CN113916302B - 一种基于人工智能技术的天车在线检测诊断系统及方法 - Google Patents

Abstract

本发明提供了一种基于人工智能技术的天车在线检测诊断系统及方法，该系统包括：天车运行状态监测系统、天车状态数据分析模块及人机交互模块，所述天车运行状态监测系统及人机交互模块均电性连接所述天车状态数据分析模块，所述天车运行状态监测系统用于采集天车各部位的运行状态数据，所述天车状态数据分析模块用于对天车运行状态监测系统采集的运行状态数据进行分析，所述人机交互模块用于显示天车运行状态监测系统采集的运行状态数据及天车状态数据分析模块的分析结果。本发明提供的基于人工智能技术的天车在线检测诊断系统及方法，能够实现天车运行数据的获取及处理，进而实现天车自动故障检测及分析。

Description

一种基于人工智能技术的天车在线检测诊断系统及方法

技术领域

本发明涉及天车故障诊断技术领域，特别是涉及一种基于人工智能技术的天车在线检测诊断系统及方法。

背景技术

传统多功能天车机构复杂庞大，故障点多，成因复杂，检修人员任务繁重，难以进行高效的天车检修工作。随着检测技术与自动化设备的发展，检修人员可以使用传感器收集天车运行状态数据，并通过对数据分析对天车运行状态和故障信息进行识别，某些传感器数据具有数据量大、变化快、特征复杂的特点，在完成数据采集后如果进行人为分析往往会浪费掉大量时间，并且会遗漏掉某些重要信息。深度学习作为一种人工智能方法，在处理大数据信息上有着很强的优越性。深度学习是一种端到端的学习方法，可直接从输入中提取更深层次的内在表征。其中，卷积神经网络(CNN)是一种强大的深度学习框架。通过设置合适的卷积核，CNN能够从样本数据中提取各种潜在的特征。通过设置合适的网络参数，CNN能够分析传感器数据的变化规律，从而识别天车系统的运行状态与设备健康情况，因此，设计一种基于人工智能技术的天车在线检测诊断系统及方法是十分有必要的。

发明内容

本发明的目的是提供一种基于人工智能技术的天车在线检测诊断系统及方法，实时性强，能够实现天车运行数据的获取及处理，进而实现天车自动故障检测及分析，保证了天车的正常运行。

为实现上述目的，本发明提供了如下方案：

一种基于人工智能技术的天车在线检测诊断系统，包括：天车运行状态监测系统、天车状态数据分析模块及人机交互模块，所述天车运行状态监测系统及人机交互模块均电性连接所述天车状态数据分析模块；

所述天车运行状态监测系统用于采集天车各部位的运行状态数据，包括传感器组、无线电台、中央处理器及系统供电电路，所述传感器组设置在所述天车上，并电性连接所述中央处理器，所述中央处理器通过无线电台通信连接天车状态数据分析模块，所述系统供电电路用于给所述天车运行状态监测系统供电；

所述天车状态数据分析模块用于对天车运行状态监测系统采集的运行状态数据进行分析；

所述人机交互模块用于显示天车运行状态监测系统采集的运行状态数据及天车状态数据分析模块的分析结果。

可选的，所述传感器组包括多组温度传感器、振动传感器及功率仪，多组所述温度传感器分别用于检测风机、天车的大车及小车的电机温度，多组所述振动传感器分别用于检测风机、天车的大车及小车的振动频率，多组所述功率仪分别用于检测风机、天车的大车及小车的运行功率。

可选的，所述中央处理器为SMT32F103ZET6芯片。

可选的，所述无线电台为KYL-1020电台。

本发明还提供了一种基于人工智能技术的天车在线检测诊断方法，应用于上述的基于人工智能技术的天车在线检测诊断系统，包括如下步骤：

步骤1：运维人员通过人机交互模块对天车运行状态监测系统及天车状态数据分析模块进行设置；

步骤2：设置完成后，天车运行状态监测系统采集天车各部分的电机温度、振动频率及运行功率，并将其发送至天车状态数据分析模块；

步骤3：天车状态数据分析模块采用深度学习方法对天车各部分的电机温度进行故障分析，采用频域分析法对天车各部分的振动频率进行故障分析，采用时域分析法对天车各部分的运行功率进行故障分析，得到运行状况分析报告，并将运行状况分析报告发送至人机交互模块，供运维人员查看。

可选的，步骤1中，运维人员通过人机交互模块对天车运行状态监测系统及天车状态数据分析模块进行设置，具体为：

运维人员通过人机交互模块设置天车运行状态监测系统的传感器组的采样速率及天车状态数据分析模块检测的超限阈值。

可选的，步骤3中，天车状态数据分析模块采用深度学习方法对天车各部分的电机温度进行故障分析，具体包括如下步骤：

A1：对电机温度信号进行预处理，通过时间长度为4s的滑动窗口对电机温度信号进行数据分割，得到一系列滑动窗口电机温度信号数据矩阵X_g×j，其中，滑动窗口的滑动步长为4s，g表示采样时间点数，j表示采集电机温度信号的温度传感器的标号，为每一个滑动窗口电机温度信号数据设定标签，构成一个样本，将每个电机温度信号的样本构成样本集；

A2：搭建深度卷积神经网络模型，将所有电机温度信号的样本及对应的标签输入深度卷积神经网络模型，利用Keras对深度卷积神经网络模型进行全监督训练，其中，模型学习率设为0.004，共进行500周期的循环训练，Batchsize大小为600，并设置早停功能，得到的深度卷积神经网络模型的输出即为天车状态数据分析模输出的分析结果，其中分析结果共有三种，分别为正常、升温过快及温度过高，通过人机交互模块将分析结果向运维人员展示。

可选的，步骤3中，采用频域分析法对天车各部分的振动频率进行故障分析，具体为：

B1：对采集到的长度为L的振动频率信号时间序列{x(i),i＝1,2,3,...,L}进行预处理，将该振动频率信号时间序列分割为M个不重叠的等长时移窗口序列：

y^m＝[x((m-1)N+j),m＝1,2,...,M,j＝1,2,...,N] (1)

式中，M代表窗口数，N代表窗口长度，m代表窗口序号，y^m表示对应的时移窗口序列；

B2：使用快速傅里叶变换算法对每段时移窗口序列y^m进行频域转换，将时域数据y^m转换为频域数据y^k：

式中，N代表采样点数量，W_N表示复数变换值；

B3：搭建支持向量机分类模型，将所有频域数据样本输入支持向量机分类模型进行全监督训练，其中，支持向量机分类模型采用RBF核，超参数为0.5，正则化系数为1，SMO迭代系数为1e-5，支持向量机分类模型的输出即为天车状态数据分析模块对振动频率的分析结果，分为故障和正常两种状态，当为故障状态时，天车状态数据分析模块将设备当前的振动频率和幅值通过人机交互模块向运维人员展示，运维人员通过振动频率和幅值确定故障类型。

可选的，步骤3中，采用时域分析法对天车各部分的运行功率进行故障分析，具体为：

C1：通过人机交互模块设置天车系统功率的超限阈值；

C2：对功率仪采集的运行功率信号进行幅值检测，当幅值大于超限阈值时，天车状态数据分析模块将当前的运行功率通过人机交互模块向运维人员展示，并提醒运维人员关闭天车。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于人工智能技术的天车在线检测诊断系统及方法，该系统实时性强，能够对天车运行数据进行实时采集，通过对天车运行数据进行分析，进而实现天车自动故障检测；该系统采用多种传感器，分别采集风机、天车的大车及小车的电机温度、振动频率及运行功率，通过对电机温度、振动频率及运行功率的分析，可得到天车运行状况分析报告，进而得到天车故障，对其进行维修，防止出现安全事故；该系统的中央处理器采用SMT32F103ZET6芯片，采用ARMCortex-M3内核，主频为72MHz，该系统的无线电台采用KYL-1020电台，最大传输距离3K，最高速率19200，符合EN 300220and ARIB STD-T67标准，能够实现数据的采集及传输，该系统的系统供电电路输入电压为12V，由电源适配器进行供电，通过电压转换模块进行转换，用于为系统不同芯片和传感器提供工作电压；该系统通过天车运行状态监测系统从天车各部位采集运行状态数据，通过天车状态数据分析模块结合深度学习对运行状态数据进行分析，智能识别天车当前的健康状态和各部位缺陷，并将识别结果通过人机交互模块向运维人员展示，便于对天车故障的维修。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例基于人工智能技术的天车在线检测诊断系统结构示意图；

图2为本发明实施例天车运行状态监测系统结构示意图；

图3为本发明实施例基于人工智能技术的天车在线检测诊断方法流程示意图；

图4为深度卷积神经网络模型结构框图；

图5为本发明实施例基于人工智能技术的天车在线检测诊断系统应用示意图。

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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种基于人工智能技术的天车在线检测诊断系统及方法，实时性强，能够实现天车运行数据的获取及处理，进而实现天车自动故障检测及分析，保证了天车的正常运行。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明实施例提供的基于人工智能技术的天车在线检测诊断系统及方法，包括：天车运行状态监测系统、天车状态数据分析模块及人机交互模块，所述天车运行状态监测系统及人机交互模块均电性连接所述天车状态数据分析模块；

如图2所示，所述天车运行状态监测系统用于采集天车各部位的运行状态数据，包括传感器组、无线电台、中央处理器及系统供电电路，所述传感器组设置在所述天车上，并电性连接所述中央处理器，所述中央处理器通过无线电台通信连接天车状态数据分析模块，所述系统供电电路用于给所述天车运行状态监测系统供电；

所述天车状态数据分析模块用于对天车运行状态监测系统采集的运行状态数据进行分析；

所述人机交互模块用于显示天车运行状态监测系统采集的运行状态数据及天车状态数据分析模块的分析结果。

所述传感器组包括多组温度传感器、振动传感器及功率仪，多组所述温度传感器分别用于检测风机、天车的大车及小车的电机温度，多组所述振动传感器分别用于检测风机、天车的大车及小车的振动频率，多组所述功率仪分别用于检测风机、天车的大车及小车的运行功率。

所述传感器组与所述中央处理器之间采用RS485通信协议传输数据。

所述中央处理器为SMT32F103ZET6芯片，采用ARM Cortex-M3内核，主频72MHz。

所述无线电台为KYL-1020电台，最大传输距离3K，最高速率19200，符合EN300220and ARIB STD-T67标准。

所述系统供电电路的输入电压为12V，由电源适配器进行供电，通过电压转换模块为提供系统不同芯片和传感器的工作电压。

本发明还提供了一种基于人工智能技术的天车在线检测诊断方法，应用于上述的基于人工智能技术的天车在线检测诊断系统，如图3和图5所示，包括如下步骤：

步骤1：运维人员通过人机交互模块选择监测项目及显示模式，并对天车运行状态监测系统及天车状态数据分析模块进行设置；

步骤2：设置完成后，天车运行状态监测系统采集天车各部分的电机温度、振动频率及运行功率，并将其发送至天车状态数据分析模块；

步骤3：天车状态数据分析模块采用深度学习方法对天车各部分的电机温度进行故障分析，采用频域分析法对天车各部分的振动频率进行故障分析，采用时域分析法对天车各部分的运行功率进行故障分析，得到运行状况分析报告，并将运行状况分析报告发送至人机交互模块，供运维人员查看。

步骤1中，运维人员通过人机交互模块对天车运行状态监测系统及天车状态数据分析模块进行设置，具体为：

运维人员通过人机交互模块设置天车运行状态监测系统的传感器组的采样速率及天车状态数据分析模块检测的超限阈值。

步骤3中，天车状态数据分析模块采用深度学习方法对天车各部分的电机温度进行故障分析，具体包括如下步骤：

A1：对电机温度信号进行预处理，通过时间长度为4s的滑动窗口对电机温度信号进行数据分割，得到一系列滑动窗口电机温度信号数据矩阵X_g×j，其中，滑动窗口的滑动步长为4s，g表示采样时间点数，j表示采集电机温度信号的温度传感器的标号，为每一个滑动窗口电机温度信号数据设定标签，构成一个样本，将每个电机温度信号的样本构成样本集；

A2：搭建深度卷积神经网络模型，将所有电机温度信号的样本及对应的标签输入深度卷积神经网络模型，利用Keras对深度卷积神经网络模型进行全监督训练，其中，模型学习率设为0.004，共进行500周期的循环训练，Batchsize大小为600，并设置早停功能，得到的深度卷积神经网络模型的输出即为天车状态数据分析模输出的分析结果，其中分析结果共有三种，分别为正常、升温过快及温度过高，通过人机交互模块将分析结果向运维人员展示。

如图4所示，卷积神经网络模型结构包括：

数据输入层，输入数据为有向加权复杂网络X_g×j；

第一卷积层，卷积核大小为7×50，卷积核数量为8个，卷积核选择ReLU作为激活函数；

第二卷积层，卷积核大小为5×50，卷积核数量为6个，卷积核选择ReLU作为激活函数；

第三卷积层，卷积核大小为3×50，卷积核数量为4个，卷积核选择ReLU作为激活函数；

一个批量归一化层，用于加速初始深度卷积神经网络模型训练过程，减轻过拟合程度；

一个Dropout层，以概率p随机选择批量归一化层的神经元，使神经元不输出，减轻过拟合现象，p＝0.35；

一个最大池化层，池化核大小为2×2；

一个Flatten层，用于将多维的输入一维化；

一个全连接层，选择ReLU作为激活函数，选择L2范数作为正则化项，L2范数设置为0.0006；

一个激活层，激活函数选择softmax，激活层的输出即为天车状态数据分析模输出的分析结果，其中分析结果共有三种，分别为正常、升温过快及温度过高，通过人机交互模块将分析结果向运维人员展示。

步骤3中，采用频域分析法对天车各部分的振动频率进行故障分析，具体为：

B1：对采集到的长度为L的振动频率信号时间序列{x(i),i＝1,2,3,...,L}进行预处理，将该振动频率信号时间序列分割为M个不重叠的等长时移窗口序列：

y^m＝[x((m-1)N+j),m＝1,2,...,M,j＝1,2,...,N] (1)

式中，M代表窗口数，N代表窗口长度，m代表窗口序号，y^m表示对应的时移窗口序列；

B2：使用快速傅里叶变换算法对每段时移窗口序列y^m进行频域转换，将时域数据y^m转换为频域数据y^k：

式中，N代表采样点数量，W_N表示复数变换值；

B3：搭建支持向量机分类模型，将所有频域数据样本输入支持向量机分类模型进行全监督训练，其中，支持向量机分类模型采用RBF核，超参数为0.5，正则化系数为1，SMO迭代系数为1e-5，支持向量机分类模型的输出即为天车状态数据分析模块对振动频率的分析结果，分为故障和正常两种状态，当为故障状态时，天车状态数据分析模块将设备当前的振动频率和幅值通过人机交互模块向运维人员展示，运维人员通过振动频率和幅值确定故障类型。

步骤3中，采用时域分析法对天车各部分的运行功率进行故障分析，具体为：

C1：通过人机交互模块设置天车系统功率的超限阈值；

C2：对功率仪采集的运行功率信号进行幅值检测，当幅值大于超限阈值时，天车状态数据分析模块将当前的运行功率通过人机交互模块向运维人员展示，并提醒运维人员关闭天车。

运维人员可通过人机交互模块进行相关设置的改变，从而改变当前显示内容，例如单传感器信息曲线实时显示、多传感器组信息曲线实时显示、故障信息显示与维修建议，也可通过人机交互模块中的相关设置改变天车运行状态监测系统中的传感器组的采样速率，也可通过人机交互模块中的相关设置，设定现场所需的报警阈值，例如，设定天车系统功率的超限阈值为报警阈值，对功率仪采集的运行功率信号进行幅值检测，当幅值大于超限阈值时，天车状态数据分析模块将当前的运行功率通过人机交互模块向运维人员展示，并进行报警提醒运维人员，运维人员也可通过人机交互模块导出历史运行数据，并设定数据保存时间节点等。

人机交互模块可选用人机交互界面。

本发明提供的基于人工智能技术的天车在线检测诊断系统及方法，该系统实时性强，能够对天车运行数据进行实时采集，通过对天车运行数据进行分析，进而实现天车自动故障检测；该系统采用多种传感器，分别采集风机、天车的大车及小车的电机温度、振动频率及运行功率，通过对电机温度、振动频率及运行功率的分析，可得到天车运行状况分析报告，进而得到天车故障，对其进行维修，防止出现安全事故；该系统的中央处理器采用SMT32F103ZET6芯片，采用ARM Cortex-M3内核，主频为72MHz，该系统的无线电台采用KYL-1020电台，最大传输距离3K，最高速率19200，符合EN 300220and ARIB STD-T67标准，能够实现数据的采集及传输，该系统的系统供电电路输入电压为12V，由电源适配器进行供电，通过电压转换模块进行转换，用于为系统不同芯片和传感器提供工作电压；该系统通过天车运行状态监测系统从天车各部位采集运行状态数据，通过天车状态数据分析模块结合深度学习对运行状态数据进行分析，智能识别天车当前的健康状态和各部位缺陷，并将识别结果通过人机交互模块向运维人员展示，便于对天车故障的维修。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (3)

1.一种基于人工智能技术的天车在线检测诊断方法，其特征在于，应用于一种基于人工智能技术的天车在线检测诊断系统，该系统包括：天车运行状态监测系统、天车状态数据分析模块及人机交互模块，所述天车运行状态监测系统及人机交互模块均电性连接所述天车状态数据分析模块；

所述天车运行状态监测系统用于采集天车各部位的运行状态数据，包括传感器组、无线电台、中央处理器及系统供电电路，所述传感器组设置在所述天车上，并电性连接所述中央处理器，所述中央处理器通过无线电台通信连接天车状态数据分析模块，所述系统供电电路用于给所述天车运行状态监测系统供电；

所述传感器组包括多组温度传感器、振动传感器及功率仪，多组所述温度传感器分别用于检测风机、天车的大车及小车的电机温度，多组所述振动传感器分别用于检测风机、天车的大车及小车的振动频率，多组所述功率仪分别用于检测风机、天车的大车及小车的运行功率；

所述天车状态数据分析模块用于对天车运行状态监测系统采集的运行状态数据进行分析；

所述人机交互模块用于显示天车运行状态监测系统采集的运行状态数据及天车状态数据分析模块的分析结果；

所述中央处理器为SMT32F103ZET6芯片；

所述无线电台为KYL-1020电台；

该方法包括如下步骤：

步骤1：运维人员通过人机交互模块对天车运行状态监测系统及天车状态数据分析模块进行设置；

运维人员通过人机交互模块设置天车运行状态监测系统的传感器组的采样速率及天车状态数据分析模块检测的超限阈值；

步骤2：设置完成后，天车运行状态监测系统采集天车各部分的电机温度、振动频率及运行功率，并将其发送至天车状态数据分析模块；

步骤3：天车状态数据分析模块采用深度学习方法对天车各部分的电机温度进行故障分析，采用频域分析法对天车各部分的振动频率进行故障分析，采用时域分析法对天车各部分的运行功率进行故障分析，得到运行状况分析报告，并将运行状况分析报告发送至人机交互模块，供运维人员查看，其中，天车状态数据分析模块采用深度学习方法对天车各部分的电机温度进行故障分析具体包括如下步骤：

A1：对电机温度信号进行预处理，通过时间长度为4s的滑动窗口对电机温度信号进行数据分割，得到一系列滑动窗口电机温度信号数据矩阵X_g×j，其中，滑动窗口的滑动步长为4s，g表示采样时间点数，j表示采集电机温度信号的温度传感器的标号，为每一个滑动窗口电机温度信号数据设定标签，构成一个样本，将每个电机温度信号的样本构成样本集；

A2：搭建深度卷积神经网络模型，将所有电机温度信号的样本及对应的标签输入深度卷积神经网络模型，利用Keras对深度卷积神经网络模型进行全监督训练，其中，模型学习率设为0.004，共进行500周期的循环训练，Batchsize大小为600，并设置早停功能，得到的深度卷积神经网络模型的输出即为天车状态数据分析模输出的分析结果，其中分析结果共有三种，分别为正常、升温过快及温度过高，通过人机交互模块将分析结果向运维人员展示。

2.根据权利要求1所述的基于人工智能技术的天车在线检测诊断方法，其特征在于，步骤3中，采用频域分析法对天车各部分的振动频率进行故障分析，具体为：

B1：对采集到的长度为L的振动频率信号时间序列{x(i),i＝1,2,3,...,L}进行预处理，将该振动频率信号时间序列分割为M个不重叠的等长时移窗口序列：

y^m＝[x((m-1)N+j),m＝1,2,...,M,j＝1,2,...,N] (1)

式中，M代表窗口数，N代表窗口长度，m代表窗口序号，y^m表示对应的时移窗口序列；

B2：使用快速傅里叶变换算法对每段时移窗口序列y^m进行频域转换，将时域数据y^m转换为频域数据y^k：

式中，N代表采样点数量，W_N表示复数变换值；

B3：搭建支持向量机分类模型，将所有频域数据样本输入支持向量机分类模型进行全监督训练，其中，支持向量机分类模型采用RBF核，超参数为0.5，正则化系数为1，SMO迭代系数为1e-5，支持向量机分类模型的输出即为天车状态数据分析模块对振动频率的分析结果，分为故障和正常两种状态，当为故障状态时，天车状态数据分析模块将设备当前的振动频率和幅值通过人机交互模块向运维人员展示，运维人员通过振动频率和幅值确定故障类型。

3.根据权利要求1所述的基于人工智能技术的天车在线检测诊断方法，其特征在于，步骤3中，采用时域分析法对天车各部分的运行功率进行故障分析，具体为：

C1：通过人机交互模块设置天车系统功率的超限阈值；

C2：对功率仪采集的运行功率信号进行幅值检测，当幅值大于超限阈值时，天车状态数据分析模块将当前的运行功率通过人机交互模块向运维人员展示，并提醒运维人员关闭天车。