CN112697267A - 一种工业设备异常振动检测装置 - Google Patents

一种工业设备异常振动检测装置 Download PDF

Info

Publication number
CN112697267A
CN112697267A CN202011256728.2A CN202011256728A CN112697267A CN 112697267 A CN112697267 A CN 112697267A CN 202011256728 A CN202011256728 A CN 202011256728A CN 112697267 A CN112697267 A CN 112697267A
Authority
CN
China
Prior art keywords
industrial equipment
vibration
neural network
abnormal
soft core
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.)
Pending
Application number
CN202011256728.2A
Other languages
English (en)
Inventor
孙广宇
罗国杰
韩平
孙康睿
张波
李亚军
曹玉龙
李加敏
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.)
Advanced Institute of Information Technology AIIT of Peking University
Hangzhou Weiming Information Technology Co Ltd
Original Assignee
Advanced Institute of Information Technology AIIT of Peking University
Hangzhou Weiming Information 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 Advanced Institute of Information Technology AIIT of Peking University, Hangzhou Weiming Information Technology Co Ltd filed Critical Advanced Institute of Information Technology AIIT of Peking University
Priority to CN202011256728.2A priority Critical patent/CN112697267A/zh
Publication of CN112697267A publication Critical patent/CN112697267A/zh
Priority to PCT/CN2021/099699 priority patent/WO2022100084A1/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种工业设备异常振动检测装置，该装置包括：工业设备、物联网节点模块、智能边缘计算平台；其中，工业设备和物联网节点模块连接，智能边缘计算平台与物联网节点模块通信连接，其中，物联网节点模块检测工业设备的振动数据并进行分析，以判断工业设备的振动是否异常。物联网节点模块包括嵌入式软核，嵌入式软核中内置神经网络与自学习算法，采用自学习算法实现神经网络的无监督在线训练。因此，由于本发明在嵌入式软核中内置神经网络与自学习算法，可在线收集运行数据进行无监督在线训练神经网络，使训练后的神经网络检测结果更加准确，从而可预测工业设备维护需求以避免发生紧急维修事件，使工业设备正常运行时间最大化，进而提高工业生产效率。

Description

一种工业设备异常振动检测装置
技术领域
本发明涉及测量技术领域，特别涉及一种工业设备异常振动检测装置，可用于工业设备的运行监测。
背景技术
当前，工厂生产智能自动化已经受到越来越多的关注，因为智能自动化不仅能带来生产效率的提高，而且能够降低或消除设备停工造成的严重损失。机器设备的不平衡、缺陷、紧固件松动和其它异常现象往往会转化为振动，导致精度下降，并且引发安全问题。如果置之不理，除了性能和安全问题外，若导致设备停机修理，也必然会带来生产率损失。即使设备性能发生微小的改变，这通常很难及时预测，也会迅速转化为重大的生产率损失。
为达到工业设备的检测需求，目前大部分工厂只是简单依靠技术人员的人工检查，但是此时人力消耗巨大且检测的可靠性难以保证。有些采用简单的压电传感器或手持式数据采集工具等进行设备检测，但是也存在诸多局限性。一方面仍需人力配合，另一方面这些工具只是简单采集数据不能检测是否发生异常或者预测故障。
发明内容
本发明实施例提供了一种工业设备异常振动检测装置。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
第一方面，本发明实施例提供了一种工业设备异常振动检测装置，装置包括：
工业设备、物联网节点模块、智能边缘计算平台；其中，
工业设备和物联网节点模块连接，智能边缘计算平台与物联网节点模块通信连接，其中，
物联网节点模块检测工业设备的振动数据并进行分析，以判断工业设备的振动是否异常。
可选的，物联网节点模块包括嵌入式软核，嵌入式软核中内置神经网络与自学习算法，采用自学习算法实现神经网络的无监督在线训练。
可选的，物联网节点模块包括振动传感器、数模转换器、加速单元以及无线通信单元；其中，振动传感器、数模转换器、加速单元以及无线通信单元依次电连接；其中，
振动传感器和工业设备连接；
无线通信单元和智能边缘计算平台通信连接。
可选的，所述加速单元包括FPGA子单元；
所述无线通信单元包括集成无线功能的微控制器；其中，
所述FPGA子单元包括嵌入式软核和神经网络；其中，
所述数模转换器通过集成电路总线和所述FPGA子单元连接；所述FPGA子单元通过队列串行外设接口和所述集成无线功能的微控制器连接。
可选的，装置还包括：
报警终端；其中，报警终端和智能边缘计算平台通信连接。
可选的，振动传感器用于实时采集待检测工业设备的振动信息发送至数模转换器；
数模转换器用于将所述振动信息的模拟信息转换为数字信号通过集成线路总线发送至加速单元中的FPGA子单元；
FPGA子单元中嵌入式软核用于基于预先训练的神经网络进行计算后生成计算结果并将所述计算结果通过队列串行外设接口发送至无线通信单元中的集成无线功能的微控制器；
集成无线功能的微控制器用于通过均方误差法处理所述计算结果，生成处理结果，并基于所述处理结果确定所述待检测工业设备是否出现异常。
可选的，当处理结果大于等于预设阈值时，集成无线功能的微控制器确定待检测工业设备出现异常；以及当处理结果小于预设值时，集成无线功能的微控制器确定待检测工业设备未出现异常。
可选的，当出现异常时集成无线功能的微控制器生成预警信息，将预警信息通过无线通信单元发送至智能边缘计算平台；
智能边缘计算平台对预警信息进行数据处理和统计，生成报警信息，并将报警信息发送至报警终端。
可选的，嵌入式软核按照下述方法生成预先训练的神经网络，包括：
通过自学习算法创建模型训练组件；
采集多个工业设备运行正常的训练数据样本，并基于模型训练组件将训练数据样本输入神经网络中进行无监督在线训练，训练结束后生成预先训练的神经网络。
可选的，嵌入式软核训练结束后生成预先训练的神经网络之后，还包括：
嵌入式软核下载预先训练的神经网络的权重文件，并将权重文件写入到嵌入式软核中。
本发明实施例提供的技术方案可以包括以下有益效果：
在本发明实施例中，工业设备异常振动检测装置首先通过振动传感器实时采集待检测工业设备的振动信息发送至数模转换器，然后通过数模转换器将振动信息的模拟信息转换为数字信号发送至加速单元中的FPGA子单元，再基于 FPGA子单元中嵌入式软核用于基于预先训练的神经网络进行计算后生成计算结果并将所述计算结果通过队列串行外设接口发送至无线通信单元中的集成无线功能的微控制器，最后通过集成无线功能的微控制器用于通过均方误差法处理计算结果，生成处理结果，并基于处理结果确定待检测工业设备是否出现异常。由于本发明在嵌入式软核中内置神经网络与自学习算法，可实现在线收集正常运行数据进行无监督在线训练神经网络，使训练后的神经网络检测结果更加准确，从而可预测工业设备维护需求以避免发生紧急维修事件，使工业设备正常运行时间最大化，进而提高工业生产效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是本发明实施例提供的一种工业设备异常振动检测装置的装置示意图；
图2是本发明实施例提供的一种工业设备异常振动检测过程的流程示意图；
图3是本发明实施例提供的一种工业设备异常振动检测过程的过程示意图；
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。
应当明确，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。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。此外，在本发明的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
到目前为止，对于工业设备异常振动检测，目前大部分工厂只是简单依靠技术人员的人工检查，但是此时人力消耗巨大且检测的可靠性难以保证。有些采用简单的压电传感器或手持式数据采集工具等进行设备检测，但是也存在诸多局限性。一方面仍需人力配合，另一方面这些工具只是简单采集数据不能检测是否发生异常或者预测故障。为此，本发明提供了一种工业设备异常振动检测装置、方法、存储介质和电子设备，以解决上述相关技术问题中存在的问题。本发明提供的技术方案中，由于本发明在嵌入式软核中内置神经网络与自学习算法，可实现在线收集正常运行数据进行无监督在线训练神经网络，使训练后的神经网络检测结果更加准确，从而可预测工业设备维护需求以避免发生紧急维修事件，使工业设备正常运行时间最大化，进而提高工业生产效率，下面采用示例性的实施例进行详细说明。
请参见图1，图1是本发明实施例提供的一种工业设备异常振动检测装置的装置示意图，该装置包括工业设备、物联网节点模块、智能边缘计算平台；其中，工业设备和物联网节点模块连接，智能边缘计算平台与物联网节点模块通信连接，其中，物联网节点模块检测工业设备的振动数据并进行分析，以判断工业设备的振动是否异常。
进一步地，物联网节点模块包括嵌入式软核，嵌入式软核中内置神经网络与自学习算法，采用自学习算法实现神经网络的无监督在线训练。
需要说明的是，物联网节点模块包括嵌入式软核，嵌入式软核中内置神经网络与自学习算法，采用自学习算法实现神经网络的无监督在线训练。
具体的，工业设备例如：工业风机、搅拌器、汽轮发电机、电机、水泵以及齿轮箱等。智能边缘计算平台用于接收来自物联网节点的数据进行数据处理与统计，报警终端包含手机报警与大数据平台报警，振动异常时实时报警。
进一步地，物联网节点模块包括振动传感器、数模转换器、加速单元以及无线通信单元；其中，振动传感器、数模转换器、加速单元以及无线通信单元依次电连接；其中，振动传感器和工业设备连接；无线通信单元和智能边缘计算平台通信连接。
具体的，振动传感器可检测多种工业设备，用来收集工业设备产生的运行数据信息。其中，数模转换器又称D/A转换器，简称DAC，它是把数字量转变成模拟的器件。
进一步地，加速单元包括FPGA子单元；其中，无线通信单元包括集成无线功能的微控制器；其中，FPGA子单元包括嵌入式软核和神经网络；其中，数模转换器通过集成电路总线和所述FPGA子单元连接；FPGA子单元通过队列串行外设接口和所述集成无线功能的微控制器连接。
进一步地，装置还包括：报警终端；其中，报警终端和智能边缘计算平台通信连接。
在一种可能的实现方式中，六轴加速度传感器首先采集工业设备的振动信息对应的数字信号并通过IIC(Inter-Integrated Circuit，集成电路总线) 发送至嵌入式软核(FPGA的微处理器IP核)，其中FPGA的微处理器IP核运行速度快、占用资源少、可配置性强。在FPGA的微处理器IP核中有长短期记忆神经网络(LSTM，Long Short-Term Memory)算法创建的待检测工业设备模型，神经网络实现采用16bit定点数，通过训练后的模型采用稀疏矩阵压缩算法进行并行计算实现两层64点LSTM网络的部署，满足实时计算监测的要求，最后将计算的结果通过队列串行外设接口发送至集成无线功能的微控制器。
进一步地，在集成无线功能的微控制器中，在该模块中利用均方误差判断是否异常，高于阈值则将报警信息通过无线网络传至智能边缘计算服务器，低于阈值则静默。
在本发明实施例中，工业设备异常振动检测装置首先通过振动传感器实时采集待检测工业设备的振动信息发送至数模转换器，然后通过数模转换器将振动信息的模拟信息转换为数字信号发送至加速单元中的FPGA子单元，再基于 FPGA子单元中嵌入式软核用于基于预先训练的神经网络进行计算后生成计算结果并将所述计算结果通过队列串行外设接口发送至无线通信单元中的集成无线功能的微控制器，最后通过集成无线功能的微控制器用于通过均方误差法处理计算结果，生成处理结果，并基于处理结果确定待检测工业设备是否出现异常。由于本发明在嵌入式软核中内置神经网络与自学习算法，可实现在线收集正常运行数据进行无监督在线训练神经网络，使训练后的神经网络检测结果更加准确，从而可预测工业设备维护需求以避免发生紧急维修事件，使工业设备正常运行时间最大化，进而提高工业生产效率。
请参见图2，为本发明实施例提供了一种应用于工业设备异常振动检测装置的工业设备异常振动检测过程的流程示意图。如图2所示，本发明实施例的检测流程可以包括以下步骤：
S101，振动传感器用于实时采集待检测工业设备的振动信息发送至数模转换器；
其中，振动传感器是检测设备振动的传感器组件。振动信息是工业设备在运行时如果出现振动后收集的数据信息。需要说明的是，振动传感器优选六轴加速度传感器。振动传感器(六轴加速度传感器)将数据传给数模转换单元，再通过集成线路总线传给FPGA，FPGA通过队列串行外设接口传给无线通信单元 (集成无线功能的为控制器)。
在一种可能的实现方式中，工业设备异常振动检测装置在对工业设备异常进行检测时，用户首先将待检测工业设备和工业设备异常振动检测装置连接，在连接成功后启动工业设备异常振动检测装置对待检测工业设备进行异常检测，在检测时通过振动传感器实时采集待检测工业设备的振动信息。
S102，数模转换器用于将振动信息的模拟信息转换为数字信号发送至加速单元中的FPGA子单元；
其中，数模转换器又称D/A转换器，简称DAC，它是把数字量转变成模拟的器件。
在一种可能的实现方式中，在工业设备振动源产生振动后通过振动传感器收集振动数据输入到数模转换器中，数模转换器将模拟信号转为数字信号。
S103，FPGA子单元中嵌入式软核用于基于预先训练的神经网络进行计算后生成计算结果并将所述计算结果通过队列串行外设接口发送至无线通信单元中的集成无线功能的微控制器；
通常，嵌入式软核中预先训练的待检测工业设备模型是在线收集正常运行数据进行无监督在线训练后生成的。
进一步地，待检测工业设备模型训练时，首先采用长短期记忆神经网络创建待检测工业设备模型，然后通过自学习算法创建模型训练组件，最后采集多个工业设备运行正常的训练数据样本，并基于模型训练组件将训练数据样本输入待检测工业设备模型中进行训练进行无监督在线训练，训练结束后生成预先训练的待检测工业设备模型。
进一步地，在模型训练结束后，下载预先训练的待检测工业设备模型的权重文件，并将权重文件写入到嵌入式软核中，此时的嵌入式软核具备检测能力。
在一种可能的实现方式中，当嵌入式软核具备检测能力时，将待检测工业设备的数字信号通过集成电路总线发送至嵌入式软核中，并基于嵌入式软核中预先训练的待检测工业设备模型中的权重文件进行计算后生成计算结果。
需要说明的是，振动传感器、数模转换器、加速单元以及无线通信均在物联网节点中完成。相比于市场上类似产品，增加了神经网络与自学习算法，不需要人为标定训练数据，在边缘计算与IOT节点的配合下实现自学习。同时无源无线，便于部署。
S105，集成无线功能的微控制器用于通过均方误差法处理计算结果，生成处理结果，并基于处理结果确定待检测工业设备是否出现异常。
其中，均方误差(mean-square error,MSE)是反映估计量与被估计量之间差异程度的一种度量。
在一种可能的实现方式中，当基于步骤S104得到计算结果后，将计算结果作为均方误差算法的参数，二次进行计算后得到处理结果，根据该处理结果可确定待检测工业设备是否出现异常。
例如，当处理结果大于等于预设阈值时，确定待检测工业设备出现异常；以及当处理结果小于预设值时，确定待检测工业设备未出现异常。
进一步地，当出现异常时生成预警信息，并将预警信息通过集成无线功能的微控制器发送至智能边缘计算平台，根据智能边缘计算平台对预警信息进行数据处理和统计，生成报警信息，并将报警信息发送至报警终端。
例如图3所示，图3是本发明实施例提供的一种工业设备异常振动检测架构图，该架构包括振动源(即待检测工业设备)、物联网节点(包括振动传感器、数模转换器(A/D单元)、加速单元以及无线通信)、智能边缘计算平台以及报警平台(报警平台包括振动异常手机APP报警和振动异常大数据平台报警)。
进一步地，加速单元中包括FPGA子单元，该FPGA子单元包括嵌入式软核、待检测工业设备模型。
在本发明实施例中，工业设备异常振动检测装置首先通过振动传感器实时采集待检测工业设备的振动信息发送至数模转换器，然后通过数模转换器将振动信息的模拟信息转换为数字信号发送至加速单元中的FPGA子单元，再基于FPGA子单元中嵌入式软核用于基于预先训练的神经网络进行计算后生成计算结果并将所述计算结果通过队列串行外设接口发送至无线通信单元中的集成无线功能的微控制器，最后通过集成无线功能的微控制器用于通过均方误差法处理计算结果，生成处理结果，并基于处理结果确定待检测工业设备是否出现异常。由于本发明在嵌入式软核中内置神经网络与自学习算法，可实现在线收集正常运行数据进行无监督在线训练神经网络，使训练后的神经网络检测结果更加准确，从而可预测工业设备维护需求以避免发生紧急维修事件，使工业设备正常运行时间最大化，进而提高工业生产效率。
本发明还提供一种计算机可读介质，其上存储有程序指令，该程序指令被处理器执行时实现上述各个方法实施例提供的工业设备异常振动检测方法。
本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各个方法实施例的工业设备异常振动检测方法。
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流程，是可以通过计算机程序来指令相关的硬件来完成，的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
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。

Claims (10)

1.一种工业设备异常振动检测装置，其特征在于，所述装置包括：
工业设备、物联网节点模块、智能边缘计算平台；其中，
所述工业设备和所述物联网节点模块连接，所述智能边缘计算平台与所述物联网节点模块通信连接，其中，
所述物联网节点模块检测所述工业设备的振动数据并进行分析，以判断所述工业设备的振动是否异常。
2.根据权利要求1所述的一种工业设备异常振动检测装置，其特征在于
所述物联网节点模块包括嵌入式软核，所述嵌入式软核中内置神经网络与自学习算法，采用所述自学习算法实现所述神经网络的无监督在线训练。
3.根据权利要求1或2所述的一种工业设备异常振动检测装置，其特征在于，
所述物联网节点模块包括振动传感器、数模转换器、加速单元以及无线通信单元；其中，所述振动传感器、数模转换器、加速单元以及无线通信单元依次电连接；其中，
所述振动传感器和所述工业设备连接；
所述无线通信单元和所述智能边缘计算平台通信连接。
4.根据权利要求3所述的一种工业设备异常振动检测装置，其特征在于，
所述加速单元包括FPGA子单元；
所述无线通信单元包括集成无线功能的微控制器；其中，
所述FPGA子单元包括嵌入式软核和神经网络；其中，
所述数模转换器通过集成电路总线和所述FPGA子单元连接；所述FPGA子单元通过队列串行外设接口和所述集成无线功能的微控制器连接。
5.根据权利要求1所述的一种工业设备异常振动检测装置，其特征在于，所述装置还包括：
报警终端；其中，所述报警终端和所述智能边缘计算平台通信连接。
6.根据权利要求4所述的一种工业设备异常振动检测装置，其特征在于，
振动传感器用于实时采集待检测工业设备的振动信息发送至数模转换器；
数模转换器用于将所述振动信息的模拟信息转换为数字信号通过集成线路总线发送至加速单元中的FPGA子单元；
FPGA子单元中嵌入式软核用于基于预先训练的神经网络进行计算后生成计算结果并将所述计算结果通过队列串行外设接口发送至无线通信单元中的集成无线功能的微控制器；
集成无线功能的微控制器用于通过均方误差法处理所述计算结果，生成处理结果，并基于所述处理结果确定所述待检测工业设备是否出现异常。
7.根据权利要求6所述的一种工业设备异常振动检测装置，其特征在于，
当所述处理结果大于等于预设阈值时，集成无线功能的微控制器确定所述待检测工业设备出现异常；以及当所述处理结果小于预设值时，集成无线功能的微控制器确定所述待检测工业设备未出现异常。
8.根据权利要求7所述的一种工业设备异常振动检测装置，其特征在于，
当出现异常时所述集成无线功能的微控制器生成预警信息，将所述预警信息通过无线通信单元发送至智能边缘计算平台；
智能边缘计算平台对所述预警信息进行数据处理和统计，生成报警信息，并将所述报警信息发送至报警终端。
9.根据权利要求6所述的一种工业设备异常振动检测装置，其特征在于，所述嵌入式软核按照下述方法生成预先训练的神经网络，包括：
通过自学习算法创建模型训练组件；
采集多个工业设备运行正常的训练数据样本，并基于所述模型训练组件将所述训练数据样本输入所述神经网络中进行无监督在线训练，训练结束后生成预先训练的神经网络。
10.根据权利要求9所述的一种工业设备异常振动检测装置，其特征在于，所述嵌入式软核训练结束后生成预先训练的神经网络之后，还包括：
嵌入式软核下载所述预先训练的神经网络的权重文件，并将所述权重文件写入到嵌入式软核中。
CN202011256728.2A 2020-11-11 2020-11-11 一种工业设备异常振动检测装置 Pending CN112697267A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011256728.2A CN112697267A (zh) 2020-11-11 2020-11-11 一种工业设备异常振动检测装置
PCT/CN2021/099699 WO2022100084A1 (zh) 2020-11-11 2021-06-11 一种工业设备异常振动检测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011256728.2A CN112697267A (zh) 2020-11-11 2020-11-11 一种工业设备异常振动检测装置

Publications (1)

Publication Number Publication Date
CN112697267A true CN112697267A (zh) 2021-04-23

Family

ID=75506985

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011256728.2A Pending CN112697267A (zh) 2020-11-11 2020-11-11 一种工业设备异常振动检测装置

Country Status (2)

Country Link
CN (1) CN112697267A (zh)
WO (1) WO2022100084A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114167270A (zh) * 2021-11-30 2022-03-11 广东电网有限责任公司 一种基于边缘计算的刀闸状态识别系统
WO2022100084A1 (zh) * 2020-11-11 2022-05-19 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
CN115203292A (zh) * 2022-09-15 2022-10-18 昆仑智汇数据科技(北京)有限公司 一种工业设备的数据处理方法、装置及设备
CN116009502A (zh) * 2023-03-22 2023-04-25 深圳华龙讯达信息技术股份有限公司 工业自动化平台智能数据采集系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110542474A (zh) * 2019-09-04 2019-12-06 中国科学院上海高等研究院 器件的振动信号检测方法、系统、介质及装置
CN111174905A (zh) * 2020-02-13 2020-05-19 欧朗电子科技有限公司 低功耗物联网振动异常检测装置及其检测方法
CN111412977A (zh) * 2020-03-09 2020-07-14 华南理工大学 一种机械设备振动感知数据的预处理方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006309822A (ja) * 2005-04-26 2006-11-09 Hitachi Global Storage Technologies Netherlands Bv 磁気ディスク装置及び記録方法
CN104929864A (zh) * 2015-02-06 2015-09-23 青岛科技大学 基于fpga的嵌入式风力发电机组运行状态监测及故障诊断系统
JP2018084854A (ja) * 2016-11-21 2018-05-31 日本電気株式会社 センサデータ処理方法
CN110119333A (zh) * 2019-02-21 2019-08-13 北京天泽智云科技有限公司 一种异常检测边缘计算系统
CN110958299A (zh) * 2019-10-30 2020-04-03 浙江省北大信息技术高等研究院 一种集成多组网协议多边缘计算框架的边缘计算处理平台
CN110830943A (zh) * 2019-11-06 2020-02-21 湖南银河电气有限公司 一种基于边缘计算和大数据分析的设备状态监测系统
CN111031069A (zh) * 2019-12-26 2020-04-17 广东省智能制造研究所 一种具有边缘计算功能的振动采集分析终端及方法
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110542474A (zh) * 2019-09-04 2019-12-06 中国科学院上海高等研究院 器件的振动信号检测方法、系统、介质及装置
CN111174905A (zh) * 2020-02-13 2020-05-19 欧朗电子科技有限公司 低功耗物联网振动异常检测装置及其检测方法
CN111412977A (zh) * 2020-03-09 2020-07-14 华南理工大学 一种机械设备振动感知数据的预处理方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022100084A1 (zh) * 2020-11-11 2022-05-19 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
CN114167270A (zh) * 2021-11-30 2022-03-11 广东电网有限责任公司 一种基于边缘计算的刀闸状态识别系统
CN114167270B (zh) * 2021-11-30 2023-09-19 广东电网有限责任公司 一种基于边缘计算的刀闸状态识别系统
CN115203292A (zh) * 2022-09-15 2022-10-18 昆仑智汇数据科技(北京)有限公司 一种工业设备的数据处理方法、装置及设备
CN116009502A (zh) * 2023-03-22 2023-04-25 深圳华龙讯达信息技术股份有限公司 工业自动化平台智能数据采集系统及方法

Also Published As

Publication number Publication date
WO2022100084A1 (zh) 2022-05-19

Similar Documents

Publication Publication Date Title
CN112697267A (zh) 一种工业设备异常振动检测装置
CN107247230A (zh) 一种基于支持向量机和数据驱动的旋转电机状态监测方法
CN108536945A (zh) 一种用于大型调相机的故障诊断方法及系统
CN108376184A (zh) 一种桥梁健康监控的方法及系统
CN103321839B (zh) 风机振动监测方法及系统、风机监控器
CN103835882A (zh) 大型风力发电机组状态监测与故障诊断系统
CN117270514B (zh) 基于工业物联网的生产过程全流程故障检测方法
CN110749462B (zh) 一种基于边缘计算的工业设备故障检测方法及系统
CN116070802B (zh) 一种基于数据孪生的智能监控运维方法和系统
KR102545672B1 (ko) 기계고장 진단 방법 및 장치
CN112084087A (zh) 一种工业设备状态监控与运维管理方法、系统
CN114061743A (zh) 风力发电机组的振动监测方法、装置、设备及介质
CN113300918A (zh) 智慧灯杆的故障检测方法、终端设备及存储介质
CN117367807A (zh) 航空发动机的故障诊断方法、系统、设备及介质
CN111400114A (zh) 基于深度递归网络大数据计算机系统故障检测方法及系统
CN220979768U (zh) 一种海上风电机组叶片故障诊断系统
CN106706000B (zh) 经纬仪智能网络监测方法及系统
CN108984550B (zh) 确定数据的信号规则以对数据标注的方法、装置和系统
CN202091172U (zh) 气体压缩机状态监测和可靠性分析装置
CN114165430B (zh) 基于边缘计算的机泵健康监测方法、系统、设备及介质
CN220434942U (zh) 一种风电机组全景故障诊断系统
CN118432710B (zh) 一种光纤通信链路故障上报的方法
CN116774085A (zh) 一种汽车动力电池拆解生产线监控系统和方法
CN114265385A (zh) 一种基于深度学习的故障识别方法、装置及存储介质
CN114428679A (zh) 一种电力车联网边缘物联代理方法及装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210423

RJ01 Rejection of invention patent application after publication