传感器异常位移监测方法和系统与流程

本发明涉及传感器监控测量技术领域，尤其涉及一种传感器异常位移监测方法和系统。

背景技术：

当前传感器在工业环境中大量应用，但传感器本身的安装固定受到了很多工业现场环境的限制，常出现传感器掉落或者松动等异常位移情况，当前的传感器都是监控对应的设备或者物体，而不能监控传感器本身的掉落或松动等异常位移变化情况。

技术实现要素：

本发明实施例提供一种传感器异常位移监测方法和系统，通过对采集的传感器加速度数据进行预处理，并通过数据采集监控计算机分析显示传感器的现场状态，使传感器能够监控自身的位移是否正常。

本发明实施例第一方面提供了一种传感器异常位移监测方法，可包括：

采集传感器在当前三维坐标系中的加速度信息；

对加速度信息进行预处理；

基于机器学习算法对预处理后的加速度信息进行学习判定，监测传感器当前的位移数据。

进一步的，在对加速度信息进行预处理时，上述方法还包括：

滤除加速度信息中的噪点信息；

将滤波处理后的加速度信息由模拟数据转化为数字加速度信息；

计算数字加速度信息在当前三维坐标系的xyz三方向上的分布坐标。

进一步的，在基于机器学习算法对预处理后的加速度信息进行学习判定，监测传感器当前的位移数据时，上述方法还包括：

根据分布坐标计算数字加速度信息在当前三维坐标系的xyz三方向上的坐标均值；

将坐标均值作为基线坐标值进行自适应学习匹配，根据学习匹配的结果确定传感器在xyz三方向上的位移数据是否异常。

进一步的，在将坐标均值作为基线坐标值进行自适应学习匹配，根据学习匹配的结果确定传感器在xyz三方向上的位移数据是否异常时，上述方法还包括：

将坐标均值作为基线坐标值；

采用ai智能学习判定基线坐标值是否为异常坐标值；

当判定的结果为是时，基于异常坐标值进行异常状态匹配，确定异常坐标值的异常状态。

进一步的，上述方法还包括：

对异常状态进行异常学习，并将异常状态存储之本地缓存。

进一步的，上述方法还包括：

当未匹配到异常状态时，基于预设时间间隔再次进行异常状态匹配。

进一步的，上述方法还包括：

当位移数据为异常位移时，输出异常告警信息。

本发明实施例第二方面提供了一种传感器异常位移监测系统，可包括：

信息采集装置，用于采集传感器在当前三维坐标系中的加速度信息；

数据预处理装置，用于对加速度信息进行预处理；

数据监控服务器，用于基于机器学习算法对预处理后的加速度信息进行学习判定，监测传感器当前的位移数据。

进一步的，数据预处理装置包括，滤波电路和微处理器；

滤波电路，用于滤除加速度信息中的噪点信息；

微处理器，用于将滤波处理后的加速度信息由模拟数据转化为数字加速度信息；

微处理器，还用于计算数字加速度信息在当前三维坐标系的xyz三方向上的分布坐标。

进一步的，数据预处理装置还包括，无线通讯模块，用于基于无线通讯的方式传输上述微处理器的输出信息。

进一步的，当上述无线通讯的通讯协议为zigbee通信协议时，上述系统还包括：无线传输中继，用于对上述输出信息进行中继传输。

进一步的，上述数据监控服务器包括均值计算模块和异常判断模块；

均值计算模块，用于根据分布坐标计算数字加速度信息在当前三维坐标系的xyz三方向上的坐标均值；

异常判断模块，用于将坐标均值作为基线坐标值进行自适应学习匹配，根据学习匹配的结果确定传感器在xyz三方向上的位移数据是否异常。

进一步的，上述异常判断模块包括基线坐标确定单元，坐标异常判定单元，异常状态匹配单元；

基线坐标确定单元，用于将坐标均值作为基线坐标值；

坐标异常判定单元，用于采用ai智能学习判定基线坐标值是否为异常坐标值；

异常状态匹配单元，用于当判定的结果为是时，基于异常坐标值进行异常状态匹配，确定异常坐标值的异常状态。

进一步的，上述系统还包括：

异常处理装置，用于对异常状态进行异常学习，并将异常状态存储之本地缓存。

进一步的，上述系统还包括：

异常状态匹配单元，还用于当未匹配到异常状态时，基于预设时间间隔再次进行异常状态匹配。

进一步的，上述系统还包括：

告警输出装置，用于当位移数据为异常位移时，输出异常告警信息。

在本发明实施例中，通过对采集的传感器加速度数据进行预处理，并通过数据采集监控计算机分析显示传感器的现场状态，填补了传感器本身监测领域实际应用的空白，通过智能分析xyz三个方向的均值作为基线坐标值进行自适应学习匹配，具有较好的抗干扰能力和环境适应能力，提高了监测传感器位移的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。

图1是本发明实施例提供的一种传感器异常位移监测方法的流程示意图；

图2是本发明实施例提供的微处理器及其周边电路结构示意图；

图3是本发明实施例提供的加速度信号滤波电路结构示意图；

图4是本发明实施例提供的无线通信模块及其周边电路结构示意图；

图5是本发明实施例提供的数据采集监控计算机的数据处理流程示意图；

图6是本发明实施例提供的一种传感器异常位移监测系统的结构示意图；

图7是本发明实施例提供的数据预处理装置的结构示意图；

图8是本发明实施例提供的数据监控服务器的结构示意图；

图9是本发明实施例提供的异常判断模块的结构示意图；

图10是本发明实施例提供的另一种传感器异常位移监测系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

本发明实施例提供的传感器异常位移监测方法可以应用于传感器监测自身位移是否正常的应用场景中。

下面将结合附图1-附图5，对本发明实施例提供的传感器异常位移监测方法进行详细介绍。

请参见图1，为本发明实施例提供了一种传感器异常位移监测方法的流程示意图。如图1所示，本发明实施例的所述方法可以包括以下步骤s101-步骤s103。

s101，采集传感器在当前三维坐标系中的加速度信息。

具体的，上述系统可以基于三轴加速度传感器芯片采集传感器在当前三维坐标系中的加速度信息，该信息可以是三维坐标系xyz三个方向的加速度信息。上述三轴加速度传感器芯片可以测量空间xyz方向的加速度信息，测量范围±16g，加速度信号带宽可通过配置电容进行设定，xy轴加速度信号从0.5hz到1600hz可调，z轴加速度信号从0.5hz到550hz可调。

s102，对加速度信息进行预处理。

可以理解的是，上述预处理可以包括滤波处理、a/d转换以及智能分析等处理过程。可选的，上述系统可以基于滤波电路滤除加速度信息中的噪点信息，进一步的，可以采用微处理器将去除噪点信息后的加速度信息由模拟数据转化为数字加速度信息，方便后续计算机的处理。可选的，上述系统还可以采用上述微处理器计算上述数字加速度信息在当前三维坐标系的xyz三方向上的分布坐标。

可以理解的是，上述微处理器可以采用最新超低功耗的stm32l432kbkcu6芯片，32位risc指令控制器,最大工作频率80mhz,片内集成10路12位a/d转换器，支持多种电源管理模式，上述微处理器的周边电路如图2所示。微处理器在预设指令下，控制三轴加速度传感器芯片、滤波电路、无线通信模块工作，完成对传感器端传来的数据进行转换处理和分析工作，并按照指定格式对数据进行编码，控制无线通信模块将数据发送出去。

可选的，上述滤波电路可以如图3所示，三轴加速度传感器芯片输出的信号经过由ad8629armz芯片组成的滤波电路进行信号处理，然后将处理后的信息传递给微处理器。传感器在微处理器的控制下，开始测量处理加速度信号信息，加速度信号经信号放大电路后，以电压形式传输到微处理器进行a/d转换和数据分析处理。

在可选实施例中，上述系统可以将预处理后的加速度信息传输至数据监控服务器即数据采集监控计算机，可以采用无线通信模块输出上述信息。可选的，当系统采用zigbee通信协议时，上述系统可以采用无线中继对预处理后的加速度信息进行中继传输。可选的，当系统采用wifi或者其他无线通讯协议时，可以无需进行中继转发。

需要说明的是，上述无线通信模块的电路布局可以如图4所示，工作频率为2.405ghz～2.485ghz，zigbee通信协议，无线发射功率+20dbm，外接天线无遮挡情况下可传输2000m。模块化设计，带pcb天线，也可外接天线。通过spi串行总线与微处理器连接。

上述中继器可以由防爆外壳、电源模块、无线通信模块、232转以太网模块构成，支持多个无线振动温度传感器连接，可设置固定局域网ip，向固定ip地址发送数据。中继器安装在振动温度传感器视距范围内(无遮挡情况下100m距离内)，无线振动温度传感器采集到振动信息、温度信息、电池电量、信号强度信息，通过无线发送出来，中继器接收到数据转发至以太网，传输到服务器进行存储。

s103，基于机器学习算法对预处理后的加速度信息进行学习判定，监测传感器当前的位移数据。

可以理解的是，上述系统可以根据上述分布坐标计算数字加速度信息在当前三维坐标系的xyz三方向上的坐标均值，进一步的，可以将坐标均值作为基线坐标值进行自适应学习匹配，根据学习匹配的结果确定传感器在xyz三方向上的位移数据是否异常。

在可选实施例中，上述系统可以采用ai智能学习判定基线坐标值是否为异常坐标值，进一步的，当上述判定的结果为否时，可以认为传感器处于正常状态，上述系统可以学习并存储该次正常经验；当上述判定的结果为是时，可以认为传感器处于异常状态，上述系统可以基于异常坐标值进行异常状态匹配，确定异常坐标值的异常状态。可选的，上述异常状态匹配也可以确定上述异常状态所属的异常类型。

在可选实施例中，当上述异常状态的类型为新的类型时，上述系统可以对该异常状态进行异常学习，并将其存储之本地缓存。通过不断存储新的异常类型的异常状态，可以丰富异常库存，提高后续匹配出异常状态的概率。

在可选实施例中，当未匹配到上述异常状态时，上述系统可以在预设时间间隔后再次进行异常状态匹配。并可以根据此次的匹配结果确定是否存在误报。可选的，当存在误报时，上述系统可以提示需要人工核实，当不存在误报即传感器真的处于异常状态上述位移数据为异常位移时，上述系统可以输出异常告警信息。可以理解的是，上述预设时间间隔可以是此次信号数据处理的时刻与下次信号数据处理时刻间的时间段，其中，信号数据可以是上述加速度信息。

需要说明的是，上述基于机器学习算法分析传感器异常位移的过程可以在上述监测系统的前端即传感器终端中实现，也可以在监测系统的后端即监控计算机中实现，无论何种实现方式都在本发明实施例的保护范围内。

在本发明实施例中，通过对采集的传感器加速度数据进行预处理，并通过数据采集监控计算机分析显示传感器的现场状态，填补了传感器本身监测领域实际应用的空白，通过智能分析xyz三个方向的均值作为基线坐标值进行自适应学习匹配，具有较好的抗干扰能力和环境适应能力，提高了监测传感器位移的准确性。

在本发明实施例的一种具体实现方式中，采用机器学习算法对预处理后的加速度信息进行学习判定，监测传感器当前的位移数据的实现过程可以如图5所示：

s201，信号数据初始过滤。

可以理解的是，该信号数据可以是上述加速度信息，上述初始过滤可以基于传感器终端中的滤波电路完成。

s202，求取信号数据均值作为基线。

s203，进行ai智能学习判定。

s204，异常状态大数据匹配。

s205，学习并存储该次正常经验。

s206，等待下次信号数据处理。

s207，异常学习并存储。

s208，提示需要人工核实。

s209，确认传感器脱落或松动，并报警提示。

需要说明的是，上述详细的处理过程可以参见上述方法实施例中的具体描述，此处不再赘述。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

下面将结合附图6-附图10，对本发明实施例提供的传感器异常位移监测系统进行详细介绍。需要说明的是，附图6-附图10所示的监测系统，用于执行本发明图1-图5所示实施例的方法，为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明图1-图5所示的实施例。

请参见图6，为本发明实施例提供了一种传感器异常位移监测系统的结构示意图。如图6所示，本发明实施例的监测系统1可以包括：信息采集装置11、数据预处理装置12、数据监控服务器13、异常处理装置14和告警输出装置15。其中，上述数据预处理装置12可以如图7所示，包括：滤波电路121和微处理器122。上述数据监控服务器13可以如图8所示，包括：均值计算模块131和异常判断模块132。进一步的，上述异常判断模块132可以如图9所示，包括：基线坐标确定单元1321、坐标异常判定单元1322和异常状态匹配单元1323。

信息采集装置11，用于采集传感器在当前三维坐标系中的加速度信息。

具体实现中，信息采集装置11可以是三轴加速度传感器芯片，可以采集传感器在当前三维坐标系中的加速度信息，该信息可以是三维坐标系xyz三个方向的加速度信息。上述三轴加速度传感器芯片可以测量空间xyz方向的加速度信息，测量范围±16g，加速度信号带宽可通过配置电容进行设定，xy轴加速度信号从0.5hz到1600hz可调，z轴加速度信号从0.5hz到550hz可调。

数据预处理装置12，用于对加速度信息进行预处理。

可以理解的是，上述预处理可以包括滤波处理、a/d转换以及智能分析等处理过程。可选的，上述系统1可以基于滤波电路121滤除加速度信息中的噪点信息，进一步的，可以采用微处理器122将去除噪点信息后的加速度信息由模拟数据转化为数字加速度信息，方便后续计算机的处理。可选的，上述系统1还可以采用上述微处理器122计算上述数字加速度信息在当前三维坐标系的xyz三方向上的分布坐标。

可以理解的是，上述微处理器122可以采用最新超低功耗的stm32l432kbkcu6芯片，32位risc指令控制器,最大工作频率80mhz,片内集成10路12位a/d转换器，支持多种电源管理模式，上述微处理器122的周边电路如图2所示。微处理器122在预设指令下，控制三轴加速度传感器芯片、滤波电路、无线通信模块工作，完成对传感器端传来的数据进行转换处理和分析工作，并按照指定格式对数据进行编码，控制无线通信模块将数据发送出去。

可选的，上述滤波电路121可以如图3所示，三轴加速度传感器芯片输出的信号经过由ad8629armz芯片组成的滤波电路进行信号处理，然后将处理后的信息传递给微处理器122。传感器在微处理器122的控制下，开始测量处理加速度信号信息，加速度信号经信号放大电路后，以电压形式传输到微处理器进行a/d转换和数据分析处理。

在可选实施例中，上述系统1可以将预处理后的加速度信息传输至数据监控服务器13即数据采集监控计算机，可以采用无线通信模块输出上述信息。可选的，当系统采用zigbee通信协议时，上述系统可以采用无线中继对预处理后的加速度信息进行中继传输。可选的，当系统采用wifi或者其他无线通讯协议时，可以无需进行中继转发。

需要说明的是，上述无线通信模块的电路布局可以如图4所示，工作频率为2.405ghz～2.485ghz，zigbee通信协议，无线发射功率+20dbm，外接天线无遮挡情况下可传输2000m。模块化设计，带pcb天线，也可外接天线。通过spi串行总线与微处理器122连接。

上述中继器可以由防爆外壳、电源模块、无线通信模块、232转以太网模块构成，支持多个无线振动温度传感器连接，可设置固定局域网ip，向固定ip地址发送数据。中继器安装在振动温度传感器视距范围内(无遮挡情况下100m距离内)，无线振动温度传感器采集到振动信息、温度信息、电池电量、信号强度信息，通过无线发送出来，中继器接收到数据转发至以太网，传输到服务器进行存储。

数据监控服务器13，用于基于机器学习算法对预处理后的加速度信息进行学习判定，监测传感器当前的位移数据。

可以理解的是，均值计算模块131可以根据上述分布坐标计算数字加速度信息在当前三维坐标系的xyz三方向上的坐标均值，进一步的，基线坐标确定单元1321可以将坐标均值作为基线坐标值，异常判断模块132可以进行自适应学习匹配，根据学习匹配的结果确定传感器在xyz三方向上的位移数据是否异常。

在可选实施例中，坐标异常判定单元1322可以采用ai智能学习判定基线坐标值是否为异常坐标值，进一步的，当上述判定的结果为否时，可以认为传感器处于正常状态，上述系统1可以学习并存储该次正常经验；当上述判定的结果为是时，可以认为传感器处于异常状态，异常状态匹配单元1323可以基于异常坐标值进行异常状态匹配，确定异常坐标值的异常状态。可选的，上述异常状态匹配也可以确定上述异常状态所属的异常类型。

在可选实施例中，当上述异常状态的类型为新的类型时，异常处理装置14可以对该异常状态进行异常学习，并将其存储之本地缓存。通过不断存储新的异常类型的异常状态，可以丰富异常库存，提高后续匹配出异常状态的概率。

在可选实施例中，当未匹配到上述异常状态时，异常状态匹配单元1323可以在预设时间间隔后再次进行异常状态匹配。并可以根据此次的匹配结果确定是否存在误报。可选的，当存在误报时，上述系统1可以提示需要人工核实，当不存在误报即传感器真的处于异常状态上述位移数据为异常位移时，告警输出装置15可以输出异常告警信息。可以理解的是，上述预设时间间隔可以是此次信号数据处理的时刻与下次信号数据处理时刻间的时间段，其中，信号数据可以是上述加速度信息。

需要说明的是，上述基于机器学习算法分析传感器异常位移的过程可以在上述监测系统1的前端即传感器终端中实现，也可以在监测系统1的后端即数据监控服务器13(监控计算机)中实现，无论何种实现方式都在本发明实施例的保护范围内。

在本发明实施例中，通过对采集的传感器加速度数据进行预处理，并通过数据采集监控计算机分析显示传感器的现场状态，填补了传感器本身监测领域实际应用的空白，通过智能分析xyz三个方向的均值作为基线坐标值进行自适应学习匹配，具有较好的抗干扰能力和环境适应能力，提高了监测传感器位移的准确性。

在本发明实施例的另一种实现方式中，上述监测系统2如图10所示可以包括：三轴加速度传感器芯片21、滤波电路22、微处理器23、无线通信模块24、中继器25和数据采集监控计算机26。该系统各元器件的实现过程可以参见上述系统实施例中的具体描述一致，此处不再赘述。

在本发明实施例中，通过对采集的传感器加速度数据进行预处理，并通过数据采集监控计算机分析显示传感器的现场状态，填补了传感器本身监测领域实际应用的空白，通过智能分析xyz三个方向的均值作为基线坐标值进行自适应学习匹配，具有较好的抗干扰能力和环境适应能力，提高了监测传感器位移的准确性。

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，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，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、只读存储记忆体(read-onlymemory，rom)或随机存储记忆体(randomaccessmemory，ram)等。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。