一种基于信号增强与压缩边缘计算的电机轴承故障诊断方法及装置
技术领域
本发明涉及电机轴承故障在线诊断技术领域，具体涉及一种基于信号增强与压缩边缘计算的电机轴承故障诊断方法及装置。
背景技术
电机被广泛应用于工业生产中，工业电机在长期运行后，容易出现性能下降和机械电气故障。研究表明，40％-50％的电机故障是由轴承引起的，因此对电机轴承进行状态监测和故障诊断具有重要意义。振动信号分析是电机故障诊断的常用技术，通过安装在电机轴承座上的加速度传感器采集电机振动信号，对信号进行处理和分析可以判断电机轴承的故障类型和故障严重程度。
噪声干扰是电机轴承故障诊断面临的关键核心难题。轴承振动信号受到机器、电路、环境等多种噪声干扰，噪声淹没了信号中与故障关联的微弱信息，从而影响轴承故障诊断的精度和效率。因此，信号滤波与增强是实现高精度电机轴承故障诊断的关键。
此外，传感器采集信号的传输可以通过有线或者无线传输实现。有线信号传输的优势是信号传输稳定、信道容量大，但是线缆的安装和布置受到传输距离和工作环境的限制。相比而言，基于物联网技术的无线信号传输方式可以分布式采集电机的信号并通过无线网络进行传输。因此，物联网技术为远程电机故障诊断提供了极大的灵活和便利而被广泛应用。
近年来物联网设备的部署数量快速增长，由此带来的问题是传输信道变得繁忙，数据中心的计算和存储压力陡增。边缘计算作为一种新兴的技术，通过把原来集中处理的数据和算法部署到分布式的嵌入式节点，利用节点的计算资源对采集的数据进行分布式计算。通过采用边缘计算对物联网设备采集的数据进行预处理，无需向中心服务器发送大量原始数据。因此，边缘计算能够有效减少海量数据的传输和处理时间，从而解决数据爆炸问题。
由此可见，信号增强与数据压缩对于提高电机故障诊断的精度和效率具有十分重要的意义。通过采用边缘计算技术在物联网节点对振动数据进行增强和压缩，可以有效提升输出信号信噪比，降低数据传输时间和功耗，从而延长电池的使用寿命，在电机轴承远程故障在线监测诊断中具有潜在的应用前景。
发明内容
本发明技术解决方案：克服现有技术的不足，提供一种基于信号增强与压缩边缘计算的电机轴承故障诊断方法及装置，显著提升电机轴承故障诊断效率。
本发明采用的技术方案为：
一种基于信号增强与压缩边缘计算的电机轴承故障诊断方法，包括如下步骤：
第一步、加速度传感器安装在电机的轴承座上采集振动信号；
第二步、边缘计算处理器将采集到的电机轴承振动数据进行解调、降采样、信号增强，将处理后的电机轴承振动数据进行压缩编码，再由无线信号发射模块传输至无线信号接收模块(4)，随后通过接口适配器发送至电脑；
第三步、将接收到的数据在电脑上解码，并通过对解码后的信号进行频谱分析诊断电机轴承故障。
其创新性及优点在于，通过在物联网节点上采用边缘计算对数据进行压缩和增强，能够提高输出信号信噪比，同时降低需要发送的信号长度，减少发送时间和功耗，最终提升轴承故障诊断效率并延长物联网节点的电池使用寿命。
所述第二步中，在边缘计算处理器上将采集到的振动数据进行解调时，采用平方低通滤波算法实现电机轴承振动数据的边缘计算在线解调。该算法相比于传统的希尔伯特变换解调法，其优点在于实数运算计算效率高、内存占用小，在嵌入式平台上执行效率高。
所述第二步，在边缘计算处理器上将采集到的振动数据进行降采样时，采用整数倍抽取算法实现电机轴承振动数据的降采样。该算法能够在确保信号质量不降低的情况下有效减少信号长度，进而降低信号发送时间和功耗。
所述第二步，在边缘计算处理器上将采集到的振动数据进行增强时，采用随机共振非线性滤波器对微弱的电机轴承振动信号进行增强。当故障特征频率与噪声频率相近时，传统的线性滤波器在滤除噪声的同时可能会衰减有用频率的能量，进而影响故障诊断的精度。本发明采用的随机共振非线性滤波器能够利用噪声能量增强微弱的故障特征频率，实现强噪声背景下微弱故障特征的增强检测。
所述第二步，采用语音编解码器实现电机轴承振动数据的压缩编码。该编码器的优势在于能够对解调增强的振动信号进行深度压缩并保持波形质量，进而再次减小信号的长度和降低发射时间及功耗。
本发明的一种基于信号增强与压缩边缘计算的电机轴承故障诊断装置，包括两个模块：模块A和模块B；其中，
模块A为布置于工业现场的物联网节点，包括加速度传感器，边缘计算处理器，无线信号发射模块；
模块B为数据接收和处理中心模块，包括无线信号接收模块，接口适配器，电脑；
加速度传感器安装在电机轴承座上，其输出与边缘计算处理器的输入相连；采集到的电机振动信号在边缘计算处理器上进行解调、降采样、信号增强、压缩编码；处理后的信号输入无线信号发射模块；无线信号发射模块将数据通过无线网络发送到无线信号接收模块；无线信号接收模块接收来自物联网节点发送的信号，通过接口适配器传输至电脑，最后将压缩信号在电脑进行解码和分析。
其创新点与优势在于，该物联网节点能够运行电机轴承振动信号增强与压缩边缘计算算法，通过在边缘端处理信号，能够提升振动信号输出信噪比并降低信号长度，进而降低物联网数据发送时间和功耗，提升故障诊断的效率并延长物联网节点电池的使用寿命。
所述的加速度传感器为超低功耗高性能线性数字式加速度传感器。
所述的无线信号发射模块和无线信号接收模块为配对的无线数据收发模块。
所述的边缘计算处理器能够实现解调、降采样、信号增强、数据压缩算法。
本发明的优点和积极效果为：
(1)本发明方法对采集到的电机轴承振动信号进行解调和增强能够显著提高信号的信噪比，对信号进行降采样和压缩能够显著减少数据长度。
(2)为了实现以上信号增强和压缩方法，本发明提供了相应的物联网节点装置，通过采用降采样和数据压缩，减少了数据长度、数据传输时间以及发射功耗，提高了电机轴承振动信号采集和传输的效率。
(3)本发明的方法和装置具有输出信号信噪比高、无线传输效率高、低功耗、能够延长物联网节点供电电池使用寿命等特点，因而适用于电机轴承在线状态监测和故障诊断，特别适用于采用电池供电、需要发送大量远程监测数据的电机轴承故障诊断。
附图说明
图1为本发明的物联网装置框架图，图中标号名称：1为加速度传感器，2为边缘计算处理器，3为无线信号发射模块，4为无线信号接收模块，5为接口适配器，6为电脑；
图2为本发明方法的流程图；
图3为电机轴承外圈故障信号解调后的波形图和包络谱；
图4为解调信号降采样后的波形图与频谱；
图5为解调降采样信号经过随机共振增强后的波形图和频谱；
图6为增强信号经过压缩发送和接收解压后的波形图和频谱；
图7为本发明方法和传统方法处理同一长度信号帧的功耗对比图。
具体实施方式
下面结合附图以及具体实施方式进一步说明本发明。
如图1所示，本发明的一种基于信号增强与压缩边缘计算的电机轴承故障诊断装置，包含AB两个模块；模块A是布置于工业现场的物联网节点，包括加速度传感器，边缘计算处理器，无线信号发射模块；模块B为数据接收与处理模块，包括无线信号接收模块，接口适配器，电脑；
其中加速度传感器安装在电机轴承座上，其输出与边缘计算处理器的输入相连；采集到的电机振动信号在边缘计算处理器上进行解调、降采样、信号增强、压缩编码；处理后的信号输入无线信号发射模块；无线信号发射模块将数据通过无线网络发送到无线信号接收模块；无线信号接收模块接收来自物联网节点发送的信号，通过接口适配器传输至电脑，最后将压缩信号在电脑进行解码和分析。
如图2所示，本发明的一种基于信号增强与压缩边缘计算的电机轴承故障诊断方法，具体如下：
步骤(1)、加速度传感器1安装在电机轴承座上采集振动信号；
步骤(2)、采集到振动数据采用边缘计算处理器2进行解调、降采样、微弱信号增强。在解调步骤中，假设振动信号V(t)由低频信号Vl(t)和高频载波信号Vh(t)相乘得到，公式表示如下：
V(t)＝Vl(t)×Vh(t)
＝[Aml cos(2πflt)+DC]×Amh cos(2πfht)
式中，t表示时间，Aml和Amh分别是Vl(t)和Vh(t)的振幅；fl和fh分别是Vl(t)和Vh(t)的频率；DC是直流分量且满足Amlcos(2πflt)+DC>0。
随后，构造一个过渡信号
在实际的机械振动系统中，载波频率为机械系统共振频率，通常在千赫兹量级，调制频率为轴承故障特征频率，通常在百赫兹量级，因此载波频率远高于调制频率(即fh>>fl)。使用截止频率低于4π(fh-fl)的低通滤波器对信号
通过计算滤波信号
信号解调后，故障信号的能量从高频共振带转移到低频段。因此，高频信号段不再携带重要信息。为了减少物联网节点传输的信号长度，以R>1，R∈N+的比率对解调信号进行整数倍抽取降采样，式中R为降采样率,N+表示正整数。
解调降采样后的振动信号仍然受到噪声干扰而影响轴承故障类型的判断，进一步采用随机共振非线性滤波器对微弱的振动信号进行增强检测。随机共振滤波器能够利用噪声能量增强微弱的轴承信号特征，从而提高故障诊断的准确性。随机共振滤波器的动力学方程可表示为：
式中x(t)为信号相对于时间序列t的轨迹，β为阻尼因子且小于1，V(x)为对称反射双稳态势阱，如下所示：
其中a和b是双稳态势阱参数，且均为正值，x为粒子运动的轨迹。上述中No(t)是噪声信号，表示如下：
No(t)＝ω(t)+N(t)
式中，ω(t)为周期信号：
式中，A0，Ω，
N(t)为噪声分量：
D为噪声强度；ξ(t)为零均值的加性高斯白噪声，满足以下条件：
ξ(t)ξ(0)＝2Dδ(t)
式中，ξ(0)为ξ(t)在t＝0时刻的函数值，δ(t)为冲击函数，令
采用四阶龙格-库塔数值方法求解上式：
其中h为计算步长，x[n]，y[n]和No[n]分别是信号x(t)，y(t)和No(t)的离散形式，x1，y1，x2，y2，x3，y3，x4，y4为计算过程中的过渡变量。利用以上随机共振非线性滤波器增强了微弱的电机轴承故障特征频率，从而利于故障识别。
为了进一步减少信号传输时间、功耗和信道带宽占用，增强的信号在传输之前采用语音编码器进行压缩编码。
步骤(3)、无线信号接收模块4将接收到的数据通过接口适配器5转发到电脑6上。在电脑6上采用语音解码器进行解码，对解码后的信号进行频谱分析判断电机轴承故障类型。
实施例1：
该实施例通过分析电机轴承外圈故障信号说明本发明的实用性和优越性。电机轴承的型号为6002Z，电机转速为1283RPM，由此可计算出该轴承的外圈故障特征频率fBPFO为115.6Hz。利用图1所示本发明提出的物联网节点装置，根据本发明方法步骤1，将本发明装置中的加速度传感器安装在电机轴承座上。设置采样频率为5kHz，采样时间为0.96秒，采集数据点为4800个。
根据本发明方法步骤2，在边缘计算处理器上对信号进行解调、降采样和信号增强。采用本发明的平方低通滤波算法对信号进行解调，解调信号波形图和包络谱分别如图3中的左图和图3中的右图所示。从图3中右图可见，电机轴承振动信号解调之后故障特征频率fBPFO出现在包络谱中，但是fBPFO周围的噪声分量十分明显，这些噪声干扰会影响对轴承故障类型的准确判断，解调信号的信噪比计算得到-5.99dB。随后，采用本发明的整数倍抽取算法对信号进行降采样，降采样率设为R＝5。降采样后的信号波形和频谱分别如图4中左图和图4中右图所示，从波形图中可见信号长度从4800减少到960个采样点，从频谱图中可见故障特征频率fBPFO与图3中右图比较基本没有变化，信号的信噪比为-6dB。由此可见，由于信号解调后能量集中在低频区域，降采样对信号质量基本无影响。由于降采样后信号长度降低了5倍，因此将提升物联网节点信号传输的效率、降低传输时间和功耗。
由于解调和降采样后的振动信号仍然受到噪声干扰，因而进一步采用随机共振非线性滤波器对信号进行增强，增强后的信号波形和频谱分别如图5中左图和右图所示。从图5中右图中可见，故障特征频率fBPFO得到明显增强，其能量远高于附近的噪声分量，信号增强后的信噪比从-6.00dB提升到-1.28dB。在完成信号增强之后，采用语音编码器进行压缩编码，压缩比设置为16。通过无线信号发射模块3将压缩信号发送至无线信号接收模块4，再通过接口适配器5发送到电脑6。在电脑上解压信号并计算频谱，解压信号及频谱分别如图6中左图和图6中右图所示。从图6中右图中可见，故障特征频率fBPFO在频谱中仍十分突出，信号的信噪比为-1.99dB。信号经过压缩和解压后，虽然信噪比有所下降，但是解压信号的信噪比仍然显著高于图3中右图中未经增强信号的信噪比(-5.99dB)。经过降采样和高保真压缩后，信号长度从原来的4800采样点压缩为60采样点，整体压缩为80。该结果表明，本发明对能够在显著压缩减小数据长度。同时，在80倍的压缩率下，输出信号的信号比仍从-5.99dB提升到-1.99dB，即本发明提出的方法能够同时显著降低信号长度并提升输出信号信噪比。
实施例2：
为了进一步体现本发明方法的优越性，通过实验对比本发明方法和传统方法的发送时间、功耗等表现。本发明方法包含信号采集、信号预处理、信号压缩和信号发送4个阶段，其中信号预处理包括解调、降采样和信号增强过程。传统方法只包含信号采集和信号发送2个阶段，即把采集后的数据不经过处理直接发送到电脑端再进行处理。两种方法的对比结果如图7所示，图7上为本发明方法的功耗图，从图中可见，功耗曲线随着算法的执行而动态变化。每一帧的信号处理从功耗曲线的幅值区别可以分成4个阶段，如图7中的竖虚线所示，这4个阶段与实际的算法执行过程相一致。在本发明的信号采集阶段，采集时间持续0.96秒，平均采集功率为39.57毫瓦。在信号预处理阶段运行解调、降采样和信号增强算法，该阶段持续时间为0.68秒，平均功率为38.74毫瓦，该结果说明本发明提出的算法具有较高的计算效率和较低的计算成本。信号压缩编码阶段的持续时间为0.26秒，平均功率为39.88毫瓦。最后，将压缩后的信号通过无线信号发射模块传输至无线信号接收模块，传输时间持续1.5秒，传输功率为37.54毫瓦。
在图7下所示的传统方法的结果中，信号采集和信号传输两个阶段的时间分别为0.96秒和63.56秒。可见，传统方法每帧信号的传输时间和信号处理的总时间远远大于本发明所提出的方法，该结果进一步验证了本发明方法的优越性。为了更好地定量展示本发明方法和装置的优越性，将本发明方法和传统方法在时间和功耗两个指标进行测量对比。在表1中，传统方法与本发明方法处理一帧信号所需要的总时间分别为64.52秒和3.44秒，虽然本发明方法多了一个额外的信号预处理步骤，但它仍然可以显著减少信号长度和传输时间。在表2中，传统方法和本发明方法的总功耗分别为2459.50毫焦耳和132.92毫焦耳。该结果说明物联网节点的处理一帧信号的总功耗受到信号传输时间的影响较大，本发明方法由于减少了数据长度和传输时间，因而显著降低了总功耗。
表1传统方法与本发明方法处理一帧信号所需的时间对比
表2传统方法与本发明方法处理一帧信号的功耗对比
综上，本发明方法和传统方法对比，通过一系列的信号处理步骤，可以实现80倍的数据压缩率并提高4dB的信号信噪比。同时，本发明方法对一帧信号的处理总时间和总功耗相比于传统方法分别下降了94.67％和94.60％。因此，本发明方法能够有效提高电机轴承故障诊断的效果和效率。本发明的物联网装置具有低功耗高效率的特点而适用于远程电机状态监测和故障诊断，对于降低能源消耗并延长电池使用寿命、减少物联网供电电池的更换次数、保护环境和实现可持续发展具有重要的现实意义。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
尽管为说明目的公开了本发明的实施例和附图，但是本领域的技术人员可以理解：在不脱离本发明及所附的权利要求的精神和范围内，各种替换、变化和修改都是可能的。因此，本发明不应局限于本发明实施例和附图所公开的内容。
