[发明专利]一种基于嵌入边缘计算的旋转机电设备故障追溯系统

说明书

本发明公开了一种基于嵌入边缘计算的旋转机电设备故障追溯系统，属于工业物联网和智能制造领域。本发明采用嵌入式人工智能的解决方案进行旋转机电设备的故障追溯，对于传感器采集的数据分别在数据层、特征层和决策层应用数据融合技术，最后采取嵌入边缘计算的手段部署整体架构，整个系统具有高扩展性，高实时性和高准确度，将深度学习模型和机电设备运行机理模型深度结合，有效的解决旋转机电设备故障追溯问题。

技术领域

本发明涉及工业物联网和智能制造领域，尤其涉及一种基于嵌入边缘计算的旋转机电设备故障追溯系统。

背景技术

在日常生产生活中，电机驱动的旋转机电设备涉及到各个行业领域。随着生产技术的不断更新，机电设备的结构也愈加复杂，同时对设备的可靠性要求也越来越高。旋转机电设备的故障会对整个系统造成影响，某个部分的故障都有可能导致系统瘫痪的严重后果甚至威胁工作人员人身安全。因此对机电设备的故障追溯与预测性维护非常重要，对于正在运行的机电设备，需要结合整个系统的工作情况来设计相应的故障追溯系统来确保可靠性。除了在设计之初要考虑安装传感器进行状态监测，还有部分现有的机电设备不具备状态监测和故障追溯功能，需要在现有的基础上进行改造，需要一种具有便于移植的高扩展性故障追溯系统。

随着个人电脑和嵌入式微处理器芯片的处理能力提升，人工智能技术，尤其是深度学习模型被广泛的应用于图像处理、计算机视觉自然语言处理和语音识别等领域。同时深度学习的方法也被用于解决故障追溯问题。现有的技术中大部分采取的是传感器端采集数据，使用电脑或者服务器进行深度学习模型运算，比如神经网络模型的运算。但是该手段想真正落实到项目或者商业产品应用还具有一定的局限性，主要体现在该方法不仅需要性能优越的算法模型和可靠的硬件支持，还需要把深度学习技术和硬件环境进行有机结合。

针对未来的工业系统，随着智能制造的提出和智慧工厂的建设，工业现场的传感器数据变得丰富起来，现有的监测系统，未能充分利用传感器数据，对于故障的追溯不够智能化。针对现有的工业系统，我们希望能够通过智能化改造，使工厂变得智能化，需要一个具有丰富接口和扩展性强的旋转机电设备故障追溯系统来实现对工业现场的数据进行融合，智能的提供故障追溯结果。

现有的应用于旋转机电设备故障追溯的系统，未实现智能算法，都采用了云计算的方法，该方法往往存在着如下几个问题：数据传输成本高，网络延时将导致实时性能降低，工业物联网中会存在安全和隐私问题。因此需要一种能够在传感器端完成深度学习模型运算的技术手段。

发明内容

本发明针对以上的问题，提出了一种基于嵌入边缘计算的旋转机电设备故障追溯系统。该系统采用嵌入式人工智能的解决方案，应用数据融合技术，最后采取嵌入边缘计算的手段部署整体架构，有效的解决旋转机电设备故障追溯问题。

本发明解决上述问题的具体技术方案如下：

一种基于嵌入边缘计算的旋转机电设备故障追溯系统，包含如下几个模块：

传感器数据采集模块，该模块采集旋转机电设备的运行状态信息，并将数据进行初步处理。

数据传输模块，该数据传输模块负责将不同传感器的数据进行汇总，实现传感器的组网。

边缘计算主站，该主站收集一台设备的不同传感器数据，对一台设备的状态进行评估。

网络传输模块，该模块将每台设备的故障追溯的结果情况进行汇总传输至网络服务器。

设备大数据平台模块，该大数据平台能够汇总多台设备，准确报告由多台设备组成的车间或者生产线的故障追溯情况，采用智能的决策与控制方法为设备的预测性维护提供指导。

报告查询终端模块，为方便用户的查看，设备健康情况将以报告的形式提供给用户，报告可以通过网页或者手机APP查看。

本发明进一步包括以下优选方案：