CN117142009B - 一种基于图卷积网络的刮板输送机健康状态评估方法 - Google Patents
一种基于图卷积网络的刮板输送机健康状态评估方法 Download PDFInfo
- Publication number
- CN117142009B CN117142009B CN202311412381.XA CN202311412381A CN117142009B CN 117142009 B CN117142009 B CN 117142009B CN 202311412381 A CN202311412381 A CN 202311412381A CN 117142009 B CN117142009 B CN 117142009B
- Authority
- CN
- China
- Prior art keywords
- scraper conveyor
- data
- graph
- health
- node
- 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.)
- Active
Links
- 230000036541 health Effects 0.000 title claims abstract description 144
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000005096 rolling process Methods 0.000 title claims abstract description 27
- 238000012544 monitoring process Methods 0.000 claims abstract description 67
- 230000003993 interaction Effects 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 48
- 238000009826 distribution Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 20
- 239000003638 chemical reducing agent Substances 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000003862 health status Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 8
- 238000012952 Resampling Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 230000006866 deterioration Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 23
- 238000010586 diagram Methods 0.000 abstract description 4
- 230000008878 coupling Effects 0.000 abstract description 2
- 238000010168 coupling process Methods 0.000 abstract description 2
- 238000005859 coupling reaction Methods 0.000 abstract description 2
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000012854 evaluation process Methods 0.000 abstract 1
- 239000003245 coal Substances 0.000 description 7
- 238000005065 mining Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 239000000306 component Substances 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- NAXKFVIRJICPAO-LHNWDKRHSA-N [(1R,3S,4R,6R,7R,9S,10S,12R,13S,15S,16R,18S,19S,21S,22S,24S,25S,27S,28R,30R,31R,33S,34S,36R,37R,39R,40S,42R,44R,46S,48S,50R,52S,54S,56S)-46,48,50,52,54,56-hexakis(hydroxymethyl)-2,8,14,20,26,32,38,43,45,47,49,51,53,55-tetradecaoxa-5,11,17,23,29,35,41-heptathiapentadecacyclo[37.3.2.23,7.29,13.215,19.221,25.227,31.233,37.04,6.010,12.016,18.022,24.028,30.034,36.040,42]hexapentacontan-44-yl]methanol Chemical compound OC[C@H]1O[C@H]2O[C@H]3[C@H](CO)O[C@H](O[C@H]4[C@H](CO)O[C@H](O[C@@H]5[C@@H](CO)O[C@H](O[C@H]6[C@H](CO)O[C@H](O[C@H]7[C@H](CO)O[C@@H](O[C@H]8[C@H](CO)O[C@@H](O[C@@H]1[C@@H]1S[C@@H]21)[C@@H]1S[C@H]81)[C@H]1S[C@@H]71)[C@H]1S[C@H]61)[C@H]1S[C@@H]51)[C@H]1S[C@@H]41)[C@H]1S[C@H]31 NAXKFVIRJICPAO-LHNWDKRHSA-N 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000010006 flight Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000007790 scraping Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012733 comparative method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G19/00—Conveyors comprising an impeller or a series of impellers carried by an endless traction element and arranged to move articles or materials over a supporting surface or underlying material, e.g. endless scraper conveyors
- B65G19/18—Details
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G43/00—Control devices, e.g. for safety, warning or fault-correcting
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G2203/00—Indexing code relating to control or detection of the articles or the load carriers during conveying
- B65G2203/02—Control or detection
- B65G2203/0266—Control or detection relating to the load carrier(s)
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G2203/00—Indexing code relating to control or detection of the articles or the load carriers during conveying
- B65G2203/04—Detection means
- B65G2203/042—Sensors
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mechanical Engineering (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种基于图卷积网络的刮板输送机健康状态评估方法。该方法包括：根据刮板输送机结构和工作流程确定刮板输送机监测指标，使用传感器采集指标数据；基于KNN算法构建传感器交互图结构；利用变分自编码器对采集的指标数据进行处理，得到刮板输送机健康状态指标曲线，根据刮板输送机健康状态指标曲线将采集指标数据分为不同的等级；将传感器交互图结构输入到图卷积网络GCN中进行训练。该发明在评估过程中考虑传感器状态数据之间的耦合性，提取了传感器之间的空间信息，更优地融合了多传感器的特征信息。同时，在刮板输送机健康状态的划分上，该方法缓解了人为干预过多和数据不确定性的问题，从而增强了评估结果的合理性和准确性。
Description
技术领域
本发明涉及综采自动化技术领域，特别涉及一种基于图卷积网络的刮板输送机健康状态评估方法。
背景技术
刮板输送机作为工作面实现机械化采煤的重要设备之一，承担着从工作面向外输送原煤的关键任务，为适应综采智能化发展，刮板输送机不断向长运距、大运量、高可靠性、智能化方向发展，同时，刮板槽被用作轨道，支撑采煤机的正常运行。因此，刮板输送机在综采工作面的设备组成中占据十分重要的地位。在高效、高产的综采工作面中，刮板输送机面临着复杂的负载变化和恶劣的工况。它的正常运行与安全使用对于确保矿井的生产效率和提高企业的效益来说具有重要意义。因此，及时识别刮板输送机当前健康状态十分重要。通过对刮板输送机健康状态的准确识别，可以实现对刮板输送机的故障预测和预防性维护管理。这可以增加设备的可靠性和可用性，降低故障发生的概率，提高设备的寿命，并减少由于故障导致的生产停工和维修成本。
现阶段通过各种传感器采集反映刮板输送机状态的信息，利用信号处理、深度学习、人工智能等新兴技术来完成刮板输送机健康管理已逐步成为趋势，杨俊叶提出了一种基于PSO-CNN的刮板输送机中部槽磨损预测方法。构建适用于磨损预测的卷积神经网络CNN结构，利用粒子群算法PSO对CNN的权值进行评估寻优，避免网络陷入局部最优。于国英建立基于模糊神经网络的刮板输送机故障诊断模型,研究模糊聚类的依据以及RBF神经网络的学习流程。原志明提出了一种基于子空间学习SL的刮板输送机减速器轴承变化工况故障诊断方法。该方法首先对原始信号进行基于快速傅里叶变换,然后利用主成分分析法将原始信号频谱能量映射到高维空间,并获得训练数据和测试数据核能量子空间,最终利用支持向量机SVM分类器分类滚动轴承的故障类型。王金辉研究了深度稀疏编码的原理、结构和学习算法,并将深度稀疏自编码网络应用于刮板输送机减速器滚动轴承的故障诊断。马海龙构建了以模糊理论为基础的模糊专家***。给出了专家***的结构,通过经验数据和专家经验给出模糊关系矩阵和隶属函数,从而实现了刮板输送机减速机故障征兆和故障原因的模糊关系表达。但传统的卷积网络、LSTM、全连接网络等通常基于规则网格结构进行数据处理，无法充分捕捉刮板输送机的复杂拓扑结构，以及传感器数据之间的非线性、多模态关系。刮板输送机通常可以看作是一个图或拓扑结构，其中节点代表不同的组件或传感器，边代表它们之间的关系。传统的卷积网络、LSTM和全连接网络没有考虑到节点之间的连接关系，无法准确建模和捕捉节点之间的影响和依赖关系。刮板输送机通常由大量的节点和边构成，传统的卷积网络、LSTM和全连接网络在处理大规模图时的计算和内存消耗非常高，导致效率低下。同时在处理新样本或未见过的异常情况时，可能存在泛化能力不足的问题。它们通常在小样本数据上训练，对于复杂的刮板输送机整机健康状态评估任务，泛化到大规模、复杂情况下表现不佳。
使用图卷积神经网络可以避免上述传统的卷积网络、LSTM和全连接网络的缺点，但是使用图卷积神经网络时对刮板输送机健康状态进行识别时，由于对刮板输送机的数据添加标签时人为参与过多以及构建图结构时如果连接策略不合适引入无关的节点间的关联，导致图神经网络对刮板输送机健康状态的识别准确率不高。
发明内容
本发明提供一种基于图卷积网络的刮板输送机健康状态评估方法，可以解决现有技术中，由于对刮板输送机的数据添加标签时人为参与过多以及构建图结构时如果连接策略不合适引入无关的节点间的关联导致图神经网络对刮板输送机健康状态的识别准确率不高问题。
本发明提供一种基于图卷积网络的刮板输送机健康状态评估方法，包括:
确定刮板输送机监测指标，使用与刮板输送机监测指标对应的传感器采集刮板输送机监测指标数据；
构造传感器交互图结构，所述传感器交互图包括：由传感器构成的节点之间的连接关系、各节点所包含的刮板输送机监测指标数据；
将采集的刮板输送机监测指标数据输入到训练好的变分自编码器中，获得刮板输送机健康状态指标曲线；根据刮板输送机健康状态指标曲线将刮板输送机监测指标数据划分为不同的等级，并为其分配等级标签；
将传感器交互图结构输入到图卷积网络GCN中，通过最小化图卷积网络GCN对输入的传感器交互图结构的健康状态识别结果与传感器交互图结构中刮板输送机监测指标数据所分配的等级标签之间的差距对图卷积网络GCN进行训练；
将待检测的刮板输送机传感器交互图结构输入到训练好的图卷积网络GCN中对刮板输送机健康状态进行识别。
进一步的，所述刮板输送机监测指标，包括：
刮板温度C11、刮板振动C12、刮板裂纹C13；链条振动C21、链条松紧程度C22、链条变形程度C23；链轮轴承振动C31、链轮轴承温度C32、链轮油液C33、链轮轴承扭矩C34；导轨温度C41、导轨振动C42；减速器轴承振动C51、减速器油液C52、减速器轴承扭矩C53、减速器声音C54、电机电流C55、电机温度C56。
进一步的，所述构造传感器交互图结构，包括：
获得由N个传感器构成的节点集合：
（1）
其中，V表示由N个传感器构成的节点集合，其中，表示由第i个传感器构成的节点，N是刮板输送机监测指标数量；
通过K近邻算法获得由传感器构成的节点之间的连接关系：
（2）
其中，E表示由条边构成的边集合，每条边代表传感器之间的交互关系；
基于节点集合和节点之间的连接关系构造传感器交互图结构：
（3）
其中，
，表示由N个节点构成特征矩阵，其中，，表示第i个节点的特征向量，/>是节点i在时间t的特征向量，T是时间步长的数量；
是邻接矩阵，如果节点/>对节点/>有影响，则节点/>和节点/>之间存在一条有向边，邻接矩阵A中的元素/>，否则， />。
进一步的，所述通过K近邻算法获得由传感器构成的节点之间的连接关系，包括：
使用K近邻方法，根据每个传感器节点的特征向量找到每个传感器节点的K个近邻节点；
进一步的，所述将采集的刮板输送机监测指标数据输入到训练好的变分自编码器中，获得刮板输送机健康状态指标曲线，包括：
获得训练好的变分自编码器；
使用训练好的变分自编码器中的编码器将采集的刮板输送机监测指标数据映射为一维健康指标，输出一维健康指标概率分布的均值及方差：
（4）
（5）
（6）
（7）
其中，
X是输入的特征矩阵，是非线性激活函数；
是变分自编码器中的编码器中第/>层隐藏层的输出结果，/>和/>分别是第/>层隐藏层的权值矩阵和偏置，L为变分自编码器中的编码器的总层数；
w和b分别是概率分布拟合的权值矩阵和偏置；
和/>分别是一维健康指标概率分布的均值及方差；
通过重采样方法在一维健康指标概率分布中进行采样：
（8）
其中，
是从标准正态分布/>中采样得到的数据；
z是重采样得到的数据，式（8）表达的含义是重采样得到的数据是由原始数据经编码器压缩所得；
对重采样得到的数据进行拟合，获得刮板输送机健康状态指标曲线。
进一步的，所述获得训练好的变分自编码器，包括：
构建变分自编码器模型，包括编码器和解码器；
所述编码器包括多个神经网络层，用于将输入的刮板输送机监测指标数据映射为一维健康指标；
所述解码器用于将重采样得到的数据映射回原始数据空间，生成重构数据；
使用损失函数计算重构数据与输入的刮板输送机监测指标数据的差距，所述损失函数为：
（9）
其中，是一维健康指标概率分布，/>是标准正态分布，/>是一维健康指标概率分布与标准正态分布之间的KL散度；/>是重构数据与输入的刮板输送机监测指标数据的误差；
通过优化算法最小化损失函数，当损失函数收敛时获得训练好的变分自编码器。
进一步的，所述根据刮板输送机健康状态指标曲线将刮板输送机监测指标数据划分为不同的等级，包括：
将与刮板输送机健康状态指标曲线区间[，/>)对应的刮板输送机监测指标数据划分为健康数据，其等级标签为0；
将与刮板输送机健康状态指标曲线区间[，/>)对应的刮板输送机监测指标数据划分为良好数据，其等级标签为1；
将与刮板输送机健康状态指标曲线区间[，/>)对应的刮板输送机监测指标数据划分为恶化数据，其等级标签为2；
将与刮板输送机健康状态指标曲线区间[，/>)对应的刮板输送机监测指标数据划分为故障数据，其等级标签为3；
其中， ~/>、/>~/>是结合刮板输送机健康状态指标曲线、刮板输送机真实运行情况、专家经验所获得的等级划分阈值。
进一步的，所述图卷积网络GCN对输入的传感器交互图结构的判断结果，包括：
将传感器交互图结构输入图卷积网络GCN进行图卷积：
（10）
其中，
，/>是N阶单位矩阵，/>是对角矩阵，其对角元素为/>；/>是激活函数；/>是待学习网络的参数矩阵，r表示输出的维数，/>是节点特征矩阵，是将特征矩阵X中的当前时刻的每个节点特征取出所构造的节点特征矩阵，/>是一次图卷积的输出矩阵；
进行多次图卷积，将多次图卷积获得的输出矩阵Z中的每个节点特征进行级联或求和，得到每张图结构的特征；
将每张图结构的特征输入softmax分类器进行健康状态识别，输出健康状态识别结果，所述健康状态识别结果包括：健康、良好、恶化、故障。
本发明实施例提供一种基于图卷积网络的刮板输送机健康状态评估方法，与现有技术相比，其有益效果如下：
本发明基于变分自编码器获得指标曲线，通过对原始数据进行自动标记，而非依赖于繁琐主观的手动标记过程。变分自编码器通过学习大量刮板输送机数据，能够自动掌握正常和异常状态之间的潜在特征，从而实现对刮板输送机特征和模式的自动学习。因此，通过使用变分自编码器生成的健康指标，本发明能够更准确地为原始数据添加标签。这不仅提高了标签的准确性，还消除了手动标记过程中主观性的复杂性。这一步骤解决了健康指标构建中由于人工干预过多导致标签不准确，进一步提高了图神经网络的识别准确率。
除此之外，本发明通过K近邻算法构造传感器交互图结构，由于K近邻方法是根据每个传感器节点的特征向量找到各个传感器节点的K个近邻节点，因此连接相邻的k个传感器节点可以捕获传感器节点之间的关系和相似性、提取了传感器之间的空间信息，从而将基于K近邻算法构造的传感器交互图结构输入到图卷积神经网络GNN中，有助于图卷积神经网络GNN更好地理解节点之间的关联性、完成多传感器信息融合，使得图卷积神经网络GNN的识别精度更高。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本说明书提供的一种基于VAE的刮板输送机健康指标构建的流程图；
图2是本说明书提供的一种刮板输送机健康状态评估多层指标体系的示意图；
图3是本说明书提供的基于图卷积网络的刮板输送机健康状态识别的流程图；
图4是本说明书提供的刮板输送机健康状态指标曲线的示意图；
图5是本说明书提供的不同k值时的传感器交互结构的示意图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
实施例
一种基于图卷积网络的刮板输送机健康状态评估方法，具体包括以下步骤：
步骤1、基于VAE的刮板输送机健康指标构建
步骤1.1、刮板输送机关键部件作用分析
刮板输送机关键部件分为刮板、链条和链轮、导轨和滑块、传动***。
刮板：刮板是刮板输送机的核心组件，用于将物料从输送机的下方刮出。刮板的健康状态可以通过监测其温度、振动、磨损和裂纹等指标来进行识别。例如，可以利用传感器监测刮板的振动频率和幅值。
链条和链轮：链条和链轮用于驱动刮板的运动。其可以通过监测链条的松紧程度、链轮的磨损程度和链条的振动情况。例如，可以使用震动传感器或加速度计监测链条的振动情况。
导轨和滑块：导轨和滑块用于支持和导向刮板的运动。它们的健康状态可以通过监测导轨和滑块的磨损、变形以及表面温度等参数来实现。可以使用红外热像仪、摄像头或温度传感器等设备进行实时监测。
传动***：刮板输送机的传动***包括电机、减速器和轴承等。这些关键部件的健康状态可以通过监测电流、温度、振动和噪声等指标来判断。例如，可以使用传感器监测电机的电流和温度，通过故障诊断算法或模型对其健康状态进行识别和预测。
步骤1.2、刮板输送机监测指标选取原则
本发明以刮板输送机为研究对象，刮板输送机作为煤矿开采效率的保障，其各个设备的状态监测的参数维数极其庞大，要是将全部监测参数都作为评估模型输入指标，那会影响评估效率同时还会加大评估工作量。所以在刮板输送机健康状态评估指标选取中，每一个选取的指标都必须合理其足够代表刮板输送机健康状态，这样可以确保其评估体系自身的合理性、完备性。所以要刮板输送机健康状态评估工作高效进行，就要搭建的煤矿设备健康状态评估体系是科学、合理的，现阶段通过专家经验以及各种状态参数相关性分析方法，选取了相对其健康状态影响较为重大的关键性指标，从而提高了评估工作效率。在状态指标数据选取上，应遵循以下的几条原则：
（1）科学性原则
刮板输送机指标参数的合理性在于所选取的指标自身的科学性，也就是其应要表述刮板输送机工作原理与客观实际情况。同时也要保证参数指标的计算方法、转换关系等的科学性、统一性，从而保证所选的指标规范、客观、科学。
（2）适用性原则
选取的刮板输送机健康状态指标要有适用性，其应有现实的采集通道，让工作人员可以通过正常途径方法测量。同时应有实际可操作性，其传感器安装要方便、合理，以便于数据采集、传输。
（3）可测性原则
刮板输送机状态指标参数是为实现刮板输送机健康状态评估确定的，要求要可以定量的表征出刮板输送机状态特征属性，使指标参数可以通过测量仪器、统计方法或数学表达式等方式获得。
（4）一致性原则
应保证选取刮板输送机指标参数时指标对象与评估目标保持一致，也就是选取的所有指标都可以在一定程度上表述刮板输送机当前健康状态。
（5）代表性原则
选取的指标参数不宜过多，所以要求选择具有代表性的指标参数，从而确保选取的指标数据都能参与进来。
综合上面的分析，在评估指标选取的过程中，应要遵循以上五条原则，结合专家经验，来选择出符合标准的所有指标参数，为下面刮板输送机健康状态识别作准备。
步骤1.3、刮板输送机监测指标选取
刮板输送机是集电力、机械和液压***与一身的机器，在以上步骤分析了其关键部件作用的。所以本发明在参考国内外文献、搜集数据以及咨询专家的基础上，结合以上的五项原则，结合刮板输送机的自身结构，筛选出了影响刮板输送机健康状态较大的多数指标，确定了全部的刮板输送机健康状态评估指标。本说明书构建刮板输送机监测指标如图1所示，先根据以上原则获得刮板输送机健康状态评估指标体系，然后变分自编码器获得刮板输送机健康状态指标。图2为全部评估指标，刮板输送机健康状态评估指标体系C具体包括：
刮板C1：刮板温度C11、刮板振动C12、刮板裂纹C13；
链条C2：链条振动C21、链条松紧程度C22、链条变形程度C23；
链轮C3：链轮轴承振动C31、链轮轴承温度C32、链轮油液C33、链轮轴承扭矩C34；
导轨C4：导轨温度C41、导轨振动C42；
传动***C5：减速器轴承振动C51、减速器油液C52、减速器轴承扭矩C53、减速器声音C54、电机电流C55、电机温度C56。
步骤1.4、基于VAE构建刮板输送机健康状态指标曲线
变分自编码器VAE是一种深度生成模型，与传统的自编码器不同，它通过概率的方式描述对潜在空间的观察。基于VAE的刮板输送机健康指标构建具有许多优点。首先，它能够自动学习刮板输送机正常和异常状态之间的潜在表示。通过学习大量的刮板输送机数据，无需手工定义特征或规则，VAE能够从数据中自动学习到刮板输送机的特征和模式，以概率分布的方式描述其潜在特征。其次，在刮板输送机健康状态评估中，基于VAE的刮板输送机监测指标可以通过刮板输送机的健康状态等级划分，更好地描述设备从健康到退化再到故障的演变过程，为设备状态提供实时且直观的定性描述。现有的划分方法依赖于先验知识和专家经验，缺乏客观的刮板输送机状态样本等级信息。为了解决这个问题，本发明采用了VAE来获取刮板输送机健康指标，VAE的潜在空间具有连续性，这意味着相似的健康状态在潜在空间中也会接近，通过对潜在空间的控制和分析，进而划分其健康状态。这种构建方法可以提高刮板输送机健康状态评估的客观性和准确性，为设备运行和维护提供有力支持。
步骤1.4.1、获得训练好的变分自编码器
构建变分自编码器模型，包括编码器和解码器；
编码器包括多个神经网络层，用于将输入的刮板输送机监测指标数据映射为一维健康指标；
解码器用于将重采样得到的数据映射回原始数据空间，生成重构数据；
使用损失函数计算重构数据与输入的刮板输送机监测指标数据的差距，在训练过程中，此部分的优化目标为通过梯度下降算法降低变分自编码器的损失，通过最大化变分下界实现，即最小化KL散度项和重构误差项的和，KL散度项为健康指标z的概率分布与先验分布标准正态分布之间的KL散度，而重构误差项为监测参数解码后与原数据的误差，最终此部分优化的损失函数为：
其中，是一维健康指标概率分布，/>是标准正态分布，/>是一维健康指标概率分布与标准正态分布之间的KL散度；/>是重构数据与输入的刮板输送机监测指标数据的误差；
通过优化算法最小化损失函数，当损失函数收敛时获得训练好的变分自编码器。
步骤1.4.2、基于VAE模型获得健康状态指标曲线
此部分的输入为步骤1.3得到的18路监测信号，变分自编码器通过全连接层将其融合压缩为一维健康指标，最终生成健康指标概率分布的均值及方差/>，其维度都为，为保证模型可导，通过重采样方法在健康指标概率分布中采样得到具有鲁棒性的健康指标。其具体计算公式如下：
其中，
X是输入的特征矩阵，，表示由N个节点构成特征矩阵，其中，/>，表示第i个节点的特征向量，/>是节点i在时间t的特征向量，T是时间步长的数量；
是非线性激活函数；
是变分自编码器中的编码器中第/>层隐藏层的输出结果，/>和/>分别是第/>层隐藏层的权值矩阵和偏置，L为变分自编码器中的编码器的总层数；
w和b分别是概率分布拟合的权值矩阵和偏置；
和/>分别是一维健康指标概率分布的均值及方差；
是从标准正态分布/>中采样得到的数据；
z是重采样得到的数据，其含义是重采样得到的数据是由原始数据经编码器压缩所得；最终，采样得到具有鲁棒性的刮板输送机健康状态指标曲线。
步骤1.4.3、为原始数据分配标签
结合专家经验，可以根据这些指标曲线将刮板输送机的健康状态划分为不同的等级，并为每个等级分配相应的标签：
将与刮板输送机健康状态指标曲线区间[，/>)对应的刮板输送机监测指标数据划分为健康数据，其等级标签为0；
将与刮板输送机健康状态指标曲线区间[，/>)对应的刮板输送机监测指标数据划分为良好数据，其等级标签为1；
将与刮板输送机健康状态指标曲线区间[，/>)对应的刮板输送机监测指标数据划分为恶化数据，其等级标签为2；
将与刮板输送机健康状态指标曲线区间[，/>)对应的刮板输送机监测指标数据划分为故障数据，其等级标签为3。
步骤2、基于图卷积网络的刮板输送机健康状态识别
步骤2.1、模型框架
本发明提出的基于图卷积网络的基于图卷积网络的刮板输送机健康状态评估框架如图3所示，首先依托图数据表示方法构造图样本。通过计算传感器状态数据之间的相似程度（使用欧氏距离），将传感器映射为图中的节点，并使用KNN算法构建传感器之间的图结构，以展示传感器之间的空间关系。图结构被视为图样本的结构信息，而每个传感器获取到的状态数据被视为节点的属性特征，从而完成图样本的构造。最后，每个时刻的图样本被输入到图卷积网络GCN中，完成对每一时刻图样本的健康状态评估。
步骤2.2、刮板输送机图样本构造
本发明通过图反映传感器之间的交互结构，图提供了一种直观的可视化方式来展示传感器之间的连接和交互关系。将传感器映射为图中的节点，通过节点和边的形式，可以清晰地呈现传感器之间的关系模式。本发明构造图样本，其中表示由N个传感器节点构成的节点集合，/>表示由条边构成的边集合，每条边代表传感器之间是否存在交互，同时网络中每个节点都附带了描述性的特征信息，表示为特征矩阵X，节点/>的特征向量（该传感器在每一时刻下的数据值）在时间t被表示为/>，所有N个节点的特征集被表示为/>。节点i的轨迹被表示为/>，其中T是时间步长的数量。最后，将所有轨迹数据记录为。/>是网络的邻接矩阵，如果节点/>对节点/>有影响，则之间存在一条有向边，邻接矩阵中的元素/>，否则，/>，邻接矩阵反映了传感器节点之间直接的作用关系。
图样本的邻接矩阵由K近邻算法确定，在度量距离的特征空间中，使用欧氏距离度量两个点之间的距离。首先，提取传感器节点的全生命周期特征信息。然后利用K近邻（KNN）方法根据这些特征找到给定节点的K个近邻节点。对与当前传感器节点距离最近的K个传感器节点之间构造连边，得到图结构。最后，将图结构被视为图样本的结构信息，而每个传感器获取到的状态数据被视为节点的属性特征，从而完成图样本的构造。
步骤2.3、健康状态识别
本发明使用GCN（Graph Convolutional Network）算法来完成刮板输送机健康状态评估，GCN是一种用于处理图结构数据的深度学习模型，每层卷积层都由若干个卷积单元组成，每个卷积单元层的参数都可以通过反向传播算法不断迭代更新。对图数据结构进行类似卷积操作时，可以分为谱域图卷积和空间域图卷积。谱域图卷积顾名思义就是在频谱空间对图数据进行卷积操作，空间域图卷积就是在时域空间直接对图数据进行卷积操作。谱域图卷积虽然先从频域角度去处理数据，但是谱域图卷积并不适用于有向图，因为谱域图卷积的应用仅仅存在于无向图中，故本发明使用空间域图卷积。
在刮板输送机健康状态评估方面，GCN利用图结构数据处理的能力，能够对刮板输送机的各个组件或部件之间的关系进行建模和分析，提供更全面的***级评估。通过将刮板输送机的各个组件或部件表示为图中的节点，并考虑它们之间的连接关系，GCN能够从这些节点的特征和拓扑结构信息中学习并提取有关刮板输送机健康状态的有用表示，进而传感器数据中学习到刮板输送机的拓扑结构和特征之间的复杂关系，从而提高健康状态的准确性和可靠性。
本发明图卷积网络的输入是非欧式空间中的结点特征矩阵，和结点间的邻接矩阵/>。n代表节点数，h表示节点的特征维度。其一次卷积计算如下：
其中，
，/>是N阶单位矩阵，/>是对角矩阵，其对角元素为/>；/>是激活函数；/>是待学习网络的参数矩阵，r表示输出的维数，/>是节点特征矩阵，是将特征矩阵X中的当前时刻的每个节点特征取出所构造的节点特征矩阵，/>是一次图卷积的输出矩阵；
进行多次图卷积，将多次图卷积获得的输出矩阵Z中的每个节点特征进行级联或求和，得到每张图结构的特征；
将每张图结构的特征输入softmax分类器进行健康状态识别，输出健康状态识别结果，所述健康状态识别结果包括：健康、良好、恶化、故障。
本说明书还提供了一种基于图卷积网络的刮板输送机健康状态评估方法实验验证，包括以下步骤：
1、数据来源与实验环境
本发明基于威布尔分布规律，结合蒲白现有现有部分刮板输送机状态数据，确定威布尔分布参数，利用Python软件仿真刮板输送机运行状态数据，并根据真实数据+仿真数据完成实验验证。最终共有真实+仿真18路监测信号的2500条刮板输送机运行数据。
2、数据预处理
由于18路信号的量纲不统一，对于信号量纲不统一的情况，通常需要进行归一化或标准化处理，以便在模型中使用。这样可以确保不同信号的值范围一致，避免某些信号对模型的训练和预测产生过大或过小的影响。本发明采用归一化处理完成信号量纲统一，其具体处理公式如下：
3、根据健康指标构建分配标签
将处理后的18维监测参数数据输入到VAE网络进行健康指标构建。最终编码网络输出节点数1对应最终的刮板输送机健康状态指标。最终获得的刮板输送机健康状态指标曲线如图4所示。
根据构建好的健康状态指标，结合刮板输送机真实运行情况及专家经验， 将刮板输送机健康状态划分为4个等级，各等级与对应健康状态指标区间如表1所示：
表1 刮板输送机健康状态对应描述
基于健康状态等级的健康指标区间，对原始监测数据进行样本划分。最终得到"健康"样本609个、"良好"样本1717个、"恶化"样本162个、"故障"样本12个。
4、对比方法
本发明选择了4个主流的健康状态识别方法进行对比实验。所选方法可分为两类。其中前两个方法为机器学习方法，后两个方法为传统的深度学习方法。以下为对比方法详细介绍。
XGBoost：该方法通过计算状态参数间的相关系数筛选出采煤机健康状态评估指标；整个样本采用XGBoost集成学习算法训练，通过交叉验证法选择合适参数，建立最优模型。
PCA-SVM：该方法采用PCA算法对得到的多维状态参数降维，最后使用SVM完成健康状态识别。
ICNN：该方法通过无监督训练降噪自编码器实现数据降维、特征提取，进而构建健康状态指标；然后，根据降噪后的监测数据与健康状态指标训练改进卷积神经网络模型，实现健康状态的自动识别。
1DCNN：该方法基于一维卷积神经网络构建健康状态评估模型，将得到的健康评估指标向量输入模型中进行训练与健康状态评估。
5、健康状态识别结果
本发明将所有样本打乱顺序后， 取其中90%为训练集样本， 剩余10%为测试集样本。分别带入本发明模型及对比模型，最终得到的准确率、Micro-F1及Macro-F1结果如表2所示。从结果可以看出本发明所提方法VAE-GCN效果最好，因为它有效的提取了监测参数之间空间信息，使用GCN达到了多传感器参数之间的较优融合。
表2 健康状态识别结果
6、图样本构造中不同K值的影响
本发明为验证使用k近邻算法构造图结构时不同k值对评估结果带来的影响，共取k值5个，分别为2、4、6、8、10，最终不同k值对应的评估结果表3所示，使用5个k值获得的结果如图5所示，从表中本发明可以看出k值取8时评估效果最好，越小于8准确率越低，这是因为很多与当前传感器节点有交互的传感器节点被忽略，导致信息的丢失；当k值大于8时结果没有稍微有下降，这是因为与当前传感器节点没有交互的传感器节点的信息被聚合到当前传感器节点，故导致错误信息的加入。
表3 不同k值下健康状态识别结果
为直观观察传感器节点之间的交互情况，本发明绘制了不同k值下的图结构图，如图5所示，从图中可以看出，当k等于2时，图中出现了两个簇，使得很多传感器之间没有交互；当k=4和6时，传感器之间的交互较少，缺失了部分信息；当k=8时，结合上面的健康状态识别结果，交互结构达到最佳；当k=10时，明显看到图中连边较多，造成信息冗余。
7、结论
1) 基于VAE构建刮板输送机健康状态指标，不仅考虑了刮板输送机数据夹杂噪声干扰、且采用无监督训练，能够有效解决健康指标构建中人为参与过多导致识别准确率不高的问题。
2) 提出一种基于GCN模型的刮板输送机多传感器监测数据有效融合的健康状态识别方法，利用K近邻算法得到的图结构信息有效的提取了传感器之间的空间信息，使用图卷积网络GCN有效的完成了多传感器信息融合，最终还直观显示了传感器之间的交互结构，成功解决刮板输送机监测参数多且监测参数间具有耦合性导致其健康状态识别困难问题。
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 (5)
1.一种基于图卷积网络的刮板输送机健康状态评估方法，其特征在于，包括:
确定刮板输送机监测指标，使用与刮板输送机监测指标对应的传感器采集刮板输送机监测指标数据；
所述刮板输送机监测指标，包括：
刮板温度C11、刮板振动C12、刮板裂纹C13；链条振动C21、链条松紧程度C22、链条变形程度C23；链轮轴承振动C31、链轮轴承温度C32、链轮油液C33、链轮轴承扭矩C34；导轨温度C41、导轨振动C42；减速器轴承振动C51、减速器油液C52、减速器轴承扭矩C53、减速器声音C54、电机电流C55、电机温度C56；
构造传感器交互图结构，所述传感器交互图包括：由传感器构成的节点之间的连接关系、各节点所包含的刮板输送机监测指标数据；
所述构造传感器交互图结构，包括：
获得由N个传感器构成的节点集合：
V＝{v1,v2,…,vi,…,vN} (1)
其中，V表示由N个传感器构成的节点集合，其中，vi表示由第i个传感器构成的节点，N是刮板输送机监测指标数量；
通过K近邻算法获得由传感器构成的节点之间的连接关系：
其中，E表示由|E|条边构成的边集合，每条边代表传感器之间的交互关系；
基于节点集合和节点之间的连接关系构造传感器交互图结构：
G＝(V,E,X,T,A) (3)
其中，
X＝{X1,X2,…,Xi,…,XN}，表示由N个节点构成特征矩阵，其中，表示第i个节点的特征向量，/>是节点i在时间t的特征向量，T是时间步长的数量；
A∈RN×N是邻接矩阵，如果节点vi对节点vj有影响，则节点vi和节点vj之间存在一条有向边，邻接矩阵A中的元素aij＝1，否则，aij＝0；
将采集的刮板输送机监测指标数据输入到训练好的变分自编码器中，获得刮板输送机健康状态指标曲线；包括：
获得训练好的变分自编码器；
使用训练好的变分自编码器中的编码器将采集的刮板输送机监测指标数据映射为一维健康指标，输出一维健康指标概率分布的均值及方差：
Y1＝σ(Xw1+b1) (4)
Yl＝σ(Yl-1wl+bl),l＝2,…,L (5)
uHI＝Ylw+b (6)
σHI＝Ylw+b (7)
其中，
X是输入的特征矩阵，σ(·)是非线性激活函数；
Yl是变分自编码器中的编码器中第l层隐藏层的输出结果，wl和bl分别是第l层隐藏层的权值矩阵和偏置，L为变分自编码器中的编码器的总层数；
w和b分别是概率分布拟合的权值矩阵和偏置；
uHI和σHI分别是一维健康指标概率分布的均值及方差；
通过重采样方法在一维健康指标概率分布中进行采样：
z＝uHI+σHI⊙∈ (8)
其中，
∈是从标准正态分布N(0,I)中采样得到的数据；
z是重采样得到的数据，式(8)表达的含义是重采样得到的数据是由原始数据经编码器压缩所得；
对重采样得到的数据进行拟合，获得刮板输送机健康状态指标曲线；
根据刮板输送机健康状态指标曲线将刮板输送机监测指标数据划分为不同的等级，并为其分配等级标签；
将传感器交互图结构输入到图卷积网络GCN中，通过最小化图卷积网络GCN对输入的传感器交互图结构的健康状态识别结果与传感器交互图结构中刮板输送机监测指标数据所分配的等级标签之间的差距对图卷积网络GCN进行训练；
将待测的刮板输送机传感器交互图结构输入到训练好的图卷积网络GCN中对刮板输送机健康状态进行识别。
2.根据权利要求1所述的基于图卷积网络的刮板输送机健康状态评估方法，其特征在于，所述通过K近邻算法获得由传感器构成的节点之间的连接关系，包括：
使用K近邻方法，根据每个传感器节点的特征向量Xi找到每个传感器节点的K个近邻节点；
连接与各个传感器节点欧式距离最近的K个传感器节点。
3.根据权利要求1所述的基于图卷积网络的刮板输送机健康状态评估方法，其特征在于，所述获得训练好的变分自编码器，包括：
构建变分自编码器模型，包括编码器和解码器；
所述编码器包括多个神经网络层，用于将输入的刮板输送机监测指标数据映射为一维健康指标；
所述解码器用于将重采样得到的数据映射回原始数据空间，生成重构数据；
使用损失函数计算重构数据与输入的刮板输送机监测指标数据的差距，所述损失函数为：
Lvae＝-KL[q(z)||N(0,I)]+Eq(z|x)(log(p(x|z))) (9)
其中，q(z)是一维健康指标概率分布，N(0,I)是标准正态分布，KL[q(z)||N(0,I)]是一维健康指标概率分布与标准正态分布之间的KL散度；Eq(z|x)(log(p(x|z)))是重构数据与输入的刮板输送机监测指标数据的误差；
通过优化算法最小化损失函数，当损失函数收敛时获得训练好的变分自编码器。
4.根据权利要求1所述的基于图卷积网络的刮板输送机健康状态评估方法，其特征在于，所述根据刮板输送机健康状态指标曲线将刮板输送机监测指标数据划分为不同的等级，包括：
将与刮板输送机健康状态指标曲线区间[α0，β0)对应的刮板输送机监测指标数据划分为健康数据，其等级标签为0；
将与刮板输送机健康状态指标曲线区间[α1，β1)对应的刮板输送机监测指标数据划分为良好数据，其等级标签为1；
将与刮板输送机健康状态指标曲线区间[α2，β2)对应的刮板输送机监测指标数据划分为恶化数据，其等级标签为2；
将与刮板输送机健康状态指标曲线区间[α3，β3)对应的刮板输送机监测指标数据划分为故障数据，其等级标签为3；
其中，α0～α3、β0～β3是结合刮板输送机健康状态指标曲线、刮板输送机真实运行情况、专家经验所获得的等级划分阈值。
5.根据权利要求1所述的基于图卷积网络的刮板输送机健康状态评估方法，其特征在于，所述图卷积网络GCN对输入的传感器交互图结构的判断结果，包括：
将传感器交互图结构输入图卷积网络GCN进行图卷积：
其中，
IN是N阶单位矩阵，/>是对角矩阵，其对角元素为/>σ是激活函数；/>是待学习网络的参数矩阵，r表示输出的维数，/>是节点特征矩阵，是将特征矩阵X中的当前时刻的每个节点特征取出所构造的节点特征矩阵，/>是一次图卷积的输出矩阵；
进行多次图卷积，将多次图卷积获得的输出矩阵Z中的每个节点特征进行级联或求和，得到每张图结构的特征；
将每张图结构的特征输入softmax分类器进行健康状态识别，输出健康状态识别结果，所述健康状态识别结果包括：健康、良好、恶化、故障。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311412381.XA CN117142009B (zh) | 2023-10-30 | 2023-10-30 | 一种基于图卷积网络的刮板输送机健康状态评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311412381.XA CN117142009B (zh) | 2023-10-30 | 2023-10-30 | 一种基于图卷积网络的刮板输送机健康状态评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117142009A CN117142009A (zh) | 2023-12-01 |
| CN117142009B true CN117142009B (zh) | 2024-03-15 |
Family
ID=88908434
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311412381.XA Active CN117142009B (zh) | 2023-10-30 | 2023-10-30 | 一种基于图卷积网络的刮板输送机健康状态评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117142009B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117932322B (zh) * | 2024-03-22 | 2024-06-04 | 山东冠县鑫恒祥面业有限公司 | 一种面粉设备故障诊断方法及*** |
| CN118062489A (zh) * | 2024-04-19 | 2024-05-24 | 山东科技大学 | 刮板输送机链传动张力脉动实时监测与控制*** |
Citations (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR1602068A (zh) * | 1968-01-02 | 1970-10-05 | ||
| AU4217593A (en) * | 1992-08-10 | 1994-02-17 | Pit Top Mining Pty Ltd | Conveyor scraping system |
| DE29721296U1 (de) * | 1997-12-02 | 1998-02-05 | SMD-Fördertechnik GmbH, 42477 Radevormwald | Gelenkkette und Stetigförderer |
| US6142291A (en) * | 1998-12-31 | 2000-11-07 | Sidney Manufacturing Company | Self-cleaning inclined section for drag conveyor |
| US6170642B1 (en) * | 1997-05-30 | 2001-01-09 | Investronica Sistemas S.A. | Aerial system for transportation, storage, classification and control of light products |
| JP2012147126A (ja) * | 2011-01-07 | 2012-08-02 | Fujifilm Corp | 濃度むら補正値算出方法及び画像処理方法並びに画像処理装置 |
| CN103213820A (zh) * | 2013-04-11 | 2013-07-24 | 湖北博尔德科技股份有限公司 | 一种埋刮板散料输送设备智能检测方法及设备 |
| CN103662636A (zh) * | 2013-11-29 | 2014-03-26 | 西安重装蒲白煤矿机械有限公司 | 一种自润滑耐磨轻型刮板机溜槽及其制造方法 |
| CN104003141A (zh) * | 2014-04-21 | 2014-08-27 | 中国矿业大学 | 一种刮板运输机无线监控装置及方法 |
| CN104444227A (zh) * | 2014-09-30 | 2015-03-25 | 宁夏天地奔牛实业集团有限公司 | 采煤工作面刮板输送机断链的监测装置和方法 |
| CN106115178A (zh) * | 2016-07-27 | 2016-11-16 | 西安重装蒲白煤矿机械有限公司 | 一种组合式连接端头及其制备方法 |
| AU2018101509A4 (en) * | 2018-02-21 | 2018-12-13 | Wear Systems Solutions Pty Ltd | Conveyor belt wear assessment and conveyor belt coating |
| CN109911550A (zh) * | 2019-04-17 | 2019-06-21 | 华夏天信（北京）智能低碳技术研究院有限公司 | 基于红外热成像与可见光视频分析的刮板运输机保护装置 |
| CN110344882A (zh) * | 2019-07-24 | 2019-10-18 | 精英数智科技股份有限公司 | 监控刮板输送机工作人员操作的方法、***及存储介质 |
| CN110422588A (zh) * | 2019-07-29 | 2019-11-08 | 精英数智科技股份有限公司 | 刮板输送机的监测方法、装置、设备和存储介质 |
| CN111735670A (zh) * | 2020-07-15 | 2020-10-02 | 辽宁机电职业技术学院 | 一种皮带中部采样器及其控制方法 |
| CN111924427A (zh) * | 2020-07-16 | 2020-11-13 | 精英数智科技股份有限公司 | 一种刮板输送机飘链故障识别方法、装置及电子设备 |
| US10882700B1 (en) * | 2019-06-26 | 2021-01-05 | China University Of Mining And Technology | Embedded scraper rotation angle detection device for scraper conveyor and detection method |
| CN112193727A (zh) * | 2020-09-11 | 2021-01-08 | 徐州工程学院 | 基于多传感融合的刮板输送机健康管理***及运行方法 |
| CN112215352A (zh) * | 2020-09-28 | 2021-01-12 | 武汉科技大学 | 基于bp神经网络算法输送带跑偏预测预警的***及预测预警方法 |
| CN113184483A (zh) * | 2021-04-22 | 2021-07-30 | 武汉菲舍控制技术有限公司 | 一种输送带防撕裂***及预警方法 |
| CN113375933A (zh) * | 2021-05-31 | 2021-09-10 | 中国矿业大学 | 一种刮板输送机故障诊断***和诊断方法 |
| CN113567159A (zh) * | 2021-06-17 | 2021-10-29 | 太原理工大学 | 一种基于边云协同的刮板输送机状态监测及故障诊断方法 |
| US11353889B1 (en) * | 2021-06-16 | 2022-06-07 | Beta Air, Llc | System for electric aircraft navigation |
| CN114940343A (zh) * | 2022-05-24 | 2022-08-26 | 无锡雪浪数制科技有限公司 | 一种基于深度学习的双链刮板输送机异常检测方法 |
| CN115272980A (zh) * | 2022-09-22 | 2022-11-01 | 常州海图信息科技股份有限公司 | 一种基于机器视觉的运输皮带表面检测方法及*** |
| CN115577309A (zh) * | 2022-09-27 | 2023-01-06 | 上海交通大学 | 带式输送机突发故障预警方法及*** |
| CN116142726A (zh) * | 2023-03-22 | 2023-05-23 | 山西潞安矿业(集团)有限责任公司 | 刮板运输机链传动***的故障监测预警*** |
| CN116576363A (zh) * | 2023-04-17 | 2023-08-11 | 中国矿业大学 | 一种音频、高光谱、相机融合的煤岩识别装置及方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9067728B2 (en) * | 2012-03-01 | 2015-06-30 | Clasen Quality Coatings, Inc. | Container including a magnetically operated scraper |
| EP3241646B1 (en) * | 2016-05-03 | 2018-09-19 | Comau S.p.A. | Production line |
| EP3530360A1 (de) * | 2018-02-21 | 2019-08-28 | Siemens Aktiengesellschaft | Erkennung von nicht förderfähigen sendungen |
| US10947049B2 (en) * | 2018-04-06 | 2021-03-16 | Sst Systems, Inc. | Conveyor system with automated carriers |
| CA3041600A1 (en) * | 2019-04-25 | 2020-10-25 | The Dun & Bradstreet Corporation | Machine learning classifier for identifying internet service providers from website tracking |
| US11363909B2 (en) * | 2020-04-15 | 2022-06-21 | Air Products And Chemicals, Inc. | Sensor device for providing control for a food processing system |
-
2023
- 2023-10-30 CN CN202311412381.XA patent/CN117142009B/zh active Active
Patent Citations (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR1602068A (zh) * | 1968-01-02 | 1970-10-05 | ||
| AU4217593A (en) * | 1992-08-10 | 1994-02-17 | Pit Top Mining Pty Ltd | Conveyor scraping system |
| US6170642B1 (en) * | 1997-05-30 | 2001-01-09 | Investronica Sistemas S.A. | Aerial system for transportation, storage, classification and control of light products |
| DE29721296U1 (de) * | 1997-12-02 | 1998-02-05 | SMD-Fördertechnik GmbH, 42477 Radevormwald | Gelenkkette und Stetigförderer |
| US6142291A (en) * | 1998-12-31 | 2000-11-07 | Sidney Manufacturing Company | Self-cleaning inclined section for drag conveyor |
| JP2012147126A (ja) * | 2011-01-07 | 2012-08-02 | Fujifilm Corp | 濃度むら補正値算出方法及び画像処理方法並びに画像処理装置 |
| CN103213820A (zh) * | 2013-04-11 | 2013-07-24 | 湖北博尔德科技股份有限公司 | 一种埋刮板散料输送设备智能检测方法及设备 |
| CN103662636A (zh) * | 2013-11-29 | 2014-03-26 | 西安重装蒲白煤矿机械有限公司 | 一种自润滑耐磨轻型刮板机溜槽及其制造方法 |
| CN104003141A (zh) * | 2014-04-21 | 2014-08-27 | 中国矿业大学 | 一种刮板运输机无线监控装置及方法 |
| CN104444227A (zh) * | 2014-09-30 | 2015-03-25 | 宁夏天地奔牛实业集团有限公司 | 采煤工作面刮板输送机断链的监测装置和方法 |
| CN106115178A (zh) * | 2016-07-27 | 2016-11-16 | 西安重装蒲白煤矿机械有限公司 | 一种组合式连接端头及其制备方法 |
| AU2018101509A4 (en) * | 2018-02-21 | 2018-12-13 | Wear Systems Solutions Pty Ltd | Conveyor belt wear assessment and conveyor belt coating |
| CN109911550A (zh) * | 2019-04-17 | 2019-06-21 | 华夏天信（北京）智能低碳技术研究院有限公司 | 基于红外热成像与可见光视频分析的刮板运输机保护装置 |
| US10882700B1 (en) * | 2019-06-26 | 2021-01-05 | China University Of Mining And Technology | Embedded scraper rotation angle detection device for scraper conveyor and detection method |
| CN110344882A (zh) * | 2019-07-24 | 2019-10-18 | 精英数智科技股份有限公司 | 监控刮板输送机工作人员操作的方法、***及存储介质 |
| CN110422588A (zh) * | 2019-07-29 | 2019-11-08 | 精英数智科技股份有限公司 | 刮板输送机的监测方法、装置、设备和存储介质 |
| CN111735670A (zh) * | 2020-07-15 | 2020-10-02 | 辽宁机电职业技术学院 | 一种皮带中部采样器及其控制方法 |
| CN111924427A (zh) * | 2020-07-16 | 2020-11-13 | 精英数智科技股份有限公司 | 一种刮板输送机飘链故障识别方法、装置及电子设备 |
| CN112193727A (zh) * | 2020-09-11 | 2021-01-08 | 徐州工程学院 | 基于多传感融合的刮板输送机健康管理***及运行方法 |
| CN112215352A (zh) * | 2020-09-28 | 2021-01-12 | 武汉科技大学 | 基于bp神经网络算法输送带跑偏预测预警的***及预测预警方法 |
| CN113184483A (zh) * | 2021-04-22 | 2021-07-30 | 武汉菲舍控制技术有限公司 | 一种输送带防撕裂***及预警方法 |
| CN113375933A (zh) * | 2021-05-31 | 2021-09-10 | 中国矿业大学 | 一种刮板输送机故障诊断***和诊断方法 |
| US11353889B1 (en) * | 2021-06-16 | 2022-06-07 | Beta Air, Llc | System for electric aircraft navigation |
| CN113567159A (zh) * | 2021-06-17 | 2021-10-29 | 太原理工大学 | 一种基于边云协同的刮板输送机状态监测及故障诊断方法 |
| CN114940343A (zh) * | 2022-05-24 | 2022-08-26 | 无锡雪浪数制科技有限公司 | 一种基于深度学习的双链刮板输送机异常检测方法 |
| CN115272980A (zh) * | 2022-09-22 | 2022-11-01 | 常州海图信息科技股份有限公司 | 一种基于机器视觉的运输皮带表面检测方法及*** |
| CN115577309A (zh) * | 2022-09-27 | 2023-01-06 | 上海交通大学 | 带式输送机突发故障预警方法及*** |
| CN116142726A (zh) * | 2023-03-22 | 2023-05-23 | 山西潞安矿业(集团)有限责任公司 | 刮板运输机链传动***的故障监测预警*** |
| CN116576363A (zh) * | 2023-04-17 | 2023-08-11 | 中国矿业大学 | 一种音频、高光谱、相机融合的煤岩识别装置及方法 |
Non-Patent Citations (3)
| Title |
|---|
| 周昭茂等.电力需求侧管理技术支持***.中国电力出版社,2007,(第1版),218. * |
| 基于小波分析的刮板输送机断链故障检测***;温晓荣等;电气与自动化;216-219 * |
| 赵文才等.煤矿智能化技术.煤炭工业出版社,2020,(第1版),214. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117142009A (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117142009B (zh) | 一种基于图卷积网络的刮板输送机健康状态评估方法 | |
| Chen et al. | Anomaly detection and critical SCADA parameters identification for wind turbines based on LSTM-AE neural network | |
| Rezamand et al. | Critical wind turbine components prognostics: A comprehensive review | |
| Udo et al. | Data-driven predictive maintenance of wind turbine based on SCADA data | |
| CN114282443B (zh) | 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法 | |
| Xu et al. | A novel health indicator for intelligent prediction of rolling bearing remaining useful life based on unsupervised learning model | |
| CN117234785B (zh) | 基于人工智能自查询的集控平台错误分析*** | |
| CN110757510A (zh) | 一种机器人剩余寿命预测方法及*** | |
| CN114519923A (zh) | 一种电厂智能诊断预警方法和*** | |
| Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
| CN113962308A (zh) | 一种航空设备故障预测方法 | |
| Terbuch et al. | Detecting anomalous multivariate time-series via hybrid machine learning | |
| CN116520806A (zh) | 一种工业***智能故障诊断***及其方法 | |
| Zhu et al. | RGCNU: recurrent graph convolutional network with uncertainty estimation for remaining useful life prediction | |
| Ding et al. | Artificial intelligence based abnormal detection system and method for wind power equipment | |
| CN112016800B (zh) | 一种基于有效性指标的特征选择方法与*** | |
| Dang et al. | seq2graph: Discovering dynamic non-linear dependencies from multivariate time series | |
| CN113084193A (zh) | 一种激光选区熔化技术原位质量综合评价方法 | |
| Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
| CN117060353A (zh) | 基于前馈神经网络高压直流输电***故障诊断方法及*** | |
| Jastrzebska et al. | Measuring wind turbine health using fuzzy-concept-based drifting models | |
| CN113551904B (zh) | 基于层次机器学习的齿轮箱多类型并发故障诊断方法 | |
| CN114638039A (zh) | 一种基于低秩矩阵恢复的结构健康监测特征数据解释方法 | |
| Song et al. | Anomaly detection of wind turbine generator based on temporal information | |
| Yuan et al. | Deep learning approach to multiple features sequence analysis in predictive maintenance |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Su Le Inventor after: Zhai Lina Inventor after: Zhao Chenglong Inventor after: Yang Huan Inventor after: Zhang Tianliang Inventor after: Wang Huanle Inventor after: Cheng Yongjun Inventor after: Wang Meng Inventor after: Wang Bo Inventor after: Yang Xiongwei Inventor after: Feng Jiong Inventor before: Su Le Inventor before: Zhai Lina Inventor before: Zhao Chenglong Inventor before: Yang Huan Inventor before: Zhang Tianliang Inventor before: Wang Huanle Inventor before: Cheng Yongjun Inventor before: Wang Meng Inventor before: Wang Bo Inventor before: Yang Xiongwei Inventor before: Feng Jiong |
|
| CB03 | Change of inventor or designer information | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240204 Address after: 715517, approximately 200 meters east of Dongfang Road residential community in Pucheng County, Weinan City, Shaanxi Province, Xi'an Zhongzhuang Pubai Coal Mine Machinery Co.,Ltd. Applicant after: XI'AN HEAVY EQUIPMENT PUBAI COAL MINING MACHINERY Ltd. Country or region after: China Address before: Small and Micro Park, Xiaotunzhuang Village, Huangzhai Town, Yangqu County, Taiyuan City, Shanxi Province, 030100 Applicant before: Shanxi Haicheng Intelligent Manufacturing Co.,Ltd. Country or region before: China Applicant before: XI'AN HEAVY EQUIPMENT PUBAI COAL MINING MACHINERY Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |