CN112710918B - 基于边缘计算的无线数据采集方法及系统 - Google Patents

Abstract

本发明公开了一种基于边缘计算的无线数据采集方法，该方法在数据采集系统中执行，数据采集系统包括设置于待测设备各测点的无线传感器和与无线传感器无线连接的采集站，该方法包括：各无线传感器分别按照第一间隔时间、第二间隔时间、第三间隔时间定时采集相应测点的运行状态数据，得到第一数据片段、第二数据片段、第三数据片段，其中，第一间隔时间>第二间隔时间>第三间隔时间；各无线传感器分别根据第一数据片段、第二数据片段、第三数据片段计算出多种特征指标，并按照预设的回传机制将第一数据片段和各特征指标发送至采集站；采集站将各测点的第一数据片段和特征指标进行汇总，并发送至上位机。本发明一并公开了相应的数据采集系统。

Description

基于边缘计算的无线数据采集方法及系统

技术领域

本发明涉及工业设备健康状态监测技术领域，尤其涉及一种基于边缘计算的无线数据采集方法及系统。

背景技术

随着大数据在工业上的逐渐运用和物联网技术的不断发展，设备的预测性维护也进入智能互联和数据驱动的时代。如何高效利用工业生产中产生的数据来对设备进行在线监测和故障诊断，是工业智能化进程必须要解决的问题。目前，工业中设备的预测性维护遵循着以云为中心的互联网架构，即通过前端设备(传感器、摄像头)采集数据，再使用远程服务对数据进行存储、处理和管理。但是，在巨大的数据量、设备量、工业生产需求等条件下，传统意义上的远程计算可能会面临带宽、时延、连接质量、资源分配、安全等多方面的挑战。设备数量、数据量的陡然增加、数据的时效要求和工业场景的多样型、复杂性对软硬件、数据传输能力和智能化水平提出了进一步要求。

针对石化工业现场等复杂情况，信号的采集一般使用采用无线传感器设备。考虑到无线传感器的存储资源和传输资源相对于无线传感器来说更加有限，同时考虑到电池等硬件限制问题，目前大多数无线传感器采集方案都采取定时采集数据策略，按照固定的时间间隔定时采取固定长度的数据信号(间隔时间根据具体的情况而定，可调整)，通过定时唤醒无线传感器上传的方式将数据传输到采集站，采集站将数据进行汇总，定时将采集到数据传输至数据中心进行处理。

上述无线采集方案以固定模式采集数据并定时唤醒设备上传至采集站，采集站汇集所有各测点数据并定时回传至数据中心，庞大的数据流需要耗费大量的存储以及传输资源，同时没有针对性的采集策略往往很难获得关键时刻的数据资源，影响了异常检测与诊断的有效性和及时性。具体的缺点表现在以下方面：

1、数据的存储与传输压力依然较大。无线传感器定时采集往往保存的是长度较大的时域波形数据，并需要通过定时唤醒设备来进行数据的传输，过程需要耗费大量的存储、传输以及电池能量等资源，如果设备一直处于平稳状态，所采集的数据蕴含的信息过于重复，以小时作为采集的时间间隔，冗余信息过多，进而造成过多资源的浪费。

2、关键故障时刻点缺少波形数据。由于无线传感器采用定时采集定时传输的方式，周期较长，对于一些劣化速度较快的故障来说，无法采集到异常发生时刻关键点的波形数据，同时对于一些劣化较慢的故障，过大的采集周期间隔所得到的数据也很难反映劣化过程，这些都影响了对设备状态进行有效的监测。

3、定时批量数据回传无优先级划分，故障检测报警滞后，时效性差。目前无线传感器只负责定时采集数据并定时批量传输到采集站，不区分数据的优先级，故障数据只能和正常数据一样等待回传程序的开启，这对于一些快速劣化并且严重故障的设备来说，数据回传的滞后以及报警信号从数据处理中心传回现场的时间差会造成无法及时有效地对设备进行监测，故障的设备无法得到及时的检修，从而造成严重的损失。

4、硬件端智能化水平不足，工作效率低。目前对于定时采集传回的时域波形数据，在硬件端只能计算少量初级的指标，无法满足设备健康状态判断的要求，因此目前更多的方式还是通过将波形数据回传到上位机客户端，配合指标提取以及智能报警机制，需要专家依靠经验进行数据分析确认设备健康状态，数据从采集到传输再到最后转化成设备状态结论，需要一定的时间，不能够及时地将结果反馈给现场。

发明内容

为此，本发明提供一种数据采集方法及系统，以力图解决或至少缓解上面存在的问题。

根据本发明的第一个方面，提供一种数据采集方法，适于监测待测设备的运行状态，所述待测设备包括至少一个测点，所述方法在数据采集系统中执行，所述数据采集系统包括设置于待测设备各测点的无线传感器和与所述无线传感器无线连接的采集站，所述方法包括：各无线传感器分别按照第一间隔时间、第二间隔时间、第三间隔时间定时采集相应测点的运行状态数据，得到第一数据片段、第二数据片段、第三数据片段，其中，第一间隔时间>第二间隔时间>第三间隔时间；各无线传感器分别根据第一数据片段、第二数据片段、第三数据片段计算出多种特征指标，并按照预设的回传机制将第一数据片段和各特征指标发送至采集站；采集站将各测点的第一数据片段和特征指标进行汇总，并发送至上位机。

可选地，在根据本发明的数据采集方法中，还包括：若无线传感器在同一时刻采集到第一数据片段、第二数据片段、第三数据片段中的两个以上，并且根据同一时刻采集到的两个以上数据片段分别计算出同一个特征指标时，仅保留由长度最长的数据片段计算出的该特征指标值，丢弃由其他数据片段计算出的该特征指标值。

可选地，在根据本发明的数据采集方法中，在所述各无线传感器分别根据第一数据片段、第二数据片段、第三数据片段计算出多种特征指标的步骤之后，还包括：

各无线传感器判断计算出的各特征指标是否异常并确定测点的异常等级；所述预设的回传机制包括：当各特征指标均正常时，将第二数据片段、第三数据片段保存至本地存储装置，定时将第一数据片段和各特征指标发送至采集站；当存在至少一个特征指标异常时，获取异常时刻对应的数据片段，将该数据片段、测点的异常等级与第一数据片段和各特征指标即时发送至采集站。

可选地，在根据本发明的数据采集方法中，获取异常时刻对应的数据片段的步骤包括：判断本地存储装置中是否存储有异常时刻采集到的预设长度的数据片段；若是，则所述预设长度的数据片段作为异常时刻对应的数据片段；若否，则触发无线传感器采集预设长度的数据片段，将采集到的数据片段作为异常时刻对应的数据片段。

可选地，在根据本发明的数据采集方法中，还包括：当所述存储装置中数据已满时，删除所述存储装置中已存储时间最长的第二数据片段或第三数据片段，并将当前的第二数据片段、第三数据片段存储至所述存储装置中。

可选地，在根据本发明的数据采集方法中，还包括：采集站获取到无线传感器发来的异常时刻对应的数据片段、测点的异常等级、第一数据片段和各特征指标后，根据所述测点的异常等级，将相应的数据片段和特征指标发送至上位机。

可选地，在根据本发明的数据采集方法中，根据所述测点的异常等级，将相应的数据片段和特征指标发送至上位机的步骤包括：当测点的异常等级小于预设的单测点等级阈值时，定时将相应的数据片段和特征指标发送至上位机；当测点的异常等于大于等于所述单测点等级阈值时，将相应的数据片段和特征指标即时发送至上位机。

可选地，在根据本发明的数据采集方法中，还包括：采集站将各无线传感器发来的数据进行融合与处理，确定待测设备的异常等级；根据所述待测设备的异常等级，发出报警信号，将相应的数据片段和特征指标发送至上位机，同步加采多个测点的数据片段，并将加采到的数据片段回传至上位机。

可选地，在根据本发明的数据采集方法中，同步加采多个测点的数据片段，并将加采到的数据片段回传至上位机的步骤包括：采集站向多个测点的无线传感器发送数据加采指令，以便所述多个测点的无线传感器同步进行数据采集，并将采集到的数据片段发送至采集站，采集站进一步将各无线传感器发来的数据片段回传至上位机；其中，所述待测设备的异常等级越高，进行同步数据加采的测点的数量越多，采集站将加采的数据片段回传至上位机的及时性越高。

可选地，在根据本发明的数据采集方法中，无线传感器中部署有适于分析待测设备运行状态的智能算法模型，所述第一数据片段、第二数据片段的特征指标包括所述智能算法模型对第一数据片段、第二数据片段进行处理所输出的分析结果。

可选地，在根据本发明的数据采集方法中，智能算法模型包括启停机检测模型、误信号识别模型、故障诊断模型。

根据本发明的第二个方面，提供一种数据采集系统，适于监测待测设备的运行状态，所述待测设备包括至少一个测点，所述系统包括设置于待测设备各测点的无线传感器和与所述无线传感器无线连接的采集站，其中，所述无线传感器和采集站被配置为适于执行上述数据采集方法。

本发明提供了一种基于边缘计算的无线数据采集方案，能够更加高效、有针对性地采集、传输和处理数据。边缘计算，是指在靠近物或数据源头的一侧，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。边缘计算弥补了现有硬件信号采集与处理上的不足，解决了设备监测的高实时性要求和传输质量之间的矛盾，具有低延时、高效率、安全性和智能化等特点。将边缘计算部署到数据采集硬件端，实现硬件设备的自治，全面提高设备监测的硬件智能化。

在本发明的数据采集方案中，采用不同的间隔时间(即第一间隔时间、第二间隔时间、第三间隔时间)来定时采集各测点的运行状态数据，得到长度不一的第一数据片段、第二数据片段和第三数据片段。其中，第一间隔时间>第二间隔时间>第三间隔时间，相应地，三种间隔时间分别对应于低密度、中密度、高密度的数据采集机制。

不同采集机制的设置，在无线传感器装置的有限硬件资源条件下，既可以定时获得低密度冗余信息少的运行状态数据(即第一数据片段)，又可以获取中密度大量富有价值的特征指标数据(即根据第二数据片段计算出的特征指标)，还能够获得高密度的关键特征指标数据(即根据第三数据片段计算出的特征指标)，极大程度优化了数据与资源之间的配置，减少了冗余信息带来的浪费。

进一步地，本发明的数据采集方案能够在采集前端进行指标数据的异常识别。当识别出指标异常后，能够及时向现场发出警报，并将这些关键数据优先传回远程诊断中心，实现报警的本地化，极大程度上保证了机组异常监控的及时性以及有效性。并且，本发明的数据采集方案能够在发生异常时进行数据的及时加采，极大程度上保证关键时刻点有时域波形数据，为数据的精细分析提供了基础。同时，可以通过调取故障周围的波形数据来判断异常点的真实性，为机组自动报警与诊断提供更有效的决策依据，提高智能报警的有效性。

进一步地，在本发明的数据采集方案中，前端采集系统中植入了智能算法模型，包括启停机检测模型、误信号识别模型、故障诊断模型等。智能算法模型能够对设备的运行状态进行评估分析。本发明的数据采集方案通过将智能算法模型的分析结果与数据采集机制和传输机制融合，相互作用和相互反馈，极大地提高了设备监测效率。同时，由于利用了深度学习模型，也极大程度地减少了人工指标的开发量，节省了人力资源。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。

图1示出了根据本发明一个实施例的数据采集系统100的示意图；

图2使出了根据本发明一个实施例的无线传感器的工作流程图；

图3示出了根据本发明一个实施例的智能算法模型处理过程的示意图；

图4示出了根据本发明一个实施例的采集站的工作流程图；

图5示出了根据本发明一个实施例的数据采集方法500的流程图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

针对现有技术中存在的问题，本发明提供一种基于边缘计算的工业智能化无线数据采集方案，该方案包括部署在待测设备现场的数据采集系统，以及由该数据采集系统执行的数据采集方法。

图1示出了根据本发明一个实施例的数据采集系统100的示意图。如图1所示，数据采集系统包括无线传感器110和与无线传感器110无线连接的采集站120。

数据采集系统100用于采集待测设备的运行状态数据，以监测待测设备的运行状态和健康状态。待测设备可以是任意设备，包括但不限于石化工业设备、煤矿机械设备，等等。

在本发明的实施例中，待测设备上设置有至少一个测点(或称监测点、监测部位/部件，observation point)，每个测点设置有一组无线传感器110，用于采集相应测点的运行状态数据(例如振动加速度信号、振动位移信号、温度信号、电流/电压信号等)。待测设备的测点的数量和位置可以由本领域技术人员根据实际情况来设置，本发明对此不做限制。此外，本发明亦不限制无线传感器110的种类和型号。通常地，无线传感器110可以是振动加速度传感器，例如压电式、压阻式、电容式、电感式等类型的加速度传感器。

在本发明的实施例中，无线传感器110由电池供电，并且具有无线通信模块和计算模块，其中，无线通信模块用于与采集站进行无线通信，计算模块用于对采集到的运行状态数据进行计算处理。计算模块例如可以实现为单片机、PLC(Programmable LogicController，可编程逻辑控制器)等，但不限于此。

在本发明的实施例中，设置于待测设备各测点的无线传感器110与采集站120通过无线的方式通信连接。无线连接方式例如可以是WiFi、3G/4G/5G、蓝牙、ZigBee等，本发明不限制无线传感器110与采集站120之间的具体连接方式和通信协议。

采集站120可以是任意具有通信和计算能力的设备，包括但不限于桌面计算机、笔记本电脑、单片机、PLC等。本发明不限制采集站120的种类和硬件配置情况。

在本发明的实施例中，采集站120可以连接至多个无线传感器110。例如，如图1所示，采集站120连接至三个无线传感器110，这三个无线传感器110位于同一个待测设备的不同测点。需要说明的是，图1中采集站120与无线传感器110的连接情况仅作为一个示例，在具体实践情况中，当采集站120与多个无线传感器110连接时，这多个传感器对应的测点可以属于同一个设备，也可以属于不同的设备，本发明不限制采集站120与无线传感器110的具体连接情况。

例如，在一个实施例中，工业现场有三台待测设备A～C，其中，待测设备A有4个测点，每个测点设置有一个传感器，即共有4个无线传感器110-1～110-4；待测设备B有3个测点，对应于3个无线传感器110-5～110-7；待测设备C有2个测点，对应于2个无线传感器110-8、110-9。工业现场部署有一个采集站120，采集站120分别与上述9个无线传感器110-1～110-9无线连接。

在本发明的实施例中，采集站120可以通过有线或无线的方式接入通过网络(互联网)，通过网络与上位机通信连接。需要说明的是，在本发明的实施例中，上位机泛指不在待测设备现场的、能够获取数据采集系统100采集到的数据并对其进行分析的远程设备，包括但不限于数据中心、远程诊断中心、云平台服务器、远程计算机等。

本发明的数据采集系统100提供了一种基于边缘计算的无线数据采集方案。在本发明的数据系统100中，各无线传感器110按照不同的数据采集机制来采集相应测点的运行状态数据，得到多种数据片段。对不同采集机制采集到的数据片段进行不同的处理，将处理后的数据发送至采集站120。采集站120对接收到的数据进行处理，并将处理后的数据发送至上位机。

图2示出了根据本发明一个实施例的无线传感器110的工作流程图。

如图2所示，各无线传感器110按照不同的间隔时间，即第一间隔时间、第二间隔时间、第三间隔时间来定时采集相应测点的运行状态数据，得到第一数据片段、第二数据片段和第三数据片段，其中，第一间隔时间>第二间隔时间>第三间隔时间，相应地，三种间隔时间分别对应于低密度、中密度、高密度的数据采集机制。

不同的传感器可以采集不同类型的运行状态数据。运行状态数据例如可以是振动加速度信号、振动位移信号、温度信号、电流/电压信号等，但不限于此。通常地，运行状态数据为加速度传感器采集到的振动加速度信号。

此外，不同传感器的采样频率可以不同。采样频率即每秒钟采集到的数据点的个数，其例如可以是51200次/s、25600次/s等，但不限于此。

在低密度的数据采集机制中，无线传感器110按照较大的第一间隔时间定时被唤醒，采集相应测点的运行状态数据，得到第一数据片段。第一间隔时间和第一数据片段的长度可以由本领域技术人员根据传感器的性能以及数据分析的要求来进行设置，本发明对二者的取值不做限制。

根据一种实施例，可以将第一间隔时间设置为小时级，将第一数据片段的长度设置为K量级。例如，可以将第一间隔时间设置为4小时，将第一数据片段的长度设置为16K(即第一数据片段包括16*1024个数据点)。相应地，传感器每隔4小时(例如，分别在00:00:00、04:00:00、08:00:00、12:00:00等时刻进行采集)，采集到长度为16K的第一数据片段。

在中密度的数据采集机制中，无线传感器110按照适中的第二间隔时间定时被唤醒，采集相应测点的运行状态数据，得到第二数据片段。第二间隔时间小于第一间隔时间，第二数据片段的长度大于第一数据片段的长度。具体地，第二间隔时间和第二数据片段的长度可以由本领域技术人员自行设置，本发明对二者的取值不做限制。

根据一种实施例，可以将第二间隔时间设置为分钟级(例如10分钟～1小时)，将第二数据片段的长度设置为K量级。例如，可以将第二间隔时间设置为20分钟，将第二数据片段的长度设置为32K(即第二数据片段包括32*1024个数据点)。相应地，传感器每隔20分钟(例如，分别在00:00:00、00:20:00、00:40:00、01:00:00等时刻进行采集)，采集到长度为32K的第二数据片段。

在高密度的采集机制中，无线传感器110按照最短(相较于第一间隔时间和第二时间来说)的第三间隔时间定时被唤醒，采集相应测点的运行状态数据，得到第三数据片段。第三间隔时间很小，小于第一间隔时间和第二间隔时间，由于是高频地采集数据，采集到的第三数据片段的长度也相应缩减，第三数据片段的长度应小于按照中密度采集的第二数据片段的长度。具体地，第三间隔时间和第三数据片段的长度可以由本领域技术人员自行设置，本发明对二者的取值不做限制。

根据一种实施例，可以将第三间隔时间设置为秒级(例如10秒～5分钟)，将第三数据片段的长度设置为K量级。例如，可以将第三间隔时间设置为2分钟，将第三数据片段的长度设置为2K(即第二数据片段包括2*1024个数据点)。相应地，传感器每隔2分钟(例如，分别在00:00:00、00:02:00、00:04:00、00:06:00等时刻进行采集)，采集到长度为2K的第三数据片段。

需要说明的是，在本发明的实施例中，每个无线传感器均按照第一间隔时间、第二间隔时间、第三间隔时间来定时采集第一数据片段、第二数据片段、第三数据片段，但对于不同的传感器，三种间隔时间的值可以设置为不相同。例如，可以设置传感器A的第一间隔时间为4小时、第二间隔时间为20分钟、第三间隔时间为2分钟；设置传感器B的第一间隔时间为3小时、第二间隔时间为30分钟、第三间隔时间为1分钟；等等。类似地，不同传感器采集到的三种数据片段的长度也可以设置为不同。

另外，本领域技术人员可以理解，当多个传感器的第一间隔时间、第二间隔时间、第三间隔时间相同时，这多个传感器采集第一数据片段、第二数据片段、第三数据片段的具体时刻也可能不同。例如，传感器A和B的第一间隔时间均为4小时，但传感器A在00:00:00、04:00:00、08:00:00、12:00:00等时刻采集第一数据片段，而传感器B在01:00:00、05:00:00、09:00:00、13:00:00等时刻采集第一数据片段。

各无线传感器110采集到第一数据片段、第二数据片段、第三数据片段后，分别根据第一数据片段、第二数据片段、第三数据片段计算出多种特征指标，并按照预设的回传机制将第一数据片段和各特征指标发送至采集站120。具体地：

无线传感器根据第一数据片段，计算出多种特征指标。在本发明的实施例中，将根据第一数据片段计算出的特征指标记为第一特征指标。

无线传感器根据第二数据片段，计算出多种特征指标。在本发明的实施例中，将根据第二数据片段计算出的特征指标记为第二特征指标。

需要说明的是，第一特征指标、第二特征指标所包括的特征指标可以相同，也可以不同。在一些实施例中，第一特征指标、第二特征指标均可以多达几十个。

第一特征指标、第二特征指标包括但不限于第二数据片段中各数据点的峰值、均值、均方根(Root Mean Square，RMS)、峭度、偏斜度(即歪度)等传统的时域分析指标，冲击个数、冲击峰值等波形形态指标，转频、转频谐波、各分频能量等频谱形态指标，包络能量等包络谱指标。

根据一种实施例，无线传感器中部署有适于分析待测设备运行状态的智能算法模型，相应地，第一特征指标、第二特征指标还可以包括采用智能算法模型对第一数据片段、第二数据片段进行处理所输出的分析结果。智能算法模型例如包括启停机检测模型、误信号识别模型、故障诊断模型等，但不限于此。

图3示出了根据本发明一个实施例的智能算法模型处理过程的示意图。如图3所示，智能算法模型包括两种数据处理方式，即基于人工经验设计的数据处理方式和基于深度学习的数据处理方式。处理流程包括启停机检测模型、误信号识别模型和故障诊断模型，最后将两条之路进行汇总分析得到最终处理结果。

在基于人工经验设计的数据处理流程中，原始数据(即第一数据片段、第二数据片段)首先通过常规的频谱变换等传统信号处理方法得到相应的分析序列，经过启停机检测模块，利用对应的模型算法或者接入工况信号(例如电流的大小)来判断设备是否处于开机运行状态，接着进入误信号识别模块，利用开发的指标和策略，对数据进行清洗，划分误信号与非误信号，保留有价值的信号数据进行分析，最后进入故障诊断模型，针对不同的故障设计不同的故障指标，包括一些轴承故障指标、齿轮箱指标故障等等。

在基于深度学习的数据处理流程中，原始数据(即第二数据片段)首先经过深度网络的浅层部分，提取泛化特征，此部分专门为计算资源有限的前端传感器设计，不同的模块可以共用浅层网络部分，节省计算资源，经过启停机检测模型，浅层网络接入启停机深层模型提取相应的特有特征，接入网络形成特征DF1进行分类，同理，经过误信号识别模型形成特征DF2对数据进行误信号的识别分类，最后接入故障诊断模块，对于不同类型的故障设置不同的深层模块形成特征DFn，得到能够反映不同故障的不同特征。

最后，将基于人工经验设计以及基于深度学习的数据处理方式融合，形成不同层面的监控策略：基于单指标监控的策略，主要基于关键指标(例如一些可解释的人工开发指标等等)进行单指标的监控策略，可以设置门限或者使用EWMA((Exponentially WeightedMoving-Average，指数加权移动平均)等统计过程控制方法进行监控；基于多指标融合监控的策略，主要是基于多种监测指标，利用自组织映射、主成分分析以及随机递归神经网络等等方法降维或者合成新指数，对设备的状态进行监测。最后基于两种监控策略输出状态评估的结果以及特征指标。

无线传感器根据第三数据片段，计算出多种特征指标。在本发明的实施例中，将根据第三数据片段计算出的特征指标记为第三特征指标。

第三数据片段的采样时间间隔最短，采样长度(即第三数据片段包括的数据点的数量)可以根据实际硬件的性能进行缩减，主要是为了能够及时监测设备的状态变化，捕捉设备的快速劣化过程。由于计算实时性的要求以及计算和存储资源的限制，对于高密度的第三数据片段仅计算RMS、峭度等能够快速计算的传统分析指标，不计算频谱、包络谱、智能算法模型等计算量较大的指标。

即，在本发明的实施例中，根据第三数据片段计算出的第三特征指标的数量少于根据第一数据片段、第二数据片段计算出的第一特征指标、第二特征指标的数量。第三特征指标包括适于快速计算的传统时域分析指标，包括但不限于第三数据片段中各数据点的峰值、均值、RMS、峭度等。

需要说明的是，第一特征指标、第二特征指标、第三特征指标可能存在部分重叠，例如，三者均包括RMS和峭度。在无线传感器计算得出第一特征指标、第二特征指标、第三特征指标后，对三者进行时间上的拼接和对齐操作。拼接指的是，将计算出的特征指标值按照时间顺序排列，例如，将12:00:00、12:00:30、12:01:00等时刻计算出的RMS值拼接在一起。

对齐指的是，对于采用同一时刻采集到的多个数据片段计算出的同一特征指标的数值，仅保留用根据长度大的数据片段计算出的该特征指标的数值，丢弃根据长度小的数据片段计算出的该特征指标的数值。即，若无线传感器在同一时刻采集到第一数据片段、第二数据片段、第三数据片段中的两个以上，并且根据同一时刻采集到的两个以上数据片段分别计算出同一个特征指标时，仅保留由长度最长的数据片段计算出的该特征指标值，丢弃由其他数据片段计算出的该特征指标值。

例如，第一特征指标、第二特征指标、第三特征指标均包括RMS。无线传感器在12:30:00时刻，分别采集到长度为16K的第一数据片段、长度为32K的第二数据片段和长度为2K的第三数据片段。根据这三个数据片段，分别计算出三个RMS值，记为RMS1～RMS3。这种情况下，仅保留由长度最长的数据片段(即32K的第二数据片段)计算出的RMS值，即仅保留RMS2，丢弃RMS1和RMS3。

根据一种实施例，各无线传感器在根据第一数据片段、第二数据片段、第三数据片段计算出多种特征指标后，对经过拼接、对齐处理后的各特征指标进行实时变点检测(即异常点检测)，以判断计算出的各特征指标是否异常，并确定异常等级。

需要说明的是，本发明不限制异常指标(包括第一特征指标和第二特征指标)的识别方法。例如，可以设置各特征指标的正常范围，若当前特征指标值超出该范围，则认为特征指标异常；或者，可以通过正常和/或异常的特征指标样本训练得出分类模型，采用该分类模型来判断当前特征指标值是否异常；等等。

异常等级例如包括一级、二级、三级等多个级别，异常等级越高，异常程度越严重。例如，某测点的RMS值的正常范围为1以下，一旦某时刻无线传感器计算出的RMS值超过1且小于2，可以视为一级异常；超过2且小于3，可以视为二级异常；超过3则可以视为三级异常。

根据一种实施例，当各特征指标均正常时，无线传感器将第二数据片段和第三数据片段保存至本地存储装置，定时(具体时间可以根据传感器性能和数据回传要求自由设置)唤醒无线通信模块将第一数据片段和各特征指标(包括经过拼接、对齐处理后的第一特征指标、第二特征指标和第三特征指标)发送至采集站120。通常地，本地存储装置的容量有限，当存储装置中数据已满时，删除存储装置中已存储时间最长的第二数据片段或第三数据片段，将当前的第二数据片段、第三数据片段存储至存储装置中。即，本地存储装置中的数据是动态更新的，其总是存储最新的(距离当前时刻最近的)一些数据片段。

当存在至少一个特征指标异常时，获取异常时刻对应的数据片段，将该数据片段、测点的异常等级与第一数据片段和各特征指标即时发送至采集站。根据一种实施例，为了获取异常时刻的数据片段，无线传感器首先判断本地存储装置中是否存储有异常时刻采集到的预设长度的数据片段，其中，预设长度指的是最长数据片段的长度，例如，第一数据片段、第二数据片段、第三数据片段的长度分别为16K、32K、2K，则预设长度为32K。若是，则将存储装置中的预设长度的数据片段作为异常时刻对应的数据片段，发送至采集站；若否，则触发无线传感器采集预设长度的数据片段(即触发无线传感器进行数据加采)，将采集到的数据片段作为异常时刻对应的数据片段，发送至采集站。

进一步地，无线传感器可以根据异常等级来确定将异常相关数据发送至采集站的即时程度。异常等级越高，将异常相关数据发送至采集站的及时性越高。

采集站120将各测点传来的数据进行汇总，并发送至上位机。具体地，采集站120的数据处理流程包括单测点数据处理和多测点数据处理两部分。

单测点数据处理包括：当各测点传来的特征指标均正常时，则采集站120将各测点的第一数据片段和特征指标进行汇总，定时发送至上位机。

当各测点传来的特征指标存在异常时，采集站获取到无线传感器发来的异常时刻对应的数据片段、测点的异常等级、第一数据片段和各特征指标后，根据测点的异常等级，将相应的数据片段和特征指标发送至上位机。

具体地，当测点的异常等级小于预设的单测点等级阈值时(即异常等级较低时)，定时将相应的数据片段和特征指标发送至上位机；当测点的异常等于大于等于单测点等级阈值时，开启数据传输绿色通道，将相应的数据片段和特征指标即时发送至上位机。需要说明的是，单测点等级阈值可以由本领域技术人员自由设置，本发明对其取值不做限制。

多测点数据处理包括：采集站将各无线传感器发来的数据进行融合与处理，确定待测设备的异常等级；根据待测设备的异常等级，发出报警信号，将相应的数据片段和特征指标发送至上位机，同步加采多个测点的数据片段，并将加采到的数据片段回传至上位机。具体地，采集站向多个测点的无线传感器发送数据加采指令，以便上述多个测点的无线传感器同步进行数据采集，并将采集到的数据片段发送至采集站，采集站进一步将各无线传感器发来的数据片段回传至上位机；其中，待测设备的异常等级越高，进行同步数据加采的测点的数量越多，采集站将加采的数据片段回传至上位机的及时性越高。

待测设备的异常等级例如包括一级、二级、三级等多个级别，异常等级越高，异常程度越严重。需要说明的是，本发明不限制待测设备的异常等级的确定方法。例如，可以根据出现异常的测点的数量来确定待测设备的异常等级，异常的测点数量越多，待测设备的异常等级越高。根据不同的异常等级，即时向设备现场发出测点级、部件级甚至设备级的报警信号。

图4示出了根据本发明一个实施例的采集站120的多测点数据处理的工作流程图。如图4所示，采集站汇集了各测点数据，通过智能算法对多测点数据进行处理以及异常判断，根据相应的智能算法模型获得设备级报警信息，并且进行报警分级，发送给现场人员，实现报警的本地化，能够快速及时提醒现场进行检查与维修。当触发设备级报警时，采集站将启动多测点同步加采模式(测点的选择以及加采的数据组数可根据实际需要以及设备性能进行调整)，根据报警等级的不同，同步采集的数据组数以及回传的及时性都会有差别。例如，对于最高等级的报警，同步采集的数据组数会比较多，并且加采的时域波形数据即时启动绿色通道进行回传。

图5示出了根据本发明一个实施例的数据采集方法500的流程图。方法500在前述数据采集系统100中执行。如图5所示，方法500始于步骤S510。

在步骤S510中，各无线传感器分别按照第一间隔时间、第二间隔时间、第三间隔时间定时采集相应测点的运行状态数据，得到第一数据片段、第二数据片段、第三数据片段，其中，第一间隔时间>第二间隔时间>第三间隔时间。

各无线传感器110按照不同的间隔时间，即第一间隔时间、第二间隔时间、第三间隔时间来定时采集相应测点的运行状态数据，得到第一数据片段、第二数据片段和第三数据片段，其中，第一间隔时间>第二间隔时间>第三间隔时间，相应地，三种间隔时间分别对应于低密度、中密度、高密度的数据采集机制。

不同的传感器可以采集不同类型的运行状态数据。运行状态数据例如可以是振动加速度信号、振动位移信号、温度信号、电流/电压信号等，但不限于此。通常地，运行状态数据为加速度传感器采集到的振动加速度信号。

此外，不同传感器的采样频率可以不同。采样频率即每秒钟采集到的数据点的个数，其例如可以是51200次/s、25600次/s等，但不限于此。

第一间隔时间、第二间隔时间、第三间隔时间，以及第一数据片段、第二数据片段、第三数据片段的长度可以由本领域技术人员根据传感器的性能以及数据分析的要求来进行设置，本发明对六者的取值不做限制。通常地，由于第二数据片段用于计算数量较多、内容丰富的第二特征指标，其长度最长(相较于第一数据片段和第三数据段)；而第三数据片段按照高频采集，并且其用于计算数量较少的第三特征指标，其长度也相应缩减，第三数据片段的长度应小于第二数据片段的长度。

根据一种实施例，可以将第一间隔时间设置为小时级，将第二间隔时间设置为分钟级(例如10分钟～1小时)，将第三间隔时间设置为秒级(例如10秒～5分钟)，将第一数据片段、第二数据片段、第三数据片段的长度均设置为K量级。

步骤S510的其他实施细节可以参考上文关于无线传感器工作流程的描述，此处不再赘述。

在步骤S520中，各无线传感器分别根据第一数据片段、第二数据片段、第三数据片段计算出多种特征指标，并按照预设的回传机制将第一数据片段和各特征指标发送至采集站。

在本发明的实施例中，将无线传感器根据第一数据片段、第二数据片段、第三数据片段计算出的特征指标分别记为第一特征指标、第二特征指标、第三特征指标。

根据一种实施例，第一特征指标、第二特征指标包括但不限于第二数据片段中各数据点的峰值、均值、均方根(Root Mean Square，RMS)、峭度、偏斜度(即歪度)等传统的时域分析指标，冲击个数、冲击峰值等波形形态指标，转频、转频谐波、各分频能量等频谱形态指标，包络能量等包络谱指标。

根据一种实施例，无线传感器中部署有适于分析待测设备运行状态的智能算法模型，相应地，第一特征指标、第二特征指标还可以包括采用智能算法模型对第一数据片段、第二数据片段进行处理所输出的分析结果。智能算法模型例如包括启停机检测模型、误信号识别模型、故障诊断模型等，但不限于此。智能算法模型的具体处理过程可以参考图3及其相关的文字描述，此处不再赘述。

根据一种实施例，第三特征指标包括适于快速计算的传统时域分析指标，包括但不限于第三数据片段中各数据点的峰值、均值、RMS、峭度等。

需要说明的是，第一特征指标、第二特征指标、第三特征指标可能存在部分重叠，例如，三者均包括RMS和峭度。在无线传感器计算得出第一特征指标、第二特征指标、第三特征指标后，对三者进行时间上的拼接和对齐操作。拼接指的是，将计算出的特征指标值按照时间顺序排列，例如，将12:00:00、12:00:30、12:01:00等时刻计算出的RMS值拼接在一起。

对齐指的是，对于采用同一时刻采集到的多个数据片段计算出的同一特征指标的数值，仅保留用根据长度大的数据片段计算出的该特征指标的数值，丢弃根据长度小的数据片段计算出的该特征指标的数值。即，若无线传感器在同一时刻采集到第一数据片段、第二数据片段、第三数据片段中的两个以上，并且根据同一时刻采集到的两个以上数据片段分别计算出同一个特征指标时，仅保留由长度最长的数据片段计算出的该特征指标值，丢弃由其他数据片段计算出的该特征指标值。

例如，第一特征指标、第二特征指标、第三特征指标均包括RMS。无线传感器在12:30:00时刻，分别采集到长度为16K的第一数据片段、长度为32K的第二数据片段和长度为2K的第三数据片段。根据这三个数据片段，分别计算出三个RMS值，记为RMS1～RMS3。这种情况下，仅保留由长度最长的数据片段(即32K的第二数据片段)计算出的RMS值，即仅保留RMS2，丢弃RMS1和RMS3。

根据一种实施例，各无线传感器在根据第一数据片段、第二数据片段、第三数据片段计算出多种特征指标后，对各特征指标进行实时变点检测(即异常点检测)，以判断计算出的各特征指标是否异常，并确定异常等级。

根据一种实施例，当各特征指标均正常时，无线传感器将第二数据片段和第三数据片段保存至本地存储装置，定时(具体时间可以根据传感器性能和数据回传要求自由设置)唤醒无线通信模块将第一数据片段和各特征指标(包括经过拼接、对齐处理后的第一特征指标、第二特征指标和第三特征指标)发送至采集站120。通常地，本地存储装置的容量有限，当存储装置中数据已满时，删除存储装置中已存储时间最长的第二数据片段或第三数据片段，将当前的第二数据片段、第三数据片段存储至存储装置中。即，本地存储装置中的数据是动态更新的，其总是存储最新的(距离当前时刻最近的)一些数据片段。

当存在至少一个特征指标异常时，获取异常时刻对应的数据片段，将该数据片段、测点的异常等级与第一数据片段和各特征指标即时发送至采集站。根据一种实施例，为了获取异常时刻的数据片段，无线传感器首先判断本地存储装置中是否存储有异常时刻采集到的预设长度的数据片段，其中，预设长度指的是最长数据片段的长度，例如，第一数据片段、第二数据片段、第三数据片段的长度分别为16K、32K、2K，则预设长度为32K。若是，则将存储装置中的预设长度的数据片段作为异常时刻对应的数据片段，发送至采集站；若否，则触发无线传感器采集预设长度的数据片段(即触发无线传感器进行数据加采)，将采集到的数据片段作为异常时刻对应的数据片段，发送至采集站。

步骤S520的其他实施细节可以参考上文关于无线传感器工作流程的描述，此处不再赘述。

在步骤S530中，采集站将各测点的第一数据片段和特征指标进行汇总，并发送至上位机。

具体地，采集站120的数据处理流程包括单测点数据处理和多测点数据处理两部分。

单测点数据处理包括：当各测点传来的特征指标均正常时，则采集站120将各测点的第一数据片段和特征指标进行汇总，定时发送至上位机。

当各测点传来的特征指标存在异常时，采集站获取到无线传感器发来的异常时刻对应的数据片段、测点的异常等级、第一数据片段和各特征指标后，根据测点的异常等级，将相应的数据片段和特征指标发送至上位机。

具体地，当测点的异常等级小于预设的单测点等级阈值时(即异常等级较低时)，定时将相应的数据片段和特征指标发送至上位机；当测点的异常等于大于等于单测点等级阈值时，开启数据传输绿色通道，将相应的数据片段和特征指标即时发送至上位机。需要说明的是，单测点等级阈值可以由本领域技术人员自由设置，本发明对其取值不做限制。

多测点数据处理包括：采集站将各无线传感器发来的数据进行融合与处理，确定待测设备的异常等级；根据待测设备的异常等级，发出报警信号，将相应的数据片段和特征指标发送至上位机，同步加采多个测点的数据片段，并将加采到的数据片段回传至上位机。具体地，采集站向多个测点的无线传感器发送数据加采指令，以便上述多个测点的无线传感器同步进行数据采集，并将采集到的数据片段发送至采集站，采集站进一步将各无线传感器发来的数据片段回传至上位机；其中，待测设备的异常等级越高，进行同步数据加采的测点的数量越多，采集站将加采的数据片段回传至上位机的及时性越高。

待测设备的异常等级例如包括一级、二级、三级等多个级别，异常等级越高，异常程度越严重。需要说明的是，本发明不限制待测设备的异常等级的确定方法。例如，可以根据出现异常的测点的数量来确定待测设备的异常等级，异常的测点数量越多，待测设备的异常等级越高。根据不同的异常等级，即时向设备现场发出测点级、部件级甚至设备级的报警信号。

步骤S530的其他实施细节可以参考上文关于采集站工作流程的描述，此处不再赘述。

本发明提供了一种基于边缘计算的无线数据采集方案，采用低密度、中密度以及高密度的采集融合的方式，并通过智能算法模型对单密度序列以及拼接序列进行变点检测，在异常的时刻点进行波形的加采或保存，在采集硬件前端进行特征的提取与指标的计算，做到及时的监测与报警。本发明的数据采集方案具有以下特点：

1、设计了不同时间密度相结合的采集机制。为了缓解数据的存储与压力，又能够满足算法设计的数据要求，设计不同时间间隔不同采样长度的采集机制。对于不同密度的采集方案，时间密度越低表示采集时间间隔越大(采集时间间隔以及采集长度可根据具体情况进行调整)。对于高密度采集方案，只计算传统指标(RMS、峭度等)，用于实时监测设备的状态；对于中密度以及低密度采集方案，除了计算传统指标外，也通过智能算法模型计算包括时域波形、频谱以及包络谱形态特征等等指标。上述方案除了低密度传回波形数据之外，其余密度均不保留原始波形数据(即时域的运行状态数据)，将对应的指标进行拼接，对单密度指标以及拼接后的指标序列同时实施变点检测，对于异常发生时刻加采或保存关键时刻点数据，这样能够尽量减少冗余信息所占用的存储资源以及传输资源，系统中只保留最后价值的数据，进而避免资源的浪费。

2、将不同密度的指标数据进行拼接，融合监测设备状态，对单密度指标以及拼接后的指标序列同时进行变点检测，一旦出现异常信号，立即对异常时刻进行波形的加采或保存。同时，设置暂存时域波形的黑匣子(即本地存储装置)，也能够在短时间内及时调取异常时间点周围的数据信息，进一步为建模分析提供数据基础。

3、基于多密度指标数据拼接的设备监测，根据变点检测算法，发生异常时对单测点数据进行信号的加采，对测点级的异常信号进行等级的划分以触发不同的加采机制以及传回策略，同时采集站整合不同测点传回的指标数据、原始数据以及状态信息，利用智能报警算法，对异常等级进行划分，根据不同的策略方法立即向现场发出部件级甚至设备级的报警信号，实现报警的本地化，并且按照不同的等级再次启动不同的加采机制，例如全测点多组采样方式等等，同时也采取不同层级的回传策略，划分优先等级，开启绿色回传通道等等传输策略。

4、基于多密度的波形数据，除了计算传统的指标外，智能算法模型还开发了基于深度学习以及人工经验知识的智能框架：对于深度学习框架，浅层网络部分学习波形和频谱的泛化特征，高层网络针对不同的问题设计不同的特征提取策略，例如误信号的识别特征、启停机特征、轴承故障特征以及松动故障特征等等；对于人工经验知识框架，开发不同的指标以及不同的策略，更加有针对性地设计关键的指标体系与更加完善的策略流程。通过单指标以及融合多指标的方法策略，能够更加有效地进行设备监测。整个过程在采集设备前端实现，实现智能化自治，全面提高设备监测的硬件智能化。

A10、如A1-9中任一项所述的方法，其中，所述无线传感器中部署有适于分析待测设备运行状态的智能算法模型，所述第一数据片段、第二数据片段的特征指标包括所述智能算法模型对第一数据片段、第二数据片段进行处理所输出的分析结果。

A11、如A10所述的方法，其中，所述智能算法模型包括启停机检测模型、误信号识别模型、故障诊断模型。

这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如可移动硬盘、U盘、软盘、CD-ROM或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被所述机器执行时，所述机器变成实践本发明的设备。

在程序代码在可编程计算机上执行的情况下，控制终端一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的所述程序代码中的指令，执行本发明的数据采集方法。

以示例而非限制的方式，可读介质包括可读存储介质和通信介质。可读存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在可读介质的范围之内。

在此处所提供的说明书中，算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与本发明的示例一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的优选实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。

如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。

尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的而非限制性的，本发明的范围由所附权利要求书限定。

Claims (9)

1.一种数据采集方法，适于监测待测设备的运行状态，所述待测设备包括至少一个测点，所述方法在数据采集系统中执行，所述数据采集系统包括设置于待测设备各测点的无线传感器和与所述无线传感器无线连接的采集站，所述方法包括：

各无线传感器分别按照第一间隔时间、第二间隔时间、第三间隔时间定时采集相应测点的运行状态数据，得到第一数据片段、第二数据片段、第三数据片段，其中，第一间隔时间>第二间隔时间>第三间隔时间；

各无线传感器分别根据第一数据片段、第二数据片段、第三数据片段计算出多种特征指标，判断计算出的各特征指标是否异常并确定测点的异常等级，并按照预设的回传机制将第一数据片段和各特征指标发送至采集站；

若无线传感器在同一时刻采集到第一数据片段、第二数据片段、第三数据片段中的两个以上，并且根据同一时刻采集到的两个以上数据片段分别计算出同一个特征指标时，仅保留由长度最长的数据片段计算出的该特征指标值，丢弃由其他数据片段计算出的该特征指标值；

其中，所述预设的回传机制包括：

当各特征指标均正常时，将第二数据片段、第三数据片段保存至本地存储装置，定时将第一数据片段和各特征指标发送至采集站；

当存在至少一个特征指标异常时，获取异常时刻对应的数据片段，将该数据片段、测点的异常等级与第一数据片段和各特征指标即时发送至采集站；

采集站将各测点的第一数据片段和特征指标进行汇总，并发送至上位机；

采集站将各无线传感器发来的数据进行融合与处理，确定待测设备的异常等级；

根据所述待测设备的异常等级，发出报警信号，将相应的数据片段和特征指标发送至上位机，同步加采多个测点的数据片段，并将加采到的数据片段回传至上位机。

2.如权利要求1所述的方法，其中，所述获取异常时刻对应的数据片段的步骤包括：

判断本地存储装置中是否存储有异常时刻采集到的预设长度的数据片段；

若是，则所述预设长度的数据片段作为异常时刻对应的数据片段；

若否，则触发无线传感器采集预设长度的数据片段，将采集到的数据片段作为异常时刻对应的数据片段。

3.如权利要求1或2所述的方法，还包括：

当所述存储装置中数据已满时，删除所述存储装置中已存储时间最长的第二数据片段或第三数据片段，并将当前的第二数据片段、第三数据片段存储至所述存储装置中。

4.如权利要求1所述的方法，还包括：

采集站获取到无线传感器发来的异常时刻对应的数据片段、测点的异常等级、第一数据片段和各特征指标后，根据所述测点的异常等级，将相应的数据片段和特征指标发送至上位机。

5.如权利要求4所述的方法，所述根据所述测点的异常等级，将相应的数据片段和特征指标发送至上位机的步骤包括：

当测点的异常等级小于预设的单测点等级阈值时，定时将相应的数据片段和特征指标发送至上位机；

当测点的异常等于大于等于所述单测点等级阈值时，将相应的数据片段和特征指标即时发送至上位机。

6.如权利要求1所述的方法，所述同步加采多个测点的数据片段，并将加采到的数据片段回传至上位机的步骤包括：

采集站向多个测点的无线传感器发送数据加采指令，以便所述多个测点的无线传感器同步进行数据采集，并将采集到的数据片段发送至采集站，采集站进一步将各无线传感器发来的数据片段回传至上位机；

其中，所述待测设备的异常等级越高，进行同步数据加采的测点的数量越多，采集站将加采的数据片段回传至上位机的及时性越高。

7.如权利要求1或2所述的方法，其中，所述无线传感器中部署有适于分析待测设备运行状态的智能算法模型，所述第一数据片段、第二数据片段的特征指标包括所述智能算法模型对第一数据片段、第二数据片段进行处理所输出的分析结果。

8.如权利要求7所述的方法，其中，所述智能算法模型包括启停机检测模型、误信号识别模型、故障诊断模型。

9.一种数据采集系统，适于监测待测设备的运行状态，所述待测设备包括至少一个测点，所述系统包括设置于待测设备各测点的无线传感器和与所述无线传感器无线连接的采集站，

其中，所述无线传感器和采集站被配置为适于执行如权利要求1-8中任一项所述的数据采集方法。

Images