基于物聯網的泵群無線監測系統設計

孫 浩，陳 磊，李長偉，陳 耀

（鄭州大學振動工程研究所，河南 鄭州 450001）

1 引言

機泵群廣泛應用于石油化工行業，由于機泵數量龐大、工作環境惡劣、持續運轉周期長等因素影響，機泵發生故障的概率比較大。早期出現的監測系統主要由工控機和數據采集卡組成，只能對某一類型的設備進行監測，具有一定的局限性。后來出現的監測系統由有線的方式對各種傳感器采集到的設備狀態信息進行傳輸，從而實現設備的狀態監測，但存在著布線成本高、安裝靈活性差、維護困難等問題。

隨著計算機和通信技術不斷發展，國內外專家學者通過網絡技術搭建局域網對設備的運轉狀態進行實時監測[1]，實現了對不同類型、不同功能的設備的狀態監測，但這種監測系統對設備的監測僅僅局限于局域網范圍內，限制了其監測范圍。隨后出現了通過GPRS等移動通信網絡搭建的遠程監測系統[2]，雖然實現了對設備的遠程監測，但存在著監測成本較高、數據帶寬較低等一系列問題。因此，設計一種低成本的新型的無線監測系統，使設備的監測范圍不僅僅局限于工業現場，實現遠程監測和資源共享，從而及時發現和排除故障，對設備持續高效運轉、維護企業利益、保證工作人員安全具有重要意義。

針對上述監測系統出現的問題，將物聯網技術與無線監測技術相結合，設計了基于無線網的泵群無線監測系統，通過Internet將無線監測系統采集到的數據傳輸到云服務器，在云服務器端對監測系統采集的數據分析處理，進行更加精準的智能評價診斷，最后將數據分析后的結果直接發送到監測人員或用戶手中，打破了空間的限制，實現對泵群的遠程監測。

2 無線監測系統的設計

物聯網是通過各類傳感器、控制器，將各種設備與互聯網相連接進行信息處理、智能分析，從而實現人與設備的信息交互的技術[3]，是泵群無線監測系統的重要組成本部分。物聯網主要由三層構架組成，即：感知層、網絡層、應用層[4]。應用物聯網技術實現泵群的無線監測方案的總體構架，如圖1所示。

圖1 泵站無線監測系統的總體方案Fig.1 The Overall Plan of the Pump Group Wireless Monitoring System

如圖1所示，物聯網感知層主要由大量網關和無線傳感器節點組成的無線傳感網絡構成，傳感器采集泵群振動信號，將數據傳輸到無線傳感器節點中，由節點以無線通信的方式將數據發送到無線傳感網絡的網關中，由網關通過互聯網將數據傳輸到物聯網網絡層，完成感知層的數據采集任務。

物聯網網絡層的主要由現有的互聯網搭建而成，負責信息的傳輸。網絡層接收來自感知層泵群的振動數據，將數據通過光纖、雙絞線或無線的方式傳輸到物聯網應用層，完成網絡層信息傳輸的任務。

應用層的主要作用是數據存儲、數據處理，把用戶所需要的信息直接展現給用戶。泵群振動數據經物聯網感知層采集、網絡層傳輸到達應用層，由數據庫對數據進行數據存儲、狀態分析、健康評價、故障診斷后，將泵群中每個機泵當前狀態發送給智能終端[5]，最終通過智能終端將機泵的實時運行狀態直觀的展現到用戶的面前，實現對泵群的遠程監測，從而達到物聯網人機交互的目的。

3 傳感器節點的設計

3.1 傳感器通信設計

無線通信技術由于其成本低、功耗小等優點[6]，被廣泛的應用于工業領域，并得到了快速的發展。目前，比較成熟的無線通信技術主要有WiFi、ZigBee、LoRa、NB?IoT等。在泵群的無線監測系統中，節點通過無線通信技術將傳感器采集到的設備狀態信息傳輸到網關，選擇合適的無線通信技術，是保障節點和網關之間安全高效通信的基礎。

如表1所示，Wi?Fi技術最大網絡容量達到了255個，通信距離可達100m，其優勢為最大傳輸速率能達到54Mbps，但在獲得較大的傳輸速率的同時也伴隨著節點能耗的增加，在電池供電的情況下，較高的數據采集頻率和快速的傳輸速率往往伴隨著電池壽命的降低，因此WiFi技術適用于機泵數量不多、分布范圍較為集中且需要大量數據傳輸的無線監測場合中。

表1 幾種無線通信技術的特點Tab.1 Characteristics of Several Wireless Communication Technologies

ZigBee技術的網絡最大傳輸速率為250Kbps，與WiFi技術共用2.4GHz通信頻段，在一定程度上會影響其影響安全和可靠性，穿墻能力也較差。但其網絡容量大且功耗較小，最大能耗只有1mW[7]，最大網絡容量達到了65535個節點，能實現對大量機泵的無線監測，還能通過構建星型、樹狀或網狀的拓撲結構來擴展無線通信距離，故ZigBee技術較為適用于較為開闊、機泵數量較多且分布范圍較小的無線監測場合。

NB?IoT技術是一種長距離無線通訊技術，在空曠地帶信號的傳輸距離也能達到10km，在城鎮傳輸距離能達到（1~2）km。最大傳輸速率可達250kbps，能為用戶提供高質量的通信服務，NB?IoT技術的缺點為工作在1GHz以下的授權頻段，由運營商提供通訊服務，但在一些相對偏遠的地區來說信號很難覆蓋，相對其它幾種無線通信方案無法形成相對獨立的網絡，相比ZigBee和LoRa能耗和模塊成本較高[8]。所以NB?IoT技術適用于機泵數量多、分布范圍廣、需要對數據進行高質量傳輸且有運行商信號覆蓋的無線監測場合中。

LoRa通信技術也是一種長距離無線通訊技術，LoRa通信技術最顯著的特點就是在同樣功耗的情況下通信距離與其他通信方式相比信號傳輸距離更遠，在空曠地帶信號的傳輸距離可達15km，在城鎮或其它建筑比較密集的地方傳輸距離也可達到（2~5）km，最大網絡容量也達到了65535個節點，能對機泵數較多的工業生產領域進行有效監測。

LoRa技術由于其低功耗和長距離傳輸的設計，一般情況下傳輸速率只能達到37.5kbps左右，所以LoRa通信技術適用于機泵數量多、分布范圍廣對通信速度要求不高的無線監測場合。

以上五種無線通信技術各有特點。針對泵群的無線監測系統而言，由于泵群的機泵數量較多，分布范圍也比較大，這就需要無線通信技術通訊距離較遠且可接入節點數量較多，LoRa和NB?IoT技術均能滿足上述要求，由于LoRa無線通信技術相比NB?IoT無線通信技術模塊成本和能耗方面的具有一定的優勢，并且在實際工業應用中泵群往往分布在比較偏遠的場所，因此采用LoRa技術作為泵群無線監測的通信方式。

3.2 傳感器結構設計

通過LoRa無線通信技術對泵群進行無線監測的無線傳感網絡節點結構示意圖，如圖1所示。無線傳感網絡節點一般由傳感器模塊、處理器模塊、LoRa無線通信模塊和電源模塊構成。

傳感器模塊主要由傳感器和A/D轉換器構成，負責數據的采集和處理。通過對機泵的振動信號的分析能對機泵現階段的運行狀態進行有效評估，所以振動傳感器是對機泵進行監測的不可或缺的傳感器。

振動傳感器獲取機泵的振動信號，信號經傳感器模塊中電路的濾波、放大后傳輸到A/D 轉換器中，A/D 轉換器將傳輸來的模擬信號轉換為能進行無線傳輸的數字信號，然后將數字信號傳輸到處理器模塊。

處理器模塊主要由CPU和存儲器構成，控制整個節點的運行，是整個節點的核心模塊，CPU接收經傳感器模塊處理后的數字信號，在存儲器中進行存儲后將信號發送到節點的無線通信模塊。

LoRa無線通信模塊負責整個節點的信號的收發工作，LoRa無線通信模塊接收處理器模塊傳輸來的信號，通過無線通信技術將節點采集到的信號傳輸到網關中，完成數據的上行傳輸。無線通信模塊還可以接收網關發送的指令，將指令傳輸到處理器模塊，CPU接收信號控制節點執行網關發出的指令，完成數據的下行傳輸。

電源模塊為則為整個網絡節點提供充足的電量，保障各個模塊的正常運行[9]。

圖2 節點的機構Fig.2 Structure of Wireless Sensor Node

4 實驗驗證

水泵在工業生產中占有十分重要的作用，實驗選用工業中應用最為廣泛的離心泵作為研究對象，通過實驗，驗證設計的基于物聯網的泵群無線監測系統的可靠性和有效性。

4.1 現場測點布置及檢測方式

實驗采用的高速離心泵，型號：P2103A，利用設計的基于物聯網的泵群無線監測系統、采用無線速度傳感器對離心泵的振動參數進行監測。測點位置分別為：電動機非驅動端（測點1）、電動機驅動端（測點2）、離心泵軸承端（相互垂直安裝的測點3和測點4）等四個測點，離心泵測點安裝位置及現場實驗照片，如圖3所示。

圖3 立式多級離心泵現場測試照片Fig.3 Field Test Photos of Vertical Multi?Stage Centrifugal Pump

4.2 測量數據的分析

實驗所采用的離心泵驅動電機功率為2800kW，轉速為3500r/min，采樣頻率為7680Hz，采樣點數設置為8192點，介質為水。

本實驗采集了離心泵在正常和故障兩種工作狀態下離心泵的振動數據，并對兩次采集的振動信號進行振動分析，以測試泵群無線監測系統的可靠性和有效性，其中離心泵故障實驗為泵的不平衡。

4.2.1 正常和故障數據的時域分析

離心泵在正常工作狀態下測點1、測點2、測點3、測點4的振動烈度分別為：0.29mm/s，0.39mm/s，0.16mm/s，0.11mm/s，分析離心泵的振動烈度可知，離心泵振動整體穩定，振動幅度較小，如圖4 所示；在故障狀態下的各個測點振動烈度分別為：2.56mm/s，0.82mm/s，0.44mm/s，0.27mm/s，各測點振動烈度相較于離心泵正常工作狀態下的烈度值明顯增大，測點1尤為明顯，振動烈度是正常狀態振動烈度的9倍左右，其余各測點的振動烈度相較于離心泵正常工作狀態下的（2~3）倍，由振動烈度可以明顯發現離心泵處于異常工作狀態。

圖4 離心泵正常和故障狀態下波形圖對比Fig.4 Comparison of Waveform Diagrams of Centrifugal Pumps Under Normal and Fault Conditions

對比正常和故障狀態下離心泵波形圖，可以明顯的看出離心泵在故障狀態下各個測點的振動幅值明顯大于正常狀態下的振動幅值，且時域波形近似為等幅正弦波形，振動較為穩定，符合不平衡故障特征。發生的故障類型初步診斷為不平衡故障。

4.2.2 正常和故障數據的頻域分析

離心泵在正常工作狀態下的頻譜圖振動幅值較小，在圖中頻譜數據不明顯，各個測點工頻幅值（58Hz 處）僅為：0.18mm/s，0.27mm/s，0.05mm/s，0.02mm/s，如圖5所示。而在故障狀態下，各個測點工頻幅值分別達到了：2.53mm/s，0.73mm/s，0.36mm/s，0.20mm/s，分別為離心泵正常正常狀態下工頻幅值的14 倍、2.7倍、7.2 倍、10 倍，工頻幅值增大極為明顯，由圖中可知除1 倍頻外，其它倍頻均無明顯變化，符合不平衡故障1倍頻較大的頻域特征，綜合波形圖分析得出的結論，可以確定此時離心泵發生了不平衡故障。

圖5 離心泵正常和故障狀態下頻譜圖對比Fig.5 Comparison of Spectrum Charts of Centrifugal Pumps under Normal and Fault Conditions

5 結論

設計的基于物聯網的泵群無線監測系統，在物聯網感知層通過大量傳感器節點和網關構成的無線傳感網絡采集泵群振動數據，經物聯網網絡層進行數據傳輸后，在應用層對數據進行分析處理，及時將泵群狀態傳輸到用戶手中。與傳統的無線監測系統相比，打破了空間的限制，實現了泵群的遠程監測，同時，應用此無線監測系統，可以將泵群振動信息，傳輸到數據量更加豐富的云服務器中，由云服務器對機泵當前的運轉狀態進行更加精準的評價診斷，降低機泵出現故障的風險。并通過實驗和數據分析，驗證了此系統的有效性。