CN113418700A - 一种智能传感器及矿用皮带机传动系统健康状态监测方法 - Google Patents
一种智能传感器及矿用皮带机传动系统健康状态监测方法 Download PDFInfo
- Publication number
- CN113418700A CN113418700A CN202110697577.2A CN202110697577A CN113418700A CN 113418700 A CN113418700 A CN 113418700A CN 202110697577 A CN202110697577 A CN 202110697577A CN 113418700 A CN113418700 A CN 113418700A
- Authority
- CN
- China
- Prior art keywords
- data
- sensor
- abnormal
- acceleration
- vibration
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 44
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000005065 mining Methods 0.000 title claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims abstract description 58
- 238000001228 spectrum Methods 0.000 claims abstract description 29
- 239000003245 coal Substances 0.000 claims abstract description 20
- 238000011161 development Methods 0.000 claims abstract description 9
- 238000011156 evaluation Methods 0.000 claims abstract description 8
- 238000012423 maintenance Methods 0.000 claims abstract description 5
- 230000001133 acceleration Effects 0.000 claims description 73
- 238000004891 communication Methods 0.000 claims description 20
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000000087 stabilizing effect Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 229910052744 lithium Inorganic materials 0.000 claims description 3
- 238000010183 spectrum analysis Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Control Of Conveyors (AREA)
Abstract
本发明智能传感器及矿用皮带机传动系统健康状态监测方法，属于皮带机监测技术领域；首先提出了一种智能传感器，通过对传感器内的主控芯片编写智能算法，使其具有边缘计算能力和异常状态自检功能并通过无线传输数据，使数据采集方式智能化，其次提出了一种煤矿用皮带机传动系统健康状态监测方法，通过对智能传感器采集的异常数据做傅里叶变换提取频谱特征然后结合预先构建的识别特征库给出异常部件的发展趋势，并通过健康指数评价公式给出传动系统当前的健康状况，进而实现对煤矿用皮带机的智能化、无线化的实时监测；本发明提供的方法与现有技术相比，更具智能化，需要运算资源更少，且维护更加具有针对性，节省人力成本。
Description
技术领域
本发明一种智能传感器及矿用皮带机传动系统健康状态监测方法，属于智能传感器及矿用皮带机传动系统健康状态监测方法技术领域。
背景技术
随着“智慧矿山”建设的不断推进，煤矿井下开采和运输装备的智能化程度不断提升，企业对于煤矿井下装备的运行参数采集手段及状态监测技术要求越来越高，煤矿用皮带输送机作为承载输送煤炭功能的核心装备，其稳定安全的高效运行直接影响到煤矿企业的生产效率，而传动系统作为矿用皮带机的核心组件，由包括拖动电机、变速箱、主轴辊筒和托辊等部分组成，其非健康运行状态会直接导致煤矿用皮带机停机瘫痪。振动是传动系统健康状态的主要表现形式，振动信号中蕴含着丰富的信息，通过对振动信息的分析可精准的获取传动系统的健康状态，从而体现整个皮带机的健康状态，因此对该部分的状态监测至关重要。
随着无线通讯技术的不断发展，出现越来越多可适应煤矿井下的无线通信技术，如WiFi、ZigBee和NB-IoT以及5G，这些技术大大降低煤矿井下的布线复杂度。同时，对于传感器的数据处理越来越趋于边缘化和集成化，充分利用这些技术可大大提升监测系统的智能化。
现阶段已有对煤矿用皮带机的健康报警系统，如专利号为CN209554214U的发明，其提出多监控分站的皮带机监控方法，但由于传感器采用有线方式连接及集中式数据处理手段，增加皮带机周围的布线复杂度，提升数据计算成本，不符合智能化的要求；专利号为CN104635629A的发明专利虽然使用了基于无线技术的传感器，但也仅仅是以无线取代有线进行简单的数据传输，未能实现传感器的智能化。此外，专利号为CN104773625A的发明提出的基于物联网的电梯健康监测系统及监测方法同样采用有线连接及数据集中处理的方法，会产生大量冗余数据，不够智能。
发明内容
本发明为了克服现有技术中存在的不足，所要解决的技术问题为：提供一种智能传感器硬件结构改进及矿用皮带机传动系统健康状态监测方法的改进。
为了解决上述技术问题，本发明采用的技术方案为：一种智能传感器，包括加速度传感器芯片、稳压模块、主控芯片、存储模块、通信模块和电源模块，所述主控芯片通过导线分别与加速度传感器芯片、稳压模块、主控芯片、存储模块、通信模块、电源模块相连；
所述加速度传感器芯片用于采集皮带机传动系统的加速度信号并发送至主控芯片；所述主控芯片内包含用于控制振动数据采集和处理的算法；所述存储模块用于存储皮带机传动系统正常工作时的振动加速度数据，并定期上传集控中心且清除，用以数据存档；所述通讯模块用于将需要上传的数据传输到数据接收端；所述电源模块为锂电池模块，为整个传感器提供电源驱动。
所述主控芯片内的数据采集和处理的算法步骤如下：
步骤一：通过现有的有线振动加速度传感器分别获取拖动电机、变速箱、主轴辊筒和托辊工作时的加速度数据；
步骤二：根据获取的加速度数据分别分析拖动电机、变速箱、主轴辊筒和托辊设备异常振动的加速度幅值，并分别确定拖动电机、变速箱、主轴辊筒和托辊异常加速度幅值阈值K1-K4；
步骤三：通过智能传感器分别获取拖动电机、变速箱、主轴辊筒和托辊工作时的加速度数据，根据加速度幅值阈值K1-K4去除冗余信息，并在发现异常数据时，将异常数据分析判断后实时通过通讯模块传输至数据分析中心。
所述步骤三中的加速度幅值阈值去除冗余信息的步骤为：
步骤2.1：分别判断采集的拖动电机、变速箱、主轴辊筒和托辊的加速度数据幅值是否大于K1-K4，当幅值大于K1-K4时，则判断为数据有异常，进入异常采集对比，对比结果为采集数据无异常时，则判断为传感器本身运行正常，异常产生的原因为运行设备，将异常的加速度数据记录并存储，通过无线组网将异常数据发送至集控中心进行运行设备的频谱分析及状态判断；
步骤2.2：当异常采集对比结果为采集数据有异常时，判断为运行设备正常而传感器本身的运行状态异常，此时自动上传传感器检修信号；
步骤2.3：当幅值小于K1-K4时，则判断数据正常，将数据进行记录后返回步骤2.1。
所述加速度传感器芯片具体采用ADXL357三轴加速度传感器；
所述主控芯片具体采用STM8L050J3处理器芯片；
所述通讯模块具体采用型号为RTL8723BU的WiFi无线通讯模块。
矿用皮带机传动系统健康状态监测方法，包括如下步骤：
步骤一：在煤矿用皮带机的拖动电机、变速箱、主轴辊筒和多个托辊位置分别安装智能传感器，用N1j表示安装在拖动电机上的传感器序列，用N2j表示安装在变速箱上的传感器序列，用N3j表示安装在主轴辊筒上的传感器序列，用N4j表示安装在托辊上的传感器序列；用上述智能传感器获取拖动电机、变速箱、主轴辊筒和托辊工作时的加速度数据；
步骤二：将获得的加速度数据进行傅里叶变换，得到各智能传感器的频域频谱信息，其变换公式为：
上式中：DTFT表示离散时间傅里叶变换，fi(n)是传感器Nij获取的离散振动信息数据，且
k表示变换后频域函数的周期性，N为传感器数据序列的总长度；
利用频谱信息构建不同异常程度的振动信息识别特征库，确定异常振动信息所处的频谱范围，并依据正常数据的频谱成分构建正常数据参考特征识别库；
步骤三：结合步骤一已安装的智能传感器搭建煤矿用皮带机传动系统振动数据采集系统，各传感器采集的数据利用WiFi通过数据采集器传输到集控中心数据分析上位机，数据采集器通过工业以太网与集控中心相连；
步骤四：依据各智能传感器获得的数据，利用自适应去噪算法滤除非对应部件所产生的加速度振动频率，对滤波后的加速度振动信息做傅里叶变换，并主要提取和识别异常振动信息所处频谱范围的频谱信息，所提取的频谱信息称为频谱特征，记为Fij，i表示某部分的传感器序列，j表示序列中的某一个传感器，然后给定传动系统的健康状态且锁定异常信息的来源部位，并依据当前状态，结合所构建的异常振动信息特征识别库和正常振动参考特征库给出振动异常部位的发展趋势，实现对异常部位振动状态的预测；
步骤五：通过专家评价系统，对当前的传动系统的健康状态进行评价，给出健康指数H，完成传动系统的健康状态监测。
所述健康评价系统是指基于公式
的评价体系，该系统能够给出当前传动系统的健康指数H,该指数可直观的表征系统的健康状况，并且健康指数H介于0和1之间且数值越大健康程度越高，公式中σ(·)表示将函数输入映射到(0，1)的范围内，Fij是经DTFT变换并提取后的振动数据频谱特征。
所述自适应去噪算法具体采用最小均方(LMS)自适应滤波算法，对于输入序列f(n)，其输出为
其中w(n)为由L+1个权系数组成的权系数矢量，w(n)的更新公式为：
为均方误差性能曲面梯度，μ为梯度系数。
本发明相对于现有技术具备的有益效果为：通过智能传感器及健康状态监测方法实现对煤矿用传动系统进行健康监测，利用智能传感器的数据边缘化计算技术，降低数据分析中心的计算复杂度，减少冗余数据，并且可推测发生故障部位的未来发展趋势，且给出传动系统的健康状态指数，实现对煤矿用皮带机的智能化、无线化监测。
附图说明
下面结合附图对本发明做进一步说明：
图1为本发明的智能传感器的电路模块结构示意图；
图2为本发明的智能传感器主控芯片内部的算法流程图；
图3为本发明煤矿用皮带机传动系统振动加速度数据采集网络结构示意图；
图4为本发明煤矿用皮带机传动系统健康状态监测方法流程图。
具体实施方式
如图1所示，本实施例提供的一种智能传感器的结构框图，具体包括加速度传感器芯片、稳压模块、主控芯片、存储模块、通信模块和电源模块；
所述加速度传感器芯片可依据根据采集参数的不同作进一步调整，优选的，本实施例选用ANALOG DEVICES公司的ADXL357三轴加速度传感器，通过该款三轴加速度传感器，可精准且较低功耗的完成加速度信号的采集；
所述主控芯片内编程了用于控制振动数据采集和处理的算法，主控芯片可根据算法的复杂程度进行更换，优选的，本实施例中选用STM8L050J3超低功耗微处理器芯片；
所述存储模块用于存储系统正常工作时的振动加速度数据，并定期上传集控中心且清除，用以数据存档，优选的，本实施例将定期上传时间设置为七天；
所述通讯模块用于传感器产生所有数据的无线传输，优选的，本实施例选用WiFi无线通讯技术，所选用的通讯芯片为RTL8723BU；
所述电源模块为锂电池模块，为整个传感器提供电源驱动；进一步，本发明的智能传感器为本质安全型，符合煤矿井下应用标准。
如图2所示，本实施例中在主控芯片中编程的数据采集和处理算法包括以下步骤：
步骤一：通过现有有线振动加速度传感器分别获得拖动电机、变速箱、主轴辊筒和托辊工作时的加速度数据；现有的有线振动加速度传感器具体可以采用KS76C100型号的加速度传感器；
步骤二：依据获得的加速度数据分析异常振动的加速度幅值，并确定激活传感器实时传输数据的加速度幅值阈值K，通过阈值K来减少传输的数据，去除冗余信息的同时，保证智能传感器的低功耗性，降低数据层的计算复杂度；
造成数据异常的原因包括运行设备本身的异常及传感器本身的异常，因此，需要对异常数据进行判断，导致数据异常的原因为运行设备即拖动电机、变速箱、主轴辊筒和托辊出现的异常还是传感器本身出现了异常；
步骤三：通过本发明的智能传感器获取拖动电机、变速箱、主轴辊筒和托辊工作时的加速度数据，在发现异常数据时，实时通过WiFi通讯传输至数据分析中心；
步骤四：依据先验知识及同类型传感器传输数据实现数据采集异常自检功能，当所监测部件正常而采集数据异常时，自动上传检修信号。
如图3所示，在完成本实施例提出的技术方案时，首先要搭建图中的传感器采集网络，该传感器网络均使用本实施例中的智能传感器，然后在此基础上应用如图4所示的煤矿用皮带机传动系统健康状态监测方法，本实施例中该方法包括以下步骤：
步骤一：在煤矿用皮带机的拖动电机、变速箱、主轴辊筒和多个托辊的合适位置分别安装上述的智能传感器，用N1j表示安装在拖动电机上的传感器序列，用N2j表示安装在变速箱上的传感器序列，用N3j表示安装在主轴辊筒上的传感器序列，用N4j表示安装在托辊上的传感器序列。用以上传感器获取工作时的加速度数据，该加速度数据应当包含正常状态及异常状态数据。
在本实施例中，N1j包括N11、N12、N13三个传感器，N2j包括N21、N22两个传感器，N3j包括N31、N32两个传感器，N4j包括N41、N42、N43、N44、N45、N46、N47、N48八个传感器。
步骤二：将获得的数据进行傅里叶变换，得到各加速度传感器的频域频谱信息，其变换公式为：
其中DTFT表示离散时间傅里叶变换，fi(n)是传感器Nij获取的离散振动信息数据，且
k表示变换后频域函数的周期性，N为传感器数据序列的总长度。利用频谱信息构建不同异常程度的振动信息识别特征库，确定异常振动信息所处的频谱范围，并依据正常数据的频谱成分构建正常数据参考特征识别库。
步骤三：结合步骤一已安装的传感器搭建煤矿用皮带机传动系统振动数据采集系统，各传感器采集的数据利用WiFi通过数据采集器传输到集控中心数据分析上位机，数据采集器通过工业以太网与集控中心相连。
步骤四：依据各传感器获得的数据，利用自适应去噪算法滤除非对应部件所产生的加速度振动频率，对滤波后的加速度振动信息做傅里叶变换，并重点提取和识别异常振动信息所处频谱范围的频谱信息，所提取的频谱信息称为频谱特征，记为Fij(i表示某部分的传感器序列，j表示序列中的某一个传感器)，然后给定传动系统的健康状态且锁定异常信息的来源部位，并依据当前状态，结合所构建的异常振动信息特征识别库和正常振动参考特征库断定振动异常部位的发展趋势，实现对异常部位振动状态的预测；发展趋势用趋势词库{趋于正常、趋于恶化、趋于损毁}表征。
进一步，所使用的自适应去噪算法是最小均方(LMS)自适应滤波算法，对于输入序列f(n)，其输出为
其中w(n)为由L+1个权系数组成的权系数矢量，ω(n)的更新公式为：
为均方误差性能曲面梯度，μ为梯度系数，该算法能使误差信号平均功率最小化，进而达到滤除干扰信号的目的。
步骤五：通过专家评价系统，对当前的传动系统的健康状态进行评价，给出健康状态指数(健康指数记为H)，完成传动系统的健康状态监测。
本实施例中的健康评价系统是指基于公式
的评价体系，该系统能够给出当前传动系统的健康指数H，该指数可直观的表征系统的健康状况，并且健康指数H介于0和1之间且数值越大健康程度越高，即(0，1)，公式中σ(·)表示将函数输入映射到(0，1)的范围内，Fij是经DTFT变换并提取后的振动数据频谱特征。
本发明提出了基于智能传感器的煤矿用皮带机传动系统健康状态监测方法，用以实现煤矿用皮带机传动系统的智能状态监测，首先公开了一种智能传感器，通过对传感器内的主控器芯片编写智能算法，使其具有边缘计算能力和异常状态自检功能并通过WiFi通信方式取代有线连接，使数据采集方式智能化，其次公开了一种煤矿用皮带机传动系统健康状态监测方法，通过对智能传感器采集的异常数据做傅里叶变换提取频谱特征然后结合预先构建的识别特征库给出异常部件的发展趋势，并通过健康指数评价公式
给出传动系统当前的健康状况，进而实现对煤矿用皮带机的智能化、无线化的实时监测；本发明提供的方法与现有技术相比，更具智能化，需要运算资源更少，且维护更加具有针对性，节省人力成本。
关于本发明具体结构需要说明的是，本发明采用的各部件模块相互之间的连接关系是确定的、可实现的，除实施例中特殊说明的以外，其特定的连接关系可以带来相应的技术效果，并基于不依赖相应软件程序执行的前提下，解决本发明提出的技术问题，本发明中出现的部件、模块、具体元器件的型号、连接方式除具体说明的以外，均属于本领域技术人员在申请日前可以获取到的已公开专利、已公开的期刊论文、或公知常识等现有技术，无需赘述，使得本案提供的技术方案是清楚、完整、可实现的，并能根据该技术手段重现或获得相应的实体产品。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种智能传感器，包括加速度传感器芯片、稳压模块、主控芯片、存储模块、通信模块和电源模块，其特征在于：所述主控芯片通过导线分别与加速度传感器芯片、稳压模块、主控芯片、存储模块、通信模块、电源模块相连；
所述加速度传感器芯片用于采集皮带机传动系统的加速度信号并发送至主控芯片；所述主控芯片内包含用于控制振动数据采集和处理的算法；所述存储模块用于存储皮带机传动系统正常工作时的振动加速度数据，并定期上传集控中心且清除，用以数据存档；所述通讯模块用于将需要上传的数据传输到数据接收端；所述电源模块为锂电池模块，为整个传感器提供电源驱动。
2.根据权利要求1所述的一种智能传感器，其特征在于：所述主控芯片内的数据采集和处理的算法步骤如下：
步骤一：通过现有的有线振动加速度传感器分别获取拖动电机、变速箱、主轴辊筒和托辊工作时的加速度数据；
步骤二：根据获取的加速度数据分别分析拖动电机、变速箱、主轴辊筒和托辊设备异常振动的加速度幅值，并分别确定拖动电机、变速箱、主轴辊筒和托辊异常加速度幅值阈值K1-K4；
步骤三：通过智能传感器分别获取拖动电机、变速箱、主轴辊筒和托辊工作时的加速度数据，根据加速度幅值阈值K1-K4去除冗余信息，并在发现异常数据时，将异常数据分析判断后实时通过通讯模块传输至数据分析中心。
3.根据权利要求2所述的一种智能传感器，其特征在于：所述步骤三中的加速度幅值阈值去除冗余信息的步骤为：
步骤2.1：分别判断采集的拖动电机、变速箱、主轴辊筒和托辊的加速度数据幅值是否大于K1-K4，当幅值大于K1-K4时，则判断为数据有异常，进入异常采集对比，对比结果为采集数据无异常时，则判断为传感器本身运行正常，异常产生的原因为运行设备，将异常的加速度数据记录并存储，通过无线组网将异常数据发送至集控中心进行运行设备的频谱分析及状态判断；
步骤2.2：当异常采集对比结果为采集数据有异常时，判断为运行设备正常而传感器本身的运行状态异常，此时自动上传传感器检修信号；
步骤2.3：当幅值小于K1-K4时，则判断数据正常，将数据进行记录后返回步骤2.1。
4.根据权利要求3所述的一种智能传感器，其特征在于：所述加速度传感器芯片具体采用ADXL357三轴加速度传感器；
所述主控芯片具体采用STM8L050J3处理器芯片；
所述通讯模块具体采用型号为RTL8723BU的WiFi无线通讯模块。
5.矿用皮带机传动系统健康状态监测方法，其特征在于：包括如下步骤：
步骤一：在煤矿用皮带机的拖动电机、变速箱、主轴辊筒和多个托辊位置分别安装智能传感器，用N1j表示安装在拖动电机上的传感器序列，用N2j表示安装在变速箱上的传感器序列，用N3j表示安装在主轴辊筒上的传感器序列，用N4j表示安装在托辊上的传感器序列；用上述智能传感器获取拖动电机、变速箱、主轴辊筒和托辊工作时的加速度数据；
步骤二：将获得的加速度数据进行傅里叶变换，得到各智能传感器的频域频谱信息，其变换公式为：
上式中：DTFT表示离散时间傅里叶变换，fi(n)是传感器Nij获取的离散振动信息数据，且
k表示变换后频域函数的周期性，N为传感器数据序列的总长度；
利用频谱信息构建不同异常程度的振动信息识别特征库，确定异常振动信息所处的频谱范围，并依据正常数据的频谱成分构建正常数据参考特征识别库；
步骤三：结合步骤一已安装的智能传感器搭建煤矿用皮带机传动系统振动数据采集系统，各传感器采集的数据利用WiFi通过数据采集器传输到集控中心数据分析上位机，数据采集器通过工业以太网与集控中心相连；
步骤四：依据各智能传感器获得的数据，利用自适应去噪算法滤除非对应部件所产生的加速度振动频率，对滤波后的加速度振动信息做傅里叶变换，并主要提取和识别异常振动信息所处频谱范围的频谱信息，所提取的频谱信息称为频谱特征，记为Fij，i表示某部分的传感器序列，j表示序列中的某一个传感器，然后给定传动系统的健康状态且锁定异常信息的来源部位，并依据当前状态，结合所构建的异常振动信息特征识别库和正常振动参考特征库给出振动异常部位的发展趋势，实现对异常部位振动状态的预测；
步骤五：通过专家评价系统，对当前的传动系统的健康状态进行评价，给出健康指数H，完成传动系统的健康状态监测。
6.根据权利要求5所述的矿用皮带机传动系统健康状态监测方法，其特征在于：
所述健康评价系统是指基于公式
的评价体系，该系统能够给出当前传动系统的健康指数H，该指数可直观的表征系统的健康状况，并且健康指数H介于0和1之间且数值越大健康程度越高，公式中σ(·)表示将函数输入映射到(0，1)的范围内，Fij是经DTFT变换并提取后的振动数据频谱特征。
7.根据权利要求5所述的矿用皮带机传动系统健康状态监测方法，其特征在于：所述自适应去噪算法具体采用最小均方自适应滤波算法，对于输入序列f(n)，其输出为
其中w(n)为由L+1个权系数组成的权系数矢量，w(n)的更新公式为：
▽为均方误差性能曲面梯度，μ为梯度系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110697577.2A CN113418700B (zh) | 2021-06-23 | 2021-06-23 | 一种智能传感器及矿用皮带机传动系统健康状态监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110697577.2A CN113418700B (zh) | 2021-06-23 | 2021-06-23 | 一种智能传感器及矿用皮带机传动系统健康状态监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113418700A true CN113418700A (zh) | 2021-09-21 |
| CN113418700B CN113418700B (zh) | 2023-04-07 |
Family
ID=77717559
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110697577.2A Active CN113418700B (zh) | 2021-06-23 | 2021-06-23 | 一种智能传感器及矿用皮带机传动系统健康状态监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113418700B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114584620A (zh) * | 2022-02-24 | 2022-06-03 | 中用科技有限公司 | 一种工业互联网数据传输交换方法 |
| CN114932103A (zh) * | 2022-07-26 | 2022-08-23 | 江苏优创生物医学科技有限公司 | 一种往复式医疗分拣机晃动分析方法 |
| CN116081186A (zh) * | 2023-04-07 | 2023-05-09 | 合肥金星智控科技股份有限公司 | 传输带托辊速度异常判别方法、存储介质和电子设备 |
| TWI812410B (zh) * | 2022-08-18 | 2023-08-11 | 中國鋼鐵股份有限公司 | 輸送帶的監診方法 |
| CN117407662A (zh) * | 2023-12-15 | 2024-01-16 | 广州市齐明软件科技有限公司 | 一种传感器数据处理方法及系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2015100473A4 (en) * | 2014-08-04 | 2015-05-14 | Ezifix Mining Solutions Pty Ltd | Conveyor roller monitoring apparatus |
| CN107144303A (zh) * | 2017-04-21 | 2017-09-08 | 煤炭科学技术研究院有限公司 | 一种矿用机电设备的故障检测系统、方法及装置 |
| CN108716989A (zh) * | 2018-05-17 | 2018-10-30 | 长沙理工大学 | 一种汽轮发电机组轴系扭振故障监测方法、监测器及系统 |
| CN109141881A (zh) * | 2018-07-06 | 2019-01-04 | 东南大学 | 一种深度自编码网络的旋转机械健康评估方法 |
| CN109975703A (zh) * | 2019-04-04 | 2019-07-05 | 华夏天信（北京）智能低碳技术研究院有限公司 | 一种用于矿用本安电机健康状态监测的智能传感器及系统 |
| CN110239914A (zh) * | 2019-06-19 | 2019-09-17 | 太原理工大学 | 红外视听频谱融合输送带纵向撕裂检测预警装置及方法 |
| CN110333071A (zh) * | 2019-06-28 | 2019-10-15 | 华北电力大学 | 一种利用窄带倒谱变换的机械振动信号处理方法 |
| CN110543820A (zh) * | 2019-07-29 | 2019-12-06 | 华南理工大学 | 一种基于编辑倒频谱的故障滚动轴承模态参数提取方法 |
| CN111922095A (zh) * | 2020-07-14 | 2020-11-13 | 上海数深智能科技有限公司 | 一种冷轧机轧辊扭振故障异常的振动诊断方法 |
| CN112032034A (zh) * | 2020-05-21 | 2020-12-04 | 和尘自仪(嘉兴)科技有限公司 | 海水泵健康状态评估方法、模型、装置及存储介质 |
| CN112857798A (zh) * | 2021-02-23 | 2021-05-28 | 太原理工大学 | 一种基于频谱分析的多轴系机械传动系统质量评估方法 |
| CN112926505A (zh) * | 2021-03-24 | 2021-06-08 | 重庆大学 | 基于dtc-vae神经网络的旋转机械健康指标构建方法 |
-
2021
- 2021-06-23 CN CN202110697577.2A patent/CN113418700B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2015100473A4 (en) * | 2014-08-04 | 2015-05-14 | Ezifix Mining Solutions Pty Ltd | Conveyor roller monitoring apparatus |
| CN107144303A (zh) * | 2017-04-21 | 2017-09-08 | 煤炭科学技术研究院有限公司 | 一种矿用机电设备的故障检测系统、方法及装置 |
| CN108716989A (zh) * | 2018-05-17 | 2018-10-30 | 长沙理工大学 | 一种汽轮发电机组轴系扭振故障监测方法、监测器及系统 |
| CN109141881A (zh) * | 2018-07-06 | 2019-01-04 | 东南大学 | 一种深度自编码网络的旋转机械健康评估方法 |
| CN109975703A (zh) * | 2019-04-04 | 2019-07-05 | 华夏天信（北京）智能低碳技术研究院有限公司 | 一种用于矿用本安电机健康状态监测的智能传感器及系统 |
| CN110239914A (zh) * | 2019-06-19 | 2019-09-17 | 太原理工大学 | 红外视听频谱融合输送带纵向撕裂检测预警装置及方法 |
| CN110333071A (zh) * | 2019-06-28 | 2019-10-15 | 华北电力大学 | 一种利用窄带倒谱变换的机械振动信号处理方法 |
| CN110543820A (zh) * | 2019-07-29 | 2019-12-06 | 华南理工大学 | 一种基于编辑倒频谱的故障滚动轴承模态参数提取方法 |
| CN112032034A (zh) * | 2020-05-21 | 2020-12-04 | 和尘自仪(嘉兴)科技有限公司 | 海水泵健康状态评估方法、模型、装置及存储介质 |
| CN111922095A (zh) * | 2020-07-14 | 2020-11-13 | 上海数深智能科技有限公司 | 一种冷轧机轧辊扭振故障异常的振动诊断方法 |
| CN112857798A (zh) * | 2021-02-23 | 2021-05-28 | 太原理工大学 | 一种基于频谱分析的多轴系机械传动系统质量评估方法 |
| CN112926505A (zh) * | 2021-03-24 | 2021-06-08 | 重庆大学 | 基于dtc-vae神经网络的旋转机械健康指标构建方法 |
Non-Patent Citations (1)
| Title |
|---|
| 高扬等: "煤机设备无线自供电状态监测系统", 《机械工程学报》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114584620A (zh) * | 2022-02-24 | 2022-06-03 | 中用科技有限公司 | 一种工业互联网数据传输交换方法 |
| CN114932103A (zh) * | 2022-07-26 | 2022-08-23 | 江苏优创生物医学科技有限公司 | 一种往复式医疗分拣机晃动分析方法 |
| TWI812410B (zh) * | 2022-08-18 | 2023-08-11 | 中國鋼鐵股份有限公司 | 輸送帶的監診方法 |
| CN116081186A (zh) * | 2023-04-07 | 2023-05-09 | 合肥金星智控科技股份有限公司 | 传输带托辊速度异常判别方法、存储介质和电子设备 |
| CN117407662A (zh) * | 2023-12-15 | 2024-01-16 | 广州市齐明软件科技有限公司 | 一种传感器数据处理方法及系统 |
| CN117407662B (zh) * | 2023-12-15 | 2024-04-02 | 广州市齐明软件科技有限公司 | 一种传感器数据处理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113418700B (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113418700B (zh) | 一种智能传感器及矿用皮带机传动系统健康状态监测方法 | |
| CN112613646A (zh) | 一种基于多维数据融合的设备状态预测方法及系统 | |
| CN110221558A (zh) | 一种基于边缘计算技术的电液伺服阀在线故障诊断网关 | |
| CN111579243B (zh) | 一种基于深度迁移学习的滚动轴承智能诊断系统 | |
| CN103115667B (zh) | 一种基于传感器的振动监测装置 | |
| CN113722979B (zh) | 一种基于数字孪生的采煤机虚实交互系统及其构建方法 | |
| CN113305645B (zh) | 一种基于混合神经模型的数控机床刀具剩余寿命预测方法 | |
| CN113255209B (zh) | 一种齿轮箱轴承剩余寿命的预测方法 | |
| CN111504385A (zh) | 一种适用于机械设备异常状态多参数监测装置及方法 | |
| CN116187725B (zh) | 一种用于锻造自动线的锻造设备管理系统 | |
| CN104318305A (zh) | 一种基于小波与神经网络的逆变器低频噪声故障诊断方法 | |
| CN112002114A (zh) | 一种基于5G-ZigBee通信的机电设备无线数据采集系统和方法 | |
| CN109084826A (zh) | 一种用于故障预测与健康管理的智能传感系统 | |
| CN111695201A (zh) | 一种基于数据的磁浮列车运行状态的监测方法 | |
| CN110299874A (zh) | 一种基于wifi的开关磁阻电动机智能控制系统 | |
| CN103162816A (zh) | 一种基于传感器的振动监测方法 | |
| CN116880402A (zh) | 智慧工厂协同管控系统及其方法 | |
| CN114925723A (zh) | 采用编码器和解码器的滚动轴承剩余使用寿命预测方法 | |
| CN117332252A (zh) | 一种基于振动增长速度的旋转动设备趋势预警方法 | |
| CN202091172U (zh) | 气体压缩机状态监测和可靠性分析装置 | |
| CN113155501B (zh) | 一种基于物联网技术的工业设备实时监测系统 | |
| CN211015603U (zh) | 一种港口起重机传动部件大数据监控系统 | |
| CN112699926B (zh) | 基于人工智能技术的水泥生料立磨饱磨异常识别方法 | |
| CN103398846A (zh) | 一种减速器健康分析方法及其分析平台系统 | |
| CN114636929A (zh) | 一种基于mfcc融合gru的音频特征分析电动单轨吊电机故障预测系统 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231225 Address after: 017000 Room 805, Gaoxin Building, High tech Industrial Development Zone, Kangxin Street, Kangbashi District, Ordos City, Inner Mongolia Autonomous Region Patentee after: Ordos Shuxin Technology Co.,Ltd. Address before: 030024 No. 79 West Main Street, Taiyuan, Shanxi, Yingze Patentee before: Taiyuan University of Technology |