一种基于边缘计算的通信施工设备状态监测方法与流程

本发明涉及通信设备智能监测与边缘物联网，特别涉及一种基于边缘计算的通信施工设备状态监测方法。

背景技术：

1、随着5g/6g通信网络建设的快速推进，通信工程施工现场设备种类繁多、部署环境复杂，设备状态监测面临严峻挑战。传统方案多采用云端集中式监测架构，存在以下技术问题：1.数据传输延迟高：云端集中监测需要将设备原始运行数据全部上传至云端服务器进行处理，在野外弱网环境下，数据传输延迟可达500~1000ms，无法满足故障预警的实时性要求。2.带宽占用大：多传感器持续采集的振动、噪声、功耗、温度等高频数据产生海量原始数据，全量上传对野外有限带宽造成巨大压力，易导致网络拥塞与数据丢包。3.故障诊断实时性差：云端诊断依赖数据完整上传后方可执行，诊断结果反馈延迟大，难以及时发现设备故障隐患。4.监测数据冗余度高：设备正常运行时，原始数据中绝大部分为无效冗余数据，全量上传浪费带宽资源。

技术实现思路

1、为此，本发明的目的在于提出一种基于边缘计算的通信施工设备状态监测方法，用以解决上述背景技术中提出的至少一项技术问题。

2、为解决上述技术问题，本发明第一方面提出了一种基于边缘计算的通信施工设备状态监测方法，包括：

3、在通信施工设备或施工现场部署边缘计算节点，所述边缘计算节点的部署位置覆盖通信施工设备作业区域；

4、通过部署于通信施工设备的多传感器同步采集设备运行数据；

5、边缘计算节点获取设备运行数据，并输入改进型轻量级卷积神经网络模型，确定故障特征匹配度及偏差数据；

6、根据故障特征匹配度及偏差数据计算设备健康度；

7、边缘计算节点根据设备健康度及故障特征匹配度确定设备状态标签，并回传至云端。

8、在一种可能的实现方式中，部署于通信施工设备的多传感器基于自适应采样频率同步采集设备运行数据；其中，自适应采样频率根据设备健康度动态切换，首次监测周期使用初始设定设备健康度，后续监测周期使用上一监测周期输出的设备健康度。

9、在一种可能的实现方式中，设备运行数据包括振动数据、噪声数据、功耗数据、运行温度数据及启停状态数据。

10、在一种可能的实现方式中，边缘计算节点获取设备运行数据，并输入改进型轻量级卷积神经网络模型，确定故障特征匹配度及偏差数据，包括：

11、设备运行数据输入改进型轻量级卷积神经网络模型，输出特征向量；

12、计算特征向量与预设故障特征库的余弦相似度，取最大值并乘以100，得到故障特征匹配度；

13、设备运行数据中每个类型的子数据执行偏差公式并归一化处理，得到偏差数据；所述偏差数据包括振动偏差、噪声偏差、功耗偏差及温度偏差。

14、在一种可能的实现方式中，根据故障特征匹配度及偏差数据计算设备健康度，包括：

15、；

16、其中，为振动偏差；为噪声偏差；为功耗偏差；为温度偏差；为故障特征匹配度；、、、、为权重系数，取值范围为0-1，且满足。

17、在一种可能的实现方式中，边缘计算节点将设备运行数据输入改进型轻量级卷积神经网络模型前，还包括对设备运行数据进行融合降噪处理，包括：

18、对设备运行数据进行min-max归一化处理，将不同物理单位的数据转换为0-1范围内的无量纲值；

19、计算融合降噪值：

20、；

21、其中，、、、为各路数据对应的融合权重且满足，取值范围为0.1-0.4；、、、分别为振动数据、噪声数据、功耗数据及运行温度数据归一化后的无量纲值， 为环境背景噪声估计修正项，通过设备空载状态下的信号波动标定获得；，、、、分别为归一化后振动数据、噪声数据、功耗数据、温度数据基于最近m帧滑动窗口计算的标准差，、、、为对应加权系数，取值范围为0-0.05，且满足。

22、在一种可能的实现方式中，边缘计算节点根据设备健康度及故障特征匹配度确定设备状态标签，包括：

23、设备健康度大于等于预设第一健康度阈值且故障特征匹配度小于预设第一故障特征匹配度阈值时，设备状态标签为正常运行；

24、设备健康度大于等于预设第二健康度阈值小于预设第一健康度阈值且故障特征匹配度大于等于预设第一故障特征匹配度阈值小于预设第二故障特征匹配度阈值时，设备状态标签为轻度劣化；

25、设备健康度大于等于预设第三健康度阈值小于预设第二健康度阈值且故障特征匹配度大于等于预设第二故障特征匹配度阈值小于预设第三故障特征匹配度阈值时，设备状态标签为异常运行；

26、设备健康度小于预设第三健康度阈值且故障特征匹配度大于等于预设第三故障特征匹配度阈值时，设备状态标签为故障运行。

27、在一种可能的实现方式中，边缘计算节点根据设备健康度匹配动态压缩策略进行数据分级回传至云端，包括：

28、在设备健康度大于等于预设第一健康度阈值时，执行第一压缩等级；

29、在设备健康度大于等于预设第二健康度阈值小于预设第一健康度阈值时，执行第二压缩等级；

30、在设备健康度大于等于预设第三健康度阈值小于预设第二健康度阈值时，执行第三压缩等级；

31、在设备健康度小于预设第三健康度阈值时，执行第四压缩等级；

32、其中，第一压缩等级、第二压缩等级、第三压缩等级、第四压缩等级对应的压缩率逐级降低。

33、在一种可能的实现方式中，方法还包括：

34、云端接收边缘计算节点回传的分析结果、异常特征数据及模型增量参数，进行全局数据汇总与模型迭代优化，通过增量参数差分编码将更新参数下发至边缘计算节点；

35、所述云端进行模型迭代优化包括增量参数更新机制：

36、边缘计算节点在本地诊断过程中，当检测到的特征向量与预设故障特征库中最相似向量的余弦相似度低于预设阈值时，判为疑似新故障特征，将该新特征及其对应的模型参数更新量作为增量参数上报云端，所述预设阈值基于已覆盖故障样本的最低匹配度确定；

37、增量参数仅对相对上一版本模型参数发生变化的参数块进行差分编码后传输，未变化的参数块不传输；

38、云端对各边缘计算节点上报的增量参数按各边缘计算节点贡献样本量占比进行加权聚合，聚合后的模型先在云端验证集上评估，诊断准确率不低于聚合前模型时将更新后的参数以差分编码形式下发至各边缘计算节点，否则保持原参数。

39、在一种可能的实现方式中，所述改进型轻量级卷积神经网络模型为六层结构，依次为：

40、第一层为一维深度卷积层，对多源时序信号进行逐通道卷积，提取各通道局部时序特征；

41、第二层为逐点卷积层，通过1×1卷积实现通道间特征融合；

42、第三层为最大池化层，进行下采样并保留显著特征；

43、第四层为深度可分离卷积层，提取高层抽象特征；

44、第五层为全局平均池化层，将特征图压缩为特征向量；

45、第六层为全连接输出层，输出故障类型的概率分布。

46、本发明针对现有技术在通信施工现场野外弱网环境下监测失效的问题，通过在通信施工设备或施工现场部署边缘计算节点，将融合降噪、故障诊断与健康度量化全部在边缘侧本地完成，提高数据采集到诊断结果输出的效率，克服了状态评估依赖云端、实时性受网络制约的缺陷；通过min-max归一化与含空载标定环境背景噪声修正项的融合降噪处理，将振动、噪声、功耗、温度四路异构物理量整合为统一的无量纲融合状态量，在消除环境干扰的同时保留设备有效运行信号，提高输入信号的准确性；通过设备健康度与故障特征匹配度的双维度状态判定，提高边缘端进行状态评判的准确性；采样频率与压缩等级均由同一设备健康度进行动态调整，形成健康度越低、采样越密集、压缩越少、回传越完整的闭环，避免采样与压缩各自独立设定，从而导致与设备劣化程度脱钩的缺陷；通过边缘发现新故障特征、增量参数差分编码回传、云端加权聚合迭代、验证回滚保护与差分下发的闭环协同进化机制，以最小回传流量实现模型的持续优化，克服了云端单向下发更新缺乏差分编码、加权聚合与回滚保护的缺陷；实现了通信施工设备的实时状态监测与故障预警。

47、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。

48、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。