CN113776794B - 一种嵌入式边缘计算的故障诊断方法、装置和系统 - Google Patents

Abstract

本发明公开了一种嵌入式边缘计算的故障诊断方法、装置和系统，属于机械设备状态监测技术及故障诊断领域。本发明能进行多个通道多物理量的信号采集，对状态监测于故障诊断提供多种数据支持，比如数控机床需要同时监测振动、温度、电压等多种信号进行状态监测；能对振动信号进行有量纲特征、无量纲特征、频域特征三种类型指标进行提取，建立了充足的特征集，训练得到的诊断模型越准确，提高了诊断模块的准确性；本发明的阈值报警和智能诊断模块并行运行，以及独特的数据上传机制，保证上传数据的有效性、稳定性，使嵌入式边缘计算的故障诊断装置在边缘端处理数据和筛选数据，减少了丢失，为后续客户端提供有效、实时数据，提高了系统管理智能化水平。

Description

一种嵌入式边缘计算的故障诊断方法、装置和系统

技术领域

本发明涉及一种嵌入式边缘计算的故障诊断方法、装置和系统，属于机械设备状态监测技术及故障诊断领域。

背景技术

随着现代工业的持续发展和科技水平的不断提高，在我国机械领域，风力发电设备、航空发动机、高档数控机床等大型机械装备正在朝着高精、高效方向发展，装备的安全可靠运行举足轻重，必须依靠故障诊断理论与方法保驾护航，由于需要诊断的装备群规模大、每台装备安装的测点多、数据采样的频率高、装备从开始服役到寿命终止的数据收集历时长，所以获取了海量的数据，推动故障诊断领域进入了“大数据”时代。通过上层数据分析系统对现场设备进行状态监测与故障预测，因此需要大量的数据支撑，而目前的数据服务方式为采用云端集中处理模式，不同生产设备的所有数据统一传输到云中心，通过云中心对数据处理后进行数据传统，此种方式由于存在大量数据的传输，容易造成数据传输的延时，不能达到高实时性要求的制造企业的需求。由此边缘计算技术提出解决了海量终端连接、传输、实时、存储等问题。

比如公开号CN10993300A的中国专利公开了一种基于边缘计算和云协同的机床故障诊断与预测方法及系统，在网关节点进行数据特征提取，将计算结果发送到云端进行进一步数据处理和诊断模型训练，最后将结果发送客户端，完成了近设备端的边缘计算功能，但是只嵌入了特征提取，并未在边缘层进行故障诊断，边缘计算功能较为单一，并未解决实时、传输等问题。公开号为CN109901537A的中国专利公开了一种用于边缘计算侧的机械设备运行状态监测方法和系统，边缘层包括了包括数据采集模块、报警模块、智能诊断模块，具备近设备端的数据处理、智能诊断功能，但诊断模块必须在报警后才能触发，不能并行触发，以报警阈值作为首要判断并不能完全反映早期故障，同时系统采集的数据直接通过通讯协议远程上传，缺少数据在边缘层进行筛选的机制，在网络不通畅的情况下，实时数据易丢失。

发明内容

本发明提供了一种嵌入式边缘计算的故障诊断方法、装置和系统。其具体方案如下：

一种嵌入式边缘计算的故障诊断方法，包括：

信号采集：同步采集多通道多物理量的机械设备运行工况数据原始信号；其中，多物理量的机械设备运行工况数据原始信号包括振动类型数据信号和非振动类型数据信号；

特征提取：从振动类型数据信号的时域中提取有量纲特征、无量纲特征，对振动类型数据信号的频域进行傅里叶变换提取频域特征；将提取的有量纲特征、无量纲特征、频域特征构建特征集；

报警判别和故障诊断：对特征集及非振动类型数据信号进行报警判别，对特征集进行故障诊断；

数据上传：将报警判别和故障诊断的结果、特征集进行上传；将机械设备运行工况数据原始信号根据报警判别和故障诊断判定进行数据筛选后上传；

数据保存：保存采集的机械设备运行工况数据原始信号作为历史数据。

所述多物理量的机械设备运行工况数据原始信号包括振动类型数据信号和非振动类型数据信号，振动类型数据信号包括加速度、速度、位移信号；非振动类型数据信号包括温度、电压、声音信号。

所述有量纲特征包括峰峰值、均值、方差、标准差、均方值、均方根值、均方误差；无量纲特征包括波形因子、峭度因子、峰值因子、歪度；频域特征包括频域峰值、频谱六段能、十二段倍频能量；且支持远程客户端进行特征指标更新、拓展。

所述报警判别和故障诊断具体为：

报警判别：如果采集的非振动类型数据信号大于设定的阈值，进行报警；如果特征集中存在特征的值大于设定的阈值，进行报警；其中，特征集选择有量纲特征中均方根的值进行判别；

故障诊断：将特征集送入诊断模型中进行智能故障诊断，当诊断模型的识别结果为某种故障时候，触发故障报警。

所述数据上传：针对非振动类型数据信号通过报警判别获得的报警结果、针对特征集通过报警判别获得的报警结果与通过故障诊断获得的诊断结果进行合并的结果、特征集实时根据通讯协议传输到客户端；其中，报警结果包括通道编号、机械设备测点位置、采集数据的时间点、信号类型、阈值大小、阈值触发结果；诊断结果包括通道编号、机械设备测点位置、采集数据的时间点、识别结果、诊断率；信号类型根据振动类型数据信号的具体类型、非振动类型数据信号的具体类型进行显示；

当某个时刻采集的机械设备运行工况数据原始信号通过任一判定机制触发成功，则将此时刻的原始信号发送到客户端；其中，判定机制指报警判别和故障诊断两个机制。

当客户端需要保存在嵌入式边缘计算的故障诊断装置的机械设备运行工况数据原始信号，通过下发指令，将嵌入式边缘计算的故障诊断装置保存的历史数据上传到客户端，或当嵌入式边缘计算的故障诊断装置的历史数据达到了装置的最大内存，则通过先进先出的存储方式进行数据保存。

一种嵌入式边缘计算的故障诊断装置，包括：

信号采集模块，用于同步采集多通道多物理量的机械设备运行工况数据原始信号；其中，多物理量的机械设备运行工况数据原始信号包括振动类型数据信号和非振动类型数据信号；

信号处理模块，用于从振动类型数据信号的时域中提取有量纲特征、无量纲特征，对振动类型数据信号的频域进行傅里叶变换提取频域特征；将提取的有量纲特征、无量纲特征、频域特征构建特征集；

报警判别和故障诊断模块，用于对特征集及非振动类型数据信号进行报警判别，对特征集进行故障诊断；

网络通信模块，用于将报警判别和故障诊断的结果、特征集进行上传；将原始机械设备运行工况数据信号波形数据根据报警判别和故障诊断判定进行数据筛选后进行上传；

数据保存模块，用于保存采集的机械设备运行工况数据原始信号作为历史数据。

所述报警判别和故障诊断模块具体为：

如果采集的非振动类型数据信号大于设定的阈值，用于进行报警；如果特征集中存在特征的值大于设定的阈值，用于进行报警；其中，特征集选择有量纲特征中均方根的值进行判别；

用于将特征集送入诊断模型中进行智能故障诊断，当诊断模型的识别结果为某种故障时候，用于触发故障报警。

所述网络通信模块，用于将针对非振动类型数据信号通过报警判别获得的报警结果、针对特征集通过报警判别获得的报警结果与通过故障诊断获得的诊断结果进行合并的结果、特征集实时根据通讯协议传输到客户端；其中，报警结果包括通道编号、机械设备测点位置、采集数据的时间点、信号类型、阈值大小、阈值触发结果；诊断结果包括通道编号、机械设备测点位置、采集数据的时间点、识别结果、诊断率；信号类型根据振动类型数据信号的具体类型、非振动类型数据信号的具体类型进行显示；

用于当某个时刻采集的机械设备运行工况数据原始信号通过任一判定机制触发成功，则将此时刻的原始信号发送到客户端；其中，判定机制指报警判别和故障诊断两个机制。

一种故障诊断系统，包括嵌入式边缘计算的故障诊断装置，还包括客户端；

嵌入式边缘计算的故障诊断装置用于采集机械设备运行工况数据原始信号，并进行信号处理、报警判别、故障诊断、数据上传；

客户端用于接收嵌入式边缘计算的故障诊断装置上传的数据，用于信号采集模块的参数设置，用于报警判别中报警信号类型参数设置、阈值大小参数设置，用于嵌入式边缘计算的故障诊断装置的远程控制；用于对接收的数据中的特征集进行诊断模型的训练；

远程控制用于下发指令：下发嵌入式边缘计算的故障诊断装置的启停指令、下发历史数据下载指令、下发参数文件指令、下发诊断模型文件指令。

本发明的有益效果是：本发明能进行多个通道多物理量的信号采集，对状态监测于故障诊断提供多种数据支持，比如数控机床需要同时监测振动、温度、电压等多种信号进行状态监测；能对振动信号进行有量纲特征、无量纲特征、频域特征三种类型指标进行提取，建立了充足的特征集，训练得到的诊断模型越准确，提高了诊断模块的准确性；本发明的阈值报警和智能诊断模块并行运行，以及独特的数据上传机制，保证上传数据的有效性、稳定性，使嵌入式边缘计算的故障诊断装置在边缘端处理数据和筛选数据，减少了丢失，为后续客户端提供有效、实时数据，提高了系统管理智能化水平。

附图说明

图1为嵌入式边缘计算的故障诊断方法流程示意图；

图2为故障诊断系统结构示意图；

图3为客户端中Logistic Regression分类模型训练示意图；

图4为嵌入式边缘计算的故障诊断装置中历史数据上传机制示意图；

图5为嵌入式边缘计算的故障诊断装置中实时数据上传机制示意图；

图6为客户端和嵌入式边缘计算的故障诊断装置交互过程示意图。

具体实施方式

下面结合附图和实施例，对发明作进一步的说明，但本发明的内容并不限于所述范围。实施例1：一种嵌入式边缘计算的故障诊断方法，如图1所示，所述方法包括如下步骤：

(1)根据需要进行状态监测的设备，确定设备监测解决方案，首先确定采集的型号类型以及传感器，根据方案布置传感器，通过客户端进行信号采集模块的参数设置，具体为：将通道配置(信号类型、采样频率、采样点数)和采样配置(连续采样或间隔采样)写入配置文件，控制嵌入式边缘计算的故障诊断装置同步采集多通道多物理量的机械设备运行工况数据原始信号，获得多通道多物理量的机械设备运行工况数据原始信号；所述同步采集是通过信号采集模块利用独立的采样保持电路保证多通道同时采集多通道多物理量的机械设备运行工况数据原始信号并进行信号调理、A/D转换信号，采集过程不会产生相位误差同时独立的采样保持电路保证了通道间的隔离性，通道间信号不易发生串扰。所述多物理量的机械设备运行工况数据原始信号包括振动类型数据信号和非振动类型数据信号，振动类型数据信号，比如加速度、速度、位移等信号；非振动类型数据信号，比如温度、电压、声音等信号；可以通过多个信号采集模块进行多物理量的机械设备运行工况数据原始信号采集，比如NI-9234采集振动类型数据信号，NI-9215采集非振动类型数据信号。

(2)从振动类型数据信号的时域中提取有量纲特征、无量纲特征，对振动类型数据信号的频域进行傅里叶变换提取频域特征；将提取的有量纲特征(峰峰值、均值、方差、标准差、均方值、均方根值(RMS)、均方误差(MSE))、无量纲特征(波形因子、峭度因子、峰值因子、歪度)、频域特征构(频域峰值、频谱六段能、十二段倍频能量)建特征集；且支持远程客户端进行特征指标更新、拓展。

(3)如果采集的非振动类型数据信号大于设定的阈值，进行报警；如果特征集中存在特征的值大于设定的阈值，进行报警；其中，特征集选择有量纲特征中均方根的值进行判别；选择均方根，可以体现不同类型设备的运行状况，根据判别结果能适应不同类型设备的评估，使得本发明方法通用性强。

故障诊断：将特征集送入诊断模型中进行智能故障诊断，当诊断模型的识别结果为某种故障时候，触发故障报警。

整个步骤既可以适应不同类型数据的报警判别，同时可以并行实现对送入的特征集进行故障诊断。两种方式进行判断，既可以获得故障诊断后的数据，同时也可以获得故障诊断未能识别，但是为异常点的数据，使得筛选后获得的故障数据尽可能的贴近实际。

(4)针对非振动类型数据信号通过报警判别获得的报警结果、针对特征集通过报警判别获得的报警结果与通过故障诊断获得的诊断结果进行合并的结果、特征集实时根据通讯协议传输到客户端；其中，报警结果包括通道编号、机械设备测点位置、采集数据的时间点、信号类型、阈值大小、阈值触发结果；诊断结果包括通道编号、机械设备测点位置、采集数据的时间点、识别结果、诊断率；信号类型根据振动类型数据信号的具体类型、非振动类型数据信号的具体类型进行显示，比如显示加速度、速度、位移，温度、电压、声音；阈值触发结果用于表达是否触发，可以采用是/否等来表达；

当某个时刻采集的机械设备运行工况数据原始信号通过任一判定机制触发成功，则将此时刻的原始信号发送到客户端；其中，判定机制指报警判别和故障诊断两个机制。

该步骤既可以用于对非振动类型数据信号的报警结果、特征集的报警结果与诊断结果合并的结果、特征集进行上传，同时为了避免前述上传数据中的结果判断失误，再进一步地对触发了判定机制的原始波形数据进行上传；两种上传方式可以满足采集的数据量尽可能少的情况下还能有效表征机械设备运行工况。

应用本发明实施例，一种嵌入式边缘计算的故障诊断方法，对机械设备采集多物理量多通道信号数据，通过特征提取获得特征集数据，然后进行报警判别和故障诊断，经过多次循环处理，客户端不断优化诊断模型，进一步获得最准确的故障诊断和预测模型，进而提高故障诊断和预测的精确度。

实施例2：一种故障诊断系统，如图2所示：

所述系统包括嵌入式边缘计算的故障诊断装置，还包括客户端；

嵌入式边缘计算的故障诊断装置(如NI crio作为硬件载体)，包括：

信号采集模块，用于同步采集多通道多物理量的机械设备运行工况数据原始信号；其中，多物理量的机械设备运行工况数据原始信号包括振动类型数据信号和非振动类型数据信号；

信号处理模块，用于从振动类型数据信号的时域中提取有量纲特征、无量纲特征，对振动类型数据信号的频域进行傅里叶变换提取频域特征；将提取的有量纲特征、无量纲特征、频域特征构建特征集；

报警判别和故障诊断模块，用于对特征集及非振动类型数据信号进行报警判别，对特征集进行故障诊断；

网络通信模块，用于将报警判别和故障诊断的结果、特征集进行上传；将原始机械设备运行工况数据信号波形数据根据报警判别和故障诊断判定进行数据筛选后进行上传；

数据保存模块，用于保存采集的机械设备运行工况数据原始信号作为历史数据。

客户端用于接收嵌入式边缘计算的故障诊断装置上传的数据，用于按照状态监测方案对现场部署的传感器进行信号采集模块的参数设置(如：采样频率、灵敏度、采样点数设置；选择连续采样或间隔采样)，用于报警判别中报警信号类型参数设置、阈值大小参数设置，用于嵌入式边缘计算的故障诊断装置的远程控制；用于对接收的数据中的特征集进行诊断模型的训练(模型训练前可以对特征指标进行更新、也可拓展)；远程控制用于下发指令：下发嵌入式边缘计算的故障诊断装置的启停指令、下发历史数据下载指令、下发参数文件指令(即将设置的信号采集模块的参数、设置的报警判别中报警信号类型参数、阈值大小参数等进行下发)、下发诊断模型文件指令；即将上述指令写入配置文件下发到嵌入式边缘计算的故障诊断装置；嵌入式边缘计算的故障诊断装置收到指令后开始执行。

进一步地，嵌入式边缘计算的故障诊断装置收到采集指令后，按照之前下发的采集任务进行采集，并进行信号处理、报警判别、故障诊断、数据上传；将数据上传到客户端，进行数据可视化，实现系统的实时在线状态监测(如：特征集实时发送，可以从特征值的趋势，比如均方根值看设备是否处在正常运行的状态，这个特征集实时发送，即用于云层的在线状态监测)。

此外，随着实时数据的不断上传，在客户端管理软件当中对保存在本地的历史数据和设备端保存的历史数据进行数据分析(根据数据的不同，采用不同的方式分析，如时域、频域分析等)，挖掘故障特征，构建训练样本集，进行机器学习算法的诊断模型训练。

本发明实施例2，融合计算、存储、通信等功能的嵌入式边缘计算的故障诊断装置。以同步、实时的边缘计算替代大规模集中计算，小规模的特征集、诊断结果、报警结果等最终信息替代大规模数据上传，随着实时特征数据的不断积累，可持续优化的机器学习故障诊断和预测模型，实现低流量、高效率、诊断精度不断提高的故障诊断和预测方法。

另外，本发明实施例具有可以根据状态监测方案灵活部署，多通道多物理量采集提供丰富的数据类型、多特征提取、不局限设备部件，具有良好的适用性，能针对不同设备不同部件进行状态监测于故障诊断。

客户端通过不断上传采集数据的特征集，构建训练集样本，进行机器学习诊断模型的训练，图3为客户端中Logistic Regression分类模型训练示意图，具体实施方式步骤如下：

本实施例所述的逻辑回归(Logistic Regression)是机器学习中的一种分类模型，分类流程比较简单，主要以下流程：

(1)线性求和：根据输入来判断分类，假设有一个n维的输入列向量x，也有一个n维的参数列向量h，还有一个偏置量b，那么就可以线性求和得到z。

z＝h^Tx+b (1)

(2)sigmoid函数激活：得到z的值域[-∞,+∞]，无法根据得到的z来判断是否属于第一类和第二类。因此需要一个函数将z映射到[0,1]之间，这个函数就是激活函数。Logistic Regression算法选择sigmoid函数，也称逻辑函数:

逻辑回归的假设函数形式如下：

其中：x代表输入变量(特征变量)，θ代表我们要求取的参数，其公式为：

由公式2可以知道，给定一个输入x，我们就能实现简单的二分类。当要解决多分类问题，通常采用One-vs-All，假定完成k分类，One-vs-All的执行过程如下：

(1)先轮流选中某一类型i，将其视为正样本，即“1”分类，剩下样本都认作是是负样本，即“0”分类。

(2)训练逻辑回归模型得到参数θ(1),θ(2),…,θ(K)，即总共获得了K-1决策边界，这样就能将多个类别分开。

所选择的Logistic Regression算法模型是利用西储大学轴承试验台的大量数据样本检验，选择不同的机器学习算法进行模型训练，之后用测试集样本测试模型准确度，选择的模型准确率最高的机器学习算法。其优点在于训练速度快，对数据中小噪声鲁棒性好，可用于分布式数据，用较小资源处理较大数据，直接对分类的可能性建模，无需事先假设数据分布，不仅预测出类别，还可以得到近似概率预测。

图4和图5为嵌入式边缘计算的故障诊断装置中数据上传机制示意图，具体实施例流程如下：

嵌入式边缘计算的故障诊断装置中，数据预处理后，提取振动类型数据的有量纲特征、无量纲特征、频域特征三种特征类型，构建特征集；

如果采集的非振动类型数据信号大于设定的阈值，进行报警；如果特征集中存在特征的值大于设定的阈值，进行报警；其中，特征集选择有量纲特征中均方根的值进行判别；将特征集送入诊断模型中进行智能故障诊断，当诊断模型的识别结果为某种故障时候，触发故障报警。报警信号类型指标、阈值大小、诊断模型支持远程客户端进行更新、拓展。

针对非振动类型数据信号通过报警判别获得的报警结果、针对特征集通过报警判别获得的报警结果与通过故障诊断获得的诊断结果进行合并的结果、特征集实时根据通讯协议传输到客户端；其中，报警结果包括通道编号、机械设备测点位置、采集数据的时间点、信号类型、阈值大小、阈值触发结果；诊断结果包括通道编号、机械设备测点位置、采集数据的时间点、识别结果、诊断率；信号类型根据振动类型数据信号的具体类型、非振动类型数据信号的具体类型进行显示，比如显示加速度、速度、位移，温度、电压、声音；阈值触发结果用于表达是否触发，可以采用是/否等来表达；当某个时刻采集的机械设备运行工况数据原始信号通过任一判定机制触发成功，则将此时刻的原始信号发送到客户端；其中，判定机制指报警判别和故障诊断两个机制。

进一步得，当客户端需要保存在嵌入式边缘计算的故障诊断装置的机械设备运行工况数据原始信号，通过下发指令，将嵌入式边缘计算的故障诊断装置保存的机械设备运行工况数据原始信号上传到客户端，或当嵌入式边缘计算的故障诊断装置的数据达到了设备的最大内存，则通过先进先出的存储方式进行数据保存：

(a)客户端需要保存在嵌入式边缘计算的故障诊断装置的数据，通过下发指令，将嵌入式边缘计算的故障诊断装置中的数据全部上传到客户端。

(b)嵌入式边缘计算的故障诊断装置的数据达到了设备的最大内存(32G)，则通过先进先出的存储方式进行数据保存。

作为本实施例的边缘设备端数据保存方案，设备正常状态下，数据保存按照设备的采样间隔保存，最大容量32G，可保存大量数据，支持一个通道51200采样率，采样间隔3秒的加速度信号采集，持续保存4天，而在实际情况中，加速度采样率只有12800，保存间隔一般是5分钟，可持续保存295天，具备超长时间保存。

本实施例所述的的数据上传机制，结合嵌入式边缘计算的故障诊断装置中的智能诊断和报警阈值模块结果，筛选有价值的数据发送到客户端，同时将所有数据保存在边缘设备中，通过双重的历史数据上传机制上传到客户端。解决量海量数据传输、实时、存储等问题。

图6为嵌入式边缘计算的故障诊断装置和客户端交互示意图，具体实施例流程如下：

(1)采集任务下发：在客户端中对硬件部署的信号采集模块进行通道配置，包括信号类型、采样频率、采样点数，最后保存xml格式文件，命名采集任务名称，通过WebDAV协议下发至嵌入式边缘计算的故障诊断装置；

(2)采集启停指令下发：用户在客户端对嵌入式边缘计算的故障诊断装置进行远程控制，通过TCP传输协议，下发启动和停止指令；

(3)模型下发：客户在客户端进行诊断模型训练，通过本地的数据库进行训练样本集的构建，模型训练文件通过WebDAV通讯协议下发到嵌入式边缘计算的故障诊断装置；

(4)实时数据上传：嵌入式边缘计算的故障诊断装置行数据处理和智能诊断，将报警结果和诊断结果、特征集可通过TCP/MODBUS/OPC UA多种通讯协议上传到客户端或服务器，通信接口丰富；

(5)历史数据上传：保存在嵌入式边缘计算的故障诊断装置的历史数据文件，通过WebDAV通讯协议，上传文件到客户端或服务器。

本实施例中所述的客户端和边缘设备交互过程主要分为三种方式：

1、TCP传输协议：主要用于控制边缘设备的启动和停止；

2、WebDAV传输协议：用于采集任务参数文件、模型文件、历史数据文件的上传和下发；

3、TCP/MODBUS/OPC UA传输协议用于实时数据上传。

上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (6)

1.一种嵌入式边缘计算的故障诊断方法，其特征在于：包括：

信号采集：同步采集多通道多物理量的机械设备运行工况数据原始信号；其中，多物理量的机械设备运行工况数据原始信号包括振动类型数据信号和非振动类型数据信号；

特征提取：从振动类型数据信号的时域中提取有量纲特征和无量纲特征，对振动类型数据信号的频域进行傅里叶变换提取频域特征；将提取的有量纲特征、无量纲特征和频域特征构建特征集；

报警判别和故障诊断：对特征集及非振动类型数据信号进行报警判别，对特征集进行故障诊断；

数据上传：将报警判别和故障诊断的结果和特征集进行上传；将机械设备运行工况数据原始信号根据判定机制进行数据筛选后上传；

数据保存：保存采集的机械设备运行工况数据原始信号作为历史数据；

所述有量纲特征包括峰峰值、均值、方差、标准差、均方值、均方根值、均方误差；无量纲特征包括波形因子、峭度因子、峰值因子、歪度；频域特征包括频域峰值、频谱六段能、十二段倍频能量；且支持远程客户端进行特征指标更新、拓展；

所述数据上传：将非振动类型数据信号通过报警判别获得的报警结果、特征集通过报警判别获得的报警结果与通过故障诊断获得的诊断结果进行合并的结果和特征集实时根据通讯协议传输到客户端；其中，报警结果包括通道编号、机械设备测点位置、采集数据的时间点、信号类型、阈值大小、阈值触发结果；诊断结果包括通道编号、机械设备测点位置、采集数据的时间点、识别结果、诊断率；信号类型根据振动类型数据信号的具体类型或非振动类型数据信号的具体类型进行显示；当某个时刻采集的机械设备运行工况数据原始信号通过任一判定机制触发成功，则将此时刻的原始信号发送到客户端；其中，判定机制指报警判别和故障诊断两个机制；

当客户端需要保存嵌入式边缘计算的故障诊断装置的机械设备运行工况数据原始信号，通过下发指令，将嵌入式边缘计算的故障诊断装置保存的历史数据上传到客户端，当嵌入式边缘计算的故障诊断装置的历史数据达到了装置的最大内存，则通过先进先出的存储方式进行数据保存。

2.根据权利要求1所述的嵌入式边缘计算的故障诊断方法，其特征在于：所述振动类型数据信号包括加速度、速度、位移信号；非振动类型数据信号包括温度、电压、声音信号。

3.根据权利要求1所述的嵌入式边缘计算的故障诊断方法，其特征在于：所述报警判别和故障诊断具体为：

报警判别：如果采集的非振动类型数据信号大于设定的阈值，进行报警；如果特征集中存在特征的值大于设定的阈值，进行报警；其中，特征集选择有量纲特征中均方根的值进行判别；

故障诊断：将特征集送入诊断模型中进行智能故障诊断，当诊断模型的识别结果为某种故障时候，触发故障报警。

4.一种嵌入式边缘计算的故障诊断装置，其特征在于：包括：

信号采集模块，用于同步采集多通道多物理量的机械设备运行工况数据原始信号；其中，多物理量的机械设备运行工况数据原始信号包括振动类型数据信号和非振动类型数据信号；

信号处理模块，用于从振动类型数据信号的时域中提取有量纲特征和无量纲特征，对振动类型数据信号的频域进行傅里叶变换提取频域特征；将提取的有量纲特征、无量纲特征和频域特征构建特征集；

报警判别和故障诊断模块，用于对特征集及非振动类型数据信号进行报警判别，对特征集进行故障诊断；

网络通信模块，用于将报警判别和故障诊断的结果和特征集进行上传；将机械设备运行工况数据原始信号根据判定机制进行数据筛选后上传；

数据保存模块，用于保存采集的机械设备运行工况数据原始信号作为历史数据；

所述有量纲特征包括峰峰值、均值、方差、标准差、均方值、均方根值、均方误差；无量纲特征包括波形因子、峭度因子、峰值因子、歪度；频域特征包括频域峰值、频谱六段能、十二段倍频能量；且支持远程客户端进行特征指标更新、拓展；

所述网络通信模块，用于将非振动类型数据信号通过报警判别获得的报警结果、特征集通过报警判别获得的报警结果与通过故障诊断获得的诊断结果进行合并的结果和特征集实时根据通讯协议传输到客户端；其中，报警结果包括通道编号、机械设备测点位置、采集数据的时间点、信号类型、阈值大小、阈值触发结果；诊断结果包括通道编号、机械设备测点位置、采集数据的时间点、识别结果、诊断率；信号类型根据振动类型数据信号的具体类型或非振动类型数据信号的具体类型进行显示；用于当某个时刻采集的机械设备运行工况数据原始信号通过任一判定机制触发成功，则将此时刻的原始信号发送到客户端；其中，判定机制指报警判别和故障诊断两个机制。

5.根据权利要求4所述的嵌入式边缘计算的故障诊断装置，其特征在于：所述报警判别和故障诊断模块具体为：

如果采集的非振动类型数据信号大于设定的阈值，用于进行报警；如果特征集中存在特征的值大于设定的阈值，用于进行报警；其中，特征集选择有量纲特征中均方根的值进行判别；

用于将特征集送入诊断模型中进行智能故障诊断，当诊断模型的识别结果为某种故障时候，用于触发故障报警。

6.一种故障诊断系统，包括权利要求4-5中任一项所述的嵌入式边缘计算的故障诊断装置，还包括客户端；

客户端用于接收嵌入式边缘计算的故障诊断装置上传的数据，用于信号采集模块的参数设置，用于报警判别中报警信号类型参数设置、阈值大小参数设置，用于嵌入式边缘计算的故障诊断装置的远程控制；用于对接收的数据中的特征集进行诊断模型的训练；

通过远程控制下发指令：下发嵌入式边缘计算的故障诊断装置的启停指令、下发历史数据下载指令、下发参数文件指令、下发诊断模型文件指令。

Images