基于边缘计算的空压站故障预警方法与流程

摘要: 本申请属于故障预警领域,尤其涉及一种基于边缘计算的空压站故障预警方法。背景技术:1、随着工业物联网技术的发展,基于深度学习的神经网络模型在空压站设备状态监测与故...
基于边缘计算的空压站故障预警方法与流程

本申请属于故障预警领域,尤其涉及一种基于边缘计算的空压站故障预警方法。

背景技术:

1、随着工业物联网技术的发展,基于深度学习的神经网络模型在空压站设备状态监测与故障预警领域得到了广泛应用。然而,将神经网络模型部署在云端通常存在数据传输延迟较高、现场响应不够及时等问题。因此,通常需要将故障预警模型下沉部署至边缘计算设备,以满足空压站现场实时监测与快速预警的需求。

2、由于边缘计算设备的算力和存储资源有限,在模型部署前通常需要对深度神经网络进行模型压缩与量化处理,将浮点运算转换为低位宽定点运算,以降低模型存储占用和推理计算量。

3、但是,常规量化校准过程通常未充分结合空压站特有的运行工况。在提取校准数据时,若未兼顾故障前兆特征与平稳运行状态之间的数据分布差异,容易导致量化后的模型对早期微弱故障信号的识别能力下降。同时,在神经网络量化过程中,不同网络层对量化误差的敏感程度存在差异。传统量化策略通常对所有网络层采用一致的量化位宽,容易使敏感层输出激活值分布产生较大偏移,且缺少针对该类偏移的结构补偿机制,导致量化误差在层间传递并累积。

4、此外,现有伪量化方法在确定权重参数量化区间时,多采用统一截断策略,难以根据不同量化位宽进行联动调整;在反向传播更新参数时,通常依赖近似梯度,未充分利用原始权重与量化数值之间的差异进行修正。上述因素使得量化模型在边缘设备部署时,难以同时兼顾低资源消耗和较高的故障预警准确率。

技术实现思路

1、为了解决现有技术中空压站故障预警模型在边缘部署时存在量化精度下降、资源消耗较高以及早期故障信号识别能力不足的问题,第一方面,本发明提出一种基于边缘计算的空压站故障预警方法,包括:

2、获取空压站历史运行状态时序数据,提取表示故障前兆的窗口数据与表示平稳运行的窗口数据,构建状态校准集;构建用于故障预警的神经网络模型,在进行量化训练时,对待量化层,将所述状态校准集输入模型,计算由待量化层在预设基准量化位宽下的量化操作导致的下一层网络输入激活值的分布偏移量;

3、基于所述分布偏移量进行结构与位宽调整,当分布偏移量大于预设阈值时在待量化层旁路并联校正模块;根据所述分布偏移量分配量化位宽;

4、根据分配的量化位宽设定截断值选取百分位,以确定待量化层及已并联的校正模块的权重参数量化区间,在所述量化区间内对权重参数进行伪量化,在反向传播时将原始权重与量化数值的差值乘以预设缩放系数后对梯度进行调整,协同更新模型主干网络及已并联的校正模块参数,完成训练后将量化神经网络模型部署于边缘计算设备,处理实时采集数据并输出故障预警结果。

5、另一方面,本发明还提出了一种基于边缘计算的空压站故障预警系统,包括:

6、计算模块,用于获取空压站历史运行状态时序数据,提取表示故障前兆的窗口数据与表示平稳运行的窗口数据,构建状态校准集;构建用于故障预警的神经网络模型,在进行量化训练时,对待量化层,将所述状态校准集输入模型,计算由待量化层在预设基准量化位宽下的量化操作导致的下一层网络输入激活值的分布偏移量;

7、分配模块,用于基于所述分布偏移量进行结构与位宽调整,当分布偏移量大于预设阈值时在待量化层旁路并联校正模块;根据所述分布偏移量分配量化位宽;

8、预警模块,用于根据分配的量化位宽设定截断值选取百分位,以确定待量化层及已并联的校正模块的权重参数量化区间,在所述量化区间内对权重参数进行伪量化,在反向传播时将原始权重与量化数值的差值乘以预设缩放系数后对梯度进行调整,协同更新模型主干网络及已并联的校正模块参数,完成训练后将量化神经网络模型部署于边缘计算设备,处理实时采集数据并输出故障预警结果。

9、由以上技术方案可知,本发明提供的基于边缘计算的空压站故障预警方法及系统,通过提取故障前兆数据和平稳运行数据构建状态校准集,使量化训练过程能够兼顾异常演化特征与正常工况特征。在量化训练过程中,根据待量化层对下一层输入激活值造成的分布偏移量,分别进行旁路校正模块设置和量化位宽分配。既能够对量化敏感层进行结构补偿,减少关键故障特征在低位宽量化中的损失;又能够对量化不敏感层采用较低位宽,以降低模型参数规模和计算开销。同时,通过截断百分位确定量化区间,并在反向传播中引入量化误差补偿,改善参数更新效果。因此,能够在边缘计算设备资源受限的条件下,提高模型推理效率,并保持较好的空压站故障预警准确性。

1.一种基于边缘计算的空压站故障预警方法,其特征在于,包括:

2.根据权利要求1所述的方法,其特征在于,所述获取空压站历史运行状态时序数据,提取表示故障前兆的窗口数据与表示平稳运行的窗口数据,构建状态校准集,包括:

3.根据权利要求1所述的方法,其特征在于,所述将所述状态校准集输入模型,计算由待量化层在预设基准量化位宽下的量化操作导致的下一层网络输入激活值的分布偏移量,包括:

4.根据权利要求3所述的方法,其特征在于,所述基于所述分布偏移量进行结构与位宽调整,当分布偏移量大于预设阈值时在待量化层旁路并联校正模块,包括:

5.根据权利要求1所述的方法,其特征在于,所述根据所述分布偏移量分配量化位宽,包括:

6.根据权利要求1所述的方法,其特征在于,所述根据分配的量化位宽设定截断值选取百分位,以确定待量化层及已并联的校正模块的权重参数量化区间,包括:

7.根据权利要求1所述的方法,其特征在于,所述完成训练后将量化神经网络模型部署于边缘计算设备,处理实时采集数据并输出故障预警结果,包括:

8.一种基于边缘计算的空压站故障预警系统,其特征在于,包括:

9.根据权利要求8所述的系统,其特征在于,所述获取空压站历史运行状态时序数据,提取表示故障前兆的窗口数据与表示平稳运行的窗口数据,构建状态校准集,包括:

10.根据权利要求8所述的系统,其特征在于,所述将所述状态校准集输入模型,计算由待量化层在预设基准量化位宽下的量化操作导致的下一层网络输入激活值的分布偏移量,包括: