|
1 引言 在目前传统制衣设备故障诊断的方案中，对于负责控制的电调系统电液转换部件属于制衣设备的关键设备，其检修维护都是通过工厂定期例行的停机检修来进行的，通过电调系统本身的控制系统虽能获取少量的故障信息，但是信息量仍显不足，通常情况下需要有经验的工厂检修人员在检修期间前往机械所在地进行实地检查分析电液阀门的工况进行判断。 工厂执行这种检修任务都需要遵守严格的规程，同时涉及电气液压控制等多个学科，所以通过现场分析判断出转换部件是否可靠有较高的技术门槛。作为电调系统的执行部件，通过控制卡件向系统反馈故障信息，但控制系统只选取相对关键的数据参与故障判断，而实际上反应部件开始老化，性能衰退的数据在很早一个阶段就开始显现，这部分数据相对冗余且不易分析，并不会直接提供给电调系统。为了解决这个问题，我们引入了安森美RSL10蓝牙技术和神经网络技术提高实时数据诊断能力。 2 简介由于近几年物联网无线技术的发展以及国家相关标准的完善，无线技术应用渗透到各个领域，为工厂中的实际需求应用提供了新契机，智慧工厂的概念应运而生。为此，我们开发了以信号采集为基础，结合电液转换部件的知识理解，通过无线传输的方式为用户提供智能化诊断结果和专家级部件寿命管理建议，更好地指导工厂的生产维护和运营。
图 1 蓝牙无线诊断系统框图 该设备系统的结构框图如图 1所示，其主要由电液转换部件，伺服无线诊断模块，移动终端和服务器端四个部分组成，其工作原理如下。 在设备应用中，伺服无线诊断模块采集电液转换部件的数据，通过卡件内部处理，上发数据到移动终端（平板，智能 手机），再由工厂通过巡检规程定期将采集数据上传到制定的服务器端。服务器端搜集数据存储后会定期启动设计好的神经网络算法对已有数据进行训练，优化参数改进智能故障判断策略，然后下发参数到蓝牙设备。模块通过故障判断参数改变就地故障判断策略，最终通过BLE无线网络发送给工厂用户，指导生产运维。 由于制衣设备高安全性的要求，因此在无线技术的选择上选择了蓝牙5.0技术，这项技术的优点在于支持短距离 通信， AES加密编码和低功耗，设备本身不会带来用电负荷。更为重要的是，从蓝牙5.0标准开始支持Mesh网通信技术，这项技术带来的改变在于允许多个蓝牙设备建立更为自由的Mesh拓扑结构，针对制衣设备关键部件伺服模件而言，正好适用这种多拓扑的短距离通信结构。安森美RSL10芯片正好满足该功能。 在Mesh网络覆盖的范围内，通过其网络内部的节点通过中继的方式去实现，同时也可以解决点对点的BLE通信时的遇到障碍物会通信不畅的问题。 蓝牙Mesh网络通过泛洪方式传播，只要中继节点收到消息，那么它就会将消息广播给其周围的节点。泛洪是不需要有中心节点去协调，不需要路由结构，因此可以搭建出更为自由的通信方式，是非常自由的物物相连方式，目前主流支持蓝牙Mesh网络的芯片厂家都实现了一定程度的路径优化算法，对于制衣设备伺服模件这样的不超过20个节点的工程应用场景已经足够，同时为现场实施的灵活部署提供了可能性。
图 2 Mesh网络在制衣设备关键数据中的采集应用 如图所示，在多个制衣设备用于蒸汽阀门驱动的伺服专用模件上加装蓝牙采集模块，通过固定的伺服无线诊断模块将采集到的数据通过Mesh网络汇集到一块，供后级的诊断计算模块进行分析。 4 神经网络在故障诊断中应用
图 3 诊断对象 此次设计使用了Intel的神经计算棒，这个计算棒可以很好地实现神经网络，但是需要对控制对象进行描述。在故障诊断前需对采集对象加以描述。如图3所示，对于整个伺服模件而言，该产品形成了一个完整的闭环控制系统，主要信号包括阀门给定，驱动信号和反馈信号。这些数据都具有连续不间断的特性，在物理世界中为连续的模拟量，反应的实际工况为液压阀接收电流驱动信号将其转换为液压动力，进一步驱动电液转换部件进行线性物理运动，同时物理位移运动带动线性位移传感器移动，从而改变反馈电流信号，通过伺服模块内部提供的PI调节功能将电液转换部件控制在指定行程位置。 这些信号都具有时频特性。某些信号如果出现固定频率的抖动，或者无法达到某个正确的阈值范围，抑或是在给定阶跃的情况下无法正常响应反馈，这些状况往往都需要有一定电气，液压和控制背景知识并具备结合经验能够分析的调试人员在借助测试设备的前提下能够分析出液压设备出现的状况。但由于隐患信息埋藏在时间和频率当中，往往不易被发现。因此我们选取这些能够反映时频特性的数据作为训练参数和应用对象，结合具体工程实施整理如表 1所示。 表 1 伺服卡控制相关数据 | 输入变量 | 信号类型 | 描述 | 趋势值范围 | | 下限 | 上限 | | In1 | 信号反馈 | LVDT开度 | 0% | 100% | | In2 | LVDT1开度 | 0% | 100% | | In3 | LVDT2开度 | 0% | 100% | | In4 | 阀位给定 | 给定的电流信号 | 4mA | 20mA | | In5 | 驱动信号 | 驱动电流1码值 | -40mA | 40mA | | In6 | 驱动电流1码值 | -40mA | 40mA |
表 1中展示了伺服模块中涉及的模拟硬件通道，可以观察到反馈和驱动信号并不如图 10中描述那般简单明了，而是出现多个冗余项，而在具体实施中还会涉及到LVDT传感器主次级信号，其信号的数量会大大增加，而且这些信号都是模拟量，都呈现上文所述的时频特性，但是为了便于阐述和理解，暂时限定这些列表中的数据定义。 同时约定以下为模型的输出变量，采用神经网络采集的数据进行深度分析，利用在服务器端进行训练出的判故参数实时对数据进行侦测，发现问题，目前主要判断故障现象包括如下： 表 2 诊断模型输出结果 | 输出变量 | 诊断结果 | 趋势值范围 | | 下限 | 上限 | | Outp1 | 油动机液压机构卡涩； | 0% | 100% | | Outp2 | 油质不良； | 0% | 100% | | Outp3 | 伺服阀/比例阀损坏； | 0% | 100% | | Outp4 | LVDT传感器损坏； | 0% | 100% | | Outp5 | LVDT传感器移位脱落； | 0% | 100% | | Outp6 | | 0% | 100% | | Outp7 | 伺服模件电路供电不正常； | 0% | 100% | | Outp8 | 电调系统给定信号不正常； | 0% | 100% | | Outp9 | LVDT存在互扰； | 0% | 100% |
表2的输出结果基本表征了电液调节系统中的常见故障，而服务器端的故障诊断数据训练的作用即是通过调整输入变量和输出变量的映射关系。 近几年来人工神经网络(ANN)在智能工业产品上的应用得到了巨大的发展，通过模拟生物学习系统中相互连接的神经元（Neuron）相互连接而形成的复杂网络。神经网络主要由感知器（Perceptron）、线性单元（Linear Unit）和Sigmoid单元（Sigmoid Unit）组成。这些概念的定义都是模拟神经元输入和输出而提出的，本文采用了感知器构成神经网络的基础单元，其主要原理如图4所示。
图 4 神经网络感知器示意图 以网络中的输入层为例，采用表 1的数据作为输入向量构成向量
，定义权值向量
用于表征感知器输出的贡献率，而感知器的输出的定义如下：
，其中
这个数学公式描述了感知器在应对外部输入变化做出的判断，这是构成神经网络的基础结构。其中可以定义
为线性单元，这个构成了一个无阈值的感知器，线性单元的意义在于评估神经网络实际输出
与目标输出
间的误差，为数据训练调整提供反馈值。同时为模拟真实环境，需要使用连续化参数，因此使用Sigmoid函数替换
， 其函数为：
通过感知器这样的基本单元，就可以构建出满足诊断系统所需要的神经网络诊断系统，其网络结构如下。整个网络由2层应用Sigmoid单元的隐藏层和1层线性单元构成的输出层构成，同时神经网络的每一层都由若干个感知器单元组成。这种网络结构能够表征任意连续函数空间，满足方案的应用需要。
图 5 神经网络结构 这部分人工神经网络参数通过无线网络的方式下装到伺服无线诊断模块中，伺服无线诊断模块接收输入数据
进行嵌入式计算，输出结果
，实时迅速地评估出电液装置的故障问题，用户可在移动终端处查询到图文结果。
图 6 捕捉瞬态的故障[A2] 5 结语 该研发装置通过引入安森美RSL10蓝牙5.0Mesh技术和Intel神经计算棒的故障诊断系统，将制衣设备控制领域多年的工程经验进行了有效的智能化改造，让现场调试人员能够快速获得积累多年的工程经验并迅速应用于现场，同时能够对现场出现的问题即使处理，是目前智慧工厂理念实施的一个小小缩影，在可期的未来将有更多这样的智慧化的解决方案应用到工程现场，将工程经验变成宝贵可用的数据信息。
| 
0
/6 
工商网监
湘ICP备2023018690号
878
淘帖
