CN116106005A - 一种基于端边云协同机器学习的旋转设备故障诊断方法 - Google Patents
一种基于端边云协同机器学习的旋转设备故障诊断方法 Download PDFInfo
- Publication number
- CN116106005A CN116106005A CN202310388300.0A CN202310388300A CN116106005A CN 116106005 A CN116106005 A CN 116106005A CN 202310388300 A CN202310388300 A CN 202310388300A CN 116106005 A CN116106005 A CN 116106005A
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- node
- network
- model
- layer
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000010801 machine learning Methods 0.000 title claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000003862 health status Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 230000008014 freezing Effects 0.000 claims description 3
- 238000007710 freezing Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000036541 health Effects 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000007246 mechanism Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 229910010293 ceramic material Inorganic materials 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008904 neural response Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于端边云协同机器学习的旋转设备故障诊断方法,属于人工智能与工业物联网技术领域。本发明设计的端边云协同的故障诊断框架,通过在端节点部署TinyML模型,有效利用端设备算力,降低模型部署后的计算、通讯成本,解决故障诊断精度与延迟之间的矛盾。在边缘、云的赋能下,解决了端节点TinyML难以实现寿命预测的问题。本方法结合设备故障振动信号的物理特性,确定了故障诊断模型的最小输入节点数,分析了振动数据的差分特征,为级联网络提供了理论层面的支撑,构建了基于级联自编码器的故障诊断模型,降低了峰值内存占用,将模型部署于单片机中,实现了工业现场海量底层设备剩余算力的有效利用。
Description
技术领域
本发明涉及一种基于端边云协同机器学习的旋转设备故障诊断方法,属于人工智能与工业物联网技术领域。
背景技术
旋转机械设备(如轴承、叶轮、齿轮等)广泛存在于各种工业现场中,应用范围包括冶金、机械制造、风力发电等。旋转机械设备往往具有复杂的结构,通常面临着高温、高转速、变工况的复杂工作条件,对其可靠性和稳定性带来了严峻的挑战。一旦旋转机械设备发生故障,轻则停机停产,重则造成人员伤亡,给生产生活带来巨大灾难。因此,旋转机械设备的实时、准确、可靠故障诊断具有重大意义。
当前,在基于温度、振动、声音、静电、超声等各类旋转机械设备故障诊断技术中,由于振动数据的检测不受机械结构影响且容易获得而得到了广泛的研究和应用。现有的基于振动信号的旋转设备故障诊断方法,主要分为基于故障机理模型和基于数据驱动的方法。基于故障机理模型的方法,是通过物理层面的研究来分析旋转设备不同故障情况下设备振动信号在时域、频域、时频域等方面的特征,并对故障类型进行判断。但是,基于机理模型的方法依赖于物理层面的旋转设备故障机理(如专利CN202111565908.3所述的轴承故障机理方法),通常需要大量的专业领域知识和先验知识,人工提取振动信号时域、频域的特征值,分析效率低,难以针对工业现场海量旋转机械设备实现高效自动地故障诊断。
基于数据驱动的方法,是将信号分析算法和机器学习进行结合,通过信号分析算法对正常和故障状态下的振动信号进行预处理,再使用预处理后的数据训练机器学习模型,实现故障的分类。典型的方法包括人工神经网络、K最近邻算法、支持向量机等(如专利CN202111500009.5、专利CN202111681766.7等)。机器学习模型具有较强的非线性特征提取能力,可以直接实现振动信号中端到端故障特征提取和模式识别,能够满足工业现场海量旋转设备实时高效自动故障诊断的需求。然而,在实际工程应用中,基于数据驱动的旋转机械故障诊断方法依旧面临着以下问题和挑战:
(1)常规的云中心或边缘服务器部署模式存在实时性与安全性问题:现有研究多将故障诊断模型部署于拥有充足算力的云中心或边缘服务器,虽然可以实现较高的诊断准确度,但云-边-端通讯延迟和网络波动,导致端到端故障诊断时间通常为秒级,不适合部分对实时性(毫秒级)具有较高要求的故障保护场合,并且需要额外的部署成本以及存在数据隐私与安全问题。
(2)工业现场海量底层设备固有的冗余计算资源未能有效利用:工业现场本身具有海量的终端计算资源(例如底层控制芯片MCU),由于靠近数据源,可以提供低延迟的计算服务,将诊断模型迁移至终端设备可以在保护数据隐私的同时提升故障诊断服务的响应速度,降低端到端服务延迟和带宽压力。然而,终端计算资源严重受限,常规的轻量化诊断模型难以部署运行。尽管可以部署微型机器学习模型,但模型泛化性和精度受限,且难以支持复杂故障分类和寿命预测任务。
(3)现有基于机器学习的故障诊断模型未能有效利用振动信号的物理特征:振动信号的重复脉冲是局部故障旋转设备的典型特征,现有的模型轻量化算法通常在神经网络本身层面上采用压缩、剪枝等操作,并未考虑旋转设备故障的周期性等特征(如专利CN202111643121.4)。
因此,本发明旨在提供一种基于端边云协同机器学习的旋转设备故障诊断方法,充分利用工业现场海量底层设备固有的冗余计算资源和振动信号的物理特征,在保证模型精度的同时,实现快速响应的可靠故障诊断服务。
发明内容
本发明的目的是针对现有技术存在的缺陷和不足,创造性地提出一种基于端边云协同机器学习的旋转设备故障诊断方法。本方法能够有效利用工业现场底层设备中MCU的剩余算力,在设备端本地实现旋转设备的故障诊断。本方法通过边缘计算、云计算的赋能,能够在较低成本下实现精度更高的旋转设备故障诊断分类和寿命预测。
本发明的创新点包括:
首次设计了一种基于端边云协同及微型机器学习(TinyML)的故障诊断框架,并进一步构建了一种基于端边云协同机器学习的旋转设备故障检测方法。推理阶段在端设备的MCU中完成,在决策时间、成本和隐私保护等方面带来了巨大的优势。
1.本方法设计的端边云协同的故障诊断框架,通过在端节点部署TinyML模型,能够有效利用海量端设备算力,大幅降低模型部署后的计算、通讯成本,解决故障诊断精度与延迟、成本之间的矛盾。同时,在边缘、云的赋能下,解决了端节点TinyML无法实现寿命预测的问题。
2.本方法结合旋转机械设备故障振动信号的物理特性,确定了故障诊断模型的最小输入节点数,并分析了振动数据的差分特征,使用差分特征代替原始振动信号作为模型的输入,可以在保证诊断准确度的前提下,对模型规模实现数量级级别的压缩,为级联网络提供了理论层面的支撑。
3.本方法在极度受限的算力、RAM的约束下,构建了基于级联堆叠自编码器的旋转机械设备故障诊断模型,前级自编码器提取故障信号的差分特征,后级自编码器根据差分特征进行故障诊断。级联模型的峰值RAM占用大幅降低,可部署于MCU中,利用工业现场海量底层设备剩余算力进行本地故障诊断。
有益效果
本发明,对比现有的技术,具有以下优点:
1.本发明方法,综合考虑了现实中数据集的采样率、转速等参数,构建了两级级联的网络。本方法不仅限于两级,可实现多级级联。本方法结合故障在物理层面的差分特性,构造了级联网络,极大地压缩了模型的规模,从而将微型故障诊断模型部署于端设备的MCU中,可在端设备本地实现故障诊断,实时性得到了保障,且本地决策过程无需向边缘传输数据。
2.本方法在边-端协同诊断过程中,端部向边缘传输的是前级网络的输出值,相比于原始数据有了大幅的压缩,进一步降低了通讯成本。本方法实现了边缘节点根据置信度对端节点的动态诊断,大幅降低了通信成本以及边缘节点的计算成本。
3.本方法采用了端-边-云协同架构,在端部完成实时性要求高的决策,通过边缘节点完成相对复杂的寿命预测问题。由于端节点的微型模型可靠性有限,本发明通过边缘节点的变周期动态诊断策略,有效提升了故障诊断的可靠性。
4.本方法有效挖掘了故障信号的差分特征,设计了级联神经网络,前级网络提取差分特征,后级网络根据差分特征实现故障诊断,从而将一个复杂的网络拆分成两个级联的小规模网络,大幅降低了网络规模,使得网络可以在工业现场海量存在的MCU(性能极度受限)中部署。
5.本方法通过模型压缩,使得模型可以在MCU中部署,有效利用了海量工业设备中固有的MCU的剩余算力,无需增加额外的硬件成本即可实现故障诊断模型的部署。
附图说明
图1为本发明方法所述的两级级联网络结构示意图。
图2为本发明方法所述的具有提前退出机制的边缘节点故障诊断/寿命预测模型示意图。
具体实施方式
下面结合附图和实施例,对本发明做进一步详细说明。
本实施例中,以针对滚动轴承进行故障特性分析为例,对本发明方法做具体说明。需要说明的是,本方法不限于针对滚动轴承进行故障诊断分析。常见的旋转机械设备都具有周期特性。当设备正常运行时,长度相同的振动信号片段彼此间具有一定的相似性,差分特征不明显。当故障发生后,振动信号的周期性将发生较大变化,导致差分特征明显(差分特性)。因此,本方法广泛适用于旋转机械设备的故障诊断工作。
一种基于端边云协同机器学习的旋转设备故障诊断方法,包括以下步骤:
步骤1:设计端设备上的神经网络结构。
步骤1.1:对旋转设备进行物理层面分析,确定不同位置发生故障所产生的特征频率。
具体地,以滚动轴承故障诊断为例:
根据轴承的转速、轴承零件的形状和尺寸,由轴承的运动关系分析计算故障特征频率。
其中,轴承的内圈故障为:;
轴承的外圈故障为:;
轴承的保持架故障为: ;
轴承的滚珠故障 为:;
其中,为轴承的滚珠个数;为轴承的滚珠直径,单位为mm;为轴承中心圆直径单位为mm;为轴承的转动频率,单位为Hz;为接触角。
然后,计算各特征频率两两之间的差值的最小值。
步骤1.2:根据频域采样定理,计算频域分辨率:,其中,为频域分辨率,为采样频率,为采样点数;其中,频域分辨率应当不大于特征频率最小差值,有:,根据该式确定出每次故障诊断所需的采样点数。
步骤1.3:确定级联神经网络输入节点数;对于级级联网络,输入节点数计算为其中,为达到频域分辨率所需采样点数,为级联级数。
步骤1.4:通过希尔伯特变换得到振动信号的包络谱,提取出因旋转设备故障激发的冲击信号:其中,为希尔伯特变换后的时域信号,为时域振动信号;表示时间;表示圆周率;表示积分变量。
步骤1.5:将时间序列拆分为长度为的样本,将序列末尾长度不足的部分舍弃,得到样本集合。
步骤1.6:计算不同样本的KL散度,分析不同工况时样本分布的变化:其中,表示KL散度,表示所有样本向量的均值,表示样本向量,表示样本集合。
步骤1.7:为进一步放大KL散度的差分特征,引入最大池化:其中,为池化后的第个KL散度值,为池化深度;为第个样本与参考样本间的KL散度值。
根据步骤1.1至步骤1.7的分析过程,判断出旋转设备(如本实施例中的轴承)的原始故障信号是否存在明显的差分特征。这为后续的模型构建提供了理论层面的可行性分析。
具体地,针对某一类型的设备,可以通过实验的方式获得正常样本及少量故障样本,通过步骤1.1至步骤1.7分析故障样本与正常样本之间的差分特性是否存在明显差异,若存在明显差异,则进行级联网络的构建,否则不对该旋转设备进行故障诊断。
对于旋转设备,其故障具有明显的周期性,因此,也就具有差分特征。
步骤1.8:对于级的级联网络,前级网络用于提取信号的差分特征,第级网络用于根据差分特征判断是否发生故障。
以两级级联网络为例,前级网络使用原始振动信号作为输入,后级网络使用前级网络输出值(差分特征)代替原有的振动信号,作为神经网络的输入。对于两级级联网络,以连续的个样本作为前级自编码器的输入,输出的均方误差(MSE)值作为特征值。对连续的个特征值进行最大池化得到,并将池化后连续的个MSE特征值作为后级自编码器的输入,通过后级自编码器输出端的MSE值判断是否发生故障。单个差分特征由个原始数据计算得出,因此,使用差分特征替代原始振动信号并进行池化后,神经网络单个输入节点的感受野(Receptive Field)由1提升至。后级网络输出端的MSE值由连续的个原始振动数据决定。
通过级联的方式,增大了后级输入节点的感受野(Receptive Field)。因此,采用级联的方式,大幅降低了输入节点的规模。对于TinyML,推理阶段最大的硬件限制为峰值内存占用,峰值内存占用与输入节点规模成正相关关系,模型深度并不能显著影响峰值内存占用。因此,通过级联的方式,极大减小了输入规模,进而大幅降低推理过程的峰值内存占用。
两级级联网络结构如图1所示。在推理阶段,当正常工况时,前级网络能够较好的重构振动信号,使得前级网络输出值与输入值之间的均方误差(Pre-MSE)稳定在一个较小值,后级网络能较好的重构前级网络的Pre-MSE所组成的序列,因此后级网络输出值与输入值的均方误差(MSE)较小。当设备故障发生后,振动信号的分布发生变化,前级网络的Pre-MSE将发生较大波动,体现出较大的差分特性,后级网络难以重构,因此后级网络的MSE值较大。
进一步地,两级级联网络训练过程分为两个阶段,如步骤1.8.1至步骤1.8.2所示。同理,
m级级联网络的训练过程分为
m个阶段。
步骤1.8.1:根据正常工况下的原始振动数据,训练输入节点数为的前级自编码器,训练目标为最小化重构误差。
对于前级网络,振动数据
x经编码层映射至隐藏层,提取有效特征;在解码层中,有效特征经非线性重构转换为输出数据;通过设定损失函数,使输出最大限度等于输入;
其中,前级网络的编码层训练过程如下:,其中,表示编码函数,为输入层到输出层的权重矩阵;为偏置向量;为sigmoid函数;
前级网络的解码层训练过程如下:其中,表示解码函数,为隐藏层到输出层的权重矩阵,为偏置向量;
前级网络的损失函数为:其中,表示神经网络输入、输出层神经元个数;
将多个自编码器进行堆叠,通过冻结参数的方式逐层训练,形成堆叠自编码器;
对前级网络输出进行最大池化:,其中,表示池化后前级自编码器的输出值,表示前级自编码器的原始输出值,为池化深度。
步骤1.8.2:采用经正常工况下池化后的前级网络的输出数据来训练后级网络,训练目标为最小化前级数据的重构误差;
其中,后级网络的编码层训练过程如下:,其中,表示编码层输出值,表示编码层权重,表示编码层偏置;
后级网络的解码层训练过程如下:其中,为解码层权重矩阵,表示解码层偏置;
后级网络的损失函数为:,其中,表示损失函数,表示神经网络输入/输出层神经元个数。
步骤2:进行端边云框架下模型的训练和部署。
步骤2.1:云中心基于联邦学习,通过各边缘节点中的相似设备(例如同型号不同工作场景、同一制造商生产的同系列设备)的数据训练模型,在保护各企业隐私的前提下,通过各个工厂的数据训练故障诊断/寿命预测模型和微型故障诊断模型,并将模型发送至边缘节点。
步骤2.2:边缘节点接收云端传来的模型,边缘节点中部署故障诊断/寿命预测模型,并将微型故障诊断模型转发至相应的端设备中。
步骤2.3:在设备部署初期,由边缘节点按照设定的周期对端进行故障诊断,若诊断结果为健康,则端设备将边缘诊断结果作为数据的标签,完成一轮训练,不断重复该过程,直至端模型收敛。若诊断结果为故障,则该端设备停机等待检修。
步骤2.4:端节点根据实时振动数据进行模型推理。
具体地,在端节点在每次推理完成后,根据后级网络的损失函数(如后级网络的损失函数,所示)计算损失函数值,并执行以下处理过程:
首先,计算推理置信度。具体可以采用,其中,为自然常数,为神经网络的输出值,为当前故障类型的序号,为总故障类型数;表示推理置信度。
然后,读取当前任务的延迟约束;
如果边缘诊断延时,则使用端设备中的模型进行决策。否则,进一步根据推理置信度进行判断:如果推理置信度,则使用端设备中的模型进行决策;如果,则使用端设备中的模型进行决策,并上传推理置信度值到边缘节点;如果,则立刻请求边缘节点进行故障诊断(发送诊断请求、置信度以及相应振动信号到边缘节点)。其中,为标准阈值,为关键阈值,可以通过实验的方式确定。例如,根据接受者操作特性曲线(Receiver operating characteristic curve, ROCcurve),分别选取真阳性率(True positive rate)为0.95、0.6所对应的阈值作为、。
步骤2.5:边缘节点实时更新待诊断队列(队列中的每个元素包含节点编号、置信度和原始振动信号),以及该边缘节点下属的所有端节点的推理置信度集合,为第个节点的推理置信度。边缘节点实时监听端节点的请求;当收到端节点诊断请求后,立刻将其插入待诊断队列;当收到端节点发来的推理置信度后,在中进行实时更新,如果中没有该端节点的数据,则向添加该节点及相应的置信度数据。
步骤2.6:边缘节点对端节点进行动态故障诊断。基于边缘节点实时响应和动态诊断算法,实现端设备资源的有效利用,进一步减小边缘节点的负载。
具体地,可以包括以下步骤:
步骤2.6.1:首先对待诊断队列按照置信度进行升序排列,然后对其中的第一个节点进行故障诊断,最后将诊断结果发送至该端节点,并在中删除该节点。重复步骤2.6.1,直至为空。
步骤2.6.2:找出序列中推理置信度最低的一个端节点,从该端节点获取原始振动数据后,对其进行故障诊断。然后,将诊断结果发送至该端节点后,最后在中删除该节点。
步骤2.7:边缘节点故障诊断模型在堆叠自编码器的基础上增加提前退出点,同时与端模型构成级联关系。
如图2所示,边缘节点故障诊断模型,退出点1(包含退出点1)之前的模型训练过程采用与堆叠自编码器相类似的冻结参数逐层训练方法,通过MSE反映故障情况。由于计算资源充足,边缘模型规模与端设备模型相比大幅增加。其中,寿命预测单元不局限于全连接网络,也可以采用CNN、LSTM等架构。
具体地,设置边缘关键阈值,边缘节点首先采集相应端节点的前级模型输出的差分特征,边缘网络输入层规模与数据长度保持一致。在推理过程中,首先从提前退出点1退出,并计算MSE值。当边缘节点输出MSE值不超过时,认为旋转设备未来存在故障风险较小,完成本轮诊断任务。当边缘节点输出MSE值超过时,认为旋转设备未来损坏风险较大,在完成本轮推理之后,返回退出点1,并继续向后推理,直至退出点2。根据退出点2的输出结果,计算旋转设备(即本实施例中的轴承)的健康状态,根据寿命预测数据发出相应预警信息。
步骤2.8:对退出点2输出的旋转设备健康状态进行编码,并转化为剩余时间。
为保证退出点1与退出点2输出结果的统一性,各边缘节点分别构造一个BP神经网络(归一化网络),输入节点为2,分别为退出点1输出值、退出点2计算得到的剩余时间。输出节点为1,表示轴承剩余寿命。
在系统运行初期,剩余寿命并无参考价值,以边缘模型退出点1输出结果为准。
云节点收集所有边缘节点的故障信息,各边缘节点中的归一化网络以联邦学习的方式训练,直至收敛。
当模型收敛后,以归一化模型的输出值为依据,得到旋转设备的剩余寿命预测值;
归一化网络实现了退出点1与退出点2数据的平滑,避免了故障发生前的突然跳变。例如:剩余寿命,但退出点1输出结果为故障,二者无法统一。
Claims (8)
1.一种基于端边云协同机器学习的旋转设备故障诊断方法,其特征在于,包括以下步骤:
步骤1:设计端设备上的神经网络结构,包括以下步骤:
步骤1.1:对旋转设备进行物理层面分析,确定不同位置发生故障所产生的特征频率;
步骤1.2:根据频域采样定理,计算频域分辨率:,其中,为频域分辨率,为采样频率,为采样点数;其中,频域分辨率应当不大于特征频率最小差值,有:,根据该式确定出每次故障诊断所需的采样点数;
步骤1.3:确定级联神经网络输入节点数;对于级级联网络,输入节点数计算为其中,为达到频域分辨率所需采样点数,为级联级数;
步骤1.4:通过希尔伯特变换得到振动信号的包络谱,提取出因旋转设备故障激发的冲击信号:其中,为希尔伯特变换后的时域信号,为时域振动信号;表示时间;表示圆周率;表示积分变量;
步骤1.5:将时间序列拆分为长度为的样本,将序列末尾长度不足的部分舍弃,得到样本集合;
步骤1.6:计算不同样本的KL散度,分析不同工况时样本分布的变化:其中,表示KL散度,表示所有样本向量的均值,表示样本向量,表示样本集合;
步骤1.7:进一步放大KL散度的差分特征,引入最大池化:其中,为池化后的第个KL散度值,为池化深度;为第个样本与参考样本间的KL散度值;
根据步骤1.1至步骤1.7的分析过程,判断出旋转设备的原始故障信号是否存在明显的差分特征;若存在明显差异,则进行级联网络的构建,否则不对该旋转设备进行故障诊断;
步骤1.8:对于级的级联网络,前级网络用于提取信号的差分特征,第级网络用于根据差分特征判断是否发生故障;
步骤2:端边云框架下模型的训练和部署,包括以下步骤:
步骤2.1:云中心基于联邦学习,通过各边缘节点中的同类设备的数据训练模型,在保护各企业隐私的前提下,通过各个工厂的数据训练故障诊断/寿命预测模型和微型故障诊断模型,并将模型发送至边缘节点;
步骤2.2:边缘节点接收云端传来的模型,边缘节点中部署故障诊断/寿命预测模型,并将微型故障诊断模型转发至相应的端设备中;
步骤2.3:在设备部署初期,由边缘节点按照设定的周期对端进行故障诊断,若诊断结果为健康,则端设备将边缘诊断结果作为数据的标签,完成一轮训练,不断重复该过程,直至端模型收敛;若诊断结果为故障,则该端设备停机等待检修;
步骤2.4:端节点根据实时振动数据进行模型推理;
步骤2.5:边缘节点实时更新待诊断队列,以及该边缘节点下属的所有端节点的推理置信度集合,为第个节点的推理置信度;边缘节点实时监听端节点的请求;当收到端节点诊断请求后,立刻将其插入待诊断队列;当收到端节点发来的推理置信度后,在中进行实时更新,如果中没有该端节点的数据,则向添加该节点及相应的置信度数据;
步骤2.6:边缘节点对端节点进行动态故障诊断;
步骤2.7:边缘节点故障诊断模型在堆叠自编码器的基础上增加提前退出点,同时与端模型构成级联关系;
边缘节点故障诊断模型,对包括退出点1之前的模型训练过程采用与堆叠自编码器相同的冻结参数逐层训练方法,通过MSE反映故障情况;
设置边缘关键阈值,边缘节点首先采集相应端节点的前级模型输出的差分特征,边缘网络输入层规模与数据长度保持一致;在推理过程中,首先从提前退出点1退出,并计算MSE值;当边缘节点输出MSE值不超过时,认为旋转设备不存在故障,完成本轮诊断任务;当边缘节点输出MSE值超过时,在完成本轮推理之后,返回退出点1,并继续向后推理,直至退出点2;根据退出点2的输出结果,计算旋转设备的健康状态,根据寿命预测数据发出相应预警信息;
步骤2.8:对退出点2输出的旋转设备健康状态进行编码,并转化为剩余时间;
为保证退出点1与退出点2输出结果的统一性,各边缘节点分别构造一个BP神经网络,输入节点为2,分别为退出点1输出值、退出点2计算得到的剩余时间;输出节点为1,表示轴承剩余寿命;在系统运行初期,剩余寿命并无参考价值,以边缘模型退出点1输出结果为准;
云节点收集所有边缘节点的故障信息,各边缘节点中的归一化网络以联邦学习的方式训练,直至收敛;
当模型收敛后,以归一化模型的输出值为依据,得到旋转设备的剩余寿命预测值。
2.如权利要求1所述的一种基于端边云协同机器学习的旋转设备故障诊断方法,其特征在于,当对滚动轴承进行故障诊断时,步骤1中,根据轴承的转速、轴承零件的形状和尺寸,由轴承的运动关系分析计算故障特征频率;
其中,轴承的内圈故障为:;
轴承的外圈故障为:;
轴承的保持架故障为:;
轴承的滚珠故障 为:;
其中,为轴承的滚珠个数;为轴承的滚珠直径,单位为mm;为轴承中心圆直径单位为mm;为轴承的转动频率,单位为Hz;为接触角;
然后,计算各特征频率两两之间的差值的最小值。
3.如权利要求1所述的一种基于端边云协同机器学习的旋转设备故障诊断方法,其特征在于,步骤1.3中,取满足不等式约束的最小整数。
4.如权利要求1所述的一种基于端边云协同机器学习的旋转设备故障诊断方法,其特征在于,步骤1.8中,采用两级级联网络,前级网络使用原始振动信号作为输入,后级网络使用前级网络输出值代替原有的振动信号,作为神经网络的输入;
对于两级级联网络,以连续的个样本作为前级自编码器的输入,输出的MSE值作为特征值;对连续的个特征值进行最大池化得到,并将池化后连续的个MSE特征值作为后级自编码器的输入,通过后级自编码器输出端的MSE值判断是否发生故障;单个差分特征由个原始数据计算得出,因此,使用差分特征替代原始振动信号并进行池化后,神经网络单个输入节点的感受野由1提升至;后级网络输出端的MSE值由连续的个原始振动数据决定。
5.如权利要求4所述的一种基于端边云协同机器学习的旋转设备故障诊断方法,其特征在于,两级级联网络训练过程分为两个阶段,包括以下步骤:
步骤1.8.1:根据正常工况下的原始振动数据,训练输入节点数为的前级自编码器,训练目标为最小化重构误差;
对于前级网络,振动数据x经编码层映射至隐藏层,提取有效特征;在解码层中,有效特征经非线性重构转换为输出数据;通过设定损失函数,使输出最大限度等于输入;
其中,前级网络的编码层训练过程如下:,其中,表示编码函数,为输入层到输出层的权重矩阵;为偏置向量;为sigmoid函数;
前级网络的解码层训练过程如下:其中,表示解码函数,为隐藏层到输出层的权重矩阵,为偏置向量;
前级网络的损失函数为:其中,表示神经网络输入、输出层神经元个数;
将多个自编码器进行堆叠,通过冻结参数的方式逐层训练,形成堆叠自编码器;
对前级网络输出进行最大池化:,其中,表示池化后前级自编码器的输出值,表示前级自编码器的原始输出值,为池化深度;
步骤1.8.2:采用经正常工况下池化后的前级网络的输出数据来训练后级网络,训练目标为最小化前级数据的重构误差;
其中,后级网络的编码层训练过程如下:,其中,表示编码层输出值,表示编码层权重,表示编码层偏置;
后级网络的解码层训练过程如下:其中,为解码层权重矩阵,表示解码层偏置;
后级网络的损失函数为:,其中,表示损失函数,表示神经网络输入/输出层神经元个数。
6.如权利要求1所述的一种基于端边云协同机器学习的旋转设备故障诊断方法,其特征在于,步骤2.4中,在端节点在每次推理完成后,根据后级网络的损失函数计算损失函数值,并执行以下处理过程:
首先,计算推理置信度,然后读取当前任务的延迟约束;
如果边缘诊断延时,则使用端设备中的模型进行决策,否则,进一步根据推理置信度进行判断:如果推理置信度,则使用端设备中的模型进行决策;如果,则使用端设备中的模型进行决策,并上传推理置信度值到边缘节点;如果,则立刻请求边缘节点进行故障诊断,其中,为标准阈值,为关键阈值。
7.如权利要求6所述的一种基于端边云协同机器学习的旋转设备故障诊断方法,其特征在于,其中,为自然常数,为神经网络的输出值,为当前故障类型的序号,为总故障类型数;表示推理置信度。
8.如权利要求1所述的一种基于端边云协同机器学习的旋转设备故障诊断方法,其特征在于,步骤2.6包括以下步骤:
步骤2.6.1:首先对待诊断队列按照置信度进行升序排列,然后对其中的第一个节点进行故障诊断,最后将诊断结果发送至该端节点,并在中删除该节点;重复上述过程,直至为空;
步骤2.6.2:找出序列中推理置信度最低的一个端节点,从该端节点获取原始振动数据后,对其进行故障诊断;然后,将诊断结果发送至该端节点后,最后在中删除该节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310388300.0A CN116106005B (zh) | 2023-04-12 | 2023-04-12 | 一种基于端边云协同机器学习的旋转设备故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310388300.0A CN116106005B (zh) | 2023-04-12 | 2023-04-12 | 一种基于端边云协同机器学习的旋转设备故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116106005A true CN116106005A (zh) | 2023-05-12 |
CN116106005B CN116106005B (zh) | 2023-06-06 |
Family
ID=86256569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310388300.0A Active CN116106005B (zh) | 2023-04-12 | 2023-04-12 | 一种基于端边云协同机器学习的旋转设备故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116106005B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117786392A (zh) * | 2024-02-27 | 2024-03-29 | 雪浪数制(杭州)科技有限公司 | 一种基于云边协同的盾构机故障监测诊断方法与系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110216680A (zh) * | 2019-07-05 | 2019-09-10 | 山东大学 | 一种服务机器人云地协同故障诊断系统和方法 |
US20200051419A1 (en) * | 2017-10-11 | 2020-02-13 | Analog Devices Global Unlimited Company | Cloud-based machine health monitoring |
CN112101532A (zh) * | 2020-11-18 | 2020-12-18 | 天津开发区精诺瀚海数据科技有限公司 | 一种基于边云协同的自适应多模型驱动设备故障诊断方法 |
CN112784920A (zh) * | 2021-02-03 | 2021-05-11 | 湖南科技大学 | 云边端协同的旋转部件对抗域自适应故障诊断方法 |
AU2021105779A4 (en) * | 2021-08-18 | 2021-10-21 | Fuzhou University | Planetary Gearbox Fault Diagnosis Method Using Parameter Optimized VMD and Multi-domain Manifold Learning |
WO2022141669A1 (zh) * | 2020-12-31 | 2022-07-07 | 苏州大学 | 变工况下动态联合分布对齐网络的轴承故障诊断方法 |
CN115436800A (zh) * | 2022-07-28 | 2022-12-06 | 昆岳互联环境技术(江苏)有限公司 | 一种基于多模块的电机远程状态监测方法 |
-
2023
- 2023-04-12 CN CN202310388300.0A patent/CN116106005B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200051419A1 (en) * | 2017-10-11 | 2020-02-13 | Analog Devices Global Unlimited Company | Cloud-based machine health monitoring |
CN110216680A (zh) * | 2019-07-05 | 2019-09-10 | 山东大学 | 一种服务机器人云地协同故障诊断系统和方法 |
CN112101532A (zh) * | 2020-11-18 | 2020-12-18 | 天津开发区精诺瀚海数据科技有限公司 | 一种基于边云协同的自适应多模型驱动设备故障诊断方法 |
WO2022141669A1 (zh) * | 2020-12-31 | 2022-07-07 | 苏州大学 | 变工况下动态联合分布对齐网络的轴承故障诊断方法 |
CN112784920A (zh) * | 2021-02-03 | 2021-05-11 | 湖南科技大学 | 云边端协同的旋转部件对抗域自适应故障诊断方法 |
AU2021105779A4 (en) * | 2021-08-18 | 2021-10-21 | Fuzhou University | Planetary Gearbox Fault Diagnosis Method Using Parameter Optimized VMD and Multi-domain Manifold Learning |
CN115436800A (zh) * | 2022-07-28 | 2022-12-06 | 昆岳互联环境技术(江苏)有限公司 | 一种基于多模块的电机远程状态监测方法 |
Non-Patent Citations (2)
Title |
---|
张文龙;胡天亮;王艳洁;魏永利;: "云/边缘协同的轴承故障诊断方法", 计算机集成制造系统, no. 03 * |
赵威;王锴;徐皑冬;曾鹏;杨顺昆;孙越;郭海丰;: "面向智能制造的工业机器人健康评估方法", 机器人, no. 04 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117786392A (zh) * | 2024-02-27 | 2024-03-29 | 雪浪数制(杭州)科技有限公司 | 一种基于云边协同的盾构机故障监测诊断方法与系统 |
CN117786392B (zh) * | 2024-02-27 | 2024-05-17 | 雪浪数制(杭州)科技有限公司 | 一种基于云边协同的盾构机故障监测诊断方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116106005B (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Deutsch et al. | Using deep learning-based approach to predict remaining useful life of rotating components | |
Niu et al. | An optimized adaptive PReLU-DBN for rolling element bearing fault diagnosis | |
Yu | Adaptive hidden Markov model-based online learning framework for bearing faulty detection and performance degradation monitoring | |
Guo et al. | Mechanical fault time series prediction by using EFMSAE-LSTM neural network | |
CN116106005B (zh) | 一种基于端边云协同机器学习的旋转设备故障诊断方法 | |
CN111931625B (zh) | 基于非对称损失神经网络的产品关键零件剩余寿命预测方法 | |
CN113505655B (zh) | 面向数字孪生系统的轴承故障智能诊断方法 | |
CN111340282B (zh) | 基于da-tcn的设备剩余使用寿命的估计方法及系统 | |
CN112284735B (zh) | 基于一维卷积与动态路由的多传感器滚动轴承故障诊断 | |
de Paula Monteiro et al. | A hybrid prototype selection-based deep learning approach for anomaly detection in industrial machines | |
Zhang et al. | Federated variational learning for anomaly detection in multivariate time series | |
CN112989976A (zh) | 一种基于双深度学习模型的设备故障模式预测方法 | |
Xue et al. | A novel local binary temporal convolutional neural network for bearing fault diagnosis | |
US20230136071A1 (en) | System and method for cyber causal attribution via kolmogorov complexity | |
Zhang et al. | A novel fault diagnosis method for wind turbine based on adaptive multivariate time-series convolutional network using SCADA data | |
Dong et al. | An online health monitoring framework for traction motors in high-speed trains using temperature signals | |
CN117664558A (zh) | 发电机齿轮箱异常检测方法、装置、设备及存储介质 | |
Yang et al. | A Novel Bearing Fault Diagnosis Method based on Stacked Autoencoder and End-edge Collaboration | |
Mao et al. | Online bearing fault diagnosis using support vector machine and stacked auto-encoder | |
CN117213856A (zh) | 基于云边双数据源融合的轴承剩余寿命预测方法 | |
Li et al. | A robust fault diagnosis method for rolling bearings based on deep convolutional neural network | |
Yang et al. | Fault diagnosis of motor bearing based on improved convolution neural network based on VMD | |
CN115174132A (zh) | 一种基于网络流量的电力物联网入侵检测方法 | |
Guerroum et al. | Machine learning for the predictive maintenance of a Jaw Crusher in the mining industry | |
dos Santos et al. | Forecast of multivariate time series sampled from industrial machinery sensors |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |