本發(fā)明屬于機(jī)械故障診斷領(lǐng)域，涉及旋轉(zhuǎn)機(jī)械故障診斷領(lǐng)域，具體涉及一種云邊協(xié)同的旋轉(zhuǎn)機(jī)械智能故障診斷方法及系統(tǒng)。

背景技術(shù)：

1、轉(zhuǎn)子-軸承系統(tǒng)是旋轉(zhuǎn)機(jī)械的核心部件，其運(yùn)行狀態(tài)直接影響設(shè)備的性能和壽命，甚至引發(fā)嚴(yán)重的安全事故。因此，利用新一代人工智能技術(shù)實(shí)現(xiàn)旋轉(zhuǎn)機(jī)械的故障診斷，對工業(yè)安全生產(chǎn)和機(jī)械設(shè)備可靠運(yùn)行具有重要意義。

2、云計(jì)算和邊緣計(jì)算的發(fā)展為智能故障診斷提供了新的解決方案。云計(jì)算具有強(qiáng)大的數(shù)據(jù)存儲和處理能力，能夠?qū)Ａ繑?shù)據(jù)進(jìn)行深度分析。隨著智能感知技術(shù)的發(fā)展，生產(chǎn)設(shè)備及其監(jiān)測傳感器的數(shù)量越發(fā)龐大，將監(jiān)測所得原始數(shù)據(jù)上傳至云端的過程中會產(chǎn)生龐大的數(shù)據(jù)量，容易導(dǎo)致高延遲、數(shù)據(jù)丟失和網(wǎng)絡(luò)擁堵等問題。邊緣計(jì)算作為云計(jì)算的補(bǔ)充，能夠在近設(shè)備端進(jìn)行原始數(shù)據(jù)的及時(shí)處理，減少了數(shù)據(jù)傳輸延遲和帶寬消耗。不過，邊緣端設(shè)備有限的計(jì)算能力使其有時(shí)難以支撐復(fù)雜的數(shù)據(jù)處理。云邊協(xié)同架構(gòu)則結(jié)合了二者的優(yōu)勢，為智能故障診斷提供了更加科學(xué)和高效的解決方案。

3、目前，機(jī)械故障診斷技術(shù)的研究主要集中于算法開發(fā)，缺乏系統(tǒng)性的應(yīng)用方案。機(jī)械故障診斷技術(shù)的應(yīng)用除了算法開發(fā)外還涉及到算法的部署，一般分為邊緣端部署、云端部署和云邊協(xié)同部署。其中，云端部署在近年來受益于云計(jì)算技術(shù)的進(jìn)步而得到了長足發(fā)展，初具應(yīng)用規(guī)模；完全的邊緣端部署由于硬件資源的發(fā)展制約未能形成機(jī)械故障診斷技術(shù)應(yīng)用的可靠方案；云邊協(xié)同部署由于兼顧云計(jì)算和邊緣計(jì)算的優(yōu)點(diǎn)而逐漸成為機(jī)械故障診斷技術(shù)應(yīng)用的首選方案，目前基于云邊協(xié)同實(shí)現(xiàn)信號處理聯(lián)合深度學(xué)習(xí)的機(jī)械故障診斷技術(shù)應(yīng)用缺乏行之有效的解決方案。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種云邊協(xié)同的旋轉(zhuǎn)機(jī)械智能故障診斷方法及系統(tǒng)，以克服現(xiàn)有技術(shù)存在的缺陷，本發(fā)明為機(jī)械設(shè)備的故障診斷提供新的解決方案，其分別利用邊緣計(jì)算和云計(jì)算的優(yōu)勢，使故障診斷過程變得更加安全和高效。

2、為達(dá)到上述目的，本發(fā)明采用如下技術(shù)方案：

3、一種云邊協(xié)同的旋轉(zhuǎn)機(jī)械智能故障診斷方法，包括以下步驟：

4、步驟1）構(gòu)建云邊協(xié)同框架

5、使用云端和邊緣端協(xié)同工作機(jī)制，邊緣端負(fù)責(zé)采集數(shù)據(jù)、提取特征和傳送數(shù)據(jù)至云端，云端負(fù)責(zé)對來自邊緣端的特征數(shù)據(jù)執(zhí)行數(shù)據(jù)分類，得出故障診斷結(jié)果并產(chǎn)生故障告警信息；

6、步驟2）構(gòu)建邊緣端信號處理平臺

7、邊緣端信號處理平臺包括傳感器、調(diào)理電路、模數(shù)轉(zhuǎn)換單元、微控制器和無線傳送模塊，使用傳感器、調(diào)理電路和模數(shù)轉(zhuǎn)換單元實(shí)現(xiàn)旋轉(zhuǎn)機(jī)械設(shè)備原始信號的采集，使用微控制器實(shí)現(xiàn)原始信號的特征提取，對特征進(jìn)行拼接得到特征樣本，使用無線傳送模塊實(shí)現(xiàn)邊緣端向云端的特征樣本上傳；

8、步驟3）構(gòu)建云端故障診斷平臺

9、云端故障診斷平臺由數(shù)據(jù)管理模塊、規(guī)則引擎模塊和決策建議模塊構(gòu)成，數(shù)據(jù)管理模塊對來自邊緣端的特征樣本進(jìn)行存儲和調(diào)用，規(guī)則引擎模塊由標(biāo)簽數(shù)據(jù)、分類模型和故障告警構(gòu)成，標(biāo)簽數(shù)據(jù)映射為特征樣本，通過調(diào)取特征樣本送入分類模型推理得到預(yù)測標(biāo)簽，再根據(jù)預(yù)測標(biāo)簽給出故障告警結(jié)果，決策建議模塊根據(jù)規(guī)則引擎的故障告警結(jié)果下發(fā)故障處置的決策建議到生產(chǎn)現(xiàn)場。

10、進(jìn)一步地，所述步驟2）構(gòu)建邊緣端信號處理平臺中，所述傳感器為能夠采集一維時(shí)序信號的各類傳感器，將傳感器采集到的多源物理量轉(zhuǎn)換為電壓模擬信號，所述調(diào)理電路對電壓模擬信號進(jìn)行濾波和去除直流偏置，所述模數(shù)轉(zhuǎn)換單元按預(yù)設(shè)采樣頻率將調(diào)理電路處理后的電壓模擬信號轉(zhuǎn)換為數(shù)字輸出信號，微控制器具備雙精度浮點(diǎn)運(yùn)算功能，能夠?qū)崿F(xiàn)原始信號的特征提取和特征拼接。

11、進(jìn)一步地，所述預(yù)設(shè)采樣頻率為5khz-25khz。

12、進(jìn)一步地，所述步驟2）原始信號的特征提取，其步驟為：

13、步驟2.1）構(gòu)建故障數(shù)據(jù)集：對采集的原始信號進(jìn)行段落劃分，即每一類故障狀態(tài)的數(shù)據(jù)劃分為n段，其中每一段是長度為n的樣本，并以樣本為單元將數(shù)據(jù)集按預(yù)設(shè)比例劃分為數(shù)據(jù)集a和數(shù)據(jù)集b；

14、步驟2.2）構(gòu)建適用于邊緣計(jì)算的經(jīng)驗(yàn)?zāi)B(tài)分解算法：將數(shù)據(jù)集a和數(shù)據(jù)集b的樣本數(shù)據(jù)分解成若干個(gè)imf和一個(gè)殘余分量，每個(gè)imf代表樣本中的不同頻率成分，殘余分量代表樣本的趨勢，分解計(jì)算公式為：

15、

16、式中，為樣本；為時(shí)間；為經(jīng)驗(yàn)?zāi)B(tài)分解結(jié)果分量，；為經(jīng)驗(yàn)?zāi)B(tài)分解層數(shù)；為殘差分量；

17、步驟2.3）構(gòu)建適用于邊緣計(jì)算的快速傅里葉變換算法：對經(jīng)驗(yàn)?zāi)B(tài)分解過后的imf分量和殘余分量進(jìn)行快速傅里葉變換，變換結(jié)果用于計(jì)算頻域特征指標(biāo)；

18、步驟2.4）構(gòu)建適用于邊緣計(jì)算的特征提取算法：對每個(gè)imf分量和殘余分量提取時(shí)域特征和頻域特征，并將時(shí)域特征和頻域特征拼接為特征向量，將所有imf分量和殘余分量的特征向量按順序拼接成特征樣本，數(shù)據(jù)集a和數(shù)據(jù)集b的樣本經(jīng)過特征提取后得到特征樣本集和；

19、步驟2.5）構(gòu)建適用于邊緣計(jì)算的歸一化算法：對特征樣本進(jìn)行最大值最小值歸一化操作，消除特征樣本中不同特征之間的量級差異，最大值最小值歸一化計(jì)算公式為：

20、

21、式中，，為單個(gè)imf分量提取的特征個(gè)數(shù)，為經(jīng)驗(yàn)?zāi)B(tài)分解的層數(shù)；為歸一化后的特征樣本；為特征樣本中的元素；為特征樣本最大值；為特征樣本最小值；先對特征樣本集進(jìn)行歸一化操作，再采用特征樣本集進(jìn)行歸一化操作時(shí)的最大值向量max和最小值向量min對特征樣本集進(jìn)行歸一化操作，和經(jīng)過歸一化后得到數(shù)據(jù)集和。

22、進(jìn)一步地，步驟2.1）中長度為n的樣本至少包含旋轉(zhuǎn)機(jī)械一個(gè)變化周期的信息，預(yù)設(shè)比例為4:1。

23、進(jìn)一步地，步驟2.4）中，提取的時(shí)域特征能夠反映信號隨時(shí)間的變化，用于檢測信號中的瞬時(shí)變化或沖擊。

24、進(jìn)一步地，步驟2.4）中，提取的頻域特征能夠反映信號在頻譜上的變化，用于分析信號的周期性、諧波成分和頻率成分的變化。

25、進(jìn)一步地，所述步驟3）構(gòu)建云端故障診斷平臺中，分類模型的構(gòu)建過程為：將數(shù)據(jù)集劃分為訓(xùn)練集和測試集，對分類模型進(jìn)行訓(xùn)練，首先取不同的超參數(shù)值對分類模型進(jìn)行訓(xùn)練，結(jié)合訓(xùn)練過程的穩(wěn)定性和收斂速度以及測試集準(zhǔn)確率確定超參數(shù)的最佳取值，然后使用確定的超參數(shù)對分類模型進(jìn)行訓(xùn)練得到數(shù)據(jù)分類模型，通過數(shù)據(jù)分類模型在測試集上的分類準(zhǔn)確率作為評價(jià)指標(biāo)，選取分類準(zhǔn)確率最高的分類模型作為最終的分類模型，分類準(zhǔn)確率計(jì)算公式為：

26、

27、式中，表示樣本的分類準(zhǔn)確率；表示測試集樣本中被正確分類的樣本數(shù)；表示測試集樣本的總數(shù)。

28、進(jìn)一步地，將數(shù)據(jù)集按照7:3劃分為訓(xùn)練集和測試集。

29、一種云邊協(xié)同的旋轉(zhuǎn)機(jī)械智能故障診斷系統(tǒng)，包括：

30、云邊協(xié)同框架：構(gòu)建云端和邊緣端協(xié)同的工作機(jī)制，邊緣端負(fù)責(zé)采集數(shù)據(jù)、提取特征和傳送數(shù)據(jù)至云端，云端負(fù)責(zé)對來自邊緣端的特征數(shù)據(jù)執(zhí)行數(shù)據(jù)分類，得出故障診斷結(jié)果并產(chǎn)生故障告警信息；

31、邊緣端信號處理平臺：包括傳感器、調(diào)理電路、模數(shù)轉(zhuǎn)換單元、微控制器和無線傳送模塊，使用傳感器、調(diào)理電路和模數(shù)轉(zhuǎn)換單元實(shí)現(xiàn)旋轉(zhuǎn)機(jī)械設(shè)備原始信號的采集，使用微控制器實(shí)現(xiàn)原始信號的特征提取，對特征進(jìn)行拼接得到特征樣本，使用無線傳送模塊實(shí)現(xiàn)邊緣端向云端的特征樣本上傳；

32、云端故障診斷平臺：云端故障診斷平臺由數(shù)據(jù)管理、規(guī)則引擎和決策建議模塊構(gòu)成，數(shù)據(jù)管理模塊對來自邊緣端的特征樣本進(jìn)行存儲和調(diào)用，規(guī)則引擎模塊由標(biāo)簽數(shù)據(jù)、分類模型和故障告警構(gòu)成，標(biāo)簽數(shù)據(jù)映射為特征樣本，通過調(diào)取特征樣本送入分類模型推理得到預(yù)測標(biāo)簽，再根據(jù)預(yù)測標(biāo)簽給出故障告警結(jié)果，決策建議模塊根據(jù)規(guī)則引擎的故障告警結(jié)果下發(fā)故障處置的決策建議到生產(chǎn)現(xiàn)場。

33、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益的技術(shù)效果：

34、1）針對旋轉(zhuǎn)機(jī)械的智能故障診斷難題，提出了一種云邊協(xié)同故障診斷系統(tǒng)和適用于云邊協(xié)同系統(tǒng)的智能故障診斷算法，顯著提升了旋轉(zhuǎn)機(jī)械故障診斷的效率、準(zhǔn)確性和可靠性，充分發(fā)揮了邊緣計(jì)算與云計(jì)算的優(yōu)勢，超出單獨(dú)應(yīng)用的診斷能力，形成協(xié)同增效的效果。

35、2）設(shè)計(jì)了一套邊緣端設(shè)備，包括嵌入式硬件和機(jī)載程序。設(shè)計(jì)了云端故障診斷可視化界面，能夠?qū)收显\斷信息進(jìn)行個(gè)性化顯示。使用嵌入式設(shè)備進(jìn)行數(shù)據(jù)采集、信號處理和特征提取，實(shí)現(xiàn)了原始數(shù)據(jù)的邊緣私密處理。在云平臺上部署了卷積神經(jīng)網(wǎng)絡(luò)模型，利用強(qiáng)大的云計(jì)算能力實(shí)現(xiàn)了高效準(zhǔn)確的故障診斷，可以推廣至更多領(lǐng)域的旋轉(zhuǎn)機(jī)械故障診斷應(yīng)用。

36、3）針對故障診斷方法，開發(fā)了適用于邊緣計(jì)算的信號處理和特征提取算法庫。在邊緣端實(shí)現(xiàn)了對實(shí)時(shí)采集數(shù)據(jù)進(jìn)行信號處理和特征提取，為云端故障診斷提供了高質(zhì)量特征數(shù)據(jù)。開發(fā)了適用于云計(jì)算的深度學(xué)習(xí)算法，在云端實(shí)現(xiàn)了對特征數(shù)據(jù)的準(zhǔn)確分類，診斷精度和效率表現(xiàn)優(yōu)異，為旋轉(zhuǎn)機(jī)械的智能故障診斷提供新的可行途徑。