CN114818993A - 一种锤片式粉碎机寿命分析方法 - Google Patents

一种锤片式粉碎机寿命分析方法 Download PDF

Info

Publication number
CN114818993A
CN114818993A CN202210720339.3A CN202210720339A CN114818993A CN 114818993 A CN114818993 A CN 114818993A CN 202210720339 A CN202210720339 A CN 202210720339A CN 114818993 A CN114818993 A CN 114818993A
Authority
CN
China
Prior art keywords
set time
time period
hammer mill
wear evaluation
predicted
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
CN202210720339.3A
Other languages
English (en)
Other versions
CN114818993B (zh
Inventor
张小琼
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.)
Qidong Tongyi Automation Equipment Co ltd
Original Assignee
Qidong Tongyi Automation Equipment 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 Qidong Tongyi Automation Equipment Co ltd filed Critical Qidong Tongyi Automation Equipment Co ltd
Priority to CN202210720339.3A priority Critical patent/CN114818993B/zh
Publication of CN114818993A publication Critical patent/CN114818993A/zh
Application granted granted Critical
Publication of CN114818993B publication Critical patent/CN114818993B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Crushing And Grinding (AREA)

Abstract

本发明涉及粉碎机设备分析技术领域，具体涉及到一种锤片式粉碎机寿命分析方法，包括：根据待预测寿命的锤片式粉碎机对入料进行粉碎时传动轴的各个设定时间段的每个时刻的温度，以及该锤片式粉碎机的各个设定时间段的每个时刻的振动加速度，确定待预测寿命的锤片式粉碎机的各个设定时间段对应的各磨损评价值；根据待预测寿命的锤片式粉碎机的各个设定时间段对应的各磨损评价值，获取待预测寿命的锤片式粉碎机的最终磨损评价预测值；根据待预测寿命的锤片式粉碎机的最终磨损评价预测值，确定待预测寿命的锤片式粉碎机的使用寿命。本发明可以有效地确定锤片式粉碎机的使用寿命，同时保证了锤片式粉碎机的粉碎效率。

Description

一种锤片式粉碎机寿命分析方法
技术领域
本发明涉及粉碎机设备分析技术领域，具体涉及一种锤片式粉碎机寿命分析方法。
背景技术
由于粉碎机在各行各业的普遍使用，国内外对粉碎机的研究与发展均很重视，而且国内粉碎机的市场也有很大潜力，那么对于粉碎机购买用户来讲，比较关注的是所购买的粉碎机的使用寿命。根据粉碎机的使用寿命可以确定零件更换的具体时限，避免因更换零件不及时导致粉碎机产生的粉碎物品的质量受到影响，所以确定每台粉碎机的使用寿命也就显得格外重要。
大多数的粉碎机是通过说明书确定其使用寿命，但是该方法所获取的粉碎机的使用寿命具有不确定性，比如某批次生产的全部锤片式粉碎机的使用寿命是通过对小部分锤片式粉碎机的使用寿命的检测来确定，忽略了锤片式粉碎机生产组装的细节问题，即锤片式粉碎机的各个组成零件在生产线上的抽样式质检使每个锤片式粉碎机的质量存在一定的差距。
发明内容
为了解决上述锤片式粉碎机的使用寿命具有不确定性的技术问题，本发明的目的在于提供一种基于注意力机制与空间冗余的图像数据压缩方法。
为解决上述技术问题，本发明提供了一种锤片式粉碎机寿命分析方法，该方法包括以下步骤：
获取待预测寿命的锤片式粉碎机对入料进行粉碎时传动轴的各个设定时间段的每个时刻的温度，以及该锤片式粉碎机的各个设定时间段的每个时刻的振动加速度；
根据传动轴的各个设定时间段的每个时刻的温度以及该锤片式粉碎机的各个设定时间段的每个时刻的振动加速度，确定待预测寿命的锤片式粉碎机的各个设定时间段对应的各磨损评价值；
根据待预测寿命的锤片式粉碎机的各个设定时间段对应的各磨损评价值，获取待预测寿命的锤片式粉碎机的最终磨损评价预测值；
根据待预测寿命的锤片式粉碎机的最终磨损评价预测值，确定待预测寿命的锤片式粉碎机的使用寿命。
进一步的，确定待预测寿命的锤片式粉碎机的各个设定时间段对应的各磨损评价值的步骤包括：
根据传动轴的各个设定时间段的每个时刻的温度，确定各个设定时间段的温度变化率，进而确定各个设定时间段中的各个相邻的两个设定时间段的温度变化率的相似程度；
根据待预测寿命的锤片式粉碎机的各个设定时间段的每个时刻的振动加速度，确定各个设定时间段的振动稳定性指标值，并确定各个设定时间段中的各个相邻的两个设定时间段的每个时刻的振动加速度的相似程度；
根据各个设定时间段的温度变化率、各个设定时间段中的各个相邻的两个设定时间段的温度变化率的相似程度、各个设定时间段的振动稳定性指标值以及各个设定时间段中的各个相邻的两个设定时间段的每个时刻的振动加速度的相似程度，确定待预测寿命的锤片式粉碎机的各个设定时间段对应的各磨损评价值。
进一步的，各个设定时间段的温度变化率的计算公式：
Figure 100002_DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE004
为第i个设定时间段的温度变化率，
Figure 100002_DEST_PATH_IMAGE006
为第i个设定时间段的每个时刻的温度组成的序列，
Figure 100002_DEST_PATH_IMAGE008
为序列
Figure 508328DEST_PATH_IMAGE006
中的最大值，
Figure 100002_DEST_PATH_IMAGE010
为序列
Figure 504097DEST_PATH_IMAGE006
中的最小值，
Figure 100002_DEST_PATH_IMAGE012
为绝对值函数。
进一步的，各个设定时间段中的各个相邻的两个设定时间段的温度变化率的相似程度的计算公式：
Figure 100002_DEST_PATH_IMAGE014
其中，
Figure 100002_DEST_PATH_IMAGE016
为各个设定时间段中的第i个设定时间段与第i-1个设定时间段的温度变化率的相似程度，
Figure 113195DEST_PATH_IMAGE004
为第i个设定时间段的温度变化率，
Figure 100002_DEST_PATH_IMAGE018
为第i-1个设定时间段的温度变化率，
Figure 100002_DEST_PATH_IMAGE020
为
Figure 649349DEST_PATH_IMAGE004
与
Figure 526039DEST_PATH_IMAGE018
之间的相似程度。
进一步的，各个设定时间段中的各个相邻的两个设定时间段的每个时刻的振动加速度的相似程度的计算公式：
Figure 100002_DEST_PATH_IMAGE022
其中，
Figure 100002_DEST_PATH_IMAGE024
为各个设定时间段中的第i个设定时间段与第i-1个设定时间段的每个时刻的振动加速度的相似程度，
Figure 100002_DEST_PATH_IMAGE026
为第i个设定时间段的每个时刻的振动加速度，
Figure 100002_DEST_PATH_IMAGE028
为第i-1个设定时间段的每个时刻的振动加速度，
Figure 100002_DEST_PATH_IMAGE030
为
Figure 47369DEST_PATH_IMAGE026
与
Figure 579981DEST_PATH_IMAGE028
之间的差异指标值。
进一步的，各个设定时间段的振动稳定性指标值的计算公式：
Figure 100002_DEST_PATH_IMAGE032
其中，
Figure 100002_DEST_PATH_IMAGE034
为第i个设定时间段的振动稳定性指标值，
Figure 100002_DEST_PATH_IMAGE036
为第i个设定时间段中的第m个时刻的振动加速度，
Figure 100002_DEST_PATH_IMAGE038
为第i个设定时间段的n个时刻的振动加速度的平均值。
进一步的，待预测寿命的锤片式粉碎机的各个设定时间段对应的各磨损评价值的计算公式：
Figure 100002_DEST_PATH_IMAGE040
其中，
Figure 100002_DEST_PATH_IMAGE042
为待预测寿命的锤片式粉碎机的第i个设定时间段对应的磨损评价值，
Figure 811505DEST_PATH_IMAGE004
为第i个设定时间段的温度变化率，当1≤i<b时，
Figure 100002_DEST_PATH_IMAGE044
为各个设定时间段中的第i个设定时间段与第i+1个设定时间段的温度变化率的相似程度，当i=b时，
Figure 355750DEST_PATH_IMAGE044
为各个设定时间段中的第i-1个设定时间段与第i个设定时间段的温度变化率的相似程度，当1≤i<b时，
Figure 100002_DEST_PATH_IMAGE046
为各个设定时间段中的第i个设定时间段与第i+1个设定时间段的每个时刻的振动加速度的相似程度，当i=b时，
Figure 224480DEST_PATH_IMAGE046
为各个设定时间段中的第i-1个设定时间段与第i个设定时间段的温度变化率的相似程度，b为设定时间段的数目，
Figure 785999DEST_PATH_IMAGE034
为第i个设定时间段的振动稳定性指标值。
进一步的，获取待预测寿命的锤片式粉碎机的最终磨损评价预测值的步骤包括：
将待预测寿命的锤片式粉碎机的各个设定时间段对应的各磨损评价值输入到构建并训练好的磨损评价TCN网络，输出下一个设定时间段对应的初次磨损评价预测值，并判断该初次磨损评价预测值是否满足预测终止条件；
若该初次磨损评价预测值不满足预测终止条件，则将该初次磨损评价预测值以及各个设定时间段的各磨损评价值再次输入到构建并训练好的磨损评价TCN网络中，输出下下一个设定时间段对应的磨损评价预测值，并判断该磨损评价预测值是否满足预测终止条件，不断重复上述步骤，直至磨损评价预测值满足预测终止条件，并将满足预测终止条件的磨损评价预测值作为待预测寿命的锤片式粉碎机的最终磨损评价预测值。
进一步的，构建并训练磨损评价TCN网络的步骤包括：
获取不同半径的入料对应的N组数据，每组数据均包括：根据锤片式粉碎机各个设定时间段的每个时刻的温度以及该锤片式粉碎机的各个设定时间段的每个时刻的振动加速度所获取的各个设定时间段对应的各磨损评价值，并将不同入料半径对应的N组数据作为训练数据集；
根据磨损评价TCN网络的训练数据集，构建并训练磨损评价TCN网络，在训练的过程中不断修正磨损评价TCN网络的损失函数，直至磨损评价TCN网络训练结束，修正损失函数的计算公式如下：
Figure 100002_DEST_PATH_IMAGE048
其中，
Figure 100002_DEST_PATH_IMAGE050
为磨损评价TCN网络进行第d次训练时对应的损失函数，
Figure 100002_DEST_PATH_IMAGE052
为磨损评价TCN网络进行第e次训练时对应的均方差损失函数，
Figure 100002_DEST_PATH_IMAGE054
为磨损评价TCN网络进行第e次训练时对应的训练样本的可信度。
进一步的，磨损评价TCN网络进行训练时对应的训练样本的可信度的计算公式如下：
Figure 100002_DEST_PATH_IMAGE056
其中，
Figure 493317DEST_PATH_IMAGE054
为磨损评价TCN网络进行第e次训练时对应的训练样本的可信度，
Figure 100002_DEST_PATH_IMAGE058
为磨损评价TCN网络进行第e次训练时的各个设定时间段中的第i个设定时间段对应的磨损评价值，
Figure 100002_DEST_PATH_IMAGE060
为磨损评价TCN网络进行第e次训练时的各个设定时间段中的第j个设定时间段对应的磨损评价值，
Figure 100002_DEST_PATH_IMAGE062
为
Figure 767435DEST_PATH_IMAGE058
与
Figure 525175DEST_PATH_IMAGE060
之间差值的绝对值。
本发明具有如下有益效果：
本发明获取待预测寿命的锤片式粉碎机寿命的两个影响因素，即锤片式粉碎机对入料进行粉碎时传动轴的各个设定时间段的每个时刻的温度以及该机器外壳的各个设定时间段的每个时刻的振动加速度，根据这两个影响因素，确定了待预测寿命的锤片式粉碎机的最终磨损评价预测值的各个设定时间段对应的各磨损评价值。根据各个设定时间段对应的各磨损评价值得到待预测寿命的锤片式粉碎机的最终磨损评价预测值，根据待预测寿命的锤片式粉碎机的最终磨损评价预测值，确定了该锤片式粉碎机的使用寿命。
本发明以影响锤片式粉碎机寿命的两个因素为出发点，对锤片式粉碎机寿命进行分析，使锤片式粉碎机的使用寿命的确定结果更加准确、使用寿命的获取过程更加便捷，保证了锤片式粉碎机的粉碎效率。
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和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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的前提下，还可以根据这些附图获得其它附图。
图1为本发明的一种锤片式粉碎机寿命分析方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种结构件生产信息视觉测量方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外，一个或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本实施例提供了一种锤片式粉碎机寿命分析方法，如图1所示，该方法的步骤包括：
（1）获取待预测寿命的锤片式粉碎机对入料进行粉碎时传动轴的各个设定时间段的每个时刻的温度，以及该锤片式粉碎机的各个设定时间段的每个时刻的振动加速度。
锤片式粉碎机在对入料进行粉碎时，锤片式粉碎机的零件锤片会受到磨损，并且当锤片磨损达到一定程度时会导致锤片式粉碎机的粉碎效率下降，而本发明的目的是为了确定锤片式粉碎机的使用寿命，以保证锤片式粉碎机的粉碎效率的稳定性。
在本实施例中，锤片式粉碎机的零件锤片的磨损程度受到两个因素的影响：锤片式粉碎机的传动轴的温度和锤片式粉碎机的振动加速度。其中，锤片式粉碎机的传动轴的温度变化的大小表示锤片式粉碎机的电机对内做功的大小，锤片式粉碎机的振动加速度变化的大小表示锤片式粉碎机的电机对外做功的大小，两者皆是无用功，无用功是指锤片式粉碎机的能量损耗，能量损耗越大表示锤片式粉碎机的零件锤片的磨损程度越严重，获取温度和振动加速度的步骤包括：
在待预测寿命的锤片式粉碎机对入料进行粉碎时，通过安装在传动轴上的红外测温计，获取传动轴的各个设定时间段的每个时刻的温度，另外，通过安装在粉碎机机器外壳的测振仪，测量待预测寿命的锤片式粉碎机的各个设定时间段的每个时刻的振动加速度。这里的设定时间段的每个时刻，本实施例将其设置为1分钟内的每1秒，并获取以1分钟为一组的多组数据信息，如第i个设定时间段的每个时刻的温度可表示为
Figure DEST_PATH_IMAGE064
，第i个设定时间段的每个时刻的振动加速度可表示为
Figure DEST_PATH_IMAGE066
。
（2）根据传动轴的各个设定时间段的每个时刻的温度以及该锤片式粉碎机的各个设定时间段的每个时刻的振动加速度，确定待预测寿命的锤片式粉碎机的各个设定时间段对应的各磨损评价值，步骤包括：
（2-1）根据传动轴的各个设定时间段的每个时刻的温度，确定各个设定时间段的温度变化率，进而确定各个设定时间段中的各个相邻的两个设定时间段的温度变化率的相似程度，步骤包括：
（2-1-1）首先，根据传动轴的各个设定时间段的每个时刻的温度，确定各个设定时间段的温度变化率，各个设定时间段的温度变化率的计算公式如下：
Figure DEST_PATH_IMAGE002A
其中，
Figure 348161DEST_PATH_IMAGE004
为第i个设定时间段的温度变化率，
Figure 685601DEST_PATH_IMAGE006
为第i个设定时间段的每个时刻的温度组成的序列，
Figure 142121DEST_PATH_IMAGE008
为序列
Figure 742867DEST_PATH_IMAGE006
中的最大值，
Figure 534106DEST_PATH_IMAGE010
为序列
Figure 425969DEST_PATH_IMAGE006
中的最小值，
Figure 251843DEST_PATH_IMAGE012
为绝对值函数。
需要说明的是，为了方便后续计算，本实施例将序列
Figure 836539DEST_PATH_IMAGE006
中的最大值与最小值之间差值的绝对值进行归一化，使其对应值的值域在
Figure DEST_PATH_IMAGE068
。另外，需要说明的是，序列
Figure 662544DEST_PATH_IMAGE006
中的最大值与最小值之间差值的绝对值
Figure DEST_PATH_IMAGE070
越大，第i个设定时间段的温度变化率
Figure 420415DEST_PATH_IMAGE004
就越小，也说明了锤片式粉碎机的电机对内做功越小，待预测寿命的锤片式粉碎机的锤片的磨损程度越大；序列
Figure 835216DEST_PATH_IMAGE006
中的最大值与最小值之间差值的绝对值
Figure 794076DEST_PATH_IMAGE070
越小，第i个设定时间段的温度变化率
Figure 294328DEST_PATH_IMAGE004
就越大，也说明锤片式粉碎机的电机对内做功越大，待预测寿命的锤片式粉碎机的锤片的磨损程度越小。
（2-1-2）然后，根据各个设定时间段的温度变化率，确定各个设定时间段中的各个相邻的两个设定时间段的温度变化率的相似程度，相邻的两个设定时间段的温度变化率的相似程度的计算公式如下：
Figure DEST_PATH_IMAGE014A
其中，
Figure 663080DEST_PATH_IMAGE016
为各个设定时间段中的第i个设定时间段与第i-1个设定时间段的温度变化率的相似程度，
Figure 197967DEST_PATH_IMAGE004
为第i个设定时间段的温度变化率，
Figure 124465DEST_PATH_IMAGE018
为第i-1个设定时间段的温度变化率，
Figure 112013DEST_PATH_IMAGE020
为
Figure 149370DEST_PATH_IMAGE004
与
Figure 476446DEST_PATH_IMAGE018
之间的相似程度。
需要说明的是，各个设定时间段中的第i个设定时间段与第i-1个设定时间段的温度变化率的相似程度
Figure 823114DEST_PATH_IMAGE016
越大，待预测寿命的锤片式粉碎机的锤片的磨损程度越大；各个设定时间段中的第i个设定时间段与第i-1个设定时间段的温度变化率的相似程度
Figure 48690DEST_PATH_IMAGE016
越小，待预测寿命的锤片式粉碎机的锤片的磨损程度越小。
（2-2）根据待预测寿命的锤片式粉碎机的各个设定时间段的每个时刻的振动加速度，确定各个设定时间段的振动稳定性指标值，并确定各个设定时间段中的各个相邻的两个设定时间段的每个时刻的振动加速度的相似程度，步骤包括：
（2-2-1）首先，根据待预测寿命的锤片式粉碎机的各个设定时间段的每个时刻的振动加速度，确定各个设定时间段的振动稳定性指标值，振动稳定性指标值的计算公式如下：
Figure DEST_PATH_IMAGE032A
其中，
Figure 279951DEST_PATH_IMAGE034
为第i个设定时间段的振动稳定性指标值，
Figure 274583DEST_PATH_IMAGE036
为第i个设定时间段中的第m个时刻的振动加速度，
Figure 526573DEST_PATH_IMAGE038
为第i个设定时间段的n个时刻的振动加速度的平均值。
需要说明的是，振动稳定性指标值表达的是粉碎机器在运转时，机器本身的稳定性，第i个设定时间段的振动稳定性指标值
Figure 239445DEST_PATH_IMAGE034
越大，表示锤片式粉碎机的晃动幅度越大，锤片式粉碎机的电机对外做功越大，待预测寿命的锤片式粉碎机的锤片的磨损程度越大；第i个设定时间段的振动稳定性指标值
Figure 867873DEST_PATH_IMAGE034
越小，表示锤片式粉碎机的晃动幅度越小，锤片式粉碎机的电机对外做功越小，待预测寿命的锤片式粉碎机的锤片的磨损程度越小。
（2-2-2）然后，根据待预测寿命的锤片式粉碎机的各个设定时间段的每个时刻的振动加速度，确定各个设定时间段中的各个相邻的两个设定时间段的每个时刻的振动加速度的相似程度，振动加速度的相似程度的计算公式如下：
Figure DEST_PATH_IMAGE022A
其中，
Figure 55360DEST_PATH_IMAGE024
为各个设定时间段中的第i个设定时间段与第i-1个设定时间段的每个时刻的振动加速度的相似程度，
Figure 478251DEST_PATH_IMAGE026
为第i个设定时间段的每个时刻的振动加速度，
Figure 678419DEST_PATH_IMAGE028
为第i-1个设定时间段的每个时刻的振动加速度，
Figure 376117DEST_PATH_IMAGE030
为
Figure 79761DEST_PATH_IMAGE026
与
Figure 939133DEST_PATH_IMAGE028
之间的差异指标值。
在本实施例中，通过动态时间规整计算两组振动加速度的差异指标值，有利于消除噪声点，也就是消除由于入料大小的不一致性导致锤片式粉碎机的功率所产生的波动。
需要说明的是，
Figure 361018DEST_PATH_IMAGE026
与
Figure 596828DEST_PATH_IMAGE028
之间的动态时间规整
Figure 873088DEST_PATH_IMAGE030
越小，各个设定时间段中的第i个设定时间段与第i-1个设定时间段的每个时刻的振动加速度的相似程度
Figure 654093DEST_PATH_IMAGE024
越大，待预测寿命的锤片式粉碎机的锤片的磨损程度越大；
Figure 812542DEST_PATH_IMAGE026
与
Figure 602775DEST_PATH_IMAGE028
之间的动态时间规整
Figure 530280DEST_PATH_IMAGE030
越大，各个设定时间段中的第i个设定时间段与第i-1个设定时间段的每个时刻的振动加速度的相似程度
Figure 482186DEST_PATH_IMAGE024
越小，待预测寿命的锤片式粉碎机的锤片的磨损程度越小。
（2-3）根据各个设定时间段的温度变化率、各个设定时间段中的各个相邻的两个设定时间段的温度变化率的相似程度、各个设定时间段的振动稳定性指标值以及各个设定时间段中的各个相邻的两个设定时间段的每个时刻的振动加速度的相似程度，确定待预测寿命的锤片式粉碎机的各个设定时间段对应的各磨损评价值。
其中，待预测寿命的锤片式粉碎机的各个设定时间段对应的各磨损评价值的计算公式如下：
Figure DEST_PATH_IMAGE040A
其中，
Figure 997438DEST_PATH_IMAGE042
为待预测寿命的锤片式粉碎机的第i个设定时间段对应的磨损评价值，
Figure 263465DEST_PATH_IMAGE004
为第i个设定时间段的温度变化率，当1≤i<b时，
Figure 311056DEST_PATH_IMAGE044
为各个设定时间段中的第i个设定时间段与第i+1个设定时间段的温度变化率的相似程度，当i=b时，
Figure 433864DEST_PATH_IMAGE044
为各个设定时间段中的第i-1个设定时间段与第i个设定时间段的温度变化率的相似程度，当1≤i<b时，
Figure 566905DEST_PATH_IMAGE046
为各个设定时间段中的第i个设定时间段与第i+1个设定时间段的每个时刻的振动加速度的相似程度，当i=b时，
Figure 433361DEST_PATH_IMAGE046
为各个设定时间段中的第i-1个设定时间段与第i个设定时间段的温度变化率的相似程度，b为设定时间段的数目，
Figure 601037DEST_PATH_IMAGE034
为第i个设定时间段的振动稳定性指标值。
需要说明的是，待预测寿命的锤片式粉碎机的第i个设定时间段对应的磨损评价值
Figure 894746DEST_PATH_IMAGE042
越大，待预测寿命的锤片式粉碎机的锤片的磨损程度越大；待预测寿命的锤片式粉碎机的第i个设定时间段对应的磨损评价值
Figure 249504DEST_PATH_IMAGE042
越小，待预测寿命的锤片式粉碎机的锤片的磨损程度越小。
（3）根据待预测寿命的锤片式粉碎机的各个设定时间段对应的各磨损评价值，获取待预测寿命的锤片式粉碎机的最终磨损评价预测值。
（3-1）将待预测寿命的锤片式粉碎机的各个设定时间段对应的各磨损评价值输入到构建并训练好的磨损评价TCN网络，输出下一个设定时间段对应的初次磨损评价预测值，并判断该初次磨损评价预测值是否满足预测终止条件。
将待预测寿命的锤片式粉碎机的各个设定时间段对应的各磨损评价值作为磨损评价TCN网络的输入数据，如U1、U2、 U3 ……，并把输入数据U1、U2、 U3 ……输入到构建并训练好的磨损评价TCN网络中，输出下一个设定时间段对应的初次磨损评价预测值，并判断该初次磨损评价预测值是否满足预测终止条件，预测终止条件是指磨损评价预测值不小于设定的磨损评价值，本实施例将设定的磨损评价值记为
Figure DEST_PATH_IMAGE072
。
由于随着锤片式粉碎机的不断使用，其锤片受到的磨损程度也会越来越严重，因此可以通过锤片受到的磨损程度来对锤片式粉碎机的寿命进行评估。另外，实施者可根据锤片式粉碎机的粉碎要求设定不同的磨损评价值
Figure 981968DEST_PATH_IMAGE072
，当对锤片式粉碎机的粉碎要求较高时，可以设置相对较小的磨损评价值
Figure 941834DEST_PATH_IMAGE072
，反之，则可以设置相对较大的磨损评价值
Figure 406444DEST_PATH_IMAGE072
。
其中，构建并训练磨损评价TCN网络的步骤包括：
（3-1-1）获取不同半径的入料对应的N组数据，每组数据均包括：根据锤片式粉碎机各个设定时间段的每个时刻的温度以及该锤片式粉碎机的各个设定时间段的每个时刻的振动加速度所获取的各个设定时间段对应的各磨损评价值，并将不同入料半径对应的N组数据作为训练数据集。
在本实施例中，获取不同半径的入料对应的N组训练数据，按照入料半径的大小对入料进行排序，记为
Figure DEST_PATH_IMAGE074
。获取锤片式粉碎机对不同半径的入料的进行粉碎时对应的传动轴的各个设定时间段的每个时刻的温度，以及该锤片式粉碎机的各个设定时间段的每个时刻的振动加速度，根据不同半径的入料对应的传动轴的各个设定时间段的每个时刻的温度、以及该锤片式粉碎机的各个设定时间段的每个时刻的振动加速度，并参考步骤（2），确定不同的半径入料对应的N组训练数据
Figure 327127DEST_PATH_IMAGE074
的各个设定时间段对应的各磨损评价值，记为
Figure DEST_PATH_IMAGE076
、
Figure DEST_PATH_IMAGE078
、
Figure DEST_PATH_IMAGE080
……，并将不同的半径入料对应的N组训练数据的各个设定时间段对应的各磨损评价值作为磨损评价TCN网络的训练数据集。
（3-1-2）根据磨损评价TCN网络的训练数据集，构建并训练磨损评价TCN网络，在训练的过程中不断修正磨损评价TCN网络的损失函数，直至磨损评价TCN网络训练结束，修正损失函数的计算公式如下：
Figure DEST_PATH_IMAGE048A
其中，
Figure 631592DEST_PATH_IMAGE050
为磨损评价TCN网络进行第d次训练时对应的损失函数，
Figure 242702DEST_PATH_IMAGE052
为磨损评价TCN网络进行第e次训练时对应的均方差损失函数，
Figure 347055DEST_PATH_IMAGE054
为磨损评价TCN网络进行第e次训练时对应的训练样本的可信度。
例如，磨损评价TCN网络进行第2次训练时，也就是利用不同半径入料的训练数据集中的第2组训练数据对磨损评价TCN网络进行训练时，该磨损评价TCN网络对应的损失函数的计算公式为：
Figure DEST_PATH_IMAGE082
。 需要说明的是，为了确保磨损评价TCN网络输出的结果更加准确和磨损评价TCN网络应用范围更广，本实施例采集了不同半径的入料的多组数据作为磨损评价TCN网络的训练数据。磨损评价TCN网络训练和构建的具体过程为现有技术，不在本发明保护范围内，此处不再详细阐述。
其中，磨损评价TCN网络进行第e次训练对应的训练样本的可信度的计算公式如下：
Figure DEST_PATH_IMAGE056A
其中，
Figure 364821DEST_PATH_IMAGE054
为磨损评价TCN网络进行第e次训练时对应的训练样本的可信度，
Figure 626038DEST_PATH_IMAGE058
为磨损评价TCN网络进行第e次训练时的各个设定时间段中的第i个设定时间段对应的磨损评价值，
Figure 107966DEST_PATH_IMAGE060
为磨损评价TCN网络进行第e次训练时的各个设定时间段中的第j个设定时间段对应的磨损评价值，
Figure 429226DEST_PATH_IMAGE062
为
Figure 996605DEST_PATH_IMAGE058
与
Figure 795933DEST_PATH_IMAGE060
之间差值的绝对值。
需要说明的是，
Figure 584898DEST_PATH_IMAGE058
与
Figure 821932DEST_PATH_IMAGE060
之间的距离累加和
Figure DEST_PATH_IMAGE084
越大，锤片式粉碎机的磨损评价TCN网络进行第e训练时对应的训练样本的可信度
Figure 673345DEST_PATH_IMAGE054
就越小，也就是该训练样本的置信度越小；
Figure 276364DEST_PATH_IMAGE058
与
Figure 732885DEST_PATH_IMAGE060
之间的距离累加和
Figure 395947DEST_PATH_IMAGE084
越小，锤片式粉碎机的磨损评价TCN网络进行第e训练时对应的训练样本的可信度
Figure 937918DEST_PATH_IMAGE054
就越大，也就是该训练样本的置信度越大。
（3-2）若该初次磨损评价预测值不满足预测终止条件，则将该初次磨损评价预测值以及各个设定时间段的各磨损评价值再次输入到构建并训练好的磨损评价TCN网络中，输出下下一个设定时间段对应的磨损评价预测值，并判断该磨损评价预测值是否满足预测终止条件，不断重复上述步骤，直至磨损评价预测值满足预测终止条件，并将满足预测终止条件的磨损评价预测值作为待预测寿命的锤片式粉碎机的最终磨损评价预测值。
（4）根据待预测寿命的锤片式粉碎机的最终磨损评价预测值，确定待预测寿命的锤片式粉碎机的使用寿命。
根据待预测寿命的锤片式粉碎机的最终磨损评价预测值，确定最终磨损评价预测值对应的设定时间段，计算最终磨损评价预测值对应的设定时间段与初次磨损评价预测值对应的设定时间段的差值，该设定时间段的差值为待预测寿命的锤片式粉碎机的使用寿命。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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，均应包含在本发明的保护范围之内。

Claims (9)

1.一种锤片式粉碎机寿命分析方法，其特征在于，具体步骤如下：
获取待预测寿命的锤片式粉碎机对入料进行粉碎时传动轴的各个设定时间段的每个时刻的温度，以及该锤片式粉碎机的各个设定时间段的每个时刻的振动加速度；
根据传动轴的各个设定时间段的每个时刻的温度以及该锤片式粉碎机的各个设定时间段的每个时刻的振动加速度，确定待预测寿命的锤片式粉碎机的各个设定时间段对应的各磨损评价值；
根据待预测寿命的锤片式粉碎机的各个设定时间段对应的各磨损评价值，获取待预测寿命的锤片式粉碎机的最终磨损评价预测值；
根据待预测寿命的锤片式粉碎机的最终磨损评价预测值，确定待预测寿命的锤片式粉碎机的使用寿命；确定待预测寿命的锤片式粉碎机的各个设定时间段对应的各磨损评价值的步骤包括：
根据传动轴的各个设定时间段的每个时刻的温度，确定各个设定时间段的温度变化率，进而确定各个设定时间段中的各个相邻的两个设定时间段的温度变化率的相似程度；
根据待预测寿命的锤片式粉碎机的各个设定时间段的每个时刻的振动加速度，确定各个设定时间段的振动稳定性指标值，并确定各个设定时间段中的各个相邻的两个设定时间段的每个时刻的振动加速度的相似程度；
根据各个设定时间段的温度变化率、各个设定时间段中的各个相邻的两个设定时间段的温度变化率的相似程度、各个设定时间段的振动稳定性指标值以及各个设定时间段中的各个相邻的两个设定时间段的每个时刻的振动加速度的相似程度，确定待预测寿命的锤片式粉碎机的各个设定时间段对应的各磨损评价值。
2.根据权利要求1所述的一种锤片式粉碎机寿命分析方法，其特征在于，各个设定时间段的温度变化率的计算公式：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为第i个设定时间段的温度变化率，
Figure DEST_PATH_IMAGE006
为第i个设定时间段的每个时刻的温度组成的序列，
Figure DEST_PATH_IMAGE008
为序列
Figure 507290DEST_PATH_IMAGE006
中的最大值，
Figure DEST_PATH_IMAGE010
为序列
Figure 71037DEST_PATH_IMAGE006
中的最小值，
Figure DEST_PATH_IMAGE012
为绝对值函数。
3.根据权利要求1所述的一种锤片式粉碎机寿命分析方法，其特征在于，各个设定时间段中的各个相邻的两个设定时间段的温度变化率的相似程度的计算公式：
Figure DEST_PATH_IMAGE014
其中，
Figure DEST_PATH_IMAGE016
为各个设定时间段中的第i个设定时间段与第i-1个设定时间段的温度变化率的相似程度，
Figure 867086DEST_PATH_IMAGE004
为第i个设定时间段的温度变化率，
Figure DEST_PATH_IMAGE018
为第i-1个设定时间段的温度变化率，
Figure DEST_PATH_IMAGE020
为
Figure 275677DEST_PATH_IMAGE004
与
Figure 152366DEST_PATH_IMAGE018
之间的相似程度。
4.根据权利要求1所述的一种锤片式粉碎机寿命分析方法，其特征在于，各个设定时间段中的各个相邻的两个设定时间段的每个时刻的振动加速度的相似程度的计算公式：
Figure DEST_PATH_IMAGE022
其中，
Figure DEST_PATH_IMAGE024
为各个设定时间段中的第i个设定时间段与第i-1个设定时间段的每个时刻的振动加速度的相似程度，
Figure DEST_PATH_IMAGE026
为第i个设定时间段的每个时刻的振动加速度，
Figure DEST_PATH_IMAGE028
为第i-1个设定时间段的每个时刻的振动加速度，
Figure DEST_PATH_IMAGE030
为
Figure 207785DEST_PATH_IMAGE026
与
Figure 537135DEST_PATH_IMAGE028
之间的差异指标值。
5.根据权利要求1所述的一种锤片式粉碎机寿命分析方法，其特征在于，各个设定时间段的振动稳定性指标值的计算公式：
Figure DEST_PATH_IMAGE032
其中，
Figure DEST_PATH_IMAGE034
为第i个设定时间段的振动稳定性指标值，
Figure DEST_PATH_IMAGE036
为第i个设定时间段中的第m个时刻的振动加速度，
Figure DEST_PATH_IMAGE038
为第i个设定时间段的n个时刻的振动加速度的平均值。
6.根据权利要求1所述的一种锤片式粉碎机寿命分析方法，其特征在于，待预测寿命的锤片式粉碎机的各个设定时间段对应的各磨损评价值的计算公式：
Figure DEST_PATH_IMAGE040
其中，
Figure DEST_PATH_IMAGE042
为待预测寿命的锤片式粉碎机的第i个设定时间段对应的磨损评价值，
Figure 63931DEST_PATH_IMAGE004
为第i个设定时间段的温度变化率，当1≤i<b时，
Figure DEST_PATH_IMAGE044
为各个设定时间段中的第i个设定时间段与第i+1个设定时间段的温度变化率的相似程度，当i=b时，
Figure 185340DEST_PATH_IMAGE044
为各个设定时间段中的第i-1个设定时间段与第i个设定时间段的温度变化率的相似程度，当1≤i<b时，
Figure DEST_PATH_IMAGE046
为各个设定时间段中的第i个设定时间段与第i+1个设定时间段的每个时刻的振动加速度的相似程度，当i=b时，
Figure 67452DEST_PATH_IMAGE046
为各个设定时间段中的第i-1个设定时间段与第i个设定时间段的温度变化率的相似程度，b为设定时间段的数目，
Figure 884098DEST_PATH_IMAGE034
为第i个设定时间段的振动稳定性指标值。
7.根据权利要求1所述的一种锤片式粉碎机寿命分析方法，其特征在于，获取待预测寿命的锤片式粉碎机的最终磨损评价预测值的步骤包括：
将待预测寿命的锤片式粉碎机的各个设定时间段对应的各磨损评价值输入到构建并训练好的磨损评价TCN网络，输出下一个设定时间段对应的初次磨损评价预测值，并判断该初次磨损评价预测值是否满足预测终止条件；
若该初次磨损评价预测值不满足预测终止条件，则将该初次磨损评价预测值以及各个设定时间段的各磨损评价值再次输入到构建并训练好的磨损评价TCN网络中，输出下下一个设定时间段对应的磨损评价预测值，并判断该磨损评价预测值是否满足预测终止条件，不断重复上述步骤，直至磨损评价预测值满足预测终止条件，并将满足预测终止条件的磨损评价预测值作为待预测寿命的锤片式粉碎机的最终磨损评价预测值。
8.根据权利要求7所述的一种锤片式粉碎机寿命分析方法，其特征在于，构建并训练磨损评价TCN网络的步骤包括：
获取不同半径的入料对应的N组数据，每组数据均包括：根据锤片式粉碎机各个设定时间段的每个时刻的温度以及该锤片式粉碎机的各个设定时间段的每个时刻的振动加速度所获取的各个设定时间段对应的各磨损评价值，并将不同入料半径对应的N组数据作为训练数据集；
根据磨损评价TCN网络的训练数据集，构建并训练磨损评价TCN网络，在训练的过程中不断修正磨损评价TCN网络的损失函数，直至磨损评价TCN网络训练结束，修正损失函数的计算公式如下：
Figure DEST_PATH_IMAGE048
其中，
Figure DEST_PATH_IMAGE050
为磨损评价TCN网络进行第d次训练时对应的损失函数，
Figure DEST_PATH_IMAGE052
为磨损评价TCN网络进行第e次训练时对应的均方差损失函数，
Figure DEST_PATH_IMAGE054
为磨损评价TCN网络进行第e次训练时对应的训练样本的可信度。
9.根据权利要求8所述的一种锤片式粉碎机寿命分析方法，其特征在于，磨损评价TCN网络进行训练时对应的训练样本的可信度的计算公式如下：
Figure DEST_PATH_IMAGE056
其中，
Figure 916383DEST_PATH_IMAGE054
为磨损评价TCN网络进行第e次训练时对应的训练样本的可信度，
Figure DEST_PATH_IMAGE058
为磨损评价TCN网络进行第e次训练时的各个设定时间段中的第i个设定时间段对应的磨损评价值，
Figure DEST_PATH_IMAGE060
为磨损评价TCN网络进行第e次训练时的各个设定时间段中的第j个设定时间段对应的磨损评价值，
Figure DEST_PATH_IMAGE062
为
Figure 456079DEST_PATH_IMAGE058
与
Figure 446776DEST_PATH_IMAGE060
之间差值的绝对值。
CN202210720339.3A 2022-06-24 2022-06-24 一种锤片式粉碎机寿命分析方法 Active CN114818993B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210720339.3A CN114818993B (zh) 2022-06-24 2022-06-24 一种锤片式粉碎机寿命分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210720339.3A CN114818993B (zh) 2022-06-24 2022-06-24 一种锤片式粉碎机寿命分析方法

Publications (2)

Publication Number Publication Date
CN114818993A true CN114818993A (zh) 2022-07-29
CN114818993B CN114818993B (zh) 2022-09-02

Family

ID=82520969

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210720339.3A Active CN114818993B (zh) 2022-06-24 2022-06-24 一种锤片式粉碎机寿命分析方法

Country Status (1)

Country Link
CN (1) CN114818993B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816196A (zh) * 2018-12-04 2019-05-28 平安科技（深圳）有限公司 预测模型的评价值计算方法、装置、设备及可读存储介质
CN110287638A (zh) * 2019-07-04 2019-09-27 南京邮电大学 基于kalman-RNN神经网络的飞锯寿命预测方法
CN114297910A (zh) * 2021-11-26 2022-04-08 中国民航大学 一种基于改进lstm的航空发动机寿命预测方法
CN114417913A (zh) * 2021-12-22 2022-04-29 太原理工大学 基于pc-tcn和迁移学习的轴承寿命预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816196A (zh) * 2018-12-04 2019-05-28 平安科技（深圳）有限公司 预测模型的评价值计算方法、装置、设备及可读存储介质
CN110287638A (zh) * 2019-07-04 2019-09-27 南京邮电大学 基于kalman-RNN神经网络的飞锯寿命预测方法
CN114297910A (zh) * 2021-11-26 2022-04-08 中国民航大学 一种基于改进lstm的航空发动机寿命预测方法
CN114417913A (zh) * 2021-12-22 2022-04-29 太原理工大学 基于pc-tcn和迁移学习的轴承寿命预测方法

Also Published As

Publication number Publication date
CN114818993B (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN115993807B (zh) 一种碳化硅的生产监测优化控制方法及系统
CN106780121B (zh) 一种基于用电负荷模式分析的用电异常识别方法
CN103839057B (zh) 一种锑浮选工况识别方法及系统
CN107862108A (zh) 一种工业机械设备健康状态分析与预测方法及其系统
CN113465923B (zh) 一种磨煤机磨辊轴承的剩余寿命预测方法
CN116300475B (zh) 一种金属滚压加工控制方法及系统
CN112308038B (zh) 基于课堂式生成对抗网络模型的机械设备故障信号识别方法
CN112749893B (zh) 一种基于云计算的数据挖掘服务平台
CN110705856A (zh) 基于层次分析法的核电设备锻件材料制造质量评估方法
CN109858544A (zh) 基于区间阴影集和密度峰值聚类的钢材质量检测方法
CN114066069A (zh) 一种组合权重的副产煤气发生量预测方法
CN114818993B (zh) 一种锤片式粉碎机寿命分析方法
CN114565314B (zh) 一种基于数字孪生的热轧钢卷端面质量管控系统及方法
CN112766727B (zh) 一种高端敏感用户电压暂降严重度评价方法
CN112559591A (zh) 一种用于冷轧辊制造过程的离群检测系统及其检测方法
CN117557143A (zh) 一种基于风险分析的产品质量抽样方法
CN116882762A (zh) 基于大数据的企业运营风险评估预警方法
CN117290752A (zh) 一种磨煤机煤粉细度的预测方法
CN111126790A (zh) 一种多层次模糊综合决策的配电网风险评估方法
CN115544865A (zh) 一种基于数据分析的磨煤机设备监测方法及系统
CN113298148B (zh) 一种面向生态环境评价的不平衡数据重采样方法
CN115239201A (zh) 一种电力指数的评估方法及系统
CN115018452A (zh) 一种工程建设项目进度管理指标体系构建和综合评价方法
Wang et al. Remaining useful life prediction for space bearing with cage friction fault based on data pre-screening and gated recurrent unit
Li et al. Anomaly detection of bolt tightening process based on improved smote

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