CN112561097A - 一种基于云雾边协同的轴承监测方法及系统 - Google Patents

一种基于云雾边协同的轴承监测方法及系统 Download PDF

Info

Publication number
CN112561097A
CN112561097A CN202011539359.8A CN202011539359A CN112561097A CN 112561097 A CN112561097 A CN 112561097A CN 202011539359 A CN202011539359 A CN 202011539359A CN 112561097 A CN112561097 A CN 112561097A
Authority
CN
China
Prior art keywords
fault detection
monitoring
neural network
network model
monitoring terminal
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.)
Granted
Application number
CN202011539359.8A
Other languages
English (en)
Other versions
CN112561097B (zh
Inventor
徐驰
谭强
孙善宝
于�玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Inspur Scientific Research Institute Co Ltd
Original Assignee
Jinan Inspur Hi Tech Investment and Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jinan Inspur Hi Tech Investment and Development Co Ltd filed Critical Jinan Inspur Hi Tech Investment and Development Co Ltd
Priority to CN202011539359.8A priority Critical patent/CN112561097B/zh
Publication of CN112561097A publication Critical patent/CN112561097A/zh
Application granted granted Critical
Publication of CN112561097B publication Critical patent/CN112561097B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/20—Information sensed or collected by the things relating to the thing itself
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/20—Analytics; Diagnosis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/40—Maintenance of things

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本申请公开了一种基于云雾边协同的轴承监测方法及系统，监测方法包括：获取预设周期内，若干组轴承监测终端中各组监测终端对相应轴承的故障检测数据集；将各组监测终端对相应轴承的故障检测数据发送云端，以使云端确定在各组监测终端中，对相应轴承的故障检测数据集的数量达到或小于预设更新阈值的每组监测终端，并确定每组监测终端中任意一个监测终端的故障检测普适性神经网络模型；根据监测终端对相应轴承的故障检测数据，对监测终端的故障检测普适性神经网络模型进行训练，得到监测终端的更新的故障检测神经网络模型。本申请通过将云端、雾端、轴承的监测终端紧密融合且协同工作，提升了监测终端对相应轴承的故障检测的实时性。

Description

一种基于云雾边协同的轴承监测方法及系统
技术领域
本申请涉及机电设备在线监测技术领域，尤其涉及一种基于云雾边协同的轴承监测方法及系统。
背景技术
机电设备的工作情况,能够直接影响生产的效率,而轴承是机电设备中必不可少的部件，轴承这类易损件在运行过程中发生故障的概率非常大。因此若不能及时对轴承进行故障处理，往往会引发更严重的设备损伤，导致高额的维护成本和严重的经济损失，甚至出现安全问题。
目前轴承监测终端主要进行数据采集、对数据进行故障检测分析、故障检测数据传输，由云端进行训练对应的故障检测模型，下发至轴承监测终端。但随着轴承监测终端数量不断增多，实时产生海量数据，网络带宽与计算吞吐量均成为云端训练模型的瓶颈，造成监测终端实时分析延迟，故障无法及时通知到用户，给机电设备的安全带来巨大隐患。
发明内容
本申请实施例提供一种基于云雾边协同的轴承监测方法及系统，用于解决现有技术中的如下技术问题：现有的云端进行训练轴承故障检测模型时的压力大，导致轴承故障的实时告警延迟。
一方面，本申请实施例提供了一种基于云雾边协同的轴承监测方法，监测方法包括：获取预设周期内，若干组轴承监测终端中各组监测终端对相应轴承的故障检测数据集；其中，各组监测终端的相应轴承的型号相同；将各组监测终端对相应轴承的故障检测数据集发送云端，以使云端确定在各组监测终端中，对相应轴承的故障检测数据集的数量达到或小于预设更新阈值的每组监测终端，并确定每组监测终端中任意一个监测终端的故障检测普适性神经网络模型；其中，故障检测普适性神经网络模型与监测终端的相应轴承，所对应的相同类别轴承和/或相似类别轴承有关；接收云端下发的监测终端的故障检测普适性神经网络模型；根据监测终端对相应轴承的故障检测数据，对监测终端的故障检测普适性神经网络模型进行训练，得到监测终端的更新的故障检测神经网络模型。
可选地，根据监测终端对相应轴承的故障检测数据，对监测终端的故障检测普适性神经网络模型进行训练，得到监测终端的更新的故障检测神经网络模型，具体包括：根据监测终端对相应轴承的故障检测数据，通过迁移学习算法对监测终端的故障检测普适性神经网络模型进行训练，得到监测终端的故障检测神经网络模型。
可选地，根据监测终端对相应轴承的故障检测数据，通过迁移学习算法对监测终端的故障检测普适性神经网络模型进行训练，得到监测终端的更新的故障检测神经网络模型，具体包括：根据监测终端对相应轴承的故障检测数据，对监测终端的故障检测普适性神经网络模型进行微调，得到监测终端的更新的故障检测神经网络模型；其中，对监测终端的故障检测普适性神经网络模型进行微调包括：在监测终端的故障检测普适性神经网络模型中添加不同卷积层、激活函数、池化层；对监测终端的故障检测普适性神经网络模型的最后的若干全连接层进行初始化；对监测终端的故障检测普适性神经网络模型的前面层进行微调。
可选地，故障检测普适性神经网络模型为云端对监测终端的相应轴承，所对应的相同类别轴承的故障检测数据集进行训练得到；和/或云端对监测终端的相应轴承，所对应的相似类别轴承的故障检测数据集进行训练得到。
可选地，以使所述云端确定在各组监测终端中，对相应轴承的故障检测数据集的数量大于预设更新阈值的每组监测终端，并确定每组监测终端中任意一个监测终端的更新的故障检测神经网络模型。
可选地，监测终端包括振动传感器、控制器；振动传感器，用于采集相应轴承运行过程中的振动信号，并将振动信号发送控制器；控制器，用于接收更新的故障检测神经网络模型，并将振动信号输入更新的故障检测神经网络模型，得到相应轴承的故障检测数据，并发送监控平台。
可选地，控制器还用于对相应轴承添加对应的型号和健康状态标签。
可选地，在监测终端向云端未获取到对应的更新的故障检测神经网络模型时，接收云端下发的监测终端对应的故障检测普适性神经网络模型。
可选地，获取预设周期内，若干组轴承监测终端中各组监测终端对相应轴承的故障检测数据集，具体包括：获取预设周期内，若干轴承监测终端中各监测终端对相应轴承的故障检测数据；根据各监测终端的相应轴承的型号，对各监测终端进行分类，得到若干组轴承监测终端；确定若干组轴承监测终端中各组监测终端对相应轴承的故障检测数据集。
另一方面，本申请实施例提供了一种基于云雾边协同的轴承监测系统，监测系统包括：监控平台，用于获取预设周期内，若干组轴承监测终端中各组监测终端对相应轴承的故障检测数据集；其中，各组监测终端的相应轴承的型号相同；将各组监测终端对相应轴承的故障检测数据集发送云端；接收云端下发的每组监测终端中任意一个监测终端的故障检测普适性神经网络模型；根据监测终端对相应轴承的故障检测数据，对监测终端的故障检测普适性神经网络模型进行训练，得到监测终端的更新的故障检测神经网络模型；云端，用于确定在各组监测终端中，对相应轴承的故障检测数据集的数量达到或小于预设更新阈值的每组监测终端，并确定每组监测终端中任意一个监测终端的故障检测普适性神经网络模型；其中，故障检测普适性神经网络模型与监测终端的相应轴承，所对应的相同类别轴承和/或相似类别轴承有关；若干监测终端，用于获取相应轴承的故障检测数据以及接收监控平台下发的更新的故障检测神经网络模型。
本领域技术人员能够理解的是，本申请实施例提供的一种基于云雾边协同的轴承监测方法及系统，将云端、雾端、轴承的监测终端紧密融合且协同工作，通过云端将相应轴承的故障检测数据集的数量达到或小于预设更新阈值的每组监测终端下发监控平台，监控平台接收每组监测终端中任意一个监测终端的故障检测普适性神经网络模型，并根据监测终端对相应轴承的故障检测数据，对监测终端的故障检测普适性神经网络模型进行训练，得到监测终端的更新的故障检测神经网络模型，从而实现了在拥有少量的监测终端对相应轴承的故障检测数据的情况下，使用监测终端对相应轴承的少量故障检测数据进行个性化训练，快速迭代出针对于该监测终端对相应轴承监测场景的更新的故障检测神经网络模型，既缩短了更新的故障检测神经网络模型的训练时间，提升了监测终端对相应轴承的故障检测的实时性，又提升了监测终端的更新的故障检测神经网络模型对相应轴承监测场景下的识别精度。
进一步，通过迁移学习算法对监测终端的故障检测普适性神经网络模型进行训练，进一步缩短了更新的故障检测神经网络模型的训练时间。
进一步，通过在云端对监测终端的相应轴承，所对应的相同类别轴承的故障检测数据集和/或所对应的相似类别轴承的故障检测数据集进行训练得到监测终端的故障检测普适性神经网络模型，使更新的故障检测神经网络模型更加贴合监测终端对相应轴承的监测场景，进一步提升了监测终端的故障检测神经网络模型对相应轴承监测场景下的识别精度。
进一步，通过控制器对相应轴承添加对应的型号和健康状态标签，实现了可以根据各监测终端的相应轴承的型号，对各监测终端进行分类，并且实现了可以根据监测终端对相应轴承的健康状态标签，对故障故障检测普适性神经网络模型进行训练。
更进一步，通过在监测终端向云端未获取到对应的故障检测神经网络模型时，接收云端下发的监测终端对应的故障检测普适性神经网络模型，实现了在监测终端需要马上更新故障检测神经网络模型时，可以通过接收云端下发的监测终端对应的故障检测普适性神经网络模型，并对该模型进行训练，快速迭代出针对于该监测终端对相应轴承监测场景的更新的故障检测神经网络模型。
附图说明
为了更清楚地说明本申请的技术方案，下面将结合附图来对本申请的部分实施例进行详细说明，附图中：
图1是本申请实施例提供的一种基于云雾边协同的轴承监测系统示意图；
图2是本申请实施例提供的一种基于云雾边协同的轴承监测方法流程图；
图3是本申请实施例提供的另一种基于云雾边协同的轴承监测方法流程图；
图4是本申请实施例提供的另一种基于云雾边协同的轴承监测系统示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本申请的技术方案进行清楚、完整地描述。本领域技术人员应当理解的是，本节具体实施方式中所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例。基于本节具体实施方式中所描述的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都不会偏离本申请的技术原理，因此都应当落入到本申请的保护范围内。
下面参照附图来对本申请的一些实施例进行详细说明。
图1为本申请实施例提供的一种基于云雾边协同的轴承监测系统示意图。
如图1所示，轴承监测系统至少包括：云端100、监控平台200、若干轴承监测终端，包括监测终端310、监测终端320、监测终端330、监测终端340等。
进一步，云端100包括模型训练服务器110、标准样本数据库120。若干轴承监测终端中各监测终端分别包括振动传感器、控制器，也就是说，监测终端310包括振动传感器311、控制器312，监测终端320包括振动传感器321、控制器322，监测终端330包括振动传感器331、控制器332，监测终端340包括振动传感器341、控制器342。
其中，若干轴承监测终端为边缘设备，监控平台200为雾端设备，云端设备至少包括模型训练服务器110、标准样本数据库120。
需要说明的是，在本申请实施例的轴承监测系统设置有若干轴承监测终端，若干轴承监测终端中各监测终端与监控平台200分别进行连接，监测终端的数量可以是一个，也可以设置有多个，如图1所示，分别设置有监测终端310、监测终端320、监测终端330以及监测终端340。
其中，若干监测终端的相应轴承之间的型号相同或不同，在本申请实施例中，监测终端310的相应轴承与监测终端320的相应轴承之间的型号相同，监测终端330的相应轴承与监测终端340的相应轴承之间的型号相同。
在本申请的一个实施例中，各监测终端获取相应轴承运行过程中的故障检测数据，并发送监控平台200。
监控平台200获取预设周期内，若干轴承监测终端上传的各监测终端对相应轴承的故障检测数据，并进行存储。
进一步，将相同型号的轴承进行汇总，进而对各监测终端进行分类，得到若干组轴承监测终端，从而得到若干组轴承监测终端中各组监测终端对相应轴承的故障检测数据集。然后将各组监测终端对相应轴承的故障检测数据集发送云端100。也就是说，本申请实施例中，监测终端310与监测终端320为一组监测终端，监测终端330与监测终端340为另一组监测终端。
云端100接收各组监测终端对相应轴承的故障检测数据集。
进一步，判断各组监测终端对相应轴承的故障检测数据集的数量，确定在所述各组监测终端中，对相应轴承的故障检测数据集的数量达到或小于预设更新阈值的每组监测终端，通过每组监测终端的相应轴承的型号，查询与每组监测终端的相应轴承的型号，所对应的相同类别轴承和/或相似类别轴承的故障检测神经网络模型，从而得到每组监测终端中任意一个监测终端的故障检测普适性神经网络模型。其中，故障检测普适性神经网络模型与监测终端的相应轴承，所对应的相同类别轴承和/或相似类别轴承有关。
也就是说，每组监测终端中任意一个监测终端的故障检测普适性神经网络模型与各组监测终端的相应轴承的型号，所对应的相同类别轴承和/或相似类别轴承的故障检测神经网络模型相同。
需要说明的是，各组监测终端对相应轴承的故障检测数据集的数量，可以同时达到或小于预设更新阈值，也可以同时大于预设更新阈值，也可以某部分组达到或小于预设更新阈值，另一部分组大于预设更新阈值。
其中，在本申请实施例中，监测终端310与监测终端320的一组监测终端对相应轴承的故障检测数据集的数量小于预设更新阈值，监测终端330与监测终端340的一组监测终端对相应轴承的故障检测数据集的数量大于预设更新阈值。
需要说明的是，本申请实施例中，各监测终端的功能、结构以及连接关系均相同，为方便描述，以下以监测终端310为例进行解释说明。监测终端320不再进行详细描述。
云端100将监测终端310的故障检测普适性神经网络模型下发至监控平台200。
监控平台200通过在预设周期内，存储的监测终端310对相应轴承的故障检测数据，对监测终端的故障检测普适性神经网络模型进行训练，得到监测终端的更新的故障检测神经网络模型，然后将更新的故障检测神经网络模型发送控制器312。
控制器312用于接收更新的故障检测神经网络模型，并将振动传感器311上传的振动信号输入更新的故障检测神经网络模型，得到相应轴承的故障检测数据，并再次发送监控平台200。
基于上面的说明，本领域技术人员可以理解的是，本申请实施例提供的一种基于云雾边协同的轴承监测方法及系统，将云端、雾端、轴承的监测终端紧密融合且协同工作，通过云端将相应轴承的故障检测数据集的数量达到或小于预设更新阈值的每组监测终端下发监控平台，监控平台接收每组监测终端中任意一个监测终端的故障检测普适性神经网络模型，并根据监测终端对相应轴承的故障检测数据，对监测终端的故障检测普适性神经网络模型进行训练，得到监测终端的更新的故障检测神经网络模型，从而实现了在拥有少量的监测终端对相应轴承的故障检测数据的情况下，使用监测终端对相应轴承的少量故障检测数据进行个性化训练，快速迭代出针对于该监测终端对相应轴承监测场景的更新的故障检测神经网络模型，既缩短了更新的故障检测神经网络模型的训练时间，提升了监测终端对相应轴承的故障检测的实时性，又提升了监测终端的更新的故障检测神经网络模型对相应轴承监测场景下的识别精度。
本申请实施例中的监控平台200通过收集各监测终端对相应轴承的故障检测数据，并通过对相应的监测终端的故障检测普适性神经网络模型进行定制化训练，以下将通过图2具体解释说明。
图2为本申请实施例提供的一种基于云雾边协同的轴承监测方法流程图。
S201、若干轴承监测终端中各监测终端获取相应轴承的故障检测数据。
具体地，各振动传感器采集相应轴承的振动信号，并发送对应的控制器，各控制器通过相应的初始神经网络模型对传输的振动信号进行故障检测，得到各监测终端对相应轴承的故障检测数据。
进一步，各控制器对相应轴承添加对应的型号和健康状态标签，然后各控制器将携带轴承型号与健康状态标签的故障检测数据发送监控平台200。
其中，对于监测终端310来说，振动传感器311采集相应轴承运行过程中的振动信号，并将振动信号发送相应的控制器312，控制器311通过相应的初始神经网络模型对传输的振动信号进行故障检测，得到监测终端310对相应轴承的故障检测数据。
进一步，控制器312对相应轴承添加对应的型号和健康状态标签，然后控制器312将携带轴承型号与健康状态标签的故障检测数据发送监控平台200。
此外，对于监测终端320来说，振动传感器321采集相应轴承运行过程中的振动信号，并将振动信号发送相应的控制器322，控制器321通过相应的初始神经网络模型对传输的振动信号进行故障检测，得到监测终端320对相应轴承的故障检测数据。
进一步，控制器322对相应轴承添加对应的型号和健康状态标签，然后控制器322将携带轴承型号与健康状态标签的故障检测数据发送监控平台200。
需要说明的是，对于监测终端330、监测终端340分别获取相应轴承的故障检测数据，本申请实施例不再进行详细描述，请参照监测终端310、监测终端320分别获取相应轴承的故障检测数据的工作过程。
本领域技术人员可以理解的是，本申请实施例通过控制器对相应轴承添加对应的型号和健康状态标签，实现了可以根据各监测终端的相应轴承的型号，对各监测终端进行分类，并且实现了可以根据监测终端对相应轴承的健康状态标签，对故障故障检测普适性神经网络模型进行训练
S202、监控平台获取若干组轴承监测终端中各组监测终端对相应轴承的故障检测数据集。
具体地，监控平台200获取预设周期内，若干轴承监测终端上传的各监测终端对相应轴承的故障检测数据，并进行存储。
进一步，将相同型号的轴承进行汇总，进而对各监测终端进行分类，得到若干组轴承监测终端，从而得到若干组轴承监测终端中各组监测终端对相应轴承的故障检测数据集。然后将各组监测终端对相应轴承的故障检测数据集发送云端100。
其中，监控平台200获取预设周期内，控制器312上传的监测终端310对相应轴承的故障检测数据，并进行存储。
此外，监控平台200获取预设周期内，控制器322上传的监测终端320对相应轴承的故障检测数据，并进行存储。
需要说明的是，对于监控平台200分别获取监测终端330、监测终端340相应轴承的故障检测数据，本申请实施例不再进行详细描述，请参照监控平台200分别获取监测终端310、监测终端320相应轴承的故障检测数据的工作过程。
进一步，由于监测终端310的相应轴承与监测终端320的相应轴承之间的型号相同，因此监测终端310与监测终端320为一组监测终端。由于监测终端330的相应轴承与监测终端340的相应轴承之间的型号相同，因此监测终端330与监测终端340为另一组监测终端。
S203、云端判断各组监测终端对相应轴承的故障检测数据集是否大于预设更新阈值。
具体地，模型训练服务器110判断各组监测终端对相应轴承的故障检测数据集大于预设更新阈值，执行S204。进一步，模型训练服务器110判断各组监测终端对相应轴承的故障检测数据集达到或小于预设更新阈值，执行S205。
其中，监测终端330与监测终端340的一组监测终端对相应轴承的故障检测数据集的数量大于预设更新阈值，监测终端310与监测终端320的一组监测终端对相应轴承的故障检测数据集的数量小于预设更新阈值。
S204、云端确定每组监测终端的更新的故障检测神经网络模型。
具体地，模型训练服务器110对每组监测终端对相应轴承的故障检测数据集进行训练，得到每组监测终端相对应的更新的故障检测神经网络模型。
其中，模型训练服务器110对监测终端330与监测终端340的一组监测终端对相应轴承的故障检测数据集进行训练，得到监测终端330与监测终端340对应的更新的故障检测神经网络模型。
S205、云端将每组监测终端的更新的故障检测神经网络模型，下发至对应的监测终端。
具体地，模型训练服务器110将监测终端330与监测终端340对应的更新的故障检测神经网络模型分别下发至控制器332与控制器342。
S206、云端确定每组监测终端的故障检测普适性神经网络模型。
具体地，模型训练服务器110通过每组监测终端的相应轴承的型号，查询与每组监测终端的相应轴承的型号，所对应的相同类别轴承和/或相似类别轴承的故障检测神经网络模型，从而得到每组监测终端中任意一个监测终端的故障检测普适性神经网络模型。
其中，模型训练服务器110对标准样本数据库120中的相同类别轴承和/或相似类别的轴承数据集进行训练，得到每组监测终端分别对应的故障检测普适性神经网络模型。
在本申请实施例中，模型训练服务器110通过监测终端310与监测终端320的相应轴承的型号，查询与监测终端310与监测终端320的相应轴承的型号，所对应的相同类别轴承和/或相似类别轴承的故障检测神经网络模型，从而得到监测终端310与监测终端320的故障检测普适性神经网络模型。
本领域技术人员可以理解的是，本申请实施例通过在云端对监测终端的相应轴承，所对应的相同类别轴承的故障检测数据集和/或所对应的相似类别轴承的故障检测数据集进行训练得到监测终端的故障检测普适性神经网络模型，使更新的故障检测神经网络模型更加贴合监测终端对相应轴承的监测场景，进一步提升了监测终端的故障检测神经网络模型对相应轴承监测场景下的识别精度。
S207、云端将监测终端的故障检测普适性神经网络模型下发监控平台。
具体地，模型训练服务器110将每组监测终端中任意一个监测终端的故障检测普适性神经网络模型下发监控平台200。
其中，模型训练服务器110将监测终端310的故障检测普适性神经网络模型下发监控平台200。
需要说明的是，监测终端310与监测终端320的故障检测普适性神经网络模型是相同的，因此，模型训练服务器110只需选择任意一个监测终端下发至监控平台200。
S208、监控平台对监测终端对应的故障检测普适性神经网络模型进行训练，得到监测终端的更新的神经网络模型。
具体地，监控平台200接收模型训练服务器110下发的监测终端310的故障检测普适性神经网络模型，根据监测终端310对相应轴承的故障检测数据，对监测终端310的故障检测普适性神经网络模型进行训练，得到监测终端310的更新的故障检测神经网络模型。
进一步，监控平台200根据监测终端310对相应轴承的故障检测数据，通过迁移学习算法对监测终端310的故障检测普适性神经网络模型进行训练，得到监测终端310的故障检测神经网络模型。
更进一步，监控平台200根据监测终端310对相应轴承的故障检测数据，对监测终端310的故障检测普适性神经网络模型进行微调，得到监测终端310的故障检测神经网络模型；
其中，监控平台200基于一维卷积神经网络进行模型训练，使用迁移学习微调策略，在监测终端310的故障检测普适性神经网络模型中添加不同卷积层、激活函数、池化层；对监测终端310的故障检测普适性神经网络模型的最后的若干全连接层进行初始化；对监测终端310的故障检测普适性神经网络模型的前面层进行微调，使用监测终端310对相应轴承少量的故障检测数据进行个性化模型训练。
本领域技术人员可以理解的是，本申请实施例通过迁移学习算法对监测终端的故障检测普适性神经网络模型进行训练，进一步缩短了更新的故障检测神经网络模型的训练时间。
S209、监控平台将监测终端的更新的神经网络模型下发对应的监测终端。
具体地，监控平台同时将监测终端的更新的神经网络模型下发至组内的每个监测终端。
也就是说，监控平台200将监测终端310的更新的神经网络模型下发至监测终端310中的控制器312，同时，监控平台200将监测终端310的更新的神经网络模型下发至监测终端320中的控制器322。
基于上面的说明，图3为应用于一种场景，本申请实施例提供的另一种基于云雾边协同的轴承监测方法流程图。
S301、在监测终端向云端未获取到对应的更新的故障检测神经网络模型时，接收云端下发的监测终端对应的故障检测普适性神经网络模型。
具体地，在监测终端310向GPU集群110未获取到对应的更新的故障检测神经网络模型时，监控平台200接收模型训练服务器110下发的监测终端310对应的故障检测普适性神经网络模型。
本领域人员可以理解的是，在机电设备的工作过程中，由于突发情况，监测终端310需要马上更新故障检测神经网络模型，那么监测终端310不再等待监控平台200或云端100下发更新的故障检测神经网络模型，而是立即向云端100获取更新的故障检测神经网络模型，但是由于云端100定期对各组监测终端对相应轴承的故障检测数据集进行训练，因此，通过监测终端310向云端100获取更新的故障检测神经网络模型，预先激活监测终端310的更新的故障检测神经网络模型的任务，使监控平台200快速迭代出针对于该监测终端对相应轴承监测场景的更新的故障检测神经网络模型。
S302、根据监测终端对相应轴承的故障检测数据，对故障检测普适性神经网络模型进行训练，得到监测终端的更新的神经网络模型。
具体地，在预设周期内，监控平台200根据监测终端310对相应轴承的故障检测数据，对故障检测普适性神经网络模型进行训练，得到监测终端310的更新的神经网络模型。
例如，预设周期为7天，监测终端310向模型训练服务器110获取对应的更新的故障检测神经网络模型时，在本周期中的第4天，因此监控平台200采用4天中的监测终端310对相应轴承的故障检测数据。
需要说明的是，监控平台200对故障检测普适性神经网络模型进行训练的过程，请参照图2的解释说明，在此不再进行详细描述。
图4为本申请实施例提供的另一种基于云雾边协同的轴承监测系统示意图。
如图4所示，监测系统至少包括：云端100、监控平台200、若干轴承监测终端，包括监测终端310、监测终端320、监测终端330、监测终端340等。
其中，若干轴承监测终端为边缘设备，监控平台200为雾端设备，云端设备至少包括模型训练服务器110、标准样本数据库120。
需要说明的是，在本申请实施例的轴承监测系统设置有若干轴承监测终端，若干轴承监测终端中各监测终端与监控平台200分别进行连接，监测终端的数量可以是一个，也可以设置有多个，如图1所示，分别设置有监测终端310、监测终端320、监测终端330以及监测终端340。
其中，若干监测终端的相应轴承之间的型号相同或不同，在本申请实施例中，监测终端310的相应轴承与监测终端320的相应轴承之间的型号相同，监测终端330的相应轴承与监测终端340的相应轴承之间的型号相同。
监控平台200，用于获取预设周期内，若干组轴承监测终端中各组监测终端对相应轴承的故障检测数据集；其中，各组监测终端的相应轴承的型号相同；将各组监测终端对相应轴承的故障检测数据集发送云端100；接收云端100下发的每组监测终端中任意一个监测终端的故障检测普适性神经网络模型；根据监测终端对相应轴承的故障检测数据，对监测终端的故障检测普适性神经网络模型进行训练，得到监测终端的更新的故障检测神经网络模型。
云端100，用于确定在各组监测终端中，对相应轴承的故障检测数据集的数量达到或小于预设更新阈值的每组监测终端，并确定每组监测终端中任意一个监测终端的故障检测普适性神经网络模型；其中，故障检测普适性神经网络模型与监测终端的相应轴承，所对应的相同类别轴承和/或相似类别轴承有关；
若干监测终端，用于获取相对应轴承的故障检测数据以及接收监控平台下发的更新的故障检测神经网络模型。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请技术原理之内所作的任何修改、等同替换、改进等，均应落入本申请的保护范围之内。

Claims (10)

1.一种基于云雾边协同的轴承监测方法，其特征在于，所述监测方法包括：
获取预设周期内，若干组轴承监测终端中各组监测终端对相应轴承的故障检测数据集；其中，所述各组监测终端的相应轴承的型号相同；
将所述各组监测终端对相应轴承的故障检测数据集发送云端，以使云端确定在所述各组监测终端中，对相应轴承的故障检测数据集的数量达到或小于预设更新阈值的每组监测终端，并确定所述每组监测终端中任意一个监测终端的故障检测普适性神经网络模型；
其中，所述故障检测普适性神经网络模型与所述监测终端的相应轴承，所对应的相同类别轴承和/或相似类别轴承有关；
接收所述云端下发的所述监测终端的故障检测普适性神经网络模型；
根据所述监测终端对相应轴承的故障检测数据，对所述监测终端的故障检测普适性神经网络模型进行训练，得到所述监测终端的更新的故障检测神经网络模型。
2.根据权利要求1所述的监测方法，其特征在于，所述根据所述监测终端对相应轴承的故障检测数据，对所述监测终端的故障检测普适性神经网络模型进行训练，得到所述监测终端的更新的故障检测神经网络模型，具体包括：
根据所述监测终端对相应轴承的故障检测数据，通过迁移学习算法对所述监测终端的故障检测普适性神经网络模型进行训练，得到所述监测终端的更新的故障检测神经网络模型。
3.根据权利要求2所述的监测方法，其特征在于，所述根据所述监测终端对相应轴承的故障检测数据，通过迁移学习算法对所述监测终端的故障检测普适性神经网络模型进行训练，得到所述监测终端的更新的故障检测神经网络模型，具体包括：
根据所述监测终端对相应轴承的故障检测数据，对所述监测终端的故障检测普适性神经网络模型进行微调，得到所述监测终端的更新的故障检测神经网络模型；
其中，所述对所述监测终端的故障检测普适性神经网络模型进行微调包括：
在所述监测终端的故障检测普适性神经网络模型中添加不同卷积层、激活函数、池化层；
对所述监测终端的故障检测普适性神经网络模型的最后的若干全连接层进行初始化；
对所述监测终端的故障检测普适性神经网络模型的前面层进行微调。
4.根据权利要求1所述的监测方法，其特征在于，所述故障检测普适性神经网络模型为所述云端对所述监测终端的相应轴承，所对应的相同类别轴承的故障检测数据集进行训练得到；和/或
所述云端对所述监测终端的相应轴承，所对应的相似类别轴承的故障检测数据集进行训练得到。
5.根据权利要求1所述的监测方法，其特征在于，所述方法还包括：
以使所述云端确定在所述各组监测终端中，对相应轴承的故障检测数据集的数量大于预设更新阈值的每组监测终端，并且确定所述每组监测终端中任意一个监测终端的更新的故障检测神经网络模型。
6.根据权利要求1所述的监测方法，其特征在于，所述监测终端包括振动传感器、控制器；
所述振动传感器，用于采集相应轴承运行过程中的振动信号，并将所述振动信号发送所述控制器；
所述控制器，用于接收所述更新的故障检测神经网络模型，并将所述振动信号输入所述更新的故障检测神经网络模型，得到所述相应轴承的故障检测数据，并发送监控平台。
7.根据权利要求6所述的监测方法，其特征在于，所述控制器还用于对所述相应轴承添加对应的型号和健康状态标签。
8.根据权利要求1所述的监测方法，其特征在于，所述方法还包括：
在所述监测终端向所述云端未获取到对应的所述更新的故障检测神经网络模型时，接收所述云端下发的所述监测终端对应的故障检测普适性神经网络模型。
9.根据权利要求1所述的监测方法，其特征在于，所述获取预设周期内，若干组轴承监测终端中各组监测终端对相应轴承的故障检测数据集，具体包括：
获取所述预设周期内，若干轴承监测终端中各监测终端对相应轴承的故障检测数据；
根据所述各监测终端的相应轴承的型号，对所述各监测终端进行分类，得到所述若干组轴承监测终端；
确定所述若干组轴承监测终端中各组监测终端对相应轴承的故障检测数据集。
10.一种基于云雾边协同的轴承监测系统，其特征在于，所述监测系统包括：
监控平台，用于获取预设周期内，若干组轴承监测终端中各组监测终端对相应轴承的故障检测数据集；其中，所述各组监测终端的相应轴承的型号相同；将所述各组监测终端对相应轴承的故障检测数据集发送云端；接收所述云端下发的每组监测终端中任意一个监测终端的故障检测普适性神经网络模型；根据所述监测终端对相应轴承的故障检测数据，对所述监测终端的故障检测普适性神经网络模型进行训练，得到所述监测终端的更新的故障检测神经网络模型；
云端，用于确定在所述各组监测终端中，对相应轴承的故障检测数据集的数量达到或小于预设更新阈值的所述每组监测终端，并确定所述每组监测终端中任意一个监测终端的故障检测普适性神经网络模型；其中，所述故障检测普适性神经网络模型与所述监测终端的相应轴承，所对应的相同类别轴承和/或相似类别轴承有关；
若干监测终端，用于获取相应轴承的故障检测数据以及接收所述监控平台下发的更新的故障检测神经网络模型。
CN202011539359.8A 2020-12-23 2020-12-23 一种基于云雾边协同的轴承监测方法及系统 Active CN112561097B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011539359.8A CN112561097B (zh) 2020-12-23 2020-12-23 一种基于云雾边协同的轴承监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011539359.8A CN112561097B (zh) 2020-12-23 2020-12-23 一种基于云雾边协同的轴承监测方法及系统

Publications (2)

Publication Number Publication Date
CN112561097A true CN112561097A (zh) 2021-03-26
CN112561097B CN112561097B (zh) 2023-04-21

Family

ID=75031575

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011539359.8A Active CN112561097B (zh) 2020-12-23 2020-12-23 一种基于云雾边协同的轴承监测方法及系统

Country Status (1)

Country Link
CN (1) CN112561097B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113465920A (zh) * 2021-06-08 2021-10-01 西安交通大学 云、雾、边缘端协同的轴承状态监测与管理方法及系统
CN114112399A (zh) * 2021-11-26 2022-03-01 江南大学 一种风电机组轴承的联合故障诊断系统及故障诊断方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170060574A1 (en) * 2015-08-27 2017-03-02 FogHorn Systems, Inc. Edge Intelligence Platform, and Internet of Things Sensor Streams System
CN109782603A (zh) * 2019-02-03 2019-05-21 中国石油大学(华东) 旋转机械耦合故障的检测方法及监测系统
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
EP3579174A1 (en) * 2018-06-08 2019-12-11 Hexagon Technology Center GmbH Mobile vehicles in manufacturing
CN110705684A (zh) * 2019-08-22 2020-01-17 中国科学院计算技术研究所 基于端云协同的环境自适应学习方法及系统
CN111091175A (zh) * 2018-10-23 2020-05-01 北京嘀嘀无限科技发展有限公司 神经网络模型训练方法、分类方法、装置和电子设备
CN111476139A (zh) * 2020-04-01 2020-07-31 同济大学 基于联邦迁移学习的驾驶员行为云边协同学习系统
CN111783968A (zh) * 2020-06-30 2020-10-16 山东信通电子股份有限公司 一种基于云边协同的输电线路监测方法及系统
CN112101532A (zh) * 2020-11-18 2020-12-18 天津开发区精诺瀚海数据科技有限公司 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

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170060574A1 (en) * 2015-08-27 2017-03-02 FogHorn Systems, Inc. Edge Intelligence Platform, and Internet of Things Sensor Streams System
EP3579174A1 (en) * 2018-06-08 2019-12-11 Hexagon Technology Center GmbH Mobile vehicles in manufacturing
CN111091175A (zh) * 2018-10-23 2020-05-01 北京嘀嘀无限科技发展有限公司 神经网络模型训练方法、分类方法、装置和电子设备
CN109782603A (zh) * 2019-02-03 2019-05-21 中国石油大学(华东) 旋转机械耦合故障的检测方法及监测系统
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
CN110705684A (zh) * 2019-08-22 2020-01-17 中国科学院计算技术研究所 基于端云协同的环境自适应学习方法及系统
CN111476139A (zh) * 2020-04-01 2020-07-31 同济大学 基于联邦迁移学习的驾驶员行为云边协同学习系统
CN111783968A (zh) * 2020-06-30 2020-10-16 山东信通电子股份有限公司 一种基于云边协同的输电线路监测方法及系统
CN112101532A (zh) * 2020-11-18 2020-12-18 天津开发区精诺瀚海数据科技有限公司 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张文龙等: "云/边缘协同的轴承故障诊断方法", 《计算机集成制造系统》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113465920A (zh) * 2021-06-08 2021-10-01 西安交通大学 云、雾、边缘端协同的轴承状态监测与管理方法及系统
CN113465920B (zh) * 2021-06-08 2022-04-22 西安交通大学 云、雾、边缘端协同的轴承状态监测与管理方法及系统
CN114112399A (zh) * 2021-11-26 2022-03-01 江南大学 一种风电机组轴承的联合故障诊断系统及故障诊断方法
CN114112399B (zh) * 2021-11-26 2022-12-02 江南大学 一种风电机组轴承的联合故障诊断系统及故障诊断方法

Also Published As

Publication number Publication date
CN112561097B (zh) 2023-04-21

Similar Documents

Publication Publication Date Title
CN113138865A (zh) 环境监测方法、系统、平台以及存储介质
CN113872328B (zh) 基于神经网络的变电站远程智能巡检方法及系统
JP2018084854A (ja) センサデータ処理方法
CN107864063B (zh) 一种异常监控方法、装置及电子设备
CN106452819B (zh) 数据采集系统及数据采集方法
CN112561097A (zh) 一种基于云雾边协同的轴承监测方法及系统
CN111080775A (zh) 一种基于人工智能的服务器巡检方法及系统
CN112433122A (zh) 充电桩可用状态检测方法、装置、设备及存储介质
CN114095522A (zh) 车辆监控方法、服务系统、管理终端、车辆及存储介质
CN108154230A (zh) 深度学习处理器的监控方法和监控装置
CN105045114A (zh) 一种信息处理方法、云服务平台及信息处理系统
CN115174355A (zh) 故障根因定位模型的生成方法，故障根因定位方法和装置
CN112991735B (zh) 交通流量监测系统的测试方法、装置及设备
US20150089050A1 (en) Mobile network system
CN111708672B (zh) 数据传输方法、装置、设备及存储介质
CN113312321A (zh) 一种业务量的异常监测方法及相关设备
CN108248641A (zh) 一种城市轨道交通数据处理方法及装置
EP4186050A1 (en) Critical scenario identification for verification and validation of vehicles
CN116991677A (zh) 时序异常检测方法、装置、终端设备以及存储介质
KR102046326B1 (ko) 데이터 처리 장치
CN110995650A (zh) 一种基于工控基线的多终端核查预警系统
CN114822035A (zh) 一种路侧感知设备异常识别方法及路侧感知融合系统
CN114374744A (zh) 数据回传方法、装置、车载终端及云端服务器
CN109118731B (zh) 输电线路覆冰雪监测预警方法及系统
CN113472640A (zh) 一种智能网关信息处理方法及系统

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230404

Address after: 250101 building S02, 1036 Chaochao Road, high tech Zone, Jinan City, Shandong Province

Applicant after: Shandong Inspur Scientific Research Institute Co.,Ltd.

Address before: Floor 6, Chaochao Road, Shandong Province

Applicant before: JINAN INSPUR HIGH-TECH TECHNOLOGY DEVELOPMENT Co.,Ltd.

GR01 Patent grant
GR01 Patent grant