CN118090201A - 一种矿用永磁同步电动滚筒故障诊断方法 - Google Patents
一种矿用永磁同步电动滚筒故障诊断方法 Download PDFInfo
- Publication number
- CN118090201A CN118090201A CN202410510024.5A CN202410510024A CN118090201A CN 118090201 A CN118090201 A CN 118090201A CN 202410510024 A CN202410510024 A CN 202410510024A CN 118090201 A CN118090201 A CN 118090201A
- Authority
- CN
- China
- Prior art keywords
- temperature
- data vector
- sampling
- signal
- sampling moment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000005065 mining Methods 0.000 title claims abstract description 26
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 22
- 238000003745 diagnosis Methods 0.000 title claims abstract description 18
- 239000013598 vector Substances 0.000 claims abstract description 143
- 238000009826 distribution Methods 0.000 claims abstract description 58
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 24
- 238000004519 manufacturing process Methods 0.000 claims abstract description 20
- 238000005070 sampling Methods 0.000 claims description 160
- 238000001514 detection method Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 230000020169 heat generation Effects 0.000 description 18
- 238000012549 training Methods 0.000 description 5
- 238000010438 heat treatment Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006698 induction Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Control Of Electric Motors In General (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种矿用永磁同步电动滚筒故障诊断方法,该方法包括:根据转速数据向量构建转速频率变异度、转速能量变异度、转速能量波动倾向;结合温度数据向量的分解信号特征构建热能生产空间分布权重;对温度数据向量以及负载数据向量的分解信号的频域、幅值特征的差异程度进行分析,构建负载与热能契合权重;构建增强温度预测合信号,对滚筒电机温度进行预测,基于预测的温度值结合不同位置的温度分布情况构建热值产生点空间非对称度、热值产生点内偏度,结合SVM完成对滚筒电机故障的判断。从而提前识别永磁电机的潜在故障,并保证故障识别的准确性。
Description
技术领域
本申请涉及数据处理技术领域,具体涉及一种矿用永磁同步电动滚筒故障诊断方法。
背景技术
带式输送机在矿工业中扮演着重要的角色,而矿用永磁滚筒电机则是带式输送机的核心动力部件。由于带式输送机通常用于长距离物料运输,其具有成本低、输送能力强等优点,因此被广泛应用。然而,当永磁滚筒电机因故障或过载而产生异常温升时,若未能及时排查处理,可能会对带式输送机的正常运转造成影响,甚至可能引发火灾等严重安全事故,给人员和经济造成无法估量的损失。
为避免损失,需要对矿用永磁滚筒电机进行温度预测,提前发出过温预警并据此调节滚筒电机的散热方案,避免因滚筒电机过热进而导致设备出现故障。传统的永磁电机故障检测方法往往依赖于周期性的维护检查或基于阈值的警报***,这种方法无法实时监测并预测永磁电机在长时间过热状态下可能出现的故障风险。由于永磁体磁性下降可能导致能量转换效率下降和设备输出功率减少,如果无法及时发现和处理这些问题,可能会造成严重的损失和生产中断。
发明内容
为了解决上述技术问题,本发明提供一种矿用永磁同步电动滚筒故障诊断方法,以解决现有的问题。
本发明的一种矿用永磁同步电动滚筒故障诊断方法采用如下技术方案:
本发明一个实施例提供了一种矿用永磁同步电动滚筒故障诊断方法,该方法包括以下步骤:
将各采样时刻之前预设时间长度的所有采样时刻的滚筒电机平均负载、转速以及任一传感器位置的温度数据,按照时间顺序组成的向量作为各采样时刻的负载数据向量、转速数据向量以及任一传感器位置的温度数据向量;
对各采样时刻的负载数据向量以及所有传感器位置的温度数据向量进行模态分解产生的各分信号划分窗口,根据各传感器位置的温度数据向量各分信号在各窗口的形状特征得到各传感器位置的热能波动强度系数;根据各采样时刻的转速数据向量在所有窗口的频域特征分布得到各采样时刻的转速频率变异度、转速能量变异度、转速能量波动倾向;采用各传感器的位置分布对各采样时刻的转速能量变异度、转速频率变异度进行加权,结合热能波动强度系数得到各采样时刻各传感器位置的热能生产空间分布权重;根据负载数据向量以及温度数据向量各分信号的信号分布特征得到温度数据向量各分信号的负载与热能契合权重;
根据各采样时刻所有传感器位置的热能生产空间分布权重以及温度数据向量各分信号的负载与热能契合权重得到各采样时刻的增强温度预测合信号;根据各采样时刻所有传感器位置的温度数据向量以及增强温度预测合信号结合神经网络得到滚筒电机各采样时刻的温度预测值;
根据滚筒电机各采样时刻的温度预测值以及关于滚筒中心轴线对称位置传感器对应采样时刻数据的差异程度得到各采样时刻的热值产生点空间非对称度;根据各采样时刻的转速能量波动倾向结合滚筒中心轴线的传感器温度的分布特征得到各采样时刻的热值产生点内偏度;
根据当前采样时刻的热值产生点空间非对称度以及热值产生点内偏度采用分类模型完成对滚筒电机故障的判断。
优选的,所述根据各传感器位置的温度数据向量各分信号在各窗口的形状特征得到各传感器位置的热能波动强度系数,包括:
对于各采样时刻,将各传感器位置的温度数据向量各分信号在每个窗口中形成的拟合曲线与x轴构成的面积作为温度分信号面积,分别计算所有窗口所述温度分信号面积的标准差、平均值以及和值,将所述标准差与所述均值的比值作为各传感器位置的温度数据向量各分信号的温度分量波动强度;将所述和值作为各传感器位置的温度数据向量各分信号的温度信号强度占比;
各传感器位置的热能波动强度系数表达式为:
式中,是第i行第j列传感器位置的热能波动强度系数,N是EMD分解的分信号个数,/>是第i行第j列传感器位置的温度数据向量的第n个分信号的温度分量波动强度,/>分别是第i行第j列传感器位置的温度数据向量的第n个、第n+1个分信号的温度信号分量强度占比。
优选的,所述根据各采样时刻的转速数据向量在所有窗口的频域特征分布得到各采样时刻的转速频率变异度、转速能量变异度、转速能量波动倾向,具体为:
对于各采样时刻的转速数据向量,基于每个窗口采用频域分析算法,获取每个窗口的中心频率,计算每个窗口与相邻前一窗口的所述中心频率的差值绝对值,计算所有窗口的所述差值绝对值的均值,计算所有窗口所述中心频率的求平均结果;将所述均值与所述求平均结果的比值作为各采样时刻的转速频率变异度;
将每个窗口中转速数据向量形成的拟合曲线与x轴构成的面积作为转动能量,采用与所述转速频率变异度相同的计算方法,根据转动能量,获取各采样时刻的转速能量变异度;
计算每个窗口的转动能量与相邻前一窗口的转动能量的差值,计算所有窗口计算所得的差值均值,获取所有窗口的转动能量均值,将所述差值均值与所述转动能量均值的比值作为各采样时刻的转速能量波动倾向。
优选的,所述采用各传感器的位置分布对各采样时刻的转速能量变异度、转速频率变异度进行加权,结合热能波动强度系数得到各采样时刻各传感器位置的热能生产空间分布权重,具体为:
计算所有传感器距离滚筒中心轴线的欧式距离的累计和,将各传感器位置距离滚筒中心轴线的欧式距离与所述累计和的比值作为各传感器位置的归一化空间距离权重;
将所述归一化空间距离权重与各采样时刻的转速频率变异度的乘积作为第一乘积;计算1与所述归一化空间距离权重的差值;将所述差值与各采样时刻的转速能量变异度的乘积作为第二乘积;计算所述第一乘积与所述第二乘积的和值;计算所述和值与各传感器位置的热能波动强度系数的乘积作为各采样时刻各传感器位置的热能生产空间分布权重。
优选的,所述根据负载数据向量以及温度数据向量各分信号的信号分布特征得到温度数据向量各分信号的负载与热能契合权重,具体为:
针对各采样时刻,采用与所述温度分信号面积相同的计算方法,根据负载数据向量各分信号,获取每个窗口的负载信号窗口面积;
采用频域分析算法分别获取负载数据向量、任一传感器位置的温度数据向量各分信号的中心频率;
将负载数据向量各分信号的信号熵作为各分信号的负载分信号熵;
所述任一传感器位置的温度数据向量各分信号的负载与热能契合权重表达式为:
式中,是第i行第j列传感器位置的温度数据向量第n个分信号的负载与热能契合权重,/>是第n个分信号的负载分信号熵,N是EMD分解的分信号个数,M是窗口数量,/>是第i行第j列传感器位置的温度数据向量第n个分信号第m个窗口的温度分信号面积,/>是第n个分信号第m个窗口的负载分信号面积,/>是负载数据向量的第n个分信号的中心频率,/>是第i行第j列传感器位置的温度数据向量的第n个分信号的中心频率。
优选的,所述得到各采样时刻的增强温度预测合信号,具体为:
对于各采样时刻各传感器位置的温度数据向量的各分信号,将各分信号的负载与热能契合权重的归一化值作为权重,对所有分信号进行EMD分解信号合成得到各采样时刻各传感器位置的增强数据向量;
将任一传感器位置的热能生产空间分布权重的归一化值作为任一传感器位置的权重,对各采样时刻所有传感器位置的增强数据向量与温度数据向量进行加权求和,组成各采样时刻的增强温度预测合信号。
优选的,所述根据各采样时刻所有传感器位置的温度数据向量以及增强温度预测合信号结合神经网络得到滚筒电机各采样时刻的温度预测值,包括:
计算各采样时刻所有传感器位置的温度数据向量中同一位置的元素的均值,将温度数据向量所有位置元素的所述均值组成的向量作为各采样时刻的滚筒温度数据向量;将各采样时刻的增强温度预测合信号以及滚筒温度数据向量作为LSTM神经网络模型的输入,输出为各采样时刻的温度预测值。
优选的,所述得到各采样时刻的热值产生点空间非对称度,包括:
将与滚筒中心轴线距离相等的传感器作为同一类;将各采样时刻任一类传感器的温度均值保存为各采样时刻任一类的环状均温;将各采样时刻所有类的环状均温的平均值作为各采样时刻的实际温度;
将各采样时刻预设时刻之前的采样时刻保存为各采样时刻的对称延时时间;
各采样时刻的热值产生点空间非对称度,表达式为:
式中,是第t个采样时刻的热值产生点空间非对称度,I、J分别是温度传感器阵列的行数和列数,/>是滚筒在第t个采样时刻对称延时时间,/>、/>分别是第i行第j列传感器位置第t个采样时刻、第I-i行第j列传感器位置/>时刻的热能波动强度系数,/>、/>分别是第i行第j列传感器位置第t个采样时刻、第I-i行第j列传感器位置第/>个采样时刻的温度数据向量第n个分信号的温度分量波动强度,/>是第t-1个采样时刻的温度预测值,/>是第t个采样时刻的实际温度。
优选的,所述根据各采样时刻的转速能量波动倾向结合滚筒中心轴线的传感器温度的分布特征得到各采样时刻的热值产生点内偏度,具体表达式为:
式中,是第t个采样时刻的热值产生点内偏度,/>是第t个采样时刻的转速能量波动倾向,D是环状温度总数,/>是第t-1个采样时刻的预测温度,/>、/>分别是第d、d+1类温度传感器的环状均温。优选的,所述根据当前采样时刻的热值产生点空间非对称度以及热值产生点内偏度采用分类模型完成对滚筒电机故障的判断,包括:
将当前采样时刻的热值产生点空间非对称度以及热值产生点内偏度作为分类模型的输入,输出为当前时刻的滚筒故障检测结果,所述滚筒故障检测结果包括:低故障风险、高故障风险。
本发明至少具有如下有益效果:
本发明通过对称传感器位置的热能波动强度系数的比较,表征滚筒电机产热的不均匀程度,结合温度分量波动强度消除因为电机转子自身转速变化带来的温度不均匀分布程度影响,基于预测温度和实际温度的差异,构建热值产生点空间非对称度,表征产热的空间分布不对称程度,提取到滚筒电机局部发生故障的可能性。
进一步,基于预测温度与环状温度的分布差异,得到热值内偏度;同时通过转速能量波动倾向消除因为电机转子的产热不均匀带来的温度空间影响,得到热值产生点内偏度,表征滚筒电机的产热内外分布情况,表征滚筒电机的产热空间分布混乱程度,通过SVM算法完成永磁滚筒电机的故障判断,相比于传统的永磁电机故障检测方法能够提前识别永磁电机的潜在故障,并对设备故障进行实时监测,确保设备的正常运行和高效性能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明提供的一种矿用永磁同步电动滚筒故障诊断方法的流程图;
图2为温度传感器阵列示意图;
图3为热值产生点内偏度和热值产生点空间非对称度的获取流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种矿用永磁同步电动滚筒故障诊断方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种矿用永磁同步电动滚筒故障诊断方法的具体方案。
本发明一个实施例提供的一种矿用永磁同步电动滚筒故障诊断方法。
具体的,提供了如下的一种矿用永磁同步电动滚筒故障诊断方法,请参阅图1,该方法包括以下步骤:
步骤S1:采集矿用永磁滚筒电机相关数据,并对数据进行预处理。
在带式传输机的进出口安装电子秤,对当前时刻传输机的负载进行计算:将该条传送带上第t个采样时刻的负载重量与滚筒电机数量的比值保存为第t个采样时刻的滚筒电机平均负载,构成第T个采样时刻的负载数据向量/>。
在目标滚筒电机安装转速检测器,将目标滚筒电机第t个采样时刻的转速保存为,构成第T个采样时刻的转速数据向量/>。
对目标滚筒电机安装温度传感器阵列,温度传感器阵列示意图如图2所示。滚筒电机圆柱体沿轴线的竖截面,竖截面是一个矩形,在该矩形上均匀安装I×J的矩形温度传感器阵列,将第i行第j列传感器位置第t个采样时刻的温度数据保存为,构成第T个采样时刻的第i行第j列传感器位置的温度数据向量/>。
需要说明的是,本实施例中的负载数据向量、转速数据向量以及温度数据向量都是按照时间顺序排列的,另外,本实施例中设置采样间隔为0.1秒,采样长度为200,与滚筒中心轴线平行的为温度传感器阵列的行数,其中,温度传感器阵列的行数为9,列数为14。实施者可根据实际情况自行调整。
至此,获取负载数据向量、转速数据向量以及温度数据向量。
步骤S2:基于温度数据向量、负载数据向量对应分解信号在各窗口中的频域特征、形状特征进行分析,结合转速数据向量,构建热能波动强度系数、热能生产空间分布权重以及负载与热能契合权重。
滚筒电机在运行过程中,会因为零件之间的机械摩擦以及电动转子的电感热而产生热量,从而导致温度升高。对于这种情况,需要对不同位置的温度产生情况进行监测。不同位置的零部件在运行时会受到不同程度的摩擦和热量影响,因此监测不同位置的温度可以帮助了解各个部件的工作状态和热量分布情况,有助于及时发现可能存在的问题并采取相应的维护措施。对于非自我产生热能的滚筒部位,其温度变化主要是由热传递引起的,因此其温度变化较为平缓;而自我产热的滚动部位,其温度变化包括其自我产热,而无论是机械摩擦还是转子电感热,其热能产生都会因为间断的摩擦或电流的不稳定出现波动,进而导致其温度变化波动幅度较大,出现较多的高频分量。
本实施例针对某一采样时刻的数据进行分析,分别将第i行第j列传感器位置的温度数据向量以及负载数据向量作为输入,采用EMD经验模态分解算法,则数据向量对应输出N个EMD分解信号,将EMD分解信号简称为分信号,本实施例中设置N=7,其中,将第i行第j列传感器位置的温度数据向量的第n个分信号保存为温度分信号,将负载数据向量的第n个分信号保存为负载分信号/>。对所有输出的分解信号采用快速傅里叶变化算法获取对应分信号的频谱,将频谱分布的峰值所在频率作为中心频率,其中,将第i行第j列传感器位置的温度数据向量的第n个分信号的中心频率保存为/>,将负载数据向量的第n个分信号的中心频率保存为/>。需要说明的是,EMD经验模态分解算法、快速傅里叶变化算法为本领域公知技术不再赘述。
对温度分信号按照窗口长度W进行计算,本实施例中窗口长度W取值为20。计算第m个窗口中形成的拟合曲线与x轴构成的面积保存为温度分信号面积/>;计算所有温度分信号面积的标准差与平均值,将标准差与平均值的比值保存为温度分量波动强度;将所有温度分信号面积的和值作为第n个分信号温度信号分量强度占比。
由此计算热能波动强度系数,表达式为:
式中,是第i行第j列传感器位置的热能波动强度系数,N是EMD分解的分信号个数,/>是第i行第j列传感器位置的温度数据向量的第n个分信号的温度分量波动强度,/>分别是第i行第j列传感器位置的温度数据向量的第n个、第n+1个分信号的温度信号分量强度占比。
温度分量波动强度越大,代表第n个分信号的温度波动越大,对应位置越有可能是滚筒电机中产热的地方;第n个分信号的温度信号分量强度占比进行归一化后作为温度分量波动强度的权重,权重值越大代表第n个分信号表征的温度能量数据越多,因此第n个分信号的温度分量波动强度在用于判断该位置处是否为产热部位的判断权重越大;当EMD的迭代次数逐渐增加时,对应分信号的频率逐渐减小,分信号的幅值逐渐增加,将n+1个分信号减去第n个分信号的温度信号分量强度占比,值越大代表第n+1个分信号与第n个分信号的强度差异越大,则代表原始温度信号中的高频分量占比越小,其温度变化越平滑,其对应位置越不可能是产热的部位。
对各采样时刻的转速数据向量按照窗口长度W采用快速傅里叶变换算法进行计算,其中,将第m个窗口的中心频率记为,计算各窗口的中心频率与相邻前一窗口的中心频率的差值绝对值,计算所有窗口计算所得的差值绝对值的均值,并计算与中心频率均值的比值,保存为转速频率变异度;将第m个窗口中形成的拟合曲线与x轴构成的面积记为转动能量/>,计算各窗口的转动能量与相邻前一窗口的转动能量的差值绝对值,计算所有窗口计算所得的差值绝对值的均值,并计算与转动能量均值的比值,保存为转速能量变异度;计算各窗口的转动能量与相邻前一窗口的转动能量的差值,计算所有窗口计算所得的差值的均值,并计算与转动能量均值的比值,保存为转速能量波动倾向。
由此,计算热能生产空间分布权重,表达式为:
式中,是第i行第j列传感器位置的归一化空间距离权重,/>是第i行第j列传感器位置的热能生产空间分布权重,/>是第i行第j列传感器位置距离滚筒中心轴线的欧式距离,/>是第i行第j列传感器位置的热能波动强度系数,/>、/>分别是转速频率变异度、转速能量变异度,I、J分别为温度传感器阵列的行数、列数。将/>作为第一乘积,将/>作为第二乘积。
热能波动强度系数越大,该位置包含的温度预测信息越多,该位置的温度数据向量的空间权重就越大;转速频率变异度越大,代表电机转动的抖动情况变化越严重,则滚筒电机的外部摩擦产热的变化越剧烈,越靠近滚筒电机外部位置的温度数据向量有着更多的温度预测信息;转速能量变异度越大,代表电机自身的电流情况不稳定,电机内部的电感热导致的温度变化越严重,越靠近滚筒电机内部位置的温度数据向量有着更多的温度预测信息。
最终导致距离滚筒中心越近的位置,其热能生产空间分布权重中转速能量变异度的影响程度越大,反之转速频率变异度的影响程度越大。当电机转动的抖动情况小于电机自身的电流情况越不稳定时,会使靠近滚筒中心的传感器位置热能生产空间分布权重越大,反之则远离滚筒中心的传感器位置热能生产空间分布权重越大,该值能够动态调整滚筒电机上不同位置的温度数据向量的权重,使影响温度变化的数据特征更明显。
由此,计算负载与热能契合权重,表达式为:
式中,是第i行第j列传感器位置的温度数据向量第n个分信号的负载与热能契合权重,/>是第n个分信号的负载分信号熵,N是EMD分解的分信号个数,M是窗口数量,/>是第i行第j列传感器位置的温度数据向量第n个分信号第m个窗口的温度分信号面积,/>是第n个分信号第m个窗口的负载分信号面积,/>是负载数据向量的第n个分信号的中心频率,/>是第i行第j列传感器位置的温度数据向量的第n个分信号的中心频率。
需要说明的是,第n个分信号的负载分信号熵具体为负载数据向量的第n个分信号的信号熵。
负载分信号熵的值越大,代表该分信号包含的负载信息越多,在对比温度数据向量和负载数据向量的分信号时,负载分信号信息熵越大的分解次数,其权重应该越大。对负载分信号和温度分信号分别比较两者的窗口面积差异和中心频率差异,差异越大代表温度数据向量的热能信息与负载数据向量的变化差异越大,而滚筒电机的产热大小是随着负载的变化而变化的,因此所得差异越大代表对应位置温度数据向量包含的温度预测信息越少。最终获得负载与热能契合权重,值越大对应位置处对应分解次数下的分解信号的温度预测信息越少。
步骤S3:基于热能生产空间分布权重、负载与热能契合权重对分解信号进行合成,结合神经网络预测下一时刻的滚筒电机温度。
对于第i行第j列传感器位置的温度数据向量的所有分解信号,将各对应的进行归一化操作作为权重,对N个温度分信号进行EMD分解信号合成,输出为第i行第j列的增强温度数据向量;进一步将不同传感器位置的对应热能生产空间分布权重进行归一化操作作为权重,对I×J个增强温度数据向量进行加权求和,得到增强温度预测合信号,信号为一个长度为T的向量。最终所得信号对信号中表征温度变化趋势的部分特征信息进行了增强处理,能够更好的表达出信号中与温度预测相关的有效信息。其中,归一化、EMD分解信号合成为本领域公知技术不再赘述。
将I×J个温度数据向量的同一采样时刻的元素叠加求均值组成滚筒温度数据向量,获取1小时长度的增强温度预测合信号与滚筒温度数据向量作为LSTM神经网络模型的输入,输出为下一时刻的滚筒电机温度预测值TP,激活函数采用RLU函数,优化器采用Adma优化器,损失函数是通过当前时刻的温度预测值与下一时刻的滚筒温度数据向量元素均值的差值,最终得到训练好的LSTM神经网络模型。神经网络的训练过程为本领域公知技术。
最终通过对滚筒电机的温度数据实时计算,得到各采样时刻的增强温度预测合信号值和滚筒温度数据向量值作为输入,通过训练LSTM神经网络模型,输出为各采样时刻的滚筒电机温度预测值TP,完成对滚筒电机的温度预测。
步骤S4:基于预测的滚筒电机温度,构建热值产生点空间非对称度以及热值产生点内偏度。
基于预测的滚筒电机温度数据,本实施例通过对用电滚筒电机的温度分布进行特征计算,产热分布在滚筒的圆周上分布越不平衡,说明此时的滚筒出现局部故障的概率越大;温度分布越偏向滚筒内部而非外部,说明此时的滚筒电机的转子电感热占总体发热的比例越高,说明滚筒电机的永磁体磁性越差,其电感热效应越强,永磁滚动电机越可能正处于故障状态。
当滚筒的某一部位接触传送带并发生摩擦时,滚筒的对称部位可能并未与传送带接触,因此需要将滚筒部位与对称部位运动到同一旋转位置时的数据进行比较,获得第t个采样时刻的对称延时时间,即滚筒旋转半周之前对应的时刻。
进一步,传感器温度阵列根据其距离滚筒中心的距离进行分类,将与中心轴欧式距离相同的传感器分为同一类,其中第d类的温度均值记为环状均温,其中d越大代表距离滚筒中心越近;进一步将D个环状均温的均值记为实际温度TT。
由此,计算热值产生点空间非对称度,表达式为:
式中,是第t个采样时刻的热值产生点空间非对称度,I、J分别是温度传感器阵列的行数和列数,/>是滚筒在第t个采样时刻对称延时时间,/>、/>分别是第i行第j列传感器位置第t个采样时刻、第I-i行第j列传感器位置/>时刻的热能波动强度系数,/>、/>分别是第i行第j列传感器位置第t个采样时刻、第I-i行第j列传感器位置第/>个采样时刻的温度数据向量第n个分信号的温度分量波动强度,/>是第t-1个采样时刻的温度预测值,/>是第t个采样时刻的实际温度。
沿中心轴线对称的位置的热能波动强度系数之差越大,代表此时的热值的空间对称分布越不均匀,此时的滚筒出现局部故障的概率越大;温度分量波动强度越大,代表此时的热值随时间的变化强度越剧烈,此时热能波动强度系数之差可能是因为热值产生的时间差异导致的,因此计算相邻采样时刻的热能波动强度系数之间的差值绝对值,并除以对应采样时刻的实际温度,用来表征热值的空间对称分布不均与程度;当前采样时刻的温度和预测温度的差异越大,代表此时滚筒的温度分布越异常,此时出现故障的可能性越大。
最终,得到热值产生点空间非对称度,值越大代表滚筒电机越可能出现故障。
计算热值产生点内偏度:
式中,是第t个采样时刻的热值产生点内偏度,/>是第t个采样时刻的转速能量波动倾向,D是环状温度总数,/>是第t-1个采样时刻的预测温度,/>、/>分别是第d、d+1类温度传感器的环状均温。其中,热值产生点内偏度和热值产生点空间非对称度的获取流程图如图3所示。
按照温度传感器的环状分类,将环状均温与预测温度的差异按照从内到外的环状分类相减,即,记为热值内偏度,差值为正且越大代表了此时的热能产生部位越偏向滚筒电机内部,反之热能产生部位越偏向滚筒电机外部。当滚筒电机的产热部位越偏向内部时,说明此时滚筒电机处于故障的可能性越小。
转速能量波动倾向为正且值越大,代表短时间内的滚筒电机转子的产热正在增加,说明此时的滚筒电机转子的产生热能可能并未传导到电机外,达到温度的空间稳态分布,此时的热值内偏度中包含了该部分因转速能量波动分布不均带来的温度分布不均,因此其值越大代表此时的热值内偏度中包含了越多因转速能量波动的因素,因此将热值内偏度减去转速能量波动倾向得到热值产生点内偏度。
最终,热值产生点内偏度越大,代表此时的热值产生越靠近永磁滚筒电机的中心转子,此时的永磁滚筒电机越可能出现永磁体消磁故障。
步骤S5:通过SVM分类器判断永磁滚筒电机故障情况。
在每次通过人工检查永磁滚筒电机故障情况时,将其故障检测结果作为标签,标签分为{低故障风险,高故障风险}两种情况;进一步,获取永磁电机的传感器数据,计算各采样时刻的热值产生点空间非对称度和热值产生点内偏度作为输入数据。最终,每次人工检查永磁滚筒电机故障情况都获得一组数据,其中由两个输入数据和一个标签值构成。获得多组数据构成训练数据集。而后将训练数据集作为输入,采用SVM分类器进行训练,参数为默认参数,输出为训练好的决策函数。SVM分类器为本领域公知技术不再赘述。
在实际进行故障检测时,实时获取当前的滚筒电机传感器数据,计算出当前时刻热值产生点空间非对称度和热值产生点内偏度作为输入,输出为此时的滚筒电机故障判断,当评估为低故障风险时发出警报,保证矿场运输安全。
综上所述,本发明实施例通过对称传感器位置的热能波动强度系数的比较,表征滚筒电机产热的不均匀程度,结合温度分量波动强度消除因为电机转子自身转速变化带来的温度不均匀分布程度影响,基于预测温度和实际温度的差异,构建热值产生点空间非对称度,表征产热的空间分布不对称程度,提取到滚筒电机局部发生故障的可能性。
进一步,基于预测温度与环状温度的分布差异,得到热值内偏度;同时通过转速能量波动倾向消除因为电机转子的产热不均匀带来的温度空间影响,得到热值产生点内偏度,表征滚筒电机的产热内外分布情况,表征滚筒电机的产热空间分布混乱程度,通过SVM算法完成永磁滚筒电机的故障判断,相比于传统的永磁电机故障检测方法能够提前识别永磁电机的潜在故障,并对设备故障进行实时监测,确保设备的正常运行和高效性能。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种矿用永磁同步电动滚筒故障诊断方法,其特征在于,该方法包括以下步骤:
将各采样时刻之前预设时间长度的所有采样时刻的滚筒电机平均负载、转速以及任一传感器位置的温度数据,按照时间顺序组成的向量作为各采样时刻的负载数据向量、转速数据向量以及任一传感器位置的温度数据向量;
对各采样时刻的负载数据向量以及所有传感器位置的温度数据向量进行模态分解产生的各分信号划分窗口,根据各传感器位置的温度数据向量各分信号在各窗口的形状特征得到各传感器位置的热能波动强度系数;根据各采样时刻的转速数据向量在所有窗口的频域特征分布得到各采样时刻的转速频率变异度、转速能量变异度、转速能量波动倾向;采用各传感器的位置分布对各采样时刻的转速能量变异度、转速频率变异度进行加权,结合热能波动强度系数得到各采样时刻各传感器位置的热能生产空间分布权重;根据负载数据向量以及温度数据向量各分信号的信号分布特征得到温度数据向量各分信号的负载与热能契合权重;
根据各采样时刻所有传感器位置的热能生产空间分布权重以及温度数据向量各分信号的负载与热能契合权重得到各采样时刻的增强温度预测合信号;根据各采样时刻所有传感器位置的温度数据向量以及增强温度预测合信号结合神经网络得到滚筒电机各采样时刻的温度预测值;
根据滚筒电机各采样时刻的温度预测值以及关于滚筒中心轴线对称位置传感器对应采样时刻数据的差异程度得到各采样时刻的热值产生点空间非对称度;根据各采样时刻的转速能量波动倾向结合滚筒中心轴线的传感器温度的分布特征得到各采样时刻的热值产生点内偏度;
根据当前采样时刻的热值产生点空间非对称度以及热值产生点内偏度采用分类模型完成对滚筒电机故障的判断。
2.如权利要求1所述的一种矿用永磁同步电动滚筒故障诊断方法,其特征在于,所述根据各传感器位置的温度数据向量各分信号在各窗口的形状特征得到各传感器位置的热能波动强度系数,包括:
对于各采样时刻,将各传感器位置的温度数据向量各分信号在每个窗口中形成的拟合曲线与x轴构成的面积作为温度分信号面积,分别计算所有窗口所述温度分信号面积的标准差、平均值以及和值,将所述标准差与所述均值的比值作为各传感器位置的温度数据向量各分信号的温度分量波动强度;将所述和值作为各传感器位置的温度数据向量各分信号的温度信号强度占比;
各传感器位置的热能波动强度系数表达式为:
式中,是第i行第j列传感器位置的热能波动强度系数,N是EMD分解的分信号个数,是第i行第j列传感器位置的温度数据向量的第n个分信号的温度分量波动强度,分别是第i行第j列传感器位置的温度数据向量的第n个、第n+1个分信号的温度信号分量强度占比。
3.如权利要求1所述的一种矿用永磁同步电动滚筒故障诊断方法,其特征在于,所述根据各采样时刻的转速数据向量在所有窗口的频域特征分布得到各采样时刻的转速频率变异度、转速能量变异度、转速能量波动倾向,具体为:
对于各采样时刻的转速数据向量,基于每个窗口采用频域分析算法,获取每个窗口的中心频率,计算每个窗口与相邻前一窗口的所述中心频率的差值绝对值,计算所有窗口的所述差值绝对值的均值,计算所有窗口所述中心频率的求平均结果;将所述均值与所述求平均结果的比值作为各采样时刻的转速频率变异度;
将每个窗口中转速数据向量形成的拟合曲线与x轴构成的面积作为转动能量,采用与所述转速频率变异度相同的计算方法,根据转动能量,获取各采样时刻的转速能量变异度;
计算每个窗口的转动能量与相邻前一窗口的转动能量的差值,计算所有窗口计算所得的差值均值,获取所有窗口的转动能量均值,将所述差值均值与所述转动能量均值的比值作为各采样时刻的转速能量波动倾向。
4.如权利要求1所述的一种矿用永磁同步电动滚筒故障诊断方法,其特征在于,所述采用各传感器的位置分布对各采样时刻的转速能量变异度、转速频率变异度进行加权,结合热能波动强度系数得到各采样时刻各传感器位置的热能生产空间分布权重,具体为:
计算所有传感器距离滚筒中心轴线的欧式距离的累计和,将各传感器位置距离滚筒中心轴线的欧式距离与所述累计和的比值作为各传感器位置的归一化空间距离权重;
将所述归一化空间距离权重与各采样时刻的转速频率变异度的乘积作为第一乘积;计算1与所述归一化空间距离权重的差值;将所述差值与各采样时刻的转速能量变异度的乘积作为第二乘积;计算所述第一乘积与所述第二乘积的和值;计算所述和值与各传感器位置的热能波动强度系数的乘积作为各采样时刻各传感器位置的热能生产空间分布权重。
5.如权利要求2所述的一种矿用永磁同步电动滚筒故障诊断方法,其特征在于,所述根据负载数据向量以及温度数据向量各分信号的信号分布特征得到温度数据向量各分信号的负载与热能契合权重,具体为:
针对各采样时刻,采用与所述温度分信号面积相同的计算方法,根据负载数据向量各分信号,获取每个窗口的负载信号窗口面积;
采用频域分析算法分别获取负载数据向量、任一传感器位置的温度数据向量各分信号的中心频率;
将负载数据向量各分信号的信号熵作为各分信号的负载分信号熵;
所述任一传感器位置的温度数据向量各分信号的负载与热能契合权重表达式为:
式中,是第i行第j列传感器位置的温度数据向量第n个分信号的负载与热能契合权重,/>是第n个分信号的负载分信号熵,N是EMD分解的分信号个数,M是窗口数量,是第i行第j列传感器位置的温度数据向量第n个分信号第m个窗口的温度分信号面积,/>是第n个分信号第m个窗口的负载分信号面积,/>是负载数据向量的第n个分信号的中心频率,/>是第i行第j列传感器位置的温度数据向量的第n个分信号的中心频率。
6.如权利要求1所述的一种矿用永磁同步电动滚筒故障诊断方法,其特征在于,所述得到各采样时刻的增强温度预测合信号,具体为:
对于各采样时刻各传感器位置的温度数据向量的各分信号,将各分信号的负载与热能契合权重的归一化值作为权重,对所有分信号进行EMD分解信号合成得到各采样时刻各传感器位置的增强数据向量;
将任一传感器位置的热能生产空间分布权重的归一化值作为任一传感器位置的权重,对各采样时刻所有传感器位置的增强数据向量与温度数据向量进行加权求和,组成各采样时刻的增强温度预测合信号。
7.如权利要求1所述的一种矿用永磁同步电动滚筒故障诊断方法,其特征在于,所述根据各采样时刻所有传感器位置的温度数据向量以及增强温度预测合信号结合神经网络得到滚筒电机各采样时刻的温度预测值,包括:
计算各采样时刻所有传感器位置的温度数据向量中同一位置的元素的均值,将温度数据向量所有位置元素的所述均值组成的向量作为各采样时刻的滚筒温度数据向量;将各采样时刻的增强温度预测合信号以及滚筒温度数据向量作为LSTM神经网络模型的输入,输出为各采样时刻的温度预测值。
8.如权利要求1所述的一种矿用永磁同步电动滚筒故障诊断方法,其特征在于,所述得到各采样时刻的热值产生点空间非对称度,包括:
将与滚筒中心轴线距离相等的传感器作为同一类;将各采样时刻任一类传感器的温度均值保存为各采样时刻任一类的环状均温;将各采样时刻所有类的环状均温的平均值作为各采样时刻的实际温度;
将各采样时刻预设时刻之前的采样时刻保存为各采样时刻的对称延时时间;
各采样时刻的热值产生点空间非对称度,表达式为:
式中,是第t个采样时刻的热值产生点空间非对称度,I、J分别是温度传感器阵列的行数和列数,/>是滚筒在第t个采样时刻对称延时时间,/>、/>分别是第i行第j列传感器位置第t个采样时刻、第I-i行第j列传感器位置/>时刻的热能波动强度系数,、/>分别是第i行第j列传感器位置第t个采样时刻、第I-i行第j列传感器位置第/>个采样时刻的温度数据向量第n个分信号的温度分量波动强度,/>是第t-1个采样时刻的温度预测值,/>是第t个采样时刻的实际温度。
9.如权利要求8所述的一种矿用永磁同步电动滚筒故障诊断方法,其特征在于,所述根据各采样时刻的转速能量波动倾向结合滚筒中心轴线的传感器温度的分布特征得到各采样时刻的热值产生点内偏度,具体表达式为:
式中,是第t个采样时刻的热值产生点内偏度,/>是第t个采样时刻的转速能量波动倾向,D是环状温度总数,/>是第t-1个采样时刻的预测温度,/>、/>分别是第d、d+1类温度传感器的环状均温。
10.如权利要求1所述的一种矿用永磁同步电动滚筒故障诊断方法,其特征在于,所述根据当前采样时刻的热值产生点空间非对称度以及热值产生点内偏度采用分类模型完成对滚筒电机故障的判断,包括:
将当前采样时刻的热值产生点空间非对称度以及热值产生点内偏度作为分类模型的输入,输出为当前时刻的滚筒故障检测结果,所述滚筒故障检测结果包括:低故障风险、高故障风险。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410510024.5A CN118090201B (zh) | 2024-04-26 | 2024-04-26 | 一种矿用永磁同步电动滚筒故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410510024.5A CN118090201B (zh) | 2024-04-26 | 2024-04-26 | 一种矿用永磁同步电动滚筒故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118090201A true CN118090201A (zh) | 2024-05-28 |
CN118090201B CN118090201B (zh) | 2024-06-28 |
Family
ID=91150913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410510024.5A Active CN118090201B (zh) | 2024-04-26 | 2024-04-26 | 一种矿用永磁同步电动滚筒故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118090201B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140280899A1 (en) * | 2013-03-15 | 2014-09-18 | Herman Dean Brewster, JR. | Methods and apparatus for scoring the condition of nodes in a communication network and taking action based on node health scores |
CN105425172A (zh) * | 2015-12-21 | 2016-03-23 | 东北大学 | 基于多频段歪度分析的微网逆变器自适应故障诊断方法 |
US20170322114A1 (en) * | 2016-05-06 | 2017-11-09 | International Business Machines Corporation | Change Detection Using Directional Statistics |
US20180123706A1 (en) * | 2016-11-03 | 2018-05-03 | At&T Intellectual Property I, L.P. | System for detecting a fault in a communication system |
CN110988471A (zh) * | 2019-12-17 | 2020-04-10 | 清华大学 | 基于电流信号的风力发电机变桨传动皮带故障诊断方法 |
CN113176092A (zh) * | 2021-04-25 | 2021-07-27 | 江苏科技大学 | 基于数据融合和改进经验小波变换的电机轴承故障诊断方法 |
WO2022261805A1 (zh) * | 2021-06-15 | 2022-12-22 | 大连理工大学 | 一种柴油机齿轮箱故障诊断方法 |
CN117216603A (zh) * | 2023-11-07 | 2023-12-12 | 张家港长寿工业设备制造有限公司 | 一种管式降膜蒸发器故障预测方法及*** |
CN117687815A (zh) * | 2023-12-12 | 2024-03-12 | ***数智科技有限公司 | 一种硬盘故障预测方法和*** |
EP4336295A1 (en) * | 2022-09-08 | 2024-03-13 | Hosea Precision Co., Ltd. | System and method for intelligently monitoring machine equipment |
-
2024
- 2024-04-26 CN CN202410510024.5A patent/CN118090201B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140280899A1 (en) * | 2013-03-15 | 2014-09-18 | Herman Dean Brewster, JR. | Methods and apparatus for scoring the condition of nodes in a communication network and taking action based on node health scores |
CN105425172A (zh) * | 2015-12-21 | 2016-03-23 | 东北大学 | 基于多频段歪度分析的微网逆变器自适应故障诊断方法 |
US20170322114A1 (en) * | 2016-05-06 | 2017-11-09 | International Business Machines Corporation | Change Detection Using Directional Statistics |
US20180123706A1 (en) * | 2016-11-03 | 2018-05-03 | At&T Intellectual Property I, L.P. | System for detecting a fault in a communication system |
CN110988471A (zh) * | 2019-12-17 | 2020-04-10 | 清华大学 | 基于电流信号的风力发电机变桨传动皮带故障诊断方法 |
CN113176092A (zh) * | 2021-04-25 | 2021-07-27 | 江苏科技大学 | 基于数据融合和改进经验小波变换的电机轴承故障诊断方法 |
WO2022261805A1 (zh) * | 2021-06-15 | 2022-12-22 | 大连理工大学 | 一种柴油机齿轮箱故障诊断方法 |
EP4336295A1 (en) * | 2022-09-08 | 2024-03-13 | Hosea Precision Co., Ltd. | System and method for intelligently monitoring machine equipment |
CN117216603A (zh) * | 2023-11-07 | 2023-12-12 | 张家港长寿工业设备制造有限公司 | 一种管式降膜蒸发器故障预测方法及*** |
CN117687815A (zh) * | 2023-12-12 | 2024-03-12 | ***数智科技有限公司 | 一种硬盘故障预测方法和*** |
Non-Patent Citations (2)
Title |
---|
范秀香 等: "基于粗糙集和聚类PSO-RBF的水电机组故障诊断", 电气时代, no. 05, 10 May 2016 (2016-05-10) * |
齐咏生 等: "基于EEMD-KECA的风电机组滚动轴承故障诊断", 太阳能学报, no. 07, 28 July 2017 (2017-07-28) * |
Also Published As
Publication number | Publication date |
---|---|
CN118090201B (zh) | 2024-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Glowacz et al. | Diagnosis of the three-phase induction motor using thermal imaging | |
Glowacz | Acoustic based fault diagnosis of three-phase induction motor | |
Glowacz et al. | Fault diagnosis of angle grinders and electric impact drills using acoustic signals | |
Glowacz | Thermographic fault diagnosis of electrical faults of commutator and induction motors | |
Glowacz | Fault diagnosis of single-phase induction motor based on acoustic signals | |
Glowacz et al. | Diagnostics of stator faults of the single-phase induction motor using thermal images, MoASoS and selected classifiers | |
Glowacz et al. | Diagnosis of stator faults of the single-phase induction motor using acoustic signals | |
CN111047732B (zh) | 一种基于能耗模型和数据交互的设备异常诊断方法及装置 | |
Głowacz et al. | Recognition of rotor damages in a DC motor using acoustic signals | |
Glowacz | Fault diagnostics of acoustic signals of loaded synchronous motor using SMOFS-25-EXPANDED and selected classifiers | |
Zhang et al. | Nonlinear process monitoring using regression and reconstruction method | |
Sun et al. | BLDC motor speed control system fault diagnosis based on LRGF neural network and adaptive lifting scheme | |
Glowacz | Ventilation diagnosis of minigrinders using thermal images | |
Ashrafuzzaman et al. | Elliptic envelope based detection of stealthy false data injection attacks in smart grid control systems | |
CN118090201B (zh) | 一种矿用永磁同步电动滚筒故障诊断方法 | |
Devarajan et al. | Detection and classification of mechanical faults of three phase induction motor via pixels analysis of thermal image and adaptive neuro-fuzzy inference system | |
Jiang et al. | A novel antibody population optimization based artificial immune system for rotating equipment anomaly detection | |
Broniera et al. | Diagnosis of stator winding inter-turn short circuit in three-phase induction motors by using artificial neural networks | |
Choi | Noise in load cell signal in an automatic weighing system based on a belt conveyor | |
Głowacz et al. | Recognition of monochrome thermal images of synchronous motor with the application of skeletonization and classifier based on words | |
Parsai et al. | Anomaly detection using long short-term memory | |
Moghadasian et al. | Induction motor fault diagnosis using ANFIS based on vibration signal spectrum analysis | |
CN116740653A (zh) | 一种配电箱运行状态监测方法及*** | |
Sheikh et al. | An intelligent automated method to diagnose and segregate induction motor faults | |
Pandarakone et al. | A study on machine learning and artificial intelligence methods in detecting the minor outer-raceway bearing fault |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |