CN116430272A - 基于电气扰动的煤矿设备异常诊断方法、***及电子设备 - Google Patents
基于电气扰动的煤矿设备异常诊断方法、***及电子设备 Download PDFInfo
- Publication number
- CN116430272A CN116430272A CN202211533506.XA CN202211533506A CN116430272A CN 116430272 A CN116430272 A CN 116430272A CN 202211533506 A CN202211533506 A CN 202211533506A CN 116430272 A CN116430272 A CN 116430272A
- Authority
- CN
- China
- Prior art keywords
- disturbance
- coal mine
- real
- mine equipment
- time
- 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
- 239000003245 coal Substances 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000005856 abnormality Effects 0.000 title claims abstract description 32
- 238000003745 diagnosis Methods 0.000 title claims abstract description 21
- 230000008859 change Effects 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims description 32
- 238000012423 maintenance Methods 0.000 claims description 25
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000002405 diagnostic procedure Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 description 15
- 238000003860 storage Methods 0.000 description 7
- 238000005065 mining Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection 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
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/54—Testing for continuity
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明属于煤矿设备故障诊断技术领域，公开了基于电气扰动的煤矿设备异常诊断方法、***及电子设备。方法包括：基于滑动窗口分别获取当前时段内各类电气参数的实时数据，一历史时段内各类电气参数的历史数据；分别计算每一类电气参数实时数据的实时加权平均值，历史数据的历史加权平均值；计算同一类电气参数实时加权平均值相较于历史加权平均值的变化率；判断变化率大于相应的变化率阈值时，获取与实时扰动数据相应的扰动波形；对所述扰动波形进行扰动特征提取并将其输入至一神经网络预测模型以对煤矿设备的故障类型进行预测。本发明实现了煤矿设备的异常预测，减少相应的生产成本。
Description
技术领域
本发明涉及煤矿设备故障诊断技术领域，具体涉及基于电气扰动的煤矿设备异常诊断方法、***及电子设备。
背景技术
矿下开采过程离不开各类煤矿设备的正常运行，因此对煤矿设备的运行状态进行监控是保证开采安全性，提高开采效率且减少生产损失的关键。
传统的煤矿设备运行监控由技术人员的周期性巡检进行，不但费时费力，无法满足当前矿下无人化作业的生产需求；且无法对各类异常情况及时获取。因此目前常采用如下方式进行：方式一为：部分矿井下采用针对相关煤矿设备加装传感器，并构建数据传输通道及监测主站，然后基于所述传感器上传的数据进行设备异常判断。方式二为：由于矿井下80％的煤矿设备均与煤矿电网联通，而煤矿设备的异常又可通过电网状态进行反应；因此对各煤矿设备相应的供电段进行自动化电气监测即可获知相应煤矿设备的运行状态，并进行相应的故障判断。
但对于上述方式一，传感器上传的数据仅可反映煤矿设备的当前运行状态或历史运行状态；对于方式二，对煤矿设备的电气监测仍停留于短路、断路等明显的电气故障，因此它们也仅能反映已经发生的煤矿设备异常。而在实际生产中为了降低生产损失，还需要对未来时段可能发生的异常进行预测。但上述两种方式均不可实现煤矿设备的异常预测。
发明内容
本发明目的在于提供基于电气扰动的煤矿设备异常诊断方法、***及电子设备，以克服现有的煤矿设备监测过程仅能获取已发生的异常，而无法进行异常预测的技术问题。
为达成上述目的，本发明提出如下技术方案：
一种基于电气扰动的煤矿设备异常诊断方法，包括：
基于滑动窗口分别获取当前时段内煤矿设备各类电气参数的若干实时数据，以及自当前时段前溯的一历史时段内煤矿设备各类电气参数的若干历史数据；其中，所述电气参数包括：线电压、相电流及零序电流；
分别计算每一类电气参数各实时数据的实时加权平均值，以及每一类电气参数各历史数据的历史加权平均值；并计算与同一类电气参数相应的所述实时加权平均值相较于所述历史加权平均值的变化率；
判断任一电气参数的变化率大于相应的变化率阈值时，触发存储自当前时刻起一预设时长内与各类扰动参数相应的若干实时扰动数据，以获取与所述实时扰动数据相应的扰动波形；
对所述扰动波形进行扰动特征提取以得到扰动幅度、基波频率、各次谐波总占比，最高谐波占比及扰动时长，并将前述各所述扰动特征输入至一神经网络预测模型以对煤矿设备的故障类型进行预测。
进一步的，包括：
基于历史数据库获取若干训练样本；其中，每一训练样本包括各扰动特征，及相应的故障类型；
基于所述训练样本进行原始预测模型的迭代训练直至达到预设的迭代次数以获得所述神经网络预测模型。
进一步的，包括：
基于所述预测的故障类型发送预警信息至维护人员；
判断维护人员的检修结果与所述预测的故障类型不一致的次数大于预设的次数阈值时，触发对所述神经网络预测模型进行重新训练。
进一步的，所述基于所述预测的故障类型发送预警信息至维护人员，包括：
获取所述预测的故障类型的故障等级；
依照故障等级及预设频率发送相应类型的预警信息至维护人员直至维护人员反馈所述检修结果。
进一步的，
对于所述实时加权平均值，靠近当前时刻的实时数据的权重大于远离当前时刻的实时数据的权重；
对于所述历史加权平均值，靠近当前时刻的历史数据的权重大于远离当前时刻的历史数据的权重。
一种基于电气扰动的煤矿设备异常诊断***，包括：
第一获取模块，用于基于滑动窗口分别获取当前时段内煤矿设备各类电气参数的若干实时数据，以及自当前时段前溯的一历史时段内煤矿设备各类电气参数的若干历史数据；其中，所述电气参数包括：线电压、相电流及零序电流；
第二获取模块，用于分别计算每一类电气参数各实时数据的实时加权平均值，以及每一类电气参数各历史数据的历史加权平均值；并计算与同一类电气参数相应的所述实时加权平均值相较于所述历史加权平均值的变化率；
第三获取模块，用于判断任一电气参数的变化率大于相应的变化率阈值时，触发存储自当前时刻起一预设时长内与各类扰动参数相应的若干实时扰动数据，以获取与所述实时扰动数据相应的扰动波形；
异常预测模块，用于对所述扰动波形进行扰动特征提取以得到扰动幅度、基波频率、各次谐波总占比，最高谐波占比及扰动时长，并将前述各所述扰动特征输入至一神经网络预测模型以对煤矿设备的故障类型进行预测。
进一步的，包括：
第四获取模块，用于基于历史数据库获取若干训练样本；其中，每一训练样本包括各扰动特征，及相应的故障类型；
第一训练模块，用于基于所述训练样本进行原始预测模型的迭代训练直至达到预设的迭代次数以获得所述神经网络预测模型。
进一步的，包括：
异常预警模块，用于基于所述预测的故障类型发送预警信息至维护人员；
第二训练模块，用于判断维护人员的检修结果与所述预测的故障类型不一致的次数大于预设的次数阈值时，触发对所述神经网络预测模型进行重新训练。
进一步的，所述异常预警模块还包括：
等级获取单元，用于获取所述预测的故障类型的故障等级；
预警发送单元，用于依照故障等级及预设频率发送相应类型的预警信息至维护人员直至维护人员反馈所述检修结果。
一种电子设备，包括：
至少一个处理器；
与所述至少一个处理器通讯连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行所述的诊断方法。
有益效果：
由以上技术方案可知，本发明的技术方案提供了一种基于电气扰动的煤矿设备异常诊断方法以改善当前进行煤炭设备监测时无法进行异常预测的技术问题。
发明人在实践中发现，基于煤矿设备的电气监测进行故障监测的方法相较于基于装设传感器进行煤矿设备的故障监测方法，由于借助已有的电气监测设备即可实现，因此不会对本就复杂的矿下环境进一步复杂化。且发明人还发现在煤矿设备的运行过程中会发生煤矿电网的电气扰动，而当下时刻煤矿设备虽然处于正常运行，但该电气扰动常与之后相应煤矿设备的某些异常相关。因此设计了本技术方案以实现煤矿设备的故障预测。
本技术方案中，首先，引入了滑动窗口进行各电气参数相应的实时数据及历史数据的获取。然后，进行扰动波形的获取。其中，所述扰动波形通过相应的扰动实时数据获取，而在本技术方案中仅对所述扰动实时数据进行了记录存储。与无差别的进行数据存储记录分析相比(即在无扰动的时候也进行数据存储记录分析)，提高了后续获取的扰动波形中数据的有效性并避免无效输出。而为了提高记录存储的扰动实时数据的即时性，还设置了对所述扰动实时数据进行记录的触发条件。具体的，从微观角度，考虑到不同时刻数据的重要度，获取了与实时数据相应的实时加权平均值，及与历史数据相应的历史加权平均值；从宏观角度，考虑到电气参数的整体趋势，进而获取了实时加权平均值相较于历史加权平均值的变化率。此时以所述变化率大于预设的变化率阈值为对扰动实时数据进行记录的触发条件。最后，本技术方案将传统的煤矿场景与新型的神经网络算法进行结合，引入了神经网络预测模型，并以所述扰动波形作为其输入量实现了煤矿设备的故障类型预测。不但提高了故障类型的预测效率，还提高了预测准确性。
由上述可见，本技术方案考虑到矿井下的硬件布置复杂度及环境安全性，将与传统煤矿场景下煤矿设备运行状态隐性相关的电气扰动，及新型神经网络算法中的神经网络预测模型进行了结合，从而实现了煤矿设备故障类型的高效准确预测。进而从全局角度考虑降低了煤矿设备故障发生的频率，提高了矿下开采安全性，并降低了煤矿开采成本。
应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：
图1为本实施例所述的基于电气扰动的煤矿设备异常诊断方法的流程图；
图2为图1中所述扰动波形进行预处理的流程图；
图3为图1中所述神经网络预测模型的训练流程图；
图4为图1中预测结果进行后续处理的流程图；
图5为图4中所述预警信息发送的一种流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。除非另作定义,此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。同样,除非上下文清楚地指明其它情况，否则单数形式的“一个”“一”或者“该”等类似词语也不表示数量限制,而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的特征、整体、步骤、操作、元素和/或组件,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。“上”“下”“左”“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
在现有技术中，无论是通过布设传感器进行煤矿设备异常监测，还是通过与煤炭电网相关的煤炭设备的机电监测以进行煤矿设备异常监测的方式；均只能对已经发生的煤矿设备异常进行探查，而无法对煤矿设备的实时参量进行全面分析以提前获知可能发生的煤矿设备异常。因而在降低煤矿设备异常频率，减少相应损失方面仍具有一定的技术瓶颈。因此本实施例旨在提供一种基于电气扰动的煤矿设备异常诊断方法以改善现有煤矿设备异常监测中存在的上述缺陷。
下面结合附图，对本实施例公开的基于电气扰动的煤矿设备异常诊断方法作具体介绍。
如图1所示，所述方法包括：
步骤S102、基于滑动窗口分别获取当前时段内煤矿设备各类电气参数的若干实时数据，以及自当前时段前溯的一历史时段内煤矿设备各类电气参数的若干历史数据。
本实施例中，所述电气参数包括：线电压、相电流及零序电流。
本步骤中，所述滑动窗口为固定长度的滑动窗口，其内包括连续10秒内的实时数据或历史数据。
优选的，与所述实时数据相应的滑动窗口，和与所述历史数据相应的滑动窗口为时间上相邻的两滑动窗口。而由后续步骤S104～步骤S106可见，通过与实时数据及历史数据的加权平均值相关的变化率触发扰动数据记录。而对于滑动窗口内的一段数据而言，瞬时的某一数据变化即可引起该段加权平均值发生较大的变化，从而准确的触发扰动数据的及时记录。因此该相邻滑动窗口设置在有效避免实时扰动数据被漏存的同时，还可提高被存储的实时扰动数据的完整性。
具体的，本实施例获取实时数据的滑动窗口内最前端一实时数据的时间戳与获取历史数据的滑动窗口内最前端一历史数据的时间戳间相差1秒。
步骤S104、分别计算每一类电气参数各实时数据的实时加权平均值，以及每一类电气参数各历史数据的历史加权平均值；并计算与同一类电气参数相应的所述实时加权平均值相较于所述历史加权平均值的变化率。
作为一种具体的实施方式，由于对于数据分析而言，与当前时刻接近的数据所携带信息更有价值。同时对于本实施例而言，需要通过与加权平均值相关的变化率反应是否存在电气扰动；因此也需要突出与当前时刻接近的数据的重要性。因此对于实时加权平均值，设置靠近当前时刻的实时数据的权重大于远离当前时刻的实时数据的权重。同理，对于所述历史加权平均值，靠近当前时刻的历史数据的权重大于远离当前时刻的历史数据的权重。
在具体计算时，将所述实时加权平均值记为Vr，所述历史加权平均值记为Vh；将所述变化率记为R。进而得到所述实时加权平均值通过如下公式获取：
其中，Ni为当前时刻滑动窗口内第i个实时数据；Wi为Ni的权重；Ni相较于Ni-1靠近当前时刻，且Wi总是大于Wi-1。
所述实时加权平均值通过如下公式获取：
其中，Ni’为历史时刻滑动窗口内第i个历史数据；Wi’为Ni’的权重；Ni’相较于Ni-1’靠近当前时刻，且Wi’总是大于Wi-1’。且Wi＝Wi’。
所述变化率通过如下公式获取：
步骤S106、判断任一电气参数的变化率大于相应的变化率阈值时，触发存储自当前时刻起一预设时长内与各类扰动参数相应的若干实时扰动数据，以获取与所述实时扰动数据相应的扰动波形。
本实施例中与所述实时扰动数据相应的预设时长为30分钟，所述实时扰动数据的记录频率为1秒/次。
所述变化率阈值为实际获取的所述变化率的5倍。
本实施例中，为了便于故障分析及异常汇总，还将每次获取的所述扰动波形存储于异常数据库内。在具体存储时，基于归属的煤矿设备对各扰动波形进行分类。在具体的存储信息内，还包括与每一扰动波形相应的触发扰动记录的变化率、扰动开始时间、扰动介绍时间、扰动时长。
步骤S108、对所述扰动波形进行扰动特征提取并输入至一神经网络预测模型以对煤矿设备的故障类型进行预测。
在具体实施时，所述扰动特征包括：扰动幅度、基波频率、各次谐波总占比，最高谐波占比及扰动时长。
本实施例中，为了提高神经网络预测模型的故障预测效率，在基于扰动波形对故障类型进行预测前还基于扰动时长对扰动波形进行初筛以避免随机扰动及偶发扰动的影响。即如图2所示，在步骤S108之前，还包括：
步骤S107、获取所述扰动波形内包含的扰动次数及每次扰动的扰动时长，并判断所述扰动次数大于扰动次数阈值，或任一次扰动时长大于扰动时长阈值时，触发进行所述扰动波形的扰动特征提取。
作为一种可以选择的实施方式，如图3所示，步骤S108中所述的神经网络预测模型通过如下步骤获取：
步骤S108.2、基于历史数据库获取若干训练样本；其中，每一训练样本包括各扰动特征，及相应的故障类型。
步骤S108.4、基于所述训练样本进行原始预测模型的迭代训练直至达到预设的迭代次数以获得所述神经网络预测模型。
本实施例中，所述神经网络预测模型具体为BP神经网络预测模型。
作为一种具体的实施方式，如图4所示，通过如下过程进行获取预测故障类型的后续处理：
步骤S110、基于所述预测的故障类型发送预警信息至维护人员。
本步骤中，为了提高基于所述预测的故障类型进行设备检修的逻辑性，还如图5所示，包括如下：
步骤S110.2、获取所述预测的故障类型的故障等级。
步骤S110.4、依照故障等级及预设频率发送相应类型的预警信息至维护人员直至维护人员反馈所述检修结果。
此时基于步骤S110.2～步骤S110.4，可基于故障类型实现预警信息的分级发送以使维护人员优先对与较高故障等级的预发故障进行检查维护；以进一步避免异常损耗。同时通过预设频率向维护人员不间断发送预警信息的方式还有利于督促维护人员及时进行检查维护。
在具体实施时，设置所述故障等级包括：第一等级、第二等级及第三等级。其中，所述第一等级与会造成煤矿设备宕机的预测异常相应，所述第二等级与会影响煤矿设备稳定运行的预测异常相应，所述第三等级与不会对煤矿设备运行有明显影响的预测异常相应。且对于所述预设频率，与所述第一等级、所述第二等级及所述第三等级相应的预设频率依次递减。
步骤S112、判断维护人员的检修结果与所述预测的故障类型不一致的次数大于预设的次数阈值时，触发对所述神经网络预测模型进行重新训练。
基于本步骤可实现所述神经网络预测模型的进一步优化以提高基于其进行故障类型预测时的可靠性。
由上述可见，本实施例提供了一种新的煤矿设备诊断方法，其以煤矿电网的电气扰动对煤矿设备的隐性影响进行指导，并将神经网络算法引入了传统的煤矿领域，进而实现了对煤矿设备故障的有效预测。且提供了基于预测的煤矿设备故障进行后续处理的相应措施，如向维护人员发送相应的预警信息，并具体的基于故障等级进行预警信息差异化发送以提高检修处理效率，避免重大异常或故障发生。并以维修人员的实际反馈结果作为参考以触发对所述神经网络预测模型进行周期性的迭代优化；因此还进一步提高了故障预测结果的可靠性。
上述程序可以运行在处理器中，或者也可以存储在存储器中(或称为计算机可读存储介质)，计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体，如调制的数据信号和载波。
这些计算机程序也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤，对应与不同的步骤可以通过不同的模块来实现。
本实施例还一种基于电气扰动的煤矿设备异常诊断***。所述***包括：
第一获取模块，用于基于滑动窗口分别获取当前时段内煤矿设备各类电气参数的若干实时数据，以及自当前时段前溯的一历史时段内煤矿设备各类电气参数的若干历史数据；其中，所述电气参数包括：线电压、相电流及零序电流。
第二获取模块，用于分别计算每一类电气参数各实时数据的实时加权平均值，以及每一类电气参数各历史数据的历史加权平均值；并计算与同一类电气参数相应的所述实时加权平均值相较于所述历史加权平均值的变化率。
第三获取模块，用于判断任一电气参数的变化率大于相应的变化率阈值时，触发存储自当前时刻起一预设时长内与各类扰动参数相应的若干实时扰动数据，以获取与所述实时扰动数据相应的扰动波形。
异常预测模块，用于对所述扰动波形进行扰动特征提取以得到扰动幅度、基波频率、各次谐波总占比，最高谐波占比及扰动时长，并将前述各所述扰动特征输入至一神经网络预测模型以对煤矿设备的故障类型进行预测。
所述***用于实现上述方法的步骤，因此已经进行说明的，在此不再赘述。
例如，所述***还包括：
第四获取模块，用于基于历史数据库获取若干训练样本；其中，每一训练样本包括各扰动特征，及相应的故障类型。
第一训练模块，用于基于所述训练样本进行原始预测模型的迭代训练直至达到预设的迭代次数以获得所述神经网络预测模型。
例如，所述***还包括：
异常预警模块，用于基于所述预测的故障类型发送预警信息至维护人员。
第二训练模块，用于判断维护人员的检修结果与所述预测的故障类型不一致的次数大于预设的次数阈值时，触发对所述神经网络预测模型进行重新训练。
优选的，对于所述异常预警模块，具体包括：
等级获取单元，用于获取所述预测的故障类型的故障等级。
预警发送单元，用于依照故障等级及预设频率发送相应类型的预警信息至维护人员直至维护人员反馈所述检修结果。
本实施例还提供了一种电子设备。所述电子设备包括：至少一个处理器；与所述至少一个处理器通讯连接的存储器。其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的诊断方法。
由于所述***及所述电子设备均基于上述诊断方法搭建，因此在实际使用时，可基于电气扰动波形实现煤矿设备的异常预测，进而减小异常发生频率，避免不必要的生产成本。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。
Claims (10)
1.一种基于电气扰动的煤矿设备异常诊断方法，其特征在于，包括：
基于滑动窗口分别获取当前时段内煤矿设备各类电气参数的若干实时数据，以及自当前时段前溯的一历史时段内煤矿设备各类电气参数的若干历史数据；其中，所述电气参数包括：线电压、相电流及零序电流；
分别计算每一类电气参数各所述实时数据的实时加权平均值，以及每一类电气参数各所述历史数据的历史加权平均值；并计算与同一类电气参数相应的所述实时加权平均值相较于所述历史加权平均值的变化率；
判断任一类电气参数的变化率大于相应的变化率阈值时，触发存储自当前时刻起一预设时长内与各类扰动参数相应的若干实时扰动数据，以获取与所述实时扰动数据相应的扰动波形；
对所述扰动波形进行扰动特征提取以得到扰动幅度、基波频率、各次谐波总占比，最高谐波占比及扰动时长，并将前述各所述扰动特征输入至一神经网络预测模型以对煤矿设备的故障类型进行预测。
2.根据权利要求1所述的基于电气扰动的煤矿设备异常诊断方法，其特征在于，包括进行所述神经网络预测模型的训练，包括：
基于历史数据库获取若干训练样本；其中，每一训练样本包括各所述扰动特征，及相应的故障类型；
基于所述训练样本进行原始预测模型的迭代训练直至达到预设的迭代次数以获得所述神经网络预测模型。
3.根据权利要求1所述的基于电气扰动的煤矿设备异常诊断方法，其特征在于，所述将前述各所述扰动特征输入至一神经网络预测模型以对煤矿设备的故障类型进行预测之后，包括：
基于所述预测的故障类型发送预警信息至维护人员；
判断维护人员的检修结果与所述预测的故障类型不一致的次数大于预设的次数阈值时，触发对所述神经网络预测模型进行重新训练。
4.根据权利要求3所述的基于电气扰动的煤矿设备异常诊断方法，其特征在于，所述基于所述预测的故障类型发送预警信息至维护人员，包括：
获取所述预测的故障类型的故障等级；
依照故障等级及预设频率发送相应类型的预警信息至维护人员直至维护人员反馈所述检修结果。
5.根据权利要求1所述的基于电气扰动的煤矿设备异常诊断方法，其特征在于，
对于所述实时加权平均值，靠近当前时刻的实时数据的权重大于远离当前时刻的实时数据的权重；
对于所述历史加权平均值，靠近当前时刻的历史数据的权重大于远离当前时刻的历史数据的权重。
6.一种基于电气扰动的煤矿设备异常诊断***，其特征在于，包括：
第一获取模块，用于基于滑动窗口分别获取当前时段内煤矿设备各类电气参数的若干实时数据，以及自当前时段前溯的一历史时段内煤矿设备各类电气参数的若干历史数据；其中，所述电气参数包括：线电压、相电流及零序电流；
第二获取模块，用于分别计算每一类电气参数各实时数据的实时加权平均值，以及每一类电气参数各历史数据的历史加权平均值；并计算与同一类电气参数相应的所述实时加权平均值相较于所述历史加权平均值的变化率；
第三获取模块，用于判断任一类电气参数的变化率大于相应的变化率阈值时，触发存储自当前时刻起一预设时长内与各类扰动参数相应的若干实时扰动数据，以获取与所述实时扰动数据相应的扰动波形；
异常预测模块，用于对所述扰动波形进行扰动特征提取以得到扰动幅度、基波频率、各次谐波总占比，最高谐波占比及扰动时长，并将前述各所述扰动特征输入至一神经网络预测模型以对煤矿设备的故障类型进行预测。
7.根据权利要求6所述的基于电气扰动的煤矿设备异常诊断***，其特征在于，包括：
第四获取模块，用于基于历史数据库获取若干训练样本；其中，每一训练样本包括各扰动特征，及相应的故障类型；
第一训练模块，用于基于所述训练样本进行原始预测模型的迭代训练直至达到预设的迭代次数以获得所述神经网络预测模型。
8.根据权利要求6所述的基于电气扰动的煤矿设备异常诊断***，其特征在于，包括：
异常预警模块，用于基于所述预测的故障类型发送预警信息至维护人员；
第二训练模块，用于判断维护人员的检修结果与所述预测的故障类型不一致的次数大于预设的次数阈值时，触发对所述神经网络预测模型进行重新训练。
9.根据权利要求8所述的基于电气扰动的煤矿设备异常诊断***，其特征在于，所述异常预警模块还包括：
等级获取单元，用于获取所述预测的故障类型的故障等级；
预警发送单元，用于依照故障等级及预设频率发送相应类型的预警信息至维护人员直至维护人员反馈所述检修结果。
10.一种电子设备，其特征在于，包括：
至少一个处理器；
与所述至少一个处理器通讯连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至5任一项所述的诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211533506.XA CN116430272A (zh) | 2022-12-01 | 2022-12-01 | 基于电气扰动的煤矿设备异常诊断方法、***及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211533506.XA CN116430272A (zh) | 2022-12-01 | 2022-12-01 | 基于电气扰动的煤矿设备异常诊断方法、***及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116430272A true CN116430272A (zh) | 2023-07-14 |
Family
ID=87078444
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211533506.XA Pending CN116430272A (zh) | 2022-12-01 | 2022-12-01 | 基于电气扰动的煤矿设备异常诊断方法、***及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116430272A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117312763A (zh) * | 2023-11-30 | 2023-12-29 | 青岛斑科变频技术有限公司 | 一种基于云平台的变频家电性能可视化监管***及方法 |
-
2022
- 2022-12-01 CN CN202211533506.XA patent/CN116430272A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117312763A (zh) * | 2023-11-30 | 2023-12-29 | 青岛斑科变频技术有限公司 | 一种基于云平台的变频家电性能可视化监管***及方法 |
| CN117312763B (zh) * | 2023-11-30 | 2024-02-23 | 青岛斑科变频技术有限公司 | 一种基于云平台的变频家电性能可视化监管***及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109492193B (zh) | 基于深度机器学习模型的异常网络数据生成与预测方法 | |
| CN110647133B (zh) | 轨道交通设备状态检测维护方法及*** | |
| CN107844067B (zh) | 一种水电站闸门在线状态监测控制方法及监测*** | |
| CN116430272A (zh) | 基于电气扰动的煤矿设备异常诊断方法、***及电子设备 | |
| CN116756597B (zh) | 基于人工智能的风电机组谐波数据实时监测方法 | |
| CN111669123A (zh) | 用于对光伏组串进行故障诊断的方法和装置 | |
| CN111931849A (zh) | 一种水电机组运行数据趋势预警方法 | |
| CN114076841B (zh) | 基于用电信息数据的窃电行为识别方法及*** | |
| CN112257224B (zh) | 汽轮发电机状态检修方法、***以及终端 | |
| CN117408162A (zh) | 基于数字孪生的电网故障控制方法 | |
| CN117435883A (zh) | 一种基于数字孪生的设备故障预测的方法和*** | |
| Daems et al. | Fleet-wide analytics on field data targeting condition and lifetime aspects of wind turbine drivetrains | |
| CN114492636B (zh) | 一种变压器绕组状态信号的采集*** | |
| CN113404651B (zh) | 风力发电机组的数据异常检测方法和装置 | |
| McKinnon et al. | Investigation of anomaly detection technique for wind turbine pitch systems | |
| Roberts et al. | An Investigation on the Usability of High-Frequency Wind Tur-bine Controller Data for Predictive Maintenance | |
| CN110930035A (zh) | 一种基于区间统计值的谐波危害评估方法 | |
| CN117466153B (zh) | 故障检测方法、装置、计算机设备和可读存储介质 | |
| Isaev et al. | Identification of emergency modes of power asynchronous electric drives using machine learning methods | |
| Léonard et al. | Hydro-turbine monitoring: from self-learned equipment behavior to a single global deviation indicator | |
| CN113361823B (zh) | 一种基于预测数据的燃料电池故障预测方法及*** | |
| Pang et al. | A remaining useful life prediction and maintenance decision optimal model based on Gamma process | |
| CN118150943B (zh) | 配电网接地故障定位方法、***、电子设备及存储介质 | |
| CN117272844B (zh) | 配电盘工作寿命的预测方法及*** | |
| CN115985072A (zh) | 基于机器学习的风力发电机机舱温度监测预警方法及*** |
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 |