一种基于机器学习与边缘计算的远程设备健康预测方法与流程

本发明涉及一种远程设备健康预测方法，特别是涉及一种基于机器学习与边缘计算的远程设备健康预测方法。

背景技术：

目前，随着在现代化工业制造的发展，有大量工业生产设备分散在不同的地理区域，在设备大规模部署后，设备运维和集中管理的难题也随之而生。随着设备投放数量的增加，维护成本骤增，管理效率大幅降低。另外，由于远程管理手段的缺失，设备运行的异常情况不能及早发现，突然发生的故障往往对生产活动产生重大影响，造成重大的财产损失和生产安全事故。

当前远程维护手段，主要利用远程网络技术，监视当前设备的运行状态，只能根据实时数据的变化判断设备运行情况，不能及时有效的预知设备的健康状态，仍然避免不了计划外停机和灾难性故障的发生，事后维护成本并没有实质性降低。传统远程设备维护并没有提前预警可能出现的问题以及避免因设备寿命到期和突发故障对生产带来的严重影响。

技术实现要素：

为了克服现有技术的不足，本发明提供一种基于机器学习与边缘计算的远程设备健康预测方法，可通过基于边缘数据采集和机器学习的数据分析方法，实现对远程设备故障的智能预测和健康管理，从而解决远程设备因突发故障和计划外运维对生产造成的影响。

为解决上述技术问题，本发明提供如下技术方案：一种基于机器学习与边缘计算的远程设备健康预测方法，该方法通过在靠近设备或数据源头的边缘侧，部署融合计算、存储、网络、应用核心能力的边缘计算终端，边缘计算终端结合通讯模块实现与生产设备的连接，实时采集生产设备运行要素数据，所述边缘计算终端包括边缘网关、网络、云数据平台和应用终端；具体预测步骤为：

s1：通过边缘计算终端采集生产设备实时运行数据；

s2：在边缘侧存储和归集数据，形成格式化数据，满足系统的工程化需求，边缘计算终端提供基础数据支撑；

s3：根据数据模型适配网络、计算、存储等资源，自动封装响应策略，并完成数据的筛选和安全审查，打包规则存储单元，请求云端并进行非对称加密通讯；

s4：从数据集中提取多维度数据的关联特征，并剔除无效特征，挖掘有效特征对特征进行综合管理，形成处理日志，并触发对外api规则，响应外部通讯机制；

s5①：对多维度数据特征进行不平衡数据处理，填充缺失数据特征，构建自学习模型输入基础构件；

s5②：对多维度复杂数据特征进行拆分，归类异常特征和正常数据特征，构建基础模型构件；

s5③：对原始数据进行清洗，剔除闲散复杂无效数据，建立有效数据库，并进行数据转发，利用傅里叶变换及时序波分解，输出关联传感数据图谱，同步更新至数据模型；

s6：利用基础构件库关联特征单元创建预测模型，高效导入数据集，输出模型预测图谱数据库；

s7：模型训练单元实时同步新增数据，通过机器学习框架，根据策略识别正常和异常数据特征，结合关联数据图谱训练数据预测模型，持续优化特征模型自身成熟度；

s8：利用数据离群图谱、时序分布图谱及异常故障识别数据库等判断条件，形成综合分析策略，关联业务数据，预测业务异常数据态势；

s9：对于异常特征出现后，自动定位到关联数据传感器，识别故障先兆，输出故障预警提示，并自动绘制健康度生命值曲线，评估设备健康度；

s10：根据输入业务条件和定位传感器id，识别设备健康度预警值，输出故障预警提醒，告警业务数据同步至边缘侧和云端。

作为本发明的一种优选技术方案，所述边缘网关采集生产装置、设备终端及远程设备等运行数据的实时采集，根据预制模型实时计算分析数据，挖掘可疑特征，预警故障信息。

作为本发明的一种优选技术方案，所述网络通过无线或有线实时传输数据，传输异构协议，通过防火墙或数据非对称加解密保证数据安全。

作为本发明的一种优选技术方案，所述云数据平台储存及计算分析数据，挖掘历史数据应用价值。

作为本发明的一种优选技术方案，所述应用终端根据应用终端接收预警信息或查看关键应用信息，对设备的维护提供决策支持。

与现有技术相比，本发明能达到的有益效果是：

本发明通过基于边缘数据采集和机器学习的数据分析方法，达到智能的远程运行设备预测性维护和健康管理，提前发现可能出现的故障，实现主动运维，降低计划外停机和突发故障对生产造成的影响。

附图说明

图1是本发明的系统构成图；

图2是本发明的应用框架图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

请参照图1-2所示，一种基于机器学习与边缘计算的远程设备健康预测方法，该方法通过在靠近设备或数据源头的边缘侧，部署融合计算、存储、网络、应用核心能力的边缘计算终端，边缘计算终端结合通讯模块实现与生产设备的连接，实时采集生产设备运行要素数据，所述边缘计算终端包括边缘网关、网络、云数据平台和应用终端；具体预测步骤为：

s1：通过边缘计算终端采集生产设备实时运行数据；

s2：在边缘侧存储和归集数据，形成格式化数据，满足系统的工程化需求，边缘计算终端提供基础数据支撑；

s3：根据数据模型适配网络、计算、存储等资源，自动封装响应策略，并完成数据的筛选和安全审查，打包规则存储单元，请求云端并进行非对称加密通讯；

s4：从数据集中提取多维度数据的关联特征，并剔除无效特征，挖掘有效特征对特征进行综合管理，形成处理日志，并触发对外api规则，响应外部通讯机制；

s5①：对多维度数据特征进行不平衡数据处理，填充缺失数据特征，构建自学习模型输入基础构件；

s5②：对多维度复杂数据特征进行拆分，归类异常特征和正常数据特征，构建基础模型构件；

s5③：对原始数据进行清洗，剔除闲散复杂无效数据，建立有效数据库，并进行数据转发，利用傅里叶变换及时序波分解，输出关联传感数据图谱，同步更新至数据模型；

s6：利用基础构件库关联特征单元创建预测模型，高效导入数据集，输出模型预测图谱数据库；

s7：模型训练单元实时同步新增数据，通过机器学习框架，根据策略识别正常和异常数据特征，结合关联数据图谱训练数据预测模型，持续优化特征模型自身成熟度；

s8：利用数据离群图谱、时序分布图谱及异常故障识别数据库等判断条件，形成综合分析策略，关联业务数据，预测业务异常数据态势；

s9：对于异常特征出现后，自动定位到关联数据传感器，识别故障先兆，输出故障预警提示，并自动绘制健康度生命值曲线，评估设备健康度；

s10：根据输入业务条件和定位传感器id，识别设备健康度预警值，输出故障预警提醒，告警业务数据同步至边缘侧和云端。

边缘计算网关部署至云数据服务平台与被管理设备之间，有效降低云端工作负载，提高计算效能，降低应用数据延迟。随着物联网的发展，采用网络、存储、计算及应用为一体的融合边缘服务，更快响应用户需求，使用户的需求在边缘侧得到解决，最大限度降低用户处理问题带来的成本消耗。

系统应用框架部署分为边缘层、网络层和数据计算层。

边缘层：边缘层靠近生产线设备终端或数据源头侧，采集设备数据，融合存储、网络和计算等核心能力，按要求清洗基础数据，并根据初始规划模型计算结果。边缘计算的核心能力是将计算任务从云数据平台迁移到边缘网关，云平台根据边缘侧需求综合计算复杂应用数据。正是由于边缘计算延迟和弹性问题，使边缘计算自主决策不依赖于云数据平台的特性，在物联网应用中处于较大应用优势。

网络层：网络层通过无线或有线的方式实现设备的连接和数据互联互通，同时包括网络联接和管理，对边缘计算结果处理，保障业务在本地的存活。网络保证数据传输的安全性，支持协议转换功能，支持广泛的物联网通讯协议，保证数据传输的稳定性，对不同协议需要在边缘网关和网络的配合下实现有效转换，将数据统一承载在网络上进行传输。

数据计算层：云数据平台，通过网络收集边缘层上传数据，对复杂数据进行计算分析，联动关联边缘网关实现数据的综合治理与应用，并把复杂联动模型计算结果下发至对应边缘网关，及时有效解决客户问题，在边缘侧实时反馈。云端协同最大发挥网络、计算、存储和应用的融合优势，为最终应用提供敏捷有效的服务。

本发明边缘计算终端就近提供智能化数据分析服务，利用基于机器学习的智能分析模型完成对大量实时数据的清洗和初步分析处理，按照部署的预测模式策略，触发可能的分析服务响应，并把分析结果上传至云端，再由云端智能模型完成数据的综合分析和预测。应用云管理的架构实现海量无人值守设备终端的高效管理，边缘计算的分布式属性有效降低云端平台的海量数据处理负荷，同时保障数据安全。通过云端与边缘侧的协同，有效实现远程设备的运行健康状态管理和故障预测。

本发明提供一种基于机器学习的高效智能预测模型，从大量高度非线性、高噪声的工业状态传感器数据中发现关联特征的方法，通过对大量的传感器数据进行筛选、清洗等操作，实现数据的高效挖掘，发现隐含于数据中的不同传感器数据间关联变化特征，建立关联特征模型。通过模型特征集分布，实现异常特征发现及辨析，从而建立数据关联状态异常退化曲线，实现数据预测的目的。

本发明的实施方式不限于此，按照本发明的上述实施例内容，利用本领域的常规技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，以上优选实施例还可以做出其它多种形式的修改、替换或组合，所获得的其它实施例均落在本发明权利保护范围之内。