CN113465920B - 云、雾、边缘端协同的轴承状态监测与管理方法及系统 - Google Patents

Abstract

本发明公开一种云、雾、边缘端协同的轴承状态监测与管理系统及方法，获取轴承运行信号，并进行降噪、特征提取等信号处理，将结果上传至雾端设备，雾端设备根据边缘端上传的信息更新轴承数字孪生模型并进行故障诊断和数模融合的寿命预测，将结果和部分边缘端信息上传至云端，并接受云端发布的定制化轴承故障诊断和寿命预测模型；云端接受雾端信息，进行时空数据索引并为雾端计算定制化轴承故障诊断和寿命预测模型，并提供预知维护方案。本方案克服现有基于大数据技术的轴承运维系统的计算层级较少、功能单一、依赖数据驱动的缺点，为预知维护提供高效的计算架构和准确的诊断预测方案。

Description

云、雾、边缘端协同的轴承状态监测与管理方法及系统

技术领域

本发明属于机械诊断智能化与数字化技术领域，具体涉及云、雾、边缘端协同的轴承状态监测与管理方法及系统。

背景技术

高端轴承是风机、高铁等重大装备中旋转机械的关键承力和传动部件，其寿命均决定着整机的翻修期及可靠性。高端轴承服役工况复杂，具有高速、高温、过载冲击、大范围工况波动等极端工况特征，这导致轴承在长期使用中易发生剥落、点蚀和打滑等故障并最终导致轴承失效。轴承在线状态监测与管理系统能够实时动态地获取轴承运行状态，诊断故障，预测剩余寿命并实现预知维护的目的。对轴承运行状态的在线状态监测会产生海量的数据，传统基于大数据云处理平台的在线状态监测与管理系统虽然能够实现云端算法的快速训练和数据存储，但对终端设备的反馈实时性往往较差。

目前轴承状态监测与管理系统大多仅在云平台或边缘端等单一平台进行实现，且采用的轴承故障诊断方法和寿命预测方法大多基于数据驱动方法。山东大学的张文龙等研究了一种云/雾/边缘端协同的轴承故障诊断方法，利用一维卷积神经网络的轴承故障诊断算法，并使用迁移学习的方式完成了对云、雾、边缘端任务的协同。同时构建了适用于设备集群中轴承故障诊断的实时数据管理系统(张文龙.云/雾/边缘端协同的轴承故障诊断方法研究[D].山东大学,2020.)。贵州大学的彭超等将边缘计算和轴承故障诊断相结合，将复杂度低的任务分配到离数据源较近的边缘端甚至设备端，复杂度高的任务分配到云端，并采用CNN和oneclasssvm联合处理方法，进行故障诊断。该方法在保证诊断精度的同时，也能保证诊断的时效性(彭超,唐向红,陆见光.基于边缘计算的轴承故障诊断[J].组合机床与自动化加工技术,2020(12):52-55.)。

经文献调研可以发现，现有的轴承状态监测与管理系统大多仅在边缘端或云端单一平台实现，单一的边缘端设备难以实现对海量监测数据的存储和诊断模型的快速训练，而单一的云端设备由于巨大的数据传输压力难以实现对被监测设备的实时反馈，而雾端设备的加入不仅能够为前两者分担计算和传输负担，更能提供良好的个性化诊断平台。此外，现有的云(雾)边缘协同轴承状态监测与管理系统大多只能实现数据驱动的轴承故障诊断功能，无法精准地实现预知维护功能，而数模结合的数字孪生轴承寿命预测能够准确模拟故障轴承的损伤扩展，计算剩余寿命，为备件调配提供有力依据。

发明内容

为解决现有技术中存在的问题，本发明公开云、雾、边缘端协同的轴承状态监测与管理系统，充分发挥云、雾、边缘端设备性能优势，在边缘端实现轴承监测信号的特征提取，在雾端构建轴承数字孪生模型进行故障诊断和剩余寿命计算，并在云端进行高复杂度模型训练和提供运维方案。

为了实现上述目的，本发明采用的技术方案是：云、雾、边缘端协同的轴承状态监测与管理方法，包括以下步骤：

在雾端初始化轴承数字孪生模型，云端加载通用诊断预测模型；

获取轴承运行状态信号以及轴承工作环境状态信号；

根据得到的轴承运行状态信号以及轴承工作环境状态信号，边缘端对轴承运行状态信号以及轴承工作环境状态信号进行信号处理，计算得到轴承运行状态指标；

边缘端根据所述轴承运行状态指标，利用简单轴承故障诊断算法进行轴承故障识别，若某监测指标超出阈值则及时告警，若没有指标超出阈值则认为被监测轴承没有发生失效行为；

边缘端根据所述轴承运行状态指标，在满足设定条件时向雾端上传指标数据片段及其对应的轴承工作环境状态信号；

雾端根据边缘端上传的指标数据片段，对各轴承数字孪生体模型进行更新，并将指标数据片段和更新后的孪生体模型参数上传至云端；

雾端根据更新后的轴承数字孪生模型，融合轴承工作环境状态信号，利用云端的寿命预测模型和智能诊断模型，对轴承进行剩余寿命计算和早期损伤辨识；

云端根据雾端上传的指标数据片段和更新后的孪生体模型参数，索引该雾端的时空数据，结合通用诊断预测模型为该雾端训练针对性诊断预测模型并发送回该雾端；

云端根据各雾端上传的指标数据片段和更新后的孪生体模型参数更新时空索引，持续训练通用诊断预测模型，并计算服役条件对轴承寿命的主要影响因素，提供运维建议。

在雾端初始化轴承数字孪生模型，云端加载通用诊断预测模型时，在雾端依据轴承型号初始化轴承数字孪生模型，云端初始诊断预测模型为利用实验数据集训练得到的深度学习算法模型。

所述的轴承运行状态信号包括且不限于振动信号和温度信号，所述振动信号和温度信号至少来自于轴承安装座和轴承部件，所述振动信号通过传感器测得，为轴承的振动位移、速度以及加速度响应；轴承工作环境状态信号至少包括温度和湿度。

边缘端对轴承运行状态信号以及轴承工作环境状态信号进行信号处理时，所采用的信号处理方法采用时域分析、频域分析或小波分析，其处理结果为轴承运行状态指标。

所述设定条件为达到设定时间间隔或轴承发某项运行状态指标的变化量超过设定的阈值。

所述的数字孪生模型至少包括结构动力学模型、热力耦合模型、应力分析模型和损伤演化模型。

所述寿命预测与故障诊断模型采用机器学习方法。

所述早期损伤辨识至少包含剥落、点蚀和打滑的典型故障。

对各轴承数字孪生体模型进行更新时，通过调整各轴承数字孪生体模型的内部参数实现，所述内部参数的调整更新方法采用扩展卡尔曼滤波算法；所述内部参数包括被监测轴承的工况/环境参数和模型参数。

云、雾、边缘端协同的轴承状态监测与管理系统，包括云端、雾端以及边缘端，云端、雾端以及边缘端之间相互通信连接，云端、雾端以及边缘端中均布置有计算服务器，所述计算服务器均包括处理器以及存储器，云端、雾端以及边缘端的存储器中均存储有计算机程序，雾端处理器运行所述计算机程序时能初始化轴承数字孪生模型，根据边缘端上传的指标数据片段，对各轴承数字孪生体模型进行更新，并将指标数据片段和更新后的孪生体模型参数上传至云端，并根据更新后的轴承数字孪生模型，融合轴承工作环境状态信号，利用云端的寿命预测模型和智能诊断模型，对轴承进行剩余寿命计算和早期损伤辨识；

云端处理器运行所述计算机程序时加载通用诊断预测模型，根据雾端上传的指标数据片段和更新后的孪生体模型参数，索引该雾端的时空数据，结合通用诊断预测模型为该雾端训练针对性诊断预测模型并发送回该雾端，同时根据各雾端上传的指标数据片段和更新后的孪生体模型参数更新时空索引，持续训练通用诊断预测模型，并计算服役条件对轴承寿命的主要影响因素，提供运维建议；

边缘端处理器运行所述计算机程序时根据得到的轴承运行状态信号以及轴承工作环境状态信号，对轴承运行状态信号以及轴承工作环境状态信号进行信号处理，计算得到轴承运行状态指标，同时根据所述轴承运行状态指标，利用简单轴承故障诊断算法进行轴承故障识别，若某监测指标严重超出阈值则及时告警，若没有指标超出阈值则认为被监测轴承没有发生失效行为；并根据所述轴承运行状态指标，在满足设定条件时向雾端上传指标数据片段和轴承工作环境状态信号。

与现有技术相比，本发明至少具有以下有益效果：

本发明利用云、雾、边缘端协同的方式，清晰划定了不同硬件层级在轴承状态监测和管理中起到的职能和传递的数据：在边缘端设备完成对原始信号的前处理和运行状态特征提取工作，并设置阈值告警功能，边缘端仅向雾端传输轴承运行状态信号和环境状态信号，极大减小了雾端计算负担和数据传输负担；在雾端设备上对被监测轴承的数字孪生体进行状态参数更新，并利用云端发布的损伤识别模型和剩余寿命预测模型识别轴承早期故障，并计算剩余寿命，雾端主要向云端上传更新后孪生体参数和部分运行状态参数片段；在云端设备索引雾端节点的时空数据，结合通用诊断预测模型为该雾端节点训练针对性诊断预测模型并发送回雾节点，同时计算服役条件对轴承寿命的主要影响因素，提供运维建议；

本发明实现了高信息价值的数据传输，降低了各设备层级间的数据传输压力，并充分利用各设备层级优势实现了原始信号快速处理，剩余寿命实时更新，诊断预测模型的快速计算和海量数据的存储工作；相比于传统纯数据驱动的轴承寿命预测模型，本发明中所应用的雾端数模结合的数字孪生轴承寿命预测模型从损伤机理上模拟了轴承损伤发展和性能退化过程，该方法为寿命预测提供了准确直观的依据，通过利用实测信号实现工况变化的实时跟踪，从而提高仿真计算结果的准确性。

本发明所提出的云、雾、边缘端协同的轴承状态监测与管理系统在计算架构上利用云、雾、边缘端协同实现计算资源合理调配，在边缘端降低底层响应时间，在云端提高计算速度和传输效率，并在雾端实现个性化诊断方案和数字孪生体构建，在轴承状态监测方法上利用数模驱动的数字孪生模型实现轴承损伤扩展的实时计算，实现轴承剩余寿命预测。

附图说明

图1是云、雾、边缘端协同的轴承状态监测与管理系统流程图；

具体实施方式

下面结合附图对本发明进行详细阐述。

现有的基于大数据技术的轴承状态监测与管理系统大多部署在云平台，虽然能够利用云平台强大的计算能力和数据存储能力，但是存在信息传输压力大，对底层设备反馈实时性差的缺点。而近年来兴起的云边协同方案利用边缘计算技术在终端处实现了原始测试信号的处理和特征提取工作，降低了信息传输压力，提高了底层设备反馈实时性，但针对区域设备集群的故障诊断和寿命预测定制化模型训练，该方案无法较好的解决。此外，现有的云(雾)边协同轴承状态监测与管理系统往往仅是在不同层级部署故障诊断智能算法训练任务，而罕有同时实现寿命预测的方案，无法完全发挥大数据技术对实现预知维护的潜力。针对现有基于大数据技术的轴承状态监测与管理系统的上述两个缺点，提出云、雾、边缘端协同的轴承状态监测与管理系统，为预知维护提供高效的计算架构和准确的诊断预测方案。

如图1所示，本发明提出的云、雾、边缘端协同的轴承状态监测与管理方法，包括以下步骤：

S1，根据轴承型号初始化雾端对应的轴承数字孪生模型，云端加载通用诊断预测模型；雾端初始轴承数字孪生模型选择依据轴承型号，云端初始诊断预测模型为利用大量实验数据集训练得到的深度学习算法模型。

S2，由传感器采集轴承运行状态信号，以及轴承工作环境状态信号；所述的传感器采集轴承运行状态信号，所述运行状态信号包括且不限于振动信号和温度信号，采集位置包括且不限于轴承安装座和轴承部件；传感器采集轴承工作环境状态信号，所述工作环境状态信号包括且不限于温度和湿度。

S3，根据S2得到的轴承运行状态信号和轴承工作环境状态信号，在边缘端对其进行信号处理，计算轴承运行状态指标；所述信号处理方法包括且不限于时域分析、频域分析或小波分析，轴承运行状态指标为上述信号处理的结果。

S4，边缘端根据S3中计算得到的运行状态指标，利用简单轴承故障诊断算法进行轴承故障识别，若某监测指标严重超出阈值则及时告警；

S5，边缘端根据S3中计算得到的运行状态指标，在满足设定条件时向雾端上传运行状态指标数据片段和轴承工作环境状态信号；

S6，雾端根据S5中边缘端上传的运行状态指标数据片段，对各轴承数字孪生体模型进行更新，并将所述运行状态指标数据片段和更新后的孪生体模型参数上传至云端服务器；所述的数字孪生模型，至少包括结构动力学模型、热力耦合模型、应力分析模型和损伤演化模型。通过调整模型内部参数实现各轴承数字孪生体模型更新，所述模型内部参数的调整更新方法，采用但不限于采用扩展卡尔曼滤波算法。所述模型内部参数包括被监测轴承的工况/环境参数和模型参数。

S7，雾端根据S6中的更新后的轴承数字孪生模型，融合轴承工作环境状态信号，利用云端服务器发布的寿命预测模型和智能诊断模型，对轴承进行剩余寿命计算和早期损伤辨识；所述早期损伤辨识至少包含剥落、点蚀和打滑的典型故障。

S8，云端根据S6中雾端上传的运行状态指标数据片段和更新后的孪生体模型参数，索引该雾端的时空数据，结合通用诊断预测模型为该雾端训练针对性诊断预测模型并发送回该雾端；

S9，云端根据S6中各雾端上传的数据更新时空数据索引，持续训练通用诊断预测模型，并计算服役条件对轴承寿命的主要影响因素，提供运维建议。

另外，本发明还可以提供云、雾、边缘端协同的轴承状态监测与管理系统，包括云端、雾端以及边缘端，云端、雾端以及边缘端之间相互通信连接，云端、雾端以及边缘端中均布置有计算服务器，所述计算服务器均包括处理器以及存储器，云端、雾端以及边缘端的存储器中均存储有计算机程序，雾端处理器运行所述计算机程序时能初始化轴承数字孪生模型，根据边缘端上传的指标数据片段，对各轴承数字孪生体模型进行更新，并将指标数据片段和更新后的孪生体模型参数上传至云端，并根据更新后的轴承数字孪生模型，融合轴承工作环境状态信号，利用云端的寿命预测模型和智能诊断模型，对轴承进行剩余寿命计算和早期损伤辨识；

云端处理器运行所述计算机程序时加载通用诊断预测模型，根据雾端上传的指标数据片段和更新后的孪生体模型参数，索引该雾端的时空数据，结合通用诊断预测模型为该雾端训练针对性诊断预测模型并发送回该雾端，同时根据各雾端上传的指标数据片段和更新后的孪生体模型参数更新时空索引，持续训练通用诊断预测模型，并计算服役条件对轴承寿命的主要影响因素，提供运维建议。

边缘端处理器运行所述计算机程序时根据得到的轴承运行状态信号以及轴承工作环境状态信号，对轴承运行状态信号以及轴承工作环境状态信号进行信号处理，计算得到轴承运行状态指标，同时根据所述轴承运行状态指标，利用简单轴承故障诊断算法进行轴承故障识别，若某监测指标严重超出阈值则及时告警，若没有指标超出阈值则认为被监测轴承没有发生失效行为；并根据所述轴承运行状态指标，在满足设定条件时向雾端上传指标数据片段和轴承工作环境状态信号。

Claims (10)

1.云、雾、边缘端协同的轴承状态监测与管理方法，其特征在于，包括以下步骤：

在雾端初始化轴承数字孪生模型，云端加载通用诊断预测模型；

获取轴承运行状态信号以及轴承工作环境状态信号；

根据得到的轴承运行状态信号以及轴承工作环境状态信号，边缘端对轴承运行状态信号以及轴承工作环境状态信号进行信号处理，计算得到轴承运行状态指标；

边缘端根据所述轴承运行状态指标，利用简单轴承故障诊断算法进行轴承故障识别，若某监测指标超出阈值则及时告警，若没有指标超出阈值则认为被监测轴承没有发生失效行为；

边缘端根据所述轴承运行状态指标，在满足设定条件时向雾端上传指标数据片段及其对应的轴承工作环境状态信号；

雾端根据边缘端上传的指标数据片段，对各轴承数字孪生体模型进行更新，并将指标数据片段和更新后的孪生体模型参数上传至云端；

雾端根据更新后的轴承数字孪生模型，融合轴承工作环境状态信号，利用云端的寿命预测模型和智能诊断模型，对轴承进行剩余寿命计算和早期损伤辨识；

云端根据雾端上传的指标数据片段和更新后的孪生体模型参数，索引该雾端的时空数据，结合通用诊断预测模型为该雾端训练针对性诊断预测模型并发送回该雾端；

云端根据各雾端上传的指标数据片段和更新后的孪生体模型参数更新时空索引，持续训练通用诊断预测模型，并计算服役条件对轴承寿命的主要影响因素，提供运维建议。

2.根据权利要求1所述的云、雾、边缘端协同的轴承状态监测与管理方法，其特征在于，在雾端初始化轴承数字孪生模型，云端加载通用诊断预测模型时，在雾端依据轴承型号初始化轴承数字孪生模型，云端初始诊断预测模型为利用实验数据集训练得到的深度学习算法模型。

3.根据权利要求1所述的云、雾、边缘端协同的轴承状态监测与管理方法，其特征在于，所述的轴承运行状态信号包括且不限于振动信号和温度信号，所述振动信号和温度信号至少来自于轴承安装座和轴承部件，所述振动信号通过传感器测得，为轴承的振动位移、速度以及加速度响应；轴承工作环境状态信号至少包括温度和湿度。

4.根据权利要求1所述的云、雾、边缘端协同的轴承状态监测与管理方法，其特征在于，边缘端对轴承运行状态信号以及轴承工作环境状态信号进行信号处理时，所采用的信号处理方法采用时域分析、频域分析或小波分析，其处理结果为轴承运行状态指标。

5.根据权利要求1所述的云、雾、边缘端协同的轴承状态监测与管理方法，其特征在于，所述设定条件为达到设定时间间隔或轴承发某项运行状态指标的变化量超过设定的阈值。

6.根据权利要求1所述的云、雾、边缘端协同的轴承状态监测与管理方法，其特征在于，所述的数字孪生模型至少包括结构动力学模型、热力耦合模型、应力分析模型和损伤演化模型。

7.根据权利要求1所述的云、雾、边缘端协同的轴承状态监测与管理方法，其特征在于，所述寿命预测与故障诊断模型采用机器学习方法。

8.根据权利要求1所述的云、雾、边缘端协同的轴承状态监测与管理方法，其特征在于，所述早期损伤辨识至少包含剥落、点蚀和打滑的典型故障。

9.根据权利要求1所述的云、雾、边缘端协同的轴承状态监测与管理方法，其特征在于，对各轴承数字孪生体模型进行更新时，通过调整各轴承数字孪生体模型的内部参数实现，所述内部参数的调整更新方法采用扩展卡尔曼滤波算法；所述内部参数包括被监测轴承的工况/环境参数和模型参数。

10.云、雾、边缘端协同的轴承状态监测与管理系统，其特征在于，包括云端、雾端以及边缘端，云端、雾端以及边缘端之间相互通信连接，云端、雾端以及边缘端中均布置有计算服务器，所述计算服务器均包括处理器以及存储器，云端、雾端以及边缘端的存储器中均存储有计算机程序，雾端处理器运行所述计算机程序时能初始化轴承数字孪生模型，根据边缘端上传的指标数据片段，对各轴承数字孪生体模型进行更新，并将指标数据片段和更新后的孪生体模型参数上传至云端，并根据更新后的轴承数字孪生模型，融合轴承工作环境状态信号，利用云端的寿命预测模型和智能诊断模型，对轴承进行剩余寿命计算和早期损伤辨识；

云端处理器运行所述计算机程序时加载通用诊断预测模型，根据雾端上传的指标数据片段和更新后的孪生体模型参数，索引该雾端的时空数据，结合通用诊断预测模型为该雾端训练针对性诊断预测模型并发送回该雾端，同时根据各雾端上传的指标数据片段和更新后的孪生体模型参数更新时空索引，持续训练通用诊断预测模型，并计算服役条件对轴承寿命的主要影响因素，提供运维建议；

边缘端处理器运行所述计算机程序时根据得到的轴承运行状态信号以及轴承工作环境状态信号，对轴承运行状态信号以及轴承工作环境状态信号进行信号处理，计算得到轴承运行状态指标，同时根据所述轴承运行状态指标，利用简单轴承故障诊断算法进行轴承故障识别，若某监测指标严重超出阈值则及时告警，若没有指标超出阈值则认为被监测轴承没有发生失效行为；并根据所述轴承运行状态指标，在满足设定条件时向雾端上传指标数据片段和轴承工作环境状态信号。

Images