CN114997220A - 一种基于cps架构的设备phm系统 - Google Patents
一种基于cps架构的设备phm系统 Download PDFInfo
- Publication number
- CN114997220A CN114997220A CN202210568969.3A CN202210568969A CN114997220A CN 114997220 A CN114997220 A CN 114997220A CN 202210568969 A CN202210568969 A CN 202210568969A CN 114997220 A CN114997220 A CN 114997220A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- vibration signal
- cps
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000036541 health Effects 0.000 claims abstract description 34
- 238000004891 communication Methods 0.000 claims abstract description 29
- 238000011156 evaluation Methods 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000003745 diagnosis Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 230000015556 catabolic process Effects 0.000 claims description 14
- 238000006731 degradation reaction Methods 0.000 claims description 14
- 238000012706 support-vector machine Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000007477 logistic regression Methods 0.000 claims description 11
- 238000012952 Resampling Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000003909 pattern recognition Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 11
- 230000004927 fusion Effects 0.000 abstract description 6
- 230000002452 interceptive effect Effects 0.000 abstract description 3
- 238000010223 real-time analysis Methods 0.000 abstract description 2
- 239000000306 component Substances 0.000 description 15
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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
- Y02P90/80—Management or planning
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于CPS架构的设备PHM系统，包括：智能感知层，包括数据采集模块、数据预处理模块、特征提取模块和特征选择模块；数据决策层，包括健康评估模块、故障诊断模块、性能预测模；网络层，用于作为系统各层之间的通信部分；应用层，用于操作人员对机械设备运行状态进行监测。本发明通过层级分布式结构构建了基于CPS架构的设备PHM系统，形成状态感知、实时分析、科学决策、精准执行的数据闭环，整个PHM的体系架构合理、简约、层次分明；同时在各层封装不同的功能模块，通过在通信、计算的交互融合之上实现系统的有效运行，能综合性解决信息化条件下的机械设备故障监测效率低、维修成本高、时延高等问题，具有很大的扩展性和应用价值。
Description
技术领域
本发明涉及一种基于CPS架构的设备PHM系统，属于故障诊断领域。
背景技术
随着信息网络技术、智能传感器技术和故障诊断技术的发展，传统工业正在向着数字化、网络化、智能化方向逐步迈进。机械设备的复杂度和开放性大大提高，传动的事后维修、定期维修已经不再适用。信息物理系统(Cyber Physical System,CPS)是在嵌入式设备基础上的高效能网络化智能信息系统，通过一系列计算单元和物理对象在网络环境下高度集成与交互提高系统在信息处理、实时通信、远程控制以及自主协调方面的能力，是时空多维异构结构的混杂自治系统。CPS具有网络性、异构性、实时性、可靠性，能够解决信息化条件下的机械设备故障监测效率低、维修成本高、时延高等问题。
20世纪90年代末期，美军在联合战斗机(JSF)计划中提出了基于CBM技术的故障预测与健康管理(Prognostics and Health Management,PHM)系统概念。PHM技术是一门涉及机械、电子、材料、控制、通信、计算机技术和人工智能等多学科的综合技术，PHM主要是利用先进传感器和测试性设计技术获取各种有用信息，根据信息的变化规律，借助各种智能算法和模型(如专家系统、神经网络、数据融合、物理模型等)来监控、预测和管理，并提供一系列维修保障措施以实现系统的视情维修。
通过对CPS系统和PHM系统结构和功能分析，可以发现PHM系统是典型的具有通信和计算功能的智能系统。系统的有效运行建立在通信、计算的交互融合之上的，而这刚好是CPS系统特征集中体现。传统的基于视情维修、基于单机的PHM系统已经渐渐无法满足智能化、高效率的需求。基于单机设计的模型无法适应层级分布式、高度暂态化的互联工业系统，因此未来工业系统的趋势应朝着自知、自较、甚至自愈的方向发展，综上，CPS架构与PHM系统相结合将在工业生产中发挥更大的效用，成为未来工业智能系统的核心组成部分，因此有必要提供基于CPS架构的设备PHM系统。
发明内容
本发明提供了一种基于CPS架构的设备PHM系统，通过层级分布式结构构建了基于CPS架构的设备PHM系统，并进一步在各层封装不同的功能模块，实现机械设备的智能运维与管理。
本发明的技术方案是：一种基于CPS架构的设备PHM系统，采用层级化设计，分成智能感知层、数据决策层、网络层、应用层；
智能感知层，其包括数据采集模块、数据预处理模块、特征提取模块和特征选择模块；数据采集模块采集机械设备的振动信号数据传输至数据预处理模块，通过数据预处理模块预处理后的数据依次通过特征提取模块、特征选择模块处理，获得特征选择数据；
数据决策层，其包括健康评估模块、故障诊断模块、性能预测模；健康评估模块，用于获得表征机械设备退化程度的物理量；故障诊断模块用于故障分类；性能预测模，用于依据健康评估模块的结果进行性能预测；
网络层，用于作为系统各层之间的通信部分；
应用层，用于操作人员对机械设备运行状态进行监测。
所述数据采集模块，用于通过FPGA控制器与数据采集卡硬件接口连接将采集的传感器获取的数据机械设备的振动信号传输到上位机。
所述数据预处理模块包括数据清洗、滤波，获得滤波后的振动信号。
所述数据清洗，包括：去除直流分量、离群值，重采样；
去除直流分量：用于对数据采集模块采集的原始振动信号去除直流分量，获得去除直流分量的振动信号；
去除离群值：用于对原始振动信号计算标准差，获得3倍标准差值；将去除直流分量的振动信号与3倍标准差值作差，获得大于3倍标准差值的去除直流分量的振动信号的索引号；根据索引号对原始振动信号进行索引，索引出去除离群值后的振动信号；
重采样：用于根据设定时间间隔和插值模式，对去除离群值后的振动信号进行重采样，获得重采样振动信号。
所述特征提取模块和特征选择模块，包括：
用于对数据预处理模块获得的滤波后的振动信号进行特征提取，获得特征提取数据；
用于将特征提取数据计算协方差矩阵，对协方差矩阵计算逆矩阵，将逆矩阵放入已有的Fisher判距模型，计算评分；根据评分选择出用于分析的特征，保存为.xml文件格式，作为特征选择数据。
所述健康评估模块，用于选择逻辑回归模型或统计模式识别模型实现，获得表征机械设备退化程度的物理量-置信值；其中，置信值为0表示存在故障，置信值为1表示正常，置信值为中间值表示退化，中间值表示0至1之间的值。
所述故障诊断模块，用于通过监督学习方法，对基于智能感知层获取的特征选择数据或者基于健康评估模块获取的故障状态特征选择数据采用SVM进行故障分类。
所述性能预测模块，用于基于健康评估模块获得的n+1个置信值，采用ARMA模型进行计算，获得预测置信值；其中，智能感知层采集同一个机械设备从正常状态至退化状态期间的振动信号经过处理，获得n+1组特征数据，健康评估模块依据n+1组特征数据进行处理，获得n+1个置信值。
所述网络层，用于智能感知层中的FPGA控制器与上位机之间采用OPC UA/TCP通信协议通信；控制器具有Modbus服务器，任意上位机安装Modbus客户端；用于实现客户端与服务器的通信，通信流程为：
Modbus客户端将智能感知层产生的数据或操作信息打包成Modbus数据帧，数据帧通过无线OPC UA/TCP通信协议发送至串口无线转换模块；串口无线转换模块将OPC UA/TCP数据包转换为RS232的数据包，服务器对数据包进行解析，实现数据读取和操作，并生成响应包，发回到客户端，客户端对Modbus数据解析，得到所需的数据，或者确认相关的操作。
所述应用层用于通过可视化界面、客户化报表、图表使客户端操作人员对机械设备运行状态进行监测；用于操作人员根据监测信息进行决策。
本发明的有益效果是：本发明通过层级分布式结构构建了基于CPS架构的设备PHM系统，形成状态感知、实时分析、科学决策、精准执行的数据闭环，整个PHM的体系架构合理、简约、层次分明；同时在各层封装不同的功能模块，通过在通信、计算的交互融合之上实现系统的有效运行，能综合性解决信息化条件下的机械设备故障监测效率低、维修成本高、时延高等问题，具有很大的扩展性和应用价值。
附图说明
图1为本发明框架图；
图2为网络层Modbus通信流程图；
图3为本发明基于LabVIEW的LR输入-输出接口示意图；
图4为本发明基于LabVIEW的SPR输入-输出接口示意图；
图5为本发明基于LabVIEW的SVM输入-输出接口示意图；
图6为本发明基于LabVIEW的ARMA输入-输出接口示意图。
具体实施方式
下面结合附图和实施例，对发明做进一步的说明，但本发明的内容并不限于所述范围。
实施例1：如图1-6所示，一种基于CPS架构的设备PHM系统，采用层级化设计，分成智能感知层、数据决策层、网络层、应用层；
智能感知层，其包括数据采集模块、数据预处理模块、特征提取模块和特征选择模块；数据采集模块采集机械设备的振动信号数据传输至数据预处理模块，通过数据预处理模块预处理后的数据依次通过特征提取模块、特征选择模块处理，获得特征选择数据；
数据决策层，其包括健康评估模块、故障诊断模块、性能预测模；健康评估模块，用于获得表征机械设备退化程度的物理量；故障诊断模块用于故障分类；性能预测模，用于依据健康评估模块的结果进行性能预测；
网络层，用于作为系统各层之间的通信部分；
应用层，用于操作人员对机械设备运行状态进行监测。
具体而言，采用层级化设计和分布式部署，与PHM系统结构相结合。通过状态检测、故障诊断、故障预测、健康管理等主要功能模块和数据预处理、特征选择等辅助功能模块之间的精准调用和执行，实现滚动轴承等机械设备的智能运维与管理。系统硬件包括上位机、NI9234采集卡、传感器、控制器。装有LabVIEW软件的笔记本电脑为上位机，主要功能是下发指令、数据保存、故障诊断、故障预测等，具有良好的人机界面。边缘cRIO数据采集平台主要完成数据采集及与实时FPGA控制器的通信等。图1体现出硬件部分在系统总体架构图的关联。
可选地，下面主要对智能感知层、数据决策层、网络层、应用层进行具体描述：
(1)智能感知层
数据采集模块，使用NI公司的NI-9234采集卡，NI-9234采集卡可在FPGA中配置采样频率和耦合方式，FPGA内部编写多通道多物理量的振动信号采集，由上位机选择开启某个通道设置进行数据采集。通过FPGA与数据采集硬件接口连接将采集的数据传输到上位机应用程序。
数据预处理模块，为了去除不相关、冗余的信息，避免噪声等不可靠因素的影响，在特征提取之前需要对数据进行以下几个步骤：
在上位机程序中对采集到的原始振动信号进行预处理操作，预处理操作包括：
1)数据清洗，包括：去除直流分量、离群值，还可以包括去除传感器读取错误值、零漂移，重采样；
去除直流分量：对原始振动信号去除直流分量，获得去除直流分量的振动信号；
去除离群值：对原始振动信号计算标准差，获得3倍标准差值；将去除直流分量的振动信号与3倍标准差值作差，获得大于3倍标准差值的去除直流分量的振动信号的索引号；根据索引号对原始振动信号进行索引，索引出去除离群值后的振动信号；
重采样：根据设定时间间隔和插值模式，对去除离群值后的振动信号进行重采样，获得重采样振动信号；如，插值模式采用样条曲线；
2)滤波：对重采样振动信号采用正则化进行滤波，获得滤波后的振动信号；基于该步骤可以保留有用的频带，去除无意义的频率成分；
上述去除直流分量后的信号参与去除离群值操作，两者共同配合，获得去除离群值后的振动信号，使得后续特征提取的的计算结果更加准确，同时将重复性和不确定度降到最低。
特征提取模块和特征选择模块均在上位机中进行：
特征提取模块：对数据预处理模块获得的滤波后的振动信号进行特征提取，获得特征提取数据，特征提取数据包括有量纲特征(均方根值(RMS)、均值、方差、标准差、均方值、峰峰值)、无量纲特征(波形因子、峭度因子、峰值因子、歪度)。
特征选择模块：将特征提取数据计算协方差矩阵(即对上述中有量纲特征和无量钢特征均计算协方差矩阵)，对协方差矩阵计算逆矩阵，将逆矩阵放入已有的Fisher判距模型，计算评分；根据评分选择出用于分析的特征，保存为.xml文件格式。可以根据评分进行排序，评分值越高表明越有利于用于分析，根据需要选择需要参与分析的特征数量。
基于前述步骤获得的滤波后的振动信号再采用本步骤中的方式进行特征选择获得的各个特征的评分更加符合预测精度和计算成本要求；同时存取的格式方便读取。
(2)数据决策层
功能模块包括：健康评估模块、故障诊断模块、性能预测模块，各模块的功能通过上位机编程实现，具体内容如下：
健康评估模块，基于智能感知层获取的.xml文件计算出能够表征滚动轴承退化程度的物理量—置信值。其中0表示存在故障，1表示正常，中间值表示退化(值越接近0，表示退化程度越高；越接近1，表示退化程度越低)，本系统选择逻辑回归模型(LR)或统计模式识别模型(SPR)作为健康评估的技术核心实现。LR提供一种特征融合技术，当一种特征不能判断设备故障时，LR根据多特征融合生成的置信度值，来判断设备目前状况。SPR需要将设备健康状态获取的数据作为训练模型来测试新的数据。
1)基于逻辑回归的健康评估模型
逻辑回归(Logistic Regression,LR)是一种利用logistic函数作为传递函数的广义线性模型。logistic函数定义如下：
其中，输入为k维数组x＝(x1,x2,,xk)T，输出y为二进制值(0或1)。本质上，逻辑回归拟合了从k维输入空间到一维输出空间的映射。上式可以用线性模型改写为:
其中，g(x)是自变量的线性组合(x1,x2,...,xk)T。在实际操作中，观察一组样本输入{x}，通过统计估计或主观指定相应的概率{p(x)}(如正常输入的p为0.95，异常输入的p为0.1)，然后通过求解线性模型得到参数。采用最大似然估计法(MLE)，通过迭代的步骤找出使观测数据的概率最大的参数值。
样本X＝(x1,x2,,xk)T的置信值(CV)由logistic函数定义为:
从训练样本中得到模型参数后，可以计算出测试样本的CV值。CV值健康状况指标。其中，测试样本即基于智能感知层获取的.xml文件数据，训练样本即已有的振动信号数据；
根据上述描述，图3为本发明基于LabVIEW的LR输入-输出接口示意图。
2)基于统计模式识别的健康评估模型
统计模式识别(Statistical Pattern Recognition，SPR)是通过对比测试数据(即)和基线数据，测量重叠面积，计算出CV值。CV值的定义为：
其中，H是基线数据，F是测试数据。假设H(x)是任意形状的分布，则可以通过有限个高斯分布的和来逼近。它也可以表示为||H(x)*F(x)||L2，表示两个分布之间的L2距离。||H(x)||L2是H(x)到自身的L2距离，如果H(x)是单一高斯分布，则L2等于1。
根据上述描述，图4为本发明基于LabVIEW的SPR输入-输出接口示意图。
故障诊断模块，本系统选择支持向量机(SVM)作为故障诊断模块的技术核心实现：
通过监督学习方法，对基于智能感知层获取的.xml文件或者基于健康评估模块获取的故障数据采用SVM进行故障分类；分类结果在上位机界面显示。
支持向量机(SupportVectorMachine,SVM)是一种有监督的机器学习算法，用于分类和回归。它利用核函数将原始的低维数据投影到多维数据中，从而在原始空间中找到一个线性分类器来解决非线性分类问题。常见的核函数有多项式(齐次和非齐次)、径向基函数和sigmoid函数。
SVM的目标是寻找一个满足方程的分区超平面:
W·X-b＝0
W是一个向量，表示超平面的方向，X是该平面上的数据点(向量)。距离决策超平面最近的正实例和负实例称为支持向量(SV)。W方向上正SV与负SV之间的距离为分类边界，表示为2/||W||。为了得到精确的分类结果，需要在约束条件下将该距离最大化，如:
可以改写为：
Ci(W·Xi-b)≥1,1≤i≤n
SVM的目标是在上述约束条件下最小化|W|，是一个二次规划(QP)优化问题。
根据上述描述，图5为本发明基于LabVIEW的SVM输入-输出接口示意图。
性能预测模块，本系统选择自回归滑动平均(ARMA)模型作为性能预测模块的技术核心实现：基于健康评估模块获得的n+1个置信值，采用ARMA模型进行计算，获得预测置信值；通过预测置信值与基于健康评估模块获得的n+1个置信值进行对比，可以有效观察机械设备的健康趋势；其中，智能感知层采集同一个机械设备从正常状态至退化状态期间的振动信号经过处理，获得n+1组特征数据，健康评估模块依据n+1组特征数据进行处理，获得n+1个置信值；即基于健康评估模块获得的n+1个置信值所依据的基于智能感知层获取的数据来自于同一个机械设备不同时间获取的数据，从而可以使得性能预测的结果更加符合待测机械设备的实际工况。
自回归滑动平均模型(Autoregressive MovingAverage Model,ARMA)是一种用来表示离散系统动态特性的线性随机差分模型：
Xt-φ1Xt-1-φ2Xt-2-…φnXt-n
＝αt-θ1αt-1-θ2αt-2-…-θn-1αt-n+1
上式线性随机差分方程称为离散方程ARMA模型，用ARMA(n,n-1)表示。X是要建模的时间序列。式中参数t为时间指标，n和n-1分别为模型AR部分和MA部分的阶数。
假设t是当前时间，(t-i)表示历史点，该模型直观地提供了变量X对自身之前值和环境激励的依赖关系。自回归表示X对自身的依赖，移动平均表示环境的影响，依赖的程度是ARMA的顺序，表示当前数据在多大程度上依赖于历史点。
本申请n的取值大于99。
根据上述描述，图6为本发明基于LabVIEW的ARMA输入-输出接口示意图。
(3)网络层
FPGA控制器与上位机之间采用OPC UA/TCP通信协议。控制器具有Modbus服务器，任意PC设备安装Modbus客户端。客户端与服务器的通信流程如图2所示。
Modbus客户端将智能感知层产生的数据或操作信息打包成Modbus数据帧，数据帧通过无线OPC UA/TCP通信协议发送至串口无线转换模块。串口无线转换模块将OPC UA/TCP数据包转换为RS232的数据包，服务器对数据包进行解析，实现数据读取和操作，并生成响应包，发回到客户端，客户端对Modbus数据解析，得到所需的数据，或者确认相关的操作。
如果认知层、配置层单独配置Modbus服务器，则可以采用上述方式实现上位机与认知层、配置层的通信。
(4)应用层
网络层生成的响应包发回客户端后，上位机解析响应包内容并将数据或相关操作以可视化界面、客户化报告和图表等形式呈现；进一步分析与健康状态相关的信息，以评估不同操作场景下对生产效率的影响和损害风险。通过可视化界面、客户化报表、图表等使操作人员监测到滚动轴承的当前运行状态，包括故障类别、维修建议；操作人员根据可视化界面、客户化报告、图表等进行辅助决策。
本发明使用实时采集的设备数据，对设备进行状态监控、故障诊断、健康预测等分析运算，并将计算结果以服务器通信形式向显控装置传递信息，更有利于远程实时监测设备状态；通过综合性解决办法，降低了经济成本，提高了效率；相较于PLC与单片机，有更高的系统通信效率，其并行处理能力大幅提升，可以满足更高的生产需求，由此表明本发明具有很大的扩展性和应用价值。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (10)
1.一种基于CPS架构的设备PHM系统，其特征在于：采用层级化设计，分成智能感知层、数据决策层、网络层、应用层；
智能感知层，其包括数据采集模块、数据预处理模块、特征提取模块和特征选择模块；数据采集模块采集机械设备的振动信号数据传输至数据预处理模块，通过数据预处理模块预处理后的数据依次通过特征提取模块、特征选择模块处理，获得特征选择数据；
数据决策层，其包括健康评估模块、故障诊断模块、性能预测模；健康评估模块，用于获得表征机械设备退化程度的物理量；故障诊断模块用于故障分类；性能预测模，用于依据健康评估模块的结果进行性能预测；
网络层，用于作为系统各层之间的通信部分；
应用层，用于操作人员对机械设备运行状态进行监测。
2.根据权利要求1所述的基于CPS架构的设备PHM系统，其特征在于：所述数据采集模块，用于通过FPGA控制器与数据采集卡硬件接口连接将采集的传感器获取的数据机械设备的振动信号传输到上位机。
3.根据权利要求1所述的基于CPS架构的设备PHM系统，其特征在于：所述数据预处理模块包括数据清洗、滤波，获得滤波后的振动信号。
4.根据权利要求3所述的基于CPS架构的设备PHM系统，其特征在于：所述数据清洗，包括：去除直流分量、离群值，重采样；
去除直流分量：用于对数据采集模块采集的原始振动信号去除直流分量，获得去除直流分量的振动信号；
去除离群值：用于对原始振动信号计算标准差，获得3倍标准差值；将去除直流分量的振动信号与3倍标准差值作差，获得大于3倍标准差值的去除直流分量的振动信号的索引号；根据索引号对原始振动信号进行索引，索引出去除离群值后的振动信号；
重采样：用于根据设定时间间隔和插值模式，对去除离群值后的振动信号进行重采样，获得重采样振动信号。
5.根据权利要求1所述的基于CPS架构的设备PHM系统，其特征在于：所述特征提取模块和特征选择模块，包括：
用于对数据预处理模块获得的滤波后的振动信号进行特征提取，获得特征提取数据；
用于将特征提取数据计算协方差矩阵，对协方差矩阵计算逆矩阵，将逆矩阵放入已有的Fisher判距模型，计算评分；根据评分选择出用于分析的特征，保存为.xml文件格式，作为特征选择数据。
6.根据权利要求1所述的基于CPS架构的设备PHM系统，其特征在于：所述健康评估模块，用于选择逻辑回归模型或统计模式识别模型实现，获得表征机械设备退化程度的物理量-置信值；其中，置信值为0表示存在故障，置信值为1表示正常，置信值为中间值表示退化，中间值表示0至1之间的值。
7.根据权利要求1所述的基于CPS架构的设备PHM系统，其特征在于：所述故障诊断模块，用于通过监督学习方法，对基于智能感知层获取的特征选择数据或者基于健康评估模块获取的故障状态特征选择数据采用SVM进行故障分类。
8.根据权利要求1所述的基于CPS架构的设备PHM系统，其特征在于：所述性能预测模块，用于基于健康评估模块获得的n+1个置信值，采用ARMA模型进行计算，获得预测置信值；其中，智能感知层采集同一个机械设备从正常状态至退化状态期间的振动信号经过处理，获得n+1组特征数据，健康评估模块依据n+1组特征数据进行处理，获得n+1个置信值。
9.根据权利要求1所述的基于CPS架构的设备PHM系统，其特征在于：所述网络层，用于智能感知层中的FPGA控制器与上位机之间采用OPC UA/TCP通信协议通信；控制器具有Modbus服务器，任意上位机安装Modbus客户端；用于实现客户端与服务器的通信，通信流程为：
Modbus客户端将智能感知层产生的数据或操作信息打包成Modbus数据帧，数据帧通过无线OPC UA/TCP通信协议发送至串口无线转换模块；串口无线转换模块将OPC UA/TCP数据包转换为RS232的数据包，服务器对数据包进行解析，实现数据读取和操作，并生成响应包，发回到客户端，客户端对Modbus数据解析，得到所需的数据，或者确认相关的操作。
10.根据权利要求1所述的基于CPS架构的设备PHM系统，其特征在于：所述应用层用于通过可视化界面、客户化报表、图表使客户端操作人员对机械设备运行状态进行监测；用于操作人员根据监测信息进行决策。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210568969.3A CN114997220A (zh) | 2022-05-24 | 2022-05-24 | 一种基于cps架构的设备phm系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210568969.3A CN114997220A (zh) | 2022-05-24 | 2022-05-24 | 一种基于cps架构的设备phm系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114997220A true CN114997220A (zh) | 2022-09-02 |
Family
ID=83026733
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210568969.3A Pending CN114997220A (zh) | 2022-05-24 | 2022-05-24 | 一种基于cps架构的设备phm系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114997220A (zh) |
-
2022
- 2022-05-24 CN CN202210568969.3A patent/CN114997220A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3776113B1 (en) | Apparatus and method for controlling system | |
| Ran et al. | A survey of predictive maintenance: Systems, purposes and approaches | |
| WO2022037068A1 (zh) | 一种机床轴承故障诊断方法 | |
| US10996664B2 (en) | Predictive classification of future operations | |
| CN108604360A (zh) | 设施异常监测方法及其系统 | |
| CN112085261B (zh) | 基于云端融合和数字孪生技术的企业生产现状诊断方法 | |
| CN110597235A (zh) | 一种通用智能故障诊断方法 | |
| CN111580479A (zh) | 一种基于机器学习和工业物联网的智能制造行业参数寻优方法 | |
| CN110757510A (zh) | 一种机器人剩余寿命预测方法及系统 | |
| CN114936504A (zh) | 基于贝叶斯多源数据融合的设备剩余寿命预测方法及系统 | |
| CN112906775A (zh) | 一种设备故障预测方法及系统 | |
| JPH0793018A (ja) | 動作状態の診断方法及びシステム | |
| KR102474332B1 (ko) | 스마트 공장 시스템에서 설비 건강 안정도 예측 방법 및 이를 기록한 기록매체 | |
| WO2020253950A1 (en) | Monitoring method, predicting method, monitoring system and computer program | |
| Zhang et al. | A review of fault prognostics in condition based maintenance | |
| CN117421994A (zh) | 一种边缘应用健康度的监测方法和监测系统 | |
| CN116705272A (zh) | 基于多维诊断的设备健康状态综合评价方法 | |
| Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
| CN114997220A (zh) | 一种基于cps架构的设备phm系统 | |
| CN111988192A (zh) | 一种基于机器学习的列车通信网络故障诊断方法 | |
| CN115222069A (zh) | 一种设备预诊维护算法及集成该算法的智能工厂管控架构 | |
| Starr et al. | Data fusion applications in intelligent condition monitoring | |
| Costa et al. | Recurrent variational autoencoder approach for remaining useful life estimation | |
| Forest et al. | Interpretable Prognostics with Concept Bottleneck Models | |
| CN115659280A (zh) | 一种分布式多源传感的设备状态智能诊断方法 |
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 |