基于边云协同的设备状态监测方法、监测系统及存储介质

技术领域

本发明属于设备性能预测技术领域，具体涉及基于边云协同的设备状态监测方法、基于边云协同的设备性能监测系统以及分布式存储介质。

背景技术

工业制造设备面临着巨大的运维挑战，设备计划外停机不仅严重影响制造效率和质量，也给制造企业带来高额的维护保养成本。如何有效、精准地对设备进行维护，成为工业制造数字化转型亟需攻克的难题。

预测性维护方式被行业强烈推崇，被认为是应对设备意外停机的有效手段。预测性维护是通过实时监测和评估设备的状态，提前发出故障预警，从而避免故障的突然发生。

对于设备的状态感知，传统手段是从机械机理入手，通过测量机械状态的直接变化（例如振动）或者间接变化（例如声音）来对机器进行诊断。这种方式通常只能发现机械方面的异常，例如轴承的磨损、螺丝的松动等，而对于可能导致设备严重故障的电气方面的故障却无法获得。

对电气方面，传统的测量电流的方式是通过三相电表或者可编程逻辑控制器（PLC）等方式获得的设备电流，都只有一段时间内的平均电流值，通常只能反应一段时间内的耗电情况，信息单一，从中无法获得更多的信息。

新的工业互联网体系架构的测量数据相比单机测量数据有大幅的增多，不得不采用云存储（Cloud Storage）方式，需要将现场的数据发送到云端，即将数据存放在第三方托管的多台虚拟服务器上。以往都是一些低频率的数据，数据量不是很大。而智能化则要求具有更灵敏的感知，同时感知的信息包含大量的细节信息，这些信息意味着很大的数据量，如果将所有的这些涉及设备的健康和工况等的数据，全部发送到云端，必然造成云端数据存储服务器的资源紧张，而且会导致对诊断设备的健康和工况的有用数据淹没在海量的数据中，使服务器沦落为一个速度迟缓的、日益减缩的单纯的存储设备。

发明内容

本发明所要解决的技术问题是针对现有技术中存在的上述不足，提供基于边云协同的设备状态监测方法、基于边云协同的设备性能监测系统以及分布式存储介质，能实现真正意义上的边云协同：边缘侧持续将包括异常的原始数据发送回云端，云端进行持续的大数据自主学习，得到异常判断的判决阈值，并随时下发给边缘侧以修正异常识别策略，对于同一台设备可以进行多种状态异常的监测，从而在一套硬件平台基础上，对设备进行全面的状态监护，提高对设备状态评估的准确性，并进行设备故障预测。

解决本发明技术问题所采用的技术方案是提供如下方案：

作为本发明的一个方面，本发明提供一种基于边云协同的设备状态监测方法，其包括步骤：

对至少一台设备的运行信息进行采集，所述运行信息包括电流、电压、振动、噪音、温度、应变、姿态中的至少一种；

对采集的所述运行信息进行处理并缓存；

对缓存的所述运行信息进行特征提取，特征提取得到的特征参数包括：幅度、峰值、动作时间、频率成分中的至少一种或组合计算量；

将至少包括所述特征参数、以及对应提取所述特征参数的数据信息的时间戳，生成数据快照；

将至少包括所述数据快照、以及所述数据快照对应的设备信息、事件描述的索引数据集传送至云端的数据库并进行存储；

云端根据所述索引数据集组织包括设备、事件图谱、特征波形的多个层级的数据编排；

在与所述数据库通信的终端显示对应所述索引数据集的数据编排；

其中，至少一台设备为同一工作空间的同类设备或不同类设备，或者为不同工作空间的同类设备或不同类设备。

优选的是，在生成数据快照之前，还包括：

根据所述特征参数，基于马氏距离的多元回归分析法，根据设备状态生成所述数据快照，包括：

对判断为设备异常的所述特征参数，将所述特征参数以及与该所述特征参数对应采集帧的缓存信息、异常结果，合并生成数据快照，并为所述数据快照打上时间戳；

对判断为设备正常的所述特征参数，将所述特征参数生成数据快照，并为所述数据快照打上时间戳。

优选的是，根据所述特征参数，基于马氏距离的多元回归分析法，根据设备状态生成所述数据快照的步骤中，包括：

预设判决阈值，以及，设定某一所述特征参数的额定工况或计算某一所述特征参数的均值作为马氏距离计算的期望值；

根据所述期望值，计算该所述特征参数的协方差矩阵，构成所述协方差矩阵的协方差元素至少其一为该所述特征参数的向量；

根据所述协方差矩阵，计算得到马氏距离作为工况偏差值；

根据所述工况偏差与所述判决阈值，判断设备状态，包括：

所述工况偏差大于所述判决阈值，则判断所述设备异常；

所述工况偏差值小于等于所述判决阈值，则判断所述设备正常；

所述数据快照包括所述工况偏差值。

优选的是，协方差矩阵公式为：

其中：

矩阵中的第（i,j）个元素是

马氏距离公式为：

其中：

优选的是，预设判决阈值为：

匹配与受监测设备类型相同的样本设备，获取所有最终失效的样本设备的工况生命线；

在所述样本设备的工况生命线中选择与所述受监测设备匹配度最大的工况生命线；

将选中的所述工况生命线的失效点至当前最新采集数据对应的剩余使用寿命点处的健康值作为新的判决阈值。

优选的是，还包括对受监测设备的性能进行预测报告：

根据与受监测设备的同类型设备的所述特征参数对应的所述工况偏差值，拟合工况生命线；

选择所述数据库中的所述受监测设备，提取所述受监测设备的所述索引数据集；

将所述特征参数对应的所述工况生命线的时间轴从设备正常到设备完全失效进行M等分段，设备正常点的状态指标值对应为带入所述期望值得到的马氏距离段值，设备完全失效点的状态指标值对应为带入设备失效时所述特征参数的得到的马氏距离段值；

根据所述工况偏差在所述工况生命线中的位置，确定健康值和故障预测时间；

根据所述健康值和所述故障预测时间，对所述受监测设备的性能进行预测报告。

优选的是，在确定健康值的步骤中，包括：

根据所述工况偏差值落入所述工况生命线的时间轴的位置：

计算所述健康值为：

其中：H

M为所述工况生命线的分段数；

m为当前工况偏差值对应所述工况生命线的落入段的编号；

D

D

D

在计算故障预测时间的步骤中，包括：

基于所述受监测设备的马氏距离和当前监测时刻距离故障发生时间的时间差，建立多项式拟合回归算式：

其中：

根据马氏距离，得到所述受监测设备的故障预测时间。

优选的是，对采集的所述运行信息进行处理，包括：

在进行缓存之前：对采集的所述运行信息进行预处理，预处理包括滤波、校正处理；

在进行缓存之后、对所述运行信息进行特征提取之前：

采用时域分析处理，频域分析处理对所述运行信息进行特征分析。

作为本发明的另一方面，本发明还提供一种基于边云协同的设备状态监测系统，其包括边缘侧、云端和终端，所述边缘侧包括数据采集单元、数据处理单元、特征提取单元、数据快照单元、事件上报单元，其中：

所述数据采集单元，配置为对至少一台设备的运行信息进行采集，所述运行信息包括电流、电压、振动、噪音、温度、应变、姿态中的至少一种；

所述数据处理单元，配置为对采集的所述运行信息进行处理并缓存；

所述特征提取单元，配置为对缓存的所述运行信息进行特征提取，特征提取得到的特征参数包括：幅度、峰值、动作时间、频率成分中的至少一种或组合计算量；

所述数据快照单元，配置为将至少包括所述特征参数、以及对应提取所述特征参数的数据信息的时间戳，生成数据快照；

所述事件上报单元，配置为将至少包括所述数据快照、以及所述数据快照对应的设备信息、事件描述的索引数据集传送至云端的数据库并进行存储；

所述云端包括数据编排单元，所述数据编排单元配置为根据所述索引数据集组织包括设备、事件图谱、特征波形的多个层级的数据编排；

终端，配置为与所述数据库通信、并显示对应所述索引数据集的数据编排；

其中，至少一台设备为同一工作空间的同类设备或不同类设备，或者为不同工作空间的同类设备或不同类设备。

优选的是，所述数据快照单元包括判断模块，所述判断模块配置为根据所述特征参数，基于马氏距离的多元回归分析法，根据设备状态生成所述数据快照，包括：

对判断为设备异常的所述特征参数，将所述特征参数以及与该所述特征参数对应采集帧的缓存信息、异常结果，合并生成数据快照，并为所述数据快照打上时间戳；

对判断为设备正常的所述特征参数，将所述特征参数生成数据快照，并为所述数据快照打上时间戳。

优选的是，所述数据快照单元还包括阈值获取模块、预设模块、计算模块，其中：

所述阈值获取模块，配置为获取预设判决阈值；

所述预设模块，配置为设定某一所述特征参数的额定工况或计算某一所述特征参数的均值作为马氏距离计算的期望值；

所述计算模块，配置为根据所述期望值，计算该所述特征参数的协方差矩阵，构成所述协方差矩阵的协方差元素至少其一为该所述特征参数的向量；

进而，根据所述协方差矩阵，计算得到马氏距离作为工况偏差值；

所述判断模块，配置为根据所述工况偏差与所述判决阈值，判断设备状态，包括：

所述工况偏差大于所述判决阈值，则判断所述设备异常；

所述工况偏差值小于等于所述判决阈值，则判断所述设备正常；

所述数据快照包括所述工况偏差值。

优选的是，所述计算模块中，协方差矩阵公式为：

其中：

矩阵中的第（i,j）个元素是

马氏距离公式为：

其中：

优选的是，所述云端还设置有更新判决阈值单元，所述更新判决阈值单元包括样本设备匹配模块、工况生命线匹配模块、阈值设定模块，其中：

所述样本设备匹配模块，用于匹配与受监测设备类型相同的样本设备，获取所有最终失效的样本设备的工况生命线；

所述工况生命线匹配模块，用于在所述样本设备的工况生命线中选择与所述受监测设备匹配度最大的工况生命线；

所述阈值设定模块，用于将选中的所述工况生命线的失效点至当前最新采集数据对应的剩余使用寿命点处的健康值作为新的判决阈值。

优选的是，所述云端还设置报告单元，配置为对受监测设备的性能进行预测报告，所述报告单元包括工况生命线拟合模块、设备数据提取模块、点对应模块、确定模块和报告生成模块，其中：

所述工况生命线拟合模块，配置为根据与受监测设备的同类型设备的所述特征参数对应的所述工况偏差值，拟合工况生命线；

所述设备数据提取模块，配置为选择数据库中的受监测设备，提取所述受监测设备的所述索引数据集；

所述点对应模块，配置为将所述特征参数对应的所述工况生命线的时间轴从设备正常到设备完全失效进行M等分段，设备正常点的状态指标值对应为带入所述期望值得到的马氏距离段值，设备完全失效点的状态指标值对应为带入设备失效时所述特征参数的得到的马氏距离段值；

所述确定模块，配置为根据所述工况偏差在所述工况生命线中的位置，确定健康值和故障预测时间；

所述报告生成模块，配置为根据所述健康值和所述故障预测时间，对所述受监测设备的性能进行预测报告。

优选的是，在所述确定模块中，包括：

根据所述工况偏差值落入所述工况生命线的时间轴的位置：

计算所述健康值为：

其中：H

M为所述工况生命线的分段数；

m为当前工况偏差值对应所述工况生命线的落入段的编号；

D

D

D

以及，基于受监测设备的马氏距离和当前监测时刻距离故障发生时间的时间差，建立多项式拟合回归算式：

其中：

根据马氏距离，得到所述受监测设备的故障预测时间。

优选的是，所述边缘侧还包括滤校单元和时频处理单元，

所述滤校单元，配置为在进行缓存之前：对采集的所述运行信息进行预处理，预处理包括滤波、校正处理；

所述时频处理单元，配置为在进行缓存之后、对所述运行信息进行特征提取之前：采用时域分析处理，频域分析处理对所述运行信息进行特征分析。

作为本发明的另一方面，本发明还提供一种分布式存储介质，其中存储有多条指令，

设置于边缘侧，适用于由处理器加载并执行：

对至少一台设备的运行信息进行采集，所述运行信息包括电流、电压、振动、噪音、温度、应变、姿态中的至少一种；

对采集的所述运行信息进行处理并缓存；

对缓存的所述运行信息进行特征提取，特征提取得到的特征参数包括：幅度、峰值、动作时间、频率成分或中的至少一种；

将至少包括所述特征参数、以及对应提取所述特征参数的数据信息的时间戳，生成数据快照；

将至少包括所述数据快照、以及所述数据快照对应的设备信息、事件描述的索引数据集传送至云端的数据库并进行存储；

设置于云端，适用于由处理器加载并执行：

云端根据所述索引数据集组织包括设备、事件图谱、特征波形的多个层级的数据编排；

以及，设置于终端，适用于由处理器加载并执行：

在与所述数据库通信的终端显示对应所述索引数据集的数据编排；

其中，至少一台设备为同一工作空间的同类设备或不同类设备，或者为不同工作空间的同类设备或不同类设备。

本发明的有益效果是：

本发明提供的基于边云协同的设备状态监测方法、基于边云协同的设备性能监测系统，实现设备监控需求中采集到信息中关键信息不遗漏，而又不占用云端太多资源的应用，具有较高的有效信息密度，从而可以在海量的数据中快速的实现异常的定位和查看，既可以对设备进行总体健康的概览，也可以深入细节，查看发生异常现场的原始现场波形，并可以基于此进行进一步的分析，从而全面洞察和研究受监测设备的当前工况或预测未来工况，实现整个设计的健康状态和工况评估；基于上述架构实现边云协同，进行全面的状态监护；边缘侧采用经云端优化由判决阈值进行新的异常判决和原始数据抓取，提高对设备状态评估的准确性，并进行设备故障预测；

本发明提供的分布式存储介质，可以在边缘侧、云端和终端布局基于边云协同的设备状态监测方式，从而在一套硬件平台基础上，进行全面的设备状态监护。

附图说明

图1为本发明实施例1中基于边云协同的设备状态监测方法的流程图；

图2为本发明实施例1中基于边云协同的设备状态监测中的数据流向图；

图3-1为本发明实施例1中基于边云协同的设备状态监测方法的边缘侧的体系示意图；

图3-2为本发明实施例1中根据设备状态生成数据快照的流程示意图；

图4-1为本发明实施例1中基于边云协同的设备状态监测方法的云端的体系示意图;

图4-2为图4-1中事件图谱的构成示意图；

图5-1为健康值新的判决阈值的选择示意图；

图5-2为本发明实施例1中基于边云协同的设备状态监测方法的另一流程图；

图5-3为图5-2中对受监测设备的性能进行预测报告的流程图；

图5-4为健康值的计算示意图；

图6-1至图6-5为本发明实施例2中基于边云协同的设备状态监测系统的构成结构图；

其中，图6-1为基于边云协同的设备状态监测系统的整体结构框图；

图6-2为图6-1中数据处理单元的结构框图；

图6-3为图6-1中数据快照单元的结构框图；

图6-4为图6-1中更新判决阈值单元的结构框图；

图6-5为图6-1中报告单元的结构框图；

附图标识中：1-边缘侧；10-设备；11-数据采集单元；11’-电压传感器；11”-电流传感器；12-数据处理单元；121-滤校模块；122-时频处理模块；123-缓存模块；13-特征提取单元；14-数据快照单元；141-阈值获取模块；142-预设模块；143-计算模块；144-判断模块；145-数据快照生成单元；15-事件上报单元；2-云端；21-数据编排单元；22-更新判决阈值单元；221-样本设备匹配模块；222-工况生命线匹配模块；223-阈值设定模块；23-报告单元；231-工况生命线拟合模块；232-设备数据提取模块；233-点对应模块；234-确定模块；235-报告生成模块；3-终端；31-手机；32-电脑。

具体实施方式

为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明基于边云协同的设备状态监测方法、基于边云协同的设备性能监测系统以及分布式存储介质作进一步详细描述。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明的技术方案，并不用于限制本发明。

显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

现有设备监测技术的困境在于：

一方面，要保证设备安全，首先是发现异常的先兆，通过设备运行信息，例如电流波纹的特征可以从中识别出电机电气问题，例如转子断条、缺相、短路等问题；以及识别出供电环境的电能质量问题，例如谐波、三相不平衡、电压暂降等潜在的问题，还可以从中识别出机械故障，例如不对中、不平衡、轴承故障等问题。要想建立完整、全面的设备运行图样，最理想的情况是通过高精度、高分辨率信号捕捉，将设备运行信息，例如电流信号都无遗漏的采集下来，从而任何瞬时、微弱的异常变化，都不遗漏的获取得到。另一方面，即使采用云存储，资源也是有限的，将设备运行信息，例如电流信号无遗漏的都采集下来进行存储，必然形成一个庞大的存储体量，导致有价值的信息淹没其中，并不能从根本上解决设备运行健康问题的根本问题。

本发明的出发点在于：根据采集到的设备信息数据的规律，对数据中的重复信息在有价值信息密度较低的情况下，通过在设备端对采集到的数据进行特征提取、对特征是否异常进行判断，在判断发生异常时，保存异常数据快照，并将设备运行的异常状态捕获并上传云端，从而既保留有价值消息又降低整体数据体量；相应的，在云端设置数据存储与展示框架，可以将特征从数据库中获取出来，并以不同层级组织出来，从而为实现设备状态的监测提供海量但是清晰的数据支撑；进而，可以快速的实现异常的定位和查看，并评估整个设备的健康状态和工况，也可以为同类设备的运行工况提供参考，并进行设备故障预测。

实施例1：

针对上述问题，本实施例提供一种基于边云协同的设备状态监测方法，通过捕获包括电流波纹等特征参数的设备的运行信息，协同边缘侧计算、云端存储与自主学习的协同方式进行设备状态监测。

如图1所示，并同时参考图2所示的基于边云协同的设备状态监测方法的数据流向图，该基于边云协同的设备状态监测方法包括步骤：

步骤S1）：对至少一台设备的运行信息进行采集，运行信息包括电流、电压、振动、噪音、温度、应变、姿态中的至少一种。

现有技术中采用PLC或者电表进行采集，通常是周期性的采集得到一个点，或者得到一段时间的平均值，这些方式都有信息的丢失，无法得到瞬时和微弱的变化，而这些变化常常是异常的先兆。工业智能化需要现场更灵敏更全面的感知，这意味着采集部分需要更高采集频率以及更高分辨率，更高的精准度。通过将信号无失真的都采集下来，从而任何瞬时、微弱的异常变化，都无遗漏的获取得到。其中，至少一台设备为同一工作空间的同类设备或不同类设备，或者为不同工作空间的同类设备或不同类设备。也可以对一个设备综合运用多个传感器、采用全天候持续不断的采集方式。

参考图3-1所示基于边云协同的设备状态监测方法的边缘侧的体系框图，在该步骤中，通过传感器（例如可以为图2中的电压传感器11’、电流传感器11”）无遗漏的高速采集并捕获设备10的状态变化和异常信息，实现现场设备运行信息的全面获取，也使得系统具备设备异常捕获的能力。本实施例的数据采集重点是不遗漏信息，数据采用例如不小于2Msps的高速采集率。容易理解的是，在数据采集过程中，为保证数据的一致性和有效性，还考虑通道同步、量程配置等问题，这里不再详述。

步骤S2）：对采集的运行信息进行处理并缓存。

在该步骤中，基于时间帧的处理方式，每次捕获一定长度的数据段进行缓存。该数据段中同时应包含具有能说明设备属性及其数据属性的描述性内容，用于说明采集得到数据的格式，例如开始时间、采样速度、数值类型、数位数、数值长度、单位等。

优选的是，对采集的运行信息进行处理，包括：

在进行缓存之前：对采集的运行信息进行预处理，预处理包括且不限于滤波、校正等处理。通常采集到的信息中会包括噪声等干扰，需要进行滤波等处理，同时由于环境变化以及设备硬件的一致性问题，需要对采集到的数据进行校正处理。

步骤S3）：对缓存的运行信息进行特征提取，特征提取得到的特征参数包括：幅度、峰值、动作时间、频率成分中的至少一种或组合计算量。

在进行缓存之后、对运行信息进行特征提取之前，还包括：采用时域分析处理，频域分析处理对运行信息进行特征分析。特征分析是后续特征提取的基础，通过时域分析可以提取周期、平均值、有效值、最大值/最小值、上升时间等时域特征；通过频域分析则可以得到不同的频率分量的分布特征。时域处理或频域处理需要的数据长度决定每次采集并进行缓存的数据段的长度。分析对象包括电压、电流等，分析维度包括幅度、峰值、动作时间、频率成分等。

在实际应用中，对数据在滤波处理、校正处理、时域处理或频域处理完成之后进行缓存，还是先缓存再进行滤波处理、校正处理、时域处理或频域处理，或者根据情况穿插进行滤波处理、校正处理、时域处理或频域处理以及缓存处理，以及滤波处理、校正处理、时域处理、频域处理的顺序，并不做限定。

在该步骤中，对捕获的无遗漏的原始数据进行分析，提取多种特征参数，特征参数的计算方法可以通过远程下发更新，也可以是基于运行信息相关机理的固定公式判断，还可以是经过自主学习的推理模型。特征提取算法可以以微服务的形式提供，这样就可以通过云端进行版本的升级以及替换。为运行云端经过训练的模型，可以同时支持Caffe、PyTorch、TensorFlow、PaddlePaddle等深度学习模型框架，这里不做限定。

根据特征参数，可以判断出设备的运行状态是否发生异常，在判断未发生异常时，可以保存且仅保存特征参数数据；在判断发生异常时，保存异常数据快照，则将设备运行的异常状态捕获并上传云端。

结合前述电机在运行过程中通常会出现的问题，说明频域处理后获取或计算得到特征参数，以及特征参数与异常相关表现进行说明。

例如在前述提到的转子断条，通常指的是鼠笼式异步电动机的转子（转子包括两端的铸铜圆环和焊接在两铸铜圆环之间的铜条）的铜条发生裂缝或断裂的现象，转子断条的检测通常需要拆开电机取出转子一根一根测试电阻。转子断条短时间内不会影响电机的运行，但是会导致受力不均匀，从而导致电机振动和发热，影响电机性能。在本实施例中，可以通过测量电机电流计算电流频谱，采用电流的频率作为特征参数进行判断。当出现转子故障，例如裂缝或断条时，在工频的两侧边带会出现异常特征频率成分，这些频率点出现在电极通过频率f

表1 转子状态评估表

对无刷电机常常由于缺相（即三相电机中有一相不能工作）等问题导致抖动不能工作，或转动无力且噪音大，甚至烧毁。同样以测量电机电流作为例，采用电流幅值的三相不平衡度作为特征参数考察，理想情况应为0，该特征参数越大，说明异常程度越大，当缺相时达到最大值。

其中：

电机工频的谐波分量过大会导致电机的无用功功率增大，从而导致电机过热，本实施例将电流总谐波失真作为特征参数进行考察。

其中：

在旋转电机中,由于制造、装配不良或系统经常处于高速、高载状态,很容易发生转子不平衡、不对中等故障,若不及时诊断,可能会引发碰摩、基础松动等二次故障,进而引发多故障。对转子不平衡、不对中的预测，本实施例仍可以以电机电流作为采集对象，电机电流先消除工频，也就是进行均方根值（Root Mean Square，简称RMS）解调，得到的数据进行频率分析，当出现不对中或不平衡问题时，电机转速的位置将出现较大的频率分量，将该频率处的幅度值作为特征参数考察，正常情况应为0，该特征参数越大，说明异常程度越大。

研究发现，当电机基础松动时，电流频谱中，电机转速的半频处将出现特征频率成分，因此将该频率处的幅度值作为特征参数考察，正常情况应为0，该特征参数越大，说明异常程度越大。

对于其他的异常，本实施例不再一一进行解释说明特征参数的选取准则或时频处理后特征参数的判断，可根据应用对象的研究方向，根据测试数据确定为运行信息（电流、电压、振动、噪音、温度、应变、姿态中的至少一种）的特征参数（幅度、峰值、动作时间、频率成分中的至少一种或组合计算量），这里不做限定也不再详述。

通过上述处理，在生成数据快照之前，为了对上传数据进行精简而提高有价值信息密度，本实施例的监测方法中对特征参数进一步进行特征检测，从而对设备运行状态是否存在异常进行判断。基于特征检测，根据特征参数，基于马氏距离的多元回归分析法，根据设备状态生成数据快照，包括：

对判断为设备异常的特征参数，将特征参数以及与该特征参数对应采集帧的缓存信息、异常结果，合并生成包括工况偏差值的数据快照，并为数据快照打上时间戳；

对判断为设备正常的特征参数，将特征参数生成数据快照，并为数据快照打上时间戳。

进一步细究，如图3-2所示，根据特征参数，基于马氏距离的多元回归分析法，根据设备状态生成数据快照的步骤中，包括：

步骤S31）：预设判决阈值，以及，设定某一特征参数的额定工况或计算某一特征参数的均值作为马氏距离计算的期望值。

在该步骤中，判决阈值可以由云端设置，该判决阈值由云端2进行自主学习得来。例如经过大量的异常数据收集后，经过回归算法，例如贝叶斯算法得到。

设定某一特征参数的额定工况或计算某一特征参数的均值作为马氏距离计算的期望值时，在测试起始不知道额定工况各个特征参数的值的情况下，可以在机器在理想工况下测量多组数据，计算各个特征参数的平均值作为马氏距离计算的均值。

步骤S32）：根据期望值，计算该特征参数的协方差矩阵，构成协方差矩阵的协方差元素至少其一为该特征参数的向量。

在该步骤中，对设备是否异常进行判决的过程中，对应多特征参数定义的系统，需要对多特征参数分别进行异常判决。在本实施例中，当变量多到超过两个变量时，可以用协方差矩阵来衡量多个变量之间的相关性。设X是以n个随机数（其中的每个随机数也是一个向量，这里为行向量）组成的列向量：

协方差矩阵的第i,j项（第i,j项是一个协方差）被定义为如下形式：

其中，

即协方差矩阵为：

协方差矩阵中的第（i,j）个元素是

步骤S33）：根据协方差矩阵，计算得到马氏距离作为工况偏差值。

在该步骤中，马氏距离根据协方差矩阵计算得到。

马氏距离表示数据的协方差距离，是一种有效的计算两个未知样本集的相似度的方法。与欧式距离不同的是它考虑到各种特性之间的联系（例如：身高信息会带来与其相关联的体重信息）并且是尺度无关的，即独立于测量尺度。这样，本实施例中可以联合不同的特征参数计算特征参数，获得同一设备的多个参考维度，以便于综合多角度状态评估设备。

对于一个均值为

步骤S34）：根据工况偏差与判决阈值，判断设备状态，包括：

工况偏差大于判决阈值，则判断设备异常；

工况偏差值小于等于判决阈值，则判断设备正常；

数据快照包括工况偏差值。

这里应该理解的是，本实施例上述的异常识别方法仅作为示例，根据实际设备的应用领域，还可以采用其他的异常识别算法，进行灵活精准的异常捕获，这里不做限定。

步骤S4）：将至少包括特征参数、以及对应提取特征参数的数据信息的时间戳，生成数据快照。

该步骤中，对判断为设备异常的特征参数，将特征参数以及与该特征参数对应采集帧的缓存信息、异常结果，合并生成包括工况偏差值的数据快照，并为数据快照打上时间戳；对判断为设备正常的特征参数，将特征参数生成数据快照，并为数据快照打上时间戳。

数据快照为具有一定格式的、模式柔性的特征数据帧结构。如果异常判决捕获到特征参数的异常，则将该数据缓存中的数据合并对应的特征参数及异常描述，合并生成异常数据快照，并打上时间戳。

数据快照的格式包括：设备ID、设备类型ID、设备原厂ID、设备使用方描述、异常记录、特征描述，对异常还可以进一步包括原始数据曲线。如表2所示：

表2 数据快照格式

这里的数据快照格式采用JSON(JavaScript Object Notation) 格式，为一种轻量级的数据交换格式，具体形式以“{”开始，“}”结束。“{”、“}”之间定义“名称/值”，“名称”、“值“之间以“:”连接，多个“名称/值”之间使用“,”分隔，具体格式可根据需求确定，这里不做限定。

表2中序号2中的设备类型ID可根据表3进行设定。

表3 设备类型ID

在表3的基础上，对设备可以做进一步的细分，例如，“金属切削机床”可以细分为数控切削机床、车床、钻床、铣床、镗床、研磨机床、联合及组合机床、齿轮及螺纹加工机床、切断机床等等；“锻压设备”可以细分为数控锻压机床、锻锤、铸造机、辗压机、冷作机、剪切机、整形机、弹簧加工机等等。

在该步骤中，添加对应设备描述、前端采集数据的传感器的描述以及数据快照，如果发现当前数据帧是异常，则将异常的相关数据、以及现场上下文数据打包进来，即数据快照；如果是正常事件数据，则数据快照只包括当前特征参数数据，这些特征参数数据可以是一个或多个。

步骤S5）：将至少包括数据快照、以及数据快照对应的设备信息、事件描述的索引数据集传送至云端2的数据库并进行存储。

边缘侧1收集到大量高质量的工业大数据，通过5G网络、WIFI或其他网络，传送到云端2的数据库。在该步骤中，只将设备事件信息密度很高的数据发送给云端2，为云端2进行自主学习持续提供宝贵的标签数据集，从而使得人工智能模型可以持续演进和优化。采用这种方式，可以对边缘侧1的数据进行非常高效的压缩，即以特征参数为对象考察，将实际工况中大量的重复状态的数据进行剔除，不管是正常还是异常均只在发生状态的变化的情况下，将有状态变化的现场数据发送回云端2，从而大大降低了状态数据从边缘侧1到云端2的传输带宽和流量的压力，同时也降低了云端2存储、计算等各方面的资源占用。

步骤S1）-步骤S4）均在边缘侧1处理，这些处理功能可以综合集成在一个智能传感器中（例如可以为图3-1所示的边缘侧设备智能监测盒），在进行监测工作时智能传感器设置或固定在设备上，兼顾采集数据和数据处理、分析。步骤S5）对接边缘侧1与云端2，通过网络对数据上传数据（当然，数据交换是双方的，云端2也向边缘侧1下发数据，后续将会说明）。

步骤S6）：云端根据索引数据集组织包括设备、事件图谱、特征波形的多个层级的数据编排。

参考图4-1所示基于边云协同的设备状态监测方法的云端的体系框图，示出了工况生命线、事件图谱、特征波形的级层关系。

设备的工况生命线是设备综合健康指标随时间变化的曲线，可以直观的表示设备当前处于整个生命周期的位置。每条工况生命线表示一个设备，切换不同的工况生命线就相当于选择不同的焦点设备（即被选中设备）。

如图4-2所示为事件图谱的构成示意图，事件图谱是设备状态的一个缩略表达图，横轴是时间，不同区域表示设备处于不同的状态，例如横条纹表示当前设备是正常状态，其他类型的斜纹表示处于不同的异常状态，可以按异常类型归类，也可以按照异常严重级别归类；不同区域可以用颜色、图案、文字等做区分。具体来说，事件图谱是当前焦点设备的不同零件或者不同维度的状态缩略图，例如对于一台设备，可以有用来表示外部电源状态的外部供电事件图谱，用来表示电机内部电气状态的电气事件图谱，用来表示传动和负载状态的机械事件图谱。事件图谱可以用来快速的定位特征波形显示的时间段，如果在事件图谱中发现某个时间段发生了感兴趣的状态变化，例如在电气事件中有转子断条事件发生，选用事件图谱中出现该转子断条事件的区域，此时特征波形也将同时更新到该时间段，从而可以快速的查看发生断条事件时各个特征波形的曲线数据。

特征波形曲线是某个事件图谱下某一特征的随时间变化曲线，例如机械事件图谱中有轴承座的振动烈度特征，对应的特征曲线绘制的就是该烈度随着时间变化的曲线。

云端2实质为云服务设备智能监测包，其中的数据库即在云服务中维护的数据库，存储来自多个智慧边缘侧1，不同设备的索引数据集，是云服务进行数据组织分析的数据基础。供用户选择性查看设备信息或对数据进一步加工并做出指示，例如，对选中的设备、选中的异常对应的特征波形曲线，就是异常发生现场的原始波形。

另外，对应步骤S31）提到的预设判决阈值可以在云端2完成，将更新判决阈值替代原判决阈值。采用云端2进行自主学习获得更新判决阈值的方式是由于边缘侧1会将判决为异常的数据都发送回云端2，云端2可以凭借此大数据进行自主学习训练。

如图5-1所示，云端2自主学习的具体过程包括：

匹配与受监测设备类型相同的样本设备，获取所有最终失效的样本设备的工况生命线，如图5-1所示的曲线①-⑤；

在样本设备的工况生命线中选中与受监测设备匹配度最大的工况生命线，即将当前已收到的受监测设备的特征参数（曲线）与数据库中类型相同的样本设备数据（曲线）进行比对，将相似度最高的一个样本设备即视为匹配度最大的工况生命线，这里可以选取Frechet算法、Hausdorff算法等模式识别算法，如图5-1所示的受监测设备（一）匹配曲线②；

将选中的工况生命线的失效点前至当前最新采集数据对应的剩余使用寿命（Remaining Useful Life，简称RUL）点处的健康值（健康值的计算将在后续健康值确定方法中做详细说明）作为新的判决阈值，剩余使用寿命可以根据设备的重要级别设定，越重要的设备设定的剩余使用寿命越长。

步骤S7）：在与数据库通信的终端显示对应索引数据集的数据编排。

通过5G网络、WIFI或其他网络，终端访问云端数据库，从而实现设备信息的访问、显示和人为判断。在上述的基于边云协同的设备状态监测方法的基础上，还可以进一步实现设备安全状况进行预测，用于对设备健康状况进行评估和预测设备故障发生时间。

也就是说，如图5-2所示，该基于边云协同的设备状态监测方法还可以进一步包括步骤8）：对受监测设备的性能进行预测报告。如图5-3所示，对受监测设备的性能进行预测报告具体包括：

步骤81）：根据与受监测设备的同类型设备的特征参数对应的工况偏差值，拟合工况生命线；

步骤82）：选择数据库中的受监测设备，提取受监测设备的索引数据集；

步骤83）：将特征参数对应的工况生命线的时间轴从设备正常到设备完全失效进行M等分段，设备正常点的状态指标值对应为带入期望值得到的马氏距离段值，设备完全失效点的状态指标值对应为带入设备失效时特征参数的得到的马氏距离段值；

步骤84）：根据工况偏差在工况生命线中的位置，确定健康值和故障预测时间；

步骤85）：根据健康值和故障预测时间，对受监测设备的性能进行预测报告。

如图5-4所示，在确定健康值的步骤中，由于马氏距离与设备劣化的速度不一定成线性关系，为了避免产生误差，采用马氏距离作为健康评价的基准，并结合分级评估法进行评估。首先将从正常工况到完全失效分为若干级，例如M级,正常工况对应的健康值为100,完全失效定义为健康值为0，则每一级内的健康区间宽度为100/M。各段的分割点对应的值D0、D1、D2、D3…Dm-1、Dm。D0为计算马氏距离时带入均值得到的值，对应100分，m为1-M之间的值。M越大分级越精细，计算结果越精细，实际应用中可根据需求灵活设置。

根据工况偏差值落入工况生命线的时间轴的位置，如果当前的马氏距离落入[Dm-1，Dm]这个区间段中，则计算健康值为：

其中，H

M为工况生命线的分段数；

m为当前工况偏差值对应工况生命线的落入段的编号；

D

D

D

故障发生时间通过计算故障预测时间得到，在确定故障预测时间的步骤中，具体为：基于马氏距离，采用回归算法进行故障发生时间的预测。通过回归算法，例如采用多项式回归算法，得到基于马氏距离的故障预测时间。

通过受监测设备相同类型的设备历史健康基准线由多个点(x

其中：

当需要进行故障预测时间计算时，将通过公式（4）计算得到的当前参数的马氏距离带入公式（6），即得到设备的故障预测时间。根据设备的故障预测时间，对受监测设备的性能进行预测报告，从而实现设备性能或故障预警。

这里应该理解的是，对于根据设备的特征参数对应的工况偏差值拟合工况生命线的过程，上述方法在不同的步骤中提到的处理方式一致。工况生命线在设备的运行期间（只要设备还未完全失效）是一个不断更新增长的曲线，同一设备在同一时间点不同步骤拟合得到的工况生命线相同。

在本实施例的基于边云协同的设备状态监测方法中，以时间轴为基准的事件、特征、健康的设备信息表达方式，从而可以在存储及查看对应设备整个生命周期各个时间切片的全面状态，将来可以针对某一设备的全面数据进行持续使用分析和的设计优化。

可见，在本实施例中，边缘侧1具备如下功能：高速采集、缓存及预处理功能；时域分析、频谱分析功能，具备特征值提取功能，进而具备异常检测和事件上报。在边缘侧1各功能的基础上 ，云端2具备的功能形成设备健康管理功能：可以构建设备全生命周期状态数据库，实现工况生命线显示、特征参数变化趋势预测，完成异常事件管理和健康指数指示。

本实施例构建了一个边云协同架构，实现设备监控需求中采集到信息中关键信息不遗漏，而又不占用云端2太多资源的应用。在边缘侧1，对采集到的数据进行特征提取，对特征参数是否异常进行判断。在发生异常时，保存异常数据快照，只将设备异常的完整状态数据捕获并上传云端2，而其他非异常的数据仅记录特征参数；在云端2，可以从数据库中获取数据查看不同设备或同一设备不同的特征数据，提高有效信息密度，并以设备-特征波形-事件图谱-综合健康的不同层级组织出来，从而可以在海量的数据中快速的实现异常的定位和查看，既可以对设备进行总体健康的概览，也可以深入细节，查看发生异常现场的原始现场波形，并可以基于此进行进一步的分析，从而全面洞察和研究受监测设备的当前工况或预测未来工况，实现整个设计的健康状态和工况评估，并进行设备故障预测。

基于上述架构实现边云协同：边缘侧1仅持续将包括异常的原始数据发送回云端2，云端2进行持续的大数据自主学习，得到异常判断的判决阈值，并随时下发给边缘侧1，这样既能提高有效信息密度，又可以随时修正异常识别策略，对于同一台设备可以进行多种状态异常的监测，从而在一套硬件平台基础上，进行全面的状态监护；边缘侧1采用经云端2优化由判决阈值进行新的异常判决和原始数据抓取，这样最终边缘侧1的判决阈值将越来越精确，对设备状态评估的准确性也越来越高，并进行设备故障预测。

实施例2：

工业人工智能需要大数据，进行自主学习，然而如果将所有数据都通过工业物联网采集发送给云端大数据中心，数据量太大，海量的数据对于云端的传输、存储、计算都是巨大的负担。如果只是将简单的计算之后的结果发送给云端，数据量虽然减小了，但是没有特定事件的原始数据，所以又无法形成用于自主学习的样本数据。

本实施例提供一种对应实施例的基于边云协同的设备状态监测方法的监测系统。

如图6-1所示，一种基于边云协同的设备状态监测系统包括边缘侧1、云端2和终端3，终端3例如可以为手机31或电脑32。

边缘侧1包括数据采集单元11、数据处理单元12、特征提取单元13、数据快照单元14、事件上报单元15，其中：

数据采集单元11，配置为对至少一台设备的运行信息进行采集，运行信息包括电流、电压、振动、噪音、温度、应变、姿态中的至少一种。其中，至少一台设备为同一工作空间的同类设备或不同类设备，或者为不同工作空间的同类设备或不同类设备。数据采集单元11实现设备状态数据的采集，常常来自于传感器，例如电流传感器11’、电压传感器11”、振动传感器等，还可进一步实现信号调理、模数转换等。

如图6-2所示，边缘侧1的数据处理单元12对数据处理之后进行保存，除了包括缓存模块123，还包括滤校模块121和时频处理模块122。

数据处理单元12，配置为对采集的运行信息进行处理并缓存。其中：

滤校模块121，位于缓存单元123之前，配置为在进行缓存之前：对采集的运行信息进行预处理，预处理包括滤波、校正处理；

时频处理模块122，位于缓存单元123之后，配置为在进行缓存之后、对运行信息进行特征提取之前：采用时域分析处理，频域分析处理对运行信息进行特征分析。

缓存模块123，用于对数据进行缓存，这些数据可以为处理前或处理后的数据。因此，对缓存模块123相对于滤校模块121和时频处理模块122的连接关系或位置关系不做限定，图6-2仅作示例。

特征提取单元13，配置为对缓存的运行信息进行特征提取，特征提取得到的特征参数包括：幅度、峰值、动作时间、频率成分中的至少一种或组合计算量。特征提取单元13根据从数据采集单元11的原始数据、并经数据处理单元12处理的数据，计算得到特征参数，一组数据可以计算得到多个特征参数。

数据快照单元14，配置为将至少包括特征参数、以及对应提取特征参数的数据信息的时间戳，生成数据快照。数据快照单元14对特征参数进行异常判决，如果满足异常条件就认定该数据段为异常数据段，存入异常数据快照，数据快照中包括原始数据也包括特征参数、以及对异常描述，同时给异常数据快照打上时间戳表明其发生的时间点。

如图6-3所示，数据快照单元14包括判断模块144，判断模块144配置为根据特征参数，基于马氏距离的多元回归分析法，根据设备状态生成数据快照，包括：

对判断为设备异常的特征参数，将特征参数以及与该特征参数对应采集帧的缓存信息、异常结果，合并生成数据快照，并为数据快照打上时间戳；

对判断为设备正常的特征参数，将特征参数生成数据快照，并为数据快照打上时间戳。

数据快照单元14还包括阈值获取模块141、预设模块142、计算模块143，其中：

阈值获取模块141，配置为获取预设判决阈值；

预设模块142，配置为设定某一特征参数的额定工况或计算某一特征参数的均值作为马氏距离计算的期望值；

计算模块143，配置为根据期望值，计算该特征参数的协方差矩阵，构成协方差矩阵的协方差元素至少其一为该特征参数的向量；其中，协方差矩阵公式为：

其中：

矩阵中的第（i,j）个元素是

进而，根据协方差矩阵，计算得到马氏距离作为工况偏差值。马氏距离公式为：

其中：

从而，判断模块144，配置为根据工况偏差与判决阈值，判断设备状态，包括：

工况偏差大于判决阈值，则判断设备异常；

工况偏差值小于等于判决阈值，则判断设备正常；

数据快照包括工况偏差值。

事件上报单元15，配置为将至少包括数据快照、以及数据快照对应的设备信息、事件描述的索引数据集传送至云端2的数据库并进行存储。

如图6-4所示，云端2包括数据编排单元21，数据编排单元21配置为根据索引数据集组织包括设备、事件图谱、特征波形的多个层级的数据编排。优选的是，云端2还设置有更新判决阈值单元22，更新判决阈值单元22包括样本设备匹配模块221、工况生命线匹配模块222、阈值设定模块223，其中：

样本设备匹配模块221，用于匹配与受监测设备类型相同的样本设备，获取所有最终失效的样本设备的工况生命线；

工况生命线匹配模块222，用于在样本设备的工况生命线中选择与受监测设备匹配度最大的工况生命线；

阈值设定模块223，用于将选中工况生命线的失效点至当前最新采集数据对应的剩余使用寿命点处的健康值作为新的判决阈值。

终端3，配置为与云端2的数据库通信、并显示对应索引数据集的数据编排。优选的是，如图6-5所示，云端2还设置报告单元23，配置为对受监测设备的性能进行预测报告，报告单元23包括工况生命线拟合模块231、设备数据提取模块232、点对应模块233、确定模块234和报告生成模块235。这样，与云端2建立通信的终端3也具有了报告显示的功能。

其中：根据工况偏差值落入工况生命线的时间轴的位置：

计算健康值为：

其中：H

M为工况生命线的分段数；

m为当前工况偏差值对应工况生命线的落入段的编号；

D

D

D

以及，基于受监测设备的马氏距离和当前监测时刻距离故障发生时间的时间差，建立多项式拟合回归算式：

其中：

根据马氏距离，得到受监测设备的故障预测时间。

工况生命线拟合模块231，配置为根据与受监测设备的同类型设备的特征参数对应的工况偏差值，拟合工况生命线；

设备数据提取模块232，配置为选择数据库中的受监测设备，提取受监测设备的索引数据集；

点对应模块233，配置为将特征参数对应的工况生命线的时间轴从设备正常到设备完全失效进行M等分段，设备正常点的状态指标值对应为带入期望值得到的马氏距离段值，设备完全失效点的状态指标值对应为带入设备失效时特征参数的得到的马氏距离段值；

确定模块234，配置为根据工况偏差在工况生命线中的位置，确定健康值和故障预测时间；其中：

报告生成模块235，配置为根据健康值和故障预测时间，对受监测设备的性能进行预测报告。

应用本实施例的基于边云协同的设备状态监测系统，对设备的任何异常信息都不会出现遗漏，而又不占用太多的云端2的资源。在边缘侧1，对采集到的数据进行特征提取，对特征参数是否异常进行判断，

判断是发生异常时，保存异常数据快照，只将设备异常的完整状态数据捕获并上传云端2，而其他非异常的数据仅记录特征参数。在云端2，可以从数据库中获取数据查看不同设备或同一设备不同的特征数据，以设备-特征波形-事件图谱-综合健康的不同层级组织出来，从而可以在海量的数据中快速的实现异常的定位和查看，既可以对设备进行总体健康的概览，也可以深入细节，查看发生异常现场的原始现场波形，并可以基于此进行进一步的分析，从而全面洞察和研究受监测设备的当前工况，实现整个设计的健康状态和工况评估，并进行设备故障预测。

基于上述架构实现边云协同：边缘侧1持续将包括异常的原始数据发送回云端2，云端2进行持续的大数据自主学习，得到异常判断的判决阈值，并随时下发给边缘侧1，这样可以随时修正异常识别策略，对于同一台设备可以进行多种状态异常的监测，从而在一套硬件平台基础上，进行全面的状态监护；边缘侧1采用优化由判决阈值进行新的异常判决和原始数据抓取，这样最终边缘侧1的判决阈值将越来越精确，对设备状态评估的准确性也越来越高。

实施例3：

本实施例提供一种分布式存储介质，其中存储有多条指令，其可以根据不同的处理功能设置在不同的位置空间或区域，包括：

设置于边缘侧，适用于由处理器加载并执行：

对至少一台设备的运行信息进行采集，运行信息包括电流、电压、振动、噪音、温度、应变、姿态中的至少一种；其中，至少一台设备为同一工作空间的同类设备或不同类设备，或者为不同工作空间的同类设备或不同类设备；

对采集的运行信息进行处理并缓存；

对缓存的运行信息进行特征提取，特征提取得到的特征参数包括：幅度、峰值、动作时间、频率成分中的至少一种或组合计算量；

将至少包括特征参数、以及对应提取特征参数的数据信息的时间戳，生成数据快照；

将至少包括数据快照、以及数据快照对应的设备信息、事件描述的索引数据集传送至云端的数据库并进行存储；

设置于云端，适用于由处理器加载并执行：

云端根据索引数据集组织包括设备、事件图谱、特征波形的多个层级的数据编排；

以及，设置于终端，适用于由处理器加载并执行：

在与数据库通信的终端显示对应索引数据集的数据编排。

本实施例示出的存储介质可以为控制系统的硬盘或存储单元，其上存储有计算机程序（即程序产品），计算机程序在被处理器运行时，根据设置定位的不同，会实现上述方法实施方式中所记载的各步骤，例如，设置于云端，适用于由处理器加载并执行：云端根据索引数据集组织包括设备、事件图谱、特征波形的多个层级的数据编排。各步骤的具体实现方式在此不再重复说明。

需要说明的是，存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。

本实施例提供的分布式存储介质上存储有实施例1提供的基于边云协同的设备状态监测方法的实现程序，可以在边缘侧、云端和终端布局基于边云协同的设备状态监测方式，配合传感器、通信网络等实现控制软件逻辑的运行和更新，从而在一套硬件平台基础上，进行全面的设备状态监护。

需要理解的是，本发明中使用的术语仅仅处于描述特定实施例的目的，而非旨在限定本发明。具体实施方式是实施发明技术方案的具体实例。同时，术语“包括/包含”在本文使用时指特征、整件或组件的存在，但并不排除一个或更多个其他特征、整件或组件的存在或附加。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。