CN112286751A - 一种基于边云协同的高端装备故障智能诊断***及方法 - Google Patents

Abstract

本发明公开了一种基于边云协同的高端装备故障智能诊断***及方法，所述***包括智能边缘计算***与云端大数据分析平台，智能边缘计算***包括设备及数据采集模块、边缘侧信息分布式处理模块、边缘侧故障智能诊断模块，云端大数据分析平台包括云端数据处理模块、多源异构数据模型模块、故障智能诊断模型模块。本申请实现了通过在边缘侧做分布式数据预处理与故障并行处理，减少云端数据处理的冗余信息，提高边缘侧故障诊断的实时性；通过云端大数据分析平台，利用其强大的算力，较快生成准确性较高较复杂的多源异构数据模型与故障智能诊断模型。通过边缘侧与云端的协同工作，实现故障诊断的智能性、准确性、实时性，并降低边缘侧与云端的硬件成本。

Description

一种基于边云协同的高端装备故障智能诊断***及方法

技术领域

本申请涉及高端装备故障诊断领域，具体而言，涉及一种基于边云协同的高端装备故障智能诊断***及方法。

背景技术

高端装备运行工况复杂、环境影响大、感知能力弱、自适应和自调整能力不足，故障诊断的能力弱且响应慢，不符合高端装备的定位，且易对生产时间产生严重影响，也可能会造成较大的设备损失，因此当前对高端装备故障智能诊断的方法的需求是急切的。

目前的故障智能诊断方法多面向船舶、风车、机床主轴、旋转机械、轴承等单体设备或其零部件，没有面对多设备组成的高端装备故障诊断方法。而目前的故障智能诊断方法一般采用将数据传输至服务器中，采用各种算法对故障做诊断分析。这种方法存在故障诊断实时性的问题，模型一般较大，服务器的计算一般需要较长时间才能反馈出结果，而服务器一般远离设备，数据的传输与故障处理的实时性存在实际应用问题，且现有的方法无法及时面对新情况，没有进化性能，随着时间的推移，其准确性、智能型、泛化性将越来越弱。

发明内容

为了解决上述问题，本申请实施例提供了一种基于边云协同的高端装备故障智能诊断***及方法。

第一方面，本申请实施例提供了一种基于边云协同的高端装备故障智能诊断***，所述***包括智能边缘计算***与云端大数据分析平台，所述智能边缘计算***包括设备及数据采集模块、边缘侧信息分布式处理模块、边缘侧故障智能诊断模块，所述云端大数据分析平台包括云端数据处理模块、多源异构数据模型模块、故障智能诊断模型模块；

所述设备及数据采集模块，用于将采集的数据传输至所述边缘侧信息分布式处理模块；

所述边缘侧信息分布式处理模块，用于对所述数据进行处理、融合并将融合后的信息传输至所述云端数据处理模块；

所述云端数据处理模块，用于生成结构化数据；

所述多源异构数据模型模块，用于将所述结构化数据与物理空间建立动态映射关系进而生成多源异构数据模型；

所述故障智能诊断模型模块，用于将所述多源异构数据模型与故障信息进行关联分析，生成故障智能诊断模型并精简与分割所述故障智能诊断模型；

所述边缘侧故障智能诊断模块，用于根据分割后的所述故障智能诊断模型进行设备端故障的并行实时智能诊断。

第二方面，本申请实施例提供了一种基于边云协同的高端装备故障智能诊断方法，应用于第一方面所述的一种基于边云协同的高端装备故障智能诊断***，所述方法包括：

将预设的边缘侧深度学习模型分割成若干子模型，并基于所述子模型对分布式数据端的多源异构数据进行冗余处理与融合，得到融合数据；

对所述融合数据进行数据特征提取与结构化处理，得到结构化数据集；

基于所述结构化数据集对预设的训练模型进行训练，生成多源异构数据模型，并基于所述多源异构数据模型生成故障智能诊断模型；

精简所述故障智能诊断模型得到精简模型，分割所述精简模型得到若干精简子模型；

基于所述精简子模型在边缘侧对设备进行并行故障诊断，根据故障诊断结果持续优化所述故障智能诊断模型。

优选的，所述基于所述子模型对分布式处理数据端的多源异构数据进行冗余处理与融合，得到融合数据，包括：

基于所述子模型去除所述分布式处理数据端的多源异构数据中的冗余数据，得到精简数据；

对所述精简数据附加类别语义信息后，融合所有所述精简数据，得到融合数据。

优选的，所述对所述融合数据进行数据特征提取与结构化处理，得到结构化数据集，包括：

通过深度卷积神经网络CNN提取所述融合数据的高维度特征；

基于主成分分析法对所述高维度特征进行降维处理，得到低维度特征；

选取欧氏距离作为相似性度量来检测所述低维度特征的精度指标，得到输出特征数据集；

规划并清洗所述输出特征数据集后，封装所述输出特征数据集，得到结构化数据集。

优选的，所述基于主成分分析法对所述高维度特征进行降维处理，得到低维度特征，包括：

对所述高维度特征的原始d维数据集进行标准化处理后，构建协方差矩阵；

计算所述协方差矩阵的特征值和特征向量，并选取前k个最大特征值对应的特征向量，其中k≤dk≤d；

通过前k个所述特征向量构件映射矩阵W；

基于所述映射矩阵W将所述原始d维数据集转换为k维特征子空间，得到低维度特征。

优选的，所述基于所述结构化数据集对预设的训练模型进行训练，生成多源异构数据模型，包括：

基于预设的有标签的训练模型，建立所述结构化数据集与物理空间的动态映射关系；

将所述结构化数据集中无监督数据进行数据变化后输入所述训练模型，集成所述训练模型输出的训练结果，得到伪标签；

基于结构化数据集中有监督数据与存在所述伪标签的所述无监督数据重新训练所述训练模型；

基于测试数据集，根据所述训练模型输出的结果，迭代并优化所述映射关系，基于所述映射关系构建初始多源异构数据模型；

将多层次生产环节引入所述初始多源异构数据模型，通过对事件聚合的制造场景演算，构建多源异构数据模型。

优选的，所述精简所述故障智能诊断模型得到精简模型，包括：

对所述故障智能诊断模型进行知识蒸馏；

观察模型网络每一层的权重，基于所述权重对所述故障智能诊断模型的贡献删除贡献小的核函数以及所述核函数对应的通道数，构建剪枝后的所述模型网络；

加载剪枝后所述模型网络的权重，并将所述权重与知识蒸馏后的所述故障智能诊断模型对比精准度；

基于预设的学习率训练剪枝后的所述故障智能诊断模型直至收敛并保存权重，得到精简模型。

优选的，所述对所述故障智能诊断模型进行知识蒸馏，包括：

训练教师网络生成软目标，基于所述软目标建立学生网络；

对所述教师网络进行拟合目标为独热编码形式的训练集输出，获得第一交叉熵损失；

将训练完成的所述教师网络的分类器加入温度超参数后作为所述学生网络的拟合目标，获得第二交叉熵损失；

基于所述第一交叉熵损失与第二交叉熵损失生成目标交叉熵损失，根据所述目标交叉熵损失训练所述故障智能诊断模型。

优选的，所述根据故障诊断结果持续优化所述故障智能诊断模型，包括：

将边云协同中各数据形成闭环，基于故障诊断结果中的正向反馈语义信息或负向反馈语义信息持续优化所述故障智能诊断模型；

再次精简并分割优化后的所述故障智能诊断模型，得到新的所述精简模型；

将新的各所述精简模型再次部署到所述设备进行并行故障诊断。

第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第二方面或第二方面的任意一种可能的实现方式提供的方法。

本发明的有益效果为：1.通过在边缘侧做分布式数据预处理与故障并行处理，降低边缘侧硬件成本，减少云端数据处理的冗余信息，提高边缘侧故障诊断的实时性；通过在云端的大数据分析平台，利用其强大的算力，较快生成准确性较高较复杂的多源异构数据模型与故障智能诊断模型。通过边缘侧与云端的协同工作，实现故障诊断的智能性、准确性、实时性，并降低边缘侧与云端的硬件成本。

2.通过对边缘侧模型分割以进行数据端分布式处理，通过模型的知识蒸馏、模型剪枝以减小云端模型的大小，并通过模型分割部署到边缘侧n个设备端。通过模型分割、知识蒸馏、模型剪枝的方法，降低模型大小，极大提高***运行的实时性。

3.智能边缘计算***与云端大数据分析平台的数据及模型进行协同交互工作，数据形成闭环，实现云端多源异构数据模型、云端故障智能诊断模型、边缘侧故障智能诊断模型、边缘侧信息分布式处理模型的智能持续进化，以增强高端装备的故障诊断的泛化性、智能性。

4.知识蒸馏过程不直接对网络进行缩减，使用最初的模型来训练一个更小的模型，即学生模型。教师模型对未标记的数据提供预测，更小的学生模型学习像教师模型那样进行泛化，使其适合于性能较弱的硬件，且其准确性损失最小。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例中所需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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种基于边云协同的高端装备故障智能诊断***的架构示意图；

图2为本申请实施例提供的一种基于边云协同的高端装备故障智能诊断方法的流程示意图；

图3为本申请实施例提供的精简故障智能诊断模型的知识蒸馏过程的举例示意图；

图4为本申请实施例提供的模型进化过程的举例示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

在下述介绍中，术语“第一”、“第二”仅为用于描述的目的，而不能理解为指示或暗示相对重要性。下述介绍提供了本发明的多个实施例，不同实施例之间可以替换或者合并组合，因此本发明也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而，如果一个实施例包含特征A、B、C，另一个实施例包含特征B、D，那么本发明也应视为包括含有A、B、C、D的一个或多个所有其他可能的组合的实施例，尽管该实施例可能并未在以下内容中有明确的文字记载。

下面的描述提供了示例，并且不对权利要求书中阐述的范围、适用性或示例进行限制。可以在不脱离本发明内容的范围的情况下，对描述的元素的功能和布置做出改变。各个示例可以适当省略、替代或添加各种过程或组件。例如所描述的方法可以以所描述的顺序不同的顺序来执行，并且可以添加、省略或组合各种步骤。此外，可以将关于一些示例描述的特征组合到其他示例中。

参见图1，图1是本申请实施例提供的一种基于边云协同的高端装备故障智能诊断***的架构示意图。在本申请实施例中，所述***包括智能边缘计算***与云端大数据分析平台，所述智能边缘计算***包括设备及数据采集模块1、边缘侧信息分布式处理模块2、边缘侧故障智能诊断模块3，所述云端大数据分析平台包括云端数据处理模块4、多源异构数据模型模块5、故障智能诊断模型模块6；

所述设备及数据采集模块1，用于将采集的数据传输至所述边缘侧信息分布式处理模块2；

所述边缘侧信息分布式处理模块2，用于对所述数据进行处理与融合并将融合后的信息传输至所述云端数据处理模块4；

所述云端数据处理模块4，用于生成结构化数据；

所述多源异构数据模型模块5，用于将所述结构化数据与物理空间建立动态映射关系进而生成多源异构数据模型；

所述故障智能诊断模型模块6，用于将所述多源异构数据模型与故障信息进行关联分析，生成故障智能诊断模型并精简与分割所述故障智能诊断模型；

所述边缘侧故障智能诊断模块3，用于根据分割后的所述故障智能诊断模型进行设备端故障的并行实时智能诊断。

具体的，设备及数据采集模块1具体包括边缘侧的n个设备，传感组网***、数据采集模块。传感组网***包括设备侧的PLC、伺服驱动器、数控***、机器人、AGV、工业视觉相机、振动传感器、温度传感器、力传感器、声音传感器、速度传感器、尺寸检测传感器等，数据采集模块接收或采集传感组网***中数据，通过OPC UA或其他通信协议对数据进行转换及传输。

具体的，边缘侧信息分布式处理模块2具体用于对边缘侧信息处理深度学习模型做分割，子模型P1-Pn分别对应分布式处理数据端1-n。对冗余信息处理后，再将信息进行融合，传输给云端。

具体的，边缘侧故障智能诊断模块3用于子模型D1-Dn,对设备端1-n进行并行的故障诊断；当子模型从云端进行进化更新后，可以对设备端1-n进行更精确及泛化性更好的故障诊断。

具体的，云端数据处理模块4具体包括数据特征提取和结构化处理，采用深度学习算法对具备多源、异构、响应特性的数据的特征进行提取；采用深度卷积神经网络和自然语言处理技术对数据进行规划、清洗、封装。

具体的，多源异构数据模型模块5具体包括建立信息空间和物理空间之间的动态映射关系。采用深度学习和知识图谱的方法建立结构化数据与物理模型的动态映射关系，形成多源异构数据模型。

具体的，故障智能诊断模型模块6具体包括故障信息与多源异构数据模型进行关联分析，得到故障智能诊断模型；然后采用蒸馏和剪枝的方式，得到精简模型，再对模型做分割。

在本申请实施例中，边云协同***的数据形成闭环，实现云端多源异构数据模型、云端故障智能诊断模型、边缘侧故障智能诊断模型、边缘侧信息分布式处理模型的智能持续进化，以增强高端装备的故障诊断的泛化性、智能性。

参见图2，图2是本申请实施例提供的一种基于边云协同的高端装备故障智能诊断方法的流程示意图。在本申请实施例中，所述方法包括：

S1、将预设的边缘侧深度学习模型分割成若干子模型，并基于所述子模型对分布式处理数据端的多源异构数据进行冗余处理与融合，得到融合数据。

具体的，本申请利用预先设置的参数化的预测模型于深度学习模型的各层。在运行时，模型框架根据可用设备和通信延迟预测每层的执行时间，并为每个分区选择最佳的分区点和并行化策略。接着为了适应计算环境的异构性，选择分区大小以匹配数据端功能。以此使得分区被容器化、分布并跨n个数据端并行执行。

在一种可实施方式中，所述基于所述子模型对分布式处理数据端的多源异构数据进行冗余处理与融合，得到融合数据，包括：

S11.基于所述子模型去除所述分布式处理数据端的多源异构数据中的冗余数据，得到精简数据；

S12.对所述精简数据附加类别语义信息后，融合所有所述精简数据，得到融合数据。

具体的，设备及数据采集模块接收或采集传感组网***中的数据(例如振动、力、电流等)后，将数据传输至边缘侧数据端1-n，子模型P1-Pn将分别对应一个数据端进行特征分析，以此将各数据端中的冗余数据去除，提取出精简数据。接着将对数据端1-n的精简数据附加类别语义信息，并将精简数据做融合，将融合后的融合数据传输至云端大数据分析平台。

S2、对所述融合数据进行数据特征提取与结构化处理，得到结构化数据集。

在一种可实施方式中，所述对所述融合数据进行数据特征提取与结构化处理，得到结构化数据集，包括：

S21.通过深度卷积神经网络CNN提取所述融合数据的高维度特征；

S22.基于主成分分析法对所述高维度特征进行降维处理，得到低维度特征；

S23.选取欧氏距离作为相似性度量来检测所述低维度特征的精度指标，得到输出特征数据集；

S24.规划并清洗所述输出特征数据集后，封装所述输出特征数据集，得到结构化数据集。

具体的，云端大数据分析平台将基于深度卷积神经网络CNN提取出融合数据的高维度特征，并用主成分分析法(PCA)对高维度特征进行降维来得到低维度特征，接着采用欧氏距离作为相似性度量来检验经过降维处理后的精度指标，以此完成多维异构数据的分类预处理。

具体的，结构化处理可以包括对设备/传感器数据、工艺参数、测试数据等的处理。首先将对预处理后的输出特征数据集进行规划并清洗，再对输出特征数据集做封装，实现产品、工艺和设备等多源异构数据的结构化描述，进而输出结构化数据集。

其中，清洗过程将去除/补全有缺失的数据，去除/修改格式和内容错误的数据，去除/修改逻辑错误的数据，去除不需要的数据，最后进行关联性验证。

在一种可实施方式中，所述基于主成分分析法对所述高维度特征进行降维处理，得到低维度特征，包括：

S221.对所述高维度特征的原始d维数据集进行标准化处理后，构建协方差矩阵；

S222.计算所述协方差矩阵的特征值和特征向量，并选取前k个最大特征值对应的特征向量，其中k≤dk≤d；

S223.通过前k个所述特征向量构件映射矩阵W；

S224.基于所述映射矩阵W将所述原始d维数据集转换为k维特征子空间，得到低维度特征。

S3、基于所述结构化数据集对预设的训练模型进行训练，生成多源异构数据模型，并基于所述多源异构数据模型生成故障智能诊断模型。

在一种可实施方式中，所述基于所述结构化数据集对预设的训练模型进行训练，生成多源异构数据模型，包括：

S31.基于预设的有标签的训练模型，建立所述结构化数据集与物理空间的动态映射关系；

S32.将所述结构化数据集中无监督数据进行数据变化后输入所述训练模型，集成所述训练模型输出的训练结果，得到伪标签；

S33.基于结构化数据集中有监督数据与存在所述伪标签的所述无监督数据重新训练所述训练模型；

S34.基于测试数据集，根据所述训练模型输出的结果，迭代并优化所述映射关系，基于所述映射关系构建初始多源异构数据模型；

S35.将多层次生产环节引入所述初始多源异构数据模型，通过对事件聚合的制造场景演算，构建多源异构数据模型。

具体的，本申请实施例将基于有标签的数据集训练模型，建立物理空间与工艺参数、设备传感反馈数据、测试数据等结构化数据间的深度学习模型的动态映射关系；将无监督的数据通过多种数据变化后输入模型，对结果集成，得到伪标签；使用有监督数据和有伪标签的无监督数据重新训练模型；基于生成对抗数据集，迭代物理空间与信息空间的映射关系；基于测试数据集，优化物理空间与信息空间映射关系的深度学习模型；基于映射关系，构建基于“物理+数据+关联关系”结构化知识网络的初始多源异构数据模型。接着对数据进行可操作、可溯源的统一规范化管理，将多层次生产环节引入模型中，融合基于多时空事件约束的制造场景识别信息，并通过基于知识图谱的信息检索实现对原始感知事件的处理，在知识图谱中通过推理、复杂查询以及预测返回相关复杂事件信息，最后，基于事件聚合的制造场景演算机理，通过物理空间与信息空间的双向数据反馈技术，建立生产过程中时变和不确定性工艺要素的多源异构数据模型。

具体的，在获得多源异构数据模型后，基于有标签的数据集训练模型，建立多源异构数据模型与故障信息的关联规则；将无监督的数据通过多种数据变化后输入模型，结果集成，得到伪标签；使用有监督数据和有伪标签的无监督数据重新训练模型；基于生成对抗数据集，迭代多源异构数据模型与故障信息的关联规则；基于测试数据集，优化多源异构数据模型与故障信息的关联规则，建立故障智能诊断模型。

S4、精简所述故障智能诊断模型得到精简模型，分割所述精简模型得到若干精简子模型。

在一种可实施方式中，所述精简所述故障智能诊断模型得到精简模型，包括：

S41.对所述故障智能诊断模型进行知识蒸馏；

S42.观察模型网络每一层的权重，基于所述权重对所述故障智能诊断模型的贡献删除贡献小的核函数以及所述核函数对应的通道数，构建剪枝后的所述模型网络；

S43.加载剪枝后所述模型网络的权重，并将所述权重与知识蒸馏后的所述故障智能诊断模型对比精准度；

S44.基于预设的学习率训练剪枝后的所述故障智能诊断模型直至收敛并保存权重，得到精简模型。

在一种可实施方式中，所述对所述故障智能诊断模型进行知识蒸馏，包括：

S411.训练教师网络生成软目标，基于所述软目标建立学生网络；

S412.对所述教师网络进行拟合目标为独热编码形式的训练集输出，获得第一交叉熵损失；

S413.将训练完成的所述教师网络的分类器加入温度超参数后作为所述学生网络的拟合目标，获得第二交叉熵损失；

S414.基于所述第一交叉熵损失与第二交叉熵损失生成目标交叉熵损失，根据所述目标交叉熵损失训练所述故障智能诊断模型。

具体的，如图3所示，设置一个较大的温度超参数T，输入X，并用hard target，也就是正常的label训练训练一个教师网络，经过softmax层后生成软目标soft targets；使用得到的soft targets来建立学生网络，模型的输出采用传统的softmax函数，拟合目标为one-hot(即独热编码)形式的训练集输出，它们之间的距离记为交叉熵损失1(即loss 1)；将训练完成的教师网络的softmax分类器加入温度超参数T，作为具有相同温度参数softmax分类器的学生网络的拟合目标，他们之间的距离记为交叉熵损失2(即loss 2)；引入参数α，将目标交叉熵损失(即loss 1×(1-α)+loss 2×α)作为网络训练时使用的loss，训练网络。接着输出知识蒸馏后的故障智能诊断模型；观察每一层的权重，判断其对模型的贡献大小，删除贡献较小的kernel(即核函数)，评判标准是std，sum(abs)，或mean等；删除部分kernel后，会导致输出层的channel(即通道)数变化，需要删除输出层对应kernel的对应channel；构建剪枝后的网络，加载剪枝后的权重，与知识蒸馏后的模型对比精准度；使用较小的学习率，rebirth剪枝后的模型；训练模型到收敛，保存权重；输出剪枝后的故障智能诊断模型。

需要说明的是，知识蒸馏方法不直接对网络进行缩减，使用最初的模型来训练一个更小的模型，即学生模型。教师模型对未标记的数据提供预测，更小的学生模型学习像教师模型那样进行泛化，使其适合于性能较弱的硬件，且其准确性损失最小。

其中，通过在传统的softmax函数中加入温度超参数T，修改后的softmax公式为：

这个新softmax函数，完成从网络输出的logtis到probabilities的映射。T是调节参数，通常默认1，对于分类任务来说使用T＝1往往会导致不同类的概率差距很大，过度集中于某一个类，其他类别的信息难以利用。因此蒸馏过程中增大温度T的设置值(T＝6)，所有类的分布***(平缓)，将无关重要的数据结构蒸发，以此来增强其他类别的信息，只留下关键的抽象关联特征。

修改后的训练目标函数为loss1×(1-α)+loss2×α，并使第一个目标函数的权重大一些,α＝0.3。

S5、基于所述精简子模型在边缘侧对设备进行并行故障诊断，根据故障诊断结果持续优化所述故障智能诊断模型。

在一种可实施方式中，所述根据故障诊断结果持续优化所述故障智能诊断模型，包括：

S51.将边云协同中各数据形成闭环，基于故障诊断结果中的正向反馈语义信息或负向反馈语义信息持续优化所述故障智能诊断模型；

S52.再次精简并分割优化后的所述故障智能诊断模型，得到新的所述精简模型；

S53.将新的各所述精简模型再次部署到所述设备进行故障诊断。

具体的，利用预设的参数化预测模型于故障智能诊断模型的各层；在运行时，框架根据可用设备和通信延迟预测每层的执行时间，并为每个分区选择最佳的分区点和并行化策略；为适应计算环境的异构性，选择分区大小以匹配设备功能；分区被容器化D1-Dn；D1-Dn被传输至边缘侧，分布并跨1-n个设备端并行执行。

具体的，D1-Dn分别对1-n设备端的实际实时故障进行诊断，给出原因；根据故障原因，人工修改参数或修理设备；若修复后，设备正常运行，则给予边缘侧信息处理模型、云端故障智能诊断模型生成过程正向反馈语义信息；若修复后，设备仍不能正常运行，则给予边缘侧信息处理模型、云端故障智能诊断模型生成过程负向反馈语义信息。

具体的，如图4所示，通过将正向反馈语义信息或负向反馈语义信息的回传对数据形成闭环，使得云端多源异构数据模型、云端故障智能诊断模型、边缘侧故障智能诊断模型、边缘侧信息分布式处理模型进行智能持续进化；边缘侧故障智能诊断模型进化后，再进行蒸馏、剪枝，模型得到精简；精简模型再次分割后被部署到设备端1-n。以此实现故障智能诊断模型的智能进化过程。

本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。其中，计算机可读存储介质可以包括但不限于任何类型的盘，包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米***(包括分子存储器IC)，或适合于存储指令和/或数据的任何类型的媒介或设备。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(Random AccessMemory，RAM)、磁盘或光盘等。

以上所述者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后，将容易想到本公开的其实施方案。本发明旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的范围和精神由权利要求限定。

Claims (10)

1.一种基于边云协同的高端装备故障智能诊断***，其特征在于，所述***包括智能边缘计算***与云端大数据分析平台，所述智能边缘计算***包括设备及数据采集模块、边缘侧信息分布式处理模块、边缘侧故障智能诊断模块，所述云端大数据分析平台包括云端数据处理模块、多源异构数据模型模块、故障智能诊断模型模块；

所述设备及数据采集模块，用于将采集的数据传输至所述边缘侧信息分布式处理模块；

所述边缘侧信息分布式处理模块，用于对所述数据进行处理、融合并将融合后的信息传输至所述云端数据处理模块；

所述云端数据处理模块，用于生成结构化数据；

所述多源异构数据模型模块，用于将所述结构化数据与物理空间建立动态映射关系进而生成多源异构数据模型；

所述故障智能诊断模型模块，用于将所述多源异构数据模型与故障信息进行关联分析，生成故障智能诊断模型并精简与分割所述故障智能诊断模型；

所述边缘侧故障智能诊断模块，用于根据分割后的所述故障智能诊断模型进行设备端故障的并行实时智能诊断。

2.一种基于边云协同的高端装备故障智能诊断方法，其特征在于，应用于权利要求1所述的一种基于边云协同的高端装备故障智能诊断***，所述方法包括：

S1.将预设的边缘侧深度学习模型分割成若干子模型，并基于所述子模型对分布式处理数据端的多源异构数据进行冗余处理与融合，得到融合数据；

S2.对所述融合数据进行数据特征提取与结构化处理，得到结构化数据集；

S3.基于所述结构化数据集对预设的训练模型进行训练，生成多源异构数据模型，并基于所述多源异构数据模型生成故障智能诊断模型；

S4.精简所述故障智能诊断模型得到精简模型，分割所述精简模型得到若干精简子模型；

S5.基于所述精简子模型在边缘侧对设备进行并行故障诊断，根据故障诊断结果持续优化所述故障智能诊断模型。

3.根据权利要求2所述的方法，其特征在于，步骤S1中所述基于所述子模型对分布式处理数据端的多源异构数据进行冗余处理与融合，得到融合数据，包括：

S11.基于所述子模型去除所述分布式处理数据端的多源异构数据中的冗余数据，得到精简数据；

S12.对所述精简数据附加类别语义信息后，融合所有所述精简数据，得到融合数据。

4.根据权利要求2所述的方法，其特征在于，步骤S2中所述对所述融合数据进行数据特征提取与结构化处理，得到结构化数据集，包括：

S21.通过深度卷积神经网络CNN提取所述融合数据的高维度特征；

S22.基于主成分分析法对所述高维度特征进行降维处理，得到低维度特征；

S23.选取欧氏距离作为相似性度量来检测所述低维度特征的精度指标，得到输出特征数据集；

S24.规划并清洗所述输出特征数据集后，封装所述输出特征数据集，得到结构化数据集。

5.根据权利要求4所述的方法，其特征在于，步骤S22中所述基于主成分分析法对所述高维度特征进行降维处理，得到低维度特征，包括：

S221.对所述高维度特征的原始d维数据集进行标准化处理后，构建协方差矩阵；

S222.计算所述协方差矩阵的特征值和特征向量，并选取前k个最大特征值对应的特征向量，其中k≤dk≤d；

S223.通过前k个所述特征向量构建映射矩阵W；

S224.基于所述映射矩阵W将所述原始d维数据集转换为k维特征子空间，得到低维度特征。

6.根据权利要求2所述的方法，其特征在于，步骤S3中所述基于所述结构化数据集对预设的训练模型进行训练，生成多源异构数据模型，包括：

S31.基于预设的有标签的训练模型，建立所述结构化数据集与物理空间的动态映射关系；

S32.将所述结构化数据集中无监督数据进行数据变化后输入所述训练模型，集成所述训练模型输出的训练结果，得到伪标签；

S33.基于结构化数据集中有监督数据与存在所述伪标签的所述无监督数据重新训练所述训练模型；

S34.基于测试数据集，根据所述训练模型输出的结果，迭代并优化所述映射关系，基于所述映射关系构建初始多源异构数据模型；

S35.将多层次生产环节引入所述初始多源异构数据模型，通过对事件聚合的制造场景演算，构建多源异构数据模型。

7.根据权利要求2所述的方法，其特征在于，步骤S4中所述精简所述故障智能诊断模型得到精简模型，包括：

S41.对所述故障智能诊断模型进行知识蒸馏；

S42.观察模型网络每一层的权重，基于所述权重对所述故障智能诊断模型的贡献删除贡献小的核函数以及所述核函数对应的通道数，构建剪枝后的所述模型网络；

S43.加载剪枝后所述模型网络的权重，并将所述权重与知识蒸馏后的所述故障智能诊断模型对比精准度；

S44.基于预设的学习率训练剪枝后的所述故障智能诊断模型直至收敛并保存权重，得到精简模型。

8.根据权利要求7所述的方法，其特征在于，步骤S41中所述对所述故障智能诊断模型进行知识蒸馏，包括：

S411.训练教师网络生成软目标，基于所述软目标建立学生网络；

S412.对所述教师网络进行拟合目标为独热编码形式的训练集输出，获得第一交叉熵损失；

S413.将训练完成的所述教师网络的分类器加入温度超参数后作为所述学生网络的拟合目标，获得第二交叉熵损失；

S414.基于所述第一交叉熵损失与第二交叉熵损失生成目标交叉熵损失，根据所述目标交叉熵损失训练所述故障智能诊断模型。

9.根据权利要求2所述的方法，其特征在于，步骤S5中所述根据故障诊断结果持续优化所述故障智能诊断模型，包括：

S51.将边云协同中各数据形成闭环，基于故障诊断结果中的正向反馈语义信息或负向反馈语义信息持续优化所述故障智能诊断模型；

S52.再次精简并分割优化后的所述故障智能诊断模型，得到新的所述精简模型；

S53.将新的各所述精简模型再次部署到所述设备进行并行故障诊断。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求2-9任一项所述方法的步骤。

Images