买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉杭州电子科技大学申请的专利一种基于数字孪生和边缘计算的工业互联网故障诊断方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116016146B 。

龙图腾网通过国家知识产权局官网在2025-06-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211630943.3，技术领域涉及：H04L41/0677；该发明授权一种基于数字孪生和边缘计算的工业互联网故障诊断方法是由张世文;包健设计研发完成，并于2022-12-19向国家知识产权局提交的专利申请。

本一种基于数字孪生和边缘计算的工业互联网故障诊断方法在说明书摘要公布了：本发明公开了一种基于数字孪生和边缘计算的工业互联网故障诊断方法，属于工业互联网与故障诊断领域。本发明首先，使用采集到的工业历史数据训练出机器学习的模型，从而找到每一个故障对应的关键变量以及用于故障诊断的机器学习模型。其次，针对于单个故障，找到能覆盖该故障所有关键变量的边缘嵌入式设备集合，并找到一个能够对所有种类的故障进行诊断的最小边缘嵌入设备集合。最后，在工业互联网场景中实时采集数据，输入的得到的机器学习模型，输出诊断诊断结果，将诊断结果反应在数字孪生系统界面。本发明解决了工业故障诊断的延迟问题，降低了通信成本，并且更好地实现了人机交互。

本发明授权一种基于数字孪生和边缘计算的工业互联网故障诊断方法在权利要求书中公布了：1.一种基于数字孪生和边缘计算的工业互联网故障诊断方法，其特征在于，包括以下步骤：S1：提取关键变量：使用采集到的工业历史数据训练出机器学习模型，找到每一个故障对应的关键变量，并得到用于故障诊断的机器学习模型；具体如下：S1.1：经过对工业历史数据集进行筛选清洗后，将所有与故障相关的数据，即特征变量，输入机器学习模型进行训练，输出故障诊断的结果和相应特征变量的权重；S1.2，将每一类故障中所有的特征变量按照其权重的值由高到低进行排序操作，保留前n个特征变量；S1.3：统计每个特征变量在每一类故障中被保留的次数，筛选出出现次数最高的m个特征变量，作为新训练集，重新训练一个机器学习模型，重复步骤S1.1和S1.2，保留的特征变量即关键变量，并保存该训练得到的机器学习模型；S2：寻找覆盖单个故障的边缘嵌入式设备集合：针对单个故障，找到能覆盖该故障所有关键变量的边缘嵌入式设备集合；具体如下：根据现有的边缘嵌入式设备的集合，构建一个搜索树，其中每个节点代表一台边缘嵌入式设备；针对单一故障f1，从根节点开始，根据深度遍历的方法，收集路径上的所有节点，并将这些节点组合成一个新的集合，计算新集合的感知质量值：如果感知质量值大于等于对应故障的平均阈值则将此集合保留，并返回到上一个节点继续遍历，遍历结束后保留的集合，就对应了故障f1的所有能提供其关键变量的边缘嵌入式设备集合；在所述搜索树中，所有子节点不与父节点或祖先节点相同，父节点的子节点除了祖先节点之外，其他节点都有；所述平均阈值为各故障的关键变量的平均值；S3：寻找最小能覆盖所有故障的边缘嵌入式设备集合：将覆盖所有单个故障的边缘嵌入式设备集合组合在一起，构成一个列表，找到一个仅使用部分边缘嵌入式设备，就能够对所有种类的故障进行诊断的最小边缘嵌入式设备集合；所述找到一个仅使用部分边缘嵌入式设备，就能够对所有种类的故障进行诊断的最小边缘嵌入式设备集合的具体过程为：S3.1、找到一个仅使用部分边缘嵌入式设备，就能够对所有种类的故障进行诊断，具体为：记录边缘嵌入式设备在各个故障对应集合中出现次数，找到出现次数最少的边缘嵌入式设备；若该边缘嵌入式设备出现在两个以上的集合中，则判断删除该边缘嵌入式设备是否导致相应列表中的集合缺少，是则保留该边缘嵌入式设备，否则删除该边缘嵌入式设备；S3.2、寻找出现次数第二少的边缘嵌入式设备重复执行S3.1，直到所有边缘嵌入式设备遍历完成，得到最小能覆盖所有故障的边缘嵌入式设备集合；S4：故障诊断并实现交互：根据S3得到的最小边缘嵌入式设备集合，在工业互联网场景中实时采集数据，输入S1得到的机器学习模型，输出故障诊断结果，将诊断结果反应在数字孪生系统界面；所述数字孪生系统包含服务层、模型层和数据层；所述将诊断结果反应在数字孪生系统界面，包括：由有线或无线网络传输至数字孪生系统数据层，数据层接收数据后将检测结果数据打包发送到模型层，模型层通过关键变量与检测结果进行一一对应，并发送到服务层，反应在服务层的故障可视化管理系统和监控平台上。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人杭州电子科技大学，其通讯地址为：310018 浙江省杭州市钱塘新区白杨街道2号大街1158号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。