[發明專利]一種基于機器學習與邊緣計算的遠程設備健康預測方法

在審

• 申請號: 201910225486.1
• 申請日: 2019-03-25
• 公開（公告）號: CN111736566A
• 公開（公告）日: 2020-10-02
• 發明（設計）人: 何斌;李曉東;高虎
• 申請（專利權）人: 南京智能制造研究院有限公司
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于機器學習與邊緣計算的遠程設備健康預測方法，其特征在于，該方法通過在靠近設備或數據源頭的邊緣側，部署融合計算、存儲、網絡、應用核心能力的邊緣計算終端，邊緣計算終端結合通訊模塊實現與生產設備的連接，實時采集生產設備運行要素數據，所述邊緣計算終端包括邊緣網關、網絡、云數據平臺和應用終端；具體預測步驟為：

S1：通過邊緣計算終端采集生產設備實時運行數據；

S2：在邊緣側存儲和歸集數據，形成格式化數據，滿足系統的工程化需求，邊緣計算終端提供基礎數據支撐；

S3：根據數據模型適配網絡、計算、存儲等資源，自動封裝響應策略，并完成數據的篩選和安全審查，打包規則存儲單元，請求云端并進行非對稱加密通訊；

S4：從數據集中提取多維度數據的關聯特征，并剔除無效特征，挖掘有效特征對特征進行綜合管理，形成處理日志，并觸發對外API規則，響應外部通訊機制；

S5①：對多維度數據特征進行不平衡數據處理，填充缺失數據特征，構建自學習模型輸入基礎構件；

S5②：對多維度復雜數據特征進行拆分，歸類異常特征和正常數據特征，構建基礎模型構件；

S5③：對原始數據進行清洗，剔除閑散復雜無效數據，建立有效數據庫，并進行數據轉發，利用傅里葉變換及時序波分解，輸出關聯傳感數據圖譜，同步更新至數據模型；

S6：利用基礎構件庫關聯特征單元創建預測模型，高效導入數據集，輸出模型預測圖譜數據庫；

S7：模型訓練單元實時同步新增數據，通過機器學習框架，根據策略識別正常和異常數據特征，結合關聯數據圖譜訓練數據預測模型，持續優化特征模型自身成熟度；

S8：利用數據離群圖譜、時序分布圖譜及異常故障識別數據庫等判斷條件，形成綜合分析策略，關聯業務數據，預測業務異常數據態勢；

S9：對于異常特征出現后，自動定位到關聯數據傳感器，識別故障先兆，輸出故障預警提示，并自動繪制健康度生命值曲線，評估設備健康度；

S10：根據輸入業務條件和定位傳感器ID，識別設備健康度預警值，輸出故障預警提醒，告警業務數據同步至邊緣側和云端。

2.根據權利要求1所述的一種基于機器學習與邊緣計算的遠程設備健康預測方法，其特征在于，所述邊緣網關采集生產裝置、設備終端及遠程設備等運行數據的實時采集，根據預制模型實時計算分析數據，挖掘可疑特征，預警故障信息。

3.根據權利要求1所述的一種基于機器學習與邊緣計算的遠程設備健康預測方法，其特征在于，所述網絡通過無線或有線實時傳輸數據，傳輸異構協議，通過防火墻或數據非對稱加解密保證數據安全。

4.根據權利要求1所述的一種基于機器學習與邊緣計算的遠程設備健康預測方法，其特征在于，所述云數據平臺儲存及計算分析數據，挖掘歷史數據應用價值。

5.根據權利要求1所述的一種基于機器學習與邊緣計算的遠程設備健康預測方法，其特征在于，所述應用終端根據應用終端接收預警信息或查看關鍵應用信息，對設備的維護提供決策支持。