CN117666406A - 一种基于边缘计算的多参量同步动态信号采集方法及系统 - Google Patents
一种基于边缘计算的多参量同步动态信号采集方法及系统 Download PDFInfo
- Publication number
- CN117666406A CN117666406A CN202311363053.5A CN202311363053A CN117666406A CN 117666406 A CN117666406 A CN 117666406A CN 202311363053 A CN202311363053 A CN 202311363053A CN 117666406 A CN117666406 A CN 117666406A
- Authority
- CN
- China
- Prior art keywords
- state
- signal acquisition
- parameter
- synchronous dynamic
- dynamic 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.)
- Pending
Links
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 64
- 238000004364 calculation method Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000004891 communication Methods 0.000 claims description 93
- 230000006870 function Effects 0.000 claims description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000003631 expected effect Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 230000010355 oscillation Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 12
- 230000005540 biological transmission Effects 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000008439 repair process Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- 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
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于边缘计算的多参量同步动态信号采集方法及系统,涉及信号采集技术领域,包括获取设备运行信号、设备实时转速和触发信号,调度同步动态信号采集,处理采集数据并得到特征数据;提供同步动态信号波形数据;根据特征数据与给定阈值比较,联动开关量输出接口动作,进行设备状态趋势判定;动态调整采集参数并反馈给定时采集状态触发信号,完成同步动态信号采集。本发明通过状态触发和边缘计算结果动态调整采集参数,并且实现3种协议的总线传输,为在线诊断平台提供诊断数据的同时可为控制系统提供特征数据,提升了故障发现效率,降低了网络带宽压力和云平台存储压力。
Description
技术领域
本发明涉及信号采集技术领域,特别是一种基于边缘计算的多参量同步动态信号采集方法及系统。
背景技术
同步动态信号采集分析是目前大型旋转机械设备在线故障检测最主要的方法。现阶段的大型旋转机械设备在线诊断平台往往通过将多个振动传感器接入同步动态信号采集器定时获取波形并将数据送往云平台进行分析。由于波形数据量较大,为了降低对带宽的需求,波形数据往往设置较大采集间隔,这种方式收集的波形数据容易遗漏偶发的设备故障,而如果设置更小的采集间隔或连续采集则对传输网络和云端存储的要求都会大大增加,网络内可容纳的采集器数量受到很大的限制。
受安全管控要求,很多行业的在线诊断平台与控制系统没有打通,而同步动态信号采集器仅与在线诊断平台连接,大型旋转设备的诊断信息无法及时反馈给SCADA等控制系统,因此难以满足对高端、复杂场景下,对设备闭环管理的要求。
发明内容
鉴于现有的基于边缘计算的多参量同步动态信号采集方法存在的问题,提出了本发明。因此,本发明所要解决的问题在于如何提供一种基于边缘计算的多参量同步动态信号采集方法及系统。
为解决上述技术问题,本发明提供如下技术方案:
第一方面,本发明实施例提供了一种基于边缘计算的多参量同步动态信号采集系统,其包括:运行信号输入模块、转速信号输入模块、动态信号输入模块、3种协议的通信网络以及采集器;3种协议的通信网络包括RS-485总线通信网络、以太网通信网络及5G通信网络;所述采集器包括信号处理电路、运行信号采集通道、开关量输出电路、3种协议的通信电路及以及同步模数转换电路;所述信号处理电路与运行信号采集通道、开关量输出电路、3种协议的通信电路及同步模数转换电路连接,信号处理电路通过运行信号采集通道与运行信号输入连接;所述同步模数转换电路包括1路转速信号采集通道和至少2路动态信号采集通道,同步模数转换电路通过转速信号采集通道与转速信号输入连接,通过动态信号采集通道与动态信号输入连接。
本发明实施例提供了一种基于边缘计算的多参量同步动态信号采集系统,其包括:3种协议的通信电路包括串行通信电路、以太网通信电路及移动网络通信电路,RS-485通信接口、以太网通信接口以及5G网络通信接口;RS-485通信接口与串行通信电路连接,以太网通信接口与以太网通信电路连接,5G网络通信接口与移动网络通信电路连接;两个以上采集器通过串行通信电路并联接入RS-485总线通信网络、通过以太网通信电路并联接入以太网总线通信网络、通过移动网络通信电路并联接入5G通信网络。
第二方面,本发明实施例提供了一种基于边缘计算的多参量同步动态信号采集方法,其包括:信号处理电路通过运行信号采集通道获取设备运行信号,转速信号采集通道获取设备实时转速,获取内部采集定时触发信号,通过动态信号采集管理调度同步动态信号采集,处理同步动态信号采集数据并得到特征数据;通过3种协议的通信电路向对应协议的通信网络提供特征数据,通过以太网通信电路和5G通信电路向对应协议的通信网络提供同步动态信号波形数据;根据特征数据与给定阈值比较,联动开关量输出接口动作,进行设备状态趋势判定;根据设备状态趋势,动态调整采集参数并反馈给定时采集状态触发信号处理电路获取内部采集定时触发信号,完成基于边缘计算的多参量同步动态信号采集。
作为本发明所述基于边缘计算的多参量同步动态信号采集方法的一种优选方案,其中:所述得到特征数据具体包括,对采集到的同步动态信号进行预处理,降低噪声和突发干扰的影响,保留关键的特征信息,相关计算公式如下:
式中,y(t)为滤波后的信号;x(t)为原始输入同步动态信号;N为滞后阶数;通过连续小波变换进行时频分析,将信号从时域转换到时频域,提取主频率、频谱带宽和方差,相关计算公式如下:
fm=arg maxf|X(f)|
式中,C(t)为连续小波变换结果;s为尺度参数,控制小波函数的宽度;ψ为平移参数,控制小波函数在时间上的平移;τ为小波函数的共轭;fm为信号中具有最大幅度的频率成分;X(f)为信号的频谱;σ2为方差;N1为样本数量;xi为第i个样本值;μ为样本均值;使用互信息技术选择最相关的特征,集中关注最重要的特征,使用异常检测模型检测信号中的异常或故障,识别与正常操作不符的信号模式,相关计算公式如下:
L(x,x′)=||x-x′||2
式中,I(X;Y)为互信息,即两个随机变量之间的关联程度;p(x,y)为联合概率分布函数;p(x)和p(y)为边缘概率分布函数;L(x,x′)为重构误差;x为原始输入数据;x′为重构的输出数据。
作为本发明所述基于边缘计算的多参量同步动态信号采集方法的一种优选方案,其中:进行设备状态趋势判定具体包括,使用向量机算法进行状态判定,相关计算公式如下:
式中,f(x)为决策函数;αi和yi为训练参数;K(xi,x)为核函数;b为引入的状态变量;为每个状态类别训练一个独立的模型,用于将输入数据分类到相应的状态类别;对于每个输入数据点,每个模型都会输出一个置信度值,表示该数据点被分类到相应状态的概率;根据每个模型的置信度值,对于每个状态计算该状态的平均置信度值,通过对该状态的所有模型的置信度值求平均得出;选择具有最高平均置信度值的状态作为最终分类结果,将选择的设备状态输出为监测结果,告知用户当前设备的状态;当主频率在预定的正常范围内,振幅变化小于阈值,波形形状符合正常预期,任何额外的特征数据表明正常运行时,将设备状态输出为正常运行状态;当主频率接近边界值,但仍在可接受范围内,振幅变化在一定程度上增加,某些特定频率成分的出现或变化,附加的特征数据表明潜在问题时,将设备状态输出为预警状态;当主频率明显偏离正常范围,振幅剧烈波动,特定频率成分消失或显著变化,额外的特征数据明确指向故障时,将设备状态输出为故障状态。
作为本发明所述基于边缘计算的多参量同步动态信号采集方法的一种优选方案,其中:调整采集参数具体包括,定义目标函数,将设备状态监测中的目标函数分类准确性A或特异性S综合度量,相关计算公式如下:
F(x)=α·A+(1-α)·S
式中,TP为模型正确地将正类别样本分类为正类别,TN为模型正确地将负类别样本分类为负类别,FP为模型将负类别样本错误地分类为正类别,FN为模型将正类别样本错误地分类为负类别;F(x)为目标函数;α为一个0到1之间的权衡因子;基于目标函数使用轮盘选择个体P(x),采用单点交叉生成新个体C(x1,x2),采用变异操作改变个体基因M(x),相关计算公式如下:
C(x1,x2)=[x1[1:k]+x2[k+1:N],x2[1:k]+x1[k+1:N]]
M(x)=x+Δx
式中,k为随机选择的交叉点;Δx为一个服从高斯分布随机扰动;通过不断迭代操作,寻找最优参数组合,以最小化目标函数。
作为本发明所述基于边缘计算的多参量同步动态信号采集方法的一种优选方案,其中:所述反馈包括使用控制器将参数反馈到采集系统,控制器的输出根据误差、积分和微分项计算,其公式如下:
式中,u(t)为控制器输出,e(t)为是误差,Kp、Ki和Kd是控制增益;进行建议值J的计算,基于当前状态M2与目标状态M1之间的误差E以及控制算法的调整规则计算得出,相关内容如下:
式中,P为比例项;It为积分项;Dt为微分项;评估建议值与当前状态之间的差异以及建议值的可行性,进行决策制定和实施参数的调整;若建议值与当前状态之间的差异较小,可以考虑使用比例控制,即直接按照建议值调整操作;若建议值与当前状态差异较大,可能需要逐步增加或减少操作以避免系统剧烈振荡。
作为本发明所述基于边缘计算的多参量同步动态信号采集方法的一种优选方案,其中:在执行操作后,监测操作的效果并收集反馈数据,反馈数据包括实际状态、响应时间、系统性能等信息,以评估操作是否成功,根据操作反馈和系统响应,更新之前的决策,若操作未能达到预期的效果,调整决策策略;若建议值与当前参数接近,采用平滑的连续调整策略,逐渐将参数调整到建议值;若建议值与当前参数相差较大,采用逐步减少参数;在参数调整期间,实时监测设备或系统的最新状态,反馈数据评估参数调整的效果,若性能未能改善则采取纠正措施;控制算法运行在闭环控制下,实现连续的参数调整,控制系统不断地根据实时反馈信息来调整参数,维持系统在目标状态附近;控制系统进行多次迭代和优化,确保设备或系统能够在不同工作条件下保持稳定的性能,在每次迭代中,微调控制算法的参数和重新定义目标状态进一步优化性能。
第三方面,本发明实施例提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其中:所述处理器执行所述计算机程序时实现上述方法的任一步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其中:所述计算机程序被处理器执行时实现上述方法的任一步骤。
本发明有益效果为可以通过状态触发和边缘计算结果动态调整采集参数,并且实现3种协议的总线传输,为在线诊断平台提供诊断数据的同时可为控制系统提供特征数据,提升了故障发现效率,降低了网络带宽压力和云平台存储压力。
附图说明
为了更清楚地说明本发明实施例的技术方案,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它的附图。其中:
图1为基于边缘计算的多参量同步动态信号采集方法的流程图。
图2为基于边缘计算的多参量同步动态信号采集器的结构图。
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,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例1
参照图1和图2,为本发明第一个实施例,本实施例提供一种基于边缘计算的多参量同步动态信号采集系统,包括:
运行信号输入模块、转速信号输入模块、动态信号输入模块、3种协议的通信网络以及采集器;3种协议的通信网络包括RS-485总线通信网络、以太网通信网络及5G通信网络;采集器包括信号处理电路、运行信号采集通道、开关量输出电路、3种协议的通信电路及以及同步模数转换电路;信号处理电路与运行信号采集通道、开关量输出电路、3种协议的通信电路及同步模数转换电路连接,信号处理电路通过运行信号采集通道与运行信号输入连接;同步模数转换电路包括1路转速信号采集通道和至少2路动态信号采集通道,同步模数转换电路通过转速信号采集通道与转速信号输入连接,通过动态信号采集通道与动态信号输入连接。3种协议的通信电路包括串行通信电路、以太网通信电路及移动网络通信电路,RS-485通信接口、以太网通信接口以及5G网络通信接口;RS-485通信接口与串行通信电路连接,以太网通信接口与以太网通信电路连接,5G网络通信接口与移动网络通信电路连接;两个以上采集器通过串行通信电路并联接入RS-485总线通信网络、通过以太网通信电路并联接入以太网总线通信网络、通过移动网络通信电路并联接入5G通信网络。
进一步的,该实施例还提供了一种基于边缘计算的多参量同步动态信号采集方法,包括:
S1:信号处理电路通过运行信号采集通道获取设备运行信号,转速信号采集通道获取设备实时转速,获取内部采集定时触发信号,通过动态信号采集管理调度同步动态信号采集,处理同步动态信号采集数据并得到特征数据。
具体的,对采集到的同步动态信号进行预处理,降低噪声和突发干扰的影响,保留关键的特征信息,相关计算公式如下:
式中,y(t)为滤波后的信号;x(t)为原始输入同步动态信号;N为滞后阶数。
通过连续小波变换进行时频分析,将信号从时域转换到时频域,提取主频率、频谱带宽和方差,相关计算公式如下:
fm=arg maxf|X(f)|
式中,C(t)为连续小波变换结果;s为尺度参数,控制小波函数的宽度;ψ为平移参数,控制小波函数在时间上的平移;τ为小波函数的共轭;fm为信号中具有最大幅度的频率成分;X(f)为信号的频谱;σ2为方差;N1为样本数量;xi为第i个样本值;μ为样本均值。
使用互信息技术选择最相关的特征,集中关注最重要的特征,使用异常检测模型检测信号中的异常或故障,识别与正常操作不符的信号模式,相关计算公式如下:
L(x,x′)=||x-x′||2
式中,I(X;Y)为互信息,即两个随机变量之间的关联程度;p(x,y)为联合概率分布函数;p(x)和p(y)为边缘概率分布函数;L(x,x′)为重构误差;x为原始输入数据;x′为重构的输出数据。
S2:通过3种协议的通信电路向对应协议的通信网络提供特征数据,通过以太网通信电路和5G通信电路向对应协议的通信网络提供同步动态信号波形数据。
S3:根据特征数据与给定阈值比较,联动开关量输出接口动作,进行设备状态趋势判定。
具体的,使用向量机算法进行状态判定,相关计算公式如下:
式中,f(x)为决策函数;αi和yi为训练参数;K(xi,x)为核函数;b为引入的状态变量;
为每个状态类别训练一个独立的模型,用于将输入数据分类到相应的状态类别;对于每个输入数据点,每个模型都会输出一个置信度值,表示该数据点被分类到相应状态的概率;根据每个模型的置信度值,对于每个状态计算该状态的平均置信度值,通过对该状态的所有模型的置信度值求平均得出;选择具有最高平均置信度值的状态作为最终分类结果,将选择的设备状态输出为监测结果,告知用户当前设备的状态;当主频率在预定的正常范围内,振幅变化小于阈值,波形形状符合正常预期,任何额外的特征数据表明正常运行时,将设备状态输出为正常运行状态;当主频率接近边界值,但仍在可接受范围内,振幅变化在一定程度上增加,某些特定频率成分的出现或变化,附加的特征数据表明潜在问题时,将设备状态输出为预警状态;当主频率明显偏离正常范围,振幅剧烈波动,特定频率成分消失或显著变化,额外的特征数据明确指向故障时,将设备状态输出为故障状态。
S4:根据设备状态趋势,动态调整采集参数并反馈给定时采集状态触发信号处理电路获取内部采集定时触发信号,完成基于边缘计算的多参量同步动态信号采集。
具体的,定义目标函数,将设备状态监测中的目标函数分类准确性A或特异性S综合度量,相关计算公式如下:
F(x)=α·A+(1-α)·S
式中,TP为模型正确地将正类别样本分类为正类别,TN为模型正确地将负类别样本分类为负类别,FP为模型将负类别样本错误地分类为正类别,FN为模型将正类别样本错误地分类为负类别;F(x)为目标函数;α为一个0到1之间的权衡因子。
基于目标函数使用轮盘选择个体P(x),采用单点交叉生成新个体C(x1,x2),采用变异操作改变个体基因M(x),相关计算公式如下:
C(x1,x2)=[x1[1:k]+x2[k+1:N],x2[1:k]+x1[k+1:N]]
M(x)=x+Δx
式中,k为随机选择的交叉点;Δx为一个服从高斯分布随机扰动;通过不断迭代操作,寻找最优参数组合,以最小化目标函数。
反馈包括使用控制器将参数反馈到采集系统,控制器的输出根据误差、积分和微分项计算,其公式如下:
式中,u(t)为控制器输出,e(t)为是误差,Kp、Ki和Kd是控制增益;
进行建议值J的计算,基于当前状态M2与目标状态M1之间的误差E以及控制算法的调整规则计算得出,相关内容如下:
式中,P为比例项;It为积分项;Dt为微分项;评估建议值与当前状态之间的差异以及建议值的可行性,进行决策制定和实施参数的调整。
若建议值与当前状态之间的差异较小,可以考虑使用比例控制,即直接按照建议值调整操作;若建议值与当前状态差异较大,可能需要逐步增加或减少操作以避免系统剧烈振荡。
在执行操作后,监测操作的效果并收集反馈数据,反馈数据包括实际状态、响应时间、系统性能等信息,以评估操作是否成功,根据操作反馈和系统响应,更新之前的决策,若操作未能达到预期的效果,调整决策策略。
若建议值与当前参数接近,采用平滑的连续调整策略,逐渐将参数调整到建议值;若建议值与当前参数相差较大,采用逐步减少参数。
在参数调整期间,实时监测设备或系统的最新状态,反馈数据评估参数调整的效果,若性能未能改善则采取纠正措施。
控制算法运行在闭环控制下,实现连续的参数调整,控制系统不断地根据实时反馈信息来调整参数,维持系统在目标状态附近。
控制系统进行多次迭代和优化,确保设备或系统能够在不同工作条件下保持稳定的性能,在每次迭代中,微调控制算法的参数和重新定义目标状态进一步优化性能。
本实施例还提供一种计算机设备,适用于基于边缘计算的多参量同步动态信号采集方法的情况,包括:存储器和处理器;存储器用于存储计算机可执行指令,处理器用于执行计算机可执行指令,实现如上述实施例提出的本发明实施例所述方法的全部或部分步骤。
本实施例还提供一种存储介质,其上存储有计算机程序,计算机程序被处理器执行时,执行上述实施例的任一可选的实现方式中的方法。其中,存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static RandomAccess Memory,简称SRAM),电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(ErasableProgrammable Read OnlyMemory,简称EPROM),可编程只读存储器(Programmable Red-Only Memory,简称PROM),只读存储器(Read-OnlyMemory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
本实施例提出的存储介质与上述实施例提出的数据存储方法属于同一发明构思,未在本实施例中详尽描述的技术细节可参见上述实施例,并且本实施例与上述实施例具有相同的有益效果。
本发明有益效果为可以通过状态触发和边缘计算结果动态调整采集参数,并且实现3种协议的总线传输,为在线诊断平台提供诊断数据的同时可为控制系统提供特征数据,提升了故障发现效率,降低了网络带宽压力和云平台存储压力。
实施例2
参照表1,为本发明第二个实施例,该实施例提供了一种基于边缘计算的多参量同步动态信号采集方法,为了验证本发明的有益效果,通过经济效益计算和仿真实验进行科学论证。
表1技术特征对比表
技术特征 | 本方法 | 传统方法 |
控制策略 | 实时数据驱动,自动调整策略 | 静态规则或手工设置 |
建议值计算 | 复杂算法和优化得出建议值 | 基于简单规则的建议值计算 |
参数调整 | 根据建议值自动调整参数 | 手动或事后调整参数 |
控制性能 | 根据工作条件自动调整性能水平 | 不适应变化的工况 |
检测和修复 | 自动化故障处理和预警功能 | 有限的故障检测和修复能力 |
安全性 | 考虑安全控制和反馈机制 | 通常缺乏全面的安全性 |
管理复杂性 | 减少人工操作,简化系统管理。 | 需要更多人力和时间。 |
适应性 | 适应不同工作条件和要求。 | 通常适用于特定条件。 |
性能和效率 | 通过参数和策略优化提高效率。 | 不具备优化功能。 |
由上可知,本发明可以通过状态触发和边缘计算结果动态调整采集参数,并且实现3种协议的总线传输,为在线诊断平台提供诊断数据的同时可为控制系统提供特征数据,提升了故障发现效率,降低了网络带宽压力和云平台存储压力。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于边缘计算的多参量同步动态信号采集系统,其特征在于:包括,
运行信号输入模块、转速信号输入模块、动态信号输入模块、3种协议的通信网络以及采集器;3种协议的通信网络包括RS-485总线通信网络、以太网通信网络及5G通信网络;
所述采集器包括信号处理电路、运行信号采集通道、开关量输出电路、3种协议的通信电路及以及同步模数转换电路;
所述信号处理电路与运行信号采集通道、开关量输出电路、3种协议的通信电路及同步模数转换电路连接,信号处理电路通过运行信号采集通道与运行信号输入连接;
所述同步模数转换电路包括1路转速信号采集通道和至少2路动态信号采集通道,同步模数转换电路通过转速信号采集通道与转速信号输入连接,通过动态信号采集通道与动态信号输入连接。
2.如权利要求1所述的基于边缘计算的多参量同步动态信号采集系统,其特征在于:3种协议的通信电路包括串行通信电路、以太网通信电路及移动网络通信电路,RS-485通信接口、以太网通信接口以及5G网络通信接口;RS-485通信接口与串行通信电路连接,以太网通信接口与以太网通信电路连接,5G网络通信接口与移动网络通信电路连接;
两个以上采集器通过串行通信电路并联接入RS-485总线通信网络、通过以太网通信电路并联接入以太网总线通信网络、通过移动网络通信电路并联接入5G通信网络。
3.一种基于边缘计算的多参量同步动态信号采集方法,基于权利要求1或2所述的基于边缘计算的多参量同步动态信号采集系统,其特征在于:
信号处理电路通过运行信号采集通道获取设备运行信号,转速信号采集通道获取设备实时转速,获取内部采集定时触发信号,通过动态信号采集管理调度同步动态信号采集,处理同步动态信号采集数据并得到特征数据;
通过3种协议的通信电路向对应协议的通信网络提供特征数据,通过以太网通信电路和5G通信电路向对应协议的通信网络提供同步动态信号波形数据;根据特征数据与给定阈值比较,联动开关量输出接口动作,进行设备状态趋势判定;
根据设备状态趋势,动态调整采集参数并反馈给定时采集状态触发信号处理电路获取内部采集定时触发信号,完成基于边缘计算的多参量同步动态信号采集。
4.如权利要求3所述的基于边缘计算的多参量同步动态信号采集方法,其特征在于:所述得到特征数据具体包括,
对采集到的同步动态信号进行预处理,降低噪声和突发干扰的影响,保留关键的特征信息,相关计算公式如下:
式中,y(t)为滤波后的信号;x(t)为原始输入同步动态信号;N为滞后阶数;
通过连续小波变换进行时频分析,将信号从时域转换到时频域,提取主频率、频谱带宽和方差,相关计算公式如下:
fm=arg maxf|X(f)|
式中,C(t)为连续小波变换结果;s为尺度参数,控制小波函数的宽度;ψ为平移参数,控制小波函数在时间上的平移;τ为小波函数的共轭;fm为信号中具有最大幅度的频率成分;X(f)为信号的频谱;σ2为方差;N1为样本数量;xi为第i个样本值;μ为样本均值;
使用互信息技术选择最相关的特征,集中关注最重要的特征,使用异常检测模型检测信号中的异常或故障,识别与正常操作不符的信号模式,相关计算公式如下:
L(x,x′)=||x-x′||2
式中,I(X;Y)为互信息,即两个随机变量之间的关联程度;p(x,y)为联合概率分布函数;p(x)和p(y)为边缘概率分布函数;L(x,x′)为重构误差;x为原始输入数据;x′为重构的输出数据。
5.如权利要求4所述的基于边缘计算的多参量同步动态信号采集方法,其特征在于:进行设备状态趋势判定具体包括,
使用向量机算法进行状态判定,相关计算公式如下:
式中,f(x)为决策函数;αi和yi为训练参数;K(xi,x)为核函数;b为引入的状态变量;
为每个状态类别训练一个独立的模型,用于将输入数据分类到相应的状态类别;
对于每个输入数据点,每个模型都会输出一个置信度值,表示该数据点被分类到相应状态的概率;
根据每个模型的置信度值,对于每个状态计算该状态的平均置信度值,通过对该状态的所有模型的置信度值求平均得出;
选择具有最高平均置信度值的状态作为最终分类结果,将选择的设备状态输出为监测结果,告知用户当前设备的状态;
当主频率在预定的正常范围内,振幅变化小于阈值,波形形状符合正常预期,任何额外的特征数据表明正常运行时,将设备状态输出为正常运行状态;
当主频率接近边界值,但仍在可接受范围内,振幅变化在一定程度上增加,某些特定频率成分的出现或变化,附加的特征数据表明潜在问题时,将设备状态输出为预警状态;
当主频率明显偏离正常范围,振幅剧烈波动,特定频率成分消失或显著变化,额外的特征数据明确指向故障时,将设备状态输出为故障状态。
6.如权利要求5所述的基于边缘计算的多参量同步动态信号采集方法,其特征在于:调整采集参数具体包括,
定义目标函数,将设备状态监测中的目标函数分类准确性A或特异性S综合度量,相关计算公式如下:
F(x)=α·A+(1-α)·S
式中,TP为模型正确地将正类别样本分类为正类别,TN为模型正确地将负类别样本分类为负类别,FP为模型将负类别样本错误地分类为正类别,FN为模型将正类别样本错误地分类为负类别;F(x)为目标函数;α为一个0到1之间的权衡因子;
基于目标函数使用轮盘选择个体P(x),采用单点交叉生成新个体C(x1,x2),采用变异操作改变个体基因M(x),相关计算公式如下:
C(x1,x2)=[x1[1:k]+x2[k+1:N],x2[1:k]+x1[k+1:N]]
M(x)=x+Δx
式中,k为随机选择的交叉点;Δx为一个服从高斯分布随机扰动;
通过不断迭代操作,寻找最优参数组合,以最小化目标函数。
7.如权利要求6所述的基于边缘计算的多参量同步动态信号采集方法,其特征在于:所述反馈包括使用控制器将参数反馈到采集系统,控制器的输出根据误差、积分和微分项计算,其公式如下:
式中,u(t)为控制器输出,e(t)为是误差,Kp、Ki和Kd是控制增益;
进行建议值J的计算,基于当前状态M2与目标状态M1之间的误差E以及控制算法的调整规则计算得出,相关内容如下:
式中,P为比例项;It为积分项;Dt为微分项;
评估建议值与当前状态之间的差异以及建议值的可行性,进行决策制定和实施参数的调整;
若建议值与当前状态之间的差异较小,可以考虑使用比例控制,即直接按照建议值调整操作;若建议值与当前状态差异较大,可能需要逐步增加或减少操作以避免系统剧烈振荡。
8.如权利要求7所述的基于边缘计算的多参量同步动态信号采集方法,其特征在于:在执行操作后,监测操作的效果并收集反馈数据,反馈数据包括实际状态、响应时间、系统性能等信息,以评估操作是否成功,根据操作反馈和系统响应,更新之前的决策,若操作未能达到预期的效果,调整决策策略;
若建议值与当前参数接近,采用平滑的连续调整策略,逐渐将参数调整到建议值;若建议值与当前参数相差较大,采用逐步减少参数;
在参数调整期间,实时监测设备或系统的最新状态,反馈数据评估参数调整的效果,若性能未能改善则采取纠正措施;
控制算法运行在闭环控制下,实现连续的参数调整,控制系统不断地根据实时反馈信息来调整参数,维持系统在目标状态附近;
控制系统进行多次迭代和优化,确保设备或系统能够在不同工作条件下保持稳定的性能,在每次迭代中,微调控制算法的参数和重新定义目标状态进一步优化性能。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于:所述处理器执行所述计算机程序时实现权利要求3~8任一所述基于边缘计算的多参量同步动态信号采集方法的步骤。
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:所述计算机程序被处理器执行时实现权利要求3~8任一所述基于边缘计算的多参量同步动态信号采集方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311363053.5A CN117666406A (zh) | 2023-10-20 | 2023-10-20 | 一种基于边缘计算的多参量同步动态信号采集方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311363053.5A CN117666406A (zh) | 2023-10-20 | 2023-10-20 | 一种基于边缘计算的多参量同步动态信号采集方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117666406A true CN117666406A (zh) | 2024-03-08 |
Family
ID=90075969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311363053.5A Pending CN117666406A (zh) | 2023-10-20 | 2023-10-20 | 一种基于边缘计算的多参量同步动态信号采集方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117666406A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118011780A (zh) * | 2024-04-08 | 2024-05-10 | 钛玛科(北京)工业科技有限公司 | 一种基于pid的锂电辊压分切机的控制方法及系统 |
-
2023
- 2023-10-20 CN CN202311363053.5A patent/CN117666406A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118011780A (zh) * | 2024-04-08 | 2024-05-10 | 钛玛科(北京)工业科技有限公司 | 一种基于pid的锂电辊压分切机的控制方法及系统 |
CN118011780B (zh) * | 2024-04-08 | 2024-06-11 | 钛玛科(北京)工业科技有限公司 | 一种基于pid的锂电辊压分切机的控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111562358B (zh) | 基于联合模型的变压器油中气体含量预测方法及系统 | |
CN117057517B (zh) | 基于数字孪生的电力数据高效处理方法及系统 | |
CN109213121B (zh) | 一种风机制动系统卡缸故障诊断方法 | |
CN110956220A (zh) | 一种非侵入式家用电器负荷识别方法 | |
CN110929918A (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
CN117666406A (zh) | 一种基于边缘计算的多参量同步动态信号采集方法及系统 | |
CN107992665B (zh) | 一种特高压换流站交流滤波器在线故障诊断分析方法 | |
CN110362045B (zh) | 一种考虑海洋气象因素的海上双馈风电机组故障判别方法 | |
CN111860692A (zh) | 一种基于K-mediod的物联网环境下的异常数据检测方法 | |
CN111508517A (zh) | 一种基于噪声特征的微电机智能品控方法 | |
CN109635430B (zh) | 电网输电线路暂态信号监测方法和系统 | |
CN110084301B (zh) | 一种基于隐马尔可夫模型的多工况过程工况辨识方法 | |
CN111600878A (zh) | 一种基于maf-adm的低速率拒绝服务攻击检测方法 | |
CN110966731B (zh) | 调节工作参数的方法 | |
CN116991947B (zh) | 一种自动化数据同步方法及系统 | |
CN114298136A (zh) | 一种基于局域均值分解和深度学习神经网络的风速预测方法 | |
CN114139638A (zh) | 一种考虑多变量相关性的风机叶片覆冰故障诊断方法 | |
CN111127242A (zh) | 一种基于小样本数据的电力系统可靠性动态实时评估方法 | |
CN111623905B (zh) | 风电机组轴承温度预警方法及装置 | |
CN116975544A (zh) | 基于armax模型的电力系统惯量在线辨识系统与方法 | |
CN113885371B (zh) | 一种基于健康状态数据的混合变量过程监测方法 | |
CN115659323A (zh) | 一种基于信息熵理论结合卷积神经网络的入侵检测方法 | |
CN114358160A (zh) | 一种电力系统中的数据异常检测方法 | |
CN114818827A (zh) | 基于seq2point网络的非侵入式负荷分解方法 | |
CN115184734A (zh) | 一种电网线路故障检测方法和系统 |
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 |