CN108680244A - 一种旋转机械振动无线监测装置及方法 - Google Patents
一种旋转机械振动无线监测装置及方法 Download PDFInfo
- Publication number
- CN108680244A CN108680244A CN201810382135.7A CN201810382135A CN108680244A CN 108680244 A CN108680244 A CN 108680244A CN 201810382135 A CN201810382135 A CN 201810382135A CN 108680244 A CN108680244 A CN 108680244A
- Authority
- CN
- China
- Prior art keywords
- data
- value
- module
- axis acceleration
- rotating machinery
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明公开了一种旋转机械振动无线监测装置及方法,该装置包括外壳和安装在外壳内的微处理器、三轴加速度检测模块、温度检测模块、电源管理模块、通讯模块和电池;三轴加速度检测模块、温度检测模块、电源管理模块和通讯模块均与微处理器连接;本发明装置可以实现定时对旋转机械的振动测量,获得三轴加速度峰峰值、速度有效值、位移真峰值、温度值和电压值等有效数据,并将数据发送到监控端,如果数据不正常,将高频采样数据传送到监控端,通过傅里叶变换获得频域信息,远程进行故障诊断。本发明装置可以实现对大量旋转机械实时数据化管理,及时发现问题并节省人力成本,同时该装置采用系统化低功耗设计,在正常工作情况下持续工作时间较长。
Description
技术领域
本发明涉及检测传感技术,尤其涉及一种应用于化工行业旋转机械振动无线监测装置及方法。
背景技术
旋转机械应用在国民经济的各行各业,工厂的机床、水泵、发电机,农业的各种自动化机械设备以及路面上的机动车辆、水中的各型船舶、空中的飞行器等,旋转机械都具有非常重要的作用和不可替代的地位,但是作为持久性的设备,旋转机械的稳定性、可靠性都极大程度的影响到了生活生产,在大型工业生产现场,关键生产处旋转机械出现故障,轻则迫使生产中断,严重的则会引发严重事故,造成重大损失。而针对旋转机械的使用性能,相关部门依据振动幅度制定了相应的国家标准,以此判定一台旋转机械的工作状态是否健康,为维修与运行提供意见。
目前在大多数实际应用场所,主要的手段都是通过手持式振动检测仪定时对旋转机械进行巡检诊断,巡检员将手持式检测仪吸附在旋转机械轴承处,以获得该时刻的旋转机械振动信息。
该手段不能及时有效地发现存在问题旋转机械的有效信息,而且需要一定数量的巡检员。而安装有线振动检测传感器则涉及到在大厂区内,所需要铺设的线路过长、安装费用过高以及安装方式复杂等因素限制。采用无线式振动检测装置则可以有效的减少铺设线路的浪费以及对于工厂设施的改造,无线振动检测装置由于采用电池提供电源,所以低功耗是设计难点。
发明内容
为了满足实际工业需求以及克服现有检测设备存在的问题,本发明提出一种旋转机械振动无线监测装置,该装置能够直接提供丰富的振动分析结果给监控端,还能够提旋转机械检测处的温度,为监控端提供更多的判断依据。一般的无线通讯受到通讯距离与功耗的限制,不能够应用在要求低功耗、大范围并且结构复杂的场所,本发明涉及最新的LoRa通讯技术以及合理的低功耗策略,从而实现长时间稳定工作。
本发明的目的是通过以下技术方案来实现的:一种旋转机械振动无线监测装置,该装置包括外壳和安装在外壳内的微处理器、三轴加速度检测模块、温度检测模块、电源管理模块、通讯模块和电池;所述三轴加速度检测模块、温度检测模块、电源管理模块和通讯模块均与微处理器连接;所述电池通过稳压电路连接微处理器,并与电源管理模块连接;所述通讯模块包括板状天线和LoRa无线模块;
所述微处理器接收三轴加速度检测模块采集的实时三轴加速度值,将采集的三轴加速度值通过滤波以及积分处理获得速度以及位移值,并通过计算得到三轴加速度峰峰值、速度有效值以及位移真峰值;接收温度检测模块采集的实时温度信息,采集多次求平均得到当前温度值;接收电源管理模块采集的当前电池电压值;在一次采样结束后,通过通讯模块将三轴加速度峰峰值、速度有效值、位移真峰值、温度值和电压值一并发送给监控端;所述微处理器所有使用的管脚均外接上拉100k电阻,下拉100k电阻,所有不使用的管脚均接地,从而有效降低功耗,有效延长电池更换周期;
所述通讯模块和三轴加速度检测模块的电源接口处均连接NMOS管,通过NMOS管控制通断;在监测装置进入待机模式前,通过控制NMOS管关闭三轴加速度检测模块与通讯模块的电源,在监测装置从待机模式唤醒后,通过控制NMOS管打开三轴加速度检测模块与通讯模块的电源;通过NMOS管的控制,降低监测装置在待机状态下的功耗,有效延长电池更换周期;
所述外壳的底部设有电池安装螺纹孔,内部放置横截面为倒T形的金属板,金属板的横板一侧与外壳底部固定连接,另一侧伸出外壳,与旋转机械的轴承保护罩固定连接,金属板的竖板与外壳的一个侧壁平行且具有间隙,竖板上固定电路板,微处理器、三轴加速度检测模块、LoRa无线模块、电源管理模块均安装在电路板上;温度检测模块通过导热硅与金属板接触;外壳的另一个侧壁设有天线卡槽,天线卡槽内安装板状天线,保证通讯频段的精确性,提高通讯的稳定性;
所述监控端利用历史数据,采用在线自组织超限学习机(OSO-ELM),对旋转机械未来一段时间运行状态进行预测,并根据预测结果,对旋转机械维护进行预判。由于极限学习机采用随机产生神经网络内核的方式,快速实现神经网络的训练与学习,大大节省了一般神经网络输入层到隐含层参数的训练时间成本,并且该方法的预测效果好,模型结构简单。由于输入层到隐含层的参数随机产生,以及隐含层神经元的数量都会影响到神经网络的最终输出效果,所以本发明针对该方法进行数据预处理、神经元数量自调整、多种内核神经网络共同预测的方法提高预测结果的精度。具体方法如下:
(1)对历史数据进行归一化处理,获得输入数据;
(2)选用n种内核作为神经网络的激励函数(诸如RBF函数、sigmod函数、sim函数等),分别组成n个神经网络,每个神经网络初始时分别设置m个神经元节点,针对每一种神经网络,其输入层到隐含层的参数生成都具有一定的规律,根据各种神经网络参数选择规律随机产生参数,则隐含层的输出如下所示,
式(1)中,gi为第i种激励函数,分别为输入层到隐含层的权重和偏移值,表示输入层到隐含层所对应的参数总量,X为神经网络输入数据,一共有N0组输入数据,Hi0为第i种激励函数神经网络隐含层初次迭代时的输出(i=1,2...,n);
(3)根据国家电机故障诊断标准,不同状态可对应不同的电机工作状态,则根据历史数据划分等级得到目标历史数据的输出T0为:
式(2)中,ti(i=1,2,….,N0)为第i组目标历史数据的输出;
(4)在得到步骤(2)与步骤(3)的前提下,采用广义逆计算方法对步骤(2)与步骤(3)进行处理得到隐含层到输出层的权重值:
其中 为第i种激励函数神经网络的隐含层到输出层的初始权重矩阵;
(5)在获得输出层初始权重后,n种激励函数神经网络都可以针对未来进行预测,将n种激励函数神经网络的预测结果求平均作为参考预测值;
(6)根据各自预测结果分别与实际结果进行比较,如果综合误差大于δ(一般结合实际需求作调整,具体数值保持在5%以下),则该激励函数的神经网络结构需要随机增加p个隐含层节点(p的取值一般以5的倍数增加,视具体情况合理调整),并不断训练,直到误差小于δ,基于该激励函数的初始化完成;
(7)当获取到第k组新数据,即进行到第k次迭代时,除了目标输出需要更新,隐含层到输出层的权重值也需要进行更新迭代,第k次迭代更新如下所示:
(8)OS-ELM(在线超限学习机)方法根据隐含层到输出层的权重迭代,可以实现在线预测,与其他神经网络比较,避免了由于参数的初始化不当所带来的故障以及参数基于梯度下降法更新所带来的训练时间过长等问题。本发明在OS-ELM的基础上进行了创新,提出了OSO-ELM(在线自组织超限学习机)的预测方法,在实际应用中会有更强的实用性。
进一步地,所述通讯模块通过无线网络连接网关,网关通过轮询的方式获得监测装置采集的数据,通过中继模块实现跳传或者传输到以太网,从而增大通讯距离并提高通讯网络的稳定性;在数据无法有效发送的情况下,监测装置将数据暂时存储在存储器中,等待通讯正常时发送,避免因极端天气对监测的影响。
进一步地,所述三轴加速度检测模块在采集得到设定采样时间的数据后,将数据通过微处理器保存在EEPROM中,利用微处理器通过数字带通滤波器得到10~~1000Hz内的有效数据,排除一系列的干扰信息,通过龙贝格积分公式获得速度值与位移值,并通过计算得到三轴加速度峰峰值、速度有效值以及位移真峰值一共9个特征数据,大大压缩了数据量,降低了通讯模块发送数据量,有效降低功耗,同时减小了监控端与网关的数据处理量,避免数据冲突等错误的发生。
进一步地,所述三轴加速度检测模块在采集得到设定采样时间的数据后,将处理的结果值传回监控端,而当数据超过设定阈值后,三轴加速度检测模块将设定采样时间的所有数据上传至监控端,由监控端将接收数据利用傅里叶变换转为频域,并利用专家诊断系统对故障进行分析,从而指导现场进行旋转机械的停机维修。
一种旋转机械振动无线监测方法,包括以下步骤:
(1)设定监测装置的唤醒时间,到达唤醒时间时,执行步骤(2)进行采样处理,否则进入待机状态;
(2)监测装置唤醒后,控制NMOS管为通讯模块与三轴加速度检测模块提供电源;
(3)通过三轴加速度检测模块以设定采样频率检测三轴加速度值,通过微处理器将三轴加速度值保存在EEPROM中,利用微处理器将数据通过滤波以及积分处理获得速度以及位移值,并通过计算得到三轴加速度峰峰值、速度有效值以及位移真峰值;
(4)通过温度检测模块以及电源管理模块分别获得温度值与电池电压值;
(5)一次采样后,通过通讯模块将三轴加速度峰峰值、速度有效值、位移真峰值、温度值以及电压值一并发送到监控端,监控端返回确认值说明收到数据,否则说明没有收到数据,数据保存等待下一次唤醒时一并发送;
(6)控制NMOS管为通讯模块与三轴加速度检测模块断开电源,检测装置进入待机状态。
进一步地,所述步骤(3)中,利用微处理器将数据首先通过kalman滤波器过滤系统噪声以及测量噪声,其次通过IIR数字带通滤波处理去除低频与高频无用信息,并将数据的前1/4丢弃,因为该段数据受滤波器参数训练,滤波不完整,此外将滤波后的数据利用龙贝格数值积分得到速度与位移。
本发明的有益效果是:本发明装置能够直接提供丰富的振动分析结果给监控端,还能够提旋转机械检测处的温度,当旋转机械检测数据任意值超过阈值时,本发明装置将原始数据传送到监控端,由监控端在频域进行进一步分析,同时根据历史数据结合OSO-ELM预测方法,对未来某一时间段的旋转机械工作状态进行预测,为监控端提供更多的判断依据,做到了在线故障检测以及提前预知电机工作状态,降低了旋转机械由于故障对工业生产所带来的风险,并且避免了人工巡检所带来的不足。本发明采用最新的LoRa通讯技术以及合理的低功耗策略,从而实现长时间稳定工作。
附图说明
图1本发明旋转机械振动无线监测装置结构原理图;
图2本发明微处理器电路原理图;
图3本发明三轴加速度检测模块和温度检测模块电路原理图;
图4本发明通讯模块电路原理图;
图5本发明电源管理模块电路原理图;
图6本发明金属板结构图;
图7本发明外壳及内部结构安装图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
如图1-5所示,本发明提供的一种旋转机械振动无线监测装置,该装置包括外壳和安装在外壳内的微处理器、三轴加速度检测模块、温度检测模块、电源管理模块、通讯模块和电池;所述三轴加速度检测模块、温度检测模块、电源管理模块和通讯模块均与微处理器连接;所述电池通过稳压电路连接微处理器,并与电源管理模块连接;所述通讯模块包括板状天线和LoRa无线模块;
所述微处理器接收三轴加速度检测模块采集的实时三轴加速度值,将采集的三轴加速度值通过滤波以及积分处理获得速度以及位移值,并通过计算得到三轴加速度峰峰值、速度有效值以及位移真峰值;接收温度检测模块采集的实时温度信息,采集多次求平均得到当前温度值;接收电源管理模块采集的当前电池电压值,电压检测可以提前了解电池工作状态,避免设备因为缺电停止工作;在一次采样结束后,通过通讯模块将三轴加速度峰峰值、速度有效值、位移真峰值、温度值和电压值一并发送给监控端;所述微处理器所有使用的管脚均外接上拉100k电阻,下拉100k电阻,所有不使用的管脚均接地,从而有效降低功耗,有效延长电池更换周期;
因为通讯模块和三轴加速度检测模块的耗电量在待机状态下较高,在通讯模块和三轴加速度检测模块的电源接口处均连接NMOS管,通过NMOS管控制通断;在监测装置进入待机模式前,通过控制NMOS管关闭三轴加速度检测模块与通讯模块的电源,在监测装置从待机模式唤醒后,通过控制NMOS管打开三轴加速度检测模块与通讯模块的电源;通过NMOS管的控制,比三轴加速度检测模块与通讯模块的低功耗实现更低的功耗,降低监测装置在待机状态下的功耗,有效延长电池更换周期;
如图6、7所示,所述外壳可采用特氟龙材料,保证检测通讯不受影响,同时可以保证装置的结构功能需求。外壳的底部设有电池安装螺纹孔,内部放置横截面为倒T形的金属板,金属板的横板一侧与外壳底部固定连接,另一侧伸出外壳,与旋转机械的轴承保护罩固定连接,金属板的竖板与外壳的一个侧壁平行且具有间隙,竖板上固定电路板,微处理器、三轴加速度检测模块、LoRa无线模块、电源管理模块均安装在电路板上,保证三轴加速度检测模块可以准确检测出轴承保护罩处的振动信息;温度检测模块通过导热硅与金属板接触,通过金属传热准确测量旋转设备的温度,而不必要将温度检测模块直接装在旋转机械设备上,进一步提高了装置的防护性能;外壳的另一个侧壁设有天线卡槽,天线卡槽内安装板状天线,由于装置安装在旋转旋转机械上,利用一般弹簧天线无法保证铜须频段的稳定性,从而影响通讯距离,而采用板块天线保证了通讯频段的精确性,可以明显提高通讯的稳定性。
进一步地,所述通讯模块通过无线网络连接网关,网关通过轮询的方式获得监测装置采集的数据,通过中继模块实现跳传或者传输到以太网,从而增大通讯距离并提高通讯网络的稳定性;在数据无法有效发送的情况下,监测装置将数据暂时存储在存储器中,等待通讯正常时发送,避免因极端天气对监测的影响。
进一步地,所述三轴加速度检测模块在采集得到设定采样时间的数据后,将数据通过微处理器保存在EEPROM中,利用微处理器通过数字带通滤波器得到10~~1000Hz内的有效数据,排除一系列的干扰信息,通过龙贝格积分公式获得速度值与位移值,并通过计算得到三轴加速度峰峰值、速度有效值以及位移真峰值一共9个特征数据,大大压缩了数据量,降低了通讯模块发送数据量,有效降低功耗,同时减小了监控端与网关的数据处理量,避免数据冲突等错误的发生。
进一步地,所述三轴加速度检测模块在采集得到设定采样时间的数据后,将处理的结果值传回监控端,而当数据超过设定阈值后,三轴加速度检测模块将设定采样时间的所有数据上传至监控端,由监控端将接收数据利用傅里叶变换转为时域,并利用专家诊断系统对故障进行分析,从而指导现场进行旋转机械的停机维修。
所述监控端根据历史数据,采用在线自组织超限学习机(OSO-ELM)对旋转机械未来一段时间工作状态进行预测,由于极限学习机采用随机产生神经网络输入层到隐含层参数的方式,快速实现神经网络的训练与学习,大大节省了参数训练时间成本,并且该方法的预测效果好,模型结构简单,由于输入层至隐含层的参数随机产生以及隐含层神经元的数量这些因素都会影响到神经网络的最终输出效果,所以本发明针对该方法提出增加数据预处理、神经元数量自调整、多种内核神经网络共同预测等方法降低因为隐含层参数随机产生带来的影响,并在初始化的时候确定合适的神经元数量。该方法与其他神经网络的比较中,避免了由于参数的初始化不当所带来的故障以及参数基于梯度下降法更新所带来的训练时间过长等问题,在实际应用中会有更强的实用性。
一种旋转机械振动无线监测方法,包括以下步骤:
(1)设定监测装置的唤醒时间,到达唤醒时间时后,执行步骤(2)进行采样处理,否则进入待机状态;
(2)监测装置唤醒后,控制NMOS管为通讯模块与三轴加速度检测模块提供电源;
(3)通过三轴加速度检测模块以设定采样频率检测三轴加速度值,通过微处理器将三轴加速度值保存在EEPROM中,利用微处理器将数据通过滤波以及积分处理获得速度以及位移值,并通过计算得到三轴加速度峰峰值、速度有效值以及位移真峰值;
(4)通过温度检测模块以及电源管理模块分别获得温度值与电池电压值;
(5)一次采样后,通过通讯模块将三轴加速度峰峰值、速度有效值、位移真峰值、温度值以及电压值一并发送到监控端,监控端返回确认值说明收到数据,否则说明没有收到数据,数据保存等待下一次唤醒时一并发送;
(6)控制NMOS管为通讯模块与三轴加速度检测模块断开电源,检测装置进入待机状态。
进一步地,所述步骤(3)中,利用微处理器将数据首先通过kalman滤波器过滤系统噪声以及测量噪声,其次通过IIR数字带通滤波处理去除低频与高频无用信息,并将数据的前1/4丢弃,因为该段数据受滤波器参数训练,滤波不完整,此外将滤波后的数据利用龙贝格数值积分得到速度与位移。
实施例1:
1)微处理器主要以STM32L152型号单片机为主,包括振动原始信息的获取存储与处理、温度数据获取与处理、控制处理结果的最终输出。STM32L152系列芯片具有最高32MHz工作频率,具有快速的计算处理速度,满足采样以及处理需求。该系列单片机拥有丰富的外围接口,其中包括有2个SPI接口,3个USART接口,5个时钟源,以及2个12位ADC数模转换器(每个数模转换器多达16个输入通道)。其中加速度传感器占用一个SPI通讯接口,电源管理单元和温度传感器分别占用一个ADC数模转换接口,LoRa通讯占用一个USART接口,EEPROM扩展模块占用一个I2C接口。因为采样速率较大,所以为了能够满足数据的存储,采用512Kbit的EEPROM存储加速度采样值。通过微处理器以及附带电路,该发明可以实现针对三轴加速度检测原始值、温度值、电压测量值的获取,并对相应的数据进行存储或处理,通过串口将结果发送给LoRa模块,而为了实现低功耗,所有使用端口上下接100K电阻,并置于开漏模式,放弃微处理器内部的10k电阻。同时将所有未使用的管脚统统接地,以降低芯片的额外损耗,提高电池的供电寿命,降低更换电池的频率。
2)三轴加速度检测模块采用型号为ADXL345的数字式三轴加速度传感器。该型号的振动传感器量程可选有±2g,±4g,±8g,±16g,数据传送速率最高可达3.2KHz,输出16位二进制补码,通过SPI数字接口访问,因为采用SPI通讯最高可达3.2kHz,而I2C通讯受到自身的通讯速率限制,最高只能达到800Hz左右,无法满足需求,故在设计之初即不考虑I2C的通讯方式,同时由于芯片自身带有漂移误差,所以在初始化时即通过多次测量平均将漂移误差消除,对该芯片可通过指令实现控制其休眠状态,以实现在非工作时间芯片处于低功耗状态,同时在结束采样周期后通过NMOS管控制电压,从而使得三轴加速度传感器断开电压,在下一次唤醒后,通过NMOS管控制得到电压。
3)温度检测模块采用铂电阻电桥测温,利用铂电阻的温度—电阻特性,结合电桥电路,获得变化压差,通过单片机ADC采样间接获得温度信息。另外本发明涉及另一个通过ADC采样获得信息的是电源管理模块,由于采用电池供电,需要及时更换电池,所以在电路中设计增加电源管理模块,通过放大电路检测电压值,并通过ADC采样,获得电压信息,判断电池是否需要更换,提前预知电量情况,避免因为断电影响工作。
4)通讯模块采用于2013年由semtech公司设计的基于LoRa通讯协议的SX1278芯片,基于LoRa通讯协议的SX1278理想状态下可以在郊区视距达到5KM,城市中心达到3KM,而且功耗低,在睡眠状态下仅仅微安级电流,是理想的远距离通讯方式。在工作状态下控制NMOS管为通讯模块提供电压,非工作状态通过控制NMOS管为通讯模块断开电压,从而从根本上减少了非必要功耗的产生,延长了电池的使用寿命。
5)电源模块包括有电池与附带电路,由于在工业环境中,需要保持电池的稳定性与持久性,所以选用工业锂亚电池,该类电池容量大,寿命长,可以保持十年稳定工作,但由于该电池电压具有滞后性,所以在使用锂亚电池的时候,需要利用大电容改善电压滞后的特点。此外,针对低功耗设计,在电源模块中增加芯片式开关,通过开关的控制,可以将在休眠模式下除了单片机以外的模块全都断电,而在工作状态下所有的模块正常工作,从而进一步降低了整体的功耗,从而使得一节CC工业锂电池可以工作一年的时间。
6)具体烧录与测试步骤如下所述,通过ST-Link将测试程序烧录进单片机,利用串口接口检测温湿度、三轴加速度传感器以及电压测量模块是否正常工作,以及参数是否正常,如果正常则进行天线调试,如果不正常则需要对各模块进行单独测试并进行纠偏。通过STM8烧录器将LoRa程序烧录进LoRa通讯芯片。通过矢网分析仪检测天线阻抗比是否匹配,经测试通讯距离需要达到1km以上,如没有达到则需要对天线进行改动以及对容抗比进行调整。检测终端连接完成后,通过LoRa协议将检测数据返回网关,网关在接收到数据后,进行删选,将不符合格式的数据剔除,符合要求的数据保存在数据库,并显示在网页客户端。在完成测试后,则将具有待机低功耗功能的程序烧录进主电路板中。
6)本发明策略为每隔三十分钟发送一次振动信息,其余大部分时间处于待机状态,工作状态下以3200Hz的采样频率实时获得0.5s的三轴加速度值,并将大量数据通过微处理器存储在EEPROM中,之后并将数据采用数字IIR带通滤波对原始数据进行处理去除低频噪声与高频噪声,得到10~~1000Hz带通内有效数据,排除了一系列的干扰信息,并将数据的前1/4丢弃,因为该段数据受滤波器参数训练,滤波不完整。同时采用龙贝格数值积分分别获取实时三轴速度值与位移值。并通过加速度峰峰值、速度有效值与位移真峰值定义,计算出三轴加速度峰峰值、速度有效值、位移真峰值结果。通过通过ADC采样获得温度以及电压采样值,通过不同的换算得到实际值,将结果一并通过LoRa模块发送至网关监控端,监控端返回确认值,表示收到数据,如果振动检测装置没有收到确认值,则说明此次发送不成功,等待下次发送时,一并将本次结果发送,监控端接收到的数据通过监控界面更新显示,用这样的方式降低极端天气如大雨等对通讯的影响。
Claims (6)
1.一种旋转机械振动无线监测装置,其特征在于,该装置包括外壳和安装在外壳内的微处理器、三轴加速度检测模块、温度检测模块、电源管理模块、通讯模块和电池;所述三轴加速度检测模块、温度检测模块、电源管理模块和通讯模块均与微处理器连接;所述电池通过稳压电路连接微处理器,并与电源管理模块连接;所述通讯模块包括板状天线和LoRa无线模块;
所述微处理器接收三轴加速度检测模块采集的实时三轴加速度值,将采集的三轴加速度值通过滤波以及积分处理获得速度以及位移值,并通过计算得到三轴加速度峰峰值、速度有效值以及位移真峰值;接收温度检测模块采集的实时温度信息,采集多次求平均得到当前温度值;接收电源管理模块采集的当前电池电压值;在一次采样结束后,通过通讯模块将三轴加速度峰峰值、速度有效值、位移真峰值、温度值和电压值一并发送给监控端;所述微处理器所有使用的管脚均外接上拉100k电阻,下拉100k电阻,所有不使用的管脚均接地,从而有效降低功耗,有效延长电池更换周期;
所述通讯模块和三轴加速度检测模块的电源接口处均连接NMOS管,通过NMOS管控制通断;在监测装置进入待机模式前,通过控制NMOS管关闭三轴加速度检测模块与通讯模块的电源,在监测装置从待机模式唤醒后,通过控制NMOS管打开三轴加速度检测模块与通讯模块的电源;通过NMOS管的控制,降低监测装置在待机状态下的功耗,有效延长电池更换周期;
所述外壳的底部设有电池安装螺纹孔,内部放置横截面为倒T形的金属板,金属板的横板一侧与外壳底部固定连接,另一侧伸出外壳,与旋转机械的轴承保护罩固定连接,金属板的竖板与外壳的一个侧壁平行且具有间隙,竖板上固定电路板,微处理器、三轴加速度检测模块、LoRa无线模块、电源管理模块均安装在电路板上;温度检测模块通过导热硅与金属板接触;外壳的另一个侧壁设有天线卡槽,天线卡槽内安装板状天线,保证通讯频段的精确性,提高通讯的稳定性;
所述监控端利用历史数据,采用在线自组织超限学习机,对旋转机械未来一段时间运行状态进行预测,并根据预测结果,对旋转机械维护进行预判;在线自组织超限学习机的具体实现方式为:
(1)对历史数据进行归一化处理,获得输入数据;
(2)选用n种内核作为神经网络的激励函数,分别组成n个神经网络,每个神经网络初始时分别设置m个神经元节点,神经网络隐含层的输出如下所示,
式(1)中,gi为第i种激励函数,分别为输入层到隐含层的权重和偏移值,表示输入层到隐含层所对应的参数总量,X为神经网络输入数据,一共有N0组输入数据,Hi0(i=1,2...,n)为第i种激励函数神经网络隐含层初次迭代时的输出;
(3)根据国家电机故障诊断标准,不同状态可对应不同的电机工作状态,则根据历史数据划分等级得到目标历史数据的输出T0为:
式(2)中,ti(i=1,2,….,N0)为第i组目标历史数据的输出;
(4)采用广义逆计算方法得到隐含层到输出层的初始权重值:
其中 为第i种激励函数神经网络的隐含层到输出层的初始权重矩阵;
(5)在获得输出层初始权重后,将n种激励函数神经网络的预测结果求平均作为参考预测值;
(6)根据各自预测结果分别与实际结果进行比较,如果综合误差大于设定阈值δ,则该激励函数的神经网络结构需要随机增加p个隐含层节点,并不断训练,直到误差小于δ,基于该激励函数的初始化完成;
(7)当获取到第k组新数据,即进行到第k次迭代时,除了目标输出需要更新,隐含层到输出层的权重值也需要进行更新迭代,第k次迭代更新如下所示:
基于权重βi k+1对下一时刻的运行状态进行预测。
2.根据权利要求1所述的旋转机械振动无线监测装置,其特征在于,所述通讯模块通过无线网络连接网关,网关通过轮询的方式获得监测装置采集的数据,通过中继模块实现跳传或者传输到以太网,从而增大通讯距离并提高通讯网络的稳定性;在数据无法有效发送的情况下,监测装置将数据暂时存储在存储器中,等待通讯正常时发送,避免因极端天气对监测的影响。
3.根据权利要求1所述的旋转机械振动无线监测装置,其特征在于,所述三轴加速度检测模块在采集得到设定采样时间的数据后,将数据通过微处理器保存在EEPROM中,利用微处理器通过数字带通滤波器得到10~~1000Hz内的有效数据,排除一系列的干扰信息,通过龙贝格积分公式获得速度值与位移值,并通过计算得到三轴加速度峰峰值、速度有效值以及位移真峰值一共9个特征数据,大大压缩了数据量,降低了通讯模块发送数据量,有效降低功耗,同时减小了监控端与网关的数据处理量,避免数据冲突等错误的发生。
4.根据权利要求1所述的旋转机械振动无线监测装置,其特征在于,所述三轴加速度检测模块在采集得到设定采样时间的数据后,将处理的结果值传回监控端,而当数据超过设定阈值后,三轴加速度检测模块将设定采样时间的所有数据上传至监控端,由监控端将接收数据利用傅里叶变换转为频域,并利用专家诊断系统对故障进行分析,从而指导现场进行旋转机械的停机维修。
5.一种利用权利要求1-4任一项所述装置进行旋转机械振动无线监测的方法,其特征在于,包括以下步骤:
(1)设定监测装置的唤醒时间,到达唤醒时间时,执行步骤(2)进行采样处理,否则进入待机状态;
(2)监测装置唤醒后,控制NMOS管为通讯模块与三轴加速度检测模块提供电源;
(3)通过三轴加速度检测模块以设定采样频率检测三轴加速度值,通过微处理器将三轴加速度值保存在EEPROM中,利用微处理器将数据通过滤波以及积分处理获得速度以及位移值,并通过计算得到三轴加速度峰峰值、速度有效值以及位移真峰值;
(4)通过温度检测模块以及电源管理模块分别获得温度值与电池电压值;
(5)一次采样后,通过通讯模块将三轴加速度峰峰值、速度有效值、位移真峰值、温度值以及电压值一并发送到监控端,监控端返回确认值说明收到数据,否则说明没有收到数据,数据保存等待下一次唤醒时一并发送;
(6)控制NMOS管为通讯模块与三轴加速度检测模块断开电源,检测装置进入待机状态。
通过该监测方法的运行,在确保装置满足正常工作需求的前提下可以有效降检测低装置功耗。
6.根据权利要求5所述的方法,其特征在于,所述步骤(3)中,利用微处理器将数据首先通过kalman滤波器过滤系统噪声以及测量噪声,其次通过IIR数字带通滤波处理去除低频与高频无用信息,并将数据的前1/4丢弃,因为该段数据受滤波器参数训练,滤波不完整,此外将滤波后的数据利用龙贝格数值积分得到速度与位移。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810382135.7A CN108680244B (zh) | 2018-04-26 | 2018-04-26 | 一种旋转机械振动无线监测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810382135.7A CN108680244B (zh) | 2018-04-26 | 2018-04-26 | 一种旋转机械振动无线监测装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108680244A true CN108680244A (zh) | 2018-10-19 |
CN108680244B CN108680244B (zh) | 2020-06-09 |
Family
ID=63801563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810382135.7A Active CN108680244B (zh) | 2018-04-26 | 2018-04-26 | 一种旋转机械振动无线监测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108680244B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109798976A (zh) * | 2019-04-09 | 2019-05-24 | 深圳鳍源科技有限公司 | 一种振动干扰处理装置、方法及所适用的终端设备 |
CN110046476A (zh) * | 2019-06-05 | 2019-07-23 | 厦门大学 | 滚动轴承故障的三元二进分形小波稀疏诊断方法 |
CN110095179A (zh) * | 2019-05-29 | 2019-08-06 | 宁波大陵五智能设备科技有限公司 | 一种电机振动检测与诊断方法 |
CN110119787A (zh) * | 2019-05-23 | 2019-08-13 | 湃方科技(北京)有限责任公司 | 一种旋转型机械设备工况检测方法及设备 |
CN110589021A (zh) * | 2019-09-25 | 2019-12-20 | 东方航空技术有限公司 | 一种飞机防抖故障预判系统 |
CN110701640A (zh) * | 2019-10-16 | 2020-01-17 | 杨梅 | 智能旋钮及其开关状态获取方法 |
CN112051800A (zh) * | 2020-09-17 | 2020-12-08 | 珠海格力智能装备有限公司 | 机床的异常处理方法及装置、计算机可读存储介质 |
CN112525334A (zh) * | 2020-11-18 | 2021-03-19 | 西安因联信息科技有限公司 | 一种动设备振动多稳态检测方法 |
CN112556829A (zh) * | 2020-11-25 | 2021-03-26 | 山东润一智能科技有限公司 | 一种设备振动采集监测系统和方法 |
CN113267250A (zh) * | 2021-05-19 | 2021-08-17 | 上海嘉倜智能科技有限公司 | 基于物联网的智能多轴振动检测系统及检测方法 |
CN113573273A (zh) * | 2021-08-02 | 2021-10-29 | 尧米(重庆)智能科技有限公司 | 一种基于蓝牙传输的无线智能采集同步方法及系统 |
TWI744909B (zh) * | 2019-06-28 | 2021-11-01 | 日商住友重機械工業股份有限公司 | 用於預測對象裝置的運轉狀態之預測系統、其之預測、其之預測程式、以及用於掌握對象裝置的運轉狀態之顯示裝置 |
CN113657758A (zh) * | 2021-08-17 | 2021-11-16 | 辽宁天鑫石油设备科技有限公司 | 一种井下工况安全评估方法及系统 |
CN114235141A (zh) * | 2021-12-08 | 2022-03-25 | 四川启睿克科技有限公司 | 基于mems传感器的振动监测方法及装置 |
CN117021123A (zh) * | 2023-10-09 | 2023-11-10 | 泓浒(苏州)半导体科技有限公司 | 一种超真空环境下晶圆转运机械臂的振动预测系统及方法 |
CN117429839A (zh) * | 2023-12-21 | 2024-01-23 | 全南虔芯半导体有限公司 | 用于芯片烧录机的托盘自动输送系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101072984A (zh) * | 2004-12-06 | 2007-11-14 | 卡特彼勒公司 | 机械的振动分析系统和方法 |
US20160041068A1 (en) * | 2014-08-05 | 2016-02-11 | 01dB-METRAVIB, Société par Actions Simplifiée | Wireless Collection and Analysis of Machine Data |
CN106127300A (zh) * | 2016-07-04 | 2016-11-16 | 哈尔滨理工大学 | 一种旋转机械健康状态预测方法 |
CN107065657A (zh) * | 2017-03-20 | 2017-08-18 | 苏州德姆斯信息技术有限公司 | 机器状态无线监测设备、方法和系统 |
CN107806985A (zh) * | 2016-09-08 | 2018-03-16 | 斗山重工业株式会社 | 转子振动异常感知装置及方法 |
-
2018
- 2018-04-26 CN CN201810382135.7A patent/CN108680244B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101072984A (zh) * | 2004-12-06 | 2007-11-14 | 卡特彼勒公司 | 机械的振动分析系统和方法 |
US20160041068A1 (en) * | 2014-08-05 | 2016-02-11 | 01dB-METRAVIB, Société par Actions Simplifiée | Wireless Collection and Analysis of Machine Data |
CN106127300A (zh) * | 2016-07-04 | 2016-11-16 | 哈尔滨理工大学 | 一种旋转机械健康状态预测方法 |
CN107806985A (zh) * | 2016-09-08 | 2018-03-16 | 斗山重工业株式会社 | 转子振动异常感知装置及方法 |
CN107065657A (zh) * | 2017-03-20 | 2017-08-18 | 苏州德姆斯信息技术有限公司 | 机器状态无线监测设备、方法和系统 |
Non-Patent Citations (1)
Title |
---|
罗仁泽 等: "基于单片机的旋转机械振动监测系统", 《计算机测量与控制》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109798976A (zh) * | 2019-04-09 | 2019-05-24 | 深圳鳍源科技有限公司 | 一种振动干扰处理装置、方法及所适用的终端设备 |
CN110119787A (zh) * | 2019-05-23 | 2019-08-13 | 湃方科技(北京)有限责任公司 | 一种旋转型机械设备工况检测方法及设备 |
CN110119787B (zh) * | 2019-05-23 | 2021-07-20 | 湃方科技(北京)有限责任公司 | 一种旋转型机械设备工况检测方法及设备 |
CN110095179A (zh) * | 2019-05-29 | 2019-08-06 | 宁波大陵五智能设备科技有限公司 | 一种电机振动检测与诊断方法 |
CN110095179B (zh) * | 2019-05-29 | 2021-01-19 | 宁波大陵五智能设备科技有限公司 | 一种电机振动检测与诊断方法 |
CN110046476A (zh) * | 2019-06-05 | 2019-07-23 | 厦门大学 | 滚动轴承故障的三元二进分形小波稀疏诊断方法 |
TWI744909B (zh) * | 2019-06-28 | 2021-11-01 | 日商住友重機械工業股份有限公司 | 用於預測對象裝置的運轉狀態之預測系統、其之預測、其之預測程式、以及用於掌握對象裝置的運轉狀態之顯示裝置 |
CN110589021A (zh) * | 2019-09-25 | 2019-12-20 | 东方航空技术有限公司 | 一种飞机防抖故障预判系统 |
CN110701640B (zh) * | 2019-10-16 | 2021-06-15 | 杨梅 | 智能旋钮及其开关状态获取方法 |
CN110701640A (zh) * | 2019-10-16 | 2020-01-17 | 杨梅 | 智能旋钮及其开关状态获取方法 |
CN112051800A (zh) * | 2020-09-17 | 2020-12-08 | 珠海格力智能装备有限公司 | 机床的异常处理方法及装置、计算机可读存储介质 |
CN112525334A (zh) * | 2020-11-18 | 2021-03-19 | 西安因联信息科技有限公司 | 一种动设备振动多稳态检测方法 |
CN112556829A (zh) * | 2020-11-25 | 2021-03-26 | 山东润一智能科技有限公司 | 一种设备振动采集监测系统和方法 |
CN113267250A (zh) * | 2021-05-19 | 2021-08-17 | 上海嘉倜智能科技有限公司 | 基于物联网的智能多轴振动检测系统及检测方法 |
CN113573273B (zh) * | 2021-08-02 | 2023-09-15 | 重庆优米工业自动化设备有限公司 | 一种基于蓝牙传输的无线智能采集同步方法及系统 |
CN113573273A (zh) * | 2021-08-02 | 2021-10-29 | 尧米(重庆)智能科技有限公司 | 一种基于蓝牙传输的无线智能采集同步方法及系统 |
CN113657758A (zh) * | 2021-08-17 | 2021-11-16 | 辽宁天鑫石油设备科技有限公司 | 一种井下工况安全评估方法及系统 |
CN114235141A (zh) * | 2021-12-08 | 2022-03-25 | 四川启睿克科技有限公司 | 基于mems传感器的振动监测方法及装置 |
CN117021123A (zh) * | 2023-10-09 | 2023-11-10 | 泓浒(苏州)半导体科技有限公司 | 一种超真空环境下晶圆转运机械臂的振动预测系统及方法 |
CN117021123B (zh) * | 2023-10-09 | 2024-01-30 | 泓浒(苏州)半导体科技有限公司 | 一种超真空环境下晶圆转运机械臂的振动预测系统及方法 |
CN117429839A (zh) * | 2023-12-21 | 2024-01-23 | 全南虔芯半导体有限公司 | 用于芯片烧录机的托盘自动输送系统 |
CN117429839B (zh) * | 2023-12-21 | 2024-03-12 | 全南虔芯半导体有限公司 | 用于芯片烧录机的托盘自动输送系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108680244B (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108680244A (zh) | 一种旋转机械振动无线监测装置及方法 | |
CN106444489B (zh) | 基于数字化监测重型装备发动机的监测装置及其监测方法 | |
CN105300449B (zh) | 一种超低功耗无源结构健康监测系统及方法 | |
CN100538759C (zh) | 架空送电线路在线监测系统及方法 | |
CN104237645B (zh) | 一种变电站直流系统绝缘状态在线监测系统和方法 | |
CN110132350B (zh) | 悬浮式架空输电线路在线监测系统及方法 | |
EP3444944B1 (en) | Fault detection and positioning system for cell panel in large-scale photovoltaic array | |
CN101894981A (zh) | 铅酸电池组智能监测修复控制方法及系统 | |
CN201887127U (zh) | 铅酸电池组智能监测修复控制系统 | |
CN110018371B (zh) | 换流站主设备状态检修系统及其实现方法 | |
CN109784532A (zh) | 一种基于深度学习的厂区能耗预测方法及系统 | |
CN110673081B (zh) | 基于边缘计算的智能电表误差在线估计方法 | |
CN106569165A (zh) | 一种电子式电能表计量性能远程在线检测系统 | |
CN115856760A (zh) | 一种基于电能表数据信息的动态检定系统和方法 | |
CN202372630U (zh) | 光伏电站蓄电池状态无线传感器网络监测装置 | |
CN111044830A (zh) | 氧化锌避雷器运行特性带电监测装置 | |
Huang et al. | The system of temperature rise monitoring and temperature prediction for power equipment | |
CN209459699U (zh) | 检测控制系统 | |
CN103197233A (zh) | 高压开关合分闸时间在线监测仪及在线监测方法 | |
CN202383267U (zh) | 变电站直流屏用蓄电池状态无线网络传感器节点 | |
CN211086436U (zh) | 一种非侵入式的负荷分解及电能质量分析系统 | |
CN118091297B (zh) | 一种电力终端的安全监测装置、监测方法和电力终端 | |
CN214429327U (zh) | 基于泛在电力物联网低压配电柜内电气设备状态采集装置 | |
CN110417030B (zh) | 一种电力系统强迫振荡的分布式定位方法及系统 | |
Wenya et al. | Design and Selection of Photovoltaic Power Generation Monitoring System Based on NB-IoT+ Zigbee |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |