CN119475228A 基于边缘计算的盾构机故障检测方法及系统 （中铁四局集团有限公司）

基于边缘计算的盾构机故障检测方法及系统本发明提供基于边缘计算的盾构机故障检2在盾构机上部署边缘计算节点，所述边缘计算节点与盾构将融合后的特征数据输入至边缘计算节点中预先部署的在线学习模于知识图谱技术对接收的数据进行语义理解和关联分析，通过知识推理引擎输出故障原云端服务器利用故障检测结果以及故障相关的特征数据边缘计算节点通过设定阈值，利用拉依达准则识别并剔除从多源传感边缘计算节点利用信号处理技术，对清洗后的数据进行自适应降噪和平边缘计算节点通过线性插值将不同传感器采集的数据映射到统一的时边缘计算节点从对齐后的时序类传感器数据中，利用滑动窗口技术提取到统一的低维度特征数据，所述多模态特征融合技术包括多核学习与深度神经网络的结边缘计算节点对融合后的低维度特征数据进行最大一最小值规范化处3将提取的时序特征和空间特征分别输入到两个独立的卷积神经网络中进行特征提取，在多核映射层之后引入模态判别器，利用深度对抗网络将多核映射得到的融合特征输入到全连接网络中进行特征重构在自适应特征提取层中，引入门控单元和特征变换单元，在注意力融合层中，采用自注意力机制，通过计算特征之间在双向长短时记忆网络层中，通过前向和后向的长短时记忆网络对融合在全连接输出层中，将双向长短时记忆网络层的输出通过所述在线学习模型采用主动学习策略，根据预测的不确定性动态选择样所述在线学习模型还采用自适应架构演化策略，根据诊断任务的复杂4根据边缘节点上传的故障检测结果，在知识图谱中检索出与对局部故障子图进行混合搜索，所述混合搜索采用一种自适应的搜索根据推理结果生成故障分析报告，所述故障分析报告以结构化关的特征数据，通过增量学习算法对边缘节点的在线学习模型进行更新和优化的步骤包云端服务器接收边缘节点上传的故障检测结果和故云端服务器从故障数据库中提取出一批新的故障样本云端服务器将增量训练数据集发送给边缘节点，边缘节点接收足预设的性能指标后保存并替换原有在线学边缘节点利用增量学习更新后的在线学习模型对实时数据边缘节点定期将本地知识库中的新知识上传至云端服务器，云端服5云端服务器利用更新后的云端知识图谱构建教师云端服务器将更新和优化后的在线学习模型和知识库云端服务器将更新和优化后的在线学习模型和知识表示模型,定期下发给边缘节点,边缘节点替换本地的旧版本,并根据本地计算资源和性能需求选择性地部署知识表示模型边缘节点利用更新后的在线学习模型和部署的知识表示模型或完整版知识库进行实时故障诊断和分析,其中在线学习模型利用知识表示模型中蕴含的结构化知识,作为输入特征或约束条件,结合实时数据进行故障诊断和预测；同时将新的诊断结果和知识反馈给8.基于边缘计算的盾构机故障检测系统，用于实现前述权利要求1_7中任一项所述的第一单元，用于在盾构机上部署边缘计算节点，所述边缘计第二单元，用于将融合后的特征数据输入至边缘计算节点中预先部署的在线学习模第三单元，用于云端服务器利用故障检测结果以及故障相关6其中，所述处理器被配置为调用所述存储器存储的指令，以执行程序指令被处理器执行时实现权利要求1至7中任意7严重影响了掘进效率和施工进度。传统的盾构机故障检测主要依赖于人工巡检和定期维[0004]对盾构机的特殊工况缺乏考虑,没有针对性地提[0005]采用静态离线训练的机器学习模型,缺乏根据盾学习模型采用主动学习策略，根据盾构机的工况变化动态调整在线学习模型的参数和结8[0017]边缘计算节点利用信号处理技术，对清洗后的数据进行[0018]边缘计算节点通过线性插值将不同传感器采集的数据映[0023]将提取的时序特征和空间特征分别输入到两个独立的卷积神经网络中进行特征9学习模型采用主动学习策略，根据盾构机的工况变化动态调整在线学习模型的参数和结在线学习模型知识的基础上适应新的故障模式和特的学习和保留，评估更新后的在线学习模型在增量训练数据集和原有测试数据集上的性[0057]云端服务器将更新和优化后的在线学习模型和知点,边缘节点替换本地的旧版本,并根据本地计算资源和性能需求选择性地部署知识表示[0058]边缘节点利用更新后的在线学习模型和部署的知识表示模型或完整版知识库进行实时故障诊断和分析,其中在线学习模型利用知识表示模型中蕴含的结构化知识,作为输入特征或约束条件,结合实时数据进行故障诊断和预测；同时将新的诊断结果和知识反忆网络层和全连接输出层，通过端到端的方式对盾构机的故障模式进行实时检测和识别，融合了盾构领域专家的经验知识和机器学习的数据分析能力,可以在海量的设备监测数据[0073]本文采用云端服务器优化更新后的模型和知识库,再次下发给边缘节点,周而复[0079]S1.在盾构机上部署边缘计算感器通信连接，通过数据采集模块实时接收多源异构传感器采集的盾构机运行状态数据，[0080]S2.将融合后的特征数据输入至边[0081]S3.云端服务器利用故障检测结[0085]边缘计算节点利用信号处理技术，对清洗后的数据进行[0086]边缘计算节点通过线性插值将不同传感器采集的数据映[0088]边缘计算节点对融合后的低维度特征数据进行最大_最小值规范化处理，消除不清洗,识别并剔除其中的异常值和离群点。通过设定合理的阈值,利用拉依达准则(3_σ准若盾构机刀盘转速传感器的历史数据均值为2.5r/min,标准差为0.4r/min,当某时刻[0090]在完成初步清洗后,边缘计算节点采用隔离森林(Isolatio因子(LocalOutlierFactor)算法,对清洗后的数据进行进一步的异常检测,以提高数据常样本通常会在较早的划分过程中被单独隔离,因此具有较短的平均路径长度。假设经初步清洗后的某一批次数据包含100个样本,每个样本含有10个特征维度,通过构建50[0091]针对清洗后的传感器数据,边缘计算节点利用信号处以卡尔曼滤波为例,假设盾构机推进速度传感器采集到的数据含有高斯白噪声,噪声的均测矩阵,并根据噪声的统计特性设置过程噪声协方差矩阵和测量噪声协方差矩阵,迭代更新状态预测和状态估计,最终得到平滑后的推进速度数据。若原始数据在某一时段内的均[0092]由于不同传感器的采样频率和空间位置存在差异器数据进行时空对齐。在时间对齐方面,通过线性插值将不同传感器采集的数据映射到统秒采样一次,通过对推进速度数据进行线性插值,可将其映射到与刀盘转速数据相同的进速度分别为1.2m/min和1.3m/min,则可通过线性插值得到该时刻对应的推进速度[0093]在空间对齐方面,边缘计算节点利用空间映射方法,结合优化算法和误差最小化结构模型,以盾构机中心线为参考,利用最小二乘法求解坐标变换矩阵,将4个传感器的位移数据统一映射到盾构机纵向推进方向上。若某时刻4个传感器的位移读数分别为(10.2,9.8,10.5,10.1)mm,通过坐标变换矩阵[0.707,_0.707,0,0;0.707,0.707,[0094]对于对齐后的时序类传感器数据,边缘取频谱熵、中心频率等频域特征,利用短时傅里叶变换或小波变换提取时频域特征如能量盾构机推进油缸位移数据,可计算油缸位移的均值和方差表征整体推进状态,提取油缸间位移差值的最大值、最小值表征推进的偏斜程度,构建油缸相对位置的邻接矩阵刻画油缸[0096]在提取不同传感器数据的多模态特征后,边缘计算节点采用多模态特征融合技术,将这些特征映射到共享隐空间,学习特征之间的内在关联,得到统一的低维度特征数提取的刀盘转速特征维度为20,推进速度特征维度为15,推进油缸位移特征维度为25,权求和的方式得到融合后的相似度矩阵,最后采用核主成分分析等降维方法,将融合后的[0097]为消除不同传感器数据特征的量纲差异,提高融合后特征的可比性和鲁棒性,边大最小值规范化公式为:(x_imin(x_i))/(max(x_i)大最小值规范化后变为(5.72.4)/(10.52.4)=0.[0098]此外,为约束低维度特征数据的稀疏性和过拟合风险,边缘计算节点利用最大范数正则化对特征数据进行约束。最大范数正则化倾向于学习稀疏的特征表示,减小过拟合风险。若融合后的低维度特征数据表示为矩阵W,则最大范数正则化项可表示为λ||W||_[0099]通过以上步骤,边缘计算节点能够对从盾构机采集到的多源异构数据进行预处[0102]将提取的时序特征和空间特征分别输入到两个独立的卷积神经网络中进行特征独立的卷积神经网络中,利用深度神经网络的特征学习能力,通过卷积和池化操作提取高[0108]对于空间特征,采用二维卷积神经网络(2D[0109]在独立卷积神经网络之后,引入包含多个核函数的多核映射层,将多核学习与深度神经网络相结合,利用多核学习从不同尺度和角度学习模态间的语义对齐。多核映射层[0110]多核映射层将时序特征的128维表示和空间特征的32维表示拼接为160维的多模设第i个核函数映射后的相似度矩阵为K_i,则多核映射层的输出为加权求和Σ(w_数的相似度值在同一数量级。通过加权求和,自适应地融合不同尺度和角度学习到的模态[0111]在多核映射层之后引入模态判别器,利用深度对抗网络的思想,通过对抗学习显层将多核映射层输出的融合特征作为输入,维度为多核映射层的输出维度,第二层包含64态判别器最小化分类损失,使其能够准确区分融合特征来自哪个模态。然后固定模态判别训练,多核映射层和模态判别器在对抗中不断优化,最终得到在不同模态下分布一致的融下降到接近50%,说明融合特征在不同模态下的分布逐渐趋于一致,特征融合的质量得到[0113]将多核映射得到的融合特征输入到全连接网络中进[0114]在训练过程中,全连接网络通过最小化融合特征网络的降维作用使得最终得到的10维特征模态判别器和全连接网络的输出,然后计算多核映射层的核函数加权和、模态判别器的分若诊断准确率从单模态特征的85%提升到融合特征的92%,说明融合特征能够挖掘不同器和全连接网络的协同优化,自适应地学习时序特征和空间特征的语义关联,约束融合特学习模型采用主动学习策略，根据盾构机的工况变化动态调整在线学习模型的参数和结和上一时刻的隐状态自适应地调整特征表示,以适应盾构机不同工况下的特征分布变化。门控单元包括更新门和重置门,更新门控制上一时刻的隐状态对当前特征的影响程度,重[0127]特征变换单元对输入特征进行仿射变换,通过线性变换和平移操作,将原始特征[0128]举例说明,假设当前时刻的特征向量为x_t,维度为50,上一时刻的隐状态向量t通过一个50×64的全连接层进行线性变换,并加上一个64维的偏置向量,得到变换调整后的特征向量x_t''。[0129]通过门控机制和特征变换,自适应特征提取层能够根据盾构机[0130]在注意力融合层中,采用自注意力机制,通过计算特征之间的相关性生成注意力合后的特征矩阵X',维度为10×32,每[0133]通过自注意力机制,注意力融合层能够自适应地计算特征之间的相关性,突出重[0134]在双向长短时记忆网络层中,通过前向和后向的出门和细胞状态四个部分,通过门控机制和记忆单元,能够有效地解决梯度消失和梯度爆[0135]在前向长短时记忆网络中,特征序列按照时间顺序依次输入,网络根据当前时刻的输入和上一时刻的隐状态更新隐状态和细胞状态。在后向长短时记忆网络中,特征序列按照时间逆序依次输入,网络根据当前时刻的输入和下一时刻的隐状态更新隐状态和细胞[0144]最后,将前向网络的隐状态序列h_1,h_2,,h_T和后向网络的隐状态序列拼接后的特征序列维度为T×2h,每个时刻的特征向量都包含了前向和后向的上下文信[0145]通过双向长短时记忆网络层,能够充分挖掘特征序列的时间依赖关系,捕捉盾构[0146]在全连接输出层中,将双向长短时记忆网络层的输出示转化为故障模式的后验概率。通过设置合适的决策阈值,可以根据概率值判断盾构机的[0147]举例说明,假设双向长短时记忆网络层的输出维度为2h,故障模式的类别数为[0152]通过全连接输出层,将双向长短时记忆网络层[0153]在线学习模型采用主动学习策略,根据学习,以提高模型的泛化能力和学习效率。主动学习策略通过计算预测熵衡量模型对当前[0154]通过主动学习策略,在线学习模型能够自适应地选择最有价值的样本进行学习,轮主动学习中,对1000个未标注样本进行预测,计算预测熵,选择熵值最高的10个样[0156]在线学习模型还采用自适应架构演化策演化策略通过设置一个初始的模型架构,如包含3个隐藏层,每层据诊断任务的复杂度和模型的性能表现,动态地增加或减少隐藏层的数量和神经元的数如果模型的性能提升速度放缓或出现瓶颈,则考虑增加模型的容量,如增加一个隐藏层或[0170]示例性的，当盾构机的边缘节点检器首先需要在知识图谱中检索出与当前故障模式相关的实体和关系,形成一个局部故障子[0171]举例说明,假设边缘节点检测到盾构机的螺旋输送机障,并上传了故障代码"F013"以及相关的传感器数据。云端接收到数据后,在知识图谱中减速机"等,以及与之相关的历史案例、维护手册等。这些实体及其关系构成了一个围绕"[0172]在获得局部故障子图后,需要进一步搜索和扩充相关知识,以便挖掘更多有助于盾构机故障诊断的信息。本文提出了一种自适应的混合搜索策略,根据当前节点的特征和[0175]为了在DFS和BFS之间进行动态选择,本文定[0177]其中,r表示当前节点与根节点(即初始故障代[0179]以"螺旋输送机电机轴承损坏"为例,假设其与根节点"F013"的最短路径长度为利用知识推理引擎对该子图进行语义理解和关联分析,推断出故障的原因、严重程[0183]本文采用基于规则的推理方法,预先定[0184]Rule1:IF故障代码=F013AND螺旋输送机电机绕组温度>130℃THEN故障原因="螺旋输送机电机轴承损坏"AND故障等级=3AND维护措施="更换螺旋输送机电机轴[0185]Rule2:IF故障代码=F013AND螺旋叶片间隙<10mmTHEN故障原因="螺旋叶片阻塞"AND故障等级=2AND维护措施="清理螺旋叶片间的异物,检查螺旋叶片磨损情[0186]推理引擎会逐一检查每条规则的前提是否在故障子图和执行的方式反馈给盾构机的边缘节点和操作人员。本文提出生成结构化的故障分析报[0192]故障严重程度评估:根据推理结果和预先制定的盾构机故障分级标准,给出严重[0194]预测性维护措施:针对每个可能的故障原因,给出相应的处理措施和维护建议,如:[0209]报告生成后,以HTML或PDF等格式发送给盾构机的边缘节点,并通过WeApp推送给相关技术人员和管理人员。他们可以根据报告提供的信息,快速准确地开展针融合了盾构领域专家的经验知识和机器学习的数据分析能力,可以在海量的设备监测数据在线学习模型知识的基础上适应新的故障模式和特的学习和保留，评估更新后的在线学习模型在增量训练数据集和原有测试数据集上的性[0218]示例性的，云端服务器利用故障检测结果[0219]云端服务器接收到边缘节点上传的故障检测结果和[0221]异常检测:故障数据中可能存在异常值,即与正常工况下的数据分布差异较大的正常工况下温度通常在40℃~60℃之间,如果出现了100℃以上的温度值,则认为是异[0223]为了让边缘节点的在线学习模型能够适应新的故障模故障数据库中选取一批新的故障样本,构建增量训练数据集。构建过程中需要注意以下问题:[0224]样本选择:从故障数据库中[0226]平衡新旧样本:增量训练数据集中应包含一定比例的新样本和旧样本,以平衡新[0227]边缘节点接收到云端发送的增量训练数据集后[0232]评估模型性能:在增量训练数据集和原有测试集上评估更新后的模型性能,计算[0233]保存更新模型:如果更新后的模型满足预设的性能指标,则将其保存并替换原有方法能够在不中断边缘节点诊断服务的情况下,持续学习新的故障知识,同时保留原有诊[0241]云端服务器将更新和优化后的在线学习模型和知点,边缘节点替换本地的旧版本,并根据本地计算资源和性能需求选择性地部署知识表示[0242]边缘节点利用更新后的在线学习模型和部署的知识表示模型或完整版知识库进行实时故障诊断和分析,其中在线学习模型利用知识表示模型中蕴含的结构化知识,作为输入特征或约束条件,结合实时数据进行故障诊断和预测；同时将新的诊断结果和知识反[0243]示例性的，云边协同的故障诊断系统通过知识知识动态更新到云端知识图谱中,实现知识库的持续扩充和优化,同时将更新后的在线学习模型和知识库同步到边缘节点,形成闭环的知识演化和模型更新过程。具体技术方案如下:[0244]边缘节点利用增量学习后的在线学习模型对实时数规则,这些新知识以结构化的形式存储在边缘节点的本地知识库中。知识的结构化表示可[0249]"name[0255]"na[0257]"unit":"℃",[0263]"antecedent":"齿轮箱振动峰值>4.0m/s2且齿轮箱温度>70.0℃",[0264]"consequ[0269]上述JSON数据表示边缘节点诊断出一种新的故障类型"齿轮磨损",该故障的特征包括齿轮箱振动峰值超过4.0m/s2且齿轮箱温度超过70.0℃[0271]云端服务器接收到边缘节点上传的新知[0275]调整边权重:根据新知识反映的特征或规则的重要性,调整关联边的权重值。例如,如果多个边缘节点上传的知识都表明"齿轮箱振动峰值"是"齿轮磨损"的重要特征,则[0276]通过不断地融合新知识,云端知识图谱可以持续扩充和优化,及时反映设备故障[0277]为了便于在线学习模型利用结构化知识,云端骤:[0279]蒸馏学生模型:教师模型学到的知识表示维度可能较高,