CN115307947A - 一种基于传感器信息融合的破碎机健康监测***和方法 - Google Patents
一种基于传感器信息融合的破碎机健康监测***和方法 Download PDFInfo
- Publication number
- CN115307947A CN115307947A CN202210950072.7A CN202210950072A CN115307947A CN 115307947 A CN115307947 A CN 115307947A CN 202210950072 A CN202210950072 A CN 202210950072A CN 115307947 A CN115307947 A CN 115307947A
- Authority
- CN
- China
- Prior art keywords
- sensor
- crusher
- data
- eccentric roller
- signal
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 230000036541 health Effects 0.000 title claims abstract description 26
- 230000004927 fusion Effects 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 12
- 238000003745 diagnosis Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 238000002759 z-score normalization Methods 0.000 claims description 2
- 238000000227 grinding Methods 0.000 abstract description 2
- 238000004092 self-diagnosis Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 33
- 210000002569 neuron Anatomy 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- -1 ferrous metals Chemical class 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/05—Programmable logic controllers, e.g. simulating logic interconnections of signals according to ladder diagrams or function charts
- G05B19/054—Input/output
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明适用于破碎机健康监测领域,提供了一种基于传感器信息融合的破碎机健康监测***和方法,***包括偏心辊式破碎机、数据采集模块、下位机PLC控制模块和上位机数据处理模块,通过数据采集模块用于实时采集偏心辊式破碎机工作时的状态信息;通过下位机PLC控制模块用于控制调节偏心辊式破碎机的工作状态,下位机PLC控制模块还用于获取数据采集模块采集到的偏心辊式破碎机工作时的状态信息并进行储存;通过上位机数据处理模块用于实时读取下位机PLC控制模块中储存的偏心辊式破碎机工作时的状态信息并进行数据处理。本发明实现了偏心辊式破碎机的智能化远程在线自诊断能力,提高了破碎粉磨设备的运行生命周期和工作效率。
Description
技术领域
本发明属于破碎机健康监测领域,尤其涉及一种基于传感器信息融合的破碎机健康监测***和方法。
背景技术
破碎粉磨设备是矿山领域中不可或缺的一部分,矿产资源一般指煤炭、黑色金属、有色金属等。
由于我国数字智能矿山设备的相关技术研究起步较晚,技术积累薄弱,对破碎机早期故障问题缺乏有效的监测,导致严重事故,带来矿区的停产损失远超过了整台设备的造价,同时造成了极差的社会影响。
传统的故障分析方法无法实现准确、全面和***效果。此外,单一的声发射信号分析无法模拟破碎工况条件变化对结构寿命和故障的影响。
基于多传感器大数据和深度学习的模式识别、失效分析和预测维护技术能够显著弥补传统方法的不足。
因此,针对以上现状,迫切需要开发一种基于传感器信息融合的破碎机健康监测***和方法,实现设备主动远程在线健康状态监测,以克服当前实际应用中的不足。
发明内容
本发明的目的在于提供一种基于传感器信息融合的破碎机健康监测***和方法,旨在解决传统的故障分析方法无法实现准确、全面和***效果,以及单一的声发射信号分析无法模拟破碎工况条件变化对结构寿命和故障影响的问题。
本发明是这样实现的,一种基于传感器信息融合的破碎机健康监测***,包括偏心辊式破碎机,还包括:数据采集模块,所述数据采集模块安装在所述偏心辊式破碎机上,通过所述数据采集模块用于实时采集所述偏心辊式破碎机工作时的状态信息;下位机PLC控制模块,所述下位机PLC控制模块分别与所述偏心辊式破碎机和数据采集模块连接,通过所述下位机PLC控制模块用于控制调节所述偏心辊式破碎机的工作状态,所述下位机PLC控制模块还用于获取所述数据采集模块采集到的所述偏心辊式破碎机工作时的状态信息并进行储存;上位机数据处理模块,所述上位机数据处理模块与所述下位机PLC控制模块连接,通过所述上位机数据处理模块用于实时读取所述下位机PLC控制模块中储存的所述偏心辊式破碎机工作时的状态信息并进行数据处理。
进一步的技术方案,所述数据采集模块包括有电流传感器、噪声传感器、振动传感器和电压传感器,所述电流传感器、噪声传感器、振动传感器和电压传感器均安装在所述偏心辊式破碎机上,通过所述电流传感器、噪声传感器、振动传感器和电压传感器分别用于实时采集所述偏心辊式破碎机工作时的电流信号、噪声信号、振动信号和电压信号。
进一步的技术方案,所述偏心辊式破碎机包括有驱动电机和驱动电机变频器,所述驱动电机和驱动电机变频器电性连接,所述下位机PLC控制模块通过通信模块控制所述驱动电机变频器,调控所述驱动电机的工作状态,从而对所述偏心辊式破碎机的工作状态进行调节控制;所述下位机PLC控制模块与所述数据采集模块之间通过模拟量模块相互通信,所述下位机PLC控制模块用于获取所述电流传感器、噪声传感器、振动传感器和电压传感器采集到的所述偏心辊式破碎机工作时的电流信号、噪声信号、振动信号和电压信号并进行储存。
进一步的技术方案,所述电流传感器、噪声传感器、振动传感器和电压传感器均与所述下位机PLC控制模块中的模拟量模块通信连接,PLC将采集到的电流信号、噪声信号、振动信号和电压信号转换成模拟量储存在数据块中;所述噪声传感器和振动传感器用于实时测量所述偏心辊式破碎机工作时主轴的振动信号和噪声信号,所述电流传感器和电压传感器用于实时测量所述偏心辊式破碎机的驱动电机工作时的电流信号和电压信号。
进一步的技术方案,所述上位机数据处理模块与所述下位机PLC控制模块之间通过局域网相互远程通信,通过所述上位机数据处理模块用于实时读取所述下位机PLC控制模块中储存的所述偏心辊式破碎机工作时的电流信号、噪声信号、振动信号和电压信号并进行数据处理,数据处理过程步骤为:a)使用过滤法剔除无关特征,降低特征维度;b)利用包裹法进行特征选择,去掉冗余特征;c)使用一维卷积神经网络提取特征向量;d)输入到门控循环神经网络单元中进行训练;e)输出故障诊断的结果。
本发明的另一目的在于,一种基于传感器信息融合的破碎机健康监测方法,包括以下步骤:
步骤1、下位机PLC控制模块通过数据采集模块的传感器采集偏心辊式破碎机的电流信号、噪声信号、振动信号和电压信号;
步骤2、上位机数据处理模块对实时读取下位机PLC控制模块中的电流信号、噪声信号、振动信号和电压信号进行数据预处理;
步骤3、特征选择后的多源时间序列数据构成特征集,将标准化后的数据进行拼接、截取和滑动取样,构造以电流、噪声、振动和电压信号为特征输入,以故障类型为特征输出的训练样本集;
采用过滤法和包裹法组合式算法对输入数据进行特征选择,先使用过滤法剔除无关特征,降低特征维度;然后利用包裹法进行特征选择,去掉冗余特征;
步骤4、对训练样本进行一维卷积神经网络模型训练,调整神经网络结构参数,提取高纬度的预测特征向量;
步骤5、将经过一维卷积神经网络训练后的特征向量输入到门控循环神经网络模型中训练,最终得到故障诊断结果。
进一步的技术方案,在步骤2中,所述的数据预处理是将原始数据转换为无量纲化的指标测评值,减少输入数据的极值,基于原始数据的均值和标准差进行数据Z-Score标准化处理;对输入数据进行特征选择,去除无关特征,采用互信息过滤法,捕捉每个特征和标签之间的线性和非线性任意关系。
进一步的技术方案,在步骤3中,利用包裹法进行特征选择时,根据目标函数,每次选择若干特征或者排除若干特征,直到选择出最佳的子集。
进一步的技术方案,在步骤4中,一维卷积神经网络由输入层、卷积层、池化层、全连接层和输出层构成,单个样本的输入为4通道时序数据,输出为故障特征;对样本的输入再次进行滑动取样;再经过两次卷积、最大池化操作提取数据空间特征,激活函数采用LeakyReLU;最终得到特征数据。
进一步的技术方案,在步骤5中,门控循环神经网络模型引用重置门与更新门的门控机制来控制梯度信息传播,重置门与更新门分别用于捕捉时间序列里短期的依赖关系和长期的依赖关系;将特征数据输入到门控层中,提取时序数据的隐含信息,经过三次全连接层输出故障信息。
本发明通过数据采集模块、下位机PLC控制模块和上位机数据处理模块的限定;首先通过数据采集模块实时采集偏心辊式破碎机工作时的状态信息;而后通过下位机PLC控制模块控制调节偏心辊式破碎机的工作状态,以及对数据采集模块采集到的偏心辊式破碎机工作时的状态信息进行储存;最后通过上位机数据处理模块实时读取下位机PLC控制模块中储存的偏心辊式破碎机工作时的状态信息并进行数据处理,便于对偏心辊式破碎机的故障进行快速诊断及响应处理,应用效果好。另外,配合提供的健康监测方法,相比传统的方法能够有效节省人力和物力成本,能够提高故障检测的准确率,同时减少了设备的损耗,提高了破碎机设备的使用寿命。
附图说明
图1为本发明实施例提供的基于传感器信息融合的破碎机健康监测***的整体结构示意图;
图2为本发明实施例提供的基于传感器信息融合的破碎机健康监测***的方法流程图;
图3为本发明实施例提供的故障诊断的网络结构图;
图4为本发明实施例提供的一维卷积神经网络模型示意图;
图5为本发明实施例提供的门控循环单元结构图。
图中:1-偏心辊式破碎机,2-数据采集模块,3-下位机PLC控制模块,4-上位机数据处理模块,21-电流传感器,22-噪声传感器,23-振动传感器,24-电压传感器。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述。
如图1所示,为本发明一个实施例提供的一种基于传感器信息融合的破碎机健康监测***,包括偏心辊式破碎机1,还包括:
数据采集模块2,所述数据采集模块2安装在所述偏心辊式破碎机1上,通过所述数据采集模块2用于实时采集所述偏心辊式破碎机1工作时的状态信息;
下位机PLC控制模块3,所述下位机PLC控制模块3分别与所述偏心辊式破碎机1和数据采集模块2连接,通过所述下位机PLC控制模块3用于控制调节所述偏心辊式破碎机1的工作状态,所述下位机PLC控制模块3还用于获取所述数据采集模块2采集到的所述偏心辊式破碎机1工作时的状态信息并进行储存;
上位机数据处理模块4,所述上位机数据处理模块4与所述下位机PLC控制模块3连接,通过所述上位机数据处理模块4用于实时读取所述下位机PLC控制模块3中储存的所述偏心辊式破碎机1工作时的状态信息并进行数据处理。
在本发明实施例中,通过数据采集模块2、下位机PLC控制模块3和上位机数据处理模块4的限定;首先通过数据采集模块2实时采集偏心辊式破碎机1工作时的状态信息;而后通过下位机PLC控制模块3控制调节偏心辊式破碎机1的工作状态,以及对数据采集模块2采集到的偏心辊式破碎机1工作时的状态信息进行储存;最后通过上位机数据处理模块4实时读取下位机PLC控制模块3中储存的偏心辊式破碎机1工作时的状态信息并进行数据处理,便于对偏心辊式破碎机1的故障进行快速诊断及响应处理,应用效果好。
如图1所示,作为本发明的一种优选实施例,所述数据采集模块2包括有电流传感器21、噪声传感器22、振动传感器23和电压传感器24,所述电流传感器21、噪声传感器22、振动传感器23和电压传感器24均安装在所述偏心辊式破碎机1上,通过所述电流传感器21、噪声传感器22、振动传感器23和电压传感器24分别用于实时采集所述偏心辊式破碎机1工作时的电流信号、噪声信号、振动信号和电压信号。
如图1所示,作为本发明的一种优选实施例,所述偏心辊式破碎机1包括有驱动电机和驱动电机变频器,所述驱动电机和驱动电机变频器电性连接,所述下位机PLC控制模块3通过通信模块控制所述驱动电机变频器,调控所述驱动电机的工作状态,从而对所述偏心辊式破碎机1的工作状态进行调节控制,对于通信模块的选择不作限定,采用现有公开的常规技术即可;所述下位机PLC控制模块3与所述数据采集模块2之间通过模拟量模块相互通信,所述下位机PLC控制模块3用于获取所述电流传感器21、噪声传感器22、振动传感器23和电压传感器24采集到的所述偏心辊式破碎机1工作时的电流信号、噪声信号、振动信号和电压信号并进行储存,对于模拟量模块的选择不作限定,采用现有公开的常规技术即可。
进一步的,所述电流传感器21、噪声传感器22、振动传感器23和电压传感器24均与所述下位机PLC控制模块3中的模拟量模块通信连接,PLC将采集到的电流信号、噪声信号、振动信号和电压信号转换成模拟量储存在数据块中。
进一步的,所述噪声传感器22和振动传感器23用于实时测量所述偏心辊式破碎机1工作时主轴的振动信号和噪声信号,所述电流传感器21和电压传感器24用于实时测量所述偏心辊式破碎机1的驱动电机工作时的电流信号和电压信号。
如图1-2所示,作为本发明的一种优选实施例,所述上位机数据处理模块4(或上位机计算机)与所述下位机PLC控制模块3之间通过局域网相互远程通信,通过所述上位机数据处理模块4用于实时读取所述下位机PLC控制模块3中储存的所述偏心辊式破碎机1工作时的电流信号、噪声信号、振动信号和电压信号并进行数据处理,如图2所示,数据处理过程步骤为:
a)使用过滤法剔除无关特征,降低特征维度;
b)利用包裹法进行特征选择,去掉冗余特征;
c)使用一维卷积神经网络(1DCNN)提取特征向量;
d)输入到门控循环神经网络单元中进行训练;
e)输出故障诊断的结果。
进一步的,所述上位机数据处理模块4对读取的电流信号、噪声信号、振动信号和电压信号进行1DCNN训练提取特征向量并输入到门控循环单元中训练,构造样本集用以网络训练,得到偏心辊式破碎机1的故障特征并在上位机数据处理模块4中显示自诊断的故障信息。
如图2-5所示,本发明的一个实施例还提供了一种基于传感器信息融合的破碎机健康监测方法,包括以下步骤:
步骤1、下位机PLC控制模块3通过数据采集模块2的传感器采集偏心辊式破碎机1的电流信号、噪声信号、振动信号和电压信号;
步骤2、上位机数据处理模块4对实时读取下位机PLC控制模块3中的电流信号、噪声信号、振动信号和电压信号进行数据预处理,对输入数据进行标准化的处理;
步骤3、特征选择后的多源时间序列数据构成特征集,将标准化后的数据进行拼接、截取和滑动取样,构造以电流、噪声、振动和电压信号为特征输入,以故障类型为特征输出的训练样本集;
采用过滤法和包裹法组合式算法对输入数据进行特征选择,先使用过滤法剔除无关特征,降低特征维度;然后利用包裹法进行特征选择,去掉冗余特征;
步骤4、对训练样本进行一维卷积神经网络模型训练,调整神经网络结构参数,确定合适的网络参数,提取高纬度的预测特征向量;
步骤5、将经过一维卷积神经网络训练后的特征向量输入到门控循环神经网络模型中训练,最终得到故障诊断结果。
作为本发明的一种优选实施例,在步骤2中,所述的数据预处理是将原始数据转换为无量纲化的指标测评值,减少输入数据的极值,基于原始数据的均值和标准差进行数据Z-Score标准化处理,标准差标准化计算公式如下:
其中,x*为标准化后的变量值;x为实际变量值;μ为原始数据的均值;σ为原始数据的标准差。
对输入数据进行特征选择,去除无关特征,采用互信息过滤法,捕捉每个特征和标签之间的线性和非线性任意关系,计算公式如下:
其中,X和Y表示离散随机变量;I(X;Y)表示互信息,表示事件X和Y共同提供的信息,其返回值在[0,1]区间内,0表示完全不相关,1表示完全相关;p(x,y)是X和Y的联合概率分布函数;P(x)和p(y)分别是X和Y的边缘概率分布函数。
利用包裹法进行特征选择,去掉冗余特征;根据目标函数,每次选择若干特征或者排除若干特征,直到选择出最佳的子集;包裹法主要包含四个主要过程:(1)候选特征子集的生成;(2)特征子集优度的评价;(3)终止条件的判定;(4)特征子集有效性的验证。
如图3所示为本发明实施例提供的故障诊断的网络结构图,在数据处理模块中,输入数据经过一维卷积神经网络进行两次卷积、最大池化层提取数据空间特征,激活函数采用LeakyReLU。特征向量再输入到门控循环单元结构,可充分提取信号的时间特征,且具有较强的抗噪能力。从门循环控神经网络输出的数据经过三次全连接层,最终得到故障特征诊断结果。
网络训练过程中的损失函数(LossFunction)选用均方误差(MSE),其计算方式如下:
采用可决系数R2score评估模型的精度,计算公式如下:
其中,y(i)是真实值;是模型预测值,n表示样本数量,表示真实值和预测值之间的均方误差值,Var(y)表示真实值的方差;R2的值越大,回归模型的效果越好,R2=1时,表示样本中预测值和真实值完全相等,没有任何误差。
如图4所示为本发明实施例提供的一维卷积神经网络模型示意图,对标准化后的数据进行包括但不限于拼接、截取和滑动取样,以故障类型作为样本的标签,以振动、噪声、电流和电压信息作为样本的特征,构造出训练样本集、验证集以及测试集,作为1DCNN的输入数据。
假设第l层是卷积层,输入的时间序列X=[x1,x2,x3,…,xn]T,首先通过卷积层进行特征提取,不同的一维卷积核通过对局部区域卷积可提取出不同的特征信号,第xi层的输出结果可由上一层的输出xi+1得到:
卷积层和全连接层的激活函数采用LeakyReLU函数,其形式如下:
其中,x表示输入数据,α表示负值部分的斜率。
第l+1层池化层的计算公式如下:
假设最后的池化层为l+1层,将其收尾连接后形成特征向量层,此层为x+1,和输出全连接形成尾部单层感知机,则输出可以表示为:
yl+1=f(ul+1)=f(Wl+1xl+1+bl+1);
其中,yl+1表示第l+1层的输出结果;Wl+1为第l+1层的权重;bl+1为第l+1层的偏置;f表示激活函数。
如图5所示为本发明实施例提供的门控循环单元(GRU)结构图,门控循环单元引用重置门与更新门的门控机制来控制梯度信息传播,缓解梯度消失现象。重置门与更新门分别用于捕捉时间序列里短期的依赖关系和长期的依赖关系。将特征数据输入到门控层中,提取时序数据的隐含信息,经过三次全连接层输出故障信息。
GRU中更新门zt的计算公式如下:
zt=σ(Wzht-1+Uzxt+bz);
其中,ht-1表示上一个神经元的输出,包含了时间序列从前端某时刻至上一时间步的全部历史信息;xt表示本次神经元的输入;Wz、Uz表示更新门的权重矩阵;bz表示偏置矩阵;σ表示sigmoid激活函数。
更新门是由上一个神经元的输出和本次神经元的输入与权值和偏置运算后,再使用sigmoid函数进行运算。更新门取值越大时,当前神经元要保留的信息就越多,上一个神经元保留的信息就越少。
重置门rt的计算公式为:rt=σ(Wtht-1+Utxt+bt);
其中,Wt、Ut表示重置门的权重矩阵;bt表示偏差矩阵;ht-1表示上一个神经元的输出;xt表示本次神经元的输入;σ表示sigmoid激活函数。
当等式取0时,表示只要当前神经元的输入,不需要上一个神经元的所传递的信息。重置门的输出rt控制了上一时间步的隐藏状态ht-1到当前时间步的传递,因此重置门可以用来减少无用信息的传递。
式中表示本次神经元中待定的输出值;Wh、Uh表示更新门的权重矩阵;bh表示偏差矩阵;tanh表示双曲正切函数;ht-1表示上一个神经元的输出;xt表示本次神经元的输入;rt表示重置门;e表示哈达玛(Hadamard Product)乘积运算符。
上述方法采用卷积神经网络和门控循环单元组合的方法可以优势互补。
本发明与传统的设备故障诊断方法相比,能够有效节省人力与物力成本,能够提高故障检测的准确率,同时减少了设备的损耗,提高了破碎机设备的使用寿命。
另外,各部件的控制、型号及电路连接不作具体限定,在实际应用时可灵活设置。涉及到的电路、电子元器件和模块均为现有技术,本领域技术人员完全可以实现,无须赘言,本发明保护的内容也不涉及对于软件和方法的改进。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于传感器信息融合的破碎机健康监测***,包括偏心辊式破碎机,其特征在于,还包括:
数据采集模块,所述数据采集模块安装在所述偏心辊式破碎机上,通过所述数据采集模块用于实时采集所述偏心辊式破碎机工作时的状态信息;
下位机PLC控制模块,所述下位机PLC控制模块分别与所述偏心辊式破碎机和数据采集模块连接,通过所述下位机PLC控制模块用于控制调节所述偏心辊式破碎机的工作状态,所述下位机PLC控制模块还用于获取所述数据采集模块采集到的所述偏心辊式破碎机工作时的状态信息并进行储存;
上位机数据处理模块,所述上位机数据处理模块与所述下位机PLC控制模块连接,通过所述上位机数据处理模块用于实时读取所述下位机PLC控制模块中储存的所述偏心辊式破碎机工作时的状态信息并进行数据处理。
2.根据权利要求1所述的基于传感器信息融合的破碎机健康监测***,其特征在于,所述数据采集模块包括有电流传感器、噪声传感器、振动传感器和电压传感器;
所述电流传感器、噪声传感器、振动传感器和电压传感器均安装在所述偏心辊式破碎机上;
通过所述电流传感器、噪声传感器、振动传感器和电压传感器分别用于实时采集所述偏心辊式破碎机工作时的电流信号、噪声信号、振动信号和电压信号。
3.根据权利要求2所述的基于传感器信息融合的破碎机健康监测***,其特征在于,所述偏心辊式破碎机包括有驱动电机和驱动电机变频器;
所述驱动电机和驱动电机变频器电性连接,所述下位机PLC控制模块通过通信模块控制所述驱动电机变频器,调控所述驱动电机的工作状态,从而对所述偏心辊式破碎机的工作状态进行调节控制;
所述下位机PLC控制模块与所述数据采集模块之间通过模拟量模块相互通信,所述下位机PLC控制模块用于获取所述电流传感器、噪声传感器、振动传感器和电压传感器采集到的所述偏心辊式破碎机工作时的电流信号、噪声信号、振动信号和电压信号并进行储存。
4.根据权利要求3所述的基于传感器信息融合的破碎机健康监测***,其特征在于,所述电流传感器、噪声传感器、振动传感器和电压传感器均与所述下位机PLC控制模块中的模拟量模块通信连接,PLC将采集到的电流信号、噪声信号、振动信号和电压信号转换成模拟量储存在数据块中;
所述噪声传感器和振动传感器用于实时测量所述偏心辊式破碎机工作时主轴的振动信号和噪声信号;所述电流传感器和电压传感器用于实时测量所述偏心辊式破碎机的驱动电机工作时的电流信号和电压信号。
5.根据权利要求4所述的基于传感器信息融合的破碎机健康监测***,其特征在于,所述上位机数据处理模块与所述下位机PLC控制模块之间通过局域网相互远程通信,通过所述上位机数据处理模块用于实时读取所述下位机PLC控制模块中储存的所述偏心辊式破碎机工作时的电流信号、噪声信号、振动信号和电压信号并进行数据处理,数据处理过程步骤为:
a)使用过滤法剔除无关特征,降低特征维度;
b)利用包裹法进行特征选择,去掉冗余特征;
c)使用一维卷积神经网络提取特征向量;
d)输入到门控循环神经网络单元中进行训练;
e)输出故障诊断的结果。
6.一种基于传感器信息融合的破碎机健康监测方法,其特征在于,包括以下步骤:
步骤1、下位机PLC控制模块通过数据采集模块的传感器采集偏心辊式破碎机的电流信号、噪声信号、振动信号和电压信号;
步骤2、上位机数据处理模块对实时读取下位机PLC控制模块中的电流信号、噪声信号、振动信号和电压信号进行数据预处理;
步骤3、特征选择后的多源时间序列数据构成特征集,将标准化后的数据进行拼接、截取和滑动取样,构造以电流、噪声、振动和电压信号为特征输入,以故障类型为特征输出的训练样本集;
采用过滤法和包裹法组合式算法对输入数据进行特征选择,先使用过滤法剔除无关特征,降低特征维度;然后利用包裹法进行特征选择,去掉冗余特征;
步骤4、对训练样本进行一维卷积神经网络模型训练,调整神经网络结构参数,提取高纬度的预测特征向量;
步骤5、将经过一维卷积神经网络训练后的特征向量输入到门控循环神经网络模型中训练,最终得到故障诊断结果。
7.根据权利要求6所述的基于传感器信息融合的破碎机健康监测方法,其特征在于,在步骤2中,所述的数据预处理是将原始数据转换为无量纲化的指标测评值,减少输入数据的极值,基于原始数据的均值和标准差进行数据Z-Score标准化处理;
对输入数据进行特征选择,去除无关特征,采用互信息过滤法,捕捉每个特征和标签之间的线性和非线性任意关系。
8.根据权利要求7所述的基于传感器信息融合的破碎机健康监测方法,其特征在于,在步骤3中,利用包裹法进行特征选择时,根据目标函数,每次选择若干特征或者排除若干特征,直到选择出最佳的子集。
9.根据权利要求8所述的基于传感器信息融合的破碎机健康监测方法,其特征在于,在步骤4中,一维卷积神经网络由输入层、卷积层、池化层、全连接层和输出层构成,单个样本的输入为4通道时序数据,输出为故障特征;对样本的输入再次进行滑动取样;再经过两次卷积、最大池化操作提取数据空间特征,激活函数采用LeakyReLU;最终得到特征数据。
10.根据权利要求9所述的基于传感器信息融合的破碎机健康监测方法,其特征在于,在步骤5中,门控循环神经网络模型引用重置门与更新门的门控机制来控制梯度信息传播,重置门与更新门分别用于捕捉时间序列里短期的依赖关系和长期的依赖关系;将特征数据输入到门控层中,提取时序数据的隐含信息,经过三次全连接层输出故障信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210950072.7A CN115307947A (zh) | 2022-08-09 | 2022-08-09 | 一种基于传感器信息融合的破碎机健康监测***和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210950072.7A CN115307947A (zh) | 2022-08-09 | 2022-08-09 | 一种基于传感器信息融合的破碎机健康监测***和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115307947A true CN115307947A (zh) | 2022-11-08 |
Family
ID=83860280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210950072.7A Pending CN115307947A (zh) | 2022-08-09 | 2022-08-09 | 一种基于传感器信息融合的破碎机健康监测***和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115307947A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102346466A (zh) * | 2011-06-17 | 2012-02-08 | 武汉理工大学 | 一种金属锯床远程监控装置 |
CN107345857A (zh) * | 2017-06-09 | 2017-11-14 | 昆明理工大学 | 一种电主轴状态监测与故障诊断***及其监测诊断方法 |
CN108954680A (zh) * | 2018-07-13 | 2018-12-07 | 电子科技大学 | 一种基于运行数据的中央空调能耗预测方法 |
CN113255546A (zh) * | 2021-06-03 | 2021-08-13 | 成都卡莱博尔信息技术股份有限公司 | 一种用于飞机***传感器故障的诊断方法 |
CN114509266A (zh) * | 2022-01-05 | 2022-05-17 | 东南大学 | 一种基于故障特征融合的轴承健康监测方法 |
CN114739667A (zh) * | 2022-05-10 | 2022-07-12 | 西安交通大学 | 一种多模态信息融合轴承润滑状态监测装置及方法 |
-
2022
- 2022-08-09 CN CN202210950072.7A patent/CN115307947A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102346466A (zh) * | 2011-06-17 | 2012-02-08 | 武汉理工大学 | 一种金属锯床远程监控装置 |
CN107345857A (zh) * | 2017-06-09 | 2017-11-14 | 昆明理工大学 | 一种电主轴状态监测与故障诊断***及其监测诊断方法 |
CN108954680A (zh) * | 2018-07-13 | 2018-12-07 | 电子科技大学 | 一种基于运行数据的中央空调能耗预测方法 |
CN113255546A (zh) * | 2021-06-03 | 2021-08-13 | 成都卡莱博尔信息技术股份有限公司 | 一种用于飞机***传感器故障的诊断方法 |
CN114509266A (zh) * | 2022-01-05 | 2022-05-17 | 东南大学 | 一种基于故障特征融合的轴承健康监测方法 |
CN114739667A (zh) * | 2022-05-10 | 2022-07-12 | 西安交通大学 | 一种多模态信息融合轴承润滑状态监测装置及方法 |
Non-Patent Citations (4)
Title |
---|
方新秋: "《薄煤层无人工作面煤与瓦斯共采关键技术》", 30 November 2013, 中国矿业大学出版社, pages: 125 * |
李鑫等: "《微处理器***级片上温度感知技术》", 31 March 2019, 西北工业大学出版社, pages: 93 - 94 * |
王朋鹤: "基于双向门控循环神经网络的风电机组状态检测", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑 (月刊)》, no. 3, 15 March 2022 (2022-03-15), pages 042 - 443 * |
韦鹏程等: "《大数据巨量分析与机器学习的整合与开发》", 31 May 2017, 电子科技大学出版社, pages: 98 - 99 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110361176B (zh) | 一种基于多任务特征共享神经网络的智能故障诊断方法 | |
CN111340238B (zh) | 一种工业***的故障诊断方法、装置、设备及存储介质 | |
CN113343633B (zh) | 动力锂电池热失控故障分类及风险预测方法、*** | |
CN112116080A (zh) | 一种融合了注意力机制的cnn-gru水质预测方法 | |
CN112884008B (zh) | 一种电力信息采集***运行状态的预测评估方法及装置 | |
CN114282443B (zh) | 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法 | |
CN114015825B (zh) | 基于注意力机制的高炉热负荷异常状态监测方法 | |
CN112668775A (zh) | 一种基于时序卷积网络算法的空气质量预测方法 | |
CN114218872B (zh) | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 | |
CN114676742A (zh) | 一种基于注意力机制和残差网络的电网异常用电检测方法 | |
CN114169374B (zh) | 一种斜拉桥斜拉索损伤识别方法及电子设备 | |
CN116610998A (zh) | 一种基于多模态数据融合的开关柜故障诊断方法和*** | |
CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
CN114330517A (zh) | 一种基于神经网络的航空发动机传感器故障自诊断方法 | |
CN110991776A (zh) | 一种基于gru网络实现水位预测的方法及*** | |
CN114819102A (zh) | 基于gru的空调设备故障诊断方法 | |
CN113984389B (zh) | 一种基于多感受野与改进胶囊图神经网络的滚动轴承故障诊断方法 | |
CN116305614A (zh) | 一种基于残差卷积神经网络和lstm的滚动轴承剩余使用寿命预测方法 | |
CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
CN118051827A (zh) | 基于深度学习的电网故障预测方法 | |
CN117056678B (zh) | 一种基于小样本的机泵设备运行故障诊断方法及装置 | |
CN112560252A (zh) | 一种航空发动机剩余寿命预测方法 | |
CN115307947A (zh) | 一种基于传感器信息融合的破碎机健康监测***和方法 | |
CN116933025A (zh) | 基于vmd与dbo-lstm-at的变压器顶层油温预测方法 | |
CN116244596A (zh) | 基于tcn和注意力机制的工业时序数据异常检测方法 |
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 |