[發明專利]基于符號和卷積神經網絡的工業設備數據邊緣處理方法

有效

• 申請號: 201910261399.1
• 申請日: 2019-04-02
• 公開（公告）號: CN110008898B
• 公開（公告）日: 2021-02-23
• 發明（設計）人: 曾九孫;陳德倫;蔡晉輝;姚燕
• 申請（專利權）人: 中國計量大學
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 林超

本發明公開了一種基于符號和卷積神經網絡的工業設備數據邊緣處理方法。利用傳感器通過間隔采樣采集工業設備中不同健康條件下的高頻信號時間序列數據，對高頻信號時間序列數據進行處理獲得符號圖；將高頻信號時間序列數據的符號圖及其故障分類類型輸入到預設設計構建的卷積神經網絡中進行訓練；將卷積神經網絡的第一處理模塊布置在邊緣終端設備上，剩余部分布置在云端服務器上。本發明通過數據分割及符號化表示，實現高頻數據的降維和壓縮，從而節省信號傳輸的帶寬，減輕云端服務器的計算壓力，以此實現大型設備的在線監測和故障識別，為大型設備的在線健康監測提供了可靠有效的技術支持。

技術領域

本發明屬于工業設備安全中的性能監測與故障檢測領域，具體涉及一種基于符號和卷積神經網絡的工業設備數據邊緣處理方法。

背景技術

隨著現代工業及科學技術的迅速發展，生產設備日趨大型化、集成化、高速化、自動化和智能化，設備在生產中的地位越來越重要，對設備的管理也提出了更高的要求，能否保證一些關鍵設備的正常運行直接關系到一個行業發展的各個層面。現代化工業生產一旦因故障停機的損失將是不可估量的。當前工業環境下大型設備數目日趨增多，其在生產中的重要性不言而喻，關鍵設備的監測和診斷技術所帶來的社會效益和經濟效益也被人們所認識，其中包括預防事故發生，保證人身和設備安全，推動設備維修制度的改革，提高經濟效益。

因此，為保證大型設備的正常運行，穩定運行過程、減少設備故障發生率，實現對設備運行過程的性能監測和故障識別是迫切需要解決的問題。

設備的故障檢測技術大體上由三部分組成。第一部分為故障檢測物理、化學過程的研究；第二部分為故障檢測信息學的研究，它主要研究故障信號的采集、選擇、處理和分析過程；第三部分為診斷邏輯與數學原理方面的研究，主要是通過邏輯方法、模型方法、推論方法和人工智能方法，根據可觀測的設備故障表征來確定下一步的檢測部位，最終分析判斷故障發生的部位和產生故障的原因。設備故障檢測方法可劃分為傳統診斷方法、和數學診斷方法。其中傳統診斷方法有振動監測技術、聲發射技術和無損檢測技術等。數學診斷方法包括基于貝葉斯決策的方法，基于線性和非線性判別函數的模式識別方法，基于概率統計的時序模型診斷方法。上述診斷方法均需要大量的專家知識和對設備的充分了解，因此在實際設備故障檢測中不能很好的實施。

發明內容

為了解決背景技術中存在的技術問題，本發明提供了一種基于符號和卷積神經網絡的工業設備數據邊緣處理方法，能夠對大型設備的高頻原始時間序列信號進行在線健康監測和故障識別，并能分類出不同的故障類型。該方法適用于大型設備的故障檢測，尤其適用于產生大量數據需要降維壓縮傳輸數據的工業場合。

本發明采用的技術方案是方法具體包括以下步驟：

步驟1，利用傳感器通過間隔采樣采集工業設備中不同健康條件下的高頻信號時間序列數據作為訓練樣本；

步驟2，對高頻信號時間序列數據進行處理獲得符號圖；

步驟3，將訓練樣本的高頻信號時間序列數據采用上述步驟1-4處理獲得符號圖，訓練樣本的高頻信號時間序列數據已知分為有故障和無故障的兩種類型，有故障的類型再細分為多種具體故障類型；將高頻信號時間序列數據的符號圖及其故障分類類型輸入到預設設計構建的卷積神經網絡中進行訓練；

訓練時根據卷積神經網絡的輸出結果調整卷積神經網絡中的參數，根據訓練過程中的損失函數值判斷網絡訓練程度的好壞進而進行調整。

步驟4，將訓練后獲得的卷積神經網絡中的第一個處理模塊布置在邊緣終端設備上，卷積神經網絡剩余的部分布置在云端服務器上，針對未知故障類型的高頻信號時間序列數據進行檢測處理，這樣能夠充分利用邊緣終端日益強大的計算能力，減輕云端服務器的計算壓力，實現高效處理，提到運算性能。

本發明在具體實施中利用已知故障類型的高頻信號時間序列數據作為測試樣本檢驗卷積神經網絡對符號圖的分類能力，并統計分類結果，計算分類準確率。