本申请涉及动设备，尤其涉及一种边云协同的动设备故障分析方法、装置、电子设备及介质。
背景技术：
1、相关技术中，流程行业工厂内存在大量的旋转机械(动设备)，当旋转机械内部出现异常情况后，就会出现振动的加大，强烈的振动和冲击会使得设备和零部件出现损坏或异常故障，为及时准确了解旋转机械设备的工作状况，就需要获得机械振动中包含的信息，分析振动机理，从而对设备的运行情况进行诊断，发现可能存在的故障。因此，需要振动传感器来对旋转机械进行振动数据的采集，并通过对波形频谱等振动信息的识别判断动设备的故障类型、故障位置、故障严重程度以及预期寿命。现有方法是将振动数据发送到云端进行分析，导致通信消耗大。
2、综上，相关技术中存在的技术问题有待得到改善。
技术实现思路
1、本申请实施例的主要目的在于提出一种边云协同的动设备故障分析方法、装置、电子设备及介质，能够有效减少通信量。
2、为实现上述目的，本申请实施例的一方面提出了一种边云协同的动设备故障分析方法，所述方法应用于云端，所述云端与至少一个传感器边缘端进行交互；所述方法包括：
3、获取每个所述传感器边缘端对应动设备的第一振动信息，所述第一振动信息包括历史振动波形和历史振动频谱；以及获取每个所述传感器边缘端对应动设备的设备信息，所述设备信息包括设备型号、设备参数和设备部件类型；
4、根据所有所述第一振动信息对重量级故障诊断模型进行故障关联性训练，所述故障关联性用于表征所述第一振动信息与故障类型之间的关联性；
5、根据所述设备信息对训练后的所述重量级故障诊断模型进行再次训练，生成轻量级故障诊断模型；
6、将所述轻量级故障诊断模型发送到所述设备信息对应的目标传感器边缘端，以使所述目标传感器边缘端通过所述轻量级故障诊断模型进行动设备故障分析。
7、在一些实施例中，所述将所述轻量级故障诊断模型发送到所述设备信息对应的目标传感器边缘端，包括：
8、根据所述设备信息从多个传感器边缘端确定目标传感器边缘端；
9、根据所述设备信息从多个轻量级故障诊断模型中确定目标轻量级故障诊断模型，其中，每一个所述设备信息均与其中一个轻量级故障诊断模型存在关联关系；
10、将所述目标轻量级故障诊断模型发送到所述目标传感器边缘端。
11、在一些实施例中，所述通过所述轻量级故障诊断模型进行动设备故障分析，包括：
12、获取实时振动信息，所述实时振动信息包括实时振动波形和实时振动频谱；
13、将所述实时振动信息输入所述轻量级故障诊断模型进行动设备故障分析，得到故障诊断结果，所述故障诊断结果包括故障位置、故障类型、故障严重程度或故障预期寿命。
14、在一些实施例中，所述将所述实时振动信息输入所述轻量级故障诊断模型进行动设备故障分析，包括：
15、获取诊断时间间隔，所述诊断时间间隔通过历史故障诊断结果或者所述实时振动信息的变化情况调整；
16、根据所述诊断时间间隔，将所述实时振动信息输入所述轻量级故障诊断模型进行动设备故障分析。
17、在一些实施例中，所述传感器边缘端还执行以下步骤：
18、计算所述故障诊断结果的置信度；
19、根据所述置信度确定所述实时振动信息的上传状态，所述上传状态用于表征所述传感器边缘端向所述云端发送所述实时振动信息的状态。
20、在一些实施例中，所述方法还包括以下步骤：
21、当接收到所述传感器边缘端上传的所述实时振动信息，将所述实时振动信息与所有所述第一振动信息形成训练集；
22、通过所述训练集更新所述重量级故障诊断模型的模型参数；
23、根据所述设备信息对模型参数更新后的所述重量级故障诊断模型进行再次训练，重新生成轻量级故障诊断模型；
24、将重新生成的所述轻量级故障诊断模型发送到所述设备信息对应的目标传感器边缘端，以使所述目标传感器边缘端更新所述轻量级故障诊断模型的模型参数。
25、在一些实施例中，所述重量级神经网络模型包括机理模型和数字a i模型。
26、为实现上述目的，本申请实施例的另一方面提出了一种边云协同的动设备故障分析装置，所述装置应用于云端，所述云端与至少一个传感器边缘端进行交互；所述装置包括：
27、第一模块，用于获取每个所述传感器边缘端对应动设备的第一振动信息，所述第一振动信息包括历史振动波形和历史振动频谱；以及获取每个所述传感器边缘端对应动设备的设备信息，所述设备信息包括设备型号、设备参数和设备部件类型；
28、第二模块，用于根据所有所述第一振动信息对重量级故障诊断模型进行故障关联性训练，所述故障关联性用于表征所述第一振动信息与故障类型之间的关联性；
29、第三模块，用于根据所述设备信息对训练后的所述重量级故障诊断模型进行再次训练，生成轻量级故障诊断模型；
30、第四模块，用于将所述轻量级故障诊断模型发送到所述设备信息对应的目标传感器边缘端，以使所述目标传感器边缘端通过所述轻量级故障诊断模型进行动设备故障分析。
31、为实现上述目的，本申请实施例的另一方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
32、为实现上述目的，本申请实施例的另一方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法。
33、本申请实施例至少包括以下有益效果：本申请提供一种边云协同的动设备故障分析方法、装置、电子设备及介质,该方案通过在云端获取每个传感器边缘端对应动设备的第一振动信息以及每个传感器边缘端对应动设备的设备信息后，根据所有第一振动信息对重量级故障诊断模型进行故障关联性训练后，根据设备信息对训练后的重量级故障诊断模型进行再次训练，以生成轻量级故障诊断模型，然后将轻量级故障诊断模型发送到设备信息对应的目标传感器边缘端，以使目标传感器边缘端通过轻量级故障诊断模型进行动设备故障分析，从而使得边缘端无需将振动信息实时上传到云端，边缘端也能完成动设备故障分析，有效降低边缘端与云端的通信量，同时通过轻量级故障诊断模型进行故障分析，有效提高故障诊断结果的准确度。
1.一种边云协同的动设备故障分析方法，其特征在于，所述方法应用于云端，所述云端与至少一个传感器边缘端进行交互；所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述轻量级故障诊断模型发送到所述设备信息对应的目标传感器边缘端，包括：
3.根据权利要求1所述的方法，其特征在于，所述通过所述轻量级故障诊断模型进行动设备故障分析，包括：
4.根据权利要求3所述的方法，其特征在于，所述将所述实时振动信息输入所述轻量级故障诊断模型进行动设备故障分析，包括：
5.根据权利要求3所述的方法，其特征在于，所述传感器边缘端还执行以下步骤：
6.根据权利要求5所述的方法，其特征在于，所述方法还包括以下步骤：
7.根据权利要求1所述的方法，其特征在于，所述重量级神经网络模型包括机理模型和数字ai模型。
8.一种边云协同的动设备故障分析装置，其特征在于，所述装置应用于云端，所述云端与至少一个传感器边缘端进行交互；所述装置包括：
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法。
