(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110849470.5 (22)申请日 2021.07.27 (65)同一申请的已公布的文献号 申请公布号 CN 113742855 A (43)申请公布日 2021.12.0 3 (73)专利权人 清华大学 地址 100084 北京市海淀区双清路3 0号 (72)发明人 王雪　张效天　 (74)专利代理 机构 北京润泽恒知识产权代理有 限公司 1 1319 代理人 苟冬梅 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06K 9/62(2022.01)G06F 119/02(2020.01) (56)对比文件 CN 110530507 A,2019.12.0 3 CN 112541563 A,2021.0 3.23 CN 111857065 A,2020.10.3 0 CN 109933004 A,2019.0 6.25 CN 111830408 A,2020.10.27 CN 113076834 A,2021.07.0 6 陈军锋等.“非侵入式负荷识别边 缘计算颜 色编码研究 ”. 《仪器仪表学报》 .2020,第41卷(第 9期), Sanaz Kian oush.etc. “A Multisensory Edge-Cloud Platform for Op portunistic Radio Sensing in Cobot Enviro nments”. 《IEEE INTERNET OF THI NGS JOURNAL》 .2021, 审查员 胡瑞娟 (54)发明名称 一种故障预测方法、 系统、 电子设备与可读 存储介质 (57)摘要 本申请实施例在于提供一种故障预测方法、 系统、 电子设备与可读存储介质， 属于旋转机械 振动健康监测技术领域。 故障预测方法包括： 振 动传感端节点采集旋转机械工作时的待处理振 动信号， 处理得到待处理振动特征并传输给边缘 服务器； 边缘服务器根据待处理振动特征， 生成 网络中间特征并预测旋转机械是否可能发生故 障； 在预测旋转机械为健康状态且置信度高的时 提前退出故障预测； 在预测旋转机械可能发生故 障或预测为健康 状态但置信 度不高时， 将网络中 间特征上传给云计算中心； 云计算中心根据网络 中间特征， 预测旋转机械是否可能发生故障， 并 得到最终预测结果。 本申请旨在通过边缘服务器 与云计算中心的协作， 提高故障预测的准确度和 效率。 权利要求书3页 说明书15页 附图4页 CN 113742855 B 2022.03.18 CN 113742855 B 1.一种旋转机械的数字孪生边缘计算故障预测方法， 其特征在于， 所述方法应用于边 缘计算架构系统， 所述边缘计算架构系统包括振动传感端节点、 边缘服务器以及云计算中 心， 所述方法包括： 所述振动传感端节点采集旋转机械在工作过程中产生的待处理振动信号， 并进行处 理， 得到待处 理振动特 征， 并传输给与其相连的边 缘服务器； 所述边缘服务器根据 所述待处理振动特征， 生成网络 中间特征并预测所述旋转机械是 否可能发生故障； 在预测所述旋转机械为健康状态且置信度高的情况下提前退出故障预 测， 并将边缘服务器输出结果作为最终预测结果； 在预测所述旋转机械可能发生故障或预 测为健康状态 但置信度不高的情况 下， 将所述网络中间特 征上传给所述云计算中心； 所述云计算中心接收到所述网络中间特征， 并根据所述网络中间特征， 预测所述旋转 机械是否可能发生故障， 得到所述旋转机 械是否可能发生故障的最终预测结果。 2.根据权利要求1所述的故障预测方法， 其特征在于， 所述振动传感端节点采集旋转机 械在工作过程中产生的待处 理振动信号， 并进行处 理， 得到待处 理振动特 征， 包括： 构造阈值函数， 将所述旋转机械的转速与信号采样频率的比值作为阈值函数的自变 量， 计算待处理振动信号的数据最大值与最小值的差值， 并将函数值与所述差值的乘积作 为异常点判定阈值； 任意获取待处理振动信号中的一个当前数据点以及其相邻的两个数据点， 并分别计算 当前数据点与两个相邻数据点的差值的绝对值； 若当前数据点与两个相邻数据点的差值的绝对值都大于所述异常点判定阈值， 且相邻 两个数据点都大于或都小于当前 数据点， 确定当前 数据点为异常点； 在当前数据为异常点的情况 下， 以相邻两个数据点的平均值代替当前 数据点； 对剔除异常点后的待处 理振动信号进行 特征提取， 得到待处 理振动特 征。 3.根据权利要求1所述的故障预测方法， 其特征在于， 所述边缘服务器根据所述待处理 振动特征， 生成网络中间特征并预测所述旋转机械是否可能发生故障； 在预测所述旋转机 械为健康状态且置信度高的情况下提前退出故障预测， 并将边缘服务器输出结果作为最 终 预测结果； 在预测所述旋转机械可能发生故障或预测 为健康状态但置信度不高的情况下， 将所述网络中间特 征上传给所述云计算中心， 包括： 所述边缘服务器利用经过训练 的低层鉴别器对所述待处理振动特征进行判断， 得到所 述网络中间特 征以及所述旋转机 械的第一检测值； 在所述第一检测值大于等于第 一阈值的情况下， 所述边缘服务器预测所述旋转机械可 能发生故障， 并将所述网络中间特 征上传给所述云计算中心； 在所述第一检测值小于第 一阈值的情况下， 所述边缘服务器预测所述旋转机械未发生 故障， 初步确定为 健康状态； 在确定所述旋转机械的状态为健康状态的情况下， 若所述第一检测值小于退出点阈 值， 停止预测所述旋转机械是否可能发生 故障， 若所述第一检测值大于等于退出点阈值， 则 将所述网络中间特 征上给所述云计算中心。 4.根据权利要求1所述的故障预测方法， 其特征在于， 所述云计算中心接收到所述网络 中间特征， 并根据所述待处 理振动特 征， 预测所述旋转机 械是否可能发生故障， 包括： 所述云计算中心利用经过训练 的高层鉴别器对所述网络中间特征进行判断， 得到所述权　利　要　求　书 1/3 页 2 CN 113742855 B 2旋转机械未发生故障的第二检测值； 在所述第二检测值大于等于第 二阈值的情况下， 所述云计算中心预测所述旋转机械可 能发生故障； 在所述第二检测值小于第 二阈值的情况下， 所述云计算中心预测所述旋转机械未发生 故障。 5.根据权利要求1所述的故障预测方法， 其特征在于， 所述边缘服务器上部署有生成器 和低层鉴别器， 所述云计算中心上部署有高层鉴别器， 所述低层鉴别器和所述高层鉴别器 组成联合 鉴别器， 所述联合 鉴别器和所述 生成器组成生成式对抗网络； 所述方法还 包括： 所述振动传感端节点采集所述旋转机械在健康状态产生的健康振动信号， 并进行处 理， 得到健康振动特 征， 并传输给与其相连的边 缘服务器中的所述低层鉴别器； 所述生成器根据随机噪声生成虚拟 样本； 所述云计算中心的所述高层鉴别器接收所述边缘服务器发送的所述健康振动特征的 网络中间特 征以及所述 生成器根据随机噪声生成的样本； 所述生成器和所述联合鉴别器进行对抗学习， 得到经过训练的低层鉴别器和经过训练 的高层鉴别器。 6.根据权利要求5所述的故障预测方法， 其特征在于， 所述生成式对抗网络的损失函数 为： 其中， D1(·)表示所述低层鉴别器的输出， D2(·)表示所述联合鉴别器的输出； λ1和 λ2 为所述低层鉴别器和所述高层鉴别器各自的精度权重； x为真实健康振动信号数据特征图， 为生成器生成的振动信号数据特 征图； 所述 λ 1与所述 边缘服务器的计算精度成正相关； 所述 λ2与所述云计算中心的计算精度成正相关。 7.一种旋转机械的数字孪生边缘计算故障预测系统， 其特征在于， 所述系统包括振动 传感端节点、 边 缘服务器以及云计算中心； 所述振动传感端节点， 用于采集旋转机械在工作过程中产生的待处理振动信号， 并进 行处理， 得到待处 理振动特 征， 并传输给与其相连的边 缘服务器； 所述边缘服务器， 用于根据所述待处理振动特征， 生成网络中间特征并预测所述旋转 机械是否可能发生故障； 在预测所述旋转机械为健康状态且置信度高的情况下提前退出故 障预测， 并将边缘服务器输出结果作为最终预测结果； 在预测所述旋转机械可能发生故障 或预测为 健康状态 但置信度不高的情况 下， 将所述网络中间特 征上传给所述云计算中心； 所述云计算中心， 用于接收到所述网络 中间特征， 并根据所述网络中间特征， 预测所述 旋转机械是否可能发生故障， 得到所述旋转机 械是否可能发生故障的最终预测结果。 8.根据权利要求7所述的故障预测系统， 其特征在于， 所述边缘服务器部署在靠近所述 振动传感端节点的位置 。 9.一种电子设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计算 机程序， 处理器执行程序时实现权利要求1 ‑6任一所述的旋转机械的数字孪生边缘计算故 障预测方法。权　利　要　求　书 2/3 页 3 CN 113742855 B 3