CN114816897A

CN114816897A - 基于电流信号监测机器的方法和实现这样的方法的设备

Info

Publication number: CN114816897A
Application number: CN202111114773.9A
Authority: CN
Inventors: 黄河; F·德格里莫德·德罗切布埃
Original assignee: Cardisym Co
Current assignee: STMicroelectronics International NV
Priority date: 2020-09-23
Filing date: 2021-09-23
Publication date: 2022-07-29
Also published as: EP3974851A1; FR3114401A1; EP3974851C0; US20220091188A1; FR3114401B1; EP3974851B1; US11885849B2

Abstract

本公开的各实施例涉及基于电流信号监测机器的方法和实现这样的方法的设备。一种可以用于监控由电流供电的机器的操作的方法。该方法包括：在正常操作模式下操作机器；重复地执行用于学习机器的正常操作机器的学习阶段，以创建知识库；当认为知识库已经被创建时，自主地从学习阶段切换到监控阶段；以及重复地执行监控阶段。

Description

基于电流信号监测机器的方法和实现这样的方法的设备

相关申请的交叉引用

本申请要求于2020年9月23日提交的第2009625号法国专利申请的权益，该申请通过引用并入本文。

技术领域

实施例涉及一种用于基于电流信号监测机器的方法和用于实施这种方法的设备。

背景技术

为了检测机器(诸如电机、泵、压缩机或风扇)的操作中的异常，已知在机器的输出处研究电流，该处电流可能在机器的部件有缺陷或堵塞时改变。特别地，对来自电流的异常的检测对与机器的环境无关感兴趣，该环境不是例如基于对由机器生成的振动的分布的异常的检测的情况，这特别地在机器正在移动或接近另一个机器时造成问题。

因此，异常可以在它们变得太严重之前被识别并且导致额外的损坏或未预料到的中断。为此目的，机器借助于定位在机器上的电流传感器而被监控，并且异常检测算法应用于由传感器测量的电流。

常规地，此类异常检测算法使用深度学习技术，诸如神经网络，从而允许获得高检测率。这样的技术需要使用强大的处理器和相当大量的存储器资源来功能化。

因此，这些技术不与在具有高集成容量的存储器资源方面受限制的微控制器上的实现兼容。

因此，因此需要设计用于检测来自电流信号的异常的算法，从而允许获得与利用深度学习技术获得的检测速率相当的检测速率，该算法在可以被嵌入在任何系统上而不考虑其环境的微控制器上实现。

发明内容

本发明的实施例涉及一种用于通过电流信号监控机器的操作的方法和用于实现这样的方法的设备。实施例可以提供上述问题的解决方案，例如，通过由于在具有高集成容量的微控制器上实现的算法使得能够检测到来自电流的异常。

本发明的第一方面涉及一种用于监控由电流供电的机器的操作的方法，包括学习机器的正常操作的阶段以及监控阶段的阶段。学习阶段被操作为在时域中获取由机器生成的第一电流信号，确定对应于第一电流信号的第一电流特征，确定第一电流特征与被记录在知识库中的电流特征中的每个电流特征之间的第一相似度比率，将第一相似度比率与预定的第一阈值进行比较，以及如果第一相似度比率低于第一阈值，则在知识库中记录电流特征。

监控阶段被操作为在时域中获取由机器生成的第二电流信号，确定对应于第二电流信号的第二电流特征，确定第二电流特征与被记录在知识库中的电流特征中的每个电流特征之间的第二相似度比率，将第二相似度比率与预定第二阈值进行比较，以及如果第二相似度比率低于第二阈值，则生成警告，第二电流特征被视为揭示异常。学习阶段的步骤被周期性地重复以便构成知识库，监控阶段的步骤被周期性地重复，监控方法在知识库被认为是构成时自主地从学习阶段切换到监控阶段。

首先，监控方法学习如何自主地识别表征机器的正常操作的电流信号。然后，其次，监控方法定期获取并比较电流信号，以便确定机器是否偏离其正常操作。由于本发明，因此可以有效地检测是否已发生异常，并且在这种情况下，触发警告。

另外，在其学习阶段期间，监测方法仅记录与已经学习的特征足够不同的电流特征，也就是说，已经记录在知识库中的特征，这允许避免信息的冗余并且限制在学习期间存储的数据的数目，而不降低学习的质量。然后，监控方法可以在诸如微控制器之类的资源方面有限的设备上实现。

除了之前段落中刚刚提到的特征之外，根据本发明的第一方面的方法可以具有以下的特征中的一个或多个互补特征，这些特征被单独考虑或根据任何技术可行的组合来考虑。

根据一个变体，学习阶段还包括：将连续确定的预定数目M的电流特征的第一相似度比率与高于第一阈值的预定的特定阈值进行的特定步骤，如果最后M个电流特征的第一相似度比率高于特定阈值，认为该知识库被构成。

根据与先前变体兼容的变体，监控阶段包括所谓的“发现”时段，在该时段期间，被认为是揭示异常的第二电流特征被记录在知识库中。

根据与先前变体兼容的变体，监控阶段包括将异常的持续时间与预定持续时间进行比较的步骤，如果异常的持续时间长于预定持续时间，则异常被确认。

根据与先前变体兼容的变体，监控阶段还包括传输警告的步骤。

根据与先前变体兼容的变体，监控阶段还包括周期性地执行分析报告的步骤。

根据与先前变体兼容的变体，学习阶段的步骤根据第一重复周期被周期性地重复，监控阶段的步骤根据比第一重复周期长的第二重复周期被周期性地重复。

根据与先前变体兼容的变体，第二比较步骤的第二阈值低于第一比较步骤的第一阈值。

本发明的第二方面涉及一种用于实现根据本发明的第一方面的方法的监控设备，该监控设备旨在安装在用电流供电的机器上。该设备包括：电流传感器和微控制器，该电流传感器被适配和配置为获取电流信号；以及微控制器，该微控制器被适配和配置为确定对应于电流信号的电流特征，确定电流特征与记录电流特征的知识库之间的相似度比率，并且将该相似度比率与预定的阈值进行比较。该设备还包括被配置为记录电流特征的存储器。

根据一个变体，电流传感器是电流钳或电机控制器。

本发明的第三方面涉及包括指令的计算机程序产品，当程序由计算机执行时，指令使得计算机实施根据本发明的第一方面的方法的步骤。

通过阅读以下描述并在检查附图时，将更好地理解本发明及其不同应用。

附图说明

附图是出于说明的目的而提出的，并不限制本发明。

图1是根据本发明的实施例的用于监控机器的操作的设备的框图；以及

图2是根据本发明的实施方式的用于监控机器的操作的方法的流程图。

具体实施方式

除非另有说明，否则出现在不同附图中的相同元素具有唯一的引用。

图1表示根据本发明的监控设备100的实施例。

监控设备100旨在被安装在用电能供电的机器上。

例如，机器可以由电机、泵、压缩机、断路器或风扇组成。

监控设备100包括电流传感器110、微控制器120、存储器130、数据传输模块140、电源150和激活构件160。

电流传感器110被适配和配置为获取由机器生成的电流信号。

例如，电流传感器110是电流钳或电机控制器，其在机器包括电机的情况下使用电流测量来调节电机的速度和方向。

由电流传感器110获得的电流信号被传输到微控制器120，微控制器120的功能是分析所接收的电流信号。具体地，如稍后更详细描述的，微控制器120被配置为从由电流传感器110获取的电流信号确定电流特征(electric current signature)。例如，微控制器120包括微处理器。

存储器130被适配和配置为记录表征机器的正常操作的电流特征。被存储在存储器中的所有电流特征形成知识库。

数据传输模块140被适配和配置为周期性地传输分析报告，以及在检测到异常时发出警告。例如，这些数据被传输到监控控制台，该监控控制台允许视觉化分析报告并管理警告。优选地，传输模块使用IOT型，代表“物联网”无线通信网络。例如，IoT网络可以使用LoRa技术或Sigfox技术。

电力供应器150供应监控设备100的操作所必需的电能。有利地，电力供应器150的大小被设定成使得监控设备100在长期的时间段(在若干年的范围内)在无中断的情况下操作。为了减少电能消耗，监控设备100有利地被配置为在每次采集之间进入待机模式。例如，电源150包括电池或电池单元。

激活构件160可以用于打开或关闭监控设备100。有利地，监控设备100包括一个单个激活构件160，这促进了监控设备100的使用。一旦激活构件160被触发，监控设备100就完全自主地操作。例如，激活构件160是按钮或开关。

监控设备100还包括被配置为将监控设备100保持在机器上的紧固装置(未示出)。例如，紧固设备可以由磁性元件或粘合元件组成。

图2示出了根据本发明的监控方法200的优选实施方式。

监控方法200可以由图1的监控设备100来实现。

监控方法200包括旨在构成知识库的学习阶段F1和监控阶段F2，在监控阶段F2期间由机器生成的电流信号与知识库进行比较，以便检测差异，该差异可能揭示机器中的异常。因此，监控方法200可以用于执行预测维护。

学习阶段F1包括在时域中获取由机器生成的第一电流信号的第一步骤E1。电流信号是对应于第一采集持续时间的、在机器的输出处测量的电流样本，第一采集持续时间优选地包括在1秒至5秒之间。例如，第一获取持续时间等于2秒。

第一采集步骤E1在包括例如500Hz至5000Hz之间的采样频率下执行。

第一采集步骤E1之后是确定对应于在第一采集步骤E1处采集的电流信号的电流特征的第一步骤E2。

例如，电流特征是先前获取的电流信号，或者先前获取的电流信号已经经历至少一个处理，诸如信号平滑以避免信号的分散。

还可以根据在时域中先前获取的电流信号来确定电流特征，例如通过执行傅里叶变换，将电流信号变换成频域中的电流信号。频域中的电流信号在取决于采样频率的频率范围上延伸。该频率范围被划分成预定数目的间隔，例如等于128或256。一个系数被分配给每个频率间隔，每个系数表示对应的频率间隔中的电流信号的大小。因此，电流特征包括一系列值，其表征在机器上收集的电流信号。这种类型的电流特征在机器具有循环操作的情况下特别有利。

然后，继续第一步骤E3，第一步骤E3确定在第一确定步骤E2处确定的电流特征与知识库中存在的电流特征之间的第一相似度比率SR1。

用于计算相似度比率的方法对于本领域技术人员来说是已知的，因此将不再更详细地描述。特别地，在指纹识别领域中使用这样的方法。作为非限制性示例，可以通过N维空间中的远程计算来确定相似度比率，其中N在本文中等于包括在电流特征中的系数的数目。相似度可以以百分比表示。

之后，在第一比较步骤E4期间，将第一相似度比率SR1与预定的第一阈值TH1进行比较。如果满足第一比较条件C4，也就是说，如果第一相似度比率SR1低于第一阈值TH1，则认为第一电流特征是未知的。在这种情况下，在第一记录步骤E5期间，在知识库中记录第一电流特征。相反，如果不满足第一比较条件C4，也就是说，如果第一相似度比率SR1高于第一阈值TH1，则认为第一电流特征是已知的。在这种情况下，第一电流特征不被记录在知识库中。

例如，第一阈值TH1被设置为90％。

根据第一重复周期周期性地重复学习阶段F1的步骤。因此，最初为空的知识库被逐渐地构成。例如，第一重复周期等于一分钟。换句话说，每分钟采样新的电流信号。

优选地，第一重复周期是规则的。

有利地，学习阶段F1还包括将连续确定的预定数目M的电流特征的第一相似度比率与高于第一阈值TH1的预定的特定阈值TH0进行比较的特定步骤E6。

例如，在比较相似率与第一阈值TH1的第一步骤E4之前执行特定比较步骤E6。

如果满足特定比较条件C6，也就是说，如果最后M个电流特征的第一相似率SR1高于第二阈值TH0，则认为知识库被构成。在这种情况下，学习阶段F1结束，监控方法200被切换到监控阶段F2。

如果不满足特定比较条件C6，也就是说，如果最后M个电流特征中的至少一个电流特征的相似度比率低于第二阈值TH0，则学习阶段F1继续。

作为非限制性示例，当最后十个电流特征的相似度比率(其因此对应于最后十个所获取的电流信号)高于98％时，学习阶段F1可以结束。

学习阶段F1的持续时间取决于监控设备100被安装在其上的机器，但是在任何情况下，学习阶段F1自主地结束。

根据另一实施方式，知识库可以被认为是在预定的学习持续时间结束时构成的。在这种情况下，学习持续时间可以根据监控设备100旨在被安装在其上的机器的类型来设置。

学习阶段F1之后是监控阶段F2，监控阶段F2包括获取第二电流信号的第二步骤E1’、确定对应于第二电流信号的第二电流特征的第二步骤E2’以及确定第二电流特征的第二相似度比率的第二步骤E3’。

在监控阶段F2期间执行的这些第二步骤E1’、E2’、E3’类似于在学习阶段F1期间执行的具有名称E1、E2、E3的第一步骤。

优选地，第二获取步骤E1’的持续时间与第一获取步骤E1的持续时间相同。备选地，获取步骤E1、E1’的持续时间可以不同。

在监控阶段F2期间，在第二比较步骤E4’期间将第二相似度比率SR2与低于第一阈值TH1的预定第二阈值TH2进行比较。如果满足第二比较条件C4’，也就是说，如果第二相似度比率SR2高于第二阈值TH2，则认为第二电流特征是已知的。如果不满足第二比较条件C4’，也就是说，如果第二相似度比率SR’低于第二阈值TH2，则认为第二电流特征是未知的并且揭示机器处的异常。

例如，第二阈值TH2被设置为80％。

监控阶段F2包括当识别到异常时生成警告的步骤E7。然后，可以在传输步骤E8期间传输警告。因此，可以警告操作者机器上的异常已经被检测到。

除了传输警告之外，监控阶段F2还可以包括在机器的输出处传输电流的分析报告的步骤(未示出)。例如，分析报告包括与电流的幅度相关的信息，特别是可能的异常。分析报告还可以指示机器的操作和停机时间。分析报告的传输是定期执行的，例如每两小时。

根据该优选实施例，监控阶段F2包括所谓的“发现”时段，其在与监控阶段F2相同的时间开始。有利地，监控阶段F2包括在生成警告之前执行的检查阶段E9，并且在该检查阶段E9期间检查是否满足检查条件C9，也就是说是否已经在发现时段期间获取对应于揭示异常的第二电流特征的第二电流信号。

如果未满足检查条件C9，也就是说，如果在发现时段期间尚未获取第二电流信号，则可以执行生成警告的步骤E7。

如果满足检查条件C9，则在记录步骤E5’期间在知识库中记录第二电流特征，并且不执行生成警告的步骤E7。换句话说，认为这不是真正的异常，而是在学习阶段F1期间尚未发生的、机器的正常操作的电流特性。

因此，在发现时段期间，知识库被丰富。发现时段对于具有随时间变化的操作循环的机器特别有用。

优选地，发现时段具有预定的持续时间，例如，等于7天。

有利地，监控阶段F2包括将异常T_A的持续时间与预定de1持续时间T₀进行比较的步骤E10。

如果不满足持续时间比较条件C10，也就是说，如果异常T_A的持续时间长于预定持续时间T₀，则执行生成警告的步骤E7。在这种情况下，认为异常实际上被确认。

如果不满足持续时间比较条件C10，也就是说，如果异常T_A的持续时间短于预定持续时间T₀，则不执行生成警告的步骤E7。

该比较步骤E10允许谨慎地避免触发警告，例如当机器经历一次性事件时，例如断电，这将导致电流的修改。

根据第二重复周期周期性地重复监控阶段F2的步骤。

有利地，第二重复周期比第一重复周期长，以便最小化电能消耗并且因此延长监控设备100的操作持续时间。

例如，第二重复周期等于两分钟。

第二重复周期可以是动态的，也就是说，当检测到异常时，它可以变化，并且特别地减小。优点是使得能够更准确地表征异常，特别是关于异常持续时间。

当然，本发明不限于参考附图描述的实施例，并且可以在不脱离本发明的范围的情况下考虑变体。

Claims

1.一种用于监控由电流供电的机器的操作的方法，所述方法包括：

在正常操作模式下操作所述机器；

执行用于学习所述机器的正常操作的学习阶段，所述学习阶段被周期性地重复以创建知识库；

当所述知识库被认为已经被创建时，自主地从所述学习阶段切换到监控阶段；以及

执行所述监控阶段，所述监控阶段被周期性地重复；

其中所述学习阶段包括：

在时域中获取由所述机器生成的第一电流信号；

确定对应于所述第一电流信号的第一电流特征；

确定所述第一电流特征与被记录在所述知识库中的电流特征中的每个电流特征之间的第一相似度比率；

将所述第一相似度比率与预定的第一阈值进行比较；以及

当所述第一相似度比率低于所述第一阈值时，在所述知识库中记录所述电流特征；以及

其中所述监控阶段包括：

在所述时域中获取由所述机器生成的第二电流信号；

确定对应于所述第二电流信号的第二电流特征；

确定所述第二电流特征与被记录在所述知识库中的电流特征中的每个电流特征之间的第二相似度比率；

将所述第二相似度比率与预定的第二阈值进行比较；以及

当所述第二相似度比率低于所述第二阈值时，生成警告，所述警告指示与所述第二电流特征相关的异常。

2.根据权利要求1所述的方法，其中，所述学习阶段还包括：将连续确定的预定数目M的电流特征的所述第一相似度比率与高于所述第一阈值的预定的特定阈值进行比较，当最后M个电流特征的所述第一相似度比率高于所述特定阈值时，认为所述知识库被创建。

3.根据权利要求1所述的方法，其中，所述监控阶段包括发现时段，在所述发现时段期间，在不生成任何警告的情况下，被认为是揭示异常的所述第二电流特征被记录在所述知识库中。

4.根据权利要求1所述的方法，其中，所述监控阶段将所述异常的持续时间与预定持续时间进行比较，当所述异常的持续时间长于所述预定持续时间时，所述异常被确认。

5.根据权利要求1所述的方法，其中，所述监控阶段还包括传输所述警告。

6.根据权利要求1所述的方法，其中，所述监控阶段还周期性地传输分析报告。

7.根据权利要求1所述的方法，其中所述学习阶段根据第一重复周期被周期性地重复，并且其中所述监控阶段根据比所述第一重复周期长的第二重复周期被周期性地重复。

8.根据权利要求1所述的方法，其中所述第二阈值低于所述第一阈值。

9.一种包括微控制器以及存储器的设备，所述存储器存储有程序，其中所述程序包括将由所述微控制器执行以执行根据权利要求1所述的方法的软件。

10.根据权利要求9所述的设备，还包括存储所述知识库的第二存储器。

11.根据权利要求9所述的设备，还包括电流传感器，所述电流传感器被配置以测量所述电流信号，并且将与经测量的所述电流信号相关的信息提供到所述微控制器。

12.一种旨在用于由电流供电的机器的设备，所述设备包括：

电流传感器，被配置为获取电流信号；

微控制器，被编程为确定对应于所述电流信号的电流特征，以确定所述电流特征与记录电流特征的知识库之间的相似度比率，并且将所述相似度比率与预定的阈值进行比较；以及

存储器，被配置为记录所述电流特征。

13.根据权利要求12所述的设备，其中，所述微控制器被编程为执行学习阶段和监控阶段；

其中所述学习阶段包括：

从所述电流传感器获取第一电流信号；

确定对应于所述第一电流信号的第一电流特征；

将所述第一相似度比率与预定的第一阈值进行比较；以及

其中所述监控阶段包括：

从所述电流传感器获取第二电流信号；

确定对应于所述第二电流信号的第二电流特征；

将所述第二相似度比率与预定的第二阈值进行比较；以及

14.根据权利要求13所述的设备，其中所述微控制器被配置为周期性地执行所述学习阶段以创建所述知识库，当所述知识库被认为已经被创建时，所述微控制器自主地从所述学习阶段切换到所述监控阶段，并且周期性地执行所述监控阶段。

15.根据权利要求12所述的设备，其中，所述机器是电机、泵、压缩机或风扇。

16.根据权利要求15所述的设备，其中，所述机器是电机，并且其中所述电流传感器是电流钳或电机控制器，所述电机控制器使用电流测量来调节所述电机的速度和方向。

17.一种机器，包括：

使用电流操作的部件；

电流传感器，被配置为获取所述部件的电流信号；

存储器，存储程序；以及

微控制器，被耦合到所述存储器以执行所述程序，以通过重复执行学习阶段来监控所述部件的操作，当知识库被认为已经被创建时，所述微控制器自主地从所述学习阶段切换到监控阶段，并且重复地执行所述监控阶段；

其中所述学习阶段包括：

在时域中获取由所述机器生成的第一电流信号；

确定对应于所述第一电流信号的第一电流特征；

将所述第一相似度比率与预定的第一阈值进行比较；以及

其中所述监控阶段包括：

在所述时域中获取由所述机器生成的第二电流信号；

确定对应于所述第二电流信号的第二电流特征；

将所述第二相似度比率与预定的第二阈值进行比较；以及

18.根据权利要求17所述的机器，还包括被耦合到所述微控制器、并且存储所述知识库的第二存储器。

19.根据权利要求17所述的机器，其中，所述机器是电机、泵、压缩机或风扇。

20.根据权利要求19所述的机器，其中，所述机器是电机，并且其中，所述电流传感器是电流钳或电机控制器，所述电机控制器使用电流测量来调节所述电机的速度和方向。