一种基于物联网的工业设备自诊断系统及方法与流程

1.发明涉及工业设备诊断的领域,尤其涉及一种基于物联网的工业设备自诊断系统及方法。


背景技术：

2.在大型工业生产系统中，生产设备的自动化和一体化带来的结果就是，当设备意外的停止运行时，生产系统将更加难以控制，也更容易产生一系列的连锁反应，严重影响了设备运行的可靠性及可用性，这成为维护领域中一个亟待解决的问题。在设备的可靠性及可用性上，特别是针对安全方面的可用性的维护方式是决定企业竞争力的关键因素之一。
3.目前,随着工业发展,工业设备的市场保有量在稳步增加，例如电动叉车,电动搬运车等物流搬运设备数量在迅速增加。设备数量的增加也就导致了售后服务需求量的增加,一旦,设备出现故障或者客户需要对相应设备的某些参数进行修改,就需要派遣售后服务人员到现场进行诊断与调试,一方面造成售后服务人员的紧缺，第二方面需要较长的周期，同时随着人力成本的提高,也造成售后成本地不断增加；另一方面,随着网络技术的发展,网络数据通信成本在不断地降低,然而却没有一个结合物联网运用于工业设备的远程诊断与维护的平台。


技术实现要素：

4.为了克服现有技术存在的缺点与不足,本发明提供一种基于物联网的工业设备自诊断系统及方法。
5.本发明所采用的技术方案是，该系统包括设备识别模块、命令驱动模块、数据调取模块、设备算法诊断模块、多源信息采传模块、诊断提示模块、图型显示模块；
6.进一步地，所述设备识别模块，设备巡查员在工厂进行日常巡查时，利用二维码扫描仪对设备进行二维码识别，扫描仪上显示设备的型号及检修日期的信息，同时将信息和新一次的扫描时间发送给边缘计算设备，当设备识别模块对设备进行扫描时触发多源信息采传模块，多源信息采传模块利用传感器对设备的运转情况进行监测，并将监测数据发送给数据调取模块和边缘计算设备，数据调取模块对传输过来的数据进行按照设备型号自动分类同时生成设备数据报表，边缘计算设备利用设备算法诊断模块对传输的数据进行故障检测，当判断设备具有故障时同时触发诊断提示模块和命令驱动模块，并将故障部位数据发送给图型显示模块，诊断提示模块将报警信息发送给设备巡查员，命令驱动模块将设备的开关权发送给设备巡查员，图型显示模块将设备故障部位以3d的形式显示出来。
7.进一步地，所述设备识别模块支持不同类型的二维码识别，二维码扫描仪利用摄像头拍摄的方式捕获到二维码的图片信息，启动二维码扫描仪后将摄像头对准二维码进行拍照，将拍摄的图片进行解码，得到设备的型号及检修日期的信息，同时发送给边缘计算设备，完成对设备的识别过程。
8.进一步地，所述多源信息采传模块利用传感器完成对设备的采集与传输功能，数
据传输分为主动传输和被动传输两种，主动传输是每个传感器将采集的数据实时发送给边缘计算设备，被动传输是利用边缘计算设备对传感器下达传输指令后，传感器再将数据进行发送；主动传输和被动传输按照工厂以及检修的要求进行切换。
9.进一步地，所述数据调取模块在线实时的收集、统计、存储设备数据，对设备数据按照设备型号进行自动分类，将分类后数据以表格、折线图、柱状图、饼图的方式展现出过去和当前设备参数的变化，给设备巡查人员和设备维修人员提供依据。
10.进一步地，所述诊断提示模块将诊断结果与设定的诊断级别进行比较，该模块判断出故障的级别，故障级别分为微轻、轻度、中度、重度、报废，将故障级别信息发送给设备巡查员。
11.进一步地，所述图型显示模块以3d的形式显示出来，故障级别的微轻、轻度、中度、重度、报废分别对应显示出绿色、蓝色、黄色、紫色、红色，在3d显示时利用手部操作对诊断部位进行放大、缩小、拆分处理，拆分时精确到零件级别。
12.进一步地，所述命令驱动模块分为主动指令和被动指令两种，主动指令是判断为故障后边缘计算设备发送指令打开/关闭设备，被动指令是利用边缘计算设备发送指令给设备巡查员，将设备的开关权移交给设备巡查员；主动指令和被动指令按照工厂以及检修的要求进行切换。
13.进一步地，该方法步骤如下：
14.步骤s1：边缘计算设备接收设备采集的数据；
15.步骤s2：设备算法诊断模块设定不同数据的边界条件；
16.步骤s3：建立不同设备参数的算法模型；
17.步骤s4：对数据特征进行相关性和关联性分析；
18.步骤s5：对设备是否出现故障进行判断。
19.进一步地，所述步骤s2数据特征进行提取，对设备的数据进行特征种类的划分，设定不同数据的边界条件进行识别：
20.对特征参数a1进行提取，划分为六个特征，正常、一级波动、二级波动、三级波动、四级波动、五级波动，级别越高异常特征越大；
21.对特征参数a2进行提取，划分为五个特征，一级下降、二级下降、一级上升、二级上升和平稳。
22.进一步地，所述步骤s4相关性和关联性，分析参数特征之间的相关性，同时寻找其中的关联性，关联性的强度用支持度与置信度表示，数据特征m与数据特征n的支持度x和置信度y的表达式为：
[0023][0024][0025]
其中，ζ(m)＝|{qi|m∈qi，qi∈d}|,qi表示事务数据库d中项的集合，当支持度不小于最小支持度且置信度不小于最小置信度，则关联规则为强关联性，否则为弱关联性。
[0026]
本发明提出的一种基于物联网的工业设备自诊断系统及方法，实现了一个可行的工业设备诊断与维护系统，用设备的运行数据能够反映设备的实时运行状态，通过专用设
备运行数据与设备状态之间的关联，能够为设备运行状态的判断及预测提供参考。
附图说明
[0027]
图1为本发明的系统框图；
[0028]
图2为本发明的方法流程图。
具体实施方式
[0029]
需要说明的是,在不冲突的情况下,本技术中的实施例及实施例中的特征可以相互结合,下面结合附图和有具体实施例对本技术作进一步详细说明。
[0030]
如图1所示,一种基于物联网的工业设备自诊断系统及方法，该系统包括设备识别模块、命令驱动模块、数据调取模块、设备算法诊断模块、多源信息采传模块、诊断提示模块、图型显示模块、边缘计算设备；
[0031]
设备识别模块，设备巡查员在工厂进行日常巡查时，利用二维码扫描仪对设备进行二维码识别，扫描仪上显示设备的型号及检修日期的信息，同时将信息和新一次的扫描时间发送给边缘计算设备，当设备识别模块对设备进行扫描时触发多源信息采传模块，多源信息采传模块利用传感器对设备的运转情况进行监测，并将监测数据发送给数据调取模块和边缘计算设备，数据调取模块对传输过来的数据进行按照设备型号自动分类同时生成设备数据报表，边缘计算设备利用设备算法诊断模块对传输的数据进行故障检测，当判断设备具有故障时同时触发诊断提示模块和命令驱动模块，并将故障部位数据发送给图型显示模块，诊断提示模块将报警信息发送给设备巡查员，命令驱动模块将设备的开关权发送给设备巡查员，图型显示模块将设备故障部位以3d的形式显示出来。
[0032]
数据传输方式采用zigbee的网络传输方式，是一种基于无线数据传输的高可靠性通信协议，其通信方式和、网络类似。的数据传输模块相当于移动网络基站设备。采用协议进行通讯，通信距离可以根据需要不断犷展，从最初的米到上百米、甚至几公里。zigbee网络的特点是结构简单，使用方便，采用此协议的设备的待机时间长，成本低。
[0033]
采用协议的网络通信节点，每个传输节点本身就是一个被监控的对象，可以与智能传感器直接连接，并进行监控和数据采集等操作，同时每个监控节点还可以作为中转节点，自动将其它网络传输节点采集的数据进行转发。此外，网络中的每个节点在自身信号所覆盖的范围里，可以与多个或一个孤立的传输节点或不作为中转传输的网络节点建立无线连接。
[0034]
设备识别模块支持不同类型的二维码识别，设备摄像功能的驱动接口，对摄像机的闪光灯，焦距等参数进行初始化，并在手机屏幕中央绘制一条红色的直线，用来方便用户进行瞄准识别设备上的二维码，在获取二维码数据后通过解码程序将识别的二维码转换成数字编码，并在设备中显示图片及分析出的数字编码，将拍摄的图片进行解码，得到设备的型号及检修日期的信息，同时发送给边缘计算设备，完成对设备的识别过程。
[0035]
多源信息采传模块利用传感器完成对设备的采集与传输功能，数据传输分为主动传输和被动传输两种，主动传输是每个传感器将采集的数据实时发送给边缘计算设备，被动传输是利用边缘计算设备对传感器下达传输指令后，传感器再将数据进行发送；主动传输和被动传输按照工厂以及检修的要求进行切换。
[0036]
数据调取模块在线实时的收集、统计、存储设备数据，对设备数据按照设备型号进行自动分类，将分类后数据以表格、折线图、柱状图、饼图的方式展现出过去和当前设备参数的变化，给设备巡查人员和设备维修人员提供依据。
[0037]
诊断提示模块将诊断结果与设定的诊断级别进行比较，该模块判断出故障的级别，故障级别分为微轻、轻度、中度、重度、报废，将故障级别信息发送给设备巡查员。
[0038]
图型显示模块以3d的形式显示出来，故障级别的微轻、轻度、中度、重度、报废分别对应显示出绿色、蓝色、黄色、紫色、红色，在3d显示时利用手部操作对诊断部位进行放大、缩小、拆分处理，拆分时精确到零件级别。
[0039]
命令驱动模块分为主动指令和被动指令两种，主动指令是判断为故障后边缘计算设备发送指令打开设备，被动指令是利用边缘计算设备发送指令给设备巡查员，将设备的开关/关闭权移交给设备巡查员；主动指令和被动指令按照工厂以及检修的要求进行切换。
[0040]
如图2所示，该方法步骤如下：
[0041]
步骤s1：边缘计算设备接收设备采集的数据；
[0042]
步骤s2：设备算法诊断模块设定不同数据的边界条件；
[0043]
步骤s3：建立不同设备参数的算法模型；
[0044]
步骤s4：对数据特征进行相关性和关联性分析；
[0045]
步骤s5：对设备是否出现故障进行判断。
[0046]
数据特征提取算法模型
[0047]
步骤s2数据特征进行提取，对设备的数据进行特征种类的划分，设定不同数据的边界条件进行识别：
[0048]
对特征参数a1进行提取，划分为六个特征，正常、一级波动、二级波动、三级波动、四级波动、五级波动，级别越高异常特征越大；
[0049]
对特征参数a2进行提取，划分为五个特征，一级下降、二级下降、一级上升、二级上升和平稳。
[0050]
步骤s4相关性和关联性，分析参数特征之间的相关性，同时寻找其中的关联性，关联性的强度用支持度与置信度表示，数据特征m与数据特征n的支持度x和置信度y的表达式为：
[0051][0052][0053]
其中，ζ(m)＝|{qi|m∈qi，qi∈d}|,qi表示事务数据库d中项的集合，当支持度不小于最小支持度且置信度不小于最小置信度，则关联规则为强关联性，否则为弱关联性。
[0054]
关联性挖掘问题是在数据库中找出具有用户给定的最小支持度和最小置信度的强关联规则，可以概括为如下两个子问题：
[0055]
(1)找出数据库中所有大于等于用户指定最小支持度的数据项集，称为频繁项目集；
[0056]
(2)利用频繁项目集生成所需要的强关联规则。
[0057]
寻找频繁项集是关联规则提取问题中需要研究的核心问题，而apriori算法是一
种寻找频繁项集的基本方法，它通过对数据库进行多次扫描来寻找所有的频繁项集，每次扫描时只扫描同样数目的项组成的项集。在本次扫描中，以上一次扫描得到的结果作为基础产生新的项集，并筛选出其中支持度满足要求的项集。重复上述过程，直到没有新的频繁项集为止。apriori算法在寻找项集时并未设定目标事件，而数据特征相关性分析算法要寻找的事件有明确的特征，即把参数特征看作所有项集，寻找与专用设备故障相关联的数据特征项集，并且需在以故障事件发生与否为依据划分的数据特征组内寻找。因此对apriori算法加以改进，得到数据特征相关性分析算法。
[0058]
本发明提出的一种基于物联网的工业设备自诊断系统及方法，实现了一个可行的工业设备诊断与维护系统，用设备的运行数据能够反映设备的实时运行状态，通过专用设备运行数据与设备状态之间的关联，能够为设备运行状态的判断及预测提供参考。
[0059]
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解的是,在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种等效的变化、修改、替换和变型,本发明的范围由所附权利要求及其等同范围限定。