(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210743259.X (22)申请日 2022.06.27 (71)申请人 重庆大学 地址 400044 重庆市沙坪坝区沙正 街174号 (72)发明人 李孝斌　刘宇杰　张跃彬　尹超　 江沛　 (74)专利代理 机构 重庆博凯知识产权代理有限 公司 50212 专利代理师 张乙山 (51)Int.Cl. G06F 11/30(2006.01) G06F 21/62(2013.01) (54)发明名称 基于云边协同模式的设备异常检测系统及 方法 (57)摘要 本发明具体涉及基于云边协同模式的设备 异常检测系统及方法。 系统包括： 设备层， 用于获 取设备的运行数据； 云端， 部署有若干个经过训 练的故障检测模型； 故障检测模型为BiLS TM‑VAE 模型； 边缘服务器， 具有多个分别用于从云端下 载对应故障检测模型的并行的边缘节 点； 边缘服 务器将各个边缘节点故障检测模型的输出进行 加权计算， 以判断设备是否存在故障； 云端生成 决策信息并下 发至边缘服务器； 边缘服务器将决 策信息下发至设备层以供设备层执行对应的动 作。 本发明还公开了一种设备异常检测方法。 本 发明能够通过多个隐层维度不同的故障检测模 型之间的集成互补来提高设备异常检测性能， 并 且无需构建特定于问题场景的模 型结构、 无需先 验经验与专业知识。 权利要求书4页 说明书24页 附图8页 CN 115098330 A 2022.09.23 CN 115098330 A 1.基于云边协同模式的设备异常检测系统， 其特 征在于， 包括： 设备层， 用于获取设备的运行 数据； 云端， 部署有 若干个经 过训练的故障检测模型； 故障检测模型为将双向长短时记忆网络嵌入至变分自动编码器的编码层和解码层得 到的BiLSTM‑VAE模型， 各个故障检测模型的隐层维度各不相同； 边缘服务器， 具有 多个分别用于从云端下 载对应故障检测模型的并行的边 缘节点； 边缘服务器将运行数据作为各个边缘节点故障检测模型的输入， 并将各个边缘节点故 障检测模型的输出进行加权计算， 以判断设备 是否存在故障； 云端在设备存在故障时通过实时运行数据和历史运行数据进行故障分析， 生成决策信 息并下发至边 缘服务器； 边缘服务器将决策信息下发至设备层， 以供设备层执 行对应的动作。 2.如权利要求1所述的基于云边协同模式的设备异常检测系统， 其特征在于： 当设备不 存在故障时， 边缘服务器以预设频率向云端上传运行数据作为历史运行数据； 当设备存在 故障时， 边缘服务器以高于预设频率的频率向云端上传 包含故障信息的运行数据作为实时 运行数据。 3.基于云边协同模式的设备异常检测方法， 其特征在于： 基于权利要求1中的基于云边 协同模式的设备异常检测系统实施， 具体包括以下步骤： S1： 设备层获取设备的运行 数据； S2： 边缘服务器的各个边 缘节点对应的从云端下 载经过训练的故障检测模型； 故障检测模型为将双向长短时记忆网络嵌入至变分自动编码器的编码层和解码层得 到的BiLSTM‑VAE模型， 各个故障检测模型的隐层维度各不相同； S3： 边缘服务器将运行数据作为各个边缘节点故障检测模型的输入， 并将各个边缘节 点故障检测模型的输出进行加权计算， 以判断设备 是否存在故障； S4： 云端在设备存在故障时通过实时运行数据和历史运行数据进行故障分析， 生成决 策信息并下发至边 缘服务器； S5： 边缘服务器将决策信息下发至设备层， 以供设备层执 行对应的动作。 4.如权利要求3所述的基于云边协同模式的设备异常检测方法， 其特征在于： 步骤S2 中， 云端通过如下步骤训练故障检测模型： S201： 获取样本数据集并进行数据预处理， 进而将数据预处理后的数据分割为由全部 正常标签数据组成的训练集、 所有异常标签数据组成的测试集和正常数据与异常数据混合 组成的验证集； S202： 设置K0个隐层维度不同的故障检测模型， 然后使用训练集对各个故障检测模型进 行训练以实现设备正常状态数据的特 征学习， 生成初始 残差阀值矩阵； S203： 淘汰性能最差的K1个故障检测模型， 得到K2＝K0‑K1个故障检测模型； S204： 通过混沌策略初始化剩余各个故障检测模型对应的重建误差权重矩阵和残差阀 值权重矩阵； S205： 通过鲸鱼优化算法求解最优的重建误差权重矩阵和残差阀值权重矩阵， 进而得 到故障检测模型kj及其对应的重建误差 权重 残差阀值权 重 和残差阈值σj；权　利　要　求　书 1/4 页 2 CN 115098330 A 2S206： 通过测试集测试各个故障检测模型的性能， 若性能达标， 则结束训练并通过验证 集验证各个故障检测模型的训练效果； 否则， 返回步骤S204。 5.如权利要求4所述的基于云边协同模式的设备异常检测方法， 其特征在于： 步骤S201 中， 数据预 处理包括Z ‑score标准化处理和特征加强处理； 特征加强处理 时提取统计特征和 时间序列预测特征； 时间序列预测特征包括指数加权移动平均法的预测 值， 以及预测值与 原值的差值； 其中， 指数加权移动平均法的预测值 通过如下公式计算： 式中： yi表示i时刻指数加权移动平均法的预测值； xi表示i时刻的原值； t表示时序数据 总步长； 系数α 表示加权下降的速率， 其 值越大， 早期数据的权 重下降的越快。 6.如权利要求4所述的基于云边协同模式的设备异常检测方法， 其特征在于： 步骤S203 中， 采用误报率和漏报率对各个故障检测模型进行评价： 误报率和漏报率的值越小说明故 障检测模型的效果越佳； 淘汰综合评价最末尾 的K1个故障检测模型， 挑选出综合评价最高 的K2＝K0‑K1个故障检测模型； 其中， 式中： FAR表示误报率； MAR表示漏报率； TP表示故障检测模型对异常点的准确检测次 数； FP表示故障检测模型将正常点识别为异常的次数； FN表示故障检测模型将异常点别为 正常点的次数； TN表示故障检测模型准确识别正常点的次数。 7.如权利要求4所述的基于云边协同模式的设备异常检测方法， 其特征在于： 步骤S205 中， 对于鲸鱼优化 算法： 通过动态递变的AP值代替鲸鱼优化 算法原有的固定概 率值； AP＝min_AP+max_AP*t/tmax； 式中： t当前迭代次数； tmax最大迭代次数； 收缩包围猎物阶段的鲸鱼位置迭代公式表示 为： C＝1.5*sin(2 π*rand3)+0.5； 式中： rand1、 rand2和rand3均为[0,1]之 间的随机数； 分别表示座头鲸i在第t和 t+1次迭代的位置； 是从当前种群中随机选择的个体； D表示个体 迭代移动距离； A表权　利　要　求　书 2/4 页 3 CN 115098330 A 3