[发明专利]基于边云协同的设备状态监测方法、监测系统及存储介质

说明书

本发明属于设备性能预测技术领域，涉及基于边云协同的设备状态监测方法、监测系统及存储介质。该方法包括：对至少一台设备的运行信息进行采集；对采集的运行信息进行处理并缓存；对缓存的运行信息进行特征提取；将至少包括特征参数、对应提取特征参数的数据信息的时间戳，生成数据快照；将至少包括数据快照、以及数据快照对应的设备信息、事件描述的索引数据集传送至云端的数据库并进行存储；云端根据索引数据集组织包括设备、事件图谱、特征波形的多个层级的数据编排；在与数据库通信的终端显示对应索引数据集的数据编排。其能实现真正意义上的边云协同，对设备进行全面的状态监护，提高对设备状态评估的准确性和故障预测。

技术领域

本发明属于设备性能预测技术领域，具体涉及基于边云协同的设备状态监测方法、基于边云协同的设备性能监测系统以及分布式存储介质。

背景技术

工业制造设备面临着巨大的运维挑战，设备计划外停机不仅严重影响制造效率和质量，也给制造企业带来高额的维护保养成本。如何有效、精准地对设备进行维护，成为工业制造数字化转型亟需攻克的难题。

预测性维护方式被行业强烈推崇，被认为是应对设备意外停机的有效手段。预测性维护是通过实时监测和评估设备的状态，提前发出故障预警，从而避免故障的突然发生。

对于设备的状态感知，传统手段是从机械机理入手，通过测量机械状态的直接变化(例如振动)或者间接变化(例如声音)来对机器进行诊断。这种方式通常只能发现机械方面的异常，例如轴承的磨损、螺丝的松动等，而对于可能导致设备严重故障的电气方面的故障却无法获得。

对电气方面，传统的测量电流的方式是通过三相电表或者可编程逻辑控制器(PLC)等方式获得的设备电流，都只有一段时间内的平均电流值，通常只能反应一段时间内的耗电情况，信息单一，从中无法获得更多的信息。

新的工业互联网体系架构的测量数据相比单机测量数据有大幅的增多，不得不采用云存储(Cloud Storage)方式，需要将现场的数据发送到云端，即将数据存放在第三方托管的多台虚拟服务器上。以往都是一些低频率的数据，数据量不是很大。而智能化则要求具有更灵敏的感知，同时感知的信息包含大量的细节信息，这些信息意味着很大的数据量，如果将所有的这些涉及设备的健康和工况等的数据，全部发送到云端，必然造成云端数据存储服务器的资源紧张，而且会导致对诊断设备的健康和工况的有用数据淹没在海量的数据中，使服务器沦落为一个速度迟缓的、日益减缩的单纯的存储设备。

发明内容

本发明所要解决的技术问题是针对现有技术中存在的上述不足，提供基于边云协同的设备状态监测方法、基于边云协同的设备性能监测系统以及分布式存储介质，能实现真正意义上的边云协同：边缘侧持续将包括异常的原始数据发送回云端，云端进行持续的大数据自主学习，得到异常判断的判决阈值，并随时下发给边缘侧以修正异常识别策略，对于同一台设备可以进行多种状态异常的监测，从而在一套硬件平台基础上，对设备进行全面的状态监护，提高对设备状态评估的准确性，并进行设备故障预测。

解决本发明技术问题所采用的技术方案是提供如下方案：

作为本发明的一个方面，本发明提供一种基于边云协同的设备状态监测方法，其包括步骤：对至少一台设备的运行信息进行采集，所述运行信息包括电流、电压、振动、噪音、温度、应变、姿态中的至少一种；

对采集的所述运行信息进行处理并缓存；

对缓存的所述运行信息进行特征提取，特征提取得到的特征参数包括：幅度、峰值、动作时间、频率成分中的至少一种或组合计算量；

将至少包括所述特征参数、以及对应提取所述特征参数的数据信息的时间戳，生成数据快照；将至少包括所述数据快照、以及所述数据快照对应的设备信息、事件描述的索引数据集传送至云端的数据库并进行存储；

云端根据所述索引数据集组织包括设备、事件图谱、特征波形的多个层级的数据编排；