一种嵌入式智能化机电设备状态监测系统的制作方法

本发明涉及工业过程监测与仪器仪表领域，尤其是涉及面向一种嵌入式智能化机电设备状态监测系统设计实现方法。

背景技术：

工业设备的实时状态监控是保证设备安全运转、生产正常进行的关键因素之一。随着工业生产规模的不断扩大，众多设备协同工作，衍生诸多复杂工况，因此工业监控系统的智能化问题就显得越来越突出。工业设备监控系统对其可靠性、稳定性要求较高，若监控对象为大型关键机电设备，在满足上述要求的同时，系统需要具备音频/视频等批量数据的实时传输能力；在某些特殊情况下，还需实现对监控目标的远程在线操作与控制。因此，针对不同的目标设备，采用统一的监控参数标准，提供统一的智能仪表接口，建立起具备自适应能力的智能化机电设备状态监测系统，就显得十分迫切和必要。随着嵌入式技术、计算机与网络技术的发展，上述目标的实现已成为可能。

嵌入式技术是计算机技术的一个分支，其实时、稳定高效及低功耗的特点非常适于在工控领域应用。目前基于先进精简指令机(Advanced RISC Machine,ARM)和数字信号处理器(Digital Signal Processor,DSP)的数据采集分析系统方面的研究已经比较成熟。上述嵌入式微处理器中一般可集成多路模数转换(A/D)模块、液晶显示(Liquid Crystal Display,LCD)驱动模块、传输控制/互联协议(Transmission Control Protocol/Internet Protocol,TCP/IP)通讯驱动模块等，能够承载复杂的软件系统以及通信协议。只要建立通用的数据采集与存储标准，就完全能够以嵌入式系统为核心，针对目标设备构建出具有网络通讯功能的状态监控网络的底层结构单元。该结构单元把目标设备上传感器测量的信号按照统一标准格式打包，上传给网络接口。所以尽管各种待监测设备都不一样，但底层结构单元通信接口却是一样的，具有通用性和互换性。

因此，实现上述目标的关键问题就是在嵌入式环境下，如何设计一种数据采集/存储及其分析识别方法，满足工业设备实时监控的通用性与自适应能力，以克服当前工业设备状态监控系统存在的功能单一、智能化水平较低、兼容性差、实时性不强等问题。

技术实现要素：

为了解决当前工业设备监控系统存在的功能集成能力较弱、兼容性较差、运行效率较低、适用性较差的不足，本发明提供一种功能集成能力较弱强、兼容性较好、运行效率较高、适用性良好的嵌入式智能化机电设备状态监测系统。

本发明解决其技术问题所采用的技术方案是：

一种嵌入式智能化机电设备状态监测系统，包括物理层元数据支撑模块、系统知识管理维护模块、系统知识推理识别模块与系统交互会话模块。

所述的物理层元数据支撑模块，采用构件化软件设计方法，划分为3个功能构件：实时数据采集构件RDC²、预处理与特征提取构件PCEC和监测数据存储查询构件DSAC，所述的实时数据采集构件RDC²基于FORK并发进程处理方法实现对目标设备物理信号的多道并行采集，按照既定的数据传输协议对采集的实时数据进行分割、封装，形成统一的数据分组，然后将封装的数据分组发送至预处理与特征提取构件PCEC；所述的预处理与特征提取构件PCEC接收监测数据存储查询构件DSAC上传的数据分组，将其解析重组后，进行限幅消抖滤波、加权递推平均滤波、一阶滞后滤波、金字塔压缩预处理操作，通过粗糙集方法对不同数据量、格式的数据信号进行融合处理，形成标准的规格化数据分组，然后通过特征提取算法提取目标设备的运行状态特征信号；所述的监测数据存储查询构件DSAC为面向嵌入式智能化机电设备状态监测的主体数据库，基于数据管理系统第三范式建立，采用优先级轮转模式进行目标记录的循环扫描，实现对实时数据分组、预处理数据、特征数据的存储、查询、更新和维护；

所述的系统知识管理维护模块，采用构件化软件设计方法，划分为2个功能构件：对象实例管理子构件OIMC和监测知识规则管理子构件KRMC，所述的对象实例管理子构件OIMC基于面向对象设计方法，支持类继承、类模板重载、虚基类，实现对嵌入式智能化机电设备状态监测系统所涉及的各个对象进行类定义，并根据不同的监控对象需求生成具体实例；在此基础上，基于优先二叉树遍历算法，实现系统在推理过程中对数据对象的快速、准确查找；所述的监测知识规则管理子构件KRMC采用矩阵知识点管理方法，负责知识规则的添加、编辑以及删除；所述的矩阵知识点管理是指将每个监测判断知识规则给予两重属性，即领域知识与系统知识；所有知识点形成面向嵌入式智能化机电设备状态监测的知识点矩阵，根据具体监测需求对所需知识点进行检索、调用；

所述的系统知识推理识别模块为面向嵌入式智能化机电设备状态监测系统的功能主体，同样采用构件化软件设计方法，划分为3个功能构件：知识推理机构件KIEC、对象本体管理构件O²MC和规则聚类学习构件RCSC，所述的知识推理机构件KIEC采用规则与数据分别存储管理框架，细分为2个子构件：状态监测与识别子构件SMRC与推理知识维护子构件IKMC，状态监测与识别子构件SMRC根据不同的监控需求，接收预处理与特征提取构件PCEC上传的目标设备特征数据分组，根据推理知识维护子构件IKMC中所提供的判断规则与监测算法进行系统推理与识别；对象本体管理构件O²MC对目标设备、上下游设备及其配套装置与仪器进行抽象类定义，并根据具体监测任务生成应用实例，构件具有则将监测目标系统进行定义后，形成具备OOD功能且较好可控性的监测目标本体实例，并为推理知识维护子构件IKMC提供可视化操作方法接口；规则聚类学习构件RCSC是系统工作有效性的重要保障构件，以RDC²提供的目标设备实时物理信号、DSAC提供的目标设备历史信号或者PCEC提供的目标设备特征信号为对象，针对不同的监控功能需求与置信度水平，通过有导师或者无导师知识学习算法进行逐步聚类计算；

所述的系统交互会话模块，分为3个功能构件：系统管理构件SMC、监测建议与措施构件MAMC和用户会话处理构件USPC，系统管理构件SMC为用户提供系统管理应用程序接口，实现系统的启动/停止、工作模式转换、工作参数设置、目标设备选择、目标本体实例管理和推理知识规则维护；、监测建议与措施构件MAMC为系统交互会话模块的核心，根据SRMC提供的识别结果，为提出请求的用户提供监测状态列表、推理过程列表、操作指导建议列表，以及上述列表数据记录所对应的置信度数据，最终形成监测任务日志文件；用户会话处理构件USPC为用户提供可视化会话窗口与操作提示。

进一步，所述物理层元数据支撑模块中，采用多道实时数据采集与数据处理分离结构，通过数据融合处理方法实现不同性质类型数据的统一处理。

再进一步，所述的多道实时数据采集与数据处理分离结构，采用嵌入式三处理器硬件构架，分别运行对应的3个功能构件：RDC²、PCEC、DSAC，实现数据采集、预处理、在线存储的并行处理。

更进一步，所述的数据融合处理方法，包含以下处理步骤：①对目标设备物理信号进行分类定义，批量数据为视频、音频、高频振动和高频脉冲，快变数据为低频振动、低频脉冲、脉动压力、交变电压/电流和感应磁场/电势，缓变数据为温度、静压、流量，开关数据为通断信号、高低电平；②RDC²根据批量数据规格进行数据分组封装，预留处理空间；③PCEC采用模糊集方法进行滤波、填充、插补处理，形成统一规格的数据分组上传至系统知识推理识别模块，并复制数据记录，存入DSAC。

所述的系统知识推理识别模块中，知识推理机构件KIEC采用C语言产生式规则系统CLIPS规则判断与人工神经网络ANN进行信息融合的方法进行目标设备的推理与判断，包含以下处理步骤：①通过模糊集与ANN相结合，构成模糊ANN状态监控分类器，并将模糊处理传递至ANN各层；②利用来自PCEC的目标状态特征数据作为模糊ANN分类器的输入，通过置信度函数获得分类器输出，输出为相应目标设备状态的置信度值；③将分类器获得的目标状态置信度与CLIPS规则相匹配，得到第一轮匹配结果；④若匹配结果置信度达到或者超过预设的置信阈值，则可以直接得到目标状态识别结果；⑤若匹配结果不满足预设要求，则返回至步骤②，重新进行分类、匹配计算，直到满足预设置信度为止。

本发明的技术构思为：包含3个逻辑功能子系统：多道并行实时数据采集子系统、嵌入式智能识别子系统、嵌入式智能知识处理子系统。

所述的多道并行实时数据采集子系统，可支持多个传感通道同时采集目标设备物理信号，并对不同性质类型数据进行预处理、融合与封装，为嵌入式智能化机电设备状态监测系统提供稳定、可靠的元数据分组；所述的嵌入式智能识别子系统，基于自适应规则匹配与自主学习方法，实现对目标设备工作状态的在线识别，并给出识别置信度；所述的嵌入式智能知识处理子系统，基于知识点串联机制与优化算法，实现对智能化机电设备状态监测系统所涉及知识规则的动态更新与优化，提高监测系统的工作实时性与判断正确率。针对上述3个逻辑功能子系统，本发明所涉及的嵌入式智能化机电设备状态监测系统可分为4个实体功能模块：物理层元数据支撑模块、系统知识管理维护模块、系统知识推理识别模块与系统交互会话模块。

本发明的有益效果主要表现在：

1)构件化系统设计，功能集成能力强，兼容性好，易于进行用户定制设计与二次开发；

2)数据采集、存储、分析、判断分离化设计，使系统能够获得较高的运行效率；

3)具有数据融合功能的实时数据采集构件，能够融合不同种类、性质、数据量的物理信号，提高了系统的工业适用性；

4)产生式规则推理与模糊神经网络相结合的判断推理方法，使得系统推理的有效性得到保证。

附图说明

图1是系统功能构架示意图；

图2是系统构件组成与内部信息交互示意图；

图3是系统推理识别流程图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图3，一种嵌入式智能化机电设备状态监测系统，包括物理层元数据支撑模块、系统知识管理维护模块、系统知识推理识别模块与系统交互会话模块，如附图1所示。

物理层元数据支撑模块，采用构件化软件设计方法，可划分为3个功能构件：实时数据采集构件(RDC²)、预处理与特征提取构件(PCEC)、监测数据存储查询构件(DSAC)，如附图2所示。上述构架所涉及的RDC²基于FORK并发进程处理方法，产生新的处理任务，实现对目标设备物理信号的多道并行采集，按照既定的数据传输协议对采集的实时数据进行分割、封装，形成统一的数据分组，然后将封装的数据分组发送至PCEC。PCEC接收DSAC上传的数据分组，将其解析重组后，进行限幅消抖滤波、加权递推平均滤波、一阶滞后滤波、金字塔压缩等预处理操作，通过粗糙集方法对不同数据量、格式的数据信号进行融合处理，形成标准的规格化数据分组，然后通过特征提取算法提取目标设备的运行状态特征信号。DSAC为面向嵌入式智能化机电设备状态监测的主体数据库，基于数据管理系统第三范式建立，采用优先级轮转模式进行目标记录的循环扫描，实现对实时数据分组、预处理数据、特征数据的存储、查询、更新、维护。

系统知识管理维护模块，采用构件化软件设计方法，可划分为2个功能构件：对象实例管理子构件(OIMC)、监测知识规则管理子构件(KRMC)，如附图2所示。上述构架所涉及的OIMC基于面向对象设计(OOD)方法，支持类继承、类模板重载、虚基类，实现对嵌入式智能化机电设备状态监测系统所涉及的各个对象进行类定义，并根据不同的监控对象需求生成具体实例；在此基础上，基于优先二叉树遍历算法，实现系统在推理过程中对数据对象的快速、准确查找。KRMC采用矩阵知识点管理方法，负责知识规则的添加、编辑以及删除，在一定的空间内维护系统推理的准确性。所述的矩阵知识点管理是指将每个监测判断知识规则给予两重属性，即领域知识与系统知识；所有知识点形成面向嵌入式智能化机电设备状态监测的知识点矩阵，根据具体监测需求对所需知识点进行检索、调用。

系统知识推理识别模块为面向嵌入式智能化机电设备状态监测系统的功能主体，同样采用构件化软件设计方法，可划分为3个功能构件：知识推理机构件(KIEC)、对象本体管理构件(O²MC)、规则聚类学习构件(RCSC)组成，如附图2所示。上述构架所涉及的KIEC采用规则与数据分别存储管理框架，可以细分为2个子构件：状态监测与识别子构件(SMRC)与推理知识维护子构件(IKMC)。SMRC根据不同的监控需求，接收PCEC上传的目标设备特征数据分组，根据IKMC中所提供的判断规则与监测算法进行系统推理与识别。O²MC对目标设备、上下游设备及其配套装置与仪器进行抽象类定义，并根据具体监测任务生成应用实例，构件具有则将监测目标系统进行定义后，形成具备OOD功能且较好可控性的监测目标本体实例，并为IKMC提供可视化操作方法接口，提高目标本体实例在监测推理与状态识别过程中的工作柔性与操作灵活性。RCSC是系统工作有效性的重要保障构件，以RDC2提供的目标设备实时物理信号、DSAC提供的目标设备历史信号或者PCEC提供的目标设备特征信号为对象，针对不同的监控功能需求与置信度水平，通过有导师或者无导师知识学习算法进行逐步聚类计算，从而使系统推理识别的有效性得到保证。

系统交互会话模块，主要分为3个功能构件：系统管理构件(SMC)、监测建议与措施构件(MAMC)、用户会话处理构件(USPC)，如附图2所示。SMC为用户提供系统管理应用程序接口，主要实现系统的启动/停止、工作模式转换、工作参数设置、目标设备选择、目标本体实例管理、推理知识规则维护等功能。MAMC为系统交互会话模块的核心，主要根据SRMC提供的识别结果，为提出请求的用户提供监测状态列表、推理过程列表、操作指导建议列表，以及上述列表数据记录所对应的置信度数据，最终形成监测任务日志文件。USPC为用户提供可视化会话窗口与操作提示，提高系统在应用过程中的人机功效。

数据采集与预处理：RDAQS采用多道实时数据采集与数据处理分离结构，通过数据融合处理方法实现不同性质类型数据的统一处理，提高监测系统的前端工作效率。上述方案涉及的多道实时数据采集与数据处理分离结构，采用嵌入式三处理器硬件构架，分别运行对应的3个功能构件：RDC²、PCEC、DSAC，实现数据采集、预处理、在线存储的并行处理。

所述的数据融合处理方法，主要包含以下处理步骤：

①对目标设备物理信号进行分类定义，主要包含：批量数据(视频、音频、高频振动、高频脉冲)、快变数据(低频振动、低频脉冲、脉动压力、交变电压/电流、感应磁场/电势)、缓变数据(温度、静压、流量)与开关数据(通断信号、高低电平)；

②RDC²根据批量数据规格进行数据分组封装，预留处理空间；

③PCEC采用模糊集方法进行滤波、填充、插补处理，形成统一规格的数据分组上传至系统知识推理识别模块，并复制数据记录，存入DSAC。

系统推理识别：本发明采用C语言产生式规则系统(CLIPS)规则判断与人工神经网络(ANN)进行信息融合的方法进行目标设备的推理与判断，如附图3所示，主要包含以下处理步骤：

①通过模糊集与ANN相结合，构成模糊ANN状态监控分类器，并将模糊处理传递至ANN各层；

②利用来自PCEC的目标状态特征数据作为模糊ANN分类器的输入，通过置信度函数获得分类器输出，输出为相应目标设备状态的置信度值；

③将分类器获得的目标状态置信度与CLIPS规则相匹配，得到第一轮匹配结果；

④若匹配结果置信度达到或者超过预设的置信阈值，则可以直接得到目标状态识别结果；

⑤若匹配结果不满足预设要求，则返回至步骤②，重新进行分类、匹配计算，直到满足预设置信度为止。

最后，还需要注意的是，以上列举的仅是本发明的一个具体实施例。显然，本发明不限于以上实施例，还可以有许多变形。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形，均应认为是本发明的保护范围。