CN112216085A - 一种基于边缘计算和更新样本智能识别的装备关键承力结构件健康监测*** - Google Patents
一种基于边缘计算和更新样本智能识别的装备关键承力结构件健康监测*** Download PDFInfo
- Publication number
- CN112216085A CN112216085A CN202010966981.0A CN202010966981A CN112216085A CN 112216085 A CN112216085 A CN 112216085A CN 202010966981 A CN202010966981 A CN 202010966981A CN 112216085 A CN112216085 A CN 112216085A
- Authority
- CN
- China
- Prior art keywords
- edge
- fault diagnosis
- cloud computing
- computing layer
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 51
- 238000004364 calculation method Methods 0.000 title claims abstract description 32
- 230000036541 health Effects 0.000 title claims abstract description 23
- 238000003745 diagnosis Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 230000005540 biological transmission Effects 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 239000008186 active pharmaceutical agent Substances 0.000 claims abstract description 7
- 230000009467 reduction Effects 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 230000006835 compression Effects 0.000 claims description 7
- 238000007906 compression Methods 0.000 claims description 7
- 230000001360 synchronised effect Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 101100172132 Mus musculus Eif3a gene Proteins 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 230000000737 periodic effect Effects 0.000 claims description 2
- 238000000926 separation method Methods 0.000 claims description 2
- 208000034155 RAS-associated autoimmune leukoproliferative disease Diseases 0.000 claims 2
- 201000009200 autoimmune lymphoproliferative syndrome type 4 Diseases 0.000 claims 2
- 238000001514 detection method Methods 0.000 claims 1
- 230000010354 integration Effects 0.000 abstract description 5
- 238000010276 construction Methods 0.000 abstract description 4
- 238000005094 computer simulation Methods 0.000 abstract description 3
- 230000004931 aggregating effect Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 9
- 238000001228 spectrum Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 239000000725 suspension Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
- G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C19/00—Electric signal transmission systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开一种基于边缘计算和在线更新样本智能识别的装备关键承力结构件健康监测***。***包括中心云计算层、边缘云计算层和边缘端计算层。其中，中心云计算层通过接收和存储来自边缘云计算层的数据，实现对入云的所有安全状态信息的实时监控和预警；通过动力学仿真模型建立、微弱信号故障增强、特征提取和降维、特征子集构建、子模型构建与集成，实现离线故障诊断模型的训练。边缘云计算层通过任务调度算法将计算任务分配到最优的边缘计算节点，实现故障诊断模型更新的任务调度；通过局域网络汇聚边缘端计算层的数据和故障诊断结果，实现数据传输的优先级调度并对传感器采集到的数据实时监控。边缘端计算层通过在边缘计算节点上部署故障诊断模型，就近对安全情况进行评估，实现故障的在线监测；通过基于DS的证据加权融合算法识别更新样本，实现故障诊断模型的更新。
Description
技术领域
本发明涉及装备关键承力结构件的健康监测领域，具体是一种基于边缘计算和更新样本智能识别的装备关键承力结构件健康监测***。
背景技术
目前，装备关键承力结构件的健康监测主要通过计算机技术建立复杂故障识别模型，以装备关键承力结构件的状态数据为输入，开展故障的定性诊断的在线监测，然而在线监测方式也存在一定的弊端：从识别准确率角度考虑，高速列车等的关键承力结构件长时间运行在交变载荷、高温、高压、变速、振动、潮湿等极端服役条件下，将会导致监测对象的概念漂移，故障所表现出的统计特性以不可预见的方式变化，进而使得离线训练出的故障诊断模型的预测精度降低。为保证故障诊断及预测模型的性能,要求建模数据必须能够覆盖所有工况,模型参数能够适应工况变化,模型需要具有校正功能；从服务器负载压力的角度来考虑，随着监测的关键承力结构件的增多，服务器的负载能力需要不断扩容，将会导致运营成本的上升，云平台处理性能的下降等问题；从实时性处理要求角度来考虑，一旦关键承力结构件出现安全问题，应第一时间在最邻近节点诊断出结果，及时进行安全策略的实施，而如果大量数据仍需要依次排队经过网络链路上传至云平台处理，将会增加服务器负载、性能和带宽压力，同时大大延迟了对重大安全问题的诊断与预先评估。
发明内容
本发明提供了一种基于边缘计算和在线更新样本智能识别的关键承力结构件健康监测***，通过将边缘计算技术融入关键承力结构件健康监测***，提供相互连接的计算和存储资源架构，利用近端边缘计算节点资源，有效减少了网络数据的传输量并提高了响应速度和预测精度。利用离线训练模型和在线更新模型提高了故障诊断的准确性，同时边缘端计算层的任务调度算法保证了模型更新的时效性。
本发明是通过以下技术方案实现的：一种基于边缘计算和在线更新样本智能识别的装备关键承力结构件的健康监测***，***包括：中心云计算层、边缘云计算层和边缘端计算层。
所述中心云计算层，主要负责接收、存储和分析数据，提供对入云的所有安全状态信息的实时监控和预警以及离线故障诊断模型的训练。
所述离线故障诊断模型的训练包括:建立动力学仿真模型、微弱故障信号增强、特征提取和降维、构建特征子集、构建与集成子模型五个步骤，其中，子模型选择RVFL网络。
所述边缘云计算层实现故障诊断模型更新任务调度、数据传输优先级调度以及实时监控，具体如下：
(1)故障诊断模型更新任务调度
当任意边缘计算节点识别到更新样本之后，边缘云计算层通过轮询任务调度算法为边缘计算节点分配更新模型任务。
(2)数据传输优先级调度
任务调度的同时，边缘云计算层通过LoRa协议汇聚边缘端计算层的数据和故障诊断结果，通过4G透传将数据上传至中心云计算层；其中，由于LoRa集中器计算性能及网络带宽的限制，当汇聚边缘端计算层的相关数据，并发生拥堵的时候，采用CSMA/CA的方式与边缘云计算层进行通信，结合LoRa具有信道空闲监测的特性，解决了节点信道冲突问题，增加了数据上报的准确性和可靠性。
(3)实时监控
对边缘端计算层采集到的数据进行实时全局监控，一旦有报警信息，及时在监控界面弹出报警框，发出报警铃声；可通过实时曲线、历史曲线等形式，展示当前全车各车厢的安全状态，监测实时全局变化趋势。
所述边缘端计算层实现故障在线监测和故障诊断模型在线更新，具体如下：
(1)在线监测
边缘计算节点通过RS485协议，将关键承力结构件的振动信号数据采集上来；进一步，利用部署在边缘计算节点上的故障诊断模型就近对故障进行诊断。
(2)在线更新
边缘计算节点识别更新样本，更新样本识别同时考虑经过微弱信号增强的新样本的RALD值和RPE值的影响，使用DS证据距离的改进加权证据融合算法对RALD和RPE值进行融合输出，识别更新样本后更新故障诊断模型。
与现有技术相比，本发明的优点和积极效果在于：
本方案将原云计算中心承担的的部分耗费带宽、计算资源、实时性要求高的计算任务，迁移到数据源附近的边缘计算节点执行，利用近端边缘计算节点资源，减少了网络数据的传输量并提高故障诊断的时效性；提出了基于DS证据距离的改进加权证据融合算法，对RALD和RPE值的融合输出识别更新样本，通过故障诊断模型的在线更新有效地降低了概念漂移导致的故障诊断的误差，提高了故障诊断的精度；通过任务调度策略将故障诊断模型更新任务分配到不同的边缘计算节点，进一步提高了故障诊断的实时性。
附图说明
图1为本发明实施例所述基于边缘计算和更新样本智能识别的关键承力结构件健康监测***结构框架图；
图2为本发明实施例所述离线模型训练流程图；
图3为本发明实施例所述在线监测和在线更新流程图。
具体实施方式
为了能够更加清楚地理解本发明的发明目的、特征和优点，下面结合附图及实施例对本发明做进一步说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用不同于在此描述的其他方式来实施，因此，本发明并不限于下面公开的具体实施例。
如图1所示，本实施例公开了一种基于边缘计算和更新样本智能识别的高铁转向架健康监测***，将计算、存储、带宽等资源分摊到边缘计算节点上，分为中心云计算层、边缘云计算层和边缘端计算层。
1.中心云计算层
中心云计算层，实现安全状态信息的监控和预警以及离线故障诊断模型的训练。
(1)安全状态信息的监控和预警
实时监测加速度传感器的工作状态、通信信道状态、***存储空间使用情况，对边缘云计算层上传的数据进行存储和分析，实现对入云的所有高铁实时安全状态信息的监控和预警。
(2)离线模型训练
如图2，中心云计算层对故障诊断模型进行离线训练，故障诊断模型中的子模型选择RVFL网络。
1)动力学仿真模型的建立
训练数据采用ADAMS/Rail通过对车辆子***进行装配的方法建立动力学***的集成模型获得。转向架子***由前后两个转向架构成，主要参数基本一致。建模时假定子***全部为刚体，均具有6个自由度。
转向架子***创建步骤：
a)定义硬点创建轮对。根据坐标位置、车辆属性等建立双轮对。
b)基于双轮对建立架构，因为轮对位置已经固定，此时不需要再创建硬点。
c)根据车辆属性在轴箱位置依次建立两个前轴箱和两个后轴箱。
d)建立悬挂***，首先创建结构框架点，根据结构框架点建立一系悬挂，然后创建一个装配物体，用于连接车体和转向架，最后创建结构框架点建立二系悬挂。
e)根据车体属性建立垂向、横向和抗蛇行阻尼器，然后止档、轴箱和轮对之间的连接副，最好建立抗侧滚扭杆和转臂弹性节点，即完成前转向架子***模型的建立。
f)根据建立的前转向架***和前后转向架的距离便可建立后转向架子***。
g)利用健康状态模型模拟转向架加速度传感器采集的振动信号，结合实验测量的健康状态振动信号得到偏差，构建模型误差校正矩阵；
h)利用模型误差校正矩阵对模拟的故障样本进行校正，以故障模拟样本作为训练样本。
对每一种故障类型(共10种故障类型)生成100个故障模拟样本，其中60个样本作为训练集，20个样本作为测试集，20个样本作为验证集，每个模拟故障样本长度为0.5s，采样频率为20000Hz，故采样点的个数为10000。
2)微弱故障信号增强
强噪声下微弱故障特征增强及有效提取是建立故障定量评估模型的基础。强噪声下获取的振动信号需经故障特征增强及提取后作为模型输入。以相关峭度作为目标函数，选取有限冲击响应的滤波器通过迭代收敛准则，使已知信号相关峭度值最大，充分考虑振动信号中突变成分的周期特性，通过实现信号的解卷积运算，突出振动信号中被强噪声所掩盖的连续脉冲突变成分，实现微弱故障信号分离。
3)特征提取和降维
采用同步压缩小波变换对分离后的信号进行时频分析，经离散小波变换、相变换、同步压缩及信号重构处理后，获取能够表征不同故障的时频矩阵。特征提取后的故障信号特征空间仍存在维数过高问题，进一步利用非负矩阵分解精简和优化特征空间，以计算得到的稀疏表达矩阵作为最终信号特征。
a)首先对增强后的故障信号f(t)进行离散小波变换：
其中Wf(a,b)表示小波系数谱，ψ*表示母小波函数的共轭复数，a表示尺度参数，b表示位移参数。
b)实际得到的小波系数谱经常发生能量扩散，使得时频谱变得模糊，但其相位不受尺度变化的影响，因此利用小波系数得到的相位来计算其瞬时频率：
c)利用计算得到的瞬时频率可以建立(a,b)和(wf(a,b),b)之间的映射关系，同步压缩变换再对时间-尺度平面的能量进行重新分配将其转化为时频平面：
由于同步压缩变换是对小波变换的复数谱仅沿着频率轴方向进行重排，因此是可逆的，其重构的信号可表示为:
其中fk(tm)表示第k个信道提取的有效信号，
表示依赖选取母小波的函数，Re表示取实部，lk(tm)表示有效信号频带范围，本实施例提取50个信道的有效信号。
每一个样本可转换为50×10000的时频矩阵：
特征提取后的故障信号特征空间仍存在维数过高问题，进一步利用非负矩阵分解精简和优化特征空间，以计算得到的稀疏表达矩阵作为最终信号特征。具体优化流程
如下：
对所有数据样本对应的时频矩阵进行归一化处理；
a)将时频矩阵转化为列向量；
b)随机选取每一种故障类型的60个样本构成训练矩阵Vn×m，其中n为样本维度，本实施例中为500000，m为样本数目，本实施例中为600。
c)以Kullback-Leber散度为目标函数，求解最优化问题：
d)最终得到基矩阵Wn×r和系数矩阵Hr×m，此时Hr×m即代表在新特征空间中的特征矩阵，选取r为100，最终将每一个样本的特征向量维度降为100。使用相同的计算方式可获得测试集和验证集的特征矩阵。
4)构建特征子集
根据降维之后的特征向量采用有放回均匀抽样的BootStrap算法建立训练集的特征子集：
其中J是训练子集的数量，即候选子模型的数量；l代表特征向量的个数，总数为k。本实施例中J选择为10，k选择为60。
5)子模型的构建与集成
RVFL网络具有良好的非线性拟合能力以及快速的建模潜力，特别适合于分布式环境。
而且RVFL网络在参数上是线性的，能够利用标准的线性回归方法获得最佳参数，在低成本的硬件中(如传感器或移动设备)也能有效地实现。因此选择RVFL网络作为子模型进行故障定性分析。
子模型的构建与合并步骤如下：
a)构建节点数为100-200-10的三层结构的RVFL网络，x是n维输入变量，y是期望输出变量，隐含层的激活函数h选择sigmoid函数。可表示为：
其中，在学习开始之前根据经验选定独立于训练数据的ω和b作为输入层到隐含层的权值和偏置，可得到隐含层核映射矩阵H用于对输出层部分的计算：
b)根据标准正则化最小二乘原则计算隐含层到输出层的输出权值β，有：
可求得权值β表示为:
β＝(HTH+λI)-1HTY
Y是训练样本空间中x对应的y组成的列向量；λ为常数；I表示单位矩阵。
c)RVFL模型的输出如下：
其中L表示隐含层节点个数。
d)对集成子模型基于AWF算法计算权重系数，并采用
形式进行合并。
2.边缘云计算层
边缘云计算层通过调度策略实现故障诊断模型更新任务调度和数据传输的优先级调度，并对边缘端计算层采集的数据进行实时监控。
(1)故障诊断模型更新任务调度
当任意边缘计算节点识别到更新样本之后，边缘云计算层通过轮询调度算法分配故障诊断模型更新任务，任务调度过程分为以下3个步骤：
a)通过对比试验设置并行度，本实施例中设置为10，并行度分为组件并行度和拓扑结构并行度，前者代表线程数量，后者代表JVM虚拟机进程数量。边缘计算主节点上的负责分发任务和监控***的运行状态的进程会根据并行度设置和调度策略将任务逐层分发下去。
b)将线程分配给安装在边缘计算节点上的JVM虚拟机进程，一个JVM虚拟机进程上可运行一个或多个线程，上面可运行多个分配任务；调度算法采用轮询机制，引入任务槽来实现计算资源的分配，一个边缘计算节点的任务槽数目表示能够承担的虚拟机进程数目，每个任务槽根据配置拥有一定的CPU资源和内存资源。当有线程需要被分配时，将边缘计算节点按照可用任务槽的数量从多至少排序，然后依次从每个边缘计算节点取出第一个可用任务槽，并将线程按顺序分配。如果一轮之后还有未分配的线程，再从每个边缘计算节点中取出下一个可用任务槽，以此类推，直到所有线程都被分配。
c)将虚拟机进程分配给边缘计算节点。
(2)数据传输优先级调度
边缘端计算层的数据和故障诊断结果数量多，种类复杂，位置不定，分散于各个车厢。
因此，若不采取适当传输策略，则会出现多个采集节点同一时间向路由节点上报数据，造成信道冲突现象。针对上述存在的问题，边缘云计算层通过LoRa协议汇聚边缘端计算层的数据和故障诊断结果，通过4G透传将数据上传至中心云计算层；其中，由于LoRa集中器计算性能及网络带宽的限制，边缘计算节点采用CSMA/CA的方式与边缘云计算层进行通信，先检测信道是否有使用，如果检测出信道空闲，则等待一段随机时间后，才送出数据。接收端如果正确收到此帧，则经过一段时间间隔后，向发送端发送确认帧ACK。发送端收到ACK帧，确定数据正确传输，在经历一段时间间隔后，再发送数据。采用此种通信方式，结合LoRa具有信道空闲监测的特性，解决了节点信道冲突问题，增加了数据上报的准确性和可靠性。
(3)实时监控
对边缘端计算层采集到的数据进行实时全局监控，一旦有报警信息，及时在监控界面弹出报警框，发出报警铃声；可通过实时曲线、历史曲线等形式，展示当前全车各车厢的安全状态，监测实时全局变化趋势。
3.边缘端计算层
如图3所示，边缘端计算层实现故障在线监测和故障诊断模型在线更新。
(1)故障在线监测
传感器节点通过RS485协议，将高铁转向架的振动信号数据采集上来。进一步，利用部署在边缘计算节点上的故障诊断模型就近对故障进行诊断；
1)对新样本进行微弱信号增强/特征提取和降维处理，得到特征
然后基于第j个旧集成子模型预测输出：
其中
表示第j个旧集成子模型。
2)采用在线AWF算法计算集成子模型的权系数：
3)新样本的在线预测输出为：
(2)在线更新
边缘计算节点识别更新样本，更新样本识别同时考虑经过微弱信号增强的新样本的RALD值和RPE值的影响，RALD和RPE分别表示新样本面对旧建模样本库的相对近似线性依靠值、新样本基于旧模型的相对预测误差值。使用DS证据距离的改进加权证据融合算法对RALD和RPE值进行融合输出，识别更新样本之后对故障诊断模型进行更新。
1)首先计算xk+1相对建模样本库的ALD绝对值
其中
表示旧的建模样本数据集。
2)然后计算新样本的相对ALD(RALD)值ak+1:
其中
表示建模样本库中第l个样本相对于其他所有k-1个样本的ALD值。
3)接着计算k+1时刻的相对于预测误差(RPE)：
其中
表示建模样本库第l个样本的预测值和真实值的相对差值。
4)对RALD值和RPE值的融合输出：因为在进行证据融合时，由于证据源的处理精度和抗干扰能力的不同，所得到证据的质量会有好坏之分，采用基于DS证据距离的改进加权证据融合算法先对原始证据(RALD和RPE)进行加权平均处理，得到一个可供比较的参考证据，然后再计算各条证据与这个参考对象的距离，进而减小计算量，具体步骤如下：
a)计算原始证据pi的权值系数wi，公式如下
其中，p1为RALD，p2为RPE，Ei为每条证据pi的证据熵。
b)对证据进行预处理，计算证据加权平均值pWAE。
c)计算pi与pWAE与之间的Jousselme距离：
d)计算每条证据pi和pWAE的相似度：
Sim(pi,pWAE)＝1-d(pi,pWAE)
e)将上一步中证据间的相似度进行归一化处理，证据ci的可信度：
f)将证据的可信度Crd(pi)作为证据的权重系数对原始证据进行加权平均计算；
g)将加权平均后的证据按照DS融合规则进行n-1次迭代融合得到Usk+1。
5)采用重心法对Usk+1进行去模糊处理。
其中，θcom是样本选择阈值，根据专家***确定为1.5，Fthre()为阈值函数。当Sk+1＝1时，识别该新样本为更新样本。
6)最后，通过边缘云计算层模型更新任务调度，使用与中心云计算层离线模型训练相同的方法更新故障诊断模型。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (10)
1.一种基于边缘计算和在线更新样本智能识别的装备关键承力结构件健康监测***，其特征在于，将计算、存储、带宽等资源分摊到边缘计算节点上，***包括：中心云计算层、边缘云计算层和边缘端计算层。
所述中心云计算层，实现对入云的所有安全状态信息的实时监控和预警以及离线故障诊断模型的训练。
所述边缘云计算层，实现边缘计算节点故障诊断模型更新任务调度、数据传输优先级调度以及实时监控。
所述边缘端计算层，实现故障在线监测和故障诊断模型在线更新。
2.根据权利要求1所述的基于边缘计算和更新样本智能识别的装备关键承力结构件健康监测***，其特征在于：所述中心云计算层的离线故障诊断模型训练中对微弱故障信号增强采用以下方式：
以相关峭度作为目标函数，选取有限冲击响应的滤波器通过迭代收敛准则，使已知信号相关峭度值最大，充分考虑振动信号中突变成分的周期特性，通过实现信号的解卷积运算，突出振动信号中被强噪声所掩盖的连续脉冲突变成分，实现微弱故障信号分离。
3.根据权利要求1所述的基于边缘计算和在线更新样本智能识别的装备关键承力结构件健康检测***，其特征在于：所示中心云计算层的离线故障诊断模型训练中特征提取和降维采用以下方式：
采用同步压缩小波变换对分离后的信号进行时频分析，经离散小波变换、相变换、同步压缩及信号重构处理后，获取能够表征不同故障的时频矩阵；进一步利用非负矩阵分解精简和优化特征空间，以计算得到的稀疏表达矩阵作为最终信号特征。
4.根据权利要求1所述的基于边缘计算和更新样本智能识别的装备关键承力结构件健康监测***，其特征在于：所述中心云计算层的离线故障诊断模型训练中构建特征子集采用以下方式：
根据降维之后的特征向量采用有放回均匀抽样的BootStrap算法建立训练集的特征子集：
其中J是训练子集的数量，即候选子模型的数量；l代表特征向量的个数，总数为k。
5.根据权利要求1所述的基于边缘计算和更新样本智能识别的装备关键承力结构件健康监测***，其特征在于：所述中心云计算层的离线故障诊断模型训练中子模型的构建与合并采用以下方式：
(1)构建三层的随机向量函数连接(RVFL)网络；
(2)根据标准正则化最小二乘原则计算隐含层到输出层的权值；
(3)对集成子模型基于AWF算法计算权重系数并合并。
6.根据权利要求1所述的基于边缘计算和更新样本智能识别的装备关键承力结构件健康监测***，其特征在于：所述边缘云计算层中故障诊断模型更新任务调度采用以下方式：
当任意边缘计算节点识别到更新样本之后，边缘云计算层通过轮询任务调度算法为边缘计算节点分配更新模型任务。
7.根据权利要求1所述的基于边缘计算和更新样本智能识别的装备关键承力结构件健康监测***，其特征在于：所述边缘云计算层中数据传输优先级调度采用以下方式：
更新模型的同时，边缘云计算层通过LoRa协议汇聚边缘端计算层的数据和故障诊断结果，通过4G透传将数据上传至中心云计算层；边缘计算节点采用CSMA/CA的方式与边缘云计算层进行通信。
8.根据权利要求1所述的基于边缘计算和更新样本智能识别的装备关键承力结构件健康监测***，其特征在于：所述边缘云计算层中实时监控采用以下方式：
对边缘端计算层采集到的数据进行实时全局监控，一旦有报警信息，及时在监控界面弹出报警框，发出报警铃声；可通过实时曲线、历史曲线等形式，展示当前全车各车厢的安全状态，监测实时全局变化趋势。
9.根据权利要求1所述的基于边缘计算和更新样本智能识别的装备关键承力结构件健康监测***，其特征在于：所述边缘端计算层中故障在线监测采用以下方式：
将故障诊断模型部署在边缘计算节点，边缘计算节点通过RS485协议采集传感器数据输入故障诊断模型，就近对安全情况进行评估和故障诊断。
10.根据权利要求1所述的基于边缘计算和更新样本智能识别的装备关键承力结构件健康监测***，其特征在于：所述边缘端计算层中故障诊断模型在线更新采用以下方式：
更新样本识别同时考虑经过微弱信号增强的新样本的RALD值和RPE值的影响，使用DS证据距离的改进加权证据融合算法对RALD和RPE值进行融合输出，然后采用重心法进行去模糊处理，进而根据阈值判断更新样本，识别到更新样本之后对故障诊断模型进行更新。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010966981.0A CN112216085B (zh) | 2020-09-15 | 2020-09-15 | 一种基于边缘计算和在线更新样本智能识别的装备关键承力结构件健康监测*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010966981.0A CN112216085B (zh) | 2020-09-15 | 2020-09-15 | 一种基于边缘计算和在线更新样本智能识别的装备关键承力结构件健康监测*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112216085A true CN112216085A (zh) | 2021-01-12 |
| CN112216085B CN112216085B (zh) | 2022-05-10 |
Family
ID=74049559
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010966981.0A Active CN112216085B (zh) | 2020-09-15 | 2020-09-15 | 一种基于边缘计算和在线更新样本智能识别的装备关键承力结构件健康监测*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112216085B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113255584A (zh) * | 2021-06-22 | 2021-08-13 | 德明通讯（上海）股份有限公司 | 一种基于边缘计算的故障诊断与监测*** |
| CN113507491A (zh) * | 2021-04-30 | 2021-10-15 | 华中农业大学 | 一种洁蛋生产全链条信息实时上传方法及*** |
| CN113973029A (zh) * | 2021-10-27 | 2022-01-25 | 广东电网有限责任公司江门供电局 | 一种低压物联网边缘计算智能网关***及通信方法 |
| CN114057053A (zh) * | 2022-01-18 | 2022-02-18 | 杭州浅水数字技术有限公司 | 用于特种机械的部件疲劳程度监测方法 |
| CN114968631A (zh) * | 2022-01-17 | 2022-08-30 | 昆明理工大学 | 一种用于边缘诊断节点的数据上传三重判定方法、*** |
| CN115883486A (zh) * | 2022-11-25 | 2023-03-31 | 天津大学 | 边缘云混部场景下的服务动态纵向扩缩与保障方法及*** |
| CN115946132A (zh) * | 2023-03-15 | 2023-04-11 | 江西丹巴赫机器人股份有限公司 | 一种智能密集库与物流机器人***及其故障监测方法 |
| CN116467570A (zh) * | 2023-06-16 | 2023-07-21 | 西南交通大学 | 一种基于数据驱动的重载机车车钩摆角定量识别方法 |
| CN117834630A (zh) * | 2024-03-06 | 2024-04-05 | 中智关爱通(南京)信息科技有限公司 | 用于感知网络中边缘节点健康状态的方法、设备和介质 |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040176879A1 (en) * | 2003-03-07 | 2004-09-09 | Menon Sunil K. | Transient fault detection system and method using Hidden Markov Models |
| CN102067526A (zh) * | 2008-07-03 | 2011-05-18 | 中兴通讯股份有限公司 | 分层无线接入***的同步、调度、网络管理和频率分配方法 |
| US20120185728A1 (en) * | 2010-12-24 | 2012-07-19 | Commonwealth Scientific And Industrial Research Organisation | System and method for detecting and/or diagnosing faults in multi-variable systems |
| CN102928877A (zh) * | 2012-11-14 | 2013-02-13 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 基于d-s证据理论的地震属性融合方法 |
| CN103150454A (zh) * | 2013-03-27 | 2013-06-12 | 山东大学 | 基于样本推荐标注的动态机器学习建模方法 |
| CN103632363A (zh) * | 2013-08-27 | 2014-03-12 | 河海大学 | 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 |
| CN106404055A (zh) * | 2016-08-29 | 2017-02-15 | 孟玲 | 一种输电网塔杆的监控*** |
| EP3181427A2 (en) * | 2015-12-18 | 2017-06-21 | General Electric Company | Sensor signal processing system and method |
| CN109406117A (zh) * | 2018-09-28 | 2019-03-01 | 东南大学 | 一种基于改进rbfnn算法的多通道远程振动信号监示***及监测方法 |
| CN109491301A (zh) * | 2019-01-23 | 2019-03-19 | 东莞固高自动化技术有限公司 | 基于边缘计算体系架构的工业互联网智能控制器 |
| CN109547585A (zh) * | 2019-01-14 | 2019-03-29 | 中国雄安集团数字城市科技有限公司 | 一种基于边缘计算云的快速切换的方法 |
| CN109933004A (zh) * | 2019-03-27 | 2019-06-25 | 苏芯物联技术(南京)有限公司 | 基于边缘计算和云协同的机床故障诊断与预测方法及*** |
| CN110059601A (zh) * | 2019-04-10 | 2019-07-26 | 西安交通大学 | 一种多特征提取与融合的智能故障诊断方法 |
| CN110394688A (zh) * | 2019-09-02 | 2019-11-01 | 太原科技大学 | 基于边缘计算的机床状态监测方法 |
| CN110646183A (zh) * | 2019-09-04 | 2020-01-03 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于物联网的高压断路器机械性能快速检测装置 |
| CN111259927A (zh) * | 2020-01-08 | 2020-06-09 | 西北工业大学 | 基于神经网络和证据理论的火箭发动机故障诊断方法 |
| US20200209109A1 (en) * | 2018-12-28 | 2020-07-02 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for fault diagnosis |
| CN111366816A (zh) * | 2020-04-26 | 2020-07-03 | 华北电力大学 | 一种基于机器学习的电网故障诊断方法 |
| CN111442926A (zh) * | 2020-01-11 | 2020-07-24 | 哈尔滨理工大学 | 一种基于深层特征迁移的变负载下不同型号滚动轴承故障诊断方法 |
| CN111651312A (zh) * | 2020-07-28 | 2020-09-11 | 南京宏声科技有限公司 | 一种基于边缘计算的设备故障三级双向预警方法及*** |
-
2020
- 2020-09-15 CN CN202010966981.0A patent/CN112216085B/zh active Active
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040176879A1 (en) * | 2003-03-07 | 2004-09-09 | Menon Sunil K. | Transient fault detection system and method using Hidden Markov Models |
| CN102067526A (zh) * | 2008-07-03 | 2011-05-18 | 中兴通讯股份有限公司 | 分层无线接入***的同步、调度、网络管理和频率分配方法 |
| US20120185728A1 (en) * | 2010-12-24 | 2012-07-19 | Commonwealth Scientific And Industrial Research Organisation | System and method for detecting and/or diagnosing faults in multi-variable systems |
| CN102928877A (zh) * | 2012-11-14 | 2013-02-13 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 基于d-s证据理论的地震属性融合方法 |
| CN103150454A (zh) * | 2013-03-27 | 2013-06-12 | 山东大学 | 基于样本推荐标注的动态机器学习建模方法 |
| CN103632363A (zh) * | 2013-08-27 | 2014-03-12 | 河海大学 | 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 |
| EP3181427A2 (en) * | 2015-12-18 | 2017-06-21 | General Electric Company | Sensor signal processing system and method |
| CN106404055A (zh) * | 2016-08-29 | 2017-02-15 | 孟玲 | 一种输电网塔杆的监控*** |
| CN109406117A (zh) * | 2018-09-28 | 2019-03-01 | 东南大学 | 一种基于改进rbfnn算法的多通道远程振动信号监示***及监测方法 |
| US20200209109A1 (en) * | 2018-12-28 | 2020-07-02 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for fault diagnosis |
| CN109547585A (zh) * | 2019-01-14 | 2019-03-29 | 中国雄安集团数字城市科技有限公司 | 一种基于边缘计算云的快速切换的方法 |
| CN109491301A (zh) * | 2019-01-23 | 2019-03-19 | 东莞固高自动化技术有限公司 | 基于边缘计算体系架构的工业互联网智能控制器 |
| CN109933004A (zh) * | 2019-03-27 | 2019-06-25 | 苏芯物联技术(南京)有限公司 | 基于边缘计算和云协同的机床故障诊断与预测方法及*** |
| CN110059601A (zh) * | 2019-04-10 | 2019-07-26 | 西安交通大学 | 一种多特征提取与融合的智能故障诊断方法 |
| CN110394688A (zh) * | 2019-09-02 | 2019-11-01 | 太原科技大学 | 基于边缘计算的机床状态监测方法 |
| CN110646183A (zh) * | 2019-09-04 | 2020-01-03 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于物联网的高压断路器机械性能快速检测装置 |
| CN111259927A (zh) * | 2020-01-08 | 2020-06-09 | 西北工业大学 | 基于神经网络和证据理论的火箭发动机故障诊断方法 |
| CN111442926A (zh) * | 2020-01-11 | 2020-07-24 | 哈尔滨理工大学 | 一种基于深层特征迁移的变负载下不同型号滚动轴承故障诊断方法 |
| CN111366816A (zh) * | 2020-04-26 | 2020-07-03 | 华北电力大学 | 一种基于机器学习的电网故障诊断方法 |
| CN111651312A (zh) * | 2020-07-28 | 2020-09-11 | 南京宏声科技有限公司 | 一种基于边缘计算的设备故障三级双向预警方法及*** |
Non-Patent Citations (2)
| Title |
|---|
| MA BIN ET AL.: "Application of D-S evidence theory in equipment fault diagnosis", 《2011 SEVENTH INTERNATIONAL CONFERENCE ON NATURAL COMPUTATION》 * |
| 张文龙 等: "云/边缘协同的轴承故障诊断方法", 《计算机集成制造***》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113507491B (zh) * | 2021-04-30 | 2022-11-11 | 华中农业大学 | 一种洁蛋生产全链条信息实时上传方法及*** |
| CN113507491A (zh) * | 2021-04-30 | 2021-10-15 | 华中农业大学 | 一种洁蛋生产全链条信息实时上传方法及*** |
| CN113255584B (zh) * | 2021-06-22 | 2021-10-19 | 德明通讯（上海）股份有限公司 | 一种基于边缘计算的故障诊断与监测*** |
| CN113255584A (zh) * | 2021-06-22 | 2021-08-13 | 德明通讯（上海）股份有限公司 | 一种基于边缘计算的故障诊断与监测*** |
| CN113973029A (zh) * | 2021-10-27 | 2022-01-25 | 广东电网有限责任公司江门供电局 | 一种低压物联网边缘计算智能网关***及通信方法 |
| CN113973029B (zh) * | 2021-10-27 | 2023-01-20 | 广东电网有限责任公司江门供电局 | 一种低压物联网边缘计算智能网关***及通信方法 |
| CN114968631A (zh) * | 2022-01-17 | 2022-08-30 | 昆明理工大学 | 一种用于边缘诊断节点的数据上传三重判定方法、*** |
| CN114057053A (zh) * | 2022-01-18 | 2022-02-18 | 杭州浅水数字技术有限公司 | 用于特种机械的部件疲劳程度监测方法 |
| CN114057053B (zh) * | 2022-01-18 | 2022-04-26 | 杭州浅水数字技术有限公司 | 用于特种机械的部件疲劳程度监测方法 |
| CN115883486A (zh) * | 2022-11-25 | 2023-03-31 | 天津大学 | 边缘云混部场景下的服务动态纵向扩缩与保障方法及*** |
| CN115883486B (zh) * | 2022-11-25 | 2024-05-03 | 天津大学 | 边缘云混部场景下的服务动态纵向扩缩与保障方法及*** |
| CN115946132A (zh) * | 2023-03-15 | 2023-04-11 | 江西丹巴赫机器人股份有限公司 | 一种智能密集库与物流机器人***及其故障监测方法 |
| CN116467570A (zh) * | 2023-06-16 | 2023-07-21 | 西南交通大学 | 一种基于数据驱动的重载机车车钩摆角定量识别方法 |
| CN116467570B (zh) * | 2023-06-16 | 2023-09-05 | 西南交通大学 | 一种基于数据驱动的重载机车车钩摆角定量识别方法 |
| CN117834630A (zh) * | 2024-03-06 | 2024-04-05 | 中智关爱通(南京)信息科技有限公司 | 用于感知网络中边缘节点健康状态的方法、设备和介质 |
| CN117834630B (zh) * | 2024-03-06 | 2024-05-03 | 中智关爱通(南京)信息科技有限公司 | 用于感知网络中边缘节点健康状态的方法、设备和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112216085B (zh) | 2022-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112216085B (zh) | 一种基于边缘计算和在线更新样本智能识别的装备关键承力结构件健康监测*** | |
| CN110187990B (zh) | 一种基于模式转移的虚拟机混合备用动态可靠性评估方法 | |
| CN105550323B (zh) | 一种分布式数据库负载均衡预测方法和预测分析器 | |
| CN110515732B (zh) | 一种基于资源受限机器人深度学习推理的任务分配方法 | |
| CN112101525A (zh) | 一种通过nas设计神经网络的方法、装置和*** | |
| US20220164660A1 (en) | Method for determining a sensor configuration | |
| Deng et al. | FedVision: Federated video analytics with edge computing | |
| CN114815605A (zh) | 自动驾驶测试用例生成方法、装置、电子设备及存储介质 | |
| CN110543500A (zh) | 一种基于大数据的输变电设备健康评估平台 | |
| CN110413657B (zh) | 面向季节型非平稳并发量的平均响应时间评估方法 | |
| CN108804473A (zh) | 数据查询的方法、装置和数据库*** | |
| CN117453398B (zh) | 一种提高供电可靠性的算力调度的智能优化方法及*** | |
| McNamee et al. | The case for adaptive deep neural networks in edge computing | |
| CN112462759B (zh) | 规控算法的评估方法、***及计算机存储介质 | |
| CN114444922A (zh) | 一种群体智能控制下的混合交通效能评估方法 | |
| CN113541986B (zh) | 5g切片的故障预测方法、装置及计算设备 | |
| CN117293791A (zh) | 一种基于误差修正的负荷时序调节潜力预测方法 | |
| Chandar et al. | Communication optimization in large scale federated learning using autoencoder compressed weight updates | |
| Wang et al. | Edge-computing based soft sensors with local finite impulse response models for vehicle wheel center loads estimation under multiple working conditions | |
| CN110784555A (zh) | 一种基于深度学习的智能监控及负载调度方法 | |
| Ashouri et al. | Analyzing distributed deep neural network deployment on edge and cloud nodes in IoT systems | |
| CN117746172A (zh) | 基于域差异感知蒸馏的异构模型聚合方法及*** | |
| CN114663074A (zh) | 一种基于数字孪生的产品数据分析方法及*** | |
| CN112906745B (zh) | 基于边缘协同的诚信智能网络训练方法 | |
| CN114139782A (zh) | 交通预测方法、装置、设备及计算机可读存储介质 |
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 |