CN110849617A - 传送带故障检测方法、装置、计算机设备和存储介质 - Google Patents
传送带故障检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110849617A CN110849617A CN201911161742.1A CN201911161742A CN110849617A CN 110849617 A CN110849617 A CN 110849617A CN 201911161742 A CN201911161742 A CN 201911161742A CN 110849617 A CN110849617 A CN 110849617A
- Authority
- CN
- China
- Prior art keywords
- data sequence
- current
- conveyor belt
- training data
- fault detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/023—Power-transmitting endless elements, e.g. belts or chains
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (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)
- Acoustics & Sound (AREA)
- Control Of Conveyors (AREA)
Abstract
本申请涉及一种传送带故障检测方法、装置、计算机设备和存储介质，通过采集传送带的当前数据序列，对当前数据序列进行特征提取得到当前数据特征集合，将当前数据特征集合输入预先训练好的目标传送带故障检测模型中，进一步地，目标传送带故障检测模型输出当前数据序列的故障检测值，根据当前数据序列的故障检测值确定传送带当前的工作状态。相对于传统的手持式振动故障检测设备检测的方式，该方法可以在得到训练好的目标传送带故障检测模型后，直接将从传送带的当前数据序列中提取到的当前数据特征集合输入，得到当前数据序列的故障检测值，从而确定传送带当前的工作状态，检测过程智能化，减少人力投入，提高检测效率。
Description
技术领域
本申请涉及人工智能数据处理技术领域，特别是涉及一种传送带故障检测方法、装置、计算机设备和存储介质。
背景技术
传送带是人类日常生活必不可少的物品之一，在生活中有很大的应用价值，比如应用于自动扶梯、自动人行道、自动装卸货传送带、生产流水线等等。在使用过程中，需要对传送带进行检测维护，以保证传送带的正常使用，减少安全隐患，避免事故发生。
传统方案中，通过使用手持式振动故障检测设备来对传送带进行检测，需要投入大量人力，劳动强度大，检测效率较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高检测效率的传送带故障检测方法、装置、计算机设备和存储介质。
一种传送带振动故障检测方法，所述方法包括：
采集传送带的当前数据序列；所述当前数据序列为一定时间间隔内按时间先后顺序采集的数据序列；
对所述当前数据序列进行特征提取，得到所述当前数据序列的当前数据特征集合；
将所述当前数据特征集合输入目标传送带故障检测模型；所述目标传送带故障检测模型是通过测试数据序列集合对初始传送带故障检测模型进行参数调整得到的；所述初始传送带故障检测模型是通过对训练数据序列集合进行分类计算得到的；其中，所述测试数据序列集合和所述训练数据集合是由所述传送带的历史数据序列集合分割得到的；
所述目标传送带故障检测模型输出所述当前数据序列的故障检测值，根据所述当前数据序列的故障检测值确定所述传送带当前的工作状态。
在其中一个实施例中，所述训练数据序列集合中的各个训练数据序列携带数据状态标记值，所述初始传送带故障检测模型的训练步骤包括：
对所述训练数据序列集合中各个训练数据序列进行特征提取，得到各个训练数据序列的训练数据特征集合；
对各个训练数据序列的各个训练数据特征根据当前分类算法进行分类计算得到所述各个训练数据特征对应的分数，将所述各个训练数据特征对应的分数赋予权重后相加，得到所述各个训练数据序列的故障检测值；
将所述各个训练数据序列的故障检测值与对应的数据状态标记值比对，当比对结果不符合预设条件时，更新所述当前分类算法，返回所述对各个训练数据序列的各个训练数据特征根据当前分类算法进行分类计算得到所述各个训练数据特征对应的分数的步骤，直到比对结果符合预设条件，根据符合预设条件时对应的各个训练数据特征对应的分数和权重建立所述初始传送带故障检测模型。
在其中一个实施例中，所述对各个训练数据序列的各个训练数据特征进行分类计算得到所述各个训练数据特征对应的分数，将所述各个训练数据特征对应的分数赋予权重后相加，得到所述各个训练数据序列的故障检测值包括：
根据各个训练数据序列确定所述各个训练数据特征的优先级；
根据所述各个训练数据特征的优先级对所述各个训练数据特征进行分类，得到当前优先级的训练数据特征的类别，根据所述当前优先级的训练数据特征的类别确定所述当前优先级的训练数据特征对应的分数；
根据所述当前优先级的训练数据特征对应的分数确定各个训练数据序列的当前优先级检测损失值；
根据所述当前优先级检测损失值和历史检测损失值确定各个训练数据序列的当前检测损失值；所述历史检测损失值由各个历史优先级检测损失值计算得到；
当所述各个训练数据序列的当前检测损失值大于预设的检测损失阈值时，执行所述根据所述各个训练数据特征的优先级对所述各个训练数据特征进行分类，得到当前优先级的训练数据特征的类别的步骤；
当所述各个训练数据序列的当前检测损失值不大于预设的检测损失阈值时，根据所述各个训练数据序列的当前检测损失值确定各个训练数据序列的故障检测值。
在其中一个实施例中，在所述根据所述当前优先级检测损失值和历史检测损失值确定各个训练数据序列的当前检测损失值之后，还包括：
根据所述各个训练数据序列的当前检测损失值和上一个检测损失值，计算得到当前检测损失差值；
当当前检测损失差值大于检测损失差值阈值时，执行所述根据所述各个训练数据特征的优先级对所述各个训练数据特征进行分类，得到当前优先级的训练数据特征的类别的步骤；
当当前检测损失差值不大于检测损失差值阈值时，根据所述各个训练数据序列的当前检测损失值确定各个训练数据序列的故障检测值。
在其中一个实施例中，所述测试数据序列集合中的各个测试数据序列携带数据状态标记值，所述初始传送带故障检测模型的参数调整步骤包括：
对所述测试数据序列集合中各个测试数据序列进行特征提取，得到各个测试数据序列的训练数据特征集合；
将所述各个测试数据序列的测试数据特征集合输入所述初始传送带故障检测模型，得到所述测试数据序列集合中各个测试数据序列的故障检测值；
根据所述各个测试数据序列的故障检测值和各个测试数据序列的数据状态标记值，计算得到所述初始传送带故障检测模型的性能评估值；
根据所述性能评估值调整所述初始传送带故障检测模型的参数，当所述性能评估值达到预设性能评估阈值时，得到目标传送带故障检测模型。
在其中一个实施例中，所述目标传送带故障检测模型输出所述当前数据序列的故障检测值，根据所述当前数据序列的故障检测值确定所述传送带当前的工作状态包括：
当所述当前数据序列的故障检测值等于预设的故障状态标记值时，得到所述传送带当前的工作状态为故障状态；
当所述当前数据序列的故障检测值等于预设的非故障状态标记值时，得到所述传送带当前的工作状态为非故障状态。
在其中一个实施例中，在所述目标传送带故障检测模型输出所述当前数据序列的故障检测值，根据所述当前数据序列的故障检测值确定所述传送带当前的工作状态之后，还包括：
当所述传送带当前的工作状态为故障时，发出警告。
一种传送带故障检测装置，所述装置包括：
当前数据序列采集模块，用于采集传送带的当前数据序列；所述当前数据序列为一定时间间隔内按时间先后顺序采集的数据序列；
当前数据特征集合提取模块，用于对所述当前数据序列进行特征提取，得到所述当前数据序列的当前数据特征集合；
目标传送带故障检测模型检测模块，用于将所述当前数据特征集合输入目标传送带故障检测模型；所述目标传送带故障检测模型是通过测试数据序列集合对初始传送带故障检测模型进行参数调整得到的；所述初始传送带故障检测模型是通过对训练数据序列集合进行分类计算得到的；其中，所述测试数据序列集合和所述训练数据集合是由所述传送带的历史数据序列集合分割得到的；
传送带工作状态确定模块，用于所述目标传送带故障检测模型输出所述当前数据序列的故障检测值，根据所述当前数据序列的故障检测值确定所述传送带当前的工作状态。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
采集传送带的当前数据序列；所述当前数据序列为一定时间间隔内按时间先后顺序采集的数据序列；
对所述当前数据序列进行特征提取，得到所述当前数据序列的当前数据特征集合；
将所述当前数据特征集合输入目标传送带故障检测模型；所述目标传送带故障检测模型是通过测试数据序列集合对初始传送带故障检测模型进行参数调整得到的；所述初始传送带故障检测模型是通过对训练数据序列集合进行分类计算得到的；其中，所述测试数据序列集合和所述训练数据集合是由所述传送带的历史数据序列集合分割得到的；
所述目标传送带故障检测模型输出所述当前数据序列的故障检测值，根据所述当前数据序列的故障检测值确定所述传送带当前的工作状态。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
采集传送带的当前数据序列；所述当前数据序列为一定时间间隔内按时间先后顺序采集的数据序列；
对所述当前数据序列进行特征提取，得到所述当前数据序列的当前数据特征集合；
将所述当前数据特征集合输入目标传送带故障检测模型；所述目标传送带故障检测模型是通过测试数据序列集合对初始传送带故障检测模型进行参数调整得到的；所述初始传送带故障检测模型是通过对训练数据序列集合进行分类计算得到的；其中，所述测试数据序列集合和所述训练数据集合是由所述传送带的历史数据序列集合分割得到的；
所述目标传送带故障检测模型输出所述当前数据序列的故障检测值，根据所述当前数据序列的故障检测值确定所述传送带当前的工作状态。
上述传送带故障检测方法、装置、计算机设备和存储介质，通过采集传送带的当前数据序列，对当前数据序列进行特征提取得到当前数据特征集合，将当前数据特征集合输入预先训练好的目标传送带故障检测模型中，进一步地，目标传送带故障检测模型输出当前数据序列的故障检测值，根据当前数据序列的故障检测值确定传送带当前的工作状态。相对于传统的手持式振动故障检测设备检测的方式，该方法可以在得到训练好的目标传送带故障检测模型后，直接将从传送带的当前数据序列中提取到的当前数据特征集合输入，得到当前数据序列的故障检测值，从而确定传送带当前的工作状态，检测过程智能化，减少人力投入，提高检测效率。
附图说明
图1为一个实施例中传送带故障检测方法的应用场景图；
图2为一个实施例中传送带故障检测方法的流程示意图；
图3为一个实施例中目标传送带故障检测模型训练方法的流程示意图；
图4为一个实施例中初始传送带故障检测模型训练方法的流程示意图；
图5为一个实施例中训练数据序列故障检测值计算方法的流程示意图；
图6为另一个实施例中传送带故障检测方法的流程示意图；
图7为一个实施例中传送带故障检测装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的传送带故障检测方法，可以应用于如图1所示的应用环境中。其中，传感器104通过USB与终端106连接。传感器104采集传送带102在历史运行中产生的历史数据序列集合，通过USB将历史数据序列集合传输给终端106。终端106对历史数据序列集合进行分割，得到训练数据序列集合和测试训练集合，对训练数据集合进行分类计算得到初始传送带故障检测模型，再利用测试数据序列对初始传送带故障检测模型进行参数调整，得到目标传送带故障检测模型。在得到目标传送带故障检测模型后，传感器104采集传送带102当前运行中产生的当前数据序列，通过USB将当前数据序列集合传输给终端106。终端106对当前数据序列进行特征提取，得到当前数据序列的当前数据特征集合。进一步地，将终端106将当前数据特征集合输入目标传送带故障检测模型中，得带当前数据序列的故障检测值，从而确定传送带当前的工作状态。其中，终端106可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。
在一个实施例中，如图2所示，提供了一种传送带故障检测方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤202，采集传送带的当前数据序列；当前数据序列为一定时间间隔内按时间先后顺序采集的数据序列。
其中，传送带的当前数据序列是由传感器在一定时间间隔内按时间先后顺序采集的传送带在当前工作状态下产生的数据序列，因此当前数据序列具有时间特征，反映了传送带随时间变化的工作状态。
具体地，传送带的当前数据序列可以是传送带当前运行时产生的振动数据序列。根据所测量的传送带的振动频率，振动数据可以是加速度、速度、位移中的至少一个。当传送带当前的振动频率较低时，可以将当前传送带的位移作为振动数据；当传送带当前的振动频率较高时，可以将当前传送带的加速度作为振动数据；当传送带当前的振动频率适中时，可以将当前传送带的速度作为振动数据。优选地，当传送带当前的振动频率在10Hz到500Hz之间时，传感器可以在一定时间间隔内采集传送带当前的振动位移，得到传送带的当前数据序列；当传送带当前的振动频率在10Hz到10kHz之间时，传感器可以在一定时间间隔内采集传送带当前的振动加速度，得到传送带的当前数据序列；当传送带当前的振动频率在10Hz到1kHz之间时，传感器可以在一定时间间隔内采集传送带当前的振动速度，得到传送带的当前数据序列。其中，振动位移、振动加速度和振动速度指的是传送带在运行时上下左右晃动产生的位移、加速度和速度。
在一个实施例中，终端可以使用kafka来读取传感器采集的当前数据序列。
步骤204，对当前数据序列进行特征提取，得到当前数据序列的当前数据特征集合。
其中，特征处理是通过对当前数据序列的处理和加工，将当前数据序列通过数据处理、特征提取，得到数据特征的过程。数据处理的过程包括数据抽取、数据清洗和数据转换。
具体地，由于传感器在采集当前数据序列的过程中，会采集到大量的数据。大量的数据中可能会包含与当前传送带故障检测无关的数据，所以终端需要对传感器采集到的大量数据进行抽取，从而得到与当前传送带故障检测相关的数据。而与当前传送带故障检测相关的数据中可能会存在部分缺失的数据或者异常数据，所以终端在得到与当前传送带故障检测相关的数据后，对其进行检测，进行数据清洗。当检测到部分缺失的数据时，可以对部分缺失的数据进行填充；当检测到异常数据时，可以将异常数据剔除或者将异常数据修正；从而得到与当前传送带故障检测相关的正常数据。
进一步地，终端在与当前传送带故障检测相关的正常数据中进行特征提取。当前数据特征可以是当前数据序列的统计特征，例如当前数据序列的最大值、最小值和均值等统计特征值。当前数据特征集合也可以是当前数据序列的时间特性，例如当前数据序列的振动周期。
在一个实施例中，终端可以通过Spark Streaming来对当前数据序列进行数据处理和特征提取。
在一个实施例中，在得到当前数据序列的当前数据特征集合之后，当目标传送带故障检测模型无法直接识别当前数据特征集合时，可以通过Spark Streaming将当前数据特征集合转换为目标传送带故障检测模型可识别的格式，例如矩阵数据表。
步骤206，将当前数据特征集合输入目标传送带故障检测模型；目标传送带故障检测模型是通过测试数据序列集合对初始传送带故障检测模型进行参数调整得到的；初始传送带故障检测模型是通过对训练数据序列集合进行分类计算得到的；其中，测试数据序列集合和训练数据集合是由传送带的历史数据序列集合分割得到的。
其中，目标传送带故障检测模型是指通过图3所示的传送带故障检测训练方法训练出来的目标传送带故障检测模型。
具体地，历史数据序列集合中各个历史数据序列均携带数据状态标记值。其中数据状态包括故障和非故障，而一般情况下，非故障数据序列比故障数据序列要多得多，因此，在采集历史数据序列集合时通过对历史非故障数据序列欠采样的方式，来保持历史故障数据序列和历史非故障数据序列的均衡性，从而保证目标传送带故障检测模型的准确性。
在一个实施例中，可以先统计历史故障数据序列的数量，再根据历史故障数据序列的数据来提取相同数量的历史非故障数据。
进一步地，在步骤302中，将历史数据序列集合分割为训练数据序列集合和测试数据集合时可以是随机分割的，例如将历史数据序列集合中30％的历史数据序列组成测试数据序列集合，将70％的历史数据序列组成训练数据序列集合。在步骤304中，对训练数据序列集合中各个训练数据序列进行特征提取，得到各个训练数据序列的训练数据特征集合，根据各个训练数据序列的训练数据特征集合对各个训练数据序列进行分类计算，根据分类计算的结果建立初始传送带故障检测模型。步骤306，对测试数据序列集合中各个测试数据序列进行特征提取，得到各个测试数据序列对应的测试数据特征集合。步骤308，将将各个测试数据序列的测试数据特征集合输入初始传送带故障检测模型，得到各个测试数据序列的故障检测结果，根据各个测试数据序列的故障检测结果，调整初始传送带故障检测模型的参数，得到目标传送带故障检测模型。
步骤208，目标传送带故障检测模型输出当前数据序列的故障检测值，根据当前数据序列的故障检测值确定传送带当前的工作状态。
其中，传送带的工作状态包括故障和非故障。
具体地，在将当前数据序列的当前数据特征集合输入至目标传送带故障检测模型后，目标传送带故障检测模型会输出当前数据序列对应的故障检测值，当前数据序列的故障检测值可以直接反映出传送带当前的工作状态。例如，可以预先设定故障状态的数据标记值为-1，非故障状态的数据标记值为+1，那么当目标传送带故障检测模型输出当前数据序列的故障检测值为-1时，说明传送带当前的工作状态为故障。
上述传送带故障检测方法中，通过采集传送带的当前数据序列，对当前数据序列进行特征提取得到当前数据特征集合，将当前数据特征集合输入预先训练好的目标传送带故障检测模型中，进一步地，目标传送带故障检测模型输出当前数据序列的故障检测值，根据当前数据序列的故障检测值确定传送带当前的工作状态。相对于传统的手持式振动故障检测设备检测的方式，该方法可以在得到训练好的目标传送带故障检测模型后，直接将从传送带的当前数据序列中提取到的当前数据特征集合输入，得到当前数据序列的故障检测值，从而确定传送带当前的工作状态，检测过程智能化，减少人力投入，提高检测效率。
在一个实施例中，训练数据序列集合中的各个训练数据序列携带数据状态标记值，初始传送带故障检测模型的训练步骤包括：对训练数据序列集合中各个训练数据序列进行特征提取，得到各个训练数据序列的训练数据特征集合；对各个训练数据序列的各个训练数据特征根据当前分类算法进行分类计算得到各个训练数据特征对应的分数，将各个训练数据特征对应的分数赋予权重后相加，得到各个训练数据序列的故障检测值；将各个训练数据序列的故障检测值与对应的数据状态标记值比对，当比对结果不符合预设条件时，更新当前分类算法，返回对各个训练数据序列的各个训练数据特征根据当前分类算法进行分类计算得到各个训练数据特征对应的分数的步骤，直到比对结果符合预设条件，根据符合预设条件时对应的各个训练数据特征对应的分数和权重建立初始传送带故障检测模型。
其中，初始传送带故障检测模型的训练步骤如图4所示。
具体地，步骤402，在各个训练数据序列中提取训练数据特征集合。其中提取训练数据特征集合可以是计算各个训练数据序列的最大值、最小值、均值、方差、中位数等统计特征值。步骤404，利用分类算法对训练数据特征集合中各个训练数据特征进行分类计算得到各个训练数据特征对应的分数，将各个训练数据特征对应的分数赋予权重后相加，得到各个训练数据序列的故障检测值。其中，分类算法可以是二分法。例如，在步骤402得到一个训练数据序列的最大值为11，均值为6，步骤404的分类算法设为最大值小于10时得+1分，大于等于10时得-1分；均值小于5时得+1分，大于等于5时得-1分，将最大值得分的权重设为40％，将均值得分的权重设为60％。那么该训练数据序列在最大值这一训练数据特征中得到的分数为-1分，在均值这一训练数据特征中得到的分数为-1分，则该训练数据序列的得分为(-1)×40％+(-1)×60％＝-1。步骤406，判断各个训练数据序列的故障检测值是否与对应的数据状态标记值匹配。假设上述训练数据序列的数据状态标记值为-1，那么进入步骤408，建立一个分类算法为“最大值小于10时得+1分，大于等于10时得-1分；均值小于5时得+1分，大于等于5时得-1分，将最大值得分的权重设为60％，将均值得分的权重设为40％”的初始传送带故障检测模型。假设上述训练数据序列的数据状态标记值为+1，说明上述分类算法有误，那么进入步骤410，对分类算法进行更新，然后进入步骤404，直至各个训练数据序列的故障检测值与对应的数据状态标记值匹配。
在本实施例中，通过对各个训练数据序列进行分类计算，当各个训练数据序列的故障检测值与对应的数据状态标记值匹配时建立初始传送带故障检测模型，提高初始传送带故障检测模型检测的准确性。
在一个实施例中，对各个训练数据序列的各个训练数据特征进行分类计算得到各个训练数据特征对应的分数，将各个训练数据特征对应的分数赋予权重后相加，得到各个训练数据序列的故障检测值包括：根据各个训练数据序列确定各个训练数据特征的优先级；根据各个训练数据特征的优先级对各个训练数据特征进行分类，得到当前优先级的训练数据特征的类别；根据当前优先级的训练数据特征的类别确定当前优先级的训练数据特征对应的分数，根据当前优先级的训练数据特征对应的分数确定各个训练数据序列的当前优先级检测损失值；根据当前优先级检测损失值和历史检测损失值确定各个训练数据序列的当前检测损失值；历史检测损失值由各个历史优先级检测损失值计算得到；当各个训练数据序列的当前检测损失值大于预设的检测损失阈值时，执行根据各个训练数据特征的优先级对各个训练数据特征进行分类，得到当前优先级的训练数据特征的类别的步骤；当各个训练数据序列的当前检测损失值不大于预设的检测损失阈值时，根据各个训练数据序列的当前检测损失值确定各个训练数据序列的故障检测值。
其中，由于不同的训练数据特征对训练数据序列计算故障检测值的贡献程度不同，因此需要根据训练数据序列对各个训练数据特征赋予不同的优先级别。例如，当训练数据序列的最大值或最小值严重超出正常范围时，可以直接由该最大值或最小值的得分判定该训练数据序列对应传送带当时的工作状态为故障状态，不需要再根据该训练数据序列的均值或其他统计特征值来判断。并且，当训练数据序列中只有某个值严重超出正常范围，而其他数据都在正常范围内的话，很可能计算得到的均值是落在正常范围内的，因此，此时应该优先对该训练数据的最大值或最小值进行分类，计算得分。
具体地，训练数据序列的故障检测值计算过程如图5所示。步骤502，由训练数据序列中各个训练数据的数值分布来确定各个训练数据特征分类计算的优先级。步骤504，读取当前优先级的训练数据特征，对当前优先级的训练特征进行分类计算得到对应的分数。步骤506，由该分数计算得到当前优先级的故障检测值，计算当前优先级的故障检测值与对应的数据状态标记值的差值，得到当前优先级检测损失值。步骤508，将当前优先级检测损失值与历史检测损失值拟合，得到当前检测损失值。其中，历史检测损失值是由各个历史优先级检测损失值拟合得到的。步骤510，判断当前检测损失值与预设的检测损失阈值间的大小关系，当当前检测损失值大于预设的检测损失阈值时，进入步骤512，读取下一个优先级的训练数据特征；当当前检测损失值不大于预设的检测损失阈值时，进入步骤514，将当前检测损失值对应的当前故障检测值作为训练数据序列的故障检测值。
在本实施例中，根据训练数据特征的优先级来计算训练数据序列的故障检测值，能够更加快速、准确地得到训练数据序列的故障检测值。
在一个实施例中，在根据当前优先级检测损失值和历史检测损失值确定各个训练数据序列的当前检测损失值之后，还包括：根据各个训练数据序列的当前检测损失值和上一个检测损失值，计算得到当前检测损失差值；当当前检测损失差值大于检测损失差值阈值时，执行根据所述各个训练数据特征的优先级对各个训练数据特征进行分类，得到当前优先级的训练数据特征的类别的步骤；当当前检测损失差值不大于检测损失差值阈值时，根据各个训练数据序列的当前检测损失值确定各个训练数据序列的故障检测值。
其中，相邻两个检测损失值的差值可以反映出检测损失值的减小趋势，得到故障检测值的收敛程度，从而判断是否需要继续拟合计算故障检测值。
具体地，根据当前检测损失值和上一个检测损失值计算得到当前检测损失差值。当当前检测损失差值大于检测损失差值阈值时，说明当前故障检测值还可以更加收敛，即可以再读取下一个优先级的训练数据特征，计算下一个优先级检测损失值来对当前检测损失值进一步拟合，提高当前故障损失值的准确度。当当前检测损失差值不大于检测损失差值阈值时，说明当前故障检测值已经到达了收敛极限，即使再读取下一个优先级的训练数据特征，计算下一个优先级检测损失值来拟合当前检测损失值，也无法再提高故障检测的精度，因此，直接将当前检测损失值对应的当前故障检测值作为训练数据序列的故障检测值，防止过拟合，提高故障检测值的计算效率。
在一个实施例中，使用XGBoost算法来建立初始传送带故障检测模型。该初始传送带故障检测模型的参数可以是学习率、最小叶子节点样本权重和、树的最大深度等等。其中，XGBoost是一种提升树模型，通过多个决策树的迭代，不断减少损失误差，最终得到所要的模型。即XGBoost可以根据训练数据序列的训练数据特征来生长决策树，决策树对训练数据特征进行分类，最终落在决策树中一个对应的叶子节点上，得到对应的分数。根据训练数据特征的优先级不断分裂决策树来拟合检测损失值，最终训练得到多棵决策树，将每棵决策树即每个训练数据特征对应的分数相加，即可得到训练数据序列的故障检测值。
在本实施例中，通过计算当前检测损失差值来判断是否要再进一步拟合当前检测损失值来计算训练数据序列的故障检测值，提高传送带故障检测的准确性和效率。
在一个实施例中，测试数据序列集合中的各个测试数据序列携带数据状态标记值，初始传送带故障检测模型的参数调整步骤包括：对测试数据序列集合中各个测试数据序列进行特征提取，得到各个测试数据序列的测试数据特征集合；将各个测试数据序列的测试数据特征集合输入初始传送带故障检测模型，得到测试数据序列集合中各个测试数据序列的故障检测值；根据各个测试数据序列的故障检测值和各个测试数据序列的数据状态标记值，计算得到初始传送带故障检测模型的性能评估值；根据性能评估值调整初始传送带故障检测模型的参数，当性能评估值达到预设性能评估阈值时，得到目标传送带故障检测模型。
其中，初始传送带故障检测模型是由训练数据序列集合训练得到的，也就是说，对于任一个训练数据序列来说，初始传送带故障检测模型都能够准确地计算出故障检测值。然而，实际使用过程中的数据并不完全与训练数据序列集合中的各个训练数据序列相同，为了保证故障检测的准确性，需要使用测试数据序列集合来对初始传送带故障检测模型的性能进行测试，调整初始传送带故障检测模型的参数，提高传送带故障检测的准确度。
具体地，对测试数据序列集合中各个测试数据序列进行特征提取，将各个测试数据序列的测试数据特征集合输入初始传送带故障检测模型，初始传送带故障检测模型会计算出各个测试数据序列的故障检测值。将各个测试数据序列的故障检测值与对应的数据状态标记值比对，当故障检测值与对应的数据状态标记值相同时，则说明初始传送带故障检测模型检测结果正确，当当故障检测值与对应的数据状态标记值不同时，则说明初始传送带故障检测模型检测结果错误。统计初始传送带故障检测模型检测结果中检测正确的次数和检测错误的次数，利用检测正确和检测错误的次数来计算初始故障检测模型的性能评估值。其中，性能评估值用于对初始传送带故障检测模型的性能进行评估，可以是准确率、召回率、精准率等。当初始故障检测模型的性能评估值达到预设的性能评估阈值时，将对应的初始传送带故障检测模型作为目标传送带故障检测模型。
在一个实施例中，可以使用多组参数来对训练数据序列集合进行训练，再根据每个训练数据特征的分数和权重来建立多个初始传送带故障检测模型。例如，参数可以是检测损失阈值、检测损失差值阈值。其中，检测损失阈值可以设为A和B，检测损失差值阈值可以设为X和Y，则可以构成四组参数。利用这四组参数来对训练数据特征集合进行分类计算，最终可以得到四个初始传送带故障检测模型。再将各个测试数据序列的测试数据特征集合输入这四个初始传送带故障检测模型中，输出各个测试数据序列在这四个初始传送带故障检测模型得到的故障检测值，对四个初始传送带故障检测模型的性能进行评估，选择性能最佳的初始传送带故障检测模型作为目标传送带故障检测模型。
在本实施例中，通过测试数据序列集合对初始传送带故障检测模型进行参数调整，得到目标传送带故障检测模型，提高传送带故障检测的准确性。
在一个实施例中，目标传送带故障检测模型输出当前数据序列的故障检测值，根据当前数据序列的故障检测值确定传送带当前的工作状态包括：当当前数据序列的故障检测值等于预设的故障状态标记值时，得到传送带当前的工作状态为故障状态；当当前数据序列的故障检测值等于预设的非故障状态标记值时，得到传送带当前的工作状态为非故障状态。
具体地，故障状态标记值和非故障状态标记值为预设的数据状态标记值，用于与当前数据序列进行比对，判断当前数据序列对应的数据状态。当当前数据序列的故障检测值等于预设的故障状态标记值时，则判定传送带当前的工作状态为故障状态；当当前数据序列的故障检测值等于预设的非故障状态标记值时，则判定传送带当前的工作状态为非故障状态。在一个实施例中，可以将故障状态标记值设为-1，将非故障状态标记值设为+1。在其他实施例中，也可以将故障状态标记值和非故障状态标记值设为其他值。
在本实施例中，通过与预设的数据状态标记值比对，可以直接得到传送带当前的工作状态，不存在概率问题，提高传送带故障检测的准确度和效率。
在一个实施例中，在目标传送带故障检测模型输出当前数据序列的故障检测值，根据当前数据序列的故障检测值确定传送带当前的工作状态之后，还包括：当传送带当前的工作状态为故障时，发出警告。
其中，警告是对传送带运维人员发出的维修提示。
具体地，在终端上传送带故障检测装置与第三方应用相关联，当传送带故障检测装置检测到传送带当前的工作状态为故障时，触发第三方应用发送维修提示消息至传送带运维人员对应的账号。
在一个实施例中，第三方应用可以是短信，即当检测到传送带当前的工作状态为故障时，发送短信至传送带运维人员，提示运维人员及时维修传送带。
在一个实施例中，第三方应用可以是微信，即当检测到传送带当前的工作状态为故障时，发送微信消息至传送带运维人员，提示运维人员及时维修传送带。
在本实施例中，终端通过将传送带故障检测装置与第三方应用相关联，可以在检测到传送带当前工作状态为故障时，发送维修提示消息至维修人员对应的账号，提示运维人员及时维修传送带，以保证传送带的正常使用，提高安全性。
在一个实施例中，如图6所示，提供了一种传送带故障检测方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤602，通过kafka(消息队列)读取传送带振动数据；
步骤604，将kafka读取到的数据存储到架构为hive+hbase的数据仓库中；
步骤606，Spark SQL组件读取hive/hbase中存储的历史数据序列集合；
步骤608，Spark SQL组件对hive/hbase中存储的历史数据序列集合进行数据处理，包括数据抽取、清洗、转换，将历史数据序列集合分割为训练数据序列集合和测试数据序列集合，数据特征提取等；
步骤610，根据XGBoost算法，对步骤608数据处理后的结果进行分类计算，根据计算结果得到性能最优的目标传送带故障检测模型；
步骤612，Spark Streaming组件读取kafka当前读取到的当前数据序列；
步骤614，Spark Streaming组件对当前数据序列进行数据处理，包括数据抽取、清洗、转换、数据特征提取等；
步骤616，将步骤614数据处理后的结果输入目标传送带故障检测模型中，对当前数据序列进行计算，输出当前的传送带故障检测值；
步骤618，根据当前的传送带故障检测值判断传送带当前是否发生故障，当判定传送带当前发生故障时，触发报警系统，对运维人员发出报警提示。
在本实施例中，通过kafka以及hive和hbase构成的分布式存储架构来读取和存储数据，可以满足海量数据的存储，具有较高的扩张性及安全性；通过Spark Streaming和Spark SQL组件来进行数据处理，可以提高数据处理的效率；由于XGBoost在传统的方法中对损失函数做了二次泰勒展开，并且在目标函数的基础上加入了正则项，所以通过XGBoost算法来构建目标传送带故障检测模型，可以提高目标传送带故障检测模型的性能；因此，使用本实施例的方法可以提高传送带故障检测的安全性、效率以及准确度。
应该理解的是，虽然图2-6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，提供了一种传送带故障检测装置700，包括：当前数据序列采集模块701、当前数据特征集合提取模块702，目标传送带故障检测模型检测模块703和传送带工作状态确定模块704，其中：
当前数据序列采集模块701，用于采集传送带的当前数据序列；当前数据序列为一定时间间隔内按时间先后顺序采集的数据序列；
当前数据特征集合提取模块702，用于对当前数据序列进行特征提取，得到当前数据序列的当前数据特征集合；
目标传送带故障检测模型检测模块703，用于将当前数据特征集合输入目标传送带故障检测模型；目标传送带故障检测模型是通过测试数据序列集合对初始传送带故障检测模型进行参数调整得到的；初始传送带故障检测模型是通过对训练数据序列集合进行分类计算得到的；其中，测试数据序列集合和训练数据集合是由传送带的历史数据序列集合分割得到的；
传送带工作状态确定模块704，用于目标传送带故障检测模型输出当前数据序列的故障检测值，根据当前数据序列的故障检测值确定传送带当前的工作状态。
在一个实施例中，训练数据序列集合中的各个训练数据序列携带数据状态标记值，传送带故障检测装置700还包括初始传送带故障检测模型训练模块605，用于对训练数据序列集合中各个训练数据序列进行特征提取，得到各个训练数据序列的训练数据特征集合；对各个训练数据序列的各个训练数据特征根据当前分类算法进行分类计算得到各个训练数据特征对应的分数，将各个训练数据特征对应的分数赋予权重后相加，得到各个训练数据序列的故障检测值；将各个训练数据序列的故障检测值与对应的数据状态标记值比对，当比对结果不符合预设条件时，更新当前分类算法，返回对各个训练数据序列的各个训练数据特征根据当前分类算法进行分类计算得到各个训练数据特征对应的分数的步骤，直到比对结果符合预设条件，根据符合预设条件时对应的各个训练数据特征对应的分数和权重建立初始传送带故障检测模型。
在一个实施例中，初始传送带故障检测模型训练模块705还用于根据各个训练数据序列确定各个训练数据特征的优先级；根据各个训练数据特征的优先级对各个训练数据特征进行分类，得到当前优先级的训练数据特征的类别；根据当前优先级的训练数据特征的类别确定当前优先级的训练数据特征对应的分数；根据当前优先级的训练数据特征对应的分数确定各个训练数据序列的当前优先级检测损失值；根据当前优先级检测损失值和历史检测损失值确定各个训练数据序列的当前检测损失值；历史检测损失值由各个历史优先级检测损失值计算得到；当各个训练数据序列的当前检测损失值大于预设的检测损失阈值时，执行根据各个训练数据特征的优先级对各个训练数据特征进行分类，得到当前优先级的训练数据特征的类别的步骤；当各个训练数据序列的当前检测损失值不大于预设的检测损失阈值时，根据各个训练数据序列的当前检测损失值确定各个训练数据序列的故障检测值。
在一个实施例中，初始传送带故障检测模型训练模块705还用于根据各个训练数据序列的当前检测损失值和上一个检测损失值，计算得到当前检测损失差值；当当前检测损失差值大于检测损失差值阈值时，执行根据所述各个训练数据特征的优先级对各个训练数据特征进行分类，得到当前优先级的训练数据特征的类别的步骤；当当前检测损失差值不大于检测损失差值阈值时，根据各个训练数据序列的当前检测损失值确定各个训练数据序列的故障检测值。
在一个实施例中，测试数据序列集合中的各个测试数据序列携带数据状态标记值，传送带故障检测装置700还包括初始传送带故障检测模型参数调整模块606，用于对测试数据序列集合中各个测试数据序列进行特征提取，得到各个测试数据序列的测试数据特征集合；将各个测试数据序列的测试数据特征集合输入初始传送带故障检测模型，得到测试数据序列集合中各个测试数据序列的故障检测值；根据各个测试数据序列的故障检测值和各个测试数据序列的数据状态标记值，计算得到初始传送带故障检测模型的性能评估值；根据性能评估值调整初始传送带故障检测模型的参数，当性能评估值达到预设性能评估阈值时，得到目标传送带故障检测模型。
在一个实施例中，传送带工作状态确定模块704还用于当当前数据序列的故障检测值等于预设的故障状态标记值时，得到传送带当前的工作状态为故障状态；当当前数据序列的故障检测值等于预设的非故障状态标记值时，得到传送带当前的工作状态为非故障状态。
在一个实施例中，传送带故障检测装置700还包括警告发出模块707，用于当传送带当前的工作状态为故障时，发出警告。
关于传送带故障检测装置的具体限定可以参见上文中对于传送带故障检测方法的限定，在此不再赘述。上述传送带故障检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种传送带故障检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：采集传送带的当前数据序列；当前数据序列为一定时间间隔内按时间先后顺序采集的数据序列；对当前数据序列进行特征提取，得到当前数据序列的当前数据特征集合；将当前数据特征集合输入目标传送带故障检测模型；目标传送带故障检测模型是通过测试数据序列集合对初始传送带故障检测模型进行参数调整得到的；初始传送带故障检测模型是通过对训练数据序列集合进行分类计算得到的；其中，测试数据序列集合和训练数据集合是由传送带的历史数据序列集合分割得到的；目标传送带故障检测模型输出当前数据序列的故障检测值，根据当前数据序列的故障检测值确定传送带当前的工作状态。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对训练数据序列集合中各个训练数据序列进行特征提取，得到各个训练数据序列的训练数据特征集合；对各个训练数据序列的各个训练数据特征根据当前分类算法进行分类计算得到各个训练数据特征对应的分数，将各个训练数据特征对应的分数赋予权重后相加，得到各个训练数据序列的故障检测值；将各个训练数据序列的故障检测值与对应的数据状态标记值比对，当比对结果不符合预设条件时，更新当前分类算法，返回对各个训练数据序列的各个训练数据特征根据当前分类算法进行分类计算得到各个训练数据特征对应的分数的步骤，直到比对结果符合预设条件，根据符合预设条件时对应的各个训练数据特征对应的分数和权重建立所述初始传送带故障检测模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据各个训练数据序列确定各个训练数据特征的优先级；根据各个训练数据特征的优先级对各个训练数据特征进行分类，得到当前优先级的训练数据特征的类别；根据当前优先级的训练数据特征的类别确定当前优先级的训练数据特征对应的分数；根据当前优先级的训练数据特征对应的分数确定各个训练数据序列的当前优先级检测损失值；根据当前优先级检测损失值和历史检测损失值确定各个训练数据序列的当前检测损失值；历史检测损失值由各个历史优先级检测损失值计算得到；当各个训练数据序列的当前检测损失值大于预设的检测损失阈值时，执行根据各个训练数据特征的优先级对各个训练数据特征进行分类，得到当前优先级的训练数据特征的类别的步骤；当各个训练数据序列的当前检测损失值不大于预设的检测损失阈值时，根据各个训练数据序列的当前检测损失值确定各个训练数据序列的故障检测值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据各个训练数据序列的当前检测损失值和上一个检测损失值，计算得到当前检测损失差值；当当前检测损失差值大于检测损失差值阈值时，执行根据所述各个训练数据特征的优先级对各个训练数据特征进行分类，得到当前优先级的训练数据特征的类别的步骤；当当前检测损失差值不大于检测损失差值阈值时，根据各个训练数据序列的当前检测损失值确定各个训练数据序列的故障检测值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对测试数据序列集合中各个测试数据序列进行特征提取，得到各个测试数据序列的训练数据特征集合；将各个测试数据序列的测试数据特征集合输入初始传送带故障检测模型，得到测试数据序列集合中各个测试数据序列的故障检测值；根据各个测试数据序列的故障检测值和各个测试数据序列的数据状态标记值，计算得到初始传送带故障检测模型的性能评估值；根据性能评估值调整初始传送带故障检测模型的参数，当性能评估值达到预设性能评估阈值时，得到目标传送带故障检测模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：当当前数据序列的故障检测值等于预设的故障状态标记值时，得到传送带当前的工作状态为故障状态；当当前数据序列的故障检测值等于预设的非故障状态标记值时，得到传送带当前的工作状态为非故障状态。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：当传送带当前的工作状态为故障时，发出警告。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：采集传送带的当前数据序列；当前数据序列为一定时间间隔内按时间先后顺序采集的数据序列；对当前数据序列进行特征提取，得到当前数据序列的当前数据特征集合；将当前数据特征集合输入目标传送带故障检测模型；目标传送带故障检测模型是通过测试数据序列集合对初始传送带故障检测模型进行参数调整得到的；初始传送带故障检测模型是通过对训练数据序列集合进行分类计算得到的；其中，测试数据序列集合和训练数据集合是由传送带的历史数据序列集合分割得到的；目标传送带故障检测模型输出当前数据序列的故障检测值，根据当前数据序列的故障检测值确定传送带当前的工作状态。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对训练数据序列集合中各个训练数据序列进行特征提取，得到各个训练数据序列的训练数据特征集合；对各个训练数据序列的各个训练数据特征根据当前分类算法进行分类计算得到各个训练数据特征对应的分数，将各个训练数据特征对应的分数赋予权重后相加，得到各个训练数据序列的故障检测值；将各个训练数据序列的故障检测值与对应的数据状态标记值比对，当比对结果不符合预设条件时，更新当前分类算法，返回对各个训练数据序列的各个训练数据特征根据当前分类算法进行分类计算得到各个训练数据特征对应的分数的步骤，直到比对结果符合预设条件，根据符合预设条件时对应的各个训练数据特征对应的分数和权重建立所述初始传送带故障检测模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据各个训练数据序列确定各个训练数据特征的优先级；根据各个训练数据特征的优先级对各个训练数据特征进行分类，得到当前优先级的训练数据特征的类别；根据当前优先级的训练数据特征的类别确定当前优先级的训练数据特征对应的分数；根据当前优先级的训练数据特征对应的分数确定各个训练数据序列的当前优先级检测损失值；根据当前优先级检测损失值和历史检测损失值确定各个训练数据序列的当前检测损失值；历史检测损失值由各个历史优先级检测损失值计算得到；当各个训练数据序列的当前检测损失值大于预设的检测损失阈值时，执行根据各个训练数据特征的优先级对各个训练数据特征进行分类，得到当前优先级的训练数据特征的类别的步骤；当各个训练数据序列的当前检测损失值不大于预设的检测损失阈值时，根据各个训练数据序列的当前检测损失值确定各个训练数据序列的故障检测值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据各个训练数据序列的当前检测损失值和上一个检测损失值，计算得到当前检测损失差值；当当前检测损失差值大于检测损失差值阈值时，执行根据所述各个训练数据特征的优先级对各个训练数据特征进行分类，得到当前优先级的训练数据特征的类别的步骤；当当前检测损失差值不大于检测损失差值阈值时，根据各个训练数据序列的当前检测损失值确定各个训练数据序列的故障检测值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对所述测试数据序列集合中各个测试数据序列进行特征提取，得到各个测试数据序列的测试数据特征集合；将各个测试数据序列的测试数据特征集合输入初始传送带故障检测模型，得到测试数据序列集合中各个测试数据序列的故障检测值；根据各个测试数据序列的故障检测值和各个测试数据序列的数据状态标记值，计算得到初始传送带故障检测模型的性能评估值；根据性能评估值调整初始传送带故障检测模型的参数，当性能评估值达到预设性能评估阈值时，得到目标传送带故障检测模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：当当前数据序列的故障检测值等于预设的故障状态标记值时，得到传送带当前的工作状态为故障状态；当当前数据序列的故障检测值等于预设的非故障状态标记值时，得到传送带当前的工作状态为非故障状态。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：当传送带当前的工作状态为故障时，发出警告。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，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，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种传送带故障检测方法，所述方法包括：
采集传送带的当前数据序列；所述当前数据序列为一定时间间隔内按时间先后顺序采集的数据序列；
对所述当前数据序列进行特征提取，得到所述当前数据序列的当前数据特征集合；
将所述当前数据特征集合输入目标传送带故障检测模型；所述目标传送带故障检测模型是通过测试数据序列集合对初始传送带故障检测模型进行参数调整得到的；所述初始传送带故障检测模型是通过对训练数据序列集合进行分类计算得到的；其中，所述测试数据序列集合和所述训练数据集合是由所述传送带的历史数据序列集合分割得到的；
所述目标传送带故障检测模型输出所述当前数据序列的故障检测值，根据所述当前数据序列的故障检测值确定所述传送带当前的工作状态。
2.根据权利要求1所述的方法，其特征在于，所述训练数据序列集合中的各个训练数据序列携带数据状态标记值，所述初始传送带故障检测模型的训练步骤包括：
对所述训练数据序列集合中各个训练数据序列进行特征提取，得到各个训练数据序列的训练数据特征集合；
对各个训练数据序列的各个训练数据特征根据当前分类算法进行分类计算得到所述各个训练数据特征对应的分数，将所述各个训练数据特征对应的分数赋予权重后相加，得到所述各个训练数据序列的故障检测值；
将所述各个训练数据序列的故障检测值与对应的数据状态标记值比对，当比对结果不符合预设条件时，更新所述当前分类算法，返回所述对各个训练数据序列的各个训练数据特征根据当前分类算法进行分类计算得到所述各个训练数据特征对应的分数的步骤，直到比对结果符合预设条件，根据符合预设条件时对应的各个训练数据特征对应的分数和权重建立所述初始传送带故障检测模型。
3.根据权利要求2所述的方法，其特征在于，所述对各个训练数据序列的各个训练数据特征进行分类计算得到所述各个训练数据特征对应的分数，将所述各个训练数据特征对应的分数赋予权重后相加，得到所述各个训练数据序列的故障检测值包括：
根据各个训练数据序列确定所述各个训练数据特征的优先级；
根据所述各个训练数据特征的优先级对所述各个训练数据特征进行分类，得到当前优先级的训练数据特征的类别，根据所述当前优先级的训练数据特征的类别确定所述当前优先级的训练数据特征对应的分数；
根据所述当前优先级的训练数据特征对应的分数确定各个训练数据序列的当前优先级检测损失值；
根据所述当前优先级检测损失值和历史检测损失值确定各个训练数据序列的当前检测损失值；所述历史检测损失值由各个历史优先级检测损失值计算得到；
当所述各个训练数据序列的当前检测损失值大于预设的检测损失阈值时，执行所述根据所述各个训练数据特征的优先级对所述各个训练数据特征进行分类，得到当前优先级的训练数据特征的类别的步骤；
当所述各个训练数据序列的当前检测损失值不大于预设的检测损失阈值时，根据所述各个训练数据序列的当前检测损失值确定各个训练数据序列的故障检测值。
4.根据权利要求3所述的方法，其特征在于，在所述根据所述当前优先级检测损失值和历史检测损失值确定各个训练数据序列的当前检测损失值之后，还包括：
根据所述各个训练数据序列的当前检测损失值和上一个检测损失值，计算得到当前检测损失差值；
当当前检测损失差值大于检测损失差值阈值时，执行所述根据所述各个训练数据特征的优先级对所述各个训练数据特征进行分类，得到当前优先级的训练数据特征的类别的步骤；
当当前检测损失差值不大于检测损失差值阈值时，根据所述各个训练数据序列的当前检测损失值确定各个训练数据序列的故障检测值。
5.根据权利要求1所述的方法，其特征在于，所述测试数据序列集合中的各个测试数据序列携带数据状态标记值，所述初始传送带故障检测模型的参数调整步骤包括：
对所述测试数据序列集合中各个测试数据序列进行特征提取，得到各个测试数据序列的测试数据特征集合；
将所述各个测试数据序列的测试数据特征集合输入所述初始传送带故障检测模型，得到所述测试数据序列集合中各个测试数据序列的故障检测值；
根据所述各个测试数据序列的故障检测值和各个测试数据序列的数据状态标记值，计算得到所述初始传送带故障检测模型的性能评估值；
根据所述性能评估值调整所述初始传送带故障检测模型的参数，当所述性能评估值达到预设性能评估阈值时，得到目标传送带故障检测模型。
6.根据权利要求1所述的方法，其特征在于，所述目标传送带故障检测模型输出所述当前数据序列的故障检测值，根据所述当前数据序列的故障检测值确定所述传送带当前的工作状态包括：
当所述当前数据序列的故障检测值等于预设的故障状态标记值时，得到所述传送带当前的工作状态为故障状态；
当所述当前数据序列的故障检测值等于预设的非故障状态标记值时，得到所述传送带当前的工作状态为非故障状态。
7.根据权利要求1所述的方法，其特征在于，在所述目标传送带故障检测模型输出所述当前数据序列的故障检测值，根据所述当前数据序列的故障检测值确定所述传送带当前的工作状态之后，还包括：
当所述传送带当前的工作状态为故障时，发出警告。
8.一种传送带故障检测装置，其特征在于，所述装置包括：
当前数据序列采集模块，用于采集传送带的当前数据序列；所述当前数据序列为一定时间间隔内按时间先后顺序采集的数据序列；
当前数据特征集合提取模块，用于对所述当前数据序列进行特征提取，得到所述当前数据序列的当前数据特征集合；
目标传送带故障检测模型检测模块，用于将所述当前数据特征集合输入目标传送带故障检测模型；所述目标传送带故障检测模型是通过测试数据序列集合对初始传送带故障检测模型进行参数调整得到的；所述初始传送带故障检测模型是通过对训练数据序列集合进行分类计算得到的；其中，所述测试数据序列集合和所述训练数据集合是由所述传送带的历史数据序列集合分割得到的；
传送带工作状态确定模块，用于所述目标传送带故障检测模型输出所述当前数据序列的故障检测值，根据所述当前数据序列的故障检测值确定所述传送带当前的工作状态。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911161742.1A CN110849617A (zh) | 2019-11-22 | 2019-11-22 | 传送带故障检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911161742.1A CN110849617A (zh) | 2019-11-22 | 2019-11-22 | 传送带故障检测方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110849617A true CN110849617A (zh) | 2020-02-28 |
Family
ID=69604025
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911161742.1A Pending CN110849617A (zh) | 2019-11-22 | 2019-11-22 | 传送带故障检测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110849617A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113138091A (zh) * | 2021-04-23 | 2021-07-20 | 西安建筑科技大学 | 一种移动式破碎机短轴组件故障检测装置及方法 |
| CN113781511A (zh) * | 2021-09-17 | 2021-12-10 | 深圳市赛为智能股份有限公司 | 传送带边缘磨损检测方法、装置、计算机设备及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102730384A (zh) * | 2012-06-12 | 2012-10-17 | 马钢(集团)控股有限公司 | 一种应用于皮带机输送系统的故障检测系统及其方法 |
| CN203048087U (zh) * | 2013-01-25 | 2013-07-10 | 曹洪勇 | 一种矿山煤炭输送带故障监测装置 |
| CN108268970A (zh) * | 2017-12-05 | 2018-07-10 | 盈盛资讯科技有限公司 | 一种基于htm的传送带故障预测方法、系统及装置 |
| CN108304287A (zh) * | 2018-01-22 | 2018-07-20 | 腾讯科技（深圳）有限公司 | 一种磁盘故障检测方法、装置以及相关设备 |
| CN109190670A (zh) * | 2018-08-02 | 2019-01-11 | 大连理工大学 | 一种基于可扩展提升树的充电桩故障预测方法 |
| CN109242041A (zh) * | 2018-09-28 | 2019-01-18 | 南方电网科学研究院有限责任公司 | 一种电能表异常数据检测方法、装置、设备及存储介质 |
| CN109617715A (zh) * | 2018-11-27 | 2019-04-12 | 中盈优创资讯科技有限公司 | 网络故障诊断方法、系统 |
| CN109840541A (zh) * | 2018-12-05 | 2019-06-04 | 国网辽宁省电力有限公司信息通信分公司 | 一种基于XGBoost的电网变压器故障分类方法 |
| CN209214668U (zh) * | 2018-11-29 | 2019-08-06 | 兖州煤业股份有限公司 | 基于光纤光栅传感器的煤矿综采面皮带机监测及故障诊断系统 |
-
2019
- 2019-11-22 CN CN201911161742.1A patent/CN110849617A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102730384A (zh) * | 2012-06-12 | 2012-10-17 | 马钢(集团)控股有限公司 | 一种应用于皮带机输送系统的故障检测系统及其方法 |
| CN203048087U (zh) * | 2013-01-25 | 2013-07-10 | 曹洪勇 | 一种矿山煤炭输送带故障监测装置 |
| CN108268970A (zh) * | 2017-12-05 | 2018-07-10 | 盈盛资讯科技有限公司 | 一种基于htm的传送带故障预测方法、系统及装置 |
| CN108304287A (zh) * | 2018-01-22 | 2018-07-20 | 腾讯科技（深圳）有限公司 | 一种磁盘故障检测方法、装置以及相关设备 |
| CN109190670A (zh) * | 2018-08-02 | 2019-01-11 | 大连理工大学 | 一种基于可扩展提升树的充电桩故障预测方法 |
| CN109242041A (zh) * | 2018-09-28 | 2019-01-18 | 南方电网科学研究院有限责任公司 | 一种电能表异常数据检测方法、装置、设备及存储介质 |
| CN109617715A (zh) * | 2018-11-27 | 2019-04-12 | 中盈优创资讯科技有限公司 | 网络故障诊断方法、系统 |
| CN209214668U (zh) * | 2018-11-29 | 2019-08-06 | 兖州煤业股份有限公司 | 基于光纤光栅传感器的煤矿综采面皮带机监测及故障诊断系统 |
| CN109840541A (zh) * | 2018-12-05 | 2019-06-04 | 国网辽宁省电力有限公司信息通信分公司 | 一种基于XGBoost的电网变压器故障分类方法 |
Non-Patent Citations (1)
| Title |
|---|
| 钱力扬: "基于随机森林和XGBoost的大型风力机故障诊断方法研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113138091A (zh) * | 2021-04-23 | 2021-07-20 | 西安建筑科技大学 | 一种移动式破碎机短轴组件故障检测装置及方法 |
| CN113138091B (zh) * | 2021-04-23 | 2024-02-20 | 西安建筑科技大学 | 一种移动式破碎机短轴组件故障检测装置及方法 |
| CN113781511A (zh) * | 2021-09-17 | 2021-12-10 | 深圳市赛为智能股份有限公司 | 传送带边缘磨损检测方法、装置、计算机设备及存储介质 |
| CN113781511B (zh) * | 2021-09-17 | 2024-04-05 | 深圳市赛为智能股份有限公司 | 传送带边缘磨损检测方法、装置、计算机设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109242135B (zh) | 一种模型运营方法、装置、及业务服务器 | |
| CN109684118A (zh) | 异常数据的检测方法、装置、设备及计算机可读存储介质 | |
| CN110489314B (zh) | 模型异常检测方法、装置、计算机设备和存储介质 | |
| CN111914661A (zh) | 异常行为识别方法、目标异常识别方法、设备及介质 | |
| CN108133391A (zh) | 销量预测方法以及服务器 | |
| CN113762350A (zh) | 异常数据检测方法、装置、计算机设备和存储介质 | |
| CN110620905A (zh) | 视频监控方法、装置、计算机设备和存储介质 | |
| CN115239135A (zh) | 一种施工风险识别管控系统及方法 | |
| CN110888625B (zh) | 基于需求变更和项目风险对代码质量进行控制的方法 | |
| CN110849617A (zh) | 传送带故障检测方法、装置、计算机设备和存储介质 | |
| CN110928859A (zh) | 模型监控方法、装置、计算机设备和存储介质 | |
| CN110096036A (zh) | 一种设备状态的确定方法、装置及设备 | |
| CN109978261A (zh) | 确定负荷预测模型的方法、装置、可读介质及电子设备 | |
| WO2016148601A1 (ru) | Способ определения вида двигательной активности человека и устройство для его осуществления | |
| CN112113581B (zh) | 异常计步识别方法、计步方法、装置、设备及介质 | |
| CN113760670A (zh) | 电缆接头异常预警方法、装置、电子设备和存储介质 | |
| CN113591751A (zh) | 变电站异常情况告警方法、装置、计算机设备及存储介质 | |
| CN112200350A (zh) | 烟气排放预测方法、系统及计算机可读存储介质 | |
| CN115858606A (zh) | 时序数据的异常检测方法、装置、设备及存储介质 | |
| CN107085544B (zh) | 一种系统错误定位方法及装置 | |
| CN112926663A (zh) | 分类模型的训练方法、装置、计算机设备及存储介质 | |
| CN112633583A (zh) | 发电机组振动预测方法、装置、计算机设备和存储介质 | |
| CN110275896B (zh) | 光缆入侵施工事件识别方法、装置、设备及可读存储介质 | |
| CN113722230B (zh) | 针对模糊测试工具漏洞挖掘能力的集成化评估方法及装置 | |
| CN115242457A (zh) | 一种日志数据的检测方法、装置、电子设备和存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200228 |