CN114689298A - 采煤机行走部的故障检测方法及装置 - Google Patents
采煤机行走部的故障检测方法及装置 Download PDFInfo
- Publication number
- CN114689298A CN114689298A CN202210296010.9A CN202210296010A CN114689298A CN 114689298 A CN114689298 A CN 114689298A CN 202210296010 A CN202210296010 A CN 202210296010A CN 114689298 A CN114689298 A CN 114689298A
- Authority
- CN
- China
- Prior art keywords
- mining machine
- coal mining
- vibration
- sound signal
- sound
- 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.)
- Pending
Links
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种采煤机行走部的故障检测方法及装置,主要在于能够提高采煤机行走设备的故障诊断精度。其中方法包括:利用振动传感器和音频传感器分别采集采煤机行走部设备对应的振动信号和声音信号;分别对所述振动信号和所述声音信号进行特征提取,得到所述采煤机行走部设备对应的振动信号特征和声音信号特征;将所述振动信号特征和所述声音信号特征进行融合,得到所述采煤机行走部设备对应的融合特征;将所述融合特征输入至预设故障诊断模型进行故障诊断,输出所述采煤机行走部设备对应的故障诊断结果。
Description
技术领域
本发明涉及三维扫描领域,尤其是涉及一种采煤机行走部的故障检测方法及装置。
背景技术
采煤机作为综合机械化开采中重要的一环,具有工况恶劣、长时间连续运行的特点,一旦采煤机工作时出现突发停机会对煤矿现场造成巨大经济损失,因此如何提高采煤机的故障诊断精度是当前亟待解决的问题。
目前,在对采煤机行走部设备进行监测和故障诊断时,现场操作人员通常会采用目视加耳听的方法。然而,这种方式需要操作人员积累大量的现场诊断经验,对于缺乏经验的操作人员容易出现诊断错误,此外,这种诊断方式,只有在采煤机行走部设备明显表现出故障问题时,操作人员才能做出诊断,因此不利用早期发现故障。
发明内容
本发明提供了一种采煤机行走部的故障检测方法及装置,主要在于能够提高采煤机行走设备的故障诊断精度。
根据本发明的第一个方面,提供一种采煤机行走部的故障检测方法,包括:
利用振动传感器和音频传感器分别采集采煤机行走部设备对应的振动信号和声音信号;
分别对所述振动信号和所述声音信号进行特征提取,得到所述采煤机行走部设备对应的振动信号特征和声音信号特征;
将所述振动信号特征和所述声音信号特征进行融合,得到所述采煤机行走部设备对应的融合特征;
将所述融合特征输入至预设故障诊断模型进行故障诊断,输出所述采煤机行走部设备对应的故障诊断结果。
根据本发明的第二个方面,提供一种采煤机行走部的故障检测装置,包括:
采集单元,用于利用振动传感器和音频传感器分别采集采煤机行走部设备对应的振动信号和声音信号;
提取单元,用于分别对所述振动信号和所述声音信号进行特征提取,得到所述采煤机行走部设备对应的振动信号特征和声音信号特征;
融合单元,用于将所述振动信号特征和所述声音信号特征进行融合,得到所述采煤机行走部设备对应的融合特征;
诊断单元,用于将所述融合特征输入至预设故障诊断模型进行故障诊断,输出所述采煤机行走部设备对应的故障诊断结果。
根据本发明的第三个方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:
利用振动传感器和音频传感器分别采集采煤机行走部设备对应的振动信号和声音信号;
分别对所述振动信号和所述声音信号进行特征提取,得到所述采煤机行走部设备对应的振动信号特征和声音信号特征;
将所述振动信号特征和所述声音信号特征进行融合,得到所述采煤机行走部设备对应的融合特征;
将所述融合特征输入至预设故障诊断模型进行故障诊断,输出所述采煤机行走部设备对应的故障诊断结果。
根据本发明的第四个方面,提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
利用振动传感器和音频传感器分别采集采煤机行走部设备对应的振动信号和声音信号;
分别对所述振动信号和所述声音信号进行特征提取,得到所述采煤机行走部设备对应的振动信号特征和声音信号特征;
将所述振动信号特征和所述声音信号特征进行融合,得到所述采煤机行走部设备对应的融合特征;
将所述融合特征输入至预设故障诊断模型进行故障诊断,输出所述采煤机行走部设备对应的故障诊断结果。
本发明提供的一种采煤机行走部的故障检测方法及装置,与目前人为对采煤机行走设备进行故障检测的方式相比,本发明能够利用振动传感器和音频传感器分别采集采煤机行走部设备对应的振动信号和声音信号;并分别对所述振动信号和所述声音信号进行特征提取,得到所述采煤机行走部设备对应的振动信号特征和声音信号特征;与此同时,将所述振动信号特征和所述声音信号特征进行融合,得到所述采煤机行走部设备对应的融合特征;最终,将所述融合特征输入至预设故障诊断模型进行故障诊断,输出所述采煤机行走部设备对应的故障诊断结果。本发明通过利用预设故障诊断模型对采煤机行走部设备进行故障诊断,能够提高故障诊断精度,便于早期发现故障,降低人工诊断成本,与此同时,本发明将振动信号特征与声音信号特征进行融合,实现了低、中、高多频段的故障诊断,这种将振动信号特征和声音信号特征联合分析的方式也进一步保证了故障诊断结果的准确性。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1示出了本发明实施例提供的一种采煤机行走部的故障检测方法流程图;
图2示出了本发明实施例提供的另一种采煤机行走部的故障检测方法流程图;
图3示出了本发明实施例提供的振动信号采集示意图;
图4示出了本发明实施例提供的声音信号和噪声信号采集示意图;
图5示出了本发明实施例提供的加速度波形数据示意图;
图6示出了本发明实施例提供的加速度频谱示意图;
图7示出了本发明实施例提供的一种采煤机行走部的故障检测装置的结构示意图;
图8示出了本发明实施例提供的另一种采煤机行走部的故障检测装置的结构示意图;
图9示出了本发明实施例提供的一种计算机设备的实体结构示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
目前,人为对采煤机行走部设备进行故障诊断的的方式需要操作人员积累大量的现场诊断经验,对于缺乏经验的操作人员容易出现诊断错误,此外,这种诊断方式,只有在采煤机行走部设备明显表现出故障问题时,操作人员才能做出诊断,因此不利用早期发现故障。
为了解决上述问题,本发明实施例提供了一种采煤机行走部的故障检测方法,如图1所示,所述方法包括:
101、利用振动传感器和音频传感器分别采集采煤机行走部设备对应的振动信号和声音信号。
其中,振动传感器实质为加速度传感器,加速度传感器采集的振动信号实质为加速度波形数据。
本发明实施例主要适用于对采煤机行走部设备进行故障诊断的场景,本发明实施例的执行主体为能够对采煤机行走部设备进行故障诊断的装置或者设备,具体可以设置在服务器一侧。
通过实际检测可发现,振动信号受环境干扰小,测试频带宽,可适用于中高频检测,但是振动传感器对安装位置要求较高,且对低频检测效果较差,而声音信号检测既不受时空限制,也可对中低频声音进行有效采集,因此本发明实施例同时采集振动信号和声音信号,并将振动信号特征和声音信号特征进行融合,进而根据融合特征对行走部设备进行故障诊断,相比于人为检测方式,本发明实施例的故障检测精度更高。
具体地,将振动传感器(加速度传感器)部署在行走部设备两个轴的轴承位置,同时采集水平方向和垂直方向的振动信号,即加速度波形数据,如图3所示,采集时可以使用高频采集卡,采样频率在10K左右。与此同时,将音频传感器部署在两行走部位置,并另外增加两个音频传感器,将其部署在采煤机上方用于采集当前所在环境的噪声信号,如图4所示。
102、分别对所述振动信号和所述声音信号进行特征提取,得到所述采煤机行走部设备对应的振动信号特征和声音信号特征。
其中,振动信号特征包括时域振动信号特征、频域振动信号特征、振动包络特征和振动趋势特征等,声音信号特征包括时域声音信号特征、频域声音信号特征、声音包络特征和梅尔频率倒谱系数等。
对于本发明实施例,针对获取振动信号特征的具体过程,作为一种可选实时方式,所述方法包括:对所述振动信号进行时域分析,得到所述采煤机行走部设备对应的时域振动信号特征;对所述振动信号进行频域分析,得到所述采煤机行走部设备对应的频域振动信号特征。
具体地,在得到振动信号(加速度波形数据)之后,需要对加速度波形数据进行时域分析,获取时域振动信号特征,该时域振动信号特征包括加速度波形数据对应的有量纲特征和无量纲特征,其中,有量纲特征具体包括加速度波形数据对应的最大值、最小值、波峰峰值、均值、方差、标准差、均方值和均方根值等,无量纲特征具体包括加速度波形数据对应的峭度、偏度、波形因子、峰值因子、脉冲因子和裕度因子等。
除了对振动信号(加速度波形数据)进行时域分析,还需要对加速度波形数据进行频域分析,针对频域分析的具体过程,作为一种可选实施方式,所述方法包括:对所述振动信号进行傅里叶变换,得到所述振动信号对应的振动频谱;所述采煤机行走部设备中包括转轴、轴承和齿轮,基于所述振动频谱,获取所述转轴对应的转频、倍频和谐波,所述轴承对应的振动频率,以及所述齿轮对应的转频和啮合频率;将所述转轴对应的转频、倍频和谐波,所述轴承对应的振动频率,以及所述齿轮对应的转频和啮合频率,确定为所述频域振动信号特征。其中,轴承对应的振动频率包括轴承内圈、外圈、保持架和滚动体的振动频率,齿轮对应的转频包括输入轴的转频和输出轴的转频。由此按照上述方式能够从振动信号(加速度波形数据)对应的振动频谱中获取加速度波形数据对应的频域振动信号特征。如图5中的原始信号即为振动信号(加速度波形数据),图6中所示的加速度频谱即为加速度波形数据对应的振动频谱。
进一步地,由于采集的加速度波形数据反映的是故障驱动力的大小,而速度反映的是故障驱动力造成的影响大小,或者故障严重程度,为了提高诊断结果的精度,本发明实施例不仅对加速度波形数据进行分析,还要获取速度波形数据,对速度波形数据进行分析。具体地,对加速度波形数据进行积分,得到积分后的波形数据,之后利用预设最小二乘法计算积分后的波形数据对应的整体趋势能量,接着将积分后的波形数据去除该整体趋势能量,得到去趋势后的波形数据,进一步地,利用五点三次平滑公式对去趋势后的波形数据进行平滑处理,得到速度波形数据,由此通过去趋势和平滑处理能够消除意外产生的突发干扰。
进一步地,在得到速度波形数据之后,需要对速度波形数据进行时域分析,获取时域振动信号特征,该时域振动信号特征包括速度波形数据对应的有量纲特征和无量纲特征,其中,有量纲特征具体包括加速度波形数据对应的最大值、最小值、波峰峰值、均值、方差、标准差、均方值和均方根值等,无量纲特征具体包括加速度波形数据对应的峭度、偏度、波形因子、峰值因子、脉冲因子和裕度因子等。
除了对速度波形数据进行时域分析,还需要对速度波形数据进行频域分析,针对频域分析的具体过程,作为一种可选实施方式,所述方法包括:对所述速度波形数据进行傅里叶变换,得到所述速度波形数据对应的振动频谱;所述采煤机行走部设备中包括转轴、轴承和齿轮,基于所述速度波形数据对应的振动频谱,获取所述转轴对应的转频、倍频和谐波,所述轴承对应的振动频率,以及所述齿轮对应的转频和啮合频率;将所述转轴对应的转频、倍频和谐波,所述轴承对应的振动频率,以及所述齿轮对应的转频和啮合频率,确定为所述频域振动信号特征。其中,轴承对应的振动频率包括轴承内圈、外圈、保持架和滚动体的振动频率,齿轮对应的转频包括输入轴的转频和输出轴的转频。如图6中的速度频谱即为速度波形数据对应的振动频谱。由此按照上述方式能够从速度波形数据对应的振动频谱中获取速度波形数据对应的频域振动信号特征。
进一步地,所述振动信号特征还包括振动包络特征和振动趋势特征,针对所述振动包络特征和振动趋势特征的具体获取过程,作为一种可选实施方式,所述方法包括:对所述振动信号进行希尔伯特变换,得到所述振动信号对应的第一曲线;确定所述第一曲线对应的第一包络线,并对所述第一包络线进行傅里叶变换,得到所述振动信号对应的振动包络特征;分别确定所述时域振动信号特征对应的瞬间变化量和整体走势曲线,以及所述频域振动信号特征对应的瞬间变化量和整体走势曲线;根据所述时域振动信号特征和所述频域振动信号特征分别对应的整体走势曲线和理想走势曲线,计算所述时域振动信号特征对应的曲线偏移量,以及所述频域振动信号特征对应的曲线偏移量;将所述时域振动信号特征对应的瞬间变化量和所述曲线偏移量,以及所述频域振动信号特征对应的瞬间变化量和所述曲线偏移量,确定为所述振动趋势特征。
具体地,以轴承为例,当轴承外圈有坑时,会产生外圈特征的调制信号,该调制信号在频域中并不明显,但是可以在振动包络特征中看的很清楚,因此需要获取振动信号对应的振动包络特征,该振动包络特征具体是指从加速度包络谱中获取的转轴对应的转频,所述轴承对应的振动频率,以及所述齿轮对应的转频和啮合频等,如图6中的加速度包络解调频谱即为对所述第一包络线进行傅里叶变换后得到的振动包络谱。针对振动趋势特征,本发明实施例主要关注加速度波形数据和速度波形数据对应的所有时域振动信号特征,以及加速度波形数据和速度波形数据对应的部分频域振动信号特征,该部分频域振动信号特征具体包括转轴对应的转频、轴承对应的振动频率、齿轮对应的转频和啮合频率等。分别计算上述各个指标特征的瞬间变化量和曲线偏移量。
例如,计算转轴当前时刻的转频与上一时刻的转频之间的差值,得到转轴转频的瞬间变化量。再比如,根据转轴在不同时刻的转频,绘制转轴转频的实际曲线,并根据该实际曲线和理想曲线,计算曲线偏移量,具体计算曲线偏移量时,可以随机选取等间隔的多个目标时刻,并确定实际曲线中多个目标时刻对应的转轴转频,以及理想曲线中多个目标时刻对应的转轴转频,之后计算多个目标时刻对应的转频差,并计算多个转频差的均值,将该均值确定为转轴转频对应的曲线偏移量。
在具体应用场景中,为了保证故障的诊断精度,本发明时实施例还需要提取声音信号对应的声音信号特征,该声音信号特征具体包括时域声音信号特征和频域声音信号特征,针对时域声音信号特征和频域声音信号特征的具体获取过程,所述方法包括:对所述声音信号进行时域分析,得到所述采煤机行走部设备对应的时域声音信号特征;对所述声音信号进行频域分析,得到所述采煤机行走部设备对应的频域声音信号特征。进一步地,所述对所述声音信号进行频域分析,得到所述采煤机行走部设备对应的频域声音信号特征,包括:对所述声音信号进行傅里叶变换,得到所述声音信号对应的声音频谱;所述采煤机行走部设备中包括转轴、轴承和齿轮,基于所述声音频谱,获取所述转轴对应的转频、倍频和谐波,所述轴承对应的声音频率,以及所述齿轮对应的转频和啮合频率;将所述转轴对应的转频、倍频和谐波,所述轴承对应的声音频率,以及所述齿轮对应的转频和啮合频率,确定为所述频域声音信号特征。
具体地,在得到声音信号之后,需要对声音信号对应的声音波形数据进行时域分析,获取时域声音信号特征,该时域声音信号特征包括声音波形数据对应的有量纲特征和无量纲特征,其中,有量纲特征具体包括加速度波形数据对应的最大值、最小值、波峰峰值、均值、方差、标准差、均方值和均方根值等,无量纲特征具体包括加速度波形数据对应的峭度、偏度、波形因子、峰值因子、脉冲因子和裕度因子等。
与此同时,对声音信号对应的声音波形数据进行傅里叶变换,得到声音信号对应的声音频谱,并从声音频谱中获取转轴对应的转频、倍频和谐波,轴承对应的声音频率,以及齿轮对应的转频和啮合频率,并将其作为频域声音信号特征。
除此之外,所述声音信号特征还包括声音包络特征和梅尔频率倒谱系数,针对声音包络特征和梅尔频率倒谱系数的具体获取过程,作为一种可选实施例,所述方法包括:对所述声音信号进行希尔伯特变换,得到所述声音信号对应的第二曲线;确定所述第二曲线对应的第二包络线,并对所述第二包络线进行傅里叶变换,得到所述声音信号对应的声音包络特征;对所述声音信号进行傅里叶变换,得到所述声音信号对应的声音频谱;利用梅尔滤波器组对所述声音频谱中的幅值进行精简,得到所述梅尔频率倒谱系数。由此按照上述方式,能够获取声音信号对应的声音包络特征和梅尔频率倒谱系数。
在具体应用场景中,由于噪声可能会影响到采集的声音信号,因此在对采集的声音信号进行时域和频域分析之前,需要对采集到的声音信号进行降噪处理,具体地,利用采煤机上方的两个音频传感器采集噪声信号,并根据该噪声信号对应的波形数据,确定反向噪声信号,之后将该反向噪声信号与声音信号进行叠加,从而能够得到降噪处理后的声音信号,在对降噪处理后的声音信号进行时域和频域分析。
103、将所述振动信号特征和所述声音信号特征进行融合,得到所述采煤机行走部设备对应的融合特征。
对于本发明实施例,在获取声音信号对应的时域声音信号特征、频域声音信号特征、声音包络特征和梅尔频率倒谱系数,以及所述振动信号对应的时域振动信号特征、频域振动信号特征、振动包络特征和振动趋势特征之后,将所述特征进行融合,具体融合时,可以将上述每种特征作为一个特征维度进行横向合并,得到融合特征,该融合特征是一个多维度的特征,该融合特征对应的维度与被融合特征的种类数相关,例如,一共提取了50种特征进行特征融合,融合特征对应的维度为50。
104、将所述融合特征输入至预设故障诊断模型进行故障诊断,输出所述采煤机行走部设备对应的故障诊断结果。
其中,故障诊断结果具体包括行走部设备处于故障状态和行走部设备处于正常运行状态,行走部设备处于故障运行状态包括齿轮故障和轴承故障,齿轮故障具体包括齿轮磨损、裂纹、断齿、点蚀、点蚀裂纹和磨损断齿等,轴承故障具体包括润滑异常、过载、内圈故障、外圈故障、保持架故障、滚动体故障等,本发明实施例中的预设故障诊断模型可以对上述故障类型进行诊断。
具体地,该预设故障诊断模型具体可以为预设分类模型,如预设多层感知器,将融合特征输入至预设多层感知器中进行分类,得到行走部设备对应的故障类型。
本发明实施例通过利用预设故障诊断模型对采煤机行走部设备进行故障诊断,能够提高故障诊断精度,便于早期发现故障,降低人工诊断成本,与此同时,本发明实施例将振动信号特征与声音信号特征进行融合,实现了低、中、高多频段的故障诊断,这种将振动信号特征和声音信号特征联合分析的方式也进一步保证了故障诊断结果的准确性。
进一步的,为了更好的说明上述对采煤机行走部设备进行故障诊断的过程,作为对上述实施例的细化和扩展,本发明实施例提供了另一种采煤机行走部的故障检测方法,如图2所示,所述方法包括:
201、利用振动传感器和音频传感器分别采集采煤机行走部设备对应的振动信号和声音信号。
对于本发明实施例,为了能够对行走部设备对应的故障类型进行预测,需要预先构建预设故障诊断模型,针对构建预设故障诊断模型的具体过程,作为一种可选实施方式,所述方法包括:获取所述采煤机行走部设备对应的历史振动信号、历史声音信号和实际诊断结果;分别对所述历史振动信号和所述历史声音信号进行特征提取,得到所述采煤机行走设备对应的样本振动信号特征和样本声音信号特征;将所述样本振动信号特征和所述样本声音信号特征进行融合,得到所述采煤机行走部设备对应的样本融合特征;基于所述实际诊断结果对所述样本融合特征进行标注,得到标注后的样本特征;将所述标注后的样本特征作为训练集,并基于所述训练集,利用预设神经网络算法,构建所述预设故障诊断模型。
具体地,预先收集多组历史振动信号和历史声音信号,提取样本振动信号特征和样本声音信号特征的过程,与步骤102中提取振动信号特征和声音信号特征的过程完全相同,在此不再赘述。在获取行走部设备对应的多组样本振动信号特征和样本声音信号特征之后,将每组样本振动信号特征和每组样本声音信号特征进行融合,得到多组样本融合特征。进一步地,构建初始多层感知器,并将多组样本融合特征依次输入至初始多层感知器中进行分类,得到多组样本融合特征分别对应的预测诊断结果,之后根据多组样本融合特征分别对应的预测诊断结果和实际诊断结果,构建损失函数,基于该损失函数不断对初始多层感知器中的参数进行迭代训练,直至输出最终的预设多层感知器,并将该预设多层感知器作为预设故障诊断模型。
在具体应用场景中,为了保证构建的预设故障诊断模型的诊断精度,需要对收集的历史声音信号进行预处理,该预处理过程主要包降噪处理和放大处理,针对该降噪处理和放大处理的具体过程,作为一种可选实施方式,所述方法包括:获取所述采煤机行走部设备所在工作环境的噪声信号;确定所述噪声信号对应的反向噪声信号,将所述反向噪声信号与所述历史声音信号进行叠加,得到降噪处理后的历史声音信号;若所述降噪处理后的历史声音信号中存在故障信号,则对所述故障信号进行放大处理,得到放大处理后的历史声音信号。
具体地,针对历史声音信号,如果行走部设备发生告警,则确定历史声音信号中存在故障信号,获取历史声音信号中告警前后5s的音频数据,将其作为故障信号进行放大处理,得到放大处理后的历史声音信号,其中,可以采用多次叠加和共振激励的方式放大固定频段的能量。进一步地,如果与故障信号处于同一频段的噪声信号的能量与噪声信号的能量接近,需要提高对声音信号的采样频率,以免噪声信号对历史声音信号中的故障信号的分析造成影响。
与此同时,在声音信号经过降噪和放大处理后,分别对历史振动信号和预处理后的历史声音信号进行特征提取,得到所述采煤机行走设备对应的样本振动信号特征和样本声音信号特征,并利用样本振动信号特征和样本声音信号特征,构建预设故障诊断模型。
对于本发明实施例,在构建完成预设故障诊断模型之后,可以采集行走部设备当前的振动信号和声音信号,并基于该振动信号、声音信号和预设故障诊断模型对行走部设备进行故障诊断,其中,采集振动信号和声音信号的具体过程与步骤101完全相同,在此不再赘述。
202、分别对所述振动信号和所述声音信号进行特征提取,得到所述采煤机行走部设备对应的振动信号特征和声音信号特征。
对于本发明实施例,提取振动信号特征和声音信号特征的过程与步骤102相同,在此不再赘述。
203、将所述振动信号特征和所述声音信号特征进行融合,得到所述采煤机行走部设备对应的融合特征。
对于本发明实施例,将所述振动信号特征和所述声音信号特征进行横向合并,得到所述采煤机行走部设备对应的融合特征。例如,振动信号特征包括30种特征,声音信号特征包括20种特征,将振动信号特征和声音信号特征进行横向合并,得到融合特征,该融合特征的特征维度是50。
204、将所述融合特征输入至预设故障诊断模型进行故障诊断,输出所述采煤机行走部设备对应的故障诊断结果。
其中,所述预设故障诊断模型为预设多层感知器。对于本发明实施例,具体对行走部设备进行故障诊断时,首先将所述融合特征输入至预设多层感知器进行分类,得到所述采煤机行走部设备属于不同故障类型的概率值,之后确定所述概率值中的最大概率值,并根据所述最大概率值对应的故障类型,确定所述采煤机行走设备对应的故障诊断结果。
例如,将融合特征输入至构建好的预设多层感知器中进行分类,得到行走部设备属于不同故障类型的概率值,其中,在所有故障类型中齿轮磨损对应的概率值最大,由此可以确定行走部设备对应的故障类型为齿轮磨损。
205、获取所述采煤机行走部设备中目标零部件对应的当前工作时长、振动信号特征和声音信号特征。
其中,目标零件包括转轴、轴承和齿轮,振动信号特征和声音信号特征与步骤102中列举的特征相同。
对于本发明实施例,为了预测目标零部件对应的剩余寿命,需要预先构建目标零部件对应的预设剩余寿命预测模型。具体地,预先获取目标零部件对应的多组历史振动信号特征、历史声音信号特征和历史工作时长,并将其作为多组样本数据,同时获取每组样本数据对应的实际剩余寿命,基于多组样本数据及其分别对应的实际剩余寿命,利用回归算法,构建目标零部件对应的预设回归模型,并将该预设回归模型作为目标零部件对应的预设剩余寿命预测模型。
进一步地,在构建完成预设剩余寿命预测模型之后,如果需要对当前目标零部件对应的剩余寿命进行预测,则可以收集当前目标零部件对应的工作时长、振动信号特征和声音信号特征。
206、将所述目标零部件对应的当前工作时长、振动信号特征和声音信号特征输入至预设剩余寿命预测模型中进行寿命预测,得到所述目标零部件对应的剩余寿命。
其中,预设剩余寿命预测模型为预设回归模型。对于本发明实施例,在利用预设回归模型预测目标零部件对应的剩余寿命时,将当前目标零部件对应的工作时长、振动信号特征和声音信号特征输入至预设归回模型中,进行加权求和,得到当前目标零部件对应的剩余寿命。
进一步地,为了验证预设回归模型输出的剩余寿命结果是否准确,本发明实施例可以根据目标零部件对应的实际起始退化时刻和理想寿命曲线,推测目标零部件对应的实际剩余寿命,并根据实际剩余寿命与预设回归模型输出的剩余寿命之间的差值,判定预设回归模型输出的剩余寿命是否合理,基于此,所述方法包括:根据所述目标零部件对应的振动信号特征和声音信号特征,确定所述目标零部件对应的实际起始退化时刻;基于所述实际起始退化时刻和所述目标零部件对应的理想寿命曲线,预估所述目标零部件对应的实际剩余寿命;若预测的所述剩余寿命与所述实际剩余寿命的差值小于预设差值,则确定预测的所述剩余寿命合理。
例如,已知目标零部件轴承对应的理想寿命曲线,正常轴承的使用寿命为1000小时,通常在第750小时左右会出现倍频和谐波,故障恶化。而当前使用的轴承工作了500小时,已经出了倍频和谐波,由此可以推测出来该轴承大概还剩250小时的使用寿命,如果预设回归模型输出的剩余寿命与该实际剩余寿命250小时之间的差值小于预设差值50小时,则确定预设归回模型输出的剩余寿命合理,可以被使用参考;相反如果预设回归模型输出的剩余寿命与该实际剩余寿命250小时之间的差值大于或者等于预设差值50小时,则确定预设回归模型输出的剩余寿命不合理,不建议被使用参考。
本发明实施例通过利用预设故障诊断模型对采煤机行走部设备进行故障诊断,能够提高故障诊断精度,便于早期发现故障,降低人工诊断成本,与此同时,本发明实施例将振动信号特征与声音信号特征进行融合,实现了低、中、高多频段的故障诊断,这种将振动信号特征和声音信号特征联合分析的方式也进一步保证了故障诊断结果的准确性。此外,本发明实施例还能够利用预设剩余寿命预测模型预测目标零部件对应的剩余寿命。
进一步地,作为图1的具体实现,本发明实施例提供了一种采煤机行走部的故障检测装置,如图7所示,所述装置包括:采集单元31、提取单元32、融合单元33和诊断单元34。
所述采集单元31,可以用于利用振动传感器和音频传感器分别采集采煤机行走部设备对应的振动信号和声音信号。
所述提取单元32,可以用于分别对所述振动信号和所述声音信号进行特征提取,得到所述采煤机行走部设备对应的振动信号特征和声音信号特征。
所述融合单元33,可以用于将所述振动信号特征和所述声音信号特征进行融合,得到所述采煤机行走部设备对应的融合特征。
所述诊断单元34,可以用于将所述融合特征输入至预设故障诊断模型进行故障诊断,输出所述采煤机行走部设备对应的故障诊断结果。
在具体应用场景中,所述提取单元32,如图8所示,包括:第一提取模块321和第二提取模块322。
所述第一提取模块321,可以用于对所述振动信号进行时域分析,得到所述采煤机行走部设备对应的时域振动信号特征。
所述第二提取模块322,可以用于对所述振动信号进行频域分析,得到所述采煤机行走部设备对应的频域振动信号特征。
在具体应用场景中,所述振动信号特征还包括振动包络特征和振动趋势特征,所述提取单元32,还包括:变换模块323、确定模块324和计算模块325。
所述变换模块323,可以用于对所述振动信号进行希尔伯特变换,得到所述振动信号对应的第一曲线。
所述确定模块324,可以用于确定所述第一曲线对应的第一包络线,并对所述第一包络线进行傅里叶变换,得到所述振动信号对应的振动包络特征。
所述确定模块324,还可以用于分别确定所述时域振动信号特征对应的瞬间变化量和整体走势曲线,以及所述频域振动信号特征对应的瞬间变化量和整体走势曲线。
所述计算模块325,可以用于根据所述时域振动信号特征和所述频域振动信号特征分别对应的整体走势曲线和理想走势曲线,计算所述时域振动信号特征对应的曲线偏移量,以及所述频域振动信号特征对应的曲线偏移量。
所述确定模块324,还可以用于将所述时域振动信号特征对应的瞬间变化量和所述曲线偏移量,以及所述频域振动信号特征对应的瞬间变化量和所述曲线偏移量,确定为所述振动趋势特征。
在具体应用场景中,所述声音信号特征包括时域声音信号特征和频域声音信号特征,所述第一提取模块321,还可以用于对所述声音信号进行时域分析,得到所述采煤机行走部设备对应的时域声音信号特征。
所述第二提取模块322,还可以用于对所述声音信号进行频域分析,得到所述采煤机行走部设备对应的频域声音信号特征。
在具体应用场景中,所述采煤机行走部设备中包括转轴、轴承和齿轮,所述第二提取模块322,具体可以用于对所述声音信号进行傅里叶变换,得到所述声音信号对应的声音频谱;基于所述声音频谱,获取所述转轴对应的转频、倍频和谐波,所述轴承对应的声音频率,以及所述齿轮对应的转频和啮合频率;将所述转轴对应的转频、倍频和谐波,所述轴承对应的声音频率,以及所述齿轮对应的转频和啮合频率,确定为所述频域声音信号特征。
在具体应用场景中,所述声音信号特征还包括声音包络特征和梅尔频率倒谱系数,所述提取单元32,还包括:简化模块326。
所述变换模块323,还可以用于对所述声音信号进行希尔伯特变换,得到所述声音信号对应的第二曲线。
所述确定模块324,还可以用于确定所述第二曲线对应的第二包络线,并对所述第二包络线进行傅里叶变换,得到所述声音信号对应的声音包络特征。
所述变换模块323,还可以用于对所述声音信号进行傅里叶变换,得到所述声音信号对应的声音频谱。
所述简化模块326,可以用于利用梅尔滤波器组对所述声音频谱中的幅值进行精简,得到所述梅尔频率倒谱系数。
在具体应用场景中,所述融合单元33,具体可以用于将所述振动信号特征和所述声音信号特征进行横向合并,得到所述采煤机行走部设备对应的融合特征。
所述诊断单元34,具体可以用于将所述融合特征输入至预设多层感知器进行分类,得到所述采煤机行走部设备属于不同故障类型的概率值;确定所述概率值中的最大概率值,并根据所述最大概率值对应的故障类型,确定所述采煤机行走设备对应的故障诊断结果。
在具体应用场景中,所述装置还包括:标注单元35和构建单元36。
所述采集单元31,还可以用于获取所述采煤机行走部设备对应的历史振动信号、历史声音信号和实际诊断结果。
所述提取单元32,还可以用于分别对所述历史振动信号和所述历史声音信号进行特征提取,得到所述采煤机行走设备对应的样本振动信号特征和样本声音信号特征。
所述融合单元33,还可以用于将所述样本振动信号特征和所述样本声音信号特征进行融合,得到所述采煤机行走部设备对应的样本融合特征。
所述标注单元35,可以用于基于所述实际诊断结果对所述样本融合特征进行标注,得到标注后的样本特征。
所述构建单元36,可以用于将所述标注后的样本特征作为训练集,并基于所述训练集,利用预设神经网络算法,构建所述预设故障诊断模型。
在具体应用场景中,所述装置还包括:处理单元37。
所述处理单元31,还可以用于获取所述采煤机行走部设备所在工作环境的噪声信号。
所述处理单元37,可以用于确定所述噪声信号对应的反向噪声信号,将所述反向噪声信号与所述历史声音信号进行叠加,得到降噪处理后的历史声音信号;若所述降噪处理后的历史声音信号中存在故障信号,则对所述故障信号进行放大处理,得到放大处理后的历史声音信号。
所述提取单元32,具体可以用于分别对所述历史振动信号和所述放大处理后的历史声音信号进行特征提取,得到所述采煤机行走设备对应的样本振动信号特征和样本声音信号特征。
在具体应用场景中,所述装置还包括:预估单元38,所述预估单元38,可以用于根据所述目标零部件对应的振动信号特征和声音信号特征,确定所述目标零部件对应的实际起始退化时刻;基于所述实际起始退化时刻和所述目标零部件对应的理想寿命曲线,预估所述目标零部件对应的实际剩余寿命;若预测的所述剩余寿命与所述实际剩余寿命的差值小于预设差值,则确定预测的所述剩余寿命合理。
需要说明的是,本发明实施例提供的一种采煤机行走部的故障检测装置所涉及各功能模块的其他相应描述,可以参考图1所示方法的对应描述,在此不再赘述。
基于上述如图1所示方法,相应的,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:利用振动传感器和音频传感器分别采集采煤机行走部设备对应的振动信号和声音信号;分别对所述振动信号和所述声音信号进行特征提取,得到所述采煤机行走部设备对应的振动信号特征和声音信号特征;将所述振动信号特征和所述声音信号特征进行融合,得到所述采煤机行走部设备对应的融合特征;将所述融合特征输入至预设故障诊断模型进行故障诊断,输出所述采煤机行走部设备对应的故障诊断结果。
基于上述如图1所示方法和如图7所示装置的实施例,本发明实施例还提供了一种计算机设备的实体结构图,如图9所示,该计算机设备包括:处理器41、存储器42、及存储在存储器42上并可在处理器上运行的计算机程序,其中存储器42和处理器41均设置在总线43上所述处理器41执行所述程序时实现以下步骤:利用振动传感器和音频传感器分别采集采煤机行走部设备对应的振动信号和声音信号;分别对所述振动信号和所述声音信号进行特征提取,得到所述采煤机行走部设备对应的振动信号特征和声音信号特征;将所述振动信号特征和所述声音信号特征进行融合,得到所述采煤机行走部设备对应的融合特征;将所述融合特征输入至预设故障诊断模型进行故障诊断,输出所述采煤机行走部设备对应的故障诊断结果。
本发明实施例通过利用预设故障诊断模型对采煤机行走部设备进行故障诊断,能够提高故障诊断精度,便于早期发现故障,降低人工诊断成本,与此同时,本发明实施例将振动信号特征与声音信号特征进行融合,实现了低、中、高多频段的故障诊断,这种将振动信号特征和声音信号特征联合分析的方式也进一步保证了故障诊断结果的准确性。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (10)
1.一种采煤机行走部的故障检测方法,其特征在于,包括:
利用振动传感器和音频传感器分别采集采煤机行走部设备对应的振动信号和声音信号;
分别对所述振动信号和所述声音信号进行特征提取,得到所述采煤机行走部设备对应的振动信号特征和声音信号特征;
将所述振动信号特征和所述声音信号特征进行融合,得到所述采煤机行走部设备对应的融合特征;
将所述融合特征输入至预设故障诊断模型进行故障诊断,输出所述采煤机行走部设备对应的故障诊断结果。
2.根据权利要求1所述的方法,其特征在于,所述振动信号特征包括时域振动信号特征和频域振动信号特征,对所述振动信号进行特征提取,得到所述采煤机行走设备对应的振动信号特征,包括:
对所述振动信号进行时域分析,得到所述采煤机行走部设备对应的时域振动信号特征;
对所述振动信号进行频域分析,得到所述采煤机行走部设备对应的频域振动信号特征。
3.根据权利要求2所述的方法,其特征在于,所述振动信号特征还包括振动包络特征和振动趋势特征,在所述对所述振动信号进行频域分析,得到所述采煤机行走部设备对应的频域振动信号特征之后,所述方法还包括:
对所述振动信号进行希尔伯特变换,得到所述振动信号对应的第一曲线;
确定所述第一曲线对应的第一包络线,并对所述第一包络线进行傅里叶变换,得到所述振动信号对应的振动包络特征;
分别确定所述时域振动信号特征对应的瞬间变化量和整体走势曲线,以及所述频域振动信号特征对应的瞬间变化量和整体走势曲线;
根据所述时域振动信号特征和所述频域振动信号特征分别对应的整体走势曲线和理想走势曲线,计算所述时域振动信号特征对应的曲线偏移量,以及所述频域振动信号特征对应的曲线偏移量;
将所述时域振动信号特征对应的瞬间变化量和所述曲线偏移量,以及所述频域振动信号特征对应的瞬间变化量和所述曲线偏移量,确定为所述振动趋势特征。
4.根据权利要求1所述的方法,其特征在于,所述声音信号特征包括时域声音信号特征和频域声音信号特征,对所述声音信号进行特征提取,得到所述采煤机行走部设备对应的声音信号特征,包括:
对所述声音信号进行时域分析,得到所述采煤机行走部设备对应的时域声音信号特征;
对所述声音信号进行频域分析,得到所述采煤机行走部设备对应的频域声音信号特征。
5.根据权利要求4所述的方法,其特征在于,所述采煤机行走部设备中包括转轴、轴承和齿轮,所述对所述声音信号进行频域分析,得到所述采煤机行走部设备对应的频域声音信号特征,包括:
对所述声音信号进行傅里叶变换,得到所述声音信号对应的声音频谱;
基于所述声音频谱,获取所述转轴对应的转频、倍频和谐波,所述轴承对应的声音频率,以及所述齿轮对应的转频和啮合频率;
将所述转轴对应的转频、倍频和谐波,所述轴承对应的声音频率,以及所述齿轮对应的转频和啮合频率,确定为所述频域声音信号特征。
6.根据权利要求4所述的方法,其特征在于,所述声音信号特征还包括声音包络特征和梅尔频率倒谱系数,在所述对所述声音信号进行频域分析,得到所述采煤机行走部设备对应的频域振动信号特征之后,所述方法还包括:
对所述声音信号进行希尔伯特变换,得到所述声音信号对应的第二曲线;
确定所述第二曲线对应的第二包络线,并对所述第二包络线进行傅里叶变换,得到所述声音信号对应的声音包络特征;
对所述声音信号进行傅里叶变换,得到所述声音信号对应的声音频谱;
利用梅尔滤波器组对所述声音频谱中的幅值进行精简,得到所述梅尔频率倒谱系数。
7.根据权利要求1所述的方法,其特征在于,所述将所述振动信号特征和所述声音信号特征进行融合,得到所述采煤机行走部设备对应的融合特征,包括:
将所述振动信号特征和所述声音信号特征进行横向合并,得到所述采煤机行走部设备对应的融合特征;
其中,所述预设故障诊断模型为预设多层感知器,所述将所述融合特征输入至预设故障诊断模型进行故障诊断,输出所述采煤机行走部设备对应的故障诊断结果,包括:
将所述融合特征输入至预设多层感知器进行分类,得到所述采煤机行走部设备属于不同故障类型的概率值;
确定所述概率值中的最大概率值,并根据所述最大概率值对应的故障类型,确定所述采煤机行走设备对应的故障诊断结果。
8.一种采煤机行走部的故障检测装置,其特征在于,包括:
采集单元,用于利用振动传感器和音频传感器分别采集采煤机行走部设备对应的振动信号和声音信号;
提取单元,用于分别对所述振动信号和所述声音信号进行特征提取,得到所述采煤机行走部设备对应的振动信号特征和声音信号特征;
融合单元,用于将所述振动信号特征和所述声音信号特征进行融合,得到所述采煤机行走部设备对应的融合特征;
诊断单元,用于将所述融合特征输入至预设故障诊断模型进行故障诊断,输出所述采煤机行走部设备对应的故障诊断结果。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210296010.9A CN114689298A (zh) | 2022-03-24 | 2022-03-24 | 采煤机行走部的故障检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210296010.9A CN114689298A (zh) | 2022-03-24 | 2022-03-24 | 采煤机行走部的故障检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114689298A true CN114689298A (zh) | 2022-07-01 |
Family
ID=82139901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210296010.9A Pending CN114689298A (zh) | 2022-03-24 | 2022-03-24 | 采煤机行走部的故障检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114689298A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115962845A (zh) * | 2023-03-16 | 2023-04-14 | 保定天威新域科技发展有限公司 | 一种广谱机械波智能传感器 |
WO2024080915A1 (en) * | 2022-10-09 | 2024-04-18 | S.P.M. Instrument Ab | A system for tool edge monitoring |
-
2022
- 2022-03-24 CN CN202210296010.9A patent/CN114689298A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024080915A1 (en) * | 2022-10-09 | 2024-04-18 | S.P.M. Instrument Ab | A system for tool edge monitoring |
CN115962845A (zh) * | 2023-03-16 | 2023-04-14 | 保定天威新域科技发展有限公司 | 一种广谱机械波智能传感器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yan et al. | Research on an enhanced scale morphological-hat product filtering in incipient fault detection of rolling element bearings | |
Van Hecke et al. | Low speed bearing fault diagnosis using acoustic emission sensors | |
Purushotham et al. | Multi-fault diagnosis of rolling bearing elements using wavelet analysis and hidden Markov model based fault recognition | |
Shi et al. | Rolling bearing initial fault detection using long short-term memory recurrent network | |
CA2875071C (en) | Method and system for testing operational integrity of a drilling rig | |
Li et al. | A new strategy of using a time-varying structure element for mathematical morphological filtering | |
CN114689298A (zh) | 采煤机行走部的故障检测方法及装置 | |
CN109932179B (zh) | 一种基于ds自适应谱重构的滚动轴承故障检测方法 | |
Hu et al. | Bearing fault diagnosis based on an improved morphological filter | |
Li et al. | The application of a general mathematical morphological particle as a novel indicator for the performance degradation assessment of a bearing | |
WO2013180723A1 (en) | Methods apparatuses for defect diagnosis in a mechanical system | |
Klausen et al. | Multi-band identification for enhancing bearing fault detection in variable speed conditions | |
JPH09113416A (ja) | ころがり軸受の損傷診断方法 | |
Barbieri et al. | Analysis of automotive gearbox faults using vibration signal | |
CN110160765A (zh) | 一种基于声音或振动信号的冲击特征识别方法及系统 | |
Gundewar et al. | Bearing fault diagnosis using time segmented Fourier synchrosqueezed transform images and convolution neural network | |
EP2345894B1 (en) | Trending of vibration data taking into account torque effect | |
JP2017194371A (ja) | 回転駆動装置における診断対象部の異常診断方法と、それに用いる異常診断装置 | |
JP2012242336A (ja) | 軸受診断方法及びシステム | |
CN113092114B (zh) | 一种轴承故障诊断方法、装置及存储介质 | |
Shubita et al. | Fault detection in rotating machinery based on sound signal using edge machine learning | |
Inturi et al. | Integrated vibro-acoustic analysis and empirical mode decomposition for fault diagnosis of gears in a wind turbine | |
WO2022147684A1 (zh) | 用于识别机械装置或机械部件中的异常的方法及装置 | |
Thanagasundram et al. | A fault detection tool using analysis from an autoregressive model pole trajectory | |
JP3920715B2 (ja) | 振動信号の処理方法 |
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 |