[发明专利]基于符号和卷积神经网络的工业设备数据边缘处理方法

权利要求书

1.一种基于符号和卷积神经网络的工业设备数据边缘处理方法，其特征在于：方法具体包括以下步骤：

步骤1，利用传感器通过间隔采样采集工业设备中不同健康条件下的高频信号时间序列数据作为训练样本；

步骤2，对高频信号时间序列数据进行处理获得符号图；

所述步骤2具体为：

步骤2.1，将高频信号时间序列数据按时序划分成同等长度的各个子数据，每个子数据均包含相同数量的采样点，并对高频信号时间序列数据归一化处理；

步骤2.2，对步骤1中归一化处理后的高频信号时间序列数据运用分段聚合近似进行处理，即将长度为n的子数据划分成相同长度的M个子序列，计算每个子序列的采样点平均值，由所有子序列的采样点平均值构成均值集，以均值集作为高频信号时间序列数据的分段聚合近似变换结果；

步骤2.3，利用字母符号表示进一步处理获得子数据的字符串，均值集遵循高斯分布，利用均值集的高斯分布特性沿均值集的取值将均值集划分为多个区域，均值集中位于不同区域的均值用不同字母符号表示，同一个区域中的均值均统一用一个字母符号表示，从而获得各个子序列对应的字母符号组成字符串，从而将高频信号时间序列数据转换为字符串；

步骤2.4，由每固定数量的多个相邻字母符号构成一个子字符串，统计字符串中获得每种子字符串出现的频率，将字符串映射成符号图，符号图中同种子字符串绘制成一个区块，不同种子字符串绘制成不同区块，区块中包含该种子字符串出现的频率；

步骤3，将训练样本的高频信号时间序列数据采用上述步骤1-2处理获得符号图，训练样本的高频信号时间序列数据已知分为有故障和无故障的两种类型，有故障的类型再细分为多种具体故障类型；将高频信号时间序列数据的符号图及其故障分类类型输入到预设设计构建的卷积神经网络中进行训练；

步骤4，将训练后获得的卷积神经网络中的第一个处理模块布置在边缘终端设备上，卷积神经网络剩余的部分布置在云端服务器上，针对未知故障类型的高频信号时间序列数据进行检测处理。

2.如权利要求1所述的一种基于符号和卷积神经网络的工业设备数据边缘处理方法，其特征在于：所述的边缘终端是指实现边缘计算的终端，具体为PC计算机、手机或平板电脑非连接到云端的服务器设备。

3.如权利要求1所述的一种基于符号和卷积神经网络的工业设备数据边缘处理方法，其特征在于：所述的工业设备是指机械设备中产生周期性高频信号时间序列数据的部件，包括但不限于滚动轴承、齿轮、机械转子、离心轴等旋转机械关键零部件。

4.如权利要求1所述的一种基于符号和卷积神经网络的工业设备数据边缘处理方法，其特征在于：所述步骤2.2中，子数据X的第i个子序列将通过以下公式计算：

其中，表示第i个子序列的采样点平均值，j表示其中的一个采样点，M和n分别表示计算后和计算前的子数据长度。

5.如权利要求1所述的一种基于符号和卷积神经网络的工业设备数据边缘处理方法，其特征在于：所述步骤2.3中，以均值集中所有均值的中值作为一处断点，将均值集划分为两区域，对于其中每一区域再用断点分为高斯分布曲线区域的面积相等的两个区域，共计形成四个区域。