CN114997062A - 一种基于边缘计算的工业水泵故障诊断轻量方法及系统 - Google Patents

一种基于边缘计算的工业水泵故障诊断轻量方法及系统 Download PDF

Info

Publication number
CN114997062A
CN114997062A CN202210680446.8A CN202210680446A CN114997062A CN 114997062 A CN114997062 A CN 114997062A CN 202210680446 A CN202210680446 A CN 202210680446A CN 114997062 A CN114997062 A CN 114997062A
Authority
CN
China
Prior art keywords
lightweight
water pump
fault diagnosis
model
encryption
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.)
Pending
Application number
CN202210680446.8A
Other languages
English (en)
Inventor
康琦
黄啸天
徐其慧
邓麒
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN202210680446.8A priority Critical patent/CN114997062A/zh
Publication of CN114997062A publication Critical patent/CN114997062A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D15/00—Control, e.g. regulation, of pumps, pumping installations or systems
    • F04D15/0088—Testing machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/602—Providing cryptographic facilities or services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Bioethics (AREA)
  • Computer Security & Cryptography (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mechanical Engineering (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及一种基于边缘计算的工业水泵故障诊断轻量方法，包括以下步骤：获取加速度传感器接收到的水泵振动流数据；建立轻量应用加密网关，包括轻量数据库模块、轻量加解密模块和轻量容器模块；下载轻量故障诊断模型；利用轻量加解密模块分别对振动流数据和轻量故障诊断模型的模型文件及模型记录信息进行加密与本地密文存储；解密并查询振动流数据密文数据和轻量故障诊断模型密文数据，在轻量容器模块中运行轻量故障诊断模型，得到诊断结果明文，并将其加密存储；根据查询时间及水泵故障状态，响应诊断结果查询请求对诊断结果密文进行解密与查询，返回故障诊断结果。与现有技术相比，本发明具有诊断效率高、系统时延低、数据隐私性强等优点。

Description

一种基于边缘计算的工业水泵故障诊断轻量方法及系统
技术领域
本发明涉及设备故障诊断技术领域，尤其是涉及一种基于边缘计算的工业水泵故障诊断轻量方法及系统。
背景技术
工业水泵作为一种常见的机械设备在工业生产中占有重要地位，随着科技的进步，工业生产领域所需设备朝向连续化、高速化、大型化、集中化及自动化方向发展。但工业现场越来恶劣的工作环境，使得设备发生故障的概率猛增。因此，生产企业需要及时了解和掌握重要设备的运行状态，得知它们可能发生的故障和趋势，在水泵发生故障后快速及时地对设备进行维修。
常见的工业水泵故障诊断系统往往在云端服务器或本地计算机上面设计诊断算法及系统，然后部署在工厂控制系统中，如PLC系统或DCS系统，此种方式不仅需要依靠人工经验设计诊断算法，系统的调试与更新均与控制系统存在强耦合性，调试更新期间会影响工厂整体系统的运行连续性，使得企业生产效率降低。
边缘计算网关拥有强大的边缘计算能力，是集远程自定义配置、远程部署、网关状态监控等技术于一体的内嵌网络操作系统的工业级智能网关。边缘计算网关可实现云服务的接入，能够通过大数据云平台来构建工业物联网平台，实现协议解析、物模型分析、事件生成、设备远程维护等功能。一般将边缘计算网关应用在物联网领域，供物联网的终端接入，从而为终端提供服务。
因此，如何将边缘计算应用于工业水泵故障诊断领域以解决上述技术问题是本领域技术人员目前需要解决的问题。
发明内容
本发明的目的就是为了提供一种基于边缘计算的工业水泵故障诊断轻量方法，克服因计算资源不足、深度学习环境差异等问题出现时只能依靠云计算诊断的弊端，提高水泵预测性维护的诊断效率。
本发明的目的可以通过以下技术方案来实现：
一种基于边缘计算的工业水泵故障诊断轻量方法，包括以下步骤：
获取由加速度传感器采集到的水泵振动流数据；
建立轻量应用加密网关，所述轻量应用加密网关嵌入于边缘计算网关中，包括轻量数据库模块、轻量加解密模块和轻量容器模块；
下载已训练完成的轻量故障诊断模型，并将所述轻量故障诊断模型嵌入轻量容器模块；
利用轻量加解密模块分别对水泵振动流数据和轻量故障诊断模型的模型文件及模型记录信息进行加密与本地密文存储；
利用轻量加解密模块解密并查询流数据密文数据和轻量故障诊断模型密文数据，在轻量容器模块中运行轻量故障诊断模型，得到诊断结果明文，利用轻量加解密模块对诊断结果明文进行加密与本地密文存储；
根据查询时间和水泵故障状态，响应诊断结果查询请求对诊断结果密文进行解密与查询，返回故障诊断结果。
所述水泵为离心式水泵，加速度传感器为三向振动加速度传感器。
所述振动流数据为水泵在x方向、y方向、z方向的振动加速度数据。
所述轻量加解密模块的加解密方式为对称加密、秘钥管理器使用系统环境变量。
所述轻量数据库模块采用嵌入式数据库。
所述轻量故障诊断模型为基于深度神经网络的多分类诊断模型，采用全连接的神经网络结构，并利用动态量化方法对所述模型进行轻量化处理。
所述轻量容器模块采用轻量虚拟化技术。
一种基于边缘计算的工业水泵故障诊断轻量系统，包括：
加速度传感器，用于获取水泵的振动流数据并传输至边缘计算网关；
云端，用于建立、训练并存储轻量故障诊断模型；
边缘计算网关，其上嵌有轻量应用加密网关，所述轻量应用加密网关用于管理边缘计算网关的异构数据，包括轻量数据库模块、轻量加解密模块和轻量容器模块，
所述边缘计算网关用于获取加速度传感器接收到的水泵振动流数据，下载云端存储的轻量故障诊断模型，并将所述轻量故障诊断模型嵌入轻量容器模块，利用轻量加解密模块分别对流数据和轻量故障诊断模型的模型文件及模型记录信息进行加密与本地密文存储，利用轻量加解密模块解密并查询流数据密文数据和轻量故障诊断模型密文数据，在轻量容器模块中运行轻量故障诊断模型，得到诊断结果明文，利用轻量加解密模块对诊断结果明文行加密与本地密文存储，根据查询时间及水泵故障状态，响应诊断结果查询请求对诊断结果密文进行解密与查询，返回查询结果。
所述边缘计算网关接口配置为RS232。
所述加速度传感器通过有线方式连接至边缘计算网关。
与现有技术相比，本发明具有以下有益效果：
(1)本发明提出的一种基于边缘计算的工业水泵故障诊断轻量方法，设计轻量应用加密网关来管理边缘系统的异构数据，以解决边缘计算网关内数据管理系统的异构性、实时性、安全性问题。考虑到故障诊断系统对数据的实时性要求较高，本发明设计轻量数据库模块、轻量加解密模块作为数据安全中间件，轻量虚拟化容器作为模型管理中间件，在水泵振动流数据进入数据库之前对数据进行部分加密，对故障诊断模型和模型记录信息分别在系统文件层和数据库层进行联合加密后存储到网关上，在容器运行之前利用安全中间件对诊断模型解密，数据隐私性强。通过以上设计使数据系统具备较快的处理速度，同时可以高效管理不同的诊断模型与水泵振动数据，可在计算资源相对缺乏的边缘计算网关上进行部署，克服因计算资源不足、深度学习环境差异等问题出现时只能依靠云计算诊断的弊端，能够极大程度上降低工业水泵预测性维护这一环节投入的时间成本与人力成本，提高水泵预测性维护的诊断效率。
(2)本发明依赖边缘计算中的轻量化、加密化、虚拟化技术，涉及的数据采集、协议解析、应用加解密、模型管理、模型推理完全在边缘计算网关上运行，不会对现有的工业控制系统产生影响。
(3)本发明采用的轻量故障诊断模型算法具有极高的适应性与鲁棒性，对水泵故障诊断场景下各类型的故障都可适用。
(4)本发明通过深度神经网络技术，在边缘计算网关系统内设计了一种针对工业水泵故障的多分类诊断模型，可自动提取水泵振动的故障特征，以解决传统水泵诊断系统需要人工处理振动信号的问题。通过对振动数据的特征进行分析，发现振动故障数据的特征较为分散、无明显规律人工难以判别其对应的故障状态，利用全连接层的深度神经网络结构来高效提取特征，从而实现对水泵故障状态的自动诊断。
(5)本发明的轻量故障诊断模型利用动态量化方法，将故障诊断模型的神经元权重从浮点型转换为整型并缩小诊断模型，可以快速准确地分析出水泵的故障状态，实现实时的模型推理，以解决边缘计算网关内诊断模型启动时间长、推理速度慢、占用计算资源高的问题。
附图说明
图1为本发明的方法流程图；
图2为本发明的系统结构示意图；
图3为本发明的轻量应用加密网关系统结构示意图；
图4为本发明轻量故障诊断模块的神经网络结构图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
一种基于边缘计算的工业水泵故障诊断轻量方法，如图1所示，包括以下步骤：
步骤1)将两个三相加速度传感器安装在工业水泵的前轴承和后轴承处，选取两个测量点完成水平、垂直、轴向三个方向的振动加速度测量，将两个三相加速度传感器数据通过RS232有线形式传输到边缘计算网关，安装方案如图2所示。
以x1来表示测量点1在x方向的振动加速度，x2来表示测量点2在x方向的振动加速度，y1来表示测量点1在y方向的振动加速度，y2来表示测量点2在y方向的振动加速度，z1来表示测量点1在z方向的振动加速度，z2来表示测量点2在z方向的振动加速度，time来表示振动加速度的采集时间，type来表示水泵的故障状态。采集数据时根据不同的外部振动因素得到了四类故障标签0、1、2、3，其中故障标签为0表示正常工况，故障标签为1表示支架固定螺栓松动，故障标签为2表示泵脚及支架螺栓同时松动，故障标签为3表示代表汽蚀工况。
对原始数据集进行预处理，从采集的水泵振动时序数据中发现，采集的原始数据不含故障标签，其时间戳特征隐含了故障标签信息，由于原始数据不含水泵故障标签，可以根据时间戳的时间段分布，计算得到对应的故障标签。同时，处理后的数据的占比存在数量不均衡的现象，因此使用SMOTE过采样方法先对测试数据集进行人工样本合成，使得每一类故障样本的占比相同。
步骤2)在边缘计算网关上设计轻量应用加密网关来管理边缘计算网关系统的异构数据，所述轻量应用加密网关系统示意如图3所示。
步骤2-1)秘钥管理器生成
在边缘端网关上随机生成两组128位的字节序列，将字节序列解码转换为字符串格式，并将字符串保存在文件系统的初始加密向量文件和初始加密密钥文件中；在操作系统层通过管理员权限创建两组系统环境变量iv_edge和key_edge，将初始加密向量文件和初始加密密钥的文件内容写入系统环境变量iv_edge和key_edge，最后彻底删除初始加密向量文件和初始加密密钥文件。
步骤2-2)数据库设置
在边缘计算网关的操作系统层通过管理员权限创建三组系统环境变量db_edge、tb_edge_device和tb_edge_model。db_edge用于记录数据库根路径加密后的名称，tb_edge_device用于记录数据库中振动加速度表加密后的名称，tb_edge_model用于记录数据库中模型信息表加密后的名称。同时，利用SQLite数据库接口，建立相应的数据库及数据表。
步骤3)下载已训练完成的轻量故障诊断模型，并将所述轻量故障诊断模型嵌入轻量容器模块。
步骤3-1)建立轻量故障诊断模型
采用全连接的神经元结构，搭建基于深度神经网络的多分类诊断模型作为轻量故障诊断模型。水泵故障数据一共有6个特征，因此输入层神经元数量设计为6。隐藏层的结构是神经网络的设计重点，在本发明建立的水泵振动故障诊断模型中，为了更好地提取数据集特征，决定选用隐藏层为3层的神经网络结构。考虑到水泵故障标签一共有4个类别，所以输出层设计4个神经元。考虑到Relu函数运算更为简单，收敛速度更快等优点，使用Relu作为隐藏层的激活函数。本水泵故障数据属于多分类问题，因此使用Softmax作为输出层的激活函数。整个神经网络的结构如图4。
步骤3-2)轻量故障诊断模型量化
与云端服务器相比，处在边缘端的计算设备往往在CPU的指令集完备度、内存大小、存储空间大小等方面有许多限制，所以必须对分类模型进行必要的精简。模型量化方法可以将神经网络前向过程中浮点数运算量化为整数运算，以达到计算加速的目的。本故障数据集的特征均为浮点型变量，且使用的边缘设备支持32位浮点运算，因此选用动态范围量化方法来优化模型，以降低故障诊断模型大小并减小推理过程延迟。量化后的水泵故障诊断大小为41KB，模型加载平均时间为4.97毫秒，模型推理平均时间为1毫秒。
步骤4)利用轻量加解密模块分别对振动流数据和轻量故障诊断模型的模型文件及模型记录信息进行加密与本地密文存储。
步骤4-1)振动流数据密文数据存储
将振动流数据中的水泵振动数据全部转换为字符串，并将字符串转码转换为字节序列，此字节序列即为明文数据块。将明文数据块的分块长度为固定为128位，并检验数据块长度是否为128的整数，如果最后一块不够16位再用字符进行补全；再读取环境变量iv_edge、key_edge和tb_edge_device获得初始加密向量、初始密钥和水泵振动数据表名称，利用AES加密算法对水泵振动数据块进行加密，其他如时间戳、故障状态字段等均不加密；最后，再将数据汇总后写入振动加速度表(表的主键为自增长类型且不加密)。
步骤4-2)诊断模型密文数据存储
诊断模型属于异构数据，既包含诊断模型的模型文件(如模型神经元权重及偏执、模型结构、模型超参数等信息)，又包含诊断模型的记录信息(如模型依赖框架、语言解释器版本、启动目录、启动端口等)，因此将诊断模型中模型信息数据记为model_info，文件内容记录为model_file，并利用哈希函数随机生成模型在加密网关内的存储路径名称为model_path。读取环境变量iv_edge、key_edge和tb_edge_model获得初始加密向量、初始密钥和模型信息表名称。
将model_info全部转换为字符串，并将字符串转码转换为字节序列，此字节序列即为明文数据块。将明文数据块的分块长度为固定为128位，并检验数据块长度是否为128的整数，如果最后一块不够16位再用字符进行补全；最后利用AES算法对明文数据块进行加密并写入模型信息表(表的主键为自增长类型且不加密)。
将model_file全部转换为字符串，并将字符串转码转换为字节序列，此字节序列即为明文数据块。将明文数据块的分块长度为固定为128位，并检验数据块长度是否为128的整数，如果最后一块不够16位再用字符进行补全；最后利用AES算法对明文数据块进行加密并存储在加密网关内的model_path路径下。
步骤5)利用轻量加解密模块解密并查询振动流数据密文数据和轻量故障诊断模型密文数据。
步骤5-1)振动流数据密文数据查询
读取环境变量iv_edge、key_edge和tb_edge_device获得初始加密向量、初始密钥和水泵振动数据表名称。根据前端传递的查询时间及水泵故障状态，根据SQL条件查询语句读出振动加速度表中满足条件的所有字段，利用AES算法解密水泵振动数据获得振动数据明文，同时将其他数据与振动数据明文汇总后，返回解密后的流数据的明文。
步骤5-2)诊断模型密文数据查询
诊断模型属于异构数据，需要对model_info和model_file分开解密。读取环境变量iv_edge、key_edge和tb_edge_model获得初始加密向量、初始密钥和模型信息表名称。
根据前端传递的查询分页数、当前页及每页的数据量大小，根据SQL条件查询语句读出模型信息表中满足条件的所有记录，并利用AES算法分别对每条密文记录解密后，获得模型信息数据的明文集合models_info。然后，遍历明文集合models_info和，逐条获得model_path并读出存储在加密网关内的模型文件，根据AES算法解密文件，生成文件流集合，返回解密后的诊断模型明文。
步骤6)在轻量容器模块中运行轻量故障诊断模型，得到诊断结果明文。将带诊断结果的振动流数据全部转换为字符串，并将字符串转码转换为字节序列，此字节序列即为明文数据块。将明文数据块的分块长度为固定为128位，并检验数据块长度是否为128的整数，如果最后一块不够16位再用字符进行补全；再读取环境变量iv_edge、key_edge和tb_edge_device获得初始加密向量、初始密钥和水泵振动数据表名称，利用AES加密算法对数据块进行加密；最后，再将密文诊断结果更新在振动加速度表。
步骤7)根据前端传递的查询时间及水泵故障状态，响应诊断结果查询请求，对诊断结果密文进行解密与查询，返回故障诊断结果。
读取环境变量iv_edge、key_edge和tb_edge_device获得初始加密向量、初始密钥和水泵振动数据表名称。根据前端传递的查询时间，根据SQL条件查询语句读出振动加速度表中满足条件的所有字段，利用AES算法解密诊断结果密文，返回解密后的诊断结果明文。
以上步骤序号仅作为标识，不限制步骤执行顺序。

Claims (10)

1.一种基于边缘计算的工业水泵故障诊断轻量方法，其特征在于，包括以下步骤：
获取由加速度传感器采集到的水泵振动流数据；
建立轻量应用加密网关，所述轻量应用加密网关嵌入于边缘计算网关中，包括轻量数据库模块、轻量加解密模块和轻量容器模块；
下载已训练完成的轻量故障诊断模型，并将所述轻量故障诊断模型嵌入轻量容器模块；
利用轻量加解密模块分别对水泵振动流数据和轻量故障诊断模型的模型文件及模型记录信息进行加密与本地密文存储；
利用轻量加解密模块解密并查询流数据密文数据和轻量故障诊断模型密文数据，在轻量容器模块中运行轻量故障诊断模型，得到诊断结果明文，利用轻量加解密模块对诊断结果明文进行加密与本地密文存储；
根据查询时间和水泵故障状态，响应诊断结果查询请求对诊断结果密文进行解密与查询，返回故障诊断结果。
2.根据权利要求1所述的一种基于边缘计算的工业水泵故障诊断轻量方法，其特征在于，所述水泵为离心式水泵，加速度传感器为三向振动加速度传感器。
3.根据权利要求1所述的一种基于边缘计算的工业水泵故障诊断轻量方法，其特征在于，所述振动流数据为水泵在x方向、y方向、z方向的振动加速度数据。
4.根据权利要求1所述的一种基于边缘计算的工业水泵故障诊断轻量方法，其特征在于，所述轻量加解密模块的加解密方式为对称加密、秘钥管理器使用系统环境变量。
5.根据权利要求1所述的一种基于边缘计算的工业水泵故障诊断轻量方法，其特征在于，所述轻量数据库模块采用嵌入式数据库。
6.根据权利要求1所述的一种基于边缘计算的工业水泵故障诊断轻量方法，其特征在于，所述轻量故障诊断模型为基于深度神经网络的多分类诊断模型，采用全连接的神经网络结构，并利用动态量化方法对所述模型进行轻量化处理。
7.根据权利要求1所述的一种基于边缘计算的工业水泵故障诊断轻量方法，其特征在于，所述轻量容器模块采用轻量虚拟化技术。
8.一种基于边缘计算的工业水泵故障诊断轻量系统，其特征在于，包括：
加速度传感器，用于获取水泵的振动流数据并传输至边缘计算网关；
云端，用于建立、训练并存储轻量故障诊断模型；
边缘计算网关，其上嵌有轻量应用加密网关，所述轻量应用加密网关用于管理边缘计算网关的异构数据，包括轻量数据库模块、轻量加解密模块和轻量容器模块，
所述边缘计算网关用于获取加速度传感器接收到的水泵振动流数据，下载云端存储的轻量故障诊断模型，并将所述轻量故障诊断模型嵌入轻量容器模块，利用轻量加解密模块分别对流数据和轻量故障诊断模型的模型文件及模型记录信息进行加密与本地密文存储，利用轻量加解密模块解密并查询流数据密文数据和轻量故障诊断模型密文数据，在轻量容器模块中运行轻量故障诊断模型，得到诊断结果明文，利用轻量加解密模块对诊断结果明文行加密与本地密文存储，根据查询时间及水泵故障状态，响应诊断结果查询请求对诊断结果密文进行解密与查询，返回查询结果。
9.根据权利要求8所述的一种基于边缘计算的工业水泵故障诊断轻量系统，其特征在于，所述边缘计算网关接口配置为RS232。
10.根据权利要求8所述的一种基于边缘计算的工业水泵故障诊断轻量系统，其特征在于，所述加速度传感器通过有线方式连接至边缘计算网关。
CN202210680446.8A 2022-06-15 2022-06-15 一种基于边缘计算的工业水泵故障诊断轻量方法及系统 Pending CN114997062A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210680446.8A CN114997062A (zh) 2022-06-15 2022-06-15 一种基于边缘计算的工业水泵故障诊断轻量方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210680446.8A CN114997062A (zh) 2022-06-15 2022-06-15 一种基于边缘计算的工业水泵故障诊断轻量方法及系统

Publications (1)

Publication Number Publication Date
CN114997062A true CN114997062A (zh) 2022-09-02

Family

ID=83035437

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210680446.8A Pending CN114997062A (zh) 2022-06-15 2022-06-15 一种基于边缘计算的工业水泵故障诊断轻量方法及系统

Country Status (1)

Country Link
CN (1) CN114997062A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115559890A (zh) * 2022-11-04 2023-01-03 江苏省水利科学研究院 一种水泵机组运行故障预测调整方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110221558A (zh) * 2019-06-05 2019-09-10 镇江四联机电科技有限公司 一种基于边缘计算技术的电液伺服阀在线故障诊断网关
CN111191285A (zh) * 2019-12-27 2020-05-22 深圳市元征科技股份有限公司 一种车辆故障诊断方法、装置以及相关设备
CN111537945A (zh) * 2020-06-28 2020-08-14 南方电网科学研究院有限责任公司 基于联邦学习的智能电表故障诊断方法及设备
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
CN111917634A (zh) * 2020-07-02 2020-11-10 西安交通大学 基于pmml的工业网关机器学习模型容器式部署系统及方法
CN112365629A (zh) * 2020-11-09 2021-02-12 海马汽车有限公司 一种故障诊断方法、装置、服务器及车辆
US20210065077A1 (en) * 2018-01-29 2021-03-04 Siemens Aktiengesellschaft A method for collaborative machine learning of analytical models
CN113536963A (zh) * 2021-06-25 2021-10-22 西安电子科技大学 基于轻量化yolo网络的sar图像飞机目标检测方法
US20220012607A1 (en) * 2020-07-10 2022-01-13 EMC IP Holding Company LLC Managing artificial intelligence model partitions for edge computing environment
CN114235409A (zh) * 2021-12-17 2022-03-25 西安交通大学 一种轻量化通信的滚动轴承多用户协同智能故障诊断方法
CN114338281A (zh) * 2021-11-11 2022-04-12 广州软件应用技术研究院 一种基于边缘计算网关的模型分发应用设计方法及系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210065077A1 (en) * 2018-01-29 2021-03-04 Siemens Aktiengesellschaft A method for collaborative machine learning of analytical models
CN110221558A (zh) * 2019-06-05 2019-09-10 镇江四联机电科技有限公司 一种基于边缘计算技术的电液伺服阀在线故障诊断网关
CN111191285A (zh) * 2019-12-27 2020-05-22 深圳市元征科技股份有限公司 一种车辆故障诊断方法、装置以及相关设备
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
CN111537945A (zh) * 2020-06-28 2020-08-14 南方电网科学研究院有限责任公司 基于联邦学习的智能电表故障诊断方法及设备
CN111917634A (zh) * 2020-07-02 2020-11-10 西安交通大学 基于pmml的工业网关机器学习模型容器式部署系统及方法
US20220012607A1 (en) * 2020-07-10 2022-01-13 EMC IP Holding Company LLC Managing artificial intelligence model partitions for edge computing environment
CN112365629A (zh) * 2020-11-09 2021-02-12 海马汽车有限公司 一种故障诊断方法、装置、服务器及车辆
CN113536963A (zh) * 2021-06-25 2021-10-22 西安电子科技大学 基于轻量化yolo网络的sar图像飞机目标检测方法
CN114338281A (zh) * 2021-11-11 2022-04-12 广州软件应用技术研究院 一种基于边缘计算网关的模型分发应用设计方法及系统
CN114235409A (zh) * 2021-12-17 2022-03-25 西安交通大学 一种轻量化通信的滚动轴承多用户协同智能故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙义: "北京希望电脑公司UNIX系统V4.0技术丛书 UNIX系统V4.0培训教程", 海洋出版社, pages: 376 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115559890A (zh) * 2022-11-04 2023-01-03 江苏省水利科学研究院 一种水泵机组运行故障预测调整方法及系统

Similar Documents

Publication Publication Date Title
CN114362367B (zh) 面向云边协同的输电线路监测系统和方法、识别系统和方法
CN110781082B (zh) 接口的测试用例的生成方法及装置、介质和设备
CN103544095B (zh) 服务器程序的监控方法及其系统
CN113112038B (zh) 智能监测与诊断分析系统、装置、电子设备及存储介质
CN114997062A (zh) 一种基于边缘计算的工业水泵故障诊断轻量方法及系统
CN105141478A (zh) 一种linux服务器sas卡硬盘状态的监控方法
CN112257263A (zh) 基于自注意力机制的设备剩余寿命预测系统
CN115277587B (zh) 网络流量识别方法、装置、设备及介质
CN101086667A (zh) 一种远程控制的系统和方法
CN114416479A (zh) 一种基于流外正则化的日志序列异常检测方法
CN113158195B (zh) 一种基于poc脚本的分布式漏洞扫描方法及系统
CN117201601A (zh) 物联网设备接入方法、装置、设备及存储介质
CN111428265A (zh) 基于联邦学习的语句质检方法、装置、设备及存储介质
CN116310935A (zh) 一种基于云边协同的实时视频智能处理方法及系统
Li Construction of school-enterprise cooperation practice teaching system under the big data internet of things industry collaborative innovation platform
CN113076217B (zh) 基于国产平台的磁盘故障预测方法
CN115587007A (zh) 基于RoBERTa的网络日志安全检测方法及系统
CN113691390A (zh) 一种云端协同的边缘节点报警系统及方法
CN113779125A (zh) 一种施工安全信息管理方法及系统
KR102638529B1 (ko) 전력 계통 어플리케이션과의 인터페이스를 위한 온톨로지데이터 관리 시스템 및 방법
Xiong et al. Deep Learning Neural Networks with Auto-adjustable Attention Mechanism for Server Fault Diagnosis Under Log Data
CN112737119A (zh) 一种电网运行数据规约化处理方法及系统
CN117435441B (zh) 一种基于日志数据的故障诊断方法及装置
CN114157515B (zh) 一种基于响应式的网络流量高速分析方法及系统
CN117171551B (zh) 大规模工业设备数据分析与智能管理方法

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