CN114139570A - 一种基于主动学习的分布式检测*** - Google Patents
一种基于主动学习的分布式检测*** Download PDFInfo
- Publication number
- CN114139570A CN114139570A CN202111262486.2A CN202111262486A CN114139570A CN 114139570 A CN114139570 A CN 114139570A CN 202111262486 A CN202111262486 A CN 202111262486A CN 114139570 A CN114139570 A CN 114139570A
- Authority
- CN
- China
- Prior art keywords
- data
- active learning
- signal
- time sequence
- computing server
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 32
- 238000002372 labelling Methods 0.000 claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 230000004927 fusion Effects 0.000 claims description 55
- 238000004519 manufacturing process Methods 0.000 claims description 31
- 238000001228 spectrum Methods 0.000 claims description 30
- 238000013145 classification model Methods 0.000 claims description 28
- 230000009466 transformation Effects 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 23
- 238000005070 sampling Methods 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000000034 method Methods 0.000 description 14
- 230000005856 abnormality Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000007781 pre-processing Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 230000008602 contraction Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
- G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种基于主动学习的分布式检测***，包括分布式传感器集群、边缘计算服务器集群、核心计算服务器集群和主动学习服务器；分布式传感器集群用于对工业现场进行信号采集，为***提供各类原始数据；边缘计算服务器集群用于对各类信号进行融合，并对融合信号进行特征提取，对***进行边缘计算；核心计算服务器集群用于对有标签的数据同步进行故障预测和异常分类；主动学习服务器用于对未标记数据进行机器标注。通过实施本发明实施例能够高效且准确地实现对工业现场的故障预测和异常监测及分类。
Description
技术领域
本发明涉及故障预测技术领域，尤其涉及一种基于主动学习的分布式检测***。
背景技术
在现实生产过程中环境通常较为复杂，复杂的***和环境要求我们对***进行良好的控制，某一环节故障或者异常会对整个***造成严重的影响。因此对生产过程***进行故障预测和异常监测很有必要，同时还要对异常情况进行分类以便根据分类结果进行异常处理。传统的做法主要靠人工来对***进行异常监测，对于大型复杂的非线性***，人工的经验性判断难以对***进行高效和准确的监测，无法实现对***的故障预测和异常监测及分类，容易造成不必要的生产运行故障或者财产损失。
发明内容
本发明提供一种基于主动学习的分布式检测***、***、电子设备及存储介质，用以解决上述技术问题，能够高效且准确地实现对工业现场的故障预测和异常监测及分类。
本发明提供一种基于主动学习的分布式检测***，包括分布式传感器集群、边缘计算服务器集群、核心计算服务器集群和主动学习服务器；
所述分布式传感器集群，用于采集工业现场中产生的基础数据，并将所述基础数据发送至所述边缘计算服务器集群；
所述边缘计算服务器集群，用于利用预设的信号加密算法对接收到的基础数据进行小波变换，继而利用预设的信号解密算法进行小波反变换得到的融合时序数据并输出；
所述核心计算服务器集群，用于将带有标注的融合时序数据输入至训练好的故障预测模型输出得到故障预测结果，同时，将带有标注的融合时序数据输入至训练好的异常分类模型输出得到异常分类结果；
所述主动学习服务器，用于基于所述故障预测模型和所述异常分类模型的训练情况对所述融合时序数据进行数据标注。
在一个实施例中，所述基础数据包括分别设置于生产车间、生产设备和生产零部件上的所有传感器采集到的信号数据。
在一个实施例中，所述分布式传感器集群基于香农定理确定各个传感器的采样频率和采用周期，以使各个传感器根据确定的采样频率和采用周期进行信号采集。
在一个实施例中，所述边缘计算服务器集群包括：
数据融合模块，用于将所述基础数据进行信息融合得到融合信号数据；
信号变换模块，用于利用预设的信号加密算法对所述融合信号数据进行小波变换得到信号的幅度谱和相位谱，采用蒙特卡洛随机算法对所述幅度谱进行平均划分得到新幅度谱，再将所述相位谱和所述新幅度谱进行元素积操作得到新频域信号；
信号反变换模块，用于利用预设的信号解密算法对所述新频域信号进行小波反变换得到所述融合时序数据并输出。
在一个实施例中，所述核心计算服务器集群包括：
故障预测模块，用于将带有标注的融合时序数据输入至训练好的故障预测模型进行自回归预测，得到所述故障预测模型输出的故障预测结果；
异常分类模块，用于将带有标注的融合时序数据转化为图像，继而将所述图像输入至训练好的异常分类模型进行分类，得到所述异常分类模型输出的异常分类结果。
在一个实施例中，所述核心计算服务器集群还包括：
第一模型训练模块，用于根据预先获取的第一样本数据以及与所述第一样本数据对应的故障监测结果对所述故障预测模型进行训练得到训练好的故障预测模型；
第二模型训练模型，用于根据预先获取的第二样本数据以及与所述第二样本数据对应的异常监测结果对所述异常分类模型进行训练得到训练好的异常分类模型。
在一个实施例中，所述主动学习服务器包括：
相关性运算模块，用于基于所述故障预测模型和所述异常分类模型的训练情况进行相关性运算，得到相关性评估结果；
数据标注模块，用于根据所述相关性评估结果对所述融合时序数据进行数据标注。
在一个实施例中，所述主动学习服务器还包括标注校正模块，用于根据获取到的人工校正指令对所述融合时序数据的标注进行校正。
在一个实施例中，所述信号数据包括所述生产车间的环境数据、所述生产设备的运行数据和所述生产零部件的感应数据。
在一个实施例中，所述异常分类模型为采用基于注意力机制的异常分类模型。
本发明提供的基于主动学习的分布式检测***，通过分布式传感器集群对工业现场进行信号采集，为***提供各类原始数据；通过边缘计算服务器集群对各类信号进行融合，并对融合信号进行特征提取，对***进行边缘计算；通过核心计算服务器集群对有标签的数据同步进行故障预测和异常分类；通过主动学习服务器对未标记数据进行机器标注；从而本发明实施例能够高效且准确地实现对工业现场的故障预测和异常监测及分类。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于主动学习的分布式检测***的结构示意图；
图2是本发明实施例提供的边缘计算服务器集群的信号预处理过程示意图；
图3是本发明实施例提供的故障预测和异常分类的过程示意图；
图4是本发明实施例提供的边缘计算服务器集群进行信号预处理的流程示意图；
图5是本发明实施例提供的故障预测和异常分类的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
如图1所示，本发明实施例提供一种基于主动学习的分布式检测***，包括分布式传感器集群、边缘计算服务器集群、核心计算服务器集群和主动学习服务器；
所述分布式传感器集群，用于采集工业现场中产生的基础数据，并将所述基础数据发送至所述边缘计算服务器集群；
所述边缘计算服务器集群，用于利用预设的信号加密算法对接收到的基础数据进行小波变换，继而利用预设的信号解密算法进行小波反变换得到的融合时序数据并输出；
所述核心计算服务器集群，用于将带有标注的融合时序数据输入至训练好的故障预测模型输出得到故障预测结果，同时，将带有标注的融合时序数据输入至训练好的异常分类模型输出得到异常分类结果；
所述主动学习服务器，用于基于所述故障预测模型和所述异常分类模型的训练情况对所述融合时序数据进行数据标注。
需要说明的是，本发明实施例采用了基于主动学习的分布式检测技术：采用多类传感器采集生产过程数据，通过边缘计算服务器集群处理融合数据，生成多类信号数据，采用核心计算服务器集群对多类有标签数据进行故障预测和异常分类，与此同时，主动学习服务器对原始数据进行机器标注和人工校正，减少标注数据所需的人力和物力成本，同时，精准的标签使***的故障预测能力以及异常分类能力得到有效提升。
本发明实施例通过传感器技术、深度学习技术、边缘计算技术、主动学习技术，实现了基于主动学习的分布式检测***，传感器为***提供信号采集能力，边缘计算为***提供信号融合和数据预处理能力，主动学习技术为***数据标注的便利，保证***获取准确标签的同时，减少人力和计算资源的浪费，不断提升其故障预测和异常分类能力。
在一个实施例中，所述基础数据包括分别设置于生产车间、生产设备和生产零部件上的所有传感器采集到的信号数据。进一步地，在所述信号数据包括所述生产车间的环境数据、所述生产设备的运行数据和所述生产零部件的感应数据。
需要说明的是，所述分布式传感器集群，被配置为：接收***中产生的各类不一样的信号，包括压力、温度、湿度、光照、生产节拍、每一节点的运行数据等信号，针对以上信号数据，传感器对其进行全方位的采样，针对不一样的位置不一样的运行状况，采取不一样的采样周期，以获取全面的数据。将采样获取的数据送到边缘计算服务器集群中。
在一个实施例中，所述分布式传感器集群基于香农定理确定各个传感器的采样频率和采用周期，以使各个传感器根据确定的采样频率和采用周期进行信号采集。
需要说明的是，***中产生的各类不一样的信号包括生产车间、生产设备和生产零部件上的全部信号，包括声光电等物理信号，各类不一样形式的信号，正常工作状态和停工状态以及异常发生状况下的信号都进行采集。进一步地，该环节根据香农定理确定采样频率和周期，以更好地获取信号数据。
本发明实施例提供的基于主动学习的分布式检测***，通过传感器获取工业现场的各类信号，从而能够更全面更准确地对生产***进行故障预测和异常监测及分类。
在一个实施例中，所述边缘计算服务器集群包括：
数据融合模块，用于将所述基础数据进行信息融合得到融合信号数据；
信号变换模块，用于利用预设的信号加密算法对所述融合信号数据进行小波变换得到信号的幅度谱和相位谱，采用蒙特卡洛随机算法对所述幅度谱进行平均划分得到新幅度谱，再将所述相位谱和所述新幅度谱进行元素积操作得到新频域信号；
信号反变换模块，用于利用预设的信号解密算法对所述新频域信号进行小波反变换得到所述融合时序数据并输出。
在本发明实施例中，所述边缘计算服务器集群，被配置为：接收分布式传感器集群采样得到的各类信号，对各类信号进行信息融合，得到融合后的信号。利用边缘计算技术对融合后的信号进行边缘计算分析，通过信号加密算法对信号进行小波变换将信号进行转换，提取特征以后，再利用信号解密算法对信号进行小波反变换将信号转化回来，得到处理后的信号，输入到核心计算服务器集群。
需要说明的是，该边缘计算服务器集群可以包括两台边缘计算服务器，和加密-解密程序。第一台边缘计算服务器(包括信号变换模块)主要为实现信号加密算法，第二台边缘计算服务器(包括信号反变换模块)主要为实现信号解密算法，通过加密与解密过程，获取信号的时域和频域特征。
具体地，关于加密-解密过程的主要步骤可以包括：
(1)将原始传感器集群采样得到的各种类型的原始信号输入边缘计算服务器集群，进行信号预处理；
(2)将各类信号进行信息融合，得到融合后的信号；
(3)边缘计算服务器1对原始信号采用信号加密程序，通过小波变换得到信号的幅度谱和相位谱；
(4)对步骤(3)得到的幅度谱采用蒙特卡洛随机算法对其进行平均划分，得到一系列长度相等的新幅度谱；
(5)对步骤(3)中得到的相位谱和步骤(4)中得到的新幅度谱进行元素积操作，得到新的频域信号；
(6)对步骤(5)中得到的新的频域信号，通过边缘计算服务器2中的信号解密程序，进行小波反变换，得到处理好的时序信号；
(7)对步骤(6)中得到的处理好的时序信号，输入核心计算服务器集群进行故障诊断和异常分类。
本发明实施例提供的基于主动学习的分布式检测***，通过边缘计算技术对融合信号进行特征提取，从而有助于更准确地实现***的故障预测和异常监测及分类。
在一个实施例中，所述核心计算服务器集群包括：
故障预测模块，用于将带有标注的融合时序数据输入至训练好的故障预测模型进行自回归预测，得到所述故障预测模型输出的故障预测结果；
异常分类模块，用于将带有标注的融合时序数据转化为图像，继而将所述图像输入至训练好的异常分类模型进行分类，得到所述异常分类模型输出的异常分类结果。进一步地，所述异常分类模型为采用基于注意力机制的异常分类模型。
在本发明实施例中，所述的核心计算服务器集群，被配置为：接收边缘计算服务器集群处理好的信号，对有标签的数据进行进一步的特征提取，先对故障预测模型和异常分类模型进行训练。模型训练好之后，在故障预测程序中对该时序数据进行自回归，得到未来的故障预测情况；在异常分类程序中，先对二维时序信号随机分段转化为图像，之后对图像进行异常检测与分类。
需要说明的是，该核心计算服务器集群可以包括三台核心计算服务器，和时序-图像转化程序、故障预测程序以及异常分类程序。第一台核心计算服务器主要为执行时序-图像转化程序，第二台核心计算服务器主要为执行故障预测程序，第三台核心计算服务器主要为执行异常分类程序，对***进行故障预测及异常分类。在其他实施例中，核心计算服务器集群也可以包括两台核心计算服务器，一台用于实现故障预测模块的功能，一台用于实现异常分类模块的功能。
具体地，故障预测和异常分类的过程的主要步骤可以包括：
(1)将边缘计算服务器集群处理得到的时序信号输入核心计算服务器集群，进行故障诊断和异常分类；
(2)核心计算服务器1采用时序-图像转化程序对时序数据转化为图像；
(3)对步骤(2)中得到的图像输入核心计算服务器3中，采用异常分类程序对图像进行分类；
(4)对步骤(1)中的时序数据输入至核心计算服务器2中进行自回归预测，实现故障预测。
在一个实施例中，所述核心计算服务器集群还包括：
第一模型训练模块，用于根据预先获取的第一样本数据以及与所述第一样本数据对应的故障监测结果对所述故障预测模型进行训练得到训练好的故障预测模型；
第二模型训练模型，用于根据预先获取的第二样本数据以及与所述第二样本数据对应的异常监测结果对所述异常分类模型进行训练得到训练好的异常分类模型。
需要说明的是，所述核心计算服务器集群在进行故障预测及异常分类之前，需要根据样本数据以及样本数据的实际监测结果对相应的模型进行训练。
在一个实施例中，所述主动学习服务器包括：
相关性运算模块，用于基于所述故障预测模型和所述异常分类模型的训练情况进行相关性运算，得到相关性评估结果；
数据标注模块，用于根据所述相关性评估结果对所述融合时序数据进行数据标注。
在一个实施例中，所述主动学习服务器还包括标注校正模块，用于根据获取到的人工校正指令对所述融合时序数据的标注进行校正。
在本发明实施例中，所述主动学习服务器，被配置为：接收边缘计算服务器处理好的信号，根据第一轮训练情况进行相关性评估，对未标注样本进行机器标注和人工校准，从而减少标注数据所需的人力和物力成本的同时，通过精准的标签使得***的故障预测能力以及异常分类能力得到提升。
具体地，主动学习过程的主要步骤可以包括：
(1)根据核心计算服务器集群得到的结果，进行相关性运算；
(2)根据相关性运算结果对边缘计算服务器集群得到的融合信号利用主动学习程序进行数据标注；
(3)对数据标注结果进行人工校正，获取高质量标注数据。
本发明实施例提供的基于主动学习的分布式检测***，通过采用主动学习技术对边缘计算服务器集群得到的融合信号进行机器标注以及人工校正，获取得到准确的标注数据，从而有效提高了故障预测和异常监测及分类的准确性。
基于上述方案，为便于更好的理解本发明实施例提供的基于主动学习的分布式检测***，以下列举具体实例进行详细说明：
如图1所示，本发明实施例提供的基于边缘计算和连续学习的制造过程异常检测***示意图，其中包括：分布式传感器集群、边缘计算服务器集群、核心计算服务器集群、主动学习服务器。首先传感器集群对工业现场进行信号采集，为***提供各类原始数据；之后边缘计算服务器集群对各类信号进行融合，对融合信号进行特征提取，对***进行边缘计算；核心计算服务器集群对***进行核心计算，对有标签的数据同步进行故障预测和异常分类；主动学习服务器对未标记数据进行机器标注和人工修复。
如图2所示为本发明实施例提供的边缘计算服务器集群进行信号预处理过程示意图，其中包括：两台边缘计算服务器、加密-解密算法。对信号进行特征融合以及时域-频域-时域转化以提取更深层次的信息。
如图3所示为本发明实施例提供的故障预测和异常分类过程示意图，其中包括：三台核心计算服务器、一台主动学习服务器、故障预测程序、异常分类程序、主动学习程序等。三台核心计算服务器和一台主动学习服务器为***提供计算能力；利用故障预测程序对时序数据进行故障预测；利用异常分类程序对***中出现的故障进行分类识别；利用主动学习程序为***提供准确的标注信息。
如图4所示为本发明实施例提供的边缘计算服务器集群信号预处理过程流程图，主要步骤可以包括：
步骤401：将原始传感器集群采样得到的各种类型的原始信号输入边缘计算服务器集群，进行信号预处理，例如T时间内，输入二维信号(二维信号的矩阵形式：X＝(x1,...,xN)T∈RN×T,N＝m×n)，输入边缘计算服务器集群，进行数据加工；
步骤402：将各类信号进行信息融合，得到融合后的信号；
步骤403：边缘计算服务器1对原始信号采用信号加密程序，通过小波变换算法(小波公式：
其中尺度b(scale)控制小波函数的伸缩，偏移量a(translation)控制小波函数的偏移)得到信号的幅度谱和相位谱；
步骤404：对步骤403得到的幅度谱采用蒙特卡洛随机算法对其进行平均划分，得到一系列长度相等的新幅度谱；
步骤405：对步骤403中得到的相位谱和步骤404中得到的新幅度谱进行元素积操作，得到新的频域信号；
步骤406：对步骤404中得到的新的频域信号，通过边缘计算服务器2中的信号解密程序，进行小波反变换(小波反变换公式
其中，b为控制小波函数的伸缩的尺度(scale)，a为控制小波函数的偏移量(translation))，得到处理好的时序信号(表达式为
)；
步骤407：对步骤405中得到的处理好的时序信号，输入核心计算服务器集群进行故障诊断和异常分类。
如图5所示为本发明实施例提供的故障预测和异常分类过程流程图，主要步骤可以包括：
步骤501：将边缘计算服务器集群处理得到的时序信号输入核心计算服务器集群，进行故障诊断和异常分类；
步骤502：核心计算服务器1采用时序-图像转化程序对时序数据转化为图像；
步骤503：对步骤502中得到的图像输入核心计算服务器3中，采用基于注意力的异常分类程序对图像进行分类；
步骤504：对步骤501中的时序数据进行自回归预测算法训练得到故障预测结果；
步骤505：根据步骤503和504得到的结果，进行相关性分析；
步骤506：对边缘计算服务器集群得到的融合信号利用主动学习程序进行数据标注，利用边缘采样选择那些极容易被判定成两类的样本数据，根据公式
来计算，其中
和
分别表示对于数据x而言，模型预测为最大可能类和第二大可能类的情况；
步骤507：对数据标注结果进行人工校正，获取高质量标注数据；
步骤508：对标注好的数据输入核心计算服务器中，转到501继续训练和更新。
与现有技术相比，本发明实施例具有如下优势和特点：
(1)通过设立分布式传感器集群，对生产过程***进行全方位的信号采集，获取详细的生产过程数据，有利于对生产过程进行准确和全面的故障预测和异常情况监测及分类；
(2)通过边缘计算服务器集群对各类信号进行信息融合，融合各类不一样的信息，同时对信号在现场进行预处理，减少计算资源的浪费，提取更深层次的信号特征，得到适合机器处理的数据；
(3)通过核心计算服务器集群，对数据进行特征提取并训练模型，识别***的异常情况并进行分类，同时采用自回归算法进行故障预测，***故障并处理；
(4)主动学习服务器，对未标注样本进行机器标注和人工校准，从而减少标注数据所需的人力和物力成本的同时，通过获得的精准的标签使得***的故障预测能力以及异常分类能力得到有效提升。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于主动学习的分布式检测***，其特征在于，包括分布式传感器集群、边缘计算服务器集群、核心计算服务器集群和主动学习服务器；
所述分布式传感器集群，用于采集工业现场中产生的基础数据，并将所述基础数据发送至所述边缘计算服务器集群；
所述边缘计算服务器集群，用于利用预设的信号加密算法对接收到的基础数据进行小波变换，继而利用预设的信号解密算法进行小波反变换得到的融合时序数据并输出；
所述核心计算服务器集群，用于将带有标注的融合时序数据输入至训练好的故障预测模型输出得到故障预测结果，同时，将带有标注的融合时序数据输入至训练好的异常分类模型输出得到异常分类结果；
所述主动学习服务器，用于基于所述故障预测模型和所述异常分类模型的训练情况对所述融合时序数据进行数据标注。
2.根据权利要求1所述的基于主动学习的分布式检测***，其特征在于，所述基础数据包括分别设置于生产车间、生产设备和生产零部件上的所有传感器采集到的信号数据。
3.根据权利要求2所述的基于主动学习的分布式检测***，其特征在于，所述分布式传感器集群基于香农定理确定各个传感器的采样频率和采用周期，以使各个传感器根据确定的采样频率和采用周期进行信号采集。
4.根据权利要求1所述的基于主动学习的分布式检测***，其特征在于，所述边缘计算服务器集群包括：
数据融合模块，用于将所述基础数据进行信息融合得到融合信号数据；
信号变换模块，用于利用预设的信号加密算法对所述融合信号数据进行小波变换得到信号的幅度谱和相位谱，采用蒙特卡洛随机算法对所述幅度谱进行平均划分得到新幅度谱，再将所述相位谱和所述新幅度谱进行元素积操作得到新频域信号；
信号反变换模块，用于利用预设的信号解密算法对所述新频域信号进行小波反变换得到所述融合时序数据并输出。
5.根据权利要求1所述的基于主动学习的分布式检测***，其特征在于，所述核心计算服务器集群包括：
故障预测模块，用于将带有标注的融合时序数据输入至训练好的故障预测模型进行自回归预测，得到所述故障预测模型输出的故障预测结果；
异常分类模块，用于将带有标注的融合时序数据转化为图像，继而将所述图像输入至训练好的异常分类模型进行分类，得到所述异常分类模型输出的异常分类结果。
6.根据权利要求1所述的基于主动学习的分布式检测***，其特征在于，所述核心计算服务器集群还包括：
第一模型训练模块，用于根据预先获取的第一样本数据以及与所述第一样本数据对应的故障监测结果对所述故障预测模型进行训练得到训练好的故障预测模型；
第二模型训练模型，用于根据预先获取的第二样本数据以及与所述第二样本数据对应的异常监测结果对所述异常分类模型进行训练得到训练好的异常分类模型。
7.根据权利要求1所述的基于主动学习的分布式检测***，其特征在于，所述主动学习服务器包括：
相关性运算模块，用于基于所述故障预测模型和所述异常分类模型的训练情况进行相关性运算，得到相关性评估结果；
数据标注模块，用于根据所述相关性评估结果对所述融合时序数据进行数据标注。
8.根据权利要求1所述的基于主动学习的分布式检测***，其特征在于，所述主动学习服务器还包括标注校正模块，用于根据获取到的人工校正指令对所述融合时序数据的标注进行校正。
9.根据权利要求2所述的基于主动学习的分布式检测***，其特征在于，所述信号数据包括所述生产车间的环境数据、所述生产设备的运行数据和所述生产零部件的感应数据。
10.根据权利要求5所述的基于主动学习的分布式检测***，其特征在于，所述异常分类模型为采用基于注意力机制的异常分类模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111262486.2A CN114139570A (zh) | 2021-10-28 | 2021-10-28 | 一种基于主动学习的分布式检测*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111262486.2A CN114139570A (zh) | 2021-10-28 | 2021-10-28 | 一种基于主动学习的分布式检测*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114139570A true CN114139570A (zh) | 2022-03-04 |
Family
ID=80395605
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111262486.2A Pending CN114139570A (zh) | 2021-10-28 | 2021-10-28 | 一种基于主动学习的分布式检测*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114139570A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114973694A (zh) * | 2022-05-19 | 2022-08-30 | 杭州中威电子股份有限公司 | 一种基于巡检机器人的隧道车流量监测***及其方法 |
-
2021
- 2021-10-28 CN CN202111262486.2A patent/CN114139570A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114973694A (zh) * | 2022-05-19 | 2022-08-30 | 杭州中威电子股份有限公司 | 一种基于巡检机器人的隧道车流量监测***及其方法 |
| CN114973694B (zh) * | 2022-05-19 | 2024-05-24 | 杭州中威电子股份有限公司 | 一种基于巡检机器人的隧道车流量监测***及其方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Helbing et al. | Deep Learning for fault detection in wind turbines | |
| Marti-Puig et al. | Effects of the pre-processing algorithms in fault diagnosis of wind turbines | |
| EP3489827A1 (en) | Discriminative hidden kalman filters for classification of streaming sensor data in condition monitoring | |
| CN109871002B (zh) | 基于张量标签学习的并发异常状态识别与定位*** | |
| CN114139570A (zh) | 一种基于主动学习的分布式检测*** | |
| CN117523177A (zh) | 一种基于人工智能混合大模型的燃气管道监测***和方法 | |
| CN103559401A (zh) | 基于半监督主元分析的故障监控方法 | |
| Zhang et al. | Intelligent fault detection of reciprocating compressor using a novel discrete state space | |
| CN117078232B (zh) | 一种基于大数据的加工设备故障预防***及方法 | |
| Xue et al. | A novel framework for motor bearing fault diagnosis based on multi-transformation domain and multi-source data | |
| Sivapriya et al. | Fault diagnosis of cascaded multilevel inverter using multiscale kernel convolutional neural network | |
| dos Santos et al. | Thermographic image-based diagnosis of failures in electrical motors using deep transfer learning | |
| CN117856442A (zh) | 一种基于大数据的电力设备远程监测***及方法 | |
| Xu et al. | Fault diagnosis of gas turbine generator bearings using enhanced valuable sample strategy and convolutional neural network | |
| CN117556211A (zh) | 输电线路缺陷及隐患识别算法模型搭建方法 | |
| CN117367589A (zh) | 基于ai技术的变电站主设备全天候辅助测温*** | |
| CN117011609A (zh) | 纺织品加工进度自动跟踪***及其方法 | |
| CN115510901B (zh) | 带式输送机托辊的故障识别方法和装置 | |
| CN114492146B (zh) | 基于迁移学习的螺栓群松动定位和定量分析方法及*** | |
| de Lima et al. | HealthMon: An approach for monitoring machines degradation using time-series decomposition, clustering, and metaheuristics | |
| CN115600695A (zh) | 一种计量设备的故障诊断方法 | |
| Liu et al. | Collaborate Global and Local: An Efficient PV Compound Fault Diagnosis Scheme With Multi-Label Learning and Model Fusion | |
| CN114638039A (zh) | 一种基于低秩矩阵恢复的结构健康监测特征数据解释方法 | |
| CN113639985A (zh) | 一种基于优化故障特征频谱的机械故障诊断与状态监测方法 | |
| Wang et al. | A Multi-View Spatio-Temporal Feature Fusion Approach for Wind Turbine Condition Monitoring Based on SCADA Data |
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 |