一种制丝设备电机机械故障监测系统及监测方法与流程

1.本发明属于机械故障技术领域，具体涉及一种制丝设备电机机械故障监测系统及监测方法。


背景技术：

2.香烟生产过程分为制丝、卷接、包装三个阶段，制丝过程承担着原料加工任务，经过多道工序使烟丝的长度、水分、温湿度等工艺参数达到工艺要求。烟丝质量是香烟产品内在质量的关键，是提高香烟质量、增加生产效益的瓶颈，而制丝设备稳定可靠的运行是满足烟丝质量要求的关键。目前的制丝设备已实现了机械化、自动化，工人的劳动强度大大减小。电机作为制丝设备的动力源，其工作状态对烟丝质量的影响不言而喻。
3.目前对制丝设备中的电机运行状态，其电气状态一般由变频器、控制器经过总线形式送入集控系统，其电气异常状态以系统预警的形式发送给工作人员，一般能够及时进行相关维修处理，避免损失。
4.对电机机械状态的监测，一般多为对电机的振动情况进行测量，目前对制丝设备电机机械状态以人工点检、巡检的方式进行监测，对设备监测的间隔周期长，存在突发故障的风险。且电机多安装在复杂狭小的空间内，人工点检耗时长、难度大。
5.制丝设备电机状态测量结果多以振动时域值的形式给出，电机状态预警限值由工作人员依据经验进行设定，人为因素影响甚大，难以准确判断电机运行状态。门限设定过小，会导致状态预警误报过多；门限设定过大，导致状态预警漏报，提高了突发故障风险，失去了预防维护的意义。
6.少数以频率形式给出结果的点检设备，只给出了频率幅值及对应频率，对电机状态未进行判断，工作人员需要高深的专业知识结合设备监测结果对设备状态进行判断，难以在生产现场推广使用，上述设备和监测手段难以满足制丝设备预防性维护的要求，也不符合企业智能化、无人化的发展目标。
7.目前制丝设备电机机械状态以人工点检、巡检的方式进行。由于电机多安装在复杂的环境内，人工点检难度大、耗时长。人工点检的预警限值由工作人员依据经验设定，人为因素影响过大，难以准确判断电机状态。少数点检设备以频率和对应幅值，给出监测结果，需要高深的专业知识结合监测结果对设备状态进行判断，难以在现场推广使用。


技术实现要素：

8.针对现有技术中存在的上述技术问题，本发明提出了一种制丝设备电机机械故障监测系统及监测方法，设计合理，克服了现有技术的不足，具有良好的效果。
9.为了实现上述目的，本发明采用如下技术方案：
10.一种制丝设备电机机械故障监测系统，包括无线振动/温度传感器、边缘服务器、无线网关、人机交互系统和移动终端；边缘服务器、无线网关通过通讯电缆连接；
11.无线振动/温度传感器，采用磁吸方式安装于被测电机的输出轴连接外壳处，采用
斜角60度安装，被配置为用于实现对被测电机各个方向的振动检测和温度监测；
12.边缘服务器，被配置为用于通过外置天线接收无线振动/温度传感器的振动数据和温度数据，并对接收到的振动数据和温度数据进行数据处理后剔除异常数据；同时发送命令至无线振动/温度传感器，休眠或激活无线振动/温度传感器；计算出规定时间内的三个方向的振动平均值、振动最大值、最小值、标准偏差值、峭度值以及规定时间内的温度平均值、温度最大值和最小值；并将计算后的数据通过无线网关发送至人机交互系统；
13.无线网关，被配置为用于将处理好的数据以无线形式发送至本地服务器或云服务器的人机交互系统；
14.人机交互系统，被配置为用于通过参数交互的形式实现电机机械故障监测系统的管理、数据存储及查询；
15.移动终端，被配置为用于随时随地查看电机当前状态。
16.优选地，边缘服务器对传感器的激活休眠设置如下：数据传输完毕后，边缘服务器使无线振动/温度传感器进入睡眠模式；当需要采集时，边缘服务器激活无线振动/温度传感器，使无线振动/温度传感器再次采集电机状态相关数据。
17.此外，本发明还提到一种制丝设备电机机械故障监测方法，该方法采用如上所述的制丝设备电机机械故障监测系统，具体包括如下步骤：
18.步骤1：通过无线振动/温度传感器，实现对被测电机各个方向的振动检测和温度监测；
19.步骤2：通过边缘服务器，接收无线振动/温度传感器的振动数据和温度数据，并对接收到的振动数据和温度数据进行数据处理后剔除异常数据；同时发送命令至无线振动/温度传感器，休眠或激活无线振动/温度传感器；计算出规定时间内的三个方向的振动平均值、振动最大值、最小值、标准偏差值、峭度值以及规定时间内的温度平均值、温度最大值和最小值；并将计算后的数据通过无线网关发送至人机交互系统；
20.步骤3：通过无线网关，将处理好的数据发送至本地服务器或云服务器的人机交互系统；
21.步骤4：通过人机交互系统，读取输出结果，以图形、文字的形式直观显示电机状态结果；
22.步骤5：通过移动终端，随时随地查看电机当前状态。
23.优选地，在步骤2中，通过边缘服务器，对接收到的振动数据和温度数据进行数据处理的流程如下：
24.步骤2.1：建立数据特征值数据集；
25.决策树模型通过对数据特征值数据判断电机状态，若模型判断异常。则由卷积网络模型对数据集进行分类判断，对电机故障进行诊断，输出故障分类结果
26.步骤2.2：建立决策树模型；
27.通过建立的，实现对电机状态的判断；
28.步骤2.3：建立卷积神经网络模型；
29.通过建立的卷积神经网络模型，实现对异常电机状态的诊断分类。
30.优选地，在步骤2.1中，具体包括如下步骤：
31.步骤2.1.1：无线振动/温度传感器采集温度数据以及三个方向的振动数据；
32.步骤2.1.2：经过切比雪夫滤波剔除噪声频带，同时剔除离散异常点，得到预处理振动数据和预处理温度数据；
33.步骤2.1.3：预处理振动数据经过积分处理，获得对应方向的振动速度值、位移值；
34.步骤2.1.4：将处理后的振动速度值、位移值送入振动缓冲序列；
35.步骤2.1.5：计算振动缓冲序列的平均值、最大值、最小值、标准偏差值以及峭度值；
36.步骤2.1.6：将步骤2.1.5计算后的结果以及步骤2.1.2中的预处理温度数据进行切片、分割、降维、归一化处理后作为数据特征值数据集。
37.优选地，在步骤2.2中，建立决策树模型的流程如下：
38.步骤2.2.1：通过预训练的方式获得模型的初始参数；
39.步骤2.2.2：预训练的数据采用工况与现场类似的振动试验台模拟现场运行情况，获得正常运行数据集；
40.步骤2.2.3：通过加载人为典型故障，获得对应的故障数据集；
41.步骤2.2.4：模拟获得的故障数据集经过数据增强后，建立模型数据集，经过切片、分割、降维、归一化处理获得模型训练数据集；
42.步骤2.2.5：建立的模型训练数据集进入决策树模型，进行决策树的模型训练；
43.步骤2.2.6：通过修改决策树的根节点、非叶子节点、决策层数，对模型进行训练，保存获得的模型权重数值；
44.步骤2.2.7：调用步骤2.2.6建立好的决策树模型，对2.1.6的数据特征值数据集进行判断，来实现对电机机械状态的判断，获得异常数据集。
45.优选地，在步骤2.2中，建立卷积神经网络模型的流程如下：
46.步骤2.2.8：首先将步骤2.2.7中获得的异常数据集经过切片、分割处理后，获得卷积神经网络模型的训练数据集和测试数据集；
47.步骤2.2.9：建立模型框架，卷积神经网络模型框架由卷积层、池化层和全连接层组成；
48.步骤2.3.0：将训练数据集送入创建好的模型框架中，对模型进行预训练，保存模型权重。
49.步骤2.3.1：调用步骤2.3.0建立好的模型，对2.2.8中的测试数据集进行分类，获得故障分类结果。
50.本发明所带来的有益技术效果：
51.1、本发明对振动多维数据，实现了对多方向的振动监测。
52.2、边缘服务器对传感器的激活休眠设置，既保证了振动采集频率要求，又延长了电池使用寿命。
53.3、以决策树和卷积神经网络双模型构建的电机机械故障监测模型，其数据增强部分，实现了对数据集的扩展，有效解决了工业现场故障样本数据少的问题。双模型的判断，既提高了模型的判断速度，也提高了故障判断的准确率。
54.4、故障诊断结果的移动推送，免去了人员现场点检的繁琐，能够随时随地查看设备电机状态，对设备作出相应处理。
附图说明
55.图1为监测系统安装图；
56.图2为数据处理流程图；
57.图3为决策树模型训练流程图；
58.其中，1-被测电机；2-无线振动/温度传感器；3-边缘服务器；4-无线网线；5-无线网关；6-人机交互系统。
具体实施方式
59.下面结合附图以及具体实施方式对本发明作进一步详细说明：
60.实施例1：
61.如图1所示，一种制丝设备电机机械故障监测系统，包括无线振动/温度传感器2、边缘服务器3、无线网关4、人机交互系统6和移动终端；边缘服务器3、无线网关5通过通讯电缆4连接；
62.无线振动/温度传感器2，采用磁吸方式安装于被测电机1的输出轴连接外壳处，采用斜角60度安装，用于实现对被测电机1各个方向的振动检测和温度监测；
63.边缘服务器3，用于通过外置天线接收无线振动/温度传感器2的振动数据和温度数据，并对接收到的振动数据和温度数据进行数据处理后剔除异常数据；同时发送命令至无线振动/温度传感器，休眠或激活无线振动/温度传感器2；计算出规定时间内的三个方向的振动平均值、振动最大值、最小值、标准偏差值、峭度值以及规定时间内的温度平均值、温度最大值和最小值；并将计算后的数据通过无线网关发送至人机交互系统；
64.无线网关4，用于将处理好的数据以无线形式发送至本地服务器或云服务器的人机交互系统6；
65.人机交互系统6，用于通过参数交互的形式实现电机机械故障监测系统的管理、数据存储及查询；
66.移动终端，用于随时随地查看电机当前状态。
67.实施例2：
68.在上述实施例1的基础上，本发明还提到一种制丝设备电机机械故障监测方法，具体包括如下步骤：
69.步骤1：通过无线振动/温度传感器，实现对被测电机各个方向的振动检测和温度监测；
70.步骤2：通过边缘服务器，接收无线振动/温度传感器的振动数据和温度数据，并对接收到的振动数据和温度数据进行数据处理后剔除异常数据；同时发送命令至无线振动/温度传感器，休眠或激活无线振动/温度传感器；计算出规定时间内的三个方向的振动平均值、振动最大值、最小值、标准偏差值、峭度值以及规定时间内的温度平均值、温度最大值和最小值；并将计算后的数据通过无线网关发送至人机交互系统；
71.步骤3：通过无线网关，将处理好的数据发送至本地服务器或云服务器的人机交互系统；
72.步骤4：通过人机交互系统，读取输出结果，以图形、文字的形式直观显示电机状态结果；
73.步骤5：通过移动终端，随时随地查看电机当前状态。
74.其中，通过边缘服务器，对接收到的振动数据和温度数据进行数据处理的流程如图2所示：
75.无线振动/温度传感器采集三个方向的振动加速度数据，经过切比雪夫滤波剔除噪声频带，同时剔除离散异常点。预处理数据经过积分处理，获得对应方向的振动速度值、位移值，将处理后的振动加速度、速度值、位移值送入振动缓冲序列。计算缓冲序列的平均值、最大值、最小值、标准偏差值、峭度值，将计算后的结果送入数据特征值数据集。温度值经过滤波和离散的异常剔除后，作为辅助判断值送入数据特征值数据集。决策树模型通过对数据特征值数据判断电机状态，若模型判断异常。则由卷积网络模型对数据集进行分类判断，对电机故障进行诊断，输出故障分类结果。
76.实施例3：
77.在上述实施例1的基础上，本发明还建立一种决策树模型，其训练流程如图3所示；
78.数据集由与现场工况类似的振动试验台运行时采集得到，其处理方法如实施例2所示数据处理流程。采集20000个数据制作数据集，经过实施例2流程处理后，数据集变为[20000，16]。因为数据集量纲不同，且数值范围广，因此对数据集进行归一化处理，将数据集划入0-5范围内，同时为数据集加入验证标签，标签真伪已验证。利用振动试验台加载典型故障，获得对应故障数据集，进行如上处理，加入对应验证标签。数据集混合后获得完整数据集。训练数据越多，模型越加能够学习到数据隐性特征。因此对数据进行数据增强处理，将数据集扩充为[10000，16]。对数据集切片划分后，数据集变为[40000，500，16]。40000为数据集个数，500为单个数据集长度，16为数据集维度。决策树模型数据集输入要求为二维结构，因此，对获得的数据集进行降维处理，数据集变为[40000,8000]。设定决策树模型的超参数根节点、非叶子节点、决策层树后，对模型进行训练，当模型预测结果符合准确率要求时，停止训练保存模型，否则修改对应超参数，继续对模型进行训练，直到模型满足要求为止。
[0079]
本发明通过传感器采集三个振动方向数据，边缘服务器通过激活休眠传感器，延长了电池使用寿命。同时增加了温度数据，作为模型数据集中的一维数据，拓展了模型判断维度，提高了模型判断准确率。
[0080]
本发明以决策树和卷积神经网络双模型为核心，构建电机机械故障监测模型。多维数据构建的数据集，经过归一化处理后，抵消了量纲影响，增强了小信号权重，对发现早期故障信号起到了积极作用。由于工业现场故障数据集难以捕捉，因此在数据集处理中增加了数据增强部分，对数据集进行扩展，解决了故障样本数据少的问题。决策树模型首先实现电机状态是否异常判断，之后对异常数据利用卷积神经网络模型进行分类判断，也是对决策树模型判断结果的二次判断，模型联合判断，提高了故障判断准确率。
[0081]
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。