CN114057053B - 用于特种机械的部件疲劳程度监测方法 - Google Patents

用于特种机械的部件疲劳程度监测方法 Download PDF

Info

Publication number
CN114057053B
CN114057053B CN202210052909.6A CN202210052909A CN114057053B CN 114057053 B CN114057053 B CN 114057053B CN 202210052909 A CN202210052909 A CN 202210052909A CN 114057053 B CN114057053 B CN 114057053B
Authority
CN
China
Prior art keywords
data
model
fault
information
training
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
CN202210052909.6A
Other languages
English (en)
Other versions
CN114057053A (zh
Inventor
李智彤
郑传乾
周栋武
肖倩
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.)
Hangzhou Qianshui Digital Technology Co ltd
Original Assignee
Hangzhou Qianshui Digital Technology 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 Hangzhou Qianshui Digital Technology Co ltd filed Critical Hangzhou Qianshui Digital Technology Co ltd
Priority to CN202210052909.6A priority Critical patent/CN114057053B/zh
Publication of CN114057053A publication Critical patent/CN114057053A/zh
Application granted granted Critical
Publication of CN114057053B publication Critical patent/CN114057053B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
    • B66B5/0006—Monitoring devices or performance analysers
    • B66B5/0037—Performance analysers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B27/00—Indicating operating conditions of escalators or moving walkways
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B29/00—Safety devices of escalators or moving walkways
    • B66B29/005—Applications of security monitors
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B3/00—Applications of devices for indicating or signalling operating conditions of elevators
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
    • B66B5/0006—Monitoring devices or performance analysers
    • B66B5/0018—Devices monitoring the operating condition of the elevator system
    • B66B5/0031—Devices monitoring the operating condition of the elevator system for safety reasons
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及一种用于特种机械的部件疲劳程度监测方法，本发明解决现有技术的问题，其技术方案要点是，包括以下步骤：步骤一，在目标设备的设定部位，针对各个部件安装信息数据采集设备；步骤二，针对目标设备，在云端服务器建立针对目标设备整体状态的基线模型和故障模型，并分别进行训练和迭代更新；步骤三，采集目标设备的运行特征数据上传至云端服务器；步骤四，在云端服务器对信息数据采集设备采集到的运行特征数据通过基线模型进行机械状态基线构建；步骤五，利用已构建的机械状态基线进行对比进行疲劳预警，利用目标设备的运行特征数据，通过故障模型来计算实现故障前预警。

Description

用于特种机械的部件疲劳程度监测方法
技术领域
本发明属于一种设备监测方法，涉及一种用于特种机械的部件疲劳程度监测方法。
背景技术
特种设备是指涉及生命安全、危险性较大的锅炉、压力容器、压力管道、电梯、起重机械、客运索道、大型游乐设施和场内专用机动车辆。由于特种设备在出现故障时，极易带来不确定人员的人身伤害，严重的还会带来人员死亡事故。因而需要确保特种设备的安全稳定运行。为此，国家对各类特种设备，从生产、使用、检验检测三个环节都有严格规定，实行全程监管和强制维护。目前特种设备在生产阶段的质检较为完善。但是，我国特种设备维护保养机构存在较多问题，后期使用和维护检验环节比较薄弱。目前以电梯行业为代表的的特种机械设备针对故障检测主要进行电气故障的检测和告警，但对机械疲劳及机械故障没有有效的检测和诊断方法。
中国专利CN201810511921.2，公开日2018年5月25日，一种特种设备现场维保监控方法及系统，包括以下步骤：A1）同步目标特种设备档案数据到现场设备；A2）开启维保项目监控，现场设备开始收集现场数据，识别出正在进行的维保项目，判断正在进行的维保项目是否为流程正确的维保项目，若是，则继续收集现场数据直到维保项目完成，若否，则发出警告并重新开始本步骤；A3）现场设备与大数据服务器进行数据交互。本发明的实质性效果是：1、能够对维保过程进行项目级的监控，减少监控数据需分析量，提高监控效率；2、在维保项目监控中增加设定现场数据采集项目，为神经网络模型提供训练数据。但是此技术方案依然是针对故障检测主要进行电气故障的检测和告警，对机械疲劳及机械故障没有有效的检测和诊断方法。
中国专利CN201780097574.7，公开日2017年12月29号，公开了一种自动扶梯监测系统，包括数据收集装置，设置在自动扶梯的需要监测的部件附近，以收集与自动扶梯的操作相关的部件的数据；数据发送装置，用于发送收集的数据；以及云端处理器，用于接收数据，并且将数据与存储在云端处理器的数据库中的正常运转条件下获得的部件的阈值数据相比较，并且基于比较结果做出响应。自动扶梯监测系统可以在任何环境下，收集数据并对数据进行分析，并且不依赖人力的主观判断，在无需停止自动扶梯的操作的情况下提前预测可能的故障，节约维护时间，降低相关成本，以及提高电梯的安全性和乘坐舒适性。但是此技术方案依然存在只是针对故障检测主要进行电气故障的检测和告警，对机械疲劳及机械故障没有有效的检测和诊断方法。
综上所述，大部分的技术判断都聚焦于故障的发生，且上述技术方案都不是综合性判断的方案，因此，缺少了设备整体状态的监控和预测，对于设备寿命趋势的监控存在有较大问题。
发明内容
本发明解决了现有技术存在大量事后音视频人工分析以及监督，人力投入巨大，但是收效甚微的问题，提供一种用于特种机械的部件疲劳程度监测方法。
本发明解决其技术问题所采用的技术方案是：一种用于特种机械的部件疲劳程度监测方法，包括以下步骤：
步骤一，在目标设备的设定部位，针对各个部件安装带有AI预处理的信息数据采集设备；
步骤二，针对目标设备，在云端服务器建立针对目标设备整体状态的基线模型和故障模型，并分别进行训练和迭代更新；
步骤三，采集目标设备的运行特征数据，并对运行特征数据进预处理，带有AI预处理的信息数据采集设备内置有针对目标设备中单一部件的边缘侧基线模型，在对运行特征数据进预处理的过程中，依次包括接收检测数据、数据归一化处理、生成梅尔频谱图转一维数据以及边缘侧基线模型计算，若预处理结果正常则保持运行状态，若预处理结果符合异常报警条件则直接发出预警，若预处理结果为未知异常数据则将目标设备的运行特征数据上传至云端服务器上传至云端服务器；
步骤四，在云端服务器对信息数据采集设备采集到的运行特征数据通过基线模型进行机械状态基线构建；
步骤五，利用已构建的机械状态基线与目标设备当前的运行数据进行对比，通过基线模型计算，得出疲劳预警信息，利用目标设备当前的运行特征数据，通过故障模型计算，得出故障前预警信息；
在步骤三和步骤四中，针对目标设备中单一部件的边缘侧基线模型与针对目标设备整体状态的基线模型采用相同类型的算法模型，针对目标设备中单一部件的边缘侧基线模型的计算精度低于针对目标设备整体状态的基线模型。
本发明提供一种在有限数据或无精确数据标签的情况下，采用机械振动数据，包括音频、振动等数据进行特种机械部件健康度的评估方法。本发明通过采集以电梯为代表的特种机械振动数据进行AI 建模训练及推理分析，通过叠加数据及数据组合等方式，快速推进 AI 学习进程，以达成快速、可用的状态，后续通过不断的迭代、训练，丰富故障类型，提升预测的精准度，并增加不同程度的机械疲劳的预判。本发明采用了结合工况和不同位置，对单一故障进行多模型的多级综合判断，准确度更高。
作为优选，在所述步骤一中，所述信息数据采集设备安装的位置至少包括目标设备的控制部、目标设备的驱动部、目标设备的承载部和目标设备的制动部中的一个，所述信息数据采集设备采集的信息至少包括音频信息和振动信息中的一种。
作为优选，在步骤一中，根据信息数据采集设备的采集对象，设置有对采集到的信息进行打包的标签，所述的标签至少包括两个用于描述信息特征的独立维度。
作为优选，所述基线模型为实现单一性数据判断的模型，所述故障模型为实现综合性数据判断的模型。
作为优选，在所述步骤二中，在云端服务器建立基线模型和故障模型包括以下步骤：
建模子步骤一，云端服务器获取建立模型所必须的数据；
建模子步骤二，对数据进行处理和转换，输出适合模型训练的数据；
建模子步骤三，选取训练模型，若训练的是基线模型则通过无监督训练生成基线模型，若训练的是故障模型则通过有监督训练生成故障模型；
建模子步骤四，根据采集到的运行特征数据对训练模型迭代更新。
作为优选，在所述建模子步骤一中，云端服务器获取的数据包括正常数据和人工收集的并打有标签的数据，在建模子步骤二中，云端服务器依次将数据分段裁剪、合入环境数据、按标签归类、将数据转换成梅尔频谱图，然后输出适合模型训练的数据。
作为优选，信息数据采集设备采集的信息后执行过滤步骤选取合适的信息，
过滤步骤一，在信息数据采集设备内建立卷积模型；
过滤步骤二，当源信号的幅度大于设定值时，分离出不同源的信号；
过滤步骤三，当源信号之间相互独立时，对源信号进行矢量变换，矢量变换的变换矩阵为一个满秩对角阵和一个转置矩阵的乘积；
过滤步骤四，变换后的各个信号之间相互独立，实现了源信号的盲分离，然后转为执行对独立分量分析；
过滤步骤五，使用自然梯度判决准则以及随机梯度准则进行判决，选取选取合适的信息。
作为优选，所述基线模型为聚类编码器，训练中使用的数据为正常获取的数据；
所述故障模型为卷积神经网络模型，目标是综合性数据判断，训练中使用的数据包括正常获取的数据和人工收集的数据。
作为优选，所述故障模型使用的卷积神经网络模型中至少有一层是故障模块并联层，所述故障模块并联层中配置有若干个可整体移植、替换的故障模块，每个故障模块均为对应一种故障，所述故障模块由人工设定或由其他已训练完成的故障模型中移植使用。
作为优选，所述故障模型的启动方式根据设定包括根据云端服务器基线模型预警启动和根据信息数据采集设备预警启动，若设定为根据云端服务器基线模型预警启动，则当云端服务器基线模型发出预警时，利用目标设备的运行特征数据通过故障模型来计算实现故障前预警；若设定为根据信息数据采集设备预警启动时，信息数据采集设备上传目标设备的运行特征数据，基线模型和故障模型同步运行，并根据结果发出故障前预警或疲劳预警。
作为优选，在所述步骤五中，利用目标设备的运行特征数据时，目标设备的运行状态和运行阶段，选择对应的部分运行特征数据，再通过故障模型来计算实现故障前预警。
作为优选，所述目标设备为曳引电梯，所述信息数据采集设备监控的目标装置包括曳引装置、导向装置、轿厢、电梯门、重量平衡装置、电力拖动装置、电气控制装置和安全保护装置。
作为优选，所述目标设备为曳引电梯时，在所述步骤三中，采集目标设备的运行特征数据包括有电梯运行过程中的声音、振动以及电流特征数据，也包括电梯的健康数据、亚健康数据和故障数据，还包括电梯基础信息数据和电梯实际运行数据。
作为优选，针对曳引装置，所述信息数据采集设备采集的信息包括曳引电动机运行的声音、振动信息，曳引轮、曳引轮导轨、钢丝绳三者之间摩擦的声音；
针对导向装置，所述信息数据采集设备采集的信息包括导向轮、导向轮导轨、钢丝绳三者之间摩擦的声音，钢丝绳间碰撞、干涉声；
针对轿厢，所述信息数据采集设备采集的信息包括轿厢及轿厢导轨、导靴三者间的摩擦声、碰撞声以及轿厢的异常晃动声、轿厢内机械运行的噪声、轿厢的异常晃动声、轿厢 x/y/z 轴振动数据；
针对电梯门，所述信息数据采集设备采集的信息包括轿厢门和层门的开关门振动数据、关门撞门声、异物卡阻声异常声音；
针对重量平衡装置，所述信息数据采集设备采集的信息包括龙门架：x/y/z 轴振动数据以及对重及对重导轨：对重块碰撞声，对重与对重导轨的摩擦声；
针对安全保护装置，所述信息数据采集设备采集的信息包括制动器抱闸声、刹车摩擦声；
针对电气控制装置和电力拖动装置，所述信息数据采集设备采集的信息包括机房运行声音。
作为优选，在建模子步骤二中，特征提取采用小波包能量分解、梅尔倒频谱系数或经验模态分解方式进行处理。
作为优选，在建模子步骤四中，基线模型训练使用电梯的正常数据进行生成的，正常数据通过一个无监督神经网络人工智能模型算法进行训练，最后生成一个训练成熟的模型；故障模型训练使用有监督的方式进行训练，在训练样本不足的情况下，训练样本来源包括持续采集的真实数据和通过人工采集获得的数据，通过双数据来源的方式进行训练数据的扩充，用以加速训练过程，达到多故障的分类和预测。
作为优选，在建模子步骤三中，故障模型的训练通过将预处理后的数据输入到卷积神经网络，利用误差反向传播算法经过多次迭代，建立信号和故障之间的关系网络，实现电梯故障的精确诊断；
卷积神经网络将多个单层卷积神经网络堆叠，前一个输出作为后一层的输入，并在最后一层的输出特征图后接上全连接层和分类器，从而用于语音及图像的识别；
每个单层卷积神经网络包括卷积和下采样，卷积层中通过卷积核检测输入特征图所有位置上的特定特征，实现了同一输入特征图上的权值共享；
为了提取输入特征图不同的特征，使用不同的卷积核。
作为优选，在所述步骤五中，同时对基线模型和故障模型分别进行训练和迭代更新，对基线模型和故障模型分别进行训练和迭代更新的步骤如下：
同时执行训练数据采集和诊断数据采集，训练数据采集后需要进行数据预处理和特征提取，然后送入对应的训练模型进行训练，训练结果和诊断数据采集经过数据预处理都后送入判定模型，所述判定模型为已经处于实际运用状态的基线模型和故障模型，由判定模型给出判定结果，根据判定结果对对应的训练模型进行优化，若判定结果的来源为诊断数据，则根据判定模型的类别和判定结果进行对应的疲劳预警或故障前预警。
作为优选，根据判定结果对对应的训练模型进行优化，优化后的训练模型用于自身或同类产品上的基线模型和故障模型的迭代优化。
一种用于特种机械的部件疲劳程度监测装置，针对每个目标设备均配置有云端服务器、至少一台信息数据采集设备和服务终端，
信息数据采集设备安装在目标设备的设定部位，采集目标设备的运行特征数据并进行预处理，带有AI预处理的信息数据采集设备内置有针对目标设备中单一部件的边缘侧基线模型，在对运行特征数据进预处理的过程中，依次包括接收检测数据、数据归一化处理、生成梅尔频谱图转一维数据以及边缘侧基线模型计算，若预处理结果正常则保持运行状态，若预处理结果符合异常报警条件则直接发出预警，若预处理结果为未知异常数据则将目标设备的运行特征数据上传至云端服务器上传至云端服务器；
所述云端服务器针对目标设备，建立针对目标设备整体状态的基线模型和故障模型，并分别进行训练和迭代更新；在云端服务器对信息数据采集设备采集到的运行特征数据通过基线模型进行机械状态基线构建；利用已构建的机械状态基线与目标设备当前的运行数据进行对比，通过基线模型计算，得出疲劳预警信息，利用目标设备当前的运行特征数据，通过故障模型计算，得出故障前预警信息；
服务终端接收疲劳预警和故障前预警信息，进行实时提醒；
信息数据采集设备针对目标设备中单一部件的边缘侧基线模型与云端服务器中针对目标设备整体状态的基线模型采用相同类型的算法模型，针对目标设备中单一部件的边缘侧基线模型的计算精度低于针对目标设备整体状态的基线模型。
本发明的实质性效果是：本发明提供一种在有限数据或无精确数据标签的情况下，采用机械振动数据，包括音频、振动等数据进行特种机械部件健康度的评估方法。本发明通过采集以电梯为代表的特种机械振动数据进行AI 建模训练及推理分析，通过叠加数据及数据组合等方式，快速推进 AI 学习进程，以达成快速、可用的状态，后续通过不断的迭代、训练，丰富故障类型，提升预测的精准度，并增加不同程度的机械疲劳的预判。本发明采用了结合工况和不同位置，对单一故障进行多模型的多级综合判断，准确度更高。
附图说明
图1为本发明的一种整体流程示意图；
图2为本发明中迭代优化的一种流程示意图。
具体实施方式
下面通过具体实施例，对本发明的技术方案作进一步的具体说明。
实施例1：
一种用于特种机械的部件疲劳程度监测方法，特别是针对垂直电梯时的一种用于特种机械的部件疲劳程度监测方法，（参见附图1），包括以下步骤：
步骤一，在目标设备的设定部位，针对各个部件安装信息数据采集设备；
步骤二，针对目标设备，在云端服务器建立针对目标设备整体状态的基线模型和故障模型，并分别进行训练和迭代更新；
步骤三，采集目标设备的运行特征数据上传至云端服务器；
步骤四，在云端服务器对信息数据采集设备采集到的运行特征数据通过基线模型进行机械状态基线构建；
步骤五，利用已构建的机械状态基线进行对比进行疲劳预警，利用目标设备的运行特征数据，通过故障模型来计算实现故障前预警。
在所述步骤一中，所述信息数据采集设备安装的位置至少包括目标设备的控制部、目标设备的驱动部、目标设备的承载部和目标设备的制动部中的一个，所述信息数据采集设备采集的信息至少包括音频信息和振动信息中的一种。本实施例中，需要多特种设备中的大量装置进行监控，监控的数据数量越大，对于结果的准确性越好，而特种设备中，最为关键的部位就是控制部、目标设备的驱动部、目标设备的承载部和目标设备的制动部，这些关键部位的音频信息和振动信息是特种设备运行中极为重要的信息采集来源，更进一步的，本实施例中并不局限于控制部、目标设备的驱动部、目标设备的承载部和目标设备的制动部，任何有需要和必要的位置都是可以加装信息数据采集设备，例如传动、支撑、反馈等等各种部件中，都是信息数据采集设备的合适位置，更进一步的，信息数据采集设备采集的信息也不局限于音频信息和振动信息，音频信息和振动信息的采集优点在于数据信号采集较为方便、使用也较为便利，但是并不局限于上述信息内容，例如复杂的视频信息、电磁信息在必要时也应当是信息数据采集设备采集的采集目标，且在同一设备上的信息数据采集设备采集的并不要求是同一种或同一类型的信息数据采集设备，例如在特种设备的控制部，除了音频信息和振动信息还可以采用电磁信号的采集，采集音频信息和振动信息依赖的元件和采集电磁信号的元件并不相同；在特种设备的制动部，除了音频信息和振动信息还可以采用视频信号的采集，采集音频信息和振动信息依赖的元件和采集视频信号的元件并不相同。因此，可以根据需求，自主选择合适的采集元件和采集数据，当然，在本实施例中，是以音频信息和振动信息为主。
更为具体的是：
本实施例针对的目标设备为曳引电梯，所述信息数据采集设备监控的目标装置包括曳引装置、导向装置、轿厢、电梯门、重量平衡装置、电力拖动装置、电气控制装置和安全保护装置。采集目标设备的运行特征数据包括有电梯运行过程中的声音、振动以及电流特征数据，也包括电梯的健康数据、亚健康数据和故障数据，还包括电梯基础信息数据和电梯实际运行数据。针对曳引装置，所述信息数据采集设备采集的信息包括曳引电动机运行的声音、振动信息，曳引轮、曳引轮导轨、钢丝绳三者之间摩擦的声音；
针对导向装置，所述信息数据采集设备采集的信息包括导向轮、导向轮导轨、钢丝绳三者之间摩擦的声音，钢丝绳间碰撞、干涉声；
针对轿厢，所述信息数据采集设备采集的信息包括轿厢及轿厢导轨、导靴三者间的摩擦声、碰撞声以及轿厢的异常晃动声、轿厢内机械运行的噪声、轿厢的异常晃动声、轿厢 x/y/z 轴振动数据；
针对电梯门，所述信息数据采集设备采集的信息包括轿厢门和层门的开关门振动数据、关门撞门声、异物卡阻声异常声音；
针对重量平衡装置，所述信息数据采集设备采集的信息包括龙门架：x/y/z 轴振动数据以及对重及对重导轨：对重块碰撞声，对重与对重导轨的摩擦声；
针对安全保护装置，所述信息数据采集设备采集的信息包括制动器抱闸声、刹车摩擦声；
针对电气控制装置和电力拖动装置，所述信息数据采集设备采集的信息包括机房运行声音。
在步骤一中，根据信息数据采集设备的采集对象，设置有对采集到的信息进行打包的标签，所述的标签至少包括两个用于描述信息特征的独立维度。标签主要是在后续步骤中进行分类、检索和选取时进行使用，在本实施例中可以打包的标签能够描述的内容可以包括数据重要性、数据内容的性质、数据采集的周期、数据是否需要进一步处理等等，一般来说，标签所代表的数据维度越多，在后续的处理中相对准确性来说越为有利，但是数据标签所代表维度越多，对于数据处理的能力要求也越高，因此，需要对标签所代表的数据维度进行合理的规划，例如，标签为轿厢声音，可能代表的维度包括数据重要性高、数据内容的性质为振动信息和音频信息、数据采集的周期为每分钟、数据需要进一步处理。在本实施例中，标签所描述信息的独立维度是表明，在此标签代表的数据维度中至少存在有两个维度是相互不关联的，例如采集间隔和数据重要性就是相互不关联的独立维度。
所述基线模型为实现单一性数据判断的模型，所述故障模型为实现综合性数据判断的模型。在所述步骤二中，在云端服务器建立基线模型和故障模型包括以下步骤：
建模子步骤一，云端服务器获取建立模型所必须的数据；
建模子步骤二，对数据进行处理和转换，输出适合模型训练的数据；
建模子步骤三，选取训练模型，若训练的是基线模型则通过无监督训练生成基线模型，若训练的是故障模型则通过有监督训练生成故障模型；
建模子步骤四，根据采集到的运行特征数据对训练模型迭代更新。
在所述建模子步骤一中，云端服务器获取的数据包括正常数据、人工收集的并打有标签的数据，在建模子步骤二中，云端服务器依次将数据分段裁剪、合入环境数据、按标签归类、将数据转换成梅尔频谱图，然后输出适合模型训练的数据。
信息数据采集设备采集的信息后执行过滤步骤选取合适的信息，
过滤步骤一，在信息数据采集设备内建立卷积模型；
过滤步骤二，当源信号的幅度大于设定值时，分离出不同源的信号；
过滤步骤三，当源信号之间相互独立时，对源信号进行矢量变换，矢量变换的变换矩阵为一个满秩对角阵和一个转置矩阵的乘积；
过滤步骤四，变换后的各个信号之间相互独立，实现了源信号的盲分离，然后转为执行对独立分量分析；
过滤步骤五，使用自然梯度判决准则以及随机梯度准则进行判决，选取选取合适的信息。
具体的是，边缘侧降噪及过滤处理方式：在声音采集器采集声音的过程中，不可避免的会遇到同时有多个人说话,也可能会遇到周围有噪声源的情景(电器,风扇等),所有这些声音都被叠加成一个音频信号，而盲源分离技术就是把这些叠加在一起的信号分离出各自不同音源的信号出来，例如 A 说话的声波，某噪声波；盲源分离中我们使用卷积模型，当源信号之间相互独立时，我们对源信号矢量进行变换，我们知道当且仅当变换后的信号之间保持相互独立，该变换矩阵可以分解为一个满秩对角阵和一个转置矩阵的乘积，仅改变源信号的幅度和排列顺序，并没有改变信号波形。当源信号的幅度足够的大，可以分离出不同源的信号；独立分量分析证明了只要通过适当的线性变换，使得变换后的各个信号之间相互独立就可以实现源信号的盲分离，转换为对独立分量分析的求解问题。独立分量分析的求解可以使用自然梯度判决准则以及随机梯度准则进行判决。分离出来的信号源之后，我们再把噪声，人声的信号源从源信号中踢除，以此来实现了噪音的过滤。
所述信息数据采集设备为带有AI预处理的信息数据采集设备，在所述步骤三中，带有AI预处理的信息数据采集设备对运行特征数据进预处理，若预处理结果正常则保持运行状态，若预处理结果符合异常报警条件则直接发出预警，若预处理结果为未知异常数据则将目标设备的运行特征数据上传至云端服务器。本实施例中，针对目标设备中单一部件的边缘侧基线模型与针对目标设备整体状态的基线模型采用相同类型的算法模型，针对目标设备中单一部件的边缘侧基线模型的计算精度低于针对目标设备整体状态的基线模型。带有AI预处理的信息数据采集设备内置有针对目标设备中单一部件的边缘侧基线模型，在对运行特征数据进预处理的过程中，依次包括接收检测数据、数据归一化处理、生成梅尔频谱图转一维数据以及边缘侧基线模型计算。预处理的方式是由于设备侧是工控板，运算能力有限，不适合使用复杂的模型计算，所以设备侧使用的模型是精简版的模型，模型里面使用到的 Dense 数量比较少，模型的深度也只有 3 层；这样对设备侧硬件的要求就没那么高，可以节约成本。通过快速处理的方式来进行监测，相比之下，云端系统 Dense 数量有256 个，模型的深度有 12 层，对硬件的要求也就更高、如果是大量计算集中在云端会导致云端运算压力过大，结果生成过慢，但是云端的判断更精确，适合进行准确监控。因此，本实施例通过设备侧作一个大概的判断，形成一个筛选，设备侧会根据筛选条件，将无法判定或可能会存在误判的数据上传至云端进行判断，降低了云端计算的要求，加快了云端计算的速度。
所述基线模型为聚类编码器，训练中使用的数据为正常获取的数据；所述故障模型为卷积神经网络模型，目标是综合性数据判断，训练中使用的数据包括正常获取的数据和人工收集的数据。具体的是：云端的基线训练和故障训练采用不同的算法模型。基线训练属于基础的 AI判断模型，采用聚类编码器，其中，根据采集源位置、电梯工况、疲劳的不同程度分别对应不同的基础模型。故障训练模型，是在不同的基础模型判定的基础上，针对某一故障，进行应用级的综合 AI 判定的模型，采用卷积神经网络的方式进行判定。基线模型，训练的时候不需要加入异常的数据。因此这里训练只需要少量正常数据，少量正常数据就可以训练出来，而不需要数据扩充，因此系统可以达到快速可用的状态。如果用样本在特征窄问中相互问的距离来度量样本间的相似度，就可以设计出某种评价分类质量的准则函数，通过数学方法把特征空间划分为与各个类别相对应的区域，也就是通常所说的聚类分析。算法和非迭代的分级聚类算法。前者是给定某个样本集的初始划分，计算反映聚类质量的准则隔数值，如果把某个样本从原来所属的类别改属为另一个类别能使准则函数值向好的方向改进，则改变这个样本原来的类别为新的类别(新的划分)再对其他样本进行类似的运算这样反复迭代，直到没有一个样本类别的改变能改进准则函数值，即已经达到了准则函数的最优值。
这里只需要少量正常数据就可以训练出模型，不需要数据扩充。因此系统可以达到快速可用的状态。故障模型，使用有监督的方式进行训练，需要一定量的有效训练数据，在训练样本不足的情况下，除了持续采集真实数据以外，还可以通过人工采集真实的故障数据方式进行训练数据的扩充，用以加速训练过程，达到多种故障的分类和预测。后续随着数据的不断积累，则通过参数调整的方式，不断进行模型的优化。因此基线模型存在快速反应的优点，而综合性数据判断则实现了高精度综合趋势预测，两者相互配合，实现了较强的互补性和现实效果。在本实施例中，所述故障模型使用的卷积神经网络模型中至少有一层是故障模块并联层，所述故障模块并联层中配置有若干个可整体移植、替换的故障模块，每个故障模块均为对应一种故障，所述故障模块由人工设定或由其他已训练完成的故障模型中移植使用。本实施例中的故障模块并联层中配置的故障模块可以由各处中已经进行过使用的设备进行提供，一般可以是相同环境同种设备且其他干扰较少的情况下已经使用的神经网络模型。以电梯为例，同一地块内，一期工程中使用过的故障模块一般是可以直接移植在后期工程中进行使用的。
更为具体的是，在建模子步骤二中，由于经滤波后的信号通常为高维信号，无法直接输入模型训练，因此需要对信号进行抽象的特征提取以降低信号维度。特征提取采用小波包能量分解、梅尔倒频谱系数或经验模态分解方式进行处理。
以小波包分解能量特征为例，小波包分解算法可在任意尺度下对信号的频带进行分解。对滤波后的信号X进行三层小波包分解，其中Xij表示在第i尺度下的第j个小波包子空间。信号分解过程为：将信号带宽均分为低频及高频两部分，即X1,0及X1,1，再对分解出来的低频分量及高频分量继续按各自带宽均分，以此类推，可对信号进行任意尺寸的分解。当信号进行n层分解时，信号分解出的分量将达到2n个，n越大，对信号的描述越完备。设一维信号为X，采样点数为m，对其进行n阶小波包分解后信号为：X=
Figure 499722DEST_PATH_IMAGE001
，其中信号的每一个分量Xi的频带宽度都为信号带宽的1/2n。信号分解后，各信号分量的能量
Figure 479179DEST_PATH_IMAGE002
。信号X被n层小波包分解后，其小波包能量特征为
Figure 806386DEST_PATH_IMAGE003
,然后对特征向量进行归一化处理
Figure 529492DEST_PATH_IMAGE004
, 在正常状态下，信号的能量处于一个等级，当发生故障时信号的能量会偏离正常值而处于另一个等级。
在建模子步骤三中，故障模型的训练通过将预处理后的数据输入到卷积神经网络，利用误差反向传播算法经过多次迭代，建立信号和故障之间的关系网络，实现电梯故障的精确诊断；
卷积神经网络将多个单层卷积神经网络堆叠，前一个输出作为后一层的输入，并在最后一层的输出特征图后接上全连接层和分类器，从而用于语音及图像的识别；
每个单层卷积神经网络包括卷积和下采样，卷积层中通过卷积核检测输入特征图所有位置上的特定特征，实现了同一输入特征图上的权值共享；
为了提取输入特征图不同的特征，使用不同的卷积核。
在建模子步骤四中，基线模型训练使用电梯的正常数据进行生成的，正常数据通过一个无监督神经网络人工智能模型算法进行训练，最后生成一个训练成熟的模型；故障模型训练使用有监督的方式进行训练，在训练样本不足的情况下，训练样本来源包括持续采集的真实数据和通过人工采集获得的数据，通过双数据来源的方式进行训练数据的扩充，用以加速训练过程，达到多种故障的分类和预测。
在所述步骤五（参见附图2）中，同时对基线模型和故障模型分别进行训练和迭代更新，对基线模型和故障模型分别进行训练和迭代更新的步骤如下：
同时执行训练数据采集和诊断数据采集，训练数据采集后需要进行数据预处理和特征提取，然后送入对应的训练模型进行训练，训练结果和诊断数据采集经过数据预处理都后送入判定模型，所述判定模型为已经处于实际运用状态的基线模型和故障模型，由判定模型给出判定结果，根据判定结果对对应的训练模型进行优化，若判定结果的来源为诊断数据，则根据判定模型的类别和判定结果进行对应的疲劳预警或故障前预警。
根据判定结果对对应的训练模型进行优化，优化后的训练模型用于自身或同类产品上的基线模型和故障模型的迭代优化。
故障模型的训练通过将预处理后的数据输入到卷积神经网络，利用误差反向传播算法经过多次迭代，建立信号和故障之间的关系网络，实现电梯故障的精确诊断。卷积神经网络具有一定的伸缩、平移、扭曲不变形适合于具有伸缩、平移性的机械信号。
卷积神经网络将多个单层卷积神经网络堆叠，前一个输出作为后一层的输入，并在最后一层的输出特征图后接上全连接层和分类器，从而用于语音及图像等的识别。每个单层卷积神经网络包括卷积和下采样。卷积层中通过卷积核检测输入特征图所有位置上的特定特征，实现了同一输入特征图上的权值共享。为了提取输入特征图不同的特征，可使用不同的卷积核。卷积操作的一般形式为：
Figure 649589DEST_PATH_IMAGE005
，其中：*为二维离散卷积运算符；b为偏置；wij为卷积核；x为输入特征图；f（*）为激活函数。
我们选用Relu作为激活函数，其表达方式为：
f（x）=max（x,0）=
Figure 737631DEST_PATH_IMAGE006
。
relu函数的导数在正数部分是恒等于1的，因此在深层网络中使用relu激活函数不会导致梯度消失和爆炸的问题。
为了避免特征维数过大，我们对卷积得到的特征图进行聚合统计的下采样，在降低输出特征分辨率的同时，仍然能够保持描述特征。池化的方式一般为平均池化或最大池化。池化可以降低分辨率，提高计算效率，增强网络对缩放、扭曲的不变性。通过交替出现的卷积层和下采样层，特征图的大小逐渐减小，最后一个下采样层的特征合并为一个向量集与输出标签进行全连接。
输出函数可以选择Logistics函数和Softmax函数。以Softmax函数为例，假设训练数据中输入样本为x，对应标签为y，则样本判定为某个类别i的概率为p（y=i|x）。一个K类分类器，输出的是一个K维的向量,向量的元素和为1。
卷积神经网络采用误差反传，通过梯度下降法、或共轭梯度法等进行优化。计算完成梯度后，对卷积核、偏置和最后一层的全连接参数进行更新，实现卷积核的自动学习，从而能够完成对信号的表达和识别。
在本实施例中，本实施例不限定故障模型检测启动的方式，使用者可以根据实际需求进行调整，故障模型的启动方式根据设定包括根据云端服务器基线模型预警启动和根据信息数据采集设备预警启动，若设定为根据云端服务器基线模型预警启动，则当云端服务器基线模型发出预警时，利用目标设备的运行特征数据通过故障模型来计算实现故障前预警；若设定为根据信息数据采集设备预警启动时，信息数据采集设备上传目标设备的运行特征数据，基线模型和故障模型同步运行，并根据结果发出故障前预警或疲劳预警。在所述步骤五中，利用目标设备的运行特征数据时，目标设备的运行状态和运行阶段，选择对应的部分运行特征数据，再通过故障模型来计算实现故障前预警。
实施例2：
本实施例与实施例1基本相同，不同之处在于：
本实施例针对的目标设备为自动扶梯，所述信息数据采集设备监控的目标装置包括驱动装置、梯级导轨系统、扶手驱动装置和安全保护装置。采集目标设备的运行特征数据包括有电梯运行过程中的声音、振动、电流以及温度特征数据，也包括电梯的健康数据、亚健康数据和故障数据，还包括电梯基础信息数据和电梯实际运行数据。针对驱动装置，所述信息数据采集设备采集的信息包括驱动主机运行的声音、振动、温度等数据；主驱动链与驱动轮摩擦、运行声音；
针对梯级导轨系统，所述信息数据采集设备采集的信息包括梯级链条、梯路导轨、踏板滚轮之间摩擦的声音、振动的数据；梯级与裙板碰擦声音；
针对扶手装置，所述信息数据采集设备采集的信息包括扶手转向轮、扶手摩擦轮、扶手带、扶手驱动链的摩擦、运行声音；
针对安全保护装置，所述信息数据采集设备采集的信息包括制动器抱闸声，齿梳前沿板异物卡阻声音；
实施例3：
本实施例与实施例1基本相同，不同之处在于：
本实施例针对的目标设备为滑行游乐设备，所述信息数据采集设备监控的目标装置包括动力提升装置、传动装置、车体、车辆连接装置。采集目标设备的运行特征数据包括有滑行车运行过程中的声音、振动数据，也包括滑行车的健康数据、亚健康数据和故障数据，还包括基础信息数据和实际运行数据。针对动力提升装置，所述信息数据采集设备采集的信息包括电动机运行的声音、振动信息，减速器、连轴器摩擦的声音；
针对传动装置，所述信息数据采集设备采集的信息包括牵引链条、齿轮摩擦的声音，齿轮磨损后的异常声音和异常振动；
针对车辆连接装置，所述信息数据采集设备采集的信息包括连接器螺丝松动声音；
针对车体，所述信息数据采集设备采集的信息包括车辆与导轨摩擦声、车辆运行时的x/y/z 轴振动数据。
以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。

Claims (18)

1.一种用于特种机械的部件疲劳程度监测方法，其特征在于，包括以下步骤：
步骤一，在目标设备的设定部位，针对各个部件安装带有AI预处理的信息数据采集设备；
步骤二，针对目标设备，在云端服务器建立针对目标设备整体状态的基线模型和故障模型，并分别进行训练和迭代更新；
步骤三，采集目标设备的运行特征数据，并对运行特征数据进预处理，带有AI预处理的信息数据采集设备内置有针对目标设备中单一部件的边缘侧基线模型，在对运行特征数据进预处理的过程中，依次包括接收检测数据、数据归一化处理、生成梅尔频谱图转一维数据以及边缘侧基线模型计算，若预处理结果正常则保持运行状态，若预处理结果符合异常报警条件则直接发出预警，若预处理结果为未知异常数据则将目标设备的运行特征数据上传至云端服务器上传至云端服务器；
步骤四，在云端服务器对信息数据采集设备采集到的运行特征数据通过基线模型进行机械状态基线构建，所述基线模型为实现单一性数据判断的模型，所述故障模型为实现综合性数据判断的模型；
步骤五，利用已构建的机械状态基线与目标设备当前的运行数据进行对比，通过基线模型计算，得出疲劳预警信息，利用目标设备当前的运行特征数据，通过故障模型计算，得出故障前预警信息；所述故障模型的启动方式根据设定包括根据云端服务器基线模型预警启动和根据信息数据采集设备预警启动，若设定为根据云端服务器基线模型预警启动，则当云端服务器基线模型发出预警时，利用目标设备的运行特征数据通过故障模型来计算实现故障前预警；若设定为根据信息数据采集设备预警启动时，信息数据采集设备上传目标设备的运行特征数据，基线模型和故障模型同步运行，并根据结果发出故障前预警或疲劳预警；
在步骤三和步骤四中，针对目标设备中单一部件的边缘侧基线模型与针对目标设备整体状态的基线模型采用相同类型的算法模型，针对目标设备中单一部件的边缘侧基线模型的计算精度低于针对目标设备整体状态的基线模型。
2.根据权利要求1所述的用于特种机械的部件疲劳程度监测方法，其特征在于：在所述步骤一中，所述信息数据采集设备安装的位置至少包括目标设备的控制部、目标设备的驱动部、目标设备的承载部和目标设备的制动部中的一个，所述信息数据采集设备采集的信息至少包括音频信息和振动信息中的一种。
3.根据权利要求2所述的用于特种机械的部件疲劳程度监测方法，其特征在于：在步骤一中，根据信息数据采集设备的采集对象，设置有对采集到的信息进行打包的标签，所述的标签至少包括两个用于描述信息特征的独立维度。
4.根据权利要求3所述的用于特种机械的部件疲劳程度监测方法，其特征在于：
在所述步骤二中，在云端服务器建立基线模型和故障模型包括以下步骤：
建模子步骤一，云端服务器获取建立模型所必须的数据；
建模子步骤二，对数据进行处理和转换，输出适合模型训练的数据；
建模子步骤三，选取训练模型，若训练的是基线模型则通过无监督训练生成基线模型，若训练的是故障模型则通过有监督训练生成故障模型；
建模子步骤四，根据采集到的运行特征数据对训练模型迭代更新。
5.根据权利要求4所述的用于特种机械的部件疲劳程度监测方法，其特征在于：在所述建模子步骤一中，云端服务器获取的数据包括正常数据和人工收集的并打有标签的数据，在建模子步骤二中，云端服务器依次将数据分段裁剪、合入环境数据、按标签归类、将数据转换成梅尔频谱图，然后输出适合模型训练的数据。
6.根据权利要求5所述的用于特种机械的部件疲劳程度监测方法，其特征在于：
信息数据采集设备采集的信息后执行过滤步骤选取合适的信息，
过滤步骤一，在信息数据采集设备内建立卷积模型；
过滤步骤二，当源信号的幅度大于设定值时，分离出不同源的信号；
过滤步骤三，当源信号之间相互独立时，对源信号进行矢量变换，矢量变换的变换矩阵为一个满秩对角阵和一个转置矩阵的乘积；
过滤步骤四，变换后的各个信号之间相互独立，实现了源信号的盲分离，然后转为执行对独立分量分析；
过滤步骤五，使用自然梯度判决准则以及随机梯度准则进行判决，选取合适的信息。
7.根据权利要求1所述的用于特种机械的部件疲劳程度监测方法，其特征在于：
所述基线模型为聚类编码器，训练中使用的数据为正常获取的数据；
所述故障模型为卷积神经网络模型，目标是综合性数据判断，训练中使用的数据包括正常获取的数据和人工收集的数据。
8.根据权利要求7所述的用于特种机械的部件疲劳程度监测方法，其特征在于：所述故障模型使用的卷积神经网络模型中至少有一层是故障模块并联层，所述故障模块并联层中配置有若干个可整体移植、替换的故障模块，每个故障模块均为对应一种故障，所述故障模块由人工设定或由其他已训练完成的故障模型中移植使用。
9.根据权利要求1所述的用于特种机械的部件疲劳程度监测方法，其特征在于：
在所述步骤五中，利用目标设备的运行特征数据时，目标设备的运行状态和运行阶段，选择对应的部分运行特征数据，再通过故障模型来计算实现故障前预警。
10.根据权利要求1所述的用于特种机械的部件疲劳程度监测方法，其特征在于：所述目标设备为曳引电梯，所述信息数据采集设备监控的目标装置包括曳引装置、导向装置、轿厢、电梯门、重量平衡装置、电力拖动装置、电气控制装置和安全保护装置。
11.根据权利要求9所述的用于特种机械的部件疲劳程度监测方法，其特征在于：所述目标设备为曳引电梯时，在所述步骤三中，采集目标设备的运行特征数据包括有电梯运行过程中的声音、振动以及电流特征数据，也包括电梯的健康数据、亚健康数据和故障数据，还包括电梯基础信息数据和电梯实际运行数据。
12.根据权利要求11所述的用于特种机械的部件疲劳程度监测方法，其特征在于：
针对曳引装置，所述信息数据采集设备采集的信息包括曳引电动机运行的声音、振动信息，曳引轮、曳引轮导轨、钢丝绳三者之间摩擦的声音；
针对导向装置，所述信息数据采集设备采集的信息包括导向轮、导向轮导轨、钢丝绳三者之间摩擦的声音，钢丝绳间碰撞、干涉声；
针对轿厢，所述信息数据采集设备采集的信息包括轿厢及轿厢导轨、导靴三者间的摩擦声、碰撞声以及轿厢的异常晃动声、轿厢内机械运行的噪声、轿厢的异常晃动声、轿厢 x/y/z 轴振动数据；
针对电梯门，所述信息数据采集设备采集的信息包括轿厢门和层门的开关门振动数据、关门撞门声、异物卡阻声异常声音；
针对重量平衡装置，所述信息数据采集设备采集的信息包括龙门架：x/y/z 轴振动数据以及对重及对重导轨：对重块碰撞声，对重与对重导轨的摩擦声；
针对安全保护装置，所述信息数据采集设备采集的信息包括制动器抱闸声、刹车摩擦声；
针对电气控制装置和电力拖动装置，所述信息数据采集设备采集的信息包括机房运行声音。
13.根据权利要求1所述的用于特种机械的部件疲劳程度监测方法，其特征在于：在建模子步骤二中，特征提取采用小波包能量分解、梅尔倒频谱系数或经验模态分解方式进行处理。
14.根据权利要求13所述的用于特种机械的部件疲劳程度监测方法，其特征在于：在建模子步骤四中，基线模型训练使用电梯的正常数据进行生成的，正常数据通过一个无监督神经网络人工智能模型算法进行训练，最后生成一个训练成熟的模型；故障模型训练使用有监督的方式进行训练，在训练样本不足的情况下，训练样本来源包括持续采集的真实数据和通过人工采集获得的数据，通过双数据来源的方式进行训练数据的扩充，用以加速训练过程，达到多故障的分类和预测。
15.根据权利要求14所述的用于特种机械的部件疲劳程度监测方法，其特征在于：在建模子步骤三中，故障模型的训练通过将预处理后的数据输入到卷积神经网络，利用误差反向传播算法经过多次迭代，建立信号和故障之间的关系网络，实现电梯故障的精确诊断；
卷积神经网络将多个单层卷积神经网络堆叠，前一个输出作为后一层的输入，并在最后一层的输出特征图后接上全连接层和分类器，从而用于语音及图像的识别；
每个单层卷积神经网络包括卷积和下采样，卷积层中通过卷积核检测输入特征图所有位置上的特定特征，实现了同一输入特征图上的权值共享；
为了提取输入特征图不同的特征，使用不同的卷积核。
16.根据权利要求15所述的用于特种机械的部件疲劳程度监测方法，其特征在于：
在所述步骤五中，同时对基线模型和故障模型分别进行训练和迭代更新，对基线模型和故障模型分别进行训练和迭代更新的步骤如下：
同时执行训练数据采集和诊断数据采集，训练数据采集后需要进行数据预处理和特征提取，然后送入对应的训练模型进行训练，训练结果和诊断数据采集经过数据预处理都后送入判定模型，所述判定模型为已经处于实际运用状态的基线模型和故障模型，由判定模型给出判定结果，根据判定结果对对应的训练模型进行优化，若判定结果的来源为诊断数据，则根据判定模型的类别和判定结果进行对应的疲劳预警或故障前预警。
17.根据权利要求16所述的用于特种机械的部件疲劳程度监测方法，其特征在于：根据判定结果对对应的训练模型进行优化，优化后的训练模型用于自身或同类产品上的基线模型和故障模型的迭代优化。
18.一种用于特种机械的部件疲劳程度监测装置，其特征在于，针对每个目标设备均配置有云端服务器、至少一台信息数据采集设备和服务终端，
信息数据采集设备安装在目标设备的设定部位，采集目标设备的运行特征数据并进行预处理，带有AI预处理的信息数据采集设备内置有针对目标设备中单一部件的边缘侧基线模型，在对运行特征数据进预处理的过程中，依次包括接收检测数据、数据归一化处理、生成梅尔频谱图转一维数据以及边缘侧基线模型计算，若预处理结果正常则保持运行状态，若预处理结果符合异常报警条件则直接发出预警，若预处理结果为未知异常数据则将目标设备的运行特征数据上传至云端服务器上传至云端服务器；
所述云端服务器针对目标设备，建立针对目标设备整体状态的基线模型和故障模型，并分别进行训练和迭代更新；在云端服务器对信息数据采集设备采集到的运行特征数据通过基线模型进行机械状态基线构建；利用已构建的机械状态基线与目标设备当前的运行数据进行对比，通过基线模型计算，得出疲劳预警信息，利用目标设备当前的运行特征数据，通过故障模型计算，得出故障前预警信息；
服务终端接收疲劳预警和故障前预警信息，进行实时提醒；
信息数据采集设备针对目标设备中单一部件的边缘侧基线模型与云端服务器中针对目标设备整体状态的基线模型采用相同类型的算法模型，针对目标设备中单一部件的边缘侧基线模型的计算精度低于针对目标设备整体状态的基线模型；
所述基线模型为实现单一性数据判断的模型，所述故障模型为实现综合性数据判断的模型；所述故障模型的启动方式根据设定包括根据云端服务器基线模型预警启动和根据信息数据采集设备预警启动，若设定为根据云端服务器基线模型预警启动，则当云端服务器基线模型发出预警时，利用目标设备的运行特征数据通过故障模型来计算实现故障前预警；若设定为根据信息数据采集设备预警启动时，信息数据采集设备上传目标设备的运行特征数据，基线模型和故障模型同步运行，并根据结果发出故障前预警或疲劳预警。
CN202210052909.6A 2022-01-18 2022-01-18 用于特种机械的部件疲劳程度监测方法 Active CN114057053B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210052909.6A CN114057053B (zh) 2022-01-18 2022-01-18 用于特种机械的部件疲劳程度监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210052909.6A CN114057053B (zh) 2022-01-18 2022-01-18 用于特种机械的部件疲劳程度监测方法

Publications (2)

Publication Number Publication Date
CN114057053A CN114057053A (zh) 2022-02-18
CN114057053B true CN114057053B (zh) 2022-04-26

Family

ID=80231264

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210052909.6A Active CN114057053B (zh) 2022-01-18 2022-01-18 用于特种机械的部件疲劳程度监测方法

Country Status (1)

Country Link
CN (1) CN114057053B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115009944A (zh) * 2022-05-26 2022-09-06 浙江鑫梯互联科技有限公司 一种用于电梯运行状态的智能实时监测系统
CN115169505B (zh) * 2022-09-06 2022-12-02 杭州浅水数字技术有限公司 特种设备运动部件机械故障预警方法及其预警系统
CN116150636B (zh) * 2023-04-18 2023-07-07 苏州上舜精密工业科技有限公司 一种传动模组的故障监测方法及系统

Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006079975A2 (en) * 2005-01-31 2006-08-03 Csi Technology, Inc. Machine condition indication system
CN107247230A (zh) * 2017-07-03 2017-10-13 浙江大学 一种基于支持向量机和数据驱动的旋转电机状态监测方法
US9971667B1 (en) * 2012-11-30 2018-05-15 Discovery Sound Technology, Llc Equipment sound monitoring system and method
CN108645615A (zh) * 2018-04-08 2018-10-12 太原科技大学 一种自适应模糊神经网络齿轮剩余寿命预测方法
CN109782603A (zh) * 2019-02-03 2019-05-21 中国石油大学(华东) 旋转机械耦合故障的检测方法及监测系统
CN109885951A (zh) * 2019-02-28 2019-06-14 中科云创(厦门)科技有限公司 设备故障诊断方法及装置
CN109918752A (zh) * 2019-02-26 2019-06-21 华南理工大学 基于迁移卷积神经网络的机械故障诊断方法、设备及介质
CN110146764A (zh) * 2019-06-14 2019-08-20 国网新疆电力有限公司电力科学研究院 一种基于声阵列边缘计算的电力设备异常检测方法
CN111307461A (zh) * 2020-04-13 2020-06-19 郑州恩普特科技股份有限公司 一种基于特征向量基线法的滚动轴承故障检测方法
WO2020132060A1 (en) * 2018-12-18 2020-06-25 Bongiovi Acoustics Llc A mechanical failure detection system and method
CN111401584A (zh) * 2020-03-17 2020-07-10 北京必可测科技股份有限公司 一种设备故障自动诊断方法及系统
CN111473975A (zh) * 2020-04-13 2020-07-31 郑州恩普特科技股份有限公司 一种基于特征向量基线法的二级齿轮箱故障智能诊断方法
CN112216085A (zh) * 2020-09-15 2021-01-12 青岛科技大学 一种基于边缘计算和更新样本智能识别的装备关键承力结构件健康监测系统
CN112509599A (zh) * 2020-10-21 2021-03-16 中国人民解放军陆军炮兵防空兵学院 一种基于bp神经网络和梅尔倒谱的声谱故障分析诊断方法
CN112668105A (zh) * 2021-01-14 2021-04-16 北京航空航天大学 一种基于sae与马氏距离的直升机传动轴异常判定方法
CN112685857A (zh) * 2020-12-31 2021-04-20 西安交通大学 基于传递迁移的轴承剩余寿命预测方法
CN113551765A (zh) * 2021-08-17 2021-10-26 中冶北方（大连）工程技术有限公司 设备故障声谱分析诊断方法
CN113567162A (zh) * 2021-07-08 2021-10-29 中核检修有限公司 基于声传感器的风机故障智能诊断装置及方法
CN113624334A (zh) * 2021-08-10 2021-11-09 四川浩淼睿诚科技有限公司 一种基于物联网技术的机组振动监测装置及方法
CN113935460A (zh) * 2021-09-27 2022-01-14 苏州大学 类不平衡数据集下的机械故障智能诊断方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8893858B2 (en) * 2010-06-29 2014-11-25 Empire Technology Development Llc Method and system for determining safety of elevator
US20130197854A1 (en) * 2012-01-30 2013-08-01 Siemens Corporation System and method for diagnosing machine tool component faults
CN102880170B (zh) * 2012-10-08 2015-03-25 南京航空航天大学 基于基线模型和贝叶斯因子的系统故障早期预警方法
US9223299B2 (en) * 2012-11-30 2015-12-29 Discovery Sound Technology, Llc Equipment sound monitoring system and method
CN106006344B (zh) * 2016-07-12 2018-11-16 苏州长风航空电子有限公司 扶梯故障在线预警系统及故障诊断方法
US10451526B2 (en) * 2017-07-31 2019-10-22 Blackberry Limited Method and system for sensor monitoring and analysis
CN108597057A (zh) * 2018-04-28 2018-09-28 济南浪潮高新科技投资发展有限公司 一种基于噪音深度学习的无人机故障预测诊断系统及方法
US20190384255A1 (en) * 2018-06-19 2019-12-19 Honeywell International Inc. Autonomous predictive real-time monitoring of faults in process and equipment
CN110977614B (zh) * 2019-12-18 2020-08-04 常州机电职业技术学院 一种数控机床健康诊断方法
CN111504385B (zh) * 2020-05-13 2022-04-29 兰州工业学院 一种适用于机械设备异常状态多参数监测装置及方法

Patent Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006079975A2 (en) * 2005-01-31 2006-08-03 Csi Technology, Inc. Machine condition indication system
US9971667B1 (en) * 2012-11-30 2018-05-15 Discovery Sound Technology, Llc Equipment sound monitoring system and method
CN107247230A (zh) * 2017-07-03 2017-10-13 浙江大学 一种基于支持向量机和数据驱动的旋转电机状态监测方法
CN108645615A (zh) * 2018-04-08 2018-10-12 太原科技大学 一种自适应模糊神经网络齿轮剩余寿命预测方法
WO2020132060A1 (en) * 2018-12-18 2020-06-25 Bongiovi Acoustics Llc A mechanical failure detection system and method
CN109782603A (zh) * 2019-02-03 2019-05-21 中国石油大学(华东) 旋转机械耦合故障的检测方法及监测系统
CN109918752A (zh) * 2019-02-26 2019-06-21 华南理工大学 基于迁移卷积神经网络的机械故障诊断方法、设备及介质
CN109885951A (zh) * 2019-02-28 2019-06-14 中科云创(厦门)科技有限公司 设备故障诊断方法及装置
CN110146764A (zh) * 2019-06-14 2019-08-20 国网新疆电力有限公司电力科学研究院 一种基于声阵列边缘计算的电力设备异常检测方法
CN111401584A (zh) * 2020-03-17 2020-07-10 北京必可测科技股份有限公司 一种设备故障自动诊断方法及系统
CN111307461A (zh) * 2020-04-13 2020-06-19 郑州恩普特科技股份有限公司 一种基于特征向量基线法的滚动轴承故障检测方法
CN111473975A (zh) * 2020-04-13 2020-07-31 郑州恩普特科技股份有限公司 一种基于特征向量基线法的二级齿轮箱故障智能诊断方法
CN112216085A (zh) * 2020-09-15 2021-01-12 青岛科技大学 一种基于边缘计算和更新样本智能识别的装备关键承力结构件健康监测系统
CN112509599A (zh) * 2020-10-21 2021-03-16 中国人民解放军陆军炮兵防空兵学院 一种基于bp神经网络和梅尔倒谱的声谱故障分析诊断方法
CN112685857A (zh) * 2020-12-31 2021-04-20 西安交通大学 基于传递迁移的轴承剩余寿命预测方法
CN112668105A (zh) * 2021-01-14 2021-04-16 北京航空航天大学 一种基于sae与马氏距离的直升机传动轴异常判定方法
CN113567162A (zh) * 2021-07-08 2021-10-29 中核检修有限公司 基于声传感器的风机故障智能诊断装置及方法
CN113624334A (zh) * 2021-08-10 2021-11-09 四川浩淼睿诚科技有限公司 一种基于物联网技术的机组振动监测装置及方法
CN113551765A (zh) * 2021-08-17 2021-10-26 中冶北方（大连）工程技术有限公司 设备故障声谱分析诊断方法
CN113935460A (zh) * 2021-09-27 2022-01-14 苏州大学 类不平衡数据集下的机械故障智能诊断方法

Also Published As

Publication number Publication date
CN114057053A (zh) 2022-02-18

Similar Documents

Publication Publication Date Title
CN114057053B (zh) 用于特种机械的部件疲劳程度监测方法
CN110161343B (zh) 一种智能列车外部受电装置的非侵入式实时动态监测方法
CN109213121B (zh) 一种风机制动系统卡缸故障诊断方法
CN110364141B (zh) 基于深度单分类器的电梯典型异常声音报警方法
CN108445868B (zh) 一种基于现代信号处理技术的汽车智能故障诊断系统及方法
CN115169505B (zh) 特种设备运动部件机械故障预警方法及其预警系统
CN104616033A (zh) 基于深度学习和支持向量机的滚动轴承故障诊断方法
CN111931625B (zh) 基于非对称损失神经网络的产品关键零件剩余寿命预测方法
CN113188807B (zh) 一种abs结果自动判定算法
CN111476339B (zh) 滚动轴承故障特征提取方法、智能诊断方法及系统
CN112897262A (zh) 一种基于声音特征提取的电梯运行状态评估系统和方法
CN116226754B (zh) 一种基于设备建模的设备健康状态评估方法及系统
CN113761649A (zh) 一种基于一维卷积神经网络的智能汽车轮胎偏磨预测方法
CN113610188A (zh) 弓网接触力非区段异常识别方法及装置
CN115959549A (zh) 基于数字孪生的扶梯故障诊断方法
CN113758709A (zh) 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统
Pranesh et al. Vibration-based brake health prediction using statistical features–A machine learning framework
CN114330430A (zh) 一种基于大数据特征分析的电梯故障判断方法及系统
CN110472563B (zh) 基于小波包分解和神经网络的直梯振动过大故障诊断方法
CN117309038A (zh) 一种基于多模态感知的矿用机电设备故障诊断系统及方法
CN114873425B (zh) 一种基于振动特征增强的扶梯驱动链故障诊断方法
CN112850408B (zh) 一种基于多模型融合的电梯急停困人故障检测方法
CN115062867A (zh) 基于Teager能量谱和改进型CNN模型的轴承故障预测方法
CN114298096A (zh) 基于堆叠自编码神经网络的轴承健康状态识别方法及系统
CN111885146B (zh) 一种工业数据云端服务平台数据传输方法

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