CN113642433A - 一种提升机工作状态的确定方法、装置、终端设备及介质 - Google Patents
一种提升机工作状态的确定方法、装置、终端设备及介质 Download PDFInfo
- Publication number
- CN113642433A CN113642433A CN202110872115.XA CN202110872115A CN113642433A CN 113642433 A CN113642433 A CN 113642433A CN 202110872115 A CN202110872115 A CN 202110872115A CN 113642433 A CN113642433 A CN 113642433A
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- frequency
- vibration
- signal
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 31
- 238000004590 computer program Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000013145 classification model Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 229910052500 inorganic mineral Inorganic materials 0.000 abstract description 2
- 239000011707 mineral Substances 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 9
- 239000013598 vector Substances 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
Abstract
本申请适用于矿物开采技术领域,提供了一种提升机工作状态的确定方法、装置、终端设备及介质,所述方法包括:采集提升机各个部位的多个振动信号;从每个所述振动信号中分离出振动幅度大于预设值的目标振动信号;获取所述目标振动信号的时域特征;对所述目标振动信号进行小波分解,获得所述目标振动信号的多个振动分量;对所述多个振动分量进行重构,得到所述目标振动信号的频域特征;基于所述频域特征和所述时域特征,确定所述提升机的各个部位的工作状态,所述工作状态包括正常工作状态或故障状态。通过上述方法,能够对提升机的故障进行检测。
Description
技术领域
本申请属于矿物开采技术领域,尤其涉及一种提升机工作状态的确定方法、装置、终端设备及介质。
背景技术
矿井提升机是所有采矿设备的“咽喉”,担负着提矿、人员材料上下运输作用。提升机***安全运行及检查维护是确保矿山安全生产的基本保障。提升机安全稳定的工作,一方面会对矿山的生产产生影响,另一方面也会对矿山工作人员的安全产生直接影响,并最终影响矿山的经济效益。
目前对提升机***的检查还停留在主要依靠人观察的预防性维修原始方式,通过听摸看的原始手段与设备实际运行状态相差甚远,尤其是提升设备工作状况,一般都是通过停产来进行检查,且对提升机设备的运行无法做到实时监控,导致无法及时发现故障。提升设备一旦发生任何小问题,可能会酿成大事故,给安全生产上带来很大的负担。
发明内容
本申请实施例提供了一种提升机工作状态的确定方法、装置、终端设备及介质,可以对提升机进行故障诊断。
第一方面,本申请实施例提供了提升机工作状态的确定方法,包括:
采集提升机各个部位的多个振动信号;
从每个所述振动信号中分离出振动幅度大于预设值的目标振动信号;
获取所述目标振动信号的时域特征;
对所述目标振动信号进行小波分解,获得所述目标振动信号的多个振动分量;
对所述多个振动分量进行重构,得到所述目标振动信号的频域特征;
基于所述频域特征和所述时域特征,确定所述提升机的各个部位的工作状态,所述工作状态包括正常工作状态或故障状态。
第二方面,本申请实施例提供了一种提升机工作状态的确定装置,其特征在于,包括:
采集模块,用于采集提升机各个部位的多个振动信号;
分离模块,用于从每个所述振动信号中分离出振动幅度大于预设值的目标振动信号;
时域特征获取模块,用于获取所述目标振动信号的时域特征;
振动分量获得模块,用于对所述目标振动信号进行小波分解,获得所述目标振动信号的多个振动分量;
频域特征获取模块,用于对所述多个振动分量进行重构,得到所述目标振动信号的频域特征;
工作状态确定模块,用于基于所述频域特征和所述时域特征,确定所述提升机的各个部位的工作状态,所述工作状态包括正常工作状态或故障状态。
第三方面,本申请实施例提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面所述的方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面所述的方法。
本申请实施例与现有技术相比存在的有益效果是:在本申请实施例中,从提升机的振动信号中截取出更能反映故障的振幅比较大的目标振动信号,然后采用小波分解获取目标振动信号的时域特征;根据时域特征和预先训练好的故障分类模型,可以确定提升机的故障。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种提升机工作状态的确定方法的流程示意图;
图2是本申请实施例提供的一种提升机工作状态的确定装置的结构示意图;
图3是本申请实施例提供的一种终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
机械设备的制造误差、运动部件间的间隙和摩擦或者旋转部件中不平衡力的存在等都会引起振动,而且,磨损等故障的严重会使振动进一步加剧。
大量的生产实践经验表明,机械设备的振动与其运行状态之间有着密切的关系,70%以上的机械故障都是以振动温度的形式表现出来。基于此,本申请提供了一种提升机工作状态的确定方法,可以基于提升机的振动信号确定提升机是否已故障。
图1是本申请实施例提供的一种提升机工作状态的确定方法的流程示意图,如图1所示,所述方法包括:
S101,采集提升机各个部位的多个振动信号。
本实施例的执行主体为终端设备,该终端设备可以为控制器,能够与安装在提升机上的传感器进行通讯,从而获得振动信号。
上述各个部位可以为提升机的主导轮、导向轮、减速箱和主电机,每个部位上均可以安装一个振动传感器,通过振动传感器,可以采集提升机各个部位的振动信号。振动传感器采集到振动信号后,可以通过通讯网络将振动信号发送至终端设备;终端设备接收到振动信号后,可以对振动信号进行分析。
S102,从每个所述振动信号中分离出振动幅度大于预设值的目标振动信号。
具体地,提升机的运行存在加速、匀速、减速的周期性,其拖动力也在不断变化。在这种情况下,提升机齿轮箱则一直处于变速、变载的变工况下运行,因此,其产生的振动信号表现为非平稳特点。
提升机的加速段末的振动信号比较大,此阶段的振动信号更能反映齿轮箱的早期故障,因此,在进行故障诊断时,可以将该段振动信号分离出来,作为目标振动信号。目标振动信号更能反映早期故障,使得故障诊断变得容易。
具体地,可以设置一个振幅值作为上述预设值,然后从振动信号中截取出振幅值大于预设值的一段目标振动信号。
S103,获取所述目标振动信号的时域特征。
时域和频域是信号的基本性质,时域分析与频域分析是对模拟信号的两个观察面。时域分析是以时间轴为坐标表示动态信号的关系;频域分析是把信号变为以频率轴为坐标表示出来。
时域特征可以为一个特征矩阵,特征矩阵可以由多个向量组成,每个向量可以反映出目标振动信号在多个波段的特征。
具体地,上述时域特征是时间作为横轴采集振动信号的特征。具体地,可以将目标振动信号划分为多个波段,然后确定每个波段的振幅、频率、峭度、峰值和波形等;基于每个波段的特征值,确定一个向量。各个波段对应的多个向量,组合成目标振动信号的时频矩阵。
S104,对所述目标振动信号进行小波分解,获得所述目标振动信号的多个振动分量。
具体地,实际的提升机振动信号是非平稳信号,不仅需要区分各个不同的频率分量,而且需要知道每个时刻附近的频率成分,对于这样的非平稳信号,使用傅里叶变换很难较好的对其进行处理。在信号处理时,信号的频率与其周期长度成反比,对于高频信息,它包含了很多瞬态变化的特征,为了观察这些特征,需要较高的时间分辨率,所以时间间隔取值不能太大;而对于低频信息,包含的频率成分较多,信号随时间变换较为缓慢,为了获得这些频率成分的信息,可以相应的降低时间分辨率即时间间隔取值可以相对较大。傅里叶变换在整个时间域上的分辨率保持相同,无法做到针对信号的特定成分来确定时域分辨率,而小波变换利用其优秀的时频局域化特性能够较好的做到这一点。
因此,本实施例中采用了小波分解对目标振动信号进行多次分解,以获得多个振动分量。
具体地,可以先对目标振动信号进行分解,得到不同时域分辨率下的各个频率段的分量。然后对各个频率段的分量进行降噪处理,得到多个振动分量;对于降噪处理后的各个振动分量进行重构处理,然后采用重构后的信号进行分析。
在对目标振动信号进行分解时,可以采用滤波器对目标振动信号进行一层分解。采用低通滤波器对目标振动信号进行一层分解,可以得到低频振动信号;采用高通滤波器对目标振动信号进行分解,可以得到高频振动信号。然后采用多贝西小波分别对低频振动信号和高频振动信号进行三层分解,得到多个低频振动分量和多个高频振动分量。这些低频振动分量和高频振动分量就是上述振动分量。
f(t)=a1+b1
其中经过一层分解的信号低频分量a1为:
然后可以利用多贝西小波,例如DB2小波,对低频分量和高频分量分别进行三层分解,得到低频分量和高频分量的DB2小波分解后的第三层低频分量C1和高频分量D1。接着将振动分量中的奇异点向右平移一个单位,得到信号Y=[0,10,0,...],仍然利用DB2小波对信号Y进行三层分解,得到Y信号DB2小波分解后的第三层低频分量C2和高频分量D2。
通过上述多层分解,相当于对振动分量进行了降噪处理。
S105,对所述多个振动分量进行重构,得到所述目标振动信号的频域特征。
具体地,上述频域特征是以频率作为横轴获得的振动信号的特征。
具体地,可以建立信号X=sin(20t)+sin(80t)+sin(300t)+sin(600t),该信号是由频率为10Hz、40Hz、150Hz、300Hz的正弦信号叠加而成的,信号的采样频率为1000Hz,对其进行一层DB4小波分解,分解后利用单一的低频振动分量或者高频振动分量将其重构,并对重构后的信号进行傅里叶变换,从而能够直观的看出重构后信号的频率成分。
基于傅里叶变换后的信号,确定其峰值、振幅、频率、波形和俏度等等,建立起频域特征向量。
S106,基于所述频域特征和所述时域特征,确定所述提升机的各个部位的工作状态,所述工作状态包括正常工作状态或故障状态。
具体地,可以将频域特征和时域特征的乘积作为采集到的振动信号的时频特征,然后将视频特征输入到预设的故障分类模型中,从而确定该振动信号对应的部位的工作状态。
上述故障分类模型,可以由提升机的多个振动信号,以及每个振动信号对应的状态,进行变换得到,具体地,可以采用向量变换机模型进行分类。
具体地,提升机的各个部位可以分别安装有振动传感器,采用各个部位的振动传感器可以采集到每个部位的振动信号;同时获取提升机工作状态时的多个样本振动信号和多个样本振动信号对应的多个工作状态分别提取每个样本振动信号的时域特征和频域特征;根据时域特征和频域特征,确定每个样本振动信号的时频矩阵;采用多个样本振动信号的时频矩阵和多个样本振动信号对应的多个工作状态,对预设的支持向量机模型进行训练,得到故障分类模型。
提升机的各个部位还分别安装有温度传感器,温度传感器可以将各个部位的温度发送至终端设备。终端设备可以根据各个部位的温度,确定提升机是否故障。例如,当存在一个部位的温度大于预设的温度阈值时,可以确定该部位的工作状态为故障状态。
在一种可能的实现方式中,在训练故障分类模型时,可以将温度信息作为一个特征向量添加至所述时频矩阵中。相当于在进行模型训练时,同时参考了温度信息进行训练。在之后进行工作状态判断时,可以向模型中同时输入时域特征和温度信息,从而能够同时根据振动信号和温度确定提升机是否故障。由于振动信号和温度均能反映故障信息,因此相比单一采用振动信号对提升机进行故障判断,同时采用二者进行判断的结果更为准确。
在另一种可能的实现方式中,可以同时采用振动信号和温度信息确定提升机的部件是否故障。即,当采用振动信号判断出该部位故障,同时该部位的温度大于预设值,此时确定该部位处于故障状态,需要对提升机的该部位进行检修。当然,同时采用振动信号和温度进行判断时,设定的温度阈值可以小于单独采用温度进行判断时的温度阈值。
在本申请实施例中,可以从振动信号中确定振动幅度比较大的目标振动信号,然后基于小波分解,获取目标振动信号的时域特征,再基于时域特征和预先训练的故障分类模型,确定提升机的故障。此外还可以结合温度信息和振动信号,共同判断提升机是否故障,提升了故障判定的准确率。
图2是本申请实施例提供的一种提升机工作状态的确定装置的结构示意图,如图2所示,所述装置包括:
采集模块21,用于采集提升机各个部位的多个振动信号;
分离模块22,用于从每个所述振动信号中分离出振动幅度大于预设值的目标振动信号;
时域特征获取模块23,用于获取所述目标振动信号的时域特征;
振动分量获得模块24,用于对所述目标振动信号进行小波分解,获得所述目标振动信号的多个振动分量;
频域特征获取模块25,用于对所述多个振动分量进行重构,得到所述目标振动信号的频域特征;
工作状态确定模块26,用于基于所述频域特征和所述时域特征,确定所述提升机的各个部位的工作状态,所述工作状态包括正常工作状态或故障状态。
上述时域特征获取模块23,包括:
波段确定子模块,用于从所述目标振动信号中确定多个波段;
特征值确定子模块,用于确定所诉每个波段的多个特征值,所述特征值包括振幅、俏度、频率、峰值和波形;
特征矩阵确定子模块,用于根据每个波段的多个特征值,将所述目标振动信号处理为特征矩阵;
时域特征确定子模块,用于将所述特征矩阵作为所述目标振动信号的时域特征。
上述振动分量获得模块24,包括:
第一分解子模块,用于对所述目标振动信号进行一层小波分解,得到所述目标振动信号的低频振动信号和高频振动信号;
第二分解子模块,用于采用多贝西小波分别对所述低频振动信号和所述高频振动信号进行三层分解,得到多个低频振动分量和多个高频振动分量。
上述频域特征获取模块25,包括:
重构子模块,用于采用所述多个低频分量和所述多个高频分量对预设信号进行重构,得到重构信号;
傅里叶变换子模块,用于对所述重构信号进行傅里叶变换,得到所述频域特征。
上述工作状态确定模块26,包括:
确定子模块,用于将所述频域特征和所述时域特征输入到预设的故障分类模型中,得到所述目标振动信号对应的部位的工作状态;其中,所述故障分类模型通过以下步骤训练得到:
样本数据获取子模块,用于获取所述提升机工作状态时的多个样本振动信号和所述多个样本振动信号对应的多个工作状态;
特征获取子模块,用分别提取每个所述样本振动信号的时域特征和频域特征;
时频矩阵获取子模块,用于根据所述时域特征和所述频域特征,确定所述每个所述样本振动信号的时频矩阵;
训练子模块,用于采用所述多个样本振动信号的时频矩阵和所述多个样本振动信号对应的多个工作状态,对预设的支持向量机模型进行训练,得到所述故障分类模型。
上述装置还包括:
温度采集模块,用于采集所述提升机各个部位的温度;
判断模块,用于当存在一个部位的温度大于预设的温度阈值时,确定所述部位的工作状态为故障状态。
时频矩阵上述装置还包括:
温度信息获取模块,用于获取所述多个样本振动信号对应的多个温度信息;
添加模块,用于将所述多个温度信息增添至所述时频矩阵中,所述温度信息用于在训练过程中进行故障判断。
图3为本申请一实施例提供的终端设备的结构示意图。如图3所示,该实施例的终端设备3包括:至少一个处理器30(图3中仅示出一个)处理器、存储器31以及存储在所述存储器31中并可在所述至少一个处理器30上运行的计算机程序32,所述处理器30执行所述计算机程序32时实现上述任意各个方法实施例中的步骤。
所述终端设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括,但不仅限于,处理器30、存储器31。本领域技术人员可以理解,图3仅仅是终端设备3的举例,并不构成对终端设备3的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器30可以是中央处理单元(CentralProcessingUnit,CPU),该处理器30还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31在一些实施例中可以是所述终端设备3的内部存储单元,例如终端设备3的硬盘或内存。所述存储器31在另一些实施例中也可以是所述终端设备3的外部存储设备,例如所述终端设备3上配备的插接式硬盘,智能存储卡(SmartMediaCard,SMC),安全数字(SecureDigital,SD)卡,闪存卡(FlashCard)等。进一步地,所述存储器31还可以既包括所述终端设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储操作***、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种终端设备,该终端设备包括:至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种提升机工作状态的确定方法,其特征在于,包括:
采集提升机各个部位的多个振动信号;
从每个所述振动信号中分离出振动幅度大于预设值的目标振动信号;
获取所述目标振动信号的时域特征;
对所述目标振动信号进行小波分解,获得所述目标振动信号的多个振动分量;
对所述多个振动分量进行重构,得到所述目标振动信号的频域特征;
基于所述频域特征和所述时域特征,确定所述提升机的各个部位的工作状态,所述工作状态包括正常工作状态或故障状态。
2.如权利要求1所述的方法,其特征在于,所述获取所述目标振动信号的时域特征,包括:
从所述目标振动信号中确定多个波段;
确定所诉每个波段的多个特征值,所述特征值包括振幅、俏度、频率、峰值和波形;
根据每个波段的多个特征值,将所述目标振动信号处理为特征矩阵;
将所述特征矩阵作为所述目标振动信号的时域特征。
3.如权利要求1所述的方法,其特征在于,所述对所述目标振动信号进行小波分解,获取所述目标振动信号的多个振动分量,包括:
对所述目标振动信号进行一层小波分解,得到所述目标振动信号的低频振动信号和高频振动信号;
采用多贝西小波分别对所述低频振动信号和所述高频振动信号进行三层分解,得到多个低频振动分量和多个高频振动分量。
4.如权利要求3所述的方法,其特征在于,所述对所述多个振动分量进行重构,得到所述目标振动信号的频域特征,包括:
采用所述多个低频分量和所述多个高频分量对预设信号进行重构,得到重构信号;
对所述重构信号进行傅里叶变换,得到所述频域特征。
5.如权利要求1-4任一项所述的方法,其特征在于,所述基于所述频域特征和所述时域特征,确定所述提升机的各个部位的工作状态,包括:
将所述频域特征和所述时域特征输入到预设的故障分类模型中,得到所述目标振动信号对应的部位的工作状态;其中,所述故障分类模型通过以下步骤训练得到:
获取所述提升机工作状态时的多个样本振动信号和所述多个样本振动信号对应的多个工作状态;
分别提取每个所述样本振动信号的时域特征和频域特征;
根据所述时域特征和所述频域特征,确定所述每个所述样本振动信号的时频矩阵;
采用所述多个样本振动信号的时频矩阵和所述多个样本振动信号对应的多个工作状态,对预设的支持向量机模型进行训练,得到所述故障分类模型。
6.如权利要求5所述的方法,其特征在于,还包括:
采集所述提升机各个部位的温度;
当存在一个部位的温度大于预设的温度阈值时,确定所述部位的工作状态为故障状态。
7.如权利要求5所述的方法,其特征在于,在确定所述每个所述样本振动信号的时频矩阵之后,还包括:
获取所述多个样本振动信号对应的多个温度信息;
将所述多个温度信息增添至所述时频矩阵中,所述温度信息用于在训练过程中进行故障判断。
8.一种提升机工作状态的确定装置,其特征在于,包括:
采集模块,用于采集提升机各个部位的多个振动信号;
分离模块,用于从每个所述振动信号中分离出振动幅度大于预设值的目标振动信号;
时域特征获取模块,用于获取所述目标振动信号的时域特征;
振动分量获得模块,用于对所述目标振动信号进行小波分解,获得所述目标振动信号的多个振动分量;
频域特征获取模块,用于对所述多个振动分量进行重构,得到所述目标振动信号的频域特征;
工作状态确定模块,用于基于所述频域特征和所述时域特征,确定所述提升机的各个部位的工作状态,所述工作状态包括正常工作状态或故障状态。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110872115.XA CN113642433B (zh) | 2021-07-30 | 2021-07-30 | 一种提升机工作状态的确定方法、装置、终端设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110872115.XA CN113642433B (zh) | 2021-07-30 | 2021-07-30 | 一种提升机工作状态的确定方法、装置、终端设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113642433A true CN113642433A (zh) | 2021-11-12 |
CN113642433B CN113642433B (zh) | 2024-04-02 |
Family
ID=78419057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110872115.XA Active CN113642433B (zh) | 2021-07-30 | 2021-07-30 | 一种提升机工作状态的确定方法、装置、终端设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113642433B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114417940A (zh) * | 2022-03-25 | 2022-04-29 | 阿里巴巴(中国)有限公司 | 检测数据中心的设备、获得设备检测模型的方法及装置 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104655423A (zh) * | 2013-11-19 | 2015-05-27 | 北京交通大学 | 一种基于时频域多维振动特征融合的滚动轴承故障诊断方法 |
CN105136454A (zh) * | 2015-10-15 | 2015-12-09 | 上海电机学院 | 一种风电机组齿轮箱故障识别方法 |
CN105760839A (zh) * | 2016-02-22 | 2016-07-13 | 重庆大学 | 基于多特征流形学习与支持向量机的轴承故障诊断方法 |
CN106650071A (zh) * | 2016-12-12 | 2017-05-10 | 中国航空工业集团公司上海航空测控技术研究所 | 用于滚动轴承智能故障诊断的方法 |
CN106908232A (zh) * | 2017-02-24 | 2017-06-30 | 伍婷婷 | 一种旋转机械的振动信号故障识别方法 |
CN106980822A (zh) * | 2017-03-14 | 2017-07-25 | 北京航空航天大学 | 一种基于选择性集成学习的旋转机械故障诊断方法 |
CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
CN111094927A (zh) * | 2017-09-26 | 2020-05-01 | 舍弗勒技术股份两合公司 | 轴承故障诊断方法及装置、可读存储介质及电子设备 |
US20200155015A1 (en) * | 2017-10-18 | 2020-05-21 | Nxgen Partners Ip, Llc | Topological features and time-bandwidth signature of heart signals as biomarkers to detect deterioration of a heart |
CN111680642A (zh) * | 2020-06-11 | 2020-09-18 | 石家庄铁道大学 | 一种地形分类方法及装置 |
CN112180315A (zh) * | 2020-09-27 | 2021-01-05 | 国网江苏省电力有限公司电力科学研究院 | 光纤电流互感器故障特征提取方法、装置及*** |
CN112766042A (zh) * | 2020-12-25 | 2021-05-07 | 珠海格力电器股份有限公司 | 电机故障诊断方法、装置、存储介质及电子设备 |
CN112990259A (zh) * | 2021-02-04 | 2021-06-18 | 西交利物浦大学 | 基于改进迁移学习的旋转机械轴承的早期故障诊断方法 |
-
2021
- 2021-07-30 CN CN202110872115.XA patent/CN113642433B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104655423A (zh) * | 2013-11-19 | 2015-05-27 | 北京交通大学 | 一种基于时频域多维振动特征融合的滚动轴承故障诊断方法 |
CN105136454A (zh) * | 2015-10-15 | 2015-12-09 | 上海电机学院 | 一种风电机组齿轮箱故障识别方法 |
CN105760839A (zh) * | 2016-02-22 | 2016-07-13 | 重庆大学 | 基于多特征流形学习与支持向量机的轴承故障诊断方法 |
CN106650071A (zh) * | 2016-12-12 | 2017-05-10 | 中国航空工业集团公司上海航空测控技术研究所 | 用于滚动轴承智能故障诊断的方法 |
CN106908232A (zh) * | 2017-02-24 | 2017-06-30 | 伍婷婷 | 一种旋转机械的振动信号故障识别方法 |
CN106980822A (zh) * | 2017-03-14 | 2017-07-25 | 北京航空航天大学 | 一种基于选择性集成学习的旋转机械故障诊断方法 |
CN111094927A (zh) * | 2017-09-26 | 2020-05-01 | 舍弗勒技术股份两合公司 | 轴承故障诊断方法及装置、可读存储介质及电子设备 |
US20200155015A1 (en) * | 2017-10-18 | 2020-05-21 | Nxgen Partners Ip, Llc | Topological features and time-bandwidth signature of heart signals as biomarkers to detect deterioration of a heart |
CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
CN111680642A (zh) * | 2020-06-11 | 2020-09-18 | 石家庄铁道大学 | 一种地形分类方法及装置 |
CN112180315A (zh) * | 2020-09-27 | 2021-01-05 | 国网江苏省电力有限公司电力科学研究院 | 光纤电流互感器故障特征提取方法、装置及*** |
CN112766042A (zh) * | 2020-12-25 | 2021-05-07 | 珠海格力电器股份有限公司 | 电机故障诊断方法、装置、存储介质及电子设备 |
CN112990259A (zh) * | 2021-02-04 | 2021-06-18 | 西交利物浦大学 | 基于改进迁移学习的旋转机械轴承的早期故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
梁志成等: "一种滚动轴承故障诊断方法", 《上海电机学院学报》, vol. 23, no. 2, pages 99 - 105 * |
赵明航: "基于深度残差学习的风电齿轮箱故障诊断", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》, no. 09, pages 029 - 6 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114417940A (zh) * | 2022-03-25 | 2022-04-29 | 阿里巴巴(中国)有限公司 | 检测数据中心的设备、获得设备检测模型的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113642433B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019179340A1 (zh) | 基于eemd和msb的滚动轴承故障特征提取方法 | |
Li et al. | Multi-scale autocorrelation via morphological wavelet slices for rolling element bearing fault diagnosis | |
Yang et al. | The intelligent fault diagnosis of wind turbine gearbox based on artificial neural network | |
EP2277039B1 (de) | Verfahren und vorrichtung zur klassifikation von schallerzeugenden prozessen | |
EP3136255A1 (en) | Method and system for automatically detecting defects on a rotating shaft | |
CN108982107B (zh) | 一种基于形态学和多尺度排列熵均值的轴承故障定量趋势诊断方法 | |
CN109211546B (zh) | 基于降噪自动编码器及增量学习的旋转机械故障诊断方法 | |
CN109765055B (zh) | 基于ewt、谱有效值和knn的滚动轴承故障检测方法及*** | |
Barbieri et al. | Analysis of automotive gearbox faults using vibration signal | |
Jaber et al. | Real-time wavelet analysis of a vibration signal based on Arduino-UNO and LabVIEW | |
Alkhadafe et al. | Condition monitoring of helical gears using automated selection of features and sensors | |
Jaber et al. | A simulation of non-stationary signal analysis using wavelet transform based on LabVIEW and Matlab | |
CN113642433B (zh) | 一种提升机工作状态的确定方法、装置、终端设备及介质 | |
CN110987431B (zh) | 一种基于tqwt辅助spc的轴承状态监测及故障诊断的方法 | |
DE102012111760A1 (de) | System und Verfahren zur Verwendung bei der Überwachung einer Industrieanlage | |
Neupane et al. | Deep learning-based bearing fault detection using 2-D illustration of time sequence | |
Jin et al. | An image recognition method for gear fault diagnosis in the manufacturing line of short filament fibres | |
CN114689298A (zh) | 采煤机行走部的故障检测方法及装置 | |
CN110657989A (zh) | 一种烟草包装机组振动状态的监测方法及*** | |
CN114543983A (zh) | 振动信号的识别方法及装置 | |
CN110866519B (zh) | 一种基于傅里叶分解与多尺度排列熵偏均值的滚动轴承故障诊断方法 | |
Hazra et al. | Gearbox fault detection using synchro-squeezing transform | |
Jiang et al. | Research on elevator fault information extraction and prediction diagnosis | |
Majeed et al. | A wavelet-based statistical control chart approach for monitoring and detection of spur gear system faults | |
Nassser et al. | Condition monitoring using wavelet transform and fuzzy logic by vibration signals |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |