CN109933004B - 基于边缘计算和云协同的机床故障诊断与预测方法及系统 - Google Patents

Abstract

本发明公开了基于边缘计算和云协同的机床故障诊断与预测方法及系统，方法包括：1)传感节点采集机械系统的状态数据并提取特征，获得机械特征数据；网关节点采集数控系统的状态数据并提取特征，获得数控特征数据，并向云端发送机械特征数据与数控特征数据；2)云端使用预设的故障诊断和预测模型对机械特征数据与数控特征数据进行故障诊断和预测，并将故障诊断和预测结果发送至客户端；3)客户端接收机床专家对故障诊断和预测结果的反馈结果，并将反馈结果发送至云端；4)云端根据反馈结果标注机械特征数据和数控特征数据，训练并更新故障诊断和预测模型，并返回执行步骤2)。应用本发明实施例，提高了机床故障诊断和预测准确度。

Description

基于边缘计算和云协同的机床故障诊断与预测方法及系统

技术领域

本发明涉及机床故障诊断与预测方法及系统，更具体涉及基于边缘计算和云协同的机床故障诊断与预测方法及系统。

背景技术

随着现代工业的持续发展和科技水平的不断提高，机电设备也越来越向高速化、连续化、集中化、自动化和精密化的方向发展，进而导致机电设备的组成和结构也越来越复杂，这直接导致机电设备的故障率增加和诊断难度的加大。例如，机床中的关键零部件(如滚动轴承、齿轮、滚珠丝杠等)细微的损伤性故障或异常，若不及时检测并排除，就可能造成整个系统的失效、瘫痪，甚至导致灾难性后果。因此，对机电设备进行故障的分析及预测是十分必要的。通过预测性故障诊断，可以在不同程度上降低或者避免工件报废和机床损坏的发生。机床作为一种典型的机电一体化产品，整体可以划分为三种子系统：数控系统、电气系统以及最容易出现不可逆转损坏的机械系统。在生产加工过程中，机械系统故障是一种必然存在的现象。传统的预防和处理方法是，由操作人员抽检该机床所加工出来的工件的质量情况，或者由技术人员定期或不定期根据机床的振动与噪声等判断机床的健康状况。前述两种方式容易受到专业能力等主观因素的影响，无法保证准确性，可靠性差且效率低。目前机床健康在线检测方法主要有图表法和间接法。图表检测法是对采集到的数据使用一些算法进行处理，而后生成时域或频域图表，由人工或利用机器学习对比图像进行判断。间接检测法是对应力、主轴电流、扭矩、振动、声音、温度和液压等进行检测，从而推断机床健康程度。图表检测法需要对比图像进行判断，给网络流量和服务器带来很大压力，效率也不高，而且往往不能及时发现问题；间接检测法涉及的因素太多，干扰也多，准确度无法保证。

现有技术中仅使用数控系统数据或者只采集机械系统数据，并根据这些数据进行故障诊断与预测，但是机床的数控系统和机械系统在机床故障发生过程中互为因果的数据联系，而现有技术中并未对二者进行结合，因此，现有技术中存在诊断和预测的准确度不高的技术问题。

发明内容

本发明所要解决的技术问题在于提供了基于边缘计算和云协同的机床故障诊断与预测方法及系统，以提高基于工业互联网平台的在线检测方法的检测精度。

本发明是通过以下技术方案解决上述技术问题的：

本发明提供了一种基于边缘计算和云协同的机床故障诊断与预测方法，所述方法包括：

1)、传感节点按照预设第一采集策略采集机床部件的机械状态数据并提取特征，获得机械特征数据，并将所述机械特征数据上传到网关节点；所述网关节点按照预设第二采集策略采集数控系统的工作状态数据并提取特征，获得数控特征数据，并将所述机械特征数据和数控特征数据发送至云端；

2)、所述云端接收所述机械特征数据和数控特征数据，使用预设的故障诊断和预测模型进行故障诊断和预测，并将故障诊断和预测结果发送至客户端；

3)、所述客户端向机床专家展示所述故障诊断和预测结果，接收机床专家对所述故障诊断和预测结果的反馈结果，并将所述反馈结果发送至所述云端；

4)、所述云端接收所述反馈结果，标注所述机械特征数据和数控特征数据，获得样本数据；根据所述样本数据训练所述故障诊断和预测模型，并返回执行所述步骤2)。

可选的，将网关节点作为根节点，传感节点基于无线传感自组网络通过FTSP完成时间同步；数控系统基于有线网络通过现场总线NCUC-bus完成时间同步。

可选的，所述方法还包括：

所述网关节点接收所述客户端发送的指令，所述指令包括但不限于，调整特征数据采集频率、调整特征数据的采集时长、调整特征数据的类型、更新特征提取算法库、重启或关闭传感节点或网关节点。

本发明提供了一种基于边缘计算和云协同的机床故障诊断与预测系统，所述系统包括，边缘端与云端，其中，

所述边缘端，包括网关节点和传感节点，所述传感节点设置在机床的部件上，并按照预设的第一采集策略采集部件的机械状态数据并提取特征，获得机械特征数据；

所述网关节点用于，按照预设的第二策略采集数控系统的工作状态数据并提取特征，获得数控特征数据，并将所述机械特征数据和数控特征数据发送至所述云端；

所述网关节点发送至所述云端的数据中，所述机械特征数据包括但不限于，温度、湿度、转速、扭矩、振幅值、波形因数、波峰因数与峭度系数中的一种或组合；所述数控特征数据包括但不限于，指令码、报警码、主轴转速、运动方向、坐标中一种或组合；

所述云端，包括通讯单元、计算单元、存储单元、业务单元、训练单元，其中，所述通讯单元，用于接收所述网关节点上传的所述机械特征数据和数控特征数据，写入所述存储单元并转发给所述计算单元；

所述计算单元，用于对所述机械特征数据和数控特征数据进行故障诊断和预测，并将故障诊断和预测结果写入所述存储单元；

所述存储单元，用于存储所述机械特征数据和数控特征数据、机床专家的反馈结果、各种业务数据；

所述业务单元，用于向机床专家显示所述故障诊断和预测结果，接收机床专家对所述故障诊断和预测结果的反馈结果；

所述训练单元，用于根据所述反馈结果、所述机械特征数据和数控特征数据训练故障诊断和预测模型，以使所述故障诊断和预测模型的结果与所述反馈结果，并将模型参数反馈给所述计算单元。

可选的，所述业务单元用于，向边缘端下发指令，其中，所述指令包括但不限于，调整数据的采集频率或时长、采集的数据类型、更新特征提取算法库、重启或关闭所述传感节点或网关节点。

可选的，所述客户端还用于，接收用户的操作指令，且所述客户端包括Web应用和手机App。

可选的，所述网关节点用于，通过NTP网络完成网关节点的时间同步，作为边缘端时间同步基础。

可选的，所述网关节点用于，判断机床是否处于未关机且未待机状态，若是则将所述机械特征数据和数控特征数据发送至所述云端。

可选的，所述系统还包括，客户端，用于向机床专家显示所述故障诊断和预测结果，并接收机床专家对诊断和预测结果的反馈结果。

本发明相比现有技术具有以下优点：

应用本发明实施例，本发明基于边缘计算与云端的协同，在边缘端利用传感节点采集机床机械系统的机械状态数据并提取特征，获得机械特征数据，在网关节点采集机床数控系统的工作状态数据并提取特征，获得数控特征数据，然后在云端对机械特征数据和数控特征数据进行故障诊断和预测，然后利用专家反馈标注机械特征数据和数控特征数据获得样本数据，然后使用样本数据进行故障诊断和预测模型的更新，然后进行多次循环处理，进而获得最准确的故障诊断和预测模型，进而提高故障诊断和预测的精准度。

附图说明

图1为本发明实施例提供的基于边缘计算和云协同的机床故障诊断与预测方法的流程示意图；

图2为本发明实施例提供的基于边缘计算和云协同的机床故障诊断与预测系统的结构示意图；

图3为本发明实施例提供的基于边缘计算和云协同的机床故障诊断与预测系统中边缘端的数据处理示意图；

图4为本发明实施例提供的基于边缘计算和云协同的机床故障诊断与预测系统中指令下发的过程示意图；

图5为本发明实施例提供的基于边缘计算和云协同的机床故障诊断与预测系统中时间同步第一种过程示意图；

图6为本发明实施例提供的基于边缘计算和云协同的机床故障诊断与预测系统中时间同步的第二种过程示意图；

图7为本发明实施例提供的基于边缘计算和云协同的机床故障诊断与预测系统中时间同步的第三种过程示意图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本发明实施例提供了基于边缘计算和云协同的机床故障诊断与预测方法及系统，下面首先就本发明实施例提供的基于边缘计算和云协同的机床故障诊断与预测系统进行介绍。

实施例1

图1为本发明实施例提供的基于边缘计算和云协同的机床故障诊断与预测方法的流程示意图，如图1所示，本发明实施例1包括：

S101：传感节点按照预设第一采集策略采集机床部件的机械状态数据并提取特征，获得机械特征数据，并将机械特征数据上传到网关节点；网关节点按照预设第二采集策略采集数控系统的工作状态数据并提取特征，获到数控特征数据，并将机械特征数据和数控特征数据发送至云端。

示例性的，

滚珠丝杠是工具机械和精密机械上最常使用的传动元件，其主要功能是将旋转运动转换成线性运动，或将扭矩转换成轴向反复作用力，同时兼具高精度、可逆性和高效率的特点。由于具有很小的摩擦阻力，滚珠丝杠被广泛应用于各种工业设备和精密仪器。整体来讲，滚珠丝杠结构复杂、精度较高、运动效率高但抗震性差，维护成本较高。滚珠丝杠在数控机床中实际运行最为频繁，各部件经常产生机械磨损和润滑不良，常常出现定位精度下降、反向间隙过大、机械爬行、丝杠磨损严重、噪声过大等故障。

在本实施例中，结合数控系统的数据和安装在滚珠丝杠关键部件上的传感节点采集的数据，对机床中的滚珠丝杠进行故障诊断和预测。

在滚珠丝杠故障诊断的实际应用中，关键部件的振动速度和加速度的时域数据具有直观、实时性好的特点，有些故障会直接反应在温度上，而数控系统的状态码对一部分故障有一定的方向指导作用。本实施例中涉及的机械状态数据中的振动时域特征数据如下：

1.振幅值

振幅值中的峰值反映的是某时刻振幅的最大值，适用于表面点蚀损伤之类的具有瞬时冲击的故障诊断。振幅值的均值用于诊断的效果和峰值基本一样，其优点是检测值较峰值稳定。振幅值的均方根值是对时间取平均，适用于磨损、表面裂痕之类的振幅值随时间缓慢变化的故障诊断。

2.波形因数

波形因数定义为峰值与均值之比。波形因数值过大时，说明丝杠或滚珠可能有点蚀；而波形因数值过小时，说明丝杠或滚珠发生了磨损。波形因数变化的时间较短，说明滚珠更可能有故障；而波形因数变化的时间较长，说明丝杠或滚珠有故障。

3.波峰因数

波峰因数定义为峰值与均方根值之比。适用于点蚀类故障的诊断。通过对波峰因数值随时间变化趋势的监测，可以有效地进行早期预报，并能反映故障的发展变化趋势。当滚动丝杠无故障时，为较小的稳定值；一旦丝杠出现了损伤，则会产生冲击信号，振动峰值明显增大，但此时均方根值尚无明显的增大，故而波峰因数值增大；当故障不断扩展，峰值逐步达到极限值后，均方根值则开始增大，波峰因数值逐步减小，直至恢复到无故障时的大小。

4.峭度系数

计算公式为：

其中，

β₂为峭度系数；|X_i|为第i时刻的瞬时振幅；

为振幅均值；σ为标准差；N为时刻的数量。

当振幅满足正态分布规律的无故障丝杠或滚珠，其峭度系数值约为3。随着故障的出现和发展，峭度系数值具有与波形因数类似的变化趋势。适用于丝杠或滚珠表面有伤痕的诊断，尤其是早期故障的诊断。

由于丝杠的行程比滚珠的行程大的多，那么诊断和预测滚珠丝杠的健康状况需要的数据也要更多，因此要先诊断滚珠的健康状况。

本实施例涉及的数控机床所在车间没有铺设网络，在数控系统附近部署网关节点，网关节点和数控系统通过有线网络连接，在滚珠丝杠副、丝杠两端底座各上安装一个传感节点。主要包括以下步骤：

网关节点基于无线网络通过NTP完成时间同步；网关节点作为根节点，传感节点基于无线传感自组网络通过FTSP完成时间同步；数控系统以网关节点为主站通过现场总线NCUC-bus完成时间同步。

首先数控系统、传感节点、网关节点各自按照既定采集策略同时采集数据，持续时间长度相同；然后数控系统将工作状态数据上传到网关节点，传感节点提取机械特征数据并上传到网关节点，网关节点提取数控特征数据；最后网关节点使用数控特征数据，判断机床是否处于未关机且未待机状态，若是则将机械特征数据和数控特征数据发送至云端。

振动加速度的采集频率往往超过10kHz，所以传递原始数据会带严重消耗网络流量，而通过传感节点和网关节点的两层特征提取，不仅大大降低网络流量，而且有效减少云端集中运算负荷。基于以上方法，以高精度时间同步为基础，首次实现了机床数控系统数据和机械系统数据在机床故障诊断中的协调数据挖掘，可以有效提高故障诊断精度。

S102：云端接收机械特征数据与数控特征数据，使用预设的故障诊断和预测模型进行故障诊断和预测，并将故障诊断和预测结果发送至客户端。

在云端，首先通讯单元接收滚珠丝杠的机械特征数据和数控特征数据，写入存储单元并转发给计算单元；然后计算单元对滚珠丝杠的机械特征数据和数控特征数据进行故障诊断和预测，并将滚珠丝杠的故障诊断和预测结果写入存储单元。

需要说明的是，预设的故障诊断和预测模型包括但不仅限于神经网络模型。另外故障诊断和预测模型的训练是现有技术，这里不再赘述。

S103：客户端向机床专家展示故障诊断和预测结果，并接收机床专家对故障诊断和预测结果的反馈结果，将反馈结果发送至云端；

首先，业务单元将滚珠丝杠的故障诊断和预测结果推送到客户端；然后客户端向机床专家展示滚珠丝杠的故障诊断和预测结果，机床专家对滚珠丝杠的故障诊断和预测结果进行判断，并反馈判断结果；最后云端业务单元接收到机床专家的反馈结果，写入存储单元。

S104：云端接收反馈结果，标注机械特征数据和数控特征数据，获得样本数据；根据样本数据训练故障诊断和预测模型，并返回执行步骤S102。

然后，使用机床专家对滚珠丝杠的故障诊断和预测结果的反馈结果，完成产生滚珠丝杠的机械特征数据和数控特征数据的标注；然后筛选标注数据，获得样本数据；最后根据样本数据，使用机器学习修正滚珠丝杠的故障诊断和预测模型中的参数，并反馈给计算单元，以保证计算单元使用更新后的模型处理后续机械特征数据和数控特征数据。

应用本发明图1所示实施例，本发明基于边缘计算与云端的协同，在边缘端利用传感节点采集机床机械系统的机械状态数据并提取特征，获得机械特征数据，在网关节点采集机床数控系统的工作状态数据并提取特征，获得数控特征数据，然后在云端对机械特征数据和数控特征数据进行故障诊断和预测，然后利用专家反馈标注机械特征数据和数控特征数据而获得样本数据，然后使用样本数据进行故障诊断和预测模型的更新，然后进行多次循环处理，获得更准确的故障诊断和预测模型，从而提高故障诊断和预测的精准度。

在本发明实施例的一种具体实施方式中，将网关节点作为根节点，传感节点基于无线传感自组网络通过FTSP完成时间同步；数控系统基于有线网络通过现场总线NCUC-bus完成时间同步。

在本发明实施例的一种具体实施方式中，方法还包括：

网关节点接收客户端发送的指令，指令包括但不限于，调整特征数据采集频率、调整特征数据的采集时长、调整特征数据的类型、更新特征提取算法库、重启或关闭传感节点或网关节点。

首先用户在客户端对机床下发指令；然后在云端，业务单元接收指令，写入存储单元，并通过通讯单元向相应边缘端的网关节点下发指令；最后网关节点接收指令，目标节点为网关节点则直接执行指令，否则转发给传感节点执行。

本发明实施例以大量的、同步的、实时的边缘计算替代大规模集中计算，以小规模特征数据上传替代大规模数据上传，以可持续改进的机器学习故障诊断和预测模型替代固化的故障知识库专家系统，以云端调整边缘计算提高系统的扩展能力，从而随着实时特征数据的不断积累，实现低流量、高效率、诊断精度不断提高的故障诊断和预测方法，具有更优的投入产出比、更好的行业通用性和更高的推广价值。

实施例2

图2为本发明实施例提供的基于边缘计算和云协同的机床故障诊断与预测系统的结构示意图，图3为本发明实施例提供的基于边缘计算和云协同的机床故障诊断与预测系统中边缘端的数据出处理示意图；如图2和图3所示，基于边缘计算和云协同的机床故障诊断与预测系统，系统包括，边缘端与云端，其中，

边缘端，包括网关节点和传感节点。传感节点设置在机床的部件上，网关节点可以部署在机床附近，例如机床的工位旁。网关节点通过有线网络和数控系统通讯，通过无线传感自组网络和传感节点通讯，通过4G网络或有线网络与云端通讯。网关节点负责数据采集、特征提取、上传数据到云端；传感节点负责数据采集、特征提取、上传数据到网关节点。

传感节点用于，按照预设的第一采集策略采集部件的机械状态数据并提取特征，获到机械特征数据，并将特征数据上传至网关节点。

网关节点用于，按照预设的第二策略采集数控系统的工作状态数据并提取特征，获得数控特征数据，并将机械特征数据和数控特征数据发送至云端；

网关节点发送至云端的数据中，机械特征数据包括但不限于，温度、湿度、转速、扭矩、振幅值、波形因数、波峰因数与峭度系数等中的一种或组合；数控特征数据包括但不限于，指令码、报警码、主轴转速、运动方向、坐标等中一种或组合；

云端，包括通讯单元、计算单元、存储单元、业务单元、训练单元，其中，通讯单元，用于接收机械特征数据和数控特征数据，写入存储单元并转发给计算单元；计算单元，用于对机械特征数据和数控特征数据进行故障诊断和预测，并将故障诊断和预测结果写入存储单元；存储单元，用于存储机械特征数据和数控特征数据、机床专家的反馈结果、各种业务数据；业务单元，用于向机床专家显示故障诊断和预测结果，接收机床专家对故障诊断和预测结果的反馈结果；训练单元用于根据反馈结果、机械特征数据和数控特征数据训练故障诊断和预测模型，以使故障诊断和预测模型的结果与机床专家的反馈结果相同，并将模型参数反馈给计算单元。

在云端，首先通讯单元接收机械特征数据和数控特征数据，写入存储单元并转发给计算单元；然后计算单元对机械特征数据和数控特征数据进行故障诊断和预测，并将故障诊断和预测结果写入存储单元。

在云端，首先使用预设的故障诊断和预测模型对所接收的机械特征数据和数控特征数据进行故障诊断和预测；然后将故障诊断和预测结果向机床专家展示，机床专家根据机床实际的状态，判断故障诊断和预测结果是否正确并反馈结果，进而根据反馈结果标注机械特征数据和数控特征数据，获得样本数据；最后利用机器学习对故障诊断和预测模型进行修正和进化，并反馈给计算单元，以保证计算单元使用调整后的模型处理后续机械特征数据和数控特征数据。

应用本发明图2所示实施例，本发明基于边缘计算与云端的协同，在边缘端，利用传感节点采集机床机械系统的机械状态数据并提取特征，而获得机械特征数据，在网关节点采集机床数控系统的工作状态数据并提取特征，而获得数控特征数据，然后在云端对机械特征数据和数控特征数据进行故障诊断和预测，然后利用机床专家反馈结果标注机械特征数据和数控特征数据而获得样本数据，然后使用样本数据进行故障诊断和预测模型的更新，然后进行多次循环处理，进而获得最准确的故障诊断和预测模型，进而提高故障诊断和预测的精准度。

另外，本发明实施例还具有灵活的边缘计算能力，丰富的数据类型，具备更全面的、更准确的故障诊断和预测能力；基于云端的存储和处理能力，具备更好的扩展性；不局限于固定的品牌或型号机床，具有更良好的适用性；基于边缘计算和云端的协同，传输的数据量大幅降低，有效提高故障诊断效率，提前发现潜在的风险，具有较好的通用性；基于边缘计算和云端的双向协同，远程调整边缘计算，有效降低成本、提高收益，具有更高的经济价值；基于诊断/预测—反馈机制，快速完成数据标注、推动模型训练，具有极高的技术价值。

本发明实施例，通过协同边缘计算在保留数据核心特征的前提下大幅度降低通信数据量，并最终与云端形成包括数据上行和指令下行的闭环协同诊断方法，有效利用了机床数控系统和机械系统在机床故障中的因果联系，并实现了灵活的数据采集和特征数据提取机制以及云端按需调整边缘计算的机制，让无线物联网在机床故障诊断和预测的大规模应用成为可能。

实施例3

图4为本发明实施例提供的基于边缘计算和云协同的机床故障诊断与预测系统中指令下发的过程示意图，如图4所示，本发明实施例3与本发明实施例2的区别在于，业务单元用于，向边缘端下发指令，指令包括但不限于，调整数据的采集频率或时长、采集的数据类型、更新特征提取算法库、重启或关闭传感节点或网关节点中的一种或者组合。

首先用户在客户端对边缘端下发指令，指令包括但不限于，调整数据的采集频率或时长、采集的数据类型、更新特征提取算法库、重启或关闭传感节点或网关节点等；然后云端业务单元接收指令，写入存储单元并转发给通讯单元；再后云端通讯单元接收指令，向相应边缘端的网关节点下发指令；最后网关节点接收指令，目标节点为网关节点则直接执行指令，否则转发给传感节点执行。

应用本发明实施例，可以实现对云端对边缘端的灵活控制。

实施例4

本发明实施例4与本发明实施例2的区别在于，客户端还用于，接收用户的操作指令，且客户端包括Web应用和手机App。

在实际应用中，首先云端业务单元将故障诊断和预测结果推送到客户端；然后客户端向机床专家展示故障诊断和预测结果，机床专家对故障诊断和预测结果进行判断，并反馈判断结果；最后云端业务单元接收到机床专家的反馈结果，写入存储单元。

应用本发明实施例，可以方便专家进行故障诊断和预测结果的判断并及时给出反馈。

实施例5

图5为本发明实施例提供的基于边缘计算和云协同的机床故障诊断与预测系统中时间同步第一种过程示意图；图6为本发明实施例提供的基于边缘计算和云协同的机床故障诊断与预测系统中时间同步的第二种过程示意图；图7为本发明实施例提供的基于边缘计算和云协同的机床故障诊断与预测系统中时间同步的第三种过程示意图；如图5-6所示，本发明实施例5与本发明实施例2的区别在于，网关节点用于，通过NTP网络完成网关节点的时间同步，作为边缘端时间同步基础。

在实际应用中，由于边缘端同步实时采集数据对时间精度要求较高，所以各个节点时间同步的精度越高越好。

工业以太网支持时间同步时，网关节点基于有线网络通过NTP(Network TimeProtocol，网络时间协议)完成时间同步(精度一般小于50ms)，否则网关节点基于无线网络通过NTP完成时间同步。

网关节点作为根节点，传感节点基于无线传感自组网络通过FTSP(Flooding TimeSynchronization Protocol，泛洪时间同步协议)完成时间同步(精度小于100μs)。

工业以太网支持时间同步时，数控系统基于有线网络通过现场总线NCUC-bus(NCUnion of China Field Bus，数控联盟总线)完成时间同步(精度小于100ns)，否则数控系统以网关节点为主站通过现场总线NCUC-bus完成时间同步。

进一步的，如图7所示，可以将1个网关节点和8个传感节点自组网，有3个R传感节点成为传感中继节点；左侧的两个传感节点通过传感中继节点与右侧的传感节点连通，进而连通到网关节点GW。此时使用FTSP，网关节点为根节点，通过传感中继节点分三批次完成所有传感节点时间同步。首先通过网关节点对传感中继节点R3和传感节点S2与S4进行时间同步；然后通过已经同步的传感中继节点R3对传感中继节点R1与R5和传感节点S6进行时间同步；最后通过已经同步的传感中继节点R5对传感节点S7与S9进行时间同步。

应用本发明实施例，可以实现高精度时间同步，进而利于有效发掘机床数控系统和机械系统数据在机床故障中的因果关系；

实施例6

本发明实施例6与本发明实施例2的区别在于，网关节点用于，判断机床是否处于未关机且未待机状态，若是则将机械特征数据和数控特征数据发送至云端。

在进行数据采集时，首先数控系统、传感节点、网关节点各自按照既定采集策略同时采集数据，持续时间长度相同；然后数控系统将数据上传到网关节点，传感节点提取特征数据并上传到网关节点；最后网关节点从数控系统采集的数据中提取特征数据，判断机床是否处于未关机且未待机状态，即机床是否处于正常工作状态，若机床处于正常工作状态，网关节点汇总特征数据向云端上传，否则不上传。

以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于边缘计算和云协同的机床故障诊断与预测方法，其特征在于，所述方法包括：

1)、传感节点按照预设第一采集策略采集机床部件的机械状态数据并提取特征，获得机械特征数据，并将所述机械特征数据上传到网关节点；所述网关节点按照预设第二采集策略采集数控系统的工作状态数据并提取特征，获得数控特征数据，并将所述机械特征数据与数控特征数据发送至云端；

2)、所述云端接收所述机械特征数据与数控特征数据，使用预设的故障诊断和预测模型进行故障诊断和预测，并将故障诊断和预测结果发送至客户端；

3)、所述客户端向机床专家展示所述故障诊断和预测结果，接收机床专家对所述故障诊断和预测结果的反馈结果，并将所述反馈结果发送至所述云端；

4)、所述云端接收所述反馈结果，标注所述机械特征数据和数控特征数据，获得样本数据；根据所述样本数据训练所述故障诊断和预测模型，并返回执行所述步骤2)；

所述网关节点作为根节点，所述传感节点基于无线传感自组网络通过FTSP完成时间同步；所述数控系统基于有线网络通过现场总线NCUC-bus完成时间同步，将1个网关节点和8个传感节点自组网，有3个R传感节点成为传感中继节点；左侧的两个传感节点通过传感中继节点与右侧的传感节点连通，进而连通到网关节点GW。

2.根据权利要求1所述的基于边缘计算和云协同的机床故障诊断与预测方法，其特征在于，所述方法还包括：

所述网关节点接收所述客户端发送的针对所述传感节点与网关节点的指令，所述指令包括但不限于，调整特征数据采集频率、调整特征数据的采集时长、调整特征数据的类型、更新特征提取算法库、重启或关闭传感节点或网关节点。

3.基于边缘计算和云协同的机床故障诊断与预测系统，其特征在于，所述系统包括，边缘端与云端，其中，

所述边缘端，包括网关节点和传感节点，所述传感节点设置在机床的部件上，并按照预设的第一采集策略采集部件的机械状态数据并提取特征，获得机械特征数据；

所述网关节点用于，按照预设的第二策略采集数控系统的工作状态数据并提取特征，获得数控特征数据，并将所述机械特征数据和数控特征数据发送至所述云端；

所述网关节点用于将所述机械特征数据与所述数控特征数据发送给云端，其中，所述机械特征数据包括但不限于，温度、湿度、转速、扭矩、振幅值、波形因数、波峰因数与峭度系数中的一种或组合；所述数控特征数据包括但不限于，指令码、报警码、主轴转速、运动方向、坐标中一种或组合；所述网关节点用于，通过NTP完成所述网关节点的时间同步，作为边缘端时间同步的基础；

所述云端，包括通讯单元、计算单元、存储单元、业务单元、训练单元，其中，所述通讯单元，用于接收所述网关节点上传的所述机械特征数据和数控特征数据，写入所述存储单元并转发给所述计算单元；

所述计算单元，用于对所述机械特征数据和数控特征数据进行故障诊断和预测，并将故障诊断和预测结果写入所述存储单元；

所述存储单元，用于存储所述机械特征数据和数控特征数据、机床专家的反馈结果、各种业务数据；

所述业务单元，用于向机床专家显示所述故障诊断和预测结果，接收机床专家对所述故障诊断和预测结果的反馈结果；

所述训练单元，用于根据所述反馈结果、所述机械特征数据和数控特征数据训练故障诊断和预测模型，以使所述故障诊断和预测模型的结果与所述反馈结果相同，并将模型参数反馈给所述计算单元。

4.根据权利要求3所述的基于边缘计算和云协同的机床故障诊断与预测系统，其特征在于，所述业务单元用于，向边缘端下发指令，其中，所述指令包括但不限于，调整数据的采集频率或时长、采集的数据类型、更新特征提取算法库、重启或关闭所述传感节点或网关节点中的一种或者组合。

5.根据权利要求3所述的基于边缘计算和云协同的机床故障诊断与预测系统，其特征在于，所述网关节点用于，判断机床是否处于未关机且未待机状态，若是则将所述机械特征数据和数控特征数据发送至所述云端。

6.根据权利要求3所述的基于边缘计算和云协同的机床故障诊断与预测系统，其特征在于，所述系统还包括，客户端，用于向机床专家显示所述故障诊断和预测结果，并接收机床专家对所述故障诊断和预测结果的反馈结果。

7.根据权利要求3所述的基于边缘计算和云协同的机床故障诊断与预测系统，其特征在于，客户端还用于，接收用户的操作指令，且所述客户端包括Web应用和手机App。

Images