CN112326283A - 一种基于小波分析的浓密机底流堵塞故障诊断方法 - Google Patents
一种基于小波分析的浓密机底流堵塞故障诊断方法 Download PDFInfo
- Publication number
- CN112326283A CN112326283A CN202011115540.6A CN202011115540A CN112326283A CN 112326283 A CN112326283 A CN 112326283A CN 202011115540 A CN202011115540 A CN 202011115540A CN 112326283 A CN112326283 A CN 112326283A
- Authority
- CN
- China
- Prior art keywords
- data
- underflow
- fault
- similarity
- wavelet
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000002562 thickening agent Substances 0.000 title claims abstract description 24
- 238000004458 analytical method Methods 0.000 title claims abstract description 16
- 230000000903 blocking effect Effects 0.000 title claims abstract description 16
- 238000003745 diagnosis Methods 0.000 title claims abstract description 16
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 28
- 230000002159 abnormal effect Effects 0.000 claims abstract description 19
- 238000004519 manufacturing process Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 230000018044 dehydration Effects 0.000 abstract description 2
- 238000006297 dehydration reaction Methods 0.000 abstract description 2
- 238000012795 verification Methods 0.000 description 15
- 229910052500 inorganic mineral Inorganic materials 0.000 description 5
- 239000011707 mineral Substances 0.000 description 5
- 239000002184 metal Substances 0.000 description 4
- 238000009854 hydrometallurgy Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000003756 stirring Methods 0.000 description 3
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008719 thickening Effects 0.000 description 2
- 238000003723 Smelting Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012065 filter cake Substances 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
Abstract
本发明公开了一种基于小波分析的浓密机底流堵塞故障诊断方法，首先利用小波分析理论，结合原有历史数据和现场实际情况，对发生故障时段的数据采用基于db6的小波基函数的小波分解方法对该阶段数据进行特征提取；然后经过实验对比，确定出相似度的阈值；最后根据某一时段数据经过同等方式进行处理后获得的数据特征与所提取的故障特征的相似度与该阈值进行对比，判定底流堵塞异常状态。该方法可以有效地对底流堵塞异常状态进行判别，以协助操作员进行控制，保证浓密脱水过程安全、稳定运行，提高综合经济效益，同时减少压滤机的故障率。
Description
技术领域
本发明属于湿法冶金领域，具体涉及一种浓密机底流堵塞故障诊断方法。
背景技术
随着国家的快速发展，工业化、城镇化进程的不断推进，对矿物资源的不断开发利用，高品位矿石正在逐步减少，金属资源日益枯竭。业界不得不越来越多地面临从贫、细、杂矿石中回收矿物资源的问题，矿产资源供给面临空前的压力。如何经济高效地利用低品位有色金属矿物资源生产金属产品，对我国的可持续发展具有重要意义。而湿法冶金工艺正具有可处理低品位复杂矿石、生产高效、低排放等优点，在有色金属冶炼领域有着越来越广泛的应用。提高湿法冶金生产流程的自动化水平，实现湿法冶金全流程优化控制已成为我国业界亟需解决的重要问题。
矿物加工是典型的流程工业过程，其生产机理复杂，工序环节众多，各个工序相互影响，相互耦合。浓密脱水工序是其中一道非常重要的工序，浓密机是该过程的关键设备。在生产过程中浓密机底流容易发生生产异常的状况，如有可能发生底流堵塞故障，致使一段时间内整个工序停工，造成巨大的经济损失。在实际工业现场采用的是间歇式放矿的生产方式，当发生底流堵塞故障时，此时底流流量小，搅拌槽中入料少、出料多，入不敷出，运行一段时间后，会导致出现搅拌槽电机空转、压滤机无料可压的情况。此外，在该故障下不仅会造成电能的浪费，而且会使得压滤机压滤的滤饼重量低、含料少导致压滤机效率降低。因此，对浓密机出料进行故障监测就显得尤为重要。
发明内容
本发明所要解决的技术问题是，提供一种基于小波分析的浓密机底流堵塞故障诊断方法，解决浓密机底流堵塞故障的在线诊断问题。
本发明解决其技术问题采用的技术方案是：
一种基于小波分析的浓密机底流堵塞故障诊断方法，其特征在于：首先利用小波分析理论，结合原有历史数据和现场实际情况，对发生故障时段的数据采用基于db6的小波基函数的小波分解方法对该阶段数据进行特征提取；然后经过实验对比，确定出相似度的阈值，若某一时段数据经过同等方式进行处理后获得的数据特征与所提取的故障特征的相似度对比大于等于该阈值，则认定该时段处于底流堵塞异常的故障状态；若小于该阈值，则认为该时段不符合底流堵塞的异常状态。
所述的基于小波分析的浓密机底流堵塞故障诊断方法步骤如下：
步骤1：确定建立故障诊断模型所需的据集：结合现场实际生产情况和专家经验，在历史数据中确定出符合底流堵塞状态阶段的底流流量数据集作为故障诊断模型的训练集；
步骤2：对所确定的数据集通过小波分析方法提取数据特征：基于db6小波基函数对数据集进行二层、三层、四层、五层小波分解，经过大量数据分析采用五次分解后的低频信息和二次分解、三次分解、四次分解后的高频信息作为浓密机底流堵塞的故障特征；
步骤3：确定相似度的阈值：结合现场实际生产情况和专家经验，通过对比历史数据中正常状态、底流堵塞状态、其他异常状态的所提取的数据特征与训练集中所提取的数据特征进行相似度对比，确定公式(1)所示的相似度阈值；
步骤4：故障判别：对要进行故障判别的时段按照上述方式进行小波分解提取数据特征，然后按照公式(1)与训练集所提取的数据特征进行对比获得相似度数值，若该数值大于等于步骤3中所确定出的相似度阈值，则判定该时段处于浓密机底流堵塞的异常状态；若该数值小于步骤3中所确定出的相似度阈值，则判定该时段不属于浓密机底流堵塞的异常状态。
目前针对于浓密机底流堵塞故障诊断的方法较少，本发明的一种基于小波分析的浓密机底流堵塞故障诊断方法，该方法选取浓密机底流流量作为故障诊断的变量，通过对历史数据库中底流堵塞状态下的数据进行小波分解提取数据特征；然后通过对历史数据库中正常状态、底流堵塞状态和其他异常状态的底流流量数据按照同样的处理方式进行数据特征提取，通过所提取的上述数据特征与上一步骤中底流堵塞异常状态数据所提取的数据特征进行相似度对比，确定出相似度阈值；最后将要测试的某时段的数据进行数据特征提取，然后与异常状态下的数据特征进行相似度对比，根据确定出的阈值进行状态判别。
本发明针对某浓密机现场数据进行了在线实时监测，通过运行效果可以看出，该方法可以有效的对底流堵塞异常状态进行判别，以协助操作员进行控制，保证浓密脱水过程安全、稳定运行，提高综合经济效益，同时减少压滤机的故障率。
附图说明
图1为底流堵塞故障的五种波形图；
图2为底流堵塞故障采取不同分解尺度提取特征对比图；
图3为浓密机底流堵塞故障诊断流程图。
具体实施方式
下面结合附图和具体实施实例对发明做进一步说明，本申结合具体实例对发明内容在现场采集工业数据进行了仿真实验，验证所提出的故障诊断方法的有效性。以下将进行实施实例介绍：
根据现场实际运行情况和专家经验，对来源于工业现场历史记录的底流数据进行统计分析，针对底流堵塞异常情况总结出五种波形如图1所示。在本实施例中只针对一种波形进行详细介绍，其他四种由于与其类似会有所省略。下面以第一类底流堵塞情况为例，进行详细介绍。
步骤1：确定建立故障诊断模型所需的据集。结合现场实际生产情况和专家经验，在历史数据库中选取八组数据作为故障诊断模型的训练数据集。其中每组数据含有600个样本点。
步骤2：对所确定的数据集通过小波分析提取数据特征。对训练集的八组数据采用基于db6小波基函数的小波分析技术进行二层、三层、四层和五层小波分解，其中一组底流堵塞故障流量波形进行小波分解后的信息如图2所示，可以看出二次分解和三次分解后低频信息和原始信号没有太明显的区别，四次之后的低频信息能够提取出主要的特征信息，剔除掉噪声对其产生的影响。为了避免分解尺度较大分解后丢失的原始信号中的有用信息越多，本申中为保证对故障特征的准确识别，采用五次分解后的低频信息和二次分解、三次分解、四次分解后的高频信息作为故障特征。提取后的故障特征为：
E1＝[5.695e+04,65.541,6.494,0.306,0.237,1.045] (2)
步骤3：确定相似度的阈值。结合现场实际生产情况和专家经验，通过对比历史数据中正常状态、底流堵塞状态、其他异常状态的所提取的数据特征与训练集中所提取的数据特征进行相似度对比，确定公式(1)所示的相似度公式的相似度阈值为0.8。
步骤4：故障判别。
总结上述步骤，浓密机底流堵塞故障诊断流程图如图3所示。
在本申中采用六组数据进行验证，同样每组数据含有600个点，其中两组是正常流量数据，两组是其他故障(不属于底流堵塞)，另外两组属于底流流量堵塞故障数据，分别按照上述方式进行特征提取，按照公式(1)计算每一组的相似度。其结果如表1所示。
表1底流堵塞故障的验证结果
其中B1、B2、B3、B4、B5、B6表示数据特征。
通过表1可知，所提出故障诊断方法可以有效地对底流故障诊断方法进行判别。
其它四种底流堵塞的情况的故障监测与上述类似，本发明不作赘述，只列出用以验证的数据，具体如下：
第二种底流堵塞有八组数据作为训练集用以提取故障特征，对第二类底流堵塞的故障特征进行提取的结果如公式(3)所示：
E2＝[3.487e+04,3.662,0.269,0.022,0.022,0.046] (3)
同样采取六组数据进行验证，其中的第一、二组是正常流量，第三、四组属于其他异常，第五、六组是本种异常，验证结果如表2所示：
表2第二类底流堵塞异常验证结果
第三种底流堵塞有八组数据作为训练集用以提取故障特征，对第三类底流堵塞的故障特征进行提取的结果如公式(4)所示：
E3＝[1.523e+04,63.246,43.156,26.863,1.698,3.396] (4)
采取五组数据进行验证，其中的第一、二组是正常流量，第三、四组属于其他异常，第五组是本种异常，验证结果如表3所示：
表3第三类底流堵塞异常验证结果
第四种底流堵塞有三组数据作为训练集用以提取故障特征，对第四种底流堵塞的故障特征进行提取的结果如公式(5)所示：
E4＝[6.908e+04,337.7,371.1,53.332,2.851,10.751] (5)
采取五组数据进行验证，其中的第一、二组是正常流量，第三、四组属于其他异常，第五组是本种异常，验证结果如表4所示：
表4第四类底流堵塞异常验证结果
第五种底流堵塞有三组数据作为训练集用以提取故障特征，对第五种底流堵塞的故障特征进行提取的结果如公式(6)所示：
E5＝[9.209e+04,1.064,0.991,0.086,0.053,0.105] (6)
采取五组数据进行验证，其中的第一、二组是正常流量，第三、四组属于其他异常，第五组是本种异常，验证结果如表5所示：
表5第五类底流堵塞异常验证结果
由五次验证的结果可以看出，采用小波分解的方法可以准确地识别出底流堵塞时的状态。验证了所提出的方法的有效性，将其应用在工业现场通过现场运行效果反馈，能够满足工业现场的实际需求。
Claims (2)
1.一种基于小波分析的浓密机底流堵塞故障诊断方法，其特征在于：首先利用小波分析理论，结合原有历史数据和现场实际情况，对发生故障时段的数据采用基于db6的小波基函数的小波分解方法对该阶段数据进行特征提取；然后经过实验对比，确定出相似度的阈值，若某一时段数据经过同等方式进行处理后获得的数据特征与所提取的故障特征的相似度对比大于等于该阈值，则认定该时段处于底流堵塞异常的故障状态；若小于该阈值，则认为该时段不符合底流堵塞的异常状态。
2.如权利要求1所述的基于小波分析的浓密机底流堵塞故障诊断方法，其特征在于步骤如下：
步骤1：确定建立故障诊断模型所需的据集：结合现场实际生产情况和专家经验，在历史数据中确定出符合底流堵塞状态阶段的底流流量数据集作为故障诊断模型的训练集；
步骤2：对所确定的数据集通过小波分析方法提取数据特征：基于db6小波基函数对数据集进行二层、三层、四层、五层小波分解，经过大量数据分析采用五次分解后的低频信息和二次分解、三次分解、四次分解后的高频信息作为浓密机底流堵塞的故障特征；
步骤3：确定相似度的阈值：结合现场实际生产情况和专家经验，通过对比历史数据中正常状态、底流堵塞状态、其他异常状态的所提取的数据特征与训练集中所提取的数据特征进行相似度对比，确定公式(1)所示的相似度阈值；
步骤4：故障判别：对要进行故障判别的时段按照上述方式进行小波分解提取数据特征，然后按照公式(1)与训练集所提取的数据特征进行对比获得相似度数值，若该数值大于等于步骤3中所确定出的相似度阈值，则判定该时段处于浓密机底流堵塞的异常状态；若该数值小于步骤3中所确定出的相似度阈值，则判定该时段不属于浓密机底流堵塞的异常状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011115540.6A CN112326283A (zh) | 2020-10-16 | 2020-10-16 | 一种基于小波分析的浓密机底流堵塞故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011115540.6A CN112326283A (zh) | 2020-10-16 | 2020-10-16 | 一种基于小波分析的浓密机底流堵塞故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112326283A true CN112326283A (zh) | 2021-02-05 |
Family
ID=74314445
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011115540.6A Pending CN112326283A (zh) | 2020-10-16 | 2020-10-16 | 一种基于小波分析的浓密机底流堵塞故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112326283A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113557834A (zh) * | 2021-08-30 | 2021-10-29 | 江苏农林职业技术学院 | 一种水肥滴灌装置渗漏状态的诊断方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102620928A (zh) * | 2012-03-02 | 2012-08-01 | 燕山大学 | 基于小波半软阈值和emd的风电齿轮箱故障诊断方法 |
| CN103398769A (zh) * | 2013-08-05 | 2013-11-20 | 国家电网公司 | 基于小波ggd特征和不均衡k-均值下采样集成svm的变压器在线故障检测方法 |
| CN103901298A (zh) * | 2014-03-13 | 2014-07-02 | 广东电网公司电力科学研究院 | 变电站设备运行状态的检测方法与系统 |
| AU2014200806B1 (en) * | 2014-02-14 | 2015-02-05 | Accenture Global Services Limited | Adaptive fault diagnosis |
| CN107065834A (zh) * | 2017-05-25 | 2017-08-18 | 东北大学 | 湿法冶金过程中浓密机的故障诊断方法 |
| CN107169658A (zh) * | 2017-05-18 | 2017-09-15 | 东北大学 | 基于可信度的湿法冶金浓密机的故障诊断方法 |
| CN108734197A (zh) * | 2018-04-17 | 2018-11-02 | 东北大学 | 一种湿法冶金浓密洗涤过程的故障监测与诊断方法 |
| CN111426955A (zh) * | 2020-04-23 | 2020-07-17 | 华南理工大学 | 一种锂离子电池故障诊断方法 |
-
2020
- 2020-10-16 CN CN202011115540.6A patent/CN112326283A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102620928A (zh) * | 2012-03-02 | 2012-08-01 | 燕山大学 | 基于小波半软阈值和emd的风电齿轮箱故障诊断方法 |
| CN103398769A (zh) * | 2013-08-05 | 2013-11-20 | 国家电网公司 | 基于小波ggd特征和不均衡k-均值下采样集成svm的变压器在线故障检测方法 |
| AU2014200806B1 (en) * | 2014-02-14 | 2015-02-05 | Accenture Global Services Limited | Adaptive fault diagnosis |
| CN103901298A (zh) * | 2014-03-13 | 2014-07-02 | 广东电网公司电力科学研究院 | 变电站设备运行状态的检测方法与系统 |
| CN107169658A (zh) * | 2017-05-18 | 2017-09-15 | 东北大学 | 基于可信度的湿法冶金浓密机的故障诊断方法 |
| CN107065834A (zh) * | 2017-05-25 | 2017-08-18 | 东北大学 | 湿法冶金过程中浓密机的故障诊断方法 |
| CN108734197A (zh) * | 2018-04-17 | 2018-11-02 | 东北大学 | 一种湿法冶金浓密洗涤过程的故障监测与诊断方法 |
| CN111426955A (zh) * | 2020-04-23 | 2020-07-17 | 华南理工大学 | 一种锂离子电池故障诊断方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113557834A (zh) * | 2021-08-30 | 2021-10-29 | 江苏农林职业技术学院 | 一种水肥滴灌装置渗漏状态的诊断方法 |
| CN113557834B (zh) * | 2021-08-30 | 2023-01-31 | 江苏农林职业技术学院 | 一种水肥滴灌装置渗漏状态的诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104777830A (zh) | 一种基于kpca混合模型的多工况过程监控方法 | |
| CN107169658B (zh) | 基于可信度的湿法冶金浓密机的故障诊断方法 | |
| CN107464071B (zh) | 基于时间序列游程检验的瓦斯灾害预警方法 | |
| CN104062953A (zh) | 金湿法冶金过程运行状态在线评价方法 | |
| CN104793606A (zh) | 基于改进的kpca和隐马尔科夫模型的工业故障诊断方法 | |
| CN104298187B (zh) | 金湿法冶金全流程三层结构过程监测方法 | |
| CN112326283A (zh) | 一种基于小波分析的浓密机底流堵塞故障诊断方法 | |
| CN114386679A (zh) | 基于集成学习的球磨机能耗状态监测方法 | |
| CN109781399A (zh) | 一种基于神经网络的风冷式制冷机组传感器故障诊断方法 | |
| CN108956041B (zh) | 基于频谱特征单边检测法的烧结机漏风故障在线诊断方法 | |
| CN109885012A (zh) | 一种金湿法冶金全流程实时优化补偿方法 | |
| CN107103425B (zh) | 发电设备运行状态计算机智能量化评价系统 | |
| CN115977633A (zh) | 一种基于多信息融合反馈的射流与截割协同调控的方法 | |
| CN111338310B (zh) | 一种工业过程稳态工况识别与分类方法 | |
| CN108709426B (zh) | 基于频谱特征双边检测法烧结机漏风故障在线诊断方法 | |
| CN117334020A (zh) | 智能砂磨机的设备运行故障预测系统及方法 | |
| CN108895839B (zh) | 烧结机漏风故障在线诊断方法 | |
| CN108759479B (zh) | 基于盲源分离单边检测法的烧结机漏风故障在线诊断方法 | |
| CN111624985B (zh) | 燃气轮机控制系统传感器故障诊断方法 | |
| CN115526196A (zh) | 基于实时数据及模型的潜油电泵工况在线动态诊断方法 | |
| CN106570237B (zh) | 高炉煤气余热回收装置的透平机静叶厚度监测方法及系统 | |
| CN105511454B (zh) | 一种工业控制回路时变振荡行为检测方法 | |
| Liancheng et al. | Research on fault diagnosis system of crusher based on BP neural network | |
| CN113094826A (zh) | 一种基于任务可靠度的多态制造系统剩余寿命预测方法 | |
| Wu et al. | Expert fault diagnosis using rule models with certainty factors for the leaching process |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210205 |