[发明专利]一种基于边缘计算和深度学习的电机故障诊断系统及方法

权利要求书

1.一种基于边缘计算和深度学习的电机故障诊断系统，其特征在于，包括，若干采集装置、若干边缘侧设备以及云服务中心；

所述采集装置用于采集电机的振动或者电流信号并发送给对应的所述边缘侧设备；

所述边缘侧设备包括采集配置模块、预处理模块、经验模态分解模块以及诊断模块；所述采集配置模块能够对采集装置进行配置；所述预处理模块对振动或者电流信号进行预处理；所述经验模态分解模块将预处理后的振动或者电流信号进行经验模态分解EMD，分解为n个IMF分量；所述诊断模块内置深度残差网络诊断模型输入n个IMF分量进行故障诊断，将诊断结果和故障数据上传至所述云服务中心；

所述云服务中心利用历史数据和故障数据进行经验模态分解EMD，定期对深度残差网络诊断模型进行训练，训练好后下发到各个边缘侧设备，更新边缘侧设备中的深度残差网络诊断模型；

所述诊断模块包括输入卷积单元、6个残差单元以及输出单元；n个IMF分量经过输入卷积单元进行特征提取后，依次经过串联的6个残差单元处理；最后由输出单元得到诊断结果；

所述残差单元包括依次串联的第一批量标准化层、第一ReLu激活函数、第一卷积层、第二批量标准化层、第二ReLu激活函数、第二卷积层、第三批量标准化层、第三ReLu激活函数、第三卷积层以及恒等映射单元，恒等映射单元将第三卷积层的输出与第一批量标准化层的输入叠加后输出。

2.根据权利要求1所述的基于边缘计算和深度学习的电机故障诊断系统，其特征在于，所述经验模态分解模块处理流程包括：

S1获得预处理后的振动或者电流信号x(t)，另i＝0；

S2获得x(t)上包络线f_max(t)和下包络线f_min(t)，计算上、下包络线均值为m(t)；

S2将x(t)与均值m(t)做差，差记为h₁(t)；

S3判断i是否小于n，如果小于，则将i加1，获得第i个IMF分量c_i(t)＝h₁(t)，并采用x(t)-h₁(t)替换x(t)，返回S2；如果i不小于n，则输出n个IMF分量。

3.根据权利要求2所述的基于边缘计算和深度学习的电机故障诊断系统，其特征在于，所述输出单元包括依次串联的输出批量标准化层、输出ReLu激活函数、全局均值池化层、Dropout层以及全连接输出层；输出批量标准化层对输入特征进行标准化处理，输出ReLu激活函数进行非线性处理，全局均值池化层对每个输入通道的特征图取均值后输出，所述Dropout层丢弃部分神经元，所述全连接输出层采用softmax函数计算分类结果，输出各种类型故障和无故障的概率。

4.根据权利要求3所述的基于边缘计算和深度学习的电机故障诊断系统，其特征在于，第一、第二、第三批量标准化层和输出批量标准化层的运算过程包括对各个样本的n个IMF分量表征的样本的n个一维特征进行处理，分别获得输出特征，计算第s个输入样本的某一维特征x_s计算输出特征y_s为：

其中：N_batch指的是每个批次所包含的样本数量，μ为N_batch个样本在某一维上的平均值，σ为N_batch个样本在某一维上的标准差，γ和β分别是缩放和平移可学习参数，ε是接近于零的常量。

5.根据权利要求1或2所述的基于边缘计算和深度学习的电机故障诊断系统，其特征在于，所述云服务中心包括：数据库、选择模块、IMF分量提取模块、模型训练模块以及封装输出模块；所述数据库存储电机的历史振动或者电流信号，各所述边缘侧设备上传的故障时的电机的振动或者电流信号及人工标注的诊断结果；所述选择模块从数据库中选择样本并输入至所述IMF分量提取模块，所述IMF分量提取模块对输入进行经验模态分解EMD，分解为n个IMF分量；所述模型训练模块将n个IMF分量输入到内部的深度残差网络诊断模型中进行训练，当满足训练次数或训练精度的要求后，由封装输出模块将深度残差网络诊断模型封装并发送给各个所述边缘侧设备。