[发明专利]一种基于云边协同的工业设备监测的方法和系统

权利要求书

1.一种基于云边协同的工业设备监测的方法，其特征在于，所述方法包括：

采集工业设备的监测数据，并将所述监测数据发送给边缘平台；

在边缘平台上，利用本地的监测数据对故障检测模型进行训练，获得故障检测模型；

将所述故障检测模型发送给云平台；

通过云平台对所有边缘平台上传的故障检测模型进行融合，获得共享模型；

将所述共享模型下发给所述边缘平台；

利用所述边缘平台的共享模型对所述工业设备的监测数据进行检测，获得工业设备的健康状态；

其中，对多个故障检测模型进行融合的方法包括：

建立测试数据集；

通过测试数据集分别对每个故障检测模型进行评价，获取所述故障检测模型的检测准确率；

根据所述检测准确率，计算每个故障检测模型的权重；

根据所述权重，基于加权平均算法对所述故障检测模型进行融合，获得共享模型。

2.根据权利要求1所述的工业设备监测的方法，其特征在于，采集工业设备的监测数据的方法包括：

通过在工业设备上安装异构感知设备，采集工业设备的监测数据，

其中，所述异构感知设备包括以下装置中的一种或它们的组合：压力传感器、温度传感器、湿度传感器、摄像头、电压传感器、电流传感器、电磁传感器、计数器和计米器；

所述监测数据通过以下方式中的一种或它们的组合发送给所述边缘平台：以太网、4G、5G、Wi-Fi和GPRS。

3.根据权利要求1所述的工业设备监测的方法，其特征在于，还包括对监测数据进行预处理的方法：

对监测数据进行数据格式标准化、数据去重、数据清洗和数据归并后，保存在所述边缘平台中。

4.根据权利要求1所述的工业设备监测的方法，其特征在于，所述边缘平台利用所述监测数据，对基于机器学习的故障检测模型进行训练，

所述基于机器学习的故障检测模型包括以下一种：LSTM循环神经网络模型、BP神经网络模型和卷积神经网络模型。

5.根据权利要求1所述的工业设备监测的方法，其特征在于，所述加权平均算法为：

其中，acc_j表示为第j个故障检测模型的准确率，weight_j表示为第j个故障检测模型的权重，定义为n个故障检测模型的准确率之和；

其中，smodel_i表示共享模型的第i个参数，表示第j个模型的第i个参数，表示为故障检测模型的总个数；

则共享模型表示为：

smodel＝{smodel₁，smodel₂，…，smodel_m}

其中，smodel表示为共享模型，m表示为参数个数。

6.根据权利要求1所述的工业设备监测的方法，其特征在于，通过所述边缘平台根据所述共享模型，部署模型服务，并通过Http或gRPC的方式提供模型服务；

热更新所述边缘平台的共享模型和模型服务。

7.根据权利要求6所述的工业设备监测的方法，其特征在于，还包括故障告警的方法：

将实时采集的监测数据，输入到模型服务中；

利用模型服务对监测数据进行检测，并获得健康状态；

判断所述健康状态是否为故障；

若是，生成故障信息，并将所述故障信息发送给负责人。

8.根据权利要求1所述的工业设备监测的方法，其特征在于，还包括对共享模型进行加强的方法：

通过所述监测数据，定期对所述故障检测模型进行强化训练，获得加强模型；

所述云平台对所述加强模型进行融合，获得加强的共享模型。

9.一种用于实现权利要求1-8任一项所述方法的系统，其特征在于，所述系统包括异构感知设备、边缘平台和云平台；

所述异构感知设备用于采集工业设备的监测数据，并将所述监测数据发送给边缘平台；

所述边缘平台利用所述监测数据对故障检测模型进行训练，获得故障检测模型，并将所述故障检测模型发送给云平台；

所述云平台对所有边缘平台上传的检测模型进行融合，获得共享模型，并将所述共享模型下发给所述边缘平台；

所述边缘平台还用于利用接收到的共享模型对所述工业设备的监测数据进行检测，获得工业设备的健康状态。