本发明属于微系统技术领域，涉及一种面向高端轴承的内嵌式多维智能采集处理微系统。
背景技术：
作为高端轴承发展的重大趋势之一，智能轴承是在传统轴承的基础上集成不同用途的传感装置、调控装置，使其结合成独特的结构功能一体化单元，是工业物联网、智慧制造业的重要组成部分，也是实现装备智能化亟待突破的技术之一。
而目前外挂式监测系统诊断难度大、智能化程度低、体积功耗大、可靠性低等，难以满足高端轴承结构和工作条件特殊、故障机理复杂的发展趋势。
因此，亟需一种内嵌式智能化、小型化、高集成度、低功耗、高可靠的微系统，应用于轴承源端运行状态监测，以满足新一代高端轴承监测物理信息系统高度集成与智能化的发展需求。
技术实现要素：
有鉴于此，本发明的目的在于提供一种面向高端轴承的内嵌式多维智能采集处理微系统，能够满足新一代高端轴承运行状态监测对系统智能化、高集成度、小型化、低功耗、高可靠的需求，推动数控机床、风电、轨道交通等重点主机领域高端轴承的发展，并在航空航天、武器装备、无人工厂、海洋装备等领域具有良好的推广前景，显著提升我国制造与装备智能化的发展水平。
为达到上述目的，本发明提供如下技术方案：
一种面向高端轴承的内嵌式多维智能采集处理微系统，包括：处理器2、温度调理模块3、仪表放大器4、运放5、非易失性存储器6、稳压源7、晶振ⅰ8和晶振ⅱ9；
所述处理器2，带无线数据发送功能，用于加载用户智能算法，将处理后的数据发送到云端；所述温度调理模块3用于采集并补偿外接温度传感器输出信号；所述仪表放大器4用于感知应变传感器微弱输出信号；所述运放5将仪表放大器输出信号进一步放大；所述非易失性存储器6用于存放用户数据；所述稳压源7为系统提供低纹波稳定电源；所述晶振ⅰ8和晶振ⅱ9为系统内的电路提供时钟源。
进一步，该微系统封装于一体化管壳1内，利用一体化管壳1连接微系统内各模块。
进一步，所述一体化管壳1采用高温共烧陶瓷和金属围腔的方式，为微系统提供结构支撑及保护空间。
进一步，所述微系统中各模块的互连方式是采用多层陶瓷布线的方式，为系统提供高密度、高可靠的电连接走线。
进一步，所述处理器2、温度调理模块3、仪表放大器4、运放5、非易失性存储器6、稳压源7、晶振ⅰ8和晶振ⅱ9采用导电胶粘接在一体化管壳1粘接区上，典型方式是采用导电胶连接在一体化管壳1的表层粘接焊盘上。
进一步，所述一体化管壳1采用htcc工艺制作，主要由三种材料组成，分别为陶瓷材料、金属材料和导体材料；其中陶瓷材料用于一体化管壳的主体结构；金属材料用于加工一体化管壳的零件部分，包括引线、封口环和盖板；导体材料用于一体化管壳的内部布线和填充互连孔，用于电互连。
进一步，所述处理器2中加载的用户智能算法，具体包括以下步骤：
步骤1：传感器布点负责对监测对象的信号数据d进行采集和转换后上传至终端处理器装置进行处理；
步骤2：通过特征提取算法获取数据集d的相关特征值集c，并将时域特征傅里叶变换为频域特征；其中时域特征rms、峭度、方差等通常能直接反应轴承振动特性，对机械故障和异常较为敏感，同时由于异常状态下机械装置的频谱会出现聚集的现象，结合由傅里叶变换和特征算法获得的频域特征能够更具体的反应轴承运行状态；
步骤3：由于获得的是多维度的特征值，并非所有维度都能良好地反映轴承装置的异常情况，需通过特征筛选算法并根据相关判定原则和指标进行动态筛选获得融合特征值x；
步骤4：构建具有自适应性质的神经网络模型，模型由训练模型和测试模型两部分组成，测试数据先进入训练模型进行自学习算法初始化并获得对应的神经网络分类器模型，之后将上一步获得的而特征值作为输入进入测试模型中进行神经网络测试，最后将多层神经网络的分类识别结果进行保存；
步骤5：将步骤4获得的结果针对不同型号、不同状态的机械装置并结合其他状态信息集和判断函数进行故障的决策和判别，最后将判定结果进行上传。
本发明的有益效果在于：本发明微系统具有通用性强、集成度高、体积小的特点，具有丰富的外设接口和信号处理能力。本发明有利于实现电子设备系统的小型化设计、低功耗设计、高可靠性设计，此外本发明也是工业控制和检测系统的理想选择，可广泛应用于轴承服役健康状态监测领域。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明所述微系统电路框图；
图2为本发明所述微系统智能感知及诊断步骤；
图3为本发明所述微系统俯视图；
图4为图2的a-a’侧视图；
图5为本发明所述微系统仰视图；
附图标记：1-一体化管壳，2-处理器，3-温度调理模块，4-仪表放大器，5-运放，6-非易失性存储器，7-稳压源，8-晶振ⅰ，9-晶振ⅱ，10-腔体，11-封口环。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
请参阅图1～图5，本发明提出的一种面向高端轴承的内嵌式多维智能采集处理微系统，包括一体化管壳1和数据采集处理微系统；该数据采集处理微系统包括：处理器2、温度调理模块3、仪表放大器4、运放5、非易失性存储器6、稳压源7、晶振ⅰ8和晶振ⅱ9。
一体化管壳1为整个微系统的物理结构承载体和电高密度互联体，是一体化htcc陶瓷管壳，其内部采用金属围腔的方式，为微系统提各个芯片安置和互连空间；采用金属盖板平行焊封在金属围腔上，为微系统提各个芯片提供安全可靠的结构保护；采用bga形式引出引脚，减小引线寄生效应，为微弱信号提供高效的接入途径。
正面腔体放处理器2、温度调理模块3、仪表放大器4、运放5、非易失性存储器6、稳压源7、晶振ⅰ8、晶振ⅱ9等以及配套的阻容无源器件。处理器2，带无线数据发送功能，用于加载用户智能算法，将处理后的数据发送到云端。温度调理模块3用于采集并补偿外接温度传感器输出信号。仪表放大器4用于感知应变传感器微弱输出信号。运放5将仪表放大器输出信号进一步放大。非易失性存储器6用于存放用户数据。稳压源7为系统提供低纹波稳定电源。晶振ⅰ8和晶振ⅱ9为系统内的电路提供时钟源。加速度传感器直接与处理器2连接。
该微系统智能感知及诊断步骤如图2所示，包括以下过程：
步骤1：传感器布点负责对监测对象的信号数据d进行采集和转换后上传至终端处理器装置进行处理。
步骤2：通过特征提取算法获取数据集d的相关特征值集c，其中时域特征rms、峭度、方差等通常能直接反应轴承振动特性，对机械故障和异常较为敏感，同时由于异常状态下机械装置的频谱会出现聚集的现象，结合由傅里叶变换和特征算法获得的频域特征能够更具体的反应轴承运行状态。
步骤3：由于获得的是多维度的特征值，并非所有维度都能良好地反映轴承装置的异常情况，需通过特征筛选算法并根据相关判定原则和指标进行动态筛选获得融合特征值x。
步骤4：构建具有自适应性质的神经网络模型，模型由训练模型和测试模型两部分组成，测试数据先进入训练模型进行自学习算法初始化并获得对应的神经网络分类器模型，之后将上一步获得的而特征值作为输入进入测试模型中进行神经网络测试，最后将多层神经网络的分类识别结果进行保存。
步骤5：将上一步骤获得的结果针对不同型号、不同状态的机械装置并结合其他状态信息集和判断函数进行故障的决策和判别，最后将判定结果进行上传。
实施例1：
如图3～5所示，本发明优选了一种内嵌式多维智能采集处理微系统的尺寸，包括但不限于本实施例所示，本实施例提供的具体尺寸为：陶瓷体为长方形，长度l1＝29±0.29mm，宽度w1＝14±0.14mm，高度为h1＝2.8±0.28mm；腔体10为长方形，长度l3＝26±0.26mm，宽度w3＝11±0.11mm，高度h2＝0.8mm；封口环11为长方形环，内长l3＝26±0.26mm，外长l2＝28±0.28mm，内宽w3＝11±0.11mm，外宽w2＝13±0.13mm，高度h5＝0.3mm；外围引脚中心间距l4＝1.27±0.1mm，引脚直径h4＝0.89±0.09mm，采用bga方式引出，总引脚数量为144。
一体化管壳1采用htcc工艺制作，主要由三种材料组成，分别为陶瓷材料、金属材料和导体材料；其中陶瓷材料用于一体化管壳的主体结构；金属材料用于加工一体化管壳的零件部分，包括引线、封口环、盖板和热沉等；导体材料用于一体化管壳的内部布线和填充互连孔，用于电互连。引线电阻小于等于5欧姆；相邻且无互连关系的引线间绝缘电阻≥1×1010ω，dc500v。引出球直径、中心间距、数量可以根据需求定制。
处理器2为整个系统提供处理及控制能力，可按需加载用户自定义智能软件算法，且包含无线数据发送功能，将异常判定结果及运行监测数据发送到云端，以进一步分析计算，典型为低功耗双核架构处理器，主处理器负责算法运行、数据处理，协处理器负责控制及无线收发协议处理等。
传感器调理模块3主要用于采集pt电阻温度检测器信号，并根据callendar-vandusen方程，对信号进行调理，优化完成后转换成数字输出，精度优于1％。
仪表放大器4用于感知应变传感器输出微弱信号，典型为低功耗低噪声精密仪表放大器，输入参考噪声优于50nv/√hz，g≥100。
运放5将仪表放大器输出信号进一步放大，实现轨到轨输出，适应后级模数转换器adc输入。
非易失性存储器6为整个微系统提供数据存储。
稳压源7为系统提供低纹波稳定电源。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
1.一种面向高端轴承的内嵌式多维智能采集处理微系统，其特征在于，该系统包括：处理器(2)、温度调理模块(3)、仪表放大器(4)、运放(5)、非易失性存储器(6)、稳压源(7)、晶振ⅰ(8)和晶振ⅱ(9)；
所述处理器(2)，带无线数据发送功能，用于加载用户智能算法，将处理后的数据发送到云端；所述温度调理模块(3)用于采集并补偿外接温度传感器输出信号；所述仪表放大器(4)用于感知应变传感器输出信号；所述运放(5)将仪表放大器输出信号进一步放大；所述非易失性存储器(6)用于存放用户数据；所述稳压源(7)为系统提供低纹波稳定电源；所述晶振ⅰ(8)和晶振ⅱ(9)为系统内的电路提供时钟源。
2.根据权利要求1所述的内嵌式多维智能采集处理微系统，其特征在于，该微系统封装于一体化管壳(1)内，利用一体化管壳(1)连接微系统内各模块。
3.根据权利要求2所述的内嵌式多维智能采集处理微系统，其特征在于，所述一体化管壳(1)采用高温共烧陶瓷和金属围腔的方式。
4.根据权利要求1或2所述的内嵌式多维智能采集处理微系统，其特征在于，所述微系统中各模块的互连方式是采用多层陶瓷布线的方式。
5.根据权利要求1或2所述的内嵌式多维智能采集处理微系统，其特征在于，所述处理器(2)、温度调理模块(3)、仪表放大器(4)、运放(5)、非易失性存储器(6)、稳压源(7)、晶振ⅰ(8)和晶振ⅱ(9)采用导电胶粘接在一体化管壳(1)粘接区上。
6.根据权利要求2所述的内嵌式多维智能采集处理微系统，其特征在于，所述一体化管壳(1)采用htcc工艺制作，由三种材料组成，分别为陶瓷材料、金属材料和导体材料；其中陶瓷材料用于一体化管壳的主体结构；金属材料用于加工一体化管壳的零件部分，包括引线、封口环和盖板；导体材料用于一体化管壳的内部布线和填充互连孔，用于电互连。
7.根据权利要求1所述的内嵌式多维智能采集处理微系统，其特征在于，所述处理器(2)中加载的用户智能算法，具体包括以下步骤：
步骤1：传感器布点负责对监测对象的信号数据d进行采集和转换后上传至终端处理器装置进行处理；
步骤2：通过特征提取算法获取数据集d的相关特征值集c，并将时域特征傅里叶变换为频域特征；
步骤3：通过特征筛选算法并根据相关判定原则和指标进行动态筛选获得融合特征值x；
步骤4：构建具有自适应性质的神经网络模型，模型由训练模型和测试模型两部分组成，测试数据先进入训练模型进行自学习算法初始化并获得对应的神经网络分类器模型，之后将上一步获得的而特征值作为输入进入测试模型中进行神经网络测试，最后将多层神经网络的分类识别结果进行保存；
步骤5：将步骤4获得的结果针对不同型号、不同状态的机械装置并结合其他状态信息集和判断函数进行故障的决策和判别，最后将判定结果进行上传。
技术总结