[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

说明书

本发明涉及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，所述边缘侧设备能够对采集装置进行配置，对振动或者电流信号进行预处理后进行经验模态分解EMD，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；云服务中心利用历史数据和故障数据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。通过在边缘侧设备计算就可对电机设备进行实时诊断，能够及时快速对电机状态进行诊断，仅将处理完的数据传到云中心，大大缩减了由数据传输速度和带宽限制带来的延时，云中心的处理数据压力将得到显著缓解。

技术领域

本发明涉及电机故障诊断技术领域，尤其涉及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。

背景技术

电机在现代工业中的应用非常普遍，无论是大的工厂企业，还是小额工厂企业随处都能看见电机的身影，而一些重要生产线上的大电机对企业更是至关重要，一旦发生故障可能会导致整条产线停止工作，更为严重的可能会给企业带来重大的经济损失和人员伤亡，所以电机的正常稳定运行对企业来说是非常重要的。

目前，对于电机的维护大多都是通过现场维护人员每天对电机的振动噪声和壳体温度检查等，根据多年的现场经验对电机状态进行评估，另外的主要措施就是对电机进行定期的返厂维修。凭借现场维护人员的经验很有可能会对电机已经出现的故障无法及时发现，导致重大事故的发生，另外定期对电机进行拆机维修需要暂停整个生产线的工作，还会造成过度维修所带来的经济损失。

目前现有的技术方案大多是在现场布置一台数据采集装置，根据现场实时采集的数据传回云服务器，在应用相应的算法来对电机状态进行检测和对故障进行诊断。目前常用的算法还比较多的停留在传统的神经网络算法，比如BP神经网络和概率神经网络等算法，但是面对电机群庞大的数据量，这些浅层神经网络算法将没有优势可言，导致训练速度慢，诊断模型的精度低；

另一方面，采用云端处理的方法，已经无法满足实时性要求，可能已经出现故障之后才检测出来，另外该方法对服务器的存储及计算能力要求很高，传输大量原始数据的安全性和稳定性也无法得到保证。

随着网络技术的发展，接入网络的设备数量越来越大，将产生海量的数据，如果这些数据都直接回传云端服务器，将产生很大的带宽和延迟，同时处理海量数据的安全性也难以得到保证；另外对于这些浅层神经网络算法已经难以处理电机群庞大的数据量，会导致网络训练速度慢，过拟合等问题，最终使得网络的诊断能力下降，不能很好的反应电机实际状态。

发明内容

针对需要将所有的诊断数据全部回传到云端服务器才能进行诊断计算以及浅层神经网络诊断准确率低的问题，本发明提供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，采用在边缘侧设备上应用深度学习算法来诊断电机故障。

为达到上述目的，本发明提供了一种基于边缘计算和深度学习的电机故障诊断系统，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。

进一步地，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；