[发明专利]基于TinyML和动能收集技术的无源预测性维护系统

说明书

本发明涉及一种基于TinyML和动能收集技术的无源预测性维护系统，包括压电能量收集器，基于能量管理电路和低功耗SoC最小系统的无源智能终端，接收机和云平台。TinyML为低成本单片机嵌入机器学习模型，使其能本地进行数据处理，低延时地完成振动信息分析，从而在端侧完成对工业设备全方位状态诊断，高精准度地捕获机器的异常状态，实现高效的低功耗预测性维护。同时能量收集技术使得整个系统无需电池，能量自给自足，且无需额外传感器，压电片充当着能量源与信息源。能量供需平衡的考虑使得系统更加高效；由于无源的特性，本发明的系统更加普适，在资源极度受限的极端环境也能稳定运行，极大促进了端侧智能、无源物联网和泛在人工智能的发展。

技术领域

本发明涉及一种低功耗监测和能量收集技术，特别涉及一种基于TinyML和动能收集技术的无源预测性维护系统。

背景技术

数字化和自动化进程被认为是一个新的工业时代，其中物联网技术发挥着越来越重要的作用。工业中，维护成本占运营总成本的15-60％，所以高效的维护方案至关重要。预测性维护是近年在工业界和学术界火热的设备监测方案，它可以通过统计学或人工智能模型来预测趋势、行为模式和相关性，以提前感知即将发生的故障，从而改善维护活动的决策过程，主要是避免停机。

目前先进的预测性维护主要基于机器学习算法，但它们大多运行于资源丰富、耗电、昂贵的服务器上。随着系统的普及，基于单层算力框架的云计算会带来功耗、成本、延时、数据隐私等等方面的问题。

近年来由谷歌公司提出的TinyML技术无疑是AIoT的强心剂，它旨在边缘的资源有限的物联网设备上运行机器学习模型，即赋予边缘设备智力，它所需的极低功耗和成本将大大促进泛在人工智能的发展。但是，TinyML刚刚起步，还没有综合考虑预测性维护系统各个部分的一般性系统研究。

再者，所有预测性维护系统的端侧设备都需要市电或电池供电，所有电池的维护和更换将带来巨大的人力物力成本，进一步限制智能维护的发展。无源物联网，旨在利用先进的能量收集技术，使物联网终端设备自主地从环境中提取能量维持正常工作，而无需额外电池。利用能量收集技术可以使工厂端侧设备自主获取振动能量，从而消除电池带来的各种成本。

如今的预测性维护领域，缺少一种自供能的、不依赖云平台(云边分离)的、轻量的、低延时、低功耗、低成本的可靠端侧智能监控设备。

发明内容

针对预测数据低功耗采集问题，提出了一种基于TinyML和动能收集技术的无源预测性维护系统，包括压电能量收集器，基于能量管理电路和低功耗SoC最小系统的无源智能终端，接收机和云平台。TinyML为低成本单片机嵌入机器学习模型，使其能本地进行数据处理，低延时地完成振动信息分析，从而在端侧完成对工业设备全方位状态诊断，高精准度地捕获机器的异常状态，实现高效的低功耗预测性维护。同时能量收集技术使得整个系统无需电池，能量自给自足，且无需额外传感器，压电片充当着能量源与信息源，进一步降低了成本与功耗。

本发明的技术方案为：一种基于TinyML和动能收集技术的无源预测性维护系统，包括能量收集器、无源智能终端、接收机和云平台；

所述能量收集器，用于收集设备设备上振动信息和能量；

所述无源智能终端包括能量管理电路和低功耗SoC最小系统，所述能量管理电路用于存储和管理能量收集器收集的能量，并给低功耗SoC最小系统供电；所述低功耗SoC最小系统采集能量收集器收集的振动信息并进行分析，分析信息发送；

所述接收机，用于接收无源智能终端发送的信息，并送云平台；

所述云平台，用于接收接收机信息，提供数据服务。