CN111723449A - 一种矿井提升机恒减速制动系统性能退化评价方法 - Google Patents
一种矿井提升机恒减速制动系统性能退化评价方法 Download PDFInfo
- Publication number
- CN111723449A CN111723449A CN202010622944.8A CN202010622944A CN111723449A CN 111723449 A CN111723449 A CN 111723449A CN 202010622944 A CN202010622944 A CN 202010622944A CN 111723449 A CN111723449 A CN 111723449A
- Authority
- CN
- China
- Prior art keywords
- performance degradation
- performance
- index
- characteristic
- evaluation
- 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
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 187
- 230000015556 catabolic process Effects 0.000 title claims abstract description 184
- 238000011156 evaluation Methods 0.000 title claims abstract description 74
- 238000012360 testing method Methods 0.000 claims abstract description 69
- 239000013598 vector Substances 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000013210 evaluation model Methods 0.000 claims abstract description 13
- 230000003044 adaptive effect Effects 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 238000003745 diagnosis Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 230000036541 health Effects 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 230000002650 habitual effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 11
- 238000012423 maintenance Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000006378 damage Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000010187 selection method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011076 safety test Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Maintenance And Inspection Apparatuses For Elevators (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了矿井提升机性能研究技术领域的一种矿井提升机恒减速制动系统性能退化评价方法,包括如下步骤:进行安全制动测试试验;性能退化评价备选特征选择与特征参数综合选取;完善基于支持向量数据描述的性能退化评价模型;完善基于支持向量数据描述的性能指标和性能评价模型,提升机制动系统性能退化评价可以及时掌握制动系统性能退化程度,还可以进一步诊断分析造成性能退化的原因及严重程度,对实现制动系统的智能维护、保障其安全高效运行具有重要意义。
Description
技术领域
本发明涉及矿井提升机性能研究技术领域,具体为一种矿井提升机恒减速制动系统性能退化评价方法。
背景技术
机械设备性能退化评价技术在提高设备的可靠性和利用率、缩短停机维修时间、实现设备主动维护和智能维护方面有着重要的意义,是故障诊断技术的重要组成部分。机电设备在使用过程中通常可分为四个状态:正常状态、性能退化状态、故障状态和失效状态。从设备性能开始退化到设备完全失效,通常要经过一系列不同的性能退化阶段。如果能够在设备性能退化的过程中及时检测设备性能退化的程度,跟踪早期故障,即可以有针对性地组织生产和设备维护,有效防止设备异常失效的发生。
矿井提升机作为矿山生产流程中的关键设备,构建了地面和井下的联系,担负着提升煤炭、矿石、升降人员、材料和设备的重要任务。随着科技的迅猛发展,矿井提升机不断的向高速度、高精度、重载荷、高可靠性的方向发展;提升机的制动系统是保障提升机安全运行的最后一道屏障,在运行过程中,由于老化、磨损等原因,其性能会逐步退化,这不但降低了制动系统的可靠性,更增加了提升机发生故障的可能性;一旦制动系统发生故障,就可能影响整台设备甚至整个生产过程,造成巨大的经济损失,还可能导致灾难性的人员伤亡,造成严重事故。因此,开展制动系统性能退化评价研究,掌握其性能退化的程度及趋势,可以有效地避免设备突发故障,减少因设备意外停机而造成的生产损失和设备维护费用。但是在设备性能退化评价方面,国内外已开展了一系列相关研究,并取得了丰硕的成果,但依然存在一些问题:如研究主要集中在航空航天、水电机组或电子通讯等领域,鲜少有关矿井提升机制动系统性能退化评价的研究;从研究视角来说,目前的研究成果多关注设备局部零部件的性能退化评价,如轴承齿轮等单个零部件的相关研究,从设备系统整体视角的研究还处在理论研究阶段,故亟需设计出完整的针对矿井提升机制动系统的退化评价方法,基于此,本发明设计了一种矿井提升机恒减速制动系统性能退化评价方法,以解决上述问题。
发明内容
本发明的目的在于提供一种矿井提升机恒减速制动系统性能退化评价方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种矿井提升机恒减速制动系统性能退化评价方法,包括如下步骤:
S1:进行安全制动测试试验;
S2:性能退化评价备选特征选择与特征参数综合选取;通过采集制动系统在最优运行状况下的数据样本至少10组,最优运行状况指设备经过磨合达到设计性能后的初期运行状况;采集性能退化如弹簧刚度减小、摩擦系数下降时制动系统压力-时间数据至少各10组,将其中最优运行状况下的数据样本定义为制动系统的健康样本,其余为制动系统的性能退化样本,所有健康样本和性能退化样本组成性能退化数据库;
所述特征参数提取为提取各样本的29个特征值;
所述特征参数选择为利用特征综合评价规则选择出优化特征组成性能退化评价的特征向量;
S3:完善基于支持向量数据描述的性能退化评价模型;利用性能退化数据库样本的特征向量,使用支持向量数据描述方法构造性能退化模型;
S4:完善基于支持向量数据描述的性能指标和性能评价模型;利用性能退化数据库样本在性能退化模型中的距离定义出性能退化指标;利用健康样本的性能指标设定性能退化报警阈值;把安全制动测试采集到的压力-时间数据,经预处理、特征提取及选择以后,带入性能退化模型,即可获取设备当前的性能退化指标;判断性能指标是否大于自适应阈值,若大于自适应阈值,则测试数据归入健康样本,并更新性能退化模型和自适应阈值;若不大于自适应阈值,则测试数据归入故障样本。
进一步的,所述步骤S1具体为:在实施恒减速制动试验时不需要加载满负荷,同时使提升机的运行速度和制动减速度都适当降低,相当于提升机轻载或空载低速运行时的恒减速度恒减速制动;在安全制动测试试验时,采集制动系统的压力-时间数据,所述采样时间是从恒减速制动指令发出开始到提升机的速度降为零结束。
进一步的,所述步骤S2具体为:利用基于统计学理论的时域或频域特征具有物理意义明确、计算简单及实用性强的特点,广泛应用于各类故障诊断与性能退化评价中,所述选取的29种特征指标包括有量纲时域指标,其包括均值均方根值几何平均数xg、调和平均数Hn、极差r以及一至七阶的中心矩特征M'1,M'2,M'3,M'4,M'5,M'6,M'7;无量纲时域指标,其包括波形指标Sf、峰值指标Cf、峭度指标Kf、裕度指标CLf;三层小波包分解与重构中得到的第三层8个归一化子带能量E3,0,E3,1,E3,2,E3,3,E3,4,E3,5,E3,6,E3,7;6个不同的百分位数,其包括P98,P95,P92,P90,P80,P50,设X代表一个n维样本向量:X=[x1,x2,…,xn],定义向量X的百分位数pi为把向量X的n个数据按小到大排列,其第i%个数据即为pi的值,以及其余备选特征集。
进一步的,所述步骤S2中特征参数综合选取的方法具体为:包括相关性、单调性和预测性指标的特征参数综合选取;
(1)相关性
其中,x=(x1,x2,…,xn)为性能退化序列;
n为整个性能退化过程中监测次数;
t=(t1,t2,…,tn)为性能退化序列的采样时间序列;
(2)单调性
其中,x=(x1,x2,…,xn)为性能退化序列;
(3)预測性指标
其中,x1为特征参数在初始时刻的值;
xn为特征参数在失效时刻的值;
σ(xf)——特征参数的标准差。
所述特征参数综合评价方法具体为:综合考虑多个评价指标的贡献率,首先要把所得的各评价指标得分做归一化处理,即把各评价指标得分映射到[0,1]的范围内,归一化处理公式为:
其次经多位专家打分确定各评价指标的权重,选取确定的评价指标权重向量为(w1,w2,w3)=(0.3,0.3,0.4),即赋予相关性与单调性指标较小的权重和预测性指标较大的权重,
再次定义每个特征值得分为:
最后由特征优选判据判断第m个特征值是否为优选特征值,特征优选判据判断如下式:
式中,QH为特征值选择阈值。
进一步的,所述步骤S3具体为:利用性能退化数据库样本的特征向量,使用支持向量数据描述方法建立超球体模型后,把所有性能退化数据库中的样本逐个带入到超球体模型,计算每一个数据点xtest到超球体球心的距离Dtest;
以Dtest作为制动系统性能退化评价的依据,遵循Dtest越大,说明待测样本偏离正常值越远,制动系统的性能退化程度越大的原则,为符合人们的习惯思维,定义全部性能退化阶段的归一化距离为性能退化评价指标,其取值范围在[0,1],其中1表示性能最好,说明设备在最优状态下工作;0表示性能最差,说明设备到达正常指标的边缘,需要加强监测并准备检修。
进一步的,所述步骤S4具体为:所述性能指标定义为设备的性能评分PE,PE也表示系统的性能退化程度,即测试样本的PE定义为:
式中,Dmin表示所有性能退化数据库中与支持向量数据描述超球体模型中心点的最小距离,Dmax表示所有性能退化数据库中与支持向量数据描述超球体模型中心点的最大距离;当安全制动测试试验完成后,将当次安全制动测试试验数据处理后,得到其特征值向量,把特征值带入性能退化模型,利用公式(7)和(8)得到制动系统当前的性能指标;
所述性能评价模型的完善具体为:在设备运行初期性能退化数据库的样本数较少,不能涵盖所有制动系统性能退化状态,在运行中需要根据每次安全制动测试实验的性能分析结果逐步完善性能退化数据库。具体方法为判断性能指标是否大于零,若大于零还需判断判断性能指标是否大于自适应阈值,若大于自适应阈值,则测试数据归入健康样本,并更新性能退化模型和自适应阈值,若不大于自适应阈值,则测试数据归入性能退化样本;若性能指标是小于零则归入故障样本。
所述设定自适应性能退化报警的阈值目的为:由于制动系统属于大型、复杂、精密、长寿命的设备,无法获取全寿命周期数据,仅仅可以获得设备在最优状态下和少量性能退化状态下的运行数据,因此,需要设定性能退化报警阈值;在上述制动系统性能退化评价中,根据3σ准则设定报警阈值,具体方法是用性能健康时样本数据的性能指标计算其均值μ和方差σ,然后计算(μ-3σ),(μ-3σ)就是自适应性能退化报警的阈值。
与现有技术相比,本发明的有益效果是:本发明通过安全制动测试试验是空载或轻载、慢速、小减速度制动试验,减小了重载、高速、大减速度试验对制动系统及提升机的损害;定期检测制动系统性能,准确、直观、定量地描述提升机制动系统当前所处的性能退化状态,长期的数据可以得到性能变化曲线,便于设备的运行管理,也可以为提升机制动系统的状态检修和智能维护提供技术支持;同时提出基于相关性、单调性和预测性的一种性能退化评特征和选取方法,首先定义了相关性、单调性和预测性定义,然后提出了一种基于专家打分的特征参数综合选取方法;并且提出一种恒减速制动系统性能退化评价方法,用性能指标来评价制动系统的总体性能,在设备运行初期性能退化数据库的样本数较少,不能涵盖所有制动系统性能退化状态,在运行中需要根据每次定期检测的性能分析结果逐步完善性能退化数据库,同时也建立故障数据库,为进一步做故障诊断和性能退化原因诊断奠定基础,最后提出利用安全制动试验的压力-时间数据作为制动系统性能退化的表征参数,以提取特征参数进行制动系统总体的性能退化评价,仅利用压力传感器采集到的连续信号,就能获取性能退化的特征参数,对制动系统的总体性能进行评价,尤其是可以检测出摩擦系数减小等不易监测的故障。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,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他的附图。
图1为本发明方法流程图。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
请参阅图1,本发明提供一种技术方案:一种矿井提升机恒减速制动系统性能退化评价方法,包括如下步骤:
S1:进行安全制动测试试验;该测试试验在实施恒减速安全制动试验时不需要加载满负荷,提升机的运行速度和制动减速度都适当降低,仅相当于提升机轻载或空载低速运行时的恒减速度制动;在安全制动测试试验时,当提升机达到并稳定运行在测试速度后,提升机的两个罐笼(或箕斗)在井筒内相遇后(达同样高度时)开始实施安全制动,安全制动时采集制动系统的压力-时间数据,采样时间是从恒减速制动指令发出开始到提升机的速度降为零结束,采样频率设置10KHz。
S2:性能退化评价备选特征选择与特征参数综合选取;通过采集制动系统在最优运行状况下的数据样本至少10组,最优运行状况指设备经过磨合达到设计性能后的初期运行状况;采集性能退化如弹簧刚度减小、摩擦系数下降时制动系统压力-时间数据至少各10组,将其中最优运行状况下的数据样本定义为制动系统的健康样本,其余为制动系统的性能退化样本,所有健康样本和性能退化样本组成性能退化数据库;
所述特征参数提取为提取各样本的29个特征值;
所述特征参数选择为利用特征综合评价规则选择出优化特征组成性能退化评价的特征向量;
S3:完善基于支持向量数据描述的性能退化评价模型;利用性能退化数据库样本的特征向量,使用支持向量数据描述方法构造性能退化模型;
S4:完善基于支持向量数据描述的性能指标和性能评价模型;利用性能退化数据库样本在性能退化模型中的距离定义出性能退化指标;利用健康样本的性能指标设定性能退化报警阈值;把安全制动测试采集到的压力-时间数据,经预处理、特征提取及选择以后,带入性能退化模型,即可获取设备当前的性能退化指标;判断性能指标是否大于自适应阈值,若大于自适应阈值,则测试数据归入健康样本,并更新性能退化模型和自适应阈值;若不大于自适应阈值,则测试数据归入故障样本。
其中,所述步骤S1具体为:在实施恒减速制动试验时不需要加载满负荷,同时使提升机的运行速度和制动减速度都适当降低,相当于提升机轻载或空载低速运行时的恒减速度恒减速制动;在安全制动测试试验时,采集制动系统的压力-时间数据,所述采样时间是从恒减速制动指令发出开始到提升机的速度降为零结束;
所述步骤S2具体为:利用基于统计学理论的时域或频域特征具有物理意义明确、计算简单及实用性强的特点,广泛应用于各类故障诊断与性能退化评价中,所述选取的29种特征指标包括有量纲时域指标,其包括均值均方根值几何平均数xg、调和平均数Hn、极差r以及一至七阶的中心矩特征M'1,M'2,M'3,M'4,M'5,M'6,M'7;无量纲时域指标,其包括波形指标Sf、峰值指标Cf、峭度指标Kf、裕度指标CLf;三层小波包分解与重构中得到的第三层8个归一化子带能量E3,0,E3,1,E3,2,E3,3,E3,4,E3,5,E3,6,E3,7;6个不同的百分位数,其包括P98,P95,P92,P90,P80,P50,设X代表一个n维样本向量:X=[x1,x2,…,xn],定义向量X的百分位数pi为把向量X的n个数据按小到大排列,其第i%个数据即为pi的值,以及其余备选特征集;其余备选特征集各指标及其定义如表1所示:
表1-备选特征指标及其参数定义
所述步骤S2中特征参数综合选取的方法具体为:包括相关性、单调性和预测性指标的特征参数综合选取;
(1)相关性
其中,x=(x1,x2,…,xn)为性能退化序列;
n为整个性能退化过程中监测次数;
t=(t1,t2,…,tn)为性能退化序列的采样时间序列;
(2)单调性
其中,x=(x1,x2,…,xn)为性能退化序列;
(3)预測性指标
其中,x1为特征参数在初始时刻的值;
xn为特征参数在失效时刻的值;
σ(xf)——特征参数的标准差。
所述特征参数综合评价方法具体为:综合考虑多个评价指标的贡献率,首先要把所得的各评价指标得分做归一化处理,即把各评价指标得分映射到[0,1]的范围内,归一化处理公式为:
其次经多位专家打分确定各评价指标的权重,选取确定的评价指标权重向量为(w1,w2,w3)=(0.3,0.3,0.4),即赋予相关性与单调性指标较小的权重和预测性指标较大的权重,
再次定义每个特征值得分为:
最后由特征优选判据判断第m个特征值是否为优选特征值,特征优选判据判断如下式:
式中,QH为特征值选择阈值。
所述步骤S3具体为:利用性能退化数据库样本的特征向量,使用支持向量数据描述方法建立超球体模型后,把所有性能退化数据库中的样本逐个带入到超球体模型,计算每一个数据点xtest到超球体球心的距离Dtest;
以Dtest作为制动系统性能退化评价的依据,遵循Dtest越大,说明待测样本偏离正常值越远,制动系统的性能退化程度越大的原则,为符合人们的习惯思维,定义全部性能退化阶段的归一化距离为性能退化评价指标,其取值范围在[0,1],其中1表示性能最好,说明设备在最优状态下工作;0表示性能最差,说明设备到达正常指标的边缘,需要加强监测并准备检修。
所述步骤S4具体为:所述性能指标定义为设备的性能评分PE,PE也表示系统的性能退化程度,即测试样本的PE定义为:
式中,Dmin表示所有性能退化数据库中与支持向量数据描述超球体模型中心点的最小距离,Dmax表示所有性能退化数据库中与支持向量数据描述超球体模型中心点的最大距离;当安全制动测试试验完成后,将当次安全制动测试试验数据处理后,得到其特征值向量,把特征值带入性能退化模型,利用公式(7)和(8)得到制动系统当前的性能指标;
所述性能评价模型的完善具体为:在设备运行初期性能退化数据库的样本数较少,不能涵盖所有制动系统性能退化状态,在运行中需要根据每次安全制动测试实验的性能分析结果逐步完善性能退化数据库,判断性能指标是否大于零,若大于零还需判断判断性能指标是否大于自适应阈值,若大于自适应阈值,则测试数据归入健康样本,并更新性能退化模型和自适应阈值,若不大于自适应阈值,则测试数据归入性能退化样本;若性能指标是小于零则归入故障样本;
所述设定自适应性能退化报警的阈值目的为:由于制动系统属于大型、复杂、精密、长寿命的设备,无法获取全寿命周期数据,仅仅可以获得设备在最优状态下和少量性能退化状态下的运行数据,因此,需要设定性能退化报警阈值;在上述制动系统性能退化评价中,根据3σ准则设定报警阈值,具体方法是用性能健康时样本数据的性能指标计算其均值μ和方差σ,然后计算(μ-3σ),(μ-3σ)就是自适应性能退化报警的阈值。
本专利提出的性能退化评价首先通过现场实验(安全制动测试试验)采集压力-时间数据,得到性能退化数据库,然后从性能退化数据库样本中提取百分位数、均值、峭度因子和小波包分解重构时的能量熵等29个特征特征参数形成备选特征集合,并且根据特征综合评价规则选择出优选特征组成性能退化评价的特征向量,再后利用这些特征向量,构造基于人工智能算法的性能退化模型,最后利用性能退化模型作为在线监测制动系统健康状态的度量标准,把制动系统测试采集到的压力-时间数据,经预处理、特征提取及选择以后,带入性能退化模型,即可获取性能退化指标。
制动系统主要部件性能下降时,并不会立即引起制动系统故障,而是系统性能退化,这些退化表现为制动系统恒减速制动时系统压力降低、开闸间隙变大、合闸时间变长等;当系统性能退化到一定程度才会表现出制动减速度不符合要求、制动器开闸间隙过大等故障;制动系统在恒减速制动时的压力-时间数据隐含着丰富的运行状态信息,可以作为制动系统性能退化与故障诊断的表征参数,因此,本发明提出了采用恒减速制动时的压力-时间数据作为制动系统性能退化的表征参数,以提取特征参数进行制动系统总体的性能退化评价。
定义了安全制动测试试验,此测试方案在实施安全制动试验时不需要加载满负荷,提升机的运行速度和制动减速度都适当降低,仅相当于提升机空载(或轻载)低速运行时的恒减速度安全制动,该安全制动对提升机的损害程度小,可以定期进行测试,以检测制动系统的性能。
基于安全测试试验数据的制动系统性能评价方法,提出了综合相关性、单调性和预测性指标的性能退化评价特征参数选取方法;利用所选特征参数,结合人工智能方法建立的性能退化模型,实现了制动系统的性能退化程度的定期检测,能准确、直观、定量地描述提升机制动系统当前所处的性能退化状态。
结合制动系统性能退化评价流程图,首先进行安全制动测试试验,得到制动系统性能退化数据库,然后利用性能退化数据库,结合支持向量描述方法建立性能退化评价模型,最后把定期安全制动测试的数据带入性能退化评价模型,得到制动系统的性能指标。
提升机制动系统性能退化评价可以及时掌握制动系统性能退化程度,还可以进一步诊断分析造成性能退化的原因及严重程度,对实现制动系统的智能维护、保障其安全高效运行具有重要意义。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (6)
1.一种矿井提升机恒减速制动系统性能退化评价方法,其特征在于,包括如下步骤:
S1:进行安全制动测试试验;
S2:性能退化评价备选特征选择与特征参数综合选取;通过采集制动系统在最优运行状况下的数据样本至少10组,最优运行状况指设备经过磨合达到设计性能后的初期运行状况;采集性能退化如弹簧刚度减小、摩擦系数下降时制动系统压力-时间数据至少各10组,将其中最优运行状况下的数据样本定义为制动系统的健康样本,其余为制动系统的性能退化样本,所有健康样本和性能退化样本组成性能退化数据库;
所述特征参数提取为提取各样本的29个特征值;
所述特征参数选择为利用特征综合评价规则选择出优化特征组成性能退化评价的特征向量;
S3:完善基于支持向量数据描述的性能退化评价模型;利用性能退化数据库样本的特征向量,使用支持向量数据描述方法构造性能退化模型;
S4:完善基于支持向量数据描述的性能指标和性能评价模型;利用性能退化数据库样本在性能退化模型中的距离定义出性能退化指标;利用健康样本的性能指标设定性能退化报警阈值;把安全制动测试采集到的压力-时间数据,经预处理、特征提取及选择以后,带入性能退化模型,即可获取设备当前的性能退化指标;判断性能指标是否大于零,若大于零还需判断判断性能指标是否大于自适应阈值,若大于自适应阈值,则测试数据归入健康样本,并更新性能退化模型和自适应阈值,若不大于自适应阈值,则测试数据归入性能退化样本;若性能指标是小于零则归入故障样本。
2.根据权利要求1所述的一种矿井提升机恒减速制动系统性能退化评价方法,其特征在于:所述步骤S1具体为:在实施恒减速制动试验时不需要加载满负荷,同时使提升机的运行速度和制动减速度都适当降低,相当于提升机轻载或空载低速运行时的恒减速度恒减速制动;在安全制动测试试验时,采集制动系统的压力-时间数据,所述采样时间是从恒减速制动指令发出开始到提升机的速度降为零结束。
3.根据权利要求1所述的一种矿井提升机恒减速制动系统性能退化评价方法,其特征在于:所述步骤S2具体为:利用基于统计学理论的时域或频域特征具有物理意义明确、计算简单及实用性强的特点,广泛应用于各类故障诊断与性能退化评价中,所述选取的29种特征指标包括有量纲时域指标,其包括均值均方根值几何平均数xg、调和平均数Hn、极差r以及一至七阶的中心矩特征M′1,M′2,M′3,M′4,M′5,M′6,M′7;无量纲时域指标,其包括波形指标Sf、峰值指标Cf、峭度指标Kf、裕度指标CLf;三层小波包分解与重构中得到的第三层8个归一化子带能量E3,0,E3,1,E3,2,E3,3,E3,4,E3,5,E3,6,E3,7;6个不同的百分位数,其包括P98,P95,P92,P90,P80,P50,设X代表一个n维样本向量:X=[x1,x2,…,xn],定义向量X的百分位数pi为把向量X的n个数据按小到大排列,其第i%个数据即为pi的值,以及其余备选特征集。
4.根据权利要求1所述的一种矿井提升机恒减速制动系统性能退化评价方法,其特征在于:所述步骤S2中特征参数综合选取的方法具体为:包括相关性、单调性和预测性指标的特征参数综合选取;
(1)相关性
其中,x=(x1,x2,…,xn)为性能退化序列;
n为整个性能退化过程中监测次数;
t=(t1,t2,…,tn)为性能退化序列的采样时间序列;
(2)单调性
其中,x=(x1,x2,…,xn)为性能退化序列;
(3)预測性指标
其中,x1为特征参数在初始时刻的值;
xn为特征参数在失效时刻的值;
σ(xf)——特征参数的标准差。
所述特征参数综合评价方法具体为:综合考虑多个评价指标的贡献率,首先要把所得的各评价指标得分做归一化处理,即把各评价指标得分映射到[0,1]的范围内,归一化处理公式为:
其次经多位专家打分确定各评价指标的权重,选取确定的评价指标权重向量为(w1,w2,w3)=(0.3,0.3,0.4),即赋予相关性与单调性指标较小的权重和预测性指标较大的权重,
再次定义每个特征值得分为:
最后由特征优选判据判断第m个特征值是否为优选特征值,特征优选判据判断如下式:
式中,QH为特征值选择阈值。
5.根据权利要求1所述的一种矿井提升机恒减速制动系统性能退化评价方法,其特征在于:所述步骤S3具体为:利用性能退化数据库样本的特征向量,使用支持向量数据描述方法建立超球体模型后,把所有性能退化数据库中的样本逐个带入到超球体模型,计算每一个数据点xtest到超球体球心的距离Dtest;
以Dtest作为制动系统性能退化评价的依据,遵循Dtest越大,说明待测样本偏离正常值越远,制动系统的性能退化程度越大的原则,为符合人们的习惯思维,定义全部性能退化阶段的归一化距离为性能退化评价指标,其取值范围在[0,1],其中1表示性能最好,说明设备在最优状态下工作;0表示性能最差,说明设备到达正常指标的边缘,需要加强监测并准备检修。
6.根据权利要求5所述的一种矿井提升机恒减速制动系统性能退化评价方法,其特征在于:所述步骤S4具体为:所述性能指标定义为设备的性能评分PE,PE也表示系统的性能退化程度,即测试样本的PE定义为:
式中,Dmin表示所有性能退化数据库中与支持向量数据描述超球体模型中心点的最小距离,Dmax表示所有性能退化数据库中与支持向量数据描述超球体模型中心点的最大距离;当安全制动测试试验完成后,将当次安全制动测试试验数据处理后,得到其特征值向量,把特征值带入性能退化模型,利用公式(7)和(8)得到制动系统当前的性能指标;
所述性能评价模型的完善具体为:在设备运行初期性能退化数据库的样本数较少,不能涵盖所有制动系统性能退化状态,在运行中需要根据每次安全制动测试实验的性能分析结果逐步完善性能退化数据库,具体方法为判断性能指标是否大于零,若大于零还需判断判断性能指标是否大于自适应阈值,若大于自适应阈值,则测试数据归入健康样本,并更新性能退化模型和自适应阈值,若不大于自适应阈值,则测试数据归入性能退化样本;若性能指标是小于零则归入故障样本。
所述设定自适应性能退化报警的阈值目的为:由于制动系统属于大型、复杂、精密、长寿命的设备,无法获取全寿命周期数据,仅仅可以获得设备在最优状态下和少量性能退化状态下的运行数据,因此,需要设定性能退化报警阈值;在上述制动系统性能退化评价中,根据3σ准则设定报警阈值,具体方法是用性能健康时样本数据的性能指标计算其均值μ和方差σ,然后计算(μ-3σ),(μ-3σ)就是自适应性能退化报警的阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010622944.8A CN111723449B (zh) | 2020-06-30 | 2020-06-30 | 一种矿井提升机恒减速制动系统性能退化评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010622944.8A CN111723449B (zh) | 2020-06-30 | 2020-06-30 | 一种矿井提升机恒减速制动系统性能退化评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111723449A true CN111723449A (zh) | 2020-09-29 |
CN111723449B CN111723449B (zh) | 2024-02-20 |
Family
ID=72571035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010622944.8A Active CN111723449B (zh) | 2020-06-30 | 2020-06-30 | 一种矿井提升机恒减速制动系统性能退化评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111723449B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112478969A (zh) * | 2020-11-20 | 2021-03-12 | 浙江理工大学 | 一种基于制动力矩分析的升降机失效预测方法 |
CN113591248A (zh) * | 2021-08-09 | 2021-11-02 | 兰州理工大学 | 一种矿井提升机传动部件中轴承故障诊断方法 |
CN114964670A (zh) * | 2022-08-01 | 2022-08-30 | 宇一精工科技(南通)有限公司 | 一种密封橡胶圈缺陷检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203048383U (zh) * | 2013-02-05 | 2013-07-10 | 西安科技大学 | 矿井提升机盘式制动器空动时间传感器 |
CN106672726A (zh) * | 2017-01-11 | 2017-05-17 | 中国矿业大学 | 一种矿井提升机制动系统在线监测与报警装置 |
CN107562979A (zh) * | 2017-07-11 | 2018-01-09 | 江南大学 | 一种基于foa‑wsvdd的滚动轴承性能退化评估方法 |
US20190138926A1 (en) * | 2017-12-22 | 2019-05-09 | Beihang University | Degradation modeling and lifetime prediction method considering effective shocks |
US20200200648A1 (en) * | 2018-02-12 | 2020-06-25 | Dalian University Of Technology | Method for Fault Diagnosis of an Aero-engine Rolling Bearing Based on Random Forest of Power Spectrum Entropy |
-
2020
- 2020-06-30 CN CN202010622944.8A patent/CN111723449B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203048383U (zh) * | 2013-02-05 | 2013-07-10 | 西安科技大学 | 矿井提升机盘式制动器空动时间传感器 |
CN106672726A (zh) * | 2017-01-11 | 2017-05-17 | 中国矿业大学 | 一种矿井提升机制动系统在线监测与报警装置 |
CN107562979A (zh) * | 2017-07-11 | 2018-01-09 | 江南大学 | 一种基于foa‑wsvdd的滚动轴承性能退化评估方法 |
US20190138926A1 (en) * | 2017-12-22 | 2019-05-09 | Beihang University | Degradation modeling and lifetime prediction method considering effective shocks |
US20200200648A1 (en) * | 2018-02-12 | 2020-06-25 | Dalian University Of Technology | Method for Fault Diagnosis of an Aero-engine Rolling Bearing Based on Random Forest of Power Spectrum Entropy |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112478969A (zh) * | 2020-11-20 | 2021-03-12 | 浙江理工大学 | 一种基于制动力矩分析的升降机失效预测方法 |
CN112478969B (zh) * | 2020-11-20 | 2022-02-11 | 浙江理工大学 | 一种基于制动力矩分析的升降机失效预测方法 |
CN113591248A (zh) * | 2021-08-09 | 2021-11-02 | 兰州理工大学 | 一种矿井提升机传动部件中轴承故障诊断方法 |
CN114964670A (zh) * | 2022-08-01 | 2022-08-30 | 宇一精工科技(南通)有限公司 | 一种密封橡胶圈缺陷检测方法 |
CN114964670B (zh) * | 2022-08-01 | 2022-11-01 | 宇一精工科技(南通)有限公司 | 一种密封橡胶圈缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111723449B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111723449B (zh) | 一种矿井提升机恒减速制动系统性能退化评价方法 | |
CN113156917B (zh) | 基于人工智能的电网设备故障诊断方法及系统 | |
Li et al. | Bearing fault feature selection method based on weighted multidimensional feature fusion | |
CN110529202B (zh) | 基于电厂数据的汽轮机故障诊断检测及预警方法及系统 | |
CN110009208B (zh) | 一种基于混合智能算法的柱上开关成套设备健康状态评估方法及装置 | |
CN110654948A (zh) | 一种无维保情况下的电梯安全剩余使用寿命确定方法 | |
CN112561736A (zh) | 智能变电站继电器保护装置故障诊断系统和方法 | |
CN103793859A (zh) | 一种风电场运行监控及事件综合评价方法 | |
CN105912857B (zh) | 一种配电设备状态监测传感器的选配方法 | |
CN113466597A (zh) | 一种轨道交通供电系统设备状态智能检测方法 | |
CN113592359A (zh) | 电力变压器的健康度评价方法和装置 | |
CN109583794A (zh) | 一种确定电梯报废时间的方法 | |
CN109615273A (zh) | 一种电动汽车充电设施状态评价方法与系统 | |
Niu et al. | Operation performance evaluation of elevators based on condition monitoring and combination weighting method | |
CN117151684A (zh) | 风电风机数据分析预警方法、系统、装置及可读存储介质 | |
CN117371207A (zh) | 一种特高压换流阀状态评价方法、介质及系统 | |
CN112036087A (zh) | 一种多策略融合的核动力关键设备故障诊断方法及系统 | |
CN116961226A (zh) | 一种变电站中变压器的监控方法和系统 | |
CN116538092A (zh) | 一种压缩机在线监测及诊断方法、装置、设备及存储介质 | |
CN115600695B (zh) | 一种计量设备的故障诊断方法 | |
Min et al. | Fault prediction for distribution network based on CNN and LightGBM algorithm | |
CN116204825A (zh) | 一种基于数据驱动的生产线设备故障检测方法 | |
Zhao | Fault Diagnosis Method for Wind Power Equipment Based on Hidden Markov Model | |
CN114492636A (zh) | 一种变压器绕组状态信号的采集系统 | |
CN115293189A (zh) | 一种基于堆栈自编码降维的旋转机械状态监测方法 |
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 |