CN118092401A - 煤矿井下设备故障诊断与预测性维护平台 - Google Patents
煤矿井下设备故障诊断与预测性维护平台 Download PDFInfo
- Publication number
- CN118092401A CN118092401A CN202410486973.4A CN202410486973A CN118092401A CN 118092401 A CN118092401 A CN 118092401A CN 202410486973 A CN202410486973 A CN 202410486973A CN 118092401 A CN118092401 A CN 118092401A
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- sound
- model
- training
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 76
- 238000012423 maintenance Methods 0.000 title claims abstract description 29
- 239000003245 coal Substances 0.000 title claims abstract description 15
- 239000013598 vector Substances 0.000 claims abstract description 75
- 238000012549 training Methods 0.000 claims abstract description 67
- 238000012545 processing Methods 0.000 claims abstract description 65
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 238000002360 preparation method Methods 0.000 claims abstract description 6
- 238000010276 construction Methods 0.000 claims abstract description 5
- 238000001228 spectrum Methods 0.000 claims description 46
- 238000012795 verification Methods 0.000 claims description 35
- 238000000034 method Methods 0.000 claims description 31
- 230000008859 change Effects 0.000 claims description 26
- 239000012634 fragment Substances 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 23
- 238000005070 sampling Methods 0.000 claims description 19
- 230000009466 transformation Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000003491 array Methods 0.000 claims description 9
- 238000013145 classification model Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 8
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 238000009792 diffusion process Methods 0.000 abstract 1
- 238000010200 validation analysis Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明属于故障预测技术领域,本发明公开了煤矿井下设备故障诊断与预测性维护平台,包括数据准备、处理、模型构建与训练、实时监测、故障预测和诊断多个模块;首先利用数据准备模块构成正常和故障时的设备运行数据集,并对后者进行故障标记;随后,数据处理模块生成两种特征向量,用于不同阶段的故障预测和诊断;模型构建与训练模块则负责构建并训练故障预测模型和故障诊断模型;实时监测模块获取设备实时数据,故障预测模块依据该数据快速判断潜在故障,故障诊断模块进一步深入分析,提供故障类型信息;通过提取关键特征减少数据负担、加快故障预测的速度,并及时通知维护人员采取措施,避免故障扩散,保障生产安全。
Description
技术领域
本发明涉及故障预测技术领域,更具体地说,本发明涉及煤矿井下设备故障诊断与预测性维护平台。
背景技术
在现代煤矿生产中,高度机械化的设备是保证安全高效开采的重要手段。这些设备的运行状况直接影响煤矿的安全生产和经济效益。然而,井下恶劣的工作环境和设备复杂的工作条件使得设备面临较高的故障率,一旦发生故障,可能会引起生产延误甚至事故,造成重大的经济损失和安全风险。因此,预测性维护技术的研发和应用,对于井下机械设备的安全管理至关重要。
在现有的煤矿井下设备故障诊断技术中,对故障的预判和诊断一直是挑战性的工作。传统方法通常依赖于设备运行的基础监测,如温度、振动等参数的测量,配合专业技术人员的判断。这些方法在处理复杂数据时往往需要较长的时间和较多的资源,因此在预判故障是否会发生时,可能无法实时做出反应,从而导致生产效率下降和潜在的安全隐患。
此外,许多早期的***在诊断设备故障类型时,往往需要收集和分析大量的数据,这不仅增加了分析的复杂度,也需要较长的处理时间,进一步影响了故障响应的速度和准确性。在实际应用中,这种方法可能导致无法及时预防和修复故障,从而增加了维护成本和停机时间。
发明内容
为了克服现有技术在预判故障是否会发生时,可能无法实时做出反应,从而导致生产效率下降和潜在的安全隐患的问题,本发明提出了煤矿井下设备故障诊断与预测性维护平台,用于解决上述问题。
本发明提供如下技术方案:煤矿井下设备故障诊断与预测性维护平台,包括:
数据准备模块,用于获取历史上设备运行正常时的设备运行数据,构成第一数据集,获取历史上设备运行故障时的设备运行数据,并对设备运行故障时的设备运行数据打上对应的故障标签,进而构成第二数据集,所述故障标签与故障类型一一对应;
数据处理模块,用于对设备运行数据进行第一数据处理得到第一特征向量,对设备运行数据进行第二数据处理得到第二特征向量;
模型构建与训练模块,用于构建故障预测模型和故障诊断模型,并利用经过第一数据处理后第一数据集训练故障预测模型,利用经第二数据处理后第二数据集训练故障诊断模型,所述故障预测模型用于预测设备故障,所述故障诊断模型用于预测设备故障类型;
实时监测模块,用于获取实时的设备运行数据;
故障预测模块,用于对实时的设备运行数据进行第一数据处理后,输入到故障预测模型,得到预测结果,若预测结果为存在故障,则向用户发出故障通知;
故障诊断模块,用于在故障预测模块预测结果为存在故障时,获取实时的设备运行数据,并对设备运行数据进行第二数据处理后输入到故障诊断模型中得到故障标签,并根据故障标签将对应的故障类型发送给用户。
优选的,所述设备运行数据包括运行声音数据、运行振动数据和运行温度数据;所述运行声音数据通过安装在设备上的声音传感器,采集时间内的音频数据获得;所述运行振动数据通过安装在设备上的振动传感器,在时间/>内均匀地采集/>次振动数据获得;所述运行温度数据通过安装在设备上的温度传感器,在时间/>内均匀地采集/>次温度数据获得。
优选的,所述第一数据处理包括:
获取运行声音数据,将运行声音平均分割为个声音片段,其中相邻声音片段之间存在至少5%的重叠部分;
对每个声音片段进行等间距低采样,以获得个采样值;
计算每个声音片段的变化率,所述变化率的计算公式如下:
,
式中,表示第/>个声音片段的变化率,/>表示符号函数,/>表示片段中第/>个采样点的值;
个声音片段的变化率按序排列构成声音变化向量;
获取运行振动数据,计算运行振动数据的统计特征;
对运行振动数据的统计特征进行归一化处理,使用归一化处理后的运行振动数据的统计特征作为振动统计向量,所述统计特征包括算术平均值、标准差、最大值、最小值和均方根值;
获取运行温度数据,计算运行温度数据的统计特征;
对运行温度数据的统计特征进行归一化处理,使用归一化处理后的运行温度数据的统计特征作为温度统计向量;
将声音变化向量、振动统计向量和温度统计向量串联构成第一特征向量。
优选的,所述第二数据处理包括:
获取设备运行数据的第一特征向量,获取运行声音数据,将运行声音平均分割为个声音片段,其中相邻声音片段之间存在至少5%的重叠部分;
对每个声音片段进行等间距高采样,以获得个采样值;
计算每个声音片段的能量指数,所述能量指数的计算公式如下:
,
式中,表示第/>个声音片段的能量指数;
对M个声音片段的能量指数进行归一化处理后,按序排列构成声音能量向量;
获取运行振动数据,将运行振动数据进行频域变换得到对应的频域信号复数表示,计算频域变换得到的频域信号复数表示的绝对值,得到对应的幅度谱,对幅度谱的每个点进行平方计算,得到对应的功率谱;
提取功率谱中的特征得到振动时域特征,对振动时域特征进行归一化处理后,得到振动频阈向量;
获取运行温度数据,将运行温度数据进行频域变换得到对应的频域信号复数表示,计算频域变换得到的频域信号复数表示的绝对值,得到对应的幅度谱,对幅度谱的每个点进行平方计算,得到对应的功率谱;
提取功率谱中的特征得到温度时域特征,对温度时域特征进行归一化处理后,得到温度频阈向量;
将第一特征向量、声音能量向量、振动频阈向量和温度频阈向量串联构成第二特征向量。
优选的,所述提取功率谱中的特征包括:
计算所有频点的功率谱值之和得到总功率;
识别功率谱中功率最大的频率值,作为峰值频率;
计算所有频率值与其相应功率谱值的乘积的和,除以总功率,得到中心频率;
获取所有频率值的平方与其对应的功率谱值相乘的和,除以总功率,得到均方频率;
计算均方频率的二次平方根,得到均方根频率;
使用总功率、峰值频率、中心频率、均方频率和均方根频率构成功率谱中的特征。
优选的,所述构建故障预测模型和故障诊断模型包括:
使用非监督学习算法作为基础构建非监督模型,配置非监督模型的参数得到故障预测模型;使用深度学习算法作为基础构建分类模型,配置分类模型参数后得到故障诊断模型。
优选的,所述利用经过第一数据处理后第一数据集训练故障预测模型包括:
获取第一数据集,对第一数据集中的所有设备运行数据进行第一数据处理,得到对应的第一特征集,并将第一特征集划分为训练集和验证集;
使用训练集对故障预测模型进行训练;
使用验证集的数据输入到训练后的故障预测模型,得到验证数据数组;
确定正常区间为,其中:
,
式中,表示验证数据数组/>的平均值,/>表示验证数据数组/>的标准差;
设定当故障预测模型的输出值超出正常区间时,故障预测模型向外输出存在故障的预测结果。
优选的,所述利用经第二数据处理后第二数据集训练故障诊断模型包括:
获取第二数据集,对第二数据集中的所有设备运行数据进行第二数据处理,得到对应的第二特征集,并将第二特征集划分为训练集和验证集;
从训练集中随机选取条数据组成批次数据;
将选取的批次数据输入故障诊断模型中进行正向传播,计算故障诊断模型的输出值;
根据输出值,利用损失函数计算损失值;
基于损失值,应用反向传播算法更新故障诊断模型的参数;
重复进行训练,直至满足训练完成的判定条件。
优选的,所述训练满足训练完成的判定条件包括:
在每次训练结束后,从验证集中选取条数数据,输入到故障诊断模型中进行正向传播,并利用损失函数计算其损失值,记为验证损失;
判断验证损失是否小于预设的损失阈值,若是,则满足训练完成的判定条件;
若否,则获取时间最近的至少两条的验证损失,构成损失数组;
计算损失率,所述损失率的计算公式为:
,
其中,表示损失率,/>为损失数组/>的元素总数,/>为损失数组/>的第/>个元素,/>为损失数组/>的第1个元素;
判断损失率是否小于预设的损失率阈值,若是,则满足训练完成的判定条件。
优选的,所述利用损失函数计算其损失值包括:将故障诊断模型正向传播后的输出值进行softmax函数处理,得到输出的概率分布;计算输出的概率分布与对应故障标签的概率分布之间的交叉熵,使用所有计算出的交叉熵的平均值作为损失值。
本发明提供了煤矿井下设备故障诊断与预测性维护平台,具备以下有益效果:
1、通过提取设备运行数据中的关键特征来迅速判断是否存在潜在故障。这种方法能够利用少量关键数据,减少了数据处理的负担,提高了故障预测的响应速度,使得维护人员能够及时采取措施,防止故障扩大,确保生产的连续性和安全性。
2、在确定存在故障之后,通过提取更全面的设备运行特征数据,进行深度分析以准确诊断故障类型。使用这一详尽数据进行精确分析,可以识别具体的故障原因,并且提供更为准确的维护指导,从而在确保修复效率的同时,大幅减少不必要的检修活动,节约了维护成本并优化了资源分配。
附图说明
图1为本发明煤矿井下设备故障诊断与预测性维护平台的模块示意图;
图2为本发明煤矿井下设备故障诊断与预测性维护平台的第一数据处理流程示意图;
图3为本发明煤矿井下设备故障诊断与预测性维护平台的第二数据处理流程示意图。
具体实施方式
下面将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、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动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。
实施例1
请参阅图1,本实施例中,煤矿井下设备故障诊断与预测性维护平台包括:
数据准备模块,用于获取历史上设备运行正常时的设备运行数据,构成第一数据集,获取历史上设备运行故障时的设备运行数据,并对设备运行故障时的设备运行数据打上对应的故障标签,进而构成第二数据集,所述故障标签与故障类型一一对应;
所述设备运行数据包括运行声音数据、运行振动数据和运行温度数据;所述运行声音数据通过安装在设备上的声音传感器,采集时间内的音频数据获得;所述运行振动数据通过安装在设备上的振动传感器,在时间/>内均匀地采集/>次振动数据获得;所述运行温度数据通过安装在设备上的温度传感器,在时间/>内均匀地采集/>次温度数据获得。
在本实施例中,数据准备模块的作用是收集和整理设备在正常运行和发生故障时的运行数据包括振动、温度、声音三个维度;这三个维度反映了设备运行的重要方面,可以准确地捕捉到潜在的故障信号,以便后续分析和使用,在本实施例中,具体的收集和整理方式为:使用专门的传感器收集10分钟内的设备运行的声音数据、20次振动数据和20次温度数据;将收集到的数据分为两个数据集;第一数据集包含设备在正常运行状态下的数据,第二数据集则包含设备运行出现故障时的数据;对于第二数据集中的每项数据,都会附加上一个明确的故障标签。这个标签指出了该项数据对应的具体故障类型,故障类型包括但不限于传动故障、电机故障、电路故障等,具体故障类型和标签可以由技术人员诊断后确定。
数据处理模块,用于对设备运行数据进行第一数据处理得到第一特征向量,对设备运行数据进行第二数据处理得到第二特征向量;
在本实施例中,我们采用两种数据处理方式。首先,通过对设备运行数据进行第一数据处理,我们提取出较少维度的第一特征向量,这种特征向量由于维度精简,能够快速地进行故障发生的初步预测。其次,通过对设备运行数据进行第二数据处理,我们获得维度更为丰富的第二特征向量,这种特征向量能够更全面地反映设备运行状态,有利于更精确地预测故障类型。
所述第一数据处理包括:
S11、获取运行声音数据,将运行声音平均分割为个声音片段,其中相邻声音片段之间存在至少5%的重叠部分;
S12、对每个声音片段进行等间距低采样,以获得个采样值;
S13、计算每个声音片段的变化率,所述变化率的计算公式如下:
,
式中,表示第/>个声音片段的变化率,/>表示符号函数,/>表示片段中第/>个采样点的值;
S14、个声音片段的变化率按序排列构成声音变化向量;
S15、获取运行振动数据,计算运行振动数据的统计特征;
S16、对运行振动数据的统计特征进行归一化处理,使用归一化处理后的运行振动数据的统计特征作为振动统计向量,所述统计特征包括算术平均值、标准差、最大值、最小值和均方根值;
S17、获取运行温度数据,计算运行温度数据的统计特征;
S18、对运行温度数据的统计特征进行归一化处理,使用归一化处理后的运行温度数据的统计特征作为温度统计向量;
S19、将声音变化向量、振动统计向量和温度统计向量串联构成第一特征向量。
请参阅图2,在本实施例中,为了快速有效地预测设备潜在故障,我们通过以下步骤处理设备运行数据并构建第一特征向量。首先,将运行声音数据分割成60个有重叠部分的声音片段,以保证连续性。对每一声音片段实施等间距低采样策略,获得30个采样值;需要说明的是低采样能有效降低数据量同时保留必要的信息特征。计算其变化率,并按顺序排列成声音变化向量;需要说明的是符号函数是根据输入值的正负性返回不同的值,具体来说当输入值为正时符号函数返回1,输入值为0时符号函数返回0,输入值为负数时函数返回-1。因此在一个声音片段中,采样值负到正的变化次数越多其变化率越大,因此变化率能反映声音的部分特征。
同时,计算设备运行的振动和温度数据的统计特征,包括算术平均值、标准差、最大值、最小值和均方根值,并执行归一化处理。最后,将声音变化向量、振动统计特征和温度统计特征串联起来,形成第一特征向量。这个特征向量由于维度较低,可用于迅速判断是否会发生设备故障,从而提高故障预测的响应速度。
所述第二数据处理包括:
S21、获取设备运行数据的第一特征向量,获取运行声音数据,将运行声音平均分割为个声音片段,其中相邻声音片段之间存在至少5%的重叠部分;
S22、对每个声音片段进行等间距高采样,以获得个采样值;
S23、计算每个声音片段的能量指数,所述能量指数的计算公式如下:
,
式中,表示第/>个声音片段的能量指数;
S24、对M个声音片段的能量指数进行归一化处理后,按序排列构成声音能量向量;
S25、获取运行振动数据,将运行振动数据进行频域变换得到对应的频域信号复数表示,计算频域变换得到的频域信号复数表示的绝对值,得到对应的幅度谱,对幅度谱的每个点进行平方计算,得到对应的功率谱;
S26、提取功率谱中的特征得到振动时域特征,对振动时域特征进行归一化处理后,得到振动频阈向量;
S27、获取运行温度数据,将运行温度数据进行频域变换得到对应的频域信号复数表示,计算频域变换得到的频域信号复数表示的绝对值,得到对应的幅度谱,对幅度谱的每个点进行平方计算,得到对应的功率谱;
S28、提取功率谱中的特征得到温度时域特征,对温度时域特征进行归一化处理后,得到温度频阈向量;
S29、将第一特征向量、声音能量向量、振动频阈向量和温度频阈向量串联构成第二特征向量。
请参阅图3,在本实施例中,为了准确地预测设备的故障类型,我们通过以下步骤处理设备运行数据并构建第二特征向量。首先,获取设备运行数据的第一特征向量,将运行声音数据分割成60个有重叠部分的声音片段,以保证连续性。对每一声音片段实施等间距高采样策略,获得30个采样值;需要说明的是高采样能有效保留更多的信息特征。通过计算声音片段的能量指数即采样值的和,并归一化,构建声音能量向量。振动数据经过频域变换,计算幅度谱和功率谱,进而得到振动时域特征,并归一化为振动频阈向量。同样地,温度数据也通过频域变换,计算得到幅度谱和功率谱,提取温度时域特征,归一化后构成温度频阈向量。最终,第一特征向量,声音能量向量,振动频阈向量和温度频阈向量串联起来形成信息丰富的第二特征向量,为故障类型提供更为详尽和精确的判断依据。
需要说明的是本实施例中使用的归一化方法可以是线性归一化和标准差归一化等,使用的频域变换方法可以是傅里叶变换和小波变换等。
所述提取功率谱中的特征包括:
计算所有频点的功率谱值之和得到总功率;
识别功率谱中功率最大的频率值,作为峰值频率;
计算所有频率值与其相应功率谱值的乘积的和,除以总功率,得到中心频率;
获取所有频率值的平方与其对应的功率谱值相乘的和,除以总功率,得到均方频率;
计算均方频率的二次平方根,得到均方根频率;
使用总功率、峰值频率、中心频率、均方频率和均方根频率构成功率谱中的特征。
在本实施例中,总功率反映了振动信号的能量总和;峰值频率表示振动信号中能量最集中的点;中心频率是能量分布的重心,对应振动信号的主要频率成分;均方频率与振动信号的能量分散程度有关;而均方根频率是反映振动信号宽带特性的参数。这些特征的收集,依据的是频域分析在机械故障诊断中的有效性,因为不同类型的故障往往会在振动信号的频率分布上表现出特定的模式。通过这些综合特征的分析,我们可以提高诊断的准确性。
模型构建与训练模块,用于构建故障预测模型和故障诊断模型,并利用经过第一数据处理后第一数据集训练故障预测模型,利用经第二数据处理后第二数据集训练故障诊断模型,所述故障预测模型用于预测设备故障,所述故障诊断模型用于预测设备故障类型;
使用非监督学习算法作为基础构建非监督模型,配置非监督模型的参数得到故障预测模型;使用深度学习算法作为基础构建分类模型,配置分类模型参数后得到故障诊断模型。
在本实施例中,对于故障预测模型,可以采用聚类学习模型,聚类算法可以选择k-means,通过实验或工作人员经验,设定簇的数量、度量方法、最大迭代次数和收敛阈值。聚类学习模型处理速度一般较快,适合初步异常检测。
对于故障诊断模型,可以采用卷积神经网络,通过实验或工作人员经验来配置其层数、神经元数量、激活函数、优化器和学习率。利用卷积神经网络可以准确地区分不同类型的故障模式。
所述利用经过第一数据处理后第一数据集训练故障预测模型包括:
获取第一数据集,对第一数据集中的所有设备运行数据进行第一数据处理,得到对应的第一特征集,并将第一特征集划分为训练集和验证集;
使用训练集对故障预测模型进行训练;
使用验证集的数据输入到训练后的故障预测模型,得到验证数据数组;
确定正常区间为,其中:
,
式中,表示验证数据数组/>的平均值,/>表示验证数据数组/>的标准差;
设定当故障预测模型的输出值超出正常区间时,故障预测模型向外输出存在故障的预测结果。
在本实施例中,我们使用训练集对非监督学***均值和标准差,建立了故障预测的正常区间界限,进而确定了设备运行数据的“正常性”。最后,设定模型的预测输出阈值。当预测模型的输出值超出设定的正常区间时,这通常意味着潜在的设备异常。
所述利用经第二数据处理后第二数据集训练故障诊断模型包括:
获取第二数据集,对第二数据集中的所有设备运行数据进行第二数据处理,得到对应的第二特征集,并将第二特征集划分为训练集和验证集;
从训练集中随机选取条数据组成批次数据;
将选取的批次数据输入故障诊断模型中进行正向传播,计算故障诊断模型的输出值;
根据输出值,利用损失函数计算损失值;
基于损失值,应用反向传播算法更新故障诊断模型的参数;
重复进行训练,直至满足训练完成的判定条件。
在本实施例中,我们采用了小批量随机梯度下降方法。从训练集中随机抽取20条数据作为一个批次,输入到深度学习的故障诊断模型中进行正向传播,得到模型对于不同故障的预测输出值。与实际的故障类型相比较,通过损失函数计算出模型预测的准确性,即损失值。损失值是训练过程中的重要反馈,用于通过反向传播算法调整模型参数。
随着重复训练过程,即不断循环以上步骤,模型在不断地优化,直到满足既定的训练完成标准或达到预设的迭代次数等训练完成的判定条件。训练完成后的模型,将能够识别和分类不同的设备故障类型。
实时监测模块,用于获取实时的设备运行数据;
故障预测模块,用于对实时的设备运行数据进行第一数据处理后,输入到故障预测模型,得到预测结果,若预测结果为存在故障,则向用户发出故障通知;
故障诊断模块,用于在故障预测模块预测结果为存在故障时,获取实时的设备运行数据,并对设备运行数据进行第二数据处理后输入到故障诊断模型中得到故障标签,并根据故障标签将对应的故障类型发送给用户。
在本实施例中,实时监测模块实时获取设备的运行数据,并将数据输送给故障预测模块。故障预测模块对接收到的数据进行第一数据处理以提取关键特征,并将这些特征用于已训练好的故障预测模型,以判定设备是否存在潜在的故障状况。当预测结果显示存在故障时,***将立即发出故障通知给用户,使得用户能够快速反应,采取相关措施。
同时,故障诊断模块将收集设备的实时运行数据,执行第二数据处理以提取深层次的特征集,并以此输入到故障诊断模型中。故障诊断模型更为复杂和深入,它可以判定具体的故障类型,并将这一信息传递给用户。这样的二级诊断机制能够确保在首次预测指示潜在故障后,能够进一步诊断出具体的问题,从而使维护团队能够更有针对性地解决问题,优化维修过程,并降低设备的停机时间。通过这套***,企业能够实现对设备运行状况的实时监控与故障的精确诊断,显著提高了设备的可靠性和安全性。
实施例2
请参阅图1,在实施例1的基础上,所述满足训练完成的判定条件包括:
在每次训练结束后,从验证集中选取条数数据,输入到故障诊断模型中进行正向传播,并利用损失函数计算其损失值,记为验证损失;
判断验证损失是否小于预设的损失阈值,若是,则满足训练完成的判定条件;
若否,则获取时间最近的至少两条的验证损失,构成损失数组;
计算损失率,所述损失率的计算公式为:
,
其中,表示损失率,/>为损失数组/>的元素总数,/>为损失数组/>的第/>个元素,/>为损失数组/>的第1个元素;
判断损失率是否小于预设的损失率阈值,若是,则满足训练完成的判定条件。
在本实施例中,验证损失可以通过交叉熵损失函数计算得出的,其值反映了模型预测与真实标签之间的不匹配程度。因此,可以使用最近的5个验证损失,组成验证损失数组。接下来,计算每个验证损失与第一个验证损失的差值,将这些差值相加后取平均值,得到损失变化率的平均值。这个值越低,说明最近几次训练对模型性能的提升越小。因此,当其低于一定的阈值,如0.05时,可以终止对模型的训练。
所述利用损失函数计算其损失值包括:将故障诊断模型正向传播后的输出值进行softmax函数处理,得到输出的概率分布;计算输出的概率分布与对应故障标签的概率分布之间的交叉熵,使用所有计算出的交叉熵的平均值作为损失值。
在本实施例中,每完成一次迭代训练后,***会从验证集中选择20条数据输入故障诊断模型。模型进行正向传播后,使用损失函数计算这些样本的验证损失,并通过该验证损失值与预设的损失阈值进行比较,以决定是否继续训练。
如果验证损失小于预设阈值,模型的训练即视为完成。如果损失值大于阈值,***则会采取更为详细的损失率计算。***记录一定数量的最近验证损失值,组成一个损失数组,并计算这些损失值的下降率,即损失率。本实施例中,损失阈值与损失率阈值可以由相关技术人员通过经验或实验等方式获取,该计算方法将当前损失值与数组中的第一个损失值相比较,以估计模型是否仍在有效地进步。如果损失率低于另一预设阈值,训练也可结束;否则,训练继续进行。
为了计算损失值,模型的输出首先通过softmax函数处理,确保输出值表示为概率分布。之后,计算该概率分布与实际故障标签的概率分布之间的交叉熵,该值的平均数作为损失值。此方法能够为模型的训练进度提供丰富的反馈,确保当模型有足够预测能力时及时停止训练,这样可以防止过度拟合并节省计算资源。
本领域普通技术人员可以意识到,结合本发明中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件,或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其他的形式。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.煤矿井下设备故障诊断与预测性维护平台,其特征在于,包括:
数据准备模块,用于获取历史上设备运行正常时的设备运行数据,构成第一数据集,获取历史上设备运行故障时的设备运行数据,并对设备运行故障时的设备运行数据打上对应的故障标签,进而构成第二数据集,所述故障标签与故障类型一一对应;
数据处理模块,用于对设备运行数据进行第一数据处理得到第一特征向量,对设备运行数据进行第二数据处理得到第二特征向量;
模型构建与训练模块,用于构建故障预测模型和故障诊断模型,并利用经过第一数据处理后第一数据集训练故障预测模型,利用经第二数据处理后第二数据集训练故障诊断模型,所述故障预测模型用于预测设备故障,所述故障诊断模型用于预测设备故障类型;
实时监测模块,用于获取实时的设备运行数据;
故障预测模块,用于对实时的设备运行数据进行第一数据处理后,输入到故障预测模型,得到预测结果,若预测结果为存在故障,则向用户发出故障通知;
故障诊断模块,用于在故障预测模块预测结果为存在故障时,获取实时的设备运行数据,并对设备运行数据进行第二数据处理后输入到故障诊断模型中得到故障标签,并根据故障标签将对应的故障类型发送给用户。
2.根据权利要求1所述的煤矿井下设备故障诊断与预测性维护平台,其特征在于,所述设备运行数据包括运行声音数据、运行振动数据和运行温度数据;所述运行声音数据通过安装在设备上的声音传感器,采集时间内的音频数据获得;所述运行振动数据通过安装在设备上的振动传感器,在时间/>内均匀地采集/>次振动数据获得;所述运行温度数据通过安装在设备上的温度传感器,在时间/>内均匀地采集/>次温度数据获得。
3.根据权利要求2所述的煤矿井下设备故障诊断与预测性维护平台,其特征在于,所述第一数据处理包括:
获取运行声音数据,将运行声音平均分割为个声音片段,其中相邻声音片段之间存在至少5%的重叠部分;
对每个声音片段进行等间距低采样,以获得个采样值;
计算每个声音片段的变化率,所述变化率的计算公式如下:
,
式中,表示第/>个声音片段的变化率,/>表示符号函数,/>表示片段中第/>个采样点的值;
个声音片段的变化率按序排列构成声音变化向量;
获取运行振动数据,计算运行振动数据的统计特征;
对运行振动数据的统计特征进行归一化处理,使用归一化处理后的运行振动数据的统计特征作为振动统计向量,所述统计特征包括算术平均值、标准差、最大值、最小值和均方根值;
获取运行温度数据,计算运行温度数据的统计特征;
对运行温度数据的统计特征进行归一化处理,使用归一化处理后的运行温度数据的统计特征作为温度统计向量;
将声音变化向量、振动统计向量和温度统计向量串联构成第一特征向量。
4.根据权利要求3所述的煤矿井下设备故障诊断与预测性维护平台,其特征在于,所述第二数据处理包括:
获取设备运行数据的第一特征向量,获取运行声音数据,将运行声音平均分割为个声音片段,其中相邻声音片段之间存在至少5%的重叠部分;
对每个声音片段进行等间距高采样,以获得个采样值;
计算每个声音片段的能量指数,所述能量指数的计算公式如下:
,
式中,表示第/>个声音片段的能量指数;
对M个声音片段的能量指数进行归一化处理后,按序排列构成声音能量向量;
获取运行振动数据,将运行振动数据进行频域变换得到对应的频域信号复数表示,计算频域变换得到的频域信号复数表示的绝对值,得到对应的幅度谱,对幅度谱的每个点进行平方计算,得到对应的功率谱;
提取功率谱中的特征得到振动时域特征,对振动时域特征进行归一化处理后,得到振动频阈向量;
获取运行温度数据,将运行温度数据进行频域变换得到对应的频域信号复数表示,计算频域变换得到的频域信号复数表示的绝对值,得到对应的幅度谱,对幅度谱的每个点进行平方计算,得到对应的功率谱;
提取功率谱中的特征得到温度时域特征,对温度时域特征进行归一化处理后,得到温度频阈向量;
将第一特征向量、声音能量向量、振动频阈向量和温度频阈向量串联构成第二特征向量。
5.根据权利要求4所述的煤矿井下设备故障诊断与预测性维护平台,其特征在于,所述提取功率谱中的特征包括:
计算所有频点的功率谱值之和得到总功率;
识别功率谱中功率最大的频率值,作为峰值频率;
计算所有频率值与其相应功率谱值的乘积的和,除以总功率,得到中心频率;
获取所有频率值的平方与其对应的功率谱值相乘的和,除以总功率,得到均方频率;
计算均方频率的二次平方根,得到均方根频率;
使用总功率、峰值频率、中心频率、均方频率和均方根频率构成功率谱中的特征。
6.根据权利要求5所述的煤矿井下设备故障诊断与预测性维护平台,其特征在于,所述构建故障预测模型和故障诊断模型包括:
使用非监督学习算法作为基础构建非监督模型,配置非监督模型的参数得到故障预测模型;使用深度学习算法作为基础构建分类模型,配置分类模型参数后得到故障诊断模型。
7.根据权利要求5所述的煤矿井下设备故障诊断与预测性维护平台,其特征在于,所述利用经过第一数据处理后第一数据集训练故障预测模型包括:
获取第一数据集,对第一数据集中的所有设备运行数据进行第一数据处理,得到对应的第一特征集,并将第一特征集划分为训练集和验证集;
使用训练集对故障预测模型进行训练;
使用验证集的数据输入到训练后的故障预测模型,得到验证数据数组;
确定正常区间为,其中:
,
式中,表示验证数据数组/>的平均值,/>表示验证数据数组/>的标准差;
设定当故障预测模型的输出值超出正常区间时,故障预测模型向外输出存在故障的预测结果。
8.根据权利要求6所述的煤矿井下设备故障诊断与预测性维护平台,其特征在于,所述利用经第二数据处理后第二数据集训练故障诊断模型包括:
获取第二数据集,对第二数据集中的所有设备运行数据进行第二数据处理,得到对应的第二特征集,并将第二特征集划分为训练集和验证集;
从训练集中随机选取条数据组成批次数据;
将选取的批次数据输入故障诊断模型中进行正向传播,计算故障诊断模型的输出值;
根据输出值,利用损失函数计算损失值;
基于损失值,应用反向传播算法更新故障诊断模型的参数;
重复进行训练,直至满足训练完成的判定条件。
9.根据权利要求8所述的煤矿井下设备故障诊断与预测性维护平台,其特征在于,所述训练满足训练完成的判定条件包括:
在每次训练结束后,从验证集中选取条数数据,输入到故障诊断模型中进行正向传播,并利用损失函数计算其损失值,记为验证损失;
判断验证损失是否小于预设的损失阈值,若是,则满足训练完成的判定条件;
若否,则获取时间最近的至少两条的验证损失,构成损失数组;
计算损失率,所述损失率的计算公式为:
,
其中,表示损失率,/>为损失数组/>的元素总数,/>为损失数组/>的第/>个元素,/>为损失数组/>的第1个元素;
判断损失率是否小于预设的损失率阈值,若是,则满足训练完成的判定条件。
10.根据权利要求9所述的煤矿井下设备故障诊断与预测性维护平台,其特征在于,所述利用损失函数计算其损失值包括:将故障诊断模型正向传播后的输出值进行softmax函数处理,得到输出的概率分布;计算输出的概率分布与对应故障标签的概率分布之间的交叉熵,使用所有计算出的交叉熵的平均值作为损失值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410486973.4A CN118092401B (zh) | 2024-04-23 | 2024-04-23 | 煤矿井下设备故障诊断与预测性维护平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410486973.4A CN118092401B (zh) | 2024-04-23 | 2024-04-23 | 煤矿井下设备故障诊断与预测性维护平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118092401A true CN118092401A (zh) | 2024-05-28 |
CN118092401B CN118092401B (zh) | 2024-07-12 |
Family
ID=91144193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410486973.4A Active CN118092401B (zh) | 2024-04-23 | 2024-04-23 | 煤矿井下设备故障诊断与预测性维护平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118092401B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257988A (zh) * | 2020-09-29 | 2021-01-22 | 中广核工程有限公司 | 核电厂复杂事故特征识别及风险预警***和方法 |
CN113962299A (zh) * | 2021-10-15 | 2022-01-21 | 上海核工程研究设计院有限公司 | 一种核电设备智能运行监测与故障诊断通用模型 |
CN114152825A (zh) * | 2021-11-16 | 2022-03-08 | 国网北京市电力公司 | 变压器的故障诊断方法、装置和变压器的故障诊断*** |
CN115758258A (zh) * | 2022-11-22 | 2023-03-07 | 西南交通大学 | 一种基于振动信号和领域知识的牵引变压器故障诊断方法 |
WO2023071217A1 (zh) * | 2021-10-27 | 2023-05-04 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度迁移学习的多工况流程工业故障检测诊断方法 |
CN117269340A (zh) * | 2023-08-02 | 2023-12-22 | 贵州电网有限责任公司 | 一种基于气体组分的gis设备智能故障诊断方法及*** |
CN117272032A (zh) * | 2023-11-22 | 2023-12-22 | 青岛埃恩斯信息技术科技有限公司 | 一种基于振动检测的空压机故障诊断方法与装置 |
-
2024
- 2024-04-23 CN CN202410486973.4A patent/CN118092401B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257988A (zh) * | 2020-09-29 | 2021-01-22 | 中广核工程有限公司 | 核电厂复杂事故特征识别及风险预警***和方法 |
CN113962299A (zh) * | 2021-10-15 | 2022-01-21 | 上海核工程研究设计院有限公司 | 一种核电设备智能运行监测与故障诊断通用模型 |
WO2023071217A1 (zh) * | 2021-10-27 | 2023-05-04 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度迁移学习的多工况流程工业故障检测诊断方法 |
CN114152825A (zh) * | 2021-11-16 | 2022-03-08 | 国网北京市电力公司 | 变压器的故障诊断方法、装置和变压器的故障诊断*** |
CN115758258A (zh) * | 2022-11-22 | 2023-03-07 | 西南交通大学 | 一种基于振动信号和领域知识的牵引变压器故障诊断方法 |
CN117269340A (zh) * | 2023-08-02 | 2023-12-22 | 贵州电网有限责任公司 | 一种基于气体组分的gis设备智能故障诊断方法及*** |
CN117272032A (zh) * | 2023-11-22 | 2023-12-22 | 青岛埃恩斯信息技术科技有限公司 | 一种基于振动检测的空压机故障诊断方法与装置 |
Non-Patent Citations (2)
Title |
---|
YINGYING JIANG: "《Remote Monitoring and Fault Diagnosis of Mine Hoist Operation System》", 《INNOVATIVE COMPUTING》, 15 October 2022 (2022-10-15), pages 835 * |
李新: "《煤矿采煤机远程在线故障诊断***设计》", 《矿山机械》, no. 1, 10 January 2024 (2024-01-10), pages 1 * |
Also Published As
Publication number | Publication date |
---|---|
CN118092401B (zh) | 2024-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109489977B (zh) | 基于KNN-AdaBoost的轴承故障诊断方法 | |
CN102705078B (zh) | 基于灰色模型的柴油机故障预测方法 | |
CN111914873A (zh) | 一种两阶段云服务器无监督异常预测方法 | |
CN102765643A (zh) | 基于数据驱动的电梯故障诊断与预警方法 | |
CN111563524A (zh) | 一种多站融合***运行态势异常监测和告警合并方法 | |
CN111322082B (zh) | 一种tbm滚刀状态监测及故障诊断方法、*** | |
CN104614179A (zh) | 一种风电机组齿轮箱状态监测方法 | |
CN114861827A (zh) | 基于多源数据融合的采煤机预测诊断与健康管理方法 | |
CN109347853A (zh) | 基于深度包解析的面向综合电子***的异常检测方法 | |
CN113738595A (zh) | 一种风力发电机组叶片状态监测方法及其*** | |
CN112069666B (zh) | 一种基于概率潮流法的电网短期可靠性评估方法 | |
CN112598144A (zh) | 基于相关性分析的cnn-lstm突发故障预警方法 | |
CN113641486A (zh) | 一种基于边缘计算网络架构的道岔智能故障诊断方法 | |
CN117728587B (zh) | 一种新能源发电设备运行数据的实时监控***及方法 | |
CN117151684A (zh) | 风电风机数据分析预警方法、***、装置及可读存储介质 | |
CN114666117A (zh) | 一种面向电力互联网的网络安全态势度量和预测方法 | |
CN118092401B (zh) | 煤矿井下设备故障诊断与预测性维护平台 | |
CN117668730A (zh) | 基于深度学习算法的煤矿井下刮板机负载异常检测方法 | |
CN111934903A (zh) | 一种基于时序演化基因的Docker容器故障智能预测方法 | |
CN116523722A (zh) | 一种具备机器学习能力的环境监测分析*** | |
CN114167837B (zh) | 一种铁路信号***的智能故障诊断方法及*** | |
CN113098640B (zh) | 一种基于频道占用度预测的频谱异常检测方法 | |
CN113947223A (zh) | 一种智能化设备健康管理***及方法 | |
CN112434871A (zh) | 一种透平膨胀机预测性维护方法 | |
Wang et al. | Time series fragmental variation trend anomaly detection method based on a temporal sequential modeling approach |
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 |