[发明专利]一种基于主动学习的分布式检测系统

说明书

本发明提供一种基于主动学习的分布式检测系统，包括分布式传感器集群、边缘计算服务器集群、核心计算服务器集群和主动学习服务器；分布式传感器集群用于对工业现场进行信号采集，为系统提供各类原始数据；边缘计算服务器集群用于对各类信号进行融合，并对融合信号进行特征提取，对系统进行边缘计算；核心计算服务器集群用于对有标签的数据同步进行故障预测和异常分类；主动学习服务器用于对未标记数据进行机器标注。通过实施本发明实施例能够高效且准确地实现对工业现场的故障预测和异常监测及分类。

技术领域

本发明涉及故障预测技术领域，尤其涉及一种基于主动学习的分布式检测系统。

背景技术

在现实生产过程中环境通常较为复杂，复杂的系统和环境要求我们对系统进行良好的控制，某一环节故障或者异常会对整个系统造成严重的影响。因此对生产过程系统进行故障预测和异常监测很有必要，同时还要对异常情况进行分类以便根据分类结果进行异常处理。传统的做法主要靠人工来对系统进行异常监测，对于大型复杂的非线性系统，人工的经验性判断难以对系统进行高效和准确的监测，无法实现对系统的故障预测和异常监测及分类，容易造成不必要的生产运行故障或者财产损失。

发明内容

本发明提供一种基于主动学习的分布式检测系统、系统、电子设备及存储介质，用以解决上述技术问题，能够高效且准确地实现对工业现场的故障预测和异常监测及分类。

本发明提供一种基于主动学习的分布式检测系统，包括分布式传感器集群、边缘计算服务器集群、核心计算服务器集群和主动学习服务器；

所述分布式传感器集群，用于采集工业现场中产生的基础数据，并将所述基础数据发送至所述边缘计算服务器集群；

所述边缘计算服务器集群，用于利用预设的信号加密算法对接收到的基础数据进行小波变换，继而利用预设的信号解密算法进行小波反变换得到的融合时序数据并输出；

所述核心计算服务器集群，用于将带有标注的融合时序数据输入至训练好的故障预测模型输出得到故障预测结果，同时，将带有标注的融合时序数据输入至训练好的异常分类模型输出得到异常分类结果；

所述主动学习服务器，用于基于所述故障预测模型和所述异常分类模型的训练情况对所述融合时序数据进行数据标注。

在一个实施例中，所述基础数据包括分别设置于生产车间、生产设备和生产零部件上的所有传感器采集到的信号数据。

在一个实施例中，所述分布式传感器集群基于香农定理确定各个传感器的采样频率和采用周期，以使各个传感器根据确定的采样频率和采用周期进行信号采集。

在一个实施例中，所述边缘计算服务器集群包括：

数据融合模块，用于将所述基础数据进行信息融合得到融合信号数据；

信号变换模块，用于利用预设的信号加密算法对所述融合信号数据进行小波变换得到信号的幅度谱和相位谱，采用蒙特卡洛随机算法对所述幅度谱进行平均划分得到新幅度谱，再将所述相位谱和所述新幅度谱进行元素积操作得到新频域信号；

信号反变换模块，用于利用预设的信号解密算法对所述新频域信号进行小波反变换得到所述融合时序数据并输出。

在一个实施例中，所述核心计算服务器集群包括：

故障预测模块，用于将带有标注的融合时序数据输入至训练好的故障预测模型进行自回归预测，得到所述故障预测模型输出的故障预测结果；

异常分类模块，用于将带有标注的融合时序数据转化为图像，继而将所述图像输入至训练好的异常分类模型进行分类，得到所述异常分类模型输出的异常分类结果。

在一个实施例中，所述核心计算服务器集群还包括：