CN114764112A - 一种非接入式的机器故障预测方法 - Google Patents
一种非接入式的机器故障预测方法 Download PDFInfo
- Publication number
- CN114764112A CN114764112A CN202110209461.XA CN202110209461A CN114764112A CN 114764112 A CN114764112 A CN 114764112A CN 202110209461 A CN202110209461 A CN 202110209461A CN 114764112 A CN114764112 A CN 114764112A
- Authority
- CN
- China
- Prior art keywords
- pin
- resistor
- chip
- interface
- singlechip
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000008859 change Effects 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 230000003993 interaction Effects 0.000 claims abstract description 4
- 239000003990 capacitor Substances 0.000 claims description 43
- 238000004891 communication Methods 0.000 claims description 41
- 230000005540 biological transmission Effects 0.000 claims description 11
- 239000013078 crystal Substances 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 27
- 238000010586 diagram Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003245 working effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0428—Safety, monitoring
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明公开了一种非接入式的机器故障预测方法,包括如下步骤:模型训练:利用分布式异构数据采集单元多次采集完整的数据集,通过智能算法自动提取数据的特征,利用时间推移下各数据特征的变化对模型进行训练;信息交互:各分布式异构数据采集单元开启一个新的线程,将其解算得到的数据特征的关键信息共享给其他分布式异构数据采集单元,并利用其他数据采集单元所传输的数据,辅助训练模型;故障预测:把模型移植入相对应的分布式异构数据采集单元;系统工作时将各种传感器采集到的数据作为分布式异构数据采集单元的输入,通过算法的解算,即可得到相应的预测结果。本发明采用非接入式,避免了接入到机器影响系统性能;分布式的布局保证了稳定性。
Description
技术领域
本发明涉及故障预测技术领域,具体涉及一种非接入式的机器故障预测方法。
背景技术
产线上的机器一旦发生故障,会影响企业的生产进程,造成经济上的损失。由于产线上的机器大多为24小时不停机工作,其健壮性会随着时间的增加而不断降低,而工人的感知系统只能判断机器的工作状态(正常或故障),无法深入的了解机器的健壮程度。因此,当工人判定机器故障时,产线将面临停机维修的问题,造成了维修成本的提高(提前预知,需维护的工件少、成本低)、延误生产进程等问题。
在流程工业生产过程中,要实现无人化智慧产线,除了生产流程的自动化之外,还要解决产线运行状态的监控问题,对传感器采集到数据进行分析,判断机器的工作状态(正常或者故障)。但当诊断出故障后,工作人员立即前往现场进行维修仍存在时间差,最终影响产线的生产计划。
不难发现,现阶段的故障预测主要存在这些问题:现阶段的故障预测多为接入式,需要安装在机器上,同时其使用需要产线停产配合安装调试,如此操作会对企业的生产计划造成较大的影响,同时由于监测系统的接入,产线设备的各项参数也会发生改变,会对产线的工作性能造成影响。另一方面,其软件算法多数采用传统的方法,如卡尔曼滤波、回归预测等。这些方法更适用于线性信号的预测。而产线的机器采集到的数据多为非线性的,若采用传统的方法,其最终产生的预测值与真实值会存在较大的偏差。同时,这些传统的方法需要手动进行数据的特征提取,一旦所使用的手动提取数据特征的方法不恰当,或者所提取的数据特征不够明显,也会影响预测结果的准确性。
发明内容
有鉴于此,为了解决现有技术中机器工作时无法评判其健壮性的问题,本发明提出一种非接入式的机器故障预测方法,使用非接入式的方式实现对产线设备更高精度的健壮性预测;通过非接入的方式规避接入式的缺陷,利用深度学习算法实现数据特征的自动提取、模型训练。
本发明通过以下技术手段解决上述问题:
一种非接入式的机器故障预测方法,应用于故障预测系统中,所述故障预测系统包括至少一个分布式异构数据采集单元;每个分布式异构数据采集单元包括中央处理器、各种传感器和电源;所述中央处理器分别与各种传感器、电源连接;所述中央处理器包括微控制器、通信电路、驱动电路、存储电路和传感器接口电路;所述微控制器分别与通信电路、驱动电路、存储电路、传感器接口电路连接;所述传感器接口电路与各种传感器连接;
所述方法包括如下步骤:
模型训练:利用分布式异构数据采集单元多次采集完整的数据集,通过智能算法自动提取数据的特征,利用时间推移下各数据特征的变化对模型进行训练;完整的数据集为机器从全新到出现故障时的各传感器所收集到的全部数据;
信息交互:各分布式异构数据采集单元开启一个新的线程,将其解算得到的数据特征的关键信息通过通信电路共享给故障预测系统的其他分布式异构数据采集单元,并利用其他分布式异构数据采集单元所传输的数据,辅助训练模型;
故障预测:完成模型的训练后,把模型移植入故障预测系统中相对应的分布式异构数据采集单元,即完成了整体系统的设计;系统工作时,将各种传感器采集到的数据作为分布式异构数据采集单元的输入,通过算法的解算,即可得到相应的预测结果。
进一步地,所述智能算法为深度学习算法、遗传算法或模糊控制算法。
进一步地,所述各种传感器包括振动传感器、姿态传感器和温湿度传感器;
所述传感器接口电路包括传感器CAN接口电路和传感器R485接口电路;
所述传感器CAN接口电路用于实现微控制器与传感器之间的CAN通信;
所述传感器R485接口电路用于实现微控制器与传感器之间的485通信。
进一步地,所述微控制器包括单片机P1,单片机P1的脚1连接电源VCC端,单片机P1的脚44接地。
进一步地,所述驱动电路包括晶振Y1、电容C4和电容C5;晶振Y1的一端分别连接单片机P1的脚41和电容C4的一端,电容C4的另一端连接电容C5的一端并接地,电容C5的另一端分别连接晶振Y1的另一端和单片机P1的脚43。
进一步地,所述通信电路为蓝牙或WIFI;包括端子P2,端子P2的脚1连接电源VCC端,端子P2的脚2接地,端子P2的脚3连接单片机P1的脚10,端子P2的脚4连接单片机P1的脚12,端子P2的脚5连接单片机P1的脚14,端子P2的脚6连接单片机P1的脚16。
进一步地,所述中央处理器还包括AD采集接口、IIC通信接口和USART接口;AD采集接口、IIC通信接口和USART接口都与微控制器连接;
所述AD采集接口用于采集传感器工作时变化的电压;
所述IIC通信接口用于IIC接口与微控制器间的信息传递;
所述USART接口用于串口与微控制器间的信息传递;
所述AD采集接口包括端子P3,端子P3的脚1连接单片机P1的脚20,端子P3的脚2接地;
所述IIC通信接口包括端子P4,端子P4的脚1连接单片机P1的脚30,端子P4的脚2连接单片机P1的脚32;
所述USART接口包括端子P5,端子P5的脚1连接单片机P1的脚40,端子P5的脚2连接单片机P1的脚42,端子P5的脚3接地。
进一步地,所述传感器CAN接口电路包括芯片U1、电容C1、电阻R1和CAN接口Q1;芯片U1的脚1连接单片机P1脚2,芯片U1的脚2连接电容C1的一端并接地,电容C1的另一端分别连接芯片U1的脚3和电源VCC端,芯片U1的脚4连接单片机P1脚4,芯片U1的脚6分别连接电阻R1的一端和CAN接口Q1的脚2,电阻R1的另一端分别连接CAN接口Q1的脚1和芯片U1的脚7,芯片U1的脚8接地。
进一步地,所述传感器R485接口电路包括芯片U2、电容C2、电阻R2、电阻R3、电阻R4和R485接口Q2;芯片U2的脚1连接单片机P1脚11,芯片U2的脚2分别连接芯片U2的脚3和单片机P1脚9,芯片U2的脚4连接单片机P1脚7,芯片U2的脚5接地,芯片U2的脚6分别连接电阻R2的一端、电阻R3的一端和R485接口Q2脚2,芯片U2的脚7分别连接电阻R2的另一端、R485接口Q2脚1和电阻R4的一端,芯片U2的脚8连接电阻R3的另一端、电容C2的一端和电源3.3V,电容C2的另一端连接电阻R4的另一端并接地。
进一步地,所述存储电路包括芯片U3、电容C3、电阻R5、电阻R6、电阻R7、电阻R8和电阻R9;芯片U3的脚9分别连接单片机P1脚31和电阻R5的一端,电阻R5的另一端连接电源VCC端;芯片U3的脚1分别连接单片机P1脚33和电阻R6的一端,电阻R6的另一端连接电源VCC端;芯片U3的脚2分别连接单片机P1脚37和电阻R7的一端,电阻R7的另一端连接电源VCC端;芯片U3的脚3分别连接电容C3的一端和芯片U3的脚6并接地,电容C3的另一端连接电源VCC端;芯片U3的脚4连接电源VCC端,芯片U3的脚5连接单片机P1脚35,芯片U3的脚7分别连接单片机P1脚27和电阻R8的一端,电阻R8的另一端连接电源VCC端;芯片U3的脚8分别连接单片机P1脚29和电阻R9的一端,电阻R9的另一端连接电源VCC端。
与现有技术相比,本发明的有益效果至少包括:
1、采用非接入式的方法,避免了接入到机器影响系统性能的问题。
2、分布式的布局,集成多个传感器,各单元可通信传输数据,多种数据来源保证了故障预测具有可靠、稳定的数据输入,分布式的布局保证了系统的稳定性。
3、采用深度学习的方法,能够对数据进行更加全面、深入的分析,所得到的模型精度更高。
4、该方法为故障预测方法,起到故障预测的作用,而不仅仅是故障诊断,做到防微杜渐,更好的保护设备、减少损失。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,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获得其他的附图。
图1是本发明机器故障预测系统的拓扑图;
图2是本发明机器故障预测系统的分布式异构数据采集单元的原理图;
图3是本发明分布式异构数据采集单元的中央处理器的原理图;
图4是本发明机器故障预测系统的分布式异构数据采集单元的电路图;
图5是本发明非接入式的机器故障预测方法的流程图;
图6是本发明故障预测系统对30s内是否出现故障的预测结果的仿真图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面将结合附图和具体的实施例对本发明的技术方案进行详细说明。需要指出的是,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,都属于本发明保护的范围。
实施例1
如图1所示,本发明提供一种机器故障预测系统,包括至少一个分布式异构数据采集单元;每个分布式异构数据采集单元包括中央处理器、各种传感器(包括但不限于振动传感器、姿态传感器、温湿度传感器等)和电源,所述中央处理器分别与各种传感器、电源连接,如图2所示。
如图3所示,所述中央处理器包括微控制器(包括但不限于STM32、FPGA、工控机等)、通信电路、驱动电路、存储电路和传感器接口电路。
所述微控制器分别与通信电路、驱动电路、存储电路、传感器接口电路连接。所述传感器接口电路与各种传感器连接。
所述传感器接口电路包括传感器CAN接口电路和传感器R485接口电路。
所述传感器CAN接口电路用于实现微控制器与传感器之间的CAN通信。
所述传感器R485接口电路用于实现微控制器与传感器之间的485通信。
分布式异构数据采集单元中,在电源为其供电后,驱动电路驱动微控制器,微控制器通过传感器接口电路获取各种传感器所采集到的数据,并将这些数据暂时存入储存电路中,后期故障预测调用存储电路中的数据,被使用了的数据将会从存储电路中移除,为后面采集到的数据留下存储的空间,微控制器接收和发送数据、分析数据、执行故障预测。
由于该故障预测系统采用的是分布式布局,避免了集中式下的中央处理器故障而导致整体系统不能工作的问题。分布式下的每个异构数据采集单元各自运行,而各单元搭载的通信电路(包括wifi、蓝牙等方式)可将各个数据采集单元更好串连起来,组成局域网,实现网内的信息传递,辅助预测。
所述中央处理器还包括AD采集接口、IIC通信接口和USART接口;AD采集接口、IIC通信接口和USART接口都与微控制器连接。
所述AD采集接口用于采集传感器工作时变化的电压。
所述IIC通信接口用于IIC接口与微控制器间的信息传递。
所述USART接口用于串口与微控制器间的信息传递。
不同的微控制器,其引脚数和引脚的功能会有所差异,导致电路原理图出现局部的差异。分布式异构数据采集单元的原理图如图4所示。由于不同的传感器存在着不同的通信接口,故在使用传感器时,根据其所使用的通信接口类型连接至相应的端口。
所述微控制器包括单片机P1,单片机P1的脚1连接电源VCC端,单片机P1的脚44接地。
单片机P1为STM32等微控制器,用于接收和发送数据、分析数据、执行预测等。
所述驱动电路包括晶振Y1、电容C4和电容C5;晶振Y1的一端分别连接单片机P1的脚41和电容C4的一端,电容C4的另一端连接电容C5的一端并接地,电容C5的另一端分别连接晶振Y1的另一端和单片机P1的脚43。
Y1为晶振,用于产生一定频率的脉冲信号,其与C4、C5两个电容构成晶振电路作为微控制器的时钟源,用于驱动微控制器。
所述通信电路包括端子P2,端子P2的脚1连接电源VCC端,端子P2的脚2接地,端子P2的脚3连接单片机P1的脚10,端子P2的脚4连接单片机P1的脚12,端子P2的脚5连接单片机P1的脚14,端子P2的脚6连接单片机P1的脚16。
P2为蓝牙或WIFI,用于各采集单元间的通信。其1号引脚连接5V的电源,2号引脚接地,3、4号引脚作为RXD和TXD连接微控制器,用于接收和发送数据。当接入蓝牙模块时,5号引脚作为STA,输出模块的连接状态(连接、断开),6号引脚作为WKUP,用于唤醒睡眠中的模块;当接入的是WIFI模块时,5号引脚为RST,起复位模块作用,6号引脚为IO-0,用于进入固件烧写模式。
所述AD采集接口包括端子P3,端子P3的脚1连接单片机P1的脚20,端子P3的脚2接地。
P3为AD采集接口,用于采集传感器工作时变化的电压。由于微控制器可设置内部上拉电阻,故1号引脚作为AD采集引脚,可直接连接微控制器,2号引脚接地,实现微处理器与传感器共地。
所述IIC通信接口包括端子P4,端子P4的脚1连接单片机P1的脚30,端子P4的脚2连接单片机P1的脚32。
P4为IIC通信接口。使用IIC通信的传感器需将其IIC_SCL(控制线)和IIC_SDA(数据线)分别连接到1号引脚和2号引脚。
所述USART接口包括端子P5,端子P5的脚1连接单片机P1的脚40,端子P5的脚2连接单片机P1的脚42,端子P5的脚3接地。
P5为USART接口,用于串口与微控制器间的信息传递,其中串口的TX连接P5的1号引脚,串口的RX连接P5的2号引脚。
所述传感器CAN接口电路包括芯片U1、电容C1、电阻R1和CAN接口Q1;芯片U1的脚1连接单片机P1脚2,芯片U1的脚2连接电容C1的一端并接地,电容C1的另一端分别连接芯片U1的脚3和电源VCC端,芯片U1的脚4连接单片机P1脚4,芯片U1的脚6分别连接电阻R1的一端和CAN接口Q1的脚2,电阻R1的另一端分别连接CAN接口Q1的脚1和芯片U1的脚7,芯片U1的脚8接地。
U1为CAN收发芯片,微控制器的CAN_TX和CAN_RX引脚连接至U1的1号引脚和4号引脚,而U1的6号引脚和7号引脚作为CAN总线的起止端连接到传感器Q1的CAN接口,最终实现微控制器与传感器的CAN通信,同时CAN总线的起止端还连接着一个120Ω的电阻R1,来做阻抗匹配,以减少回波反射。
所述传感器R485接口电路包括芯片U2、电容C2、电阻R2、电阻R3、电阻R4和R485接口Q2;芯片U2的脚1连接单片机P1脚11,芯片U2的脚2分别连接芯片U2的脚3和单片机P1脚9,芯片U2的脚4连接单片机P1脚7,芯片U2的脚5接地,芯片U2的脚6分别连接电阻R2的一端、电阻R3的一端和R485接口Q2脚2,芯片U2的脚7分别连接电阻R2的另一端、R485接口Q2脚1和电阻R4的一端,芯片U2的脚8连接电阻R3的另一端、电容C2的一端和电源3.3V,电容C2的另一端连接电阻R4的另一端并接地。
U2为RS485的收发芯片,其1、2、4号引脚分别连接微控制器的RS485_TX、RS485_RE、RS485_RX引脚。RS485_RE控制收发芯片的收发功能,当RS485_RE=0时为接收模式,当RS485_RE=1时为发送模式。而传感器Q2的RS485接口连接至U2的6、7号引脚,实现微控制器于传感器之间的485通信。电阻R2为终端匹配电阻,避免没有特征阻抗时产生噪声。而电阻R3和R4为偏置电阻,用来保证总线空闲时A、B(U2的6、7号引脚)之间的电压差大于200mV。
所述存储电路包括芯片U3、电容C3、电阻R5、电阻R6、电阻R7、电阻R8和电阻R9;芯片U3的脚9分别连接单片机P1脚31和电阻R5的一端,电阻R5的另一端连接电源VCC端;芯片U3的脚1分别连接单片机P1脚33和电阻R6的一端,电阻R6的另一端连接电源VCC端;芯片U3的脚2分别连接单片机P1脚37和电阻R7的一端,电阻R7的另一端连接电源VCC端;芯片U3的脚3分别连接电容C3的一端和芯片U3的脚6并接地,电容C3的另一端连接电源VCC端;芯片U3的脚4连接电源VCC端,芯片U3的脚5连接单片机P1脚35,芯片U3的脚7分别连接单片机P1脚27和电阻R8的一端,电阻R8的另一端连接电源VCC端;芯片U3的脚8分别连接单片机P1脚29和电阻R9的一端,电阻R9的另一端连接电源VCC端。
U3为SD卡接口,其中5号引脚用于接收微控制器发送的时钟信号,1、7、8、9号引脚用于数据的传输,而2号引脚连接的SDIO_CMD用于命令的传输。
实施例2
如图5所示,本发明提供一种非接入式的机器故障预测方法,应用于所述故障预测系统中,包括如下步骤:
1)模型训练:利用分布式异构数据采集单元多次采集完整的数据集(完整的数据集:机器从全新到出现故障时的各传感器所收集到的全部数据),通过深度学习算法(如:LSTM)自动提取数据的特征,利用时间推移下各数据特征的变化对模型进行训练。也可采用遗传算法或模糊控制算法。
2)信息交互:各分布式异构数据采集单元开启一个新的线程,将其解算得到的数据特征等关键信息通过通信电路共享给故障预测系统的其他分布式异构数据采集单元,并利用其他分布式异构数据采集单元所传输的数据,辅助训练模型。
3)故障预测:完成模型的训练后,把模型移植入故障预测系统中相对应的分布式异构数据采集单元,即完成了整体系统的设计。系统工作时,将传感器采集到的数据作为分布式异构数据采集单元的输入,通过算法的解算,即可得到相应的预测结果。
下面以一次具体的数据采集样本(如表1所示)为例。
表1
1)将各个传感器采集到数据进行处理(包括剔除明显错误的数据、过滤数据中的噪声等),整理后的数据如图5所示。其中第1列cycle为正常到故障1的每一个数据对应的时刻,此列最后一个时刻即为Tmax;最后一列RUL=Tmax-cycle,即当前时刻距离故障发生还有多久;中间其他列为各个传感器采集到的数据。将中间多列的传感器数据作为features(数据特征),距离故障发生的时间RUL作为label(标签),将features数据归一化。
2)以该样本为例,样本的周期cycle从0到484,设置一个滑动时间窗口,长度为100,将一个样本划分为384个,即cycle=1到cycle=101为第一个,cycle=2到cycle=102为第二个,以此类推,cycle=384到cycle=484为最后一个,其它样本也按照同样方式处理。
3)将上述的样本输入LSTM模型进行训练:
i、构建一个LSTM神经网络,LSTM神经网络包括输入层、隐含层、输出层。设置相应的参数,包括学习速率、输入输出单元数、损失函数、评价指标等。
ii、将2)中划分出的样本数据输入到LSTM神经网络进行迭代训练。
iii、调整参数进行优化,并输出最终结果。
4)其他故障数据处理方法同理,用不同的模型训练不同的故障,最后将实时数据输入到各个模型中,分别预测出距离各种故障的时间。
本发明在硬件电路的设计上,常以stm32、PFGA、工控机等为核心,外接高精度的姿态传感器、振动传感器、温湿度传感器、声音传感器等。而在核心算法方面,其包括支持向量机、卡尔曼滤波算法、回归预测法、深度学习等。在这些算法中,支持向量机性能的优劣主要取决于核函数的选取;卡尔曼滤波算法更适合短期的预测,而回归预测法对非线性数据难以建模。深度学习是机器学习的一种,利用非监督式或半监督式的特征学习和分层特征提取来代替手工获取特征,能够发现并刻画问题内部复杂的结构。
本发明无需安装在产线的机器上,只需固定在产线的周边,同时将传感器采集到的数据输入到深度学习算法(如LSTM(长短时记忆人工神经网络))所训练的模型中,实现对整个产线运行状态的量化评估,预测产线设备的磨损程度、健壮性、剩余使用寿命。
本发明根据产线规模,采用若干分布式异构数据采集单元,分布式异构数据采集单元之间可进行通信、传输数据,通过基于大数据训练的深度学习强化神经网络,实现对整个产线运行状态的量化评估。通过观测量化的健康性指数,得到评估当前产线的运行状态的客观评价,实现故障预测的目的并对产线进行预测性维护。
利用公开的原始数据集对算法进行仿真测试(即跳过了数据采集部分,直接使用现有的数据进行模型训练,预测算法测试),可得到图6的仿真结果。
图6为故障预测系统对30s内是否出现故障的预测结果。其中,预测结果为五角星标记点,而实际值为圆圈标记点,x轴表示第x组数据,y轴表示是否故障(0为无故障,1为故障),各组数据间不存在任何关系,数据组数一个93组。仿真结果图看出,大部分的五角星标记点被圆圈标记点所覆盖(即预测结果与真实结果一致),仅能观察到极少数的五角星标记点(即预测结果错误)。
由此可知,该故障预测算法具有良好的预测效果。
对于接入式的故障预测系统,其使用需要产线停产配合安装调试,如此操作会对企业的生产计划造成较大的影响,同时由于监测系统的接入,产线设备的各项参数也会发生改变,会对产线的工作性能造成影响。而非接入式故障预测系统规避了上述的问题,只需固定在产线的周边即可使用,具有良好的应用前景。
采用非接入式,无需停机安装,无需接入产线的设备上,不影响设备的工作性能。
采用分布式,集成多个传感器,各单元可通信传输数据,多种数据来源保证了故障预测系统具有可靠、稳定的数据输入,分布式的布局保证了系统的稳定性
健壮性评估,通过算法对分布式多源数据进行解算,并与设定值进行对比,评判产线的健壮性。
预测性维护,通过对多源数据的分析,利用算法分析各项数据的变化情况,预测设备的磨损程度以及剩余使用寿命,方便用户更加及时的维护设备,减少设备故障造成的损失。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种非接入式的机器故障预测方法,应用于故障预测系统中,其特征在于,所述故障预测系统包括至少一个分布式异构数据采集单元;每个分布式异构数据采集单元包括中央处理器、各种传感器和电源;所述中央处理器分别与各种传感器、电源连接;所述中央处理器包括微控制器、通信电路、驱动电路、存储电路和传感器接口电路;所述微控制器分别与通信电路、驱动电路、存储电路、传感器接口电路连接;所述传感器接口电路与各种传感器连接;
所述方法包括如下步骤:
模型训练:利用分布式异构数据采集单元多次采集完整的数据集,通过智能算法自动提取数据的特征,利用时间推移下各数据特征的变化对模型进行训练;完整的数据集为机器从全新到出现故障时的各传感器所收集到的全部数据;
信息交互:各分布式异构数据采集单元开启一个新的线程,将其解算得到的数据特征的关键信息通过通信电路共享给故障预测系统的其他分布式异构数据采集单元,并利用其他分布式异构数据采集单元所传输的数据,辅助训练模型;
故障预测:完成模型的训练后,把模型移植入故障预测系统中相对应的分布式异构数据采集单元,即完成了整体系统的设计;系统工作时,将各种传感器采集到的数据作为分布式异构数据采集单元的输入,通过算法的解算,即可得到相应的预测结果。
2.根据权利要求1所述的非接入式的机器故障预测方法,其特征在于,所述智能算法为深度学习算法、遗传算法或模糊控制算法。
3.根据权利要求1所述的非接入式的机器故障预测方法,其特征在于,所述各种传感器包括振动传感器、姿态传感器和温湿度传感器;
所述传感器接口电路包括传感器CAN接口电路和传感器R485接口电路;
所述传感器CAN接口电路用于实现微控制器与传感器之间的CAN通信;
所述传感器R485接口电路用于实现微控制器与传感器之间的485通信。
4.根据权利要求3所述的非接入式的机器故障预测方法,其特征在于,所述微控制器包括单片机P1,单片机P1的脚1连接电源VCC端,单片机P1的脚44接地。
5.根据权利要求4所述的非接入式的机器故障预测方法,其特征在于,所述驱动电路包括晶振Y1、电容C4和电容C5;晶振Y1的一端分别连接单片机P1的脚41和电容C4的一端,电容C4的另一端连接电容C5的一端并接地,电容C5的另一端分别连接晶振Y1的另一端和单片机P1的脚43。
6.根据权利要求4所述的非接入式的机器故障预测方法,其特征在于,所述通信电路为蓝牙或WIFI;包括端子P2,端子P2的脚1连接电源VCC端,端子P2的脚2接地,端子P2的脚3连接单片机P1的脚10,端子P2的脚4连接单片机P1的脚12,端子P2的脚5连接单片机P1的脚14,端子P2的脚6连接单片机P1的脚16。
7.根据权利要求4所述的非接入式的机器故障预测方法,其特征在于,所述中央处理器还包括AD采集接口、IIC通信接口和USART接口;AD采集接口、IIC通信接口和USART接口都与微控制器连接;
所述AD采集接口用于采集传感器工作时变化的电压;
所述IIC通信接口用于IIC接口与微控制器间的信息传递;
所述USART接口用于串口与微控制器间的信息传递;
所述AD采集接口包括端子P3,端子P3的脚1连接单片机P1的脚20,端子P3的脚2接地;
所述IIC通信接口包括端子P4,端子P4的脚1连接单片机P1的脚30,端子P4的脚2连接单片机P1的脚32;
所述USART接口包括端子P5,端子P5的脚1连接单片机P1的脚40,端子P5的脚2连接单片机P1的脚42,端子P5的脚3接地。
8.根据权利要求4所述的非接入式的机器故障预测方法,其特征在于,所述传感器CAN接口电路包括芯片U1、电容C1、电阻R1和CAN接口Q1;芯片U1的脚1连接单片机P1脚2,芯片U1的脚2连接电容C1的一端并接地,电容C1的另一端分别连接芯片U1的脚3和电源VCC端,芯片U1的脚4连接单片机P1脚4,芯片U1的脚6分别连接电阻R1的一端和CAN接口Q1的脚2,电阻R1的另一端分别连接CAN接口Q1的脚1和芯片U1的脚7,芯片U1的脚8接地。
9.根据权利要求4所述的非接入式的机器故障预测方法,其特征在于,所述传感器R485接口电路包括芯片U2、电容C2、电阻R2、电阻R3、电阻R4和R485接口Q2;芯片U2的脚1连接单片机P1脚11,芯片U2的脚2分别连接芯片U2的脚3和单片机P1脚9,芯片U2的脚4连接单片机P1脚7,芯片U2的脚5接地,芯片U2的脚6分别连接电阻R2的一端、电阻R3的一端和R485接口Q2脚2,芯片U2的脚7分别连接电阻R2的另一端、R485接口Q2脚1和电阻R4的一端,芯片U2的脚8连接电阻R3的另一端、电容C2的一端和电源3.3V,电容C2的另一端连接电阻R4的另一端并接地。
10.根据权利要求4所述的非接入式的机器故障预测方法,其特征在于,所述存储电路包括芯片U3、电容C3、电阻R5、电阻R6、电阻R7、电阻R8和电阻R9;芯片U3的脚9分别连接单片机P1脚31和电阻R5的一端,电阻R5的另一端连接电源VCC端;芯片U3的脚1分别连接单片机P1脚33和电阻R6的一端,电阻R6的另一端连接电源VCC端;芯片U3的脚2分别连接单片机P1脚37和电阻R7的一端,电阻R7的另一端连接电源VCC端;芯片U3的脚3分别连接电容C3的一端和芯片U3的脚6并接地,电容C3的另一端连接电源VCC端;芯片U3的脚4连接电源VCC端,芯片U3的脚5连接单片机P1脚35,芯片U3的脚7分别连接单片机P1脚27和电阻R8的一端,电阻R8的另一端连接电源VCC端;芯片U3的脚8分别连接单片机P1脚29和电阻R9的一端,电阻R9的另一端连接电源VCC端。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2021100478564 | 2021-01-14 | ||
CN202110047856 | 2021-01-14 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114764112A true CN114764112A (zh) | 2022-07-19 |
CN114764112B CN114764112B (zh) | 2024-03-22 |
Family
ID=82364718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110209461.XA Active CN114764112B (zh) | 2021-01-14 | 2021-02-24 | 一种非接入式的机器故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114764112B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070174451A1 (en) * | 2006-01-20 | 2007-07-26 | Zhang Huaguang | Distributed Networked Data Acquisition Device |
CN102636306A (zh) * | 2012-03-30 | 2012-08-15 | 中国船舶重工集团公司第七○二研究所 | 用于船舶结构长期安全监测的分布式应变采集器 |
CN103809058A (zh) * | 2014-02-24 | 2014-05-21 | 尹忠和 | 船艇供配电智能检测系统 |
CN109785289A (zh) * | 2018-12-18 | 2019-05-21 | 中国科学院深圳先进技术研究院 | 一种输电线路缺陷检测方法、系统及电子设备 |
CN110503133A (zh) * | 2019-07-26 | 2019-11-26 | 东北大学 | 一种基于深度学习的离心式压缩机故障预测方法 |
CN111612029A (zh) * | 2020-03-30 | 2020-09-01 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 机载电子产品故障预测方法 |
CN111985561A (zh) * | 2020-08-19 | 2020-11-24 | 安徽蓝杰鑫信息科技有限公司 | 一种智能电表的故障诊断方法、系统及电子装置 |
-
2021
- 2021-02-24 CN CN202110209461.XA patent/CN114764112B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070174451A1 (en) * | 2006-01-20 | 2007-07-26 | Zhang Huaguang | Distributed Networked Data Acquisition Device |
CN102636306A (zh) * | 2012-03-30 | 2012-08-15 | 中国船舶重工集团公司第七○二研究所 | 用于船舶结构长期安全监测的分布式应变采集器 |
CN103809058A (zh) * | 2014-02-24 | 2014-05-21 | 尹忠和 | 船艇供配电智能检测系统 |
CN109785289A (zh) * | 2018-12-18 | 2019-05-21 | 中国科学院深圳先进技术研究院 | 一种输电线路缺陷检测方法、系统及电子设备 |
CN110503133A (zh) * | 2019-07-26 | 2019-11-26 | 东北大学 | 一种基于深度学习的离心式压缩机故障预测方法 |
CN111612029A (zh) * | 2020-03-30 | 2020-09-01 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 机载电子产品故障预测方法 |
CN111985561A (zh) * | 2020-08-19 | 2020-11-24 | 安徽蓝杰鑫信息科技有限公司 | 一种智能电表的故障诊断方法、系统及电子装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114764112B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109947088B (zh) | 基于模型全生命周期管理的设备故障预警系统 | |
CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN107085415A (zh) | 过程控制网络中的规则构建器 | |
CN101441467A (zh) | 目标资源分配 | |
CN105225049B (zh) | 一种高可扩展性故障诊断专家系统 | |
CN102054179A (zh) | 一种旋转机械在线状态监测与故障诊断装置及方法 | |
CN101408767A (zh) | 工业系统中非时间序列事件的关联 | |
CN112487058A (zh) | 一种基于数据挖掘的数控机床故障监测与诊断系统 | |
CN106055361A (zh) | 基于bmc的多种不同机型的集成式固件实现方法及系统 | |
US20170082988A1 (en) | Computer-implemented method and system for automatically monitoring and determining the status of entire process segments in a process unit | |
CN105775943A (zh) | 一种数据驱动的电梯零部件预警系统及方法 | |
CN112692646A (zh) | 一种刀具磨损状态智能评估方法及装置 | |
US20090292384A1 (en) | Manufacturing instruction evaluation support system, manufacturing instruction evaluation support method, and manufacturing instruction evaluation support program | |
CN110399996A (zh) | 制程异常状态预判方法及预判系统 | |
CN117055502A (zh) | 基于物联网和大数据分析的智能控制系统 | |
JP2022028338A (ja) | 予測システム、情報処理装置および情報処理プログラム | |
CN110017161B (zh) | 综采工作面智能供液方法、存储介质、电子设备和系统 | |
CN113536658B (zh) | 基于stm32嵌入式处理器的机电设备轻量化故障诊断方法 | |
CN101846117B (zh) | 液压缸性能测试装置 | |
CN114764112B (zh) | 一种非接入式的机器故障预测方法 | |
CN101706652A (zh) | 一种产品螺钉加装数据监控的方法、系统和数据监控终端 | |
CN117436569A (zh) | 基于随机森林的核电设备故障预测和智能标定方法及系统 | |
CN111993158B (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
CN113238144A (zh) | 一种基于多音信号的非线性模拟电路的故障诊断系统 | |
CN215065301U (zh) | 一种非接入式的机器故障预测系统 |
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 |