文章详情

题名 · 作者 · 摘要 · 关键词 · DOI · 参考文献

基于ZigBee和4G通信的旋转机械故障监测系统设计

周德义

(四川信息职业技术学院,四川 广元 628040)

栏目:通信工程 · 第 2025 年第 12 期 · 页码:7-11,16 · 2096-4706(2025)12-0007-06 · 中图分类号:TP277;TH16 · 文献标识码:A · DOI:10.19850/j.cnki.2096-4706.2025.12.002

摘要

旋转机械作为工业生产的核心设备,其运行状态直接关系到生产系统的效能与设备安全。针对传统有线监测系统存在的布线复杂、覆盖盲区多、移动性差等痛点,该研究创新性地融合了ZigBee低功耗自组网与4G广域传输技术,研制了分层式无线智能监测系统。该系统构建了三层架构体系:感知层集成多源传感器,实现振动、温度等关键参数的采集;传输层采用ZigBee网状网络完成车间数据汇聚,并通过4G模块实现跨地域远程传输;应用层部署云端数据分析平台,集成最小-最大归一化方法与卷积神经网络模型,实现了故障特征提取与智能诊断。与传统方法相比,该系统检测效率显著提升,为工业设备的预测性维护提供了可靠的技术支持。

关键词

ZigBee;4G通信;故障诊断;多传感器

参考文献

  1. [1] MAURYA M,PANIGRAHI I,DASH D,et al. 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. [2] 王英杰,朱景建,龚智强,等.基于DAE-BiLSTM-CNN的滚动轴承故障诊断方法 [J].机械设计,2024,41(11):123-129.
  3. [3] 马建,王建平,孟德安,等.永磁同步电机故障诊断方法研究综述 [J].电力工程技术,2024,43(4):104-115.
  4. [4] JIGYASU R,SHRIVASTAVA V,SINGH S. Hybrid Multi-model Feature Fusion-Based Vibration Monitoring for Rotating Machine Fault Diagnosis [J].Journal of Vibration Engineering & Technologies,2024,12:2791-2810.
  5. [5] 宫文峰,陈辉,张美玲,等.基于深度学习的电机轴承微小故障智能诊断方法 [J].仪器仪表学报,2020,41(1):195-205.
  6. [6] LI X,CHENG J,SHAO H D,et al. A Fusion 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. [7] 陈立群,杨天智.基于视频的机械装备全场振动测量研究 [J].力学进展,2021,51(2):376-381.
  8. [8] 陈起磊,蒋亦悦,唐瑶,等.基于时频图与改进图卷积神经网络的异步电机故障诊断方法 [J].振动与冲击,2022,41(24):241-248.
  9. [9] WANG S,YU Z L,LIU X,et al. Fault Monitoring and Diagnosis of Motorized Spindle in Five-Axis Machining Center Based on CNN-SVM-PSO [J].Mechanical Engineering Science,2022(2):21-29.
  10. [10] 李俊卿,刘静.结合卷积神经网络和迁移学习的电机轴承故障诊断方法 [J].华北电力大学学报:自然科学版,2023,50(1):76-83+91.
  11. [11] 高浩寒,潮群,徐孜,等.小样本下基于孪生神经网络的柱塞泵故障诊断 [J].北京航空航天大学学报,2023,49(1):155-164.
  12. [12] 赖荣燊,闫高强.基于卷积神经网络的滚动轴承故障诊断研究综述 [J].机电工程,2024,41(2):194-204.
  13. [13] HAN T,LIU C,YANG W G,et al. A Novel Adversarial Learning Framework in Deep Convolutional Neural Network for Intelligent Diagnosis of Mechanical Faults [J].Knowledge-Based Systems,2019,165:474-487.
  14. [14] ZHOU Q T,XUE L X,HE J,et al. A Rotating Machinery Fault Diagnosis Method Based on Dynamic Graph Convolution Network and Hard Threshold Denoising [J/OL].Sensors,2024,24(15)[2025-01-08].https://doi.org/10.3390/s24154887.
  15. [15] LEI D C,CHEN L T,TANG J Y. Mining of Weak Fault Information Adaptively Based on DNN Inversion Estimation for Fault Diagnosis of Rotating Machinery [J].IEEE Access,2022(10):6147-6164.

基金项目

青年教师项目(2025C18)

作者简介

周德义(1995—),男,汉族,甘肃武威人,助教,硕士研究生,研究方向:信号处理、信息融合、故障诊断、物联网应用技术。