權(quán)利要求書(shū)： 1.一種基于邊云協(xié)同的刮板輸送機(jī)狀態(tài)監(jiān)測(cè)及故障診斷方法，其特征在于，包括：

將標(biāo)定狀態(tài)類(lèi)型和故障類(lèi)型的刮板輸送機(jī)多源監(jiān)測(cè)數(shù)據(jù)，按預(yù)設(shè)數(shù)據(jù)點(diǎn)長(zhǎng)度截取并轉(zhuǎn)化為二維圖像數(shù)據(jù)，將二維圖像數(shù)據(jù)按比例劃分訓(xùn)練集和測(cè)試集；

搭建分布式神經(jīng)網(wǎng)絡(luò)模型(DDNN)；其中，所述分布式神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)分為邊緣側(cè)網(wǎng)絡(luò)模型和云側(cè)網(wǎng)絡(luò)模型，邊緣側(cè)網(wǎng)絡(luò)模型包括兩個(gè)卷積層，兩個(gè)批歸一化層，一個(gè)BoF層，一個(gè)全連接層，采用ReLU激活函數(shù)；云側(cè)網(wǎng)絡(luò)模型包括四個(gè)卷積層，四個(gè)批歸一化層，一個(gè)自適應(yīng)平均池化層，一個(gè)全連接層，采用ReLU激活函數(shù)；

將作為訓(xùn)練集的二維圖像數(shù)據(jù)輸入至所述分布式神經(jīng)網(wǎng)絡(luò)模型中，調(diào)節(jié)網(wǎng)絡(luò)參數(shù)與函數(shù)，至輸出的結(jié)果為準(zhǔn)確故障狀態(tài)和類(lèi)型結(jié)果為止，訓(xùn)練完成后將作為測(cè)試集的二維圖像數(shù)據(jù)輸入分布式神經(jīng)網(wǎng)絡(luò)模型中，驗(yàn)證分布式神經(jīng)網(wǎng)絡(luò)模型的診斷準(zhǔn)確性；

實(shí)時(shí)獲取刮板輸送機(jī)的監(jiān)測(cè)數(shù)據(jù)，經(jīng)數(shù)據(jù)轉(zhuǎn)換后輸入訓(xùn)練好的分布式神經(jīng)網(wǎng)絡(luò)模型的邊緣側(cè)網(wǎng)絡(luò)模型中，若邊緣側(cè)網(wǎng)絡(luò)模型出口的置信度小于預(yù)設(shè)閾值，則將邊緣側(cè)網(wǎng)絡(luò)模型出口輸出的結(jié)果作為刮板輸送機(jī)狀態(tài)監(jiān)測(cè)及故障診斷結(jié)果；

若邊緣側(cè)網(wǎng)絡(luò)模型出口的置信度大于等于預(yù)設(shè)閾值時(shí)，將該監(jiān)測(cè)數(shù)據(jù)輸入到云側(cè)網(wǎng)絡(luò)模型中，將云側(cè)模型的輸出結(jié)果與邊緣側(cè)模型輸出結(jié)果進(jìn)行整合作為刮板輸送機(jī)狀態(tài)監(jiān)測(cè)及故障診斷結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于邊云協(xié)同的刮板輸送機(jī)狀態(tài)監(jiān)測(cè)及故障診斷方法，其特征在于，所述刮板輸送機(jī)監(jiān)測(cè)數(shù)據(jù)包括刮板輸送機(jī)機(jī)頭和機(jī)尾電機(jī)輸出電流、刮板輸送機(jī)機(jī)頭和機(jī)尾電機(jī)轉(zhuǎn)速。

3.根據(jù)權(quán)利要求1所述的基于邊云協(xié)同的刮板輸送機(jī)狀態(tài)監(jiān)測(cè)及故障診斷方法，其特征在于，刮板輸送機(jī)的狀態(tài)和故障形式包括輕負(fù)荷啟動(dòng)、重負(fù)荷啟動(dòng)、未正常啟動(dòng)、機(jī)頭機(jī)尾電機(jī)啟動(dòng)不一致、機(jī)頭機(jī)尾電機(jī)停止不一致、刮板輸送機(jī)鏈條卡住及正常狀態(tài)。

4.根據(jù)權(quán)利要求1所述的基于邊云協(xié)同的刮板輸送機(jī)狀態(tài)監(jiān)測(cè)及故障診斷方法，其特征在于，在將刮板輸送機(jī)多源監(jiān)測(cè)數(shù)據(jù)按預(yù)設(shè)數(shù)據(jù)點(diǎn)長(zhǎng)度截取并轉(zhuǎn)化為二維圖像數(shù)據(jù)的步驟中，轉(zhuǎn)化過(guò)程計(jì)算公式為：



其中，P表示二維圖像的像素強(qiáng)度，L表示數(shù)據(jù)的值，



K表示二維圖像的單邊尺寸。

5.根據(jù)權(quán)利要求1所述的基于邊云協(xié)同的刮板輸送機(jī)狀態(tài)監(jiān)測(cè)及故障診斷方法，其特征在于，訓(xùn)練分布式神經(jīng)網(wǎng)絡(luò)的邊緣側(cè)網(wǎng)絡(luò)模型的步驟包括：

圖像特征提取，將作為訓(xùn)練集的二維圖像數(shù)據(jù)輸入邊緣側(cè)網(wǎng)絡(luò)模型，通過(guò)卷積層提取特征向量；

構(gòu)造視覺(jué)詞典，通過(guò)特征向量與視覺(jué)單詞的相似度來(lái)確定視覺(jué)詞典中視覺(jué)單詞的個(gè)數(shù)，特征向量與視覺(jué)詞典的相似度用徑向基函數(shù)(RBF)來(lái)計(jì)算，RBF第k個(gè)神經(jīng)元的輸出表示為：

[φ(X)]k＝exp(-||X-Vk||2/σk)

式中：X表示特征向量，Vk表示RBF的第k個(gè)神經(jīng)元的中心，σk為核函數(shù)的寬度參數(shù)；

圖像的直方圖表示，得到特征圖關(guān)于各視覺(jué)中心的相似性度量后，通過(guò)量化特征進(jìn)行統(tǒng)計(jì)實(shí)現(xiàn)圖像的直方圖表示，計(jì)算公式表示為：



式中：



Nk為RBF神經(jīng)元個(gè)數(shù)。

6.根據(jù)權(quán)利要求1所述的基于邊云協(xié)同的刮板輸送機(jī)狀態(tài)監(jiān)測(cè)及故障診斷方法，其特征在于，分布式神經(jīng)網(wǎng)絡(luò)模型的云側(cè)網(wǎng)絡(luò)模型包括：

殘差網(wǎng)絡(luò)，殘差單元公式為：

F＝W2σ(W1X)

y＝F(X,{Wi})+X

式中：F為殘差函數(shù)，W1為殘差單元第一層的權(quán)重，W2為殘差單元第二層權(quán)重，σ為ReLU激活函數(shù)，y為殘差單元的輸出；

邊緣側(cè)網(wǎng)絡(luò)模型向云側(cè)網(wǎng)絡(luò)模型傳輸?shù)耐ㄓ嵙勘磉_(dá)公式為：



式中：C為標(biāo)簽集合，l為邊緣側(cè)退出樣本百分比，f為邊緣側(cè)最后一個(gè)卷積層向云側(cè)輸出的圖像尺寸，o為邊緣側(cè)最后一個(gè)卷積層向云側(cè)輸出的圖像通道數(shù)。

7.根據(jù)權(quán)利要求1所述的基于邊云協(xié)同的刮板輸送機(jī)狀態(tài)監(jiān)測(cè)及故障診斷方法，其特征在于，邊緣側(cè)網(wǎng)絡(luò)模型出口的置信度表示為：



式中：C為所有標(biāo)簽的集合，x為概率向量，



8.根據(jù)權(quán)利要求1所述的基于邊云協(xié)同的刮板輸送機(jī)狀態(tài)監(jiān)測(cè)及故障診斷方法，其特征在于，邊緣側(cè)網(wǎng)絡(luò)模型和云側(cè)網(wǎng)絡(luò)模型的出口以交叉熵?fù)p失函數(shù)作為優(yōu)化目標(biāo)，交叉熵?fù)p失函數(shù)的公式表示為：







式中：X表示輸入樣本，y表示樣本的真是標(biāo)簽，



表示樣本的預(yù)測(cè)標(biāo)簽，C表示標(biāo)簽集合，



表示的是樣本從神經(jīng)網(wǎng)絡(luò)的輸入到第n個(gè)出口進(jìn)行的運(yùn)算，θ表示該過(guò)程網(wǎng)絡(luò)的權(quán)重和偏置等參數(shù)。

9.根據(jù)權(quán)利要求8所述的基于邊云協(xié)同的刮板輸送機(jī)狀態(tài)監(jiān)測(cè)及故障診斷方法，其特征在于，將邊緣側(cè)網(wǎng)絡(luò)模型和云側(cè)網(wǎng)絡(luò)模型出口的損失加權(quán)求和并進(jìn)行訓(xùn)練，采用梯度下降方法更新分布式神經(jīng)網(wǎng)絡(luò)的參數(shù)，分布式神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)表示為：



式中：N表示分類(lèi)出口的數(shù)量,wn表示每個(gè)出口的權(quán)重，



表示第個(gè)出口的估計(jì)值。

說(shuō)明書(shū)： 一種基于邊云協(xié)同的刮板輸送機(jī)狀態(tài)監(jiān)測(cè)及故障診斷方法技術(shù)領(lǐng)域

本發(fā)明涉及深度學(xué)習(xí)技術(shù)領(lǐng)域，尤其涉及一種基于邊云協(xié)同的刮板輸送機(jī)狀態(tài)監(jiān)測(cè)及故障診斷方法。

背景技術(shù)

當(dāng)前云計(jì)算面臨著一些亟待解決的問(wèn)題，首先，線性增長(zhǎng)的集中式云計(jì)算能力無(wú)法匹配爆炸式增長(zhǎng)的海量邊緣數(shù)據(jù)，而把海量數(shù)據(jù)傳輸?shù)皆朴?jì)算中心去處理勢(shì)必會(huì)造成傳輸帶寬負(fù)載急劇增加造成較長(zhǎng)網(wǎng)絡(luò)延遲，難以滿足控制類(lèi)數(shù)據(jù)、實(shí)時(shí)數(shù)據(jù)的傳輸需求。其次，邊緣設(shè)備傳輸數(shù)據(jù)到云平臺(tái)將消耗較大電能，在傳輸數(shù)據(jù)的同時(shí)也存在安全隱患。

刮板輸送機(jī)作為連接工作面與外界的重要紐帶，在煤炭開(kāi)采過(guò)程中占有十分重要的位置，由于其工況差、負(fù)載大、受沖擊多，工作過(guò)程中極易出現(xiàn)故障，進(jìn)而影響到整個(gè)生產(chǎn)進(jìn)度。隨著煤礦信息化進(jìn)程的推進(jìn)，綜采工作面設(shè)備的全面自動(dòng)化勢(shì)在必行，目前對(duì)于刮板輸送機(jī)狀態(tài)監(jiān)測(cè)及故障診斷方法的研究大多是將全部神經(jīng)網(wǎng)絡(luò)模型布置在云端，然后將刮板輸送機(jī)參數(shù)傳輸?shù)皆贫藢?duì)刮板輸送機(jī)進(jìn)行在線監(jiān)測(cè)，無(wú)法做到實(shí)時(shí)監(jiān)測(cè)和診斷。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于邊云協(xié)同的刮板輸送機(jī)狀態(tài)監(jiān)測(cè)及故障診斷方法，使用一種改進(jìn)的分布式神經(jīng)網(wǎng)絡(luò)，通過(guò)云邊協(xié)同推理的方式監(jiān)測(cè)刮板輸送機(jī)在實(shí)際運(yùn)行中的數(shù)據(jù)，實(shí)現(xiàn)實(shí)時(shí)、準(zhǔn)確地狀態(tài)監(jiān)測(cè)和故障診斷。

本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案是：構(gòu)造一種基于邊云協(xié)同的刮板輸送機(jī)狀態(tài)監(jiān)測(cè)及故障診斷方法，包括：

將標(biāo)定狀態(tài)類(lèi)型和故障類(lèi)型的刮板輸送機(jī)多源監(jiān)測(cè)數(shù)據(jù)，按預(yù)設(shè)數(shù)據(jù)點(diǎn)長(zhǎng)度截取并轉(zhuǎn)化為二維圖像數(shù)據(jù)，將二維圖像數(shù)據(jù)按比例劃分訓(xùn)練集和測(cè)試集；

搭建分布式神經(jīng)網(wǎng)絡(luò)模型(DDNN)；其中，所述分布式神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)分為邊緣側(cè)網(wǎng)絡(luò)模型和云側(cè)網(wǎng)絡(luò)模型，邊緣側(cè)網(wǎng)絡(luò)模型包括兩個(gè)卷積層，兩個(gè)批歸一化層，一個(gè)BoF層，一個(gè)全連接層，采用ReLU激活函數(shù)；云側(cè)網(wǎng)絡(luò)模型包括四個(gè)卷積層，四個(gè)批歸一化層，一個(gè)自適應(yīng)平均池化層，一個(gè)全連接層，采用ReLU激活函數(shù)；

將作為訓(xùn)練集的二維圖像數(shù)據(jù)輸入至所述分布式神經(jīng)網(wǎng)絡(luò)模型中，調(diào)節(jié)網(wǎng)絡(luò)參數(shù)與函數(shù)，至輸出的結(jié)果為準(zhǔn)確故障狀態(tài)和類(lèi)型結(jié)果為止，訓(xùn)練完成后將作為測(cè)試集的二維圖像數(shù)據(jù)輸入分布式神經(jīng)網(wǎng)絡(luò)模型中，驗(yàn)證分布式神經(jīng)網(wǎng)絡(luò)模型的診斷準(zhǔn)確性；

實(shí)時(shí)獲取刮板輸送機(jī)的監(jiān)測(cè)數(shù)據(jù)，經(jīng)數(shù)據(jù)轉(zhuǎn)換后輸入訓(xùn)練好的分布式神經(jīng)網(wǎng)絡(luò)模型的邊緣側(cè)網(wǎng)絡(luò)模型中，若邊緣側(cè)網(wǎng)絡(luò)模型出口的置信度小于預(yù)設(shè)閾值，則將邊緣側(cè)網(wǎng)絡(luò)模型出口輸出的結(jié)果作為刮板輸送機(jī)狀態(tài)監(jiān)測(cè)及故障診斷結(jié)果；

若邊緣側(cè)網(wǎng)絡(luò)模型出口的置信度大于等于預(yù)設(shè)閾值時(shí)，將該監(jiān)測(cè)數(shù)據(jù)輸入到云側(cè)網(wǎng)絡(luò)模型中，將云側(cè)模型的輸出結(jié)果與邊緣側(cè)模型輸出結(jié)果進(jìn)行整合作為刮板輸送機(jī)狀態(tài)監(jiān)測(cè)及故障診斷結(jié)果。

其中，刮板輸送機(jī)監(jiān)測(cè)數(shù)據(jù)包括刮板輸送機(jī)機(jī)頭和機(jī)尾電機(jī)輸出電流、刮板輸送機(jī)機(jī)頭和機(jī)尾電機(jī)轉(zhuǎn)速。

其中，刮板輸送機(jī)的狀態(tài)和故障形式包括輕負(fù)荷啟動(dòng)、重負(fù)荷啟動(dòng)、未正常啟動(dòng)、機(jī)頭機(jī)尾電機(jī)啟動(dòng)不一致、機(jī)頭機(jī)尾電機(jī)停止不一致、刮板輸送機(jī)鏈條卡住及正常狀態(tài)。

其中，在將刮板輸送機(jī)多源監(jiān)測(cè)數(shù)據(jù)按預(yù)設(shè)數(shù)據(jù)點(diǎn)長(zhǎng)度截取并轉(zhuǎn)化為二維圖像數(shù)據(jù)的步驟中，轉(zhuǎn)化過(guò)程計(jì)算公式為：



其中，P表示二維圖像的像素強(qiáng)度，L表示數(shù)據(jù)的值，



K表示二維圖像的單邊尺寸。

其中，訓(xùn)練分布式神經(jīng)網(wǎng)絡(luò)的邊緣側(cè)網(wǎng)絡(luò)模型的步驟包括：

圖像特征提取，將作為訓(xùn)練集的二維圖像數(shù)據(jù)輸入邊緣側(cè)網(wǎng)絡(luò)模型，通過(guò)卷積層提取特征向量；

構(gòu)造視覺(jué)詞典，通過(guò)特征向量與視覺(jué)單詞的相似度來(lái)確定視覺(jué)詞典中視覺(jué)單詞的個(gè)數(shù)，特征向量與視覺(jué)詞典的相似度用徑向基函數(shù)(RBF)來(lái)計(jì)算，RBF第k個(gè)神經(jīng)元的輸出表示為：

[φ(X)]k＝exp(-||X-Vk||2/σk)

式中：X表示特征向量，Vk表示RBF的第k個(gè)神經(jīng)元的中心，σk為核函數(shù)的寬度參數(shù)；

圖像的直方圖表示，得到特征圖關(guān)于各視覺(jué)中心的相似性度量后，通過(guò)量化特征進(jìn)行統(tǒng)計(jì)實(shí)現(xiàn)圖像的直方圖表示，計(jì)算公式表示為：



式中：



Nk為RBF神經(jīng)元個(gè)數(shù)。

其中，分布式神經(jīng)網(wǎng)絡(luò)模型的云側(cè)網(wǎng)絡(luò)模型包括：

殘差網(wǎng)絡(luò)，殘差單元公式為：

F＝W2σ(W1X)

y＝F(X,{Wi})+X

式中：F為殘差函數(shù)，W1為殘差單元第一層的權(quán)重，W2為殘差單元第二層權(quán)重，σ為ReLU激活函數(shù)，y為殘差單元的輸出；

邊緣側(cè)網(wǎng)絡(luò)模型向云側(cè)網(wǎng)絡(luò)模型傳輸?shù)耐ㄓ嵙勘磉_(dá)公式為：



式中：C為標(biāo)簽集合，l為邊緣側(cè)退出樣本百分比，f為邊緣側(cè)最后一個(gè)卷積層向云側(cè)輸出的圖像尺寸，o為邊緣側(cè)最后一個(gè)卷積層向云側(cè)輸出的圖像通道數(shù)。

其中，邊緣側(cè)網(wǎng)絡(luò)模型出口的置信度表示為：



式中：C為所有標(biāo)簽的集合，x為概率向量，



其中，邊緣側(cè)網(wǎng)絡(luò)模型和云側(cè)網(wǎng)絡(luò)模型的出口以交叉熵?fù)p失函數(shù)作為優(yōu)化目標(biāo)，交叉熵?fù)p失函數(shù)的公式表示為：







式中：X表示輸入樣本，y表示樣本的真是標(biāo)簽，



表示樣本的預(yù)測(cè)標(biāo)簽，C表示標(biāo)簽集合，



表示的是樣本從神經(jīng)網(wǎng)絡(luò)的輸入到第n個(gè)出口進(jìn)行的運(yùn)算，θ表示該過(guò)程網(wǎng)絡(luò)的權(quán)重和偏置等參數(shù)。

其中，將邊緣側(cè)網(wǎng)絡(luò)模型和云側(cè)網(wǎng)絡(luò)模型出口的損失加權(quán)求和并進(jìn)行訓(xùn)練，采用梯度下降方法更新分布式神經(jīng)網(wǎng)絡(luò)的參數(shù)，分布式神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)表示為：



式中：N表示分類(lèi)出口的數(shù)量,wn表示每個(gè)出口的權(quán)重，



表示第個(gè)出口的估計(jì)值。

區(qū)別于現(xiàn)有技術(shù)，本發(fā)明的基于邊云協(xié)同的刮板輸送機(jī)狀態(tài)監(jiān)測(cè)及故障診斷方法，將一維時(shí)域數(shù)字信號(hào)轉(zhuǎn)化為二維圖像數(shù)據(jù)，與傳統(tǒng)數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法相比，可以直接從刮板輸送機(jī)原始數(shù)據(jù)中自動(dòng)提取特征，減小了人工提取特征對(duì)診斷結(jié)果的影響，盡可能的消除專(zhuān)業(yè)知識(shí)；本發(fā)明構(gòu)建模型中的邊緣側(cè)所采用的模型，將可訓(xùn)練的徑向基函數(shù)神經(jīng)元用于量化最終卷積層的激活，減少網(wǎng)絡(luò)中參數(shù)的數(shù)量，并允許邊緣側(cè)分類(lèi)各種尺寸的圖像；當(dāng)樣本在邊緣側(cè)已經(jīng)高度置信時(shí)，該架構(gòu)允許大部分測(cè)試樣本早期通過(guò)邊緣側(cè)退出網(wǎng)絡(luò)，最大限度地減少了設(shè)備的通信和資源使用，提高了在云端提取特征的有用性，并實(shí)現(xiàn)分類(lèi)高精度；本發(fā)明在通訊量減少的同時(shí)準(zhǔn)確率也有所提高，最高準(zhǔn)確率達(dá)到了100％，表現(xiàn)出了良好的泛化能力。

附圖說(shuō)明

下面將結(jié)合附圖及實(shí)施例對(duì)本發(fā)明作進(jìn)一步說(shuō)明，附圖中：

圖1是本發(fā)明提供的一種基于邊云協(xié)同的刮板輸送機(jī)狀態(tài)監(jiān)測(cè)及故障診斷方法的流程示意圖。

圖2是本發(fā)明提供的一種基于邊云協(xié)同的刮板輸送機(jī)狀態(tài)監(jiān)測(cè)及故障診斷方法的數(shù)據(jù)預(yù)處理的原理示意圖。

圖3是本發(fā)明提供的一種基于邊云協(xié)同的刮板輸送機(jī)狀態(tài)監(jiān)測(cè)及故障診斷方法的構(gòu)建的神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖。

圖4是本發(fā)明提供的一種基于邊云協(xié)同的刮板輸送機(jī)狀態(tài)監(jiān)測(cè)及故障診斷方法中對(duì)數(shù)據(jù)集一的數(shù)據(jù)預(yù)處理所得到的狀態(tài)及故障類(lèi)別二維圖像示意圖。

圖5是本發(fā)明提供的一種基于邊云協(xié)同的刮板輸送機(jī)狀態(tài)監(jiān)測(cè)及故障診斷方法對(duì)數(shù)據(jù)集二的數(shù)據(jù)預(yù)處理所得到的狀態(tài)及故障類(lèi)別二維圖像示意圖。

圖6是本發(fā)明提供的一種基于邊云協(xié)同的刮板輸送機(jī)狀態(tài)監(jiān)測(cè)及故障診斷方法中不同神經(jīng)網(wǎng)絡(luò)使用數(shù)據(jù)一時(shí)的狀態(tài)監(jiān)測(cè)及故障診斷結(jié)果對(duì)比示意圖。

圖7是本發(fā)明提供的一種基于邊云協(xié)同的刮板輸送機(jī)狀態(tài)監(jiān)測(cè)及故障診斷方法中測(cè)試數(shù)據(jù)集一中云側(cè)、邊緣側(cè)、各閾值下云邊協(xié)同的準(zhǔn)確率、通訊量示意圖。

圖8是本發(fā)明提供的一種基于邊云協(xié)同的刮板輸送機(jī)狀態(tài)監(jiān)測(cè)及故障診斷方法中測(cè)試數(shù)據(jù)集二中云側(cè)、邊緣側(cè)、各閾值下云邊協(xié)同的準(zhǔn)確率、通訊量示意圖。

圖9是本發(fā)明提供的一種基于邊云協(xié)同的刮板輸送機(jī)狀態(tài)監(jiān)測(cè)及故障診斷方法的整體框架圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì)本發(fā)明做進(jìn)一步的詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此外所描述的具體實(shí)施例僅用以解釋本發(fā)明，但并不用于限定本發(fā)明。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都將屬于本發(fā)明保護(hù)的范圍。

參照附圖9，本發(fā)明提供的一種基于邊云協(xié)同的刮板輸送機(jī)狀態(tài)監(jiān)測(cè)及故障診斷方法的整體框架圖；由設(shè)備端，邊緣端，云端三部分組成；設(shè)備端包括刮板輸送機(jī)傳感器，邊緣側(cè)包括邊側(cè)模型，云側(cè)包括智慧云平臺(tái)數(shù)據(jù)庫(kù)、DDNN模型的訓(xùn)練和云測(cè)模型。

參照附圖1，本發(fā)明提供的一種基于邊云協(xié)同的刮板輸送機(jī)狀態(tài)監(jiān)測(cè)及故障診斷方法，包括：

將標(biāo)定狀態(tài)類(lèi)型和故障類(lèi)型的刮板輸送機(jī)多源監(jiān)測(cè)數(shù)據(jù)，按預(yù)設(shè)數(shù)據(jù)點(diǎn)長(zhǎng)度截取并轉(zhuǎn)化為二維圖像數(shù)據(jù)，將二維圖像數(shù)據(jù)按比例劃分訓(xùn)練集和測(cè)試集；

搭建分布式神經(jīng)網(wǎng)絡(luò)模型(DDNN)；其中，所述分布式神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)分為邊緣側(cè)網(wǎng)絡(luò)模型和云側(cè)網(wǎng)絡(luò)模型，邊緣側(cè)網(wǎng)絡(luò)模型包括兩個(gè)卷積層，兩個(gè)批歸一化層，一個(gè)BoF層，一個(gè)全連接層，采用ReLU激活函數(shù)；云側(cè)網(wǎng)絡(luò)模型包括四個(gè)卷積層，四個(gè)批歸一化層，一個(gè)自適應(yīng)平均池化層，一個(gè)全連接層，采用ReLU激活函數(shù)；

將作為訓(xùn)練集的二維圖像數(shù)據(jù)輸入至所述分布式神經(jīng)網(wǎng)絡(luò)模型中，調(diào)節(jié)網(wǎng)絡(luò)參數(shù)與函數(shù)，至輸出的結(jié)果為準(zhǔn)確故障狀態(tài)和類(lèi)型結(jié)果為止，訓(xùn)練完成后將作為測(cè)試集的二維圖像數(shù)據(jù)輸入分布式神經(jīng)網(wǎng)絡(luò)模型中，驗(yàn)證分布式神經(jīng)網(wǎng)絡(luò)模型的診斷準(zhǔn)確性；

實(shí)時(shí)獲取刮板輸送機(jī)的監(jiān)測(cè)數(shù)據(jù)，經(jīng)數(shù)據(jù)轉(zhuǎn)換后輸入訓(xùn)練好的分布式神經(jīng)網(wǎng)絡(luò)模型的邊緣側(cè)網(wǎng)絡(luò)模型中，若邊緣側(cè)網(wǎng)絡(luò)模型出口的置信度小于預(yù)設(shè)閾值，則將邊緣側(cè)網(wǎng)絡(luò)模型出口輸出的結(jié)果作為刮板輸送機(jī)狀態(tài)監(jiān)測(cè)及故障診斷結(jié)果；

若邊緣側(cè)網(wǎng)絡(luò)模型出口的置信度大于等于預(yù)設(shè)閾值時(shí)，將該監(jiān)測(cè)數(shù)據(jù)輸入到云側(cè)網(wǎng)絡(luò)模型中，將云側(cè)模型的輸出結(jié)果與邊緣側(cè)模型輸出結(jié)果進(jìn)行整合作為刮板輸送機(jī)狀態(tài)監(jiān)測(cè)及故障診斷結(jié)果。

其中，刮板輸送機(jī)監(jiān)測(cè)數(shù)據(jù)包括刮板輸送機(jī)機(jī)頭和機(jī)尾電機(jī)輸出電流、刮板輸送機(jī)機(jī)頭和機(jī)尾電機(jī)轉(zhuǎn)速。

其中，刮板輸送機(jī)的狀態(tài)和故障形式包括輕負(fù)荷啟動(dòng)、重負(fù)荷啟動(dòng)、未正常啟動(dòng)、機(jī)頭機(jī)尾電機(jī)啟動(dòng)不一致、機(jī)頭機(jī)尾電機(jī)停止不一致、刮板輸送機(jī)鏈條卡住及正常狀態(tài)。

對(duì)二維圖像數(shù)據(jù)進(jìn)行預(yù)處理的過(guò)程如圖2所示，在將刮板輸送機(jī)多源監(jiān)測(cè)數(shù)據(jù)按預(yù)設(shè)數(shù)據(jù)點(diǎn)長(zhǎng)度截取并轉(zhuǎn)化為二維圖像數(shù)據(jù)的步驟中，轉(zhuǎn)化過(guò)程計(jì)算公式為：



其中，P表示二維圖像的像素強(qiáng)度，L表示數(shù)據(jù)的值，



K表示二維圖像的單邊尺寸。

分布式神經(jīng)網(wǎng)絡(luò)膜系的結(jié)構(gòu)如圖3所示，訓(xùn)練分布式神經(jīng)網(wǎng)絡(luò)的邊緣側(cè)網(wǎng)絡(luò)模型的步驟包括：

圖像特征提取，將作為訓(xùn)練集的二維圖像數(shù)據(jù)輸入邊緣側(cè)網(wǎng)絡(luò)模型，通過(guò)卷積層提取特征向量；

構(gòu)造視覺(jué)詞典，通過(guò)特征向量與視覺(jué)單詞的相似度來(lái)確定視覺(jué)詞典中視覺(jué)單詞的個(gè)數(shù)，特征向量與視覺(jué)詞典的相似度用徑向基函數(shù)(RBF)來(lái)計(jì)算，RBF第k個(gè)神經(jīng)元的輸出表示為：

[φ(X)]k＝exp(-||X-Vk||2/σk)

式中：X表示特征向量，Vk表示RBF的第k個(gè)神經(jīng)元的中心，σk為核函數(shù)的寬度參數(shù)；

圖像的直方圖表示，得到特征圖關(guān)于各視覺(jué)中心的相似性度量后，通過(guò)量化特征進(jìn)行統(tǒng)計(jì)實(shí)現(xiàn)圖像的直方圖表示，計(jì)算公式表示為：



式中：



Nk為RBF神經(jīng)元個(gè)數(shù)。

其中，分布式神經(jīng)網(wǎng)絡(luò)模型的云側(cè)網(wǎng)絡(luò)模型包括：

殘差網(wǎng)絡(luò)，殘差單元公式為：

F＝W2σ(W1X)

y＝F(X,{Wi})+X

式中：F為殘差函數(shù)，W1為殘差單元第一層的權(quán)重，W2為殘差單元第二層權(quán)重，σ為ReLU激活函數(shù)，y為殘差單元的輸出；

邊緣側(cè)網(wǎng)絡(luò)模型向云側(cè)網(wǎng)絡(luò)模型傳輸?shù)耐ㄓ嵙勘磉_(dá)公式為：



式中：C為標(biāo)簽集合，l為邊緣側(cè)退出樣本百分比，f為邊緣側(cè)最后一個(gè)卷積層向云側(cè)輸出的圖像尺寸，o為邊緣側(cè)最后一個(gè)卷積層向云側(cè)輸出的圖像通道數(shù)。

其中，邊緣側(cè)網(wǎng)絡(luò)模型出口的置信度表示為：



式中：C為所有標(biāo)簽的集合，x為概率向量，



其中，邊緣側(cè)網(wǎng)絡(luò)模型和云側(cè)網(wǎng)絡(luò)模型的出口以交叉熵?fù)p失函數(shù)作為優(yōu)化目標(biāo)，交叉熵?fù)p失函數(shù)的公式表示為：







式中：X表示輸入樣本，y表示樣本的真是標(biāo)簽，



表示樣本的預(yù)測(cè)標(biāo)簽，C表示標(biāo)簽集合，



表示的是樣本從神經(jīng)網(wǎng)絡(luò)的輸入到第n個(gè)出口進(jìn)行的運(yùn)算，θ表示該過(guò)程網(wǎng)絡(luò)的權(quán)重和偏置等參數(shù)。

其中，將邊緣側(cè)網(wǎng)絡(luò)模型和云側(cè)網(wǎng)絡(luò)模型出口的損失加權(quán)求和并進(jìn)行訓(xùn)練，采用梯度下降方法更新分布式神經(jīng)網(wǎng)絡(luò)的參數(shù)，分布式神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)表示為：



式中：N表示分類(lèi)出口的數(shù)量,wn表示每個(gè)出口的權(quán)重，



表示第個(gè)出口的估計(jì)值。

實(shí)驗(yàn)案例

實(shí)驗(yàn)數(shù)據(jù)集一取自山西焦煤集團(tuán)柳灣煤礦智能綜采工作面的智慧云平臺(tái)，診斷對(duì)象為山西焦煤機(jī)械電氣有限公司制造的SGZ－764/630型刮板輸送機(jī)。通過(guò)對(duì)該煤礦前部刮板輸送機(jī)實(shí)際監(jiān)測(cè)，收集到刮板輸送機(jī)在多種狀態(tài)下4種參數(shù)的數(shù)據(jù),每個(gè)類(lèi)型的樣本數(shù)目按5:1的比例分為訓(xùn)練集和測(cè)試集，樣本具體組成信息見(jiàn)表1。



表1狀態(tài)類(lèi)型樣本信息表

實(shí)驗(yàn)數(shù)據(jù)集二為美國(guó)凱斯西儲(chǔ)大學(xué)公開(kāi)的軸承數(shù)據(jù)集，此實(shí)驗(yàn)采用驅(qū)動(dòng)端軸承為SKF6205，采樣頻率為12Khz的數(shù)據(jù)集，在此數(shù)據(jù)集中，有三種故障類(lèi)型，每個(gè)故障類(lèi)型具有三種不同的損壞尺寸。共九個(gè)故障條件和一個(gè)正常情況。三個(gè)故障類(lèi)型是滾子故障(RF)，外圈故障(OF)和內(nèi)圈故障(IF)。損壞尺寸為0.18mm，0.36mm和0.54mm。在四個(gè)負(fù)載(0,1,2,3HP)條件下收集到的驅(qū)動(dòng)端部振動(dòng)信號(hào)，每個(gè)類(lèi)型的樣本數(shù)目按5:1的比例分為訓(xùn)練集和測(cè)試集，樣本具體組成信息見(jiàn)表2。



表2故障類(lèi)型樣本信息表

從數(shù)據(jù)庫(kù)中按784個(gè)數(shù)據(jù)點(diǎn)長(zhǎng)度截取數(shù)據(jù)并將其轉(zhuǎn)化為28×28的二維圖像，數(shù)據(jù)集一對(duì)應(yīng)的狀態(tài)及故障類(lèi)別如圖4所示，數(shù)據(jù)集二對(duì)應(yīng)的故障類(lèi)別如圖5所示。

構(gòu)建的分布式神經(jīng)網(wǎng)絡(luò)的邊緣側(cè)參數(shù)如表3所示：



表3邊緣側(cè)參數(shù)表

構(gòu)建的分布式神經(jīng)網(wǎng)絡(luò)的云側(cè)參數(shù)如表4所示：





表4云側(cè)參數(shù)表

當(dāng)輸入到邊緣側(cè)的樣本特征向量到達(dá)邊緣側(cè)出口時(shí)，若樣本置信度小于設(shè)定的閾值則退出，否則將表3中第二層的特征向量傳輸?shù)奖?中的第一層，由云側(cè)對(duì)樣本進(jìn)行識(shí)別分類(lèi)。

將各個(gè)出口的損失加權(quán)求和進(jìn)行訓(xùn)練，云側(cè)加權(quán)值取1邊緣側(cè)加權(quán)值取0.1，并采用SGD算法更新分布式神經(jīng)網(wǎng)絡(luò)的參數(shù)，學(xué)習(xí)率設(shè)置為0.1，動(dòng)量系數(shù)設(shè)置為0.9，共迭代100次。

本發(fā)明方法的云側(cè)神經(jīng)網(wǎng)絡(luò)與其他神經(jīng)網(wǎng)絡(luò)模型作比較：

按照本發(fā)明構(gòu)建的分布式神經(jīng)網(wǎng)絡(luò)云側(cè)模型與Alexnet,Vggnet神經(jīng)網(wǎng)絡(luò)對(duì)比,重復(fù)5次試驗(yàn)，其比較結(jié)果如圖6。從結(jié)果可以看出，相比其它方法，構(gòu)建的分布式神經(jīng)網(wǎng)絡(luò)的云側(cè)模型在分類(lèi)精度和穩(wěn)定性上都取得了最好的效果，很好地完成了刮板輸送機(jī)狀態(tài)及故障類(lèi)別的診斷。

本發(fā)明方法的云邊協(xié)同推理與云側(cè)和邊緣側(cè)單獨(dú)推理作比較：

如圖7所示，在測(cè)試數(shù)據(jù)一過(guò)程中，云側(cè)分類(lèi)器單獨(dú)推理的精度99.50％，邊緣側(cè)分類(lèi)器單獨(dú)推理的精度96.86％，“云-邊”協(xié)同推理的精度最高達(dá)到100％，遠(yuǎn)遠(yuǎn)高于前兩者。在通訊量方面，將模型全部卸載到云中的方法其每個(gè)樣本發(fā)送到云的成本為784個(gè)字節(jié)，而“云-邊”協(xié)同推理最少為352個(gè)字節(jié)只需其通訊量的44.9％。此外，如圖8所示，在測(cè)試數(shù)據(jù)二的過(guò)程中，所構(gòu)建的分布式神經(jīng)網(wǎng)絡(luò)同樣表現(xiàn)出良好的分類(lèi)效果，表現(xiàn)出了良好的泛化能力。

本發(fā)明針對(duì)基于云計(jì)算的神經(jīng)網(wǎng)絡(luò)對(duì)刮板輸送機(jī)狀態(tài)監(jiān)測(cè)及故障診斷中存在的實(shí)時(shí)性、帶寬、安全性、以及網(wǎng)絡(luò)泛化能力方面的問(wèn)題，提出了面向邊緣計(jì)算的分布式神經(jīng)網(wǎng)絡(luò)對(duì)刮板輸送機(jī)的狀態(tài)監(jiān)測(cè)及故障診斷方法，將一維數(shù)字信號(hào)轉(zhuǎn)化為二維圖像有利于神經(jīng)網(wǎng)絡(luò)對(duì)特征向量的提取，減小了人工提取特征對(duì)診斷結(jié)果的影響，盡可能的消除專(zhuān)業(yè)知識(shí)；狀態(tài)監(jiān)測(cè)及故障診斷時(shí)，邊緣側(cè)對(duì)置信度小于閾值的樣本早期退出，符合診斷實(shí)時(shí)性、數(shù)據(jù)安全性的需求，邊云協(xié)同推理的方式在極大降低通訊量的同時(shí)，診斷精度較云計(jì)算精度也有所提升，此外，所構(gòu)建的模型表現(xiàn)出了良好的泛化能力。

附圖對(duì)本發(fā)明的實(shí)施例進(jìn)行了描述，但是本發(fā)明并不局限于上述的具體實(shí)施方式，上述的具體實(shí)施方式僅僅是示意性的，而不是限制性的，本領(lǐng)域的普通技術(shù)人員在本發(fā)明的啟示下，在不脫離本發(fā)明宗旨和權(quán)利要求所保護(hù)的范圍情況下，還可做出很多形式，這些均屬于本發(fā)明的保護(hù)之內(nèi)。