CN113255584A - 一种基于边缘计算的故障诊断与监测系统 - Google Patents

Abstract

本发明提供了一种基于边缘计算的故障诊断与监测系统，包括：智能仪表设备端和边缘计算服务设备端，智能仪表设备端包括：边缘计算组件，传感器组件，智能仪表网络通信组件；边缘计算组件包括：过程趋势诊断模型模块、数据预测模型模块、传感器故障特征计算模块；边缘计算服务设备端包括：数据存储组件，特征筛选算法组件，故障诊断模型组件，边缘计算服务网络通信组件。本发明在部分传感器发生故障时通过特征筛选算法自动更新特征和模型参数完成故障检测；解决了传统主流仪器仪表系统功能单一、计算资源有限、自处理能力弱的缺点，减少了传统云计算模式造成的网络延迟；增加了仪表的智能化程度，与边缘计算共同协作完成系统的故障诊断与监测。

Description

一种基于边缘计算的故障诊断与监测系统

技术领域

本发明涉及工业物联网的系统故障诊断及仪表状态监测技术领域，具体而言，涉及一种基于边缘计算的故障诊断与监测系统。

背景技术

近年来，随着万物互联时代的快速到来和无线网络的普及，网络边缘的设备数量和所产生的数据都在快速增长。据IDC预测，到2025年，全球数据总量将大于180泽字节（zettabyte,ZB），而物联网所产生的数据的70%以上都将在网络边缘进行处理。在这种情况下，以云计算模式为核心的集中式处理模式将无法高效处理边缘设备产生的数据。为了解决传统云计算实时性不够、带宽不足、能耗较大的缺点，面向边缘设备所产生的海量数据来进行计算的边缘计算模型应运而生。相比于传统云计算，边缘计算具备几个明显的优点：首先，数据在边缘端进行处理，极大地减轻了网络带宽和数据中心的压力。其次，服务请求不需要等待云计算中心的处理结果，减少了网络延迟，提升了服务质量。最后，用户隐私数据不再上传，而是存储在网络边缘设备上，减少网络数据泄露的风险，保护了用户数据安全和隐私。

随着计算机处理能力的不断提升，人工智能迎来了高潮。以深度神经网络为代表的深度学习算法在诸多人工智能应用中取得了很好的效果。传统的人工智能应用采取云计算模式，即将数据传输至云端，然后在云端运行算法并返回结果。随着边缘计算的发展，越来越多的人工智能应用迁移到边缘进行。边缘计算和人工智能的结合孕育出了边缘智能，由于边缘端的计算和内存资源不像云端那样丰富，因此在开发智能算法时应尽可能压缩模型，使其轻量化，同时应开发智能硬件，完成边物协同以加强边缘端和仪器仪表端的协作能力。

2015年国务院正式印发《中国制造2025》，部署全面推进实施制造强国战略，同时要求智能制造以及智能装备机械智能化、规模化，机械与机械之间的耦合程度越来越高，如何实现对智能装备的故障预测、诊断，对实现工业生产的安全性和可靠性具有十分重要的意义。目前为止，国内外因机组设备发生故障而引发的重大事故依然时有发生，在生产过程中对大型成套机械设备的实时在线故障检测十分重要。同时石化、电力、冶金等基础原材料行业是我国国民经济的支柱和基础，也是我国经济持续增长的重要支撑力量，然而在这方面总体效能上仍与国际先进水平存在差距。面对人工智能的发展浪潮，利用新技术实现数字化、网络化、智能化转型的迫切需求与重大历史机遇。

发明内容

鉴于此，本发明的目的是为了解决传统主流仪器仪表系统功能单一、计算资源有限、自处理能力弱的缺点，传统的主流仪控系统是仪表负责测量，控制系统负责计算与控制，这种模式可能因延迟与不同步，难以满足智能工厂更高的测量与控制精度要求。针对上述问题，本发明提出了一种基于边缘智能仪表的故障诊断与监测系统，采用边缘计算的技术来减少传统云计算模式造成的在工业物联网中往往不能容忍的网络延迟，同时为了解决智能算法的资源需求与边缘设备受限于资源之间的矛盾，提出了一种特征筛选算法和轻量化的故障诊断模型来满足边缘设备有限的资源问题。最后采用了边物协同的模式，在仪表端中加入了边缘计算层，增加了仪表的智能化程度，与边缘计算服务器共同协作完成了系统的故障诊断与监测。

本发明提供一种基于边缘计算的故障诊断与监测系统，包括：

智能仪表设备端和边缘计算服务设备端，其中：

所述智能仪表设备端包括：边缘计算组件，传感器组件，智能仪表网络通信组件；

所述边缘计算组件包括：过程趋势诊断模型模块、数据预测模型模块、传感器故障特征计算模块；

所述传感器组件以一定的采样频率感知物理世界的变化量，将感知数据存储到RAM存储区；

所述智能仪表网络通信组件接收所述边缘计算服务设备发送的四元组数据；

智能仪表设备端由多个智能仪表组成，智能仪表由一系列安装在系统中不同位置和不同物理感知量的多个传感器组成，除了感知的物理量和安装的位置不同，这些智能仪表具有相同的功能和架构。

所述边缘计算服务设备端包括：数据存储组件，特征筛选算法组件，故障诊断模型组件，边缘计算服务网络通信组件。

所述数据存储组件包括：

上行数据存储区模块：用于存储智能仪表上传的故障特征值和传感器状态；

下行数据存储区模块：用于存储发送给智能仪表的四元组数据；

算法与模型数据存储区模块：用于存储特征筛选算法模块所需要的相关性系数表以及故障诊断模型的权重值；

所述特征筛选算法组件包括：特征提取算法模块、特征选择算法模块；

所述边缘计算服务网络通信组件接收智能仪表设备发送的故障特征值，同时根据当前边缘计算服务设备的智能仪表状态决定是否重新运行特征筛选算法更新下行的四元组数据。

边缘计算服务设备将所述传感器的所述不同的物理感知量的特征值进行融合计算，完成工业物联网系统的故障检测；所述智能仪表设备端和所述边缘计算服务设备端之间通过网络通信组件进行信息的交互。

进一步地，所述过程趋势诊断模型模块利用峭度值完成仪表未启动、启动过程、正常运行、停机过程、异常或故障这5种状态的诊断。

进一步地，所述5种状态的诊断的方法为：当系统处于启动和停止过程时，此时K<3，K为峭度值，分布曲线具有负峭度，此时正态分布曲线峰顶的高度低于正常分布曲线；当系统处于异常或故障时，此时K>3，分布曲线具有正峭度，此时正态分布曲线峰顶的高度高于正常正态分布曲线；而在未启动和正常运行状态，数据较为稳定，符合正常的高斯分布，此时K=3。

进一步地，所述数据预测模型模块根据仪表历史感知的7个小时的数据预测未来1个小时的数据，从而能够尽早地发现和预防故障的发生；采用多元线性回归模型，多元线性回归模型的假设空间如下：

其中

为待训练的参数，

为输入的特征向量；定义的代价函数如下：

其中m为样本的数量，

为预测的值，

为真值；模型的训练过程以最小化代价函数为目标，使用多变量梯度下降算法对

进行训练，从而找出一组使得代价函数最小的参数；得到参数

后，输入前7个小时的数据后即可预测未来1个小时的数据。

进一步地，所述传感器故障特征计算模块根据边缘计算服务设备发送的四元组信息，实时计算出边缘计算服务设备所需要的故障特征，并通过智能仪表网络通信组件上传给边缘计算服务设备。

进一步地，所述四元组数据为传感器编号、窗口编号、子窗口编号、特征编号；智能仪表设备的智能仪表根据接收的所述四元组数据计算出相应的特征同时根据智能仪表设备的过程趋势诊断的结果得到当前传感器的状态，智能仪表设备每隔一段时间将所述四元组数据和传感器的状态打包发送给边缘计算服务设备。

进一步地，所述特征提取算法模块根据历史数据采用基于滑动窗口的方法提取每个窗口中样本的时域特征，优选地，所述时域特征包括：最大值、最小值、平均值、峰峰值、绝对值的平均值、方差、标准差、峭度、偏度、均方根、波形因子、峰值因子、脉冲因子、裕度因子、差分值，频域特征：频谱、能量谱，形状特征：拟合曲线的斜率、最大值所在的位置；所述特征选择算法模块根据相关性系数选择较优的特征作为故障诊断模型组件的输入。

进一步地，所述故障诊断模型组件将所述特征筛选算法模块筛选出来的特征作为多层感知机模型的输入，根据底层传感器的不同状态，载入不同的模型参数，完成对故障的前向推演；故障诊断模型中同一层的每个神经元，其计算公式如下：

其中f表示神经元计算中的激活函数，w表示神经元计算中的权重，x表示神经元计算中的输入特征值，b表示神经元计算中的偏置；

每个传感器的贡献度定义为该传感器提取的所有特征与因变量的相关性系数的均值，如下式：

其中，m为划分的窗口数，n为第i个窗口下可滑动的次数，p为特征的数量，

为第i个窗口中的第j个子窗口的第k个特征与因变量的相关性系数。

进一步地，所述特征选择算法的计算步骤包括：

（1）使用皮尔逊相关系数分别计算自变量与因变量之间的相关性、自变量与自变量之间的相关性，将计算的结果存入到算法与模型数据存储区中的相关性系数表中，初始化该相关性系数表；

（2）根据每个传感器的自变量与自变量之间的相关性系数矩阵，使用贪心的策略减少不同特征之间的冗余，即当选取一个特征时尽可能多地删除与其相关性高的特征；

（3）将经过步骤（2）筛选的特征按照与因变量之间的相关性降序排序，选取前n个特征作为故障诊断模型的输入，同时根据选取出来的特征更新下行数据存储区中的四元组信息。

优选地，所述故障诊断模型为一个3层的多层感知机，包含1个输入层、1个隐藏层和1个输出层，输入层的神经元个数为筛选出来特征的数量、隐藏层有10个神经元、输出层的神经元个数为输出的故障类型的数量；

经过测试使用特征筛选算法筛选出来的特征，即使在只有10个神经元且只有1层隐藏层的多层感知机中也具有非常好的故障诊断效果。

在实际运行的系统中，底层的传感器往往会因为一些不可抗拒的因素存在一些故障，当关键的传感器发生故障时会对整个系统的故障诊断造成影响；因此，为了评估特征筛选算法筛选出来的特征对故障检测模型的鲁棒性，将系统的鲁棒性定义为移除传感器贡献度最高的个数后对故障分类精度的影响，能够移除的传感器越多，算法的鲁棒性越好；每个传感器的贡献度定义为该传感器提取的所有特征与因变量的相关性系数的均值，如下式：

其中，m为划分的窗口数，n为第i个窗口下可滑动的次数，p为特征的数量，

为第i个窗口中的第j个子窗口的第k个特征与因变量的相关性系数。

与现有技术相比，本发明的有益效果是：

本发明能够在部分传感器发生故障时通过特征筛选算法自动更新特征和模型参数，在部分传感器发生故障时依然能够出色的完成系统的故障检测。此外，本发明解决了传统主流仪器仪表系统功能单一、计算资源有限、自处理能力弱的缺点，采用了边缘计算的方式减少了传统云计算模式造成的网络延迟，使其能够满足工业物联网的实时性要求。同时采用了边物协同的模式，在仪表端加入了边缘计算层，增加了仪表的智能化程度，使其能够与边缘计算服务器共同协作完成系统的故障诊断与监测。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。

在附图中：

图1为本发明实施例的系统框架图；

图2为本发明实施例的过程趋势诊断模型的检测过程；

图3为本发明实施例的故障诊断模型；

图4为本发明实施例的实验的液压系统图；

图5为本发明实施例的鲁棒性实验的结果图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本公开可能采用术语第一、第二、第三来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

本发明实施例包含以下具体过程：

如图1所示，本实施例的系统框图由一个边缘计算服务设备端和一个智能仪表设备端组成，其中智能仪表设备端由多个智能仪表组成，智能仪表由一系列安装在系统中不同位置和不同物理感知量的多个传感器组成，除了感知的物理量和安装的位置不同，这些智能仪表具有相同的功能和架构。智能仪表设备端从底向上依次为传感器组件、边缘计算组件和智能仪表网络通信组件。传感器组件以一定的采样频率感知物理世界的变化量，将感知数据存储到RAM区。与传统的仪器仪表相比，本发明的智能仪表加入了边缘计算组件，将控制组件的部分功能前移同时能够实现一些轻量化的人工智能算法，除此之外还能与边缘服务器进行协同合作共同完成系统的故障诊断。通过边缘计算组件与边缘计算技术有机融合实现了“边缘智能”，增强了仪器仪表的实时处理响应能力。边缘计算组件为以下3个功能：

（1）过程趋势诊断；

（2）数据预测模型；

（3）传感器故障特征计算；

考虑到智能仪表设备端计算资源有限，为了满足实时性要求，因此过程趋势诊断模型应在保证准确率的前提下尽可能的简单。如图2所示，所述过程趋势诊断模型主要利用峭度值能够度量数据的非高斯性的特征完成仪表未启动、启动过程、正常运行、停机过程、异常或故障这5种状态的诊断，通过该诊断智能仪表能够判断当前仪表所处的状态以及是否出现故障。当系统处于启动和停机过程时，此时K<3，分布曲线具有负峭度，此时正态分布曲线峰顶的高度低于正常分布曲线。当系统处于异常或故障时，此时K>3，分布曲线具有正峭度，此时正态分布曲线峰顶的高度高于正常正态分布曲线。而在未启动和正常运行状态，数据较为稳定，符合正常的高斯分布，此时K=3。经过实验测试，该过程趋势诊断模型能够准确的区分出上述的5种状态。

所述数据预测模型通过历史数据的训练，能够判断出智能仪表未来的数据，从而能够使智能仪表提前发现故障。在实验的过程中，将仪表历史感知的7个小时的数据作为输入，输出未来一个小时的数据。考虑到智能仪表设备端计算能力有限，为了使数据预测模型在保证准确率的同时轻量化，采用多元线性回归模型，多元线性回归模型的假设空间如下：

其中

为待训练的参数，

为输入的特征向量。定义的代价函数如下：

其中m为样本的数量，

为预测的值，

为真值。数据预测模型的训练过程以最小化代价函数为目标，使用多变量梯度下降算法对

进行训练，从而找出一组使得代价函数最小的参数。得到参数

后，输入前7个小时的数据后即可预测未来1个小时的数据。经过实验测试，该数据预测模型的平均相对误差为1.5%。

所述故障特征计算增加了智能仪表与边缘计算服务设备的协作能力，能够根据边缘计算服务设备发送的四元组数据，实时计算出边缘计算服务设备所需要的故障特征，并通过网络通信组件上传给边缘计算服务端。

智能仪表网络通信组件主要与边缘计算服务设备端进行信息的交互，接收边缘计算服务设备端发送的四元组数据：传感器编号、窗口编号、子窗口编号、特征编号；根据接收的四元组数据智能仪表计算出相应的特征同时根据智能仪表设备端过程趋势诊断的结果得到当前传感器的状态，每隔一段时间智能仪表设备端将四元组数据和传感器的状态打包发送给边缘计算服务设备端。

如图1所示，边缘计算服务设备端从底向上分为边缘计算服务网络通信组件、数据存储区组件、特征筛选算法组件和故障诊断模型组件。边缘计算服务网络通信组件一方面接收智能仪表设备端发送的故障特征值将其作为故障诊断模型模块的输入，另一方面接收传感器状态集合以此来判断是否需要重新运行特征筛选算法来更新下行的四元组数据。

数据存储区组件从功能上分为三个区域，上行数据存储区模块：存储智能仪表上传的故障特征值和传感器状态集合；下行数据存储区模块：存储发送给智能仪表的四元组数据；算法与模型数据存储区模块：存储特征筛选算法所需要的相关性系数表以及故障诊断模型的权重值。

特征筛选算法组件主要是为故障诊断模型筛选出较为合适的故障特征，特征筛选算法组件主要分为两个部分：特征提取算法模块和特征选择算法模块。特征提取算法模块根据历史数据采用基于滑动窗口的方法提取每个窗口中样本的时域特征（最大值、最小值、平均值、峰峰值、绝对值的平均值、方差、标准差、峭度、偏度、均方根、波形因子、峰值因子、脉冲因子、裕度因子、差分值）、频域特征（频谱、能量谱）、形状特征（拟合曲线的斜率、最大值所在的位置）这些特征作为特征选择算法的候选集。特征选择算法模块则根据相关性系数选择较优的特征作为故障诊断模型的输入，与传统特征选择算法相比我们加入了特征与特征之间的相关性分析，从而减少了筛选出来特征的冗余提高了模型的准确率，其计算步骤如下：

（1）使用皮尔逊相关系数分别计算自变量与因变量之间的相关性、自变量与自变量之间的相关性，为了避免每次调用该算法造成的重复计算，将计算的结果存入到算法与模型数据存储区中的相关性系数表中，初始化该相关性系数表；

（2）根据每个传感器的自变量与自变量之间的相关性系数矩阵，使用贪心的策略减少不同特征之间的冗余——当选取一个特征时尽可能多的删除与其相关性高的特征；

（3）将经过步骤2筛选的特征按照与因变量之间的相关性降序排序，选取前n个特征作为故障诊断模型的输入，同时根据选取出来的特征更新下行数据存储区中的四元组信息。

故障诊断模型组件如图3所示，故障诊断模型将特征筛选算法筛选出来的特征作为多层感知机模型的输入，根据底层传感器的不同状态，载入不同的模型参数，完成对故障的前向推演。为了平衡故障诊断模型的复杂度和故障识别能力，将该故障诊断模型设置为一个3层的多层感知机，包含1个输入层、1个隐藏层和1个输出层，输入层的神经元个数为筛选出来特征的数量、隐藏层有10个神经元、输出层的神经元个数为输出的故障类型的数量。该故障诊断模型中同一层的每个神经元，其计算公式如下：

其中f表示神经元计算中的激活函数，w表示神经元计算中的权重，x表示神经元计算中的输入特征值，b表示神经元计算中的偏置。经过测试，在液压故障数据集上使用特征筛选算法筛选出来的特征，即使在只有10个神经元且只有1层隐藏层的多层感知机中也具有非常好的故障诊断效果。

在实际运行的系统中，底层的传感器往往会因为一些不可抗拒的因素存在一些故障，当关键的传感器发生故障时会对整个系统的故障诊断造成影响。因此，为了评估特征筛选算法筛选出来的特征对故障检测模型的鲁棒性，我们将系统的鲁棒性定义为移除传感器贡献度最高的个数后对故障分类精度的影响，能够移除的传感器越多，算法的鲁棒性越好。每个传感器的贡献度定义为该传感器提取的所有特征与因变量的相关性系数的均值，如下式：

其中，m为划分的窗口数，n为第i个窗口下可滑动的次数，p为特征的数量，

为第i个窗口中的第j个子窗口的第k个特征与因变量的相关性系数。

为了验证系统的可行性和特征筛选算法的鲁棒性，本文在Nikolai Helwig公开的液压故障数据集上进行验证。实验的液压系统如图4所示，实验的液压系统由主工作回路（图a）和二次冷却过滤回路（图b）通过油箱连接组成。在主泵MP1（电机功率3.3kW）的工作回路中，通过比例减压阀V11循环重复不同的负载水平。测试系统中配备了几个测量过程值的传感器，压力（PS1-PS6）、流量（FS1-FS2）、温度（TS1-TS5）、电机功率（EPS1）、振动（VS1）。实验过程中将四个液压元件（冷却器、阀门、泵和液压蓄能器）按照故障严重程度不同叠加到一起，当其状态发生定量变化时，系统循环重复恒定的负载（持续60秒），并测量过程传感器的值，如压力、体积流量、温度。其中冷却器分为冷却接近完全失效、冷却效率降低、冷却全效率三种状态；阀门分为最优的切换状态、轻微的切换延迟、严重的切换延迟、接近完全失效四种状态；泵分为无泄漏、轻微的泄露、严重的泄露三种状态；液压蓄能器分为最优的压力值、压力轻微降低、压力严重降低、接近完全失效四种状态。经过特征筛选算法筛选出对于四类组件的故障最相关的10个特征分别如表1所示（表中Ma代表最大值、Sk代表偏度、Ma_p代表最大值所在的位置、Wf代表波形因子、Va代表方差、Std代表标准差、Me代表均值、Ku代表峭度值）：

表1 特征筛选算法筛选出的最相关的10个特征

将筛选出的特征经过Z-score标准化后，送入所述的故障诊断模型中，其对于四类不同组件的故障识别精度如表2所示：

表2 四类组件故障识别精度

同时为了验证算法和系统的鲁棒性，我们分别对四类组件的故障识别在不同的特征数量和传感器数量上进行了实验，实验结果如图5所示。从实验结果中，我们可以看出经过特征筛选算法筛选后的特征在所述的故障诊断模型上具有非常好的鲁棒性（同时具有轻量化的优点），冷却器即使在只有一个传感器时也具有非常好的故障识别精度，而阀门、内部泵泄露和液压蓄能器在移除了贡献度最高的7个传感器后故障识别率开始明显下降仅为40%左右。同时筛选的特征数量越多，故障识别率越高，但与传感器数量相比对故障识别率的影响较小。

本发明实施例的一种基于边缘智能仪表的故障诊断与监测系统在液压系统故障数据集上进行测试，在四个液压元件（冷却器、阀门、泵、蓄能器）上的故障分类精度分别为100%、100%、98.01%、91.21%。同时经过特征筛选算法筛选后的特征在故障诊断模型上具有非常好的鲁棒性，冷却器即使在只有一个传感器时也具有非常好的故障识别率，阀门、内部泵泄露和液压蓄能器在移除了贡献度最高的7个传感器前的故障识别率均在80%以上。因此，本发明的系统具有非常好的鲁棒性，在边物协同的模式下，增加了仪表的智能化程度，能够满足工业场景中的故障诊断与监测

由上述实验结果可得，本发明公开的一种基于边缘智能仪表的故障诊断与监测系统能够在部分传感器发生故障时通过特征筛选算法自动更新特征和模型参数，在部分传感器发生故障时依然能够出色的完成系统的故障检测。此外，本发明解决了传统主流仪器仪表系统功能单一、计算资源有限、自处理能力弱的缺点，采用了边缘计算的方式减少了传统云计算模式造成的网络延迟，使其能够满足工业物联网的实时性要求。同时采用了边物协同的模式，在仪表端加入了边缘计算层，增加了仪表的智能化程度，使其能够与边缘计算服务器共同协作完成系统的故障诊断与监测。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

以上所述仅为本发明的优选实施例，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、同替换、改进，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于边缘计算的故障诊断与监测系统，其特征在于，包括：

智能仪表设备端和边缘计算服务设备端，其中：

所述智能仪表设备端包括：边缘计算组件，传感器组件，智能仪表网络通信组件；

所述边缘计算组件包括：过程趋势诊断模型模块、数据预测模型模块、传感器故障特征计算模块；

所述传感器组件以一定的采样频率感知物理世界的变化量，将感知数据存储到RAM存储区；

所述智能仪表网络通信组件接收边缘计算服务设备发送的四元组数据；

所述边缘计算服务设备端包括：数据存储组件，特征筛选算法组件，故障诊断模型组件，边缘计算服务网络通信组件；

所述数据存储组件包括：

上行数据存储区模块：用于存储智能仪表上传的故障特征值和传感器状态；

下行数据存储区模块：用于存储发送给智能仪表的四元组数据；

算法与模型数据存储区模块：用于存储特征筛选算法模块所需要的相关性系数表以及故障诊断模型的权重值；

所述特征筛选算法组件包括：特征提取算法模块、特征选择算法模块；

所述边缘计算服务网络通信组件接收智能仪表设备发送的故障特征值，同时根据当前边缘计算服务设备的智能仪表状态决定是否重新运行特征筛选算法更新下行的四元组数据。

2.根据权利要求1所述的故障诊断与监测系统，其特征在于，所述过程趋势诊断模型模块利用峭度值完成仪表未启动、启动过程、正常运行、停机过程、异常或故障这5种状态的诊断。

3.根据权利要求2所述的故障诊断与监测系统，其特征在于，所述5种状态的诊断的方法为：当系统处于启动和停止过程时，此时K<3，K为峭度值，分布曲线具有负峭度，此时正态分布曲线峰顶的高度低于正常分布曲线；当系统处于异常或故障时，此时K>3，分布曲线具有正峭度，此时正态分布曲线峰顶的高度高于正常正态分布曲线；而在未启动和正常运行状态，数据较为稳定，符合正常的高斯分布，此时K=3。

4.根据权利要求1所述的故障诊断与监测系统，其特征在于，所述数据预测模型模块根据仪表历史感知的7个小时的数据预测未来1个小时的数据；采用多元线性回归模型，多元线性回归模型的假设空间如下：

其中

为待训练的参数，

为输入的特征向量；定义的代价函数如下：

其中m为样本的数量，

为预测的值，

为真值；模型的训练过程以最小化代价函数为目标，使用多变量梯度下降算法对

进行训练，从而找出一组使得代价函数最小的参数；得到参数

后，输入前7个小时的数据后即可预测未来1个小时的数据。

5.根据权利要求1所述的故障诊断与监测系统，其特征在于，所述传感器故障特征计算模块根据边缘计算服务设备发送的四元组信息，实时计算出边缘计算服务设备所需要的故障特征，并通过智能仪表网络通信组件上传给边缘计算服务设备。

6.根据权利要求1所述的故障诊断与监测系统，其特征在于，所述特征提取算法模块根据历史数据采用基于滑动窗口的方法提取每个窗口中样本的时域特征，频域特征，形状特征；所述特征选择算法模块根据相关性系数选择较优的特征作为故障诊断模型组件的输入。

7.根据权利要求1所述的故障诊断与监测系统，其特征在于，所述故障诊断模型组件将所述特征筛选算法模块筛选出来的特征作为多层感知机模型的输入，根据底层传感器的不同状态，载入不同的模型参数，完成对故障的前向推演；故障诊断模型中同一层的每个神经元，其计算公式如下：

其中f表示神经元计算中的激活函数，w表示神经元计算中的权重，x表示神经元计算中的输入特征值，b表示神经元计算中的偏置；

每个传感器的贡献度定义为该传感器提取的所有特征与因变量的相关性系数的均值，如下式：

其中，m为划分的窗口数，n为第i个窗口下可滑动的次数，p为特征的数量，

为第i个窗口中的第j个子窗口的第k个特征与因变量的相关性系数。

8.根据权利要求1所述的故障诊断与监测系统，其特征在于，所述特征选择算法的计算步骤包括：

（1）使用皮尔逊相关系数分别计算自变量与因变量之间的相关性、自变量与自变量之间的相关性，将计算的结果存入到算法与模型数据存储区中的相关性系数表中，初始化该相关性系数表；

（2）根据每个传感器的自变量与自变量之间的相关性系数矩阵，使用贪心的策略减少不同特征之间的冗余，即当选取一个特征时尽可能多地删除与其相关性高的特征；

（3）将经过步骤（2）筛选的特征按照与因变量之间的相关性降序排序，选取前n个特征作为故障诊断模型的输入，同时根据选取出来的特征更新下行数据存储区中的四元组信息。

9.根据权利要求8所述的故障诊断与监测系统，其特征在于，所述故障诊断模型为一个3层的多层感知机，包含1个输入层、1个隐藏层和1个输出层，输入层的神经元个数为筛选出来特征的数量、隐藏层有10个神经元、输出层的神经元个数为输出的故障类型的数量。

Images