完成绪论背景意义以及振动传感器现状

main.adoc

@@ -21,20 +21,46 @@ Keywords: vibrating screen, fault monitoring, edge computing, CNN, MEMS
 
 === 课题研究背景及其意义
 
+随着工业技术的快速发展，振动筛作为物料分选、过滤和去杂的关键设备，在矿业、化工、食品等多个行业中扮演着至关重要的角色。然而，由于振动筛长时间运行在高强度、高负荷的工况下，其内部零部件容易发生磨损、松动或断裂等故障，这些故障不仅会导致生产效率的降低，还可能引发安全事故，给企业带来不可估量的损失。
 
+传统的振动筛故障检测方法多依赖于人工巡检和经验判断，存在检测效率低下、准确性不高、响应速度慢等问题。近年来，随着微电子机械系统（MEMS）技术的快速发展，微型化、高集成度的传感器被广泛应用于振动监测领域，能够实时、准确地采集振动筛的振动信号。同时，卷积神经网络（CNN）作为深度学习领域的重要分支，以其强大的特征提取和模式识别能力，在故障诊断领域展现出巨大的潜力。
 
-=== 国内外研究现状
+因此，本课题提出“基于 MEMS 和 CNN 的振动筛故障检测设备”的研究，旨在通过 MEMS 传感器实时采集振动筛的振动信号，并利用 CNN 对采集到的信号进行深度学习和处理，实现振动筛故障的自动识别和预警。这不仅能够提高故障检测的准确性和效率，减少人工巡检的工作量和误判率，还能够及时发现潜在的安全隐患，保障生产线的稳定运行，具有较为广泛的应用前景。
 
 ==== 振动传感器应用现状
 
-==== 振动筛故障检测设备研究现状
+振动传感器通过测量设备的振动加速度或振动速度，将振动信号转换为电信号进行采集和分析。在设备故障诊断中，振动传感器可以实时监测设备的振动情况，并通过算法和数据分析技术提取振动信号的特征参数，如频率、振幅、相位等。这些特征参数可以反映出设备的运行状态和健康情况，为故障诊断提供重要依据。
+
+// T. S. Barbosa, D. D. Ferreira, D. A. Pereira, R. R. Magalhães 和 B. H. G. Barbosa, 《Fault Detection and Classification in Cantilever Beams Through Vibration Signal Analysis and Higher-Order Statistics》, J Control Autom Electr Syst, 卷 27, 期 5, 页 535–541, 10 月 2016, doi: 10.1007/s40313-016-0255-1.
+Barbosa 等提出了一种基于振动信号分析和高阶统计的悬臂梁故障检测与分类方法，采用 Fisher 判别比（FDR）进行特征选择，人工神经网络进行故障检测和分类。对悬臂梁施加了三种不同程度的故障（低、中、高），所提出的模式识别系统能够对故障进行分类，性能范围为 88% 至 100%。
+
+// 朱来发，金花雪，范伟和刘斌，《加速度传感器的振动筛螺栓松动故障诊断系统》, 华侨大学学报 (自然科学版), 卷 45, 期 1, 页 10–15, 2024.
+朱来发 等提出了一种加速度传感器的振动筛螺栓松动故障诊断系统。该系统针对 GLS10 型直线振动筛弹簧紧固螺栓松动故障，结合 LABVIEW 和 NIUSB-6363 数据采集卡进行故障诊断。指出根据加速度信号图谱，以及振幅的大小分辨振动筛的故障类型的方法。
+
+// [1] J. Kim, K. Kim 和 H. Sohn, 《Autonomous dynamic displacement estimation from data fusion of acceleration and intermittent displacement measurements》, Mechanical Systems and Signal Processing, 卷 42, 期 1, 页 194–205, 1 月 2014, doi: 10.1016/j.ymssp.2013.09.014.
+// [2] Y. K. Thong, M. S. Woolfson, J. A. Crowe, B. R. Hayes-Gill 和 D. A. Jones, 《Numerical double integration of acceleration measurements in noise》, Measurement, 卷 36, 期 1, 页 73–92, 7 月 2004, doi: 10.1016/j.measurement.2004.04.005.
+Kim 和 Thong 等分别提出了通过加速度和间歇位移测量的数据融合进行自主动态位移估计和噪声加速度测量的数值双积分的方式用于位移测量的方式，该方式可以作为振动筛运行状态的数据来源和评价标准之一。
 
 ==== 边缘计算技术研究现状
 
 === 当前存在的主要问题
 
+==== 加速度传感器问题
+
+当前主要的振动筛故障检测设备从传感器到诊断设备，其设备成本均较高。在传感器选择上，大多数振动检测传感器的加速度传感器方案选择了较为昂贵的压电式单轴或者多轴陶瓷加速度传感器。这种类型的传感器不仅价格高昂，并且体积较大，并且使用模拟量输入，需要接入变送器以及和变送器匹配的主站才才能获取可以处理的数据。并且较多小型化设计中为了匹配模拟量输出的加速度传感器和采集控制器（多为微控制器），使用了高分辨率的模数转换器和较为复杂的外围电路，这进一步地增加了成本。另外，在变送器或转换器的模拟量传输路径上，由于工频干扰和传输损失带来的精度和漂移问题也对系统设计带来了较大的挑战。所以较为昂贵的传感器和较为复杂的设计考量使得目前用于振动筛的故障检测设备难以得到广泛的应用。
+
+==== 计算终端的问题
+
+无论是使用传统人工特征提取方法或是深度学习方式，都需要将采集的数据进行较为复杂的处理。
+
+对于使用远程服务器进行数据处理的方案，其本身最主要的问题在于较大的延迟和负载，以及一些冗余安全性问题。故障检测设备要求具有一定的实时性，虽然某些远程服务器确实性能普遍强于用于边缘计算的数据终端，但是由于复杂的网络结构和请求机制，以及网络设备的转发延迟和性能限制，有较多的传输和转发耗时。而由于实时性的要求会导致传输线路始终保持在较高负载的状态，当需要维护和更换设备时，可能会造成生产效率的损失。此外，对于中心数据处理服务器的依赖导致用户必须同时依赖计算服务提供商，或者自行托管服务器。如果依赖于计算服务提供商，则服务商是否能够长时间的提供支持和维护成为了故障检测设备生命周期的主要影响因素，如果其停止维护，将使得全部检测设备即使完好也无法继续运行。
+
+对于使用传统边缘计算终端进行数据处理的方案而言，传统上为了方便部署，开发者通常偏好于具有成熟开发环境以及完善框架的终端类型以简化开发流程。例如具有 cuda 框架的 jetson 平台、具有 onnx 框架的 Intel 平台或者其他具有专用加速器如 npu、xpu 的 aarch64 平台等。但对于一般的振动筛故障检测场景来说仍然较于昂贵，并且仍然需要搭建采集前端，部署流程本质上并无减少。对于较为小型的农业或者工业振动筛，很可能存在边缘计算终端价格占比较高甚至高于设备成本的情况，也导致了故障检测设备未能得到广泛应用。此外这类边缘计算的开发和维护也较为复杂，采用高级操作系统的边缘计算终端除了需要考虑数据计算流程外，还需要考虑进程保活、故障重启、入侵防护、组件更新等一系列问题，更复杂的功能同时也带来了对于安全和维护的一些列挑战。
+
 === 本论文主要研究内容
 
+
+
 === 论文结构
 
 == 基于 MEMS 和 CNN 的振动筛故障检测设备总体方案