一種木材削片機遠程監控系統開發

摘要：為實時監控并保證木材削片機穩定、高效地工作，開發了一套木材削片機遠程監控系統。該系統由數據采集與監控平臺兩部分組成。其中，數據采集部分以STM32F103作為主控芯片，采用兩線制壓電集成電路傳感器獲取木材削片機的振動情況，單片機程序采用C語言編寫，實現對木材削片機各項運行數據的采集，并將數據通過4G數據傳輸模塊上傳至云服務器Onenet平臺；監控平臺用于對木材削片機運行狀態進行遠程可視化監控，實時顯示反映當前工況的各項數據，也可查詢設備的歷史運行狀態。該系統運用聚類算法對運行數據進行識別，進行了穩定性和識別算法測試。測試結果表明，數據識別準確率在96%以上，整機測試基本達到設計要求。

關鍵詞：物聯網；木材削片機；遠程監控系統；STM32單片機；聚類算法

中圖分類號：TP27 文獻標志碼：A doi：10.3969/j.issn.1006-0316.2024.12.010

文章編號：1006-0316 （2024） 12-0073-08

Development of A Remote Wood Chipper Monitoring System

CHEN Hang ZHANG Yongjun MIAO"Jiawen WANG"Xiaoyang CHEN"Jianzhao SU Guokang

（"1.School of Electromechanical Engineering， Guangdong University of Technology，"Guangzhou 510006， China;"2.Guangzhou Key Laboratory of Nontraditional Machining and Equipment， Guangzhou 510006， China; 3.Demark Environmental Technology Ltd.， Zhongshan"528400， China ）

Abstract：Wood chipper is an emerging green environmental protection machine， which is used in complex and dynamic outdoor scenes. In order to monitor and ensure its stable and efficient work in real time， a remote monitoring system for wood chipper is designed and developed in this paper. The system is composed of two parts： data acquisition and monitoring platform. STM32F103 is used as the main control chip in the data acquisition part to collect various operating data of the wood chipper and upload it to the cloud server. The monitoring platform enables remote visual monitoring of the operating status of the wood chipper， displays the data reflecting the current working condition in real time， and allows the query of the historical operating status of the equipment. The clustering algorithm is used to identify the operating data， and the results show that the data identification accuracy rate is over 96%， and the whole machine test basically meets the design requirements.

Key words：Internet of things；wood chipper；remote monitoring system；STM32 MCU；clustering algorithm

木材削片機是一種農林用機械設備，可將大塊木質材料，如公路旁修剪或臺風過后吹落的樹干及枝葉、裝修拋棄的木制產品等破碎為細小的顆粒或長條狀，便于運輸，并可制作為燃料，有利于清潔環保和廢物利用^[1-2]。近年來，國內外對木材削片機的研究主要集中在切削力、切削功率，以及對切削機構的改進設計方面^[3-4]。木材削片機為戶外作業設備，工人只負責現場操作，無法對異常工況及時預警，當設備出現故障時，技術人員不能第一時間到達現場維護，影響工作效率。目前國內對木材削片機遠程監控系統的開發還為空白，因此，本文針對木材削片機設計了一套遠程監控系統，使其在戶外復雜、多變的場景中，穩定、高效地工作。

當前遠程監控系統在工業、農業中應用廣泛。黃鳳輝等^[5]設計了智能投料機的遠程監控系統，提高了投料機的作業精度。李光明等^[6]對注塑機生產時的注射壓力、注射速度、料筒各段溫度等有較高要求的參數實施監控，當出現異常時，避免因技術人員不在現場而導致維修指令傳達不清的問題。劉小濱等^[7]為提高光催化氧化降解氣態污染物的效果與速率，對環境溫濕度實施遠程監控。黃良沛等^[8]設計輸送機遠程監控，以保證輸送機的穩定運行。本文針對某企業的木材削片機開發了一套遠程監控系統，實時采集其刀盤轉速、發動機輸出扭矩、環境溫濕度、油箱液位、振動、噪音、定位信息等數據。系統采用STM32F103作為主控芯片，將傳感器采集的各類信息通過4G數據傳輸模塊上傳至中國移動物聯網開放平臺OneNet，同時基于QT Creator開發用于遠程監控與數據處理的應用程序，及時發現異常工況或定位故障點，使技術人員能夠依據運行數據通知操作人員注意事項或停止工作，必要時提前趕赴現場進行維護，快速定位并排除故障。

1 系統總體結構

本文設計的遠程監控系統總體結構與目前大多數物聯網系統結構相同，如圖1所示。

分為三部分^[9]：①感知層，由設備端各類硬件組成，單片機與傳感器之間通訊，實時采集各項數據；②網絡層，由4G數據傳輸模塊與云服務器組成，4G數據傳輸模塊接收到單片機的數據后，采用消息隊列遙測傳輸協議（Message Queuing Telemetry Transport，MQTT）上傳數據至云服務器；③應用層，通過本地應用程序實現與云服務器之間的通訊，實時獲取設備運行數據并在系統中顯示，同時將數據存儲于本地數據庫。

2 遠程監控系統

2.1 數據采集

數據采集部分采用STM32F103作為主控芯片，該芯片采用Cortex-M3內核，CPU速度可達72"MHz，具有512"kB Flash。所用的溫度、濕度、噪聲傳感器與單片機均采用Modbus協議的串口通訊^[10]。通過霍爾傳感器測木材削片機刀盤轉速，利用單片機捕獲傳感器發出的脈沖信號^[11]，得到木材削片機刀盤轉速。采用當前在汽車領域應用較多的液位儀監控木材削片機的燃油情況，依據不同燃油量液位儀輸出的不同電壓信號，通過單片機ADC（Analog to Digital Converter，模數轉換器）通道采集轉換為液位值。

4G模塊是設備接入互聯網的橋梁。選用移遠公司生產的EC20作為本系統通訊模組，其支持USB"2.0高速接口、最大上行速率50"Mbps、最大下行速率150"Mbps，滿足系統對大量數據吞吐的需求。感知層硬件組成如圖2所示。

本文采用兩線制IEPE（Integral Electronic Piezoelectric，壓電集成電路）傳感器獲取木材削片機的振動情況。IEPE傳感器采用壓電晶體和內置電荷放大，具有靈敏度高、輸出信號質量好的優點^[12]，廣泛應用于工業設備的狀態監測。兩線制傳感器即兩根線既是電源線也是信號線，傳感器采用恒流源供電，內部將加速度轉換為電壓信號經放大后輸出，輸出的信號包含直流偏置部分和交流振動信號，但輸出的信號單片機無法直接讀取，需先對原始信號進行調理，設計供電電路與信號調理電路。IEPE傳感器信號采集過程如圖3所示。

2.1.1""IEPE傳感器供電與前置調理電路

采用LM338線性穩壓器為傳感器提供恒流源，該穩壓器最高能輸出5"A電流，并且作為恒流源使用時，輸出電流的大小可通過調整電阻值輕松實現，具體計算如式（1）所示。其中，1.25由穩壓器LM338手冊給出。

測得傳感器輸出的原始信號具有10"V左右直流偏置，同時振動信號峰值為5"V，而STM32F103單片機ADC輸入范圍為0～3.3"V，故須衰減信號。衰減電路采用減法運算電路實現。首先將整體信號衰減至原信號的0.3倍，再將直流偏置調整至1.5"V，即把原信號衰減為了一個直流偏置1.5"V、交流信號部分峰－峰值為3"V的信號，使信號范圍保持在0～3"V。

通過選取合適的電阻值，便可將傳感器輸出信號衰減為能被單片機讀取的信號。

此外，工業現場難免存在干擾，導致信號失真。因此，在衰減電路后級設計有源低通二階濾波電路。采用OPA182運算放大器搭建濾波電路。OPA182具有高精度、低噪聲的優點，并且失調電壓低至4"μV（最大值），適合在信號處理與數據采集等場景使用。

2.1.2 單片機程序

單片機程序采用C語言編寫，開發工具采用keil MDK。Keil MDK是一系列基于ARM Cortex-M微控制器設備的完整軟件開發環境。針對各類數據的采集運用模塊化的編程手段，各模塊之間互不影響，無論是開發階段的調試，還是后期對系統的維護升級，模塊化編程均具有較大優勢。

根據數據量的不同制定不同的采集策略。對于隨時間變化不大的數據量，如環境溫濕度、燃油量，采集的時間間隔設定較長；而對于隨時間變化大的數據量，如振動、轉速、扭矩與噪聲，采集的時間間隔應盡量短，以保證系統響應的實時性與數據的連續性。單片機程序運行流程如圖6所示。

2.2 監控平臺搭建

獲取到的數據由4G數據傳輸模塊上傳至云服務器Onenet平臺。該平臺支持多種協議，適配各種網絡環境，具備一定的通用性，并且提供大量API供用戶使用，大大降低了開發難度。監控系統客戶端采用QT Creator進行開發。Qt Creator是跨平臺的集成開發環境，具有豐富的類庫。結合C++面向對象編程的思想，如圖7所示，該系統以主窗口類為核心，包含用戶管理類、網絡通訊類、數據處理類、歷史數據查詢類以及異常數據識別類。

（1）主窗口類。用于實時顯示遠程設備當前的運行狀態。以儀表的形式顯示環境溫濕度、噪聲、刀盤轉速、燃油量、扭矩等數據，同時提供查詢設備地理位置、設備振動數據的入口。

（2）網絡通訊類。采用多線程編程，運用http協議持續與云服務器進行通訊而不影響主進程的運行。此外，內部包含與云服務通訊時的安全鑒權算法，并能根據實際情況自動調整http通訊時的url。

（3）用戶管理類。使用人員需使用賬號與密碼登錄進入主窗口。設有管理員賬戶，用于設置普通用戶的賬號與密碼。

（4）數據處理類。從服務器獲取的數據為Json格式，數據處理類對Json結構類的數據進行提取和存儲，最新數據顯示至主界面。此外，針對某些情況下會造成數據重復以及時間順序錯亂的問題，數據處理類能自動刪除重復的數據，并將數據按時間升序排序。

（5）歷史數據查詢類。調用存儲于本地的數據，以折線圖的形式顯示某項數據，并能通過設定日期時間便捷查詢歷史數據，提供數據導出接口，導出的數據以.csv格式保存，方便技術人員進行數據分析。

（6）異常數據識別類。當設備運行數據出現異常時，及時發出警報通知技術人員確認，并生成日志文件保存，方便做后續分析。

2.3 異常數據識別

對于系統異常數據的識別，較為常用的方法是針對各個數據量設置上下閾值，通過檢測數據是否超出閾值判斷系統是否處于異常狀態。但在遠程監控系統中，容易因網絡波動或傳感器波動造成數據在某一瞬間超出閾值，造成頻繁的錯誤報警。目前，聚類算法在工業物聯網系統中識別異常行為表現較好^[13-14]，而K-means算法在工業物聯網中使用廣泛^[15-16]，本文結合木材削片機遠程監控系統與K-means聚類算法對異常數據的識別進行討論。

K-means算法流程如圖8所示，即通過計算聚類中心到各個數據點的歐氏距離分配數據點，并不斷更新聚類中心直到收斂^[16]。

在木材削片機遠程監控系統采集的數據類型中，噪聲與振動是判斷木材削片機是否處于異常的重要參數，利用K-means算法識別異常數據流程如下：

（1）在木材削片機正常運行的狀態下，采集設備不同工況的數據，如切削直徑不同、含水量不同的木材，設不同工況種數為K。

（2）為消除量綱影響，進行標準化處理：

設備實際運行過程中，當系統檢測到某一數據量超過閾值時，獲取該數據量時刻前后多條噪音與振動數據，求得這些數據與流程（2）中K個聚類中心的距離，由距離判斷數據點是否隸屬同一聚類中心，當這些數據點超過一定比例不屬于某一聚類中心時，則認為設備已經出現異常。

根據上述基于K-means聚類算法的識別方法編寫C++代碼，集成至監控系統客戶端的異常數據識別類，用于設備運行時客戶端實時分析當前設備運行數據。

3 系統測試

3.1 穩定性測試

設備端數據采集模塊安裝于木材削片機，用于實時采集設備各項運行數據，遠程監控系統客戶端運行于搭載Windows"10操作系統、CPU 4核2.1"GHz、內存8"G的計算機上，測試時間持續1"h，通過計算本地應用程序從云服務器成功獲取數據的平均時間間隔，測試到系統刷新率為0.95"Hz。木材削片機遠程監控系統主界面如圖9所示，界面實時展示遠程端設備的運行狀態，雙擊顯示儀表即可查詢歷史數據，此外還提供位置查詢按鈕，根據設備上報的經緯度在系統中查詢木材削片機當前作業位置。

為測試系統整體通訊鏈路數據傳輸的準確性，以噪聲數據為例進行驗證。系統運行時間內，在設備端使用噪聲檢測儀直接采集噪聲數據，待測試結束后，隨機抽取某一時間段將設備端采集到的數據與遠程監控系統客戶端采集到的數據進行對比，如圖10所示。兩組數據均方誤差為0.1001，考慮到采集設備的不同本身存在設備誤差，且兩組數據變化整體趨于一致，證明系統的數據傳輸鏈路運行穩定。

3.2 識別算法測試

為檢驗K-means算法對數據識別的準確性，利用設備歷史運行數據，采用十折交叉法進行驗證^[17]。具體流程如下：

（1）將數據隨機分為10份，N_i（i＝1，2，…，10）表示一份數據集；

（2）取N₁作為測試集，剩下的9份數據執行K-means算法獲得聚類中心C_j（j＝1，2，…，K），K為聚類中心個數；

（3）計算N₁內數據對象到聚類中心C_j的歐式距離，距離最短的聚類中心即為數據對象所屬類的聚類中心，并記錄距離值；

（4）繼續取N₂作為測試數據重復流程（2）（3）過程，直至N_i全部選取完畢。

執行完成后，得到10組測試結果，每組均將測試集數據對象執行了分類。對比分類結果與這些數據對象的實際類別，識別成功率如圖11所示。可以看出，十組平均準確率為0.977，第10組準確率最低，為0.94。實驗驗證K-means算法在本系統中對于數據的識別性能較好。

3.3 系統調試

開發的整套系統進行了初步調試實驗，達到預期目的，數據采集、主控平臺等各單元工作正常，系統運行平穩，滿足企業要求。

4 結語

針對目前木材削片機單機“孤島”操作的情況，為企業開發了一套遠程監控系統。采用多傳感器和STM32F103單片機搭建了數據采集端，通過4G傳輸模塊將各類數據上傳至Onenet云服務器，并采用QT Creator開發了客戶端，實現了對木材削片機的遠程實時監控。其中采用K-means算法保證了數據識別的準確性。經初步測試，系統達到預期目標。

參考文獻：

[1]劉焱. 城市園林剩余物削片機的結構設計與分析[D]. 北京：北京林業大學，2020.

[2]宗繼堯. 樹枝破碎機設計與結構分析的研究[D]. 北京：北京交通大學，2014.

[3]KAHILAHTI，MATTI，KOKKO，et al. Disc chipper for the production of wood chips：CA2042728C[P]. 1994-10-25.

[4]張曉文. 盤式木材削片機動態載荷特性及均衡切削的研究[D]. 北京：北京林業大學，1999.

[5]黃鳳輝，俞龍. 基于物聯網技術的智能投料機遠程監控系統設計[J]. 農機化研究，2020，42（1）：227-230，236.

[6]李光明，楊攀攀，薛鑫，等. 基于PLC的塑料擠出機遠程監控系統設計[J]. 合成樹脂及塑料，2023，40（2）：56-59.

[7]劉小濱，劉寅，沈文浩. 基于STM32單片機的環境溫/濕度遠程監控系統設計[J]. 中國造紙學報，2022，37（3）：118-125.

[8]黃良沛，張逸夫，譚姚，等. 輸送機工況數據APP遠程監控系統設計[J]. 金屬礦山，2022（4）：169-172.

[9]李伯虎，柴旭東，劉陽，等. 智慧物聯網系統發展戰略研究[J]. 中國工程科學，2022，24（4）：1-11.

[10]王書根，王振松，劉曉云. Modbus協議的RS485總線通訊機的設計及應用[J]. 自動化與儀表，2011，26（5）：25-28.

[11]王文成，李健. 基于單片機的電機轉速測量系統的設計[J]. 儀表技術與傳感器，2011（8）：70-72.

[12]曹恒，秦穎頎，王春，等. 兩線制IEPE傳感器前置信號調理電路[J]. 儀表技術與傳感器，2012（11）：160-162.

[13]孫海麗，龍翔，韓蘭勝，等. 工業物聯網異常檢測技術綜述[J]. 通信學報，2022，43（3）：196-210.

[14]FU L，ZHANG W，TAN X，et al. An Algorithm for Detection of Traffic Attribute Exceptions Based on Cluster Algorithm in Industrial Internet of Things[J]. IEEE Access，2021（9）：53370-53378.

[15]PRIYAM D，UJJWAL S. Introduction of k-means clustering into random cascade model for disaggregation of rainfall from daily to 1-hour resolution with improved preservation of extreme rainfall[J]. Journal of Hydrology，2023，620（PB）：129478.

[16]吳夙慧，成穎，鄭彥寧，等. K-means算法研究綜述[J]. 現代圖書情報技術，2011，205（5）：28-35.

[17]司開波. 基于物聯網技術的機械設備運行狀態監測系統[J]. 制造業自動化，2023，45（3）：1-4.