CN113935351B - 一种非接触式振动频率检测与正反转识别的系统 - Google Patents

一种非接触式振动频率检测与正反转识别的系统 Download PDF

Info

Publication number
CN113935351B
CN113935351B CN202111386299.5A CN202111386299A CN113935351B CN 113935351 B CN113935351 B CN 113935351B CN 202111386299 A CN202111386299 A CN 202111386299A CN 113935351 B CN113935351 B CN 113935351B
Authority
CN
China
Prior art keywords
data
vibration frequency
reader
antenna
data processing
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
CN202111386299.5A
Other languages
English (en)
Other versions
CN113935351A (zh
Inventor
朱飑凯
田丽云
袁纬杰
杨泽娇
刘馨鸽
高盛
刘三满
李庚基
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.)
Shanxi Police College
Original Assignee
Shanxi Police College
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 Shanxi Police College filed Critical Shanxi Police College
Priority to CN202111386299.5A priority Critical patent/CN113935351B/zh
Publication of CN113935351A publication Critical patent/CN113935351A/zh
Application granted granted Critical
Publication of CN113935351B publication Critical patent/CN113935351B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/10009—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves
    • G06K7/10366—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves the interrogation device being adapted for miscellaneous applications
    • G06K7/10415—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves the interrogation device being adapted for miscellaneous applications the interrogation device being fixed in its position, such as an access control device for reading wireless access cards, or a wireless ATM
    • 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
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K19/00—Record carriers for use with machines and with at least a part designed to carry digital markings
    • G06K19/06—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code
    • G06K19/067—Record carriers with conductive marks, printed circuits or semiconductor circuit elements, e.g. credit or identity cards also with resonating or responding marks without active components
    • G06K19/07—Record carriers with conductive marks, printed circuits or semiconductor circuit elements, e.g. credit or identity cards also with resonating or responding marks without active components with integrated circuit chips
    • G06K19/077—Constructional details, e.g. mounting of circuits in the carrier
    • G06K19/07749—Constructional details, e.g. mounting of circuits in the carrier the record carrier being capable of non-contact communication, e.g. constructional details of the antenna of a non-contact smart card
    • G06K19/07758—Constructional details, e.g. mounting of circuits in the carrier the record carrier being capable of non-contact communication, e.g. constructional details of the antenna of a non-contact smart card arrangements for adhering the record carrier to further objects or living beings, functioning as an identification tag
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/10009—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves
    • G06K7/10316—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves using at least one antenna particularly designed for interrogating the wireless record carriers
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Toxicology (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明属于工业物联网领域，具体为一种非接触式振动频率检测与正反转识别的系统，包括标签、与天线相连接的阅读器和数据处理装置；其中，标签固定在待测电机周围的预定距离处；与天线相连的阅读器固定在待测电机周围的预定距离处，与天线相连的阅读器与数据处理装置进行通信连接，期间阅读器可以及时读取到标签反射信号的相关数据，数据处理装置对相关数据进行去噪、滤波，得出最接近原始振动信号的振动频率，再通过将测得的相关数据转变到马尔科夫变迁场的相关图像，通过深度学习的方法最终可达到正反转精准识别区分的目的。本发明能以非接触的模式精准检测设备振动频率，高效识别正反转，改进传统模式费时费力的缺陷。

Description

一种非接触式振动频率检测与正反转识别的系统
技术领域
本发明属于工业物联网领域，具体为一种非接触式振动频率检测与正反转识别的系统。
背景技术
近年来，在工业系统的发展过程中，振动信号普遍存在于工业生产的各个环节中。例如风机、电机、马达、齿轮这些设备均会产生振动，而工业物联网的广泛应用为这些振动设备状况的智能检测提供了更多可能。电机在工业系统中的应用范围极为广泛，各种专用机械都需要依靠电机来驱动工作。例如：电机是发电厂和变电站的主要设备，火电厂利用汽轮发电机将机械能转换为电能，再利用变压器改变电压等级进行传输和分配；在冶金工业中，高炉、转炉和平炉都要由若干台电动机来控制，尤其在大型制造业企业中，电机的数量和型式更多。工业过程控制，工业机器的状态测量，尤其是振动频率的精确测量，对设备的早期故障诊断都具有重要意义。其一方面可以减少设备持续损坏带来更高的维修成本；一方面能够避免危险情况的发生。
以单相电容电机举例来说，该电机本身具有两个绕组，即启动绕组和运行绕组。两个绕组在空间上相差90度，通常在启动绕组上串联一个容量较大的电容器，当运行绕组和启动绕组通过单相交流电时，由于电容器作用使启动绕组中的电流在时间上比运行绕组的电流超前90度角，先到达最大值。在时间和空间上形成两个相同的脉冲磁场，使定子与转子之间的气隙中产生了一个旋转磁场，在旋转磁场的作用下，电机转子中产生感应电流，电流与旋转磁场互相作用产生电磁场转矩，使电机反转起来。电机长时期处于反转状态会造成电机烧毁、继电器烧毁以及相间短路故障。若能在电机反转发生初期对其进行有效诊断，进而采取相应措施，则对防止电机损坏及进一步破坏工业系统具有重要的意义。
传统的振动频率测量和电机正反转识别需要专用的仪器，例如，高速摄像机，激光测量，声音测量，专用传感器测量等。然而这些方法大体受限于以下方面：第一、视频图像的采集需要较为充足的光源，且很大程度上受限于厂商的商业隐私保护；第二、激光测量要求不能有物体遮挡，如果在非视距方向则不能很好的适用；第三、在嘈杂的环境下，对于转动故障所发出的细小声音，环境复杂和处理数据经验不足很难识别；第四、专用传感器部署复杂，且价格昂贵后期维护成本高，不易普及。针对以上问题得知，通过各类仪器对工业器械进行振动监测与正反转识别都会被各类影响因素所干扰。因此，通过一种非接触式振动频率检测与正反转识别系统，准确识别并有效预防设备安全问题很有必要。
发明内容
基于现有传统技术所存在的成本、效率等问题，本发明的目的是提供一种便捷化的非接触式振动设备频率检测与正反转识别系统，能以非接触的模式精准检测设备振动频率，高效识别正反转，改进传统模式费时费力的缺陷。
本发明的目的是通过以下技术方案实现的：一种非接触式振动频率检测与正反转识别系统，包括：标签、与天线相连接的阅读器和数据处理装置；其中，标签固定在待测电机周围的预定距离处；与天线相连的阅读器固定在待测电机周围的预定距离处，与天线相连的阅读器与数据处理装置进行通信连接，期间阅读器可以及时读取到标签反射信号的相关数据，数据处理装置对相关数据进行去噪、滤波，得出最接近原始振动信号的振动频率，再通过将测得的相关数据转变到马尔科夫变迁场的相关图像，通过深度学习的方法最终可达到正反转精准识别区分的目的。
上述的一种非接触式振动频率检测与正反转识别系统，振动频率检测与正反转识别具体包括以下步骤：
步骤一：设备部署：标签放置在待测电机的周围，期间保持标签与待测电机的预定距离；将与天线相连的阅读器与数据处理装置进行通信连接，天线与标签、待测电机保持预定距离；
步骤二：信号数据提取：经过阅读器获取对应标签反射信号的不同数据；
步骤三：信号数据处理：通过数据处理装置，对阅读器获取的对应标签的反射信号进行数据处理；
步骤四：频率识别：将反射信号相关数据进行选择性滤波，截止了其余赫兹数的干扰信号，之后将通过滤波器后的相关数据以图像曲线形式进行直观显现，其中，曲线的波峰即为所测电机的频率；
步骤五：正反转识别：用相关数据值域构建马尔可夫变迁场M，马尔可夫变迁场M为时间序列可视化矩阵，随后将可视化得出的时间序列可视化矩阵通过卷积神经网络的进行正反转识别区分。
上述的一种非接触式振动频率检测与正反转识别系统，反射信号的相关数据中，相位数据适用于更细微、更细粒度的感知，所以采用相位数据用于振动频率检测和正反转识别。
上述的一种非接触式振动频率检测与正反转识别系统，所述标签为RFID标签，阅读器为ImpinJ R420阅读器。
上述的一种非接触式振动频率检测与正反转识别系统，与阅读器连接的天线采用圆极化天线。
上述的一种非接触式振动频率检测与正反转识别系统，降噪处理采用直流分量法，具体过程为：对反射信号f(t)的直流分量进行求取：去除反射信号f(t)中求取的直流分量完成对反射信号f(t)的降噪，反射信号f(t)中的相关数据也即完成了降噪。
上述的一种非接触式振动频率检测与正反转识别系统，基于FIR低通滤波器具有过滤时间离散信号的特性，选择FIR低通滤波器对相关数据进行选择性滤波。
上述的一种非接触式振动频率检测与正反转识别系统，通过卷积神经网络进行正反转识别区分时，通过多重层次对时间序列可视化矩阵进行处理：
(1)卷积层：对时间序列可视化矩阵的部分特征进行局部感知，并得出计算后的特征图像；
(2)激活层：对卷积运算后的特征图像通过激活函数实现非线性变换，进而得到特征图像对应的各个子矩阵；
(3)池化层：在原有主要特征不丢失的基础上，将非线性变化后的各个子矩阵进行数据和参数量的压缩；
(4)Dropout层：将压缩后的各个子矩阵转为多维数据；
(5)Flatten层：作为卷积层到全连接层的过渡阶段，可使多维数据一维化，一维数据即为Flatten层的分类结果；
(6)全连接层：是卷积网络与Softmax分类器的连接过渡阶段，对Flatten层的分类结果进行输出；
(7)Softmax分类器：利用如下公式：其中Softmax(K)i是将一维数据ki分类成为正反转的概率值，由概率值来判断此时电机是正转还是反转，ki代表数据由多维向一维化的第i个值，exp是自然常数e的指数函数。
由上述本发明提供的技术方案可以看出，本发明提供了一种非接触式振动频率检测与正反转识别的系统，其有益效果为：
通过在待测电机周围的预定距离处设置一个RFID标签，并通过数据处理装置对经过ImpinJ R420阅读器读取RFID标签的反射信号的相位数据进行处理，先依次通过去噪平滑和低通滤波操作，得出振动设备的准确振动频率；再将反射信号时间序列数据通过马尔科夫变迁场转化为图像，由深度学习等模型最终高效识别正反转。
本发明实现了以非接触式方式对振动频率的检测和正反转识别，具有以下多重研究优势：独立性，RFID标签不必贴在振动物体上，放置在旁边即可，更加方便安全；实用性，一个RFID标签不光可以对振动设备频率进行预估，还可以精准识别设备的正反转(准确率均达到90％以上)；普适性，对于振动物体类型没有多重要求限制，应用领域具有广泛性；准确性，测量数据较为精准，所受误差小(在1HZ以内)。
附图说明
为了使本发明的技术方案更为清晰，下面将对发明的系统及方法所需要的附图进行简单介绍。另外，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图进一步获得其他附图。
图1为本发明实施例提供的一种非接触式频率检测与正反转识别的简单流程图。
具体实施方式
下面结合本发明的具体内容，对本发明实施例中的技术方案进行清楚、完整地描述。显然，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。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
本发明提供的一种非接触式振动频率检测与正反转识别的系统，包括一个RFID标签、与天线相连接的ImpinJ R420阅读器和数据处理装置。其中涉及到数据处理装置的流程图如图1所示。
上述提到的一种非接触式振动频率检测与正反转识别的系统，其检测和识别方法包括以下步骤：
步骤一：实验设备部署。
(1)将RFID标签放置在待测电机的周围，期间保持标签与待测电机的预定距离为5cm左右；
(2)将与天线相连的ImpinJ R420阅读器与数据处理装置进行通信连接，保持天线与RFID标签、待测电机预定距离均为15cm左右；
(3)最后将反光条粘贴在待测电机振动旋转的合适位置，激光测速仪根据待测电机的实际部署位置进行测量，在转速读数下缩小60倍即为实际待测电机的频率大小，此示数代表了传统的测量方法，可与本发明频率测量结果形成鲜明的对比。
步骤二：信号数据提取。
为了尽可能的提高阅读器接收到标签反射回的微弱电磁波信号，采用圆极化天线。该天线体积大，增益高，能够弥补距离导致的高强度信号衰减，使标签接收到的信号能量与阅读器接受到的信号能量/>损失最小。其中，β为标签接收到阅读器发出的能量的信号利用率，PT_reader代表阅读器发送出去的能量，Greader代表阅读器天线的信号增益，Gtag代表标签的信号增益，α代表阅读器与标签间传播信道的衰减系数，λ为无线电电磁波波长，d为标签与阅读器间的通信距离。
经过ImpinJ R420阅读器获取的对应RFID标签反射信号f(t)包括不同数据(RSSI、Phase、Doppler等)。其中由于相位数据Phase适用于更细微、更细粒度的感知，所以采用相位数据作为之后的研究基础。该式可表示阅读器接收到标签的相位数据：
其中d为标签与阅读器天线之间的通信距离，λ为传输波长，θdevice为标签和阅读器等硬件产生的系统噪声。
步骤三：信号数据处理。
通过上述所提及的数据处理装置，对ImpinJ R420阅读器获取的对应RFID标签的反射信号f(t)进行处理。期间由于环境与仪器本身的噪声干扰，首先对反射信号f(t)进行降噪处理，利用了如下公式对相位反射信号f(t)的直流分量进行求取：其中若反射信号f(t)为周期信号，就能省去取极限的过程，而且积分限可以取任意一个周期；去除反射信号f(t)中求取的直流分量完成对反射信号f(t)的降噪，反射信号f(t)中的相位数据也即完成了降噪。
针对去噪流程，本发明还对比了移动平均滤波的方法，在该方法中将反射信号f(t)中的确定性成分与随机性成分进行离散化处理。该方法可以将适当区间上的信号当成近似平稳的状态，滤掉频繁跳动的随机误差和噪声。另外，对反射信号f(t)进行移动平滑滤波处理，能有效减少突然变动数据的影响。为了取得较好的实际去噪效果，一般将平滑因子设置为0.3。
两种数据处理比对后知：去直流分量法相比移动平均法而言，在保留标签相位信息的同时，曲线更平缓，效果更佳。
步骤四：频率识别。
RFID标签的相位信息极易被环境噪声所干扰，因此，稳定的识别系统对于复杂环境下设备的振动识别尤为重要。本发明利用数据处理装置对频率进行识别，期间选择了由FFT(Fast Fourier Transform)实现的FIR低通滤波器(Finite Impulse Response)。与其他滤波器相对比，FIR低通滤波器能够在保证任意幅频特性的基础上，保留相频特征，而且单位抽样响应有限长，系统能够保持相对稳定的效果。
假设理想情况下，FIR低通数字滤波器的截止频率为wc，群延迟为α，则FIR滤波器的单位冲激响应可由下式进行表达：对其进一步进行推导可以进一步得出：/>其中wc为所选低通滤波器的截止频率，n为滤波器的抽头数。理想化的FIR低通滤波器中的单位冲激响应是无限长的，但实际上来说，FIR低通滤波器的长度有限，需要选取较好的汉宁窗函数对hd(n)进行调整。根据主瓣宽度的一半等于截止频率来估算FIR低通滤波器的长度。
基于FIR滤波器具有过滤时间离散信号的特性，本发明先将相位数据进行选择性滤波，截止了其余赫兹数的干扰信号，之后将通过滤波器后的相位数据以图像曲线形式进行直观显现。其中，曲线的波峰即为所测振动设备的频率，基于此，将滤波后图像曲线所显示的波峰值与实际频率值相比对即可判断识别的精准性。期间，为了滤除特殊化的异常数据，通过重复实验进行总结比对，得出利用FIR低通滤波器对振动频率可以进行较为精准的识别，准确率可达到97％。
步骤五：正反转识别。
从相位角度分析，由于设备的正反转之间实际相差π的特点，致使本发明中将正反转识别转化为数据处理装置中时间序列分类的问题。由于阅读器天线接收到的RFID标签相位数据是一个随机变量，若将此随机变量按照时间的顺序前后排列开，在t+1时刻的分布特性与t时刻以前的随机变量没有关系，这个特性符合马尔可夫性质。由于以时间序列为基础的隐马尔可夫分类算法，比直接使用隐马尔可夫模型的分类算法准确率更高。对比传统的隐马尔可夫模型中的转移矩阵对序列上的时间并不敏感这一特点，本发明选用马尔可夫变迁场，将时间序列上的一维数组转换为二维特征图像。
具体操作如下：首先将时间序列上的相位数据按照其取值范围划分为N个等分组：Xi∈{1,2,…N}，其中每个数据点i都在唯一的Xi中；其次，再构建马尔科夫转移矩阵W，矩阵范围为[N,N]，其中W[i,j]由Xj中的紧邻数据的频率决定Xi中的数据，如下表示：最后，构建马尔可夫变迁场M，马尔可夫变迁场M为时间序列可视化矩阵，矩阵尺寸为[Q,Q]。其中M[i,j]的值为W[Xi，Xj]，M具体表示如下：
随后再将可视化得出的时间序列可视化矩阵通过支持向量机(Support VectorMachine，SVM)与卷积神经网络(Convolutional Neural Networks，CNN)的不同模型进行正反转识别区分。如：SVM、CNN模型Alexnet、Resnet、Vgg16等。CNN模型期间，通过多重层次对图像进行处理：
(1)卷积层：对时间序列可视化矩阵的部分特征进行局部感知，并得出计算后的特征图像：其中aj为当前的输入特征图，是时间序列可视化矩阵中的第j幅图，/>表示卷积操作，Wj表示卷积核权重，bj表示偏置；
(2)激活层：对卷积运算后的特征图像通过激活函数实现非线性变换，进而得到特征图像对应的各个子矩阵；常见的激活函数包括：Sigmoid，Tanh和Relu函数等；
(3)池化层：在原有主要特征不丢失的基础上，将非线性变化后的各个子矩阵进行数据和参数量的压缩，进一步放大图像特征，减小过拟合现象。
(4)Dropout层：将压缩后的各个子矩阵转为多维数据，为防止模型结果过拟合，可在网络模型的训练过程中，按照一定概率随机将神经网络中的神经元丢弃。
(5)Flatten层：作为卷积层到全连接层的过渡阶段，可使多维数据一维化，一维数据即为Flatten层的分类结果；
(6)全连接层：是卷积网络与Softmax分类器的连接过渡阶段，可对Flatten层的分类结果进行输出；
(7)Softmax分类器：利用如下公式：可达到将分类结果转换为总和为1的概率值的目的。其中，Softmax(k)i是将一维数据ki分类成为正反转的概率值，由概率值来判断此时电机是正转还是反转，ki代表数据由多维向一维化的第i个值，其对应的是时间序列可视化矩阵中的第i幅图，exp是自然常数e的指数函数，
本发明比对SVM与CNN各模型的试验效果，对准确率最大的传统vgg16模型各层次进行改进：首先，输入一个为270×270的训练图像的数据，再经过一个3×3的卷积核和32个滤波器后输出268×268×32维矩阵，然后进行一个2×2的最大池化层后输出134*134*32维度数据，经过一系列特征提取完之后经过一个Flatten层对矩阵进行扁平化，输入到有32个神经元的全连接层，最后以Softmax函数激活输出两个分类，实现对振动设备的高效正反转识别。
本发明系统能以非接触方式对振动频率检测和正反转识别，下面对本发明实施例具体做进一步详细描述。
本发明提供的是一种能对待测设备的振动频率与正反转进行检测识别的系统，其基于商用RFID设备，可以在不接触待测物体的条件下，充分利用RFID标签对物体的振动频率与正反转模式进行检测与识别。
针对此发明，数据处理装置采用了嵌入式Impinj LLRP的工具包使之与ImpinJR420阅读器进行通信，ImpinJ R420阅读器将此协议进行了改进，以支持相位读取报告。关于数据处理装置方面采用C#进而实现了网络连接，还运用matlab实现了信号处理。另外，配备英特尔i5-8265U CPU和8GBRAM的联想pc，使软件实现与LLRP工具包得以兼容，更为简单直接的从ImpinJ R420阅读器中得到各类型读数。
本发明涉及工业物联网的振动频率检测与正反转识别系统，具体为一种非接触式振动频率检测和正反转识别的系统。该系统包括一套完整的RFID设备，如：ImpinJSpeedway R420阅读器、天线、RFID标签，测速仪和数据处理装置(采用笔记本电脑)。另外，本发明还实现了最大为80HZ的采样率，但在其基础上的RFID标签与ImpinJ R420阅读器的距离过小，与实际情况存有矛盾。为与实际更加契合，选用实际效果最佳的60HZ的采样率进行实验，最终达成了高准确率的频率检测与正反转识别。
综上所述，本发明提供了一种非接触式振动频率检测与正反转识别的系统，本系统打破了传统的接触式频率检测与正反转识别的模式，提高了工业物联网的实时效率。当振动设备需要频率检测与正反转健康识别时，用户只需利用简单的非接触RFID设备，即可完成传统大规模的任务模式。
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程序来指相关的硬件来完成，所述的程序可存储与一计算机可读取存储介质中，该程序正在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、可读存储记忆体或随机存储记忆体等。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应该涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (7)

1.一种非接触式振动频率检测与正反转识别系统，其特征在于：包括：标签、与天线相连接的阅读器和数据处理装置；其中，标签固定在待测电机周围的预定距离处；与天线相连的阅读器固定在待测电机周围的预定距离处，与天线相连的阅读器与数据处理装置进行通信连接，期间阅读器可以及时读取到标签反射信号的相关数据，数据处理装置对相关数据进行去噪、滤波，得出最接近原始振动信号的振动频率，再通过将测得的相关数据转变到马尔科夫变迁场的相关图像，通过深度学习的方法最终可达到正反转精准识别区分的目的；反射信号的相关数据中，相位数据适用于更细微、更细粒度的感知，所以采用相位数据用于振动频率检测和正反转识别。
2.根据权利要求1所述的一种非接触式振动频率检测与正反转识别系统，其特征在于：振动频率检测与正反转识别具体包括以下步骤：
步骤一：设备部署：标签放置在待测电机的周围，期间保持标签与待测电机的预定距离；将与天线相连的阅读器与数据处理装置进行通信连接，天线与标签、待测电机保持预定距离；
步骤二：信号数据提取：经过阅读器获取对应标签反射信号的不同数据；
步骤三：信号数据处理：通过数据处理装置，对阅读器获取的对应标签的反射信号进行数据处理；
步骤四：频率识别：将反射信号相关数据进行选择性滤波，截止了其余赫兹数的干扰信号，之后将通过滤波器后的相关数据以图像曲线形式进行直观显现，其中，曲线的波峰即为所测电机的频率；
步骤五：正反转识别：用相关数据值域构建马尔可夫变迁场M，马尔可夫变迁场M为时间序列可视化矩阵，随后将可视化得出的时间序列可视化矩阵通过卷积神经网络的进行正反转识别区分。
3.根据权利要求1或2所述的一种非接触式振动频率检测与正反转识别系统，其特征在于：所述标签为RFID标签，阅读器为ImpinJ R420阅读器。
4.根据权利要求1或2所述的一种非接触式振动频率检测与正反转识别系统，其特征在于：与阅读器连接的天线采用圆极化天线。
5.根据权利要求1或2所述的一种非接触式振动频率检测与正反转识别系统，其特征在于：降噪处理采用直流分量法，具体过程为：对反射信号f(t)的直流分量进行求取：去除反射信号f(t)中求取的直流分量完成对反射信号f(t)的降噪，反射信号f(t)中的相关数据也即完成了降噪。
6.根据权利要求1或2所述的一种非接触式振动频率检测与正反转识别系统，其特征在于：基于FIR低通滤波器具有过滤时间离散信号的特性，选择FIR低通滤波器对相关数据进行选择性滤波。
7.根据权利要求2所述的一种非接触式振动频率检测与正反转识别系统，其特征在于：通过卷积神经网络进行正反转识别区分时，通过多重层次对时间序列可视化矩阵进行处理：
(1)卷积层：对时间序列可视化矩阵的部分特征进行局部感知，并得出计算后的特征图像；
(2)激活层：对卷积运算后的特征图像通过激活函数实现非线性变换，进而得到特征图像对应的各个子矩阵；
(3)池化层：在原有主要特征不丢失的基础上，将非线性变化后的各个子矩阵进行数据和参数量的压缩；
(4)Dropout层：将压缩后的各个子矩阵转为多维数据；
(5)Flatten层：作为卷积层到全连接层的过渡阶段，可使多维数据一维化，一维数据即为Flatten层的分类结果；
(6)全连接层：是卷积网络与Softmax分类器的连接过渡阶段，对Flatten层的分类结果进行输出；
(7)Softmax分类器：利用如下公式：其中Softmax(K)i是将一维数据ki分类成为正反转的概率值，由概率值来判断此时电机是正转还是反转，ki代表数据由多维向一维化的第i个值，exp是自然常数e的指数函数。
CN202111386299.5A 2021-11-22 2021-11-22 一种非接触式振动频率检测与正反转识别的系统 Active CN113935351B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111386299.5A CN113935351B (zh) 2021-11-22 2021-11-22 一种非接触式振动频率检测与正反转识别的系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111386299.5A CN113935351B (zh) 2021-11-22 2021-11-22 一种非接触式振动频率检测与正反转识别的系统

Publications (2)

Publication Number Publication Date
CN113935351A CN113935351A (zh) 2022-01-14
CN113935351B true CN113935351B (zh) 2023-12-19

Family

ID=79287324

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111386299.5A Active CN113935351B (zh) 2021-11-22 2021-11-22 一种非接触式振动频率检测与正反转识别的系统

Country Status (1)

Country Link
CN (1) CN113935351B (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3043058A1 (de) * 1980-11-12 1982-06-16 Licentia Patent-Verwaltungs-Gmbh, 6000 Frankfurt Verfahren zur fuehrung einer synchronmaschine
JPH07174616A (ja) * 1993-12-17 1995-07-14 Ono Sokki Co Ltd 検査装置
US6208377B1 (en) * 1992-09-11 2001-03-27 Canon Kabushiki Kaisha Image-shake correcting device for detecting vibration frequency and for changing vibration characteristics
KR20050044977A (ko) * 2003-11-08 2005-05-16 박동윤 하나의 축에 다수의 회전체를 형성하는 회전식 정보디스플레이 방법 및 장치.
CN103034170A (zh) * 2012-11-27 2013-04-10 华中科技大学 一种基于区间的数控机床性能预测方法
CA2938533A1 (en) * 2015-09-11 2017-03-11 Hao Chen Method for quantitative evaluation of switched reluctance motor system reliability through three-level markov model
CN108803334A (zh) * 2018-06-21 2018-11-13 广东工业大学 基于非齐次马尔科夫模型的直流电机有限时间控制方法及系统
CN110119800A (zh) * 2019-05-15 2019-08-13 中国科学技术大学 一种能同时测量多个物体振动频率的非接触式系统及方法
CN111157892A (zh) * 2019-12-27 2020-05-15 安徽大学 多相电机绕组基于马尔科夫模型的可靠性定量评估方法
KR20200075073A (ko) * 2018-12-07 2020-06-26 (주)니어스랩 풍력 발전기 블레이드 인식/분석 장치 및 방법
JP2020183939A (ja) * 2019-04-29 2020-11-12 富士通株式会社 ギアボックスの異常検出方法及び情報処理装置
CN112418267A (zh) * 2020-10-16 2021-02-26 江苏金智科技股份有限公司 一种基于多尺度可视图和深度学习的电机故障诊断方法
CN112763214A (zh) * 2020-12-31 2021-05-07 南京信息工程大学 基于多标签零样本学习的滚动轴承故障诊断方法
CN113203566A (zh) * 2021-04-06 2021-08-03 上海吞山智能科技有限公司 一种基于一维数据增强和cnn的电机轴承故障诊断方法
CN113537247A (zh) * 2021-08-13 2021-10-22 重庆大学 一种针对换流变压器振动信号的数据增强方法
WO2021217364A1 (zh) * 2020-04-27 2021-11-04 西门子股份公司 一种故障诊断方法及其装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108573193B (zh) * 2017-03-10 2021-07-02 燕山大学 一种滚动轴承多故障耦合机理与早期故障特征提取方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3043058A1 (de) * 1980-11-12 1982-06-16 Licentia Patent-Verwaltungs-Gmbh, 6000 Frankfurt Verfahren zur fuehrung einer synchronmaschine
US6208377B1 (en) * 1992-09-11 2001-03-27 Canon Kabushiki Kaisha Image-shake correcting device for detecting vibration frequency and for changing vibration characteristics
JPH07174616A (ja) * 1993-12-17 1995-07-14 Ono Sokki Co Ltd 検査装置
KR20050044977A (ko) * 2003-11-08 2005-05-16 박동윤 하나의 축에 다수의 회전체를 형성하는 회전식 정보디스플레이 방법 및 장치.
CN103034170A (zh) * 2012-11-27 2013-04-10 华中科技大学 一种基于区间的数控机床性能预测方法
CA2938533A1 (en) * 2015-09-11 2017-03-11 Hao Chen Method for quantitative evaluation of switched reluctance motor system reliability through three-level markov model
CN108803334A (zh) * 2018-06-21 2018-11-13 广东工业大学 基于非齐次马尔科夫模型的直流电机有限时间控制方法及系统
KR20200075073A (ko) * 2018-12-07 2020-06-26 (주)니어스랩 풍력 발전기 블레이드 인식/분석 장치 및 방법
JP2020183939A (ja) * 2019-04-29 2020-11-12 富士通株式会社 ギアボックスの異常検出方法及び情報処理装置
CN110119800A (zh) * 2019-05-15 2019-08-13 中国科学技术大学 一种能同时测量多个物体振动频率的非接触式系统及方法
CN111157892A (zh) * 2019-12-27 2020-05-15 安徽大学 多相电机绕组基于马尔科夫模型的可靠性定量评估方法
WO2021217364A1 (zh) * 2020-04-27 2021-11-04 西门子股份公司 一种故障诊断方法及其装置
CN112418267A (zh) * 2020-10-16 2021-02-26 江苏金智科技股份有限公司 一种基于多尺度可视图和深度学习的电机故障诊断方法
CN112763214A (zh) * 2020-12-31 2021-05-07 南京信息工程大学 基于多标签零样本学习的滚动轴承故障诊断方法
CN113203566A (zh) * 2021-04-06 2021-08-03 上海吞山智能科技有限公司 一种基于一维数据增强和cnn的电机轴承故障诊断方法
CN113537247A (zh) * 2021-08-13 2021-10-22 重庆大学 一种针对换流变压器振动信号的数据增强方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
电动汽车用混合励磁电机交流励磁对振动特性的影响;樊英，等;《汽车安全与节能学报》;第6卷(第4期);第469-476页 *

Also Published As

Publication number Publication date
CN113935351A (zh) 2022-01-14

Similar Documents

Publication Publication Date Title
Goyal et al. Support vector machines based non-contact fault diagnosis system for bearings
Safizadeh et al. Using multi-sensor data fusion for vibration fault diagnosis of rolling element bearings by accelerometer and load cell
Lin et al. Detection and classification of multiple power-quality disturbances with wavelet multiclass SVM
Purarjomandlangrudi et al. A data mining approach for fault diagnosis: An application of anomaly detection algorithm
CA2969414C (en) Apparatus and method for monitoring a device having a movable part
Wang et al. Sensor fusion for online tool condition monitoring in milling
Yang et al. Remaining useful life prediction of ultrasonic motor based on Elman neural network with improved particle swarm optimization
CN102466566B (zh) 动力设备异常检测装置及其检测方法
Maurya et al. Condition monitoring of machines using fused features from EMD-based local energy with DNN
Heyns et al. Combining synchronous averaging with a Gaussian mixture model novelty detection scheme for vibration-based condition monitoring of a gearbox
Rother et al. A brief review and a first application of time-frequency-based analysis methods for monitoring of strip rolling mills
Pietrzak et al. PMSM stator winding fault detection and classification based on bispectrum analysis and convolutional neural network
Janeliukstis Continuous wavelet transform-based method for enhancing estimation of wind turbine blade natural frequencies and damping for machine learning purposes
Koukoura et al. Comparison of wind turbine gearbox vibration analysis algorithms based on feature extraction and classification
Lin et al. Condition monitoring and fault diagnosis of roller element bearing
Hussain et al. Stator winding fault detection and classification in three-phase induction motor
Cheng et al. Online bearing remaining useful life prediction based on a novel degradation indicator and convolutional neural networks
Shuiqing et al. Gear fault diagnosis in variable speed condition based on multiscale chirplet path pursuit and linear canonical transform
Huang et al. Research on fan vibration fault diagnosis based on image recognition
CN117606577B (zh) 一种再生水和自来水切换流量实时监测方法及系统
CN113935351B (zh) 一种非接触式振动频率检测与正反转识别的系统
Zhang et al. A novel faults detection method for rolling bearing based on RCMDE and ISVM
Toma et al. Comparative analysis of continuous wavelet transforms on vibration signal in bearing fault diagnosis of induction motor
Shuai et al. Adaptive morphological feature extraction and support vector regressive classification for bearing fault diagnosis
CN117171657A (zh) 风力发电设备故障诊断方法、装置、电子设备及存储介质

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