[发明专利]一种基于云边协同的工业设备预测性维护方法

权利要求书

1.一种基于云边协同的工业设备预测性维护方法，其特征在于，包括以下步骤：

S1：异构感知设备采集工业设备的设备状态数据，并将其发送至边缘计算平台；

S2：边缘计算平台的边缘数据管理模块根据异构感知设备上传的数据获得目标设备预测任务所需的特征数据；预测服务编排器的配置重载模块获取云计算平台的设备状态预测模型配置和边缘模型训练模块所训练的设备状态预测模型配置，由模型运行模块载入目标设备的最新设备状态预测模型，并输入提取后的特征数据；根据模型运行模块的输出数据判断目标设备是否具有故障风险，若是，则进入下一步，若否，则返回步骤S1；预测服务编排器的配置重载模块向云计算平台请求最新训练的模型配置及对应的数据预处理规则和特征提取规则，并基于边缘计算平台所接收到的历史感知数据由边缘模型训练模块对模型进行二次训练，提高设备状态模型的本地适配性；进一步的，配置重载模块向云计算平台请求更新模型配置及相对应的数据预处理规则和特征提取规则的操作在任务空闲时进行，请求频率可根据需求自行设置；所谓任务空闲时指的是配置重载任务不会影响当前在边缘计算平台运行的设备状态预测任务；边缘数据管理模块将异构感知设备上传的数据完成数据预处理后，存储在边缘数据库，然后从中筛选出目标设备进行设备状态预测任务所需数据，并进行特征提取；预测服务编排器载入设备状态预测模型，并输入提取后的特征数据；边缘数据管理模块将异构感知设备上传的数据完成数据预处理后，存储在边缘数据库，然后从中筛选出目标设备进行设备状态预测任务所需数据，并进行特征提取；预测服务编排器载入设备状态预测模型，并输入提取后的特征数据；边缘数据管理模块在任务空闲时将未上传的预处理后的数据上传至云计算平台；所谓任务空闲时指的是数据上传任务不会影响当前在边缘计算平台运行的设备状态预测任务；预测服务编排器需要执行工业设备定时的设备状态预测任务和即时的设备状态预测任务；对于定时的设备状态预测任务，异构感知设备的数据上报周期需要与边缘计算平台上相关的定时任务周期协同，进而保证在任务开始之前，最新感知数据已经上传至边缘计算平台；对于即时的设备状态预测任务，边缘计算平台下发数据上传指令给相应的异构感知设备，异构感知设备能够接收上层的指令并响应，进而将最新的感知数据上传至边缘计算平台；

S3：边缘计算平台的触发器管理模块根据预先设定的触发器通知指定负责人故障预警信息；触发器为针对目标设备进行的设备状态预测后的结果满足预先设定的通知条件时，则立刻将该预警信息下发给预先设定的目标设备负责人和维护人员的规则；所述通知方式包括但不限于电话、短信、邮件和微信。

2.根据权利要求1所述的一种基于云边协同的工业设备预测性维护方法，其特征在于：在步骤S1中，异构感知设备为可通过GPRS、4G、NB-IoT、5G、Wi-Fi、以太网、物联网网关中的任意一种将设备状态数据发送至边缘计算平台的设备；设备状态数据包括预先设定的进行目标设备预测性维护所需的必要数据，包括但不限于目标设备的仪表数据、目标设备关键点的温度和湿度以及目标设备所在环境状态数据。

3.根据权利要求2所述的一种基于云边协同的工业设备预测性维护方法，其特征在于：异构感知设备中可通过GPRS、4G、NB-IoT、5G、Wi-Fi、以太网中的任意一种上传数据的设备，该类设备本身具有通信模块可直接将数据上传至边缘计算平台；异构感知设备中可通过物联网网关上传数据的设备，该类设备通过RS232或RS485串口接入物联网网关，物联网网关再通过GPRS、4G、NB-IoT、5G、Wi-Fi、以太网中的任意一种将数据上传至边缘计算平台。

4.根据权利要求1所述的一种基于云边协同的工业设备预测性维护方法，其特征在于：云计算平台主要包括通信服务、数据仓库、模型训练和配置管理四个功能模块，四个功能模块赋予云计算平台存储能力和计算能力；数据仓库模块存储着云计算平台连接的各个边缘计算平台所上传的所有感知数据；模型训练模块负责使用云计算平台数据仓库里存储的全局数据训练设备状态预测模型；配置管理模块负责在全局数据新增量达到一定数量之后，使用模型训练模块重新训练新的设备状态预测模型，并负责将训练好的模型配置下发给边缘计算平台，下发方式包括主动下发和被动响应下发；通信服务模块主要负责与边缘计算平台的数据接收和配置下发以及与其他互联网实体的数据交互服务。