CN112417772B - 一种基于边缘计算模型的旋转设备故障诊断方法 - Google Patents

一种基于边缘计算模型的旋转设备故障诊断方法 Download PDF

Info

Publication number
CN112417772B
CN112417772B CN202011474900.1A CN202011474900A CN112417772B CN 112417772 B CN112417772 B CN 112417772B CN 202011474900 A CN202011474900 A CN 202011474900A CN 112417772 B CN112417772 B CN 112417772B
Authority
CN
China
Prior art keywords
signal acquisition
equipment
edge
fault diagnosis
electronic wafer
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.)
Active
Application number
CN202011474900.1A
Other languages
English (en)
Other versions
CN112417772A (zh
Inventor
王巧
巴军
刘涵
周红
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Humi Network Technology Co Ltd
Original Assignee
Chongqing Humi Network Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing Humi Network Technology Co Ltd filed Critical Chongqing Humi Network Technology Co Ltd
Priority to CN202011474900.1A priority Critical patent/CN112417772B/zh
Publication of CN112417772A publication Critical patent/CN112417772A/zh
Application granted granted Critical
Publication of CN112417772B publication Critical patent/CN112417772B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/20—Information sensed or collected by the things relating to the thing itself
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/20—Analytics; Diagnosis
    • 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
    • H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
    • H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
    • 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
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于边缘计算模型的旋转设备故障诊断方法，包括：S1、边缘设备采集目标旋转设备的运行数据，所述边缘设备包括多种传感元件、信号采集电路、模数转换电路、计算单元及通信单元；S2、边缘设备基于运行数据对目标旋转设备进行故障诊断；S3、边缘设备将故障诊断结果发送至用户端设备。本发明在边缘设备上进行故障诊断的计算分析，之后直接将诊断结果发送至用户端设备，保证了数据的实时性和完整性，故障诊断的准确率显著提高，此外，由于无需将采集的数据都发送至诊断系统，节约了IT资源，降低了成本。

Description

一种基于边缘计算模型的旋转设备故障诊断方法
技术领域
本发明涉及旋转设备故障预测技术领域，具体涉及一种基于边缘计算模型的旋转设备故障诊断方法。
背景技术
依靠旋转完成特定功能的旋转类机械设备使用中，旋转部件转动的不平衡、位置不对中、磨损或者结构松动等微小故障会随着旋转设备的使用而逐渐严重，并可能使旋转设备产生连锁性地故障；为了避免故障进一步地严重和由此可能造成的连锁性故障，需要对旋转设备的工作状态进行监测及诊断，及时发现故障。
近几十年来各国都在大力开展旋转设备故障诊断的研究，主流的诊断方法为：在旋转设备上安装部署振动、温度、噪声传感器，将采集的数据上传到故障诊断系统，用户在系统中查看实时监测信号和分析结果。旋转设备故障诊断结果的准确性非常依赖传感信号的采集频率，由于高频采集的数据量较大，难以实时、完整的发送到系统中，时常出现数据缺失的情况，这最终导致了分析结果不准确，以及不能及时诊断或预测设备故障的问题。此外，所有的传感器均与故障诊断系统连接，需要占用极大的IT资源，实施和维护成本较高。
因此，如何保证诊断的及时性和准确性，节约IT资源，降低成本，成为了本领域技术人员急需解决的问题。
发明内容
针对上述现有技术的不足，本发明实际解决的问题包括：如何保证诊断的及时性和准确性，节约IT资源，降低成本。
本发明采用了如下的技术方案：
一种基于边缘计算模型的旋转设备故障诊断方法，包括：
S1、边缘设备采集目标旋转设备的运行数据，所述边缘设备包括多种传感元件、信号采集电路、模数转换电路、计算单元及通信单元；
S2、边缘设备基于运行数据对目标旋转设备进行故障诊断；
S3、边缘设备将故障诊断结果发送至用户端设备。
优选地，所述运行数据包括三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息中的任意一种或多种。
优选地，所述基于边缘计算模型的旋转设备故障诊断方法还包括边缘设备将运行数据发送至用户端设备。
优选地，所述基于边缘计算模型的旋转设备故障诊断方法还包括当目标旋转设备未工作时，边缘设备将运行数据和/或故障诊断结果发送至故障诊断系统。
优选地，步骤S1包括：
S101、用户端向边缘设备发送采样设置参数，采样设置参数包括采集频率及采集数据种类；
S102、边缘设备基于所述采样设置参数采集目标旋转设备的运行数据。
优选地，步骤S3包括：
S301、用户端向边缘设备发送旋转设备运行阈值，旋转设备运行阈值包括三轴振动位移阈值、三轴振动加速度阈值、噪声阈值及温度阈值中的任意一项或多项；
S302、边缘设备将采集的运行数据与旋转设备运行阈值进行比较，若运行数据超出旋转设备运行阈值，则诊断目标旋转设备发生故障。
优选地，步骤S3包括：
S311、边缘设备从采集的运行数据中提取故障诊断特征；
S312、边缘设备将故障诊断特征输入故障诊断模型，得到故障诊断结果。
优选地，边缘设备包括封装结构及电源，还包括布置在封装结构内的底层电子晶圆、多通道信号采集电子晶圆和多个传感元件；
所述底层电子晶圆上包括具备多个模拟信号输入端口的模数转换电路、计算单元及通信单元；
所述多通道信号采集电子晶圆布置在底层电子晶圆上，多通道信号采集电子晶圆上形成有多个通道的信号采集电路，且各不同通道的信号采集电路的信号输出端分别通过导电端子与底层电子晶圆上的不同模拟信号输入端口进行电连接；
所述多个传感元件布置在多通道信号采集电子晶圆上，且各个传感元件的采集信号输出端分别通过导电端子与多通道信号采集电子晶圆上不同通道的信号采集电路的信号输入端进行电连接。
与现有技术相比，本发明具有以下技术优势：
（1）本发明在边缘设备上进行故障诊断的计算分析，之后直接将诊断结果发送至用户端设备（用户的移动设备或电脑），保证了数据的实时性和完整性，故障诊断的准确率显著提高，此外，由于无需将采集的数据都发送至诊断系统（云平台），节约了IT资源，降低了成本。
（2）本发明不单单考虑了时域或频域信息，本发明将采集的数据进行时频域联合分析，提取故障特征，考虑了不同维度的振动信息的关联性，不仅仅将振动信息作为故障预测的因素，还考虑了温度、噪声等故障相关因素，使得预测结果更加精准。
（3）本发明公开了一种具体的边缘设备的结构，实现了传感元件、采集电路、模数转换电路、计算单元、通信单元结构的紧凑性集成布局设计，减小了横向布设面积，有利于边缘设备的小型化；同时，还可以进一步的通过对多通道信号采集电子晶圆的结构优化设计，减少不同通道间的信号互扰问题，提升边缘设备工作稳定性。
附图说明
为了使发明的目的、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的详细描述，其中：
图1是本发明公开的本发明公开的一种基于边缘计算模型的旋转设备故障诊断方法的一种具体实施方式的流程图；
图2是本发明公开的本发明公开的一种基于边缘计算模型的旋转设备故障诊断方法的另一种具体实施方式的流程图；
图3是本发明公开的本发明公开的一种基于边缘计算模型的旋转设备故障诊断方法的另一种具体实施方式的流程图；
图4至图8是本发明公开的本发明公开的一种基于边缘计算模型的旋转设备故障诊断方法中的边缘设备的结构示意图。
附图标记说明：10-封装结构；20-底层电子晶圆；30-多通道信号采集电子晶圆；31-单通道信号采集电子晶圆；40-传感元件；50-绝缘材料。
具体实施方式
下面结合附图对本发明作进一步的详细说明。
如图1所示，为本发明公开的一种基于边缘计算模型的旋转设备故障诊断方法的一种具体实施方式，包括：
S1、边缘设备采集目标旋转设备的运行数据，所述边缘设备包括多种传感元件、信号采集电路、模数转换电路、计算单元及通信单元；
S2、边缘设备基于运行数据对目标旋转设备进行故障诊断；
S3、边缘设备将故障诊断结果发送至用户端设备。
与现有技术相比，本发明在边缘设备上进行故障诊断的计算分析，之后直接将诊断结果发送至用户端设备（用户的移动设备或电脑），保证了数据的实时性和完整性，故障诊断的准确率显著提高，此外，由于无需将采集的数据都发送至诊断系统（云平台），节约了IT资源，降低了成本。此外，本发明中，诊断结果出了故障之外，还可以包括旋转设备的寿命预测信息、优化方法、维修策略等。
具体实施时，所述运行数据包括三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息中的任意一种或多种。
本发明不仅仅将振动信息作为故障预测的因素，还考虑了温度、噪声等故障相关因素，使得预测结果更加精准。
具体实施时，所述基于边缘计算模型的旋转设备故障诊断方法还包括边缘设备将运行数据发送至用户端设备。
本发明中，还可将采集到的运行数据发送至用户端设备，使用户对旋转设备的运行情况有一个直观的了解。
具体实施时，所述基于边缘计算模型的旋转设备故障诊断方法还包括当目标旋转设备未工作时，边缘设备将运行数据和/或故障诊断结果发送至故障诊断系统。
本发明中，当目标旋转设备未工作时，边缘设备还可将运行数据和/或故障诊断结果发送至故障诊断系统。这样，既不影响故障诊断的实时性和准确率，还使得故障诊断系统可以对运行数据和/或故障诊断结果进行存储并利用这些数据进行进一步的更加复杂的运算或处理。
具体实施时，步骤S1包括：
S101、用户端向边缘设备发送采样设置参数，采样设置参数包括采集频率及采集数据种类；
S102、边缘设备基于所述采样设置参数采集目标旋转设备的运行数据。
本发明中，用户端与边缘设备的数据传输是相互的，用户端可以对采样参数进行设置，进而满足不同用户的监测及诊断需求。例如，设置采样频率大于旋转设备10倍工作频率，这样可以采集更多的数据，提高诊断结果的准确性。
如图2所示，作为本发明的另一种具体实施方式，具体实施时，步骤S3包括：
S301、用户端向边缘设备发送旋转设备运行阈值，旋转设备运行阈值包括三轴振动位移阈值、三轴振动加速度阈值、噪声阈值及温度阈值中的任意一项或多项；
S302、边缘设备将采集的运行数据与旋转设备运行阈值进行比较，若运行数据超出旋转设备运行阈值，则诊断目标旋转设备发生故障。
如图3所示，作为本发明的另一种具体实施方式，具体实施时，步骤S3包括：
S311、边缘设备从采集的运行数据中提取故障诊断特征；
S312、边缘设备将故障诊断特征输入故障诊断模型，得到故障诊断结果。
在这种具体实施方式中，可以采用历史运行数据完成故障诊断模型（神经网络或决策树）的训练，模型训练方法为现有技术，在此不再赘述。此外，可以利用主成分分析法去除无关的特征，确定真正对诊断结果有影响的故障诊断特征，提高诊断效率。
此外，可提取三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息的时域信号；提取三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息的频域信号；将所述频域信号及时域信号作为预测待测旋转设备故障的故障特征。这样，不单单考虑了时域或频域信息，本发明将采集的数据进行时频域联合分析，提取故障特征，考虑了不同维度的振动信息的关联性，能够有效提高故障诊断的准确性。
除了图2和图3的实施方式，本发明中，还可以将两种方式相结合。具体方法包括，同时采用两种方式进行诊断，若一种方式诊断结果为未发生故障，另一种诊断结果为发生了故障，则输出发生了故障的诊断结果。若两种方式诊断均发生故障，但两种方式诊断出的故障结果不同，则输出故障诊断模型诊断出的故障结果（因为故障诊断模型的精准度更高）。
如图4所示，本发明还公开了边缘设备的具体硬件结构，边缘设备包括封装结构及电源（电源未在图中示出，电源可以是安装在封装结构上的电池，也可以是与边缘设备电连接的有线电源），还包括布置在封装结构内的底层电子晶圆、多通道信号采集电子晶圆和多个传感元件；
所述底层电子晶圆上包括具备多个模拟信号输入端口的模数转换电路、计算单元及通信单元；
所述多通道信号采集电子晶圆布置在底层电子晶圆上，多通道信号采集电子晶圆上形成有多个通道的信号采集电路，且各不同通道的信号采集电路的信号输出端分别通过导电端子与底层电子晶圆上的不同模拟信号输入端口进行电连接；
所述多个传感元件布置在多通道信号采集电子晶圆上，且各个传感元件的采集信号输出端分别通过导电端子与多通道信号采集电子晶圆上不同通道的信号采集电路的信号输入端进行电连接。
这种边缘设备，通过把信号采集电路、模数转换电路、计算单元及通信单元集成在电子晶圆上，分别形成独立的多通道信号采集电子晶圆和底层电子晶圆，且在结构布置上，把多通道信号采集电子晶圆设计布置在底层电子晶圆上，实现了采集电路与模数转换电路的层叠设计，减小了采集电路和模数转换电路整体占用的横向布设面积；同时，多通道信号采集电子晶圆上设计了多个通道的信号采集电路，还把多个传感元件（温度传感器、加速度传感器、噪声传感器等）设计布置在多通道信号采集电子晶圆上，这样，一方面进一步的实现了传感元件、采集电路、模数转换电路、计算单元、通信单元的紧凑集成布局，另一方面还设计各个传感元件的采集信号输出端分别通过导电端子与多通道信号采集电子晶圆上不同通道的信号采集电路的信号输入端进行电连接，使得多个传感元件可以分别通过不同的信号采集电路通道进行感测信号的分路采集，然后分别传输至底层电子晶圆上的模数转换电路进行模数转换处理，处理出的数字信号通过底层电子晶圆上模数转换电路的输出信号端口输出至计算单元得到诊断结果后通过通信单元发送至用户端或故障诊断系统，从而具备了实现多方位信息传感检测及故障诊断的集成能力。
在具体技术实现时，可以采用目前MEMS传感器产品中所使用的电子晶圆电路集成技术来制造多通道信号采集电子晶圆和底层电子晶圆，只需要把采集电路、模数转换电路、计算单元及通信单元分别集成在不同的电子晶圆上，并结合考虑晶圆面积和布局结构的配合关系即可；传感元件也可以是目前MEMS传感器产品中所使用的速度、压力、湿度、温度、加速度、气体、磁、光、声、生物、化学等各种MEMS传感器件；考虑到结构的高集成性，传感元件数量最好与多通道信号采集电子晶圆上的信号采集通道数量相对应，例如需要采用两个传感元件则多通道信号采集电子晶圆上则相应使用两个通道的信号采集电路，需要采用五个传感元件则多通道信号采集电子晶圆上则相应使用五个通道的信号采集电路，避免信号采集电路多于传感元件等情况而造成电路结构空间浪费，对产品结构集成性与小型化造成不利影响；封装结构同样可以采用现有的封装工艺。也就是说，边缘设备中的封装结构、底层电子晶圆、多通道信号采集电子晶圆和多个传感元件，都能够采用现有的MEMS传感器产品相关设计工艺技术加工制备获得，有利于技术的普及实施。
而针对于本发明边缘设备的细节结构设计，也可以有多种不同的设计方案。
例如，在多通道信号采集电子晶圆的结构设计上，其多个通道的信号采集电路可以采用将具有多通道的信号采集集成电路集成在单片晶圆上的方式制成，采用单片晶圆集成式电路的设计，具有电路电子器件集成度和利用率高的优点。
但是相应的，采用集成式电路设计的多通道信号采集电子晶圆在实际应用中也会存在一些不足，特别是在针对于工业物联网应用领域的使用场景下，可能需要使用到多种信息采集维度和采集频率差异很大的信息监测，例如声音信号相对高频、振动信号相对低频、温度信号甚至可以几十秒采集一次，而集成式电路设计的具有多通道的信号采集集成电路由于使用共同的采集时钟信号，因此可能对于前述信息采集维度和采集频率差异较大的不同信息监测的多通道采集在兼容性和处理性能上难以达到最优，甚至可能出现不同通道间的信号采集互扰等问题。因此，多通道信号采集电子晶圆采用在单片晶圆上集成具有多通道的信号采集集成电路的设计方案并不是最优解。
所以，考虑到针对工业物联网应用领域的使用场景，如图5所示，本发明边缘设备中多通道信号采集电子晶圆的更优结构设计，是采用由多个单通道信号采集电子晶圆模块组合构成多通道信号采集电子晶圆的设计方案，在每个单通道信号采集电子晶圆模块上单独集成一个单通道的信号采集电路，执行一路信号采集的处理任务；同时，边缘设备中的多个传感元件则可以分别布置在不同的单通道信号采集电子晶圆模块上，实现单个传感元件与单通道信号采集电子晶圆模块的一对一配合结构设计。
这样设计的优点在于，每个单通道信号采集电子晶圆模块上集成的单通道的信号采集电路，就可以根据其需要配合的单个传感元件进行针对性的信号采集电路结构设计，其信号采集频次、放大滤波性能等都可以根据一对一配合的传感元件的感测功能进行独立优化，从而更容易在兼容性和处理性能上达到最优设计，并减少因信号采集电路集成设计产生的不同通道间的信号互扰问题。
在此设计方案的基础上，如果考虑到边缘设备内部结构的布局问题，可以根据边缘设备产品整体的设计形状需求，来布置多通道信号采集电子晶圆中多个单通道信号采集电子晶圆模块的结构布局方式；例如，如果边缘设备产品整体采用长条状设计，如图6所示，则底层电子晶圆可以相应的设计为长条状，而各个单通道信号采集电子晶圆模块可以呈并行排列的方式布置在底层电子晶圆上；如果边缘设备产品整体采用矩形状（或圆形）等设计，如图7所示，则底层电子晶圆可以相应的设计为矩形状（或圆形），而各个单通道信号采集电子晶圆模块可以呈阵列排列的方式布置在底层电子晶圆上。另外，考虑到尽量减少不同通道间信号采集处理的相互干扰，各个单通道信号采集电子晶圆模块之间最好采用相互电隔离的设计；例如，如图5所示，各个单通道信号采集电子晶圆模块之间可以通过间隔布置的方式实现电隔离，只是这样的设计考虑到每个单通道信号采集电子晶圆模块上还布置了传感元件，依靠单个道信号采集电子晶圆与底层电子晶圆连接的导电端子对传感元件的结构支撑可能缺乏足够到位的保护；而作为另一种电隔离设计方式，如图8所示，可以设计各个单通道信号采集电子晶圆模块之间通过绝缘材料进行连接并实现电隔离，这样在保证电隔离的同时，还使得多个单通道信号采集电子晶圆模块之间连接形成整体，对于边缘设备内部的整体结构保护和稳定性都更有利。
另外，考虑到针对工业物联网应用领域中对工业设备的工作状态监测需求场景，很多情况下都需要对设备的振动、声音、温度等信息进行同步的跟踪监测，因此针对这些需求场景所设计的边缘设备，其中集成的传感元件中最好能够包括振动传感元件、声音传感元件和温度传感元件（当然，根据不同的实际需求还可以同时布置其它类型的传感元件），振动传感元件、声音传感元件和温度传感元件都采用MEMS工艺制备，并键合在多通道信号采集电子晶圆上，并且每个传感元件分别与多通道信号采集电子晶圆上的一个通道的信号采集电路的信号输入端进行电连接，实现对应一路感测信号的采集，然后分别传输至底层电子晶圆上的模数转换电路进行处理，实现至少振动、声音、温度信息的感测采集功能。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过参照本发明的优选实施例已经对本发明进行了描述，但本领域的普通技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离所附权利要求书所限定的本发明的精神和范围。

Claims (4)

1.一种基于边缘计算模型的旋转设备故障诊断方法，其特征在于，包括：
S1、边缘设备采集目标旋转设备的运行数据，所述边缘设备包括多种传感元件、信号采集电路、模数转换电路、计算单元及通信单元；
S2、边缘设备基于运行数据对目标旋转设备进行故障诊断；
S3、边缘设备将故障诊断结果发送至用户端设备；其中，包括：
方式一：
S301、用户端向边缘设备发送旋转设备运行阈值，旋转设备运行阈值包括三轴振动位移阈值、三轴振动加速度阈值、噪声阈值及温度阈值中的任意一项或多项；
S302、边缘设备将采集的运行数据与旋转设备运行阈值进行比较，若运行数据超出旋转设备运行阈值，则诊断目标旋转设备发生故障；
方式二：
S311、边缘设备从采集的运行数据中提取故障诊断特征；
S312、边缘设备将故障诊断特征输入故障诊断模型，得到故障诊断结果；
同时采用上述两种方式进行诊断；若一种方式诊断结果为未发生故障，另一种诊断结果为发生了故障，则输出发生了故障的诊断结果；若两种方式诊断均发生故障，但两种方式诊断出的故障结果不同，则输出故障诊断模型诊断出的故障结果；
所述边缘设备包括封装结构及电源，还包括布置在封装结构内的底层电子晶圆、多通道信号采集电子晶圆和多个传感元件；所述底层电子晶圆上包括具备多个模拟信号输入端口的模数转换电路、计算单元及通信单元；所述多通道信号采集电子晶圆布置在底层电子晶圆上，多通道信号采集电子晶圆上形成有多个通道的信号采集电路，且各不同通道的信号采集电路的信号输出端分别通过导电端子与底层电子晶圆上的不同模拟信号输入端口进行电连接；所述多个传感元件布置在多通道信号采集电子晶圆上，且各个传感元件的采集信号输出端分别通过导电端子与多通道信号采集电子晶圆上不同通道的信号采集电路的信号输入端进行电连接；
其中，多通道信号采集电子晶圆采用由多个单通道信号采集电子晶圆模块组合构成多通道信号采集电子晶圆的设计方案，在每个单通道信号采集电子晶圆模块上单独集成一个单通道的信号采集电路，执行一路信号采集的处理任务；同时，边缘设备中的多个传感元件则分别布置在不同的单通道信号采集电子晶圆模块上。
2.如权利要求1所述的基于边缘计算模型的旋转设备故障诊断方法，其特征在于，所述运行数据包括三轴振动位移信息、三轴振动加速度信息、噪声信息及温度信息中的任意一种或多种。
3.如权利要求1所述的基于边缘计算模型的旋转设备故障诊断方法，其特征在于，所述基于边缘计算模型的旋转设备故障诊断方法还包括边缘设备将运行数据发送至用户端设备。
4.如权利要求1所述的基于边缘计算模型的旋转设备故障诊断方法，其特征在于，所述基于边缘计算模型的旋转设备故障诊断方法还包括当目标旋转设备未工作时，边缘设备将运行数据和/或故障诊断结果发送至故障诊断系统。
CN202011474900.1A 2020-12-15 2020-12-15 一种基于边缘计算模型的旋转设备故障诊断方法 Active CN112417772B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011474900.1A CN112417772B (zh) 2020-12-15 2020-12-15 一种基于边缘计算模型的旋转设备故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011474900.1A CN112417772B (zh) 2020-12-15 2020-12-15 一种基于边缘计算模型的旋转设备故障诊断方法

Publications (2)

Publication Number Publication Date
CN112417772A CN112417772A (zh) 2021-02-26
CN112417772B true CN112417772B (zh) 2022-12-23

Family

ID=74775092

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011474900.1A Active CN112417772B (zh) 2020-12-15 2020-12-15 一种基于边缘计算模型的旋转设备故障诊断方法

Country Status (1)

Country Link
CN (1) CN112417772B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113295445A (zh) * 2021-05-19 2021-08-24 郑州大学 一种旋转机械的振动信号采集及故障实时监测系统及方法
CN113776794B (zh) * 2021-08-13 2023-04-28 昆明理工大学 一种嵌入式边缘计算的故障诊断方法、装置和系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104500982B (zh) * 2014-11-24 2017-02-22 北京华航无线电测量研究所 一种多通道磁传感器检测和数据采集电路
CN104581058B (zh) * 2014-12-25 2019-05-31 齐咏生 一种风机信号采集器
CN106477510B (zh) * 2016-11-29 2018-03-20 合肥芯福传感器技术有限公司 堆叠式mems传感器封装体、芯片及其制作方法
US10539932B2 (en) * 2017-09-30 2020-01-21 Intel Corporation Machine diagnostics based on overall system energy state
US20200233397A1 (en) * 2019-01-23 2020-07-23 New York University System, method and computer-accessible medium for machine condition monitoring
US11616839B2 (en) * 2019-04-09 2023-03-28 Johnson Controls Tyco IP Holdings LLP Intelligent edge computing platform with machine learning capability
CN110398264A (zh) * 2019-07-31 2019-11-01 联想(北京)有限公司 一种设备状态监测方法及系统
CN111830408B (zh) * 2020-06-23 2023-04-18 朗斯顿科技(北京)有限公司 一种基于边缘计算和深度学习的电机故障诊断系统及方法

Also Published As

Publication number Publication date
CN112417772A (zh) 2021-02-26

Similar Documents

Publication Publication Date Title
CN112417772B (zh) 一种基于边缘计算模型的旋转设备故障诊断方法
CN1232831C (zh) 电容型电力设备介质损耗在线监测方法及装置
CN101943682B (zh) 基于阵列式声发射器的分布式机械故障实时监测装置及方法
CN108303262A (zh) 一种汽车发动机在线监测与故障诊断系统
CN202209986U (zh) 设备状态监测和故障诊断传感装置
CN108427623A (zh) 一种计算机故障报警系统及方法
WO2016151716A1 (ja) センサ端末の故障または異常の検出方法
CN202524429U (zh) 基于无线传感节点的起重机械健康监测系统
CN108319248A (zh) 一种基于LabView及无人机的变电站环境监控系统
CN111786988A (zh) 一种基于5g的船岸数据交互系统
CN106959686A (zh) 一种智能远程诊断系统及方法
CN112099064A (zh) 一种网络型gnss原始数据采集传输与定位系统
CN113641684A (zh) 物联网大数据处理装置及方法
CN111324073A (zh) 一种机床检测分析方法及其分析平台
CN201690447U (zh) 一种小型化多通道旋转设备微弱信号无线采集系统
CN108955867A (zh) 一种多通道远程振动信号监示仪及监示系统
CN203908666U (zh) 一种断路器/gis振动信号采集装置
CN212909578U (zh) 一种基于5g的船岸数据交互系统
CN105890654A (zh) 环境数据采集器
CN201242809Y (zh) 一种发电机状态网络监测系统
CN201163281Y (zh) 模块化的多组分分布式在线气体分析仪
CN1458533A (zh) 分布式智能电机检测系统
CN112479152B (zh) 一种基于微机电传感器融合的集成式状态监测边缘计算器
CN102901580B (zh) 一种基于多耦合器的声表面波温度传感器
CN111464562A (zh) 一种实验室数据智能采集转换系统

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