CN110221558B - 一种基于边缘计算技术的电液伺服阀在线故障诊断网关 - Google Patents
一种基于边缘计算技术的电液伺服阀在线故障诊断网关 Download PDFInfo
- Publication number
- CN110221558B CN110221558B CN201910485493.5A CN201910485493A CN110221558B CN 110221558 B CN110221558 B CN 110221558B CN 201910485493 A CN201910485493 A CN 201910485493A CN 110221558 B CN110221558 B CN 110221558B
- Authority
- CN
- China
- Prior art keywords
- data
- module
- gateway
- fault diagnosis
- servo valve
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0423—Input/output
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/66—Arrangements for connecting between networks having differing types of switching systems, e.g. gateways
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24036—Test signal generated by microprocessor, for all I-O tests
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于边缘计算技术的电液伺服阀在线故障诊断网关,包括管理模块、通信模块、数据采集模块、数据挖掘及存储模块以及基于机器学习的故障诊断模块,管理模块负责网关的管理和运行,数据挖掘及存储模块将数据采集模块采集的监控数据进行预处理和存储,基于机器学习的故障诊断模块对处理过的数据进行学习诊断,并把诊断结果进行存储、显示、声光报警,并通过通信模块上传到云平台。本发明的网关部署在靠近数据采集终端一侧,能够分担部署在云平台的计算资源,将现场采集的数据进行筛选、剔除、分析,减少上传到云平台的数据,降低网络通信负担;该网关在云平台出现故障的情况下仍然能够完成故障诊断功能,提高系统可靠性和安全性。
Description
技术领域
本发明涉及一种在线故障诊断系统用网关设备,具体涉及一种基于边缘计算技术的电液伺服阀在线故障诊断系统网关,属于计算机人工智能领域。
背景技术
电液伺服阀(后续简称伺服阀)作为液压系统中实现精密控制的关键元件,被广泛应用到钢铁冶金、船舶、航空航天、工程机械、火力发电等重要工业领域。以钢铁厂为例,每条热、冷连轧生产线上都有上百个电液伺服阀在工作,其性能的好坏直接影响到轧钢系统的控制精度、稳定性和可靠性。然而作为一种精密液压元件,由于工作原理的关系,伺服阀又是液压系统中故障频率最高的环节之一,一旦发生故障,会导致整个生产系统停机,给企业造成巨大的经济损失,甚至人员伤亡;另外,现实生产中生产系统因故障突然停机,往往很难准确、迅速判断出故障源,对抢修造成很大困扰,耽误宝贵时间。因此在生产过程中对伺服阀进行实时在线故障诊断和预测,可以提高整个系统的可靠性和安全性,并为企业有计划生产、检修提供依据,从而延长设备的使用寿命,降低设备突然故障停机的风险,提高企业经济效益。
随着科技工作者对设备故障诊断技术的日益重视和不断研究,以及计算机技术、信息技术、测控技术的不断发展,使设备在线智能故障诊断技术已经发展成为一门独立的学科。针对电液伺服系统在线故障诊断技术,目前也出现了多种方法,都取得了一定的有益效果。
实际上,工业现场伺服阀型号繁多,更重要的是工作原理不尽相同,导致不同工作原理的伺服阀其发生故障的表现形式也不尽相同,采用现有技术公开的伺服阀在线监测方法只是通用方法,没有针对性,因此其监测效果也会打折扣。行之有效的手段是在通用方法的基础上,针对不同工作原理,甚至不同型号的伺服阀,进行必要调整,建立专用检测模型。然而要实现上述功能,需要采集大量的现场数据进行学习,监控设备也需要具有强大的运算能力和海量数据存储功能,显然一台监控设备服务一台伺服阀是不现实的。
近十几年,计算机技术和网络技术的发展,推动了云计算的迅猛发展。云平台具有强大的运算能力和海量数据存储功能,再配合以机器学习为代表的人工智能技术和数据挖掘技术,是实现上述伺服阀远程在线故障监控的理想工具。基于云平台的远程在线设备故障诊断系统,常规方案是在现场安装监测传感器和数据采集系统,再通过有线或无线网络将采集的数据上传到中继服务器,通过中继服务器再上传到云平台,云平台根据智能算法对海量数据进行整理、挖掘、运算、分析,以判断被监控对象的运行状态。很明显,这种方案的性能瓶颈在于网络带宽的有限性,传送海量数据需要一定的时间,云中心处理大量数据也需要一定的时间,因此系统响应的实时性较差;另外,云中心作为整个系统的大脑,一旦瘫痪(如网络故障)就会导致整个系统的崩溃,无法完成设备故障的监控。
发明内容
本发明针对上述问题,公开一种基于边缘计算技术的电液伺服阀在线故障诊断网关,网关部署在靠近数据采集终端一侧,不但拥有强劲的边缘计算能力,能够分担部署在云平台的计算资源,同时还具有较强的数据挖掘功能,可以在工业现场端将采集到的数据进行筛选、剔除、分析,减少上传到云平台的数据,降低网络通信负担;边缘计算网关作为云平台远程在线设备故障诊断系统靠近现场终端的关键节点,在云平台与现场数据采集系统之间,承担一种承上启下的桥梁作用,较好的弥补前述方案的不足。
一种基于边缘计算技术的电液伺服阀在线故障诊断网关,包括管理模块、数据采集模块、数据挖掘及存储模块和基于机器学习的故障诊断模块,所述数据采集模块读取伺服阀传感器采集的监控数据,处理后的数据通过管理模块发送给数据挖掘及存储模块,数据挖掘及存储模块获取有用数据并进行优化存储,并通过管理模块发送给基于机器学习的故障诊断模块,所述基于机器学习的故障诊断模块对数据挖掘及存储模块处理的历史数据进行学习诊断,将诊断结果进行显示,若出现故障时,报警的同时上传到云平台的数据库。
上述方案中,所述伺服阀传感器采集的监控数据包括流量、压力、温度和阀芯位移。
上述方案中,所述基于机器学习的故障诊断模块,包括机器学习子模块和诊断子模块,所述机器学习子模块对数据挖掘及存储模块处理的历史数据进行学习判断,并发送给诊断子模块,诊断子模块对伺服阀工作状况进行诊断,并将结果进行显示,若出现故障时,报警的同时上传到云平台的数据库。
上述方案中,所述机器学习模块采用机器学习算法,该算法在云平台上训练好,然后传送给所述机器学习子模块使用。
上述方案中,所述网关还包括通信模块,用于网关与外部设备通信。
一种基于边缘计算技术的电液伺服阀在线故障诊断系统,所述网关通过企业服务器与云平台连接,所述网关设置在企业车间内,监控若干台伺服阀。
与现有技术相比,本发明的有益效果包括:
1)所述边缘计算网关具有很强的运算和存储能力,在工业设备侧直接执行边缘智能服务,能够分担部署在云平台的计算压力,优化和减少上传到云平台的数据,降低网络通信负担;2)各种型号伺服阀故障诊断的机器学习故障诊断模型均在云平台上训练好,可以充分发挥云平台海量数据和强大运算能力的优势,而边缘计算网关只需根据所监控的伺服阀种类、型号从云平台下载对应算法模型,可以极大降低对边缘计算网关的硬件资源要求;3)所述边缘计算网关本身是一种嵌入式高性能控制器,能够脱离云平台独立运行,当云平台出现故障,所述边缘计算网关仍然能够完成故障诊断功能,提高了系统可靠性和安全性。
附图说明
图1为基于边缘计算技术的电液伺服阀在线故障诊断系统框架图;
图2为本发明边缘计算网关的硬件平台结构图;
图3为本发明边缘计算网关的软件功能结构图;
图4为基于机器学习的故障诊断流程示意图;
图5为自编码器结构图;
图6为双层深度神经网络结构图;
其中,101-云服务器,102-企业服务器,103-边缘计算网关,104-伺服阀,201-CPU,202-伺服阀传感器,203-数据采集接口电路,204-GPU,205-Flash ROM,206-DDR RAM,207-通信接口电路,208-外部设备,301-传感器信号,302-数据采集模块,303-管理模块,304-基于机器学习的故障诊断模块,305-通信模块,306-外部通信资源,307-数据挖掘及存储模块。
具体实施方式
为了使本发明技术领域的人员更好的理解本发明的公开内容,下面结合附图进一步详细阐述本发明。显然,本发明的保护范围并不仅限于下面阐述的实施例。
如图1所示为本发明的伺服阀在线故障诊断系统,边缘计算网关103通过网络通信接口与企业服务器102连接,企业服务器102再通过网络通信接口与云服务器101连接。工作时,边缘计算网关103通过数据采集模块302采集要监控的数据信息,通过企业服务器102从云服务器101下载所监控伺服阀的机器学习模型,同时向云服务器101上传采集的数据及监控的状态信息,实现远程监控。被服务的企业通过企业自有服务器接入到云服务器101,企业自有服务器对应图1中的服务器1-服务器n;在每家企业的车间现场,根据要监控的伺服阀数量和种类,再部署若干边缘计算网关103,对应图1中的边缘计算网关1-1~边缘计算网关n-m,其中n代表服务器编号,m代表车间的边缘计算网关数量编号;每台边缘计算网关103根据伺服阀的种类和安装位置,监控1~3台伺服阀,对应图中的伺服阀1-1~伺服阀n-x,其中x代表每个被服务企业的伺服阀数量编号。
具体到本发明的边缘计算网关103,包括硬件平台和运行在硬件平台上的软件系统。
所述硬件平台,由面向高速嵌入式运行的专用CPU(中央处理单元)和专门面向机器学习的GPU(图形处理单元)作为硬件大脑核心,再配以辅助硬件接口资源,不仅为机器学习和数据挖掘提供强大的算力,还能够为上述通信、数据采集、人机交互提供硬件支持。考虑到网关硬件平台需要为软件系统提供强大的运算能力,本实施例采用专门面向机器学习的嵌入式开发平台NVIDIA Jetson TX2进行网关硬件平台开发。图2为本实施例的硬件平台结构示意图,其中201为网关设备的CPU,本实施例采用双核心Denver 2 64-bit CPU+四核心ARM A57Complex;204为GPU,本实施例采用NVIDIA Pasca架构GPU,其主要功能是利用其强大运算能力完成本发明中的深度神经网络运算;被监控伺服阀传感器202采集的监控信号通过数据采集接口电路203采集到网关;205为Flash ROM,用于存放系统程序、算法以及数据;206为DDR RAM,用于配合CPU201、GPU204完成系统运算和管理;通信接口电路207是网关与外部设备208的通信通道,提供包括标准网络接口(5G、4G、3G、LAN、Wi-Fi等),与现场仪器、设备通信的主流工控协议接口(Modbus/CAN/PPI/MPI/profinet/Dvp/OPC等)。应该指出的是,上述NVIDIA Jetson TX2开发平台仅是本实施例所采用的网关硬件平台,采用其它硬件资源的相同功能网关硬件平台均落入本发明的保护范围内。
所述软件系统由五个模块组成:管理模块303、数据采集模块302、数据挖掘及存储模块307、基于机器学习的故障诊断模块304和通信模块305,数据采集模块302将监控伺服阀工作状态的传感器信号301采集的各种参数转换后通过管理模块303发送给数据挖掘及存储模块307,数据挖掘及存储模块307对采集的数据处理后再通过管理模块303发送给基于机器学习的故障诊断模块304,管理模块303通过通信模块305与外部通信资源306实现通信。
图3所述管理模块303是整个网关的内核和基石,具体为嵌入式操作系统,其主要功能:一是管理网关的硬件资源,并为其他模块运行提供支持;另一方面,与云平台进行交互,以实现云平台的远程自定义配置、远程部署、网关状态监控等;本实施例采用Red HatEnterprise Linux作为操作系统,配合NVIDIA机器学习网络架构,在NVIDIA Jetson TX2网关硬件平台强大硬件资源支持下,完成网关功能的管理、传感器信号的采集处理、基于机器学习的故障诊断以及外部通信等。应该指出的是,上述Red Hat Enterprise Linux操作系统和NVIDIA机器学习网络架构仅是本实施例所采用的管理模块,采用其它操作系统和机器学习框架的相同功能网关的管理模块均落入本发明的保护范围内。
图3所述数据采集模块302通过所述数据采集接口电路203,实现高精度、高采样率的数据采集,同时能够满足不同传感器信号类型需要(如4~20mA电流信号、±10V电压信号、正交编码信号等),通过数据采集模块302将监控伺服阀工作状态的传感器信号301采集的各种参数(包括流量、压力、温度、阀芯位移等,上述数据通过相应的传感器进行采集)读取到管理模块303中。
所述管理模块303将所述数据采集模块302采集的数据传递给图3所述数据挖掘及存储模块307,通过进行预处理-将采集到的数据格式进行整理、统一化,然后根据伺服阀的工作特征,再将预处理过的数据放入特定的模型(如K近邻分类法)中进行计算、搜集、整理,将无用数据进行剔除,最后将有用数据进行优化存储,并通过管理模块303提供给所述基于机器学习的故障诊断模块304使用。
图3所述通信模块305通过所述通信接口电路207,实现本发明网关与外部设备的信息交换,包括标准网络通信(5G、4G、3G、LAN、Wi-Fi等),与现场仪器、设备的通信(Modbus/CAN/PPI/MPI/profinet/Dvp/OPC等),以及用于人机交互的计算机常用通信(显示器、触摸屏、键盘等)。
图3所述基于机器学习的故障诊断模块304是本网关的运算核心,包括机器学习子模块和诊断子模块。所述机器学习子模块采用面向故障诊断的深度神经网络学习算法(机器学习的一种),对所述数据挖掘及存储模块307处理的历史数据进行学习判断;考虑到网关运算和存储空间以及伺服阀工作环境,一台网关只监控1~3个伺服阀,如果在网关上安装所有类型伺服阀的算法模型并不实用,因此所有类型伺服阀基于机器学习的故障诊断模型在云平台上训练好,然后网关根据所监控伺服阀型号将对应模型下载到网关上运行,这样可以降低网关运行负担;所述机器学习子模块一方面为诊断子模块提供诊断依据,另一方面将必要数据进一步上传到云平台,使云平台再更新和优化故障诊断模型知识库,优化完成的算法可以再次下载到所述网关中;所述诊断子模块根据机器学习模块提供的运算结果,对伺服阀工作状况进行评估,将诊断结果通过人机交互界面(与网关相连)进行显示、统计、分析,进行声光电报警,同时上传到云平台的数据库进行存储。本实施例中所述机器学习子模块采用NVIDIA TensorRT+TensorFlow进行开发,TensorRT是一种高性能机器学习推理优化器,可以让开发人员专注于创建基于AI的应用程序,而不是用于推理部署的性能调优;TensorFlow是目前主流的机器学习框架,可以提高开发机器学习模型效率,两者结合使用,可以充分发挥网关的机器学习潜力。
为了进一步阐述本发明中基于机器学习的故障诊断这一过程,下面结合图4、图5和图6对本实施例的故障诊断过程做详细说明。
图4中云平台的学习过程:
步骤S101:获取初始原始数据,未采用边缘计算网关之前,通过在线或离线手段收集足够样本数据作为原始数据。
步骤S102:对样本数据(初始原始数据或边缘计算网关传来的数据)进行预处理,对于故障诊断领域来说,代表故障的信号数据相对稀疏,难以满足神经网络训练要求,因此在预处理阶段通常采用如“滑动窗口重叠采样数据增强技术”等方法对数据进行部分重叠处理,提高有效样本数量,获得Rm维数据。
步骤S103:通过自编码器进行自编码,自编码器是一种无监督的深度学习算法,常用于特征提取与数据降噪,针对故障诊断领域的特点,本实施例采用稀疏自编码器进行自编码,稀疏自编码器由输入层、隐含层和输出层组成,如图5所示,Rm维数据xi(i=1,2,…,n)进入输入层,通过加入稀疏约束的隐含层映射得到压缩过的Rn维特征xcode(此过程称为编码),隐含层的Rn维特征xcode再通过输出层重构为Rm维数据(此过程称为解码),自编码器发现数据相关性,获得最优特征表达权值W和偏差值b。
步骤S104:将最优特征表达权值W和偏差值b作为深度神经网络隐含层参数的初始值,对深度神经网络分类器(机器学习的一种)进行学习、训练;特别的,本实施例中构造了基于深度神经网络的双层次分类器,如图6所示,第一层为特征提取层,采用改进的Droupout算法对伺服阀的故障特征进行识别,并生成携带更多故障特征信息的初级因子;第二层为故障分类层,该层采用Adam随机优化算法更新权值,再利用自适应学习速率算法选取最优学习速率,对上述初级因子进行故障类别预测,并对预测结果进行评估,选出最可能发生的预测向量作为分类结果。步骤S104中的深度神经网络分类器训练完成或优化完成,可以根据需要下载到边缘计算网关103中使用。
边缘计算网关诊断过程:
步骤S201:所述边缘计算网关将监控伺服阀的传感器数据采集进来,并初步进行滤波、转换等处理。
步骤S202:步骤S201处理后的数据传送到所述数据挖掘及存储模块307进行预处理,处理后的数据传送到步骤203进行进一步自编码处理,同时数据挖掘及存储模块307处理后的数据还传送给云平台,在所述步骤102中进行预处理,以便进一步训练和优化云平台上的深度神经网络分类器。
步骤S203、S204完成功能与所述步骤S103、S104基本相同,区别在于:步骤S204中的深度神经网络分类器应用的是在所述S104步骤中训练好的分类器,在所述S204中只需应用,不需要进行训练与优化。
步骤S205:根据所述步骤S204中的分类器结果,对被监控伺服阀的运行状态进行诊断。
步骤S206:根据诊断结果进行相应的操作,如果出现故障,需要将故障类型、故障发生时间等进行存储、记录、上传到云平台,并进行声光电显示与警告。
需要说明的是,尽管本发明所公开的内容已通过上述实施例进行了阐述,但所阐述内容不应被认为是对本发明的限制。本领域专业技术人员对本发明技术方案所做的修改和等同替换,均应涵盖在本发明权利要求范围当中。
Claims (5)
1.一种基于边缘计算技术的电液伺服阀在线故障诊断网关,其特征在于,包括管理模块、数据采集模块、数据挖掘及存储模块和基于机器学习的故障诊断模块,所述数据采集模块读取伺服阀传感器采集的监控数据,处理后的数据通过管理模块发送给数据挖掘及存储模块,数据挖掘及存储模块获取有用数据并进行优化存储,并通过管理模块发送给基于机器学习的故障诊断模块,所述基于机器学习的故障诊断模块对数据挖掘及存储模块处理的历史数据进行学习诊断,将诊断结果进行显示,若出现故障时,报警的同时上传到云平台的数据库;
所述有用数据为:对数据采集模块采集的数据格式进行整理、统一化,再放入K近邻分类法中进行计算、搜集、整理后的数据;
所述基于机器学习的故障诊断模块,包括机器学习子模块和诊断子模块,所述机器学习子模块对数据挖掘及存储模块处理的历史数据进行学习判断,并发送给诊断子模块,诊断子模块对伺服阀工作状况进行诊断,并将结果进行显示,若出现故障时,报警的同时上传到云平台的数据库;
所述网关根据所监控伺服阀型号将对应故障诊断模型下载到网关上运行;
所述机器学习子模块另一方面将必要数据进一步上传到云平台,使云平台再更新和优化故障诊断模型知识库,优化完成的故障诊断模型可以再次下载到所述网关中。
2.根据权利要求1所述的基于边缘计算技术的电液伺服阀在线故障诊断网关,其特征在于,所述伺服阀传感器采集的监控数据包括流量、压力、温度和阀芯位移。
3.根据权利要求1所述的基于边缘计算技术的电液伺服阀在线故障诊断网关,其特征在于,所述机器学习子模块采用机器学习算法,该算法在云平台上训练好,然后传送给所述机器学习子模块使用。
4.根据权利要求1所述的基于边缘计算技术的电液伺服阀在线故障诊断网关,其特征在于,所述网关还包括通信模块,用于网关与外部设备通信。
5.一种根据权利要求1-4任一项所述的基于边缘计算技术的电液伺服阀在线故障诊断网关的基于边缘计算技术的电液伺服阀在线故障诊断系统,其特征在于,网关通过企业服务器与云平台连接,所述网关设置在企业车间内,监控若干台伺服阀;
所述云平台在学习过程中,构造了基于深度神经网络的双层次分类器,第一层为特征提取层,采用改进的Drop out算法对伺服阀的故障特征进行识别,并生成携带更多故障特征信息的初级因子;第二层为故障分类层,该层采用Adam随机优化算法更新权值,再利用自适应学习速率算法选取最优学习速率,对所述初级因子进行故障类别预测,并对预测结果进行评估,选出最可能发生的预测向量作为分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910485493.5A CN110221558B (zh) | 2019-06-05 | 2019-06-05 | 一种基于边缘计算技术的电液伺服阀在线故障诊断网关 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910485493.5A CN110221558B (zh) | 2019-06-05 | 2019-06-05 | 一种基于边缘计算技术的电液伺服阀在线故障诊断网关 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110221558A CN110221558A (zh) | 2019-09-10 |
CN110221558B true CN110221558B (zh) | 2020-09-01 |
Family
ID=67819388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910485493.5A Active CN110221558B (zh) | 2019-06-05 | 2019-06-05 | 一种基于边缘计算技术的电液伺服阀在线故障诊断网关 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110221558B (zh) |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110469561B (zh) * | 2019-09-16 | 2024-07-19 | 深圳江行联加智能科技有限公司 | 一种液压系统状态监测的装置、方法与系统 |
CN112529204A (zh) * | 2019-09-17 | 2021-03-19 | 华为技术有限公司 | 模型训练方法、装置及系统 |
CN111426904A (zh) * | 2019-10-23 | 2020-07-17 | 合肥申芯电子技术有限责任公司 | 一种基于深度自编码器的变电站接地网故障诊断方法 |
CN110891330A (zh) * | 2019-12-06 | 2020-03-17 | 深圳大学 | 基于边缘计算的LoRa网关设备 |
CN110988543A (zh) * | 2019-12-16 | 2020-04-10 | 广西电网有限责任公司电力科学研究院 | 一种配电自动化终端检测监控系统 |
CN111224840A (zh) * | 2019-12-31 | 2020-06-02 | 江苏南高智能装备创新中心有限公司 | 具有故障诊断性能的网关系统及其方法 |
CN111442015B (zh) * | 2020-04-13 | 2022-03-25 | 中海油能源发展股份有限公司 | 一种液压阀门遥控系统故障智能判别方法和系统 |
CN111831430A (zh) * | 2020-06-15 | 2020-10-27 | 国网上海市电力公司 | 一种基于边缘计算的电力设备缺陷识别系统 |
CN113588141B (zh) * | 2020-06-29 | 2023-03-28 | 沈阳中科博微科技股份有限公司 | 电容型边缘计算压力变送器采集诊断工作方法 |
CN111917634B (zh) * | 2020-07-02 | 2021-07-13 | 西安交通大学 | 基于pmml的工业网关机器学习模型容器式部署系统及方法 |
CN112033666A (zh) * | 2020-09-07 | 2020-12-04 | 上海辉度智能系统有限公司 | 一种基于机理模型的减速机在线故障预测及诊断系统 |
CN112164153A (zh) * | 2020-09-22 | 2021-01-01 | 厦门德威智联科技有限公司 | 一种ai边缘计算故障诊断器 |
CN112187932A (zh) * | 2020-09-29 | 2021-01-05 | 长江勘测规划设计研究有限责任公司 | 基于边缘计算的中小型水库大坝智能监测预警方法 |
CN112184031A (zh) * | 2020-09-30 | 2021-01-05 | 江苏金卫机械设备有限公司 | 一种用于生产控制的设备自动选择系统及方法 |
CN112596498A (zh) * | 2020-12-09 | 2021-04-02 | 中国联合网络通信集团有限公司 | 一种基于区块链的故障处理方法、装置及系统 |
CN112613790A (zh) * | 2020-12-30 | 2021-04-06 | 国家电网有限公司大数据中心 | 应用于多站融合环境下的协同数据处理方法、设备及介质 |
CN113009896B (zh) * | 2021-03-09 | 2022-05-24 | 国能大渡河猴子岩发电有限公司 | 基于边缘计算和云计算的生产控制方法及系统 |
CN112989712B (zh) * | 2021-04-27 | 2021-08-03 | 浙大城市学院 | 一种基于5g边缘计算和深度学习的航空发动机故障诊断方法 |
CN113284600A (zh) * | 2021-05-08 | 2021-08-20 | 武汉联影医疗科技有限公司 | 故障预测方法、装置、计算机设备和存储介质 |
CN113432863A (zh) * | 2021-06-02 | 2021-09-24 | 上海自动化仪表有限公司 | 阀门健康状态检测及诊断装置及方法 |
CN113535234B (zh) * | 2021-06-12 | 2022-08-02 | 武汉所为科技有限公司 | 暖通云边协同控制方法、系统和存储介质 |
CN113610837A (zh) * | 2021-08-24 | 2021-11-05 | 华北电力大学(保定) | 基于深度学习和边缘计算的外绝缘设备放电故障诊断方法 |
CN113719499B (zh) * | 2021-08-31 | 2024-04-05 | 上海衡拓液压控制技术有限公司 | 一种电液伺服阀智能故障诊断方法 |
CN113566864A (zh) * | 2021-09-03 | 2021-10-29 | 合肥米克光电技术有限公司 | 一种基于5g和边缘计算的分布式机器视觉系统 |
CN113867285B (zh) * | 2021-09-24 | 2024-06-04 | 大唐互联科技(武汉)有限公司 | 基于边缘云平台的边缘侧设备故障诊断的方法及系统 |
CN114466389B (zh) * | 2022-02-21 | 2023-12-15 | 重庆大学 | 一种机械振动无线传感器网络的边缘计算网关设计方法 |
CN114997062A (zh) * | 2022-06-15 | 2022-09-02 | 同济大学 | 一种基于边缘计算的工业水泵故障诊断轻量方法及系统 |
CN115454652A (zh) * | 2022-11-09 | 2022-12-09 | 湖南子宏生态科技股份有限公司 | 一种基于边缘计算的猪场养殖数据处理系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7066189B2 (en) * | 2002-12-20 | 2006-06-27 | Control Components, Inc. | Predictive maintenance and initialization system for a digital servovalve |
CN106594000B (zh) * | 2016-12-15 | 2018-11-09 | 中国航空工业集团公司北京长城航空测控技术研究所 | 一种电液伺服阀故障诊断方法 |
CN108693854A (zh) * | 2017-04-03 | 2018-10-23 | 上海前孟计算机科技有限公司 | 一种研磨机气压伺服系统 |
CN108667725B (zh) * | 2018-04-25 | 2021-06-11 | 哈尔滨电气股份有限公司 | 一种基于多种接入及边缘计算的工业软网关以及实现方法 |
CN109617796A (zh) * | 2018-11-15 | 2019-04-12 | 江苏东洲物联科技有限公司 | 一种基于规则引擎的边缘计算网关 |
CN109767054A (zh) * | 2018-11-22 | 2019-05-17 | 福建网能科技开发有限责任公司 | 基于深度神经网络算法的能效云评估方法及边缘能效网关 |
CN109635958A (zh) * | 2018-12-12 | 2019-04-16 | 成都航天科工大数据研究院有限公司 | 一种基于边缘计算的预测性工业设备维护方法及维护系统 |
-
2019
- 2019-06-05 CN CN201910485493.5A patent/CN110221558B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110221558A (zh) | 2019-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110221558B (zh) | 一种基于边缘计算技术的电液伺服阀在线故障诊断网关 | |
CN108627720B (zh) | 一种基于贝叶斯算法的电力设备状态监测方法 | |
US20210081501A1 (en) | System and method for automated insight curation and alerting | |
CN102361014A (zh) | 大规模半导体制造过程的状态监控与故障诊断方法 | |
CN104390657A (zh) | 一种发电机组运行参数测量传感器故障诊断方法及系统 | |
CN115640915B (zh) | 一种智慧燃气管网压缩机安全管理方法和物联网系统 | |
CN102521604B (zh) | 一种基于巡检系统的设备性能退化评估装置及方法 | |
CN1987697A (zh) | 工业生产过程小样本条件下的故障诊断系统及方法 | |
CN111817880A (zh) | 一种油气田生产设备健康管理系统以及实现方法 | |
CN105574604B (zh) | 一种面向电网运行事件的监控预判分析系统 | |
CN108593302A (zh) | 一种低速柴油机故障诊断系统 | |
CN111322082A (zh) | 一种tbm滚刀状态监测及故障诊断方法、系统 | |
CN116992346A (zh) | 一种基于人工智能大数据分析的企业生产数据处理系统 | |
Cachada et al. | Using internet of things technologies for an efficient data collection in maintenance 4.0 | |
CN116880402A (zh) | 智慧工厂协同管控系统及其方法 | |
CN114510979A (zh) | 一种基于边缘计算的水下设备检查系统及方法 | |
AU2013101422A4 (en) | Diagnostic and control system and method | |
CN118309644A (zh) | 基于数字孪生的管道泵运行流量监测方法及系统 | |
CN114297265A (zh) | 基于物联技术的智能运维方法 | |
CN117930718A (zh) | 基于大数据的设备运行状态监测预警方法及系统 | |
CN112858901A (zh) | 实时监测刀具运行状态与寿命预测的系统及方法 | |
CN116467592A (zh) | 一种基于深度学习的生产设备故障智能监测方法及系统 | |
KR20240074074A (ko) | Ai 기반 위험예지 이상징후 탐지모델 플랫폼 서비스 방법 | |
KR102306430B1 (ko) | 클라우드 기반 상황인지 융합처리엔진을 이용한 산업용 공정장비 시스템 관리 방법 | |
CN110807481A (zh) | 一种基于多源数据的针对起重机械的故障预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: An on-line fault diagnosis gateway of electrohydraulic servo valve based on edge computing technology Effective date of registration: 20220627 Granted publication date: 20200901 Pledgee: Bank of Nanjing Co.,Ltd. Zhenjiang Branch Pledgor: ZHENJIANG SILIAN MECHATRONIC TECHNOLOGY Co.,Ltd. Registration number: Y2022980008964 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |