CN110807481A - 一种基于多源数据的针对起重机械的故障预测方法 - Google Patents
一种基于多源数据的针对起重机械的故障预测方法 Download PDFInfo
- Publication number
- CN110807481A CN110807481A CN201911039968.4A CN201911039968A CN110807481A CN 110807481 A CN110807481 A CN 110807481A CN 201911039968 A CN201911039968 A CN 201911039968A CN 110807481 A CN110807481 A CN 110807481A
- Authority
- CN
- China
- Prior art keywords
- data
- layer
- fault
- source
- hoisting machinery
- 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.)
- Withdrawn
Links
Images
Classifications
-
- 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
-
- 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
- G06F18/10—Pre-processing; Data cleansing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种基于多源数据的针对起重机械的故障预测方法,包括如下步骤:S1、数据采集获得多源多传感器数据;S2、将获得的多源多传感器数据处理及转换,获取多源多传感器数据的规范数据频谱图;S3、将获取的多源多传感器数据的规范数据频谱图输入基于深度学习的起重机械故障预测模型;S4、基于深度学习的起重机械故障预测模型根据输入的多源多传感器数据的规范数据频谱输出相应的故障预测结果;基于深度学习的起重机械故障预测模型是由历史多源多传感器数据和相应故障类型数据训练获得的故障预测模型。本发明提供的故障预测方法较传统的方法更加的智能化和高效化,对特种设备的安全方面有了大大的提升,同时也提高了起重机械设备等的寿命。
Description
技术领域
本发明属于故障预测技术领域,尤其涉及一种基于多源数据的针对起重机的故障预测方法。
背景技术
质检总局关于2014年全国特种设备安全状况情况的通报,国内共发生特种设备事故283起,死亡282人,受伤330人。其中,起重机械事故起数所占化例为21.91%,死亡人数占34.75%。起重机械虽然定期检验检查检修,但是运行中的安全隐患极易导致故障的发生,从而引发事故。起重机械虽然没有切实贴近人们的日常生活,但是其相关的工作人员比较多,所以涉及人身安全、设备安全以及生产的安全,相比其他类特种设备,对起重机械的故障预测研究更具有必要性,目前通过收集国内外的文献期刊等资料,由于起重机械所具有的复杂工况及环境等众多因素,以及由于其结构的复杂程度上等原因并未发现有较多的在起重机械主要受力构件和关键零部件上的故障预测技术的解决方案。
发明内容
(一)要解决的技术问题
针对现有存在的技术问题,本发明提供一种基于多源数据的针对起重机械的故障预测方法。
(二)技术方案
为了达到上述目的,本发明采用的主要技术方案包括:
一种基于多源数据的针对起重机械的故障预测方法,包括如下步骤:
S1、数据采集获得多源多传感器数据;
S2、将获得的多源多传感器数据处理及转换,获取多源多传感器数据的规范数据频谱图;
S3、将获取的多源多传感器数据的规范数据频谱图输入基于深度学习的起重机械故障预测模型;
S4、基于深度学习的起重机械故障预测模型根据输入的多源多传感器数据的规范数据频谱输出相应的故障预测结果;
其中,所述基于深度学习的起重机械故障预测模型是由历史多源多传感器数据和相应故障类型数据训练获得的故障预测模型。
优选地,所述多源多传感器数据的来源至少包括:多传感器设备数据和安全监控管理系统运行数据的一种或多种;
所述多源多传感器数据至少包括:振动数据、重量数据、高度数据、行程数据、温度数据、电流电流数据和电压数据。
优选地,所述步骤S2中的数据处理至少包括数据预处理和数据清洗;
其中,所述数据清洗至少包括:噪声检验、噪声分离、缺失值检测和缺失值补充。
优选地,所述步骤S2中的数据转换包括如下步骤:
根据多源多传感器数据固定时间S毫秒内分块,绘成时序波,利用傅里叶变换运算分解时序波,求解各个频带的能量值,进而获取规范数据频谱图。
优选地,所述方法还包括:在步骤S1之前建立基于深度学习的起重机械故障预测模型。
优选地,所述基于深度学习的起重机械故障预测模型包括:输入层、n1卷积层、m1采样层、n2卷积层、m2采样层、全连接层和softmax输出层;
所述输入层与所述n1卷积层连接;
所述n1卷积层连接还与所述m1采样层;
所述m1采样层还与所述n2卷积层连接;
所述n2卷积层连接还与所述m2采样层连接;
所述m2采样层还与所述全连接层连接;
所述全连接层还与所述softmax输出层连接。
优选地,所述故障预测结果至少包括:金属结构故障、吊索具故障、制动器故障、减速器故障和电气故障的一种或多种。
(三)有益效果
本发明的有益效果是:本发明提供的一种基于多源数据的针对起重机械的故障预测方法,具有以下有益效果:
本发明较传统的方法更加的智能化和高效化,对特种设备的安全方面有了大大的提升,同时也提高了起重机械设备等的寿命,同时也提高了操作员及现场的安全度,进而可以减少起重机械的事故率,间接的减少企业的成本,提高企业生产效益。
附图说明
图1为本发明提供一种基于多源数据的针对起重机械的故障预测方法的实施例中的深度学习方法的故障预测流程示意图图;
图2为本发明提供一种基于多源数据的针对起重机械的故障预测方法的实施例中的数据处理方面的功能模块思路图;
图3为本发明提供一种基于多源数据的针对起重机械的故障预测方法的实施例中的卷积神经网络框架结构示意图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
如图1所示:本实施例公开了一种基于多源数据的针对起重机械的故障预测方法,包括如下步骤:
S1、数据采集获得多源多传感器数据;
S2、将获得的多源多传感器数据处理及转换,获取多源多传感器数据的规范数据频谱图;
S3、将获取的多源多传感器数据的规范数据频谱图输入基于深度学习的起重机械故障预测模型;
S4、基于深度学习的起重机械故障预测模型根据输入的多源多传感器数据的规范数据频谱输出相应的故障预测结果;
其中,所述基于深度学习的起重机械故障预测模型是由历史多源多传感器数据和相应故障类型数据训练获得的故障预测模型。
本实施例中所述多源多传感器数据的来源至少包括:多传感器设备数据和安全监控管理系统运行数据的一种或多种;
所述多源多传感器数据至少包括:振动数据、重量数据、高度数据、行程数据、温度数据、电流电流数据和电压数据。
本实施例中所述步骤S2中的数据处理至少包括数据预处理和数据清洗;
其中,所述数据清洗至少包括:噪声检验、噪声分离、缺失值检测和缺失值补充。
本实施例中所述步骤S2中的数据转换包括如下步骤:
根据多源多传感器数据固定时间S毫秒内分块,绘成时序波,利用傅里叶变换运算分解时序波,求解各个频带的能量值,进而获取规范数据频谱图。
本实施例中所述方法还包括:在步骤S1之前建立基于深度学习的起重机械故障预测模型。
本实施例中所述基于深度学习的起重机械故障预测模型包括:输入层、n1卷积层、m1采样层、n2卷积层、m2采样层、全连接层和softmax输出层;
所述输入层与所述n1卷积层连接;
所述n1卷积层连接还与所述m1采样层;
所述m1采样层还与所述n2卷积层连接;
所述n2卷积层连接还与所述m2采样层连接;
所述m2采样层还与所述全连接层连接;
所述全连接层还与所述softmax输出层连接。
本实施例中所述的故障预测结果至少包括:金属结构故障、吊索具故障、制动器故障、减速器故障和电气故障的一种或多种。
如图2所示:本实施例中对起重机械多源数据的采集和转换,进而达到数据融合的效果,供后期模型的分析,包括数据源、数据获取、数据预处理、数据清洗、数据评价、数据转换、规范数据。
数据源可由起重机械安全监控管理系统运行数据、多个设备的多个传感器数据等组成,即通过传感器采集到的多个设备数据,通过接口及推送等进行数据获取。
由于数据是多源的,存在设备来源不同、类型多样、属性复杂等特点,在数据清洗前要对数据进行数据预处理,为数据清洗提供基础,可采用标记法,通过规范标记来标识来源、类型等属性,且可同数据清洗规则进行封装处理形成数据封装包;
数据清洗部分,在数据预处理提供的数据基础上,可采用聚类分析、关联分析、时间序列分析等去噪和缺失值检测填补等工作,确保数据的一致性、完整性与有效性。
根据特种设备起重机械的数据质量评价体系来评价数据,其中此数据质量评价不在本发明范围内,属于应用范畴。
数据转换方面,可通过数据泛化、数据规范化、数据属性构建等基本操作实现,进而提供出供后续模型分析和预测的规范的数据。
参照附图1、2所示,实施所述的一种基于多源数据针对起重机械的深度学习故障预测方法,如下所示:
1、通过多传感器采集的各设备的数据,振动、重量、高度、行程、温度、电流、电压等起重机械传感器数据(包括安全监控管理系统运行数据);
2、将采集数据按照图1的思路进行数据预处理、数据清洗、数据质量评估及数据转换成规范数据,根据数据固定时间s毫秒内来分块,绘成时序波,利用傅里叶变换运算分解时序波,求取各个频带的能量值,进而获取各频谱图;
3、利用数据处理后的规范数据频谱图等训练卷积神经网络模型;
4、构造输入层:把预处理转换后的规范数据频谱图作为输入层,利用多传感器采集设备传感数据的故障数据及正常工作数据,其各频谱图作为输入层。
5、构造卷积神经网络的卷积层,由N个卷积滤波器组成,滤波得到N个特征图n1;
6、下采样层对特征图采用分别对N个特征图进行a*a大小的领域进行加权求和或者取其最大值等运算,再乘乘子偏差,加位移偏差,通过激活函数得到最后的下采样特征图m1;
7、重复步骤4和5,m1再做输入层,得到第二层卷积层n2,再得到下采样层m2,这样重复下去便使得特征图变小直到最后一次滤波的一维数据;
8、紧接着构造密集连接层,对最后的一维数据加入K个神经元的全连接层,乘上全连接层的权重矩阵,加上偏置,再使用激活函数,得到最后的全连接层;
9、构造输出层:与全连接层相连的是softmax层,以桥式起重机为例将起重机械故障分为金属结构故障、吊索具故障、制动器故障、减速器故障、电气故障,故选择构造输出层为5个神经元输出针对每个故障类型的预测结果。
如图3所示:卷积神经网络思路图,如果输入层为多源数据处理后规范数据的一定时间的频谱图32×32,第一层卷积层n1采用8个卷积核得到8个28×28的特征图,经过采样层m1得到8个采样后的14×14特征图;经过n2第二层卷积层,可以由20个卷积核构成,进而得到20个10×10的特征图,同样再次经过采样层m2得到20个5×5的特征图,然后通过光栅与全连层相连,通过提取整体的特征信息得到高层特征向量,方便用于分类器的输入即softmax,输出预想的故障5种各类型的预测情况,以上例子过程说明仅为针对上述提出的相关卷积神经网络方法的一个实例,关于输入大小及卷积层、卷积核、采样层等通道数可以变化,深度也是可以改变的。
10、采用Adam算法代替传统的随机梯度下降对以上采用的深度学习方法的误差梯度方面做最速下降优化,离线训练模型。
11、利用训练好的卷积神经网络模型,根据规范数据,可预测哪类故障及故障率,方便采取相应的措施。
以上结合具体实施例描述了本发明的技术原理,这些描述只是为了解释本发明的原理,不能以任何方式解释为对本发明保护范围的限制。基于此处解释,本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式,这些方式都将落入本发明的保护范围之内。
Claims (7)
1.一种基于多源数据的针对起重机械的故障预测方法,其特征在于,包括如下步骤:
S1、数据采集获得多源多传感器数据;
S2、将获得的多源多传感器数据处理及转换,获取多源多传感器数据的规范数据频谱图;
S3、将获取的多源多传感器数据的规范数据频谱图输入基于深度学习的起重机械故障预测模型;
S4、基于深度学习的起重机械故障预测模型根据输入的多源多传感器数据的规范数据频谱输出相应的故障预测结果;
其中,所述基于深度学习的起重机械故障预测模型是由历史多源多传感器数据和相应故障类型数据训练获得的故障预测模型。
2.根据权利要求1所述的预测方法,其特征在于,
所述多源多传感器数据的来源至少包括:多传感器设备数据和安全监控管理系统运行数据的一种或多种;
所述多源多传感器数据至少包括:振动数据、重量数据、高度数据、行程数据、温度数据、电流电流数据和电压数据。
3.根据权利要求1所述的预测方法,其特征在于,
所述步骤S2中的数据处理至少包括数据预处理和数据清洗;
其中,所述数据清洗至少包括:噪声检验、噪声分离、缺失值检测和缺失值补充。
4.根据权利要求1所述的预测方法,其特征在于,
所述步骤S2中的数据转换包括如下步骤:
根据多源多传感器数据固定时间S毫秒内分块,绘成时序波,利用傅里叶变换运算分解时序波,求解各个频带的能量值,进而获取规范数据频谱图。
5.根据权利要求1所述的预测方法,其特征在于,所述方法还包括:在步骤S1之前建立基于深度学习的起重机械故障预测模型。
6.根据权利要求5所述的预测方法,其特征在于,所述基于深度学习的起重机械故障预测模型包括:输入层、n1卷积层、m1采样层、n2卷积层、m2采样层、全连接层和softmax输出层;
所述输入层与所述n1卷积层连接;
所述n1卷积层连接还与所述m1采样层;
所述m1采样层还与所述n2卷积层连接;
所述n2卷积层连接还与所述m2采样层连接;
所述m2采样层还与所述全连接层连接;
所述全连接层还与所述softmax输出层连接。
7.根据权利要求1所述的预测方法,其特征在于,
所述故障预测结果至少包括:金属结构故障、吊索具故障、制动器故障、减速器故障和电气故障的一种或多种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911039968.4A CN110807481A (zh) | 2019-10-29 | 2019-10-29 | 一种基于多源数据的针对起重机械的故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911039968.4A CN110807481A (zh) | 2019-10-29 | 2019-10-29 | 一种基于多源数据的针对起重机械的故障预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110807481A true CN110807481A (zh) | 2020-02-18 |
Family
ID=69489531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911039968.4A Withdrawn CN110807481A (zh) | 2019-10-29 | 2019-10-29 | 一种基于多源数据的针对起重机械的故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110807481A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361819A (zh) * | 2021-07-08 | 2021-09-07 | 武汉中科牛津波谱技术有限公司 | 一种线性预测方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107238507A (zh) * | 2017-06-20 | 2017-10-10 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的工业设备故障预测方法 |
-
2019
- 2019-10-29 CN CN201911039968.4A patent/CN110807481A/zh not_active Withdrawn
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107238507A (zh) * | 2017-06-20 | 2017-10-10 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的工业设备故障预测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361819A (zh) * | 2021-07-08 | 2021-09-07 | 武汉中科牛津波谱技术有限公司 | 一种线性预测方法及装置 |
CN113361819B (zh) * | 2021-07-08 | 2023-04-07 | 武汉中科牛津波谱技术有限公司 | 一种线性预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107238507B (zh) | 一种基于深度学习的工业设备故障预测方法 | |
CN110766192B (zh) | 基于深度学习的钻井井漏预测系统及方法 | |
CN112989712B (zh) | 一种基于5g边缘计算和深度学习的航空发动机故障诊断方法 | |
CN107324214B (zh) | 海洋平台起重机智能状态监测方法 | |
CN104794283B (zh) | 基于离群特征分析的柴油机故障灰预测方法 | |
CN108627720B (zh) | 一种基于贝叶斯算法的电力设备状态监测方法 | |
CN111507489A (zh) | 一种云边协同的游乐设备故障预测与健康管理系统及方法 | |
CN106354118A (zh) | 一种基于故障树的列车故障诊断系统及方法 | |
CN108873859B (zh) | 基于改进关联规则的桥式抓斗卸船机故障预测模型方法 | |
CN106219342A (zh) | 基于时频转换算法的电梯自诊断及预诊断系统和方法 | |
CN110457786B (zh) | 基于深度置信网络的卸船机关联规则故障预测模型方法 | |
CN109029589B (zh) | 一种桥梁结构安全状态监测系统 | |
CN107145675A (zh) | 基于bp神经网络算法的电力变压器故障诊断装置及方法 | |
CN204113701U (zh) | 一种矿井风机在线监测与故障诊断系统 | |
CN113656915B (zh) | 一种基于深度注意力网络的轴承剩余寿命预测方法 | |
CN103010887B (zh) | 电梯运行钢索监控视频分析方法及其分析系统 | |
CN107424626A (zh) | 一种岸桥小车轨道声音监测及故障识别系统 | |
CN112305388B (zh) | 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 | |
CN115022187B (zh) | 一种电-气综合能源系统态势感知方法与装置 | |
CN110807481A (zh) | 一种基于多源数据的针对起重机械的故障预测方法 | |
CN114002597A (zh) | 基于gru网络定子电流分析的电机故障诊断方法与系统 | |
CN108761263A (zh) | 一种基于证据理论的故障诊断系统 | |
CN112801033A (zh) | 基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法 | |
CN109030976B (zh) | 一种电力电子设备监测诊断系统和方法 | |
CN113987905A (zh) | 一种基于深度信念网络的自动扶梯制动力智能诊断系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200218 |
|
WW01 | Invention patent application withdrawn after publication |