一种面向工业时序数据的云边协同自适应故障诊断方法

本技术涉及工业物联网与智能制造，具体地涉及一种面向强噪声、工况多变、边缘算力受限场景的云边协同自适应故障诊断方法，尤其适用于工业设备振动、温度时序数据的实时处理、故障诊断与模型动态优化。

背景技术：

1、随着工业4.0和智能制造的深入推进，机床、铣床、主轴等核心加工设备的稳定运行直接决定生产线的效率与产品质量。基于振动、温度等时序传感数据的在线故障诊断，已成为设备智能运维与预测性维护的关键技术手段。然而，工业现场采集的时序数据普遍具有噪声强、非平稳、冗余度高、时序相关性强等特点，微弱故障特征极易被强噪声淹没，对故障诊断的实时性与鲁棒性提出了较高要求。

2、针对上述问题，现有技术从不同层面提出了相应的解决手段。在信号预处理层面，普遍采用小波变换、经验模态分解及其变体、变分模态分解等方法对时序数据进行去噪与特征提取；在故障识别层面，采用卷积神经网络、循环神经网络、时间卷积网络等深度学习模型完成端到端的故障分类；在部署架构层面，提出了云边协同方案，由边缘端承担低时延推理、云端承担模型训练与集中管理；针对数据分布漂移，出现了基于增量学习或迁移学习的模型更新方法；针对边缘算力受限，则采用通道剪枝、权重量化等模型压缩手段缩减模型体积。

3、然而，上述现有技术仍存在明显不足：其一，单一滤波或分解方法难以在有效去除强噪声的同时保留微弱故障特征，特征冗余度高、判别性不足；其二，全量原始数据上传云端导致带宽占用大、传输时延高，无法满足实时诊断要求；其三，现有模型多基于静态假设，难以随工况变化自适应更新，易出现漏判、误判，而云端全量重训又存在效率低、开销大的问题；其四，剪枝、量化后的模型虽可部署于边缘端，但模型升级过程往往需要暂停诊断服务，影响生产连续性；其五，现有云边协同方案多为通用架构，未针对工业时序数据特性形成数据—模型—部署的完整自适应闭环，难以满足实际生产需求。为此，亟需一种能够随数据分布、工况变化与边缘算力动态自适应、且模型升级不中断服务的工业时序数据故障诊断方法。

技术实现思路

1、有鉴于此，本技术提供一种面向工业时序数据的云边协同自适应故障诊断方法，以利于解决现有技术中时序数据噪声强、冗余度高、工况易发生分布漂移，以及边缘算力有限、静态模型难以适配、升级易中断生产等问题的问题。

2、第一方面，本技术实施例提供了一种面向工业时序数据的云边协同自适应故障诊断方法，包括以下步骤：

3、边缘端对采集的工业设备振动、温度原始时序数据进行自适应去噪与特征提取，得到故障敏感的紧凑特征向量；

4、边缘端采用预部署的轻量化时序诊断模型，输入所述紧凑特征向量完成实时故障推理，并记录本次推理对应的推理偏差信息；

5、边缘端通过轻量化传输协议，将所述紧凑特征向量以及对应的推理偏差信息上传至云端；

6、云端接收边缘端上传的数据，基于所述紧凑特征向量与所述推理偏差信息开展数据分布漂移检测，根据漂移检测得到的漂移类型以及漂移程度，执行模型自适应迭代优化；

7、云端对优化后模型进行算力匹配型二次轻量化并下发至边缘端，边缘端以热替换方式在不中断服务的情况下完成模型升级。

8、在一种可能的实现方式中，所述边缘端对采集的工业设备振动、温度原始时序数据进行自适应去噪与特征提取，得到故障敏感的紧凑特征向量包括：

9、采用 db4 小波对所述原始时序数据进行三层多尺度分解，分解得到低频近似分量作为低频有效信号，同时得到由多层高频细节分量构成的高频分量，所述高频分量混杂故障冲击有效信息与高频噪声；

10、对所述高频分量执行变分模态分解，根据信号复杂度自适应确定模态数量，计算各模态相关系数并剔除噪声主导模态，完成融合去噪；

11、对去噪后的时序数据提取时域、频域、时频域多域特征，并通过方差分析进行显著性检验，剔除冗余特征，得到所述故障敏感的紧凑特征向量。

12、在一种可能的实现方式中， 所述边缘端采用预部署的轻量化时序诊断模型，输入所述紧凑特征向量完成实时故障推理，并记录本次推理对应的推理偏差信息，包括：

13、选取构建轻量化时序诊断模型的基础网络，对所述基础网络采用通道剪枝与权重量化联合策略获得适配边缘硬件的轻量化时序诊断模型；

14、将所述轻量化时序诊断模型部署于所述边缘端，对所述紧凑特征向量进行实时故障推理，并记录推理偏差信息。

15、在一种可能的实现方式中，所述边缘端通过轻量化传输协议，将所述紧凑特征向量以及对应的推理偏差信息上传至云端，包括：

16、根据轻量化时序诊断模型的故障推理输出结果判断工况状态；

17、如果推理输出为正常工况类别，则判定工况正常；如果推理输出为故障类别，判定工况异常；

18、根据工况正常和工况异常设置不同的差异化上传频率；

19、所述边缘端通过轻量化传输协议，根据所述差异化上传频率将所述紧凑特征向量与所述推理偏差信息上传至云端，并对上传至云端的数据完整性进行校验。

20、在一种可能的实现方式中，所述云端接收边缘端上传的数据，基于所述紧凑特征向量与推理偏差信息开展数据分布漂移检测，根据漂移检测得到的漂移类型以及漂移程度，执行模型自适应迭代优化，包括：

21、云端采用kl散度和最大均值差异两个指标构建联合漂移评分driftscore；

22、根据所述driftscore将漂移程度划分为无漂移、缓慢漂移与突变漂移三类；

23、当所述漂移程度为无漂移时，保持当前模型不更新；

24、当所述漂移程度为缓慢漂移或突变漂移时，触发相应的增量学习或迁移学习更新策略。

25、在一种可能的实现方式中，所述当所述漂移程度为缓慢漂移或突变漂移时，触发相应的增量学习或迁移学习更新策略，包括：

26、当所述漂移程度为缓慢漂移时，采用自适应学习率增量学习对模型进行局部更新，不进行全量重训；

27、当所述漂移程度为突变漂移时，若样本充足，则采用调高学习率的增量学习更新模型参数；若为少样本新工况，则采用迁移学习将通用故障诊断知识迁移至新场景，仅微调高层特征层与分类层，实现快速适配。

28、在一种可能的实现方式中，云端对优化后模型进行算力匹配型二次轻量化并下发至边缘端，边缘端以热替换方式在不中断服务的情况下完成模型升级，包括：

29、云端依据目标边缘端算力约束，对迭代优化后的模型执行算力匹配型二次轻量化处理，得到适配边缘端的更新模型；

30、云端将所述更新模型下发至对应的边缘端；边缘端采用热替换机制加载更新模型，在不中断故障诊断服务的前提下完成模型版本升级，实现云边协同闭环故障诊断。

31、在一种可能的实现方式中，所述云端将所述更新模型下发至对应的边缘端；边缘端采用热替换机制加载更新模型，在不中断故障诊断服务的前提下完成模型版本升级，实现云边协同闭环故障诊断，包括：

32、边缘端在内存中划分运行区与备用缓存区，所述运行区加载当前在线诊断模型，所述备用缓存区接收并加载云端下发的更新模型；

33、通过模型推理入口指针的原子切换，将推理调用对象由所述运行区旧模型切换至所述备用缓存区的新模型，完成模型无缝升级，形成完整自适应闭环。

34、在一种可能的实现方式中，边缘端为arm架构低算力边缘网关，云端为高性能计算集群。

35、第二方面，本技术实施例提供了一种电子设备，包括：

36、处理器；

37、存储器；

38、以及计算机程序，其中所述计算机程序被存储在所述存储器中，所述计算机程序包括指令，当所述指令被所述处理器执行时，使得所述电子设备执行第一方面中任意一项所述的方法。

39、第三方面，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行第一方面中任意一项所述的方法。

40、在本技术实施例中，针对工业时序数据噪声强、工况易漂移，边缘算力受限、模型升级易中断服务等问题，提出数据-模型-部署三层协同的自适应优化机制：边缘端对原始振动、温度时序数据自适应去噪与特征提纯，经轻量化模型完成低时延故障推理；云端通过分布漂移检测驱动模型自适应迭代，并按边缘算力二次轻量化；最终以热替换方式将优化模型下发至边缘，形成不中断服务的自适应诊断闭环，使故障诊断系统随数据分布、工况变化与边缘算力动态适配，提升工业设备诊断的鲁棒性、实时性与工程落地能力。