CN113221968B - 一种胶带输送机运行状态诊断方法及装置 - Google Patents

一种胶带输送机运行状态诊断方法及装置 Download PDF

Info

Publication number
CN113221968B
CN113221968B CN202110444389.9A CN202110444389A CN113221968B CN 113221968 B CN113221968 B CN 113221968B CN 202110444389 A CN202110444389 A CN 202110444389A CN 113221968 B CN113221968 B CN 113221968B
Authority
CN
China
Prior art keywords
data
belt conveyor
rubber belt
running
running state
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.)
Active
Application number
CN202110444389.9A
Other languages
English (en)
Other versions
CN113221968A (zh
Inventor
肖成勇
李擎
李希圣
苗磊
崔家瑞
任继平
栗辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN202110444389.9A priority Critical patent/CN113221968B/zh
Publication of CN113221968A publication Critical patent/CN113221968A/zh
Application granted granted Critical
Publication of CN113221968B publication Critical patent/CN113221968B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fuzzy Systems (AREA)
  • Control Of Conveyors (AREA)

Abstract

本发明公开了一种胶带输送机运行状态诊断方法及装置，该方法包括：实时采集待进行运行状态诊断的胶带输送机的运行时序数据；对采集的运行时序数据进行预处理，以补全数据缺失值并进行数据归一化；基于预处理后的运行时序数据，利用预设的胶带输送机运行状态识别诊断模型识别出当前胶带输送机的运行状态；其中，胶带输送机运行状态识别诊断模型的输入为胶带输送机的运行时序数据，输出为胶带输送机的运行状态。本发明是一种高效的能从原始运行时序信号学习信号的高层次特征的胶带输送机运行状态诊断方法。可识别胶带输送机的早期故障，提前采取相应的预防措施降低胶带输送机运行风险。

Description

一种胶带输送机运行状态诊断方法及装置
技术领域
本发明涉及胶带输送机运行状态诊断技术领域，特别涉及一种基于多源数据深度学习的胶带输送机运行状态诊断方法及装置。
背景技术
胶带运输机是采选生产过程中的重要物料转运工具，胶带运输机运行的好坏直接关系到矿山生产能否正常进行的关键。目前胶带输送机通过安装保护开关对胶带输送机发生的异常状态进行保护，比如，申请号为CN106115219A的专利申请提出了一种具有故障定位功能的胶带输送机监控系统，其方案通过CAN总线实时传输胶带输送机上的跑偏、堆煤、打滑、撕裂、超温、烟雾等故障并定位，但该方案需要在胶带输送机上安装布置各种检测传感器，成本较高。
发明内容
本发明提供了一种胶带输送机运行状态诊断方法及装置，以解决现有的胶带输送机运行状态诊断技术的实现成本较高的技术问题。
为解决上述技术问题，本发明提供了如下技术方案：
一方面，本发明提供一种胶带输送机运行状态诊断方法，该方法包括：
实时采集待进行运行状态诊断的胶带输送机的运行时序数据；
对采集的运行时序数据进行预处理，以补全数据缺失值并进行数据归一化；
基于预处理后的运行时序数据，利用预设的胶带输送机运行状态识别诊断模型识别出当前胶带输送机的运行状态；其中，所述胶带输送机运行状态识别诊断模型的输入为胶带输送机的运行时序数据，输出为胶带输送机的运行状态。
进一步地，所述胶带输送机的运行时序数据包括胶带输送机运行过程中的电机电流、功率、液压张紧力、胶带速度、滚筒速度以及单位时间输送量中的任意一种或多种的组合。
进一步地，所述对采集的运行时序数据进行预处理，以补全数据缺失值并进行数据归一化，包括：
使用均值替换法对采集的运行时序数据进行缺失值处理，以补全缺失值；
对补全缺失值后的运行时序数据，使用min-max归一化法进行数据归一化处理，将各运行时序数据分别归一化到[0,1]区间，得到预处理后的运行时序数据。
进一步地，所述胶带输送机的运行状态包括轻度跑偏、重度跑遍、打滑、撕裂、启动、停机、正常运行以及失速中的任意一种或多种的组合。
进一步地，所述胶带输送机运行状态识别诊断模型的构建过程，包括：
获取胶带输送机的运行时序数据和运行状态，以所述运行时序数据为样本，以所述运行时序数据对应的所述运行状态为标签，构建样本数据集；
对所述样本数据集中的样本数据进行预处理，以补全数据缺失值并进行数据归一化；将预处理后的样本数据集按照8:2的比例分成训练集和测试集；
构建卷积深度学习模型；其中，所述卷积深度学习模型的输入为胶带输送机的运行时序数据，输出为胶带输送机的运行状态；
采用所述训练集对所述卷积深度学习模型进行训练，并采用所述测试集对训练完的卷积深度学习模型进行验证，得到胶带输送机运行状态识别诊断模型。
另一方面，本发明还提供一种胶带输送机运行状态诊断装置，该装置包括：
胶带输送机运行数据采集模块，用于实时采集待进行运行状态诊断的胶带输送机的运行时序数据；
数据预处理模块，用于对所述胶带输送机运行数据采集模块所采集的运行时序数据进行预处理，以补全数据缺失值并进行数据归一化；
胶带输送机运行状态诊断识别模块，用于基于经过所述数据预处理模块预处理后的运行时序数据，利用预设的胶带输送机运行状态识别诊断模型识别出当前胶带输送机的运行状态；其中，所述胶带输送机运行状态识别诊断模型的输入为胶带输送机的运行时序数据，输出为胶带输送机的运行状态。
进一步地，所述胶带输送机运行数据采集模块所采集的胶带输送机的运行时序数据包括胶带输送机运行过程中的电机电流、功率、液压张紧力、胶带速度、滚筒速度以及单位时间输送量中的任意一种或多种的组合。
进一步地，所述数据预处理模块具体用于：
使用均值替换法对采集的运行时序数据进行缺失值处理，以补全缺失值；
对补全缺失值后的运行时序数据，使用min-max归一化法进行数据归一化处理，将各运行时序数据分别归一化到[0,1]区间，得到预处理后的运行时序数据。
进一步地，所述胶带输送机运行状态诊断识别模块所识别出的运行状态包括轻度跑偏、重度跑遍、打滑、撕裂、启动、停机、正常运行以及失速中的任意一种或多种的组合。
进一步地，所述胶带输送机运行状态识别诊断模型的构建过程，包括：
获取胶带输送机的运行时序数据和运行状态，以所述运行时序数据为样本，以所述运行时序数据对应的所述运行状态为标签，构建样本数据集；
对所述样本数据集中的样本数据进行预处理，以补全数据缺失值并进行数据归一化；将预处理后的样本数据集按照8:2的比例分成训练集和测试集；
构建卷积深度学习模型；其中，所述卷积深度学习模型的输入为胶带输送机的运行时序数据，输出为胶带输送机的运行状态；
采用所述训练集对所述卷积深度学习模型进行训练，并采用所述测试集对训练完的卷积深度学习模型进行验证，得到胶带输送机运行状态识别诊断模型。
再一方面，本发明还提供一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
又一方面，本发明还提供一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
本发明提供的技术方案带来的有益效果至少包括：
本发明通过实时采集待进行运行状态诊断的胶带输送机的运行时序数据；对采集的运行时序数据进行预处理，以补全数据缺失值并进行数据归一化；基于预处理后的运行时序数据，利用预设的胶带输送机运行状态识别诊断模型识别出当前胶带输送机的运行状态；实现了一种高效的能从原始运行时序信号学习信号的高层次特征的胶带输送机运行状态诊断方法，可以诊断识别胶带输送机的早期故障，从而便于提前采取相应的预防措施，降低胶带输送机运行风险。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中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为本发明实施例提供的胶带输送机运行状态诊断方法的流程图；
图2为本发明实施例提供的胶带输送机运行状态识别诊断模型网络结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
第一实施例
针对现有的胶带输送机运行状态诊断技术实现成本较高的问题，考虑到现代胶带输送机普遍安装了胶带监控自动化系统，采集了电流、功率、速度、张紧力、运输量等时序信号，这些时序信号在不同运行状态时大小、变化频率和形态都不一样，分析这些信号，通过建立深度学习模型识别数据的行为特征可以识别诊断胶带输送机的正常运行、轻度跑偏、重度跑遍、打滑、撕裂、堵料、启动、停机和失速等运行状态。本实施例提供了一种胶带输送机运行状态诊断方法，应用胶带输送机运行数据，如电流、速度、张紧力等时序信号构建深度学习网络来识别诊断胶带输送机运行状态。该方法可以由电子设备实现，该电子设备可以是终端或者服务器。该方法的执行流程如图1所示，包括以下步骤：
S1，实时采集待进行运行状态诊断的胶带输送机的运行时序数据；
S2，对采集的运行时序数据进行预处理，以补全数据缺失值并进行归一化；
S3，基于预处理后的运行时序数据，利用预设的胶带输送机运行状态识别诊断模型识别出当前胶带输送机的运行状态；其中，胶带输送机运行状态识别诊断模型的输入为胶带输送机的运行时序数据，输出为胶带输送机的运行状态。
具体地，本实施例中的胶带输送机运行状态识别诊断模型的网络结构如图2所示，该胶带输送机运行状态识别诊断方法的实现过程如下：
步骤1、数据准备阶段：从胶带输送机自动化管控系统中提取运行数据，并设定标签，以构建样本数据集；具体包括以下步骤：
步骤1.1、实时从胶带管控自动化系统中读取并存储胶带输送机运行数据；
步骤1.2、选取包含需要识别诊断的各种胶带输送机运行时序数据并存储到数据仓库，具体地，在本实施例中，所获取的运行时序数据包括：电机电流、功率、液压张紧力、胶带速度、滚筒速度、单位时间输送量；
步骤1.3、构建胶带输送机运行状态标签体系：通过领域专家对胶带输送机的运行数据设定状态标签，将数据仓库中的数据转为状态标签的形式存储，构建出胶带输送机运行状态标签体系，即胶带输送机的运行数据与运行状态标签的对应关系，其中，在本实施例中，胶带输送机运行状态，也即标签包括轻度跑偏、重度跑遍、打滑、撕裂、启动、停机、正常运行、失速；
将这些运行数据和状态标签构成训练样本Dq；其中，q为时序数据样本编号，q＝1、2、3、4…；Dq的数据形式如下：
Figure BDA0003036201940000051
其中，
Figure BDA0003036201940000052
为一个运行时序数据、lq为运行状态标签，样本Dq中，具有m种运行数据(每一行代表一种数据源，比如电机电流、功率、液压张紧力、胶带速度、滚筒速度、单位时间输送量)和一个状态标签，Dq中每一种状态数据均在t时刻被采集，t＝1、2……n0，并附加状态标签；输送机运行时序数据包括：电机电流、功率、液压张紧力、胶带速度、滚筒速度、单位时间输送量，状态标签包括轻度跑偏、重度跑遍、打滑、撕裂、启动、停机、正常运行、失速。
步骤2、数据预处理阶段：采用均值替代法和min-max归一化方法对训练样本数据进行预处理；
具体地，在本实施例中，先对数据进行缺失值处理，具体使用均值替换法，根据该运行时序数据在其他所有对象的取值的平均值来填补缺失的数据；再使用min-max对数据进行归一化处理，将数据归一化到[0,1]区间。过程如下：
将原始时序数据样本Dq归一化处理，得到
Figure BDA0003036201940000053
构建时序样本数据集{S1、S2……}，将数据集按照8:2的比例分成训练集和测试集。
步骤3、模型构建阶段：构建深度学习网络对训练集{S1、S2……}进行学习，网络结构如图2所示，网络结构依次为输入层、卷积层、特征映射层、池化层、下采样层、全连接层和输出层，主要包括了特征学习和识别诊断两部分；
步骤3.1、在特征学习卷积层选定时序信号Sq作为输入层变量，设定滑动窗口长度Lk和步长Ak，依次提取每一行数据，利用滑动窗口遍历Sq的每一行数据，将其分割成若干数据段
Figure BDA0003036201940000061
其中，i为
Figure BDA0003036201940000062
向上取整获得的值，k＝1、2……K，K为卷积网络层数；
步骤3.2、在特征学习的特征映射层以数据段
Figure BDA0003036201940000063
和线性滤波器
Figure BDA0003036201940000064
卷积，加上一个偏置bk作为可微函数的输入变量，得到特征映射值构成的数据集Hk；其中，可微函数可选sigmoid，thanh，ReLU或者softplus，本实施例中选定ReLU。
Figure BDA0003036201940000065
Figure BDA0003036201940000066
步骤3.3、在特征学习的池化层，设定大小为Gk的池化窗口，最大值池化数据集Hk，得到数据集Ik：
Figure BDA0003036201940000067
Figure BDA0003036201940000068
在本实施例中，设计滤波器为2×1，沿着时间轴方向遍历这个时序信号。
步骤3.4、将步骤3.3获得数据集Ik来更新步骤3.1的输入变量，重复步骤3.2和3.3，最终得到全连接层数据输入Tk：
Figure BDA0003036201940000069
其中，Lk和Ak分别为第K次进行步骤3.2到3.3时，设定的设定卷积层滑动窗口长度和步长；Gk为第K次进行步骤3.2到3.3时，设定的池化窗口大小；
步骤3.4、在识别诊断的全连接层利用特征数据集Tk作为输入，lq作为输出，训练深度学习神经网络，获得网络参数，本实施例激活函数选择max(-1，x)。
步骤3.5、采用测试集对训练完的模型进行验证，满足要求得到胶带输送机运行状态识别诊断模型。
步骤4、识别应用阶段：实时采集待识别的胶带输送机的运行时序数据，包括电机电流、功率、液压张紧力、胶带速度、滚筒速度、单位时间输送量，并对数据进行预处理，将预处理后的电机电流、功率、液压张紧力、胶带速度、滚筒速度、单位时间输送量数据输入到训练完的胶带输送机运行状态识别诊断模型中，获得胶带输送机的运行状态，完成胶带输送机运行状态的识别诊断。
综上，本实施例提供了一种利用卷积神经网络识别诊断胶带输送机运行状态的方法，通过实时采集胶带输送机运行状态多源数据，经过数据预处理后，建立卷积深度学习模型识别胶带输送机运行状态。该方法是一种高效的能从原始运行时序信号学习信号的高层次特征的胶带输送机运行状态诊断方法。可识别胶带输送机的早期故障，提前采取相应的预防措施降低胶带输送机运行风险。
第二实施例
本实施例提供了一种胶带输送机运行状态诊断装置，该包括以下模块：
胶带输送机运行数据采集模块，用于实时采集待进行运行状态诊断的胶带输送机的运行时序数据；
数据预处理模块，用于对所述胶带输送机运行数据采集模块所采集的运行时序数据进行预处理，以补全数据缺失值并进行数据归一化；
胶带输送机运行状态诊断识别模块，用于基于经过所述数据预处理模块预处理后的运行时序数据，利用预设的胶带输送机运行状态识别诊断模型识别出当前胶带输送机的运行状态；其中，所述胶带输送机运行状态识别诊断模型的输入为胶带输送机的运行时序数据，输出为胶带输送机的运行状态。
本实施例的胶带输送机运行状态诊断装置与上述第一实施例的胶带输送机运行状态诊断方法相对应；其中，本实施例的胶带输送机运行状态诊断装置中的各功能模块所实现的功能与上述第一实施例的胶带输送机运行状态诊断方法中的各流程步骤一一对应；故，在此不再赘述。
第三实施例
本实施例提供一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行，以实现第一实施例的方法。
该电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)和一个或一个以上的存储器，其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行上述方法。
第四实施例
本实施例提供一种计算机可读存储介质，该存储介质中存储有至少一条指令，所述指令由处理器加载并执行，以实现上述第一实施例的方法。其中，该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。
此外，需要说明的是，本发明可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
最后需要说明的是，以上所述是本发明优选实施方式，应当指出，尽管已描述了本发明优选实施例，但对于本技术领域的技术人员来说，一旦得知了本发明的基本创造性概念，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

Claims (2)

1.一种胶带输送机运行状态诊断方法，其特征在于，包括：
实时采集待进行运行状态诊断的胶带输送机的运行时序数据；
对采集的运行时序数据进行预处理，以补全数据缺失值并进行数据归一化；
基于预处理后的运行时序数据，利用预设的胶带输送机运行状态识别诊断模型识别出当前胶带输送机的运行状态；其中，所述胶带输送机运行状态识别诊断模型的输入为胶带输送机的运行时序数据，输出为胶带输送机的运行状态；
所述胶带输送机的运行时序数据包括胶带输送机运行过程中的电机电流、功率、液压张紧力、胶带速度、滚筒速度以及单位时间输送量；
所述胶带输送机的运行状态包括轻度跑偏、重度跑遍、打滑、撕裂、启动、停机、正常运行以及失速；
所述胶带输送机运行状态识别诊断方法的实现过程如下：
步骤1、数据准备阶段：从胶带输送机自动化管控系统中提取运行数据，并设定标签，以构建样本数据集；具体包括以下步骤：
步骤1.1、实时从胶带管控自动化系统中读取并存储胶带输送机运行数据；
步骤1.2、选取包含需要识别诊断的各种胶带输送机运行时序数据并存储到数据仓库；
步骤1.3、构建胶带输送机运行状态标签体系：通过领域专家对胶带输送机的运行数据设定状态标签，将数据仓库中的数据转为状态标签的形式存储，构建出胶带输送机运行状态标签体系，即胶带输送机的运行数据与运行状态标签的对应关系；
将这些运行数据和状态标签构成训练样本
Figure 822493DEST_PATH_IMAGE001
；其中，q为时序数据样本编号，q=1、2、3、4…；
Figure 755814DEST_PATH_IMAGE002
的数据形式如下：
Figure 159114DEST_PATH_IMAGE003
其中，
Figure 152477DEST_PATH_IMAGE004
为一个运行时序数据、
Figure 765861DEST_PATH_IMAGE005
为运行状态标签，样本
Figure 502873DEST_PATH_IMAGE002
中，具有m种运行数据；每一行代表一种数据源，包括电机电流、功率、液压张紧力、胶带速度、滚筒速度、单位时间输送量和一个状态标签，
Figure 760679DEST_PATH_IMAGE002
中每一种状态数据均在t时刻被采集，t=1、2……
Figure 924944DEST_PATH_IMAGE006
，并附加状态标签；输送机运行时序数据包括：电机电流、功率、液压张紧力、胶带速度、滚筒速度、单位时间输送量，状态标签包括轻度跑偏、重度跑遍、打滑、撕裂、启动、停机、正常运行、失速；
步骤2、数据预处理阶段：采用均值替代法和min-max归一化方法对训练样本数据进行预处理；
具体地，在本实施例中，先对数据进行缺失值处理，具体使用均值替换法，根据该运行时序数据在其他所有对象的取值的平均值来填补缺失的数据；再使用min-max对数据进行归一化处理，将数据归一化到[0,1]区间；
过程如下：
将原始时序数据样本
Figure 635411DEST_PATH_IMAGE002
归一化处理，得到
Figure 176114DEST_PATH_IMAGE007
，构建时序样本数据集
Figure 678640DEST_PATH_IMAGE008
，将数据集按照8:2的比例分成训练集和测试集；
步骤3、模型构建阶段：构建深度学习网络对训练集
Figure 748227DEST_PATH_IMAGE008
进行学习，网络结构依次为输入层、卷积层、特征映射层、池化层、下采样层、全连接层和输出层，包括特征学习和识别诊断两部分；
步骤3.1、在特征学习卷积层选定时序信号
Figure 945990DEST_PATH_IMAGE009
作为输入层变量，设定滑动窗口长度
Figure 883859DEST_PATH_IMAGE010
和步长
Figure 116257DEST_PATH_IMAGE011
，依次提取每一行数据，利用滑动窗口遍历
Figure 91166DEST_PATH_IMAGE009
的每一行数据，将其分割成若干数据段
Figure 656185DEST_PATH_IMAGE012
，其中，i为
Figure 273111DEST_PATH_IMAGE013
向上取整获得的值，k=1、2……K，K为卷积网络层数；
步骤3.2、在特征学习的特征映射层以数据段
Figure 360016DEST_PATH_IMAGE012
和线性滤波器
Figure 302564DEST_PATH_IMAGE014
卷积，加上一个偏置
Figure 474919DEST_PATH_IMAGE015
作为可微函数的输入变量，得到特征映射值构成的数据集
Figure 754591DEST_PATH_IMAGE016
；其中，可微函数为ReLU；
Figure 227160DEST_PATH_IMAGE017
Figure 809451DEST_PATH_IMAGE018
步骤3.3、在特征学习的池化层，设定大小为
Figure 469103DEST_PATH_IMAGE019
的池化窗口，最大值池化数据集
Figure 286886DEST_PATH_IMAGE016
，得到数据集
Figure 348383DEST_PATH_IMAGE020
：
Figure 367155DEST_PATH_IMAGE021
Figure 514102DEST_PATH_IMAGE022
设计滤波器为2×1，沿着时间轴方向遍历这个时序信号；
步骤3.4、将步骤3.3获得数据集
Figure 135576DEST_PATH_IMAGE020
来更新步骤3.1的输入变量，重复步骤3.2和3.3，最终得到全连接层数据输入
Figure 317159DEST_PATH_IMAGE023
：
Figure 506832DEST_PATH_IMAGE024
其中，
Figure 141076DEST_PATH_IMAGE025
和
Figure 707186DEST_PATH_IMAGE011
分别为第K次进行步骤3.2到3.3时，设定的设定卷积层滑动窗口长度和步长；
Figure 477696DEST_PATH_IMAGE019
为第K次进行步骤3.2到3.3时，设定的池化窗口大小；
步骤3.4、在识别诊断的全连接层利用特征数据集
Figure 464369DEST_PATH_IMAGE023
作为输入，
Figure 851488DEST_PATH_IMAGE005
作为输出，训练深度学习神经网络，获得网络参数，激活函数选择max（-1，x）；
步骤3.5、采用测试集对训练完的模型进行验证，满足要求得到胶带输送机运行状态识别诊断模型。
2.一种胶带输送机运行状态诊断装置，其特征在于，包括：
胶带输送机运行数据采集模块，用于实时采集待进行运行状态诊断的胶带输送机的运行时序数据；
数据预处理模块，用于对所述胶带输送机运行数据采集模块所采集的运行时序数据进行预处理，以补全数据缺失值并进行数据归一化；
胶带输送机运行状态诊断识别模块，用于基于经过所述数据预处理模块预处理后的运行时序数据，利用预设的胶带输送机运行状态识别诊断模型识别出当前胶带输送机的运行状态；其中，所述胶带输送机运行状态识别诊断模型的输入为胶带输送机的运行时序数据，输出为胶带输送机的运行状态；
所述胶带输送机运行数据采集模块所采集的胶带输送机的运行时序数据包括胶带输送机运行过程中的电机电流、功率、液压张紧力、胶带速度、滚筒速度以及单位时间输送量；
所述胶带输送机运行状态诊断识别模块所识别出的运行状态包括轻度跑偏、重度跑遍、打滑、撕裂、启动、停机、正常运行以及失速；
所述胶带输送机运行状态识别诊断方法的实现过程如下：
步骤1、数据准备阶段：从胶带输送机自动化管控系统中提取运行数据，并设定标签，以构建样本数据集；具体包括以下步骤：
步骤1.1、实时从胶带管控自动化系统中读取并存储胶带输送机运行数据；
步骤1.2、选取包含需要识别诊断的各种胶带输送机运行时序数据并存储到数据仓库；
步骤1.3、构建胶带输送机运行状态标签体系：通过领域专家对胶带输送机的运行数据设定状态标签，将数据仓库中的数据转为状态标签的形式存储，构建出胶带输送机运行状态标签体系，即胶带输送机的运行数据与运行状态标签的对应关系；
将这些运行数据和状态标签构成训练样本
Figure 690131DEST_PATH_IMAGE001
；其中，q为时序数据样本编号，q=1、2、3、4…；
Figure 580727DEST_PATH_IMAGE002
的数据形式如下：
Figure 112202DEST_PATH_IMAGE003
其中，
Figure 580092DEST_PATH_IMAGE004
为一个运行时序数据、
Figure 222426DEST_PATH_IMAGE005
为运行状态标签，样本
Figure 967529DEST_PATH_IMAGE002
中，具有m种运行数据；每一行代表一种数据源，包括电机电流、功率、液压张紧力、胶带速度、滚筒速度、单位时间输送量和一个状态标签，
Figure 935485DEST_PATH_IMAGE002
中每一种状态数据均在t时刻被采集，t=1、2……
Figure 890671DEST_PATH_IMAGE006
，并附加状态标签；输送机运行时序数据包括：电机电流、功率、液压张紧力、胶带速度、滚筒速度、单位时间输送量，状态标签包括轻度跑偏、重度跑遍、打滑、撕裂、启动、停机、正常运行、失速；
步骤2、数据预处理阶段：采用均值替代法和min-max归一化方法对训练样本数据进行预处理；
具体地，在本实施例中，先对数据进行缺失值处理，具体使用均值替换法，根据该运行时序数据在其他所有对象的取值的平均值来填补缺失的数据；再使用min-max对数据进行归一化处理，将数据归一化到[0,1]区间；
过程如下：
将原始时序数据样本
Figure 71117DEST_PATH_IMAGE002
归一化处理，得到
Figure 201884DEST_PATH_IMAGE007
，构建时序样本数据集
Figure 75162DEST_PATH_IMAGE008
，将数据集按照8:2的比例分成训练集和测试集；
步骤3、模型构建阶段：构建深度学习网络对训练集
Figure 393011DEST_PATH_IMAGE008
进行学习，网络结构依次为输入层、卷积层、特征映射层、池化层、下采样层、全连接层和输出层，包括特征学习和识别诊断两部分；
步骤3.1、在特征学习卷积层选定时序信号
Figure 501781DEST_PATH_IMAGE009
作为输入层变量，设定滑动窗口长度
Figure 487055DEST_PATH_IMAGE010
和步长
Figure 531234DEST_PATH_IMAGE011
，依次提取每一行数据，利用滑动窗口遍历
Figure 336379DEST_PATH_IMAGE009
的每一行数据，将其分割成若干数据段
Figure 389786DEST_PATH_IMAGE012
，其中，i为
Figure 963986DEST_PATH_IMAGE013
向上取整获得的值，k=1、2……K，K为卷积网络层数；
步骤3.2、在特征学习的特征映射层以数据段
Figure 805166DEST_PATH_IMAGE012
和线性滤波器
Figure 566448DEST_PATH_IMAGE014
卷积，加上一个偏置
Figure 157967DEST_PATH_IMAGE015
作为可微函数的输入变量，得到特征映射值构成的数据集
Figure 852253DEST_PATH_IMAGE016
；其中，可微函数为ReLU；
Figure 362869DEST_PATH_IMAGE026
Figure 142606DEST_PATH_IMAGE027
步骤3.3、在特征学习的池化层，设定大小为
Figure 537815DEST_PATH_IMAGE019
的池化窗口，最大值池化数据集
Figure 821029DEST_PATH_IMAGE016
，得到数据集
Figure 643492DEST_PATH_IMAGE020
：
Figure 769579DEST_PATH_IMAGE021
Figure 437321DEST_PATH_IMAGE022
设计滤波器为2×1，沿着时间轴方向遍历这个时序信号；
步骤3.4、将步骤3.3获得数据集
Figure 840621DEST_PATH_IMAGE020
来更新步骤3.1的输入变量，重复步骤3.2和3.3，最终得到全连接层数据输入
Figure 833984DEST_PATH_IMAGE023
：
Figure 181789DEST_PATH_IMAGE024
其中，
Figure 918801DEST_PATH_IMAGE025
和
Figure 176607DEST_PATH_IMAGE011
分别为第K次进行步骤3.2到3.3时，设定的设定卷积层滑动窗口长度和步长；
Figure 340872DEST_PATH_IMAGE019
为第K次进行步骤3.2到3.3时，设定的池化窗口大小；
步骤3.4、在识别诊断的全连接层利用特征数据集
Figure 316918DEST_PATH_IMAGE023
作为输入，
Figure 218141DEST_PATH_IMAGE005
作为输出，训练深度学习神经网络，获得网络参数，激活函数选择max（-1，x）；
步骤3.5、采用测试集对训练完的模型进行验证，满足要求得到胶带输送机运行状态识别诊断模型。
CN202110444389.9A 2021-04-23 2021-04-23 一种胶带输送机运行状态诊断方法及装置 Active CN113221968B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110444389.9A CN113221968B (zh) 2021-04-23 2021-04-23 一种胶带输送机运行状态诊断方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110444389.9A CN113221968B (zh) 2021-04-23 2021-04-23 一种胶带输送机运行状态诊断方法及装置

Publications (2)

Publication Number Publication Date
CN113221968A CN113221968A (zh) 2021-08-06
CN113221968B true CN113221968B (zh) 2023-02-21

Family

ID=77088570

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110444389.9A Active CN113221968B (zh) 2021-04-23 2021-04-23 一种胶带输送机运行状态诊断方法及装置

Country Status (1)

Country Link
CN (1) CN113221968B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446938A (zh) * 2016-09-13 2017-02-22 内江市旭日环境科技有限公司 带式输送机前瞻自诊断方法及系统
CN108377209A (zh) * 2018-01-17 2018-08-07 北京和利时智能技术有限公司 基于scada的设备故障检测系统和检测方法
CN108460144A (zh) * 2018-03-14 2018-08-28 西安华光信息技术有限责任公司 一种基于机器学习的煤炭设备故障预警系统及方法
CN109305534A (zh) * 2018-10-25 2019-02-05 安徽理工大学 基于计算机视觉的煤码头带式输送机自适应控制方法
CN109446187A (zh) * 2018-10-16 2019-03-08 浙江大学 基于注意力机制与神经网络的复杂装备健康状态监测方法
CN109814523A (zh) * 2018-12-04 2019-05-28 合肥工业大学 基于cnn-lstm深度学习方法及多属性时序数据的故障诊断方法
CN110852395A (zh) * 2019-11-15 2020-02-28 鞍钢集团矿业有限公司 一种基于自主学习和深度学习的矿石粒度检测方法和系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096616A (zh) * 2016-06-08 2016-11-09 四川大学华西医院 一种基于深度学习的磁共振影像特征提取及分类方法
KR102472134B1 (ko) * 2018-03-29 2022-11-29 삼성전자주식회사 심층학습을 기반으로 한 설비 진단 시스템 및 방법
CN109583489B (zh) * 2018-11-22 2021-01-15 中国科学院自动化研究所 缺陷分类识别方法、装置、计算机设备和存储介质
CN109726751B (zh) * 2018-12-21 2020-11-27 北京工业大学 基于深度卷积神经网络识别脑电成像图的方法
CN110210475B (zh) * 2019-05-06 2021-05-18 浙江大学 一种非二值化和边缘检测的车牌字符图像分割方法
CN112541510A (zh) * 2019-09-20 2021-03-23 宫文峰 基于多通道时间序列数据的智能故障诊断方法
CN111860446A (zh) * 2020-08-01 2020-10-30 西安交通大学 一种卫星遥测时序数据未知模式的检测系统与方法
CN112171721B (zh) * 2020-11-30 2021-02-19 北京科技大学 一种机器人关节传感器和执行器故障诊断方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446938A (zh) * 2016-09-13 2017-02-22 内江市旭日环境科技有限公司 带式输送机前瞻自诊断方法及系统
CN108377209A (zh) * 2018-01-17 2018-08-07 北京和利时智能技术有限公司 基于scada的设备故障检测系统和检测方法
CN108460144A (zh) * 2018-03-14 2018-08-28 西安华光信息技术有限责任公司 一种基于机器学习的煤炭设备故障预警系统及方法
CN109446187A (zh) * 2018-10-16 2019-03-08 浙江大学 基于注意力机制与神经网络的复杂装备健康状态监测方法
CN109305534A (zh) * 2018-10-25 2019-02-05 安徽理工大学 基于计算机视觉的煤码头带式输送机自适应控制方法
CN109814523A (zh) * 2018-12-04 2019-05-28 合肥工业大学 基于cnn-lstm深度学习方法及多属性时序数据的故障诊断方法
CN110852395A (zh) * 2019-11-15 2020-02-28 鞍钢集团矿业有限公司 一种基于自主学习和深度学习的矿石粒度检测方法和系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Acoustic signal based fault detection on belt conveyor idlers using machine learning;Xiangwei Liu et al.;《Advanced Powder Technology》;20200515;第2689-2698页 *
An audio-based intelligent fault diagnosis method for belt conveyor rollers in sand carrier;Chen Peng et al.;《Control Engineering Practice》;20201019;第1-7页 *
基于数据驱动的带式输送机速度控制及故障诊断的研究;李小娟;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20160615;第2016年卷(第6期);第C029-170页 *
基于显著性和深度卷积神经网络的输送带表面故障定位;赵燕飞 等;《工矿自动化》;20161231;第42卷(第12期);第72-77页 *

Also Published As

Publication number Publication date
CN113221968A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
CN108444708B (zh) 基于卷积神经网络的滚动轴承智能诊断模型的建立方法
CN113128561A (zh) 一种机床轴承故障诊断方法
FR2674023A1 (fr) Pocede pour detecter des perturbations de fonctionnement d'un vehicule automobile.
AU2013245998B2 (en) Efficient health management, diagnosis and prognosis of a machine
CN113339204B (zh) 一种基于混合神经网络的风力发电机故障识别方法
CN111898644B (zh) 一种无故障样本下航天液体发动机健康状态智能识别方法
CN113762344A (zh) 机床主轴的故障识别方法、故障识别模型训练方法及装置
CN112576492A (zh) 一种电潜泵生产井故障智能诊断方法
CN114492642A (zh) 一种多尺度元深度残差收缩网络的机械故障在线诊断方法
CN115238785A (zh) 基于图像融合和集成网络的旋转机械故障诊断方法和系统
CN116012681A (zh) 基于声振信号融合的管道机器人电机故障诊断方法及系统
CN112305388A (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
CN113221968B (zh) 一种胶带输送机运行状态诊断方法及装置
Wu et al. Condition-based monitoring and novel fault detection based on incremental learning applied to rotary systems
KR20220068799A (ko) 자동화설비의 고장 검출 시스템 및 그 방법
CN115146675B (zh) 一种深度多特征动态对抗的变工况下旋转机械迁移诊断方法
CN115031994B (zh) 一种车辆耐久试验方法和系统
CN115659778A (zh) 风力发电机轴承故障诊断模型在线构建方法及在线更新设备
CN114897292B (zh) 基于多尺度残差卷积变分网络故障诊断方法和诊断系统
CN113962289B (zh) 面向终身学习的旋转机械在线智能故障诊断方法及系统
CN115374829A (zh) 一种基于深度学习的轴承故障诊断方法及系统
CN115165364A (zh) 基于迁移学习的风力发电机轴承故障诊断模型构建方法
CN111783856B (zh) 一种面向制造业的设备故障辅助诊断方法及系统
CN113269266A (zh) 多故障模式下基于知识蒸馏的晶圆制造过程故障检测方法
CN109635880B (zh) 基于强鲁棒自适应算法的采煤机故障诊断系统

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