[发明专利]一种基于云雾边协同的轴承监测方法及系统

权利要求书

1.一种基于云雾边协同的轴承监测方法，其特征在于，所述监测方法包括：

获取预设周期内，若干组轴承监测终端中各组监测终端对相应轴承的故障检测数据集；其中，所述各组监测终端的相应轴承的型号相同；

将所述各组监测终端对相应轴承的故障检测数据集发送云端，以使云端确定在所述各组监测终端中，对相应轴承的故障检测数据集的数量达到或小于预设更新阈值的每组监测终端，并确定所述每组监测终端中任意一个监测终端的故障检测普适性神经网络模型；

其中，所述故障检测普适性神经网络模型与所述监测终端的相应轴承，所对应的相同类别轴承和/或相似类别轴承有关；

接收所述云端下发的所述监测终端的故障检测普适性神经网络模型；

根据所述监测终端对相应轴承的故障检测数据，对所述监测终端的故障检测普适性神经网络模型进行训练，得到所述监测终端的更新的故障检测神经网络模型；

所述根据所述监测终端对相应轴承的故障检测数据，对所述监测终端的故障检测普适性神经网络模型进行训练，得到所述监测终端的更新的故障检测神经网络模型，具体包括：

根据所述监测终端对相应轴承的故障检测数据，通过迁移学习算法对所述监测终端的故障检测普适性神经网络模型进行训练，得到所述监测终端的更新的故障检测神经网络模型；

所述根据所述监测终端对相应轴承的故障检测数据，通过迁移学习算法对所述监测终端的故障检测普适性神经网络模型进行训练，得到所述监测终端的更新的故障检测神经网络模型，具体包括：

根据所述监测终端对相应轴承的故障检测数据，对所述监测终端的故障检测普适性神经网络模型进行微调，得到所述监测终端的更新的故障检测神经网络模型；

其中，所述对所述监测终端的故障检测普适性神经网络模型进行微调包括：

在所述监测终端的故障检测普适性神经网络模型中添加不同卷积层、激活函数、池化层；

对所述监测终端的故障检测普适性神经网络模型的最后的若干全连接层进行初始化；

对所述监测终端的故障检测普适性神经网络模型的前面层进行微调；

所述故障检测普适性神经网络模型为所述云端对所述监测终端的相应轴承，所对应的相同类别轴承的故障检测数据集进行训练得到；和/或

所述云端对所述监测终端的相应轴承，所对应的相似类别轴承的故障检测数据集进行训练得到；

所述方法还包括：

以使所述云端确定在所述各组监测终端中，对相应轴承的故障检测数据集的数量大于预设更新阈值的每组监测终端，并且确定所述每组监测终端中任意一个监测终端的更新的故障检测神经网络模型；

所述方法还包括：

在所述监测终端向所述云端未获取到对应的所述更新的故障检测神经网络模型时，接收所述云端下发的所述监测终端对应的故障检测普适性神经网络模型。

2.根据权利要求1所述的监测方法，其特征在于，所述监测终端包括振动传感器、控制器；

所述振动传感器，用于采集相应轴承运行过程中的振动信号，并将所述振动信号发送所述控制器；

所述控制器，用于接收所述更新的故障检测神经网络模型，并将所述振动信号输入所述更新的故障检测神经网络模型，得到所述相应轴承的故障检测数据，并发送监控平台。

3.根据权利要求2所述的监测方法，其特征在于，所述控制器还用于对所述相应轴承添加对应的型号和健康状态标签。

4.根据权利要求1所述的监测方法，其特征在于，所述获取预设周期内，若干组轴承监测终端中各组监测终端对相应轴承的故障检测数据集，具体包括：

获取所述预设周期内，若干轴承监测终端中各监测终端对相应轴承的故障检测数据；

根据所述各监测终端的相应轴承的型号，对所述各监测终端进行分类，得到所述若干组轴承监测终端；

确定所述若干组轴承监测终端中各组监测终端对相应轴承的故障检测数据集。

5.一种基于云雾边协同的轴承监测系统，其特征在于，所述监测系统包括：

监控平台，用于获取预设周期内，若干组轴承监测终端中各组监测终端对相应轴承的故障检测数据集；其中，所述各组监测终端的相应轴承的型号相同；将所述各组监测终端对相应轴承的故障检测数据集发送云端；接收所述云端下发的每组监测终端中任意一个监测终端的故障检测普适性神经网络模型；根据所述监测终端对相应轴承的故障检测数据，对所述监测终端的故障检测普适性神经网络模型进行训练，得到所述监测终端的更新的故障检测神经网络模型；

所述根据所述监测终端对相应轴承的故障检测数据，对所述监测终端的故障检测普适性神经网络模型进行训练，得到所述监测终端的更新的故障检测神经网络模型，具体包括：

根据所述监测终端对相应轴承的故障检测数据，通过迁移学习算法对所述监测终端的故障检测普适性神经网络模型进行训练，得到所述监测终端的更新的故障检测神经网络模型；

所述根据所述监测终端对相应轴承的故障检测数据，通过迁移学习算法对所述监测终端的故障检测普适性神经网络模型进行训练，得到所述监测终端的更新的故障检测神经网络模型，具体包括：

根据所述监测终端对相应轴承的故障检测数据，对所述监测终端的故障检测普适性神经网络模型进行微调，得到所述监测终端的更新的故障检测神经网络模型；

其中，所述对所述监测终端的故障检测普适性神经网络模型进行微调包括：

在所述监测终端的故障检测普适性神经网络模型中添加不同卷积层、激活函数、池化层；

对所述监测终端的故障检测普适性神经网络模型的最后的若干全连接层进行初始化；

对所述监测终端的故障检测普适性神经网络模型的前面层进行微调；

云端，用于确定在所述各组监测终端中，对相应轴承的故障检测数据集的数量达到或小于预设更新阈值的所述每组监测终端，并确定所述每组监测终端中任意一个监测终端的故障检测普适性神经网络模型；其中，所述故障检测普适性神经网络模型与所述监测终端的相应轴承，所对应的相同类别轴承和/或相似类别轴承有关；

所述故障检测普适性神经网络模型为所述云端对所述监测终端的相应轴承，所对应的相同类别轴承的故障检测数据集进行训练得到；和/或

所述云端对所述监测终端的相应轴承，所对应的相似类别轴承的故障检测数据集进行训练得到；

确定在所述各组监测终端中，对相应轴承的故障检测数据集的数量大于预设更新阈值的每组监测终端，并且确定所述每组监测终端中任意一个监测终端的更新的故障检测神经网络模型；

若干监测终端，用于获取相应轴承的故障检测数据以及接收所述监控平台下发的更新的故障检测神经网络模型；

在所述监测终端向所述云端未获取到对应的所述更新的故障检测神经网络模型时，接收所述云端下发的所述监测终端对应的故障检测普适性神经网络模型。