一种基于改进RBFNN算法的多通道远程振动信号监示系统及监测方法与流程

本发明属于机械设备故障诊断领域，尤其是一种基于改进rbfnn算法的多通道远程振动信号监示系统及监测方法。

背景技术：

大型旋转机械结构，如汽轮发电机组、水轮发电机组和烟气轮机组等，普遍使用滑动轴承支撑转轴，并通过振动监测保护系统监测转轴对轴承的相对振动。振动监测保护系统包括两个涡流传感器，分别用于测量两个通道的振动。然而由于两个电涡流传感器只能单一测量机械结构的两个位置的振动信号，但不同机组的结构、运行参数以及轴承油膜刚度在圆周方向上各向异性等方面的影响，导致两个方向的振动通常存在一定的差异，如一个方向振动较大，另一个方向振动较小，这给振动监测保护系统的报警和异常判断带来一定困难；且监测信息必须要进行现场实时监测得到，无法进一步传递到远程终端，这给公司及机械设备实际监测工作带来不便。

因此亟需设计一种通过对大型旋转机构的不同位置同时监测其振动信号，并实现监测信息的现场实时显示与远程实时在线显示处理的多通道远程振动信号监示系统。

技术实现要素：

发明目的：一个目的是提供一种基于改进rbfnn算法的多通道远程振动信号监示系统及监测方法，以解决现有技术与应用存在的上述问题，扩展振动信号监示仪功能，改进振动信号监示仪对多种机械结构不同位置的振动信号监测，测量简单精确，及时发现机械结构出现的故障问题并将监测数据传送到上位机借助机器学习领域的改进rbfnn算法对测得的振动信号数据集进行数据处理显示，实现远程振动信号数据处理、分析、监示功能。

技术方案：为实现上述发明目的，采用以下技术方案：

一种基于改进rbfnn算法的多通道远程振动信号监示系统，包括上位机部分和多通道远程振动信号监示仪，其中：

多通道远程振动信号监示仪包括下位机、gprs无线传输模块和电源模块，下位机采集振动信号，并将振动信号转换为电信号通过gprs模块上传至上位机部分，同时下位机将处理后的振动信号进行显示；上位机采用改进的rbfnn算法对接收到的信号进行处理和显示；电源模块为下位机和gprs无线传输模块供电。

可选的，上位机部分包括labview界面设计部分以及python数据处理部分，上位机部分通过labview设计gui界面，并通过内部接口函数调用python完成样本数据处理，先将样本数据集分为测试集和训练集，用训练集训练改进rbfnn模型，用训练好的改进rbfnn模型对测试集样本数据进行在线分类处理，并设计gui界面对结果进行显示，所述样本数据集是从gprs无线传输模块上传到上位机的由多个测量得到的振动信号数据组成的数据集。

可选的，所述labview界面设计部分主要包括数据接收模块、数据显示模块和数据存储模块，所述数据接收模块利用labview通信工具中tcplisten函数侦听来自客户端的连接请求，并在指定端口等待gprs无线传输模块通过tcp连接请求，建立连接后，利用tcpread函数读取终端传输的数据，将tcpread函数工作模式设置为standard，即等待直至读取所有指定的字节或“超时毫秒”用完，返回当前已经读取的字节，倘若读取字节数少于设置的固定字节数，则报告错误；所述数据显示模块将获取到的数据经过格式转换，以表格形式显示数据在前面板的可视化界面上；所述数据存储模块通过writetospreadsheetfile函数，把数据写入电子表格中以供离线处理。

可选的，下位机包括单片机、数据采集模块和控制显示模块，所述数据采集模块和控制显示模块分别与单片机连接，单片机包含控制单元、外部rtc、外部晶振和eeprom模块，外部rtc和外部晶振分别为控制单元提供时钟和频率信号，eeprom模块与控制单元之间双向通信；数据采集模块包括多个振动信号传感器、信号调理放大电路和多通道adc转换模块；多个振动信号传感器分别采集机械装置的多个振动信号并转换为电信号，电信号经过信号调理放大电路进行放大后通过多通道adc转换模块输入控制单元，控制单元对信号进行分析处理后通过控制显示模块进行显示，并通过gprs无线传输模块上传至上位机进行分析处理和显示；其中，振动信号包括机械装置的径向振动信号、轴向振动信号和外壳振动信号。

本发明另一实施例中，一种基于改进rbfnn算法的多通道远程振动信号监示系统的监测方法，包括：

(1)下位机部分通过单片机控制数据采集模块内的多个振动信号传感器协同完成多点振动信号数据采集；

(2)下位机部分采集的数据通过gprs无线传输模块上传至上位机部分；

(3)上位机部分通过内部接口函数调用python完成样本数据处理，先将样本数据集分为测试集和训练集，用训练集训练改进rbfnn模型，用训练好的改进rbfnn模型对测试集样本数据进行离线分类处理，并设计gui界面对结果进行显示。

进一步的，步骤(3)中用训练集训练改进rbfnn模型，并用事先训练好的改进rbfnn模型对测试集样本数据进行在线分类处理的方法包括：

(31)用最小平方差准则调整聚类中心cj，对传统二步法rbfnn进行优化；

(32)用梯度下降法统一调整u(cj,σj,ωij)值，得到最终训练的rbfnn，对传统二步法rbfnn进行二次优化，式中cj表示聚类中心，σj表示径基宽度，ωij表示输出层权值，将三个参数用一个向量集合u(cj,σj,ωij)表示；

(33)通过对现有振动信号样本数据集标准化，建立指标体系，即将振动信号样本数据按照测量对象的不同分为：壳振、轴振、横向振动和纵向振动；

(34)将从gprs无线传输模块上传到上位机的样本数据集通过留出法划分为1/3的测试集与2/3的训练集，并按照测得的参数值给训练集内数据；手动添加转轴故障概率标签；

(35)用训练集训练改进的rbfnn，并在测试集上测试，测试结果会根据转轴的不同振动参数特性自动显示出不同的转轴故障概率，概率越大代表该位置点的转轴越有可能发生故障，并将结果显示在gui界面上。

更进一步的，步骤(31)中用最小平方差准则调整聚类中心cj，对传统二步法rbfnn进行优化的过程为：

(310)利用基于动态衰减半径的聚类算法确定隐层中心的初始结构，同时利用样本信息动态控制最小聚类半径；

(311)基于误差平方和准则，通过考察样本移动对其影响，调整中心点数值，同时利用类内类间距结合样本实际分布确定径基宽度；

(312)利用伪逆法确定隐层与输出层的权值，最终可得ωij；

(313)经过第一次的优化计算之后，得到了rbfnn的基本网络结构与全部网络参数，网络参数包括聚类中心、径基宽度和输出层权值，将三个参数用一个向量集合u(cj,σj,ωij)表示；然后通过梯度下降法统一训练调整rbfnn模型的参数。

更进一步的，步骤(310)中动态衰减半径的聚类算法为：

(a)初始化样本数据集，包括训练集或测试集；

(b)选择样本数据集中的每个样本点，分别计算与现有聚类中心的距离，寻找其最近邻的聚类中心；

(c)计算聚类半径，判断是否满足样本点与该聚类中心之间的高斯距离小于聚类半径，如果小于，则将该样本点加入到这个聚类中；

(d)每次计算一个样本点，就要在原来的数据集中减去这个样本点，直到把原来的数据集中的样本点全部计算一遍，终止程序，否则转到第二步，继续计算下一个样本点。

更进一步的，步骤(311)中利用误差平方和准则调整中心点数值的方法为：

(a)利用动态衰减聚类结果，计算初始误差平方和式中，xt表示样本数据，cj表示当前聚类中心；

(b)对每个聚类中的每个样本，计算令pil＝minj≠i{pij}，pii表示类内间距，pij表示此样本点与其它聚类中心之间的间距；

(c)若pil＜pij，则把样本移入到第l类中，修改聚类中心，并计算新的误差平方和：jc+1＝jc-(pii-pil)；

(d)若jc+1＜jc，则返回第(2)步，否则，算法结束。

更进一步的，步骤(313)中梯度下降法的具体计算步骤为：

(1)计算训练结果与真实结果之间的均方差：式中m为输入样本数，l为输出节点总数，为训练结果，为真实结果，rbfnn训练目的就是尽可能地减小e的值；

(2)当e的值还未达到训练要求指标且训练次数还未达到设定上限时，计算下式：η为训练梯度下降法中的步长，η越大，梯度下降越快，训练结果易收敛，但是当误差变化不大时应减小η值，防止过拟合以及减小误差波动，为算法的梯度下降方向，由e决定，u^(τ)与u^(τ+1)分别为τ以及τ+1次计算的u(cj,σj,ωij)值。

有益效果：与现有技术相比，本发明采用stm32实现多通道监测旋转机械设备不同位置的振动信号，监测更加精确快速，更能及时发现不同位置的机械故障信息；引入tftlcd触摸屏模块，更方便进行人机交互，实施操控检测过程并现场显示监测信息；引入gprs无线传输部分与上位机监示gui模块，借助sim900模块、sim卡连接模块，实现振动信号的远程实时显示，借助labview软件及python软件对振动信号数据进行基于改进rbfnn模型的算法处理，实现监测数据的上位机在线实时处理、分析、监示，使对大型旋转机械设备的故障监测及诊断更加方便快捷；有助于进一步改善机械故障监测诊断问题。

附图说明

图1是本发明监示仪电路模块连接示意图；

图2是本发明监示仪信号传输结构示意图；

图3是本发明的振动信号传感安装位置结构示意图；

图4是本发明的振动信号样本数据分类算法流程图；

图5是本发明的改进rbfnn的算法流程图。

具体实施方式

下面结合附图和具体实施例对本发明的技术方案进行详细的说明。

本发明实施一种基于改进rbfnn算法的多通道远程振动信号监示系统及监测方法，能够实现多通道监测大型旋转机械设备振动信号，tftlcd触摸屏控制显示监测过程及结果，远程上位机在线实时处理、分析、监示振动信号，其中stm32f103rbt6为主芯片(即控制单元，下同)，协调各模块有序工作。

本发明的一种基于改进rbfnn算法的多通道远程振动信号监示系统及监测方法，监示系统包括上位机部分和多通道远程振动信号监示仪，上位机部分包括labview界面设计部分以及python数据处理部分，监示仪包括下位机、gprs无线传输模块和电源模块，上位机和下位机通过gprs无线传输模块连接，电源模块为监示仪提供电能；方法包括下位机部分通过单片机控制数据采集部分内的多个振动传感器协同完成多通道振动信号数据采集；下位机部分采集的数据通过gprs无线传输模块上传至上位机部分；上位机部分通过labview设计gui界面，并通过内部接口函数调用python完成样本数据处理。本发明用训练好的改进rbfnn对测试集样本数据进行分类处理，可实现多通道远程振动信号数据处理、分析、监示功能。

参见图1，在本发明一实施例中，一种基于改进rbfnn算法的多通道远程振动信号监示系统，包括上位机部分和多通道远程振动信号监示仪，上位机部分包括labview界面设计部分以及python数据处理部分，上位机部分通过labview设计gui界面，并通过内部接口函数调用python完成样本数据处理，先将样本数据集分为测试集和训练集，用训练集训练改进rbfnn模型，用训练好的改进rbfnn模型对测试集样本数据进行在线分类处理，并设计gui界面对结果进行显示，所述样本数据集是从gprs无线传输模块上传到上位机的由多个测量得到的振动信号数据组成的数据集；

多通道远程振动信号监示仪包括下位机、gprs无线传输模块和电源模块，所述下位机包括单片机、数据采集模块和控制显示模块，所述数据采集模块和控制显示模块分别与单片机连接，单片机包含控制单元、外部rtc、外部晶振和eeprom模块；数据采集模块包括多个振动信号传感器、信号调理放大电路和多通道adc转换模块；控制显示模块包括tftlcd触摸屏模块；

gprs无线传输模块包括sim900模块和sim卡连接模块，所述sim900模块与单片机连接，通过gprs网络与internet上的服务器建立连接，将采集到的数据通过天线发送给服务器；所述sim卡连接模块与sim900模块电连接，由sim900模块经过电压调理电路供电；

电源模块包括直流电源驱动模块和电压放大模块，直流电源驱动模块输出与电压放大模块输入连接，电压放大模块输出端分别与控制单元电源输入端、tftlcd触摸屏输入端和sim900模块电源输入端连接。

所述控制单元选择高性能低功耗的stm32f103rbt6芯片，负责协调监示仪器整体的运行，外部rtc负责为控制单元提供时间刻度，外部晶振为控制单元提供72mhz工作频率，eeprom模块负责监示仪的数据缓存。

数据采集模块负责将置于旋转机械设备各部分的振动信号传感器监测得到的振动信号转换为数字信号传输到控制单元内部。多个振动信号传感器的输出与信号调理放大电路的输入连接，然后经多通道adc转换模块与控制单元连接。所述振动信号传感器主要由压电式加速度传感器组成，压电式加速度传感器是市面上最为常见最为实用的一种类型的振动加速度传感器，它有较小的体积，较高的性价比，较强的抗干扰特性，以及最为实用方便的测量以及校准方式，压电式加速度传感器采用的是接触式的测量方法，可以方便地把多个传感器附着于旋转机械设备表面，测量其振动信号；所述信号调理放大电路主要由opa2336ua芯片组成的电压放大电路及阻容滤波电路组成，负责模拟信号的放大及滤波；所述多通道adc转换模块搭载了ad7705高精度模数转换芯片，采集精度可达16位，采用spi方式与控制单元通信，并采用dma方式，实现多通道信号同时采集。

所述tftlcd触摸屏模块板载的控制芯片为xpt2046，xpt2046是一片4导线制触摸屏控制器，内含12位分辨率125khz转换速率逐步逼近型a/d转换器，连接电压放大模块的5v电压输出，在测量过程中根据触摸屏模块监测输入控制监测仪器工作，并根据仪器具体监测过程显示不同监测内容。

sim900模块与控制单元之间通过串口进行数据传输，由电压放大模块提供4v电压，通过gprs网络与internet上的服务器建立连接，将采集到的数据通过天线发送给服务器；所述sim卡连接模块与sim900模块电连接，由sim900模块经过电压调理电路提供3v或1.8v电压，根据通信公司提供的sim模块自动选择。

电源模块包括由两节1.5v干电池组成的直流电源驱动模块和电压放大模块，电压放大模块将3v电压转化为3.3v、4v和5v输出，电压放大模块的3.3v输出端与控制单元电源输入端连接，提供芯片工作标准电压；电压放大模块的5v输出端与tftlcd触摸屏电源输入端连接，用于实现人机交互、实时控制测量的进程；电压放大模块的4v输出端与sim900模块电源输入端连接。电压放大模块充分体现仪器整体的低功耗特性，所有模块由同一电压源供电，根据多个pt1301芯片分别设计放大电路，分别为不同模块提供工作电压。

参见图2，本发明的一种基于改进rbfnn算法多通道远程振动信号监示系统上位机部分通过labview设计gui界面，并通过内部接口函数调用python完成样本数据处理，用于导入、处理、分析以及显示数据；上位机部分和下位机可通过gprs无线传输模块连接，gprs无线传输模块由sim900模块和sim卡模块组成，以实现数据的远程无线传输。其中，下位机部分可通过置于大型旋转机械设备不同位置的振动信号传感器测得机械设备横向、纵向、轴向、外壳的振动信息，并通过多通道adc转换模块的数据采集转换处理，在tftlcd触摸屏的控制显示下，经过gprs无线传输模块，将监测数据信息传送到pc机(上位机)，通过labview设计gui界面，并通过内部接口函数调用python完成样本数据处理，用于导入、处理、分析以及显示数据，其中，labview界面设计部分可利用labview数据分析工具中的频谱转换、数字滤波及快速傅里叶变换等数据处理工具，在线处理分析数据并显示振动信号的幅频响应信号及频谱分析图。

labview界面设计部分主要包括数据接收模块、数据显示模块和数据存储模块，所述数据接收模块利用labview通信工具中tcplisten函数侦听来自客户端的连接请求，并在指定端口等待gprs模块通过tcp连接请求，建立连接后，利用tcpread函数读取终端传输的数据，将tcpread函数工作模式设置为standard，即等待直至读取所有指定的字节或“超时毫秒”用完，返回当前已经读取的字节，倘若读取字节数少于设置的固定字节数，则报告错误；所述数据显示模块将获取到的数据经过格式转换，以表格形式显示数据在前面板的可视化界面上；所述数据存储模块通过writetospreadsheetfile函数，把数据写入电子表格中以供离线处理。

参见图3，数据采集模块主要采用了多个振动信号传感器，分别置于机械外壳侧面、置于转轴径向以横轴与纵轴交叉分布、置于转轴横截面中央，分别用来测量机械设备的外壳振动信号、径向的横向振动信号和纵向振动信号、轴向振动信号，并通过多通道adc转换模块将所有的振动信号同时传送到控制单元及上位机远程监视gui界面，并通过内部接口函数调用python完成样本数据处理，用于导入、处理、分析以及显示数据，进行信号的综合分析、比较、处理及显示，以此精确快速监示大型旋转机械设备的运转情况，当有故障出现时能够做到及时判断、显示及防护。

另一实施例中，一种基于改进rbfnn算法的多通道远程振动信号监示系统的监测方法，包括：

(1)下位机部分通过单片机控制数据采集模块内的多个振动信号传感器协同完成多点振动信号数据采集；

(2)下位机部分采集的数据通过gprs无线传输模块上传至上位机部分；

(3)上位机部分通过内部接口函数调用python完成样本数据处理，先将样本数据集分为测试集和训练集，用训练集训练改进rbfnn模型，用训练好的改进rbfnn模型对测试集样本数据进行离线分类处理，并设计gui界面对结果进行显示。经过改进rbfnn算法处理过后的测试集样本数据，会根据转轴的不同振动参数特性自动显示出不同的转轴故障概率，概率越大代表该位置点的转轴越有可能发生故障，用户可根据在转轴不同位置点生成的不同的转轴故障概率对不同点的振动信号数据进行区分，有区别的判断各个转轴上的点的振动情况，也可以通过对振动信号有问题的点的样本数据进行单独深入分析，发现转轴上的这一位置点是否真的存在机械故障或根据振动信号样本数据判断是属于哪种机械故障。

步骤(3)中用训练集训练改进rbfnn模型，并用事先训练好的改进rbfnn模型对测试集样本数据进行在线分类处理的方法包括：

用最小平方差准则调整聚类中心cj，对传统二步法rbfnn进行优化；用梯度下降法统一调整u(cj,σj,ωij)值，得到最终训练的rbfnn，对传统二步法rbfnn进行二次优化，式中cj表示聚类中心，σj表示径基宽度，ωij表示输出层权值，将三个参数用一个向量集合u(cj,σj,ωij)表示；通过对现有振动信号样本数据集标准化，建立指标体系，即将振动信号样本数据按照测量对象的不同分为：壳振、轴振、横向振动、纵向振动等不同类；将从gprs无线传输模块上传到上位机的样本数据集通过留出法划分为1/3的测试集与2/3的训练集，并按照测得的参数值给训练集内数据手动添加转轴故障概率标签；用训练集训练改进的rbfnn，并在测试集上测试，测试结果会根据转轴的不同振动参数特性自动显示出不同的转轴故障概率，概率越大代表该位置点的转轴越有可能发生故障，并将结果显示在gui界面上；用改进rbfnn算法可以得到比传统聚类算法或者传统二步法rbfnn更加精确的分类数据及转轴故障概率标签，得到可信度更高的分类结果，用户可根据该结果准确判断该转轴位置发生故障的概率大小，省去了人为判断的过程，避免了人为判断结果的随机性、盲目性、主观性及不准确性，保证了结果可靠、精确、及时。

如图4所示，本发明的振动信号样本数据分类算法包括以下步骤：

(1)导入振动信号样本数据集，因为聚类方法可用于无标记数据集的分类问题，所以数据集可以是无标签数据集。

(2)数据集标准化，可以采用min-max等方法处理数据集，即用数据集中某个样本数据除以数据集中的最大数与最小数之差作为该样本标准化后的数据。

(3)采用留出法将数据集划分为1/3的测试集与2/3的训练集，

(4)采用改进的rbfnn训练方法训练rbfnn模型，并用训练好的改进rbfnn模型对测试集进行在线分类处理。

(5)得到不同测试集振动信号数据的转轴故障概率标签。用改进rbfnn算法可以得到比传统聚类算法或者传统二步法rbfnn更加精确的分类数据及转轴故障概率标签，得到可信度更高的分类结果，用户可根据该结果准确判断该转轴位置发生故障的概率大小，省去了人为判断的过程，避免了人为判断结果的随机性、盲目性、主观性及不准确性，保证了结果可靠、精确、及时。

优选地，对现有数据集标准化的标准化方法为，min-max方法，其具体计算方法为其中，x为新数据，x1为原数据，min为数据集中的最小值，max为数据集中的最大值。

参见图5，用最小平方差准则调整聚类中心cj，对传统二步法rbfnn进行优化的过程为：

(1)首先，利用基于动态衰减半径的聚类算法确定隐层中心的初始结构，同时利用样本数据动态控制最小聚类半径。这一改进既防止了固定半径聚类较差的自适应性，避免了衰减最小半径经验值的多次试探确定，又有效降低了半径无限缩减引起的过学习现象的产生。

(2)然后，基于误差平方和准则，通过考察样本移动对其影响，调整中心点数值，同时利用类内类间距结合样本实际分布确定径基宽度。这一过程充分考虑了类间距对样本聚类的影响，避免了统一的径基宽度可能引起的分类区域过度重叠。

(3)最后，利用伪逆法确定隐层与输出层的权值，最终可得ωij。

(4)经过第一次的优化计算之后，得到了rbfnn的基本网络结构与全部网络参数(聚类中心，径基宽度，输出层权值)，将三个参数用一个向量集合u(cj,σj,ωij)表示。然后通过梯度下降法统一训练调整rbfnn模型的参数。

优选地，所述动态衰减半径的聚类算法为：

(1)初始化样本数据集(训练集或测试集)。

(2)选择样本数据集中的每个样本点，分别计算与现有聚类中心的距离，寻找其最近邻的聚类中心。

(3)计算聚类半径，判断是否满足样本点与该聚类中心之间的高斯距离小于聚类半径，如果小于，则将该样本点加入到这个聚类中。

(4)每次计算一个样本点，就要在原来的数据集中减去这个样本点，直到把原来的数据集中的样本点全部计算一遍，终止程序，否则转到第二步，继续计算下一个样本点。

优选地，所述利用误差平方和进行隐层中心的微调的方法为：

(1)利用动态衰减聚类结果，计算初始误差平方和：式中，xt表示样本数据，cj表示当前聚类中心。

(2)对每个聚类中的每个样本，计算：令pil＝minj≠i{pij}，pii表示类内间距，pij表示此样本点与其它聚类中心之间的间距。

(3)若pil＜pij，则把样本移入到第l类中，修改聚类中心，并计算新的误差平方和：jc+1＝jc-(pii-pil)。

(4)若jc+1＜jc，则返回第(2)步，否则，算法结束。

优选地，所述梯度下降法在本改进rbfnn算法中的具体计算步骤为：

(1)计算训练结果与真实结果之间的均方差式中m为输入样本数，l为输出节点总数，为训练结果，为真实结果，rbfnn训练目的就是尽可能地减小e的值。

(2)当e的值还未达到训练要求指标且训练次数还未达到设定上限时，计算下式：η为训练梯度下降法中的步长，η越大，梯度下降越快，训练结果易收敛，但是当误差变化不大时应减小η值，防止过拟合以及减小误差波动，因此最好采用牛顿法或者加动量法改善算法，使得η值可变，为算法的梯度下降方向，由e决定，u^(τ)与u^(τ+1)分别为τ以及τ+1次计算的u(cj,σj,ωij)值。

总之，本发明采用stm32实现多通道监测旋转机械设备不同位置的振动信号，监测更加精确快速，更能及时发现不同位置的机械故障信息；引入tftlcd触摸屏模块，更方便进行人机交互，实施操控检测过程并现场显示监测信息；引入gprs无线传输部分与上位机监示gui模块，借助sim900模块、sim卡连接模块，实现振动信号的远程实时显示，借助labview软件及python软件对振动信号数据进行基于改进rbfnn模型的算法处理，实现监测数据的上位机在线实时处理、分析、监示，使对大型旋转机械设备的故障监测及诊断更加方便快捷；有助于进一步改善机械故障监测诊断问题。