[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

说明书

本发明公开了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。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，对高频信号时间序列数据进行处理获得符号图；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；将卷积神经网络的第一处理模块布置在边缘终端设备上，剩余部分布置在云端服务器上。本发明通过数据分割及符号化表示，实现高频数据的降维和压缩，从而节省信号传输的带宽，减轻云端服务器的计算压力，以此实现大型设备的在线监测和故障识别，为大型设备的在线健康监测提供了可靠有效的技术支持。

技术领域

本发明属于工业设备安全中的性能监测与故障检测领域，具体涉及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。

背景技术

随着现代工业及科学技术的迅速发展，生产设备日趋大型化、集成化、高速化、自动化和智能化，设备在生产中的地位越来越重要，对设备的管理也提出了更高的要求，能否保证一些关键设备的正常运行直接关系到一个行业发展的各个层面。现代化工业生产一旦因故障停机的损失将是不可估量的。当前工业环境下大型设备数目日趋增多，其在生产中的重要性不言而喻，关键设备的监测和诊断技术所带来的社会效益和经济效益也被人们所认识，其中包括预防事故发生，保证人身和设备安全，推动设备维修制度的改革，提高经济效益。

因此，为保证大型设备的正常运行，稳定运行过程、减少设备故障发生率，实现对设备运行过程的性能监测和故障识别是迫切需要解决的问题。

设备的故障检测技术大体上由三部分组成。第一部分为故障检测物理、化学过程的研究；第二部分为故障检测信息学的研究，它主要研究故障信号的采集、选择、处理和分析过程；第三部分为诊断逻辑与数学原理方面的研究，主要是通过逻辑方法、模型方法、推论方法和人工智能方法，根据可观测的设备故障表征来确定下一步的检测部位，最终分析判断故障发生的部位和产生故障的原因。设备故障检测方法可划分为传统诊断方法、和数学诊断方法。其中传统诊断方法有振动监测技术、声发射技术和无损检测技术等。数学诊断方法包括基于贝叶斯决策的方法，基于线性和非线性判别函数的模式识别方法，基于概率统计的时序模型诊断方法。上述诊断方法均需要大量的专家知识和对设备的充分了解，因此在实际设备故障检测中不能很好的实施。

发明内容

为了解决背景技术中存在的技术问题，本发明提供了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，能够对大型设备的高频原始时间序列信号进行在线健康监测和故障识别，并能分类出不同的故障类型。该方法适用于大型设备的故障检测，尤其适用于产生大量数据需要降维压缩传输数据的工业场合。

本发明采用的技术方案是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；

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1-4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；

训练时根据卷积神经网络的输出结果调整卷积神经网络中的参数，根据训练过程中的损失函数值判断网络训练程度的好坏进而进行调整。

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，这样能够充分利用边缘终端日益强大的计算能力，减轻云端服务器的计算压力，实现高效处理，提到运算性能。

本发明在具体实施中利用已知故障类型的高频信号时间序列数据作为测试样本检验卷积神经网络对符号图的分类能力，并统计分类结果，计算分类准确率。