CN116433218A - 基于自组织映射聚类的矿井机械设备在线健康评估方法 - Google Patents

基于自组织映射聚类的矿井机械设备在线健康评估方法 Download PDF

Info

Publication number
CN116433218A
CN116433218A CN202310273449.4A CN202310273449A CN116433218A CN 116433218 A CN116433218 A CN 116433218A CN 202310273449 A CN202310273449 A CN 202310273449A CN 116433218 A CN116433218 A CN 116433218A
Authority
CN
China
Prior art keywords
self
health
model
equipment
organizing map
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
Application number
CN202310273449.4A
Other languages
English (en)
Inventor
丁华
王焱
孙晓春
王光
李莉
杨琨
廖瑶瑶
马丁·劳易特
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taiyuan University of Technology
Original Assignee
Taiyuan University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Taiyuan University of Technology filed Critical Taiyuan University of Technology
Priority to CN202310273449.4A priority Critical patent/CN116433218A/zh
Publication of CN116433218A publication Critical patent/CN116433218A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • 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
    • 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
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mining & Mineral Resources (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于自组织映射聚类的矿井机械设备在线健康评估方法，属于健康评估领域。针对矿井机械实际工程中无法准确的从多个信号特征中综合评估机械设备的健康状态的问题，通过建立自组织映射聚类健康评估模型，将训练集输入到模型中，通过模型训练对数据进行聚类分析，划分设备健康状态；然后基于训练好的模型，利用测试集对设备健康状态进行评估，并且得出评估的准确率，保存最优模型；最后将模型放置云端对矿井机械设备实时数据进行在线健康评估。所提方法对矿井机械设备的健康评估准确率达到98.88%，为工作人员更好的了解矿井机械设备的实时运行情况，在设备故障之前提前发现设备恶化，具有工程实用性。

Description

基于自组织映射聚类的矿井机械设备在线健康评估方法
技术领域
本发明涉及矿井机械设备健康评估领域，具体为基于自组织映射聚类的矿井机械设备在线健康评估方法。
背景技术
矿井机械设备，由于工作环境复杂，工作时载荷大而且不稳定，容易导致设备经常发生故障。矿井机械设备常用的维修方式大多数是事后维修和定期维修。传统的事后维修不仅会耗费大量的时间，还具有不可控因素，很有可能造成任务无法按时完成。定期维修虽然能减少机械设备故障引起的损失，但大多数定期维修策略不够合理，会造成维修材料和时间的浪费。现有技术中，工作人员无法对复杂的矿井机械设备做准确的健康评估。因此，实现准确的对矿井机械设备健康状态的早期识别和评估，是矿井工作中急需解决的问题。
现有研究多为对设备单个信号特征进行诊断和评估，无法通过多种信号特征综合评估设备健康状态，而实际现场中，机械设备发生故障往往都是多个因素相互影响，最终导致故障的发生。单个信号特征难以有效反映整个***的健康状态。所以，分析机械设备多种信号特征之间的关联性，通过多种数据对设备的健康状态进行综合评估已成为当下众多研究领域中不可或缺的研究内容。
发明内容
本发明的目的在于针对矿井这种工作环境复杂、可靠性要求高、健康评估难度大的复杂设备在实际工程中无法准确的从多个信号特征中综合评估机械设备的健康状态的问题，提供一种基于自组织映射聚类的矿井机械设备在线健康评估方法。
为达到上述目的，本发明提供如下技术方案：
基于自组织映射聚类的矿井机械设备在线健康评估方法，包括以下步骤：
S1、从矿井机械设备传感器中获取多种信号特征的历史运转数据，将历史运转数据划分为四个健康等级；
S2、将历史运转数据划分为训练集样本和测试集样本；
S3、建立自组织映射聚类健康评估模型，将训练集样本多维数据输出为低维数据，对相似特征进行聚类划分，映射设备健康状态；
S4、用测试集样本对自组织映射聚类健康评估模型进行实验，得出评估准确率，并保存最优模型；
S5、将自组织映射聚类健康评估模型放置云端，对矿井机械设备传感器实时获取数据进行在线健康状态评估。
步骤S1具体包括：
S101、获取历史运转数据，包括采煤机位置、采煤机速度、采煤机左右倾角、采煤机轴承温度、采煤机截割部温度、采煤机截割电流、瓦斯浓度和***电压；
S102、将历史运转数据划分为健康、良好、恶化、故障四个等级。
步骤S102等级划分标准为：健康为监测数据远离警告值，设备运行状态很好，即监测数据距警告值的欧式距离为(7.5,10]；良好为监测数据未达到警告值，设备运行良好，即监测数据距警告值的欧式距离为(5,7.5]；恶化为监测值与警告值很近，设备运行异常，即监测数据距警告值的欧式距离为(2.5,5]；故障为监测值达到或超出警告值，设备无法正常运行，即监测数据距警告值的欧式距离为(0,2.5]。
步骤S2具体包括：将数据采用分层随机采样的方式，依据设备运行时间，以5个监测点为一组进行分层，每组以4:1的比例进行随机抽样构建训练集样本和测试集样本。
步骤S3具体包括：
S301、建立合适的自组织映射聚类模型，设置初始参数，包括输入特征维度、迭代次数、每次迭代样本数量、初始学习率、激活函数类型、初始健康度、神经元的个数和优胜领域；
S302、将训练集样本输入自组织映射聚类模型，对输入向量和输出向量做归一化处理；
S303、归一化后的输入向量与输出向量做点积，点积值
Figure SMS_1
最大的输出神经元赢得竞争，记为优胜节点/>
Figure SMS_2
，点积值计算公式为：
Figure SMS_3
Figure SMS_4
，/>
Figure SMS_5
为输入向量和输出向量，/>
Figure SMS_6
，/>
Figure SMS_7
为输入数量。
S304、通过欧式距离公式计算当前的样本与优胜领域内某一点对应的权值之差，表征优胜邻域内，优胜节点对其近邻节点的影响强弱，即优胜邻域中每个节点的更新幅度，欧式距离公式为：
Figure SMS_8
Figure SMS_9
，/>
Figure SMS_10
为输入数据映射后的坐标，D，N为权值点的坐标，/>
Figure SMS_11
表示的是当前的样本与优胜领域内某一点对应的权值之差；
S305、更新权值，保持优胜领域外的权值不变，对优胜节点及优胜领域内的所有权值做调整；
S306、更新学习率和优胜邻域；
S307、根据自组织映射聚类模型更新后的优胜节点，将每个节点与优胜节点关联，相似节点被分配到邻近的优胜领域，优胜领域分为健康、良好、恶化、故障四个等级，生成训练好的自组织映射聚类健康评估模型；
S308、矿井设备某一时刻历史数据输入自组织映射聚类健康评估模型，得到该点的输出节点，根据输出节点所处领域评估该时刻矿井设备的健康状态。
步骤S301中，输入特征维度、迭代次数设置为150、每次迭代样本数量为128、初始学习率为0.001、激活函数类型为sigmoid、初始健康度为0.95、神经元的个数为
Figure SMS_12
(N为样本数量)和优胜领域/>
Figure SMS_13
，输入特征维度与采集矿井设备的数据种类有关。
步骤S302归一化处理方法为：
Figure SMS_14
Figure SMS_15
Figure SMS_16
，/>
Figure SMS_17
分别为输入向量和输出向量的欧几里得范数，/>
Figure SMS_18
，/>
Figure SMS_19
分别为输入向量和输出向量，/>
Figure SMS_20
，/>
Figure SMS_21
为输入数量。
步骤S305更新权值方式为：
Figure SMS_22
Figure SMS_23
Figure SMS_24
，/>
Figure SMS_25
如达到终止条件，则算法停止；否则置
Figure SMS_26
，继续步骤S303；
其中，
Figure SMS_27
是一个节点所有输入边的序标，/>
Figure SMS_28
为当前训练次数下的学习率，/>
Figure SMS_29
是训练时间/>
Figure SMS_30
和邻域内第/>
Figure SMS_31
个节点与优胜节点/>
Figure SMS_32
之间的欧式距离/>
Figure SMS_33
的函数。
步骤S4具体包括：
S401、利用测试集样本测试自组织映射聚类健康评估模型，将测试结果与实际值对比，得到模型的准确率，将模型结果进行可视化，按聚类结果分类存储，对模型的结果进行评判；
S402、多次实验，保存最优模型。
步骤S5具体包括：将模型置于云端，连接矿井机械设备智能云平台，通过设备实时采集数据对设备进行健康状态评估。
与现有技术相比，本发明的有益效果为：
(1)可以利用多种信号特征，分析多种信号特征之间的关联，综合评估矿井机械设备的健康值；
(2)为方便工作人员了解设备的健康状态，将矿井机械设备健康状态划分为健康、良好、恶化、故障四个等级；
(3)对矿井机械设备健康评估的准确率达到98.88%以上；
(4)可以实时分析矿井机械设备的健康状态，节省人力和维护成本。
附图说明
图1是本发明的具体实施方式流程图；
图2是划分训练集样本和测试集样本分层随机采样图；
图3是自组织映射聚类健康评估模型结构示意图；
图4是采煤机健康状态可视化U-Matrix矩阵图；
图5是采煤机健康状态可视化散点图。
具体实施方式
为了更了解本发明的技术内容。下面结合附图对本申请进行详细说明。
如图1所示为基于自组织映射聚类的矿井机械设备在线健康评估方法流程图，主要包括以下几个部分：
S1: 从矿井机械设备传感器中获取多种信号特征，根据历史运转信息将数据划分为四个等级。
S2: 将矿井历史运转数据划分为训练集样本和测试集样本。
S3: 建立自组织映射聚类健康评估模型，将训练集样本多维数据输出为低维数据，对相似特征进行聚类划分，映射设备健康状态；
S4: 用测试集样本对自组织映射聚类健康评估模型进行实验，得出评估准确率，并保存最优模型。
S5: 将自组织映射聚类健康评估模型放置云端，对矿井机械设备传感器实时获取数据进行在线健康状态评估。
具体步骤为：S101、连接矿井智能工作面，从数据库中获取采煤机历史多维数据，包括采煤机位置、采煤机速度、采煤机左右倾角、采煤机轴承温度、采煤机截割部温度、采煤机截割电流、瓦斯浓度、***电压等数据。
S102、根据矿井工作面历史运转信息将数据划分为健康、良好、恶化、故障四个等级。划分标准为：健康为监测数据远离警告值，设备运行状态很好，即监测数据距警告值的欧式距离为(7.5,10]；良好为监测数据未达到警告值，设备运行良好，即监测数据距警告值的欧式距离为(5,7.5]；恶化为监测值与警告值很近，设备运行异常，即监测数据距警告值的欧式距离为(2.5,5]；故障为监测值达到或超出警告值，设备无法正常运行，即监测数据距警告值的欧式距离为(0,2.5]。
如图2所示，将矿井历史运转数据划分为训练集样本和测试集样本，采用分层随机采样的方式，依据设备运行时间，以5个监测点为一组进行分层，每组以4:1的比例进行随机抽样构建训练集样本和测试集样本。
建立自组织映射聚类健康评估模型，将训练集样本多维数据输出为低维数据，对相似特征进行聚类划分，映射设备健康状态；具体分为：
S301、建立合适的自组织映射聚类模型。如图3所示，自组织映射聚类模型是一个由多维数据为输入层，二维阵列数据为输出层的神经网络映射结构。设置初始参数：包括输入特征维度、迭代次数设置为150、每次迭代样本数量为128、初始学习率为0.001、激活函数类型为sigmoid、初始健康度为0.95、神经元的个数为
Figure SMS_34
(N为样本数量)和优胜领域
Figure SMS_35
。其中输入特征维度与采集矿井设备的数据种类有关；
S302、将训练集样本输入自组织映射聚类模型，对输入向量和输出向量做归一化处理；
Figure SMS_36
Figure SMS_37
Figure SMS_38
，/>
Figure SMS_39
分别为输入向量和输出向量的欧几里得范数，/>
Figure SMS_40
，/>
Figure SMS_41
分别为输入向量和输出向量，/>
Figure SMS_42
，/>
Figure SMS_43
为输入数量。
S303、归一化后的输入向量与输出向量做点积，点积值
Figure SMS_44
最大的输出神经元赢得竞争，记为优胜节点/>
Figure SMS_45
，点积值计算公式为：
Figure SMS_46
Figure SMS_47
，/>
Figure SMS_48
为输入向量和输出向量，/>
Figure SMS_49
，/>
Figure SMS_50
为输入数量。
S304、通过欧式距离公式计算当前的样本与优胜领域内某一点对应的权值之差，表征优胜邻域内，优胜节点对其近邻节点的影响强弱，即优胜邻域中每个节点的更新幅度。自组织映射聚类神经网络的输入层是基准状态数据，输出层是权值，采用输入样本权值与获胜领域内对应某一点权值的距离可以评价衡量矿井机械设备健康状态退化程度。来确定在邻域中的其他点；欧式距离公式为：
Figure SMS_51
Figure SMS_52
，/>
Figure SMS_53
为输入数据映射后的坐标，D，N为权值点的坐标，/>
Figure SMS_54
表示的是当前的样本与优胜领域内某一点对应的权值之差；
S305、更新邻域内的其它点的权值，保持优胜领域外的权值不变，对优胜节点及优胜领域内的所有权值做调整：
Figure SMS_55
Figure SMS_56
Figure SMS_57
，/>
Figure SMS_58
如达到终止条件，则算法停止；否则置
Figure SMS_59
，继续步骤S303；
其中，
Figure SMS_60
是一个节点所有输入边的序标，/>
Figure SMS_61
为当前训练次数下的学习率，/>
Figure SMS_62
是训练时间/>
Figure SMS_63
和邻域内第/>
Figure SMS_64
个节点与优胜节点/>
Figure SMS_65
之间的欧式距离/>
Figure SMS_66
的函数，该函数一般有以下规律：
Figure SMS_67
。
S306、更新学习率 和优胜邻域。
学习率自动更新公式为：
Figure SMS_68
Figure SMS_69
为当前学习率，/>
Figure SMS_70
为当前训练次数，/>
Figure SMS_71
为最大步长，/>
Figure SMS_72
为更新后的学习率。
S307、根据自组织映射聚类模型更新后的优胜节点，将每个节点与优胜节点关联，相似节点被分配到邻近的优胜领域。优胜领域分为健康、良好、恶化、故障四个等级，生成训练好的自组织映射聚类健康评估模型。
S308、健康为监测数据远离警告值，设备运行状态很好，即监测数据距警告值的欧式距离为(7.5,10]；良好为监测数据未达到警告值，设备运行良好，即监测数据距警告值的欧式距离为(5,7.5]；恶化为监测值与警告值很近，设备运行异常，即监测数据距警告值的欧式距离为(2.5,5]；故障为监测值达到或超出警告值，设备无法正常运行，即监测数据距警告值的欧式距离为(0,2.5]。
S309、矿井设备某一时刻历史数据输入训练好的自组织映射聚类健康评估模型，得到该点的输出节点，根据输出节点所处领域评估该时刻矿井设备的健康状态。
S401、基于训练好的模型，利用测试集样本测试自组织映射聚类健康评估模型，将测试结果与实际值对比，得到模型的准确率，将模型结果进行可视化，按聚类结果分类存储，对模型的结果进行评判；
S402、多次实验，保存最优模型。
S501、将自组织映射聚类健康评估模型置于云端，连接矿井机械设备数据库智能云平台，通过设备实时采集数据对设备进行健康状态评估，实时反映设备的健康状态，健康状态表现为恶化或故障时进行报警。
试验应用
S601、采用山西某煤矿智能工作平台获取数据，本实验选用采煤机作为实验对象，使用多种信号特征数据包括采煤机煤机位置、采煤机速度、采煤机左右倾角、采煤机前后主机轴承温度、采煤机前后从机轴承温度、采煤机左右截割部温度、采煤机左右截割电流、瓦斯浓度、***电压、俯仰角和摇摆角。
S602、实验根据智能平台记录维护和维修时间标定对应时间数据的健康、良好、恶化、故障四种健康状态标签。
S603、采用随机采样方式，随机采集数据作为测试集，剩余的作为训练集，且训练集与测试集的比例为4:1；
S604、将训练数据输入自组织映射聚类健康评估模型，训练出健康权重，映射多种信号特征对应的健康权重关系。
S605、将测试数据输入训练好的模型，并且利用U-Matrix矩阵来对结果进行可视化。
S606、实验结果
根据权重矩阵W,可以计算每个神经元距离它的邻近神经元们的距离，计算好的矩阵就是U-Matrix矩阵，就能够看到训练样本都分别落在输出层的哪些格子和它们对应的标签信息。可视化结果如图4所示，格子的颜色根据健康到故障的权重逐渐加深。
U-Matrix矩阵可视化图案能让我们看到样本的大致分布，并且具有较好视觉效果。但仍有两个不足之处：①不清楚每个格子的样本数量具体是多少②如果有个类别落到同一个格子，看不出该类别的比例。
对此，针对上述可视化进行了改进，通过在每个格子里画散点图，并用形状表示类别，这样使得采煤机健康状态的分类可视化结果更为清楚。改进的可视化散点图如图5所示；
测试集对采煤机健康评估的准确率为98.88%。
最后应说明的是，上述具体实施方式，并不构成对本发明保护范围的限制。对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种基于自组织映射聚类的矿井机械设备在线健康评估方法，其特征在于：包括以下步骤：
S1、从矿井机械设备传感器中获取多种信号特征的历史运转数据，将历史运转数据划分为四个健康等级；
S2、将历史运转数据划分为训练集样本和测试集样本；
S3、建立自组织映射聚类健康评估模型，将训练集样本多维数据输出为低维数据，对相似特征进行聚类划分，映射设备健康状态；
S4、用测试集样本对自组织映射聚类健康评估模型进行实验，得出评估准确率，并保存最优模型；
S5、将自组织映射聚类健康评估模型放置云端，对矿井机械设备传感器实时获取数据进行在线健康状态评估。
2.根据权利要求1所述基于自组织映射聚类的矿井机械设备在线健康评估方法，所述步骤S1具体包括：
S101、获取历史运转数据，包括采煤机位置、采煤机速度、采煤机左右倾角、采煤机轴承温度、采煤机截割部温度、采煤机截割电流、瓦斯浓度和***电压；
S102、将历史运转数据划分为健康、良好、恶化、故障四个等级。
3.根据权利要求2所述基于自组织映射聚类的矿井机械设备在线健康评估方法，所述步骤S102等级划分标准为：健康为监测数据远离警告值，设备运行状态很好，即监测数据距警告值的欧式距离为(7.5,10]；良好为监测数据未达到警告值，设备运行良好，即监测数据距警告值的欧式距离为(5,7.5]；恶化为监测值与警告值很近，设备运行异常，即监测数据距警告值的欧式距离为(2.5,5]；故障为监测值达到或超出警告值，设备无法正常运行，即监测数据距警告值的欧式距离为(0,2.5]。
4.根据权利要求1所述基于自组织映射聚类的矿井机械设备在线健康评估方法，所述步骤S2具体包括：将数据采用分层随机采样的方式，依据设备运行时间，以5个监测点为一组进行分层，每组以4:1的比例进行随机抽样构建训练集样本和测试集样本。
5.根据权利要求1所述基于自组织映射聚类的矿井机械设备在线健康评估方法，所述步骤S3具体包括：
S301、建立合适的自组织映射聚类模型，设置初始参数，包括输入特征维度、迭代次数、每次迭代样本数量、初始学习率、激活函数类型、初始健康度、神经元的个数和优胜领域；
S302、将训练集样本输入自组织映射聚类模型，对输入向量和输出向量做归一化处理；
S303、归一化后的输入向量与输出向量做点积，点积值
Figure QLYQS_1
最大的输出神经元赢得竞争，记为优胜节点/>
Figure QLYQS_2
，点积值计算公式为：
Figure QLYQS_3
Figure QLYQS_4
，/>
Figure QLYQS_5
为输入向量和输出向量，/>
Figure QLYQS_6
，/>
Figure QLYQS_7
为输入数量。
S304、通过欧式距离公式计算当前的样本与优胜领域内某一点对应的权值之差，表征优胜邻域内，优胜节点对其近邻节点的影响强弱，即优胜邻域中每个节点的更新幅度，欧式距离公式为：
Figure QLYQS_8
Figure QLYQS_9
，/>
Figure QLYQS_10
为输入数据映射后的坐标，D，N为权值点的坐标，/>
Figure QLYQS_11
表示的是当前的样本与优胜领域内某一点对应的权值之差；
S305、更新权值，保持优胜领域外的权值不变，对优胜节点及优胜领域内的所有权值做调整；
S306、更新学习率和优胜邻域；
S307、根据自组织映射聚类模型更新后的优胜节点，将每个节点与优胜节点关联，相似节点被分配到邻近的优胜领域，优胜领域分为健康、良好、恶化、故障四个等级，生成训练好的自组织映射聚类健康评估模型；
S308、矿井设备某一时刻历史数据输入自组织映射聚类健康评估模型，得到该点的输出节点，根据输出节点所处领域评估该时刻矿井设备的健康状态。
6.根据权利要求5所述基于自组织映射聚类的矿井机械设备在线健康评估方法，所述步骤S301中，输入特征维度、迭代次数设置为150、每次迭代样本数量为128、初始学习率为0.001、激活函数类型为sigmoid、初始健康度为0.95、神经元的个数为
Figure QLYQS_12
和优胜领域
Figure QLYQS_13
，N为样本数量，输入特征维度与采集矿井设备的数据种类有关。
7.根据权利要求5所述基于自组织映射聚类的矿井机械设备在线健康评估方法，所述步骤S302归一化处理方法为：
Figure QLYQS_14
Figure QLYQS_15
Figure QLYQS_16
，/>
Figure QLYQS_17
分别为输入向量和输出向量的欧几里得范数，/>
Figure QLYQS_18
，/>
Figure QLYQS_19
分别为输入向量和输出向量，/>
Figure QLYQS_20
，/>
Figure QLYQS_21
为输入数量。
8.根据权利要求5所述基于自组织映射聚类的矿井机械设备在线健康评估方法，所述步骤S305更新权值方式为：
Figure QLYQS_22
Figure QLYQS_23
Figure QLYQS_24
，/>
Figure QLYQS_25
，
如达到终止条件，则算法停止；否则置
Figure QLYQS_26
，继续步骤S303；
其中，
Figure QLYQS_27
是一个节点所有输入边的序标，/>
Figure QLYQS_28
为当前训练次数下的学习率，/>
Figure QLYQS_29
是训练时间/>
Figure QLYQS_30
和邻域内第/>
Figure QLYQS_31
个节点与优胜节点/>
Figure QLYQS_32
之间的欧式距离/>
Figure QLYQS_33
的函数。
9.根据权利要求1所述基于自组织映射聚类的矿井机械设备在线健康评估方法，所述步骤S4具体包括：
S401、利用测试集样本测试自组织映射聚类健康评估模型，将测试结果与实际值对比，得到模型的准确率，将模型结果进行可视化，按聚类结果分类存储，对模型的结果进行评判；
S402、多次实验，保存最优模型。
10.根据权利要求1所述基于自组织映射聚类的矿井机械设备在线健康评估方法，所述步骤S5具体包括：将模型置于云端，连接矿井机械设备智能云平台，通过设备实时采集数据对设备进行健康状态评估。
CN202310273449.4A 2023-03-21 2023-03-21 基于自组织映射聚类的矿井机械设备在线健康评估方法 Pending CN116433218A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310273449.4A CN116433218A (zh) 2023-03-21 2023-03-21 基于自组织映射聚类的矿井机械设备在线健康评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310273449.4A CN116433218A (zh) 2023-03-21 2023-03-21 基于自组织映射聚类的矿井机械设备在线健康评估方法

Publications (1)

Publication Number Publication Date
CN116433218A true CN116433218A (zh) 2023-07-14

Family

ID=87089944

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310273449.4A Pending CN116433218A (zh) 2023-03-21 2023-03-21 基于自组织映射聚类的矿井机械设备在线健康评估方法

Country Status (1)

Country Link
CN (1) CN116433218A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117196267A (zh) * 2023-11-07 2023-12-08 浙江正泰中自控制工程有限公司 一种基于设备健康分析技术的智能巡检方法及***

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117196267A (zh) * 2023-11-07 2023-12-08 浙江正泰中自控制工程有限公司 一种基于设备健康分析技术的智能巡检方法及***

Similar Documents

Publication Publication Date Title
CN108257114A (zh) 一种基于深度学习的输电设备缺陷自动识别方法
CN106404441B (zh) 一种基于非线性相似度指标的故障分类诊断方法
CN113420162B (zh) 一种基于知识图谱的设备运行链状态监测方法
CN106649919A (zh) 燃煤电站锅炉飞灰含碳量预测模型构建方法及***
CN101738998B (zh) 一种基于局部判别分析的工业过程监测***及方法
CN116433218A (zh) 基于自组织映射聚类的矿井机械设备在线健康评估方法
CN107844067A (zh) 一种水电站闸门在线状态监测控制方法及监测***
CN117057644A (zh) 一种基于特性匹配的设备生产质量检测方法及***
CN116432123A (zh) 一种基于cart决策树算法的电能表故障预警方法
CN112949735A (zh) 一种基于离群数据挖掘的液态危化品挥发浓度异常发现方法
CN112147221A (zh) 基于超声波探伤仪数据的钢轨螺孔裂纹识别方法及***
CN110188399B (zh) 一种基于多相关序列的大坝安全监测单测点评价方法
CN117421998B (zh) 一种基于多模态数据的输电架空线路健康状态评估***
CN107357941A (zh) 一种可实时对水雨情数据进行检验的***和方法
CN117689256B (zh) 一种铝合金熔铸产品质量溯源方法
CN117471071B (zh) 港口基础设施结构耐久性安全预警***及方法
CN112329341A (zh) 一种基于ar和随机森林模型的故障诊断***及方法
CN116739304A (zh) 一种基于产品历史数据的生产误差监控***及方法
CN115828164A (zh) 一种基于数据驱动的电动钉枪故障类型识别方法
CN115659271A (zh) 传感器异常检测方法、模型训练方法、***、设备及介质
CN112507290B (zh) 配电设备故障概率预判方法、装置及存储介质
CN113947309A (zh) 基于建造大数据的盾构隧道施工标准工时测算及评分方法
CN114597886A (zh) 基于区间二型模糊聚类分析的配电网运行状态评估方法
CN110082617B (zh) 基于物联网技术的输变电设备状态监测分析方法
Zhou et al. Study on Optimization of Data-Driven Anomaly Detection

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