一种物联网设备状态监测与故障预诊断方法与流程

本发明涉及工业物联网与人工智能交叉，具体涉及一种物联网设备状态监测与故障预诊断方法，尤其涉及一种融合云端元学习、边缘侧数字孪生仿真、证据深度学习不确定性量化与共形预测在线校准的物联网设备剩余使用寿命预测与故障预警方法，属于故障预测与健康管理，可应用于电机、泵阀、轴承机组等接入工业物联网络、具备传感器数据采集与远程通信能力的现场设备的健康状态监测与维护决策支持。

背景技术：

1、随着工业物联网技术在电机、泵阀、轴承机组等现场设备中的广泛部署，设备状态监测与故障预测健康管理已成为保障工业生产安全、降低设备维护成本的重要技术手段，在此背景下，基于深度学习的故障预测健康管理技术路线已成为学术界与工业界的主流研究方向，其一般实现流程为：通过部署于设备本体的振动、温度、电流等传感器采集设备运行过程中的时序数据，利用卷积神经网络、长短时记忆网络等深度神经网络模型对采集到的时序数据进行退化特征提取，进而训练回归模型或分类模型，输出设备的健康状态评分或剩余使用寿命预测数值，最终结合预先设定的固定阈值判断是否触发设备维护预警。

2、与本发明关系密切的现有技术方案通常包括如下处理过程：采集目标设备从正常运行状态到故障失效的全生命周期历史数据，构建监督学习训练数据集，对采集到的原始传感器数据进行滑动窗口切片与归一化等预处理操作，提取时域、频域或时频域特征，基于监督学习方式训练深度神经网络回归模型，将输入特征映射为剩余使用寿命数值或故障发生概率，在模型推理阶段，将新采集的实时数据输入已训练完成的模型，直接输出确定性的剩余使用寿命点预测结果，将预测结果与预先设定的固定阈值进行比较，当预测结果低于该阈值时触发维护工单，上述现有技术方案的实现前提在于设备拥有海量且标注完整的全生命周期故障数据。

3、上述现有技术方案存在如下两方面缺陷，其一，由于现有模型的训练过程严重依赖目标设备自身积累的历史故障样本，当目标设备为新采购设备或新批次设备刚上线时，也即处于尚未积累任何故障历史数据、仅有正常运行数据的初始运行阶段（该阶段通常称为冷启动阶段），该类设备只能获取正常运行数据而无法获取退化数据与故障数据，导致模型无法学习该设备的退化演化规律，进而使现有技术方案难以在缺乏目标设备退化数据的冷启动阶段有效建立健康退化基线，造成设备服役初期的故障预测健康管理系统难以发挥实际作用，只能等待设备积累大量故障样本后才具备诊断能力，其二，由于现有模型普遍采用确定性映射网络结构，仅以均方误差等点估计损失函数进行训练，模型只能输出单一数值而不具备对自身预测结果置信度进行量化的能力，而工业物联网设备通常运行于变工况、高噪声、跨域漂移的复杂环境中，模型性能在此类环境下容易发生下降，现有技术方案由于缺乏对预测结果不确定性的有效量化手段，导致工业现场运维决策人员难以判断预测结果的可信程度，容易因单次预测偏差导致错误的停机维护决策，甚至引发安全事故。

4、因此，如何在物联网设备冷启动阶段快速建立设备专属的健康退化基线，同时使故障预测模型在输出剩余使用寿命预测结果的同时给出具有数学覆盖率保证的不确定性量化结果，是本领域亟待解决的技术问题。

技术实现思路

1、本发明要解决的技术问题包括以下两个相互关联的方面：第一，如何在物联网设备冷启动阶段，即目标设备不具备故障历史数据、仅具备少量正常运行数据的条件下，快速、准确地建立该设备专属的健康退化基线，从而使故障预测健康管理系统在设备服役初期即可有效工作，第二，如何使故障预测模型在输出剩余使用寿命预测结果的同时，给出具有数学覆盖率保证的不确定性量化结果，避免传统模型仅输出确定性点预测值而导致工业现场决策人员无法判断预测结果可信度的问题，尤其是在设备处于变工况、高噪声、跨域漂移环境下，使预警窗口的置信区间既紧致又可靠。

2、为解决上述技术问题，本发明提供一种物联网设备状态监测与故障预诊断方法，该方法包括：基于多个源域设备的历史退化数据，通过元学习方式训练得到能够表征退化机理共性规律、与具体设备工况差异无关的域不变特征提取器，并将该特征提取器的参数由云端下发至边缘侧，在边缘侧采集目标物联网设备的少量正常运行数据，基于该正常运行数据对目标设备的物理降阶数字孪生模型的参数进行在线校准，并基于校准后的数字孪生模型沿时间轴进行数值积分外推，生成从当前正常状态延伸至预设失效阈值的虚拟退化轨迹，将目标设备实测正常运行数据与所述虚拟退化轨迹分别输入所述域不变特征提取器，得到对应的真实数据特征嵌入与虚拟数据特征嵌入，并对两类特征嵌入的分布差异进行优化处理以减小该分布差异，实现语义级特征对齐，得到目标设备专属的健康退化基线嵌入表示，将所述健康退化基线嵌入表示与目标设备实时传感器特征拼接后输入证据深度学习网络，由该网络并行输出预测均值先验、置信虚拟观测次数、形状参数与尺度参数四个证据参数，根据四个证据参数解析计算得到剩余使用寿命预测期望、表征观测噪声固有随机性的数据不确定性以及表征模型训练数据不足程度的认知不确定性，基于边缘侧滚动更新的校准数据集，利用所述数据不确定性对预测残差进行归一化处理得到不合格分数，根据不合格分数集合的经验分位数生成具有预设置信度保证的剩余使用寿命预测区间，依据剩余使用寿命预测区间的下界与预设维护安全阈值的比较结果判断是否触发故障预警，并在触发故障预警时输出携带预测期望、预测区间与置信度标签的故障预警信息。

3、在上述技术方案中，数字孪生虚拟数据固有的仿真与真实之间的偏差被显式地作为证据深度学习模块中数据不确定性建模的输入依据之一，并进一步通过共形预测进行统计层面的修正与校准，由此形成零样本基线生成、不确定性建模与在线统计校准三级递进的自底向上技术闭环，该数据流耦合关系是本发明区别于简单技术叠加方案的实质性技术特征结合。

4、本发明通过云端元学习提取域不变退化知识、边缘侧数字孪生生成虚拟退化锚点并与元知识进行语义级对齐，能够在目标设备零真实故障样本的冷启动条件下快速建立设备专属健康退化基线，使故障预测健康管理系统在设备服役初期即可有效工作，而非等待设备积累大量故障样本后才具备诊断能力，通过引入证据深度学习层在单次前向传播中同时输出预测期望与不确定性量化结果，并结合共形预测在线校准机制，能够在给出预测期望的同时提供具有严格数学覆盖率保证的置信区间，提升了变工况、高噪声、跨域漂移环境下预警结果的可信度，此外，由于云端承担高算力的元学习训练与数字孪生模型的预训练过程，边缘侧仅执行轻量级特征对齐运算与单次前向推理运算，使本方法能够在算力受限的工业边缘网关上实现实时部署，兼顾了技术方案的先进性与工程可实施性。

5、相较于单独采用证据深度学习网络输出置信区间的方案，本发明通过共形预测在线校准环节修正了证据深度学习网络因数字孪生虚拟数据仿真偏差导致的置信区间理论覆盖率失真问题；相较于单独采用共形预测但缺乏证据深度学习分解数据不确定性与认知不确定性的方案，本发明能够在冷启动阶段即利用认知不确定性识别健康基线可信度不足的场景，二者结合实现了单一现有技术路线均无法达到的效果。

1.一种物联网设备状态监测与故障预诊断方法，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，所述基于多个源域设备的历史退化数据，通过元学习方式训练得到域不变特征提取器，包括：

3.根据权利要求1所述的方法，其特征在于，所述基于所述正常运行数据对所述目标物联网设备的物理降阶数字孪生模型的参数进行校准，包括：

4.根据权利要求1所述的方法，其特征在于，所述对所述真实数据特征嵌入与所述虚拟数据特征嵌入之间的分布差异进行优化处理，包括：

5.根据权利要求1所述的方法，其特征在于，所述证据深度学习网络包括共享特征提取骨干网络与并行连接于所述共享特征提取骨干网络之后的四个全连接输出分支，所述四个全连接输出分支分别用于输出所述预测均值先验、所述置信虚拟观测次数、所述形状参数与所述尺度参数；

6.根据权利要求5所述的方法，其特征在于，所述证据深度学习网络通过包含负对数似然损失项与证据正则化项的联合损失函数进行训练，所述证据正则化项根据所述置信虚拟观测次数、所述形状参数以及所述剩余使用寿命预测期望与真实剩余使用寿命标签之间的误差绝对值确定，用于在预测误差增大时对证据强度进行惩罚。

7.根据权利要求1所述的方法，其特征在于：

8.根据权利要求7所述的方法，其特征在于，所述校准数据集为滚动更新的数据集，随着所述目标物联网设备的真实运行数据与维护记录的积累，将新确认的真实标签样本加入所述校准数据集，并剔除加入时间最早的样本，重新执行所述不合格分数的计算与所述剩余使用寿命预测区间的生成处理。

9.一种物联网设备状态监测与故障预诊断系统，其特征在于，包括云端子系统与边缘侧子系统；

10.一种非易失性计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的物联网设备状态监测与故障预诊断方法。