[發明專利]一種基于邊緣計算和深度學習的電機故障診斷系統及方法

有效

• 申請號: 202010581758.4
• 申請日: 2020-06-23
• 公開（公告）號: CN111830408B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 張品佳;吳志良;袁巍
• 申請（專利權）人: 朗斯頓科技（北京）有限公司
• 主分類號: G01R31/34
• 分類號: G01R31/34;G06F9/50;G06N3/0464;G06N3/084
• 代理公司: 北京中創云知識產權代理事務所(普通合伙) 11837
• 代理人: 徐輝

1.一種基于邊緣計算和深度學習的電機故障診斷系統，其特征在于，包括，若干采集裝置、若干邊緣側設備以及云服務中心；

所述采集裝置用于采集電機的振動或者電流信號并發送給對應的所述邊緣側設備；

所述邊緣側設備包括采集配置模塊、預處理模塊、經驗模態分解模塊以及診斷模塊；所述采集配置模塊能夠對采集裝置進行配置；所述預處理模塊對振動或者電流信號進行預處理；所述經驗模態分解模塊將預處理后的振動或者電流信號進行經驗模態分解EMD，分解為n個IMF分量；所述診斷模塊內置深度殘差網絡診斷模型輸入n個IMF分量進行故障診斷，將診斷結果和故障數據上傳至所述云服務中心；

所述云服務中心利用歷史數據和故障數據進行經驗模態分解EMD，定期對深度殘差網絡診斷模型進行訓練，訓練好后下發到各個邊緣側設備，更新邊緣側設備中的深度殘差網絡診斷模型；

所述診斷模塊包括輸入卷積單元、6個殘差單元以及輸出單元；n個IMF分量經過輸入卷積單元進行特征提取后，依次經過串聯的6個殘差單元處理；最后由輸出單元得到診斷結果；

所述殘差單元包括依次串聯的第一批量標準化層、第一ReLu激活函數、第一卷積層、第二批量標準化層、第二ReLu激活函數、第二卷積層、第三批量標準化層、第三ReLu激活函數、第三卷積層以及恒等映射單元，恒等映射單元將第三卷積層的輸出與第一批量標準化層的輸入疊加后輸出。

2.根據權利要求1所述的基于邊緣計算和深度學習的電機故障診斷系統，其特征在于，所述經驗模態分解模塊處理流程包括：

S1獲得預處理后的振動或者電流信號x(t)，另i＝0；

S2獲得x(t)上包絡線f_max(t)和下包絡線f_min(t)，計算上、下包絡線均值為m(t)；

S2將x(t)與均值m(t)做差，差記為h₁(t)；

S3判斷i是否小于n，如果小于，則將i加1，獲得第i個IMF分量c_i(t)＝h₁(t)，并采用x(t)-h₁(t)替換x(t)，返回S2；如果i不小于n，則輸出n個IMF分量。

3.根據權利要求2所述的基于邊緣計算和深度學習的電機故障診斷系統，其特征在于，所述輸出單元包括依次串聯的輸出批量標準化層、輸出ReLu激活函數、全局均值池化層、Dropout層以及全連接輸出層；輸出批量標準化層對輸入特征進行標準化處理，輸出ReLu激活函數進行非線性處理，全局均值池化層對每個輸入通道的特征圖取均值后輸出，所述Dropout層丟棄部分神經元，所述全連接輸出層采用softmax函數計算分類結果，輸出各種類型故障和無故障的概率。

4.根據權利要求3所述的基于邊緣計算和深度學習的電機故障診斷系統，其特征在于，第一、第二、第三批量標準化層和輸出批量標準化層的運算過程包括對各個樣本的n個IMF分量表征的樣本的n個一維特征進行處理，分別獲得輸出特征，計算第s個輸入樣本的某一維特征x_s計算輸出特征y_s為：

其中：N_batch指的是每個批次所包含的樣本數量，μ為N_batch個樣本在某一維上的平均值，σ為N_batch個樣本在某一維上的標準差，γ和β分別是縮放和平移可學習參數，ε是接近于零的常量。

5.根據權利要求1或2所述的基于邊緣計算和深度學習的電機故障診斷系統，其特征在于，所述云服務中心包括：數據庫、選擇模塊、IMF分量提取模塊、模型訓練模塊以及封裝輸出模塊；所述數據庫存儲電機的歷史振動或者電流信號，各所述邊緣側設備上傳的故障時的電機的振動或者電流信號及人工標注的診斷結果；所述選擇模塊從數據庫中選擇樣本并輸入至所述IMF分量提取模塊，所述IMF分量提取模塊對輸入進行經驗模態分解EMD，分解為n個IMF分量；所述模型訓練模塊將n個IMF分量輸入到內部的深度殘差網絡診斷模型中進行訓練，當滿足訓練次數或訓練精度的要求后，由封裝輸出模塊將深度殘差網絡診斷模型封裝并發送給各個所述邊緣側設備。