[发明专利]基于边缘计算的设备异常状态预测方法

说明书

本申请涉及边缘计算领域，更具体地涉及一种基于边缘计算的设备异常状态预测方法。所述方法融合工业互联网和边缘计算将自动生产线上与设备状态相关联的信息数据化并基于人工智能来挖掘与设备状态相关联的数据之间的关联以对设备状态进行异常预测。并且，为了降低计算量和均衡计算资源，将预先在服务器端训练好的深度神经网络模型直接部署在自动生产线的边缘端，从而在获得自动产线的各个传感器采集的数据后能在边缘端产生异常状态的预测结果，这也能够保证异常状态预测所需的实时性。

技术领域

本发明涉及一种基于边缘计算的设备异常状态预测方法、基于边缘计算的设备异常状态预测系统和电子设备。

背景技术

传统的生产设备维护管理模式，依赖“人工”管理，而“人”难免疏忽、不够严谨，也不能对各种设备实时监测、及时检测和状态预测，尤其特殊、复杂设备的故障诊断处理还必须由少数人才解决，严重影响维护效率及维护成本，造成企业经济收益下降。

例如，在金属切削的自动产线中，金属切削过程中不可避免的伴随着刀具磨损甚至破损的现象。由于自动生产线上往往是多机床连续生产，同时工作的刀具数量众多，所以只要其中一把刀具的损坏(磨损、崩刃、折断)未能及时发现和采取措施，就可能会造成事故，产生大量废品或被迫长时间停顿，甚至于损坏机床设备，影响整条自动线的正常运转。

因此，对于刀具磨损状态的预测结果的准确性和实时性至关重要。然而由于不同材质、规格、切削用量的刀具其耐磨性不同，在读取到相同的运行参数时，其使用寿命是不同的，这就导致在对生产线上数量庞大的不同类型刀具进行监测时，需要传输和处理的数据量会呈指数倍的增长，大大影响了设备故障的监测效率。

因此，期待一种优化的设备异常预测方法。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于边缘计算的设备异常状态预测方法、基于边缘计算的设备异常状态预测系统和电子设备，其融合工业互联网和边缘计算将自动生产线上与设备状态相关联的信息数据化并基于人工智能来挖掘与设备状态相关联的数据之间的关联以对设备状态进行异常预测。并且，为了降低计算量和均衡计算资源，将预先在服务器端训练好的深度神经网络模型直接部署在自动生产线的边缘端，从而在获得自动产线的各个传感器采集的数据后能在边缘端产生异常状态的预测结果，这也能够保证异常状态预测所需的实时性。

根据本申请的一个方面，提供了一种基于边缘计算的设备异常状态预测方法，其包括：

在边缘计算的端侧获取在自动生产线上的用于刀具的传感器以预设时间间隔采集的多组工作参数；

将所述多组工作参数分别通过预先训练的由多个全连接网络构成的编码器以获得多个参数特征向量，其中，所述多个参数特征向量的长度维度为L，时间维度为T、样本维度为S；

将所述多个参数特征向量构造为参数特征图，其中，所述参数特征图的尺度为L*T*S；

将所述参数特征图通过预先训练的第一卷积神经网络以获得第一特征图，其中，所述第一特征图的尺度为L1*T1*C1*S；

在边缘计算的端侧获取由摄像头采集的在自动生产线上的各个所述刀具的图像；

将各个所述刀具的图像通过预先训练的第二卷积神经网络以获得第二特征图，所述第二特征图的尺度为W*H*C2*S，其中W为宽度，H为高度，C2为通道数且S为样本数；

将所述第一特征图和所述第二特征图在样本维度上进行融合，以获得分类特征图，其中，所述将所述第一特征图和所述第二特征图在样本维度上进行融合以获得分类特征图，包括：将所述第二特征图转化为与所述第一特征图具有相同尺度的特征图以获得尺度变换特征图；以及，计算所述尺度变换特征图在各个样本维度的特征张量的基于各个刀具的类别信息的分类函数值后对所述第一特征图在其对应样本维度的特征张量进行加权，以获得所述分类特征图；以及