基于ZigBee和4G通信的旋轉機械故障監測系統設計

中圖分類號：TP277；TH16 文獻標識碼：A文章編號：2096-4706（2025）12-0007-06

Design of Rotating Machinery Fault Monitoring System Based on ZigBee and 4G Communication

ZHOUDeyi （Sichuan Vocational College of Information Technology，Guangyuan 628o4o，China）

Abstract：Asthecore equipmentofindustrial production，theruningstateofrotating machineryisdirectlyrelated tothe effciencyofthe productionsystemandthesafetyoftheequipment.Aimingatthepainpointsof raditional wiredmonitoring systems，suchascomplex wiring，manyblindareas，andpoor mobilitythisresearchinovatively integrates ZigBeelow-power ad-hoc networkand4G wide-area transmissontchnology，anddevelopsahierarchical wireless intellgent monitoringsytem. Thesystemconstructsatree-tierarchitectureTheperceptionlayer integrates multi-sourcesensorstorealizethecollectionof keyparameters such as vibrationand temperature.The transmission layer uses a ZigBee mesh network tocomplete workshop dataaggegation，andrealzescross-regional remote transmissiontrougha4Gmodule.Theaplicationlayerdeploysacloud dataanalysisplatform，integratestheminimum-maximumnormalizationmethodandtheConvolutionalNeuralNetworksmodel， andrealizesfaultfeatureextractionand intelligentdiagnosis.Comparedwithtraditionalmethods，thedetectioneffciencyofthe systemissignifcantlyimproved，providingreliabletechicalsupportforthepredictivemaintenanceofindustrialeuipment.

Keywords： ZigBee; 4G communication; fault diagnosis; multi-sensor

0 引言

在現代工業生產體系中，旋轉機械廣泛應用于電力、化工、冶金、機械制造等眾多領域，如汽輪機、電機、風機、泵等，它們是保障生產流程順利進行的核心設備[]。旋轉機械在長期運行過程中，由于受到復雜的工況條件、交變載荷以及零部件老化等因素影響，不可避免地會出現各種故障[2]。這些故障若不能及時發現并處理，可能引發設備停機，甚至導致嚴重的安全事故，給企業帶來巨大的經濟損失。因此，對旋轉機械進行實時、有效的故障監測，對于保障工業生產的穩定運行、提高設備可靠性以及延長設備使用壽命具有重要意義[3-5]。

傳統的旋轉機械故障監測方法多依賴于有線連接的傳感器與集中式監測設備[。這種方式在實際應用中暴露出諸多問題：布線工程復雜，需要耗費大量的人力、物力和時間成本；在設備布局調整或新增監測點時，布線改動難度極大；同時，有線監測系統的監測范圍受線纜長度限制，難以覆蓋一些偏遠或環境復雜的區域；此外，傳統監測手段的數據處理和傳輸效率較低，無法滿足實時性和智能化的監測需求。

隨著物聯網技術的飛速發展，無線通信技術在工業監測領域展現出獨特的優勢[8]。ZigBee技術憑借其低功耗、自組織網絡、成本低廉等特點，非常適合構建近距離、低速率的數據傳輸網絡，能夠高效地實現傳感器節點間的數據匯聚。而4G通信技術以其高帶寬、廣覆蓋、傳輸速度快等特性，解決了數據遠距離高速傳輸的難題。

基于此，本設計將ZigBee與4G通信技術有機結合，致力于打造一套全新的旋轉機械故障監測系統。該系統旨在突破傳統監測方式的局限，實現對旋轉機械運行狀態的全方位、實時、精準監測，通過先進的數據分析算法及時發現故障隱患，為工業生產的安全穩定運行提供有力保障，同時也為工業設備智能化監測的發展提供新思路和實踐參考。

1實時故障監測系統的設計

本系統采用分層架構設計，涵蓋對象層、網絡層、云服務器層和用戶應用程序層，各層協同運作，實現對旋轉機械的高效故障監測。系統總體架構如圖1所示。

承擔數據的接收、存儲與處理任務。平臺接收來自網絡層的數據后，運用故障診斷算法對數據進行深入分析，以判斷機械設備是否存在故障。同時，該層作為數據交互的樞紐，通過HTTP/MQTT協議與用戶應用程序層進行通信，為用戶應用程序層提供數據支持。

4）用戶應用程序層。用戶應用程序層面向用戶，提供多樣化的功能服務，分為移動端（Mobile）和PC端（PC-sideWeb）。移動端具備視頻監控、故障報警、數據存儲等功能，方便用戶隨時隨地獲取機械設備的狀態信息；PC端除了具備故障報警、數據存儲功能外，還提供數據分析、遠程遙控和數據管理等功能，滿足用戶更深入的管理與分析需求。

2 通信模塊的硬件設計

在物聯網蓬勃發展的當下，無線傳感器網絡（WirelessSensorNetwork，WSN）作為其領先的拓撲結構和具體實現方式，在工業監測領域發揮著至關重要的作用[。在本旋轉機械故障監測系統中，WSN負責監控、通信和處理系統操作信息。WSN由眾多分布式傳感器組成，這些傳感器也被稱作智能節點，它們與芯片和無線收發器高度集成，協同工作以實現數據的采集與初步傳輸。本系統通信模塊硬件主要涵蓋4G網關、路由器以及協調器的設計，如圖2所示，它們各自承擔獨特功能，共同保障數據在復雜環境下穩定、高效地從感知層傳輸至應用層，從而確保系統對旋轉機械運行狀態的全方位、實時、精準監測。

系統總體架構主要內容包括：

1）對象層。對象層主要由機械設備與變頻器組成。機械設備是監測的核心對象，其運行狀態直接關乎生產的穩定性與效率。變頻器可調節機械設備的運行參數，以適應不同的生產需求。在該層，ZigBee協調模塊通過RS-485接口與變頻器相連，遵循Modbus-RTU協議進行通信，實現對機械設備運行狀態數據的采集，這些數據后續將借助ZigBee網絡傳輸至網絡層。

2）網絡層。網絡層由ZigBee協調模塊和4G網關構成。ZigBee協調模塊負責構建網狀網絡，與對象層的ZigBee協調模塊進行通信，匯聚來自機械設備的運行數據。4G網關通過UART接口與ZigBee協調模塊相連，將接收到的數據通過2G/3G/4G/5G網絡傳輸至云服務器層，并支持Modbus-RTU協議，為數據的遠距離傳輸提供可靠的網絡連接。

3）云服務器層。云服務器層采用OneNET云平臺，

圖1檢測系統的整體架構

圖24G網關和ZigBee模塊

2.1 4G網關設計

4G網關在系統中承擔著將ZigBee網絡數據遠距離傳輸至云服務器的重要任務。其硬件結構如圖所示，核心部件為N720芯片，該芯片具備強大的通信處理能力，能夠穩定支持2G/3G/4G網絡通信。4G網關配備了增益天線，能夠有效增強信號的收發能力，提升信號覆蓋范圍和傳輸穩定性，確保在復雜環境下也能實現可靠的遠距離數據傳輸。設備設有串行端口，用于與其他設備進行串口通信，實現數據的交互與傳輸；微型USB接口則方便設備供電及數據的調試和下載等操作。此外，還設有啟動按鈕，便于對網關進行啟動和復位等控制操作。

2.2 路由器設計

路由器在ZigBee網絡中起到數據轉發和拓展網絡覆蓋范圍的作用。其硬件主要由CC2530和CC2591芯片組成。CC2530是一款功能強大的無線微控制器，集成了8051內核，具備良好的無線通信能力和數據處理能力，可實現ZigBee協議棧的運行以及數據的接收與發送等功能。CC2591作為射頻前端芯片，搭配增益天線，能夠顯著提高信號的傳輸距離和靈敏度，增強ZigBee網絡的覆蓋范圍和通信質量。同時，路由器還設有RS-485接口，該接口可方便地與其他支持RS-485通信的設備進行連接，如對象層的變頻器等，實現不同設備間的數據交互。

2.3 協調器設計

協調器是ZigBee網絡的核心組建部件，負責網絡的建立、管理和維護等工作。其硬件同樣采用CC2530和CC2591芯片組合：CC2530用于運行ZigBee協議棧，處理網絡相關事務，如設備的加入、認證等；CC2591搭配增益天線，保障網絡通信的穩定性和擴大覆蓋范圍。協調器配備了串行端口，可用于與其他設備進行串口通信，實現數據的傳輸和交互；還設有OLED顯示屏，能夠實時顯示網絡的相關狀態信息，如網絡連接狀態、設備節點數量等，便于用戶直觀地了解ZigBee網絡的運行情況。

3終端節點的軟件設計及用戶應用

軟件開發在本旋轉機械故障監測系統中占據關鍵地位，主要涵蓋ZigBee節點和4G網關的底層編程，以及云服務器的數據處理和用戶界面的設計等方面。其中，ZigBee節點和4G網關作為系統終端節點軟件設計的核心部分，其性能直接影響系統數據采集與傳輸的效率和穩定性。

3.1ZigBee節點和4G網關

為了實現監控系統的功能拓展，ZigBee終端節點被設計為路由器和協調器，它們均為ZigBee協議中的全功能設備。ZigBee協調器和路由器節點（搭配4G網關）的軟件工作流程如圖3所示。具體步驟如下：

1）初始化階段，協調器節點和路由器節點分別進行初始化操作。2）初始化完成后，協調器節點掃描通道，設置加密密鑰，選擇PANID并進行廣播。3）路由器節點搜索無線信號，并向父節點發送一個連接請求，以獲取最大的能量。如果失敗，將持續幾次額外的嘗試。4）當接收到請求時，協調器將與路由器建立一個父子關系，并為其分配一個本地網絡地址。5）路由器通過已安裝的終端相互聯網。6）在形成ZigBee無線網絡后，路由器模塊定期對運行信息進行采樣，并通過一個協調器節點將其發送到4G網關。7）4G網關用于與協調器建立串行通信，并通過移動網絡連接到云服務器。8）4G網關進入等待和監聽狀態，從終端節點上傳數據，接收遠程命令，控制設備。

3.2PC和移動端終端

云服務器在本旋轉機械故障監測系統中扮演著數據處理與中轉的核心角色。它借助4G移動網絡，從底層設備接收運行信息，隨后由數據庫對這些信息進行管理與處理。處理后的數據，通過HTTP/MQTT協議傳輸至終端應用程序。此外，為了精準定位有問題的逆變器并挖掘系統潛在隱患，系統基于上傳數據中的三相電流構建了基于卷積神經網絡（Convolutional NeuralNetworks，CNN）的故障診斷模型。

在用戶端，為了提升信息訪問的便捷性，系統提供了Web服務和小程序。用戶無須安裝軟件或獲取許可證，即可輕松訪問相關信息。PC端的網頁由超文本標記語言（HTML）設計而成，如圖4所示。通過Web瀏覽器，用戶能夠輕松監控運行數據和系統狀態，諸如實時電力、每日發電量等信息均可實時獲取，且相關信息以折線圖和直方圖的形式呈現，便于用戶直觀分析。

圖4HTML格式的PC端實時網絡可視化界面

移動端的小程序界面如圖5所示。小程序支持用戶直觀查看多個逆變器的當前狀態，能夠通過圖形化顯示對數據進行管理，還可實現遠程控制操作，如開機/關機、并網／斷網等。此外，小程序具備運行日志存儲功能，并能及時報告警告信息，全方位保障逆變器在整個生命周期內的安全、可靠運行。

圖5微信小程序上的可視化監控界面

4基于CNN的機械故障診斷方法

在該系統中，我們通過處理從傳感器節點收集的數據來診斷機械系統中的故障。CNN作為一種有效的深度學習方法[，已成功地應用于涉及時間序列數據的各種場景，特別是在控制系統中[0-1]。CNN診斷模型包括數據處理、交叉熵計算、卷積層、池化層、全連接層等關鍵神經層。本系統中植入了基于CNN的故障診斷模塊，該模塊詳細設計了CNN診斷模型，如圖6所示。

圖6CNN故障診斷模型的流程圖

4. 1 數據預處理

在數據預處理階段，需要對收集到的速度、振動、電壓和電流等數據集進行分析。數據采集過程是通過工業無線傳感器網絡系統進行，實時收集的數據在預處理階段采用最小-最大歸一化方法[12]。最小-最大歸一化方法（Min-MaxNormalization）是一種常用的數據歸一化技術，用于將數據縮放到特定范圍內，通常是0到1之間。該方法通過對原始數據進行線性變換，將最小值映射到0，最大值映射到1，然后按照線性比例縮放其他數值。具體過程如下：

其中， X_max 和 X_min 為實時收集的數據（用 X 表示）的最小值和最大值， X^* 為 X_max 的歸一化值。

4.2 卷積層

卷積層主要用于從輸入數據中提取特征，通過應用卷積操作對輸入數據進行濾波處理，并生成具有局部感知性的特征映射。通過堆疊多個卷積層，CNN能夠逐漸學習到更抽象、更高級的特征表示，從而提高模型的表達能力和性能。卷積層包含一系列可學習的卷積核和參數，這些卷積核和參數在原始輸入數據和卷積核之間執行卷積運算。具有非線性激活的卷積過程如下：

其中， ξ_h^（b） 為第 h 個卷積層中的第 b 個核的輸出，χ_（h-1）^（r） 為前一層網絡的第 r 個輸出層， ? 為卷積運算，（20 α_h^（b） 和 β_h^（b） 為第 h 個卷積層的第 b 個核的權重和偏差，ReLU為激活函數。

4.3 池化層

池化層主要用于對輸入數據進行下采樣操作。通過運用池化層，神經網絡能夠逐步減小特征圖的尺寸，降低計算成本，并且在保留主要信息的同時提高模型的效率和泛化能力。為了避免過擬合，池化層經常被附加到卷積層上。它通過將附近的特征值融合成一個值[13]，并將最大池運算符分別應用于每個特征映射來實現最大池化具體流程如下：

ξ_h+1^（b）=max_{（ν-1）w[ξh^（b）（y）]}

其中， ξ_h^（b）（y） 為第 h 層的第 b 個特征圖中的第 y 個值， ξ_h+1^（b） 為第 h+1 個池化層的第 b 個特征圖中的結果，w 為池化窗口的高度。

4.4全連接層

全連接層也被稱為密集連接層或輸出層，主要用于特征整合、非線性映射、分類和預測、參數學習等。在交替堆疊多個卷積層和池化層之后，接著是扁平化層，將提取的特征圖轉化為一維數組[14]。輸出層使用Softmax激活函數對全連接層的輸出進行歸一化處理，使其符合概率分布[15]。Softmax 函數的輸出定義為：

其中， V_g 為 Softmax函數的輸入 g=1 ，2，…， z ，P_l=[P（L_l=1）P（L_l=g）P（L_l=z）] 是第 l 個函數歸一化后的輸出值， P=（L_l=g） 是屬于標簽 g 的第 l 個樣本的概率值。 P_l 中每一行的最大值對應的標簽為CNN診斷結果。

5結論

本研究聚焦于旋轉機械故障監測系統的設計，通過將ZigBee和4G通信技術有機結合，成功構建了一套高效、可靠的監測系統。在硬件層面，該系統精心設計了4G網關、路由器以及協調器等關鍵組件，確保數據在復雜的工業環境中能夠穩定、高效地傳輸；在軟件層面，該系統涵蓋了ZigBee節點和4G網關的底層編程，以及云服務器的數據處理和用戶界面的設計，實現了從數據采集、傳輸到分析、展示的全流程功能。在故障診斷環節，基于CNN的故障診斷方法展現出卓越的性能，能夠精準提取旋轉機械運行信號中的故障敏感特征，憑借其快速的訓練速度和高分類精度，準確判斷故障類型，為及時采取維修措施提供了有力依據。

參考文獻：[1]MAURYAM，PANIGRAHII，DASHD，etal.

Intelligent Fault Diagnostic System for Rotating Machinery

Based on IoT with Cloud Computing and Artificial Intelligence

Techniques： A Review [J].Soft Computing： A Fusion of Foundations，

Methodologies and Applications，2024，28（1）：477-494.

[2]王英杰，朱景建，龔智強，等.基于DAE-BiLSTM-

CNN的滾動軸承故障診斷方法[J].機械設計，2024，41（11）：

123-129.

[3]馬建，王建平，孟德安，等.永磁同步電機故障診斷

方法研究綜述[J].電力工程技術，2024，43（4）：104-115.

[4]JIGYASUR，SHRIVASTAVAV，SINGHS.Hybrid

Multi-model Feature Fusion-Based Vibration Monitoring for

Rotating Machine Fault Diagnosis [J].Journal of Vibration

Engineeringamp; Technologies，2024，12：2791-2810.

[5]宮文峰，陳輝，張美玲，等.基于深度學習的電機軸

承微小故障智能診斷方法[J].儀器儀表學報，2020，41（1）：

195-205.

[6]LI X，CHENGJ，SHAO HD，et al.AFusion

CWSMM-Based Framework for Rotating Machinery Fault

Diagnosis Under Strong Interference and Imbalanced Case [J].

IEEE transactions on industrial informatics，2022，18（8）：

5180-5189.

[7]陳立群，楊天智.基于視頻的機械裝備全場振動測量

研究[J].力學進展，2021，51（2）：376-381.

[8]陳起磊，蔣亦悅，唐瑤，等.基于時頻圖與改進圖卷

積神經網絡的異步電機故障診斷方法[J].振動與沖擊，2022，

41（24）：241-248.

[9] WANG S，YU ZL，LIU X，et al. Fault Monitoring and

Diagnosis ofMotorized Spindle in Five-Axis Machining Center

Based on CNN-SVM-PSO [J].Mechanical Engineering Science，

2022（2）：21-29.

[10]李俊卿，劉靜.結合卷積神經網絡和遷移學習的電

機軸承故障診斷方法[J].華北電力大學學報：自然科學版，

2023，50（1）：

[11]高浩寒，潮群，徐孜，等．小樣本下基于孿生神經網

絡的柱塞泵故障診斷[J].北京航空航天大學學報，2023，49（1）：

155-164.

[12]賴榮桑，閆高強.基于卷積神經網絡的滾動軸承故障

診斷研究綜述[J].機電工程，2024，41（2）：194-204.

[13]HANT，LIUC，YANGWG，et al.ANovel Adversarial

Learning Framework in Deep Convolutional Neural Network for

Intelligent Diagnosis of Mechanical Faults[J].Knowledge-Based

Systems，2019，165：474-487.

[14] ZHOUQT，XUELX，HEJ，etal.ARotatingMachinery

FaultDiagnosisMethodBasedonDynamicGraphConvolution

Network and Hard Threshold Denoising[J/OL].Sensors，2024，24（15）

[2025-01-08].https：//doi.org/10.3390/s24154887.

[15]LEIDC，CHENLT，TANGJY.MiningofWeak

FaultInformationAdaptivelyBasedonDNNInversionEstimation forFaultDiagnosisofRotatingMachinery[J].IEEE Access，2022 （10）：6147-6164.

作者簡介：周德義（1995一），男，漢族，甘肅武威人，助教，碩士研究生，研究方向：信號處理、信息融合、故障診斷、物聯網應用技術。