CN107782267B - 基于rfid的旋转机械偏心检测方法及装置 - Google Patents

Abstract

本发明公开一种基于RFID的旋转机械偏心检测方法及装置，能达到偏心检测的准确、实时的要求，且具有普遍性强、非侵入式和低成本的特点。方法包括：周期性读取RFID标签返回的信号；通过估计偏心前后两个特征的概率分布，将连续读取的多个E点中相邻E点之间的时间间隔和相位差对对应的序列转换为未偏心和偏心情况下的状态序列，并计算未偏心情况下未偏心情况下的状态序列出现的概率，以及偏心情况下偏心情况下的状态序列出现的概率；根据未偏心情况下未偏心情况下的状态序列出现的概率计算偏心未发生的概率，根据偏心情况下偏心情况下的状态序列出现的概率计算偏心发生的概率，在判断获知偏心发生的概率大于偏心未发生的概率时确定偏心发生。

Description

基于RFID的旋转机械偏心检测方法及装置

技术领域

本发明涉及无线网络当中的RFID应用领域，具体涉及一种基于RFID的旋转机械偏心检测方法及装置。

背景技术

旋转机械在工业设备中得到了广泛应用，覆盖了从小马达到大型发电机各式各样的设备。旋转机械通常在设备的运转过程中起着关键作用，同时也消耗大部分的制造成本。因此，确保旋转机械的正常运转至关重要。

旋转机械中的转子在旋转时会产生离心力，当转速变高时，强大的离心力可使转子的中心轴偏离其初始位置，这就是所谓的“偏心”现象。许多工业事故和损失就是由于旋转机械的偏心引起的。因此，在规定时间内检测偏心成为现代工业旋转机械不可或缺的关键技术，也就是偏心检测。

工业中用于偏心检测的常规技术主要基于测量某些物理量的变化，如电、声、热、振动等。为了获得这些信息，通常需要嵌入特殊的传感器和数据采集仪器，所需成本较高。对于小型旋转机械，制造时甚至不可能嵌入额外的硬件。因此我们希望开发一种低成本、非侵入式的偏心检测技术。

发明内容

针对现有技术存在的不足和缺陷，本发明提供一种基于RFID的旋转机械偏心检测方法及装置。

射频识别技术(RFID)近年来在感知领域取得了不少新进展。现有研究包括方向检测、温/湿度感测、振动测量和触摸感应等等，他们都证明了基于RFID的感知有着低成本和易于部署的优势。那么RFID能否用于检测偏心现象呢？这个问题的挑战如下：

离散的信号读数：旋转机械的转速非常高，通常为几千RPM(每分钟转数)，而商业RFID标签的采样频率约为40Hz。当我们将RFID标签贴在转子的表面并让它们一起旋转时，几个旋转周期才有一个采样点，也就是处于欠采样的状态，因此标签读数是离散的。

精度要求高：工业上要求偏心距离不能超过规定的距离，通常为几毫米甚至更小。而RFID标签返回的读数是动态的、并且带有噪声，并且RSSI(接收信号强度指示器)读数的分辨率仅为0.5dB。因此，仅基于RSSI和相位读数来判断是否偏心是不可行的。

实时性要求：由于高速旋转，必须实时检测是否发生了超过预定阈值的偏心。否则就会来不及采取措施。

准确率要求高：在偏心检测中不仅应避免假阴性，还要避免误报。过度的误报将导致机器不必要的停转，也会造成不小的损失。

在本发明中，我们提出了一种基于RFID的适用于高速旋转机械中的偏心检测方法，它的特点是普遍性强、非侵入式、低成本。将RFID标签贴在转子表面上，使得标签以相同的速度与转子一起旋转，由附近部署的阅读器周期性地读取返回的信号。但我们并不是根据RSSI和相位值进行判断和检测。我们的设计主要基于读数分布的稳定性，也就是说尽管每一次的读数都是随机的，但如果没有发生偏心，读数的整体分布是稳定的。当转子发生偏心时，读数的分布也将发生变化。分布变化的多少反映了偏心的程度(即偏移距离)。

为了达到精度、实时性和准确性的要求，我们提出了一种基于马尔可夫链的模型用于偏心检测。首先提前参数化在高速旋转的背景下，是否偏心与RSSI和相位读数的概率分布之间的关系。之后在检测时，每读取几个采样点，就计算相互之间的出现及转移概率，做出判断。而且我们进一步解决了一些实际问题，例如增强模型对动态和嘈杂的环境的抵抗性等。其非侵入、低成本的特点使得本发明适用于各种旋转机械。

一方面，本发明实施例提出一种基于RFID的旋转机械偏心检测方法，包括：

S1、周期性读取RFID标签返回的信号，其中，所述RFID标签贴在旋转机械的转子表面，所述信号包括信号强度、相位值和时间；

S2、通过估计偏心前后两个特征的概率分布，将连续读取的多个E点中相邻E点之间的时间间隔和相位差对对应的序列转换为未偏心和偏心情况下的状态序列，并计算未偏心情况下所述未偏心情况下的状态序列出现的概率，以及偏心情况下所述偏心情况下的状态序列出现的概率，其中，所述两个特征包括相邻E点之间的时间间隔和相位差，所述E点为对应的信号强度值不小于预设数值的采样点；

S3、根据所述未偏心情况下所述未偏心情况下的状态序列出现的概率计算偏心未发生的概率，根据所述偏心情况下所述偏心情况下的状态序列出现的概率计算偏心发生的概率，在判断获知所述偏心发生的概率大于所述偏心未发生的概率时确定偏心发生。

另一方面，本发明实施例提出一种基于RFID的旋转机械偏心检测装置，包括：

读取单元，用于周期性读取RFID标签返回的信号，其中，所述RFID标签贴在旋转机械的转子表面，所述信号包括信号强度、相位值和时间；

计算单元，用于通过估计偏心前后两个特征的概率分布，将连续读取的多个E点中相邻E点之间的时间间隔和相位差对对应的序列转换为未偏心和偏心情况下的状态序列，并计算未偏心情况下所述未偏心情况下的状态序列出现的概率，以及偏心情况下所述偏心情况下的状态序列出现的概率，其中，所述两个特征包括相邻E点之间的时间间隔和相位差，所述E点为对应的信号强度值不小于预设数值的采样点；

判断单元，用于根据所述未偏心情况下所述未偏心情况下的状态序列出现的概率计算偏心未发生的概率，根据所述偏心情况下所述偏心情况下的状态序列出现的概率计算偏心发生的概率，在判断获知所述偏心发生的概率大于所述偏心未发生的概率时确定偏心发生。

可选地，未偏心情况下时间间隔的概率分布为其中，Int_i为第i个时间间隔，S_a为采样间隔的平均值，R_E是E点对应的RSSI取值范围，R_RSSI为所有观测到的RSSI值的取值范围，未偏心情况下相位差的概率分布为其中，Diff_i为第i个相位差，E点对应的相位值范围为[α,β]，△在未偏心情况下取0，m表示相位的噪声，根据弗林斯传输方程，以及相位与距离之间的关系确定，所述弗林斯传输方程为p_R(d,θ)表示RFID标签返回的信号接收装置接收到的功率，d表示天线和标签之间的距离，θ表示标签和天线极化角之间的角度，P_T表示所述接收端的发射功率，G_TR表示所述接收端发射/接收天线的增益，G_t表示标签天线的增益，λ₂表示载波频率的波长，X(θ)表示极化失配函数，l为d的指数，通过对标签旋转轨迹上至少两个不同位置对应的RSSI值以及标签和天线之间的距离拟合得到，所述相位与距离之间的关系为θ表示相位，c表示硬件特性相关的因子导致的相位值变化量之和，θ_T、θ_R、和θ_TAG分别表示RFID标签返回的信号接收装置的发射端、RFID标签返回的信号接收装置的接收端和标签本身的硬件引入的额外的相位变化量，噪声服从正态分布N(0,σ)，σ是方差，Φ(·)为标准正态分布的概率密度函数，

其中，所述计算单元，具体用于：

根据所述未偏心情况下时间间隔的概率分布和未偏心情况下相位差的概率分布确定第一区间和第二区间，根据所述相位差和时间间隔对(Int_i,Diff_i)中Int_i和Diff_i分别与所述第一区间和第二区间的关系，将所述相位差和时间间隔对(Int_i,Diff_i)转换为预设的状态集合中一个状态，从而得到未偏心情况下的状态序列S_n＝{S_n-1,S_n-2,…,S_n-w+1}，其中，i∈(1,2,…,w-1)，w为连续观测的多个采样点数量，所述状态集合包括状态S_IS_D、和所述S_IS_D表示对应的相位差和时间间隔对分别在所述第一区间和第二区间内，所述表示对应的相位差和时间间隔对中相位差在所述第一区间外，时间间隔在所述第二区间内，所述表示对应的相位差和时间间隔对中相位差在所述第一区间内，时间间隔在所述第二区间外，所述表示对应的相位差和时间间隔对分别在所述第一区间和第二区间外，S_n中各个元素属于所述状态集合。

可选地，所述计算单元，具体用于：

计算未偏心情况下所述未偏心情况下的状态序列S_n＝{S_n-1,S_n-2,…,S_n-w+1}出现的概率PoC^Unecc(S_n)，计算公式为其中， 表示未偏心情况下状态S_i转移到状态S_i-1的概率， p(X₁|X2)表示未偏心情况下从X₁转移到X₂的概率，p(Y₁|Y₂)表示未偏心情况下从Y₁转移到Y₁的概率，p_s表示未偏心情况下的状态序列s出现的概率，S表示未偏心情况下的所有状态序列的集合，|S|表示集合S中元素的数量，表示在所有p_s(s∈S)中的排名。

可选地，所述判断单元，具体用于：

根据所述未偏心情况下所述未偏心情况下的状态序列出现的概率计算偏心未发生的概率PUnecc(S_n)，计算公式为，其中，表示(Int_i,Diff_i)出现时所代表的未偏心的概率，p(ecc)表示偏心发生的概率，p(Int_i,Diff_i)表示(Int_i,Diff_i)出现的概率。

本发明实施例提供的基于RFID的旋转机械偏心检测方法及装置，将RFID标签贴在旋转机械转子表面，使得标签以相同的速度与转子一起旋转，周期性读取RFID标签返回的信号，通过估计偏心前后两个特征的概率分布，将连续读取的多个E点中相邻E点之间的时间间隔和相位差对对应的序列转换为未偏心和偏心情况下的状态序列，并计算未偏心情况下所述未偏心情况下的状态序列出现的概率，以及偏心情况下所述偏心情况下的状态序列出现的概率，根据所述未偏心情况下所述未偏心情况下的状态序列出现的概率计算偏心未发生的概率，根据所述偏心情况下所述偏心情况下的状态序列出现的概率计算偏心发生的概率，在判断获知所述偏心发生的概率大于所述偏心未发生的概率时确定偏心发生，相较于现有技术，该方案能够在标签高速旋转的场景下，仅通过几个采样点的数值判断出是否发生偏心，达到偏心检测的准确、实时的要求，且具有普遍性强、非侵入式和低成本的特点。

附图说明

图1为本发明基于RFID的旋转机械偏心检测方法一实施例的流程示意图；

图2中的(a)部分为标签转速为1 RPM时，阅读器接收信号中RSSI值时域图；图2中的(b)部分为标签转速为1 RPM时，阅读器接收信号中相位值时域图；

图3中的(a)部分为标签转速为10000 RPM时，阅读器接收信号中RSSI值时域图；图3中的(b)部分为标签转速为10000 RPM时，阅读器接收信号中相位值时域图；

图4中的(a)部分为偏心前后RSSI最大值对比图；图4中的(b)部分为偏心前后RSSI最大值对应相位值对比图；

图5中的(a)部分为偏心前后Diff的CDF(概率累计分布)图；图5中的(b)部分为偏心前后Int的CDF图；

图6为未偏心情况下的状态划分及转移示意图；

图7为状态间转移概率估计示意图；

图8为标签旋转轨迹上的对称点示意图；

图9为本发明基于RFID的旋转机械偏心检测方法另一实施例中所用到的部分实验设备示意图；

图10中的(a)部分为标签靠近天线的情况，系统TPR和FPR的平均值及方差(d＝6cm)；图10中的(b)部分为标签远离天线的情况，系统TPR和FPR的平均值及方差(d＝6cm)；

图11中的(a)部分为标签靠近天线的情况，不同初始距离下系统TPR和FPR的平均值(△d＝7cm)；图11中的(b)部分为标签远离天线的情况，不同初始距离下系统TPR和FPR的平均值(△d＝7cm)；

图12中的(a)部分为不同噪声条件下TPR的平均值(d＝8cm)；图12中的(b)部分为不同噪声条件下FPR的平均值(d＝8cm)；

图13为本发明基于RFID的旋转机械偏心检测装置一实施例的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参看图1，本实施例公开一种基于RFID的旋转机械偏心检测方法，包括：

S1、周期性读取RFID标签返回的信号，其中，所述RFID标签贴在旋转机械的转子表面，所述信号包括信号强度、相位值和时间；

S2、通过估计偏心前后两个特征的概率分布，将连续读取的多个E点中相邻E点之间的时间间隔和相位差对对应的序列转换为未偏心和偏心情况下的状态序列，并计算未偏心情况下所述未偏心情况下的状态序列出现的概率，以及偏心情况下所述偏心情况下的状态序列出现的概率，其中，所述两个特征包括相邻E点之间的时间间隔和相位差，所述E点为对应的信号强度值不小于预设数值的采样点；

S3、根据所述未偏心情况下所述未偏心情况下的状态序列出现的概率计算偏心未发生的概率，根据所述偏心情况下所述偏心情况下的状态序列出现的概率计算偏心发生的概率，在判断获知所述偏心发生的概率大于所述偏心未发生的概率时确定偏心发生。

本发明实施例提供的基于RFID的旋转机械偏心检测方法，将RFID标签贴在旋转机械转子表面，使得标签以相同的速度与转子一起旋转，周期性读取RFID标签返回的信号，通过估计偏心前后两个特征的概率分布，将连续读取的多个E点中相邻E点之间的时间间隔和相位差对对应的序列转换为未偏心和偏心情况下的状态序列，并计算未偏心情况下所述未偏心情况下的状态序列出现的概率，以及偏心情况下所述偏心情况下的状态序列出现的概率，根据所述未偏心情况下所述未偏心情况下的状态序列出现的概率计算偏心未发生的概率，根据所述偏心情况下所述偏心情况下的状态序列出现的概率计算偏心发生的概率，在判断获知所述偏心发生的概率大于所述偏心未发生的概率时确定偏心发生，相较于现有技术，该方案能够在标签高速旋转的场景下，仅通过几个采样点的数值判断出是否发生偏心，达到偏心检测的准确、实时的要求，且具有普遍性强、非侵入式和低成本的特点。

通过实验，我们发现采样点当中，相邻最大值点之间的时间间隔和相位差的分布都能表征是否发生偏心。因此，在该系统中，每采得一个新的最大值采样点，我们计算与上一个最大值采样点之间的时间间隔和相位差，通过估计偏心前后两个特征的分布，我们可以把所有值划分为不同的状态，进而计算每个采样点所属状态的出现及转移概率，通过概率判断是否偏心。此外，在实际的运行环境中，为了提升系统的鲁棒性，我们会针对一些环境因素动态调整估计出的概率分布值。下面对本发明基于RFID的旋转机械偏心检测方法进行详细说明。

1.偏心检测基础

我们设置实验观察当标签处于不同转速下，偏心前后接收信号的变化情况以确定合适的特征用于偏心检测。当转速为1 RPM时，信号变化呈周期性缓慢变化，RSSI和相位的时域图如图2所示，图2中的(a)部分为标签转速为1 RPM时，阅读器接收信号中RSSI值时域图，图2中的(b)部分为标签转速为1 RPM时，阅读器接收信号中相位值时域图。其中，标签每旋转半圈，对应信号变化的一个周期。在一个周期内，RSSI值在固定区间内先变大再变小，同时，相位值从0到2π单调递增，这个现象是天线的极化所导致的。偏心发生之后(标签沿远离天线方向移动1cm)，两个波形都没有发生太大变化，但RSSI整体下移，这是天线和标签之间的距离变化造成的。

而当转速提高到10000 RPM时，信号时域图如图3所示，图3中的(a)部分为标签转速为10000 RPM时，阅读器接收信号中RSSI值时域图；图3中的(b)部分为标签转速为10000RPM时，阅读器接收信号中相位值时域图，相比于图2，信号不再是缓慢、连续变化的，而是离散的并且一直剧烈变化，这是由于转速过高，同时采样频率较低造成了欠采样。而相同的是，在偏移之后，RSSI同样整体下移了一些。

当偏移距离比较微小时，RSSI的偏移量也会很小甚至为0，这是因为RSSI的读数只精确到0.5dBm。通过进一步的观察RSSI的最大值，我们发现当标签和天线间的距离增加时，即使RSSI的数值不变，出现的频率也会降低，而对应的相位值总是集中在某个值附近，具体如图4所示，图4中的(a)部分为偏心前后RSSI最大值对比图；图4中的(b)部分为偏心前后RSSI最大值对应相位值对比图。因此我们划定一个最大值的阈值Th_p，观察所有RSSI大于等于该值的点，我们称之为E点，以相邻E点之间的相位差(Diff)和时间间隔(Int)作为后续偏心检测当中所用的特征。

我们的进一步实验验证了这两个特征的有效性。一是稳定性，我们发现Int和Diff的概率分布并不会随着时间的推移而变化，在经过两小时、四小时之后分布还是基本不变的。二是普遍性，在相同的位置，放置不同的tag，Int和Diff的分布基本相同。三是可区分性，如图5所示，图5中的(a)部分为偏心前后Diff的CDF(概率累计分布)图；图5中的(b)部分为偏心前后Int的CDF图，在偏移前后，Int和Diff的CDF图表明他们都具有一定的可区分性，当标签和天线之间的距离减小，Diff的期望值减小，分布更加集中，而Int的期望值增大。

2.估计偏心前后特征的概率分布

在偏心检测的系统中，我们首先要估计Int和Diff在未偏移及偏移情况下的概率分布及转移概率，为后续的检测做好准备。

我们主要关注每个采样点的读数(Int_i,Diff_i)出现时所代表的未偏心和偏心的概率，分别记为和在此之前，我们需要计算先验概率，即在已知偏心是否发生时，(Int_i,Diff_i)出现的概率，记为p(Int_i,Diff_i|ecc)和p(Int_i,Diff_i|Unecc)。那么根据贝叶斯理论，我们可以推出：

其中p(ecc)代表偏心发生的概率，p(Int_i,Diff_i)是读数(Int_i,Diff_i)出现的概率。因为p(ecc)是可以提前知晓的，(Int_i,Diff_i)在偏心前后出现的概率是相同的，所以我们只要计算出p(Int_i,Diff_i|Unecc)和p(Int_i,Diff_i|ecc)即可：

其中，p(Int_i|Unecc)和p(Int_i|ecc)分别表示未偏心和偏心情况下时间间隔的概率分布，p(Diff_i|Unecc)和p(Diff_i|ecc)分别表示未偏心和偏心情况下相位差的概率分布，那么我们就可以将重点转移到p(Int_i|Unecc)、p(Diff_i|Unecc)、p(Int_i|ecc)和p(Diff_i|ecc)上。在未偏移的情况下，这四个值可以通过训练获得，但偏移情况下的两个概率值，我们无法很容易的获取，因为系统部署后无法预先得到在故障情况下的数据。

经过思考，我们认为Int和Diff的分布与RSSI的范围、噪声水平等因素高度相关，而这些因素基本都是可以被测量或估计的。因此，上述问题迎刃而解。我们的系统不需要依赖大量的训练数据进行检测，只要通过简单的测量和估计就可以完成任务。

·估计p(Int_i|Unecc)和p(Int_i|ecc)

由于RFID设备的采样间隔是随机的，p(Int_i|Unecc)和p(Int_i|ecc)就主要取决于E点的出现频率。由于RFID设备的采样间隔是随机的，p(Int_i|Unecc)就主要取决于E点的出现频率。假设在未偏移情况下，E点的出现频率为那么相邻的E点之间的时间间隔Int就服从指数分布E(λ₁)，即：

其中是Int的期望，S_a为采样间隔的平均值，R_E是E点对应的RSSI取值范围，R_RSSI为所有观测到的RSSI值的取值范围。同理，当我们将参数替换为也就是估计在偏移情况下的E点出现频率，就可以计算出相应的p(Int_i|ecc)。我们将在第5点中介绍如何估计和

·估计p(Diff_i|Unecc)和p(Diff_i|ecc)

不论在未偏移还是偏移时，Diff的分布都主要由E点的相位值范围决定。这里以在未偏移时的情况为例，Diff的分布主要由E点的相位值范围决定。假设相位值范围为[α,β]，由于采样间隔是随机的，Diff的取值范围为[0,β-α]，服从均匀分布即

不过，在实际运行过程中，噪声和干扰会影响相位的测量。因此，假设测量值为那么其中δ是测得的噪声，噪声服从正态分布N(0,σ)，σ是方差。因此Diff的测量值服从均匀分布和正态分布的叠加，即：

其中Φ(·)是标准正态分布的概率密度函数。在实际运行过程中，α和β的值可以基于E点的RSSI范围进行估计，我们将在第5点中进行介绍。

同样的，通过估计偏移后的相位值范围，并假定偏移前后噪声的差异可以忽略不计，我们就可以计算出p(Diff_i|ecc)。

3.特征状态划分及转移概率估计

为了实时的进行偏心检测，我们提出一个基于马尔可夫链的模型，根据Int和Diff的每次变化，判断是否发生了异常并检测偏心是否发生。如图1所示，我们定义了四个状态，分别是S_IS_D、和他们是由两个特征划定的范围所得。具体来说，如图6所示，在给定未偏移时Int和Diff的分布的情况下，我们以所有数据在整体分布中位于中间或靠边缘进行划分，对Int和Diff分别划定第一区间(第一区间的长度为Th_I)和第二区间(第一区间的长度为Th_D)，落在这两个区间之内的读数(Int_i,Diff_i)就属于状态S_IS_D，和代表读数在第一区间和第二区间之外。比如Th_I取0.8，就意味着在Int的整体分布中间80％的数据为一个状态，在外侧的20％为另一个状态。那么我们就将(Int_i,Diff_i)的序列转换为了状态序列S_n＝{S_n-1,S_n-2,…,S_n-w+1}，其中w是连续观测的采样点个数。一般来说，如果没有发生偏心，采样点(Int_i,Diff_i)应该有较大的概率处于状态S_IS_D。然而，由于噪声和干扰的影响，(Int_i,Diff_i)可能偶尔转移到另外三个状态。我们提出概率表示在未偏心的情况下，两个连续观测状态之间的转移概率。那么一个连续的状态转移序列S_n＝{S_n-1,S_n-2,…,S_n-w+1}出现的概率就是

与p_out类似，在得到转移概率时我们也会面临缺少训练数据的问题，因此我们利用前面估计出的p_out来计算转移概率。假设S_I和之间的转移与S_D和之间的转移是独立的，那么这两对之间的转移概率就取决于第一区间和第二区间的选择。比如，S_I到的概率就可以近似为1-Th_I，而S_I到S_I的概率就近似为Th_I。

而当我们把两个特征结合，因为独立性，转移概率可以近似为两个特征各自的转移概率相乘。如图7所示，比如从S_IS_D转移到我们可以认为是从S_I转移到和S_D转移到S_D，因此可得：

同理，我们还可以估计出另外几个状态之间的转移概率。

最后，我们根据转移概率定义一个量PoC来度量在未偏心的情况下状态序列S_n出现的可能性大小：

其中S是所有可能状态序列的集合，p_s表示未偏心情况下的状态序列s出现的概率，|S|表示集合S中元素的数量，表示在所有p_s(s∈S)中的排名。

4.基于马尔可夫链的概率模型

基于前面我们估计的概率分布和转移概率，我们设计一个基于马尔可夫链的模型来进行偏心检测。

前面的计算中已经得到每次的采样点读数(Int_i,Diff_i)对应的未偏移概率为由状态序列S_n可估计出概率PoC^Unecc(S_n)，综合二者，我们定义PUnecc(S_n)来描述偏心没有发生的可能性：

同理，我们还可以计算Pecc(S_n)来描述偏心发生的可能性。一旦Pecc(S_n)>PUnecc(S_n)，我们就认为偏心发生。

5.针对环境的动态调整

在本发明中，我们共有三个动态调整的部分，下面分别介绍。

(1)拟合环境相关的参数

弗林斯传输方程有着广泛的应用：

其中d是天线和标签之间的距离，θ是标签和天线极化角之间的角度，p_R(d,θ)是阅读器端接收到的功率(可以转化为RSSI值)，P_T是阅读器的发射功率，G_TR是阅读器发射/接收天线的增益，G_t是标签天线的增益，λ₂是载波频率的波长，极化失配函数X(θ)可以近似为正弦函数。公式当中d的指数是受环境影响的，在真空中为4，在现实环境中，我们需要再次拟合这一指数以获得更准确的结果。为了拟合指数，我们需要知道至少两个不同位置对应的RSSI值。而我们通过实验已经看到，在标签旋转轨迹上对称的两个位置对应相同的相位值。由于这两个位置相对于天线的距离不相等，所以RSSI值会有差异，如图8所示，图8中的p₁和p₂，p₃和p₄都是相位值相同的点，而p₁和p₂之间的RSSI差理论上是最大的，因为他们之间的距离差最大。在实际部署中，因为旋转轨迹的直径远小于d，因此我们可以近似认为距离差就是直径，以此来拟合弗林斯传输方程当中的d的指数。

(2)RSSI和相位的取值范围

在前面所述的概率模型中，E点的RSSI和相位值的取值范围对于估计和是非常重要的。下面我们具体描述一下针对偏心之后范围估计的过程。

·RSSI的取值范围

p(Int_i|Unecc)与E点的RSSI值范围占整体的比例相关，也就是其中，R_E取决于预先定义的E点的阈值Th_p，因此，为了估计我们只要估计R_RSSI即可。

未偏心情况下，RSSI的范围可以通过采样值测量出来，而偏心情况下的RSSI范围则需要估计。在已知未偏心情况下RSSI的范围和系统的检测精度△d的情况下，忽略极化造成的影响(因为偏移量非常小，是可以忽略的)，偏心之后RSSI范围的变化可以认为是只与距离变化相关的，因此，我们可以直接利用公式(8)来计算一定的偏移量所造成的RSSI范围变化量。

·相位的取值范围

E点的相位值范围[α,β]用于估计Diff的分布，而[α,β]可以通过估计。具体来说，因为极化导致的RSSI和相位的变化类似于正弦函数，因此我们可以根据这一规律结合E点在未偏心情况下所占比例估计相位的范围：

其中△在未偏心情况下取0，在偏心情况下取△d。

(3)噪声测量和处理

噪声水平对相位的取值范围都有很大的影响。在相同的条件下，噪声越大，范围越大。因此如果我们总是使用相同的p_out和转移概率是不可行的，我们需要从读数中提取出噪声信息，获得更准确的相位值范围，最终体现在这两个概率值上。

然而相位值一直处于剧烈变化，因此我们无法直接提取出噪声信息。所以我们转而先估计出RSSI的噪声，再转化为相位的噪声，这里利用的是公式(8)和相位与距离之间的关系：

其中λ₂是载波频率的波长，θ表示相位，c表示硬件特性相关的因子导致的相位值变化量之和，θ_T、θ_R、和θ_TAG分别表示阅读器的发射端、阅读器的接收端和标签本身的硬件引入的额外的相位变化量。

而RSSI的噪声同样可以利用旋转轨迹上的对称点得到。图8当中的p₃和p₄不仅相位值相同，理论上RSSI值应该也是相同的，因为他们相对于天线的距离相等。因此他们之间RSSI值的差异就可以认为是RSSI的噪声水平，也就是相位在0到2π的范围内，对应RSSI差异最小的部分。

图9是我们实现系统和测试性能中所用的所有设备。我们使用一个转速为10000RPM的离心机和一个转速为1RPM转台代表不同转速的旋转机械。在这两个设备的转子表面上，我们贴上Alien UHF的被动RFID标签。同时，我们将一个ImpinJ Speedway R420RFID阅读器和一个Laird圆极化天线放在对面，用于接收标签返回的信号。系统使用LLRP协议，工作在920-926 MHz的频段。采样频率为40Hz。

为了测试系统性能，我们主要关注以下三个指标：真阳率(TPR)、假阳率(FPR)和延时。TPR代表系统检测到偏心当中正确的比例，FPR代表系统没有检测到偏心当中错误的比例，延时代表从偏心发生到系统发出警报的时间。设置的参数主要有：精度(△d)、初始距离(d)和噪声(m)。△d代表我们要检测的最小偏移量，d代表在部署系统时天线和标签之间的初始距离，m代表实验环境的噪声水平。

在训练阶段，我们会在初始位置收集一分钟的数据。在测试阶段，我们会将标签向靠近和远离天线两个方向移动一定距离，在目标位置反复采集10次数据，每次5秒钟。

图10展示了该系统的准确率，我们将离心机放置在距离天线6cm的地方，将△d从1变化至7mm，最终得到平均TPR为93.59％，平均FPR为4.88％。当标签靠近天线时，平均TPR可以达到90.76％，平均FPR为9.76％。当Δd为1mm时TPR为85.01％，FPR为16.14％；随着△d增加，TPR逐渐升高，FPR逐渐降低，这是因为△d越大，造成的RSSI和相位值变化就更显著。当标签远离天线时，系统性能更好，这是因为可能出现一段时间内都没有E点的情况，此时会自动判定发生偏移。

我们也在相同的条件下度量了系统的实时性，结果如图11中的(a)部分所示。可以看到观测个数越小，延时越短，比如当观测个数为1时，延时仅为0.1615秒。这说明误判造成的时间成本比多观察一个采样点是少的。但观测点数过少也会造成准确率较低，由此带来的不必要的系统停转会造成不小的经济损失。考虑到这一点，我们认为观测4个采样点是较为合适的。此外，天线和标签之间的距离也会影响延时。如图11中的(b)部分所示，当标签靠近天线，延时降低。这是因为E点的个数会减少，因而Int的期望值升高。

其次是噪声的影响及处理。我们将d设置为8cm，并让标签远离天线，分别在干净的环境以及有干扰(有人在设备旁走动)的环境中采集数据，用以测试噪声处理模块的效果。图12展示了实验结果，可以看到当环境噪声变大时，FPR上升，而加入噪声处理之后，FPR又回到正常水平，这说明噪声处理模块起到了一定的效果。

参看图13，本实施例公开一种基于RFID的旋转机械偏心检测装置，包括：

读取单元1，用于周期性读取RFID标签返回的信号，其中，所述RFID标签贴在旋转机械的转子表面，所述信号包括信号强度、相位值和时间；

计算单元2，用于通过估计偏心前后两个特征的概率分布，将连续读取的多个E点中相邻E点之间的时间间隔和相位差对对应的序列转换为未偏心和偏心情况下的状态序列，并计算未偏心情况下所述未偏心情况下的状态序列出现的概率，以及偏心情况下所述偏心情况下的状态序列出现的概率，其中，所述两个特征包括相邻E点之间的时间间隔和相位差，所述E点为对应的信号强度值不小于预设数值的采样点；

判断单元3，用于根据所述未偏心情况下所述未偏心情况下的状态序列出现的概率计算偏心未发生的概率，根据所述偏心情况下所述偏心情况下的状态序列出现的概率计算偏心发生的概率，在判断获知所述偏心发生的概率大于所述偏心未发生的概率时确定偏心发生。

本发明实施例提供的基于RFID的旋转机械偏心检测装置，将RFID标签贴在旋转机械转子表面，使得标签以相同的速度与转子一起旋转，周期性读取RFID标签返回的信号，通过估计偏心前后两个特征的概率分布，将连续读取的多个E点中相邻E点之间的时间间隔和相位差对对应的序列转换为未偏心和偏心情况下的状态序列，并计算未偏心情况下所述未偏心情况下的状态序列出现的概率，以及偏心情况下所述偏心情况下的状态序列出现的概率，根据所述未偏心情况下所述未偏心情况下的状态序列出现的概率计算偏心未发生的概率，根据所述偏心情况下所述偏心情况下的状态序列出现的概率计算偏心发生的概率，在判断获知所述偏心发生的概率大于所述偏心未发生的概率时确定偏心发生，相较于现有技术，该方案能够在标签高速旋转的场景下，仅通过几个采样点的数值判断出是否发生偏心，达到偏心检测的准确、实时的要求，且具有普遍性强、非侵入式和低成本的特点。

虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (8)

1.一种基于RFID的旋转机械偏心检测方法，其特征在于，包括：

S1、周期性读取RFID标签返回的信号，其中，所述RFID标签贴在旋转机械的转子表面，所述信号包括信号强度、相位值和时间；

S2、通过估计偏心前后两个特征的概率分布，将连续读取的多个E点中相邻E点之间的时间间隔和相位差对对应的序列转换为未偏心情况下的状态序列和偏心情况下的状态序列，并计算未偏心情况下所述未偏心情况下的状态序列出现的概率，以及偏心情况下所述偏心情况下的状态序列出现的概率，其中，所述两个特征包括相邻E点之间的时间间隔和相位差，所述E点为对应的信号强度值不小于预设数值的采样点；

S3、根据所述未偏心情况下所述未偏心情况下的状态序列出现的概率计算偏心未发生的概率，根据所述偏心情况下所述偏心情况下的状态序列出现的概率计算偏心发生的概率，在判断获知所述偏心发生的概率大于所述偏心未发生的概率时确定偏心发生。

2.根据权利要求1所述的方法，其特征在于，未偏心情况下时间间隔的概率分布为其中，Int_i为第i个时间间隔，S_a为采样间隔的平均值，R_E是E点对应的RSSI取值范围，R_RSSI为所有观测到的RSSI值的取值范围，

未偏心情况下相位差的概率分布为其中，Diff_i为第i个相位差，E点对应的相位值范围为[α,β]，△在未偏心情况下取0，m表示相位的噪声，根据弗林斯传输方程，以及相位与距离之间的关系确定，所述弗林斯传输方程为p_R(d,θ)表示RFID标签返回的信号接收装置接收到的功率，d表示天线和标签之间的距离，θ表示标签和天线极化角之间的角度，P_T表示所述接收端的发射功率，G_TR表示所述接收端天线的增益，G_t表示标签天线的增益，λ₂表示载波频率的波长，X(θ)表示极化失配函数，l为d的指数，通过对标签旋转轨迹上至少两个不同位置对应的RSSI值以及标签和天线之间的距离拟合得到，所述相位与距离之间的关系为c表示硬件特性相关的因子导致的相位值变化量之和，θ_T、θ_R、和θ_TAG分别表示RFID标签返回的信号接收装置的发射端、RFID标签返回的信号接收装置的接收端和标签本身的硬件引入的额外的相位变化量，噪声服从正态分布N(0,σ)，σ是方差，Φ(·)为标准正态分布的概率密度函数，

其中，所述通过估计偏心前后两个特征的概率分布，将连续读取的多个E点中相邻E点之间的相位差和时间间隔对对应的序列转换为未偏心和偏心情况下的状态序列，包括：

根据所述未偏心情况下时间间隔的概率分布和未偏心情况下相位差的概率分布确定第一区间和第二区间，根据所述相位差和时间间隔对(Int_i,Diff_i)中Int_i和Diff_i分别与所述第一区间和第二区间的关系，将所述相位差和时间间隔对(Int_i,Diff_i)转换为预设的状态集合中一个状态，从而得到未偏心情况下的状态序列S_n＝{S_n-1,S_n-2,…,S_n-w+1}，其中，i∈(1,2,…,w-1)，w为连续观测的多个采样点数量，所述状态集合包括状态S_IS_D、和所述S_IS_D表示对应的相位差和时间间隔对分别在所述第一区间和第二区间内，所述表示对应的相位差和时间间隔对中相位差在所述第一区间外，时间间隔在所述第二区间内，所述表示对应的相位差和时间间隔对中相位差在所述第一区间内，时间间隔在所述第二区间外，所述表示对应的相位差和时间间隔对分别在所述第一区间和第二区间外，S_n中各个元素属于所述状态集合。

3.根据权利要求2所述的方法，其特征在于，所述计算未偏心情况下所述未偏心情况下的状态序列出现的概率，包括：

计算未偏心情况下所述未偏心情况下的状态序列S_n＝{S_n-1,S_n-2,…,S_n-w+1}出现的概率PoC^Unecc(S_n)，计算公式为其中， 表示未偏心情况下状态S_i转移到状态S_i-1的概率， p(X₁|X₂)表示未偏心情况下从X₁转移到X₂的概率，p(Y₁|Y₂)表示未偏心情况下从Y₁转移到Y₁的概率，p_s表示未偏心情况下的状态序列s出现的概率，S表示未偏心情况下的所有状态序列的集合，|S|表示集合S中元素的数量，表示在所有p_s(s∈S)中的排名。

4.根据权利要求3所述的方法，其特征在于，所述根据所述未偏心情况下所述未偏心情况下的状态序列出现的概率计算偏心未发生的概率，包括：

根据所述未偏心情况下所述未偏心情况下的状态序列出现的概率计算偏心未发生的概率PUnecc(S_n)，计算公式为，其中，表示(Int_i,Diff_i)出现时所代表的未偏心的概率，p(ecc)表示偏心发生的概率，p(Int_i,Diff_i)表示(Int_i,Diff_i)出现的概率。

5.一种基于RFID的旋转机械偏心检测装置，其特征在于，包括：

读取单元，用于周期性读取RFID标签返回的信号，其中，所述RFID标签贴在旋转机械的转子表面，所述信号包括信号强度、相位值和时间；

计算单元，用于通过估计偏心前后两个特征的概率分布，将连续读取的多个E点中相邻E点之间的时间间隔和相位差对对应的序列转换为未偏心情况下的状态序列和偏心情况下的状态序列，并计算未偏心情况下所述未偏心情况下的状态序列出现的概率，以及偏心情况下所述偏心情况下的状态序列出现的概率，其中，所述两个特征包括相邻E点之间的时间间隔和相位差，所述E点为对应的信号强度值不小于预设数值的采样点；

判断单元，用于根据所述未偏心情况下所述未偏心情况下的状态序列出现的概率计算偏心未发生的概率，根据所述偏心情况下所述偏心情况下的状态序列出现的概率计算偏心发生的概率，在判断获知所述偏心发生的概率大于所述偏心未发生的概率时确定偏心发生。

6.根据权利要求5所述的装置，其特征在于，未偏心情况下时间间隔的概率分布为其中，Int_i为第i个时间间隔，S_a为采样间隔的平均值，R_E是E点对应的RSSI取值范围，R_RSSI为所有观测到的RSSI值的取值范围，

未偏心情况下相位差的概率分布为其中，Diff_i为第i个相位差，E点对应的相位值范围为[α,β]，△在未偏心情况下取0，m表示相位的噪声，根据弗林斯传输方程，以及相位与距离之间的关系确定，所述弗林斯传输方程为p_R(d,θ)表示RFID标签返回的信号接收装置接收到的功率，d表示天线和标签之间的距离，θ表示标签和天线极化角之间的角度，P_T表示所述接收端的发射功率，G_TR表示所述接收端天线的增益，G_t表示标签天线的增益，λ₂表示载波频率的波长，X(θ)表示极化失配函数，l为d的指数，通过对标签旋转轨迹上至少两个不同位置对应的RSSI值以及标签和天线之间的距离拟合得到，所述相位与距离之间的关系为θ表示相位，c表示硬件特性相关的因子导致的相位值变化量之和，θ_T、θ_R、和θ_TAG分别表示RFID标签返回的信号接收装置的发射端、RFID标签返回的信号接收装置的接收端和标签本身的硬件引入的额外的相位变化量，噪声服从正态分布N(0,σ)，σ是方差，Φ(·)为标准正态分布的概率密度函数，

其中，所述计算单元，具体用于：

根据所述未偏心情况下时间间隔的概率分布和未偏心情况下相位差的概率分布确定第一区间和第二区间，根据所述相位差和时间间隔对(Int_i,Diff_i)中Int_i和Diff_i分别与所述第一区间和第二区间的关系，将所述相位差和时间间隔对(Int_i,Diff_i)转换为预设的状态集合中一个状态，从而得到未偏心情况下的状态序列S_n＝{S_n-1,S_n-2,…,S_n-w+1}，其中，i∈(1,2,…,w-1)，w为连续观测的多个采样点数量，所述状态集合包括状态S_IS_D、和所述S_IS_D表示对应的相位差和时间间隔对分别在所述第一区间和第二区间内，所述表示对应的相位差和时间间隔对中相位差在所述第一区间外，时间间隔在所述第二区间内，所述表示对应的相位差和时间间隔对中相位差在所述第一区间内，时间间隔在所述第二区间外，所述表示对应的相位差和时间间隔对分别在所述第一区间和第二区间外，S_n中各个元素属于所述状态集合。

7.根据权利要求6所述的装置，其特征在于，所述计算单元，具体用于：

计算未偏心情况下所述未偏心情况下的状态序列S_n＝{S_n-1,S_n-2,…,S_n-w+1}出现的概率PoC^Unecc(S_n)，计算公式为其中， 表示未偏心情况下状态S_i转移到状态S_i-1的概率， p(X₁|X₂)表示未偏心情况下从X₁转移到X₂的概率，p(Y₁|Y₂)表示未偏心情况下从Y₁转移到Y₁的概率，p_s表示未偏心情况下的状态序列s出现的概率，S表示未偏心情况下的所有状态序列的集合，|S|表示集合S中元素的数量，表示在所有p_s(s∈S)中的排名。

8.根据权利要求7所述的装置，其特征在于，所述判断单元，具体用于：

根据所述未偏心情况下所述未偏心情况下的状态序列出现的概率计算偏心未发生的概率PUnecc(S_n)，计算公式为，其中，表示(Int_i,Diff_i)出现时所代表的未偏心的概率，p(ecc)表示偏心发生的概率，p(Int_i,Diff_i)表示(Int_i,Diff_i)出现的概率。