障诊断的速度。但
4、2018年，chen等人在《broad learning system:an effective and efficientincremental learning system without the need for deep architecture》中提出一种不需要深度架构的高效增量学习系统——宽度学习(broad learning system,bls)，用以解决深度学习以及边缘计算中存在的这些问题，其不仅具有结构简单、训练速度快、准确率高的优势，而且还具有增量学习的优势，为边缘端故障诊断的实现提供了新的方法。2021年任长娥等人在《宽度学习系统研究进展》中总结了宽度学习存在的问题以及研究热点，超参数设置方法和云端和嵌入式设备部署应用成为研究热点。
5、综上所述，如何在边缘端部署智能故障诊断算法具有非常重要的工业应用价值，如何优化故障诊断算法、如何实现边缘端故障诊断算法在线更新都是非常重要的研究内容。因此，亟待一种机电系统边缘端故障诊断方法的专利技术来解决存在的问题。
技术实现思路
1、本专利技术的目的是：针对现有技术的不足，本专利技术提出一种基于改进模糊宽度学习的机电系统边缘端故障诊断方法，基于边缘端有限的计算资源，实现故障诊断模型在边缘端进行推理诊断以及模型在线训练更新。针对模型故障诊断精度不高的问题，映射节点层采用takagi-sugeno模糊模型，在宽度学习中引入专家经验，在边缘端实现增强节点的增量学习，提升诊断正确率，实现模型在线训练更新。针对模型超参数选取复杂的问题，使用减法聚类改进的模糊c均值聚类实现对模糊宽度学习的改进，改进模糊宽度学习实现了超参数的自动选择；针对模型增量问题，提出增强节点增量方法，实现模型在线更新，进一步提升诊断正确率；针对边缘端部署机器学习模型困难的问题，基于matlab coder工具箱，提出一种边缘端移植部署方案，在stm32单片机上实现宽度学习推理运算。
2、本专利技术的技术方案是：参阅图1，一种基于改进模糊宽度学习的机电系统边缘端故障诊断方法，包括如下六个步骤：数据处理，模型建立、模型改进、模型增量、模型移植、故障诊断；具体过程如下：
3、步骤1：数据处理
4、对于收集到的故障诊断数据，采取如下子步骤进行处理：
5、子步骤1：数据清洗。受环境干扰、传感器异常等因素的影响，数据集中的数据可能会出现缺省值或异常值的情况，本专利技术优选采用邻近值填充法进行处理，即使用前后数据的平均数对该问题值进行替换。
6、子步骤2：数据标准化。使用z-score标准化方法对数据集进行处理，消除量纲之间的差异。
7、子步骤3：数据划分。根据数据集，确定故障类型，选取特征参数，划分训练集和测试集。
8、步骤2：模型建立
9、子步骤1：建立映射层模型
10、在takagi-sugeno模糊系统，令x＝(x1,x2,......,xn)，xs＝(xs1,xs2,......,xsm)，s＝1,2,...,n，假设第i模糊子系统存在ki条规则，那么有if-then规则，即if xs1 isandxs2 is……and xsm isthenk＝1,2,...,ki,那么
11、
12、其中，为系数，f为函数，；那么，训练样本xs的第i个模糊子系统表示为
13、
14、其中，此处，取1，由k-means算法直接求得；第i个模糊子系统对所有样本的输出向量表示为
15、zi＝[z1i,z2i,…zni] (3)
16、那么n个模糊子系统的输出，即映射层模型为
17、zn＝[z1,z2,…,zn] (4)
18、子步骤2：建立增强层模型
19、每个模糊子系统产生的模糊规则的输出并未被立即汇总为一个值，而是全部被发送到增强层以进行进一步的非线性变换，得到第j个增强层节点的模型为
20、hj＝ξj(znwhj+βhj) (5)
21、其中ξj表示随机映射，whj、βhj表示随机权重。那么第m个增强层节点的输出，即增强层模型为
22、hm＝[h1,h2,…,hm] (6)
23、子步骤3：映射层模型去模糊化
24、为了保留输入特性，将模糊子系统的去模糊化输出
25、
26、其中，为系数，那么第i模糊子系统去模糊化输出为(8)，映射层可以表本文档来自技高网...
【技术保护点】
1.一种基于改进模糊宽度学习的机电系统边缘端故障诊断方法，其特征在于，包括如下步骤：
【技术特征摘要】
1.一种基于改进模糊宽度学习的机电系统边缘...
【专利技术属性】
技术研发人员：赵帅，古淳月，陈绍炜，龙云翔，廖鑫源，徐钊，高萌，
申请(专利权)人：西北工业大学，
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。