CN114398800B - 破碎机系统故障诊断方法及装置 - Google Patents
破碎机系统故障诊断方法及装置 Download PDFInfo
- Publication number
- CN114398800B CN114398800B CN202210099453.9A CN202210099453A CN114398800B CN 114398800 B CN114398800 B CN 114398800B CN 202210099453 A CN202210099453 A CN 202210099453A CN 114398800 B CN114398800 B CN 114398800B
- Authority
- CN
- China
- Prior art keywords
- crusher
- parameter
- model
- fault
- determining
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000003745 diagnosis Methods 0.000 title claims abstract description 68
- 238000012544 monitoring process Methods 0.000 claims abstract description 31
- 238000005070 sampling Methods 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000003860 storage Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000013500 data storage Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000009191 jumping Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013154 diagnostic monitoring Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Disintegrating Or Milling (AREA)
Abstract
本发明提供了一种破碎机系统故障诊断方法及装置，涉及故障检测的技术领域，该方法包括：首先利用预先建立的离线模型生成第一参数；第一参数包括离线模型的阶次、采样周期和数据集长度；然后基于第一参数以及在线采集的第二参数，确定故障诊断监控量；第二参数包括：破碎机负荷参数和给矿机负荷和频率乘积参数；如果故障诊断监控量超过第一阈值，则破碎机系统存在故障，并确定破碎机系统的故障类型。通过该方法可以缓解部分参数采集难度大、故障诊断成本较高的技术问题，达到了降低成本、提高检测精度的技术效果。
Description
技术领域
本发明涉及故障诊断技术领域，尤其是涉及一种破碎机系统故障诊断方法及装置。
背景技术
破碎机是对于物料介质进行破碎的设备，通过撞击作用，减小物料介质块度，被广泛应用于矿山，主要应用于破碎、磨矿等流程。通常破碎机与上游可调频给矿机搭配使用，组成破碎机系统，对给矿机的给料进行破碎。在选矿的破碎流程，破碎机系统是整个流程最重要的环节，该系统的稳定运行直接影响破碎效果、产品质量和生产效率。该系统若发生故障，将直接导致设备台效、破碎效率降低，甚至系统停车、生产中断，影响达产。
实际生产中，破碎机系统的常见故障有破碎机过载、破碎机衬板磨损、给矿机过载等，现有的破碎机故障诊断方法通常需要借助大量参数，通过神经网络训练或线性回归算法进行诊断，但存在部分参数采集难度大，或者需要额外安装传感器导致成本高的技术问题。
发明内容
本发明的目的在于提供一种破碎机系统故障诊断方法及装置，以缓解现有技术中存在的部分参数采集难度大、故障诊断成本较高的技术问题。
为了实现上述目的，本发明实施例采用的技术方案如下：
第一方面，本发明实施例提供了一种破碎机系统故障诊断方法，应用于破碎机系统，上述破碎机系统包括破碎机和给矿机，上述方法包括：
利用预先建立的离线模型生成第一参数；上述第一参数包括上述离线模型的阶次、采样周期和数据集长度；
基于上述第一参数以及在线采集的第二参数，确定故障诊断监控量；上述第二参数包括：破碎机负荷参数和给矿机负荷与频率乘积参数；
如果上述故障诊断监控量超过第一阈值，则上述破碎机系统存在故障，并确定上述破碎机系统的故障类型。
在一些可能的实施方式中，预先建立离线模型，包括：利用预先获取的正常工况数据集，建立非线性系统辨识模型作为离线模型。
在一些可能的实施方式中，在确定故障诊断监控量之前，上述方法还包括：根据上述离线模型的阶次和上述正常工况数据集的长度，确定第一阈值；计算上述第一阈值的公式包括：
其中，Jtha表示上述第一阈值，L表示上述正常工况数据集的长度，n表示上述离线模型的阶次，F1-α(·)为以α为显著性的F分布百分位函数。
在一些可能的实施方式中，基于上述第一参数以及在线采集的第二参数，确定故障诊断监控量，包括：根据上述离线模型确定正常工况下的第一输出误差以及该第一输出误差的均值和方差；根据离线模型的阶次和采样周期，在线确定第二输出误差；基于上述第一输出误差的均值和方差，以及第二输出误差，确定故障诊断监控量。
在一些可能的实施方式中，上述故障类型包括：破碎机过载、给矿机过载和破碎机衬板磨损；如果上述破碎机负荷参数大于第二阈值，则故障类型为破碎机过载；如果上述破碎机负荷参数不大于第二阈值，且上述给矿机负荷与频率乘积参数大于第三阈值，则上述故障类型为给矿机过载；如果上述给矿机负荷与频率乘积参数不大于第三阈值，则上述故障类型为破碎机衬板磨损。
在一些可能的实施方式中，在确定故障诊断监控量之后，上述方法还包括：根据上述离线模型确定第二阈值，上述第二阈值为非线性系统辨识模型在线预测值。
在一些可能的实施方式中，在确定故障诊断监控量之后，上述方法还包括：根据上述给矿机的标定参数确定上述第三阈值；上述给矿机的标定参数包括给矿机频率最大值和给矿机负荷最大值。
第二方面，本发明实施例提供了一种破碎机系统故障诊断装置，包括：
离线建模模块，用于利用预先建立的离线模型生成第一参数；上述第一参数包括上述离线模型的阶次、采样周期和数据集长度；
在线诊断模块，用于基于上述第一参数以及在线采集的第二参数，确定故障诊断监控量；上述第二参数包括：破碎机负荷参数和给矿机负荷与频率乘积参数；
故障检测模块，用于如果上述故障诊断监控量超过第一阈值，则上述破碎机系统存在故障，并确定上述破碎机系统的故障类型。
第三方面，本发明实施例提供了一种电子设备，包括存储器、处理器，上述存储器中存储有可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现上述第一方面任一项所述的方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，上述计算机可读存储介质存储有机器可运行指令，上述计算机可运行指令在被处理器调用和运行时，上述计算机可运行指令促使上述处理器运行上述第一方面任一项所述的方法。
本发明提供了本发明提供了一种破碎机系统故障诊断方法及装置，该方法包括：首先利用预先建立的离线模型生成第一参数；第一参数包括离线模型的阶次、采样周期和数据集长度；然后基于第一参数以及在线采集的第二参数，确定故障诊断监控量；第二参数包括：破碎机负荷参数和给矿机负荷与频率乘积参数；如果故障诊断监控量超过第一阈值，则破碎机系统存在故障，并确定破碎机系统的故障类型。通过该方法可以缓解部分参数采集难度大、故障诊断成本较高的技术问题，达到了降低成本、提高检测精度的技术效果。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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一种破碎机系统故障诊断方法的流程示意图；
图2为本发明实施例提供的一种破碎机系统的结构示意图；
图3为本发明实施例提供的一种破碎机系统故障诊断方法的在线运行流程图；
图4为本发明实施例提供的一种监控量波动情况和功率预测情况示意图；
图5为本发明实施例提供的一种破碎机系统故障诊断装置的结构示意图；
图6为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。下面结合附图，对本发明的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
实际生产中，破碎机系统的常见故障有破碎机过载、破碎机衬板磨损、给矿机过载等，若实现破碎机系统的在线故障诊断，以检测出这些异常工况，并提示生产操作和运维人员及时干预，对生产进行调整和对设备进行检查，这对保障生产和设备管理有重要意义。
破碎机一般自带用于检测轴温、油温、油流、油压等参数的传感器，这些信号集成至设备自带控制系统中，实现单台破碎机内部的连锁保护与报警，自带控制系统往往没有集成接口，以致外部系统无法拿到这些数据，尤其对于老式破碎机。而借助于设备的电气拖动系统，破碎机功率、给料机电流、给矿频率数据均可被采集。在考虑系统机理特性的基础上，可以充分利用这三种数据来诊断故障，提出一种破碎机系统的简单、有效且低成本的故障诊断方法。
现有技术中，发明专利CN107480787A提供了一种基于BP神经网络的露天矿旋回破碎机故障诊断方法，其本质是训练BP神经网络完成分类任务。由于神经网络没有较好的解释性，导致诊断结果往往缺乏说服力；并且该方法具体实施需要获取回油油温、电机轴承温度等参数，这些参数的采集存在一定的难度。
发明专利CN112090478A提供了一种基于线性回归破碎机故障诊断方法，通过采集传动轴振幅及频率、机身振幅及频率作为故障诊断参数，而破碎机本身一般不带这些数据采集传感器，这就需要额外安装传感器，增加了故障诊断成本；并且由于破碎机设备本身特性复杂，采用线性模型难以表达系统特性。此外，以上两个专利均没有考虑上游设备对破碎机的影响。
综上所述，现有的破碎机故障诊断方法通常需要借助大量参数，通过神经网络训练或线性回归算法进行诊断，但存在部分参数采集难度大，或者需要额外安装传感器导致成本高的技术问题。
基于此，本发明实施例提供了一种破碎机系统故障诊断方法及装置，以缓解部分参数采集难度大、故障诊断成本较高的技术问题。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种破碎机系统故障诊断方法进行详细介绍，参见图1所示的一种破碎机系统故障诊断方法的流程示意图，该方法可以由电子设备执行，主要包括以下步骤S110至步骤S130：
S110：利用预先建立的离线模型生成第一参数；第一参数包括离线模型的阶次、采样周期和数据集长度；
在一种实施例中，预先建立离线模型，包括：利用预先获取的正常工况数据集，建立非线性系统辨识模型作为离线模型，其中，离线模型可以基于Hammerstein-ARX模型建模。
S120：基于第一参数以及在线采集的第二参数，确定故障诊断监控量；第二参数包括：破碎机负荷参数和给矿机负荷与频率乘积参数；
在一种实施例中，可以首先根据该离线模型确定正常工况下的第一输出误差以及第一输出误差的均值和方差；然后根据离线模型的阶次和采样周期，在线确定第二输出误差；再基于第一输出误差的均值和方差，以及第二输出误差，确定故障诊断监控量。
其中，根据该离线模型的阶次和采样周期，在线确定第二输出误差具体包括：在线故障诊断时，使用与离线模型一致的参数(包括阶次和采样周期)，然后进行在线模型参数的设定以及第二输出误差的计算。
S130：如果故障诊断监控量超过第一阈值，则破碎机系统存在故障，并确定破碎机系统的故障类型。
其中，故障类型包括：破碎机过载、给矿机过载和破碎机衬板磨损；
如果该破碎机负荷参数大于第二阈值，则故障类型为破碎机过载；
如果该破碎机负荷参数不大于第二阈值，且该给矿机负荷与频率乘积参数大于第三阈值，则该故障类型为给矿机过载；
如果该给矿机负荷与频率乘积参数不大于第三阈值，则该故障类型为破碎机衬板磨损。
在一种实施例中，在确定故障诊断监控量之前，该方法还包括：
根据该离线模型的阶次和该正常工况数据集的长度，确定第一阈值；
计算该第一阈值的公式包括：
其中，Jtha表示该第一阈值，L表示该正常工况数据集的长度，n表示该离线模型的阶次，F1-α(·)为以α为显著性的F分布百分位函数。
在一种实施例中，在确定故障诊断监控量之后，该方法还包括：
根据该离线模型确定第二阈值，该第二阈值为非线性系统辨识模型的实时预测值。
在一种实施例中，在确定故障诊断监控量之后，该方法还包括：根据该给矿机的标定参数确定该第三阈值；该给矿机的标定参数包括给矿机频率最大值和给矿机负荷最大值。
作为一个具体的示例，参见图2，本实施例的破碎机系统由圆锥破碎机和给矿皮带组成。圆锥破碎机的功率、给矿皮带电流、给矿皮带给矿频率均集成进工厂分散控制系统(Di str ibuted Contro l System，DCS)。给矿皮带的电流和频率的乘积为系统输入，在k时刻记为u(k)，圆锥破碎机功率为系统输出，在k时刻记为z(k)。记给矿皮带的给矿频率变化引起圆锥破碎机功率响应时间约t＝7s，采样周期T＝5s；模型阶次n>t/T+1取整数，取n＝4。
选取2～5段u(k)波动较大且系统正常运转时的时间序列数据，拼接后作为正常工况数据集。数据集每个样本为{u(k),z(k)}，数据集长度记做L。有效数据集长度为L-n。使用该数据集，按步骤S401-S402，离线建立圆锥破碎机系统非线性系统辨识模型，求取模型输出误差的均值和方差。
步骤S401，基于Hammerstei n-ARX(auto regress ive with exogenous i nput，外生输入自回归模型)模型假设，按下式建立圆锥破碎机系统非线性系统辨识模型：
其中，
为数据向量。
本实施例取m＝2。采用最小二乘法估计求取θ＝[a B]T∈Rn+n(m+2),a∈Rn,B∈Rn(m+2)
步骤S402，按下式求取正常工况数据集的模型输出误差。
其中，
为增广数据向量。
并求取εoe(k)的均值和方差，分别记做
Λnormal。
参见图3所示的一种破碎机系统故障诊断方法的在线运行流程图，示意出该方法主要包括以下步骤S501至步骤S509。
S501初始化，计算出阈值Jthα。具体包括：设定显著性α＝5％、输入u(k)阈值Uth＝umax、滤波系数μz＝0.8,μu＝0.9。采样周期T、模型阶次n需与离线建模的一致，分别为T＝5s、n＝4。按下式计算出阈值Jthα。
S502，从控制系统采集数据u、z，包括当前时刻数据与历史数据。即：从DCS采集当前k时刻的{u(k),z(k)}，从DCS历史数据库读取{u(k-1),z(k-1)}、{u(k-2),z(k-2)}、{u(k-3),z(k-3)}、{u(k-4),z(k-4)}。
S503，计算并存储滤波值zf(k)、uf(k)。
按下式计算z(k)滤波值zf(k)并存储。
zf(k)＝μzz(k)+(1-μz)zf(k-1)。
按下式计算u(k)滤波值uf(k)并存储。
uf(k)＝μuz(k)+(1-μu)uf(k-1)
S504，计算并存储输出误差εoe(k)。
按下式计算模型输出误差εoe(k)，并对之存储。
S505，计算监控量T2(k)。
按下式计算监控量T2(k)
S506，计算并存储
按下式计算
并对之存储。
其中，
为预测数据向量。
S507，判断监控量T2(k)是否不大于Jthα。
如果是，则跳转至S502，如果否，则跳转至S508。
S508，判断zf(k)是否大于
如果是，则报警“圆锥破碎机过载”故障，写回DCS，再跳转至S502。如果否，则跳转至S509。
S509，判断uf(k)是否大于Uth。
如果是，则报警“给矿皮带过载”故障，写回DCS，再跳转至S502。如果否，则报警“圆锥破碎机衬板磨损”故障，写回DCS，再跳转至S502。
在具体实现过程中，上述故障诊断分析方法流程可持续进行，或结束流程，停止故障诊断。
参见图4所示的一种监控量波动情况和功率预测情况示意图，该图取自现场应用软件界面，其中图4的(a)部分为监控波动情况图，即监控量与阈值对比时序图，监控量经常大于阈值，说明有故障发生；图4的(b)部分为功率预测情况图，即实际功率与阈值(预测功率)对比时序图，实际功率经常小于阈值，说明破碎机有衬板磨损故障。
综上所述，本发明实施例提供的上述故障诊断方法，可以利用给矿皮带的电流、频率信号和圆锥破碎机功率信号，实现对圆锥破碎机系统的故障诊断，为操作人员提供故障含义。
本发明实施例提供了一种破碎机系统故障诊断装置，该装置包括：
离线建模模块，用于利用预先建立的离线模型生成第一参数；上述第一参数包括上述离线模型的阶次、采样周期和数据集长度；
在线诊断模块，用于基于上述第一参数以及在线采集的第二参数，确定故障诊断监控量；上述第二参数包括：破碎机负荷参数和给矿机负荷与频率乘积参数；
故障检测模块，用于如果上述故障诊断监控量超过第一阈值，则上述破碎机系统存在故障，并确定上述破碎机系统的故障类型。
作为一个具体的示例，参见图5所示，该装置可以包括：离线建模模块601，用于离线建立圆锥破碎机系统非线性系统辨识模型。该模块将模型阶次n、建模数据集长度L、参数m，以及运算求得的参数θ、模型在正常工况下的输出误差的均值与方差提供给在线诊断模块602。
在线诊断模块602，用于在线诊断圆锥破碎机系统故障。接收离线建模模块601输出的各参数。该模块在线采集DCS数据，进行故障检测与故障分类，结果写回DCS。在线诊断模块602包括如下子模块：
初始化模块60201，用于初始化采用周期T、模型阶次n、建模数据集长度L、参数m、参数θ、置信度α、阈值Uth，计算阈值Jthα。
数据采集与滤波模块60202，用于与DCS建立通讯，从DCS采集当前k时刻的圆锥破碎机功率数据z(k)，同时采集当前时刻的给矿皮带的电流、频率，并直接求取两者乘积u(k)。以及采集历史数据u(k-1)、z(k-1)、u(k-2)、z(k-2)、u(k-3)、z(k-3)、u(k-4)、z(k-4)。本实施例中采用的通讯协议可以是OPC UA(Object Linking and Embedding for ProcessControl Unified Architecture，过程控制中的对象链接与嵌入技术统一架构)也可以是控制系统支持的其他通讯接口或API(Application Programming Interface，应用程序接口)。本模块对u(k)、z(k)进行滤波计算，得到uf(k)、zf(k)。计算前从数据存储模块60204读取uf(k-1)、zf(k-1)，并将滤波结果输出至数据存储模块60204存储。
故障检测模块60203，用于计算故障诊断监控量T2(k)，以及判断故障类别的
计算前从数据存储模块60204读取
并将本周期计算结果
输出至数据存储模块60204存储。
数据存储模块60204，用于存储数据采集与滤波模块60202每次计算的uf(k)、zf(k)，并在此模块计算前提供uf(k-1)、zf(k-1)；亦用于存储故障检测模块60203每次计算
并在此模块计算前提供
故障分类模块60205，用于存储阈值Jthα和Uth，并判断故障诊断监控量T2(k)是否大于阈值Jthα；判断zf(k)是否大于
判断uf(k)是否大于阈值Uth，以综合诊断故障类别，并将类别信息输出至故障输出模块60206。
故障输出模块60206，用于接收故障分类模块60205输出的类别，将报警信息写回控制系统。
本申请实施例所提供的破碎机系统故障诊断装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。本申请实施例提供的破碎机系统故障诊断装置与上述实施例提供的破碎机系统故障诊断方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
本申请实施例还提供了一种电子设备，具体的，该电子设备包括处理器和存储装置；存储装置上存储有计算机程序，计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法。
图6为本申请实施例提供的一种电子设备的结构示意图，该电子设备400包括：处理器40，存储器41，总线42和通信接口43，所述处理器40、通信接口43和存储器41通过总线42连接；处理器40用于执行存储器41中存储的可执行模块，例如计算机程序。
其中，存储器41可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口43(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线42可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器41用于存储程序，所述处理器40在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器40中，或者由处理器40实现。
处理器40可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器40中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器40可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41，处理器40读取存储器41中的信息，结合其硬件完成上述方法的步骤。
对应于上述方法，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行上述方法的步骤。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
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 (10)
1.一种破碎机系统故障诊断方法，应用于破碎机系统，所述破碎机系统包括破碎机和给矿机，其特征在于，所述方法包括：
利用预先建立的离线模型生成第一参数；所述第一参数包括所述离线模型的阶次、采样周期和数据集长度；预先建立离线模型包括：利用预先获取的正常工况数据集，建立非线性系统辨识模型作为离线模型，其中，非线性系统辨识模型采用Hammerstein-ARX模型；
基于所述第一参数以及在线采集的第二参数，确定故障诊断监控量；所述第二参数包括：破碎机负荷参数和给矿机负荷与频率乘积参数；所述故障诊断监控量的计算公式为：
其中，
为所述离线模型的在线输出误差，
分别为所述离线模型的输出误差的均值和方差；
如果所述故障诊断监控量超过第一阈值，则所述破碎机系统存在故障，并确定所述破碎机系统的故障类型。
2.根据权利要求1所述的方法，其特征在于，预先建立离线模型，包括：
利用预先获取的正常工况数据集，建立非线性系统辨识模型作为离线模型。
3.根据权利要求2所述的方法，其特征在于，在确定故障诊断监控量之前，所述方法还包括：
根据所述离线模型的阶次和所述正常工况数据集的长度，确定第一阈值；
计算所述第一阈值的公式包括：
其中，Jtha表示所述第一阈值，L表示所述正常工况数据集的长度，n表示所述离线模型的阶次，F1-α(·)为以α为显著性的F分布百分位函数。
4.根据权利要求1所述的方法，其特征在于，基于所述第一参数以及在线采集的第二参数，确定故障诊断监控量，包括：
根据所述离线模型确定正常工况下的第一输出误差以及所述第一输出误差的均值和方差；其中，所述第一输出误差为模型输出误差；
根据所述离线模型的阶次和采样周期，在线确定第二输出误差；
基于所述第一输出误差的均值和方差以及所述第二输出误差，确定故障诊断监控量。
5.根据权利要求1所述的方法，其特征在于，所述故障类型包括：破碎机过载、给矿机过载和破碎机衬板磨损；
如果所述破碎机负荷参数大于第二阈值，则故障类型为破碎机过载；
如果所述破碎机负荷参数不大于第二阈值，且所述给矿机负荷与频率乘积参数大于第三阈值，则所述故障类型为给矿机过载；
如果所述给矿机负荷与频率乘积参数不大于第三阈值，则所述故障类型为破碎机衬板磨损。
6.根据权利要求5所述的方法，其特征在于，在确定故障诊断监控量之后，所述方法还包括：
根据所述离线模型确定第二阈值，所述第二阈值为非线性系统辨识模型在线预测值。
7.根据权利要求6所述的方法，其特征在于，在确定故障诊断监控量之后，所述方法还包括：根据所述给矿机的标定参数确定所述第三阈值；所述给矿机的标定参数包括给矿机频率最大值和给矿机负荷最大值。
8.一种破碎机系统故障诊断装置，其特征在于，包括：
离线建模模块，用于利用预先建立的离线模型生成第一参数；所述第一参数包括所述离线模型的阶次、采样周期和数据集长度；预先建立离线模型包括：利用预先获取的正常工况数据集，建立非线性系统辨识模型作为离线模型，其中，非线性系统辨识模型采用Hammerstein-ARX模型；
在线诊断模块，用于基于所述第一参数以及在线采集的第二参数，确定故障诊断监控量；所述第二参数包括：破碎机负荷参数和给矿机负荷与频率乘积参数；所述故障诊断监控量的计算公式为：
其中，
为所述离线模型的在线输出误差，
分别为所述离线模型的输出误差的均值和方差；
故障检测模块，用于如果所述故障诊断监控量超过第一阈值，则所述破碎机系统存在故障，并确定所述破碎机系统的故障类型。
9.一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至7任一项所述的方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行所述权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210099453.9A CN114398800B (zh) | 2022-01-27 | 2022-01-27 | 破碎机系统故障诊断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210099453.9A CN114398800B (zh) | 2022-01-27 | 2022-01-27 | 破碎机系统故障诊断方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114398800A CN114398800A (zh) | 2022-04-26 |
| CN114398800B true CN114398800B (zh) | 2022-10-25 |
Family
ID=81232874
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210099453.9A Active CN114398800B (zh) | 2022-01-27 | 2022-01-27 | 破碎机系统故障诊断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114398800B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114841295B (zh) * | 2022-07-04 | 2022-09-13 | 矿冶科技集团有限公司 | 工业过程故障检测方法、装置、电子设备及存储介质 |
| CN116679669B (zh) * | 2023-06-07 | 2024-03-26 | 矿冶科技集团有限公司 | 一种筛分系统故障诊断方法及系统 |
| CN118470940B (zh) * | 2024-07-11 | 2024-09-03 | 紫金智信(厦门)科技有限公司 | 一种选矿设备预警装置及基于其的预警方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002070137A1 (en) * | 2001-03-01 | 2002-09-12 | Ab Skf | System and method of monitoring a crushing device |
| CN107480787A (zh) * | 2017-08-10 | 2017-12-15 | 西安建筑科技大学 | 一种基于bp神经网络的露天矿旋回式破碎机故障诊断方法 |
| CN111308991A (zh) * | 2020-03-19 | 2020-06-19 | 中国大唐集团科学技术研究院有限公司华东电力试验研究院 | 一种磨煤机运行故障识别方法及应用 |
| CN112090478A (zh) * | 2020-08-25 | 2020-12-18 | 辽宁科技大学 | 一种基于线性回归破碎机故障诊断方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112199890B (zh) * | 2020-10-11 | 2023-03-17 | 哈尔滨工程大学 | 一种综合式核动力装置系统级故障诊断方法 |
-
2022
- 2022-01-27 CN CN202210099453.9A patent/CN114398800B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002070137A1 (en) * | 2001-03-01 | 2002-09-12 | Ab Skf | System and method of monitoring a crushing device |
| CN107480787A (zh) * | 2017-08-10 | 2017-12-15 | 西安建筑科技大学 | 一种基于bp神经网络的露天矿旋回式破碎机故障诊断方法 |
| CN111308991A (zh) * | 2020-03-19 | 2020-06-19 | 中国大唐集团科学技术研究院有限公司华东电力试验研究院 | 一种磨煤机运行故障识别方法及应用 |
| CN112090478A (zh) * | 2020-08-25 | 2020-12-18 | 辽宁科技大学 | 一种基于线性回归破碎机故障诊断方法 |
Non-Patent Citations (5)
| Title |
|---|
| Identification and stochastic modelling of sources in copper ore crusher vibrations;Agnieszka Wylomanska,etc;《Journal of Physics: Conference Series, Volume 628, 11th International Conference on Damage Assessment of Structures (DAMAS 2015)》;20150824;全文 * |
| Rub-Impact Fault Diagnosis of a Coal Crusher Machine by Using Ensemble Patch Transformation and Empirical Mode Decomposition;S. K. Laha, B. Swarnakar, Sourav Kansabanik & K. J. Uke;《WNSTA 2021: Nonstationary Systems: Theory and Applications》;20210722;PP265–278 * |
| 基于信号特征识别的锤式破碎机故障诊断系统的研究与实现;满灏;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20210415(第04期);C029-202 * |
| 基于无线网络的煤矿环境监控系统及故障诊断技术研究;闵凡超;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》;20210915(第09期);B021-26 * |
| 预磨机破磨系统辨识与预测控制研究;罗国虎;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》;20150515(第05期);B021-149 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114398800A (zh) | 2022-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114398800B (zh) | 破碎机系统故障诊断方法及装置 | |
| JP7282184B2 (ja) | 工業プロセスで使用されるコンポーネントから発生する信号の異常を検出及び測定するためのシステムと方法 | |
| CN101167026B (zh) | 数据收集装置及网关装置 | |
| CN117786373B (zh) | 一种基于大数据的瓦楞纸加工的设备运行诊断系统 | |
| CN102844721A (zh) | 故障原因诊断系统及其方法 | |
| US10921777B2 (en) | Automated machine analysis | |
| US11740592B2 (en) | Control method, control apparatus, mechanical equipment, and recording medium | |
| EP3588049A1 (en) | Decision of faulty bearing | |
| EP2761382B1 (en) | Method and system for detecting abnormal operation | |
| US20230177406A1 (en) | Device and method for interpreting a predicting of at least one failure of a system | |
| JP6898607B2 (ja) | 異常予兆検出システムおよび異常予兆検出方法 | |
| JP6658462B2 (ja) | プラント設備劣化診断装置 | |
| JP7268722B2 (ja) | 異常検知装置、及び異常検知方法 | |
| Salvador et al. | Online detection of shutdown periods in chemical plants: A case study | |
| EP2954580B1 (en) | Limit based threshold estimation for prognostics and health management | |
| CN116679669B (zh) | 一种筛分系统故障诊断方法及系统 | |
| CA3037673C (en) | Anomaly detection and neural network algorithms for pst hydrocyclone condition monitoring | |
| CN113454553A (zh) | 用于检测和测量源自工业过程中使用的部件的信令中的异常的系统和方法 | |
| US20190087711A1 (en) | Intelligent, adaptive control system and related methods for integrated processing of biomass | |
| CN113415602B (zh) | 皮带运输系统的故障检测方法、装置以及电子设备 | |
| TWI675270B (zh) | 製造程序監視裝置 | |
| RU2784925C1 (ru) | Система и способ для обнаружения и измерения аномалий в сигнализации, исходящей из компонентов, используемых в промышленных процессах | |
| TWI809622B (zh) | 用於診斷系統問題的系統和方法 | |
| CN112654060B (zh) | 一种装置异常检测方法及系统 | |
| Duffy et al. | On the industrial plant performance & operating point drifting phenomenon |
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 |