CN113609602A - 一种基于字典学习的卸载式多驱输送机故障监测方法 - Google Patents

一种基于字典学习的卸载式多驱输送机故障监测方法 Download PDF

Info

Publication number
CN113609602A
CN113609602A CN202110686501.XA CN202110686501A CN113609602A CN 113609602 A CN113609602 A CN 113609602A CN 202110686501 A CN202110686501 A CN 202110686501A CN 113609602 A CN113609602 A CN 113609602A
Authority
CN
China
Prior art keywords
dictionary
learning
conveyor
fault
monitoring
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
Application number
CN202110686501.XA
Other languages
English (en)
Other versions
CN113609602B (zh
Inventor
岑梁
季国良
何海国
王伟
尹小明
范津津
林瑞学
蒋勇
季小雨
王佳峰
陆剑
章宙文
牛传臣
胡文博
邱泽晶
肖楚鹏
郭松
冯澎湃
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.)
Huzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Changxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Huzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Changxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
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 Huzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd, Changxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Huzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority to CN202110686501.XA priority Critical patent/CN113609602B/zh
Publication of CN113609602A publication Critical patent/CN113609602A/zh
Application granted granted Critical
Publication of CN113609602B publication Critical patent/CN113609602B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Control Of Conveyors (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于字典学习的卸载式多驱输送机故障监测方法，包括以下步骤：构建描述输送带上的物料分布特征；获取学习样本；进行字典学习；建立故障诊断的指标用于输送机的实时监测；进行输送机状态监测与故障诊断的离线学习；进行输送机状态监测与故障诊断的在线监测。上述技术方案通过将输送带承载段分成定长的n等份，结合电子皮带秤定义分布向量来描述输送带上的物料分布特征，基于字典学习建立多驱输送机数据驱动故障诊断模型，并且提出了新的初始字典生成方法，改善多点驱动输送机字典学习模型的故障诊断性能，实现输送机工作过程的实时状态监测和故障预警，为多驱动输送机运行的状态监测和故障诊断提供了一种有效方法。

Description

一种基于字典学习的卸载式多驱输送机故障监测方法
技术领域
本发明涉及故障监测技术领域，尤其涉及一种基于字典学习的卸载式多驱输送机故障监测方法。
背景技术
带式输送机是用于中、远距离输送散状物料的主要设备之一，具有速度快、输送量大、自动连续性等优势。经过长久发展，带式输送机已在矿业、电力、化工等领域得到了广泛的应用。带式输送机正朝着运送距离越来越长、输送带带速越来越快、运输功率越来越大、装载量越来越高以及安装倾斜角度越来越大等方向发展。在长距离物料输送中，由于单台驱动电机所能提供的驱动力有限，且输送胶带所能承受的最大张力也有限，故大型带式输送机通常采用多台电机驱动。增加中部卸料驱动站是降低带强，降低整机价的一种有效方式。目前广泛用于带式输送机的调速装置有CST、可调速液力偶合器、变频器。从设备全生命周期的成本考虑，变频器具有较大优势。输送机属于恒转矩负载，一般选用矢量控制类变频器，具有可控输出转矩。
带式输送机系统包含大量的运动部件，且运行状态多变，容易出现故障。在文献中针对输送机故障监测与诊断的研究较多，可以分为几类：
①基于特殊装置的故障判断。前期文献主要开发专用装置来直接判断特定故障类型，例如，采用跑偏开关和打滑开关来检测跑偏和打滑故障。
②旋转设备故障诊断。在文献中也出现了较多针对关键旋转设备进行故障诊断的研究报道，主要测量振动信号再通过信号处理的手段来获得故障特征。
③基于图像的故障诊断。近年来，出现了采用红外热成像、工业相机等设备对电动机、托辊等关键部件进行故障诊断的研究。所采用的核心技术是图像处理和模式识别，图像测量可以方便地与巡检机器人配合使用以扩大检测区域。
④数据驱动故障诊断。近年来也出现了基于大数据学习的输送机故障诊断方法；例如，收集带式输送机正常、跑偏、撕裂、打滑等状态下带速、瞬时运输重量、电动机电流等信号，并将这些数据作为学习样本进行神经网络监督学习，训练完成后模型即可用于故障诊断。
第①和第②类方法针对具体的设备进行故障判断，设备范围小。第③类基于视觉的方法发展迅速，但对前期故障和微小故障的检出率不高。第④类方法能实现故障的在线判断，由于训练样本中必须包含故障类标，故训练样本难以获得。
中国专利文献CN112027562A公开了一种“多点驱动带式输送机通信侦听系统、控制系统及方法”。其控制系统是由机头控制主站，机中控制分站组成；机头控制主站与机中控制分站通过通信光缆相互交互，通信侦听系统设置在控制主站控制器与控制分站控制器上。上述技术方案针对于设备前期故障和微小故障的检出率不高。
发明内容
本发明主要解决原有的技术方案针对设备的范围小，对于前期故障和微小故障的检出率不高的技术问题，提供一种基于字典学习的卸载式多驱输送机故障监测方法，通过将输送带承载段分成定长的n等份，结合电子皮带秤定义分布向量来描述输送带上的物料分布特征，基于字典学习建立多驱输送机数据驱动故障诊断模型，字典学习算法具有强大的挖掘数据底层结构与特征的能力，对复杂的多变量过程有较好的故障诊断性能，并且提出了新的初始字典生成方法，对字典学习故障诊断方法进行优化，改善多点驱动输送机字典学习模型的故障诊断性能，实现输送机工作过程的实时状态监测和故障预警，为多驱动输送机运行的状态监测和故障诊断提供了一种有效方法。
本发明的上述技术问题主要是通过下述技术方案得以解决的：本发明包括以下步骤：
S1构建描述输送带上的物料分布特征；
S2获取学习样本；
S3进行字典学习；
S4建立故障诊断的指标用于输送机的实时监测；
S5进行输送机状态监测与故障诊断的离线学习；
S6进行输送机状态监测与故障诊断的在线监测。
作为优选，所述的步骤S1具体包括将输送带的承载段分成定长的n等份，设传送机带速为v，则输送机经过每段需要的时间为：
Figure BDA0003124899750000031
设q为皮带秤输出，则首段输送带上的物料量可以表示为：
Figure BDA0003124899750000032
设皮带秤读数的采样周期为ts，取
Figure BDA0003124899750000033
将上式离散化得首段输送带物料量计算公式
Figure BDA0003124899750000034
随着输送带的运动，物料将在输送带上向后传递，形成链：x1→x2→……→xm→xm+1→……→xn，当输送机运行时间大于
Figure BDA0003124899750000035
后，每个段的装载量变成已知量，利用向量xk＝(x1,x2…xm,xm+1xn)即可描述输送带上的物料分布。
作为优选，所述的步骤S2获取的学习样本包括：
S2.1设数据采样周期为Ts，且Ts>ts，ts为装载量的采样周期；
S2.2程序按照周期ts在线获取装载量q，并计算首段输送带上的物料量x1，并更新发布向量xk＝(x1,x2…xm,xm+1xn)；
S2.3每个周期Ts(以k次采样为例)，读出物料分布向量xk，并通过现场总线从变频器获得主驱动单元输出转矩TET1和TET2、中部驱动单元转矩TEZ1和TEZ2、尾部驱动单元转矩TEW1和TEW2，并读取带速v：
S2.4将以上获得的参数组合为向量
Figure BDA0003124899750000041
包含了输送机运行过程的核心参数用于反映输送机的工作状态，
Figure BDA0003124899750000042
即可作为输送机字典学习故障诊断建模的一个学习样本；
S2.5重复步骤S2.1到步骤S2.5获得多个学习样本，构成样本集
Figure BDA0003124899750000043
作为优选，所述的步骤S3字典学习包括稀疏编码和字典更新两个过程，稀疏编码采用OMP算法，该过程基于字典矩阵D计算编码矩阵S；字典更新采用KSVD算法，该过程是对字典矩阵D和编码矩阵S的每个向量进行同步更新。
作为优选，所述的稀疏编码过程的迭代次数即为设定的稀疏度L，在迭代中依次找出对样本
Figure BDA0003124899750000044
贡献值最大、贡献值次之的字典原子，以此类推，直到完成L次迭代，得到贡献值大的原子对应的编码系数，组成编码向量，在进行稀疏编码时，字典矩阵D是固定且已知的，则编码过程如下：
Figure BDA0003124899750000045
首先计算每个字典原子对残差R的贡献值，并找到贡献值最大的字典原子作为该次编码的原子，残差R的初始值设置为
Figure BDA0003124899750000046
用内积绝对值来表示贡献值大小，内积绝对值越大，说明字典原子与残差R相关性越大，内积计算方法如下：
<D,R>＝DT·R
选定最大贡献值，即内积绝对值的最大值所对应的字典原子作为第一次迭代的基d1，用最小二乘法计算d1对样本
Figure BDA0003124899750000051
的编码系数λ1，如下：
Figure BDA0003124899750000052
然后，根据下式更新残差，并重复以上过程完成L次迭代，直到根据第L个贡献值大的基dL得到编码系数λL停止计算
Figure BDA0003124899750000053
作为优选，所述的字典更新过程采用KSVD算法，用于更新字典矩阵D和编码矩阵S，更新方式是对字典矩阵D逐列更新，即每次只更新一个字典原子列向量和其对应的稀疏编码行向量，当更新某一列字典原子时，其它字典原子与其对应的编码向量不变，通过对残差进行奇异值分解SVD，得到优化的字典原子和编码向量，由于字典原子数为K，故要完成K次SVD的残差迭代，依次对每列字典原子和每行编码向量进行最优化，以此不断减小样本重建误差，最终获得性能优良的字典矩阵D和编码矩阵S，
假设更新字典矩阵D的第k个字典原子，记为dk；同时更新编码矩阵S的第k行，记为
Figure BDA0003124899750000054
则有：
Figure BDA0003124899750000055
定义残差
Figure BDA0003124899750000056
则字典更新的优化目标模型为：
Figure BDA0003124899750000057
找出
Figure BDA00031248997500000510
中的非零元素，从而得到E’k，此时字典更新的优化目标模型为：
Figure BDA0003124899750000059
对E’k进行SVD分解，如下：
E’k＝UΣVT
取左奇异矩阵U的第1个列向量u1＝U(·,1)作dk，即dk＝u1，作为优化更新后字典D的第k列；取右奇异矩阵VT第1个行向量与第1个奇异值的乘积作为
Figure BDA0003124899750000061
即
Figure BDA0003124899750000062
再将
Figure BDA0003124899750000063
映射至编码矩阵第k行的非零位置，得到
Figure BDA0003124899750000064
作为优化更新后编码矩阵S的第k行。
作为优选，所述的步骤S4建立故障诊断的指标用于输送机的实时监测，以重建误差作为状态监测的指标，已知字典矩阵为D、编码矩阵为S，sk是编码矩阵的第k个编码向量，对于样本总数为N的学习样本集
Figure BDA0003124899750000065
中样本数据
Figure BDA0003124899750000066
重建误差REk计算如下：
Figure BDA0003124899750000067
在获得了学习样本集中每一个样本的重建误差REk后，设置带宽h，选用高斯核函数
Figure BDA0003124899750000068
作为核函数K，可根据下式计算样本重建误差的概率密度分布函数fh(RE)：
Figure BDA0003124899750000069
然后，计算样本重建误差累积概率分布函数：
Figure BDA00031248997500000610
取置信度为α，根据累积分布函数Fh(limit)≤α，则可以计算出样本重建误差限limit，作为状态监测指标，
对于待检测实时样本
Figure BDA00031248997500000611
首先根据下式采用OMP算法计算实时数据在上述学习样本字典矩阵D下的编码向量snew：
Figure BDA00031248997500000612
然后，计算实时样本
Figure BDA0003124899750000071
的重建误差REnew：
Figure BDA0003124899750000072
当实时数据的重建误差不超过重建误差限，即REnew≤limit，检测结果为“正常数据”；反之，当REnew＞limit，检测结果为“故障数据”，
对于检测结果为“故障数据”的样本，采用贡献图法进行故障源定位，贡献率高的变量将被定位为“故障源”，由于采样数据共包含(n+7)个变量，则各变量贡献率ε计算如下：
Figure BDA0003124899750000073
作为优选，所述的步骤S5进行输送机状态监测与故障诊断的离线学习具体包括：
S5.1设置在线装载量测量周期ts，开始装载量在线测量，当线装载量测量正常运行时间大于
Figure BDA0003124899750000074
则物料分布向量的每个元素都变为已知量；
S5.2设置变量采样周期Ts，每个周期Ts读出xk，并采集TET1、TET2、TEZ1、TEZ2、TEW1和TEW2及v，通过处理获得学习样本
Figure BDA0003124899750000075
重复此过程直到获得训练样本集
Figure BDA0003124899750000076
S5.3对训练样本采用滑窗法进行剔除异常值、归一化预处理；
S5.4设置字典学习参数，包括字典原子数、稀疏度、迭代次数、置信度、核参数，使用PCA/KPCA优化初始字典选择，启动离线字典学习过程；
S5.5获得训练样本的字典矩阵D和编码矩阵S；
S5.6计算故障观测指标重建误差限REk；
S5.7计算故障判断指标重建误差限limit，作为在线监测的观测指标；
S5.8学习完成后保存字典矩阵、重建误差限参数，供在线监测阶段使用。
作为优选，所述的步骤S6进行输送机状态监测与故障诊断的在线监测具体包括：
S6.1设置与离线学习阶段一致的采样周期Ts，每个周期Ts读出xk，并采集TET1、TET2、TEZ1、TEZ2、TEW1和TEW2及v，组合为向量
Figure BDA0003124899750000081
作为实时待诊断样本；
S6.2读取字典矩阵D，计算实时待诊断样本
Figure BDA0003124899750000082
的编码向量snew和重建误差REnew，调用输送机的字典学习模型获得重建误差限limit，将重建误差REnew与重建误差限limit进行比较，若REnew≤limit，
Figure BDA0003124899750000083
为“正常数据”；反之，当REnew＞limit，
Figure BDA0003124899750000084
为“故障数据”，完成故障检测；
S6.3计算检测结果为“故障数据”样本的变量贡献率ε，贡献率最高的变量将被定位为“故障源”，完成故障定位；
S6.4出现输送机运行故障数据时进行故障报警。
作为优选，所述的卸载式多驱输送机故障监测方法的监测系统采用光纤通信，包括依次相连的头部驱动单元、中部驱动单元和尾部驱动单元，所述头部驱动单元与PLC控制器相连，所述头部驱动单元、中部驱动单元和尾部驱动单元分别与两台同轴安装的电机相连，头部驱动单元电机分别与1#变频器、2#变频器相连，中部驱动单元电机分别与3#变频器、4#变频器相连，尾部驱动单元电机分别与5#变频器、6#变频器相连。系统采用光纤通信一方面是为了适应输送机的长距离，另一方面是为了避免线缆的雷击风险。每组驱动单元包括两台同轴安装的电机，每台电机配用一台变频器。由于输送机属于恒转矩类负载，一般选用矢量控制变频器，输出可控转矩。PLC与6台变频器之间采用现场总线协议进行通信，以实现驱动单元之间的协调控制。
本发明的有益效果是：通过将输送带承载段分成定长的n等份，结合电子皮带秤定义分布向量来描述输送带上的物料分布特征，基于字典学习建立多驱输送机数据驱动故障诊断模型，字典学习算法具有强大的挖掘数据底层结构与特征的能力，对复杂的多变量过程有较好的故障诊断性能，并且提出了新的初始字典生成方法，对字典学习故障诊断方法进行优化，改善多点驱动输送机字典学习模型的故障诊断性能，实现输送机工作过程的实时状态监测和故障预警，为多驱动输送机运行的状态监测和故障诊断提供了一种有效方法。
附图说明
图1是本发明的一种长距离输送机输送带物料分布不均图。
图2是本发明的一种物料分布向量示意图。
图3是本发明的一种多驱动输送机控制系统示意图。
图4是本发明的一种输入向量示意图。
图5是本发明的一种字典学习算法迭代过程图。
图6是本发明的一种字典学习稀疏编码过程图。
图7是本发明的一种字典学习字典更新过程图。
图8是本发明的一种初始字典生成方法图。
图9是本发明的一种基于字典学习的输送机故障诊断方法流程图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。实施例：本实施例的一种基于字典学习的卸载式多驱输送机故障监测方法，包括以下步骤：
(1)输送带物料分布
在输送机的运行过程中，下料速率很难维持均匀，卸料装置甚至出现堵塞现象，这些现象将导致输送带装载不均匀。在长距离输送机中，物料的分布不均更加明显，如图1所示长距离输送机输送带的物料分布不均现象，这对输送机运行状态影响大。为了更加准确的描述输送机的运行状态，有必要精确描述输送带上的物料分布。
为了描述输送带上物料的分布状态，将输送带的承载段分成定长的n等份，如附图2。设带速为v，则输送机经过每段需要的时间为：
Figure BDA0003124899750000101
目前在物料运输过程中一般会配置电子皮带秤以获知瞬时上料量，如附图2所示。设q为皮带秤输出，则首段输送带上的物料量可以表示为：
Figure BDA0003124899750000102
设皮带秤读数的采样周期为ts，取
Figure BDA0003124899750000103
将式(2)离散化得首段输送带物料量计算公式
Figure BDA0003124899750000104
随着输送带的运动，物料将在输送带上向后传递，形成链：x1→x2→……→xm→xm+1→……→xn。当输送机运行时间大于
Figure BDA0003124899750000105
后，每个段的装载量都将变成已知量。利用向量xk＝(x1,x2…xm,xm+1xn)即可描述输送带上的物料分布。
输送机是典型的分布参数对象，所受到的基本阻力、附加阻力、主要特种阻力、附加特种阻力、倾斜阻力都与位置有关，故输送带的上的物料分布将影响输送机的运行状态。在以下建立字典学习模型时将把物料分布参数作为核心输入参数。额外说明：在当前基于神经网络学习的算法中将皮带秤的瞬时输出量作为输入参数之一，这种只考虑瞬时值的处理方式不合适。
(2)驱动方式及输入向量
广泛用于带式输送机的调速装置有CST、可调速液力偶合器、变频器。从设备全生命周期的成本考虑，变频器具有较大优势。本说明以图2所示中间卸载式多驱输送机为对象，设计以PLC为控制器的电气控制系统，如附图3所示，系统采用光纤通信一方面是为了适应输送机的长距离，另一方面是为了避免线缆的雷击风险。每组驱动单元包括两台同轴安装的电机，每台电机配用一台变频器。由于输送机属于恒转矩类负载，一般选用矢量控制变频器，输出可控转矩。PLC与6台变频器之间采用现场总线协议进行通信，以实现驱动单元之间的协调控制。附图3所示输送机控制系统具有一般性，本专利针对此类配备变频器驱动装置的输送机系统。
在图3所示系统中，PLC连接变频器，可实时读取其输出转矩参数。主驱动单元转矩输出记为TET1和TET2、中部驱动单元转矩记为TEZ1和TEZ2、尾部驱动单元转矩记为TEW1和TEW2。
为了进行字典学习建模，需要获得学习样本，样本的获取过程如图4所示。设数据采样周期为Ts，且Ts>ts，ts为装载量的采样周期。程序按照周期ts在线获取装载量q，并计算首段输送带上的物料量x1，并更新发布向量
Figure BDA0003124899750000113
每个周期Ts(以k次采样为例)，读出物料分布向量xk，并通过现场总线从变频器获得主驱动单元输出转矩TET1和TET2、中部驱动单元转矩TEZ1和TEZ2、尾部驱动单元转矩TEW1和TEW2，并读取带速v。将以上获得的参数组合为向量
Figure BDA0003124899750000111
可见，
Figure BDA0003124899750000112
包含了输送机运行过程的核心参数，可以反映输送机的工作状态。
Figure BDA0003124899750000121
即可作为输送机字典学习故障诊断建模的一个学习样本。重复以上过程即可获得多个学习样本，构成样本集
Figure BDA0003124899750000122
(3)基于字典学习的输送机状态监测与故障诊断
字典学习利用有限原子组成的过冗余字典来表示数据的本质特征，通过稀疏表示对数据进行重构。附图5为字典学习算法迭代过程。字典学习包括稀疏编码和字典更新两个过程。稀疏编码采用OMP算法，该过程基于字典矩阵计算编码矩阵；字典更新采用KSVD算法，该过程是对字典矩阵和编码矩阵的每个向量进行同步更新。字典学习算法的优化策略是在设定的迭代次数T下，以最小化样本重建误差为最优化目标，将稀疏编码和字典更新两个过程先后交替循环往复进行，从而输出该组样本的最优字典矩阵D和编码矩阵S，并保证在该编码矩阵下的字典原子线性组合能够对原始样本进行最准确重构。
在获得输送机学习样本集
Figure BDA0003124899750000123
后，即可进入附图6所示为OMP算法流程，获得编码矩阵S。稀疏编码过程的迭代次数即为设定的稀疏度L，在迭代中依次找出对样本
Figure BDA0003124899750000124
贡献值最大、贡献值次之的字典原子，以此类推，直到完成L次迭代，得到贡献值大的原子对应的编码系数，组成编码向量。在进行稀疏编码时，字典矩阵D是固定且已知的，则编码过程如下：
Figure BDA0003124899750000125
首先计算每个字典原子对残差R的贡献值，并找到贡献值最大的字典原子，作为该次编码的原子。残差R的初始值设置为
Figure BDA0003124899750000126
用内积绝对值来表示贡献值大小，内积绝对值越大，说明字典原子与残差R相关性越大，内积计算方法如下：
<D,R>＝DT·R (5)
选定最大贡献值，即内积绝对值的最大值所对应的字典原子作为第一次迭代的基d1。用最小二乘法计算d1对样本
Figure BDA0003124899750000131
的编码系数λ1，如下：
Figure BDA0003124899750000132
然后，根据式(7)更新残差，并重复以上过程完成L次迭代，直到根据第L个贡献值大的基dL得到编码系数λL停止计算。
Figure BDA0003124899750000133
字典更新流程如附图7所示，采用KSVD算法，用于更新字典矩阵D和编码矩阵S。更新方式是对字典矩阵D逐列更新，即每次只更新一个字典原子列向量和其对应的稀疏编码行向量。当更新某一列字典原子时，其它字典原子与其对应的编码向量不变，通过对残差进行奇异值分解(SVD)，可得到优化的字典原子和编码向量。由于字典原子数为K，故要完成K次SVD的残差迭代，依次对每列字典原子和每行编码向量进行最优化，以此不断减小样本重建误差，最终获得性能优良的字典矩阵D和编码矩阵S。
假设更新字典矩阵D的第k个字典原子，记为dk；同时更新编码矩阵S的第k行，记为
Figure BDA0003124899750000134
为，则有：
Figure BDA0003124899750000135
定义残差
Figure BDA0003124899750000136
则字典更新的优化目标模型为：
Figure BDA0003124899750000137
为保证优化更新后的编码矩阵依然满足预设稀疏度L的要求，需要先找出
Figure BDA0003124899750000138
中的非零元素，从而得到E’k。此时字典更新的优化目标模型为：
Figure BDA0003124899750000139
对E’k进行SVD分解，如下：
E’k＝UΣVT (11)
取左奇异矩阵U的第1个列向量u1＝U(·,1)作dk，即dk＝u1，作为优化更新后字典D的第k列；取右奇异矩阵VT第1个行向量与第1个奇异值的乘积作为
Figure BDA0003124899750000141
即
Figure BDA0003124899750000142
再将
Figure BDA0003124899750000143
映射至编码矩阵第k行的非零位置，得到
Figure BDA0003124899750000144
作为优化更新后编码矩阵S的第k行。
在进行字典学习之前，需要先选取一个固定字典作为初始字典。传统字典学习采用从原始样本中随机选取初始字典的方式产生初始字典，该方式会带来以下问题：①初始字典选取具有不确定性，会直接影响字典学习模型的故障诊断性能。②原始样本数据之间存在较大相关性，导致字典原子间存在较大冗余性，会直接影响字典矩阵对原始数据特征的表达，从而影响字典学习算法应用于故障诊断的效果。针对随机产生初始字典的问题，这里提出采用PCA/KPCA来进行初始字典的优化选取，算法流程如附图8所示。从优化初始字典的角度出发，将具有数据表示和降维能力的PCA/KPCA算法与字典学习算法结合，提出基于主成分分析的字典学习优化算法，能够获得冗余度小、表达数据特征能力不受原始变量数限制的确定性优化初始字典，并进一步改善字典学习算法应用于故障诊断中的效果。具体实施方式为：采用PCA/KPCA预处理原始数据，将其重新映射到新的不相关主成分维度上。然后根据字典原子数K，从具有低冗余度的新样本中选取前K个样本作为初始字典用于字典学习。本专利提出PCA/KPCA预处理的初始字典生成方式为字典学习算法提供了一种确定性初始字典选取方法，与随机选取相比更具有科学性。
以上利用输送机的学习样本获得了字典学习算法的字典矩阵D和编码矩阵S，以下将建立故障诊断的指标用于输送机的实时监测。这里以重建误差作为状态监测的指标。
已知字典矩阵为D、编码矩阵为S，sk是编码矩阵的第k个编码向量，对于样本总数为N的学习样本集
Figure BDA0003124899750000151
中样本数据
Figure BDA0003124899750000152
重建误差REk计算如下：
Figure BDA0003124899750000153
在获得了学习样本集中每一个样本的重建误差REk后，设置带宽h，选用高斯核函数
Figure BDA0003124899750000154
作为核函数K，可根据式(13)计算样本重建误差的概率密度分布函数fh(RE)：
Figure BDA0003124899750000155
然后，计算样本重建误差累积概率分布函数：
Figure BDA0003124899750000156
取置信度为α，根据累积分布函数Fh(limit)≤α，则可以计算出样本重建误差限limit，作为状态监测指标。
对于待检测实时样本
Figure BDA0003124899750000157
首先根据式(16)采用OMP算法计算实时数据在上述学习样本字典矩阵D下的编码向量snew：
Figure BDA0003124899750000158
然后，计算实时样本
Figure BDA0003124899750000159
的重建误差REnew：
Figure BDA00031248997500001510
当实时数据的重建误差不超过重建误差限，即REnew≤limit，检测结果为“正常数据”；反之，当REnew＞limit，检测结果为“故障数据”。
对于检测结果为“故障数据”的样本，采用贡献图法进行故障源定位，贡献率高的变量将被定位为“故障源”。由于采样数据共包含(n+7)个变量，则各变量贡献率ε计算如下：
Figure BDA0003124899750000161
(4)输送机状态监测与故障诊断实施步骤
基于字典学习的输送机状态监测与故障诊断分为离线学习和在线监测两个阶段。如附图9所示。在建模学习阶段分为以下几个步骤：
SS1：设置在线装载量测量周期ts，开始装载量在线测量。当线装载量测量正常运行时间大于
Figure BDA0003124899750000162
则物料分布向量的每个元素都变为已知量。
SS2：设置变量采样周期Ts，每个周期Ts读出xk，并采集TET1、TET2、TEZ1、TEZ2、TEW1和TEW2及v。通过处理获得学习样本
Figure BDA0003124899750000163
重复此过程直到获得训练样本集
Figure BDA0003124899750000164
SS3：对训练样本采用滑窗法进行剔除异常值、归一化预处理。
SS4：设置字典学习参数，包括字典原子数、稀疏度、迭代次数、置信度、核参数；使用PCA/KPCA优化初始字典选择，启动离线字典学习过程。
SS5：获得训练样本的字典矩阵D和编码矩阵S。
SS6：计算故障观测指标重建误差限REk。
SS7：计算故障判断指标重建误差限limit，将作为以下在线监测的观测指标。
SS8：学习完成后保存字典矩阵、重建误差限等参数，以供在线监测阶段使用。
离线字典学习完成后转到在线监测阶段。在线监测阶段分为以下几个步骤：
US1：设置与离线学习阶段一致的采样周期Ts，每个周期Ts读出xk，并采集TET1、TET2、TEZ1、TEZ2、TEW1和TEW2及v，组合为向量
Figure BDA0003124899750000171
作为实时待诊断样本。
US2：读取字典矩阵D，计算实时待诊断样本
Figure BDA0003124899750000172
的编码向量snew和重建误差REnew。调用输送机的字典学习模型获得重建误差限limit，将重建误差REnew与重建误差限limit进行比较。若REnew≤limit，
Figure BDA0003124899750000173
为“正常数据”；反之，当REnew＞limit，
Figure BDA0003124899750000174
为“故障数据”，完成故障检测。
US3：计算检测结果为“故障数据”样本的变量贡献率ε，贡献率最高的变量将被定位为“故障源”，完成故障定位。
US4：出现输送机运行故障数据时进行故障报警。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
尽管本文较多地使用了字典学习、故障诊断指标等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。

Claims (10)

1.一种基于字典学习的卸载式多驱输送机故障监测方法，其特征在于，包括以下步骤：
S1构建描述输送带上的物料分布特征；
S2获取学习样本；
S3进行字典学习；
S4建立故障诊断的指标用于输送机的实时监测；
S5进行输送机状态监测与故障诊断的离线学习；
S6进行输送机状态监测与故障诊断的在线监测。
2.根据权利要求1所述的一种基于字典学习的卸载式多驱输送机故障监测方法，其特征在于，所述步骤S1具体包括将输送带的承载段分成定长的n等份，设传送机带速为v，则输送机经过每段需要的时间为：
Figure FDA0003124899740000011
设q为皮带秤输出，则首段输送带上的物料量可以表示为：
Figure FDA0003124899740000012
设皮带秤读数的采样周期为ts，取
Figure FDA0003124899740000013
将上式离散化得首段输送带物料量计算公式
Figure FDA0003124899740000014
随着输送带的运动，物料将在输送带上向后传递，形成链：x1→x2→……→xm→xm+1→……→xn，当输送机运行时间大于
Figure FDA0003124899740000015
后，每个段的装载量变成已知量，利用向量xk＝(x1,x2…xm,xm+1…xn)即可描述输送带上的物料分布。
3.根据权利要求1所述的一种基于字典学习的卸载式多驱输送机故障监测方法，其特征在于，所述步骤S2获取的学习样本包括：
S2.1设数据采样周期为Ts，且Ts>ts，ts为装载量的采样周期；
S2.2程序按照周期ts在线获取装载量q，并计算首段输送带上的物料量x1，并更新发布向量xk＝(x1,x2…xm,xm+1…xn)；
S2.3每个周期Ts(以k次采样为例)，读出物料分布向量xk，并通过现场总线从变频器获得主驱动单元输出转矩TET1和TET2、中部驱动单元转矩TEZ1和TEZ2、尾部驱动单元转矩TEW1和TEW2，并读取带速v：
S2.4将以上获得的参数组合为向量
Figure FDA0003124899740000021
Figure FDA0003124899740000022
包含了输送机运行过程的核心参数用于反映输送机的工作状态，
Figure FDA0003124899740000023
即可作为输送机字典学习故障诊断建模的一个学习样本；
S2.5重复步骤S2.1到步骤S2.5获得多个学习样本，构成样本集
Figure FDA0003124899740000024
4.根据权利要求1所述的一种基于字典学习的卸载式多驱输送机故障监测方法，其特征在于，所述步骤S3字典学习包括稀疏编码和字典更新两个过程，稀疏编码采用OMP算法，该过程基于字典矩阵D计算编码矩阵S；字典更新采用KSVD算法，该过程是对字典矩阵D和编码矩阵S的每个向量进行同步更新。
5.根据权利要求4所述的一种基于字典学习的卸载式多驱输送机故障监测方法，其特征在于，所述稀疏编码过程的迭代次数即为设定的稀疏度L，在迭代中依次找出对样本
Figure FDA0003124899740000025
贡献值最大、贡献值次之的字典原子，以此类推，直到完成L次迭代，得到贡献值大的原子对应的编码系数，组成编码向量，在进行稀疏编码时，字典矩阵D是固定且已知的，则编码过程如下：
Figure FDA0003124899740000026
首先计算每个字典原子对残差R的贡献值，并找到贡献值最大的字典原子作为该次编码的原子，残差R的初始值设置为
Figure FDA0003124899740000031
用内积绝对值来表示贡献值大小，内积绝对值越大，说明字典原子与残差R相关性越大，内积计算方法如下：
<D,R>＝DT·R
选定最大贡献值，即内积绝对值的最大值所对应的字典原子作为第一次迭代的基d1，用最小二乘法计算d1对样本
Figure FDA0003124899740000032
的编码系数λ1，如下：
Figure FDA0003124899740000033
然后，根据下式更新残差，并重复以上过程完成L次迭代，直到根据第L个贡献值大的基dL得到编码系数λL停止计算
Figure FDA0003124899740000034
6.根据权利要求4所述的一种基于字典学习的卸载式多驱输送机故障监测方法，其特征在于，所述字典更新过程采用KSVD算法，用于更新字典矩阵D和编码矩阵S，更新方式是对字典矩阵D逐列更新，即每次只更新一个字典原子列向量和其对应的稀疏编码行向量，当更新某一列字典原子时，其它字典原子与其对应的编码向量不变，通过对残差进行奇异值分解SVD，得到优化的字典原子和编码向量，由于字典原子数为K，故要完成K次SVD的残差迭代，依次对每列字典原子和每行编码向量进行最优化，以此不断减小样本重建误差，最终获得性能优良的字典矩阵D和编码矩阵S，
假设更新字典矩阵D的第k个字典原子，记为dk；同时更新编码矩阵S的第k行，记为
Figure FDA0003124899740000035
则有：
Figure FDA0003124899740000036
定义残差
Figure FDA0003124899740000037
则字典更新的优化目标模型为：
Figure FDA0003124899740000041
找出
Figure FDA0003124899740000042
中的非零元素，从而得到E′k，此时字典更新的优化目标模型为：
Figure FDA0003124899740000043
对E′k进行SVD分解，如下：
E′k＝UΣVT
取左奇异矩阵U的第1个列向量u1＝U(·,1)作dk，即dk＝u1，作为优化更新后字典D的第k列；取右奇异矩阵VT第1个行向量与第1个奇异值的乘积作为
Figure FDA0003124899740000044
即
Figure FDA0003124899740000045
再将
Figure FDA0003124899740000046
映射至编码矩阵第k行的非零位置，得到
Figure FDA0003124899740000047
作为优化更新后编码矩阵S的第k行。
7.根据权利要求1所述的一种基于字典学习的卸载式多驱输送机故障监测方法，其特征在于，所述步骤S4建立故障诊断的指标用于输送机的实时监测，以重建误差作为状态监测的指标，已知字典矩阵为D、编码矩阵为S，sk是编码矩阵的第k个编码向量，对于样本总数为N的学习样本集
Figure FDA0003124899740000048
中样本数据
Figure FDA0003124899740000049
重建误差REk计算如下：
Figure FDA00031248997400000410
在获得了学习样本集中每一个样本的重建误差REk后，设置带宽h，选用高斯核函数
Figure FDA00031248997400000411
作为核函数K，可根据下式计算样本重建误差的概率密度分布函数fh(RE)：
Figure FDA00031248997400000412
然后，计算样本重建误差累积概率分布函数：
Figure FDA00031248997400000413
取置信度为α，根据累积分布函数Fh(limit)≤α，则可以计算出样本重建误差限limit，作为状态监测指标，
对于待检测实时样本
Figure FDA0003124899740000051
首先根据下式采用OMP算法计算实时数据在上述学习样本字典矩阵D下的编码向量snew：
Figure FDA0003124899740000052
然后，计算实时样本
Figure FDA0003124899740000053
的重建误差REnew：
Figure FDA0003124899740000054
当实时数据的重建误差不超过重建误差限，即REnew≤limit，检测结果为“正常数据”；反之，当REnew＞limit，检测结果为“故障数据”，
对于检测结果为“故障数据”的样本，采用贡献图法进行故障源定位，贡献率高的变量将被定位为“故障源”，由于采样数据共包含(n+7)个变量，则各变量贡献率ε计算如下：
Figure FDA0003124899740000055
8.根据权利要求1所述的一种基于字典学习的卸载式多驱输送机故障监测方法，其特征在于，所述步骤S5进行输送机状态监测与故障诊断的离线学习具体包括：
S5.1设置在线装载量测量周期ts，开始装载量在线测量，当线装载量测量正常运行时间大于
Figure FDA0003124899740000056
则物料分布向量的每个元素都变为已知量；
S5.2设置变量采样周期Ts，每个周期Ts读出xk，并采集TET1、TET2、TEZ1、TEZ2、TEW1和TEW2及v，通过处理获得学习样本
Figure FDA0003124899740000057
重复此过程直到获得训练样本集
Figure FDA0003124899740000058
S5.3对训练样本采用滑窗法进行剔除异常值、归一化预处理；
S5.4设置字典学习参数，包括字典原子数、稀疏度、迭代次数、置信度、核参数，使用PCA/KPCA优化初始字典选择，启动离线字典学习过程；
S5.5获得训练样本的字典矩阵D和编码矩阵S；
S5.6计算故障观测指标重建误差限REk；
S5.7计算故障判断指标重建误差限limit，作为在线监测的观测指标；
S5.8学习完成后保存字典矩阵、重建误差限参数，供在线监测阶段使用。
9.根据权利要求8所述的一种基于字典学习的卸载式多驱输送机故障监测方法，其特征在于，所述步骤S6进行输送机状态监测与故障诊断的在线监测具体包括：
S6.1设置与离线学习阶段一致的采样周期Ts，每个周期Ts读出xk，并采集TET1、TET2、TEZ1、TEZ2、TEW1和TEW2及v，组合为向量
Figure FDA0003124899740000061
作为实时待诊断样本；
S6.2读取字典矩阵D，计算实时待诊断样本
Figure FDA0003124899740000062
的编码向量snew和重建误差REnew，调用输送机的字典学习模型获得重建误差限limit，将重建误差REnew与重建误差限limit进行比较，若REnew≤limit，
Figure FDA0003124899740000063
为“正常数据”；反之，当REnew＞limit，
Figure FDA0003124899740000064
为“故障数据”，完成故障检测；
S6.3计算检测结果为“故障数据”样本的变量贡献率ε，贡献率最高的变量将被定位为“故障源”，完成故障定位；
S6.4出现输送机运行故障数据时进行故障报警。
10.根据权利要求1所述的一种基于字典学习的卸载式多驱输送机故障监测方法，其特征在于，所述卸载式多驱输送机故障监测方法的监测系统采用光纤通信，包括依次相连的头部驱动单元、中部驱动单元和尾部驱动单元，所述头部驱动单元与PLC控制器相连，所述头部驱动单元、中部驱动单元和尾部驱动单元分别与两台同轴安装的电机相连，头部驱动单元电机分别与1#变频器、2#变频器相连，中部驱动单元电机分别与3#变频器、4#变频器相连，尾部驱动单元电机分别与5#变频器、6#变频器相连。
CN202110686501.XA 2021-06-21 2021-06-21 一种基于字典学习的卸载式多驱输送机故障监测方法 Active CN113609602B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110686501.XA CN113609602B (zh) 2021-06-21 2021-06-21 一种基于字典学习的卸载式多驱输送机故障监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110686501.XA CN113609602B (zh) 2021-06-21 2021-06-21 一种基于字典学习的卸载式多驱输送机故障监测方法

Publications (2)

Publication Number Publication Date
CN113609602A true CN113609602A (zh) 2021-11-05
CN113609602B CN113609602B (zh) 2022-11-18

Family

ID=78336683

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110686501.XA Active CN113609602B (zh) 2021-06-21 2021-06-21 一种基于字典学习的卸载式多驱输送机故障监测方法

Country Status (1)

Country Link
CN (1) CN113609602B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108509980A (zh) * 2018-03-08 2018-09-07 南京邮电大学 一种基于字典学习的水位监测方法
CN110348491A (zh) * 2019-06-20 2019-10-18 燕山大学 基于学习字典与奇异值分解的滚动轴承故障识别方法
CN110579967A (zh) * 2019-09-23 2019-12-17 中南大学 基于同时降维和字典学习的过程监控方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108509980A (zh) * 2018-03-08 2018-09-07 南京邮电大学 一种基于字典学习的水位监测方法
CN110348491A (zh) * 2019-06-20 2019-10-18 燕山大学 基于学习字典与奇异值分解的滚动轴承故障识别方法
CN110579967A (zh) * 2019-09-23 2019-12-17 中南大学 基于同时降维和字典学习的过程监控方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
姚瑶等: "基于字典学习的无监督机器异常声检测", 《复旦学报（自然科学版）》 *

Also Published As

Publication number Publication date
CN113609602B (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
JP7012871B2 (ja) システムを制御する装置及び方法
US10692018B2 (en) Machine learning device and machine learning method for learning optimal object grasp route
US10928783B2 (en) Analysis device and analysis system for ranking predictor performance for determining acceptability of an object to be produced
CN111626345A (zh) 不同轴承设备之间的多阶段深度卷积迁移学习故障诊断方法
CN110707763B (zh) 一种基于集成学习的交直流配电网负荷预测方法
CN110309537B (zh) 一种飞行器的智能健康预测方法及系统
CN111191824B (zh) 一种动力电池容量衰减预测方法及系统
CN114722952B (zh) 一种基于表示学习的轴承故障检测和分类的一体化方法
CN112185104A (zh) 一种基于对抗自编码器的交通大数据修复方法
CN113822139A (zh) 一种基于改进1DCNN-BiLSTM的设备故障诊断方法
CN112434390A (zh) 基于多层网格搜索的pca-lstm轴承剩余寿命预测方法
CN112416662A (zh) 多时间序列数据异常检测方法与装置
Addeh et al. Control chart patterns detection using COA based trained MLP neural network and shape features
CN116956215A (zh) 一种传动系统故障诊断方法及系统
CN113609602B (zh) 一种基于字典学习的卸载式多驱输送机故障监测方法
CN114861349A (zh) 一种基于模型迁移和维纳过程的滚动轴承rul预测方法
CN111428788A (zh) 基于深度学习的汽轮机发电机组转子多故障诊断方法及系统
Li et al. A data-driven approach to RUL prediction of tools
de Beaulieu et al. Unsupervised remaining useful life prediction through long range health index estimation based on encoders-decoders
CN115034504B (zh) 基于云边协同训练的刀具磨损状态预测系统及方法
Lu et al. Dynamic genetic algorithm-based feature selection scheme for machine health prognostics
CN106779135A (zh) 一种混合动力船舶负载功率预测方法
CN114297795B (zh) 一种基于PR-Trans的机械设备剩余寿命预测方法
Hong et al. Convnet-based remaining useful life prognosis of a turbofan engine
CN110033128B (zh) 基于受限玻尔兹曼机的刮板输送机负载自适应预测方法

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