CN112565409B - 一种基于云边协同的工业设备监测的方法和系统 - Google Patents
一种基于云边协同的工业设备监测的方法和系统 Download PDFInfo
- Publication number
- CN112565409B CN112565409B CN202011405412.5A CN202011405412A CN112565409B CN 112565409 B CN112565409 B CN 112565409B CN 202011405412 A CN202011405412 A CN 202011405412A CN 112565409 B CN112565409 B CN 112565409B
- Authority
- CN
- China
- Prior art keywords
- model
- fault detection
- monitoring data
- industrial equipment
- edge
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000001514 detection method Methods 0.000 claims abstract description 97
- 230000036541 health Effects 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 16
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 238000005728 strengthening Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000004044 response Effects 0.000 abstract description 4
- 230000004927 fusion Effects 0.000 abstract 1
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 230000003014 reinforcing effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于云边协同的工业设备监测的方法和系统，所述方法包括：采集工业设备的监测数据，并将监测数据发送给边缘平台；边缘平台利用监测数据对故障检测模型进行训练；将故障检测模型发送给云平台；云平台基于模型融合技术对故障检测模型进行融合，获得共享模型；将共享模型下发边缘平台；边缘平台利用共享模型对监测数据进行检测，获得工业设备的健康状态。通过边缘平台对监测数据进行处理，避免将监测数据汇集到云平台，提高数据传输效率和安全性，减少网络压力；云平台基于联邦学习技术融合故障检测模型，获得共享模型后下发给边缘平台使用，提高故障检测模型泛化能力,通过边缘平台对设备状态进行检测，提高检测的响应速度。
Description
技术领域
本发明涉及工业互联网技术领域，具体涉及一种基于云边协同的工业设备监测的方法和系统。
背景技术
2015年我国政府工作报告明确提出“中国制造2025”战略规划与“互联网+”行动计划，以信息化和创新驱动实现从制造大国向制造强国迈进，智慧云制造则是其实施的重要模式和手段。从供给侧来看，我国工业互联网平台建设过程中仍面临设备联网难、数据不好用、模型跟不上、基础平台匮乏等“卡脖子”瓶颈，亟需研发基于边云协同的工业大数据平台，突破工业数据采集、核心算法模型构建、工业大数据平台构建等关键技术。
边缘计算、5G、人工智能等技术的发展为工业大数据处理与平台研发提供了新的机遇，Gartner最新报告《Exploring the Edge:12 Frontiers of Edge Computing》显示，到2023年底，50％以上的大型企业将至少部署6个用于物联网或沉浸式体验的边缘计算应用。国内外研究院所提出了基于边缘协同的工业智能制造解决方案，通过将实时要求高的任务部署在边缘侧的生产车间，将计算量大、实时性不敏感的业务放在云端处理，实现计算模型在云、边的自由迁移，提供对工业大数据的实时处理能力，进而提升工厂的自动化水平和运转效率。
工业设备故障检测作为工业互联网重要应用之一，一直是学术届和工业界热点研究课题，目前工业界面临的工业设备状态没法跟踪预测，经常发生非计划停机，导致产能严重下降等问题；此外通过将工业数据上传至云中心进行故障检测等，存在着延迟高，数据不安全等问题。
发明内容
针对现有技术中存在的上述技术问题，本发明提供一种基于云边协同的工业设备监测的方法和系统，边缘平台负责实际的设备检测，云平台负责多个边缘平台控制管理，避免将监测数据汇集到云平台，提高数据传输效率和工业数据的安全性，减少网络带宽压力；云平台基于联邦学习技术融合不同边缘平台的故障检测模型，获得共享模型后下发给边缘平台使用，提高故障检测模型的泛化能力,通过边缘平台对设备状态进行检测，提高检测的响应速度，保证检测的实效性。
本发明公开了一种基于云边协同的工业设备监测的方法，所述方法包括：采集工业设备的监测数据，并将所述监测数据发送给边缘平台；在边缘平台上，利用本地的监测数据对故障检测模型进行训练，获得故障检测模型；将所述故障检测模型发送给云平台；通过云平台对所有边缘平台上传的故障检测模型进行融合，获得共享模型；将所述共享模型下发给所述边缘平台；利用所述边缘平台的共享模型对所述工业设备的监测数据进行检测，获得工业设备的健康状态。
优选的，采集工业设备的监测数据的方法包括：
通过在工业设备上安装异构感知设备，采集工业设备的监测数据，
其中，所述异构感知设备包括以下装置中的一种或它们的组合：压力传感器、温度传感器、湿度传感器、摄像头、电压传感器、电流传感器、电磁传感器、计数器和计米器等；
所述监测数据通过以下方式中的一种或它们的组合发送给所述边缘平台：以太网、4G、5G、Wi-Fi和GPRS等。
优选的，本发明的方法还包括对监测数据进行预处理的方法：
对监测数据进行数据格式标准化、数据去重、数据清洗和数据归并后，保存在所述边缘平台中。
优选的，所述边缘平台利用所述监测数据，对基于机器学习的故障检测模型进行训练，所述基于机器学习的故障检测模型包括以下一种：LSTM循环神经网络模型、BP神经网络模型和卷积神经网络模型。
优选的，对多个故障检测模型进行融合的方法包括：
建立测试数据集；
通过测试数据集分别对每个故障检测模型进行评价，获取所述故障检测模型的检测准确率；
根据所述检测准确率，计算每个故障检测模型的权重；
根据所述权重，基于加权平均算法对所述故障检测模型进行融合，获得共享模型。
优选的，所述共享模型的计算方法为：
其中，accj表示为第j个故障检测模型的准确率，weightj表示为第j个故障检测模型的权重，
定义为n个故障检测模型的准确率之和；
其中，smodeli表示共享模型的第i个参数，
表示第j个模型的第i个参数，n表示为故障检测模型的总个数；
则共享模型表示为：
smodel＝{smodel1，smodel2，…，smodelm}
其中，smodel表示为共享模型，m表示为参数个数。
优选的，通过所述边缘平台根据所述共享模型，部署模型服务，并通过Http或gRPC的方式提供模型服务；
热更新所述边缘平台的共享模型和模型服务。
优选的，本发明的方法还包括故障告警的方法：
将实时采集的监测数据，输入到模型服务中；
利用模型服务对监测数据进行检测，并获得健康状态；
判断所述健康状态是否为故障；
若是，生成故障信息，并将所述故障信息发送给负责人。
优选的，本发明的方法还包括对共享模型进行加强的方法：通过所述监测数据，定期对所述故障检测模型进行强化训练，获得加强模型；所述云平台对所述加强模型进行融合，获得加强的共享模型。
本发明还提供一种用于实现上述方法的系统，所述系统包括异构感知设备、边缘平台和云平台；所述异构感知设备用于采集工业设备的监测数据，并将所述监测数据发送给边缘平台；所述边缘平台利用所述监测数据对故障检测模型进行训练，获得故障检测模型，并将所述故障检测模型发送给云平台；所述云平台对所有边缘平台上传的检测模型进行融合，获得共享模型，并将所述共享模型下发给所述边缘平台；所述边缘平台还用于利用接收到的共享模型对所述工业设备的监测数据进行检测，获得工业设备的健康状态。
与现有技术相比，本发明的有益效果为：通过边缘平台对监测数据进行处理，并通过训练获得故障检测模型，避免将监测数据汇集到云平台，提高数据传输效率和监测数据的安全性；通过云平台融合不同的故障检测模型，获得共享模型，从而提高共享模型的泛化能力，减少工业设备的非计划停机，通过边缘平台对监测数据进行检测，提高检测的响应速度，降低延迟，利于对工业设备状态的实时检测。
附图说明
图1是本发明的工业设备监测的方法流程图；
图2是对故障检测模型进行融合的方法流程图；
图3是故障告警的方法流程图；
图4是对共享模型进行加强的方法流程图；
图5是本发明的系统逻辑框图；
图6是边缘平台的分布式训练原理图；
图7是共享模型同步和部署的原理图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。
下面结合附图对本发明做进一步的详细描述：
一种基于云边协同的工业设备监测的方法，如图1所示，所述方法包括：
步骤101：采集工业设备的监测数据，并将所述监测数据发送给边缘平台。
步骤102：在边缘平台上，利用本地的监测数据对故障检测模型进行训练，获得故障检测模型。
步骤103：将所述故障检测模型发送给云平台。
步骤104：通过云平台对所有边缘平台上传的故障检测模型进行融合，获得共享模型。通常部署多个边缘平台或节点，云平台对多个边缘平台或节点上传的故障检测模型进行融合。
步骤105：将所述共享模型下发给所述边缘平台。
可以将共享模型直接发送给所述边缘平台，也可以将共享模型保存在所述云平台的指定文件路径下。例如，边缘平台基于Tensorflow-Serving实时监听共享存储的文件路径，发现有新版本的模型产生时，将新版本的共享模型同步到连缘平台的边缘节点，通过这种方式实现将工业云平台上的共享模型同步下发到各个边缘节点，其原理如图7所示，其中，gRPC是一款语言中立、平台中立、开源的远程过程调用(RPC)系统，REST API(Application Programming Interface)为应用程序接口，边缘节点为部署在边缘平台下的具体节点，共享存储部署在云平台。
步骤106：利用所述边缘平台的共享模型对所述工业设备的监测数据进行检测，获得工业设备的健康状态。
本发明通过边缘平台对监测数据进行处理，并通过训练获得故障检测模型，避免将监测数据汇集到云平台，提高数据传输效率和监测数据的安全性；云平台负责多个边缘平台控制管理,云平台基于联邦学习技术融合不同边缘平台的故障检测模型，获得共享模型，从而提高共享模型的泛化能力，减少工业设备的非计划停机，通过边缘平台对监测数据进行检测，提高检测的响应速度，降低延迟，利于对工业设备状态的实时检测，从而提高工业设备的产能。
其中，采集工业设备的监测数据的方法包括：通过在工业设备上安装异构感知设备，采集工业设备的监测数据。其中，所述异构感知设备包括以下装置中的一种或它们的组合：压力传感器、温度传感器、湿度传感器、摄像头、电压传感器、电流传感器、电磁传感器、计数器和计米器，但不限于此；所述监测数据可以通过以下方式中的一种或它们的组合发送给所述边缘平台：以太网、4G、5G、Wi-Fi和GPRS。
本发明的方法还可以包括对监测数据进行预处理的方法：对监测数据进行数据格式标准化、数据去重、数据清洗和数据归并后，保存在所述边缘平台中。通过对监测数据的预处理，利于故障检测模型的训练；边缘平台通常部署在本地，将监测数据保存在本地的边缘平台，可以提高数据安全性和传输效率。
所述边缘平台利用所述监测数据，对基于机器学习的故障检测模型进行训练，所述基于机器学习的故障检测模型包括以下一种：LSTM循环神经网络模型、BP神经网络模型和卷积神经网络(CNN)模型。其中，神经网络模型为现有技术，利用监测数据对神经网络模型进行训练也是现有技术，本申请中不再赘述。
在一个具体实施例，采用Tensorflow分布式训练的方式训练故障检测模型，如图6所示，基于Kubernetes对Tensorflow进行分布式训练，将Tensorflow容器化后运行在边缘平台上，利用边缘节点的多CPU、GPU实现模型分布式训练。其中，Kubernetes是一个开源的，用于管理云平台中多个主机上的容器化的应用，TFJOB为Tensorflow任务，是基于Tensorflow开源框架的kubernetes自定义资源类型，有多种角色可以配置，能够帮助我们更简单地实现Tensorflow的单机或分布式训练，PS为分布式训练系统的参数节点，WORKER是分布式训练系统的工作节点，Chief分布式训练系统的主节点，PS、WORKER、Chief部署在边缘节点上，通过Kubernetes对Tensorflow进行分布式部署，可以将计算任务部署到边缘节点的CPU和GPU上。
如图2所示，步骤104中，对多个故障检测模型进行融合的方法包括：
步骤201：建立测试数据集。可以通过人工整理，也可以随机从各个边缘平台抽取，测试数据集的样本应较为均衡，即正负样本数据相当。
步骤202：通过测试数据集分别对每个故障检测模型进行评价，获取所述故障检测模型的检测准确率。可以通过人工标记的方式，对测试数据集中的真实故障数据进行标记，根据故障检测模型给出的检测结果与真实故障数据进行对比，计算检测准确率。
步骤203：根据所述检测准确率，计算每个故障检测模型的权重。准确率较高的故障检测模型，具有较高的权重。
步骤204：根据所述权重，基于加权平均算法对所述故障检测模型进行融合，获得共享模型。
但不限于此，如故障检测模型进行融合的方法采用平均法，将各个故障检测模型的相应参数取平均值，作为共享模型的参数。
在一个具体实施例中，采用以下加权平均算法进行计算：
计算故障检测模型的权重：
其中，accj表示为第j个故障检测模型的准确率，weightj表示为第j个故障检测模型的权重，
定义为n个故障检测模型的准确率之和；
利用加权平均法计算共享模型每个参数：
其中，smodeli表示共享模型的第i个参数，
表示第j个模型的第i个参数，n表示为故障检测模型的总个数；
则共享模型表示为：
smodel＝{smodel1，smodel2，…，smodelm}
其中，smodel表示为共享模型，m表示为参数个数。
有n个模型，每个模型有m个参数，
表示第j个模型的第i个参数，则模型参数集合表示为：
步骤106中，可以通过所述边缘平台根据所述共享模型，部署模型服务，并通过Http或gRPC的方式提供模型服务；热更新所述边缘平台的共享模型和模型服务。具体的，云平台和边缘平台可以基于Tensorflow进行部署，是一个基于数据流编程(dataflowprogramming)的符号数学系统，被广泛应用于各类机器学习(machine learning)算法的编程实现。Tensorflow-Serving的模型热更新功能将共享模型在不中断服务的情况下从旧版本切换到新版本，从而实现热更新。
在一个具体实施例中，如图3所示，本发明的方法应用于故障告警，故障告警的方法包括：
步骤301：将实时采集的监测数据，输入到模型服务中。
步骤302：利用模型服务对监测数据进行检测，并获得健康状态。
步骤303：判断所述健康状态是否为故障。
若是，执行步骤304：生成故障信息，并将所述故障信息发送给负责人。
若否，持续对监测数据进行检测。
如图4所示，本发明的方法还包括对共享模型进行加强的方法：
步骤401：通过所述监测数据，定期对所述故障检测模型进行强化训练，获得加强模型。
步骤402：所述云平台对所述加强模型进行融合，从而获得加强的共享模型。实现对故障检测模型和共享模型的强化或迭代。
本发明还提供一种用于实现上述方法的系统，如图5所示，所述系统包括：异构感知设备1、边缘平台2和云平台3；
异构感知设备1用于采集工业设备的监测数据，并将所述监测数据发送给边缘平台；
边缘平台利用所述监测数据对故障检测模型进行训练，获得故障检测模型，并将所述故障检测模型发送给云平台3；
云平台3对所有边缘平台上传的检测模型进行融合，获得共享模型，并将所述共享模型下发给边缘平台2；
边缘平台2还用于利用接收到的共享模型对所述工业设备的监测数据进行检测，获得工业设备的健康状态。
本发明的系统还可以包括共享存储4，云平台将共享模型保存在共享存储4中，边缘平台2从共享存储4中同步所述共享模型。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于云边协同的工业设备监测的方法，其特征在于，所述方法包括：
采集工业设备的监测数据，并将所述监测数据发送给边缘平台；
在边缘平台上，利用本地的监测数据对故障检测模型进行训练，获得故障检测模型；
将所述故障检测模型发送给云平台；
通过云平台对所有边缘平台上传的故障检测模型进行融合，获得共享模型；
将所述共享模型下发给所述边缘平台；
利用所述边缘平台的共享模型对所述工业设备的监测数据进行检测，获得工业设备的健康状态；
其中，对多个故障检测模型进行融合的方法包括：
建立测试数据集；
通过测试数据集分别对每个故障检测模型进行评价，获取所述故障检测模型的检测准确率；
根据所述检测准确率，计算每个故障检测模型的权重；
根据所述权重，基于加权平均算法对所述故障检测模型进行融合，获得共享模型。
2.根据权利要求1所述的工业设备监测的方法，其特征在于，采集工业设备的监测数据的方法包括：
通过在工业设备上安装异构感知设备，采集工业设备的监测数据，
其中，所述异构感知设备包括以下装置中的一种或它们的组合：压力传感器、温度传感器、湿度传感器、摄像头、电压传感器、电流传感器、电磁传感器、计数器和计米器；
所述监测数据通过以下方式中的一种或它们的组合发送给所述边缘平台：以太网、4G、5G、Wi-Fi和GPRS。
3.根据权利要求1所述的工业设备监测的方法，其特征在于，还包括对监测数据进行预处理的方法：
对监测数据进行数据格式标准化、数据去重、数据清洗和数据归并后，保存在所述边缘平台中。
4.根据权利要求1所述的工业设备监测的方法，其特征在于，所述边缘平台利用所述监测数据，对基于机器学习的故障检测模型进行训练，
所述基于机器学习的故障检测模型包括以下一种：LSTM循环神经网络模型、BP神经网络模型和卷积神经网络模型。
5.根据权利要求1所述的工业设备监测的方法，其特征在于，所述加权平均算法为：
其中，accj表示为第j个故障检测模型的准确率，weightj表示为第j个故障检测模型的权重，
定义为n个故障检测模型的准确率之和；
其中，smodeli表示共享模型的第i个参数，
表示第j个模型的第i个参数，表示为故障检测模型的总个数；
则共享模型表示为：
smodel＝{smodel1，smodel2，…，smodelm}
其中，smodel表示为共享模型，m表示为参数个数。
6.根据权利要求1所述的工业设备监测的方法，其特征在于，通过所述边缘平台根据所述共享模型，部署模型服务，并通过Http或gRPC的方式提供模型服务；
热更新所述边缘平台的共享模型和模型服务。
7.根据权利要求6所述的工业设备监测的方法，其特征在于，还包括故障告警的方法：
将实时采集的监测数据，输入到模型服务中；
利用模型服务对监测数据进行检测，并获得健康状态；
判断所述健康状态是否为故障；
若是，生成故障信息，并将所述故障信息发送给负责人。
8.根据权利要求1所述的工业设备监测的方法，其特征在于，还包括对共享模型进行加强的方法：
通过所述监测数据，定期对所述故障检测模型进行强化训练，获得加强模型；
所述云平台对所述加强模型进行融合，获得加强的共享模型。
9.一种用于实现权利要求1-8任一项所述方法的系统，其特征在于，所述系统包括异构感知设备、边缘平台和云平台；
所述异构感知设备用于采集工业设备的监测数据，并将所述监测数据发送给边缘平台；
所述边缘平台利用所述监测数据对故障检测模型进行训练，获得故障检测模型，并将所述故障检测模型发送给云平台；
所述云平台对所有边缘平台上传的检测模型进行融合，获得共享模型，并将所述共享模型下发给所述边缘平台；
所述边缘平台还用于利用接收到的共享模型对所述工业设备的监测数据进行检测，获得工业设备的健康状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011405412.5A CN112565409B (zh) | 2020-12-02 | 2020-12-02 | 一种基于云边协同的工业设备监测的方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011405412.5A CN112565409B (zh) | 2020-12-02 | 2020-12-02 | 一种基于云边协同的工业设备监测的方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112565409A CN112565409A (zh) | 2021-03-26 |
| CN112565409B true CN112565409B (zh) | 2022-08-16 |
Family
ID=75048892
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011405412.5A Active CN112565409B (zh) | 2020-12-02 | 2020-12-02 | 一种基于云边协同的工业设备监测的方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112565409B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112950400A (zh) * | 2021-03-30 | 2021-06-11 | 煤炭科学研究总院 | 数据处理平台 |
| CN113783730B (zh) * | 2021-09-15 | 2024-06-07 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种极端条件下基于云边协同的信息传输方法及系统 |
| CN114168411A (zh) * | 2021-11-29 | 2022-03-11 | 云南迦南飞奇科技有限公司 | 基于现实拓展技术的设备数字化健康智能管理系统及方法 |
| CN116437243B (zh) * | 2022-12-22 | 2024-04-19 | 北京极达测控设备技术有限公司 | 一种天然气计量分析设备的远程诊断方法 |
| CN116539086A (zh) * | 2023-04-03 | 2023-08-04 | 中国电子技术标准化研究院 | 一种基于云边协同的工业设备故障检测方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111830408A (zh) * | 2020-06-23 | 2020-10-27 | 朗斯顿科技(北京)有限公司 | 一种基于边缘计算和深度学习的电机故障诊断系统及方法 |
| CN111901173A (zh) * | 2020-07-30 | 2020-11-06 | 山东超越数控电子股份有限公司 | 一种云边协同的系统构建方法、装置、设备及可读介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200293942A1 (en) * | 2019-03-11 | 2020-09-17 | Cisco Technology, Inc. | Distributed learning model for fog computing |
| CN110738429A (zh) * | 2019-10-25 | 2020-01-31 | 国网重庆市电力公司电力科学研究院 | 一种电能表状态评价方法及装置 |
| CN110968426B (zh) * | 2019-11-29 | 2022-02-22 | 西安交通大学 | 一种基于在线学习的边云协同k均值聚类的模型优化方法 |
| CN111030861B (zh) * | 2019-12-11 | 2022-05-31 | 中移物联网有限公司 | 一种边缘计算分布式模型训练方法、终端和网络侧设备 |
| CN111507489B (zh) * | 2020-04-20 | 2023-04-18 | 电子科技大学中山学院 | 一种云边协同的游乐设备故障预测与健康管理系统及方法 |
-
2020
- 2020-12-02 CN CN202011405412.5A patent/CN112565409B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111830408A (zh) * | 2020-06-23 | 2020-10-27 | 朗斯顿科技(北京)有限公司 | 一种基于边缘计算和深度学习的电机故障诊断系统及方法 |
| 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 |
| CN111901173A (zh) * | 2020-07-30 | 2020-11-06 | 山东超越数控电子股份有限公司 | 一种云边协同的系统构建方法、装置、设备及可读介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112565409A (zh) | 2021-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112565409B (zh) | 一种基于云边协同的工业设备监测的方法和系统 | |
| CN110609512B (zh) | 一种物联网平台和物联网设备监控方法 | |
| JP7017861B2 (ja) | 異常検知システムおよび異常検知方法 | |
| CN105610944B (zh) | 一种面向物联网的雾计算架构 | |
| CN106130786B (zh) | 一种网络故障的检测方法及装置 | |
| CN111582016A (zh) | 基于云边协同深度学习的智能免维护电网监控方法及系统 | |
| CN116841262A (zh) | 基于机器视觉的智慧工厂生产在线监测分析系统 | |
| CN109657003A (zh) | 一种将硬件数据直接接入大数据平台的方法 | |
| CN109032099A (zh) | 工程机械总装生产线在线感知系统 | |
| CN112738236B (zh) | 大厦端智慧消防管理系统及方法 | |
| CN113761728B (zh) | 基于车联网平台的机场电动特种车辆故障预警方法 | |
| CN110247800A (zh) | 一种智能变电站交换机在线监测系统 | |
| CN116485065B (zh) | 基于智慧燃气gis的管网巡检管理方法和物联网系统 | |
| CN109917758A (zh) | 一种工业设备数据的处理方法及系统 | |
| CN110347694B (zh) | 一种基于物联网的设备监控方法、装置及系统 | |
| US11972374B2 (en) | Method, internet of things system and medium for smart gas maintenance management order dispatch warning | |
| CN112150335A (zh) | 一种智慧消防数据可视化监控系统及其监控方法 | |
| CN107491821B (zh) | 工厂现场巡查方法及系统 | |
| CN112508316B (zh) | 实时异常检测系统中的自适应异常判定方法和装置 | |
| CN115208887A (zh) | 基于云边协同的化工厂安全监控系统 | |
| CN110989042A (zh) | 一种高速公路团雾风险的智能化预测方法 | |
| CN102970278A (zh) | 用于在工业信息系统间处理和推送报警信息的系统 | |
| CN110430261A (zh) | 探测设备故障处理方法及装置 | |
| CN116911807B (zh) | 一种智慧燃气数据中心流程可视化管理方法和物联网系统 | |
| CN117058855B (zh) | 一种物联网云边通信方法 |
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: A method and system for industrial equipment monitoring based on cloud edge collaboration Granted publication date: 20220816 Pledgee: Hangzhou High-tech Financing Guarantee Co.,Ltd. Pledgor: HANGZHOU HARMONYCLOUD TECHNOLOGY Co.,Ltd. Registration number: Y2024980003766 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |