一种应用于高压清洗机器人的物联网数据采集分析系统的制作方法

本发明属于工业智能控制领域，特别涉及一种应用于高压清洗机器人的物联网数据采集分析系统。

背景技术：

高压水清洗是指通过高压水发生装置将水加压至数百个甚至上千个大气压以上，再通过具有细小孔径的喷射装置转换为高速的微细“水射流”形成的“水刀”切割管壁上的积垢进行清洗。高压水射流用于清洗，具有成本低、不损伤物体、不污染环境等特点。高压清洗技术作为环保高新技术已经逐渐取代污染环境的化学清洗，在制糖、轻工、食品、化工、制药、铸造、发电、石油、核电厂、水泥等行业广泛应用。

目前很多行业的高压清洗还是依靠人工清洗，有部分企业尝试利用通用机器人实现自动清洗，高压清洗机器人分2个阶段：1)找孔；2)清洗

上位机系统通过工业智能网关中的通讯模块，使用modbus协议连接plc控制器，并通过符号定义表中的plc地址，访问指定的plc地址数据。读取成功后，通过当前管束孔坐标数据库判断是否已经有坐标数据。如果没有，则进入找孔子程序，在找孔界面先人工标定基准孔坐标信息。然后，通过上位机系统通知plc启动视觉机器人根据指定的扇形，以往复的轨迹方式移动逐渐覆盖所有的管束孔区。识别行驶进过程中，使用工业摄像头进行拍照，并使用opencv识别出图片中的圆形特征并计算圆心坐标，然后圆心坐标数据保存在plc的临时地址中。上位机系统通过工业智能网关的读写模块，读取到圆心数据，并保存入上位机的圆心坐标数据库中，完成了找孔功能。

高压清洗机器人清洗时，首先从数据库中读取基准孔的坐标。然后，开始计算每个孔与基准孔的向量值，根据计算结果控制工业智能网关的通讯模块，对下位机控制结构发送x轴移动数据(方向及脉冲)到plc控制器的指定地址中，plc控制器获取到数据后，控制x轴进行有向性移动，并按照已计算出脉冲数据控制步进电机的转动角度，达到指定的行程距离，y轴方向也亦然。正常情况下x、y轴同时移动，以达到最短的行进距离，缩短移动时间。

当冲洗枪移动到指定的管束孔圆心时，上位机系统通过工业网关控制清洗下行程步进电机的脉冲数，控制枪头向下伸进3～10米的距离，后再控制清洗上行程步进电机收回冲洗枪，完成了一次清洗动作。

但高压清洗机器人的数据保存在本机的数据库中，若本机存在故障，则会造成数据的丢失等问题，同时，若清洗机器人出现相关故障，则需停机人工去检修，费时费力。

技术实现要素：

本发明的目的在于提供一种应用于高压清洗机器人的物联网数据采集分析系统，从而克服现有高压清洗机器人的相关数据容易丢失，相关作业状态等未能及时监控的缺陷。

为实现上述目的，本发明提供了一种应用于高压清洗机器人的物联网数据采集分析系统，包括：

采集单元，多个所述采集单元分别用于采集高压清洗机器人的数据参数；

智能网关，多个所述智能网关分别无线连接对应的至少一个采集单元，其中，将多个所述智能网关分别部署为一个区块链节点以组建区块链网络，每个所述区块链节点用于传输、存储采集的高压清洗机器人的数据参数；

云数据平台，其与多个所述智能网关通过互联网连接，用于收集高压清洗机器人的数据参数，其中，该数据平台还包括：

预测评估模块，用于根据采集的高压清洗机器人的数据参数训练lstm预测模型，并采用训练后的所述lstm预测模型对所述高压清洗机器人的数据参数进行故障预测。

优选的，上述技术方案中，还包括视频监控模块，用于将数据参数中视频流进行抽帧，及每帧画面对应的状态输入卷积神经网络进行训练，并采用训练后的所述卷积神经网络进行异常预测。

优选的，上述技术方案中，所述采集单元包括采集传感器、i/o接口及控制单元，所述采集传感器、i/o接口及控制单元依次连接，将所述控制单元部署为区块链网络的触手节点。

优选的，上述技术方案中，所述控制单元通过gprs/wifi/bluetooth与所述智能网关无线连接。

优选的，上述技术方案中，根据采集的高压清洗机器人的数据参数训练lstm预测模型，并采用训练后的所述lstm预测模型进行故障预测的步骤具体如下：

s1，在每个时间点采集到大量的采集高压清洗机器人的数据参数，每个数据参数的权重进行归一化处理，即α1+α2+α3+···+αn＝1；

s2，获取t时间下采集的数据参数的健康特征值：

其中，α为权重，x为数据参数的值，f(x,α)的结果即为当前采集数据的健康特征值，通过f(x,α)在不同时间点，计算出基于时间序列的设备的健康特征值数据集；

s3，根据不同时间下采集的数据参数及对应的健康特征值建立时间预测曲线；

s4，若实时采集的数据参数在某时间段内连续多次偏离所述时间预测曲线，则可认定为将出现故障问题。

优选的，上述技术方案中，所述智能网关还用于边界计算、脏数据筛选。

与现有的技术相比，本发明具有如下有益效果：

1.本发明中的应用于高压清洗机器人的物联网数据采集分析系统，采用无线传输的方式收集数据，避免复杂的布线要求，采用区块链技术存储相关数据，不易丢失，同时利用lstm预测模型对机器人故障状态进行预测，以能够快速获取故障信息，从而及时维修修复，提高工作效率。

2.本发明引入卷积神经网络对作业现场进行视频监控，能够及时作出对作业异常情况判断，已保证作业正常进行。

附图说明

图1是根据本发明物联网数据采集分析系统的结构图。

图2是根据本发明采集单元的结构图。

图3是根据本发明merkletree的结构图。

图4是根据本发明传感器可视化示意图，每一个点是时间点上采集的n个x的值根据公式计算的靶点，所以，x轴对应的是数量(固定每秒采集n个参数)，y轴是根据公式计算的靶点。

具体实施方式

下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。

如图1所示，该实施例中的应用于高压清洗机器人的物联网数据采集分析系统，包括：

采集单元，多个采集单元分别用于采集高压清洗机器人的数据参数；具体的，如图2所示，采集单元包括采集传感器、i/o接口及控制单元，采集传感器、i/o接口及控制单元依次连接。控制单元包括开源芯片、电源、电源稳定电路、无线信号稳定电路(wifi和蓝牙)及usb转换接口，该控制单元可作为远程开关机的控制设备，采集传感器包括采集周边环境参数(温度、湿度、光强)、高压清洗机器人电机温度、电机电压电流、喷洗压力等数据参数，其中，采集单元还包括采集高压清洗机器人的相关视频信息，wifi和蓝牙实现了与工业智能网关的通讯。在高压清洗机器人中，控制电机是重要的组成部分，控制电机的状态很大一部分就能够决定了整个机器人的工作状态。通过控制单元监控每个电机的工作电流、工作电压，是否在指定的运行指标中，对于电机的健康状态做全面的监控，提前做好物件的寿命预测，提前做好物料的采购等工作。

控制单元通过gprs/wifi/bluetooth与智能网关无线连接，数个甚至数百个控制单元启动后，可自行组成内部网络，该实施例中采用wifimesh组网，一组相似的设备节点开机之后自行组建网络，配置信息被写入硬件的固件中。这些节点可以同时作为ap和路由器，网络中的每个节点都可以发送和接收信号，每个节点都可以与一个或者多个对等节点进行直接通信。

这种结构的最大好处在于：如果最近的ap由于流量过大而导致拥塞的话，那么数据可以自动重新路由到一个通信流量较小的邻近节点进行传输。依此类推，数据包还可以根据网络的情况，继续路由到与之最近的下一个节点进行传输，直到到达最终目的地为止。

与传统的交换式网络相比，无线mesh网络去掉了节点之间的布线需求，但仍具有分布式网络所提供的冗余机制和重新路由功能。在无线mesh网络里，如果要添加新的设备，只需要简单地接上电源就可以了，它可以自动进行自我配置，并确定最佳的多跳传输路径。添加或移动设备时，网络能够自动发现拓扑变化，并自动调整通信路由，以获取最有效的传输路径。

本发明采用物联网控制单元通电后自动启动wifimesh，只需要指定信息达到的节点，而不需要指定从信息由哪条链路传，从而达到启动后不管的状态，极大的降低了管理设置成本。

智能网关，多个智能网关分别无线连接对应的至少一个采集单元，一个智能网关可以管理数百个采集单元，出于安全稳定的原则，一台工业设备/工业流水线，分别配置一台智能网关，用于管理整台设备数十个、整条流水线数百个采集单元。其中，将多个智能网关分别部署为一个区块链节点、将一个控制单元部署为区块链网络的触手节点以组建区块链网络，每个区块链节点用于传输、存储及更新采集的高压清洗机器人的数据参数；其中，控制单元部署为区块链子节点，使得每一个传感器数据及日志数据，以区块链的形式冗余存储到每个控制单元中；任意一个控制单元节点损坏时，可从相邻控制单元中恢复已经损坏的控制单元的所有数据。

具体构建方法为：

工业智能网关具备网络完全、边界计算、脏数据筛选，控制单元采集的数据，通过mqtt物联协议发送到工业智能网关，由于工业智能网关自身存在一定的计算能力。企业级多个工业智能网关可部署成为区块链的对等节点。每一条采集到的工业数据，作为区块体数据写入区块链中，并通知相邻节点及物联云数据平台。

把区块链节点模块部署在工业智能网关。网关启动后自动注册到云数据平台，工业智能网关硬件唯一标识hash(工业智能网关各个组成部件的设备原始id，汇总后经过sha256算法生成唯一标识)作为工业智能网关属性一起提交至云数据平台。云数据平台接收到工业智能网关的注册后，采用区块链发块算法进行出块，该区块链的区块结构如表1下：

表1区块链结构表

工业智能网关接收到采集的数据后，采用区块链技术保存采集数据：

把工业数据参数插入collections字段，生成一条新的datalist数据集。然后计算整个collections字段所有数据节点的merkletree(默克尔树)根节点hash，用于采集数据的正确性校验。

merkletree结构如图3所示，需要注意的是由于merkletree必须是偶数节点，当datalist个数为奇数时，最末的节点使用自身hash两次计算生成上一层hash。插入数据并更新merkletreeroothash成功后，向所有的在线区块节点公告节点中增加的数据。所有接收到消息的节点(通网的工业智能网关节点/上层云平台数据中心节点)使用pbft(practicalbyzantinefaulttolerance实用拜占庭容错算法)验证消息的合法性后，更新链上相应节点的采集信息。

使用区块链保存工业数据的好处显而易见。将传感器收集的数据写入区块链，成为无法篡改的电子证据，可以提升各方主体造假抵赖的成本，更进一步地厘清数据的责任边界，同时还能通过区块链链式的结构追本溯源，及时了解当前工业设备运行的最新情况。数据与硬件完全解耦，不管硬件的状态如何，都能通过在线节点恢复采集的数据链。甚至根据实时搜集的数据，采取必要的措施(例如，环境过热，可以立即采取措施，检查问题原因)，增强多方协作的可能。

云数据平台，其与多个智能网关通过互联网连接，用于收集高压清洗机器人的数据参数，其中，该数据平台还包括：

预测评估模块，用于根据采集的高压清洗机器人的数据参数训练lstm预测模型，并采用训练后的lstm预测模型对所述高压清洗机器人的数据参数进行故障预测，其中，lstm(longshort-termmemory是rnn(循环神经网络)中的一种特殊长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中的事件)，针对按照时间序列采集上来的工业设备运行过程中的关键参数，进行深度学习预测设备在运行过程中出现的问题。

lstm是在rnn的隐藏层中，增加了一个包含三个门的cell单元。三个门分别是输入、有用、遗弃。简单说，cell通过判断上一次时间序列的信息，从而判断这一次的输入是有用还是无用。针对lstm的特点，项目针对设备的运行状态进行预测评估。设备在运行过程中，尤其是工业生产环境，高温、高湿、粉尘、电磁等干扰，均能让设备的运行出现状态偏移，使用lstm找出各个关联部件之间存在的联系。这些联系通过lstm预测，并函数拟合成为可以量化的曲线，从而对设备的维护保养提出指导意见。

具体步骤如下：

s1，在每个时间点采集到大量的采集高压清洗机器人的数据参数，每个数据参数的权重进行归一化处理，即α1+α2+α3+···+αn＝1，αi(i＝1,2,3···n)为数据参数；

s2，获取t时间下采集的数据参数的健康特征值：

其中，α为权重，x为数据参数的值，多个关键参数分别为：x1、x2、x3......，他们分别对应α1、α2、α3的权重，参数乘权重并汇总相加得出这个时间点的设备健康性指标，f(x,α)的结果即为当前采集数据的健康特征值，通过f(x,α)在不同时间点，计算出基于时间序列的设备的健康特征值数据集，如图4所示；

s3，根据不同时间下采集的数据参数及对应的健康特征值建立时间预测曲线；

s4，若实时采集的数据参数在某时间段内连续多次偏离所述时间预测曲线(脱靶概率变大)，则可认定为将出现故障问题。

利用lstm学习形成预测模型。预测的模型可视化后，成为一个坐标系中的不规则时间曲线。如果实际值没有落在预测曲线附近，则可认为设备的某些状态，在多种未知因素影响的情况下，出现了改变。如果连续多次偏离预测曲线，则可认定即将出现故障问题。数据的样本越多，则预测的曲线越接近实际曲线。

例如，加工中心的多个电机转速，在某些状态影响下出现转速抖动，抖动幅度有可能保持在正常值中。多个电机同时出现了抖动，该过程逐步加重，抖动导致了局部/整体动平衡失衡，从而影响加工精度，甚至报废加工零部件。

从实时的仪表上看，可能数据都基于正常值之间，使用了深度学习拟合曲线之后，采集的数据通过计算，在很轻微抖动的时候，就已经发现该数据逐渐连续多次偏离拟合曲线。说明设备逐步出现较大误差。

通常情况下加工出现了废品才开始找原因，处理问题。通过深度学习的模型判断，在轻微抖动的前夕便发现了特征值逐步偏离拟合的曲线。从而提前发现问题，启动针对性预案，减少或者不出现加工产品报废的情况，对于高附加值的加工产品来说，能节省大量的成本。

视频监控模块，用于将数据参数中视频流进行抽帧，及每帧画面对应的状态输入卷积神经网络进行训练，并采用训练后的所述卷积神经网络进行异常预测。

在生产过程中，仅有采集的数据有时并不能反应现场的真实情况，工业控制中的大量数据重现，需要较大的时间成本人力成本。通常的做法是通过增加监控设备直接观察设备的运行情况，但是这种解决方案最大问题就是，大部分的监控设备仅提供图像采集的接口，实施的大部分监控系统最终都成为了一个信息孤岛，仅仅用于提供现场的画面监控。

为了能让管理人员通过监控画面获取更多的信息，在工业智能网关中不但继承了视频的功能，还针对视频流进行抽帧，逐帧对画面进行卷积神经网络的识别。这样可以分析出更多的有用信息，例如：a)异常情况，如烟、雾、火灾等；b)安全情况，操作员是否按照规定佩戴安全帽，是否吸烟等；c)人员工位在岗时间统计等；d)设备的不正常抖动/震动；均可通过视频监控检测出来，充分的利用了人工智能与视频的结合，把监控的信息真正的纳入工业控制的系统内，成为名副其实的子系统，真正做到了物尽其用，并为生产监控、经营管理提供更多的手段，最后，通过终端设备连接云数据平台后，还可进行数据回查等。

前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。