CN115186883A - 基于边云协同计算的工业设备健康状态监测系统及方法 - Google Patents

基于边云协同计算的工业设备健康状态监测系统及方法 Download PDF

Info

Publication number
CN115186883A
CN115186883A CN202210748247.6A CN202210748247A CN115186883A CN 115186883 A CN115186883 A CN 115186883A CN 202210748247 A CN202210748247 A CN 202210748247A CN 115186883 A CN115186883 A CN 115186883A
Authority
CN
China
Prior art keywords
data
fault
alarm
equipment
characteristic
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
CN202210748247.6A
Other languages
English (en)
Inventor
马波涛
胡银燕
倪席军
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.)
Chengdu Aerospace Science And Industry Big Data Research Institute Co ltd
Original Assignee
Chengdu Aerospace Science And Industry Big Data Research Institute Co ltd
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 Chengdu Aerospace Science And Industry Big Data Research Institute Co ltd filed Critical Chengdu Aerospace Science And Industry Big Data Research Institute Co ltd
Priority to CN202210748247.6A priority Critical patent/CN115186883A/zh
Publication of CN115186883A publication Critical patent/CN115186883A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • 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
    • H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于边云协同计算的工业设备健康状态监测系统及方法，该方法包括：边缘计算端读取配置参数，并开始数据采集并缓存，当缓存数据长度达到指定数据长度，则依次执行数据预处理、数据特征提取、数据分析预报警处理，然后将数据上传至云计算端，并清除数据采集中的缓存数据；若云计算端接收的数据为阈值报警信息，则依次进行故障诊断、信息推送与反馈接收、预报警参数校正、样本数据更新；否则，判断是否进行寿命预测；若样本数据量符合模型更新条件，则更新设备故障诊断、寿命预测模型；直至完成设备的健康状态监测任务。本发明减少了信息传输时间，降低了时间延迟；在保证设备状态实时监测的同时，也保证了故障监测报警的准确性。

Description

基于边云协同计算的工业设备健康状态监测系统及方法
技术领域
本发明涉及健康状态监测技术领域，特别是一种基于边云协同计算的工业设备健康状态监测系统及方法。
背景技术
随着当代工业及科学技术的发展，现代设备发展的一个总体趋势是向复杂化、智能化和自动化方向发展，设备的价值越来越大，企业的投入也越来越多，为了创造充分的经济价值，很多企业都会将设备置于满负荷且连续运行的状态，从而导致很多设备都存在使用频繁、工况恶劣、功率大、负载重、多磨损等问题。若不及时检测，并采取相应的维护方案，不但会减少设备的使用寿命，而且还可能会影响设备的正常运行、造成设备的损坏，甚至引发严重的安全事故。设备运行安全可靠性对国计民生、社会稳定以及国家资源和环境有重要影响,保障设备安全可靠运行的迫切性日益突出，设备服役的安全性及维修保障问题愈发引起重视。
传统的设备监测方式一般采用传感器对设备运行过程中的参数进行监测，这种方式存在较大的局限性，主要体现对采集的历史数据无法查询和分析处理，提取出有价值的信息。故而设备健康状态检测系统应运而生，从1960年开始，设备健康状态监测系统的发展先后经历了三种典型形式：单机在线监测系统、分布式监测系统和基于Internet的远程监测系统。
1、单机在线监测系统
单机在线监测系统是针对每一台设备都安装专门的一套状态监测系统，每一台监测系统的信息传输与处理只能在自己系统内部进行，进而形成了一个闭环系统，无法实现系统与系统之间的信息共享。
2、分布式监测系统
分布式监测系统是采用局域网技术将各个监测点的计算机联接起来，形成一个开放性的系统，实现局域网的资源共享、分散监测和集中诊断。其不足的是只能在企业自己建立的局域网之间共享，无法实现与其他企业之间共享。
3、基于Internet的远程监测系统
基于Internet的远程监测系统是利用互联网技术建立远程的监测系统，用户可通过Internet技术登录远程监测系统，获取设备的健康状态参数来了解设备的当前状态。若设备出现故障，用户可以登录该系统利用系统的诊断中心进行远程诊断。但是由于目前很多设备采集数据量较多、网络带宽延迟等因素，使得其无法满足现有复杂设备健康状态实时监测的需求。
边缘计算是一种分布式运算的架构，不同于云计算，它将之前由中心服务器负责的任务加以分解，并且将这些分解之后的任务片段分发至网络的边缘端，由边缘端去负责运算。边缘计算降低了相关信息的传输时间，减小了延迟。
云计算虽然可以将大型的计算任务放到云端去进行运算，但是对于需要低延迟的应用来说，则会遇到网络带宽瓶颈等问题。边缘计算可以将任务放到边缘端来进行，因此边缘计算受到了本地边缘终端计算能力的限制。
为了解决上述云计算与边缘计算的缺点，云边协同应运而生。云边协同将云计算与边缘计算紧密地结合起来，通过合理地分配云计算与边缘计算的任务，实现了云计算的下沉，将云计算、云分析扩展到边缘端。
随着物联网技术、5G、边缘计算、云计算、监测技术的不断发展，可将这些技术相结合，从而得到基于边云协同计算的设备健康状态监测系统。该系统将现场设备运行健康状态数据实时地发送到边缘计算和云服务中心进行分析，数据的预处理由边缘计算来完成，深度分析等任务都交由云服务中心来完成。边缘计算与云计算的协同可以实时对设备运行状态进行监测和分析，同时在云服务器上搭建Hadoop分布式计算与存储环境，提供强大数据计算资源和存储资源，以应对一些大型设备运行过程会产生的大量数据与实时性要求。基于边云协同的设备健康状态监测系统能够实时监测设备健康状态和发现设备运行中可能出现的故障，进而确保设备安全可靠的运行。
发明内容
针对现代复杂设备健康状态实时监测与故障诊断问题，本发明提供了一种基于边云协同计算的工业设备健康状态监测系统及方法。
本发明公开了一种基于边云协同计算的工业设备健康状态监测方法，包括以下步骤：
步骤1：边缘计算端读取配置参数；
步骤2：采集待监测工业设备的数据并缓存，当缓存数据长度达到指定数据长度，则依次执行数据预处理、数据特征提取、数据分析预报警处理，然后将数据上传至云计算端，并清除数据采集中的缓存数据；
步骤3：云计算端接收边缘端上传的数据，若接收的数据为阈值报警信息，则依次进行故障诊断、信息推送与反馈接收、预报警参数校正、样本数据更新；否则，判断是否进行寿命预测；
步骤4：若样本数据量符合模型更新条件，则更新设备故障诊断、寿命预测模型；否则，不更新设备故障诊断、寿命预测模型；
步骤5：循环执行步骤2至步骤4，直至完成待监测工业设备的健康状态监测任务。
进一步地，所述判断是否进行寿命预测包括：
若需进行寿命预测，则依次进行寿命预测、信息推送、样本数据更新；否则，执行样本数据更新。
进一步地，所述步骤1包括：
边缘计算端的数据采集软件读取云服务器数据库中相应的配置参数；其中，所述配置参数包括采集通道、云服务器的IP、传输端口、采样频率、采集长度、异常报警阈值；
所述采集待监测工业设备的数据并缓存包括：
通过控制采集箱实时采集待监测工业设备的各项运行数据并缓存；其中，所述各项运行数据包括电流、电压、振动、温度、压力、转速、噪音；
所述当缓存数据长度达到指定数据长度，则执行数据预处理，包括：
当缓存中数据长度达到2n+1后，边缘计算层开始对海量监测数据进行预处理，剔除无效数据，提取最有价值的数据；其中，所述海量监测数据为连续变量；其中，n为数据长度规则辅助参数，n为大于或等于1的奇数；
所述数据特征提取包括时域特征提取和频域特征提取。
进一步地，所述数据预处理包括奇异值剔除、零均值处理和平滑滤波处理；
其中，所述奇异值剔除为：若监测数据与其平均值之间的差大于预设标准差的三倍，则清除缓存中对应的数据，并等待数据采集器采集新的数据至缓存中；所述零均值处理为：若无奇异值剔除，则各监测数据分别减去其平均值，对信号进行平移；所述平滑滤波处理为：采用“五点二次平滑”法对零均值处理后所得数据进行平滑处理；
所述特征提取包括时域特征提取、频域特征提取和归一化处理；
其中，所述时域特征提取为：计算数据的均值、均方差、方根幅值、均方根、最大幅值、偏斜度、峭度、峰值因子、裕度因子；
所述频域特征提取为：通过离散傅里叶变换将时域信号转换为对应功率谱，再提取重心频率、均方频率、均方根频率、频率方差、频率标准差；
所述归一化处理为：对提取的时域特征数据和频域特征数据进行归一化处理。
进一步地，所述步骤2中的数据分析预报警包括：
步骤21：进行单一特征值核验，若特征值超出配置参数中所设置的预报警阈值，则认定出现阈值报警；
步骤22：采用如下公式计算获取到的特征数据向量与配置参数中的m个特征向量之间的平均距离：
Figure BDA0003720226290000051
其中，X为配置特征矩阵，即m个特征向量组成的矩阵，wi为第i个特征向量对应权重，Y为获取到的特征向量，xij为特征矩阵X的第i个特征向量的第j个特征值，yj为特征向量Y的第j个特征值；
步骤23：若步骤22中的平均距离超过配置参数中的特征向量距离报警阈值，则认定出现阈值报警；若出现阈值报警，则判定待监测工业设备运行出现异常，设备现场报警；
所述步骤2中的将数据上传至云计算端，包括：
将异常信息发送至云服务器数据库中进行保存。
进一步地，所述信息推送与反馈接收包括：
当云服务器接收到边缘端发送的阈值报警信息后，将报警信息推送至管理人员与操作人员对应的操作终端，并收集管理人员与操作人员的反馈信息；
若发生故障，则存储故障数据至故障表；否则，删除对应故障数据；
当设备现场发生故障且系统未识别故障时，操作人员能够直接通过终端上报故障时间、故障设备、故障类型至云服务器，云服务器基于上报的故障信息，抽取对应的特征数据至故障表；
所述预报警参数校正包括：
当每次发生故障后进行预报警参数校正操作；预报警参数校正指基于已有数据，校正预报警阈值、特征向量参数与特征距离报警阈值。
进一步地，所述预报警阈值的校正规则为：
vri＝vni+λ(vei-vni)
vni＝max(xi)
vei＝min(yi)
其中，xi、yi分别指正常样本与故障样本第i个特征值，vni、vei分别为正常样本与故障样本第i个特征的最小值，vri为第i个特征对应预报警阈值校正值，λ为修正系数，取值范围为(0,1)；
所述特征向量参数包括基准特征向量矩阵与权重系数；其中，基准特征向量矩阵由m个特征向量组成，即m个聚类中心，m为可配置项；每一个特征向量对应一个权重系数；
所述特征向量参数的校正过程为：
首先获取N个正常特征样本数据的m个聚类中心，并分别统计各类别对应特征点个数：
Figure BDA0003720226290000061
Figure BDA0003720226290000062
其中，Xnew为校正后特征向矩阵，为m个长度为n的特征向量组成的矩阵，wi为校正后第i个特征向量对应权重系数，ki为第i个特征向量对应类别包含的特征样本数量，N为总的特征样本数量；
所述特征距离报警阈值的校正基于正常特征样本数据与K-means聚类，其校正过程为：
获取聚类中心以及对应的权重系数后，采用如下公式校正特征距离报警阈值：
d＝max(dn)+β(min(de)-max(dn))
其中，d为校正后特征距离报警阈值，max(dn)为正常样本与聚类中心点平均距离的最大值，min(de)为故障样本与聚类中心点平均距离的最小值，β为修正系数。
进一步地，所述故障诊断采用的故障类型评估公式为：
Figure BDA0003720226290000071
其中，P(y,yi)为设备故障属于第i类的概率，k为故障诊断模型数量，wj为第j个故障诊断模型对应权重，p(y,yi,j)为第j个故障诊断模型判定设备故障属于第i类的概率。
进一步地，所述寿命预测包括设备生命周期数据快照获取与设备寿命预测；
所述生命周期数据快照获取包括：
待监测工业设备开始运行后，记录其各生命周期内运行状态下的数据，生成相应的数据快照，并存储至数据库中；
所述设备寿命预测包括：
采用如下公式计算各时间状态下待监测工业设备的健康值：
Figure BDA0003720226290000081
Figure BDA0003720226290000082
其中，Hx为特征数据对应健康值，w为权重系数，γ为衰减速率，dx为当前设备特征向量与预报警特征向量之间的距离，ds为设备刚开始运行时特征向量与预报警特征向量之间的距离，de为发生故障时设备特征向量与预报警特征向量之间的距离。
本发明还公开了一种基于边云协同计算的工业设备健康状态监测系统，包括：
采集模块，用于边缘计算端读取配置参数与采集设备运行数据；
第一判断模块，用于采集待监测工业设备的数据并缓存，当缓存数据长度达到指定数据长度，则依次执行数据预处理、数据特征提取、数据分析预报警处理，然后将数据上传至云计算端，并清除数据采集中的缓存数据；
第二判断模块，用于云计算端接收边缘端上传的数据，若接收的数据为阈值报警信息，则依次进行故障诊断、信息推送与反馈接收、预报警参数校正、样本数据更新；否则，判断是否进行寿命预测；
第三判断模块，用于若样本数据量符合模型更新条件，则更新设备故障诊断、寿命预测模型；否则，不更新设备故障诊断、寿命预测模型；
健康状态监测模块，用于循环进入第一判断模块、第二判断模块、第三判断模块，直至完成待监测工业设备的健康状态监测任务。
由于采用了上述技术方案，本发明具有如下的优点：
(1)解决了工业设备健康状态监测系统中因海量监测数据上传而导致的延时监测问题。
边缘端对设备运行数据进行数据预处理、特征提取、分析预报警处理等操作，从而将海量监测数据转化为特定的特征数据，大大减少了需上传至服务器端的数据量，从而减少信息传输时间，降低了时间延迟，同时将特征数据保存至云服务器端数据库，为数据的共享性提供了有力保障。
(2)解决了工业设备健康状态监测系统中设备状态的实时监测问题。
边缘端在进行数据预处理、特征提取同时，还进行数据分析预报警处理操作，保障了设备运行时现场故障报警的实时性，同时云端基于确定的故障数据与正常数据，校正预报警参数，并反馈至边缘计算端，在保证设备状态实时监测的同时，也保证了故障监测报警的准确性。
(3)解决了工业设备健康状态监测系统中故障诊断的问题。
当发生故障报警时，云端基于故障诊断模型，可快速完成故障的诊断，并实时反馈相应的故障诊断信息至用户端，且故障诊断支持聚类模型、XGBoost、SVM、随机森林等多种模型的组合，用户可基于自身需求与实际效果进行调整，以满足各种设备的故障诊断。
(4)解决了工业设备健康状态监测系统中设备寿命预测的问题。
边缘端实时提取设备运行特征数据并上传至云服务器，云端基于寿命预测模型与各故障类型对应设备工况生命曲线，以图形与数据的形式实时展示设备各故障类型维度下设备当前生命周期曲线、设备当前特征值、当前健康状态、故障预测时间等信息。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种边缘端流程示意图；
图2为本发明实施例的一种设备生命周期曲线示意图；
图3为本发明实施例的一种终止时间正态分布示意图；
图4为本发明实施例的一种设备工况生命周期曲线示意图；
图5为本发明实施例的一种实时设备健康状态监控示意图；
图6为本发明实施例的一种基于边云协同计算的工业设备健康状态监测系统重要组成与流程示意图；
图7为本发明实施例的一种基于边云协同计算的工业设备健康状态监测方法的流程示意图。
具体实施方式
结合附图和实施例对本发明作进一步说明，显然，所描述的实施例仅是本发明实施例一部分实施例，而不是全部的实施例。本领域普通技术人员所获得的所有其他实施例，都应当属于本发明实施例保护的范围。
一种基于边云协同计算的工业设备健康状态监测系统及方法为解决现代复杂设备健康状态的实时监测与故障诊断问题而设计。
参见图6和图7，本发明主要针对现代复杂设备健康状态实时监测与故障诊断问题，具体实施步骤如下：
1、边缘端处理：边缘端数据处理包括数据采集、数据预处理、特征提取、数据分析预报警与数据传输五个部分，如图1所示。
1)数据采集：数据采集是设备健康状态监测系统的关键步骤之一，首先数据采集软件读取云服务器数据库中相应的配置参数，包括采集通道、云服务器的IP、传输端口、采样频率、采集长度、异常报警阈值等相关参数，再通过控制采集箱实时采集设备的各项运行数据并缓存，包括电流、电压、振动、温度、压力、转速、噪音等。
2)数据预处理：当缓存中数据长度达到2n+1后，边缘计算层开始对海量监测数据(连续变量)进行预处理，剔除无效数据，提取最有价值的数据，降低数据维度和实时上传的数据量，从而降低云服务器的负载。预处理操作如下：
a)奇异值剔除：若监测数据与其平均值之间的差大于规定的标准差的三倍，如下式所示，则清除缓存中对应数据，并等待数据采集器采集新的数据至缓存中。
Figure BDA0003720226290000111
Figure BDA0003720226290000112
Figure BDA0003720226290000113
其中，样本为X＝[xk-n ... xk ... xk+n]，
Figure BDA0003720226290000114
为样本均值，Sx为样本标准偏差。
b)零均值处理：若无奇异值剔除，则将监测数据X＝[xk-n ... xk ... xk+n]都减去其平均值，对信号进行平移，以减少环境温度、噪声、振动冲击等外界因素的影响，如下式所示。
Figure BDA0003720226290000115
其中，
Figure BDA0003720226290000116
为样本均值，x'为零均值处理后所得信号值。
c)平滑滤波处理：零均值处理后所得数据为X＝[xk-n ... xk ... xk+n]，采用“五点二次平滑”法对其进行平滑处理，如下式所示。
Figure BDA0003720226290000117
Figure BDA0003720226290000118
Figure BDA0003720226290000119
k-n+2≤i≤k+n-2
Figure BDA0003720226290000121
Figure BDA0003720226290000122
其中，x'k-n、x'k-n+1、x'i、x'k+n-1、x'k+n为平滑滤波后的数据。
3)特征提取：经数据预处理后，提取数据特征，包括时域特征提取、频域特征提取两个部分，令数据为X＝[xk-n ... xk ... xk+n]。
a)时域特征提取：计算数据的均值、均方差、方根幅值、均方根、最大幅值、偏斜度、峭度、峰值因子、裕度因子，其具体计算公式如下。
均值：
Figure BDA0003720226290000123
均方差：
Figure BDA0003720226290000124
方根幅值：
Figure BDA0003720226290000125
均方根：
Figure BDA0003720226290000126
最大幅值：MAX＝max(|X|)
偏斜度：
Figure BDA0003720226290000127
峭度：
Figure BDA0003720226290000128
峰值因子：
Figure BDA0003720226290000129
裕度因子：
Figure BDA00037202262900001210
b)频域特征提取：通过离散傅里叶变换将时域信号转换为对应功率谱，再提取重心频率、均方频率、均方根频率、频率方差、频率标准差，如下式所示。
重心频率：
Figure BDA0003720226290000131
均方频率：
Figure BDA0003720226290000136
均方根频率：
Figure BDA0003720226290000132
频率方差：
Figure BDA0003720226290000133
频率标准差：
Figure BDA0003720226290000134
其中，Y＝[y1 ... yN]＝2*|ftt(X)|/N，N＝2n+1为数据长度，ftt(X)为时域信号X的傅里叶变换，fs为采样频率。
之后对所得特征数据进行归一化处理，如下式所示。
Figure BDA0003720226290000135
其中，x为输入特征值，y为归一化后的输出特征值。
4)数据分析预报警：首先进行单一特征值核验，若特征值超出配置参数中所设置的预报警阈值，则认定出现阈值报警；之后计算获取到的特征数据向量与配置参数中的m个特征向量之间的平均距离，若其超过配置参数中的特征向量距离报警阈值，则认定出现阈值报警。若出现阈值报警，则判定设备运行出现异常，设备现场报警并将异常信息发送至云服务器，由云服务器发送异常信息至各控制终端。实际特征向量与配置特征向量之间距离公式如下式所示。
Figure BDA0003720226290000141
其中，X为配置特征矩阵，即m个特征向量组成的矩阵，wi为第i个特征向量对应权重，Y为实际特征向量。
5)数据传输：将数据格式标准化，并经过边缘计算进行数据预处理和特征提取后得到的各项时、频域特征以及数据路径、时间戳、描述、设备名称等信息，通过5G、WIFI或其他网络发送至云服务器数据库中进行保存，并清除数据采集程序中的缓存数据。
边缘端流程主要包括数据采集、数据预处理、特征提取、数据传输等，首先边缘端计算端读取设备采集配置参数，并开始数据采集并缓存，当缓存数据长度达到指定数据长度，则依次执行数据预处理、特征提取；否则，直接进入采集结束判断与处理流程。当特征提取完成后，进行数据分析预报警处理，若存在阈值报警，则进行报警处理，之后再保存数据至云服务器数据库；若无，则直接保存数据至云服务器数据库。之后，清除数据采集程序对应缓存，进入采集结束判断与处理流程。若数据采集未结束，则循环采集数据，若采集结束，则终止边缘端流程。边缘端流程如下图1所示。
2、云端处理：包括报警监测与处理、故障诊断与寿命预测三个部分。
1)报警监测与处理：包括报警处理、预报警参数校正两个部分。
a)报警处理：当云服务器接收到边缘端发送的阈值报警信息后，将报警信息推送至具体管理人员与操作人员对应操作终端，并收集关键人员的反馈信息，即是故障是否发生、故障类型、故障设备等信息，若发生故障，则存储故障数据至故障表；否则，删除对应故障数据；另一方面，设备现场发生故障且系统未识别故障时，操作人员可直接通过终端上报故障时间、故障设备、故障类型至云服务器，云服务器基于上报的故障信息，抽取对应的特征数据至故障表。
b)预报警参数校正：当每次发生故障后进行预报警参数校正操作，预报警参数校正指基于已有数据，修正预报警阈值、特征向量参数与特征距离报警阈值，其中，预报警阈值的校正规则如下。
vri＝vni+λ(vei-vni)
vni＝max(xi)
vei＝min(yi)
其中，xi、yi分别指正常样本与故障样本第i个特征值，vni、vei分别为正常样本与故障样本第i个特征的最小值，vri为第i个特征对应预报警阈值校正值，λ为修正系数，取值范围为(0,1)，一般取为0.5。
特征向量参数与特征距离的校正基于正常特征样本数据与K-means聚类来进行，首先获取N个正常特征样本数据的m个聚类中心，并分别统计各类别对应特征点个数，如下式所示。
Figure BDA0003720226290000151
Figure BDA0003720226290000152
其中，Xnew为校正后特征向量矩阵，为m个长度为n的特征向量组成的矩阵，wi为校正后第i个特征向量对应权重系数，ki为第i个特征向量(聚类中心)对应类别包含的特征样本数量，N为总的特征样本数量。
获取聚类中心以及对应的权重系数后，校正特征距离报警阈值，如下式所示。
d＝max(dn)+β(min(de)-max(dn))
其中，d为校正后特征距离报警阈值，max(dn)为正常样本与聚类中心点平均距离的最大值，min(de)为故障样本与聚类中心点平均距离的最小值，β为修正系数，一般取为0.5。
2)故障诊断：故障诊断采用多模型融合方式进行，包括聚类模型、XGBoost、SVM、随机森林等多种方式，用户可选择所需方式并设置权重，当仅选择一种时，即只采用一种方式进行故障诊断；若选择多个，即采用多模型融合方式进行故障诊断。其中，模型的训练基于历史故障数据(发生故障时设备特征数据、故障类型标签)进行模型训练，故此模块需保证系统累积一定量的故障数据后才可发挥功效。故障类型评估公式如下式所示。
Figure BDA0003720226290000161
其中，P(y,yi)为设备故障属于第i类的概率，k为故障诊断模型数量，wj为第j个故障诊断模型对应权重，p(y,yi,j)为第j个故障诊断模型判定设备故障属于第i类的概率。
3)寿命预测：寿命预测包括设备生命周期数据快照获取与设备寿命预测两部分。
a)设备生命周期数据快照获取：设备接入开始运行后，记录设备各生命周期(初始条件下设备开始运行，直至发生故障)内运行状态下的特征数据索引以及对应的预报警参数、采样周期等数据，并生成相应的数据快照，并存储至数据库中。
b)设备寿命预测：设备的生命周期曲线一般满足逐步下降直至发生故障的趋势，如图2所示，初始状态下，设备健康度为100，当设备发生故障时，正常运行时长为te，健康值为He，即设备的此生命周期一共持续正常工作。
计算各时间状态下设备健康值，如下式所示。
Figure BDA0003720226290000171
Figure BDA0003720226290000172
其中，Hx为特征数据对应健康值，w为权重系数，一般无特殊要求可设为1，γ为衰减速率，一般设为0.1，dx为当前设备特征向量与预报警特征向量之间的距离，ds为设备刚开始运行时特征向量与预报警特征向量之间的距离，de为发生故障时设备特征向量与预报警特征向量之间的距离。
获取到设备对应的数据快照后，即可得到众多设备各故障类型对应生命周期曲线，考虑到不同工况情况下，设备的衰减曲线有所区别，故将每个故障类型对应生命周期曲线划分为k个区域，并进行数据拟合，得到k种工况下对应设备生命周期曲线，其中设备各工况生命周期终点时间为正态分布80％置信区间内终止时间(如图3所示)的均值。令k＝6，则其对应各工况下设备生命周期曲线如下图4所示。
获取到各故障类型下设备工况生命周期曲线后，实时计算设备健康值，并结合设备工况周期曲线，展示设备当前生命周期曲线，如图5所示，即可实时监控各故障类型下设备工况健康状态，并获取设备的故障预测时间。
其中，设备的健康值与故障预测时间计算公式如下式所示。
Figure BDA0003720226290000173
Figure BDA0003720226290000174
Figure BDA0003720226290000175
其中，Hx为设备当前健康值，w为权重系数，γ为衰减速率，dx为当前设备特征向量与预报警特征向量之间的距离，ds为设备刚开始运行时特征向量与预报警特征向量之间的距离，d为预报警特征向量距离阈值，te为故障预测时间，t4e、t5e分别为工况4、5对应故障时间，tx为当前生命周期内设备运行时间，t4x、t5x为别为工况4、5对应健康值时设备运行时间Hx为当前设备健康值，H4e、H5e分别为工况4、5对应故障时设备健康值。
本发明还提供了一种基于边云协同计算的工业设备健康状态监测系统的实施例，其包括：
采集模块，用于边缘端计算端读取配置参数与采集设备运行数据；
第一判断模块，用于采集待监测工业设备的数据并缓存，当缓存数据长度达到指定数据长度，则依次执行数据预处理、特征提取；否则，执行判断是否结束数据采集；
数据分析预报警处理模块，用于在执行特征提取后，进行数据分析预报警处理，将数据保存至云服务器数据库；
第二判断模块，用于清除缓存数据，判断是否结束数据采集；
健康状态监测模块，用于若数据采集未结束，则循环进入第一判断模块、数据分析预报警处理模块和第二判断模块；若数据采集结束，则依次进行报警监测与处理、故障诊断、寿命预测，得到待监测工业设备的健康状态监测结果。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种基于边云协同计算的工业设备健康状态监测方法，其特征在于，包括以下步骤：
步骤1：边缘计算端读取配置参数；
步骤2：采集待监测工业设备的数据并缓存，当缓存数据长度达到指定数据长度，则依次执行数据预处理、数据特征提取、数据分析预报警处理，然后将数据上传至云计算端，并清除数据采集中的缓存数据；
步骤3：云计算端接收边缘端上传的数据，若接收的数据为阈值报警信息，则依次进行故障诊断、信息推送与反馈接收、预报警参数校正、样本数据更新；否则，判断是否进行寿命预测；
步骤4：若样本数据量符合模型更新条件，则更新设备故障诊断、寿命预测模型；否则，不更新设备故障诊断、寿命预测模型；
步骤5：循环执行步骤2至步骤4，直至完成待监测工业设备的健康状态监测任务。
2.根据权利要求1所述的方法，其特征在于，所述判断是否进行寿命预测包括：
若需进行寿命预测，则依次进行寿命预测、信息推送、样本数据更新；否则，执行样本数据更新。
3.根据权利要求1所述的方法，其特征在于，所述步骤1包括：
边缘计算端的数据采集软件读取云服务器数据库中相应的配置参数；其中，所述配置参数包括采集通道、云服务器的IP、传输端口、采样频率、采集长度、异常报警阈值；
所述采集待监测工业设备的数据并缓存包括：
通过控制采集箱实时采集待监测工业设备的各项运行数据并缓存；其中，所述各项运行数据包括电流、电压、振动、温度、压力、转速、噪音；
所述当缓存数据长度达到指定数据长度，则执行数据预处理，包括：
当缓存中数据长度达到2n+1后，边缘计算层开始对海量监测数据进行预处理，剔除无效数据，提取最有价值的数据；其中，所述海量监测数据为连续变量；其中，n为数据长度规则辅助参数，n为大于或等于1的奇数；
所述数据特征提取包括时域特征提取和频域特征提取。
4.根据权利要求3所述的方法，其特征在于，所述数据预处理包括奇异值剔除、零均值处理和平滑滤波处理；
其中，所述奇异值剔除为：若监测数据与其平均值之间的差大于预设标准差的三倍，则清除缓存中对应的数据，并等待数据采集器采集新的数据至缓存中；所述零均值处理为：若无奇异值剔除，则各监测数据分别减去其平均值，对信号进行平移；
所述平滑滤波处理为：采用“五点二次平滑”法对零均值处理后所得数据进行平滑处理；
所述特征提取包括时域特征提取、频域特征提取和归一化处理；
其中，所述时域特征提取为：计算数据的均值、均方差、方根幅值、均方根、最大幅值、偏斜度、峭度、峰值因子、裕度因子；
所述频域特征提取为：通过离散傅里叶变换将时域信号转换为对应功率谱，再提取重心频率、均方频率、均方根频率、频率方差、频率标准差；
所述归一化处理为：对提取的时域特征数据和频域特征数据进行归一化处理。
5.根据权利要求1所述的方法，其特征在于，所述步骤2中的数据分析预报警包括：
步骤21：进行单一特征值核验，若特征值超出配置参数中所设置的预报警阈值，则认定出现阈值报警；
步骤22：采用如下公式计算获取到的特征数据向量与配置参数中的m个特征向量之间的平均距离：
Figure FDA0003720226280000031
其中，X为配置特征矩阵，即m个特征向量组成的矩阵，wi为第i个特征向量对应权重，Y为获取到的特征向量，xij为特征矩阵X的第i个特征向量的第j个特征值，yj为特征向量Y的第j个特征值；
步骤23：若步骤22中的平均距离超过配置参数中的特征向量距离报警阈值，则认定出现阈值报警；若出现阈值报警，则判定待监测工业设备运行出现异常，设备现场报警；
所述步骤2中的将数据上传至云计算端，包括：
将异常信息发送至云服务器数据库中进行保存。
6.根据权利要求1所述的方法，其特征在于，所述信息推送与反馈接收包括：
当云服务器接收到边缘端发送的阈值报警信息后，将报警信息推送至管理人员与操作人员对应的操作终端，并收集管理人员与操作人员的反馈信息；
若发生故障，则存储故障数据至故障表；否则，删除对应故障数据；
当设备现场发生故障且系统未识别故障时，操作人员能够直接通过终端上报故障时间、故障设备、故障类型至云服务器，云服务器基于上报的故障信息，抽取对应的特征数据至故障表；
所述预报警参数校正包括：
当每次发生故障后进行预报警参数校正操作；预报警参数校正指基于已有数据，校正预报警阈值、特征向量参数与特征距离报警阈值。
7.根据权利要求6所述的方法，其特征在于，所述预报警阈值的校正规则为：
vri＝vni+λ(vei-vni)
vni＝max(xi)
vei＝min(yi)
其中，xi、yi分别指正常样本与故障样本第i个特征值，vni、vei分别为正常样本与故障样本第i个特征的最小值，vri为第i个特征对应预报警阈值校正值，λ为修正系数，取值范围为(0,1)；
所述特征向量参数包括基准特征向量矩阵与权重系数；其中，基准特征向量矩阵由m个特征向量组成，即m个聚类中心，m为可配置项；每一个特征向量对应一个权重系数；
所述特征向量参数的校正过程为：
首先获取N个正常特征样本数据的m个聚类中心，并分别统计各类别对应特征点个数：
Figure FDA0003720226280000041
Figure FDA0003720226280000042
其中，Xnew为校正后特征向矩阵，为m个长度为n的特征向量组成的矩阵，wi为校正后第i个特征向量对应权重系数，ki为第i个特征向量对应类别包含的特征样本数量，N为总的特征样本数量；
所述特征距离报警阈值的校正基于正常特征样本数据与K-means聚类，其校正过程为：
获取聚类中心以及对应的权重系数后，采用如下公式校正特征距离报警阈值：
d＝max(dn)+β(min(de)-max(dn))
其中，d为校正后特征距离报警阈值，max(dn)为正常样本与聚类中心点平均距离的最大值，min(de)为故障样本与聚类中心点平均距离的最小值，β为修正系数。
8.根据权利要求1所述的方法，其特征在于，所述故障诊断采用的故障类型评估公式为：
Figure FDA0003720226280000051
其中，P(y,yi)为设备故障属于第i类的概率，k为故障诊断模型数量，wj为第j个故障诊断模型对应权重，p(y,yi,j)为第j个故障诊断模型判定设备故障属于第i类的概率。
9.根据权利要求1所述的方法，其特征在于，所述寿命预测包括设备生命周期数据快照获取与设备寿命预测；
所述生命周期数据快照获取包括：
待监测工业设备开始运行后，记录其各生命周期内运行状态下的数据，生成相应的数据快照，并存储至数据库中；
所述设备寿命预测包括：
采用如下公式计算各时间状态下待监测工业设备的健康值：
Figure FDA0003720226280000052
Figure FDA0003720226280000053
其中，Hx为特征数据对应健康值，w为权重系数，γ为衰减速率，dx为当前设备特征向量与预报警特征向量之间的距离，ds为设备刚开始运行时特征向量与预报警特征向量之间的距离，de为发生故障时设备特征向量与预报警特征向量之间的距离。
10.一种基于边云协同计算的工业设备健康状态监测系统，其特征在于，包括：
采集模块，用于边缘计算端读取配置参数与采集设备运行数据；
第一判断模块，用于采集待监测工业设备的数据并缓存，当缓存数据长度达到指定数据长度，则依次执行数据预处理、数据特征提取、数据分析预报警处理，然后将数据上传至云计算端，并清除数据采集中的缓存数据；
第二判断模块，用于云计算端接收边缘端上传的数据，若接收的数据为阈值报警信息，则依次进行故障诊断、信息推送与反馈接收、预报警参数校正、样本数据更新；否则，判断是否进行寿命预测；
第三判断模块，用于若样本数据量符合模型更新条件，则更新设备故障诊断、寿命预测模型；否则，不更新设备故障诊断、寿命预测模型；
健康状态监测模块，用于循环进入第一判断模块、第二判断模块、第三判断模块，直至完成待监测工业设备的健康状态监测任务。
CN202210748247.6A 2022-06-29 2022-06-29 基于边云协同计算的工业设备健康状态监测系统及方法 Pending CN115186883A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210748247.6A CN115186883A (zh) 2022-06-29 2022-06-29 基于边云协同计算的工业设备健康状态监测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210748247.6A CN115186883A (zh) 2022-06-29 2022-06-29 基于边云协同计算的工业设备健康状态监测系统及方法

Publications (1)

Publication Number Publication Date
CN115186883A true CN115186883A (zh) 2022-10-14

Family

ID=83515866

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210748247.6A Pending CN115186883A (zh) 2022-06-29 2022-06-29 基于边云协同计算的工业设备健康状态监测系统及方法

Country Status (1)

Country Link
CN (1) CN115186883A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115687984A (zh) * 2023-01-05 2023-02-03 绍兴市特种设备检测院 一种搅拌釜健康状态监测方法
CN115809178A (zh) * 2022-11-29 2023-03-17 国网山东省电力公司应急管理中心 一种基于数据分析的应急装备健康状态监测预警方法和装置
CN115877198A (zh) * 2022-12-23 2023-03-31 国网山东省电力公司蒙阴县供电公司 基于边缘计算的一二次融合开关故障诊断预警系统
TWI801324B (zh) * 2022-11-15 2023-05-01 國立虎尾科技大學 冷凍設備遠端故障診斷系統及其方法
CN116437243A (zh) * 2022-12-22 2023-07-14 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
CN116773168A (zh) * 2023-06-20 2023-09-19 南通思诺船舶科技有限公司 一种推进轴故障诊断方法及系统
CN117589706A (zh) * 2023-11-21 2024-02-23 深圳市森辉智能自控技术有限公司 一种基于碳中和的二氧化碳监测设备及其监测方法
CN117782198A (zh) * 2023-12-01 2024-03-29 湖南省衡永高速公路建设开发有限公司 一种基于云边端架构的公路机电设备运行监测方法及系统
CN118502398A (zh) * 2024-07-22 2024-08-16 青岛海尔乐信云科技有限公司 基于大数据的智能家电故障自动诊断及闭环的系统及方法

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI801324B (zh) * 2022-11-15 2023-05-01 國立虎尾科技大學 冷凍設備遠端故障診斷系統及其方法
CN115809178A (zh) * 2022-11-29 2023-03-17 国网山东省电力公司应急管理中心 一种基于数据分析的应急装备健康状态监测预警方法和装置
CN115809178B (zh) * 2022-11-29 2023-10-17 国网山东省电力公司应急管理中心 一种基于数据分析的应急装备健康状态监测预警方法和装置
CN116437243A (zh) * 2022-12-22 2023-07-14 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
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
CN115877198A (zh) * 2022-12-23 2023-03-31 国网山东省电力公司蒙阴县供电公司 基于边缘计算的一二次融合开关故障诊断预警系统
CN115687984A (zh) * 2023-01-05 2023-02-03 绍兴市特种设备检测院 一种搅拌釜健康状态监测方法
CN116773168A (zh) * 2023-06-20 2023-09-19 南通思诺船舶科技有限公司 一种推进轴故障诊断方法及系统
CN116773168B (zh) * 2023-06-20 2024-03-12 南通思诺船舶科技有限公司 一种推进轴故障诊断方法及系统
CN117589706A (zh) * 2023-11-21 2024-02-23 深圳市森辉智能自控技术有限公司 一种基于碳中和的二氧化碳监测设备及其监测方法
CN117782198A (zh) * 2023-12-01 2024-03-29 湖南省衡永高速公路建设开发有限公司 一种基于云边端架构的公路机电设备运行监测方法及系统
CN118502398A (zh) * 2024-07-22 2024-08-16 青岛海尔乐信云科技有限公司 基于大数据的智能家电故障自动诊断及闭环的系统及方法

Similar Documents

Publication Publication Date Title
CN115186883A (zh) 基于边云协同计算的工业设备健康状态监测系统及方法
CN111045894B (zh) 数据库异常检测方法、装置、计算机设备和存储介质
CN108038044B (zh) 一种面向连续被监测对象的异常检测方法
CN110895526A (zh) 一种大气监测系统中数据异常的修正方法
CN111143438B (zh) 一种基于流处理的车间现场数据实时监测与异常检测方法
CN109491339B (zh) 一种基于大数据的变电站设备运行状态预警系统
WO2023071761A1 (zh) 一种异常定位方法及装置
CN117176560B (zh) 一种基于物联网的监测设备监管系统及其方法
CN107733737A (zh) 一种监控网络流量异常的方法
EP3869340A1 (en) Operation and maintenance data processing method, system and device
CN109711664B (zh) 一种基于大数据的输变电设备健康评估系统
CN116108445A (zh) 一种信息系统智能化风险预警管理方法及系统
CN115378928B (zh) 基于云服务的监控方法及系统
CN116992346A (zh) 一种基于人工智能大数据分析的企业生产数据处理系统
CN117421994A (zh) 一种边缘应用健康度的监测方法和监测系统
CN117215258A (zh) 一种基于Flink的数控机床实时状态监控系统及方法
CN118211943A (zh) 一种注塑产品生产管理方法及系统
CN117979371A (zh) 用于带宽调节的无线通信数据分析系统和方法
CN111190790A (zh) 一种基于峰值预测的云计算集群监控方法及系统
CN110197289B (zh) 一种基于大数据的节能设备管理系统
CN116629843A (zh) 智能化柴油发电机组的远程预警与维护决策支持系统
CN110647070A (zh) 一种用于超大规模数据中心的动力环境监控系统
CN111064783A (zh) 一种数据采集装置及方法
CN118413437B (zh) 一种满足端到端安全的远程运维诊断系统及方法
CN117708720B (zh) 一种基于知识图谱的设备故障诊断系统

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