[发明专利]一种基于云雾边协同的轴承监测方法及系统

说明书

本申请公开了一种基于云雾边协同的轴承监测方法及系统，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；将各组监测终端对相应轴承的故障检测数据发送云端，以使云端确定在各组监测终端中，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；根据监测终端对相应轴承的故障检测数据，对监测终端的故障检测普适性神经网络模型进行训练，得到监测终端的更新的故障检测神经网络模型。本申请通过将云端、雾端、轴承的监测终端紧密融合且协同工作，提升了监测终端对相应轴承的故障检测的实时性。

技术领域

本申请涉及机电设备在线监测技术领域，尤其涉及一种基于云雾边协同的轴承监测方法及系统。

背景技术

机电设备的工作情况,能够直接影响生产的效率,而轴承是机电设备中必不可少的部件，轴承这类易损件在运行过程中发生故障的概率非常大。因此若不能及时对轴承进行故障处理，往往会引发更严重的设备损伤，导致高额的维护成本和严重的经济损失，甚至出现安全问题。

目前轴承监测终端主要进行数据采集、对数据进行故障检测分析、故障检测数据传输，由云端进行训练对应的故障检测模型，下发至轴承监测终端。但随着轴承监测终端数量不断增多，实时产生海量数据，网络带宽与计算吞吐量均成为云端训练模型的瓶颈，造成监测终端实时分析延迟，故障无法及时通知到用户，给机电设备的安全带来巨大隐患。

发明内容

本申请实施例提供一种基于云雾边协同的轴承监测方法及系统，用于解决现有技术中的如下技术问题：现有的云端进行训练轴承故障检测模型时的压力大，导致轴承故障的实时告警延迟。

一方面，本申请实施例提供了一种基于云雾边协同的轴承监测方法，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，各组监测终端的相应轴承的型号相同；将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，故障检测普适性神经网络模型与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；接收云端下发的监测终端的故障检测普适性神经网络模型；根据监测终端对相应轴承的故障检测数据，对监测终端的故障检测普适性神经网络模型进行训练，得到监测终端的更新的故障检测神经网络模型。

可选地，根据监测终端对相应轴承的故障检测数据，对监测终端的故障检测普适性神经网络模型进行训练，得到监测终端的更新的故障检测神经网络模型，具体包括：根据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监测终端的故障检测普适性神经网络模型进行训练，得到监测终端的故障检测神经网络模型。

可选地，根据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监测终端的故障检测普适性神经网络模型进行训练，得到监测终端的更新的故障检测神经网络模型，具体包括：根据监测终端对相应轴承的故障检测数据，对监测终端的故障检测普适性神经网络模型进行微调，得到监测终端的更新的故障检测神经网络模型；其中，对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。

可选地，故障检测普适性神经网络模型为云端对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/或云端对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。

可选地，以使所述云端确定在各组监测终端中，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，并确定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。