CN113742855B - 一种故障预测方法、***、电子设备与可读存储介质 - Google Patents
一种故障预测方法、***、电子设备与可读存储介质 Download PDFInfo
- Publication number
- CN113742855B CN113742855B CN202110849470.5A CN202110849470A CN113742855B CN 113742855 B CN113742855 B CN 113742855B CN 202110849470 A CN202110849470 A CN 202110849470A CN 113742855 B CN113742855 B CN 113742855B
- Authority
- CN
- China
- Prior art keywords
- vibration
- rotary machine
- processed
- edge server
- cloud computing
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请实施例在于提供一种故障预测方法、***、电子设备与可读存储介质,属于旋转机械振动健康监测技术领域。故障预测方法包括:振动传感端节点采集旋转机械工作时的待处理振动信号,处理得到待处理振动特征并传输给边缘服务器;边缘服务器根据待处理振动特征,生成网络中间特征并预测旋转机械是否可能发生故障;在预测旋转机械为健康状态且置信度高的时提前退出故障预测;在预测旋转机械可能发生故障或预测为健康状态但置信度不高时,将网络中间特征上传给云计算中心;云计算中心根据网络中间特征,预测旋转机械是否可能发生故障,并得到最终预测结果。本申请旨在通过边缘服务器与云计算中心的协作,提高故障预测的准确度和效率。
Description
技术领域
本申请实施例涉及旋转机械振动健康监测技术领域,具体而言,涉及一种故障预测方法、***、电子设备与可读存储介质。
背景技术
在工业领域,机械设备无处不在,逐渐趋向复杂化、精密化及自动化,其中旋转机械设备应用广泛。旋转机械设备是带有转动部件的机械结构,典型旋转机械设备包括:汽轮机、燃气轮机和泵等大型集成机械以及轴承、齿轮箱等机械零件。然而旋转机械设备内的机械结构也是故障率最高的机械结构之一,由轴承破裂等旋转机械故障引起的设备故障占比超过50%。
旋转机械设备的故障可能导致整条生产线停工,甚至给企业带来重大经济损失和人员伤亡,因此故障维护至关重要。
目前,对旋转机械设备的故障维护主要包括反应性维护、预防性维护以及预测与健康管理(Prognostics Health Management;PHM),但是反应性维护只在故障发生后进行检修,停机时间长,维护成本高,预防性维护采用定期检修的方式也容易带来很多不必的维护成本;而PHM在机器运行时判定设备的健康状态,停机时间相对较短,维护成本较低,但是传统的PHM采用嵌入式单片机与本地计算主机进行总线连接集中计算方式开展预测性维护,但是本地处理方式计算能力较差,降低了故障预测效果,且传统PHM采用监督式学习方法,需要故障数据才能进行训练,难以进行实际应用。
发明内容
本申请实施例提供一种故障预测方法、***、电子设备与可读存储介质,旨在通过边缘服务器与云计算中心的协作,提高故障预测的准确度和效率。
第一方面,本申请实施例提供一种旋转机械的数字孪生边缘计算故障预测方法,所述方法应用于边缘计算架构***,所述边缘计算架构***包括振动传感端节点、边缘服务器以及云计算中心,所述方法包括:
所述振动传感端节点采集旋转机械在工作过程中产生的待处理振动信号,并进行处理,得到待处理振动特征,并传输给与其相连的边缘服务器;
所述边缘服务器根据所述待处理振动特征,生成网络中间特征并预测所述旋转机械是否可能发生故障;在预测所述旋转机械为健康状态且置信度高的情况下提前退出故障预测,并将边缘服务器输出结果作为最终预测结果;在预测所述旋转机械可能发生故障或预测为健康状态但置信度不高的情况下,将所述网络中间特征上传给所述云计算中心;
所述云计算中心接收到所述网络中间特征,并根据所述网络中间特征,预测所述旋转机械是否可能发生故障,得到所述旋转机械是否可能发生故障的最终预测结果。
可选地,所述振动传感端节点采集旋转机械在工作过程中产生的待处理振动信号,并进行处理,得到待处理振动特征,包括:
构造阈值函数,将所述旋转机械的转速与信号采样频率的比值作为阈值函数的自变量,计算待处理振动信号的数据最大值与最小值的差值,并将函数值与所述差值的乘积作为异常点判定阈值;
任意获取待处理振动信号中的一个当前数据点以及其相邻的两个数据点,并分别计算当前数据点与两个相邻数据点的差值的绝对值;
若当前数据点与两个相邻数据点的差值的绝对值都大于所述异常点判定阈值,且相邻两个数据点都大于或都小于当前数据点,确定当前数据点为异常点;
在当前数据为异常点的情况下,以相邻两个数据点的平均值代替当前数据点;
对剔除异常点后的待处理振动信号进行特征提取,得到待处理振动特征。
可选地,所述边缘服务器根据所述待处理振动特征,生成网络中间特征并预测所述旋转机械是否可能发生故障;在预测所述旋转机械为健康状态且置信度高的情况下提前退出故障预测,并将边缘服务器输出结果作为最终预测结果;在预测所述旋转机械可能发生故障或预测为健康状态但置信度不高的情况下,将所述网络中间特征上传给所述云计算中心,包括:
所述边缘服务器利用经过训练的低层鉴别器对所述待处理振动特征进行判断,得到所述网络中间特征以及所述旋转机械的第一检测值;
在所述第一检测值大于等于第一阈值的情况下,所述边缘服务器预测所述旋转机械可能发生故障,并将所述网络中间特征上传给所述云计算中心;
在所述第一检测值小于第一阈值的情况下,所述边缘服务器预测所述旋转机械未发生故障,初步确定为健康状态;
在确定所述旋转机械的状态为健康状态的情况下,若所述第一检测值小于退出点阈值,停止预测所述旋转机械是否可能发生故障,若所述第一检测值大于等于退出点阈值,则将所述网络中间特征上给所述云计算中心。
可选地,所述云计算中心接收到所述网络中间特征,并根据所述待处理振动特征,预测所述旋转机械是否可能发生故障,包括:
所述云计算中心利用经过训练的高层鉴别器对所述网络中间特征进行判断,得到所述旋转机械未发生故障的第二检测值;
在所述第二检测值大于等于第二阈值的情况下,所述云计算中心预测所述旋转机械可能发生故障;
在所述第二检测值小于第二阈值的情况下,所述云计算中心预测所述旋转机械未发生故障。
可选地,所述边缘服务器上部署有生成器和低层鉴别器,所述云计算中心上部署有高层鉴别器,所述低层鉴别器和所述高层鉴别器组成联合鉴别器,所述联合鉴别器和所述生成器组成生成式对抗网络;所述方法还包括:
所述振动传感端节点采集所述旋转机械在健康状态产生的健康振动信号,并进行处理,得到健康振动特征,并传输给与其相连的边缘服务器中的所述低层鉴别器;
所述生成器根据随机噪声生成虚拟样本;
所述云计算中心的所述高层鉴别器接收所述边缘服务器发送的所述健康振动特征的网络中间特征以及所述生成器根据随机噪声生成的样本;
所述生成器和所述联合鉴别器进行对抗学习,得到所述经过训练的低层鉴别器和所述经过训练的高层鉴别器。
可选地,所述生成式对抗网络的损失函数为:
其中,D1(·)表示所述低层鉴别器的输出,D2(·)表示所述联合鉴别器的输出;λ1和λ2为所述低层鉴别器和所述高层鉴别器各自的精度权重;
所述λ1与所述边缘服务器的计算精度成正相关;
所述λ2与所述云计算中心的计算精度成正相关。
第二方面,本申请实施例提供一种旋转机械的数字孪生边缘计算故障预测***,所述***包括所述振动传感端节点、边缘服务器以及所述云计算中心;
所述振动传感端节点,用于采集旋转机械在工作过程中产生的待处理振动信号,并进行处理,得到待处理振动特征,并传输给与其相连的边缘服务器;
所述边缘服务器,用于根据所述待处理振动特征,生成网络中间特征并预测所述旋转机械是否可能发生故障;在预测所述旋转机械为健康状态且置信度高的情况下提前退出故障预测,并将边缘服务器输出结果作为最终预测结果;在预测所述旋转机械可能发生故障或预测为健康状态但置信度不高的情况下,将所述网络中间特征上传给所述云计算中心;
所述云计算中心,用于接收到所述网络中间特征,并根据所述网络中间特征,预测所述旋转机械是否可能发生故障,得到所述旋转机械是否可能发生故障的最终预测结果。
可选地,所述边缘服务器部署在靠近所述振动传感端节点的位置。
第三方面,本申请实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现实施例第一方面所述的旋转机械的数字孪生边缘计算故障预测方法。
第四方面,本申请实施例提供一种非暂态计算机可读存储介质,存储有计算机程序,所述计算机程序由处理器控制时实现实施例第一方面所述的旋转机械的数字孪生边缘计算故障预测方法。
有益效果:
在旋转机械工作的过程中,振动传感端节点采集旋转机械在工作过程中的待处理振动信号,并且振动传感端节点对待处理振动信号进行处理以得到待处理振动特征,然后将到处理振动特征上传至边缘服务器进行预测;边缘服务器根据待处理振动特征预测旋转机械是否可能发生故障并生成网络中间特征,在边缘服务器预测到旋转机械为健康状态且置信度高的情况下,提前退出故障预测,并将边缘服务器输出结果作为最终预测结果;在边缘服务器预测到旋转机械可能发生故障或者预测到旋转机械为健康状态但是置信度不高的情况下,将网络中间特征上传给云计算中心继续进行计算,云计算中心根据网络中间特征继续预测旋转机械是否可能发生故障,并得到旋转机械是否可能发生故障的最终预测结果。
在本方法中,边缘服务器进行初步预测后,预测到旋转机械可能发生故障或者预测到旋转机械为健康状态但是置信度不高的情况下,将网络中间特征上传至云计算中心继续进行预测,并得到最终的预测结果,从而能够提高故障预测能力、增强故障预测的效果;同时,待处理振动信号由振动传感端节点进行预处理,可以减少边缘服务器的计算压力,而通过边缘服务器进行初步预测后,将可能出现故障的待处理振动特征的网络中间特征再上传至云计算中心进行预测,从而能够缓解云计算中心的计算压力,并减少数据传输,在保证预测效率的同时,还能提高故障预测的准确度。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例的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性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实施例提出的故障预测方法的步骤流程图;
图2是本申请一实施例提出的故障预测方法的步骤流程图;
图3是本申请一实施例提出的二维特征图的示意图;
图4是本申请一实施例提出的故障预测方法的步骤流程图;
图5是本申请一实施例提出的故障预测方法的步骤流程图;
图6是本申请一实施例提出的WAGN的鉴别器网络模型的示意图;
图7是本申请一实施例提出的故障预测***的功能模块图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
实施例一
参照图1,图1示出了本发明实施例中的一种旋转机械的数字孪生边缘计算故障预测方法的步骤流程图,本方法应用于边缘计算架构***,所述边缘计算架构***包括振动传感端节点、边缘服务器以及云计算中心,所述方法具体可以包括以下步骤:
S101、所述振动传感端节点采集旋转机械在工作过程中产生的待处理振动信号,并进行处理,得到待处理振动特征,并传输给与其相连的边缘服务器。
旋转机械具体指的是指预测性维护边缘计算***中需要进行故障监测的机械设备对象,特指齿轮箱、轴承等旋转机械零件,以及内部含有旋转机械零件的汽轮机、燃气轮机和泵等大型集成旋转机械。齿轮是机械动力传递的重要零件,承受疲劳应力,随着工作的持续容易引发齿跟裂纹和轮齿剥落等故障,影响整个机械***的正常工作;轴承是旋转机械重要结构支撑零件,也是最易损坏的机械零件之一。
虽然本预测方法可以应用在大型集成旋转机械上,但是为了减少零件之间的串扰,提高故障预测精度,同时对故障部位进行更精确的定位,通常对单个齿轮或轴承的振动进行监测。
振动传感端节点包括传感节点与处理节点,传感节点用于检测旋转机械的待处理振动信号,在实际应用中,传感节点可以采用振动速度传感器将振动速度传感器安装在转子台基座上,以采集旋转机械的待处理振动信号,传感节点还可以包括旋转编码器,旋转编码器用于检测旋转机械的转速,旋转编码器可以选用欧姆龙E6H-CWZ6C增量编码器。
振动传感端节点的处理节点可以包括本地嵌入式处理单元,示例地,本地嵌入式处理单元可以选用CompactRIO***及调理I/O模块,型号分别为cRIO-9042和NI-9215,内部包含处理器和用户可编程FPGA的控制器,并提供了紧密集成的Labview软件链。
本地嵌入式处理单元对采集到的旋转机械在工作过程中产生的待处理振动信号进行处理,将待处理振动信号处理成待处理振动特征,并传输给与其相连的边缘服务器;由于振动传感端节点位于待处理振动信号数据源的前端,由振动传感端节点将待处理振动信号处理成待处理振动特征,进而边缘服务器仅需要对振动传感端节点发送的待处理振动特征进行进一步处理,能够在一定程度上分担边缘服务器的计算压力;将待处理振动信号处理为待处理振动特征后再上传至边缘服务器,还能够减小数据通讯传输量。
处理单元将待处理振动信号处理为待处理振动特征,其中待处理振动特征可以是边缘服务器可以接收的数据格式,将待处理振动信号处理为待处理振动特征也可以保证网络输入数据格式的统一。
在本实施例的一种实施方法中,在采集旋转机械的待处理振动信号时,设X轴与Y轴为机械旋转平面内两个相互垂直的方向轴,Z轴为垂直与旋转机械旋转平面的方向轴,Z轴的方向与旋转机械的旋转轴方向一致,在待处理的振动信号时,采集的振动方向的选择优先级从大到小排列为X轴、Y轴和Z轴;也就是说,如果只采集一个方向的振动,则采集X方向,若只采集两个方向的振动,则采集X和Y方向,当然可以同时采集X、Y以及Z方向的待处理振动信号。
S102、所述边缘服务器根据所述待处理振动特征,生成网络中间特征并预测所述旋转机械是否可能发生故障;在预测所述旋转机械为健康状态且置信度高的情况下提前退出故障预测,并将边缘服务器输出结果作为最终预测结果;在预测所述旋转机械可能发生故障或预测为健康状态但置信度不高的情况下,将所述网络中间特征上传给所述云计算中心。
在本实施例中,边缘服务器可以选用迷你主机,硬件环境为Intel Core i7-10700T [email protected]处理器,12GB内存,在其他实施方式中,还可以选用其他适用预测旋转机械的故障的硬件环境;
在安装边缘服务器时,边缘服务器可以部署在靠近振动传感端节点,缩短边缘服务器与振动传感端节点的物理距离,在一定程度上能够提高数据通讯的传输速度,提高故障预测的效率。
边缘服务器接收到待处理振动特征后,根据处理振动特征预测旋转机械是否可能发生故障;若预测到旋转机械可能发生故障时,将边缘服务器生成的网络中间特征上传给云计算中心,由于云计算中心的计算能力更加强大,能够对待处理振动特征在再次进行预测,得到更加精确的预测结果。
若边缘服务器预测到旋转机械为健康状态且置信度高的情况下提前退出故障预测,并将边缘服务器输出结果作为最终预测结果,也就是说,预测到旋转机械为健康状态且置信度高时,可以不用再由云计算中心进行预测,能够减少云计算中心的计算压力;当然,在预测到旋转机械为健康状态但置信度不高的情况下,对部分边缘服务器预测置信度不高的网络中间特征继续上传至云计算中心进行计算精度更高的预测,减少边缘服务器的预算结果存在误差的可能性。
S103、所述云计算中心接收到所述网络中间特征,并根据所述网络中间特征,预测所述旋转机械是否可能发生故障,得到所述旋转机械是否可能发生故障的最终预测结果。
在本实施例中,云计算中心可以选用高性能工作站或服务器,硬件环境为IntelXeon Gold [email protected],128G内存、NVIDIA RTX3090显卡,当然可以根据预测需求使用硬件环境,本实施例不做限制。
相比于边缘服务器,云计算中心具有更强的计算能力,在边缘服务器预测到旋转机械可能发生故障时,或者边缘服务器对旋转机械的预测的健康状态的置信度不高时,将网络中间特征上传至云计算中心,继续由云计算中心进行更精细的计算,从而得到更加准确的最终预测结果。
云计算中心接收的是来自边缘服务器的经过计算生成的网络中间特征,云计算中心可以基于网络中间特征继续进行计算与判断以得到更加准确的预测结果,不需要从待处理的振动特征从头开始计算,从而可以减少云计算中心的计算时间与压力。
为了便于向用户直观地显示最终预测结果,边缘服务器与云计算中心可以与人机交互平台,例如PC端进行通讯,通过人机交互平台显示最终的预测结果,若最终的预测结果为旋转机械可能发生了故障,则可以对旋转机械进行及时地维修,能够在一定程度上延长旋转机械的使用时间,与相关技术中停机进行维修的方法相比,能够减少一定的维修成本。
在本方法中,边缘服务器进行初步预测后,预测到旋转机械可能发生故障时,将网络中间特征上传至云计算中心继续进行预测,并得到最终的预测结果,从而能够提高故障预测能力、增强故障预测的效果,同时,待处理振动信号由振动传感端节点进行预处理,可以减少边缘服务器的计算压力,而通过边缘服务器进行初步预测后,将可能出现故障的待处理振动特征的网络中间特征再上传至云计算中心进行预测,从而能够缓解云计算中心的计算压力,并减少数据传输,在保证预测效率的同时,还能提高故障预测的准确度。
参照图2,在一种可行的实施方式中,S101具体可以包括以下子步骤:
S1011、构造阈值函数,将所述旋转机械的转速与信号采样频率的比值作为阈值函数的自变量,计算待处理振动信号的数据最大值与最小值的差值,并将函数值与所述差值的乘积作为异常点判定阈值。
具体地,构建阈值函数g(·),将旋转机械的转速n与信号采样的频率fs的比值作为该函数自变量,其中,旋转机械的转速n由旋转编码器测得;本实施方式中,阈值函数g(·)取分段线性函数,具体公式如下:
然后,将函数g(·)的函数值与当前待处理振动信号序列中振动信号数据的最大值与最小值的差值相乘作为异常点判定阈值δ,具体表达式如下:
其中,xi为待处理振动信号序列,1≤i≤m,m为序列长度。
S1012、任意获取待处理振动信号中的一个当前数据点以及其相邻的两个数据点,并分别计算当前数据点与两个相邻数据点的差值的绝对值。
本步骤中,因为采集到的待处理振动信号序列中可能会有一些异常点,例如瞬间过大异常点,为了减少异常点对后期预测的干扰和影响,首先对于采集的待处理振动信号进行振动数据点筛选。
筛选时,选以m为序列长度的待处理振动信号序列,因为得有足够的振动信号数据点才可以进行筛选,因此m的值至少应该满足进行筛选时所需的最少个振动信号数据点的条件。
在m为序列长度的待处理振动信号序列中,任意获取一个当前数据点,以及其相邻的两个数据点,并分别计算出当前数据点与两个相邻数据点的差值的绝对值。
S1013、若当前数据点与两个相邻数据点的差值的绝对值都大于所述异常点判定阈值,且相邻两个数据点都大于或都小于当前数据点,确定当前数据点为异常点。
当前数据点与两个相邻数据点的差值的绝对值都大于所述异常点判定阈值,且相邻两个数据点都大于或都小于当前数据点,确定当前数据点为异常点;即寻找满足以下条件的整数集合A:
其中,集合A中的元素即为异常点的序列索引号。
S1014、在当前数据为异常点的情况下,以相邻两个数据点的平均值代替当前数据点。
本步骤中,在确定当前数据为异常点的情况下,计算相邻两个数据点的平均值,并以该平均值代替当前数据点,从而能够对待处理振动信号中的异常点进行剔除,能够减少异常点对后续预测结果产生的干扰。
S1015、对剔除异常点后的待处理振动信号进行特征提取,得到待处理振动特征。
本步骤中,对于进行异常点剔除后的待处理振动信号进行特征提取,以得到待处理振动特征,具体包括:
首先对待处理振动信号进行阶次跟踪角域重采样,阶次跟踪角域重采样可以归一化转动频率,根据旋转编码器测得旋转机械的实时转速,并对提出异常点后的待处理振动信号进行三次样条差值重采样,重采样的频率可以设置为每秒转速*200(Hz)。
通过阶次跟踪角域重采样可以使得待处理振动信号在每个旋转周期内都有相同的采样点数,避免了转速工况变化带来的信号长度变化,提高算法鲁棒性。
然后对重采样后的待处理振动信号进行特征提取。待处理振动信号是预测旋转机械的重要依据,但是由于旋转机械的故障信息往往隐藏在频域波形中,因此需要将待处理振动信号进行频域变换以提取待处理振动特征。
鉴于单纯采用采用FFT等的频域变换方法不适用于频率分量随时间变化的非平稳信号,因此为了将时域和频域信息结合起来,本实施例中采用小波变换将原始信号变换到时频域,形成待处理振动信号的二维特征图。
将待处理振动信号按1024个采样点分为等长段,然后进行32层Cgau8小波变换,得到1024*32的时频图,再进行尺度变换得到32*32的单通道振动二维特征图。
如图3,图3展示了25张处理形成的待处理振动信号二维特征图;在阶次跟踪的基础上进行小波变换特征提取,可充分挖掘隐藏在待处理振动信号中的时频特征,同时保证上传至边缘服务器数据大小格式的统一;在二维特征图中,横向表示时间,纵向表示频率,二维特征图中的深浅表示该时间及频率处的分量强度。
参照图4,结合以上实施例,在一种实施方式中,步骤S102具体包括以下子步骤:
S1021、所述边缘服务器利用经过训练的低层鉴别器对所述待处理振动特征进行判断,得到所述网络中间特征以及所述旋转机械的第一检测值。
本步骤中,边缘服务器中预先搭载有经过训练的低层鉴别器D1,低层鉴别器D1预先学过了旋转机械在健康状态下工作时的健康数据集,即旋转机械健康状态下的二维特征图。
待处理振动特征是振动传感端节点对旋转机械当前工作过程中的待处理振动信号处理而成,进而当边缘服务器接收到待处理振动特征,即当前的二维特征图时,学习过健康二维特征图的低层鉴别器D1对当前的二维特征图进行识别,并得到旋转机械的第一检测值,第一检测值为当前的二维特征图为健康二维图的概率,同时边缘服务器生成网络中间特征。
S1022、在所述第一检测值大于等于第一阈值的情况下,所述边缘服务器预测所述旋转机械可能发生故障,并将所述网络中间特征上传给所述云计算中心。
在本步骤中,第一阈值θ1可以是预先设置好的,第一阈值θ1为让健康数据集达到5%误判率时的输出值。
当第一检测值大于等于第一阈值θ1时,所述边缘服务器的预测结果为所述旋转机械可能发生故障,并将网络中间特征上传给云计算中心,由云计算中心进行进一步的计算预测。
S1023、在所述第一检测值小于第一阈值的情况下,所述边缘服务器预测所述旋转机械未发生故障,初步确定为健康状态。
在本步骤中,若第一检测值小于第一阈值θ1,则所述边缘服务器的预测结果为旋转机械为健康状态,但此时考虑到,在预测结果为可能发生故障与健康的临界值附近可能存在误判的情况。
因此可以在预测结果为健康状态的情况下,继续验证低层判别器的预测结果为健康状态时的置信度,若预测的健康状态的置信度高,若预测结果的置信度低,则认为当前旋转机械的也存在可能发生故障的可能性,为了提高预测的准确性,需要通过云计算中心进行进一步预测。
S1024、在确定所述旋转机械的状态为健康状态的情况下,若所述第一检测值小于退出点阈值,停止预测所述旋转机械是否可能发生故障,若所述第一检测值大于等于退出点阈值,则将所述网络中间特征上给所述云计算中心。
验证边缘服务器的预测结果为健康状态的置信度时,首先计算退出点阈值,本实施例中,退出点阈值等于第一阈值θ1与σ1的差值,σ1为训练状态下健康数据集在低层鉴别器D1上输出的标准差,σ1的表达式如下:
其中,xi为健康数据集中振动信号序列;N为训练状态下,低层鉴别器输出值的个数。
若第一检测值小于退出点阈值,即若第一检测值小于θ1-σ1时,则认为边缘服务器预测的旋转机械的健康状态的置信度高;若第一检测值大于等于θ1-σ1,则认为边缘服务器预测的旋转机械的健康状态的置信度较低,需要继续通过云计算中心再次进行计算。
本步骤中,在检测到旋转机械的状态为健康状态的情况下,即第一检测值小于第一阈值θ1,且预测结果置信度高时,则停止预测所述旋转机械是否可能发生故障,不需要云计算中心继续进行预测,将边缘服务器的预测结果作为最终的预测结果输出;仅在边缘服务器预测到可能存在故障,或者预测到旋转机械的健康状态的置信度较低时,将网络中间特征上传至云计算中心继续进行计算,进而加快了预测速度,可以减少云计算中心的计算压力,并且提高了故障预测的实时性。
参照图5,结合以上实施例,在一种实施方式中,步骤S103具体包括以下子步骤:
S1031、所述云计算中心利用经过训练的高层鉴别器对所述网络中间特征进行判断,得到所述旋转机械未发生故障的第二检测值。
本步骤中,云计算中心预先搭载有经过训练的高层鉴别器D2,高层鉴别器D2也预先训练了旋转机械在健康状态下工作时的健康数据集,即旋转机械健康状态下的二维特征图。
在边缘服务器的预测结果为旋转机械可能存在故障的情况下,以及在旋转机械为健康状态但是置信度不高的情况下,云计算中心接收边缘服务器上传的网络中间特征进行判断。
值得注意的是,由于云中云计算中心接收的是来自边缘服务器计算生成的网络中间特征,云计算中心可以基于中间特征继续进行计算与判断以得到更加准确的预测结果,从而能够减少云计算中心的计算时间与压力,由此可以知,高层鉴别器D2输出的值是低层鉴别器D1和高层鉴别器D2所组成的联合鉴别器输出,而不单纯指代高层鉴别器D2的输出。
S1032、在所述第二检测值大于等于第二阈值的情况下,所述云计算中心预测所述旋转机械可能发生故障。
本步骤中,在本步骤中,第二阈值θ2是预先设置好的,第二阈值θ2高层鉴别器D2让健康数据集达到5%误判率的输出值,由于训练学习过程中,搭载在云计算中心的高层鉴别器D2具有更强的计算能力,因此高层鉴别器D2让健康数据集达到5%误判率的输出值与低层鉴别器D1让健康数据集达到5%误判率的输出值并不一样,因此,第一阈值θ1和第二阈值θ2的值并不相等。
当高层鉴别器D2的第二检测值大于等于第二阈值时,所述云计算中心预测所述旋转机械可能发生故障,并通过人机交互中心显示最终预测结果。
S1033、在所述第二检测值小于第二阈值的情况下,所述云计算中心预测所述旋转机械未发生故障。
本步骤中,当高层鉴别器D2的第二检测值小于第二阈值时,所述云计算中心预测所述旋转机械未发生故障,并通过人机交互中心显示最终预测结果。
基于上述实施例,低层鉴别器D1和高层鉴别器D2预测结果的输出式可以表示为:
其中,xtest为待处理振动特征,D1(·)表示低层鉴别器的输出,D2(·)表示低层鉴别器和高层鉴别器所组成的联合鉴别器的输出。
当然,还需要对低层鉴别器D1输出结果的置信度进行验证,若D1(·)<θ1-σ1时,则提前退出预测,最终预测结果为健康;若D1(·)≥θ1-σ1时,则不提前退出预测,由云计算中心继续进行预测得到最终的预测结果。
在本实施例中,经过训练的低层鉴别器与高层鉴别器,是基于旋转机械的健康数据进行对抗训练出来的,因而在预测旋转机械的故障时,不需要依赖历史故障数据,就可以识别出旋转机械是否可能存在故障,并且预测的过程中,旋转机械不需要停机,因此故障维护成本较低。
结合上述实施例,在一种实施方式中,所述边缘服务器上部署有生成器和低层鉴别器的网络部分以及对应的全连接层分类器,所述云计算中心上部署有高层鉴别器的网络部分以及对应的深度回归层,所述低层鉴别器和所述高层鉴别器组成联合鉴别器,所述联合鉴别器和所述生成器组成生成式对抗网络;本方法还包括对低层鉴别器和高层鉴别器进行训练的方法,具体包括以下步骤:
201、所述振动传感端节点采集所述旋转机械在健康状态产生的健康振动信号,并进行处理,得到健康振动特征,并传输给与其相连的边缘服务器中的所述低层鉴别器。
本步骤中,振动传感端节点采集旋转机械在健康状态产生的健康振动信号,并进行处理,得到健康振动特征的过程中与得到待处理振动特征的过程一致,此处不再进行阐述。
健康振动信号的来源可以是旋转机械刚开始投入工作过程中的数据(通常认为旋转机械刚开始投入工作时处于健康状态),此处的健康振动特征也是二维特征图,将健康振动特征传输给边缘服务器上的低层鉴别器D1,低层鉴别器D1接收到健康振动特征后进行计算训练。
值得注意的是,本方法中,只需要采集旋转机械的健康数据,不需要依赖旋转机械的故障数据。
202、所述生成器根据随机噪声生成虚拟样本。
在训练过程中,生成器G接收一个随机的噪声z,通过这个噪声生成图片记作G(z),也就是所述的虚拟样本。
203、所述云计算中心的所述高层鉴别器接收所述边缘服务器发送的所述健康振动特征的网络中间特征以及所述生成器根据随机噪声生成的样本。
本步骤中,中间特征为边缘服务器基于健康振动特征云端计算得到的,云计算中心的高层鉴别器接收到中间特征和生成器生成的虚拟样本进行训练。
204、所述生成器和所述联合鉴别器进行对抗学习,得到所述经过训练的低层鉴别器和所述经过训练的高层鉴别器。
本步骤中,在联合鉴别器基于健康振动特征训练时,生成器会生成逼真的健康振动特征的虚拟样本,联合鉴别器需要判断输入的数据是健康振动特征组成的真实样本还是生成器生成的虚拟样本,而生成器则继续生成更加逼真的虚拟样本,以供联合鉴别器继续区分是真实样本还是虚拟样本,通过如此反复的对抗学习,得到所述经过训练的低层鉴别器和所述经过训练的高层鉴别器。
具体实施时,本方法采用生成式对抗网络WGAN,WGAN是一种自监督生成模型,训练时输入健康状态数据而无需故障数据,通过训练时学习到的健康数据特征,可在推理阶段辨别健康与故障数据,从而实现故障预测的目的,WGAN与相关的故障诊断算法相比具有更优的效果,相关技术中故障诊断算法包括CNN、DAE、GAN等。
但是CNN需要大量有标签数据,且需要尽量保持类别平衡才能实现较好性能;DAE虽然是自监督学习方式,但对偏离健康状态检测的灵敏度较低;GAN利用动态博弈的思想,具有更强生成能力,但训练过程中容易出现梯度消失、模式坍塌以及不稳定现象。
因此本方法采用GAN的改进模型WGAN,用Wasserstein距离代替Jensen-Shannon散度,WGAN从原理上克服了原始GAN的上述问题,保证了故障诊断训练过程的可靠性。
具体地,WGAN的损失函数如下:
D负责辨别输入数据是真实样本还是G生成的样本,而G则生成更逼真的,让D无法区分来源的样本。
参照图6,本方法中,将鉴别器D分为低层鉴别器D1和高层鉴别器D2,分别搭载到边缘服务器和云计算中心,进而WGAN的综合损失函数变为:
在训练阶段,边缘服务器实现了对低层鉴别器D1的低层网络的参数更新,同时对采集到的真实数据进行中间特征提取后才上传至云计算中心继续训练,大大减小了数据传输量,边云两端同时进行训练也加快了训练速度。
在训练阶段,云计算中心接收来自边缘服务器的生成样本以及真实样本的中间特征,对高层鉴别器D2的高层网络部分以及对应的深度回归层迭代训练,再对边缘服务器中的生成器G训练一次,从而实现生成器G和联合鉴别器的相互对抗学习,在模型中嵌入真实样本的高维流形特征,进而得到经过训练的低层鉴别器和高层鉴别器。
示例地,首先对联合鉴别器的低层鉴别器D1的低层网络部分训练迭代K次,每次迭代接收M个真实样本,同时采集来自生成器G的M个生成样本,对低层鉴别器D1的低层网络以及对应的全连接层组成的初级分类器进行训练;与此同时,将M个生成样本和低层鉴别器D1的低层网络输出中间特征上传至云计算中心;对高层鉴别器D2的高层网络部分以及对应的深度回归层迭代训练K次,再对边缘服务器中的生成器G训练一次,从而实现生成器G和联合鉴别器D的相互对抗学习。
训练过程中的损失函数包含在伪码中,训练过程中的伪码如下所示:
WGAN边缘计算训练过程:取T=2000,K=5,M=64,c=0.01,η=0.00005
输入:健康训练集P,对抗训练迭代次数T,每次鉴别器训练迭代次数K,小批量样本数量M,参数限制大小c,学习率η;
1、for t=1,...,T do
2、//训练联合鉴别器网络
3、for k=1,...,K do
4、从训练集P中采集M个样本:xi,1≤i≤M
5、从分布N(0,I)中采集M个样本:zi,1≤i≤M
9、end for
10、//训练生成网络G
11、从分布N(0,I)中采集M个样本zi,1≤i≤M
13、θ=θ+η·SGD(θ,gθ)
14、end for
结合上述实施例,所述生成式对抗网络的损失函数为:
其中,其中,D1(·)表示所述低层鉴别器的输出,D2(·)表示所述联合鉴别器的输出;λ1和λ2为所述低层鉴别器和所述高层鉴别器各自的精度权重;
所述λ1与所述边缘服务器的计算精度成正相关;
所述λ2与所述云计算中心的计算精度成正相关。
在边缘服务器的处理能力较强时,可以增大λ1的值,从而使得边缘服务器的计算精度提高,从而使得边缘服务器承担更多的计算预测任务,可以减少上传至云计算中心的计算,从而能够提高故障预测的时效性;当边缘服务器的处理能力较弱时,可以增大λ2的值,云计算中心的计算精度提高,可以将更多的计算由云计算中心承担,但是故障预测的时效性相对减弱。
综上所述,本方法至少具有以下效果:
1、通过靠近数据源的边缘服务器以及云计算中心,可以提高故障预测的计算能力,可以提高预测结果的准确性以及预测效率;
2、待处理振动信号在振动传感端节点进行预处理,生成待处理振动特征,进而可以减少边缘服务器的计算压力,边缘服务器只需要基于待处理振动特征进行计算即可;
3、通过边缘服务器进行初步预测后,仅将边缘服务器预测到可能存在故障,或者预测到旋转机械为健康状态但是置信度较低时的网络中间特征上传至云计算中心继续进行计算,进而加快了预测速度,可以减少云计算中心的计算压力,提高了故障预测的实时性。
4、需要云计算中心继续进行预测时,将边缘服务器基于待处理振动特征计算获得的网络中间特征上传至云计算中心,从而可以缓解云计算中心的计算压力,并减少数据传输;
5、在边缘服务器预测旋转机械为健康状态且置信度较高时,提前退出故障预测,减少云计算中心的计算压力;
6、基于生成式对抗网络,只需要学习旋转机械的健康数据,不需要依赖旋转机械的故障数据,以数字化方式创建旋转机械的健康数据模型,可评估实体的健康状况,实现故障预测。
实施例二
基于同一发明构思,图7示出的一种旋转机械的数字孪生边缘计算故障预测***的功能模块示意图,参照图7所示,所述故障预测***可以包括所述振动传感端节点、边缘服务器以及所述云计算中心;
所述振动传感端节点,用于采集旋转机械在工作过程中产生的待处理振动信号,并进行处理,得到待处理振动特征,并传输给与其相连的边缘服务器;
所述边缘服务器,用于根据所述待处理振动特征,生成网络中间特征并预测所述旋转机械是否可能发生故障;在预测所述旋转机械为健康状态且置信度高的情况下提前退出故障预测,并将边缘服务器输出结果作为最终预测结果;在预测所述旋转机械可能发生故障或预测为健康状态但置信度不高的情况下,将所述网络中间特征上传给所述云计算中心;
所述云计算中心,用于接收到所述网络中间特征,并根据所述网络中间特征,预测所述旋转机械是否可能发生故障,得到所述旋转机械是否可能发生故障的最终预测结果。
具体地,所述边缘服务器部署在靠近所述振动传感端节点的位置。
对于***实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
实施例三
基于同一发明构思,本申请实施例三提供一种电子设备,所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现实施例一提供的故障预测方法。
实施例四
基于同一发明构思,本申请实施例四提供一种非暂态计算机可读存储介质,存储有计算机程序,所述计算机程序由处理器控制时实现实施例一提供的故障预测方法。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例是参照根据本申请实施例的方法、终端设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做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申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种旋转机械的数字孪生边缘计算故障预测方法,其特征在于,所述方法应用于边缘计算架构***,所述边缘计算架构***包括振动传感端节点、边缘服务器以及云计算中心,所述方法包括:
所述振动传感端节点采集旋转机械在工作过程中产生的待处理振动信号,并进行处理,得到待处理振动特征,并传输给与其相连的边缘服务器;
所述边缘服务器根据所述待处理振动特征,生成网络中间特征并预测所述旋转机械是否可能发生故障;在预测所述旋转机械为健康状态且置信度高的情况下提前退出故障预测,并将边缘服务器输出结果作为最终预测结果;在预测所述旋转机械可能发生故障或预测为健康状态但置信度不高的情况下,将所述网络中间特征上传给所述云计算中心;
所述云计算中心接收到所述网络中间特征,并根据所述网络中间特征,预测所述旋转机械是否可能发生故障,得到所述旋转机械是否可能发生故障的最终预测结果。
2.根据权利要求1所述的故障预测方法,其特征在于,所述振动传感端节点采集旋转机械在工作过程中产生的待处理振动信号,并进行处理,得到待处理振动特征,包括:
构造阈值函数,将所述旋转机械的转速与信号采样频率的比值作为阈值函数的自变量,计算待处理振动信号的数据最大值与最小值的差值,并将函数值与所述差值的乘积作为异常点判定阈值;
任意获取待处理振动信号中的一个当前数据点以及其相邻的两个数据点,并分别计算当前数据点与两个相邻数据点的差值的绝对值;
若当前数据点与两个相邻数据点的差值的绝对值都大于所述异常点判定阈值,且相邻两个数据点都大于或都小于当前数据点,确定当前数据点为异常点;
在当前数据为异常点的情况下,以相邻两个数据点的平均值代替当前数据点;
对剔除异常点后的待处理振动信号进行特征提取,得到待处理振动特征。
3.根据权利要求1所述的故障预测方法,其特征在于,所述边缘服务器根据所述待处理振动特征,生成网络中间特征并预测所述旋转机械是否可能发生故障;在预测所述旋转机械为健康状态且置信度高的情况下提前退出故障预测,并将边缘服务器输出结果作为最终预测结果;在预测所述旋转机械可能发生故障或预测为健康状态但置信度不高的情况下,将所述网络中间特征上传给所述云计算中心,包括:
所述边缘服务器利用经过训练的低层鉴别器对所述待处理振动特征进行判断,得到所述网络中间特征以及所述旋转机械的第一检测值;
在所述第一检测值大于等于第一阈值的情况下,所述边缘服务器预测所述旋转机械可能发生故障,并将所述网络中间特征上传给所述云计算中心;
在所述第一检测值小于第一阈值的情况下,所述边缘服务器预测所述旋转机械未发生故障,初步确定为健康状态;
在确定所述旋转机械的状态为健康状态的情况下,若所述第一检测值小于退出点阈值,停止预测所述旋转机械是否可能发生故障,若所述第一检测值大于等于退出点阈值,则将所述网络中间特征上给所述云计算中心。
4.根据权利要求1所述的故障预测方法,其特征在于,所述云计算中心接收到所述网络中间特征,并根据所述待处理振动特征,预测所述旋转机械是否可能发生故障,包括:
所述云计算中心利用经过训练的高层鉴别器对所述网络中间特征进行判断,得到所述旋转机械未发生故障的第二检测值;
在所述第二检测值大于等于第二阈值的情况下,所述云计算中心预测所述旋转机械可能发生故障;
在所述第二检测值小于第二阈值的情况下,所述云计算中心预测所述旋转机械未发生故障。
5.根据权利要求1所述的故障预测方法,其特征在于,所述边缘服务器上部署有生成器和低层鉴别器,所述云计算中心上部署有高层鉴别器,所述低层鉴别器和所述高层鉴别器组成联合鉴别器,所述联合鉴别器和所述生成器组成生成式对抗网络;所述方法还包括:
所述振动传感端节点采集所述旋转机械在健康状态产生的健康振动信号,并进行处理,得到健康振动特征,并传输给与其相连的边缘服务器中的所述低层鉴别器;
所述生成器根据随机噪声生成虚拟样本;
所述云计算中心的所述高层鉴别器接收所述边缘服务器发送的所述健康振动特征的网络中间特征以及所述生成器根据随机噪声生成的样本;
所述生成器和所述联合鉴别器进行对抗学习,得到经过训练的低层鉴别器和经过训练的高层鉴别器。
7.一种旋转机械的数字孪生边缘计算故障预测***,其特征在于,所述***包括振动传感端节点、边缘服务器以及云计算中心;
所述振动传感端节点,用于采集旋转机械在工作过程中产生的待处理振动信号,并进行处理,得到待处理振动特征,并传输给与其相连的边缘服务器;
所述边缘服务器,用于根据所述待处理振动特征,生成网络中间特征并预测所述旋转机械是否可能发生故障;在预测所述旋转机械为健康状态且置信度高的情况下提前退出故障预测,并将边缘服务器输出结果作为最终预测结果;在预测所述旋转机械可能发生故障或预测为健康状态但置信度不高的情况下,将所述网络中间特征上传给所述云计算中心;
所述云计算中心,用于接收到所述网络中间特征,并根据所述网络中间特征,预测所述旋转机械是否可能发生故障,得到所述旋转机械是否可能发生故障的最终预测结果。
8.根据权利要求7所述的故障预测***,其特征在于,所述边缘服务器部署在靠近所述振动传感端节点的位置。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现权利要求1-6任一所述的旋转机械的数字孪生边缘计算故障预测方法。
10.一种非暂态计算机可读存储介质,其特征在于,存储有计算机程序,所述计算机程序由处理器控制时实现1-6任一所述的旋转机械的数字孪生边缘计算故障预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110849470.5A CN113742855B (zh) | 2021-07-27 | 2021-07-27 | 一种故障预测方法、***、电子设备与可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110849470.5A CN113742855B (zh) | 2021-07-27 | 2021-07-27 | 一种故障预测方法、***、电子设备与可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113742855A CN113742855A (zh) | 2021-12-03 |
CN113742855B true CN113742855B (zh) | 2022-03-18 |
Family
ID=78729160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110849470.5A Active CN113742855B (zh) | 2021-07-27 | 2021-07-27 | 一种故障预测方法、***、电子设备与可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113742855B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114216640A (zh) * | 2022-02-21 | 2022-03-22 | 蘑菇物联技术(深圳)有限公司 | 用于检测工业设备故障状态的方法、设备和介质 |
CN114323644B (zh) * | 2022-03-14 | 2022-06-03 | 中国长江三峡集团有限公司 | 一种齿轮箱故障诊断、信号采集方法、装置和电子设备 |
CN116907846A (zh) * | 2023-07-15 | 2023-10-20 | 哈尔滨工程大学 | 燃气轮机轴承故障预测*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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*** |
CN110530507A (zh) * | 2019-08-29 | 2019-12-03 | 郑州大学 | 用于旋转设备监测的边缘计算方法、介质及*** |
CN111830408A (zh) * | 2020-06-23 | 2020-10-27 | 朗斯顿科技(北京)有限公司 | 一种基于边缘计算和深度学习的电机故障诊断***及方法 |
CN111857065A (zh) * | 2020-06-08 | 2020-10-30 | 北京邮电大学 | 基于边缘计算和数字孪生的智能生产***和方法 |
CN112541563A (zh) * | 2020-09-30 | 2021-03-23 | 国电龙源电力技术工程有限责任公司 | 基于边缘计算技术的旋转设备振动预测管理*** |
CN113076834A (zh) * | 2021-03-25 | 2021-07-06 | 华中科技大学 | 旋转机械故障信息处理方法、处理***、处理终端、介质 |
-
2021
- 2021-07-27 CN CN202110849470.5A patent/CN113742855B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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*** |
CN110530507A (zh) * | 2019-08-29 | 2019-12-03 | 郑州大学 | 用于旋转设备监测的边缘计算方法、介质及*** |
CN111857065A (zh) * | 2020-06-08 | 2020-10-30 | 北京邮电大学 | 基于边缘计算和数字孪生的智能生产***和方法 |
CN111830408A (zh) * | 2020-06-23 | 2020-10-27 | 朗斯顿科技(北京)有限公司 | 一种基于边缘计算和深度学习的电机故障诊断***及方法 |
CN112541563A (zh) * | 2020-09-30 | 2021-03-23 | 国电龙源电力技术工程有限责任公司 | 基于边缘计算技术的旋转设备振动预测管理*** |
CN113076834A (zh) * | 2021-03-25 | 2021-07-06 | 华中科技大学 | 旋转机械故障信息处理方法、处理***、处理终端、介质 |
Non-Patent Citations (2)
Title |
---|
"A Multisensory Edge-Cloud Platform for Opportunistic Radio Sensing in Cobot Environments";Sanaz Kianoush.etc;《IEEE INTERNET OF THINGS JOURNAL》;20210115;全文 * |
"非侵入式负荷识别边缘计算颜色编码研究";陈军锋等;《仪器仪表学报》;20200930;第41卷(第9期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113742855A (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113742855B (zh) | 一种故障预测方法、***、电子设备与可读存储介质 | |
US10725439B2 (en) | Apparatus and method for monitoring a device having a movable part | |
CN113589163B (zh) | 使用机器学习进行的感应电机状况监视 | |
Safiyullah et al. | Prediction on performance degradation and maintenance of centrifugal gas compressors using genetic programming | |
JP2019128704A (ja) | 設備状態監視装置および設備状態監視方法 | |
WO2016137849A2 (en) | Fault detection in rotor driven equipment using rotational invariant transform of sub-sampled 3-axis vibrational data | |
JP6456580B1 (ja) | 異常検知装置、異常検知方法及び異常検知プログラム | |
CN104350435A (zh) | Plc平台上用于设备状态监控、诊断以及时间-故障/服务预测的嵌置预报 | |
CN112487910A (zh) | 核电汽轮机***故障预警方法及*** | |
JP6989398B2 (ja) | 故障診断装置、故障診断方法、および故障診断プログラム | |
JP6966803B2 (ja) | モニタリング対象機器の異常発生予兆検知方法及びシステム | |
US11740122B2 (en) | Autonomous discrimination of operation vibration signals | |
US20190332102A1 (en) | Machine health monitoring of rotating machinery | |
CN114216640A (zh) | 用于检测工业设备故障状态的方法、设备和介质 | |
CN112162543B (zh) | 一种基于数字孪生的叶片转子试验台预测性维修方法及*** | |
US11306705B2 (en) | System and method for monitoring a device | |
Mohammadi et al. | DeepWind: an accurate wind turbine condition monitoring framework via deep learning on embedded platforms | |
Xu et al. | Multi-attention-based Feature Aggregation Convolutional Networks with Dual Focal Loss for Fault Diagnosis of Rotating Machinery Under Data Imbalance Conditions | |
US20230297854A1 (en) | Learning apparatus, learning method, and failure prediction system | |
Al Tobi et al. | Experimental set-up for investigation of fault diagnosis of a centrifugal pump | |
CN116499742A (zh) | 一种基于集成学习的旋转机械故障监测方法 | |
JP2023179851A (ja) | 装置状態評価システムおよび装置状態評価方法 | |
JP2023021514A (ja) | 装置診断システムおよび装置診断方法 | |
Waters et al. | Vibration Anomaly Detection using Deep Autoencoders for Smart Factory | |
Verma et al. | Development of an AI-based FSA for real-time condition monitoring for industrial machine |
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 |