基于物聯網嵌入式單片機的電氣設備運行狀態遠程監控

梁月放

【摘? ?要】? ?常規電氣設備運行狀態遠程監控方法在提取運行狀態信號的時域特征時，忽略了信號數據偏差量的影響，導致對設備運行狀態監控產生的誤差較大，因此提出基于物聯網嵌入式單片機的電氣設備運行狀態遠程監控方法。利用物聯網嵌入式單片機采集正常和非正常情況下電氣設備運行狀態信號，在此基礎上，利用信號分析理論分析設備信號時域中的信號數據偏差量，計算偏移因子，進而提取信號時域特征向量，采用模糊處理模型對特征向量進行估算，實現電氣設備運行狀態遠程監控。在實驗論證中，利用所提方法的監控結果繪制設備健康指數曲線，結果與實際值基本一致，監控誤差較小，更加符合設備實際運行情況。

【關鍵詞】? ?物聯網嵌入式單片機；電氣設備；運行狀態；遠程監控

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

〔中圖分類號〕? TP399? ? ? ? ? ? ?〔文獻標識碼〕? A ? ? ? ? ? ? ?〔文章編號〕 1674 - 3229（2023）01- 0039 - 06

0? ? ?引言

電氣設備發生故障會對整個電力系統造成巨大的經濟損失，嚴重時會導致人身安全事故發生。現有對設備運行狀態監控的方法：文獻［1］基于大數據的設備運行狀態監控方法，通過對設備故障機理進行深入分析，根據不解體測試結果，利用大數據分析預測設備是否存在潛在故障，從而進行調整、維修或更換；文獻［2］基于蟻群算法的設備運行狀態監控方法根據設備空白出現的故障定位，建立監控模型，引入蟻群算法，對模型進行求解，從而設計監控信息傳輸方案，實現對電氣設備的運行狀態監控。但以上方法由于對參數變量的估計不準確，不能高效完整地對數據知識進行挖掘，監控結果誤差較大，無法為設備維護人員提供全面的知識指導。本文提出的基于物聯網嵌入式單片機的電氣設備運行狀態監控方法，有效地解決了當前方法存在的不足，可提高設備運行狀態監控的可靠性和實時性。

1? ? ?電氣設備運行狀態遠程監控方法設計

1.1? ?利用物聯網嵌入式單片機采集電氣設備運行狀態信息

電氣設備在正常運行過程中會產生標準范圍內的正常振動信號，當設備運行不正常時，其振動信號往往也是不規律的［3］。因此需要對正常和非正常情況下電氣設備振動信號的特征值進行提取、分析、處理來確定軸承故障情況。通過對這些參數的獲取，實時判斷設備的運行狀態，進而為后續的維修提供更為準確的依據。選用物聯網嵌入式單片機80C51作為采集設備運行狀態信號的器件，其結構如圖1所示。

由圖1可知，物聯網嵌入式單片機80C51的主端口直接與樹莓派中的第6個引腳相連，并與其輸出連接器實時傳輸信號數據；HAT與單片機內置的采集卡互通，實現樹莓派在發出數據采集指令時自動設置GPIO引腳；80C51具備12個32位的雙端信號輸入輸出器，可通過的模擬信號電壓范圍為±20V［4］；板卡地址可根據設備信號類型進行自動匹配，匹配時最大數據吞吐量為500kS/s，并具備24針I/O引腳，支持用戶監控同時利用時鐘和振蕩信號板卡進行數據掃描；3.3V電源為單片機供電，并與樹莓派連接［5］。

由于通過80C51單片機采集的設備運行狀態信號是模擬量，且其中摻雜著大量的噪聲干擾信號，若直接對其進行特征提取，則導致信號轉換為數據量的純度較低，后續監控結果不準確［6］。因此，在設備運行狀態信號采集之后，需要對信號進行轉換。利用跨阻值放大器，對狀態信號進行適當增益，消除噪聲信號的干擾，將信號轉換為數據形式。信號轉換電路設計如圖2所示。

由圖2可知，利用1N4001硅整流二極管通過電壓反向將采集到的較強狀態信號轉換為電流；采用跨阻值放大器對較弱的狀態信號進行增益放大處理［7］。通過上述操作，將采集到的所有信號全部轉換為數據形式，利于后續監控。采集的設備運行狀態工況參數如表1所示。

經過信號轉換操作，對信號進行調理轉換，保證采集到的信號均為數據形式。利用80C51信號的嵌入式單片機可以將設備運行狀態的參數集中在一個芯片上，信號數據采集流程如圖3所示。

由圖3可知，信號數據采集芯片主要從三個方向對設備運行狀態信號數據進行采集，主要為信號數據等待隊列、信號可用隊列和信號數據刪除隊列［8］。其中，等待隊列中的信號數據是經過調理轉換的數據；信號可用隊列是采集設備全部的運行信號；刪除隊列對信號數據進行篩選，刪除不可用數據，保留有效信息。

利用線性方程描述信號數據采集狀況，即：

[X=B2-B1A2-A1+B1A2-B2A1A2-A1] （1）

上式中，[A1]表示采集設備運行狀態信號的開始時間；[A2]表示信號采集結束時間；[B1]表示信號采集初始值；[B2]表示信號采集終止值；[X]表示信號數據采集總量。

利用上式的線性方程來定量描述設備運行狀態信號的采集情況，為接下來提取信號時域特征以及運行狀態監控提供便利。

1.2? ?提取運行狀態信號時域特征

在狀態信號采集基礎上，利用信號分析理論分析信號偏差量，并計算出偏移因子，從而對時域特征進行提取，利用這些特征向量判斷設備運行狀態。因此，在采集到運行狀態信號的基礎上，對信號的時域特征進行提取，運行狀態信號的應力波時域特征如圖4所示。

圖4中的狀態信號時域波形圖為設備的一個運行周期。對于設備在全生命周期中的運行記錄，窗口的長度是固定的，其中最多包含10萬個運行數據節點，記錄時間為20s。信號數據記錄的長度用“[R]”表示，指的是數據文件持續總時間。從狀態信號時域中提取出的特征參數主要由設備的初始極限閾值[L]決定，通常情況下，極限閾值為設備在一個運行周期內的最低瞬時振幅的10倍。瞬時振幅調整描述如圖5所示。

圖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。

用于計算極限閾值的物理參數是預先給定的［9-10］。因此，設備一個運行周期內信號的應力波峰值能量[E]為：

[E=B?tetbVavA′i，Ldt] （2）

式（2）中，[B]為信息采集數量；[A′i]表示窗口內的最低瞬時振幅；[L]表示設備極限閾值；[te]、[tb]分別表示記錄長度的最大時間和最小時間。

一般情況下，設備的全生命周期包括5個窗口長度［11］，共包含4個時域特征參數[S1、S2、S3、S]。因此，提取到的信號初始時域特征參數[S1、S2、S3]定義如下：

[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]表示振幅峰值個數，[i]表示峰值序號；式（4）中，[Rmax]、[Rmin]分別表示信號記錄的最大值和最小值；式（5）中，[L]表示極限閾值；式（6）中，[E]表示應力波峰值能量。

因此，通過對設備運行狀態信號的應力波分析，提取得到信號時域特征參數，即式（6），為接下來對設備運行狀態監控的實現打下了基礎。

1.3? ?實現設備運行狀態監控

信號數據在特征提取過程中，由于設備自身和外界因素影響，導致得到的信號參數質量不高，從而在時域波形中出現模糊區域［12-13］。所以，采用模糊處理模型對信號的模糊部分進行處理，提高信號質量，獲取最佳參數。模糊處理模型的表達式為：

[yi，j=S×hi，j×xx，j+n1×n2] （7）

式（7）中，[yi，j]表示模糊信號；[S]表示信號時域特征參數；[hi，j]表示模糊信號部分退化算子；[xx，j]表示初始信號；[n1]表示加性噪聲；[n2]表示乘性噪聲。

利用線性不變模型與模糊處理模型相結合，建立雙重模糊處理模型，因此，可以將式（7）改寫為：

[yi，j=Hxi，j+n1] （8）

式（8）中，[H]表示線性不變模型的濾波器，對復雜信號的干擾因素進行濾波消除處理。

在電氣設備運行狀態遠程監控中，信號在傳輸過程中易發生徑向畸變，該畸變信號會降低監控結果的精度［14-15］。主要成因是信號隨著長度方向發生改變時，其采集到的信號也會發生扭曲。

利用公式（9）描述信號的徑向畸變過程，即：

[Xd=1+kR2dXuYd=1+kR2dYu] （9）

式（9）中，[Xd，Yd]表示信號坐標；[Xu，Yu]表示信號標準坐標；[k]表示徑向畸變因子；[Rd]表示信號偏移因子，且滿足公式（10）：

[R2d=X2d+Y2d] （10）

通過確定信號偏移因子，計算得出信號的偏移量，并利用公式（8）對信號畸變進行模糊處理，實施線性擬合，實現對電氣設備運行狀態的實時監控與捕捉。

2? ? ?實驗論證

為證明本文所提的識別運行狀態監控方法的可靠性，選擇某地區的過程層電氣設備，根據電氣設備運行狀態監控過程特點，設計實驗環節。

2.1? ?實驗準備

基于1臺PC機（Intel Core i7 3.00 GHz CPU，32GB內存，外接5TB硬盤用于存儲數據）搭設電氣設備運行狀態監控平臺，數據預處理利用MATLAB 2018。物聯網嵌入式單片機對待監控對象的運行數據進行采集和傳輸；單片機與PC機的鏈接強度為10，啟用部分引腳與HAT連接器相連，并調用換階函數對鏈接強度進行校準。

80C51型號嵌入式單片機對信號的采集頻率為5 min /次，獲取到的設備運行狀態信息包括設備結構技術參數、正常運行數據以及故障維修數據三種類型，由系統配電設備、設備內部數據庫系統以及歷史數據構成。數據庫系統結構如表2所示。

對于設備實時運行數據，利用單片機對其進行采集，并將最新數據傳輸到系統的集群中進行預處理；對于設備運行的歷史數據，利用Flume逐條讀取并分析。

2.2? ?實驗說明

基于以上實驗準備，對原始的QAR數據進行單獨提取，提取出的數據為txt格式如圖6所示。圖6中記錄了電氣設備的名稱、運行時間、基準值、警戒值以及參數變化范圍等。

選取的多臺電氣設備主要由電纜、通信轉換器、配電箱、端子箱、總控制器和主機組成。采用電氣設備運行狀態測試儀Test-Center對設備進行運行狀態測試，獲取設備監控結果；利用斷路器調整設備運行狀態，并通過校準器對電氣參數進行校正；利用交換機將以上硬件進行連接，搭建測試環境，如圖7所示。

圖7中監控顯示器為計算機，可實時顯示監控方法的監控結果。數據集數據大小分別為1500MB、3000MB與4500MB。

2.3? ?運行狀態監控誤差實驗分析

在方法測試與仿真中，選擇了某地區環境下5臺運行變壓器的狀態預測情況，采用的時間維度屬性區間是2015年6月～2022年6月，每3個月為一個分析區間。對每臺設備均采集10條運行數據，共計300條數據，同時實時數據的刷新時間保持在5～10s內。將待監控設備的歷史數據進行匯總并分析，按照百分制對設備的運行狀態進行健康分析，確定待監控設備的健康指數分別為0.87、0.65、0.43、0.92、0.20，對應的運行狀態具體為健康、良好、不健康、健康、故障。分別利用文獻［1］基于大數據的設備運行狀態監控方法（方法1）、文獻［2］基于蟻群算法的設備運行狀態監控方法（方法2）與本文設計的方法同時對以上設備的運行狀態進行監控，將監控結果與實際監控結果相比較，對比不同方法的監控誤差。對比結果如圖8所示。

分析圖8可知，利用方法1對設備運行狀態進行監控得到的設備健康指數與實際數值相差較大，監控誤差較大，該方法利用部分故障數據建立監控模型，沒有充分考慮設備運行參數的偏差量；方法2是通過設備基線模型繪制監控擬合曲線，缺少對基礎運行數據的分析，因此存在較大的監控誤差；利用本文方法對實驗設備運行狀態進行監控，得到的設備健康指數與實際值基本一致，表明監控誤差較小，更加符合實際情況。

3? ? ?結論

本文研究的電氣設備運行狀態監控方法，充分利用物聯網單片機高效采集數據的優勢，以此提高監控方法的信號數據采集質量和效率，進而實現對電氣設備運行狀態的監控，并通過對比實驗證明了設計方法的有效性。在今后的研究中，還需要對設備運行過程中的信號數據建立數據庫，進一步完善設備運行狀態監控方法。

［參考文獻］

［1］? 徐曉虹，鄭昀.基于大數據的配電設備運行狀態監控與故障預警系統設計［J］.能源與環保，2021，43（12）：207-211.

［2］ 周從軍.基于蟻群算法的帶式輸送機運行狀態監控系統設計［J］.煤炭技術，2021，40（11）：211-213.

［3］ 米海峰.礦用通風機運行狀態監控系統的研究［J］.機械管理開發，2022，37（7）：303-304.

［4］ 林學偉，嚴明忠. 基于STM32單片機的智能家居控制系統設計［J］. 廊坊師范學院學報（自然科學版），2020，20（4）：35-38.

［5］ 杜立嬋，王彪，趙云，等.“1+X”證書制度下物聯網專業嵌入式單片機技術及應用課程教學探索［J］.廣西教育，2022（12）：161-164.

［6］ 陳軍，韓清華，楊安迪，等.項目團隊教學法在嵌入式單片機課堂的探索與實踐［J］.實驗室研究與探索，2022，41（4）：232-235.

［7］ 黃一躬，周超，侯躍輝，等.汽車殼體類零件加工生產線運行狀態監控系統的設計與實現［J］.中國科技論文在線精品論文，2022，15（1）：31-42.

［8］ 楊耀杰.煤礦機電設備工作狀態智能監控系統研究［J］.機械管理開發，2021，36（12）：276-277.

［9］ 郭東明.基于CAN總線的無人值守變電所過程層設備運行狀態智能監控方法［J］.能源與環保，2021，43（10）：288-293.

［10］ 劉軍，靖偉，彭代君，等.油田變電運行數據與設備狀態在線監控技術［J］.上海電氣技術，2021，14（3）：17-21.

［11］ 劉延春，李娜，王香.基于紅外攝像機的智能競速車運行狀態監控［J］.激光雜志，2021，42（9）：179-183.

［12］ 梁廣柱，呂志德，周澤滿，等.軌道衡設備運行狀態監控系統設計［J］.鐵道技術監督，2021，49（8）：14-17.

［13］ 劉迪，李建海，王晶，等.一種基于嵌入式單片機視頻監控裝置的設計與研究［J］.船電技術，2021，41（7）：61-64.

［14］ 任遠林，徐奇.基于嵌入式單片機的智能家居遠程控制系統設計［J］.新鄉學院學報，2021，38（3）：72-76.

［15］ 王元峰，王林波，王冕，等.基于大數據的配電設備運行狀態監控與故障預警系統設計［J］.自動化與儀器儀表，2021（1）：148-151.