CN117786392B - 一种基于云边协同的盾构机故障监测诊断方法与系统 - Google Patents
一种基于云边协同的盾构机故障监测诊断方法与系统 Download PDFInfo
- Publication number
- CN117786392B CN117786392B CN202410215827.8A CN202410215827A CN117786392B CN 117786392 B CN117786392 B CN 117786392B CN 202410215827 A CN202410215827 A CN 202410215827A CN 117786392 B CN117786392 B CN 117786392B
- Authority
- CN
- China
- Prior art keywords
- model
- sub
- data
- subsystem
- shield machine
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000005641 tunneling Effects 0.000 claims abstract description 65
- 238000003745 diagnosis Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000011176 pooling Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000005315 distribution function Methods 0.000 claims description 9
- 239000003638 chemical reducing agent Substances 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000007789 sealing Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 239000002002 slurry Substances 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 4
- 230000001052 transient effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000005311 autocorrelation function Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种基于云边协同的盾构机故障监测诊断方法与系统,包括在云端完成盾构机故障监测诊断模型的训练,将完成训练好的模型编译为多种版本的二进制文件,并部署到盾构机边缘端不同的子系统中;在边缘端进行数据采集、处理,将边缘端处理后的盾构机实时数据发送到云端,供云端模型的更新迭代;将处理好的数据输入到部署于各子系统的第二模型中进行盾构机故障监测诊断。本发明解决了边缘端硬件计算平台的系统架构兼容性问题,将云端模型统一部署于盾构机边缘端不同的子系统中,从而从实现对盾构机运行故障的整体的及时有效的检测诊断,而且本发明子模型子系统为多对多关系,从而进一步实现了对盾构机的整体运行故障进行监测诊断。
Description
技术领域
本发明涉及盾构机智能化技术,尤其涉及一种基于云边协同技术的盾构机故障监测诊断方法和系统。
背景技术
盾构机是一种使用盾构法的隧道掘进机,具有高效的施工效率、良好的作业安全性和环境友好性,已广泛用于地铁、铁路、公路、市政、水电等隧道工程,是保障国家重大基础设施建设及国家经济社会高质量发展的国之重器。但是,现有的盾构机仍存在可靠性差、风险防范能力弱等不足,日均利用率不足60%,塌方、卡机、透水涌砂涌泥等恶性施工事故时有发生,施工安全受到严重威胁。盾构机的故障监测诊断是保证设备正常运行、提高设备工作效率和延长设备使用寿命的主要手段,对于工程安全、进度与成本具有重要意义。
盾构机集光、机、电、液等技术于一体,整个盾构机系统极其复杂,盾构机系统包括刀盘子系统、推进子系统、拼装子系统、盾尾密封子系统以及泥水环流子系统等多个关键的子系统。盾构机各子系统的算力需求、应用环境等差异巨大,因而不同子系统采用了差异巨大的计算平台,不同计算平台的系统架构之间的差异更加复杂。不同计算平台的硬件算力大小、I/O扩展性、工作温度、体积大小均存在巨大的差异,刀盘子系统需要部署刀盘磨损监测、渣片识别等视觉识别模型,华为的Atlas AI平台支持多路高清视频实时分析,因而刀盘子系统采用了Atlas AI计算平台;泥水环流子系统需要支持高温、振动环境稳定运行,采用了NVIDIA Jetson Nano计算平台;而Intel X86计算平台I/O扩展性丰富、算力强大,适用于其他子系统。
随着人工智能、云计算、边缘计算、大数据技术的发展,云边协同技术通过将云计算和边缘计算相结合,实现了更高效、更快速的数据处理和响应。目前盾构机运行中的故障监测诊断也采用了云边协同技术,总体分为以下两种技术方案:
(1)在盾构机的云端训练盾构机人工智能模型,再将训练好的模型部署到盾构机的边缘端,对盾构机的运行故障进行监测诊断,如图1所示,这种技术方案由于要将云端的模型部署到边缘端,存在模型运行环境与边缘端硬件的适配问题,所以在云端训练好的模型只能部署于边缘端特定系统架构的子系统,无法部署于盾构机边缘端的系统架构差异巨大的不同子系统中,不同子系统之间的故障监测诊断模型以及诊断是互相割裂的,不同子系统之间形成了信息孤岛,因而无法从整体上对盾构机的运行故障进行监测诊断。
(2)在盾构机云端训练盾构机人工智能模型,将盾构机边缘端不同子系统的运行数据上传到云端训练好的模型中,虽然这种技术方案不需要将盾构机人工智能模型部署于边缘端不同子系统中,解决了模型运行环境与边缘端硬件的适配问题,但是由于要将盾构机边缘端大量的运行数据上传到云端,对传输网络的要求很高,而由于盾构机的工作环境通常位于地下深处,挖掘隧道的过程中,周围被厚实的土壤、岩石等自然介质所包围,这样的工作环境决定了盾构机工作区域内的网络环境极为受限,因而无法将盾构机边缘端大量的运行数据实时上传到盾构机的云端,从而无法对盾构机的运行故障进行及时有效的监测诊断。
综上所述,现有的基于云边协同技术的盾构机智能化故障监测诊断方法存在以下问题:
(1)对于需要将云端的模型部署在盾构机边缘端的云边协同技术方案,现有的盾构机故障监测诊断人工智能模型仅仅基于与要监测诊断的子系统相同的单一系统架构编写,再将模型部署于对应的单一子系统中,而无法将模型部署于盾构机差异巨大的不同子系统中,从而无法对盾构机的整体运行故障进行监测诊断。
(2)对于需要将模型部署在盾构机边缘端的云边协同技术方案,对于已经在云端训练好的盾构机故障监测诊断人工智能模型,由于该模型是针对特定子系统的特定计算平台的系统架构设定的,如果盾构机的子系统的计算平台发生变化,则现有的模型将无法直接部署,这意味着既有的模型需要适配特定的硬件计算平台,这种特定的对应关系影响云端模型的部署和扩展,限制了云端模型运行环境与边缘端硬件计算平台系统架构之间的灵活性,无法实现云端模型运行环境与边缘端硬件计算平台系统架构之间的解耦。
(3)对于不需要将模型部署在盾构机边缘端的云边协同技术方案,由于需要将盾构机边缘端大量的运行数据上传到云端,对传输网络的要求很高,但是盾构机的工作环境无法提供高质量的传输网络,因而无法对盾构机的运行故障进行及时有效的监测诊断。
因此,现有基于云边协同技术对盾构机进行故障监测诊断的技术方案均无法及时有效地对盾构机的故障进行整体的监测和诊断。
发明内容
针对现有的基于云边协同的盾构机故障监测诊断技术方案无法及时有效地对盾构机的运行故障进行整体的监测诊断的问题,本发明提供了一种基于云边协同的盾构机故障监测诊断方法与系统,将在云端训练好的子模型编译成多种版本的二进制文件并部署于不同计算平台的盾构机边缘端子系统中,解决了云端子模型运行环境与边缘端子系统计算平台的系统架构兼容性问题,实现了盾构机故障监测诊断子模型运行环境与子系统计算平台之间的解耦,提高了盾构机故障监测诊断模型的可移植性和可扩展性,本发明将云端模型统一部署于盾构机边缘端各个子系统中,从而从实现对盾构机运行故障的整体的及时有效的检测诊断,而且本发明子模型和子系统之间是多对多的对应关系,从而进一步实现了对盾构机的整体运行故障的监测诊断。
为了达到上述技术效果,本发明的技术方案如下:一种基于云边协同的盾构机故障监测诊断方法,所述方法包括:
S1:在云端训练、编译与发送第一模型
在云端利用处理后的盾构机各子系统运行实时数据训练盾构机故障监测诊断模型,此云端的模型记为第一模型;
根据盾构机边缘端不同子系统的计算平台的系统架构,在云端将第一模型编译为多种版本的二进制文件,以适配盾构机边缘端不同子系统的计算平台;
将所述多种版本的二进制文件发送到盾构机边缘端;
S2:在盾构机边缘端更新与部署第一模型
定期更新边缘端的盾构机故障监测诊断模型,使其与第一模型的版本一致,边缘端的盾构机故障监测诊断模型记为第二模型;
接收云端的第一模型的多种版本的二进制文件,并将所述二进制文件部署于对应的盾构机边缘端不同子系统的计算平台;
S3:在盾构机边缘端进行数据采集、处理与发送
采集盾构机边缘端各子系统运行的实时数据,所述实时数据记为第一数据;
在边缘端各子系统中将第一数据预处理成统一格式的第二数据,并将第二数据发送到云端以供第一模型迭代更新;
在各子系统中对第二数据进行特征处理,输出第三数据;
S4:在盾构机边缘端进行盾构机故障监测诊断
将第三数据输入到部署于各子系统的第二模型中进行盾构机故障监测诊断,获得盾构机整体运行的诊断结果;
所述第一模型和第二模型均包括多个子模型;每个所述子系统中部署至少一个所述子模型,同一个子模型至少部署于一个子系统中。
进一步地,所述子系统包括刀盘子系统、推进子系统、拼装子系统、盾尾密封子系统以及泥水环流子系统;
所述子模型包括:
刀盘子模型,用于对盾构机刀盘子系统中的刀盘结泥饼情况进行预测;
减速机子模型,用于监测诊断盾构机推进子系统中的减速机运行异常状况;
电机子模型,用于监测诊断盾构机各子系统中的电机运行异常状况;
压力子模型,用于监测盾构机各子系统中的各阀门压力异常状况;
流量子模型,用于监测盾构机各子系统中的各阀门流量异常状况;以及
泵评估子模型,用于评估盾构机泥水环流子系统中泵的运行状况;
所述子系统需要部署的全部所述子模型在第一模型构建时就确定,在盾构机边缘端部署第二模型时,根据需要将各个所述子模型编译成对应的一种或多种版本的、与待部署子系统的系统架构相适配的二进制文件。
本发明还提供了一种基于云边协同的盾构机故障监测诊断系统,能够实现上述的基于云边协同的盾构机故障监测诊断方法,其包括:
模型训练模块,用于训练盾构机故障监测诊断模型,将训练好的盾构机故障监测诊断模型记为第一模型;
模型编译与发送模型,根据盾构机边缘端不同子系统的计算平台的系统架构,将第一模型编译为多种版本的二进制文件并将云端的所述多种版本的二进制文件发送到盾构机边缘端;
模型管理模块,用于定期更新边缘端各子系统的盾构机故障监测诊断模型,使其与第一模型的版本一致,盾构机边缘端的模型记为第二模型;将从云端接收的第一模型的多种版本的二进制文件部署于对应的盾构机边缘端不同子系统的计算平台中;
数据采集与处理模块,用于采集并处理盾构机边缘端各子系统运行的实时数据,将所述实时数据预处理成统一格式的数据,并将所述统一格式的数据发送到云端以供第一模型迭代更新;对所述统一格式的数据进行特征处理,输出第三数据;
故障监测诊断模块,用于将第三数据输入到部署于盾构机边缘端各子系统的第二模型中进行盾构机故障监测诊断,获得盾构机运行的诊断结果;
所述模型训练模块、模型编译与发送模型均位于云端,所述模型管理模块、数据采集与处理模块、故障监测诊断模块均位于盾构机边缘端的子系统;
所述第一模型包括多个子模型;每个所述子系统中部署至少一个所述子模型,同一个子模型至少部署于一个子系统中。
本发明还公开了一种服务器,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于:所述处理器执行所述计算机程序时实现如上述方法的步骤。
本发明还公开了一种计算机程序产品,所述计算机程序产品包括计算机程序或指令,该计算机程序或指令被处理器执行时实现如上述方法的步骤。
与现有技术相比,本发明提供的一种基于云边协同的盾构机故障监测诊断方法与系统,有益效果如下:
(1)本发明基于云边协同技术,根据子模型和盾构机边缘端子系统之间多对多的对应关系,在云端将训练好的各个子模型编译成多种版本的二进制文件,以适配盾构机边缘端不同子系统的计算平台,再将子模型对应的二进制文件部署到盾构机边缘端相应的子系统中,解决了云端子模型运行环境与边缘端子系统计算平台的系统架构的兼容性问题,提高了盾构机故障监测诊断模型的可移植性和可扩展性,实现了盾构机故障监测诊断模型运行环境与子系统计算平台的系统架构之间的解耦。
(2)本发明采用云边协同技术,将云端训练好的子模型部署到盾构机边缘端相应的不同子系统中,子模型和子系统之间是多对多的对应关系,同一个子模型被部署到不同子系统中,同一个子系统中根据子系统的运行特征选择多个子模型,从而各子系统在协同工作时,能够更有效地利用重合的子模型,减少冗余和冲突,进一步提高整个盾构机故障监测诊断系统的稳定性和效率,有助于促进子系统间的顺畅协作,优化资源分配,以及实现了不同子系统之间更高效的协同任务执行,从而对盾构机整体的运行故障进行有效的监测诊断。
(3)本发明将模型部署于盾构机边缘端的子系统中,并在子系统源头终端进行实时数据处理和故障监测诊断,实时性高,大大缩短了数据传输时延,能够及时有效地进行盾构机整体的故障的监测诊断,而且减少了网络传输的依赖性,提高了盾构机整体运行的可靠性,本发明的盾构机故障诊断预报准确率达到95%、实时性达到ms级,监测诊断平台实现7x24小时高可靠运行。
(4)本发明支持盾构机故障监测诊断模型一键部署、自动更新、运行监控,简化了模型部署过程,提高了模型部署落地效率,能够快速更新边缘端的模型,提高了模型对施工现场的地层、工况的适应性,从而极大地提高了模型对盾构机故障监测诊断的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为现有技术中盾构机采用云边协同技术的故障监测诊断方法的子模型和子系统的对应关系图。
图2为本发明一种基于云边协同的盾构机故障监测诊断方法的流程示意图。
图3为本发明一种基于云边协同的盾构机故障监测诊断方法的子模型、子系统的对应关系图。
图4为本发明实施例中部分第一数据的示例图。
图5为本发明实施例中部分第二数据的示例图。
图6为本发明实施例中部分第三数据的示例图。
图7为本发明实施例中诊断结果的界面示意图。
具体实施方式
下面将结合实施例和附图进一步阐述本发明。应理解,实施例仅用于说明本发明,而非限制本发明的范围。在不背离本发明构思的精神和范围下,本领域技术人员能够想到的变化和优点,都被包括在本发明中,并且以所附的权利要求书及等同内容为保护范围。
可以理解的是,术语“一”应理解为“至少一”或“一个或多个”,即在一个实施例中,一个元件的数量可以为一个,而在另外的实施例中,该元件的数量可以为多个,术语“一”不能理解为对数量的限制。在本发明中,除发明人已经明确定义的名称和术语,其他的名称和术语为本领域的通用名称。
在本发明的一个实施例中,提供了一种基于云边协同的盾构机故障监测诊断方法,如图2所示,方法包括:
S1:在盾构机云端训练、编译与发送第一模型
云端位于盾构机制造厂商的计算中心,在云端利用处理后的盾构机各子系统的运行实时数据训练盾构机故障监测诊断模型,此云端的模型记为第一模型;
根据盾构机边缘端不同子系统的计算平台的系统架构,在云端将第一模型编译为多种版本的二进制文件,此二进制文件用于适配盾构机泵站边缘端存在巨大差异的不同子系统的计算平台;
将云端的多种版本的二进制文件发送到盾构机的边缘端;
S2:在盾构机边缘端更新与部署第一模型
盾构机边缘端子系统定期更新边缘端的盾构机故障监测诊断模型,使其与第一模型的版本一致,边缘端的盾构机故障监测诊断模型记为第二模型;
接收云端的第一模型的多种版本的二进制文件,并将二进制文件部署于对应的盾构机边缘端不同子系统的计算平台;
S3:在盾构机边缘端进行数据采集、处理与发送
采集盾构机边缘端各子系统运行的实时数据,实时数据记为第一数据;
在边缘端各子系统中将第一数据预处理成统一格式的第二数据,并将第二数据发送到云端以供第一模型迭代更新;
在边缘端各子系统中对第二数据进行特征处理,输出第三数据;
S4:在盾构机边缘端进行盾构机故障监测诊断
将第三数据输入到部署于盾构机边缘端各子系统的第二模型中进行盾构机故障监测诊断,获得盾构机整体运行的诊断结果;
第一模型和第二模型均包括多个子模型;每个子系统中部署至少一个子模型,同一个子模型至少部署于一个子系统中;第二模型与第一模型表征的意义相同、运行的环境不同;应当注意的是,本发明中的第一模型指的是云端中的所有子模型,第一模型仅仅是一个统称,它涵盖了云端若干个子模型,这一统称并不代表任何一个特定的子模型,而是用来指代云端整个子模型的集合,当本发明中提及第一模型时,指的是云端子模型的总和,而非云端任何一个单独的子模型,同理第二模型指的是盾构机边缘端各子系统中的所有子模型。为了便于表述,将云端的第一模型的子模型记为第一子模型,将盾构机边缘端的第二模型的子模型记为第二子模型。
盾构机边缘端的子系统包括刀盘子系统、推进子系统、拼装子系统、盾尾密封子系统以及泥水环流子系统;
第一子模型和第二子模型均包括:
刀盘子模型,用于对盾构机刀盘子系统中的刀盘结泥饼情况进行预测;
减速机子模型,用于监测诊断盾构机推进子系统中的减速机运行异常状况;
电机子模型,用于监测诊断盾构机各子系统中的电机运行异常状况;
压力子模型,用于监测盾构机各子系统中的各阀门压力异常状况;
流量子模型,用于监测盾构机各子系统中的各阀门流量异常状况;以及
泵评估子模型,用于评估盾构机泥水环流子系统中泵的运行状况;
每个子系统需要部署的全部第一/第二子模型在模型整体构建时就是确定的,在盾构机边缘端子系统部署第一/第二子模型时,在云端先根据需要将各个第一子模型编译成一种或多种版本的与待部署于的子系统的计算平台的相适配的二进制文件。
云端的各子模型可以基于云计算平台包括亚马逊的AWS、谷歌的GCP、微软的Azure等,也可以基于一些开源的云计算平台,如OpenStack和Kubernetes等编写。
各个子模型、子系统以及子系统的计算平台的对应关系如图3所示,每个子系统中部署至少一个子模型,同一个子模型至少部署于一个子系统中,比如,电机子模型需要部署于拼装子系统、推进子系统以及泥水环流子系统中,而推进子系统中则需要部署减速机子模型、电机子模型、压力子模型以及流量子模型,表明子模型和盾构机边缘端子系统之间为多对多的对应关系。通过这样的设计,使得同一个子模型被部署到不同子系统中,同一个子系统中根据子系统的运行特征选择多个子模型,从而各子系统在协同工作时,能够更有效地利用重合的子模型,减少冗余和冲突,进一步提高整个盾构机故障监测诊断系统的稳定性和效率,有助于促进子系统间的顺畅协作,优化资源分配,以及实现了不同子系统之间更高效的协同任务执行。
刀盘子系统为Atlas AI计算平台,泥水环流子为NVIDIA Jetson Nano计算平台,其他子系统则为Intel X86计算平台。刀盘子系统为华为昇腾AI处理器的Atlas AI计算平台,可以在端侧实现图像识别、图像分类等,典型功耗仅5.5 W,采用Atlas 200 AI 配套编译工具进行编译。Intel X86台基于Intel X86指令集架构,适用于通用计算任务,可采用GCC、Clang、Javac等编译工具。NVIDIA Jetson Nano基于ARM架构,面向边缘计算和嵌入式计算应用,可采用基于GCC的交叉编译器、CUDA等编译工具。
应当注意的是,如图3所示,不同子系统对应同一个子模型,所对应的同一个子模型的模型结构相同,但是模型参数并不相同,比如电机子模型需要部署于拼装子系统、推进子系统以及泥水环流子系统中,但是这3个子系统各自对应的电机子模型的模型结构相同、模型参数不同,因而实质上有3种电机子模型,这3种电机子模型的模型结构相同,但是模型的参数(模型的权重)是根据各个子系统的数据训练得到的因而不同。通过这样的设计,能够进一步有效地利用重合的子模型,减少了模型总体的冗余,不同子系统采用的同一个子模型的模型结构相同从而降低了模型之间的冲突,而不同子系统采用的同一个模型的参数不同则考虑了各子系统之间的差异化,从而进一步提高了整个盾构机故障监测诊断系统的稳定性和效率,进一步促进子系统间的顺畅协作,进一步实现了不同子系统之间更高效的协同任务执行。
根据图3中的对应关系,刀盘子模型只需要部署于刀盘子系统中,因而刀盘子模型在云端编译时只需要编译成适配刀盘子系统的Atlas AI计算平台对应的二进制文件即可。而电机子模型需要部署于拼装子系统、推进子系统、泥水环流子系统中,因而电机子模型就有3种,这3种电机子模型的模型结构相同、模型参数不同,在云端就需要将这3种电机子模型编译成适配Intel X86、Intel X86、NVIDIA Jetson Nano计算平台的三种版本的二进制文件。
在本发明的又一个实施例中,提前用采集到的且经过处理的盾构机各子系统一段时间的运行数据训练云端的各个第一子模型,当所有第一子模型均达到预定的效果后将其部署到盾构机的边缘端,在盾构机运行时采集的盾构机各子系统运行的实时数据,经预处理后再发送到云端,以供第一模型更新迭代。
在本发明的又一个实施例中,在云端将第一子模型编译为多种版本的二进制文件的实现方法包括:
(1)提取出表征第一子模型的参数信息的参数字典和表征第一子模型结构第一计算图,具体实现方法包括:
(1.1)在第一子模型加载过程中,访问模型的属性来获取第一子模型的所有参数信息,这些属性包含了在训练过程中得到的第一子模型各个层次的权重矩阵、偏置项、截距等;遍历第一子模型的参数,第一子模型的参数是以数组或矩阵的形式存储,遍历这些参数将它们从第一子模型对象中提取出来;最后,将提取出的参数值输出构建出表征第一子模型的参数字典,以便后续分析;
(1.2)第一子模型加载后,解析出模型的拓扑结构,包括识别第一子模型的输入和输出节点,解析第一子模型的层次结构、输入和输出节点之间的连接关系以及训练相关的节点,得到表征和评估云端的盾构机故障监测诊断模型拓扑结构的第一计算图;
查看第一子模型的结构,包括查看模型的层数、每层的类型、每层的输入和输出尺寸等;形成第一子模型的摘要,摘要显示了第一子模型每一层及其参数数量,以便快速地获取第一子模型的结构信息;访问模型属性获取第一子模型更详细的结构信息,包括层的数量、每层的输入和输出尺寸、激活函数类型等;对于复杂的第一子模型,可以使用可视化工具来展示第一子模型的拓扑结构,可视化工具能够生成第一子模型的拓扑结构图,以便更直观地理解第一子模型的拓扑结构。
此处的步骤1.1和步骤1.2没有先后关系;
(2)将第一计算图和参数字典转换为可执行的源码文件,具体实现方法包括:
(2.1)对第一计算图做池化处理,得到第三计算图;
(2.2)将第三计算图中的变量转换为常量,并将所述常量添加到第三计算图中,形成第四计算图;
(2.3)按照第四计算图中节点之间的依赖关系,将第四计算图中每个节点的计算公式按顺序组合起来,形成与计算平台无关的总数学表达式;
(2.4)识别出总数学表达式中的变量、常数、运算符和函数(如三角函数、指数函数等),将其映射到C++语言相应的变量、常量、操作符、库函数(如math.h 中的函数);
(2.5)根据总数学表达式中的运算符的优先级和结合关系,使用括号来保证所述总数学表达式的正确计算顺序;
(2.6)添加控制结构(如循环、条件判断)来处理所述总数学表达式,得到第一子模型的C++语言源码文件;
(3)将源码文件编译为多种版本的二进制文件,具体实现方法包括:
此处的第一子模型包括第一模型中的各个子模型,根据需要可以将各个第一子模型单独编译。根据盾构机边缘端不同子系统的计算平台的系统架构提供相应的编译工具将所述源码文件编译为多种版本的二进制文件,以适配所述盾构机边缘端不同子系统的计算平台;计算平台包括Atlas AI、NVIDIA Jetson Nano、Intel X86等,对应的编译工具有Maven、Gradle、Hadoop、Spark;基于GCC的交叉编译器、CUDA、Python解释器;以及GCC、Clang、Javac等编译工具。
在本发明的又一个实施例中,对第一计算图做池化处理得到第三计算图的实现方法如下:
(1)从第一计算图中删除训练相关的节点,形成第二计算图;
(2)对第二计算图做池化运算,池化运算的计算公式如下:
其中,fi为第二计算图中多通道节点的特征值,C为输出的矩阵,其中为所有多通道节点的特征值之和的平均数,m为多通道节点的特征值的数量;通过本公式处理后的第二计算图能够捕获第二计算图中多通道节点特征值之间的线性关系;
(3)将矩阵C转化为正定矩阵C+,C+的计算公式如下:
其中,trace(C)表示矩阵C的迹,λ为正则化参数,I为单位矩阵;获得的正定矩阵C+具备数值稳定性,池化的结果也更加鲁棒,有助于后续的计算和分析;
(4)将正定矩阵作为新的输入节点添加到第二计算图中,形成第三计算图;进一步提高了第三计算图中数据维度的灵活性。
现有的池化方法主要包括最大池化和平均池化两种,本发明此处提出了一种协方差池化方法,能更加精确的生成源码文件,从而得到的二进制文件也更加精确,提高了对模型的编译质量。本发明的池化属于二阶池化方法,对比大多数传统的一阶池化方法可以更多地捕获第一子模型特征的信息,本发明需要考虑第一子模型中特征之间相关性和变化关系,相较一阶池化方法,使用本发明的这种二阶池化方法可以在源码生成的阶段获得第一子模型中更高的常量精度的同时获取更精确的计算公式。
在本发明中,使第二模型版本与第一模型版本一致实质是使第二子模型的版本信息和第一子模型的版本信息一致,实现方法如下:
(1)盾构机边缘端子系统定期向云端查询其需要部署的第一子模型的最新版本信息;
(2)边缘端子系统对返回的第一子模型的最新版本信息与本地的第二子模型的最新版本信息进行比对,并输出模型版本对比结果;
(3)当模型版本对比结果不一致时,边缘端子系统将向云端发起请求,请求成功后,边缘端子系统下载云端对应的第一子模型的二进制版本以更新边缘端子系统的第二子模型;当模型版本对比结果一致时,第二子模型则不做更新;
模型版本对比结果不一致包括在初始阶段边缘端尚未部署第一模型的情况。
在本发明的又一个实施例中,需要对第一数据进行数据预处理,以确保数据的高质量和一致性,可以减少算法模型的计算复杂度,包括对第一数据进行数据清洗、数据转换以及数据聚类操作:
(1)数据清洗,用于对第一数据中的错误数据进行检查与修正,实际施工过程中,不可避免的会出现因传感器、通信系统等异常而采集到错误数据,对第一数据进行数据预处理是对第一数据(各子系统运行的实时数据)进行检查与修正的过程,以避免错误数据对盾构机故障监测诊断产生影响,包括错误数据剔除、缺失数据填补以及重复数据删除:
错误数据包括数值数据格式的问题、数值数据被错误地转为文本数据,以及日期超过界限等,通过修正这些错误数据,可以防止它们对盾构机故障监测诊断产生负面影响;
缺失数据填补:盾构机的数据为典型的时间序列数据,采样间隔相等,如果两个采样时间点的时间差与采样时间间隔相等则没有缺失数据,否则需要对其中的数据进行补充;
重复数据删除:数据采集可能被重复记录,如果存在重复数据,则需要删除重复数据,保留第一个重复数据,旨在确保数据的一致性和准确性;
(2)数据转换,用于放大经过数据清洗后的第一数据内的差异,且不会对数据的分布带来影响,经过清洗后的数据变得更加一致,解决了盾构机数据存在特征量级较小且在时间尺度上变化较小的问题,以使其易被第二模型处理,包括数据的归一化和数据标准化;
(3)数据聚类,一种无监督的机器学习技术,用于将经过数据转换后的第一数据按欧氏距离划分组别,以使得同一组别内的对象相互之间更为相似,而不同组别之间的对象差异较大,聚类算法通常试图在没有标签或类别信息的情况下发现数据中的内在结构或模式,对给定的样本集,用欧氏距离作为衡量数据对象间相似度的指标,相似度与数据对象间的距离成反比,相似度越大,距离越小。
在本发明的又一个实施例中,利用多项式插值中的牛顿插值进行缺失数据填补,对于已知的数据点使用差商来递归地构建插值多项式,其中差商是一个表示相邻数据点之间斜率的概念,差商用于逐步添加新的数据点,已知n+1个数据点(x0,y0),...,(xn,yn),缺失值结果为P(x),则P(x)的公式表示如下
其中,f[x0,x1,x2,...,xn]是从x0到xn的差商,其公式表示如下:
数据归一化是指用于将数据缩放到一个标准范围,以便数据更好地适应第一模型的训练,采用最小值-最大值归一化方法将数据集中的数据映射到[0,1]区间内,优点是能消除数据之间的尺度差异,在数据分布较为均匀,没有明显的异常值的时候防止某些特征对盾构机故障监测诊断模型中参数更新的影响过大,从而提高盾构机故障监测诊断模型的训练速度并加速收敛过程。
盾构机故障监测诊断模型要求训练样本数据具有零均值单位方差,若训练样本数据存在数量级的差异时将导致量级较大的属性占主导地位,也会导致模型的收敛性减慢,数据标准化将数据映射为平均值是0,标准差为1的区间中。
在本发明的又一个实施例中,对第二数据进行特征处理,包括特征提取和特征选择:
(1)特征提取,用于从第二数据中提取出需要的特征,减少第二数据中的冗余和干扰信息,以便更好地表达第二数据的信息,提升盾构机故障监测诊断模型的诊断性能,减少盾构机云端计算和存储的开销,以减少对第二模型训练的计算复杂度和提高模型的性能、效率和效果;特征提取的方法包括时域特征提取、频域特征提取、统计特征提取、时间序列分析、瞬态特征提取、熵和信息熵提取:
时域特征提取,用于反映第二数据的整体波形特征和幅值变化情况,包括均值、标准差、峭度等指标;
频域特征提取,通过傅立叶变换或小波变换等方法将第二数据从时域转换到频域,提取频谱特征如频谱能量、谱峰值频率等,用于反映第二数据的频率分布情况;
统计特征提取,包括自相关函数、互相关函数、互信息、功率谱密度等,用于分析第二数据的周期性、相关性和能量分布情况;
时间序列分析,通过分析第二数据的自相关函数、自回归模型等方法,提取第二数据的时序特征,如自相关系数、自回归系数等,反映第二数据的长期趋势和周期性;
瞬态特征提取,通过滑动窗口分析等方法,提取第二数据的瞬态特征,如瞬时幅值、瞬时频率等,反映第二数据的瞬态变化情况;
熵和信息熵提取,通过熵和信息熵等度量方法,计算第二数据的复杂度和不确定性,用于反映第二数据的混沌程度和随机性;
(2)特征选择,用于从经过特征提取后第二数据中选择出需要的特征,选择与任务相关性较高的特征,忽略与任务无关或者冗余的特征,以减少数据空间的维度,提高模型的泛化能力和解释性,减少模型的过拟合风险,提高模型的诊断效率,特征选择的方法包括过滤式方法、包裹式方法和嵌入式方法。
在本发明的又一个实施例中,第二数据的发送支持断点续传,在边缘端子系统和云端网络断开时,将待传的第二数据缓存与边缘端子系统,一旦网络恢复正常,待传的第二数据继续传送给云端,断点续传功能有助于防止数据丢失和保证数据的完整性,边缘端与云端支持MQTT、HTTP、Websocket、Kafka等链路通信方式。
在本发明的又一个实施例中,获得诊断结果的实现方法如下:
(1)将第三数据输入到边缘端各子系统的第二子模型中,构建概率密度函数,具体实现方法包括:
(1.1)第三数据中包含盾构机边缘端各子系统运行的实时数据的均值向量和协方差矩阵,采用所述均值向量和所述协方差矩阵构建概率密度分布函数f(X),f(X)为多元高斯曲线,f(X)表示为:
其中,U为所述均值向量,n是所述均值向量U的维数,X是一个n维向量,V为所述协方差矩阵,为n*n矩阵,表示协方差矩阵的行列式;
(1.2)所述概率密度分布函数的最大值是当X=U时f(X)的值;
(1.3)将所述概率密度分布函数经过PDF算法,再采用梯度下降法得到所述概率密度分布函数的最小值;
(1.4)所述最小值和最大值组成概率密度区间;
(2)根据概率密度-诊断结果对照表,得到所述概率密度区间对应的盾构机运行的诊断结果,概率密度-诊断结果对照表为概率密度区间与盾构机整体运行的诊断结果的对应表,概率密度-诊断结果对照表如表1所示:
本发明以具体的实施例说明所述的一种基于云边协同的盾构机故障监测诊断方法与系统。
在云端,第一模型的各个第一子模型基于ONNX开放架构的格式,在基于X86架构的Kubernetes平台上编写。盾构机边缘端各子系统的计算平台和对应的编译工具为:刀盘子系统为华为昇腾AI处理器的Atlas AI计算平台,采用Atlas 200 AI MSpore_DDK编译工具进行编译;推进子系统、拼装子系统以及盾尾密封子系统为Intel X86计算平台,采用基于C++的GCC编译工具进行编译;泥水环流子系统为NVIDIA Jetson Nano计算平台,采用基于C++的NVCC编译工具进行编译。根据各子系统的计算平台对应的编译工具,在云端将训练好的各个第一子模型编译为适配其即将部署于的子系统的多种版本的二进制文件即可,在此不再赘述。第一子模型编译成二进制文件后下发到盾构机的边缘端,各第一子模型以对应的二进制文件的形式部署于相应的盾构机子系统中。
盾构机边缘端各个子系统的子计算中心基于HTTP协议向云端每1秒查询其对应的第一子模型的最新版本信息,子计算中心根据返回的第一子模型的版本信息,和盾构机边缘端子系统本地第二子模型的版本信息对比判断是否一致,如果不一致则需要向云端请求更新边缘端子系统的第二子模型,边缘端子系统获取其对应的云端最新的第一子模型的二进制文件,保存到本地硬盘进行相应的部署。
盾构机边缘端各个子系统的子计算中心收集对应子系统运行的实时数据,刀盘子系统采用基于Modbus-TCP的高频数据交互协议传输其运行的实时数据;推进子系统、拼装子系统以及盾尾密封子系统采用TCP协议的定制化协议传输其运行的实时数据;泥水环流子系统通过MQTT协议接收秒级频率的传感器实时数据,泵站高频油压压力、流量信号通过开发基于TCP协议的定制化协议接收1KHZ以上频率的传感器实时数据,这些实时数据均记为第一数据。由于第一数据种类过多,本实施例中仅做部分第一数据的示例,如图4所示是泥水环流子系统采集的实时的注浆压力数据。
盾构机边缘端子系统不同设备的实时数据糅杂在一起,且各个变量之间有着一定的相关性,对清洗、转换后的数据采用K-Means聚类算法,用欧氏距离作为衡量数据对象间相似度的指标,将不同模式的数据划分,不同聚类标签对应不同的运行状态,并转换成统一时序协议格式,以JSON格式编码,得到第二数据,部分第二数据的示例如图5所示,图5是泥水环流子系统的第二数据中的注浆压力数据。得到第二数据后将其发送到云端供第一模型中各子模型更新迭代。
JSON格式示例如下:
{
device_name: "主轴承振动信号采集卡",
values: [{
time: 16543821922000,
"ch1": [12.23, 66.23, 67.21]
"ch2": [22.66, 55.33, 51.21, 67.86, 3.55]
}]
ext: {}
}。
对第二数据进行时域特征提取和频域特征提取,将多维的第二数据降维成24个1维数据,从时域方面提取11种特征值,包括均值、标准差、方根幅值、均方根、峰峰值、偏度、峭度、峰值因子、裕度因子、波形因子、脉冲因子;从频域方面提取13种特征值,包括频谱能量、谱峰值频率等,处理后的数据记为第三数据,部分第三数据的示例如图6所示。
将第三数据发送到已经部署了最新版本的第一子模型的各个子系统中对盾构机进行故障监测诊断。盾构机故障监测诊断系统根据第三数据对盾构机的故障进行及时的监测与诊断,如图7所示,为本发明的一种盾构机故障监测诊断系统的诊断结果的界面示意图,该界面示意图仅仅是一种示意,可以根据需要调整界面所展示的内容。从图7中绿色对应的诊断结果是优秀和正常,黄色对应警告,而红色则对应故障和严重故障,本发明可以对盾构机的整体运行故障进行监测诊断,而且本发明的盾构机故障诊断预报准确率达到95%、实时性达到ms级,监测诊断平台实现7x24小时高可靠运行。
综上所述,本发明基于云边协同技术将在云端训练好的子盾构机故障监测诊断模型编译成多种版本的二进制文件并部署于不同计算平台的盾构机边缘端子系统中,解决了边缘端硬件计算平台的系统架构兼容性问题,提高了盾构机故障监测诊断模型的可移植性和可扩展性,实现了盾构机故障监测诊断模型运行环境与硬件计算平台的系统架构之间的解耦,本发明将云端模型统一部署于盾构机边缘端不同的子系统中,从而从实现对盾构机运行故障的整体的及时有效的检测诊断,而且本发明子模型子系统间为多对多关系,从而进一步实现了对盾构机的整体运行故障进行监测诊断。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
上述具体实施方式用来解释说明本发明,仅为本发明的优选实施例,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改、等同替换、改进等,都落入本发明的保护范围。
Claims (6)
1.一种基于云边协同的盾构机故障监测诊断方法,其特征在于,所述方法包括:
S1:在云端训练、编译与发送第一模型
在云端利用处理后的盾构机各子系统运行实时数据训练盾构机故障监测诊断模型,此云端的模型记为第一模型;所述第一模型包括多个子模型;
根据盾构机边缘端不同子系统的计算平台的系统架构,在云端将第一模型编译为多种版本的二进制文件,以适配盾构机边缘端不同子系统的计算平台,包括:
(1)提取出参数字典和第一计算图,所述参数字典用于表征所述子模型的所有参数信息;所述第一计算图用于表征所述子模型的拓扑结构;在所述子模型加载过程中,提取出子模型中的参数信息,包括提取所述子模型各个层次的权重矩阵、偏置项,构建出表征所述子模型的参数字典;所述子模型加载后,解析出所述子模型的结构,包括识别所述子模型的输入和输出节点,解析所述子模型的层次结构、输入和输出节点之间的连接关系以及训练相关的节点,得到表征和评估所述子模型结构的第一计算图;
(2)将所述第一计算图和所述参数字典转换为可执行的源码文件,包括:
(2.1)对所述第一计算图做池化处理,得到第三计算图,包括:
(2.1.1)从所述第一计算图中删除训练相关的节点,形成第二计算图;
(2.1.2)对所述第二计算图做池化运算,池化运算的计算公式如下:
其中,fi为所述第二计算图中多通道节点的特征值,C为输出的矩阵,其中为所有所述多通道节点的特征值之和的平均值,m为所述多通道节点的特征值的数量;
(2.1.3)将矩阵C转化为正定矩阵C+,C+的计算公式如下:
其中,trace(C)表示矩阵C的迹,λ为正则化参数,I为单位矩阵;
(2.1.4)将正定矩阵C+作为新的输入节点添加到第二计算图中,形成第三计算图;
(2.2)将第三计算图中的变量转换为常量,并将所述常量添加到第三计算图中,形成第四计算图;
(2.3)按照第四计算图中节点之间的依赖关系,将第四计算图中每个节点的计算公式按顺序组合起来,形成总数学表达式;
(2.4)识别出所述总数学表达式中的变量、常数、运算符和函数,将其映射到C++语言相应的变量、常量、操作符、库函数;
(2.5)根据所述总数学表达式中的运算符的优先级和结合关系,使用括号来保证所述总数学表达式的正确计算顺序;
(2.6)添加控制结构来处理所述总数学表达式,得到子模型的C++语言源码文件;
(3)将源码文件编译为二进制文件,根据盾构机边缘端不同子系统的计算平台的系统架构,采用相应的编译工具将所述源码文件编译为多种版本的二进制文件,以适配所述盾构机边缘端不同子系统的计算平台;
将所述多种版本的二进制文件发送到盾构机边缘端;
S2:在盾构机边缘端更新与部署第一模型
定期更新边缘端的盾构机故障监测诊断模型,使其与第一模型的版本一致,边缘端的盾构机故障监测诊断模型记为第二模型;
接收云端的第一模型的多种版本的二进制文件,并将所述二进制文件部署于对应的盾构机边缘端不同子系统的计算平台;
S3:在盾构机边缘端进行数据采集、处理与发送
采集盾构机边缘端各子系统运行的实时数据,所述实时数据记为第一数据;
在边缘端各子系统中将第一数据预处理成统一格式的第二数据,并将第二数据发送到云端以供第一模型迭代更新;
在各子系统中对第二数据进行特征处理,输出第三数据;
S4:在盾构机边缘端进行盾构机故障监测诊断
将第三数据输入到部署于各子系统的第二模型中进行盾构机故障监测诊断,获得盾构机整体运行的诊断结果;
每个所述子系统中部署至少一个所述子模型,同一个子模型至少部署于一个子系统中;所述子系统包括刀盘子系统、推进子系统、拼装子系统、盾尾密封子系统以及泥水环流子系统;所述子模型包括:刀盘子模型、减速机子模型、电机子模型、压力子模型、流量子模型以及泵评估子模型。
2.根据权利要求1所述方法,其特征在于,
所述刀盘子模型用于对盾构机刀盘子系统中的刀盘结泥饼情况进行预测;
所述减速机子模型用于监测诊断盾构机推进子系统中的减速机运行异常状况;
所述电机子模型用于监测诊断盾构机各子系统中的电机运行异常状况;
所述压力子模型用于监测盾构机各子系统中的各阀门压力异常状况;
所述流量子模型用于监测盾构机各子系统中的各阀门流量异常状况;以及
所述泵评估子模型用于评估盾构机泥水环流子系统中泵的运行状况;
所述子系统需要部署的全部所述子模型在第一模型构建时就确定,在盾构机边缘端部署第二模型时,根据需要将各个所述子模型编译成对应的一种或多种版本的、与待部署子系统的系统架构相适配的二进制文件。
3.根据权利要求1所述方法,其特征在于,所述获得盾构机整体运行的诊断结果包括:
(1)将第三数据输入到边缘端各子系统的第二模型中,构建概率密度分布函数:
第三数据中包含盾构机边缘端各子系统运行的实时数据的均值向量和协方差矩阵,采用所述均值向量和所述协方差矩阵构建概率密度分布函数f(X),f(X)表示为:
其中,U为所述均值向量,n是所述均值向量U的维数,X是一个n维向量,V为所述协方差矩阵,为n*n矩阵, 表示协方差矩阵的行列式;
(2)所述概率密度分布函数的最大值是当X=U时f(X)的值;
(3)将所述概率密度分布函数经过PDF算法,再采用梯度下降法得到所述概率密度分布函数的最小值;
(4)所述最小值和最大值组成概率密度区间;
(5)根据概率密度-诊断结果对照表,得到所述概率密度区间对应的盾构机整体运行的诊断结果;所述概率密度-诊断结果对照表为概率密度区间与盾构机整体运行的诊断结果的对应表。
4.一种基于云边协同的盾构机故障监测诊断系统,其特征在于,所述系统能够实现如权利要求1-3之任一项所述方法,所述系统包括:
模型训练模块,用于训练盾构机故障监测诊断模型,将训练好的盾构机故障监测诊断模型记为第一模型;
模型编译与发送模型,根据盾构机边缘端不同子系统的计算平台的系统架构,将第一模型编译为多种版本的二进制文件并将云端的所述多种版本的二进制文件发送到盾构机边缘端;
模型管理模块,用于定期更新边缘端各子系统的盾构机故障监测诊断模型,使其与第一模型的版本一致,盾构机边缘端的模型记为第二模型;将从云端接收的第一模型的多种版本的二进制文件部署于对应的盾构机边缘端不同子系统的计算平台中;
数据采集与处理模块,用于采集并处理盾构机边缘端各子系统运行的实时数据,将所述实时数据预处理成统一格式的数据,并将所述统一格式的数据发送到云端以供第一模型迭代更新;对所述统一格式的数据进行特征处理,输出第三数据;
故障监测诊断模块,用于将第三数据输入到部署于盾构机边缘端各子系统的第二模型中进行盾构机故障监测诊断,获得盾构机运行的诊断结果;
所述模型训练模块、模型编译与发送模型均位于云端,所述模型管理模块、数据采集与处理模块、故障监测诊断模块均位于盾构机边缘端的子系统;
所述第一模型包括多个子模型;每个所述子系统中部署至少一个所述子模型,同一个子模型至少部署于一个子系统中。
5.一种服务器,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于:所述处理器执行所述计算机程序时实现如权利要求1-3任一项所述方法的步骤。
6.一种计算机程序产品,所述计算机程序产品包括计算机程序或指令,其特征在于,该计算机程序或指令被处理器执行时实现如权利要求1-3任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410215827.8A CN117786392B (zh) | 2024-02-27 | 2024-02-27 | 一种基于云边协同的盾构机故障监测诊断方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410215827.8A CN117786392B (zh) | 2024-02-27 | 2024-02-27 | 一种基于云边协同的盾构机故障监测诊断方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117786392A CN117786392A (zh) | 2024-03-29 |
CN117786392B true CN117786392B (zh) | 2024-05-17 |
Family
ID=90389545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410215827.8A Active CN117786392B (zh) | 2024-02-27 | 2024-02-27 | 一种基于云边协同的盾构机故障监测诊断方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117786392B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1462966A2 (en) * | 1999-06-10 | 2004-09-29 | Interuniversitair Microelektronica Centrum Vzw | A method of determining signals in mixed signal systems |
CN108710940A (zh) * | 2017-12-31 | 2018-10-26 | 中交第公路工程局有限公司 | 基于神经网络优化角砾地层中盾构机运行轨迹参数的方法 |
CN110210169A (zh) * | 2019-06-14 | 2019-09-06 | 中铁高新工业股份有限公司 | 一种基于lstm的盾构机故障预测方法 |
CN114091188A (zh) * | 2021-10-29 | 2022-02-25 | 中南大学 | 盾构机液压驱动刀盘系统建模及故障诊断方法、装置 |
CN114362367A (zh) * | 2021-12-30 | 2022-04-15 | 中国电力科学研究院有限公司 | 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 |
CN114757516A (zh) * | 2022-04-07 | 2022-07-15 | 新疆额尔齐斯河流域开发工程建设管理局 | 一种隧道掘进机全生命周期云平台管理系统 |
CN114785783A (zh) * | 2022-03-31 | 2022-07-22 | 苏州星澄网络科技有限公司 | 一种基于数字技术的云边协同方法 |
CN115840904A (zh) * | 2021-11-30 | 2023-03-24 | 北京航空航天大学 | 基于卷积神经网络的盾构机故障类型构建及故障诊断方法 |
CN116106005A (zh) * | 2023-04-12 | 2023-05-12 | 北京理工大学 | 一种基于端边云协同机器学习的旋转设备故障诊断方法 |
CN116347463A (zh) * | 2023-03-19 | 2023-06-27 | 广西师范大学 | 云边协同多基站下具有协作缓存功能的短视频放置方法 |
CN117354921A (zh) * | 2023-09-15 | 2024-01-05 | 中铁十五局集团有限公司 | 一种基于5guwb技术面向隧道盾构机人员定位的方法 |
CN117392065A (zh) * | 2023-09-26 | 2024-01-12 | 天津大学 | 一种云边协同太阳能板覆灰状况自主评估方法 |
CN117478483A (zh) * | 2023-11-03 | 2024-01-30 | 中铁工程装备集团有限公司 | 一种具有采集链路故障诊断功能的盾构机数据采集系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9928526B2 (en) * | 2013-12-26 | 2018-03-27 | Oracle America, Inc. | Methods and systems that predict future actions from instrumentation-generated events |
US20200412767A1 (en) * | 2015-10-28 | 2020-12-31 | Qomplx, Inc. | Hybrid system for the protection and secure data transportation of convergent operational technology and informational technology networks |
US11880272B2 (en) * | 2020-03-27 | 2024-01-23 | VMware LLC | Automated methods and systems that facilitate root-cause analysis of distributed-application operational problems and failures by generating noise-subtracted call-trace-classification rules |
-
2024
- 2024-02-27 CN CN202410215827.8A patent/CN117786392B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1462966A2 (en) * | 1999-06-10 | 2004-09-29 | Interuniversitair Microelektronica Centrum Vzw | A method of determining signals in mixed signal systems |
CN108710940A (zh) * | 2017-12-31 | 2018-10-26 | 中交第公路工程局有限公司 | 基于神经网络优化角砾地层中盾构机运行轨迹参数的方法 |
CN110210169A (zh) * | 2019-06-14 | 2019-09-06 | 中铁高新工业股份有限公司 | 一种基于lstm的盾构机故障预测方法 |
CN114091188A (zh) * | 2021-10-29 | 2022-02-25 | 中南大学 | 盾构机液压驱动刀盘系统建模及故障诊断方法、装置 |
CN115840904A (zh) * | 2021-11-30 | 2023-03-24 | 北京航空航天大学 | 基于卷积神经网络的盾构机故障类型构建及故障诊断方法 |
CN114362367A (zh) * | 2021-12-30 | 2022-04-15 | 中国电力科学研究院有限公司 | 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 |
CN114785783A (zh) * | 2022-03-31 | 2022-07-22 | 苏州星澄网络科技有限公司 | 一种基于数字技术的云边协同方法 |
CN114757516A (zh) * | 2022-04-07 | 2022-07-15 | 新疆额尔齐斯河流域开发工程建设管理局 | 一种隧道掘进机全生命周期云平台管理系统 |
CN116347463A (zh) * | 2023-03-19 | 2023-06-27 | 广西师范大学 | 云边协同多基站下具有协作缓存功能的短视频放置方法 |
CN116106005A (zh) * | 2023-04-12 | 2023-05-12 | 北京理工大学 | 一种基于端边云协同机器学习的旋转设备故障诊断方法 |
CN117354921A (zh) * | 2023-09-15 | 2024-01-05 | 中铁十五局集团有限公司 | 一种基于5guwb技术面向隧道盾构机人员定位的方法 |
CN117392065A (zh) * | 2023-09-26 | 2024-01-12 | 天津大学 | 一种云边协同太阳能板覆灰状况自主评估方法 |
CN117478483A (zh) * | 2023-11-03 | 2024-01-30 | 中铁工程装备集团有限公司 | 一种具有采集链路故障诊断功能的盾构机数据采集系统 |
Non-Patent Citations (2)
Title |
---|
Approximately Lossless Model Compression-Based Multilayer Virtual Network Embedding for Edge-Cloud Collaborative Services;Zeyuan Yang等;《IEEE INTERNET OF THINGS JOURNAL》;20230731;第10卷(第14期);第13040-13054页 * |
起重运输机械与工程机械的监测云平台研发及应用;周奇才等;《起重运输机械》;20240215(第3期);第15-20页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117786392A (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116416884B (zh) | 一种显示器模组的测试装置及其测试方法 | |
CN118039013B (zh) | 一种海洋水质检测数据处理方法和系统 | |
CN112462736A (zh) | 一种基于数据分析的风电机组故障诊断方法 | |
CN116599857B (zh) | 一种适用于物联网多场景的数字孪生应用系统 | |
Mandelli et al. | Dynamic PRA: an overview of new algorithms to generate, analyze and visualize data | |
CN117609836A (zh) | 一种综合模块的电磁敏感预测与健康管理方法 | |
CN111259963A (zh) | 一种区域植被指标的驱动因素分析方法、装置及存储介质 | |
CN117786392B (zh) | 一种基于云边协同的盾构机故障监测诊断方法与系统 | |
CN113592071B (zh) | 设备故障识别模型训练、识别方法、系统、装置及介质 | |
CN111340975A (zh) | 异常数据特征提取方法、装置、设备及存储介质 | |
CN114742363A (zh) | 风电机组的能效状态评价方法、系统及介质 | |
CN117886241A (zh) | 基于振动分析的塔式起重机自检系统 | |
CN116821208A (zh) | 多源异构渔业资源数据处理方法、装置、电子设备及介质 | |
CN116894213A (zh) | 用于挖掘机工况识别的方法及挖掘机工况识别装置 | |
CN114964476A (zh) | 油气管道系统动设备的故障诊断方法、装置及设备 | |
CN114662977A (zh) | 海上钻井平台运动状态的异常检测方法、系统和电子设备 | |
Schumacher | CSU Mobile Radiosonde Data. Version 1.0 | |
Abdurakipov et al. | Diagnostics of Oil Well Pumping Equipment by Using Machine Learning | |
CN118133207B (zh) | 跨领域日志异常检测模型构建方法、装置、设备及介质 | |
CN114139648B (zh) | 一种尾矿充填管路异常智能检测方法及系统 | |
CN117390496B (zh) | 面向工业燃气发电机组系统的运行信息识别方法及系统 | |
CN117933403A (zh) | 基于知识-数据双驱动的tbm卡机风险智慧预警方法及系统 | |
CN118134119A (zh) | 基于数字原生的铁路施工监控信息平台 | |
Yuan et al. | Research and Implementation of Pointer Instrument Reading Recognition Method for Power Plant Inspection Robot | |
CN117972421A (zh) | 一种抽油机故障诊断模型的训练方法、设备及介质 |
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 |