具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明做进一步的详细说明。应当理解，此外所描述的具体实施例仅用以解释本发明，但并不用于限定本发明。基于本发明中的实施例，本领域普通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，都将属于本发明保护的范围。

参照附图9，本发明提供的一种基于边云协同的刮板输送机状态监测及故障诊断方法的整体框架图；由设备端，边缘端，云端三部分组成；设备端包括刮板输送机传感器，边缘侧包括边侧模型，云侧包括智慧云平台数据库、DDNN模型的训练和云测模型。

参照附图1，本发明提供的一种基于边云协同的刮板输送机状态监测及故障诊断方法，包括：

将标定状态类型和故障类型的刮板输送机多源监测数据，按预设数据点长度截取并转化为二维图像数据，将二维图像数据按比例划分训练集和测试集；

搭建分布式神经网络模型(DDNN)；其中，所述分布式神经网络结构分为边缘侧网络模型和云侧网络模型，边缘侧网络模型包括两个卷积层，两个批归一化层，一个BoF层，一个全连接层，采用ReLU激活函数；云侧网络模型包括四个卷积层，四个批归一化层，一个自适应平均池化层，一个全连接层，采用ReLU激活函数；

将作为训练集的二维图像数据输入至所述分布式神经网络模型中，调节网络参数与函数，至输出的结果为准确故障状态和类型结果为止，训练完成后将作为测试集的二维图像数据输入分布式神经网络模型中，验证分布式神经网络模型的诊断准确性；

实时获取刮板输送机的监测数据，经数据转换后输入训练好的分布式神经网络模型的边缘侧网络模型中，若边缘侧网络模型出口的置信度小于预设阈值，则将边缘侧网络模型出口输出的结果作为刮板输送机状态监测及故障诊断结果；

若边缘侧网络模型出口的置信度大于等于预设阈值时，将该监测数据输入到云侧网络模型中，将云侧模型的输出结果与边缘侧模型输出结果进行整合作为刮板输送机状态监测及故障诊断结果。

其中，刮板输送机监测数据包括刮板输送机机头和机尾电机输出电流、刮板输送机机头和机尾电机转速。

其中，刮板输送机的状态和故障形式包括轻负荷启动、重负荷启动、未正常启动、机头机尾电机启动不一致、机头机尾电机停止不一致、刮板输送机链条卡住及正常状态。

对二维图像数据进行预处理的过程如图2所示，在将刮板输送机多源监测数据按预设数据点长度截取并转化为二维图像数据的步骤中，转化过程计算公式为：

其中，P表示二维图像的像素强度，L表示数据的值，K表示二维图像的单边尺寸。

分布式神经网络膜系的结构如图3所示，训练分布式神经网络的边缘侧网络模型的步骤包括：

图像特征提取，将作为训练集的二维图像数据输入边缘侧网络模型，通过卷积层提取特征向量；

构造视觉词典，通过特征向量与视觉单词的相似度来确定视觉词典中视觉单词的个数，特征向量与视觉词典的相似度用径向基函数(RBF)来计算，RBF第k个神经元的输出表示为：

[φ(X)]_k＝exp(-||X-V_k||₂/σ_k)

式中：X表示特征向量，V_k表示RBF的第k个神经元的中心，σ_k为核函数的宽度参数；

图像的直方图表示，得到特征图关于各视觉中心的相似性度量后，通过量化特征进行统计实现图像的直方图表示，计算公式表示为：

式中：N_k为RBF神经元个数。

其中，分布式神经网络模型的云侧网络模型包括：

残差网络，残差单元公式为：

F＝W₂σ(W₁X)

y＝F(X,{W_i})+X

式中：F为残差函数，W₁为残差单元第一层的权重，W₂为残差单元第二层权重，σ为ReLU激活函数，y为残差单元的输出；

边缘侧网络模型向云侧网络模型传输的通讯量表达公式为：

式中：C为标签集合，l为边缘侧退出样本百分比，f为边缘侧最后一个卷积层向云侧输出的图像尺寸，o为边缘侧最后一个卷积层向云侧输出的图像通道数。

其中，边缘侧网络模型出口的置信度表示为：

式中：C为所有标签的集合，x为概率向量，

其中，边缘侧网络模型和云侧网络模型的出口以交叉熵损失函数作为优化目标，交叉熵损失函数的公式表示为：

式中：X表示输入样本，y表示样本的真是标签，表示样本的预测标签，C表示标签集合，表示的是样本从神经网络的输入到第n个出口进行的运算，θ表示该过程网络的权重和偏置等参数。

其中，将边缘侧网络模型和云侧网络模型出口的损失加权求和并进行训练，采用梯度下降方法更新分布式神经网络的参数，分布式神经网络模型的损失函数表示为：

式中：N表示分类出口的数量,w_n表示每个出口的权重，表示第个出口的估计值。

实验案例

实验数据集一取自山西焦煤集团柳湾煤矿智能综采工作面的智慧云平台，诊断对象为山西焦煤机械电气有限公司制造的SGZ－764/630型刮板输送机。通过对该煤矿前部刮板输送机实际监测，收集到刮板输送机在多种状态下4种参数的数据,每个类型的样本数目按5:1的比例分为训练集和测试集，样本具体组成信息见表1。

表1状态类型样本信息表

实验数据集二为美国凯斯西储大学公开的轴承数据集，此实验采用驱动端轴承为SKF6205，采样频率为12Khz的数据集，在此数据集中，有三种故障类型，每个故障类型具有三种不同的损坏尺寸。共九个故障条件和一个正常情况。三个故障类型是滚子故障(RF)，外圈故障(OF)和内圈故障(IF)。损坏尺寸为0.18mm，0.36mm和0.54mm。在四个负载(0,1,2,3HP)条件下收集到的驱动端部振动信号，每个类型的样本数目按5:1的比例分为训练集和测试集，样本具体组成信息见表2。

表2故障类型样本信息表

从数据库中按784个数据点长度截取数据并将其转化为28×28的二维图像，数据集一对应的状态及故障类别如图4所示，数据集二对应的故障类别如图5所示。

构建的分布式神经网络的边缘侧参数如表3所示：

表3边缘侧参数表

构建的分布式神经网络的云侧参数如表4所示：

表4云侧参数表

当输入到边缘侧的样本特征向量到达边缘侧出口时，若样本置信度小于设定的阈值则退出，否则将表3中第二层的特征向量传输到表4中的第一层，由云侧对样本进行识别分类。

将各个出口的损失加权求和进行训练，云侧加权值取1边缘侧加权值取0.1，并采用SGD算法更新分布式神经网络的参数，学习率设置为0.1，动量系数设置为0.9，共迭代100次。

本发明方法的云侧神经网络与其他神经网络模型作比较：

按照本发明构建的分布式神经网络云侧模型与Alexnet,Vggnet神经网络对比,重复5次试验，其比较结果如图6。从结果可以看出，相比其它方法，构建的分布式神经网络的云侧模型在分类精度和稳定性上都取得了最好的效果，很好地完成了刮板输送机状态及故障类别的诊断。

本发明方法的云边协同推理与云侧和边缘侧单独推理作比较：

如图7所示，在测试数据一过程中，云侧分类器单独推理的精度99.50％，边缘侧分类器单独推理的精度96.86％，“云-边”协同推理的精度最高达到100％，远远高于前两者。在通讯量方面，将模型全部卸载到云中的方法其每个样本发送到云的成本为784个字节，而“云-边”协同推理最少为352个字节只需其通讯量的44.9％。此外，如图8所示，在测试数据二的过程中，所构建的分布式神经网络同样表现出良好的分类效果，表现出了良好的泛化能力。

本发明针对基于云计算的神经网络对刮板输送机状态监测及故障诊断中存在的实时性、带宽、安全性、以及网络泛化能力方面的问题，提出了面向边缘计算的分布式神经网络对刮板输送机的状态监测及故障诊断方法，将一维数字信号转化为二维图像有利于神经网络对特征向量的提取，减小了人工提取特征对诊断结果的影响，尽可能的消除专业知识；状态监测及故障诊断时，边缘侧对置信度小于阈值的样本早期退出，符合诊断实时性、数据安全性的需求，边云协同推理的方式在极大降低通讯量的同时，诊断精度较云计算精度也有所提升，此外，所构建的模型表现出了良好的泛化能力。

附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。