CN112002114A - 一种基于5G-ZigBee通信的机电设备无线数据采集系统和方法 - Google Patents

Abstract

本发明公开了一种基于5G‑ZigBee通信的机电设备无线数据采集系统和方法，该系统包括数据采集模块、数据预处理与分析模块、数据传输模块以及终端显示模块。采用本发明的数据采集系统，可以将设备工况数据通过无线采集终端实现将采集的数据通过ZigBee传输至统一节点，经过预处理与分析的数据则通过5G传输模块上传至云端服务器，整个传输过程快速、高效、延迟低。同时，在对数据处理方面提出了方法，采用本发明的KPCA模型判别大型机电混合复杂设备运行数据是否正常，提高了系统状态监控能力，及时发现故障信息，防止安全事故的发生。

Description

一种基于5G-ZigBee通信的机电设备无线数据采集系统和 方法

技术领域

本发明属于无线数据采集技术领域，具体是指一种机电设备无线数据采集系统，特别是指基于5G-ZigBee通信的机电设备无线数据采集系统，针对于大型复杂机电混合系统的运行状态数据采集和处理的方法。

背景技术

大型复杂机电设备在工业生产方面到处可见，诸如大型汽轮机、压缩机、水轮发电机、混合动力起重装置等，是电力、化工、冶金、制造等领域的关键设备。从研究角度看，这些设备大多为巨型动力机械，此外还有超大化工反应装置和流水线上自动化控制系统等。该类系统大多都由供电线路、液压回路、信息线路、控制网等杂糅而成的分布式复杂机电系统。

复杂机电设备状态监测技术是为了实时掌握这些关键设备的运行状态，确保机械在整个生命周期中减少发生甚至不发生严重的安全生产事故，确定机电设备采集系统采集对象局部是否正常，早期发现故障及其原因，并预测故障发展趋势，有助于对复杂机电设备进行精准、快速、科学的维修，设备维修费用在企业经营费用中占比大，利用状态监测系统有利于提高设备运行可靠性，延长设备使用寿命。

传统的数据采集系统大多采用现场总线的方式将数据传输至上位机。由于大型机电混合复杂设备工作环境恶劣，油污较多，对线路腐蚀性强，电磁环境复杂，信号容易受到干扰，线路容易老化，且布线成本投入较高。因此，随着近年来无线组网技术的发展和万物互联的推进，无线网络传输技术为机电混合复杂系统的数据无线采集及传输系统提供了新的解决方案。

对于传统技术中，针对单一故障数据的传统诊断方法难以适应复杂系统的多故障并发的情况，为了后续能够实现对复杂机电系统全面且准确的故障诊断，使诊断结果更精确、更可靠，需要利用分布式传感器采集多个运行状态数据，综合分析多个可能的故障数据来分析复杂系统的运行状况，将更有利于进行维修决策。

一般的状态监测方法大致有三类：基于知识的方法、基于解析的方法和基于数据驱动的方法。1)基于知识的方法是依据工艺过程知识建立模型，有故障树FTA、决策树DT等；2)基于解析的方法是建立在精确的数学模型之上的，有各种数学模型如卡尔曼滤波、参数估计、等价空间等；3)基于数据驱动的方法则是以采集的实际数据为依据，再采用各种方法进行数据处理与分析来挖掘出数据中隐含的设备运行状态信息，进而辅助维修人员进行决策，主要方法有常见的频谱分析、聚类分析、多元统计法等。

由于大型复杂机电系统具有高度非线性，存在多故障并发的情况，难以获得适合的数学模型和具体的系统知识，所以，前两种监测方法受到限制。然而，在复杂机电系统运行过程中，对系统运行状态多个数据进行采集和存储是容易实现的，而且实时采集的多类数据中本身就包含了系统运行工况和相关信息，且系统可能的异常状况走向也能通过数据挖掘窥见一斑。鉴于此，基于数据驱动的分析方法在大型复杂机电设备的运行监测和后续的故障诊断方面是适用的。然而对于采集这样一类复杂机电系统的运行状况信息存在几个问题：(1)需要采集的数据变量数目较多，且有些变量相互之间存在冲突或者耦合关联的情况，仅依赖人工采集变量是无法做到实时采集和同时采集的；(2)采集的数据变化缓慢、数据量大、非典型性等多特征并存，难以找到匹配的智能诊断方法来运算提取数据中蕴含的设备运行状态特征信号；(3)大型复杂机电系统是多介质耦合杂糅的系统，处于复杂工作条件下，目前仍缺乏在适用且有效的进行状态监测的装置和方法。

发明内容

本发明的目的是为了克服现有技术存在的缺点和不足，而提供一种基于5G-ZigBee通信的机电设备无线数据采集系统和方法。本发明提出了使用无线组网技术实现大型机电设备的运行数据的无线采集，可以有效实时采集多种数据并进行分析，对设备的运行状态实现监控，及时发现故障信号，提高机电混合设备的状态监测能力。

为实现上述目的，本发明的技术方案是一种基于5G-ZigBee通信的机电设备无线数据采集系统。其技术方案是包括：

终端显示模块：实现了用户与整个信息采集系统间交互的功能，包括系统运行状态信息的输出和用户指令的下达，可以发布指令调用数据采集模块、数据预处理与分析模块、故障数据库模块；

数据采集模块：利用各类传感器来采集复杂机电设备实时数据，如机器转速、设备运行温度、振动、电流、电压等用电信息；

数据预处理与分析模块：对实时采集的数据进行降噪处理，对降噪后的数据标准化处理以消除各变量量纲不相同而造成数据差别过大，导致错误判断甚至无法判断的情况；

数据传输模块：数据传输模块包括ZigBee通信单元和5G无线通信单元，分别对应于局域网数据传输和广域网数据传输，主要功能是将分布式传感器采集的多种数据通过ZigBee通信单元传输汇总在同一节点，多个数据分别经过预处理与分析模块处理后，再利用5G无线通信单元将数据统一上传至云端，同时云端的指令可利用5G无线通信单元和ZigBee通信单元传输至分布式传感器；

故障数据库：用于储存、管理设备的历史信息，包括正常工况信息和故障信息两部分。

上述数据预处理与分析模块的功能有：参数优化的KPCA模型分析方法；融合系统故障库数据信息，建立状态监测KPCA模型，将实时采集数剧KCPA模型进行对比，检出故障信号，向外发出故障预警信息。

本发明还提出一种基于以上系统的机电混合设备的状态监测方法，包括以下：

1)数据采集：将数据库中的正常数据提取用于建立KPCA数学模型；采集复杂机电设备实时数据用于对机电设备进行状态监测；

2)数据预处理与分析：用小波去噪原理对提取的的历史工况数据和采集的实时数据进行降噪，得到叫纯净的信号；然后对数据进行标准化处理。

3)KPCA建模：采用参数优化的核主元分析方法基于历史正常数据建立模型，并用故障样本优化核参数和主元个数，用于后续监测异常状态；

4)故障状态检出：计算实时采集数据在建立的模型下的监测统计量，并于上下限值作比较，若超出限值，则判断为故障状态；

5)及时将故障信息通过终端显示模块显示给相关监测人员。

本发明的有益效果是；

采用本发明的一种大型机电混合复杂系统的无线数据采集系统能够有效检测故障信号，无线传输数据信息，及时通过终端显示平台提供信息给人员参考，能够对大型机电混合复杂系统的安全运行提供监测和预警。另外，故障数据库中的故障数据可不断更新，令训练样本也不断更新，可以实现KPCA模型中的核参数和主元个数等参数不断优化，使得系统故障检测更加智能化。

本发明中运用了KPCA(kernel principal component analysis)算法进行数据降维。由于PCA降维算法只能处理线性数据的降维，进行线性变换，筛选方差最大的特征，再去除特征之间的线性相关性，而对于复杂线性不可分的数据常常效果不甚理想。所以面对复杂机电系统所需要得的数据分析，运用了KPCA算法。KPCA算法是基于数据驱动的方法。数据在低维度空间若不是线性可分的，但是在高维度空间就可以变成线性可分的了。利用这个特点，KPCA只是将原始数据通过核函数(kernel)映射到高维度空间，再利用PCA算法进行降维。KPCA算法的关键在于核函数。使用映射函数

(非核函数)将数据从低维度映射到高维度。得到高维度数据后，还需计算协方差矩阵，协方差矩阵每个元素都是向量的内积。映射到高维度空间后，由于向量维度增加，计算量大幅度增大。

应该把数据映射到多少维度难以确定，

求解也很困难，此时引入核函数可以解决这个问题。核函数K(kernel function)可以直接得到低维数据映射到高维后的内积，而忽略映射函数具体是什么，它提供了一个从线性到非线性的连接以及任何可以只表示两个向量之间的点积的算法。首先将输入数据映射到更高维的空间，然后该高维的空间进行操作后的效果，在原来的空间就表现为非线性。利用核函数的特点，即可求数据在高维空间的内积。常见的核函数有线性核、多项式核、高斯核、指数核、拉普拉斯核等。KPCA算法通过构造基于过程主元特征信号子空间信息的过程统计量T²和残差信息子空间信息的统计量SPE来确定其上下限，从而完成状态监控。

信号降噪：机电设备在运行中采集的数据普遍含有噪声，比如环境电磁干扰，实际有用信号通常是低频平稳的信号。噪声的频率则往往很高。本发明采用常用的小波降噪对采集的数据进行小波分解，噪声主要蕴含在高频小波系数中，所以可以通过限制小波系数最大阈值处理，再对信号进行重建来剔除噪声，提高数据信息的质量，提高后续故障检出能力。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。

图1是本发明实施例的系统结构示意图；

图2是本发明实施例的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。

参见图1，本发明的用于大型机电混合复杂系统设备的无线数据采集系统装置，包括：

数据采集模块1：借助各类传感器采集机电设备的用电信息参数和机械运行参数，并可对系统历史状态检测数据和大型机电混合系统运行过程中产生的实时运行数据进行提取。

数据预处理与分析模块：包括数据预处理单元21与数据分析单元22，用于剔除异常数据，提高信号的可靠性和数据的精度，提高信号的信噪比，并对采集的数据进行标准化处理，做信号放大、隔离直流处理；分析模块对所处理的信号进行识别并与所建模型库中数据进行对比判断设备运行状态，检测系统异常状态，还可预测机电设备的运行趋势。同时数据还可用于后续的故障诊断和预测算法提供数据支持。该模块对实时采集的数据进行降噪处理，对降噪后的数据标准化处理以消除各变量量纲不相同而造成数据差别过大，导致错误判断甚至无法判断的情况。

数据传输模块：数据传输模块包括有ZigBee通信单元和5G无线通信单元，局域网数据传输使用ZigBee技术，广域网数据传输使用5G无线通信技术；主要功能是将分布式传感器采集的多种数据通过ZigBee无线技术传输汇总在同一节点，多个数据分别经过预处理与分析模块处理后，再利用5G无线通信技术将数据统一上传至云端。

每个分布式传感器嵌合了ZigBee无线模块作为ZigBee无线网络终端，该分布式传感器能够采集电流、电压信号、或者其他震动、转速等信号，转换的数据通过串口输出。另外采用CC2530模块，主要完成数据计量、数据缓存、信息展示和主要的无线通信的功能，它内部集成了增强型8051和无线收发器，可以直接进行编程开发，实现数据的显示和无线收发，给采集模块配备5V电源；经处理分析后的数据通过串口连接至5G模块，通过5G制式将数据无线上传至云端服务器。如图1，来自用户的指令也可通过该结构下行传输至分布式传感器。

故障数据库3：用于储存、管理设备的历史信息，包括正常工况信息和故障信息两部分。

终端显示模块：实现了用户与整个信息采集系统间交互的功能，包括系统运行状态信息的输出和用户指令的下达，可以发布指令调用数据采集模块、数据预处理与分析模块、故障数据库模块。本实施例该终端显示模块为PC或者智能手机或平板电脑设备。

本发明利用上位机存储器对系统历史正常工况数据、历史故障数据、实时检测数据和数据分析流程进行存储，采用输入输出接口连接显示器、外部存储等外设。可以将不断更新的KPCA模型状态、实时运行分析结果等重要信息通过终端显示模块在显示器中给出。

基于以上，本发明的大型机电混合复杂系统设备无线数据采集系统的方法工作流程如图2所示，具体步骤如下：

S1：数据提取。分为两部分，一是从历史数据库中提取正常运行数据；二是从数据库中提取相对应的实时运行数据。

S2：对提取的历史数据和实时数据进行预处理。分为两部分，一是小波降噪；二是标准化处理。具体包括：

(a)对提取的两部份数据进行小波降噪。根据小波变换阈值去噪方法，首先选择一个合适的小波基并确定分解层次对信号进行小波分解，其次确定各层细节系数的阈值，用软阈值/硬阈值的方法处理小波系数，最后进行小波逆变换复现信号。

(b)对小波变换降噪后的数据标准化处理。有利于在同一数量级上比较不同变量的变化程度，需要消除量纲的影响。标准化后的数据期望为0，方差为1。

S3：基于历史正常运行数据建立KPCA模型。确定原始输入数据矩阵X∈R^(n*m)，m为变量个数，n为采样次数，经过预处理后数据矩阵为

选取核函数，计算和矩阵K，对K中心化求解特征值和特征向量a_k，对a_k标准化处理，使得<a_k，a_k>＝1/λ_k。λ_k即为特征值。计算非线性主元t_k。

本步骤具体为：

所述步骤S3中具体包括以下步骤：

选取核函数，采用多项式核函数，能应对处理非线性的情况。

k(x，y)＝(ax^Ty+c)^d

其中a＞0，c＞0，a、c、d都可调，求使得T²统计量和SPE统计量检出率最大时的核参数和主元个数；

其中：

a、c、d——核参数；

p——主元个数；

x——按85％累计贡献率时的主元个数；

y——输入空间维度，同变量个数；

F_T(a c d，p)——在选定核参数和主元个数条件下的T²统计量检出率；

F_S(a c d，p)——在选定核参数和主元个数条件下的SPE统计量检出率。

S4：结合故障数据库中的故障数据，构建参数优化的KPCA模型集，由于故障数据不定期更新，那么KPCA模型可以不断使用最新故障数据训练样本来更新优化参数，从而使该KPCA模型更加智能、精确。对应于每一种故障，都能得到一组对应的核参数和主元个数，从而得到对应得模型。

S5：数据分析状态检测判断。对于实时数据X_i∈R^(1*m)，构造相应统计量T²和SPE及其相应的控制限阈值

SPE_l。对比实时运行数据的统计量和KPCA模型的统计量阈值，如果T＞T_l或者SPE＞SPE_l，说明系统出现故障。故障信息及时通过终端显示模块显示，给出提醒。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

应当注意，本发明的实施例可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。

Claims (3)

1.一种基于5G-ZigBee通信的机电设备无线数据采集系统，其特征在于包括有：

数据采集模块：数据采集模块是该系统的底层，借助各类传感器采集机电设备的用电信息参数和机械运行参数，并对系统历史状态检测数据和大型机电混合系统运行过程中产生的实时运行数据进行提取；

数据预处理与分析模块：用于剔除异常数据，并对采集的数据进行标准化处理，做信号放大、隔离直流处理；分析模块对所处理的信号进行识别并与所建模型库中数据进行对比判断设备运行状态，检测系统异常状态，该数据还用于后续的故障诊断和预测算法提供数据支持；

数据传输模块：数据传输模块包括有ZigBee通信单元和5G无线通信单元，分别对应于局域网数据传输和广域网数据上传；用于将分布式传感器采集的数据通过ZigBee通信单元传输汇总在同一节点，待数据经过预处理与分析模块处理后，再利用5G无线通信单元将数据统一上传至云端服务器，同时云端的指令利用5G无线通信方式下行传输至分布式传感器；

终端显示模块：用于实现用户与整个信息采集系统间交互，包括系统运行状态信息的输出和用户指令的下达，发布指令调用数据采集模块、数据预处理与分析模块、故障数据库模块；

故障数据库：用于存放正常工况运行数据和分析检出的历史故障数据，包括故障时间、位置和模式。

2.一种基于权利要求1所述的系统的机电设备无线数据采集方法，其特征在于：通过运行所述的基于5G-ZigBee通信的机电设备无线数据采集系统，其采集方法包括以下步骤：

S1:数据采集：利用分布在机电设备关键部位的各类传感器来实时采集实际运行过程中的正常状态数据以及可能的故障信息，复杂机电设备需要实时监测机器转速、设备运行温度、振动和电流；运用各种传感器中的转换电路将所采集的物理量转换为电压或电流信号，再通过放大电路将信号放大；

S2:数据预处理与分析：对实时采集数据采用小波去噪方式降噪处理，在数据预处理与分析模块中对降噪后的数据标准化处理以消除各变量量纲不相同而造成数据差别过大，导致错误判断甚至无法判断的情况；

S3:建立系统模型：采用基于KPCA算法的核主元分析方法，首先依据设备正常运行的历史数据建立数据模型库，再基于此模型来与实时数据进行对比来判别实时数据是否处于偏离正常状态；

S4:结合故障数据库中的故障数据，构建参数优化的KPCA模型集，由于故障数据不定期更新，那么KPCA模型可以不断使用最新故障数据训练样本来更新优化参数，对应于每一种故障，都能得到一组对应的核参数和主元个数，从而得到对应得模型；

S5：数据分析状态检测判断,首先在建立的正常数据模型背景下计算实时采集数据的检测统计量，再与模型中的检测统计量最大值作比较，若超过限制范围，显然数据处在不正常即异常状态；如此故障数据就能够被准确识别出来。

3.根据权利要求2所述的采集方法，其特征在于：

所述步骤S3中具体包括以下步骤：

a)选取核函数，采用多项式核函数，能应对处理非线性的情况；

k(x，y)＝(ax^Ty+c)^d

其中a＞0，c＞0,a、c、d都可调,求使得T²统计量和SPE统计量检出率最大时的核参数和主元个数；

其中：

a、c、d——核参数；

p——主元个数；

x——按85％累计贡献率时的主元个数；

y——输入空间维度，同变量个数；

F_T(a c d，p)——在选定核参数和主元个数条件下的T²统计量检出率；

F_S(a c d，p)——在选定核参数和主元个数条件下的SPE统计量检出率；

b)获取正常运行的数据作为训练样本并标准化，待选取合理的核参数和主元个数后建立KPCA模型；

c)由主元个数求得T²统计量和SPE统计量上限值，作为后续判别的临时标准；

d)获取故障样本，并对每个变量用训练样本对应向量的标准差和均值进行标准化；

e)求出故障样本在核参数确定后的主元向量，得到相应的T²统计量和SPE统计量；

f)分别计算超出T²统计量和SPE统计量上限值的样本所占比值，得到检出率；

g)不断修改核参数和主元个数，重复上述步骤，直到找到令人满意的检出率。

Images