CN112101767B - 一种设备运行状态边云融合诊断方法及系统 - Google Patents
一种设备运行状态边云融合诊断方法及系统 Download PDFInfo
- Publication number
- CN112101767B CN112101767B CN202010938853.5A CN202010938853A CN112101767B CN 112101767 B CN112101767 B CN 112101767B CN 202010938853 A CN202010938853 A CN 202010938853A CN 112101767 B CN112101767 B CN 112101767B
- Authority
- CN
- China
- Prior art keywords
- cloud
- data set
- model
- diagnosis model
- sample data
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 255
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000004927 fusion Effects 0.000 title claims abstract description 29
- 238000013508 migration Methods 0.000 claims abstract description 42
- 230000005012 migration Effects 0.000 claims abstract description 42
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims description 75
- 230000006870 function Effects 0.000 claims description 51
- 238000012545 processing Methods 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000002405 diagnostic procedure Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/502—Proximity
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Manufacturing & Machinery (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本说明书实施例公开了一种设备运行状态边云融合诊断方法及系统,所述方法包括云端利用目标设备的历史数据以及融合迁移方法,先对基于相似运行特征的设备的历史数据所构建的云端初始诊断模型进行调整处理,得到目标设备的云端诊断模型。边缘端向云端发送云端诊断模型获取请求,云端基于获取请求进行模型迁移;边缘端再利用目标设备的运行状态数据对迁移到边端的云端诊断模型进行调整处理,构建更适应于目标设备的边端诊断模型,以对目标设备进行实时诊断,实现云端模型高效准确的复用。同时还可以将诊断结果及实时数据上传至云端,更新云端样本集,进而更新云端诊断模型,实现边端诊断模型的持续更新优化,提升诊断的准确率与快捷性。
Description
技术领域
本说明书涉及设备运行状态监测技术领域,特别地,涉及一种设备运行状态边云融合诊断方法及系统。
背景技术
在工业生产过程中,大型设备有着结构复杂、工作环境恶劣、调节操作频繁等特点,导致其突发故障率较高,一旦设备发生故障而未被及时发现,可能导致连锁停机,甚至可能造成重大安全事故。针对上述情况,目前需要改变生产设备的维修模式,由传统的周期性计划维修模式和事后检修模式转向预知性维修模式。其中设备监测诊断系统是预知性维修的重要手段,但在传统设备监测系统中,大多数采用集中式监测系统对设备进行监测,所有数据的储存和分析处理工作集中在中心服务器中进行,运行速度较慢,运行成本较高,稳定性较低,一旦服务器出现故障,将无法继续进行监测工作,造成较大的安全隐患。
随着边缘计算、物联网、大数据、人工智能等新一代信息技术的发展,边云融合监测技术因其具有将传统的集中式云计算能力下沉,让靠近用户的网络边缘侧提供计算、存储、网络、加速、人工智能及大数据处理等能力而逐渐受到大家的重视。
目前设备的监测诊断方式通常通过采集设备的历史运行状态数据,基于设备的历史运行状态数据进行诊断模型的构建,进而利用构建的诊断模型进行设备的监测。但对于大部分新布设的设备,其对应的历史运行状态数据较少,从而极大限制了构建的诊断模型的准确性。因此,为解决了变工况运行环境或故障数据缺失环境下传统故障诊断模型性能差和难构建的问题,并节约边缘端用户的资源计算成本,提高诊断结果的准确性,目前亟需一种在边云检测方式中更加准确实时的设备运行状态监测方法。
发明内容
本说明书实施例的目的在于提供一种设备运行状态边云融合诊断方法及系统,可以提升诊断的准确率与快捷性。
本说明书提供一种设备运行状态边云融合诊断方法及系统是包括如下方式实现的:
一种设备运行状态边云融合诊断方法,应用于设备诊断系统,所述设备诊断系统包括云端服务器以及边缘端计算单元,所述方法包括:云端服务器利用第一样本数据集对云端初始诊断模型进行第一调整处理,得到所述目标设备的云端诊断模型。所述第一样本数据集包括目标域数据集以及源域数据集。所述目标域数据集包括云端服务器中存储的所述目标设备所对应的样本数据。所述源域数据集包括云端服务器中存储的与所述目标设备的设备特征相似度满则预设条件的设备所对应的样本数据。所述云端初始诊断模型根据所述源域数据集构建得到。边缘端计算单元向云端服务器发送云端诊断模型获取请求,云端服务器基于所述获取请求进行模型迁移。边缘端计算单元利用第二样本数据集对迁移的云端诊断模型进行第二调整处理,得到所述目标设备的边端诊断模型。所述第二样本数据集包括边缘端计算单元中存储的所述目标设备所对应的样本数据;边缘端计算单元接收目标设备的实时监测数据。以及,将所述实时监测数据输入所述边端诊断模型中,获得所述目标设备的运行状态诊断结果。以及,所述边缘端计算单元将所述运行状态诊断结果及实时监测数据上传至云端服务器,以使云端服务器更新所述第一样本数据集,并基于更新的第一样本数据集更新所述云端诊断模型。
本说明书提供的所述方法的另一些实施例中,所述利用所述第一样本数据集对云端初始诊断模型进行第一调整处理,得到所述目标设备的云端诊断模型,包括:求解下述目标函数的最小值,以对云端初始诊断模型进行第一调整处理,得到所述目标设备的云端诊断模型:
其中,J(·)为云端初始诊断模型的优化目标函数,J(·)为判别损失函数,C为源域中的类别标签数,j为类别标签,h(·)为用作类别标签概率输出的SoftMax函数,L是云端诊断模型的优化目标函数,S代表源域,T代表目标域,XS={xs,i,ys,i}源域数据集,xs,i,ys,i分别为源域数据集中的任意样本数据,i={1,2,…,ns},ns是源域的样本容量,XT为目标域数据集;l=l代表云端诊断模型的最后一层全连接层,Dis(·)表示迁移度量准则,为特征映射函数,Ω为辅助求解的约束项,λ为约束系数。
其中,所述迁移度量准则采用方式确定:
其中,xt,i,yt,i分别为目标域数据集中的任意样本数据,n、m分别表示目标域数据集、源域数据集的样本容量。
其中,所述目标函数的最小值采用下述计算模型进行求解:
v=γv+a▽θL(θ;xS,xT,xS)
其中,θ为待优化的诊断模型参数集合;v表示当前的动量,与θ的梯度更新方向一致,用于表示梯度下降的速度;a为学习速率因子,用于控制梯度下降的幅度;γ∈(0,1]为平衡参数,用于平衡梯度更新中v和a的取值。
本说明书提供的所述方法的另一些实施例中,云端服务器基于所述获取请求进行模型迁移,包括:云端服务器基于所述获取请求向所述边缘端计算单元发送所述目标设备的云端诊断模型的参数和结构信息,以使边端计算单元根据所述参数和结构信息重构所述云端诊断模型,得到迁移的云端诊断模型。
本说明书提供的所述方法的另一些实施例中,所述边缘端计算单元利用第二样本数据集对迁移的云端诊断模型进行第二调整处理,得到所述目标设备的边端诊断模型,包括:在所述迁移的云端诊断模型的最后一层全连接层后增加一层全连接层,得到初始边端诊断模型;在保持所述初始边端诊断模型中除最后一层全连接层之外的其他参数和结构信息不变的基础上,利用第二样本数据集,求解下述目标函数的最小值,以对所述初始边端诊断模型进行调整处理,得到所述目标设备的边端诊断模型:
其中,Loss为边端诊断模型的优化目标函数,Xz={xz,i,yz,i}是第二样本数据集,xz,i,yz,i分别为第二样本数据集中的任意样本数据,i={1,2,…,nz},nz表示第二样本数据集的样本容量。本说明书提供的所述方法的另一些实施例中,所述方法还包括:所述边缘端计算单元基于预设时间间隔将所述运行状态诊断结果及实时监测数据上传至云端服务器。所述云端服务器接收所述实时监测数据,并更新至所述第一样本数据集中,并利用更新的第一样本数据集对云端诊断模型进行更新训练;以及,将更新后的云端诊断模型迁移至边端计算单元。相应的,边端计算单元基于更新后的云端诊断模型的参数和结构信息对边缘诊断模型进行更新调整,以及利用第二样本数据集对更新调整后的边缘诊断模型进行第二调整处理,得到所述目标设备的边端诊断模型。
本说明书提供的所述方法的另一些实施例中,所述云端服务器还包括故障数据集,所述故障数据集包括与目标设备的设备特征相似度满足预设条件的设备及目标设备已发生的故障数据。所述方法还包括:若目标设备的运转状态诊断结果为故障,则根据所述实时监测数据中的指定监测数据以及所述故障数据集中各故障类型所对应的指定监测数据进行故障定位。
另一方面,本说明书实施例还提供一种设备运行状态边云融合诊断系统,所述系统包括云端服务器以及边缘端计算单元,其中,所述云端服务器用于获取目标设备的第一样本数据集,利用所述第一样本数据集对云端初始诊断模型进行第一调整处理,得到所述目标设备的云端诊断模型。所述第一样本数据集包括目标域数据集以及源域数据集。所述目标域数据集包括云端服务器中存储的所述目标设备所对应的样本数据。所述源域数据集包括云端服务器中存储的与所述目标设备的设备特征相似度满则预设条件的设备所对应的样本数据;所述云端初始诊断模型根据所述源域数据集构建得到。所述边缘端计算单元用于向云端服务器发送云端诊断模型获取请求。所述云端服务器还用于基于所述获取请求进行模型迁移。所述边缘端计算单元还用于利用第二样本数据集对迁移的云端诊断模型进行第二调整处理,得到所述目标设备的边端诊断模型。所述第二样本数据集包括边缘端计算单元中存储的所述目标设备所对应的样本数据。所述边缘端计算单元还用于接收目标设备的实时监测数据。以及,将所述实时监测数据输入所述边端诊断模型中,获得所述目标设备的运行状态诊断结果。所述边缘端计算单元还用于将所述运行状态诊断结果及实时监测数据上传至云端服务器,以使云端服务器更新所述第一样本数据集,并基于更新的第一样本数据集更新所述云端诊断模型。
本说明书提供的所述系统的另一些实施例中,所述云端服务器还用于求解下述目标函数的最小值,以对云端初始诊断模型进行第一调整处理,得到所述目标设备的云端诊断模型:
其中,J(·)为云端初始诊断模型的优化目标函数,J(·)为判别损失函数,C为源域中的类别标签数,j为类别标签,h(·)为用作类别标签概率输出的SoftMax函数,L是云端诊断模型的优化目标函数,S代表源域,T代表目标域,XS={xs,i,ys,i}源域数据集,xs,i,ys,i分别为源域数据集中的任意样本数据,i={1,2,…,ns},ns是源域的样本容量,XT为目标域数据集;l=l代表云端诊断模型的最后一层全连接层,Dis(·)表示迁移度量准则,为特征映射函数,Ω为辅助求解的约束项,λ为约束系数。
其中,所述迁移度量准则采用方式确定:
其中,xt,i,yt,i分别为目标域数据集中的任意样本数据,n、m分别表示目标域数据集、源域数据集的样本容量。
其中,所述目标函数的最小值采用下述计算模型进行求解:
v=γv+a▽θL(θ;xS,xT,xS)
其中,θ为待优化的诊断模型参数集合;v表示当前的动量,与θ的梯度更新方向一致,用于表示梯度下降的速度;a为学习速率因子,用于控制梯度下降的幅度;γ∈(0,1]为平衡参数,用于平衡梯度更新中v和a的取值。
本说明书提供的所述系统的另一些实施例中,所述边缘端计算单元还用于在所述迁移的云端诊断模型的最后一层全连接层后增加一层全连接层,得到初始边端诊断模型;在保持所述初始边端诊断模型中除最后一层全连接层之外的其他参数和结构信息不变的基础上,利用第二样本数据集,求解下述目标函数的最小值,以对所述初始边端诊断模型进行调整处理,得到所述目标设备的边端诊断模型:
其中,Loss为边端诊断模型的优化目标函数,Xz={xz,i,yz,i}是第二样本数据集,xz,i,yz,i分别为第二样本数据集中的任意样本数据,i={1,2,…,nz},nz表示第二样本数据集的样本容量。
本说明书提供的所述系统的另一些实施例中,所述边缘端计算单元还用于基于预设时间间隔将所述运行状态诊断结果及实时监测数据上传至云端服务器。所述云端服务器还用于接收所述实时监测数据,并更新至所述第一样本数据集中,并利用更新的第一样本数据集对云端诊断模型进行更新训练;以及,将更新后的云端诊断模型迁移至边端计算单元。相应的,所述边端计算单元还用于基于更新后的云端诊断模型的参数和结构信息对边缘初始诊断模型进行更新调整,以及利用第二样本数据集对更新调整后的边缘初始诊断模型进行调整处理,得到所述目标设备的边端诊断模型。
本说明书一个或多个实施例提供的设备运行状态边云融合诊断方法及系统,在云端服务器中基于与目标设备具有相似特征的设备的运行状态数据构建云端初始诊断模型,然后,再利用融合迁移学习机制对初始诊断模型进行迁移泛化。具体的,可以先在云端基于目标设备的历史数据,对初始诊断模型进行定期优化调整,使得云端构建的诊断模型更符合目标设备的实际运转特征。之后,再将优化后的云端诊断模型的模型参数和结构信息迁移至边端,边端再基于接收的模型参数数据以及目标设备的近期历史数据优化得到边端诊断模型,以利用得到的边端诊断模型进行目标设备的实时诊断。同时边端数据还可以上传至云端,以对云端数据集进行动态更新,并进一步借助动态更新的云端数据集对云端诊断模型进行更新训练,进而实现边缘诊断模型的持续更新,实现云端与边缘端的协同诊断与闭环反馈,完成边缘诊断模型的更新优化。
通过上述方式,可以使得边端诊断模型所依赖的样本数据更为丰富,促进了边缘端计算模块对数据的分析处理能力,极大加速了故障诊断模型的优化收敛性能与故障辨识的准确度,有效的解决了变工况运行环境或故障数据缺失环境下传统故障诊断模型性能差和难构建的问题,并节约边缘端用户的资源计算成本,提高诊断结果的准确性。同时,还可以使得云端构建的诊断模型更符合目标设备的运行状态,降低迁移处理的复杂度,进而提升诊断的准确率与快捷性。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本说明书提供的一种设备运行状态边云融合诊断方法实施例的流程示意图;
图2为本说明书提供的一个实施例中的设备运行状态边云融合诊断流程示意图;
图3为本说明书提供的另一个实施例中的模型参数迁移流程示意图;
图4为本说明书提供的一种设备运行状态边云融合诊断系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书一个或多个实施例中的附图,对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是说明书一部分实施例,而不是全部的实施例。基于说明书一个或多个实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书实施例方案保护的范围。
本说明书实施例提供的一个场景示例中,所述设备运行状态边云融合诊断方法应用于设备诊断系统,所述设备诊断系统可以包括目标设备、云端服务器以及边缘端计算单元。所述目标设备可以是指任意待运转状态诊断的整机设备或者整机设备中的零部件。所述云端服务器可以是指与所述目标设备通讯距离较远的单个服务器或者服务器集群。所述边缘端计算单元可以是指与所述目标设备通讯距离较近的单个服务器、服务器集群。所述服务器可以是指具有较高的数据处理能力的数据处理设备;也可以是指具有一般处理能力的数据处理设备,如笔记本电脑、台式电脑等。
图1是本说明书提供的所述设备运行状态边云融合诊断方法实施例流程示意图。虽然本说明书提供了如下述实施例或附图所示的方法操作步骤或装置结构,但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中,这些步骤的执行顺序或装置的模块结构不限于本说明书实施例或附图所示的执行顺序或模块结构。所述的方法或模块结构的在实际中的装置、服务器或终端产品应用时,可以按照实施例或者附图所示的方法或模块结构进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境、甚至包括分布式处理、服务器集群的实施环境)。具体的一个实施例如图1所示,本说明书提供的设备运行状态边云融合诊断方法的一个实施例中,所述方法可以应用于所述设备诊断系统,所述方法可以包括如下步骤:
S20:云端服务器获取目标设备的第一样本数据集,利用所述第一样本数据集对云端初始诊断模型进行第一调整处理,得到所述目标设备的云端诊断模型。
云端服务器可以获取目标设备的第一样本数据集。所述第一样本数据集可以设备的历史监测数据及相应的运行状态。所述监测数据可以包括从设备中采集的已知运行状态的历史运行参数数据。所述运行状态可以是指设备是否存在故障以及故障的类型。其中,监测数据如可以包括设备上的传感器所采集到的数据。如温度、湿度、转速等等。
所述第一样本数据集可以包括目标域数据集以及源域数据集。所述目标域数据集可以包括云端服务器中存储的所述目标设备所对应的样本数据。所述源域数据集可以包括云端服务器中存储的与所述目标设备的设备特征相似度满则预设条件的设备所对应的样本数据。如可以将同型号的设备设定为设备特征相似度满足预设条件的设备,或者,虽然型号不同,但基础参数相同或者存在些许差异的设备设定为设备特征相似度满足预设条件的设备。当然,具体预设条件可以根据设备的不同以及监测精准度等的需求进行配置,这里不做限定。
所述第一样本数据集可以预先存储在所述云端服务器中。所述第一样本数据集可以与目标设备的设备标识信息相关联,并存储在所述云端服务器中。例如,边缘端计算单元可以定期或实时将从设备中采集的设备的运行参数数据及对应的实际运行状态,发送至云端服务器中,并更新至云端服务器中所述目标设备所对应的第一样本数据集中。
如图3所示,云端服务器中还可以存储有云端初始诊断模型。所述云端初始诊断模型可以预先由云端服务器根据所述源域数据集中的样本数据构建得到。云端初始诊断模型构建所述利用的算法可以根据实际需要设定。一些实施例中,优选的,可以利用深度卷积神经网络进行云端初始诊断模型的构建。
云端服务器可以利用所述第一样本数据集对云端初始诊断模型进行第一调整处理。通过在云端服务器中先初步参考与所述目标设备的设备特征相似度满足预设条件的设备的样本数据,进行云端初始诊断模型的构建,可以进一步扩充新型设备诊断模型构建的样本多样性以及样本数据量。然后,再基于目标设备的历史运行数据对初始诊断模型进行优化,以利用优化后的诊断模型进行模型参数迁移,可以进一步提高云端诊断模型对目标设备的适用性,有效降低模型迁移对边缘端计算单元运行能力的需求,保证边缘端计算单元对设备的有效实时监测。
一些实施例中,在利用深度卷积神经网络进行云端初始诊断模型的构建后,可以利用下述目标函数调整所述云端初始诊断模型:
其中,J(·)为云端初始诊断模型的优化目标函数,J(·)为判别损失函数;C为源域中的类别标签数,j为类别标签,h(·)为用作类别标签概率输出的SoftMax函数,L是云端诊断模型的优化目标函数,S代表源域,T代表目标域,XS={xs,i,ys,i}源域数据集,xs,i,ys,i分别为源域数据集中的任意样本数据,i={1,2,…,ns},ns是源域的样本容量,XT为目标域数据集;l=l代表云端诊断模型的最后一层全连接层,Dis(·)表示迁移度量准则,为特征映射函数,Ω为辅助求解的约束项,λ为约束系数。
在上述模型构建的过程中,通过利用目标域数据集,基于上述目标函数,在最后一层全连接层对模型参数进一步进行约束,可以间接实现对部分隐含层所提取的数据特征进行调整,以使得构建得到的云端诊断模型更适应于目标设备。如果利用迁移度量准则确定源域数据与目标域数据之间的数据分布差异较小,说明目标域数据集和源域数据集的数据分布相近,则部分隐含层对应的网络结构保持不变或者存在细微调整。通常,目标域数据集和源域数据集的数据分布存在一定的差异,则部分隐含层的网络结构的参数会被调整,如加入或替换新的隐藏层,从而使得提取的数据特征更符合目标设备的结构以及运行状态,进而使得构建的云端诊断模型更适用于目标设备。
一些实施方式中,所述迁移度量准则可以采用欧氏距离、马氏距离、余弦相似度、皮尔逊相关系数、Jaccard相关系数等。一些实施例中,优选的,其中,所述迁移度量准则采用方式确定:
其中,xt,i,yt,i分别为目标域数据集中的任意样本数据,n、m分别表示目标域和源域数据集的样本容量。
一些实施例中,可以利用下述计算模型求解所述目标函数的最小值:
v=γv+a▽θL(θ;xS,xT,yS)
其中,θ为待优化的诊断模型参数集合;v表示当前的动量,与θ的梯度更新方向一致,用于表示梯度下降的速度;a为学习速率因子,用于控制梯度下降的幅度;γ∈(0,1]为平衡参数,用于平衡梯度更新中v和a的取值,▽θ表示参数θ的梯度下降,对应的数学表示形式为:
一些实施例中,还可以分批次输入数据样本。通过分批次输入样本,一方面可以显著减小模型参数计算值的方差,有助于模型优化的稳定收敛,另一方面可以通过矩阵操作带来计算的高效性,提高数据处理效率。
通过上述方式进行目标函数的最小值的求解,可以在保证诊断模型构建准确性的基础上,进一步降低模型构建的计算量,提高数据处理效率。
S22:边缘端计算单元向云端服务器发送模型获取请求,以使云端服务器基于所述获取请求向所述边缘端计算单元发送云端诊断模型参数和结构信息。
如图2所示,边缘端计算单元可以向云端服务器发送模型获取请求,以使云端服务器将云端诊断模型的参数和结构信息发送至边缘端计算单元。云端服务器可以基于所述获取请求向所述服务器发送所述目标设备相应的云端诊断模型的参数和结构信息。所述获取请求可以包括目标设备的设备标识信息。所述设备标识信息可以包括目标设备的型号或者结构参数等信息,以使云端服务器可以根据目标设备的型号或者结构参数等信息匹配该目标设备所对应的云端诊断模型。
另一些实施方式中,所述获取请求也可以包括目标设备的结构参数数据,相应的,云端服务器中可以存储有第一样本数据集所对应的各设备的结构参数数据,并存储在结构参数数据集中,且云端诊断模型与所述结构参数数据集预先进行关联。云端服务器可以从获取请求中提取目标设备的结构参数数据,然后,可以将目标设备的结构参数数据与结构参数数据集进行比对,将比对结果满足上述预设条件的结构参数数据集所对应的云端诊断模型,作为所述获取请求所请求的目标设备的云端诊断模型。
当然,所述获取请求中还可以包括边缘端计算单元的IP地址等,以使云端服务器向边缘端计算单元反馈数据。云端服务器在确定所述获取请求所请求的云端诊断模型后,可以将确定的云端诊断模型的参数和结构信息反馈给边缘端计算单元。
S24:边缘端计算单元利用第二样本数据集对迁移的云端诊断模型进行第二调整处理,得到所述目标设备的边端诊断模型;所述第二样本数据集包括边缘端计算单元中存储的所述目标设备所对应的样本数据。
边缘端计算单元中可以存储有目标设备的第二样本数据集。所述第二样本数据集可以包括所述目标设备的监测数据及相应的运行状态。该监测数据可以包括从所述目标设备中采集的已知运行状态的历史运行数据。该监测数据的运行状态为边端诊断模型的诊断结果。
所述第二样本数据集可以与所述第一样本数据集不存在交集。边缘端计算单元可以将采集的目标设备的实时监测数据及相应的实际运行状态先本地存储至第二样本数据集中,然后,可以定期将第二样本数据集中的数据传送至云端服务器的第一样本数据集中,以对第一样本数据集中的样本数据进行扩充。同时,在传输完成后,边缘端计算单元可以将第二样本数据集中的数据清空。然后,边缘端计算单元可以重新采集目标设备的监测数据及相应的实际运行状态,存储至第二样本数据集。当然,第一样本数据集和第二样本数据集也可以存在部分重叠。
相应的,一些实施例中,所述边缘端计算单元可以基于预设时间间隔将实时监测数据和诊断结果发送至云端服务器,以使云端服务器更新至所述第一样本数据集中。通过更新云端的目标设备的历史样本数据,基于更新后的历史样本数据,对云端诊断模型进行步进式更新优化,可以使得云端诊断模型更符合设备的实时运转状态,降低迁移处理复杂度。
边缘端计算单元可以先利用接收到的模型参数数据以及结构信息进行云端诊断模型的重构。例如,基于与云端诊断模型相应的卷积神经算法,利用接收到的模型参数数据以及结构信息,重构云端诊断模型,得到迁移到边端计算单元的云端诊断模型。
一些实施例中,还可以在该迁移的云端诊断模型的最后一层全连接层后增加一层全连接层,得到初始边端诊断模型。然后,可以在保持所述初始边端诊断模型中除最后一层全连接层之外的其他参数和结构信息不变的基础上,利用第二样本数据集对初始边端诊断模型的最后一层全连接层的模型参数数据进行优化调整,获得用于目标设备实时诊断的边端诊断模型。本实施例,在迁移的云端诊断模型的基础上,进一步通过增加新的全连接层,基于边端数据对新的全连接层的参数进行优化调整,以利用新的全连接层来适应目标设备的当前运行状态。从而可以在继承原有云端已学习知识(即云端诊断模型)的基础上,进一步使得最终构建的边端诊断模型更适用于目标设备的当前运行状态,提高目标设备的运转状态诊断结果的准确性。
一些实施例中,可以利用下述目标函数优化全连接层内参数,以对所述云端诊断模型进行调整处理,得到所述目标设备的边端诊断模型:
其中,Xz={xz,i,yz,i}是第二样本数据集,xz,i,yz,i分别为第二样本数据集中的任意样本数据,i={1,2,…,nz},nz表示第二样本数据集的样本容量。
S26:边缘端计算单元接收目标设备的实时监测数据;以及,将所述实时监测数据输入所述边端诊断模型中,获得所述目标设备的运行状态诊断结果。
如图2所述,边缘端计算单元可以接收目标设备的实时监测数据。所述实时监测数据可以包括从所述目标设备中采集的用于设备当前运行状态诊断的设备运行参数数据。
图4表示本说明书实施例的所述设备诊断系统的整体架构示意图。一些实施方式中,如图4所示,可以利用目标设备中预留的无线射频通讯接口,边缘端计算单元通过RFID识别器与目标设备的无线射频通讯接口进行无线通信,来接收目标设备的监测数据,实现对目标设备进行非接触的信息采集。当然,另一些实施方式中,也可以通过有线方式进行信息采集。
一些实施例中,对于采集的监测数据,可以进行下述预处理:
可以对设备原始状态信号数据利用平滑预处理方法对信号数据进行降噪,提高信号光滑度。设备的实际运行环境状况复杂,对信号的干扰较大,滑动平均值滤波法既能消除数据中的干扰成分,又能保持原有曲线特性不变,可以提高用于诊断的数据的准确性。滑动平均值通过依据某一测量点附近其他采样点的波动幅值对此点的波幅进行修正,进而使得振动曲线足够平滑,实现降噪目的。滑动平均值法通过对周围点进行简单平均,或者对附近点实现加权平均。通常取附近五个点进行平均,其依据以下公式:
其中x代表采样所得数据值;y代表完成平滑处理之后的数据;m为测量数据数量;N是平均点数;h是加权平均因子。加权平均因子的取值符合下式:
如果采用简单平均法,则因此有:
如果采用加权平均法,并且选择5点进行加权平均,此时N=2,则可按照如下方法取值:
{h}=(h-2,h-1,h0,h1,h2)
其中h-2到h2依次为1/9、2/9、3/9、2/9、1/9。滑动平均值法是常用的基于最小二乘法的平滑处理方法,主要针对离散数据有良好处理效果。五点滑动平均所采用的计算公式如下所示:
式中:i=3,4,......,m-2将每个振动点观测数据代入上式得到平滑滤波后的信号数据。
边缘端计算单元可以将所述实时监测数据输入在所述边端诊断模型中,利用所述边端诊断模型对所述实时监测数据进行处理,获得所述目标设备的实时运行状态诊断结果。所述运行状态诊断结果可以包括目标设备是否存在故障或故障的类型,或者,设备是否存在故障或属于哪个故障的类型的概率值等。进一步,边缘端计算单元还可以基于该实时运行状态诊断结果进行故障定位以及生成诊断报告等。
所述边缘端计算单元还可以将所述运行状态诊断结果及实时监测数据上传至云端服务器,以使云端服务器更新所述第一样本数据集,并基于更新的第一样本数据集更新所述云端诊断模型。
一些实施例中,所述边缘端计算单元还可以基于预设时间间隔将所述运行状态诊断结果及实时监测数据上传至云端服务器。所述云端服务器可以接收所述实时监测数据,并更新至所述第一样本数据集中,并利用更新的第一样本数据集对云端诊断模型进行更新训练。以及,所述云端服务器还可以将更新后的云端诊断模型迁移至边端计算单元。所述边端计算单元可以接收更新后的云端诊断模型的参数和结构信息对边缘初始诊断模型的参数及结构进行更新调整。以及利用第二样本数据集对更新调整后的边缘初始诊断模型的最后一层全连接层的参数进行调整处理,得到所述目标设备的边端诊断模型。从而实现云端与边缘端的协同诊断与闭环反馈,完成边缘诊断模型的更新优化,并降低了更新优化的数据处理量,提高更新优化的效率。
上述实施例提供的方案,通过结合与目标设备存在一定相似特征的其他设备的历史数据进行云端初始诊断模型的构建,可以进一步扩充新布设的目标设备所对应的样本数据的多样性,提高新布设的目标设备所对应的诊断模型构建的准确性。但通常与目标设备存在一定相似特征的其他设备的历史数据,与目标设备的实际特征存在一定的差异性,如果直接将基于目标设备存在一定相似特征的其他设备的历史数据构建的诊断模型迁移至边端,则需要使用较为复杂的迁移算法对模型的调整及优化,以使得迁移后模型使用目标设备。且通常迁移后云端服务器内的数据也不再利用,造成了云端与边端数据的脱节,也不利于数据的综合利用。
本说明书实施例中进一步基于融合迁移处理机制,综合利用云端与边端数据,在云端利用目标设备的历史数据,对云端构建的初始诊断模型进行优化调整,得到更加适用于当前目标设备的云端诊断模型。然后,再将优化调整后的云端诊断模型的模型参数与结构信息迁移至边端,可以使得从云端迁移至边端的模型更符合目标设备的实际运行特征,从而进一步降低迁移处理的复杂性。边端在接收到模型信息后,可以再利用目标设备的近期历史数据对迁移的模型进行快速的优化调整,即可使得构建的边端模型适应于目标设备,提高目标设备的诊断准确性。
同时,还可以定期更新云端存储的目标设备的历史数据,然后,利用更新后的样本数据集对云端诊断模型参数进行实时更新,还可以使得云端待迁移的模型参数更符合目标设备的实时运转特征,进一步提高迁移处理的简便性以及利用迁移后的诊断模型进行实时诊断的准确性。
另一些实施例中,如图4所示,云端服务器还可以进行故障定位与趋势分析。所述云端服务器中还可以存储有故障数据集。所述故障数据集可以包括与目标设备的设备特征相似度满足预设条件的设备及目标设备已发生的故障数据。相应的,如果目标设备的运转状态诊断结果为故障,则边缘端计算单元还可以根据实时监测数据中的指定监测数据以及故障数据集中各故障类型所对应的指定监测数据进行故障定位。所述指定监测数据的类型可以根据目标设备的结构确定。
例如,所述指定监测数据为振动加速度。可以实时监测数据中的对振动加速度进行n种特征值的提取,如均方根值、均值、峰值以及峭度等,构成第一特征信息向量xi=[N1,N2,...,Nn]T。可以对云端服务器中的故障数据集中的各种故障类型的振动加速度信号进行特征提取,构成第二特征信息向量yi=[M1,M2,...,Mn]T。然后,可以计算第一特征向量与第二特征向量之间的皮尔逊相关系数:
当皮尔逊相关系数越接近0的时候,其相关性越弱,越接近1或者-1时,其相关性越强,计算测量值与各故障类型之间的相关性,相关性最强的即为所最可能发生故障的部位。
同时,边缘端计算单元还可以将目标设备的故障定位结果反馈至云端服务器,以更新故障数据集。
通过进一步利用与目标设备的设备特征相似度满足预设条件的设备已发生的故障案例,可以进一步扩充故障案例类型,提高故障定位的准确性。
另一些实施例中,所述云端服务器中还可以存储有故障报告数据集。所述故障报告数据集可以包括与目标设备的设备特征相似度满足预设条件的设备及目标设备故障报告、诊断报告、检修报告等。边缘端计算单元可以基于当前运行状态诊断结果以及云端数据库的故障报告数据集,生成目标设备的当前故障诊断报告。同时,边缘端计算单元还可以将新的故障诊断报告上传至云端服务器,以更新故障报告数据集。通过上述更新机制,可以进一步提高故障报告生成的准确性。
另一些实施方式中,如图4所述,云端服务器可以包括设备信息管理数据库。样本数据以及故障报告数据集、故障数据集以及设备基本结构信息等均可以存储在设备信息管理数据库中。边缘端计算单元可以从云端服务器的设备信息管理数据库调取数据,进行智能组态识别等处理。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。具体的可以参照前述相关处理相关实施例的描述,在此不做一一赘述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书一个或多个实施例提供的设备运行状态边云融合诊断方法,云端服务器获取目标设备的第一样本数据集,利用所述第一样本数据集对云端初始诊断模型进行特征迁移优化,得到所述目标设备的云端诊断模型。在云端服务器接收到边缘端计算单元的请求后,然后,再利用融合迁移学习机制对初始诊断模型进行迁移泛化。具体的,可以先在云端基于目标设备的历史数据,对初始诊断模型进行定期优化调整,使得云端构建的诊断模型更符合目标设备的实际运转特征。之后,再将优化后的云端诊断模型的模型数据迁移至边端,边端再利用基于接收的模型信息以及目标设备的近期历史数据对云端诊断模型进行模型迁移优化得到边端诊断模型,以利用得到的边端诊断模型进行目标设备的实时诊断。诊断结果和实时数据储存在边缘端计算单元中并定期发送至云端服务器,云端服务器结合目标设备的历史数据集和新数据集重训练云端诊断模型,更新云端诊断模型参数使得云端诊断模型更符合目标设备的实际运转特征。通过上述方式,可以使得诊断模型所依赖的样本数据更为丰富,提高诊断结果的准确性,更适应复杂多变的运行环境。同时,还可以使得云端构建的诊断模型更符合目标设备的运行状态,降低迁移处理的复杂度,进而提升诊断的准确率与快捷性。
基于上述所述的设备运行状态边云融合诊断方法,本说明书一个或多个实施例还提供一种设备运行状态边云融合诊断系统。所述系统可以包括使用了本说明书实施例所述方法的软件(应用)、模块、组件、服务器等并结合必要的实施硬件的装置。基于同一创新构思,本说明书实施例提供的一个或多个实施例中的系统如下面的实施例所述。由于系统解决问题的实现方案与方法相似,因此本说明书实施例具体的系统的实施可以参见前述方法的实施,重复之处不再赘述。尽管以下实施例所描述的系统较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。具体的,所述设备运行状态边云融合诊断系统可以包括云端服务器以及边缘端计算单元,其中,
所述云端服务器可以获取目标设备的第一样本数据集,利用所述第一样本数据集对云端初始诊断模型进行第一调整处理,得到所述目标设备的云端诊断模型。所述第一样本数据集包括目标域数据集以及源域数据集。所述目标域数据集包括云端服务器中存储的所述目标设备所对应的样本数据。所述源域数据集包括云端服务器中存储的与所述目标设备的设备特征相似度满则预设条件的设备所对应的样本数据。所述云端初始诊断模型根据所述源域数据集构建得到。
所述边缘端计算单元还可以用于向云端服务器发送云端诊断模型获取请求。
所述云端服务器还可以用于基于所述获取请求进行模型迁移。
所述边缘端计算单元还可以用于利用第二样本数据集对迁移的云端诊断模型进行第二调整处理,得到所述目标设备的边端诊断模型。所述第二样本数据集包括边缘端计算单元中存储的所述目标设备所对应的样本数据。
所述边缘端计算单元还可以用于接收目标设备的实时监测数据。以及,将所述实时监测数据输入所述边端诊断模型中,获得所述目标设备的运行状态诊断结果。
所述边缘端计算单元还可以用于将所述运行状态诊断结果及实时监测数据上传至云端服务器,以使云端服务器更新所述第一样本数据集,并基于更新的第一样本数据集更新所述云端诊断模型。
另一些实施例中,所述云端服务器还可以用于求解下述目标函数的最小值,以对云端初始诊断模型进行第一调整处理,得到所述目标设备的云端诊断模型:
其中,J(·)为云端初始诊断模型的优化目标函数,J(·)为判别损失函数;C为源域中的类别标签数,j为类别标签,h(·)为用作类别标签概率输出的SoftMax函数,L是云端诊断模型的优化目标函数,S代表源域,T代表目标域,XS={xs,i,ys,i}源域数据集,xs,i,ys,i分别为源域数据集中的任意样本数据,i={1,2,…,ns},ns是源域的样本容量,XT为目标域数据集;l=l代表云端诊断模型的最后一层全连接层,Dis(·)表示迁移度量准则,为特征映射函数,Ω为辅助求解的约束项,λ为约束系数。
其中,所述迁移度量准则采用方式确定:
其中,xt,i,yt,i分别为目标域数据集中的任意样本数据,n、m分别表示目标域数据集、源域数据集的样本容量。
其中,所述目标函数的最小值采用下述计算模型进行求解:
v=γv+a▽θL(θ;xS,xT,xS)
其中,θ为待优化的诊断模型参数集合;v表示当前的动量,与θ的梯度更新方向一致,用于表示梯度下降的速度;a为学习速率因子,用于控制梯度下降的幅度;γ∈(0,1]为平衡参数,用于平衡梯度更新中v和a的取值。
另一些实施例中,所述边缘端计算单元还可以用于在所述迁移的云端诊断模型的最后一层全连接层后增加一层全连接层,得到初始边端诊断模型;在保持所述初始边端诊断模型中除最后一层全连接层之外的其他参数和结构信息不变的基础上,利用第二样本数据集,求解下述目标函数的最小值,以对所述初始边端诊断模型进行调整处理,得到所述目标设备的边端诊断模型:
其中,Loss为边端诊断模型的优化目标函数,Xz={xz,i,yz,i}是第二样本数据集,xz,i,yz,i分别为第二样本数据集中的任意样本数据,i={1,2,…,nz},nz表示第二样本数据集的样本容量。
另一些实施例中,所述边缘端计算单元还可以用于基于预设时间间隔将所述运行状态诊断结果及实时监测数据上传至云端服务器。
所述云端服务器还可以用于接收所述实时监测数据,并更新至所述第一样本数据集中,并利用更新的第一样本数据集对云端诊断模型进行更新训练;以及,将更新后的云端诊断模型迁移至边端计算单元。
相应的,所述边端计算单元还可以用于基于更新后的云端诊断模型的参数和结构信息对边缘初始诊断模型进行更新调整,以及利用第二样本数据集对更新调整后的边缘初始诊断模型进行调整处理,得到所述目标设备的边端诊断模型。
需要说明的,上述所述的装置根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述,在此不作一一赘述。
本说明书一个或多个实施例提供的设备运行状态边云融合诊断系统,在云端服务器中基于与目标设备具有相似特征的设备的运行状态数据构建云端初始诊断模型,然后,再利用融合迁移学习机制对初始诊断模型进行迁移泛化。具体的,可以先在云端基于目标设备的历史数据,对初始诊断模型进行定期优化调整,使得云端构建的诊断模型更符合目标设备的实际运转特征。之后,再将优化后的云端诊断模型的模型参数和结构信息迁移至边端,边端再基于接收的模型数据以及目标设备的近期历史数据优化得到边端诊断模型,以利用得到的边端诊断模型进行目标设备的实时诊断。通过上述方式,可以使得诊断模型所依赖的样本数据更为丰富,提高诊断结果的准确性,更适应复杂多变的运行环境。同时,还可以使得云端构建的诊断模型更符合目标设备的运行状态,降低迁移处理的复杂度,进而提升诊断的准确率与快捷性
需要说明的是,本说明书实施例并不局限于必须是符合标准数据模型/模板或本说明书实施例所描述的情况。某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、存储、判断、处理方式等获取的实施例,仍然可以属于本说明书的可选实施方案范围之内。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述并不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (6)
1.一种设备运行状态边云融合诊断方法,其特征在于,应用于设备诊断系统,所述设备诊断系统包括云端服务器以及边缘端计算单元,所述方法包括:
云端服务器利用第一样本数据集对云端初始诊断模型进行第一调整处理,得到目标设备的云端诊断模型;所述第一样本数据集包括目标域数据集以及源域数据集;所述目标域数据集包括云端服务器中存储的所述目标设备所对应的样本数据;所述源域数据集包括云端服务器中存储的与所述目标设备的设备特征相似度满则预设条件的设备所对应的样本数据;所述云端初始诊断模型根据所述源域数据集构建得到;
边缘端计算单元向云端服务器发送云端诊断模型获取请求,云端服务器基于所述获取请求进行模型迁移;
边缘端计算单元利用第二样本数据集对迁移的云端诊断模型进行第二调整处理,得到所述目标设备的边端诊断模型;所述第二样本数据集包括边缘端计算单元中存储的所述目标设备所对应的样本数据;
边缘端计算单元接收目标设备的实时监测数据;以及,将所述实时监测数据输入所述边端诊断模型中,获得所述目标设备的运行状态诊断结果;
以及,所述边缘端计算单元将所述运行状态诊断结果及实时监测数据上传至云端服务器,以使云端服务器更新所述第一样本数据集,并基于更新的第一样本数据集更新所述云端诊断模型;
其中,所述利用所述第一样本数据集对云端初始诊断模型进行第一调整处理,得到所述目标设备的云端诊断模型,包括:
求解下述目标函数的最小值,以对云端初始诊断模型进行第一调整处理,得到所述目标设备的云端诊断模型:
其中,J(·)为判别损失函数;C为源域对应的类别标签数,j为类别标签,h(·)为用作类别标签概率输出的SoftMax函数;L是云端诊断模型的优化目标函数,S代表源域,T代表目标域,XS={xs,i,ys,i}源域数据集,xs,i,ys,i分别为源域数据集中的任意样本数据,i={1,2,…,ns},ns是源域的样本容量,XT为目标域数据集;l=l代表云端诊断模型的最后一层全连接层,Dis(·)表示迁移度量准则,为特征映射函数,Ω为辅助求解的约束项,λ为约束系数;
其中,所述迁移度量准则采用方式确定:
其中,xt,i,yt,i分别为目标域数据集中的任意样本数据,n、m分别表示目标域数据集、源域数据集的样本容量;
其中,所述目标函数的最小值采用下述计算模型进行求解:
v=γv+a▽θL(θ;xS,xT,xS)
其中,θ为待优化的诊断模型参数集合;v表示当前的动量,与θ的梯度更新方向一致,用于表示梯度下降的速度;a为学习速率因子,用于控制梯度下降的幅度;▽θ表示参数θ的梯度下降;γ∈(0,1]为平衡参数,用于平衡梯度更新中v和a的取值;
所述边缘端计算单元利用第二样本数据集对迁移的云端诊断模型进行第二调整处理,得到所述目标设备的边端诊断模型,包括:
在所述迁移的云端诊断模型的最后一层全连接层后增加一层全连接层,得到初始边端诊断模型;
在保持所述初始边端诊断模型中除最后一层全连接层之外的其他参数和结构信息不变的基础上,利用第二样本数据集,求解下述目标函数的最小值,以对所述初始边端诊断模型进行调整处理,得到所述目标设备的边端诊断模型:
其中,Loss为边端诊断模型的优化目标函数,Xz={xz,i,yz,i}是第二样本数据集,xz,i,yz,i分别为第二样本数据集中的任意样本数据,i={1,2,…,nz},nz表示第二样本数据集的样本容量。
2.根据权利要求1所述的方法,其特征在于,所述云端服务器基于所述获取请求进行模型迁移,包括:
云端服务器基于所述获取请求向所述边缘端计算单元发送所述目标设备的云端诊断模型的参数和结构信息,以使边端计算单元根据所述参数和结构信息重构所述云端诊断模型,得到迁移的云端诊断模型。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
所述边缘端计算单元基于预设时间间隔将所述运行状态诊断结果及实时监测数据上传至云端服务器;
所述云端服务器接收所述实时监测数据,并更新至所述第一样本数据集中,并利用更新的第一样本数据集对云端诊断模型进行更新训练;以及,将更新后的云端诊断模型迁移至边端计算单元;
相应的,边端计算单元基于更新后的云端诊断模型的参数和结构信息对边缘初始诊断模型进行更新调整,以及利用第二样本数据集对更新调整后的边缘初始诊断模型进行调整处理,得到所述目标设备的边端诊断模型。
4.根据权利要求1所述的方法,其特征在于,所述云端服务器还包括故障数据集,所述故障数据集包括与目标设备的设备特征相似度满足预设条件的设备及目标设备已发生的故障数据;所述方法还包括:
若目标设备的运转状态诊断结果为故障,则根据所述实时监测数据中的指定监测数据以及所述故障数据集中各故障类型所对应的指定监测数据进行故障定位。
5.一种设备运行状态边云融合诊断系统,其特征在于,所述系统包括云端服务器以及边缘端计算单元,其中,
所述云端服务器用于获取目标设备的第一样本数据集,利用所述第一样本数据集对云端初始诊断模型进行第一调整处理,得到所述目标设备的云端诊断模型;所述第一样本数据集包括目标域数据集以及源域数据集;所述目标域数据集包括云端服务器中存储的所述目标设备所对应的样本数据;所述源域数据集包括云端服务器中存储的与所述目标设备的设备特征相似度满则预设条件的设备所对应的样本数据;所述云端初始诊断模型根据所述源域数据集构建得到;
所述边缘端计算单元用于向云端服务器发送云端诊断模型获取请求;
所述云端服务器还用于基于所述获取请求进行模型迁移;
所述边缘端计算单元还用于利用第二样本数据集对迁移的云端诊断模型进行第二调整处理,得到所述目标设备的边端诊断模型;所述第二样本数据集包括边缘端计算单元中存储的所述目标设备所对应的样本数据;
所述边缘端计算单元还用于接收目标设备的实时监测数据;以及,将所述实时监测数据输入所述边端诊断模型中,获得所述目标设备的运行状态诊断结果;
所述边缘端计算单元还用于将所述运行状态诊断结果及实时监测数据上传至云端服务器,以使云端服务器更新所述第一样本数据集,并基于更新的第一样本数据集更新所述云端诊断模型;
其中,所述云端服务器还用于求解下述目标函数的最小值,以对云端初始诊断模型进行第一调整处理,得到所述目标设备的云端诊断模型:
其中,J(·)为判别损失函数;C为源域中的类别标签数,j为类别标签,h(·)为用作类别标签概率输出的SoftMax函数,L是云端诊断模型的优化目标函数,S代表源域,T代表目标域,XS={xs,i,ys,i}源域数据集,xs,i,ys,i分别为源域数据集中的任意样本数据,i={1,2,…,ns},ns是源域的样本容量,XT为目标域数据集;l=l代表云端诊断模型的最后一层全连接层,Dis(·)表示迁移度量准则,为特征映射函数,Ω为辅助求解的约束项,λ为约束系数;
其中,所述迁移度量准则采用方式确定:
其中,xt,i,yt,i分别为目标域数据集中的任意样本数据,n、m分别表示目标域数据集、源域数据集的样本容量;
其中,所述目标函数的最小值采用下述计算模型进行求解:
v=γv+a▽θL(θ;xS,xT,xS)
其中,θ为待优化的诊断模型参数集合;v表示当前的动量,与θ的梯度更新方向一致,用于表示梯度下降的速度;a为学习速率因子,用于控制梯度下降的幅度;▽θ表示参数θ的梯度下降;γ∈(0,1]为平衡参数,用于平衡梯度更新中v和a的取值;
所述边缘端计算单元还用于在所述迁移的云端诊断模型的最后一层全连接层后增加一层全连接层,得到初始边端诊断模型;在保持所述初始边端诊断模型中除最后一层全连接层之外的其他参数和结构信息不变的基础上,利用第二样本数据集,求解下述目标函数的最小值,以对所述初始边端诊断模型进行调整处理,得到所述目标设备的边端诊断模型:
其中,Loss为边端诊断模型的优化目标函数,Xz={xz,i,yz,i}是第二样本数据集,xz,i,yz,i分别为第二样本数据集中的任意样本数据,i={1,2,…,nz},nz表示第二样本数据集的样本容量。
6.根据权利要求5所述的系统,其特征在于,所述边缘端计算单元还用于基于预设时间间隔将所述运行状态诊断结果及实时监测数据上传至云端服务器;
所述云端服务器还用于接收所述实时监测数据,并更新至所述第一样本数据集中,并利用更新的第一样本数据集对云端诊断模型进行更新训练;以及,将更新后的云端诊断模型迁移至边端计算单元;
相应的,所述边端计算单元还用于基于更新后的云端诊断模型的参数和结构信息对边缘初始诊断模型进行更新调整,以及利用第二样本数据集对更新调整后的边缘初始诊断模型进行调整处理,得到所述目标设备的边端诊断模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010938853.5A CN112101767B (zh) | 2020-09-09 | 2020-09-09 | 一种设备运行状态边云融合诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010938853.5A CN112101767B (zh) | 2020-09-09 | 2020-09-09 | 一种设备运行状态边云融合诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112101767A CN112101767A (zh) | 2020-12-18 |
CN112101767B true CN112101767B (zh) | 2023-12-26 |
Family
ID=73752029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010938853.5A Active CN112101767B (zh) | 2020-09-09 | 2020-09-09 | 一种设备运行状态边云融合诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101767B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112837282A (zh) * | 2021-01-27 | 2021-05-25 | 上海交通大学 | 一种基于云边协同和深度学习的小样本图像缺陷检测方法 |
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 |
CN113220455A (zh) * | 2021-05-21 | 2021-08-06 | 润联软件系统(深圳)有限公司 | 一种基于云边协同的数据预处理方法和系统 |
CN113469231A (zh) * | 2021-06-21 | 2021-10-01 | 中国原子能科学研究院 | 故障诊断方法、故障诊断系统、计算机设备及存储介质 |
CN113467423A (zh) * | 2021-07-01 | 2021-10-01 | 中山大学 | 一种基于云平台的pemfc故障诊断方法及系统 |
CN113570070B (zh) * | 2021-09-23 | 2022-01-07 | 深圳市信润富联数字科技有限公司 | 流式数据采样与模型更新方法、装置、系统与存储介质 |
CN113934536B (zh) * | 2021-10-11 | 2022-08-16 | 中用科技有限公司 | 面向边缘计算的数据采集方法 |
CN113985475B (zh) * | 2021-10-28 | 2023-09-05 | 北京石油化工学院 | 一种基于物联网端边云协同的微地震监测数据传输方法 |
CN114165430A (zh) * | 2021-11-19 | 2022-03-11 | 重庆川仪自动化股份有限公司 | 基于边缘计算的机泵健康监测方法、系统、设备及介质 |
US11929885B2 (en) | 2022-02-10 | 2024-03-12 | Honeywell International Inc. | Situation aware edge analytics framework for communication systems |
CN114647234B (zh) * | 2022-05-23 | 2022-08-09 | 医链数科医疗科技(江苏)有限公司 | 一种基于物联网的医疗设备监控方法、装置及存储介质 |
CN115297035A (zh) * | 2022-08-04 | 2022-11-04 | 杭州杰牌传动科技有限公司 | 一种边云协同智能运维系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110162018A (zh) * | 2019-05-31 | 2019-08-23 | 天津开发区精诺瀚海数据科技有限公司 | 基于知识蒸馏与隐含层共享的增量式设备故障诊断方法 |
CN110866365A (zh) * | 2019-11-22 | 2020-03-06 | 北京航空航天大学 | 基于部分迁移卷积网络的机械设备智能故障诊断方法 |
CN115878970A (zh) * | 2022-12-23 | 2023-03-31 | 华能新泰风力发电有限公司 | 基于边缘迁移学习算法风力发电机组故障诊断方法及应用 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10024910B2 (en) * | 2016-01-29 | 2018-07-17 | International Business Machines Corporation | Iterative N-detect based logic diagnostic technique |
US20200051419A1 (en) * | 2017-10-11 | 2020-02-13 | Analog Devices Global Unlimited Company | Cloud-based machine health monitoring |
-
2020
- 2020-09-09 CN CN202010938853.5A patent/CN112101767B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110162018A (zh) * | 2019-05-31 | 2019-08-23 | 天津开发区精诺瀚海数据科技有限公司 | 基于知识蒸馏与隐含层共享的增量式设备故障诊断方法 |
CN110866365A (zh) * | 2019-11-22 | 2020-03-06 | 北京航空航天大学 | 基于部分迁移卷积网络的机械设备智能故障诊断方法 |
CN115878970A (zh) * | 2022-12-23 | 2023-03-31 | 华能新泰风力发电有限公司 | 基于边缘迁移学习算法风力发电机组故障诊断方法及应用 |
Non-Patent Citations (2)
Title |
---|
基于多模态堆叠自动编码器的感应电机故障诊断;蒋爱国;电子测量与仪器学报;第32卷(第8期);全文 * |
电源车远程智能健康评估系统研究;周丙相;中国优秀硕士学位论文全文数据库工程科技II辑(第9期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112101767A (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112101767B (zh) | 一种设备运行状态边云融合诊断方法及系统 | |
CN112101489A (zh) | 一种联邦学习与深度学习融合驱动的设备故障诊断方法 | |
CN108597057A (zh) | 一种基于噪音深度学习的无人机故障预测诊断系统及方法 | |
CN104636751A (zh) | 基于时间递归神经网络的人群异常检测和定位系统及方法 | |
CN116380445B (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
CN116628633A (zh) | 一种igbt实时监测与使用寿命预测评估方法 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
Chen et al. | Industrial edge intelligence: Federated-meta learning framework for few-shot fault diagnosis | |
CN116248674A (zh) | 一种数据传输方法、装置及系统 | |
Wu et al. | To transmit or predict: an efficient industrial data transmission scheme with deep learning and cloud-edge collaboration | |
CN117009841A (zh) | 一种模型训练方法、电机故障诊断方法和微控制器 | |
CN117552774A (zh) | 基于量子点示踪技术的智能增产测试系统 | |
CN117009997A (zh) | 一种基于物联网的信息化处理装置 | |
CN111563631A (zh) | 基于变分模态分解的风力发电功率预测方法及设备 | |
Huang et al. | Tool remaining useful life prediction based on edge data processing and lstm recurrent neural network | |
Tianshu et al. | Intelligent prognostic and health management based on IOT cloud platform | |
Yan et al. | Autonomous coordinated control strategy for complex process of traffic information physical fusion system based on big data | |
Mohammadi et al. | Exploiting the spatio-temporal patterns in IoT data to establish a dynamic ensemble of distributed learners | |
CN107526316B (zh) | 一种基于互联网通信引擎的引导显示设备监控系统 | |
CN111597860B (zh) | 一种用于cnc断刀预测的系统及方法 | |
Li et al. | Supercomputer supported online deep learning techniques for high throughput EEG prediction | |
CN114115155B (zh) | 一种工业物联网多线程智能生产调度方法及系统 | |
CN117668670B (zh) | 一种港口起重装备故障诊断方法及系统 | |
Pal et al. | Machine Learning-Based Sustainable Dew Computing: Classical to Quantum |
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 |