CN113837245B - 一种柔性印刷电子装备核心单元故障诊断方法 - Google Patents
一种柔性印刷电子装备核心单元故障诊断方法 Download PDFInfo
- Publication number
- CN113837245B CN113837245B CN202111038105.2A CN202111038105A CN113837245B CN 113837245 B CN113837245 B CN 113837245B CN 202111038105 A CN202111038105 A CN 202111038105A CN 113837245 B CN113837245 B CN 113837245B
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- data
- vibration
- node
- signal
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 127
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000002452 interceptive effect Effects 0.000 claims abstract description 14
- 238000003860 storage Methods 0.000 claims abstract description 11
- 239000008358 core component Substances 0.000 claims abstract description 9
- 238000004806 packaging method and process Methods 0.000 claims abstract description 4
- 230000004044 response Effects 0.000 claims abstract description 4
- 238000003062 neural network model Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 230000003993 interaction Effects 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 10
- 230000008878 coupling Effects 0.000 claims description 9
- 238000010168 coupling process Methods 0.000 claims description 9
- 238000005859 coupling reaction Methods 0.000 claims description 9
- 239000000306 component Substances 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000007774 anilox coating Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 239000000853 adhesive Substances 0.000 claims description 3
- 230000001070 adhesive effect Effects 0.000 claims description 3
- 230000001143 conditioned effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000008014 freezing Effects 0.000 claims description 3
- 238000007710 freezing Methods 0.000 claims description 3
- 238000012432 intermediate storage Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract 1
- 238000007639 printing Methods 0.000 description 20
- 238000005516 engineering process Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 230000003750 conditioning effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000001483 mobilizing effect Effects 0.000 description 1
- 238000001259 photo etching Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Security & Cryptography (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioethics (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种柔性印刷电子装备核心单元故障诊断方法,该服务旨在实现一种能实时采集柔性印刷电子装备核心部件的振动信号后对其快速诊断并反馈的交互系统,该系统具有响应速度快、数据存储量大、成本低、安全性和可靠性高、数据的追溯性和保密性强等特点;本发明内容包括:在柔性印刷电子装备核心部件运行状态下进行振动信号的持续性采集,对振动信号的打包上链,对振动信号的持续诊断,故障诊断算法的共享,对数据动态存储、实时响应和快速诊断。通过本发明,不但可以利用区块链实现数据的动态存储,提高数据的调用效率,提高诊断速度,还能不断更新故障诊断算法,实现算法的不断优化和多算法同时诊断。
Description
技术领域
本发明采用区块链技术,涉及一种柔性印刷电子装备核心单元故障诊断方法。
背景技术
随着工业智能化的不断发展与变革,新型传感器、柔性电子等新型元器件的市场需求正在逐步扩大。在此背景下,柔性印刷电子产业成为工业信息化革命的关键性产业之一,柔性印刷电子技术的发展不但省去了传统电子元器件制造中的沉积、光刻、蚀刻等工艺,还突破了电子元器件布置于平板上的局限性。卷对卷柔性印刷电子因克服了喷墨式柔性印刷电子效率低无法实现大批量生产的弊端而成为柔性印刷电子工业化生产的主要手段。卷对卷柔性印刷电子装备的印刷精度达到10微米级别精度要求,设备任何细微异常振动都会影响其运行的平稳性乃致故障的发生。卷对卷故障包括零件故障(如齿轮、轴承、联轴器的磨损)和调节故障(由于安装或调节不当,造成卷对卷的滚筒不平行、局部碰磨等)两类,它们会使基材出现偏移、褶皱、张力不均、套印不准等现象,引发柔性电子器件的多层异质结构发生断裂、裂纹、剥离等,导致产品失效、精度下降、质量波动等问题,严重限制了柔性印刷电子装备稳定性和精度的提高,因此开展卷对卷故障诊断相关研究具有重要应用价值。
以卷对卷柔性印刷电子装备的核心部件为主要研究对象,轻微的故障极易导致印刷电子出现电路中断或者剥离使得产品出现质量问题,因此急需对滚筒运行过程中的相关零部件健康状况和因调节不当引起的滚筒不平行、局部碰磨、失稳等情况进行诊断。
在卷对卷柔性印刷电子装备的微弱故障诊断中,如何对运转过程中的在线信号进行动态的故障诊断是故障诊断的难点之一。
在众多的故障诊断方法中获取合适的故障诊断方法并加以诊断是实现高效、快速故障诊断急需解决的问题之一。
为达到持续监测滚筒的运行状态,需对相关的零件(齿轮、轴承、联轴器)和滚筒进行振动信号的持续采集,再对其进行振动信号分析,判断其是否正常运转,即如何实现核心部件的动态数据采集是实现持续监测柔性印刷电子装备的关键问题。
发明内容
本发明在于提出一种柔性印刷电子装备核心单元故障诊断方法,实现算法的广泛应用和共享,并向印刷电子行业的客户群体提供可实现柔性印刷电子装备核心单元的动态数据存储和实时故障诊断的交互系统。
为实现上述目的,本发明所采用的技术方案为,一种柔性印刷电子装备核心单元故障诊断方法,具体操作步骤如下:
步骤1:确定以卷对卷柔性印刷电子装备的核心部件为诊断对象,信号采集模块采集柔性印刷电子装备核心单元的振动信号;
步骤2:创建区块链故障诊断交互系统,各服务器遵循区块链的管理机制作为区块链的分布式节点;
步骤3:将上位机接入区块链故障诊断交互系统中,作为信号采集节点;
步骤4:连接传感器、多通道数据采集仪和数据采集节点后,将加速度传感器布置在轴承、齿轮、联轴器和滚筒上采集运行状态下的振动信号;
步骤5:传感器持续采集振动信号,并将采集的动态信号通过多通道数据采集仪调理后传输至信号采集节点;
步骤6:信号采集节点将采集的振动信号打包后发送至区块链上,形成链上数据,以供故障诊断节点使用;
步骤7:故障诊断节点接收到区块链对振动信号上链的消息后,向区块链提出振动信号调用请求,区块链对故障诊断节点进行身份认证后将振动信号发送至故障诊断节点;
步骤8:故障诊断节点对振动信号进行数据预处理,将其转换成二维图像;将二维图像输入至故障诊断节点含置的神经网络中进行故障诊断模型训练,并输出诊断结果;
步骤9:若采集到的信号反应出故障后,其结果将显示在交互系统界面,并设置相关警告响应提醒相关工作人员通过交互界面查看诊断结果并采取相应措施。
本发明的特点还在于,
步骤1所述核心部件包括压印滚筒、印版滚筒和供墨网纹辊三大滚动部件,以及支撑三大滚动部件平稳运行、传输动力的轴承、齿轮、联轴器和滚筒为诊断对象,所述轴承对滚筒起到支撑和旋转的作用,齿轮为滚筒同步运转提供动力,联轴器将滚筒轴端和电机轴连接。
步骤2具体如下:
步骤2.1:服务器在本地生成公私钥对后,将公钥和该服务器的身份信息上传到认证中心,认证中心对所述身份信息进行认证后,颁布数字证书并将其身份信息广播至整个区块链上,完成该服务器的开户,并成为区块链故障诊断系统中的节点之一;
步骤2.2:对区块链设置接入条件,只有满足接入条件的客户端才可接入区块链中;接入条件指的是根据实际需求限定权限:如付了费的才能接入、用户注册账号满三年的才能用等等。
步骤4具体如下:
对采集部件的表面进行油污清理后,使用粘合剂将有线传感器尽可能的靠近振动源固定。
步骤5具体如下:
步骤5.1:信号采集节点通过USB接口与多通道数据采集仪进行通讯,并对采集仪进行采样频率、传感器灵敏度、传感器量程、实时传送采样数据、停止等参数设置;
步骤5.2:以信号采集节点的本地数据库为中间存储介质,多通道数据采集仪将传感器采集的信号进行放大滤波等调理后实时传输至信号采集节点的硬盘进行存储;
步骤5.3:预设采集振动信号的时间间隔,信号采集节点以预定时间间隔为单位对采集的振动信号进行打包。
步骤6具体如下:
步骤6.1:信号采集节点将打包好的振动信号发送至区块链;
步骤6.2:区块链对打包的振动信号进行共识;
步骤6.3:共识成功后,振动信号被存储到区块链的超级账本中,形成链上数据。
步骤8具体如下:
步骤8.1:故障诊断节点在收到区块链发送的振动数据后,对数据进行短时傅里叶变化,将一维振动信号转换成二维图像,制作训练样本集和测试样本集;
步骤8.2:对神经网络模型进行参数初始化后,将训练样本集输入神经网络模型进行特征提取;
步骤8.3:神经网络模型利用反向传播算法得到最佳参数后,冻结神经网络模型的第一层网络;
步骤8.4:对下一个时间间隔的振动信号继续进行特征提取,通过分类器将下一时刻的特征与上一时刻训练完成的特征进行比较,若输出无差异,则不需要对分类器进行更新,若输出有差异,则更新分类器,保存更新分类器后的神经网络模型,同时启动智能合约中的警报程序;
步骤8.5:警报结果将现在交互系统的界面,方便相关人员查看诊断结果。
本发明的有益效果:
(1)柔性印刷电子装备工艺复杂、印刷精度精细,当其核心单元中出现微弱故障便可引起印刷墨路出现剥离断裂、裂纹、剥离,使产品失效、精度下降、质量波动,导致企业损失经济效益。因此采集核心部件的振动信号并对其进行实时故障诊断可为企业提供机器维护生产运行的手段。但数据的维护成本昂贵,信息数据的长期存储性、故障诊断方法的共享性和保密性未得到有效解决,柔性印刷电子行业在数据维护上面受到极大的制约。本方法向柔性印刷电子行业的相关企业提供基于区块链技术的印刷电子装备核心单元的故障诊断交互系统,该系统基于区块链技术,不但可对印刷电子装备核心单元的运转信息进行长期管理存储,接入故障诊断节点对运转信号进行故障诊断并将诊断结果显示在交互系统的界面上,还可保证数据的动态存储和数据源头追溯,达到对其长期监测诊断的目的,该方法的提出可大大降低数据的运维成本,有效提高企业长期运行效益。
(2)基于开发故障诊断算法人员的权益保护,该系统将这些算法人员作为另一部分节点接入区块链中,通过区块链的可加密性实现权益保护和算法的共享应用。
(3)故障诊断算法以深度学习为主,利用神经网络的自主提取振动信号特征的功能,避免人工诊断的先验性和对经验知识的依赖性,实现智能诊断。
(4)为实现对在线获取的振动信号的动态故障诊断,使用在线学习的训练方式对振动信号的二维图像进行持续训练,实现信号的动态持续故障诊断,可有效减少因为设备停机造成的经济损失。
(5)节点与节点之间的交互需要经过身份验证方可进行后续过程,故障诊断中涉及的信息都将存储到区块链中,并且不需要经过第三方监管,通过区块链实现振动信号的动态存储、故障诊断方法的共享和柔性印刷电子装备核心部件故障诊断的历史维护查询,有效维护了故障诊断方的算法权益,提高了故障诊断的专业性,加快了故障诊断的诊断效率。
(6)区块链是以时间为轴线的链式数据结构,其中存储的数据具有防篡改性、可追溯性等特点,且涉及的数据都经过非对称加密技术进行加密,提高了数据传输的安全性,有效解决了数据孤岛的现象,为故障诊断算法的共享提供依托平台。
(7)基于区块链技术,区块的块头中还包括有区块的时间戳,可查询追溯任意时间段的振动信号、训练记录和模型参数,加快了数据的处理、增强了模型的利用性能。
(8)目前区块链技术平台都提供了开源代码,使得区块链技术得以应用,大大减少传统维护数据的费用。
附图说明
图1是本发明一种柔性印刷电子装备核心单元故障诊断方法中印刷电子装备核心单元的故障诊断模块示意图;
图2是本发明一种柔性印刷电子装备核心单元故障诊断方法中故障诊断流程示意图;
图3是本发明一种柔性印刷电子装备核心单元故障诊断方法中基于区块链技术的故障诊断交互系统结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明做进一步详细描述。
下面说明本发明提供的区块链网络的示例性应用,参见图2,图2是本发明提供的2基于区块链技术的印刷电子装备核心单元的故障诊断模块示意图,包括印刷电子装备核心单元模块、信号采集模块和信号处理模块。
本发明的一种柔性印刷电子装备核心单元故障诊断方法的具体操作方法如图1所示:
(1)印刷电子装备核心单元模块
步骤1:如图2中柔性印刷电子装备核心单元模块所示,将预印刷电路图制作于印版上并安装在印版滚筒上,刮刀将供墨网纹辊从供墨墨斗中转移的多余墨刮掉后转移到印版上,承印物在压印滚筒和印版滚筒的双向压力下,将印版上的油墨按照预定图案转移到承印物上。故确定以印刷电子装备中参与印刷过程的压印滚筒、印版滚筒和供墨网纹辊三大滚动部件为核心部件,以支撑三大滚筒平稳运行、传输动力的轴承、齿轮、联轴器和滚筒本身为主要研究对象。
步骤2:轴承对滚筒起到支撑和旋转的作用,齿轮为滚筒同步运转提供动力,联轴器将滚筒轴端和电机轴连接。在三大滚筒调节得当的前提下,这些零件的健康状况直接影响三大滚筒的平稳运行继而影响印刷电子产品。若零件未发生故障,而是因调节产生的故障也直接影响产品质量。故通过采集轴承、齿轮、联轴器和滚筒的振动信号对目标进行故障诊断和监测。
步骤2.1:服务器在本地生成公私钥对后,将公钥和该服务器的身份信息上传到认证中心,认证中心对所述身份信息进行认证后,颁布数字证书并将其身份信息广播至整个区块链上,完成该服务器的开户,并成为区块链故障诊断系统中的节点之一;
步骤2.2:对区块链设置接入条件,只有满足接入条件的客户端才可接入区块链中;接入条件指的是根据实际需求限定的权限:如付了费的才能接入、用户注册账号满三年的才能用等等。
(2)信号采集模块
步骤3:连接传感器、多通道数据采集仪和数据采集节点后,将加速度传感器布置在轴承、齿轮、联轴器和滚筒上采集运行状态下的振动信号;
步骤3.1:对采集部件的表面进行油污清理后,使用粘合剂将有线传感器尽可能的靠近振动源固定。
步骤4:传感器持续采集振动信号,并将采集的动态信号通过多通道数据采集仪调理后传输至信号采集节点;
步骤4.1:信号采集节点通过USB接口与多通道数据采集仪进行通讯,并对采集仪进行采样频率、传感器灵敏度、传感器量程、实时传送采样数据、停止等参数设置。
步骤4.2:以信号采集节点的本地数据库为中间存储介质,多通道数据采集仪将传感器采集的信号进行放大滤波等调理后实时传输至信号采集节点的硬盘进行存储。
步骤4.3:预设采集振动信号的时间间隔,信号采集节点以预定时间间隔为单位对采集的振动信号进行打包。
(3)信号处理模块
步骤5:创建区块链故障诊断交互系统(如图3所示),各服务器遵循区块链的管理机制作为区块链的分布式节点;
步骤5.1:服务器在本地生成公私钥对后,将公钥和该服务器的身份信息上传到认证中心,认证中心对所述身份信息进行认证后,颁布数字证书并将其身份信息广播至整个区块链上,完成该服务器的开户,并成为区块链故障诊断系统中的节点之一。
步骤5.2:对区块链设置接入条件,只有满足接入条件的客户端才可接入区块链中。
步骤6:信号采集节点将打包后的振动信号发送至区块链上,以供故障诊断节点使用。
步骤6.1:信号采集节点将打包好的振动信号发送至区块链。
步骤6.2:区块链对打包的振动信号进行共识;
步骤6.3:共识成功后,振动信号被存储到区块链的超级账本中,形成链上数据。
步骤7:故障诊断节点接收到区块链对振动信号上链的消息后,向区块链提出振动信号调用请求,区块链对故障诊断节点进行身份认证后将振动信号发送至故障诊断节点;
步骤8:故障诊断节点对振动信号进行数据预处理,将其转换成二维图像;将二维图像输入至故障诊断节点含置的神经网络中,采用在线学习的训练方式,对故障诊断模型训练,并输出诊断结果;
步骤8.1:服务提供商提供给故障诊断研究人员上链的权限,作为故障诊断节点;区块链每次都会将新上链的振动信号的消息广播至整个区块链。
步骤8.2:故障诊断节点在收到区块链发送的振动数据后,对数据进行短时傅里叶变化,将一维振动信号转换成二维图像,制作训练样本集和测试样本集。
步骤8.3:对神经网络模型进行参数初始化后,将训练样本集输入神经网络模型进行特征提取。
步骤8.4:神经网络模型利用反向传播算法得到最佳参数后,冻结神经网络模型的第一层网络。
步骤8.5:对下一个时间间隔的振动信号继续进行特征提取,通过分类器将下一时刻提取的特征与上一时刻训练完成提取的特征进行特征度量,若输出无差异,则不需要对分类器进行更新,若输出有差异,则更新分类器,保存更新分类器后的神经网络模型,同时启动智能合约中的警报程序。
步骤8.6:若同时有多个故障诊断在线节点对同一时间间隔的振动信号发起请求,区块链将同时对多个节点进行身份认证,认证成功后,将信号数据同时发送至所述多个节点处。
步骤8.6.1:多个故障诊断节点对收到的振动信号进行诊断,并将诊断结果发送至区块链中。
步骤8.6.2:区块链将诊断速度快,准确率高的诊断结果进行链上存储,并传输至交互系统的显示界面。
步骤8.6.3:对于多个故障诊断节点对同一时间间隔的振动数据进行诊断时,采用竞标的方式来保证诊断的准确性和高效性。
步骤9:诊断结果将显示在交互系统界面,并设置相关警告响应提醒相关工作人员通过交互界面查看诊断结果并采取措施。
上述故障诊断流程可参见图2故障诊断流程示意图。
基于以上步骤中所涉及的用户身份认证,数据的传输等过程,都严格按照区块链的机制进行,其中涉及到区块链的认证机制、共识机制、加密机制,区块链中的相关信息也具有区块链应当具有的性质,例如:防伪性、可靠性、溯源性、不可篡改性、共享性等。
参见图3基于区块链技术的故障诊断交互系统结构示意图,整个系统包括区块链、故障诊断和界面交互。
基于区块链技术的故障诊断交互系统,其区块链部分特征在于:
整个区块链包括数据层、网络层、共识层、存储层、查询层和应用层。
数据层中存储了键值对库和Merkle树,存储了区块链的运行数据和客户群体的数据。Merkle树用于存储数据的哈希值,键值对库用于存储哈希值和数据的磁盘位置信息或区块哈希和区块的磁盘位置信息,这些位置信息以键值对的形式存在。
网络层中封装了点对点(P2P)网络协议、数据传播/验证机制和节点身份认证机制。通过P2P网络协议实现了区块链中账本的分布式管理。
共识层中封装了该区块链正常运行所需的共识算法和整个区块链中的账本管理算法。
存储层中存储着采集到的振动信号,该振动信号存储在各节点的链下数据库中。
查询层中封装了查询引擎,用于数据的查询、调用等。
应用层中封装了区块链网络可实现的各种功能。包括数据的存证和溯源、数据中信息的溯源、调用、设备身份的查询、增加、注销等功能。
基于区块链技术的故障诊断交互系统,其故障部分特征在于:
故障诊断节点从区块链中获取振动信号后,将一维信号通过傅里叶变换转换成二维图像,输入到神经网络模型中进行训练,模型将下一时刻的特征与下一时刻的特征进行特征度量,根据度量结果更新神经网络模型,并输出故障。
基于区块链技术的故障诊断交互系统,其界面交互特征在于:
创建GUI界面,用于人机之间的简洁交互,界面具备数据溯源、数据调用、用户查询、用户管理、故障监控上报等可选框,用户可根据需求进行相关操作。
综上所述,本发明将区块链作为振动信号数据库,该数据库具备区块链的良好性质:
(1)区域链系统记录的动态数据是以块为单位的,在区块中,不仅记录着动态数据信息,还会包含着这项数据的来源以及与前一个块的连接点,这样相关的工作人员在需要一些数据的时候,能够快速检索到需要的数据信息,缩短动态数据调动的时间,尽可能缩短故障诊断时间,达到实时故障诊断的目的。
(2)不同的区块中可能记录着部分相同的动态信息,因此,任何操作者都无法单一地对区块中的信息进行改动,提升了动态信息处理与利用的安全性。
(3)基于区块链的数据存储方式可有效拓展数据存储空间、提升数据传输的时效性。
本发明将区块链作为故障诊断算法库,该算法库具备区块链的良好性质:
(1)操作人员可以在任何经过身份验证后的故障诊断节点上发布更新故障诊断算法,实现算法的高效应用和共享。
(2)故障诊断节点通过竞标的方式进行某一时间段内或某一对象的故障诊断,设置适当的收益机制,刺激故障诊断节点的自我更新和诊断效率。
(3)区块链上的任意故障诊断节点都可以参与诊断过程,有效提高了诊断效率。
(4)该故障诊断方法,可应用到不同场景下的故障诊断中。
(5)根据区块链的加密操作,可以有效保护故障诊断算法的知识产权,有效避免知识产权的侵犯。
Claims (3)
1.一种柔性印刷电子装备核心单元故障诊断方法,其特征在于,具体操作步骤如下:
步骤1:确定以卷对卷柔性印刷电子装备的核心部件为诊断对象,信号采集模块采集柔性印刷电子装备核心单元的振动信号;
步骤2:创建区块链故障诊断交互系统,各服务器遵循区块链的管理机制作为区块链的分布式节点;
步骤2具体如下:
步骤2.1:服务器在本地生成公私钥对后,将公钥和该服务器的身份信息上传到认证中心,认证中心对所述身份信息进行认证后,颁布数字证书并将其身份信息广播至整个区块链上,完成该服务器的开户,并成为区块链故障诊断系统中的节点之一;
步骤3:将上位机接入区块链故障诊断交互系统中,作为信号采集节点;
步骤4:连接传感器、多通道数据采集仪和数据采集节点后,将加速度传感器布置在轴承、齿轮、联轴器和滚筒上采集运行状态下的振动信号;
步骤5:传感器持续采集振动信号,并将采集的动态信号通过多通道数据采集仪调理后传输至信号采集节点;
步骤5具体如下:
步骤5.1:信号采集节点通过USB接口与多通道数据采集仪进行通讯,并对采集仪进行采样频率、传感器灵敏度、传感器量程、实时传送采样数据、停止参数设置;
步骤5.2:以信号采集节点的本地数据库为中间存储介质,多通道数据采集仪将传感器采集的信号进行放大滤波调理后实时传输至信号采集节点的硬盘进行存储;
步骤5.3:预设采集振动信号的时间间隔,信号采集节点以预定时间间隔为单位对采集的振动信号进行打包;
步骤6:信号采集节点将采集的振动信号打包后发送至区块链上,形成链上数据,以供故障诊断节点使用;
步骤6具体如下:
步骤6.1:信号采集节点将打包好的振动信号发送至区块链;
步骤6.2:区块链对打包的振动信号进行共识;
步骤6.3:共识成功后,振动信号被存储到区块链的超级账本中,形成链上数据;
步骤7:故障诊断节点接收到区块链对振动信号上链的消息后,向区块链提出振动信号调用请求,区块链对故障诊断节点进行身份认证后将振动信号发送至故障诊断节点;
步骤8:故障诊断节点对振动信号进行数据预处理,将其转换成二维图像;将二维图像输入至故障诊断节点含置的神经网络中进行故障诊断模型训练,并输出诊断结果;
步骤8具体如下:
步骤8.1:故障诊断节点在收到区块链发送的振动数据后,对数据进行短时傅里叶变化,将一维振动信号转换成二维图像,制作训练样本集和测试样本集;
步骤8.2:对神经网络模型进行参数初始化后,将训练样本集输入神经网络模型进行特征提取;
步骤8.3:神经网络模型利用反向传播算法得到最佳参数后,冻结神经网络模型的第一层网络;
步骤8.4:对下一个时间间隔的振动信号继续进行特征提取,通过分类器将下一时刻的特征与上一时刻训练完成的特征进行比较,若输出无差异,则不需要对分类器进行更新,若输出有差异,则更新分类器,保存更新分类器后的神经网络模型,同时启动智能合约中的警报程序;
步骤8.5:警报结果将现在交互系统的界面,方便相关人员查看诊断结果;
步骤9:若采集到的信号反应出故障后,其结果将显示在交互系统界面,并设置相关警告响应提醒相关工作人员通过交互界面查看诊断结果并采取相应措施。
2.根据权利要求1所述的一种柔性印刷电子装备核心单元故障诊断方法,其特征在于:步骤1所述核心部件包括压印滚筒、印版滚筒和供墨网纹辊三大滚动部件,以及支撑三大滚动部件平稳运行、传输动力的轴承、齿轮、联轴器和滚筒为诊断对象,所述轴承对滚筒起到支撑和旋转的作用,齿轮为滚筒同步运转提供动力,联轴器将滚筒轴端和电机轴连接。
3.根据权利要求1所述的一种柔性印刷电子装备核心单元故障诊断方法,其特征在于:步骤4具体如下:
对采集部件的表面进行油污清理后,使用粘合剂将有线传感器靠近振动源固定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111038105.2A CN113837245B (zh) | 2021-09-06 | 2021-09-06 | 一种柔性印刷电子装备核心单元故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111038105.2A CN113837245B (zh) | 2021-09-06 | 2021-09-06 | 一种柔性印刷电子装备核心单元故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113837245A CN113837245A (zh) | 2021-12-24 |
CN113837245B true CN113837245B (zh) | 2024-04-09 |
Family
ID=78962252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111038105.2A Active CN113837245B (zh) | 2021-09-06 | 2021-09-06 | 一种柔性印刷电子装备核心单元故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113837245B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951197A (zh) * | 2017-01-19 | 2017-07-14 | 北京印刷学院 | 一种基于信号测试的印刷设备远程故障诊断方法及系统 |
WO2020113545A1 (zh) * | 2018-12-07 | 2020-06-11 | 北京大学深圳研究生院 | 基于联盟链投票共识算法产生及管理多模标识网络的方法 |
WO2020244134A1 (zh) * | 2019-06-05 | 2020-12-10 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
CN113155469A (zh) * | 2021-03-19 | 2021-07-23 | 黑龙江机智通智能科技有限公司 | 发动机故障诊断报警系统及装置 |
-
2021
- 2021-09-06 CN CN202111038105.2A patent/CN113837245B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951197A (zh) * | 2017-01-19 | 2017-07-14 | 北京印刷学院 | 一种基于信号测试的印刷设备远程故障诊断方法及系统 |
WO2020113545A1 (zh) * | 2018-12-07 | 2020-06-11 | 北京大学深圳研究生院 | 基于联盟链投票共识算法产生及管理多模标识网络的方法 |
WO2020244134A1 (zh) * | 2019-06-05 | 2020-12-10 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
CN113155469A (zh) * | 2021-03-19 | 2021-07-23 | 黑龙江机智通智能科技有限公司 | 发动机故障诊断报警系统及装置 |
Non-Patent Citations (2)
Title |
---|
李培玉 ; 郑俊 ; .基于多通道振动信号的港机车轮轴承故障诊断.轴承.2007,(第09期),全文. * |
李蔚民 ; 艾春玲 ; .复杂移动装备在线监测方案设计.军械工程学院学报.2015,(第02期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113837245A (zh) | 2021-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104636352B (zh) | 一种基于质量戳的scada 系统历史数据补数与查询处理方法 | |
CN113569475B (zh) | 一种基于数字孪生技术的地铁轴箱轴承故障诊断系统 | |
CN108038553A (zh) | 轧机设备状态在线监测与诊断系统及监测诊断方法 | |
CN106774192B (zh) | 基于mes的热处理智能系统及其控制方法 | |
CN109246223A (zh) | 一种纺织机械远程运维系统及其实现方法 | |
CN113112086A (zh) | 一种基于边缘计算和标识解析的智能生产系统 | |
CN106525415B (zh) | 一种风电机组传动链健康状态评价系统及方法 | |
CN107037800B (zh) | 基于客户端制氧设备远程故障诊断系统的故障诊断方法 | |
CN105262210A (zh) | 一种变电站网络安全性分析预警系统和方法 | |
CN106458110A (zh) | 用于促进汽车机修工之间的协作的系统和方法 | |
DE102014103353A1 (de) | Sammeln und Bereitstellen von Daten an eine Big-Data-Maschine in einem Prozesssteuerungssystem | |
CN111238559A (zh) | 一种卷包车间在线检测设备状态监控系统 | |
CN101707528B (zh) | 一种对集中监控系统的告警数据的传送方法 | |
WO2018152951A1 (zh) | 一种柴油机云监控及云管理系统 | |
CN113837245B (zh) | 一种柔性印刷电子装备核心单元故障诊断方法 | |
CN114827140A (zh) | 一种用于风洞现场的实时数据集中管控系统 | |
CN103888300B (zh) | Web服务系统中网络故障分析系统与方法 | |
CN209400916U (zh) | 一种基于以太网的车间生产管理系统 | |
CN114817739A (zh) | 一种基于人工智能算法的工业大数据处理系统 | |
CN111125235A (zh) | 一种生产管控方法 | |
CN208537031U (zh) | 一种发电机电刷温度非接触在线监测系统 | |
CN113793426A (zh) | 一种基于区块链技术的印刷机生产运行状态监测方法 | |
CN109377223B (zh) | 一种基于区块链技术管理网络安全事件处置过程的方法及系统 | |
CN111611132B (zh) | 面向业务的运维分析方法、装置、设备及介质 | |
CN101214478B (zh) | 点胶机实时性监控与诊断方法 |
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 |