[发明专利]一种边缘智能SOC处理器、电子设备

说明书

本发明提供了一种边缘智能SOC处理器、电子设备，包括计算核心组，以及均与计算核心组连接的数据外设组、系统外设组；所述计算核心组包括CPU、以及用于部署边缘算法的AI加速核心；所述数据外设组包括多种用于连接数据采集传感器的接口；所述系统外设组包括用于管理处理器各组功耗的电源管理模块以及管理处理器各组时钟的时钟管理模块。本发明所述的边缘智能SOC处理器、电子设备针对旋转型设备的健康监测提供了高度集成且高准确性的硬件架构。

技术领域

本发明属于旋转型设备异常检测技术领域，尤其是涉及一种边缘智能SOC处理器、电子设备。

背景技术

旋转类机械设备(包括但不限于泵机、电机、鼓风机、压缩机、汽轮机等)在工业生产中一直是生产系统中的重要设备，对动力的供应、介质的转运、杂质的抽取以及液体的加注等方面都有重要作用。旋转型机械设备在在运转中一旦处于异常的运转状态，轻则降低生产效率，增加生产成本，重则导致设备故障，被动停机，维修成本激增，生产及收益停滞，更有甚者造成生产事故，威胁生产安全。所以无论是在设备生产层面还是设备使用层面，越来越多的用户开始考虑对于旋转型机械设备的监控以及异常工况及故障的检测。

目前市面上绝大部分的旋转型机械设备异常检测产品使用的方法大致分为两种，第一种是阈值判断，指的是在采集到机械设备振动数据后求取振动或加速度或速度或位移的有效值，然后与阈值比对，三轴中的某一轴超过阈值则认为当前机械设备振动存在异常。阈值的设定通常以各类型设备相应的国家标准为参照，如泵机设备的振动阈值一般以GB-10889-1989“泵的振动测量与评价方法”为参照，将国家标准中设定的不同等级的泵赋予对应的振动烈度阈值来进行判断，同时部分产品会支持客户设置阈值；第二种是通过一些行业或设备知识，对振动信息(加速度、速度或位移)进行频域上的分析，然后通过一节简单的业务规则或二叉树算法实现正常与异常的区分。除异常检测产品之外，目前市面上产品在实现旋转型机械设备工况识别功能时，绝大多数都会采用专家团队分析的模式。将采集到的认为存在异常的数据上传到系统后台，并生成一系列的图谱(如：频谱图、包络谱图等)，由专家团队人工的对图谱进行讨论和分析，得出当前异常对应哪种工况或故障的结论，并将结果提交到前台给客户展示。

对于上文提到的异常检测方法而言，第一种阈值法存在的缺陷是：如果选取默认阈值作为异常检测指标的话，对于很多的生产场景都是不太适用的，因为标准制定所用的实验环境和介质相对而言都是理想状态，有很多场景都会让机械设备在正常运行下振动超过阈值；如果用户自定义阈值，很多用户缺乏相应的故障判断知识，导致阈值设定不准确，且生产调整后还需要相当长的一段时间确认新的阈值，导致在一段时间内异常识别不准确。第二种规则法虽然比烈度大小判断更加接近于本质，但是传感器的数据误差，机械设备的振动谐波都会在频域上出现对异常判断的干扰项，从而导致在实际应用中使用业务知识判断异常得不到较好的准确度或不能广泛适应不同机械设备类型。

对于上文中提到的工况识别采用的专家分析模式，其缺陷主要有以下几点：1.人工成本。一个专家团队一年的费用至少需要数十万，对生产本身的成本造成很大的负担；2.分析延迟。目前市面上最好的专家分析服务，得出故障分析报告(位置、原因等)也需要约八小时左右，这样导致维修备件的延迟，停机时间的增加，给生产带来不利影响；3.人为误判。专家团队中每一位专业角度不同，水平参差不齐，极有可能导致分析意见的不一致或分析结果的错误，同样造成生产的延误、备件的错误等增加成本的事件；4.由于人员流动和设备数据保存问题，数据积累对设备诊断效果提升有限，传统专家团队因个人经验因素也会偏向于某种单一设备或工况，经验积累漫长。

采用人工智能来进行工况识别和异常检测，既能完全节省专家模式的人工成本，又能降低分析延迟，同时相比阈值判断又显著提升了准确率。但人工智能需要的算力大，人工智能算法在边缘端芯片的推理，往往需要消耗大量时间和大量电力，降低产品的寿命。

发明内容

有鉴于此，本发明旨在提出一种边缘智能SOC处理器、电子设备，以解决现有技术中人工成本高、专家团队经验单一、分析延迟且误判较多的问题。