基于物联网嵌入式单片机的电气设备运行状态远程监控

2023-06-12梁月放

廊坊师范学院学报(自然科学版) 2023年1期

梁月放

【摘要】常规电气设备运行状态远程监控方法在提取运行状态信号的时域特征时，忽略了信号数据偏差量的影响，导致对设备运行状态监控产生的误差较大，因此提出基于物联网嵌入式单片机的电气设备运行状态远程监控方法。利用物联网嵌入式单片机采集正常和非正常情况下电气设备运行状态信号，在此基础上，利用信号分析理论分析设备信号时域中的信号数据偏差量，计算偏移因子，进而提取信号时域特征向量，采用模糊处理模型对特征向量进行估算，实现电气设备运行状态远程监控。在实验论证中，利用所提方法的监控结果绘制设备健康指数曲线，结果与实际值基本一致，监控误差较小，更加符合设备实际运行情况。

【关键词】物联网嵌入式单片机；电气设备；运行状态；远程监控

Remote Monitoring of Electrical Equipment Running State Based on Embedded MCU of Internet of Things

Liang Yuefang

（Anhui Sanlian College， Hefei 230601， China）

【Abstract】 When extracting the time-domain characteristics of the running state signal， the conventional remote monitoring method for the running state of electrical equipment ignores the influence of the deviation of the signal data， which leads to a large error in the monitoring of the running state of equipment. Therefore， the remote monitoring of the running state of electrical equipment based on the embedded microcontroller of the Internet of Things is proposed. The embedded microcontroller of the Internet of Things is used to collect the operating state signals of electrical equipment under normal and abnormal conditions. On this basis， the signal data deviation in the time domain of the equipment signal is analyzed using the signal analysis theory， the offset factor is calculated， and then the time domain feature vector of the signal is extracted. The fuzzy processing model is used to estimate the feature vector， and the remote monitoring of the operating state of electrical equipment is realized. In the experimental demonstration， the equipment health index curve is drawn by using the monitoring results of the proposed method. The results show that the equipment health index curve obtained by using the proposed method is basically consistent with the actual value， the monitoring error is small， and it is more consistent with the actual operation of the equipment.

【Key words】 embedded MCU of internet of things; electrical equipment; operation status; remote monitoring

〔中圖分类号〕 TP399 〔文献标识码〕 A 〔文章编号〕 1674 - 3229（2023）01- 0039 - 06

0 引言

电气设备发生故障会对整个电力系统造成巨大的经济损失，严重时会导致人身安全事故发生。现有对设备运行状态监控的方法：文献［1］基于大数据的设备运行状态监控方法，通过对设备故障机理进行深入分析，根据不解体测试结果，利用大数据分析预测设备是否存在潜在故障，从而进行调整、维修或更换；文献［2］基于蚁群算法的设备运行状态监控方法根据设备空白出现的故障定位，建立监控模型，引入蚁群算法，对模型进行求解，从而设计监控信息传输方案，实现对电气设备的运行状态监控。但以上方法由于对参数变量的估计不准确，不能高效完整地对数据知识进行挖掘，监控结果误差较大，无法为设备维护人员提供全面的知识指导。本文提出的基于物联网嵌入式单片机的电气设备运行状态监控方法，有效地解决了当前方法存在的不足，可提高设备运行状态监控的可靠性和实时性。

1 电气设备运行状态远程监控方法设计

1.1 利用物联网嵌入式单片机采集电气设备运行状态信息

电气设备在正常运行过程中会产生标准范围内的正常振动信号，当设备运行不正常时，其振动信号往往也是不规律的［3］。因此需要对正常和非正常情况下电气设备振动信号的特征值进行提取、分析、处理来确定轴承故障情况。通过对这些参数的获取，实时判断设备的运行状态，进而为后续的维修提供更为准确的依据。选用物联网嵌入式单片机80C51作为采集设备运行状态信号的器件，其结构如图1所示。

由图1可知，物联网嵌入式单片机80C51的主端口直接与树莓派中的第6个引脚相连，并与其输出连接器实时传输信号数据；HAT与单片机内置的采集卡互通，实现树莓派在发出数据采集指令时自动设置GPIO引脚；80C51具备12個32位的双端信号输入输出器，可通过的模拟信号电压范围为±20V［4］；板卡地址可根据设备信号类型进行自动匹配，匹配时最大数据吞吐量为500kS/s，并具备24针I/O引脚，支持用户监控同时利用时钟和振荡信号板卡进行数据扫描；3.3V电源为单片机供电，并与树莓派连接［5］。

由于通过80C51单片机采集的设备运行状态信号是模拟量，且其中掺杂着大量的噪声干扰信号，若直接对其进行特征提取，则导致信号转换为数据量的纯度较低，后续监控结果不准确［6］。因此，在设备运行状态信号采集之后，需要对信号进行转换。利用跨阻值放大器，对状态信号进行适当增益，消除噪声信号的干扰，将信号转换为数据形式。信号转换电路设计如图2所示。

由图2可知，利用1N4001硅整流二极管通过电压反向将采集到的较强状态信号转换为电流；采用跨阻值放大器对较弱的状态信号进行增益放大处理［7］。通过上述操作，将采集到的所有信号全部转换为数据形式，利于后续监控。采集的设备运行状态工况参数如表1所示。

经过信号转换操作，对信号进行调理转换，保证采集到的信号均为数据形式。利用80C51信号的嵌入式单片机可以将设备运行状态的参数集中在一个芯片上，信号数据采集流程如图3所示。

由图3可知，信号数据采集芯片主要从三个方向对设备运行状态信号数据进行采集，主要为信号数据等待队列、信号可用队列和信号数据删除队列［8］。其中，等待队列中的信号数据是经过调理转换的数据；信号可用队列是采集设备全部的运行信号；删除队列对信号数据进行筛选，删除不可用数据，保留有效信息。

利用线性方程描述信号数据采集状况，即：

[X=B2-B1A2-A1+B1A2-B2A1A2-A1] （1）

上式中，[A1]表示采集设备运行状态信号的开始时间；[A2]表示信号采集结束时间；[B1]表示信号采集初始值；[B2]表示信号采集终止值；[X]表示信号数据采集总量。

利用上式的线性方程来定量描述设备运行状态信号的采集情况，为接下来提取信号时域特征以及运行状态监控提供便利。

1.2 提取运行状态信号时域特征

在状态信号采集基础上，利用信号分析理论分析信号偏差量，并计算出偏移因子，从而对时域特征进行提取，利用这些特征向量判断设备运行状态。因此，在采集到运行状态信号的基础上，对信号的时域特征进行提取，运行状态信号的应力波时域特征如图4所示。

图4中的状态信号时域波形图为设备的一个运行周期。对于设备在全生命周期中的运行记录，窗口的长度是固定的，其中最多包含10万个运行数据节点，记录时间为20s。信号数据记录的长度用“[R]”表示，指的是数据文件持续总时间。从状态信号时域中提取出的特征参数主要由设备的初始极限阈值[L]决定，通常情况下，极限阈值为设备在一个运行周期内的最低瞬时振幅的10倍。瞬时振幅调整描述如图5所示。

图5中，[Vav]表示振幅的最低值；[Vrms]表示均方根值；[Vp]表示峰值；[Vpp]表示峰峰值。

用于计算极限阈值的物理参数是预先给定的［9-10］。因此，设备一个运行周期内信号的应力波峰值能量[E]为：

[E=B?tetbVavA′i，Ldt] （2）

式（2）中，[B]为信息采集数量；[A′i]表示窗口内的最低瞬时振幅；[L]表示设备极限阈值；[te]、[tb]分别表示记录长度的最大时间和最小时间。

一般情况下，设备的全生命周期包括5个窗口长度［11］，共包含4个时域特征参数[S1、S2、S3、S]。因此，提取到的信号初始时域特征参数[S1、S2、S3]定义如下：

[S1=1ni=1nA′i3] （3）

[S2=Rmax-RminA′i] （4）

[S3=1ni=1nA′i2L2] （5）

[S=E?S1，S2，S3] （6）

式（3）中，[n]表示振幅峰值个数，[i]表示峰值序号；式（4）中，[Rmax]、[Rmin]分别表示信号记录的最大值和最小值；式（5）中，[L]表示极限阈值；式（6）中，[E]表示应力波峰值能量。

因此，通过对设备运行状态信号的应力波分析，提取得到信号时域特征参数，即式（6），为接下来对设备运行状态监控的实现打下了基础。

1.3 实现设备运行状态监控

信号数据在特征提取过程中，由于设备自身和外界因素影响，导致得到的信号参数质量不高，从而在时域波形中出现模糊区域［12-13］。所以，采用模糊处理模型对信号的模糊部分进行处理，提高信号质量，获取最佳参数。模糊处理模型的表达式为：

[yi，j=S×hi，j×xx，j+n1×n2] （7）

式（7）中，[yi，j]表示模糊信号；[S]表示信号时域特征参数；[hi，j]表示模糊信号部分退化算子；[xx，j]表示初始信号；[n1]表示加性噪声；[n2]表示乘性噪声。

利用线性不变模型与模糊处理模型相结合，建立双重模糊处理模型，因此，可以将式（7）改写为：

[yi，j=Hxi，j+n1] （8）

式（8）中，[H]表示线性不变模型的滤波器，对复杂信号的干扰因素进行滤波消除处理。

在电气设备运行状态远程监控中，信号在传输过程中易发生径向畸变，该畸变信号会降低监控结果的精度［14-15］。主要成因是信号随着长度方向发生改变时，其采集到的信号也会发生扭曲。

利用公式（9）描述信号的径向畸变过程，即：

[Xd=1+kR2dXuYd=1+kR2dYu] （9）

式（9）中，[Xd，Yd]表示信号坐标；[Xu，Yu]表示信号标准坐标；[k]表示径向畸变因子；[Rd]表示信号偏移因子，且满足公式（10）：

[R2d=X2d+Y2d] （10）

通过确定信号偏移因子，计算得出信号的偏移量，并利用公式（8）对信号畸变进行模糊处理，实施线性拟合，实现对电气设备运行状态的实时监控与捕捉。

2 实验论证

为证明本文所提的识别运行状态监控方法的可靠性，选择某地区的过程层电气设备，根据电气设备运行状态监控过程特点，设计实验环节。

2.1 实验准备

基于1台PC机（Intel Core i7 3.00 GHz CPU，32GB内存，外接5TB硬盘用于存储数据）搭设电气设备运行状态监控平台，数据预处理利用MATLAB 2018。物联网嵌入式单片机对待监控对象的运行数据进行采集和传输；单片机与PC机的链接强度为10，启用部分引脚与HAT连接器相连，并调用换阶函数对链接强度进行校准。

80C51型号嵌入式单片机对信号的采集频率为5 min /次，获取到的设备运行状态信息包括设备结构技术参数、正常运行数据以及故障维修数据三种类型，由系统配电设备、设备内部数据库系统以及历史数据构成。数据库系统结构如表2所示。

对于设备实时运行数据，利用单片机对其进行采集，并将最新数据传输到系统的集群中进行预处理；对于设备运行的历史数据，利用Flume逐条读取并分析。

2.2 实验说明

基于以上实验准备，对原始的QAR数据进行单独提取，提取出的数据为txt格式如图6所示。图6中记录了电气设备的名称、运行时间、基准值、警戒值以及参数变化范围等。

选取的多台电气设备主要由电缆、通信轉换器、配电箱、端子箱、总控制器和主机组成。采用电气设备运行状态测试仪Test-Center对设备进行运行状态测试，获取设备监控结果；利用断路器调整设备运行状态，并通过校准器对电气参数进行校正；利用交换机将以上硬件进行连接，搭建测试环境，如图7所示。

图7中监控显示器为计算机，可实时显示监控方法的监控结果。数据集数据大小分别为1500MB、3000MB与4500MB。

2.3 运行状态监控误差实验分析

在方法测试与仿真中，选择了某地区环境下5台运行变压器的状态预测情况，采用的时间维度属性区间是2015年6月～2022年6月，每3个月为一个分析区间。对每台设备均采集10条运行数据，共计300条数据，同时实时数据的刷新时间保持在5～10s内。将待监控设备的历史数据进行汇总并分析，按照百分制对设备的运行状态进行健康分析，确定待监控设备的健康指数分别为0.87、0.65、0.43、0.92、0.20，对应的运行状态具体为健康、良好、不健康、健康、故障。分别利用文献［1］基于大数据的设备运行状态监控方法（方法1）、文献［2］基于蚁群算法的设备运行状态监控方法（方法2）与本文设计的方法同时对以上设备的运行状态进行监控，将监控结果与实际监控结果相比较，对比不同方法的监控误差。对比结果如图8所示。

分析图8可知，利用方法1对设备运行状态进行监控得到的设备健康指数与实际数值相差较大，监控误差较大，该方法利用部分故障数据建立监控模型，没有充分考虑设备运行参数的偏差量；方法2是通过设备基线模型绘制监控拟合曲线，缺少对基础运行数据的分析，因此存在较大的监控误差；利用本文方法对实验设备运行状态进行监控，得到的设备健康指数与实际值基本一致，表明监控误差较小，更加符合实际情况。

3 结论

本文研究的电气设备运行状态监控方法，充分利用物联网单片机高效采集数据的优势，以此提高监控方法的信号数据采集质量和效率，进而实现对电气设备运行状态的监控，并通过对比实验证明了设计方法的有效性。在今后的研究中，还需要对设备运行过程中的信号数据建立数据库，进一步完善设备运行状态监控方法。

［参考文献］

［1］徐晓虹，郑昀.基于大数据的配电设备运行状态监控与故障预警系统设计［J］.能源与环保，2021，43（12）：207-211.

［2］周从军.基于蚁群算法的带式输送机运行状态监控系统设计［J］.煤炭技术，2021，40（11）：211-213.

［3］米海峰.矿用通风机运行状态监控系统的研究［J］.机械管理开发，2022，37（7）：303-304.

［4］林学伟，严明忠. 基于STM32单片机的智能家居控制系统设计［J］. 廊坊师范学院学报（自然科学版），2020，20（4）：35-38.

［5］杜立婵，王彪，赵云，等.“1+X”证书制度下物联网专业嵌入式单片机技术及应用课程教学探索［J］.广西教育，2022（12）：161-164.

［6］陈军，韩清华，杨安迪，等.项目团队教学法在嵌入式单片机课堂的探索与实践［J］.实验室研究与探索，2022，41（4）：232-235.

［7］黄一躬，周超，侯跃辉，等.汽车壳体类零件加工生产线运行状态监控系统的设计与实现［J］.中国科技论文在线精品论文，2022，15（1）：31-42.

［8］杨耀杰.煤矿机电设备工作状态智能监控系统研究［J］.机械管理开发，2021，36（12）：276-277.

［9］郭东明.基于CAN总线的无人值守变电所过程层设备运行状态智能监控方法［J］.能源与环保，2021，43（10）：288-293.