CN102072829B - 一种面向钢铁连铸设备的故障预测方法及装置 - Google Patents

Abstract

本发明涉及一种面向钢铁连铸设备的故障预测方法及装置，利用安装于钢铁连铸设备传感器采集设备实时状态参数，此信号经过数据采集节点的信号调理电路、放大滤波电路、A/D转换模块处理，通过支持Zigbee协议的无线电路发送数据到手持点检设备。手持点检设备接收数据，并对数据进行分析，通过基于小波包分解和重构构建设备状态数据的特征向量，将此向量作为样本，利用支持向量数据描述训练单值分类器，用驯化的分类器计算设备健康指数，并描绘设备的劣化曲线，进而预测出设备的剩余使用寿命。数据采集节点主板包括传感器、信号调理电路、放大滤波电路、单片机和天线电路。手持点检设备包括无线通信模块、ARM最小系统、键盘和显示模块。本发明采用无线通信方式摒弃了传统的工业总线，可应用于钢铁连铸线等苛刻生产环境中，减少布线麻烦，降低应用成本。

Description

一种面向钢铁连铸设备的故障预测方法及装置

技术领域

本发明属于机械设备故障诊断与预测技术领域，具体涉及一种面向钢铁连铸设备的故障预测方法及装置。

背景技术

国内制造业的设备维修管理服务需求不断攀升。迫切需要研发面向大型装备的MRO支持系统，为装备制造企业、装备用户企业和装备服务企业提供全面的数字化解决方案和信息化集成技术，推动制造服务业跨越式发展。目前，国内钢铁连铸生产线仍采用事后维修和计划维修的维护模式，维修费用高，容易产生设备非计划停机，造成巨大的损失。传统维护方式难以满足维护成本与效率的要求，亟需更合理高效的设备运行状态监测与诊断技术来减少故障停机时间，降低运行和维护成本。

对机械故障进行监测诊断的研究已经有许多成果，如重庆大学CN1514209A号专利所公布的一种旋转机械故障智能诊断方法与装置，沈阳工业大学CN1776390专利号所公开的一种低速重载旋转机械故障诊断方法，上海交通大学CN2826392号专利所公开的一种旋转机械故障诊断与分析实验装置等。他们的共同特点都是对旋转机械故障诊断方法与装置的研究，没有进行现场故障预测。而上海海事大学发明专利号CN101201295A所公布的基于灰色理论的预测方法和装置，通过灰色预测原理预测未来各个时刻旋转机械振动位移数值来达到预测旋转机械未来工作状况。对于钢铁连铸设备来说，设备的状态信息参量多，已有的发明只对旋转机械的振动信号进行分析，不能全面掌握设备的状态信息，也不能做出较全面的故障预测。另一方面，对于很多生产环境复杂、恶劣的场合，通过有线方式采集设备状态数据并进行实时预测非常困难。再者，现有的发明将采集的数据仅仅用于故障诊断和预测，而没有将数据存储和上传为设备管理和生产管理服务。

发明内容

本发明的目的之一在于提供一种面向钢铁连铸设备的智能故障预测方法。该方法采用小波包分解和重构设备状态信号并构建特征向量，用得到的特征向量训练SVDD单值分类器，通过驯化的SVDD单值分类器。

本发明的目的之二在于提供一种面向钢铁设备的智能故障预测装置，在数据采集设备与手持设备之间采用无线通信进行数据传输，解决了工业生产现场恶劣的布线条件问题，提高了点检的灵活性。

本发明提出的一种面向钢铁连铸设备的故障预测方法，具体步骤如下：

(1)进行点检时，通过手持点检设备唤醒安装于设备监测点的数据采集节点，通过设置数据采集通道开始采集数据；

(2)数据采集节点前端传感器采集的设备状态数据，经隔离、变换及滤波处理之后，得到对应的电压信号；

(3)电压信号在数据采集节点经采样和模数转换，得到对应的数字信号；

(4)数字信号在数据采集节点中进行编码打包，然后通过无线射频发送出去；

(5)手持点检设备接收数据采集节点发送的编码数据，自动进行解码和存储；

(6)通过手持点检设备的功能菜单选择对采集数据的操作，进行故障分析和寿命预测，同时发送指令改变采集通道或停止采集使数据采集节点休眠；

(7)预测的结果显示在手持点检设备的显示模块上。

本发明中，步骤(6)中故障分析使用小波包分解技术进行特征提取、SVDD分类器驯化和设备退化曲线的获取，具体步骤如下：

(1)利用原始信号x(t)的均值μ和标准差σ规范化x(t)，得

(2)利用小波包分解对规范化后的信号x(t)′进行j层分解，得到2^j个不同频带的重构信号f_i(t)(i＝1，...，2^j)；

(3)计算各频带重构信号f_i(t)的能量，采用归一化方法对各频带重构信号进行处理，即用各频带重构信号的能量占信号总能量的分数来表示，得到各重构信号的相对能量

i＝1，2，...，2^j，有

(4)利用归一化后的各频带重构信号的相对能量E_j(i)作为参数，构造特征向量T＝[E_j(1)，E_j(2)，...，E_j(2^j)]；

(5)以1000组良好设备的状态数据为样本，利用步骤(4)中所构造的特征向量作为学习样本，训练SVDD单值分类器，得到决策函数χ(z)中与样本对应的参数α_i的值和最小超球面半径R的值；

(6)将设备全生命周期的采样数据代人Г＝χ(z)-R，如果Г≤0，则健康指标HI＝0；否则HI＝Г；

(7)用得到的设备全生命周期的健康指标HI绘制设备性能退化曲线；

(8)故障分析与寿命预测：将点检过程中采集的数据代人(6)步进行判断，得到当次点检的健康指标HI，将此指标值与得到的设备退化曲线进行对比，得到预测的设备剩余寿命。

本发明提出的一种面向钢铁连铸设备故障预测的装置，由数据采集节点主板2和手持点检设备3组成，数据采集节点主板2由传感器1、信号调理电路4、放大滤波电路5、单片机6、天线电路7和第一电源模块8组成，传感器1与信号调理电路4之间通过工业电缆连接，信号调理电路4连接放大滤波电路5，放大滤波电路4与单片机6的数据口连接，电源模块8分别连接传感器1、信号调理电路4、放大滤波电路5、单片机6和天线电路7；手持点检设备3由键盘9、无线通讯模块10、第二电源模块11、通信接口12、接口模块13、显示模块14和ARM最小系统15组成，键盘9、无线通讯模块10、第二电源模块11、通信接口12和显示模块14分别与接口模块13连接，接口模块13的另一端与ARM最小系统15的数据口连接。

本发明中，所述传感器1为温度传感器、振动传感器、压力传感器、电磁传感器或涡流电流感应器中一至多种，温度传感器将温度信号转换为相应的电压信号，振动传感器将振动加速度信号转换为电压信号、压力传感器将压力信号转换为电压信号，电磁流量传感器将流量信号转换为电压信号。各传感器安装于在线设备的监测点，并且通过电缆于数据采集节点的主板相连。不同的传感器与对应信号调理电路相连，每个经过调理的信号作为多路开关的输入，多路开关的输出经信号调理电路2输出端与单片机6相连。

本发明中，所述信号调理电路由电容隔离电路、放大器电路和RC抗混叠滤波电路依次连接组成。

本发明中，所述单片机6采用内置A/D转换器和无线射频电路的无线单片机。

本发明中，所述ARM最小系统15由数据采集模块16、系统设置模块17、数据分析模块18、故障预测模块19、任务管理模块20、数据导出模块21和串口通信模块22组成，数据采集模块16通过Zigbee协议与数据采集节点主板上的天线电路和无线射频电路通信，控制数据采集模块19的工作状态，设置采样监测点、采样频率、采样时间和存储采样数据；系统设置模块17对手持点检设备3的系统时间、显示器亮度等进行设置；数据分析模块18实现数据管理、数据分析和故障预测；数据管理包括查看测点路径、参数的设置信息和删除数据文件；任务管理模块20管理手持点检设备3内的点检任务，每次点检任务的测点信息、执行时间、设置的参数、点检结果；数据导出模块21通过通信接口12将数据导出到U盘或者其他存储设备；串口通信模块22通过通信接口12接收上位机下达的点检任务和上传数据到上位机。

本发明采用无线通信方式摒弃了传统的工业总线，可以应用于钢铁连铸线等苛刻生产环境中，减少了布线的麻烦，降低了应用成本。同时，手持点检设备的使用，可以在第一时间进行设备(或备件)的故障判断和剩余使用寿命预测，完全掌握设备的在线状态，可以在保证最大生产的情况下制定维修计划。另一方面，手持点检设备采集的原始数据和分析后的数据可以作为生产管理系统的历史数据和用于支持维修决策。

附图说明

图1是故障预测系统的整体结构框图。

图2是数据采集节点主板2的结构图示。

图3是ARM最小系统15的结构图示。

图4是手持点检设备3的结构图示。

图5是小波包分解的原理图。

图6是支持向量数据描述的数据空间分布图。

图7是故障诊断和预测方法的流程图。

图8是故障预测系统的工作流程图。

图中标号：1为传感器，2为数据采集节点主板，3为手持点检设备，4为信号调理电路，5为放大滤波电路，6为单片机，7为天线电路，8为第一电源模块，9为键盘，10为无线通讯模块，11为第二电源模块，12为通信接口，13为接口模块，14为显示模块，15为ARM最小系统，16为数据采集模块，17为系统设置模块，18为数据分析模块，19为故障预测模块，20为任务管理模块，21为数据导出模块，22为串口通信模块。

具体实施方式

为使本发明易于明白和实施，下面结合附图做进一步阐述。

实施例1：

如图1所示，一种面向钢铁连铸设备的故障预测方法的装置，由采集连铸设备各种状态参数的传感器1(加速度振动传感器、热电偶温度传感器、电磁流量传感器、电磁压力传感器和涡流电流感应器)、数据采集节点主板2和手持点检设备3组成。加速度振动传感器监测旋转机械轴承的振动位移，热电偶温度传感器监测设备不同点的温度，电磁流量传感器监测冷却水的流量，电磁压力传感器监测油气润滑终端压力，涡流电流感应器监测电机电流。各传感器的输出对应的电压信号，并接入数据采集节点主板2；数据采集节点是以CC2430单片机为核心的微型计算机系统，对输入的电压信号进行放大、滤波、A/D转换、数据打包等预处理，通过Zigbee协议无线发送数据；手持点检设备3接收数据，分析数据包。设备的振动信号和电机的电流信号用于故障预测，其他信号用于故障诊断。在手持点检设备3中对不同时间序列的振动信号和电流信号进行小波包分解，得到不同频段的能量函数，用相对能量构造特征向量驯化支持向量数据描述的各参数向量，通过构造设备的劣化曲线，通过对点检数据的向量推理得到设备的劣化程度，从而预测设备的剩余使用寿命。在手持点检设备3中对温度、流量和压力信号进行阈值判断，从而判定设备的故障状态。

如图2所示，数据采集节点主板2包括传感器1、信号调理电路4、放大滤波电路5、单片机6、天线电路7和第一电源模块8。监测电流信号的主板通过信号调理电路4将电流信号转换为电压信号。电压信号作为放大滤波电路5的输入，放大滤波电路5的输出作为单片机6的输入。单片机中中央处理器选用TI公司集成了A/D转换模块和无线射频电路的CC2430单片机。CC2430是Chipcon精心设计的低功耗无线单片机，在发送与接收状态能耗分别为50Mw和54mW。该模块提供与IEEE 802.13.4协议兼容的2.4GHz高频无线射频。CC2430的无线射频模块添加外围天线实现射频收发。第一电源模块8采用电池给整个数据采集节点主板2和传感器1供电。来自传感器1的信号，通过信号放大、滤波和A/D转换处理，在通信驱动程序控制下，通过无线电路7向手持点检设备3传送采集的设备状态数据。

如图3所示，手持点检设备3包括ARM最小系统15、DIM接口模块、无线通讯模块10、第二电源模块11、显示模块14、键盘9、RS232串口通信接口、USB接口、控制开关。ARM最小系统15中的软件系统由数据采集模块16、系统设置模块17、数据分析模块18、故障预测模块19、任务管理模块20、数据导出模块21和串口通信模块22组成，ARM最小系统15的串口通信模块22通过RS232串行通信口与上位机连接，下载点检任务或上传点检数据；ARM最小系统15利用无线通讯模块10与数据采集节点主板2通信，向数据采集节点发送操作指令或从数据采集节点收集数据。ARM最小系统15的一个输入端为键盘9，一个输出端为显示模块14，显示模块14可以采用LCD显示器。手持点检设备的第二电源模块11给整个手持点检设备3供电，使用的是可充电锂电池。

在手持点检设备中实现小波包分解和支持向量数据描述(SVDD)的故障预测。小波包分解主要用来提取信号的特征值、构造特征向量，SVDD主要用来构造设备劣化曲线和进行剩余寿命预测。

1.小波包分解与重构：

按照不同的尺度因子j把Hilbert空间L²(R)分解为所有子空间W_j(j∈Z)的正交和。其中W_j为小波函数Ψ(t)的闭包(小波子空间)，按照二进制分式形式进行频率的细分。设{h_k}_k∈Z是正交尺度函数φ(t)对应的正交低通实滤波器，{g_k}_k∈Z是正交小波函数ψ(t)对应的高通滤波器，其中g(k)＝(-1)ⁿh(1-k)，则它们的双尺度方程和小波方程定义为：

$\left\{\begin{array}{c}\mathrm{\φ}\left(t\right)=\sqrt{2}\underset{k\∈Z}{\mathrm{\Σ}}h\left(k\right)u_n(2t-k)\\ \mathrm{\ψ}\left(t\right)=\sqrt{2}\underset{k\∈Z}{\mathrm{\Σ}}g\left(k\right)u_n(2t-k)\end{array}\right.---\left(1\right)$

把尺度子空间V_j和小波子空间W_j用U_j统一表示。若令

$\left\{\begin{array}{c}{U}_j^0=V_j,j\∈Z\\ U_j^1=W_j,j\∈Z\end{array}---\left(2\right)\right.$

则Hilbert空间的正交分解可以用

的分解统一为

$U_{j+1}^0=U_j^0\⊕U_j^1,j\∈Z---\left(3\right)$

定义子空间

是函数u_n(t)的闭包空间，而是函数u_2n(t)的闭包空间，并令u_n(t)满足双尺度方程

$\left\{\begin{array}{c}{u}_{2n}\left(t\right)=\sqrt{2}\underset{k\∈Z}{\mathrm{\Σ}}h\left(k\right)u_n(2t-k)\\ u_{2n}\left(t\right)=\sqrt{2}\underset{k\∈Z}{\mathrm{\Σ}}g\left(k\right)u_n(2t-k)\end{array}\right.---\left(4\right)$

由上式递归定义的函数u_n，n＝0，1，2，...称为由正交尺度函数φ(t)确定的小波包。

小波包分解

$\left\{\begin{array}{c}{d}_k^{2n}=\frac{1}{2}\underset{l,k\∈Z}{\mathrm{\Σ}}{d}_1^n{h}_{l-2k}\\ d_k^{2n+1}=\frac{1}{2}\underset{l,k\∈Z}{\mathrm{\Σ}}{d}_1^n{g}_{l-2k}\end{array}\right.---\left(5\right)$

小波包重构

$d_k^{2n}=\underset{l.k\∈Z}{\mathrm{\Σ}}{d}_l^{2n}{h}_{k-2l}+\underset{l,k\∈Z}{\mathrm{\Σ}}{d}_l^{2n+1}{g}_{k-2l}---\left(6\right)$

其中

分别为信号在子空间和

上的小波包系数。

小波包能量

按照式对信号进行j层小波包分解，末层得到2^j个频带，提取从低频到高频各频率成分的信号分解系数。按照式对各频带小波进行重构，设重构信号为f_i(t)(i＝1，...，2^j)。重构的总信号为

$f\left(t\right)=\underset{i=1}{\overset{2^j}{\mathrm{\Σ}}}{f}_i\left(t\right).---\left(7\right)$

设A_k为重构信号f(t)各离散点的幅值，n为重构信号离散点的个数，重构信号总能量为

$E\left[f\left(t\right)\right]=\underset{-\∞}{\overset{\∞}{\∫}}{f}^2\left(t\right)\mathrm{dt}=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{A}_k^2.---\left(8\right)$

设A_i，k为各频带重构信号f_i(t)各离散点的幅值，n为各频带信号离散点的个数，各频带的能量为

$E_j\left[f_i\left(t\right)\right]=\underset{-\∞}{\overset{\∞}{\∫}}{f}_i^2\left(t\right)\mathrm{dt}=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{A}_{i,k}^2---\left(9\right)$

同样也有

$E\left[f\left(t\right)\right]=\underset{i=1}{\overset{2^i}{\mathrm{\Σ}}}{E}_j\left[f_i\left(t\right)\right]---\left(10\right)$

小波包的分解过程如图4所示。对手持点检设备接收的数据进行小波包分解提取监测数据特征值，并用各重构能量的相对值构造特征向量。

2.支持向量数据描述：

支持向量数据描述(SVDD)是一种基于统计学习理论和边界思想的单值分类方法，旨在寻求包含目标类的最优超球面。对于样本X＝{x₁，x₂，...，x_n}，需要找到一个包容最小体积的超球面，使得所有的x_i都包含在该球体内。为了提高边界的紧凑性引入高斯核函数。

因此，决策函数为：

$\mathrm{\χ}\left(z\right)=1-2\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i{K}_G(z\·x_i)+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i{\mathrm{\α}}_j{K}_G(x_i\·x_j)---\left(11\right)$

其中，α_i为由训练得到的对应于x_i的系数，

$K_G(x,y)=\exp \left(\frac{{\left|\right|x-y\left|\right|}^2}{{\mathrm{\σ}}^2}\right)---\left(12\right)$

超球面的半径为：

$R=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{\χ}\left(x_i\right)}---\left(13\right)$

其中x_i可以是任意支持向量，待测数据z的状态可以由下式确定：

3.故障预测的具体实施步骤

故障预测的具体实施步骤如下：

a)利用原始信号x(t)的均值μ和标准差σ规范化x(t)，得

b)利用小波包分解对规范化后的信号x(t)′进行4层小波包分解，得到2⁴个不同频带的重构信号f_i(t)(i＝1，...，2⁴)；

c)计算各频带重构信号f_i(t)的能量，采用归一化方法对各频带重构信号进行处理，即用各频带重构信号的能量占信号总能量的分数来表示，得到各重构信号的相对能量

i＝1，2，...，2⁴，有

d)利用归一化后的各频带重构信号的相对能量E₄(i)作为参数，构造特征向量T＝[E₄(1)，E₄(2)，...，E₄(2⁴)]；

e)以1000组良好设备的状态数据为样本，利用步骤d)中所构造的特征向量作为学习样本，训练SVDD单值分类器，得到决策函数χ(z)中与样本对应的参数α_i的值和最小超球面半径R的值；

f)将设备全生命周期的采样数据代人Г＝χ(z)-R，如果Г≤0，则健康指标HI＝0；否则HI＝Г；

g)用得到的设备全生命周期的健康指标HI绘制设备性能退化曲线；

h)用点检数据计算得到的设备全生命周期健康指标HI与设备性能退化曲线对比，判断设备的劣化程度和预测设备剩余使用寿命。

Claims (6)

1.一种面向钢铁连铸设备的故障预测方法，其特征在于具体步骤如下：

(1)进行点检时，通过手持点检设备唤醒安装于设备监测点的数据采集节点，通过设置数据采集通道开始采集数据；

(2)数据采集节点前端传感器采集的设备状态数据，经隔离、变换及滤波处理之后，得到对应的电压信号；

(3)电压信号在数据采集节点经采样和模数转换，得到对应的数字信号；

(4)数字信号在数据采集节点中进行编码打包，然后通过无线射频发送出去；

(5)手持点检设备接收数据采集节点发送的编码数据，自动进行解码和存储；

(6)通过手持点检设备的功能菜单选择对采集数据的操作，进行故障分析和寿命预测，同时发送指令改变采集通道或停止采集使数据采集节点休眠；

其中：故障分析使用小波包分解技术进行特征提取、SVDD分类器驯化和设备退化曲线的获取，具体步骤如下：

(6.1)利用原始信号x(t)的均值μ和标准差σ规范化x(t)，得

(6.2)利用小波包分解对规范化后的信号x(t)′进行j层分解，得到2^j个不同频带的重构信号f_i(t)(i＝1，…，2^j)；

(6.3)计算各频带重构信号f_i(t)的能量，采用归一化方法对各频带重构信号进行处理，即用各频带重构信号的能量占信号总能量的分数来表示，得到各重构信号的相对能量 $E_j\left(i\right)=\frac{E_j\left[f_i\left(t\right)\right]}{E\left[f\left(t\right)\right]},i=\mathrm{1,2},\·\·\·,2^j,$ 有 $\underset{i=1}{\overset{2^j}{\mathrm{\Σ}}}{E}_j\left(i\right)=1;$

(6.4)利用归一化后的各频带重构信号的相对能量E_j(i)作为参数，构造特征向量T＝[E_j(1)，E_j(2)，…，E_j(2^j)]；

(6.5)以1000组良好设备的状态数据为样本，利用步骤(6.4)中所构造的特征向量作为学习样本，训练SVDD单值分类器，得到决策函数χ(z)中与样本对应的参数α_i的值和最小超球面半径R的值；

(6.6)将设备全生命周期的采样数据代人Γ＝χ(z)-R，如果Γ≤0，则健康指标HI＝0；否则HI＝Γ；

(6.7)用得到的设备全生命周期的健康指标HI绘制设备性能退化曲线；

(6.8)故障分析与寿命预测：将点检过程中采集的数据代入(6.6)步进行判断，得到当次点检的健康指标HI，将此指标值与得到的设备退化曲线进行对比，得到预测的设备剩余寿命；

(7)预测的结果显示在手持点检设备的显示模块上。

2.一种如权利要求1所述的一种面向钢铁连铸设备的故障预测方法所使用的故障预测设备，由数据采集节点主板(2)和手持点检设备(3)组成，其特征在于数据采集节点主板(2)由传感器(1)、信号调理电路(4)、放大滤波电路(5)、单片机(6)、天线电路(7)和第一电源模块(8)组成，传感器(1)与信号调理电路(4)之间通过工业电缆连接，信号调理电路(4)连接放大滤波电路(5)，放大滤波电路(5)与单片机(6)的数据口连接，第一电源模块(8)分别连接传感器(1)、信号调理电路(4)、放大滤波电路(5)、单片机(6)和天线电路(7)；手持点检设备(3)由键盘(9)、无线通讯模块(10)、第二电源模块(11)、通信接口(12)、接口模块(13)、显示模块(14)和ARM最小系统(15)组成，键盘(9)、无线通讯模块(10)、第二电源模块(11)、通信接口(12)和显示模块(14)分别与接口模块(13)连接，接口模块(13)的另一端与ARM最小系统(15)的数据口连接。

3.根据权利要求2所述的一种面向钢铁连铸设备的故障预测方法所使用的故障预测设备，其特征在于所述传感器(1)为温度传感器、振动传感器、压力传感器、电磁传感器或涡流电流感应器中一至多种，温度传感器将温度信号转换为相应的电压信号，振动传感器将振动加速度信号转换为电压信号、压力传感器将压力信号转换为电压信号，电磁流量传感器将流量信号转换为电压信号；各传感器安装于在线设备的监测点，并且通过电缆与数据采集节点的主板相连；不同的传感器与对应信号调理电路相连，每个经过调理的信号作为多路开关的输入，多路开关的输出经信号调理电路(4)输出端与单片机(6)相连。

4.根据权利要求2所述的一种面向钢铁连铸设备的故障预测方法所使用的故障预测设备，其特征在于所述信号调理电路(4)由电容隔离电路、放大器电路和RC抗混叠滤波电路依次连接组成。

5.根据权利要求2所述的一种面向钢铁连铸设备的故障预测方法所使用的故障预测设备，其特征在于所述单片机(6)采用内置A/D转换器和无线射频电路的无线单片机。

6.根据权利要求2所述的一种面向钢铁连铸设备故障预测的装置，其特征在于所述ARM最小系统(15)由数据采集模块(16)、系统设置模块(17)、数据分析模块(18)、故障预测模块(19)、任务管理模块(20)、数据导出模块(21)和串口通信模块(22)组成，数据采集模块(16)通过Zigbee协议与数据采集节点主板上的天线电路和无线射频电路通信，控制数据采集模块(19)的工作状态，设置采样监测点、采样频率、采样时间和存储采样数据；系统设置模块(17)对手持点检设备(3)的系统时间、显示器亮度进行设置；数据分析模块(18)实现数据管理、数据分析和故障预测；数据管理包括查看测点路径、参数的设置信息和删除数据文件；任务管理模块(20)管理手持点检设备(3)内的点检任务，每次点检任务的测点信息、执行时间、设置的参数、点检结果；数据导出模块(21)通过通信接口(12)将数据导出到U盘或者其他存储设备；串口通信模块(22)通过通信接口(12)接收上位机下达的点检任务和上传数据到上位机。

Images