基于TinyML和动能收集技术的无源预测性维护系统

本发明涉及一种低功耗监测和能量收集技术，特别涉及一种基于tinyml和动能收集技术的无源预测性维护系统。

背景技术：

1、数字化和自动化进程被认为是一个新的工业时代，其中物联网技术发挥着越来越重要的作用。工业中，维护成本占运营总成本的15-60％，所以高效的维护方案至关重要。预测性维护是近年在工业界和学术界火热的设备监测方案，它可以通过统计学或人工智能模型来预测趋势、行为模式和相关性，以提前感知即将发生的故障，从而改善维护活动的决策过程，主要是避免停机。

2、目前先进的预测性维护主要基于机器学习算法，但它们大多运行于资源丰富、耗电、昂贵的服务器上。随着系统的普及，基于单层算力框架的云计算会带来功耗、成本、延时、数据隐私等等方面的问题。

3、近年来由谷歌公司提出的tinyml技术无疑是aiot的强心剂，它旨在边缘的资源有限的物联网设备上运行机器学习模型，即赋予边缘设备智力，它所需的极低功耗和成本将大大促进泛在人工智能的发展。但是，tinyml刚刚起步，还没有综合考虑预测性维护系统各个部分的一般性系统研究。

4、再者，所有预测性维护系统的端侧设备都需要市电或电池供电，所有电池的维护和更换将带来巨大的人力物力成本，进一步限制智能维护的发展。无源物联网，旨在利用先进的能量收集技术，使物联网终端设备自主地从环境中提取能量维持正常工作，而无需额外电池。利用能量收集技术可以使工厂端侧设备自主获取振动能量，从而消除电池带来的各种成本。

5、如今的预测性维护领域，缺少一种自供能的、不依赖云平台(云边分离)的、轻量的、低延时、低功耗、低成本的可靠端侧智能监控设备。

技术实现思路

1、针对预测数据低功耗采集问题，提出了一种基于tinyml和动能收集技术的无源预测性维护系统，包括压电能量收集器，基于能量管理电路和低功耗soc最小系统的无源智能终端，接收机和云平台。tinyml为低成本单片机嵌入机器学习模型，使其能本地进行数据处理，低延时地完成振动信息分析，从而在端侧完成对工业设备全方位状态诊断，高精准度地捕获机器的异常状态，实现高效的低功耗预测性维护。同时能量收集技术使得整个系统无需电池，能量自给自足，且无需额外传感器，压电片充当着能量源与信息源，进一步降低了成本与功耗。

2、本发明的技术方案为：一种基于tinyml和动能收集技术的无源预测性维护系统，包括能量收集器、无源智能终端、接收机和云平台；

3、所述能量收集器，用于收集设备设备上振动信息和能量；

4、所述无源智能终端包括能量管理电路和低功耗soc最小系统，所述能量管理电路用于存储和管理能量收集器收集的能量，并给低功耗soc最小系统供电；所述低功耗soc最小系统采集能量收集器收集的振动信息并进行分析，分析信息发送；

5、所述接收机，用于接收无源智能终端发送的信息，并送云平台；

6、所述云平台，用于接收接收机信息，提供数据服务。

7、优选的，所述能量管理电路包括能量输入单元、能量存储单元、欠压锁定单元以及稳压输出单元，能量收集器上产生的交流电压通过能量输入部分后被能量存储单元的电容存储,欠压锁定单元判读能量存储单元电容存储电压，控制低功耗soc最小系统供电回路导通或关闭；能量存储单元输出电压经过稳压输出单元稳压后给低功耗soc最小系统供电。

8、一种基于tinyml和动能收集技术的无源预测性维护系统运行方法，建立基于tinyml和动能收集技术的无源预测性维护系统，振动能量由无源智能终端的能量管理电路中电容进行存储，当能量达到了阈值电压von后，低功耗soc最小系统开始工作；低功耗soc最小系统首先进行系统的初始化，然后对压电能量收集器上产生的电信号进行adc采样，得到数据后进行数据预处理，随后将数据送进内置于低功耗soc最小系统的tinyml模型进行片上机器学习推理，最后低功耗soc最小系统根据推理的结果进行设备状态分析和信息发送；低功耗soc最小系统在运行时持续消耗能量管理电路中电容的电能，当能量降至阈值电压voff后，低功耗soc最小系统停止工作；tinyml模型预测异常情况，警告信息将实时无线发送至接收机，接收机将数据结果上传云平台。

9、进一步，所述低功耗soc最小系统与接收机之间无线通信通信协议选择基于低功耗ble的ibeacon协议。

10、进一步，所述云平台为管理层提供信息可视化、报告维修团队、备品备件、产程调整相应服务，保障了工厂的稳定运行。

11、一种基于tinyml和动能收集技术的无源预测性维护系统运行方法中tinyml模型训练方法，所述tinyml模型在模型预训练阶段，无源智能终端由正常电池供电，在端侧采样设备对应的振动数据，进行数据集搭建；数据通过wifi进行信息上传，或保存至sd卡中，随后数据经过预处理操作，缺失值和异常值处理、数据归一化，数据特征提取；然后预处理后数据被送进基于tensorflow和keras搭建的轻量神经网络进行训练，或者送进基于sklearn开源库搭建的传统机器学习模型进行训练；完成训练后，模型经过tensorflow lite或micromlgen框架进行压缩转换；模型转为低功耗soc最小系统能识别和读取的二进制文件后，再经过arduino、stm32cube.ai、codecraft的ide开发，将会配合相关的应用程序部署于无源智能终端的低功耗soc最小系统中。

12、本发明的有益效果在于：本发明基于tinyml和动能收集技术的无源预测性维护系统，能量供需平衡的考虑使得系统更加高效；由于无源的特性，本发明的系统更加普适，在资源极度受限的极端环境也能稳定运行，极大促进了端侧智能、无源物联网和泛在人工智能的发展。

技术特征：

1.一种基于tinyml和动能收集技术的无源预测性维护系统，其特征在于，包括能量收集器、无源智能终端、接收机和云平台；

2.根据权利要求1所述基于tinyml和动能收集技术的无源预测性维护系统，其特征在于，所述能量管理电路包括能量输入单元、能量存储单元、欠压锁定单元以及稳压输出单元，能量收集器上产生的交流电压通过能量输入部分后被能量存储单元的电容存储,欠压锁定单元判读能量存储单元电容存储电压，控制低功耗soc最小系统供电回路导通或关闭；能量存储单元输出电压经过稳压输出单元稳压后给低功耗soc最小系统供电。

3.一种基于tinyml和动能收集技术的无源预测性维护系统运行方法，其特征在于，建立基于tinyml和动能收集技术的无源预测性维护系统，振动能量由无源智能终端的能量管理电路中电容进行存储，当能量达到了阈值电压von后，低功耗soc最小系统开始工作；低功耗soc最小系统首先进行系统的初始化，然后对压电能量收集器上产生的电信号进行adc采样，得到数据后进行数据预处理，随后将数据送进内置于低功耗soc最小系统的tinyml模型进行片上机器学习推理，最后低功耗soc最小系统根据推理的结果进行设备状态分析和信息发送；低功耗soc最小系统在运行时持续消耗能量管理电路中电容的电能，当能量降至阈值电压voff后，低功耗soc最小系统停止工作；tinyml模型预测异常情况，警告信息将实时无线发送至接收机，接收机将数据结果上传云平台。

4.根据权利要求3所述基于tinyml和动能收集技术的无源预测性维护系统运行方法，其特征在于，所述低功耗soc最小系统与接收机之间无线通信通信协议选择基于低功耗ble的ibeacon协议。

5.根据权利要求3所述基于tinyml和动能收集技术的无源预测性维护系统运行方法，其特征在于，所述云平台为管理层提供信息可视化、报告维修团队、备品备件、产程调整相应服务，保障了工厂的稳定运行。

6.一种基于tinyml和动能收集技术的无源预测性维护系统运行方法中tinyml模型训练方法，其特征在于，所述tinyml模型在模型预训练阶段，无源智能终端由正常电池供电，在端侧采样设备对应的振动数据，进行数据集搭建；数据通过wifi进行信息上传，或保存至sd卡中，随后数据经过预处理操作，缺失值和异常值处理、数据归一化，数据特征提取；然后预处理后数据被送进基于tensorflow和keras搭建的轻量神经网络进行训练，或者送进基于sklearn开源库搭建的传统机器学习模型进行训练；完成训练后，模型经过tensorflowlite或micromlgen框架进行压缩转换；模型转为低功耗soc最小系统能识别和读取的二进制文件后，再经过arduino、stm32cube.ai、codecraft的ide开发，将会配合相关的应用程序部署于无源智能终端的低功耗soc最小系统中。

技术总结
本发明涉及一种基于TinyML和动能收集技术的无源预测性维护系统，包括压电能量收集器，基于能量管理电路和低功耗SoC最小系统的无源智能终端，接收机和云平台。TinyML为低成本单片机嵌入机器学习模型，使其能本地进行数据处理，低延时地完成振动信息分析，从而在端侧完成对工业设备全方位状态诊断，高精准度地捕获机器的异常状态，实现高效的低功耗预测性维护。同时能量收集技术使得整个系统无需电池，能量自给自足，且无需额外传感器，压电片充当着能量源与信息源。能量供需平衡的考虑使得系统更加高效；由于无源的特性，本发明的系统更加普适，在资源极度受限的极端环境也能稳定运行，极大促进了端侧智能、无源物联网和泛在人工智能的发展。

技术研发人员：陈梓杰,高一鸣,梁俊睿
受保护的技术使用者：上海科技大学
技术研发日：
技术公布日：2024/1/12