CN116576917A - 一种设备运行数据的采集方法及装置 - Google Patents
一种设备运行数据的采集方法及装置 Download PDFInfo
- Publication number
- CN116576917A CN116576917A CN202310553588.2A CN202310553588A CN116576917A CN 116576917 A CN116576917 A CN 116576917A CN 202310553588 A CN202310553588 A CN 202310553588A CN 116576917 A CN116576917 A CN 116576917A
- Authority
- CN
- China
- Prior art keywords
- data
- signal
- state
- equipment
- vibration frequency
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000003287 optical effect Effects 0.000 claims abstract description 22
- 230000005236 sound signal Effects 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 9
- 238000007477 logistic regression Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 4
- 230000001364 causal effect Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013475 authorization Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明实施例提供了一种设备运行数据的采集方法，包括：获取目标设备的运行特征数据；将所述运行特征数据转换为状态信号；接收所述状态信号，并解码为与所述温度值和振动频率值相对应的信息数据；依据所述信息数据，并调用训练好的状态关系模型，确定目标设备的当前运行状态，获得设备运行数据。通过上述方法将目标设备的当前状态数据转换为光信号、音频信号、电信号以及射频信号中的至少一种或多种组合，在远端接收上述信号，再转换成状态实时运行数据，从而达到实时采集的目的，通过转换状态数据为上述信号，不同信号可以不同状态相对应，使得不同设备的运行状态进行统一定义，在不需要授权情况下，实现对设备运行数据的采集。
Description
技术领域
本发明涉及设备运行数据采集技术领域，特别是涉及一种设备运行数据的采集方法及装置。
背景技术
随着科技和工业化的不断发展，各种工业设备在工业领域的生产活动中起着重要的作用，工业它决定着国民经济现代化的速度、规模和水平，在当代世界各国国民经济中起着主导作用。
随着工业设备的广泛应用，对于设备的维护也越来越重要，同时为了保障设备的可靠运行和生产工作的顺利进行，对设备运行数据的采集尤其重要，例如，可能通过设备的运行数据判断设备的运行状况，老化程度，以及监测设备的生产运行等。
然而，现在的工业设备中运行数据一部分自身具有采集功能，另一部分没有采集功能，并且各个设备厂商的数据采集方式不同，而目前的设备可能需要各种设备组装，组成新的设备，例如，机床加工设备工具有马达、变速装置以及传动装置等，这些装置可能由多个商空提供，在组装成新的装置后，没有统一的采集方法，使得设备运行数据采集困难；在另一方面，一些设备中的运行数据，可能涉及到商业机密，因此，需要采通过开方端口进行数据采集，需要拿到授权，而这些授权大多是收费的，从而增加了成本和开发时间，并且不具有通用性，针对性较强，不利于推广等问题；因此，需要一种通用的，适应性强的设备运行数据采集方法和装置。
发明内容
鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种设备运行数据的采集方法和相应的一种设备运行数据的采集装置。
为了解决上述问题，本发明实施例公开了一种设备运行数据的采集方法，包括：
获取目标设备的运行特征数据，其中，所述运行特征数据包括温度值和振动频率值；
将所述运行特征数据转换为状态信号，其中，所述状态信号包括光信号、音频信号、电信号以及射频信号中的至少一种；
接收所述状态信号，并解码为与所述温度值和振动频率值相对应的信息数据；
依据所述信息数据，并调用训练好的状态关系模型，确定目标设备的当前运行状态，获得设备运行数据。
进一步，所述获取目标设备的运行特征数据的步骤，包括：
获取目标设备的多组开机前其机械波的第一振动频率、运行时其机械波的第二振动频率，以及目标设备的多组温度状态。
进一步，所述将所述运行特征数据转换为状态信号的步骤，包括：
将所述运行特征数据转换为具有预设频率和颜色的调制光信号，和/或所述音频信号，和/或所述电信号，和/或射频信号，其中，所述运行特征数据还包括设备运行时间、设备单次状态持续时间、工作时间、停机时间、MTBF以及MTTR。
进一步，所述接收所述状态信号，并解码为与所述温度值和振动频率值相对应的信息数据的步骤，包括：
通过对应的光信号接收单元，和/或音频信号接收单元，和/或电信号接收单元，和/或射频信号接收单元，接收所述状态信号，并将所述状态信号，通过解码单元解码为对应的信息数据。
进一步，所述状态关系模型为包含多个子卷积网络的卷积网络模型；所述依据所述信息数据，并调用训练好的状态关系模型，确定目标设备的当前运行状态，获得设备运行数据的步骤，包括：
将所述信息数据中对应每一组温度值和振动频率值分别输入至预设的所述卷积网络模型中对应的所述子卷积网络，生成状态数据；其中，所述多个子卷积网络分别提取对应温度值和振动频率值的特征值后进行特征融合，将融合后的特征值作为所述卷积网络模型提取的特征值。
进一步，所述将所述信息数据中对应每一组温度值和振动频率值分别输入至预设的所述卷积网络模型中对应的所述子卷积网络，生成状态数据，包括：
将所述信息数据中对应每一组温度值和振动频率值，输入至所述卷积网络模型的基于扩张卷积的全卷积网络层，利用所述全卷积网络层对所述温度值和振动频率值进行特征提取，输出所述温度值和振动频率值对应的特征向量；
将所述特征向量输入至所述卷积网络模型的全连接层，将全连接层的输出结果输入至所述卷积网络模型的逻辑回归层，输出设备运行状态对应的预测概率，根据所述预测概率获取设备运行的状态数据。
进一步，所述依据所述信息数据，并调用训练好的状态关系模型，确定目标设备的当前运行状态，获得设备运行数据之前还包括，对所述状态关系模型训练的步骤，其包括：
对多组所述温度值、所述振动频率值以及设备运行状态进行标签，并基于标签建立标签数组集合，其中，所述标签数组集合，包括温度阈值和振动频率阈值与设备运行状态的对应关系；
将所述标签数据集合作为训练样本集，对卷积网络模型进行训练，获得训练好的所述状态关系模型。
本发明实施例还公开了一种设备运行数据的采集装置，包括：
特征获取模块，用于获取目标设备的运行特征数据，其中，所述运行特征数据包括温度值和振动频率值；
特征转换模块，用于将所述运行特征数据转换为状态信号，其中，所述状态信号包括光信号、音频信号、电信号以及射频信号中的至少一种；
信号处理模块，用于接收所述状态信号，并解码为与所述温度值和振动频率值相对应的信息数据；
状态确定模块，用于依据所述信息数据，并调用训练好的状态关系模型，确定目标设备的当前运行状态，获得设备运行数据。
本发明实施例还公开了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的采集方法。
本发明实施例还公开了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的采集方法。
本发明实施例包括以下优点：
通过获取目标设备的运行特征数据，其中，所述运行特征数据包括温度值和振动频率值；将所述运行特征数据转换为状态信号，其中，所述状态信号包括光信号、音频信号、电信号以及射频信号中的至少一种；接收所述状态信号，并解码为与所述温度值和振动频率值相对应的信息数据；依据所述信息数据，并调用训练好的状态关系模型，确定目标设备的当前运行状态，获得设备运行数据。通过上述方法将目标设备的当前状态数据转换为光信号、音频信号、电信号以及射频信号中的至少一种或多种组合，在远端接收上述信号，再转换成状态实时运行数据，从而达到实时采集的目的，通过转换状态数据为上述信号，不同信号可以不同状态相对应，使得不同设备的运行状态进行统一定义，在不需要授权情况下，实现对设备运行数据的采集。
附图说明
图1是本发明的一实施例提供的一种设备运行数据的采集方法的步骤流程图；
图2是本发明的一实施例提供的一种设备运行数据的采集装置的结构框图；
图3是本发明的一实施例提供的应用示例结构示意图。
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鲜明易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1，示出了本发明的一种设备运行数据的采集方法实施例的步骤流程图，具体可以包括如下步骤：
步骤S101，获取目标设备的运行特征，其中，所述运行特征数据包括温度值和振动频率值；
步骤S102，将所述运行特征数据转换为状态信号，其中，所述状态信号包括光信号、音频信号、电信号以及射频信号中的至少一种；
步骤S103，接收所述状态信号，并解码为与所述温度值和振动频率值相对应的信息数据；
步骤S104，依据所述信息数据，并调用训练好的状态关系模型，确定目标设备的当前运行状态，获得设备运行数据。
通过上述方法将目标设备的当前状态数据转换为光信号、音频信号、电信号以及射频信号中的至少一种或多种组合，在远端接收上述信号，再转换成状态实时运行数据，从而达到实时采集的目的，通过转换状态数据为上述信号，不同信号可以不同状态相对应，使得不同设备的运行状态进行统一定义，在不需要授权情况下，实现对设备运行数据的采集。
作为一种示例，上述步骤S101，获取目标设备的运行特征，其中，所述运行特征数据包括温度值和振动频率值；具体地，获取目标设备的多组开机前其机械波的第一振动频率、运行时其机械波的第二振动频率，以及目标设备的多组温度状态。通过在目标设备表面设置温度传感器和振动传感器，来获取设备的温度和振动频率，并通过该温度值和振动频率值通过训练好的状态关系模型，从而确定目标设备的当前运行数据。
需要说明的是，由于设备的温度可以通过温度传感器从设备外进行检测，其频率可以通过频率传感器贴合于上述设备的表面即可检测，无需打开设备，可直接从设备外壳上获取；并且温度在一定程度上能够反应设备的运行状态是否正常，例如，设备温度过高达到阈值时，该设备可能会出现故障；此外，设备在运行时可能存在至少一个正常运行频率，例如，一个马达或多个马达启动时，设备存在至少一个正常运行的振动频率，而当设备出现故障进，其振动频率会发生变化，例如，共振筛的原理就是通过不能频率将具有差别的物品分离，而设备的振动也能反应其工作状态是否为正常态。
作为一种示例，上述步骤S102，将所述运行特征数据转换为状态信号，其中，所述状态信号包括光信号、音频信号、电信号以及射频信号中的至少一种；详细地，将所述运行特征数据转换为状态信号包括，将所述运行特征数据转换为具有预设频率和颜色的调制光信号，和/或所述音频信号，和/或所述电信号，和/或射频信号，其中，所述运行特征数据，作为用于指示设备状态的特征数据，其还可以包含设备运行时间、设备单次状态持续时间、设备稼动率、利用率、工作时间、停机时间、MTBF(MeanTimeBetween Failures，平均无故障运行时间)、MTTR(MeanTimeToRepair，设备故障平均修复时间)。
作为一种示例，上述步骤S103，所述接收所述状态信号，并解码为与所述温度值和振动频率值相对应的信息数据的步骤，包括：通过对应的光信号接收单元，和/或音频信号接收单元，和/或电信号接收单元，和/或射频信号接收单元，接收所述状态信号，并将所述状态信号，通过解码单元解码为对应的信息数据。例如，通过元端摄像机可以捕获光信号以及通过射频接收单元接收射频信号，在该过程中，不需要布线便可实现信号采集到传递的过程，从而解决了对设备进行数据采集时，设备安装空间的要求。
作为一种示例，所述状态关系模型为包含多个子卷积网络的卷积网络模型；上述步骤S104，所述依据所述信息数据，并调用训练好的状态关系模型，确定目标设备的当前运行状态，获得设备运行数据的步骤，包括：将所述信息数据中对应每一组温度值和振动频率值分别输入至预设的所述卷积网络模型中对应的所述子卷积网络，生成状态数据；其中，所述多个子卷积网络分别提取对应温度值和振动频率值的特征值后进行特征融合，将融合后的特征值作为所述卷积网络模型提取的特征值。
进一步，将所述信息数据中对应每一组温度值和振动频率值，输入至所述卷积网络模型的基于扩张卷积的全卷积网络层，利用所述全卷积网络层对所述温度值和振动频率值进行特征提取，输出所述温度值和振动频率值对应的特征向量；将所述特征向量输入至所述卷积网络模型的全连接层，将全连接层的输出结果输入至所述卷积网络模型的逻辑回归层，输出设备运行状态对应的预测概率，根据所述预测概率获取设备运行的状态数据。
在一具体示例中，获取目标设备的温度和振动频率，由于设备温度和振动频率值可能存在实时变化，需要获取目标设备的多组开机前其机械波的第一振动频率、运行时其机械波的第二振动频率，以及目标设备的多组温度状态，目标设备开机前的状态和运行时的状态显然不同，并且运行时的第二振动频率其为动态频率，可以是存在一波动范围。所述状态关系模型为包含多个子卷积网络的卷积网络模型；依据振动频率值和温度值，调用训练好的状态关系模型，确定目标设备的当前运行状态，生成状态数据包括：将每一组温度值和振动频率值分别输入至预设的所述卷积网络模型中对应的所述子卷积网络，生成状态数据；其中，所述多个积子网络分别提取对应温度值和振动频率值的特征后进行特征融合，将融合后的特征作为所述卷积网络模型提取的特征。具体地，将所述温度值和振动频率值输入至所述卷积网络模型的基于扩张卷积的全卷积网络层，利用所述全卷积网络层对所述温度和振动频率进行特征提取，输出所述温度和振动频率对应的特征向量；将所述特征向量输入至所述卷积网络模型的全连接层，将全连接层的输出结果输入至所述卷积网络模型的逻辑回归层，输出设备运行状态对应的预测概率，根据所述预测概率获取设备运行的状态数据。
在本申请一实施例中，对所述状态关系模型训练的步骤，其包括：对多组所述温度值、所述振动频率值以及设备运行状态进行标签，并基于标签建立标签数组集合，其中，所述标签数组集合，包括温度阈值和振动频率阈值与设备运行状态的对应关系；将所述标签数据集合作为训练样本集，对卷积网络模型进行训练，获得训练好的所述状态关系模型。
需要说明的是，温度值和振动频率值可能在满足一定的频率范围时，均可视为设备的正常运行状态，例如，电脑在刚启动时热量较小，随着设备运转温度可能会随之升高。
可理解的是，在上述过程中，可以通过拍照输出或射频单元输出频谱图像以及音频频谱图等作为训练集，对卷积网络模型进行训练，获得训练好的所述状态关系模型，通过上述传感器对设备运行采样后，再经所述运行特征数据转换为状态信号，使信号传输不受空间和距离影响；再接收所述状态信号，并解码为与所述温度值和振动频率值相对应的信息数据，从而可以还原状态，因此，上述的无论是拍照或是频谱输出，均可以对应设备的一种运行状态。
基于深度学习的特征提取方法可以自动学习有效特征，深度学习方法将特征提取、特征融合、模式识别，在同一个神经网络进行端到端学习，可自动进行冗余信息剔除。本发明实施例中的卷积神经网络可自动学习有效特征。相比于传统的序列学习方法，如递归神经网络，本申请的卷积神经网络具有更强的长序列学习能力，和更小的计算消耗。
在一具体实施方式中，设备运行状态以及相应的设备运行状态标签可根据需求进行定义，例如为全功能模式运行、节能模式以及待机模式等。
通过将温度值和振动频率值输入至预设的卷积网络模型，预设的卷积网络模型根据带有设备运行状态的温度和振动频率样本训练后得到，能够输出设备运行状态的识别结果，从而识别过程快速而准确，具有更小的计算消耗，同时利用卷积网络模型可自动进行冗余信息的剔除。
需要说明的是，上述将温度值和振动频率值在经过转换后对应于上述图像数据和/或频谱数据，将上述温度值和振动频率值作为训练集或验证集等同于将上述图像数据和/或频谱数据作为模型训练的训练集或验证集。
作为一种可选实施例，本发明实施例中运行特征数据，作为多通道卷积网络模型的输入，具体地，将每一温度和振动频率分别输入至预设的卷积网络模型中对应的子卷积网络；其中，卷积网络模型由多个子卷积网络构成，多个子卷积网络分别提取对应温度和振动频率的特征后进行特征融合，将融合后的特征作为卷积网络模型提取的特征。例如，将温度值、第一振动频率值和第二振动频率值，用为三个通道的输入进行举例说明，但不限于此三个通道。多组温度值和振动频率，即多个通道获得的温度值和振动频率值，可以为设备运行状态识别提供丰富的信息。该卷积网络模型包括3个结构相同，参数独立的子卷积网络。每一子卷积网络对其相应通道的温度和振动频率进行提取特征，多个子卷积网络分别提取对应温度和振动频率的特征后进行特征融合，将融合后的特征作为整个卷积网络模型提取到的特征，进行后续的分类识别处理。例如，通常最后一层卷积层用来进行最终的分类，通过拼接3个子卷积网络最后一层卷积层提取的特征向量，可以形成一个融合的特征向量，该融合后的特征向量即为卷积网络模型对于多通道温度和振动频率提取到的特征。
将每一组温度和振动频率值分别输入卷积网络模型中对应的子卷积网络，根据卷积网络模型的输出结果，获取设备运行状态数据，其中，将多个通道温度值和振动频率值用于设备运行状态的检测识别，从而具有不易受到噪声干扰，鲁棒性较强的优点。多个子卷积网络分别提取对应温度值和振动频率值的特征后进行特征融合，将融合后的特征作为卷积网络模型提取的特征，由于融合多个通道的特征，从而能够提升设备运行状态采集的准确度，同时利用卷积网络模型可自动进行冗余信息的剔除，进一步提高采集精度及效率。
作为一种可选实施例，将温度和振动频率输入至预设的卷积网络模型，根据卷积网络模型的输出结果，获取设备运行状态数据，包括：将温度和振动频率输入至卷积网络模型的基于扩张卷积的全卷积网络层，利用全卷积网络层对温度和振动频率进行特征提取，输出温度和振动频率对应的特征向量；将特征向量输入至卷积网络模型的全连接层，将全连接层的输出结果输入至卷积网络模型的逻辑回归层，输出设备运行状态对应的预测概率，根据预测概率获取设备运行状态数据。
卷积网络主要有三个特征，全卷积网络(fullyconvolutionalnetwork，简称FCN)、扩张卷积(DilatedConvolution)和因果卷积(causalconvolution)。全卷积网络仅包含卷积层，用以保持序列长度，扩张卷积用以增加感受野，因果卷积在进行卷积操作时，仅使用过去的数据，防止未来的信息被学习到。因果卷积适用于未来信息未知的情景，在本发明实施例中每个样本的温度和振动频率时间序列可以直接提供给神经网络学习，无需采用因果卷积。为提高实施检测的准确率和减少计算开销，本发明实施例中采用基于扩张卷积的全卷积网络构建时间卷积网络。
将得到一维特征向量输入卷积网络模型的全连接层，通过全连接层进行分类，将全连接层的输出结果输入至卷积神经网络模型的逻辑回归层，输出与设备运行状态对应的预测概率。逻辑回归层可采用Softmax分类器实现，将提取到的一维特征向量输入Softmax分类器，即可得到设备运行状态对应的预测概率。每一全卷积层之间，可采用ReLU(TheRectifiedLinearUnit，修正线性单元)作为激活函数，其特点是收敛快，求梯度简单。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
参照图2，示出了本发明的一种设备运行数据的采集装置实施例的结构，具体可以包括如下模块：
特征获取模块201，用于获取目标设备的运行特征数据，其中，所述运行特征数据包括温度值和振动频率值；
特征转换模块202，用于将所述运行特征数据转换为状态信号，其中，所述状态信号包括光信号、音频信号、电信号以及射频信号中的至少一种；
信号处理模块203，用于接收所述状态信号，并解码为与所述温度值和振动频率值相对应的信息数据；
状态确定模块204，用于依据所述信息数据，并调用训练好的状态关系模型，确定目标设备的当前运行状态，获得设备运行数据。
本申请一示例中，参照图3所示，上述采集模块201用于采集状态数据并转换为状态信号，具体地可以包括传感器单元，例如，振动和温度传感器(例如，QM30VT1型振动和温度传感器，可同时对温度和振动频率采样)，将传感器设置于工业设备301，并将采样后的状态数据通过灯塔302转换为光信号，具体地，例如通过上述传感器检测到设备温度正常，其振动频率对应的状态为待机，可以通过灯塔302绿灯，当正运行可以常亮绿灯等，还可以通过上述灯塔302不同颜色和不同频率闪烁的方式实现；在接收端可以通过摄像头接收光信号；将不同的光信号输出进行远程解析，从而获得实时运行数据；此外，还可以通过将传感器采集的信号，转换为射频信号，通过在远端设置射频接收器，从而接收上述射频信号。其中，还可以将上述两种或以上的方式联用，进一步提高运行数据采集过程中，信号传递的可靠性。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请的有益效果还包括：通过设备个侧的传感器获取设备状态，无需打开设备以及使用内部开发端口，实现简单、容易开发，同时不涉及设备内部结构和涉及内容，无需设备厂商授权，通用性好，通过光信号和/或声音信号和/或射频信号，无需布线，节省空间。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种设备运行数据的采集方法及装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种设备运行数据的采集方法，其特征在于，包括：
获取目标设备的运行特征数据，其中，所述运行特征数据包括温度值和振动频率值；
将所述运行特征数据转换为状态信号，其中，所述状态信号包括光信号、音频信号、电信号以及射频信号中的至少一种；
接收所述状态信号，并解码为与所述温度值和振动频率值相对应的信息数据；
依据所述信息数据，并调用训练好的状态关系模型，确定目标设备的当前运行状态，获得设备运行数据。
2.根据权利要求1所述的采集方法，其特征在于，所述获取目标设备的运行特征数据的步骤，包括：
获取目标设备的多组开机前其机械波的第一振动频率、运行时其机械波的第二振动频率，以及目标设备的多组温度状态。
3.根据权利要求1所述的采集方法，其特征在于，所述将所述运行特征数据转换为状态信号的步骤，包括：
将所述运行特征数据转换为具有预设频率和颜色的调制光信号，和/或所述音频信号，和/或所述电信号，和/或射频信号，其中，所述运行特征数据还包括设备运行时间、设备单次状态持续时间、工作时间、停机时间、MTBF以及MTTR。
4.根据权利要求1所述的采集方法，其特征在于，所述接收所述状态信号，并解码为与所述温度值和振动频率值相对应的信息数据的步骤，包括：
通过对应的光信号接收单元，和/或音频信号接收单元，和/或电信号接收单元，和/或射频信号接收单元，接收所述状态信号，并将所述状态信号，通过解码单元解码为对应的信息数据。
5.根据权利要求1所述的采集方法，其特征在于，所述状态关系模型为包含多个子卷积网络的卷积网络模型；所述依据所述信息数据，并调用训练好的状态关系模型，确定目标设备的当前运行状态，获得设备运行数据的步骤，包括：
将所述信息数据中对应每一组温度值和振动频率值分别输入至预设的所述卷积网络模型中对应的所述子卷积网络，生成状态数据；其中，所述多个子卷积网络分别提取对应温度值和振动频率值的特征值后进行特征融合，将融合后的特征值作为所述卷积网络模型提取的特征值。
6.根据权利要求5所述的采集方法，其特征在于，所述将所述信息数据中对应每一组温度值和振动频率值分别输入至预设的所述卷积网络模型中对应的所述子卷积网络，生成状态数据，包括：
将所述信息数据中对应每一组温度值和振动频率值，输入至所述卷积网络模型的基于扩张卷积的全卷积网络层，利用所述全卷积网络层对所述温度值和振动频率值进行特征提取，输出所述温度值和振动频率值对应的特征向量；
将所述特征向量输入至所述卷积网络模型的全连接层，将全连接层的输出结果输入至所述卷积网络模型的逻辑回归层，输出设备运行状态对应的预测概率，根据所述预测概率获取设备运行的状态数据。
7.根据权利要求1所述的采集方法，其特征在于，所述依据所述信息数据，并调用训练好的状态关系模型，确定目标设备的当前运行状态，获得设备运行数据之前还包括，对所述状态关系模型训练的步骤，其包括：
对多组所述温度值、所述振动频率值以及设备运行状态进行标签，并基于标签建立标签数组集合，其中，所述标签数组集合，包括温度阈值和振动频率阈值与设备运行状态的对应关系；
将所述标签数据集合作为训练样本集，对卷积网络模型进行训练，获得训练好的所述状态关系模型。
8.一种设备运行数据的采集装置，其特征在于，包括：
特征获取模块，用于获取目标设备的运行特征数据，其中，所述运行特征数据包括温度值和振动频率值；
特征转换模块，用于将所述运行特征数据转换为状态信号，其中，所述状态信号包括光信号、音频信号、电信号以及射频信号中的至少一种；
信号处理模块，用于接收所述状态信号，并解码为与所述温度值和振动频率值相对应的信息数据；
状态确定模块，用于依据所述信息数据，并调用训练好的状态关系模型，确定目标设备的当前运行状态，获得设备运行数据。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述的采集方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述的采集方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310553588.2A CN116576917A (zh) | 2023-05-17 | 2023-05-17 | 一种设备运行数据的采集方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310553588.2A CN116576917A (zh) | 2023-05-17 | 2023-05-17 | 一种设备运行数据的采集方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116576917A true CN116576917A (zh) | 2023-08-11 |
Family
ID=87540845
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310553588.2A Pending CN116576917A (zh) | 2023-05-17 | 2023-05-17 | 一种设备运行数据的采集方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116576917A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110031226A (zh) * | 2019-04-12 | 2019-07-19 | 佛山科学技术学院 | 一种轴承故障的诊断方法及装置 |
| CN111368890A (zh) * | 2020-02-26 | 2020-07-03 | 珠海格力电器股份有限公司 | 故障检测方法及装置、信息物理融合系统 |
| CN112016251A (zh) * | 2020-09-02 | 2020-12-01 | 哈尔滨工程大学 | 一种核动力装置故障的诊断方法及系统 |
| CN113074783A (zh) * | 2021-04-08 | 2021-07-06 | 电掣物联网技术(深圳)有限公司 | 一种灯塔式工业设备监测方法和装置 |
| CN114417913A (zh) * | 2021-12-22 | 2022-04-29 | 太原理工大学 | 基于pc-tcn和迁移学习的轴承寿命预测方法 |
| WO2022128118A1 (en) * | 2020-12-18 | 2022-06-23 | Brainlab Ag | Training and using a learning algorithm using a transcript of audio data for identification of a medical device visible in image data |
| CN114693942A (zh) * | 2022-03-31 | 2022-07-01 | 重庆大学 | 一种仪器仪表智能运维的多模态故障理解及辅助标注方法 |
| CN115238740A (zh) * | 2022-07-22 | 2022-10-25 | 中煤科工集团信息技术有限公司 | 一种基于时频分布和深度学习的故障诊断方法及装置 |
-
2023
- 2023-05-17 CN CN202310553588.2A patent/CN116576917A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110031226A (zh) * | 2019-04-12 | 2019-07-19 | 佛山科学技术学院 | 一种轴承故障的诊断方法及装置 |
| CN111368890A (zh) * | 2020-02-26 | 2020-07-03 | 珠海格力电器股份有限公司 | 故障检测方法及装置、信息物理融合系统 |
| CN112016251A (zh) * | 2020-09-02 | 2020-12-01 | 哈尔滨工程大学 | 一种核动力装置故障的诊断方法及系统 |
| WO2022128118A1 (en) * | 2020-12-18 | 2022-06-23 | Brainlab Ag | Training and using a learning algorithm using a transcript of audio data for identification of a medical device visible in image data |
| CN113074783A (zh) * | 2021-04-08 | 2021-07-06 | 电掣物联网技术(深圳)有限公司 | 一种灯塔式工业设备监测方法和装置 |
| CN114417913A (zh) * | 2021-12-22 | 2022-04-29 | 太原理工大学 | 基于pc-tcn和迁移学习的轴承寿命预测方法 |
| CN114693942A (zh) * | 2022-03-31 | 2022-07-01 | 重庆大学 | 一种仪器仪表智能运维的多模态故障理解及辅助标注方法 |
| CN115238740A (zh) * | 2022-07-22 | 2022-10-25 | 中煤科工集团信息技术有限公司 | 一种基于时频分布和深度学习的故障诊断方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110658807A (zh) | 一种车辆故障诊断方法、装置及系统 | |
| CN108259890B (zh) | 一种信息采集桥接装置及图像传感器质量自动检测设备 | |
| CN110456234B (zh) | 故障电弧的检测方法、装置和系统 | |
| CN113776794A (zh) | 一种嵌入式边缘计算的故障诊断方法、装置和系统 | |
| CN105788355A (zh) | 一种基于Beacon技术的停车位监测系统与方法 | |
| CN115238785A (zh) | 基于图像融合和集成网络的旋转机械故障诊断方法和系统 | |
| CN115186850B (zh) | 一种海底电缆运行环境的动态监测方法及系统 | |
| CN117914003B (zh) | 基于云边协同的箱式变压器智能监测辅助方法及系统 | |
| CN114722310A (zh) | 一种光伏电站设备故障诊断方法、装置、设备及介质 | |
| CN115130370A (zh) | 电池健康状态检测模型创建方法、检测方法及其检测设备 | |
| CN114413409A (zh) | 用于空调故障概率的检测方法及装置、智能空调 | |
| CN117591863A (zh) | 储能充电设备远程故障检测方法及检测装置 | |
| CN116576917A (zh) | 一种设备运行数据的采集方法及装置 | |
| CN116449092A (zh) | 汽车功率检测方法、系统、计算机及可读存储介质 | |
| CN112153330A (zh) | 一种工业互联网实时监控系统 | |
| CN115546736B (zh) | 基于图像采集的河道采砂监控处理方法及系统 | |
| Gao et al. | Fault prediction in electric power communication network based on improved DenseNet | |
| CN113204332B (zh) | 智能家居设备控制程序生成系统及方法 | |
| CN116224871A (zh) | 一种车辆数据采集和处理装置 | |
| CN116028893A (zh) | 一种智能化数据监测方法、系统及电子设备 | |
| US20230070173A1 (en) | Cloud-end collaborative system and method for load identification | |
| CN101577839B (zh) | 一种智能网平台网元间链路处理的方法及系统 | |
| CN109976168B (zh) | 一种去中心化的智能家居控制方法及系统 | |
| CN111521986B (zh) | 一种雷达通信分机数据融合模块的检测系统 | |
| CN118013367A (zh) | 一种面向通信领域信号分选的持续学习方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230811 |
|
| RJ01 | Rejection of invention patent application after publication |