CN111174905A - 低功耗物联网振动异常检测装置及其检测方法 - Google Patents
低功耗物联网振动异常检测装置及其检测方法 Download PDFInfo
- Publication number
- CN111174905A CN111174905A CN202010091044.5A CN202010091044A CN111174905A CN 111174905 A CN111174905 A CN 111174905A CN 202010091044 A CN202010091044 A CN 202010091044A CN 111174905 A CN111174905 A CN 111174905A
- Authority
- CN
- China
- Prior art keywords
- vibration
- data
- mcu
- detection device
- power consumption
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 80
- 230000005856 abnormality Effects 0.000 title claims abstract description 13
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 claims abstract description 40
- 238000004891 communication Methods 0.000 claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 238000012544 monitoring process Methods 0.000 claims abstract description 17
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims abstract description 11
- 229910052744 lithium Inorganic materials 0.000 claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 230000008054 signal transmission Effects 0.000 claims abstract 2
- 238000009826 distribution Methods 0.000 claims description 12
- 230000006855 networking Effects 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims 1
- 230000006870 function Effects 0.000 claims 1
- 229910001416 lithium ion Inorganic materials 0.000 claims 1
- 238000000034 method Methods 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 108010003272 Hyaluronate lyase Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000003365 glass fiber Substances 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
- G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及低功耗物联网振动异常检测装置及检测方法，包括盒体以及置于其内的振动检测模块和锂亚电池，其上盖有上盖，锂亚电池与振动检测模块电性连接，振动检测模块包含MCU、LoRa通讯单元、天线、RS485接口单元、存储单元和振动监测单元，MCU分别与存储单元、RS485接口单元、LoRa通讯单元、振动监测单元相连，LoRa通讯单元连接天线；振动监测单元采集三轴振动传感器数据，传送至MCU，MCU将设备是否处于异常运行情况的计算结果发送到LoRa通讯单元，通过天线发送无线信号；天线接收LoRa无线信号，LoRa通讯单元将无线信号传输给MCU，MCU对信号解析、转换为数据指令，控制振动检测终端。
Description
技术领域
本发明涉及一种低功耗物联网振动异常检测装置及其检测方法。
背景技术
近几年物联网技术迅速发展，各种物联网应用技术和产品层出不穷，也出现了种类丰富的物联网终端。在物联网或工业互联网平台中，传感器采集到监测数据以后，一般都需要将监测数据上传到系统平台，系统平台上进行计算和分析处理。随着物联网技术的发展，设备大规模接入物联网，当出现很多个分析计算需要被同时处理的情况时，在终端设备上会产生海量数据，此时云平台的传输带宽压力和计算压力陡增，极有可能出现云平台带宽不足和计算能力不足的情况，严重的还可能导致崩溃。为了避免出现上述情况，目前行业内通用的解决方案是对计算硬件和带宽进行升级或拓展，以应对云平台系统使用过程中可能出现的瞬时传输带宽和计算压力。
目前行业内所使用的物联网或工业互联网平台中，系统云平台的计算能力最强，大量物联网数据管理和智能AI计算一般都在云平台上进行。随着物联网技术的发展，充分利用数据采集终端的计算能力已成为行业内的发展共识，因此也催生出了边缘计算的概念。边缘计算起源于传媒领域，是指在靠近数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供最近端服务。应用程序在边缘侧发起，产生更快的网络服务响应，满足行业在实时业务、应用智能、安全与隐私保护等方面的基本需求。对于边缘计算这个新兴事物，目前行业内还没有形成统一的标准，实际落地的项目和应用也很少。
发明内容
本发明的目的是克服现有技术存在的不足，提供一种低功耗物联网振动异常检测装置及其检测方法。
本发明的目的通过以下技术方案来实现：
低功耗物联网振动异常检测装置，特点是：包括盒体以及置于其内的振动检测模块和锂亚电池，其上盖有上盖，锂亚电池与振动检测模块电性连接，振动检测模块包含MCU、LoRa通讯单元、天线、RS485接口单元、存储单元和振动监测单元，MCU分别与存储单元、RS485接口单元、LoRa通讯单元、振动监测单元相连，LoRa通讯单元连接天线；所述振动监测单元采集三轴振动传感器数据，传送至MCU，MCU利用VAE算法实时计算采集的数据，并将设备是否处于异常运行情况的计算结果发送到LoRa通讯单元，通过天线发送无线信号，与网关通讯，网关把数据发送至网络云服务器上；同时，天线接收LoRa无线信号，LoRa通讯单元将无线信号传输给MCU，MCU对信号解析、转换为数据指令，控制振动检测终端。
进一步地，上述的低功耗物联网振动异常检测装置，其中，所述MCU为ST公司的基于cortex_M7内核的STM32H743芯片。
进一步地，上述的低功耗物联网振动异常检测装置，其中，所述LoRa通讯单元为semtech公司的sx1278通讯芯片。
进一步地，上述的低功耗物联网振动异常检测装置，其中，所述天线为螺旋弹簧天线。
进一步地，上述的低功耗物联网振动异常检测装置，其中，所述RS485接口单元为SN65HVD75DR接口芯片。
进一步地，上述的低功耗物联网振动异常检测装置，其中，所述存储单元为MX25L6433FZNI非易失性存储芯片。
进一步地，上述的低功耗物联网振动异常检测装置，其中，所述振动监测单元为ADXL354高带宽三轴振动检测芯片。
本发明低功耗物联网振动异常检测方法，构建VAE模型，由编码器与解码器组成，外部输入的向量数据X1、X2、X3…Xn经过均值方差计算，得到不同的正太分布模型的均值和方差，经过重参数计算，使得服从正态分布N(0,I)，经过采样后得到隐变量Z1、Z2、Z3…Zn，经过解码器后得到生成的重构数据X'1、X'2、X'3…X'n，通过最小化损失函数
构建编码器和解码器，得到振动模型：
Еx～p(x)[f(x)]表示对f(x)算期望，其中x的分布为p(x)；
KL(p(x)║q(x))表示两个分布的KL散度；
通过生成数据与原始数据的对比计算得到的重构概率Pθ(x|x')(reconstructionprobability)，大于设定阈值时，则判断为异常情况，发出预测性报警；重构概率计算公式如下：
将振动异常检测装置布置到被测设备，以等间隔周期，4k/s采样率采集设备的X/Y/Z轴1s时长振动数据，连续采集覆盖被测设备完整的正常工作周期；
将被采集振动数据作为VAE模型训练的输入Xn，在深度学习工作站上训练生成基于设备数据集的正常工作模型；
将深度学习工作站上生成的模型转换成基于C文件的嵌入式模型；
将振动异常检测模型编译链接下载至振动异常检测装置；
将振动异常检测装置布置到原被测设备上，实时采集振动数据，计算VAE模型的重构概率，如果重构概率大于设定阈值，则做出预测性报警。
本发明与现有技术相比具有显著的优点和有益效果，具体体现在以下方面：
基于边缘计算的振动异常检测装置及其检测方法，被监测的对象可以是旋转机械类的设备，解决云计算平台无法应对多个并发实时计算请求对高带宽和高算力的需求的问题，具有振动异常检测节点硬件结构简单，便捷、高效，将现场各种设备与分散采集点的振动数据采集并实时计算，分析设备的振动是否存在异常，为智慧工厂的运行提供预测性报警。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明具体实施方式了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1：本发明检测装置的分解结构示意图；
图2：振动检测模块的电路框图；
图3：VAE模型的示意图；
图4：本发明检测方法的流程示意图；
图5：本发明检测场景的应用示意图。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，方位术语和次序术语等仅用于区分描述，而不能理解为指示或暗示相对重要性。
如图1所示，低功耗物联网振动异常检测装置，包括盒体4以及置于其内的振动检测模块2和锂亚电池3，其上盖有上盖1，锂亚电池3与振动检测模块2电性连接，锂亚电池3为ER26500锂亚电池，上盖1和盒体4采用IP65等级密封防水接口，采用加入30％玻璃纤维的ABS复合工程材料，既保证节点的坚固性、防水防尘性，同时也减少对LoRa无线信号的衰减；采用ER26500锂亚电池，在满足模块唤醒时正常计算和射频收发对瞬态电流需求的同时，具有低自放电特性，能够更好的延长振动检测模块2的待机运行时间，能够待机5年以上。
如图2所示，振动检测模块2包含MCU21、LoRa通讯单元24、天线25、RS485接口单元23、存储单元22和振动监测单元26，MCU21分别与存储单元22、RS485接口单元23、LoRa通讯单元24、振动监测单元26相连，LoRa通讯单元24连接天线25；振动监测单元26采集三轴振动传感器数据，传送至MCU21，MCU21利用VAE算法实时计算采集的数据，并将设备是否处于异常运行情况的计算结果发送到LoRa通讯单元24，通过天线25发送无线信号，与网关通讯，网关把数据发送至网络云服务器上；同时，天线接收LoRa无线信号，LoRa通讯单元24将无线信号传输给MCU21，MCU21对信号解析、转换为数据指令，控制振动检测终端。
其中，MCU21为ST公司的基于cortex_M7内核的STM32H743芯片。LoRa通讯单元24为semtech公司的sx1278通讯芯片。天线25为螺旋弹簧天线，将LoRa通讯单元24调制的信号发送出去，并且接收LoRa无线信号。RS485接口单元23为SN65HVD75DR接口芯片，将MCU usart接口的TTL电平信号转换成485电平信号。存储单元22为MX25L6433FZNI非易失性存储芯片。振动监测单元26为ADXL354高带宽三轴振动检测芯片。
基于边缘计算的低功耗物联网振动异常检测方法，构建VAE模型，如图3，由编码器与解码器组成，外部输入的向量数据X1、X2、X3…Xn经过均值方差计算，得到不同的正太分布模型的均值和方差，经过重参数计算，使得服从正态分布N(0,I)，经过采样后得到隐变量Z1、Z2、Z3…Zn，经过解码器后得到生成的重构数据X'1、X'2、X'3…X'n，通过最小化损失函数
构建编码器和解码器，得到振动模型：
Еx～p(x)[f(x)]表示对f(x)算期望，其中x的分布为p(x)；
KL(p(x)║q(x))表示两个分布的KL散度；
通过生成数据与原始数据的对比计算得到的重构概率Pθ(x|x')(reconstructionprobability)，大于设定阈值时，则判断为异常情况，发出预测性报警；重构概率计算公式如下：
如图4，将振动异常检测装置布置到被测设备(带有旋转机械设备的SMT贴片机)上，以等间隔周期(1小时)，4k/s采样率采集设备的X/Y/Z轴1s时长振动数据，连续采集覆盖被测设备完整的正常工作周期，完整开机、关机、保养等正常工作情况下的工作周期，如1天；
将被采集振动数据作为VAE模型训练的输入Xn，按照图3，在深度学习工作站上训练生成基于设备数据集的正常工作模型(生成模型分层数据格式文件HDF5)；
将深度学习工作站上生成的模型转换成基于C文件的嵌入式模型(第三方工具或者手动改写生成)；
将振动异常检测模型编译链接下载至振动异常检测装置的嵌入式系统；
将振动异常检测装置布置到原被测设备上，实时采集振动数据，并按照图3计算VAE模型的重构概率，如果重构概率大于设定阈值，则做出预测性报警。
如图5所示，工厂采集传输设备包含振动异常检测装置与LoRa网关，管理员平台主要包括手机app、微信页面、网页界面多种形式，振动异常检测装置与LoRa网关采用LoRa无线通讯连接，LoRa网关与基于云服务的系统平台采用英特网连接，基于云服务的系统平台与管理员平台采用英特网连接。预测性报警信息从振动异常检测装置流经LoRa网关、系统平台到管理员的手机app、微信、网页界面平台；同时管理员通过手机app、微信、网页界面下发权重配置参数到系统平台，系统平台通过下发参数到LoRa网关、到达振动异常检测节点(振动异常检测装置)。
训练生成模型部署于振动异常检测装置中，振动异常检测装置由低功耗定时器间隔唤醒采集设定时间的振动加速度数据并计算重构概率，当计算重构概率大于设定值后，通过低功耗、远距离的LoRa通讯上报到LoRa网关，LoRa网关把预测报警信息通过网络上报到基于云服务的系统平台，管理人员可以通过手机app、微信页面或者网页页面登录收到相应预测性报警信息；同时管理人员可以通过手机app、微信页面或者网页页面下发相关权重配置参数，例如重构概率阈值、加速度采集滤波器参数、间隔检测周期、心跳上报周期等参数，实时动态地调整整套基于边缘计算的振动异常检测系统，提高报警的实时性和准确性。
采用计算VAE变分自编码器(Variational Auto-Encoder)的重构概率来进行异常检测，变分自动编码器是将变分推理与深度学习相结合的概率图形模型，VAE提供概率测量而不是重建误差作为异常分数，为重构概率，重构概率比重构误差更具原则性和客观性。
振动异常检测装置利用LoRa技术，解决远程采集测量领域的组网困难、可靠性差等问题，LoRa融合频谱扩散通信技术与GFSK调制技术，最大数据传输速度为300kbps，最大链路预算(Link Budget)为168dB，最大RF输出功率为+20dBm，信号接收灵敏度为-146.5dBm，三阶输入截止点(IIP3)为-12dBm，抗阻塞(Blocking Immunity)特性为100dB，接收信号强度(RSSI)的动态范围为115dB，采用服务器、网关、节点的架构，部署方便，组网简单，某个节点的损坏不影响其他节点。传输距离长，基站覆盖范围广，功耗低，可靠性高，抗干扰能力强，信号加密性好。网络容量大，为实现远距离星型网络，网关具有非常高的容量或性能，从大量的节点接收消息，高网络容量利用率自适应的数据速率和网关中的多通道多调制收发器实现，可以在多信道上同时接受消息。LoRa基于扩频调制，当使用不同扩频因子时，信号实际上是彼此正交，当扩频因子发生变化，有效数据速率也会发生变化，网关能够在同一时间相同信道上接受多个不同的数据速率。半双工通讯，节点支持信号上行通讯和下行通讯，即支持从节点到网关再到服务器传输数据，也支持服务器向网关再向节点传递数据，不但能读取传感测量值，还能向采集器节点发送参数控制指令。
本发明低功耗物联网振动异常检测装置及检测方法，更实时、更快速的数据处理能力，减少了中间传输的过程，数据处理的速度更快；成本更低，边缘计算处理的数据是小数据，从数据计算、存储上都具有成本优势；更低的网络带宽需求，随着联网设备的增多，网络传输压力会越来越大，而边缘计算的过程中，与云平台的数据交换并不多，因此也不需要占用太多网络带宽；提升应用程序的效率；当数据处理更快、网络传输压力更小、成本也更低的时候，应用程序的效率也会大大提升；边缘计算让数据隐私保护变得更具操作性，由于数据的收集和计算都是基于本地，数据不再被传输到云端，重要的敏感信息可以不经过网络传输，有效避免传输过程中的敏感信息泄漏。
综上所述，本发明基于边缘计算的振动异常检测装置及其检测方法，被监测的对象可以是旋转机械类的设备，解决云计算平台无法应对多个并发实时计算请求对高带宽和高算力的需求的问题，具有振动异常检测节点硬件结构简单，便捷、高效，将现场各种设备与分散采集点的振动数据采集并实时计算，分析设备的振动是否存在异常，为智慧工厂的运行提供预测性报警。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
上述仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求所述的保护范围为准。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (8)
1.低功耗物联网振动异常检测装置，其特征在于：包括盒体(4)以及置于其内的振动异常检测模块(2)和锂亚电池(3)，其上盖有上盖(1)，锂亚电池(3)与振动异常检测模块(2)电性连接，振动异常检测模块(2)包含MCU(21)、LoRa通讯单元(24)、天线(25)、RS485接口单元(23)、存储单元(22)和振动监测单元(26)，MCU(21)分别与存储单元(22)、RS485接口单元(23)、LoRa通讯单元(24)、振动监测单元(26)相连，LoRa通讯单元(24)连接天线(25)；所述振动监测单元(26)采集三轴振动传感器数据，传送至MCU(21)，MCU(21)利用VAE算法实时计算采集的数据，并将设备是否处于异常运行情况的计算结果发送到LoRa通讯单元(24)，通过天线(25)发送无线信号，与网关通讯，网关把数据发送至网络云服务器上；同时，天线接收LoRa无线信号，LoRa通讯单元(24)将无线信号传输给MCU(21)，MCU(21)对信号解析、转换为数据指令，控制振动检测终端。
2.根据权利要求1所述的低功耗物联网振动异常检测装置，其特征在于：所述MCU(21)为ST公司的基于cortex_M7内核的STM32H743芯片。
3.根据权利要求1所述的低功耗物联网振动异常检测装置，其特征在于：所述LoRa通讯单元(24)为semtech公司的sx1278通讯芯片。
4.根据权利要求1所述的低功耗物联网振动异常检测装置，其特征在于：所述天线(25)为螺旋弹簧天线。
5.根据权利要求1所述的低功耗物联网振动异常检测装置，其特征在于：所述RS485接口单元(23)为SN65HVD75DR接口芯片。
6.根据权利要求1所述的低功耗物联网振动异常检测装置，其特征在于：所述存储单元(22)为MX25L6433FZNI非易失性存储芯片。
7.根据权利要求1所述的低功耗物联网振动异常检测装置，其特征在于：所述振动监测单元(26)为ADXL354高带宽三轴振动检测芯片。
8.低功耗物联网振动异常检测方法，其特征在于：
构建VAE模型，由编码器与解码器组成，外部输入的向量数据X1、X2、X3…Xn经过均值方差计算，得到不同的正太分布模型的均值和方差，经过重参数计算，使得服从正态分布N(0,I)，经过采样后得到隐变量Z1、Z2、Z3…Zn，经过解码器后得到生成的重构数据X'1、X'2、X'3…X'n，通过最小化损失函数￡构建编码器和解码器，得到振动模型：
￡＝Еx～p(x)[Ez～p(z|x)[-lnq(x|z)+KL(P(z|x)║q(z))]
Еx～p(x)[f(x)]表示对f(x)算期望，其中x的分布为p(x)；
KL(p(x)║q(x))表示两个分布的KL散度；
通过生成数据与原始数据的对比计算得到的重构概率Pθ(x|x')(reconstructionprobability)，大于设定阈值时，则判断为异常情况，发出预测性报警；重构概率计算公式如下：
将振动异常检测装置布置到被测设备，以等间隔周期，4k/s采样率采集设备的X/Y/Z轴1s时长振动数据，连续采集覆盖被测设备完整的正常工作周期；
将被采集振动数据作为VAE模型训练的输入Xn，在深度学习工作站上训练生成基于设备数据集的正常工作模型；
将深度学习工作站上生成的模型转换成基于C文件的嵌入式模型；
将振动异常检测模型编译链接下载至振动异常检测装置；
将振动异常检测装置布置到原被测设备上，实时采集振动数据，计算VAE模型的重构概率，如果重构概率大于设定阈值，则做出预测性报警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010091044.5A CN111174905B (zh) | 2020-02-13 | 2020-02-13 | 低功耗物联网振动异常检测装置及其检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010091044.5A CN111174905B (zh) | 2020-02-13 | 2020-02-13 | 低功耗物联网振动异常检测装置及其检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111174905A true CN111174905A (zh) | 2020-05-19 |
| CN111174905B CN111174905B (zh) | 2023-10-31 |
Family
ID=70647670
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010091044.5A Active CN111174905B (zh) | 2020-02-13 | 2020-02-13 | 低功耗物联网振动异常检测装置及其检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111174905B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112185087A (zh) * | 2020-08-03 | 2021-01-05 | 广东省建筑科学研究院集团股份有限公司 | 一种低功耗的串口物联网装置和土木工程自动化监测系统 |
| CN112697267A (zh) * | 2020-11-11 | 2021-04-23 | 杭州未名信科科技有限公司 | 一种工业设备异常振动检测装置 |
| CN113867220A (zh) * | 2021-10-12 | 2021-12-31 | 中科海微(北京)科技有限公司 | 密封罐体监测系统及其监测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017031356A1 (en) * | 2015-08-19 | 2017-02-23 | D-Wave Systems Inc. | Discrete variational auto-encoder systems and methods for machine learning using adiabatic quantum computers |
| US20190228312A1 (en) * | 2018-01-25 | 2019-07-25 | SparkCognition, Inc. | Unsupervised model building for clustering and anomaly detection |
| CN110414989A (zh) * | 2019-07-29 | 2019-11-05 | 中国工商银行股份有限公司 | 异常检测方法及装置、电子设备和计算机可读存储介质 |
| CN209783731U (zh) * | 2019-06-14 | 2019-12-13 | 国网新疆电力有限公司电力科学研究院 | 一种基于边缘计算的电力设备异常检测无线振动传感器 |
| WO2020017285A1 (ja) * | 2018-07-20 | 2020-01-23 | 日本電信電話株式会社 | 異常検知装置、異常検知方法、およびプログラム |
-
2020
- 2020-02-13 CN CN202010091044.5A patent/CN111174905B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017031356A1 (en) * | 2015-08-19 | 2017-02-23 | D-Wave Systems Inc. | Discrete variational auto-encoder systems and methods for machine learning using adiabatic quantum computers |
| US20190228312A1 (en) * | 2018-01-25 | 2019-07-25 | SparkCognition, Inc. | Unsupervised model building for clustering and anomaly detection |
| WO2020017285A1 (ja) * | 2018-07-20 | 2020-01-23 | 日本電信電話株式会社 | 異常検知装置、異常検知方法、およびプログラム |
| CN209783731U (zh) * | 2019-06-14 | 2019-12-13 | 国网新疆电力有限公司电力科学研究院 | 一种基于边缘计算的电力设备异常检测无线振动传感器 |
| CN110414989A (zh) * | 2019-07-29 | 2019-11-05 | 中国工商银行股份有限公司 | 异常检测方法及装置、电子设备和计算机可读存储介质 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112185087A (zh) * | 2020-08-03 | 2021-01-05 | 广东省建筑科学研究院集团股份有限公司 | 一种低功耗的串口物联网装置和土木工程自动化监测系统 |
| CN112697267A (zh) * | 2020-11-11 | 2021-04-23 | 杭州未名信科科技有限公司 | 一种工业设备异常振动检测装置 |
| CN113867220A (zh) * | 2021-10-12 | 2021-12-31 | 中科海微(北京)科技有限公司 | 密封罐体监测系统及其监测方法 |
| CN113867220B (zh) * | 2021-10-12 | 2023-12-29 | 中科海微(北京)科技有限公司 | 密封罐体监测系统及其监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111174905B (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111174905B (zh) | 低功耗物联网振动异常检测装置及其检测方法 | |
| CN108347711B (zh) | 一种基于NB-IoT实现的低功耗智能农业数据采集系统 | |
| CN209488629U (zh) | 一种基于LoRa的物联网设备监管系统 | |
| CN110994798A (zh) | 变电设备监控系统 | |
| CN110505288A (zh) | 一种输电网络的监控方法及系统 | |
| Jia | LoRa-based WSNs construction and low-power data collection strategy for wetland environmental monitoring | |
| CN110913359A (zh) | 一种基于LoRa技术和WiFi技术的多融合农业环境在线监测系统 | |
| CN115224794A (zh) | 一种基于物联网技术的配电网监测方法 | |
| CN112654022B (zh) | 基于LoRa通讯的电力系统物联网数据采集系统 | |
| CN114204677A (zh) | 一种发电设备的远程监控方法与系统 | |
| CN112947364A (zh) | 一种基于大数据预警配电站设备故障的系统及方法 | |
| CN112910699A (zh) | 电力物联网的智能故障检测方法及装置 | |
| Tong et al. | Surrogate model-based energy-efficient scheduling for LPWA-based environmental monitoring systems | |
| CN116708495A (zh) | 一种可智能维护的水文遥测方法和系统 | |
| CN103532233B (zh) | 基于gprs技术的用电信息采集异常精确定位系统 | |
| CN211452598U (zh) | 低功耗物联网振动异常检测装置 | |
| CN102869006B (zh) | 无线传感器网络层次型入侵诊断处理系统及其方法 | |
| Wang et al. | A real-time LoRa-based IoT system for intelligent meteorological monitoring | |
| CN106124121A (zh) | 一种热力系统压力监测系统以及热力系统 | |
| CN113746905A (zh) | 一种分布式智能传感系统及其控制方法 | |
| Lv | Research on state monitoring technology for power equipment based on Internet of things | |
| CN206114188U (zh) | 一种热力系统压力监测系统以及热力系统 | |
| CN110276855A (zh) | 基于物联网技术的电机设备智能化监管系统及方法 | |
| CN117834540B (zh) | 一种基于超声波水表的通信优化方法、物联网系统及设备 | |
| Brtka et al. | LP-WAN Performance Analysis by Semi-Linguistic Summaries. |
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 |