| 题名 | 面向云边计算架构的工业装备故障智能诊断方法研究 |
| 作者 | 王其朝 |
| 答辩日期 | 2021-11-18 |
| 授予单位 | 中国科学院沈阳自动化研究所 |
| 授予地点 | 沈阳 |
| 导师 | 王宏 |
| 关键词 | 边缘计算 故障诊断 云边协同 工业互联网 深度学习 |
| 学位名称 | 博士 |
| 其他题名 | Research on Intelligent Fault Diagnosis Method of Industrial Equipment for Cloud-Edge Computing Architecture |
| 学位专业 | 控制理论与控制工程 |
| 英文摘要 | 工业装备是制造业的重要组成部分，装备的故障会引发生产线的意外停机，降低生产效率，带来巨大的经济损失，严重的会酿成安全事故，危及人身健康安全。工业装备的可靠性以及工业生产过程的安全性是智能制造系统关注的重点问题。快速准确的诊断工业装备故障，对降低事故概率，提高生产效率有着重要意义。早期工业装备故障诊断方法多采用机理模型的方式进行。而随着信息技术的发展，特别是工业互联网技术的应用，工业装备可监控数据不断的增多，以深度学习为代表的数据驱动方式成为现阶段研究的重点。相比于传统基于机理模型的故障诊断方法，基于深度学习的工业装备故障诊断方法具有诊断精度高，方法简单不需要构建复杂的数学模型，便于分析大量高维数据等优点。但是在实际的工业场景中，依然存在着诊断时延高，训练数据收集困难，模型泛化能力不足等问题。针对上述问题，本文提出了面向云边架构的工业装备故障智能诊断方法，主要研究内容及贡献包括：(1) 提出了基于诊断不平衡性原理的多分支神经网络。现阶段用于工业装备故障诊断的模型多从视觉领域演变而来，此类模型通常复杂度较高，需要高性能的计算设备支持，并且诊断时延较大。考虑到故障诊断过程中的不平衡特性，本文设计了一种具有多个不同复杂度分支的神经网络模型，该模型可以利用故障诊断过程中的不平衡性进行快速推理。该方法首先从诊断难易程度、样本数量、诊断需求等三个方面对类别间的不平衡程度进行了量化。根据量化结果，将诊断难度低，样本数量大和诊断需求迫切的类别放到简单分支进行诊断，从而提高诊断速度、降低计算资源消耗。通过对实验数据的分析，证明了所提模型在正常样本占比足够多时，在资源受限的计算平台中，可以在保证诊断精度的同时，极大的提高故障诊断的速度。(2) 基于端边协同推理的快速诊断方法研究。深度学习故障诊断模型设计完成后需要在实际工业环境中进行部署。考虑到实际工业场景中计算设备种类的多样性，相比于简单的将模型部署在单个云计算设备或者边缘计算设备上，根据模型复杂度进行多个计算设备进行协同推理可以进一步的提高诊断效率。因此，本文设计了一种端边协同的深度学习模型协同推理方法，将所提多分支模型按照复杂度进行分布式推理，将简单分支部署到资源限制的终端设备上推理，复杂分支部署到边缘服务器上推理，一台边缘服务器可以辅助多台终端设备进行协同推理。当终端设备遇到无法正常诊断的数据时，则发送请求到边缘服务器进行推理。通过实验证明，所提协同推理的方法与单纯的云计算或者边缘计算相比可以显著的降低推理时延，并降低云边间通信流量。(3) 基于高效异步联邦优化的诊断模型训练方法研究。用于故障诊断的深度学习模型需要收集大量生产数据进行训练。在实际工业场景中，装备故障诊断服务多为制造商提供，但实际的生产数据是归用户所有，收集用户数据进行训练存在泄露用户隐私的可能，从而导致用户贡献数据意愿不高。联邦学习通过模型上传聚合的方法来代替原始数据的上传，可以在一定程度上解决该问题。但是传统的联邦学习方法在边缘侧训练需要消耗大量的计算资源，这阻碍了其在工业中的应用。考虑到单个用户节点中不会拥有所有类型的故障数据，因此本文设计了一种分支拆分和聚合的异步联邦优化方法，使得边缘节点可以根据本地数据集选取部分自己感兴趣的分支模型进行训练，从而降低训练所需计算资源。并能以异步的方式进行训练，从而提高训练效率。通过实验证明，所提方法可以将训练速度提高1倍，并降低约50% 的流量消耗。(4) 用于在线故障诊断的增量自学习方法研究。基于深度学习的故障诊断算法通常只对与训练数据集同分布的样本具有较高的诊断精度。但是由于训练数据集无法覆盖所有的运行工况和故障类型，当实际场景中装备工况改变或者出现训练数据集中未知的故障类型时，往往会降低模型的诊断精度。迁移学习或者无监督聚类可以在一定程度上解决该问题，但是目前的研究多数是采用离线的方式进行，当未知样本出现时，无法进行实时的诊断。针对该问题，本文提出了一种具有多级分支结构的神经网络模型，并针对该模型结构设计了一种分支投票机制来提高诊断精度并对未知样本进行收集。同时，设计了一种基于仿射传播聚类算法的在线增量更新的方法。该方法可以利用少量的训练数据集构建一个简单的模型，并在部署过程中不断收集诊断信心度不足的样本，进行聚类标注，更新网络的结构及参数，以保证对未知样本的诊断精度。通过实验验证，该方法可以有效的对生产过程中的未知样本进行诊断，并且具有较高的实时性。 |
| 语种 | 中文 |
| 产权排序 | 1 |
| 页码 | 120页 |
| 内容类型 | 学位论文 |
| 源URL | [http://ir.sia.cn/handle/173321/30059]  |
| 专题 | 沈阳自动化研究所_工业控制网络与系统研究室 |
| 作者单位 | 中国科学院沈阳自动化研究所 |
| 推荐引用方式 GB/T 7714 | 王其朝. 面向云边计算架构的工业装备故障智能诊断方法研究[D]. 沈阳. 中国科学院沈阳自动化研究所. 2021. |
| 个性服务 |
| 查看访问统计 |
| 相关权益政策 |
| 暂无数据 |
| 收藏/分享 |
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。
修改评论