權(quán)利要求書： 1.一種基于邊云協(xié)同的刮板輸送機狀態(tài)監(jiān)測及故障診斷方法，其特征在于，包括：

將標定狀態(tài)類型和故障類型的刮板輸送機多源監(jiān)測數(shù)據(jù)，按預設數(shù)據(jù)點長度截取并轉(zhuǎn)化為二維圖像數(shù)據(jù)，將二維圖像數(shù)據(jù)按比例劃分訓練集和測試集；

搭建分布式神經(jīng)網(wǎng)絡模型(DDNN)；其中，所述分布式神經(jīng)網(wǎng)絡結(jié)構(gòu)分為邊緣側(cè)網(wǎng)絡模型和云側(cè)網(wǎng)絡模型，邊緣側(cè)網(wǎng)絡模型包括兩個卷積層，兩個批歸一化層，一個BoF層，一個全連接層，采用ReLU激活函數(shù)；云側(cè)網(wǎng)絡模型包括四個卷積層，四個批歸一化層，一個自適應平均池化層，一個全連接層，采用ReLU激活函數(shù)；

將作為訓練集的二維圖像數(shù)據(jù)輸入至所述分布式神經(jīng)網(wǎng)絡模型中，調(diào)節(jié)網(wǎng)絡參數(shù)與函數(shù)，至輸出的結(jié)果為準確故障狀態(tài)和類型結(jié)果為止，訓練完成后將作為測試集的二維圖像數(shù)據(jù)輸入分布式神經(jīng)網(wǎng)絡模型中，驗證分布式神經(jīng)網(wǎng)絡模型的診斷準確性；

實時獲取刮板輸送機的監(jiān)測數(shù)據(jù)，經(jīng)數(shù)據(jù)轉(zhuǎn)換后輸入訓練好的分布式神經(jīng)網(wǎng)絡模型的邊緣側(cè)網(wǎng)絡模型中，若邊緣側(cè)網(wǎng)絡模型出口的置信度小于預設閾值，則將邊緣側(cè)網(wǎng)絡模型出口輸出的結(jié)果作為刮板輸送機狀態(tài)監(jiān)測及故障診斷結(jié)果；

若邊緣側(cè)網(wǎng)絡模型出口的置信度大于等于預設閾值時，將該監(jiān)測數(shù)據(jù)輸入到云側(cè)網(wǎng)絡模型中，將云側(cè)模型的輸出結(jié)果與邊緣側(cè)模型輸出結(jié)果進行整合作為刮板輸送機狀態(tài)監(jiān)測及故障診斷結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于邊云協(xié)同的刮板輸送機狀態(tài)監(jiān)測及故障診斷方法，其特征在于，所述刮板輸送機監(jiān)測數(shù)據(jù)包括刮板輸送機機頭和機尾電機輸出電流、刮板輸送機機頭和機尾電機轉(zhuǎn)速。

3.根據(jù)權(quán)利要求1所述的基于邊云協(xié)同的刮板輸送機狀態(tài)監(jiān)測及故障診斷方法，其特征在于，刮板輸送機的狀態(tài)和故障形式包括輕負荷啟動、重負荷啟動、未正常啟動、機頭機尾電機啟動不一致、機頭機尾電機停止不一致、刮板輸送機鏈條卡住及正常狀態(tài)。

4.根據(jù)權(quán)利要求1所述的基于邊云協(xié)同的刮板輸送機狀態(tài)監(jiān)測及故障診斷方法，其特征在于，在將刮板輸送機多源監(jiān)測數(shù)據(jù)按預設數(shù)據(jù)點長度截取并轉(zhuǎn)化為二維圖像數(shù)據(jù)的步驟中，轉(zhuǎn)化過程計算公式為：



其中，P表示二維圖像的像素強度，L表示數(shù)據(jù)的值，



K表示二維圖像的單邊尺寸。

5.根據(jù)權(quán)利要求1所述的基于邊云協(xié)同的刮板輸送機狀態(tài)監(jiān)測及故障診斷方法，其特征在于，訓練分布式神經(jīng)網(wǎng)絡的邊緣側(cè)網(wǎng)絡模型的步驟包括：

圖像特征提取，將作為訓練集的二維圖像數(shù)據(jù)輸入邊緣側(cè)網(wǎng)絡模型，通過卷積層提取特征向量；

構(gòu)造視覺詞典，通過特征向量與視覺單詞的相似度來確定視覺詞典中視覺單詞的個數(shù)，特征向量與視覺詞典的相似度用徑向基函數(shù)(RBF)來計算，RBF第k個神經(jīng)元的輸出表示為：

[φ(X)]k＝exp(-||X-Vk||2/σk)

式中：X表示特征向量，Vk表示RBF的第k個神經(jīng)元的中心，σk為核函數(shù)的寬度參數(shù)；

圖像的直方圖表示，得到特征圖關(guān)于各視覺中心的相似性度量后，通過量化特征進行統(tǒng)計實現(xiàn)圖像的直方圖表示，計算公式表示為：



式中：



Nk為RBF神經(jīng)元個數(shù)。

6.根據(jù)權(quán)利要求1所述的基于邊云協(xié)同的刮板輸送機狀態(tài)監(jiān)測及故障診斷方法，其特征在于，分布式神經(jīng)網(wǎng)絡模型的云側(cè)網(wǎng)絡模型包括：

殘差網(wǎng)絡，殘差單元公式為：

F＝W2σ(W1X)

y＝F(X,{Wi})+X

式中：F為殘差函數(shù)，W1為殘差單元第一層的權(quán)重，W2為殘差單元第二層權(quán)重，σ為ReLU激活函數(shù)，y為殘差單元的輸出；

邊緣側(cè)網(wǎng)絡模型向云側(cè)網(wǎng)絡模型傳輸?shù)耐ㄓ嵙勘磉_公式為：



式中：C為標簽集合，l為邊緣側(cè)退出樣本百分比，f為邊緣側(cè)最后一個卷積層向云側(cè)輸出的圖像尺寸，o為邊緣側(cè)最后一個卷積層向云側(cè)輸出的圖像通道數(shù)。

7.根據(jù)權(quán)利要求1所述的基于邊云協(xié)同的刮板輸送機狀態(tài)監(jiān)測及故障診斷方法，其特征在于，邊緣側(cè)網(wǎng)絡模型出口的置信度表示為：



式中：C為所有標簽的集合，x為概率向量，



8.根據(jù)權(quán)利要求1所述的基于邊云協(xié)同的刮板輸送機狀態(tài)監(jiān)測及故障診斷方法，其特征在于，邊緣側(cè)網(wǎng)絡模型和云側(cè)網(wǎng)絡模型的出口以交叉熵損失函數(shù)作為優(yōu)化目標，交叉熵損失函數(shù)的公式表示為：







式中：X表示輸入樣本，y表示樣本的真是標簽，



表示樣本的預測標簽，C表示標簽集合，



表示的是樣本從神經(jīng)網(wǎng)絡的輸入到第n個出口進行的運算，θ表示該過程網(wǎng)絡的權(quán)重和偏置等參數(shù)。

9.根據(jù)權(quán)利要求8所述的基于邊云協(xié)同的刮板輸送機狀態(tài)監(jiān)測及故障診斷方法，其特征在于，將邊緣側(cè)網(wǎng)絡模型和云側(cè)網(wǎng)絡模型出口的損失加權(quán)求和并進行訓練，采用梯度下降方法更新分布式神經(jīng)網(wǎng)絡的參數(shù)，分布式神經(jīng)網(wǎng)絡模型的損失函數(shù)表示為：



式中：N表示分類出口的數(shù)量,wn表示每個出口的權(quán)重，



表示第個出口的估計值。

說明書： 一種基于邊云協(xié)同的刮板輸送機狀態(tài)監(jiān)測及故障診斷方法技術(shù)領域

本發(fā)明涉及深度學習技術(shù)領域，尤其涉及一種基于邊云協(xié)同的刮板輸送機狀態(tài)監(jiān)測及故障診斷方法。

背景技術(shù)

當前云計算面臨著一些亟待解決的問題，首先，線性增長的集中式云計算能力無法匹配爆炸式增長的海量邊緣數(shù)據(jù)，而把海量數(shù)據(jù)傳輸?shù)皆朴嬎阒行娜ヌ幚韯荼貢斐蓚鬏攷捸撦d急劇增加造成較長網(wǎng)絡延遲，難以滿足控制類數(shù)據(jù)、實時數(shù)據(jù)的傳輸需求。其次，邊緣設備傳輸數(shù)據(jù)到云平臺將消耗較大電能，在傳輸數(shù)據(jù)的同時也存在安全隱患。

刮板輸送機作為連接工作面與外界的重要紐帶，在煤炭開采過程中占有十分重要的位置，由于其工況差、負載大、受沖擊多，工作過程中極易出現(xiàn)故障，進而影響到整個生產(chǎn)進度。隨著煤礦信息化進程的推進，綜采工作面設備的全面自動化勢在必行，目前對于刮板輸送機狀態(tài)監(jiān)測及故障診斷方法的研究大多是將全部神經(jīng)網(wǎng)絡模型布置在云端，然后將刮板輸送機參數(shù)傳輸?shù)皆贫藢伟遢斔蜋C進行在線監(jiān)測，無法做到實時監(jiān)測和診斷。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于邊云協(xié)同的刮板輸送機狀態(tài)監(jiān)測及故障診斷方法，使用一種改進的分布式神經(jīng)網(wǎng)絡，通過云邊協(xié)同推理的方式監(jiān)測刮板輸送機在實際運行中的數(shù)據(jù)，實現(xiàn)實時、準確地狀態(tài)監(jiān)測和故障診斷。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：構(gòu)造一種基于邊云協(xié)同的刮板輸送機狀態(tài)監(jiān)測及故障診斷方法，包括：

將標定狀態(tài)類型和故障類型的刮板輸送機多源監(jiān)測數(shù)據(jù)，按預設數(shù)據(jù)點長度截取并轉(zhuǎn)化為二維圖像數(shù)據(jù)，將二維圖像數(shù)據(jù)按比例劃分訓練集和測試集；

搭建分布式神經(jīng)網(wǎng)絡模型(DDNN)；其中，所述分布式神經(jīng)網(wǎng)絡結(jié)構(gòu)分為邊緣側(cè)網(wǎng)絡模型和云側(cè)網(wǎng)絡模型，邊緣側(cè)網(wǎng)絡模型包括兩個卷積層，兩個批歸一化層，一個BoF層，一個全連接層，采用ReLU激活函數(shù)；云側(cè)網(wǎng)絡模型包括四個卷積層，四個批歸一化層，一個自適應平均池化層，一個全連接層，采用ReLU激活函數(shù)；

將作為訓練集的二維圖像數(shù)據(jù)輸入至所述分布式神經(jīng)網(wǎng)絡模型中，調(diào)節(jié)網(wǎng)絡參數(shù)與函數(shù)，至輸出的結(jié)果為準確故障狀態(tài)和類型結(jié)果為止，訓練完成后將作為測試集的二維圖像數(shù)據(jù)輸入分布式神經(jīng)網(wǎng)絡模型中，驗證分布式神經(jīng)網(wǎng)絡模型的診斷準確性；

實時獲取刮板輸送機的監(jiān)測數(shù)據(jù)，經(jīng)數(shù)據(jù)轉(zhuǎn)換后輸入訓練好的分布式神經(jīng)網(wǎng)絡模型的邊緣側(cè)網(wǎng)絡模型中，若邊緣側(cè)網(wǎng)絡模型出口的置信度小于預設閾值，則將邊緣側(cè)網(wǎng)絡模型出口輸出的結(jié)果作為刮板輸送機狀態(tài)監(jiān)測及故障診斷結(jié)果；

若邊緣側(cè)網(wǎng)絡模型出口的置信度大于等于預設閾值時，將該監(jiān)測數(shù)據(jù)輸入到云側(cè)網(wǎng)絡模型中，將云側(cè)模型的輸出結(jié)果與邊緣側(cè)模型輸出結(jié)果進行整合作為刮板輸送機狀態(tài)監(jiān)測及故障診斷結(jié)果。

其中，刮板輸送機監(jiān)測數(shù)據(jù)包括刮板輸送機機頭和機尾電機輸出電流、刮板輸送機機頭和機尾電機轉(zhuǎn)速。

其中，刮板輸送機的狀態(tài)和故障形式包括輕負荷啟動、重負荷啟動、未正常啟動、機頭機尾電機啟動不一致、機頭機尾電機停止不一致、刮板輸送機鏈條卡住及正常狀態(tài)。

其中，在將刮板輸送機多源監(jiān)測數(shù)據(jù)按預設數(shù)據(jù)點長度截取并轉(zhuǎn)化為二維圖像數(shù)據(jù)的步驟中，轉(zhuǎn)化過程計算公式為：



其中，P表示二維圖像的像素強度，L表示數(shù)據(jù)的值，



K表示二維圖像的單邊尺寸。

其中，訓練分布式神經(jīng)網(wǎng)絡的邊緣側(cè)網(wǎng)絡模型的步驟包括：

圖像特征提取，將作為訓練集的二維圖像數(shù)據(jù)輸入邊緣側(cè)網(wǎng)絡模型，通過卷積層提取特征向量；

構(gòu)造視覺詞典，通過特征向量與視覺單詞的相似度來確定視覺詞典中視覺單詞的個數(shù)，特征向量與視覺詞典的相似度用徑向基函數(shù)(RBF)來計算，RBF第k個神經(jīng)元的輸出表示為：

[φ(X)]k＝exp(-||X-Vk||2/σk)

式中：X表示特征向量，Vk表示RBF的第k個神經(jīng)元的中心，σk為核函數(shù)的寬度參數(shù)；

圖像的直方圖表示，得到特征圖關(guān)于各視覺中心的相似性度量后，通過量化特征進行統(tǒng)計實現(xiàn)圖像的直方圖表示，計算公式表示為：



式中：



Nk為RBF神經(jīng)元個數(shù)。

其中，分布式神經(jīng)網(wǎng)絡模型的云側(cè)網(wǎng)絡模型包括：

殘差網(wǎng)絡，殘差單元公式為：

F＝W2σ(W1X)

y＝F(X,{Wi})+X

式中：F為殘差函數(shù)，W1為殘差單元第一層的權(quán)重，W2為殘差單元第二層權(quán)重，σ為ReLU激活函數(shù)，y為殘差單元的輸出；

邊緣側(cè)網(wǎng)絡模型向云側(cè)網(wǎng)絡模型傳輸?shù)耐ㄓ嵙勘磉_公式為：



式中：C為標簽集合，l為邊緣側(cè)退出樣本百分比，f為邊緣側(cè)最后一個卷積層向云側(cè)輸出的圖像尺寸，o為邊緣側(cè)最后一個卷積層向云側(cè)輸出的圖像通道數(shù)。

其中，邊緣側(cè)網(wǎng)絡模型出口的置信度表示為：



式中：C為所有標簽的集合，x為概率向量，



其中，邊緣側(cè)網(wǎng)絡模型和云側(cè)網(wǎng)絡模型的出口以交叉熵損失函數(shù)作為優(yōu)化目標，交叉熵損失函數(shù)的公式表示為：







式中：X表示輸入樣本，y表示樣本的真是標簽，



表示樣本的預測標簽，C表示標簽集合，



表示的是樣本從神經(jīng)網(wǎng)絡的輸入到第n個出口進行的運算，θ表示該過程網(wǎng)絡的權(quán)重和偏置等參數(shù)。

其中，將邊緣側(cè)網(wǎng)絡模型和云側(cè)網(wǎng)絡模型出口的損失加權(quán)求和并進行訓練，采用梯度下降方法更新分布式神經(jīng)網(wǎng)絡的參數(shù)，分布式神經(jīng)網(wǎng)絡模型的損失函數(shù)表示為：



式中：N表示分類出口的數(shù)量,wn表示每個出口的權(quán)重，



表示第個出口的估計值。

區(qū)別于現(xiàn)有技術(shù)，本發(fā)明的基于邊云協(xié)同的刮板輸送機狀態(tài)監(jiān)測及故障診斷方法，將一維時域數(shù)字信號轉(zhuǎn)化為二維圖像數(shù)據(jù)，與傳統(tǒng)數(shù)據(jù)驅(qū)動的故障診斷方法相比，可以直接從刮板輸送機原始數(shù)據(jù)中自動提取特征，減小了人工提取特征對診斷結(jié)果的影響，盡可能的消除專業(yè)知識；本發(fā)明構(gòu)建模型中的邊緣側(cè)所采用的模型，將可訓練的徑向基函數(shù)神經(jīng)元用于量化最終卷積層的激活，減少網(wǎng)絡中參數(shù)的數(shù)量，并允許邊緣側(cè)分類各種尺寸的圖像；當樣本在邊緣側(cè)已經(jīng)高度置信時，該架構(gòu)允許大部分測試樣本早期通過邊緣側(cè)退出網(wǎng)絡，最大限度地減少了設備的通信和資源使用，提高了在云端提取特征的有用性，并實現(xiàn)分類高精度；本發(fā)明在通訊量減少的同時準確率也有所提高，最高準確率達到了100％，表現(xiàn)出了良好的泛化能力。

附圖說明

下面將結(jié)合附圖及實施例對本發(fā)明作進一步說明，附圖中：

圖1是本發(fā)明提供的一種基于邊云協(xié)同的刮板輸送機狀態(tài)監(jiān)測及故障診斷方法的流程示意圖。

圖2是本發(fā)明提供的一種基于邊云協(xié)同的刮板輸送機狀態(tài)監(jiān)測及故障診斷方法的數(shù)據(jù)預處理的原理示意圖。

圖3是本發(fā)明提供的一種基于邊云協(xié)同的刮板輸送機狀態(tài)監(jiān)測及故障診斷方法的構(gòu)建的神經(jīng)網(wǎng)絡的結(jié)構(gòu)示意圖。

圖4是本發(fā)明提供的一種基于邊云協(xié)同的刮板輸送機狀態(tài)監(jiān)測及故障診斷方法中對數(shù)據(jù)集一的數(shù)據(jù)預處理所得到的狀態(tài)及故障類別二維圖像示意圖。

圖5是本發(fā)明提供的一種基于邊云協(xié)同的刮板輸送機狀態(tài)監(jiān)測及故障診斷方法對數(shù)據(jù)集二的數(shù)據(jù)預處理所得到的狀態(tài)及故障類別二維圖像示意圖。

圖6是本發(fā)明提供的一種基于邊云協(xié)同的刮板輸送機狀態(tài)監(jiān)測及故障診斷方法中不同神經(jīng)網(wǎng)絡使用數(shù)據(jù)一時的狀態(tài)監(jiān)測及故障診斷結(jié)果對比示意圖。

圖7是本發(fā)明提供的一種基于邊云協(xié)同的刮板輸送機狀態(tài)監(jiān)測及故障診斷方法中測試數(shù)據(jù)集一中云側(cè)、邊緣側(cè)、各閾值下云邊協(xié)同的準確率、通訊量示意圖。

圖8是本發(fā)明提供的一種基于邊云協(xié)同的刮板輸送機狀態(tài)監(jiān)測及故障診斷方法中測試數(shù)據(jù)集二中云側(cè)、邊緣側(cè)、各閾值下云邊協(xié)同的準確率、通訊量示意圖。

圖9是本發(fā)明提供的一種基于邊云協(xié)同的刮板輸送機狀態(tài)監(jiān)測及故障診斷方法的整體框架圖。

具體實施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明做進一步的詳細說明。應當理解，此外所描述的具體實施例僅用以解釋本發(fā)明，但并不用于限定本發(fā)明?；诒景l(fā)明中的實施例，本領域普通人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都將屬于本發(fā)明保護的范圍。

參照附圖9，本發(fā)明提供的一種基于邊云協(xié)同的刮板輸送機狀態(tài)監(jiān)測及故障診斷方法的整體框架圖；由設備端，邊緣端，云端三部分組成；設備端包括刮板輸送機傳感器，邊緣側(cè)包括邊側(cè)模型，云側(cè)包括智慧云平臺數(shù)據(jù)庫、DDNN模型的訓練和云測模型。

參照附圖1，本發(fā)明提供的一種基于邊云協(xié)同的刮板輸送機狀態(tài)監(jiān)測及故障診斷方法，包括：

將標定狀態(tài)類型和故障類型的刮板輸送機多源監(jiān)測數(shù)據(jù)，按預設數(shù)據(jù)點長度截取并轉(zhuǎn)化為二維圖像數(shù)據(jù)，將二維圖像數(shù)據(jù)按比例劃分訓練集和測試集；

搭建分布式神經(jīng)網(wǎng)絡模型(DDNN)；其中，所述分布式神經(jīng)網(wǎng)絡結(jié)構(gòu)分為邊緣側(cè)網(wǎng)絡模型和云側(cè)網(wǎng)絡模型，邊緣側(cè)網(wǎng)絡模型包括兩個卷積層，兩個批歸一化層，一個BoF層，一個全連接層，采用ReLU激活函數(shù)；云側(cè)網(wǎng)絡模型包括四個卷積層，四個批歸一化層，一個自適應平均池化層，一個全連接層，采用ReLU激活函數(shù)；

將作為訓練集的二維圖像數(shù)據(jù)輸入至所述分布式神經(jīng)網(wǎng)絡模型中，調(diào)節(jié)網(wǎng)絡參數(shù)與函數(shù)，至輸出的結(jié)果為準確故障狀態(tài)和類型結(jié)果為止，訓練完成后將作為測試集的二維圖像數(shù)據(jù)輸入分布式神經(jīng)網(wǎng)絡模型中，驗證分布式神經(jīng)網(wǎng)絡模型的診斷準確性；

實時獲取刮板輸送機的監(jiān)測數(shù)據(jù)，經(jīng)數(shù)據(jù)轉(zhuǎn)換后輸入訓練好的分布式神經(jīng)網(wǎng)絡模型的邊緣側(cè)網(wǎng)絡模型中，若邊緣側(cè)網(wǎng)絡模型出口的置信度小于預設閾值，則將邊緣側(cè)網(wǎng)絡模型出口輸出的結(jié)果作為刮板輸送機狀態(tài)監(jiān)測及故障診斷結(jié)果；

若邊緣側(cè)網(wǎng)絡模型出口的置信度大于等于預設閾值時，將該監(jiān)測數(shù)據(jù)輸入到云側(cè)網(wǎng)絡模型中，將云側(cè)模型的輸出結(jié)果與邊緣側(cè)模型輸出結(jié)果進行整合作為刮板輸送機狀態(tài)監(jiān)測及故障診斷結(jié)果。

其中，刮板輸送機監(jiān)測數(shù)據(jù)包括刮板輸送機機頭和機尾電機輸出電流、刮板輸送機機頭和機尾電機轉(zhuǎn)速。

其中，刮板輸送機的狀態(tài)和故障形式包括輕負荷啟動、重負荷啟動、未正常啟動、機頭機尾電機啟動不一致、機頭機尾電機停止不一致、刮板輸送機鏈條卡住及正常狀態(tài)。

對二維圖像數(shù)據(jù)進行預處理的過程如圖2所示，在將刮板輸送機多源監(jiān)測數(shù)據(jù)按預設數(shù)據(jù)點長度截取并轉(zhuǎn)化為二維圖像數(shù)據(jù)的步驟中，轉(zhuǎn)化過程計算公式為：



其中，P表示二維圖像的像素強度，L表示數(shù)據(jù)的值，



K表示二維圖像的單邊尺寸。

分布式神經(jīng)網(wǎng)絡膜系的結(jié)構(gòu)如圖3所示，訓練分布式神經(jīng)網(wǎng)絡的邊緣側(cè)網(wǎng)絡模型的步驟包括：

圖像特征提取，將作為訓練集的二維圖像數(shù)據(jù)輸入邊緣側(cè)網(wǎng)絡模型，通過卷積層提取特征向量；

構(gòu)造視覺詞典，通過特征向量與視覺單詞的相似度來確定視覺詞典中視覺單詞的個數(shù)，特征向量與視覺詞典的相似度用徑向基函數(shù)(RBF)來計算，RBF第k個神經(jīng)元的輸出表示為：

[φ(X)]k＝exp(-||X-Vk||2/σk)

式中：X表示特征向量，Vk表示RBF的第k個神經(jīng)元的中心，σk為核函數(shù)的寬度參數(shù)；

圖像的直方圖表示，得到特征圖關(guān)于各視覺中心的相似性度量后，通過量化特征進行統(tǒng)計實現(xiàn)圖像的直方圖表示，計算公式表示為：



式中：



Nk為RBF神經(jīng)元個數(shù)。

其中，分布式神經(jīng)網(wǎng)絡模型的云側(cè)網(wǎng)絡模型包括：

殘差網(wǎng)絡，殘差單元公式為：

F＝W2σ(W1X)

y＝F(X,{Wi})+X

式中：F為殘差函數(shù)，W1為殘差單元第一層的權(quán)重，W2為殘差單元第二層權(quán)重，σ為ReLU激活函數(shù)，y為殘差單元的輸出；

邊緣側(cè)網(wǎng)絡模型向云側(cè)網(wǎng)絡模型傳輸?shù)耐ㄓ嵙勘磉_公式為：



式中：C為標簽集合，l為邊緣側(cè)退出樣本百分比，f為邊緣側(cè)最后一個卷積層向云側(cè)輸出的圖像尺寸，o為邊緣側(cè)最后一個卷積層向云側(cè)輸出的圖像通道數(shù)。

其中，邊緣側(cè)網(wǎng)絡模型出口的置信度表示為：



式中：C為所有標簽的集合，x為概率向量，



其中，邊緣側(cè)網(wǎng)絡模型和云側(cè)網(wǎng)絡模型的出口以交叉熵損失函數(shù)作為優(yōu)化目標，交叉熵損失函數(shù)的公式表示為：







式中：X表示輸入樣本，y表示樣本的真是標簽，



表示樣本的預測標簽，C表示標簽集合，



表示的是樣本從神經(jīng)網(wǎng)絡的輸入到第n個出口進行的運算，θ表示該過程網(wǎng)絡的權(quán)重和偏置等參數(shù)。

其中，將邊緣側(cè)網(wǎng)絡模型和云側(cè)網(wǎng)絡模型出口的損失加權(quán)求和并進行訓練，采用梯度下降方法更新分布式神經(jīng)網(wǎng)絡的參數(shù)，分布式神經(jīng)網(wǎng)絡模型的損失函數(shù)表示為：



式中：N表示分類出口的數(shù)量,wn表示每個出口的權(quán)重，



表示第個出口的估計值。

實驗案例

實驗數(shù)據(jù)集一取自山西焦煤集團柳灣煤礦智能綜采工作面的智慧云平臺，診斷對象為山西焦煤機械電氣有限公司制造的SGZ－764/630型刮板輸送機。通過對該煤礦前部刮板輸送機實際監(jiān)測，收集到刮板輸送機在多種狀態(tài)下4種參數(shù)的數(shù)據(jù),每個類型的樣本數(shù)目按5:1的比例分為訓練集和測試集，樣本具體組成信息見表1。



表1狀態(tài)類型樣本信息表

實驗數(shù)據(jù)集二為美國凱斯西儲大學公開的軸承數(shù)據(jù)集，此實驗采用驅(qū)動端軸承為SKF6205，采樣頻率為12Khz的數(shù)據(jù)集，在此數(shù)據(jù)集中，有三種故障類型，每個故障類型具有三種不同的損壞尺寸。共九個故障條件和一個正常情況。三個故障類型是滾子故障(RF)，外圈故障(OF)和內(nèi)圈故障(IF)。損壞尺寸為0.18mm，0.36mm和0.54mm。在四個負載(0,1,2,3HP)條件下收集到的驅(qū)動端部振動信號，每個類型的樣本數(shù)目按5:1的比例分為訓練集和測試集，樣本具體組成信息見表2。



表2故障類型樣本信息表

從數(shù)據(jù)庫中按784個數(shù)據(jù)點長度截取數(shù)據(jù)并將其轉(zhuǎn)化為28×28的二維圖像，數(shù)據(jù)集一對應的狀態(tài)及故障類別如圖4所示，數(shù)據(jù)集二對應的故障類別如圖5所示。

構(gòu)建的分布式神經(jīng)網(wǎng)絡的邊緣側(cè)參數(shù)如表3所示：



表3邊緣側(cè)參數(shù)表

構(gòu)建的分布式神經(jīng)網(wǎng)絡的云側(cè)參數(shù)如表4所示：





表4云側(cè)參數(shù)表

當輸入到邊緣側(cè)的樣本特征向量到達邊緣側(cè)出口時，若樣本置信度小于設定的閾值則退出，否則將表3中第二層的特征向量傳輸?shù)奖?中的第一層，由云側(cè)對樣本進行識別分類。

將各個出口的損失加權(quán)求和進行訓練，云側(cè)加權(quán)值取1邊緣側(cè)加權(quán)值取0.1，并采用SGD算法更新分布式神經(jīng)網(wǎng)絡的參數(shù)，學習率設置為0.1，動量系數(shù)設置為0.9，共迭代100次。

本發(fā)明方法的云側(cè)神經(jīng)網(wǎng)絡與其他神經(jīng)網(wǎng)絡模型作比較：

按照本發(fā)明構(gòu)建的分布式神經(jīng)網(wǎng)絡云側(cè)模型與Alexnet,Vggnet神經(jīng)網(wǎng)絡對比,重復5次試驗，其比較結(jié)果如圖6。從結(jié)果可以看出，相比其它方法，構(gòu)建的分布式神經(jīng)網(wǎng)絡的云側(cè)模型在分類精度和穩(wěn)定性上都取得了最好的效果，很好地完成了刮板輸送機狀態(tài)及故障類別的診斷。

本發(fā)明方法的云邊協(xié)同推理與云側(cè)和邊緣側(cè)單獨推理作比較：

如圖7所示，在測試數(shù)據(jù)一過程中，云側(cè)分類器單獨推理的精度99.50％，邊緣側(cè)分類器單獨推理的精度96.86％，“云-邊”協(xié)同推理的精度最高達到100％，遠遠高于前兩者。在通訊量方面，將模型全部卸載到云中的方法其每個樣本發(fā)送到云的成本為784個字節(jié)，而“云-邊”協(xié)同推理最少為352個字節(jié)只需其通訊量的44.9％。此外，如圖8所示，在測試數(shù)據(jù)二的過程中，所構(gòu)建的分布式神經(jīng)網(wǎng)絡同樣表現(xiàn)出良好的分類效果，表現(xiàn)出了良好的泛化能力。

本發(fā)明針對基于云計算的神經(jīng)網(wǎng)絡對刮板輸送機狀態(tài)監(jiān)測及故障診斷中存在的實時性、帶寬、安全性、以及網(wǎng)絡泛化能力方面的問題，提出了面向邊緣計算的分布式神經(jīng)網(wǎng)絡對刮板輸送機的狀態(tài)監(jiān)測及故障診斷方法，將一維數(shù)字信號轉(zhuǎn)化為二維圖像有利于神經(jīng)網(wǎng)絡對特征向量的提取，減小了人工提取特征對診斷結(jié)果的影響，盡可能的消除專業(yè)知識；狀態(tài)監(jiān)測及故障診斷時，邊緣側(cè)對置信度小于閾值的樣本早期退出，符合診斷實時性、數(shù)據(jù)安全性的需求，邊云協(xié)同推理的方式在極大降低通訊量的同時，診斷精度較云計算精度也有所提升，此外，所構(gòu)建的模型表現(xiàn)出了良好的泛化能力。

附圖對本發(fā)明的實施例進行了描述，但是本發(fā)明并不局限于上述的具體實施方式，上述的具體實施方式僅僅是示意性的，而不是限制性的，本領域的普通技術(shù)人員在本發(fā)明的啟示下，在不脫離本發(fā)明宗旨和權(quán)利要求所保護的范圍情況下，還可做出很多形式，這些均屬于本發(fā)明的保護之內(nèi)。