CN114973149A - 智慧矿山的ai设备故障监测方法、系统及计算机可读存储介质 - Google Patents

智慧矿山的ai设备故障监测方法、系统及计算机可读存储介质 Download PDF

Info

Publication number
CN114973149A
CN114973149A CN202210749091.3A CN202210749091A CN114973149A CN 114973149 A CN114973149 A CN 114973149A CN 202210749091 A CN202210749091 A CN 202210749091A CN 114973149 A CN114973149 A CN 114973149A
Authority
CN
China
Prior art keywords
fault
data
operation data
current
early warning
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
Application number
CN202210749091.3A
Other languages
English (en)
Inventor
闫东
金振国
李振华
李梦菲
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.)
Shanghai Meike Information Technology Co ltd
Original Assignee
Shanghai Meike Information 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 Shanghai Meike Information Technology Co ltd filed Critical Shanghai Meike Information Technology Co ltd
Priority to CN202210749091.3A priority Critical patent/CN114973149A/zh
Publication of CN114973149A publication Critical patent/CN114973149A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063114—Status monitoring or status determination for a person or group
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Primary Health Care (AREA)
  • Mining & Mineral Resources (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Animal Husbandry (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Agronomy & Crop Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)

Abstract

本发明提供了一种智慧矿山的AI设备故障监测方法、系统及计算机可读存储介质，智慧矿山的AI设备故障监测方法，包括：获取各个设备的第一预设时间段内的运行数据，所述运行数据包括故障数据；依据所述运行数据建立每个设备单独的AI故障预警模型；实时获取各个设备的当前运行数据，将所述当前运行数据作为输入，通过所述AI故障预警模型实时预测设备的运行故障；当检测到所述运行故障则立即报警；所述实时预测包括通过时序数据曲线排齐方法对所述当前运行数据进行数据排齐。

Description

智慧矿山的AI设备故障监测方法、系统及计算机可读存储 介质
技术领域
本发明涉及智慧矿山技术领域，尤其涉及一种智慧矿山的AI设备故障监测方法、系统及计算机可读存储介质。
背景技术
21世纪各种现代技术飞速发展，矿山数字化、智慧化已成为现代矿山建设的重要标志。信息技术、定位技术、通讯技术和自动化技术的迅速发展和应用，深刻地影响和改变着传统矿业沿袭百年的生产工艺和组织管理模式。
目前，部分智慧矿山地质条件复杂，深部开采导致矿井灾害频发。在信息化系统的建设上，面临的主要问题有：缺乏总体建设标准，煤矿企业的建设规划水平参差不齐，导致建设的很多系统功能不完善、可操作性差，低水平重复建设现象严重；信息资源和系统集成存在困难，“数字鸿沟”和“信息孤岛”现象严重，难以形成统一的信息资源，各系统产生的数据无法得到深度利用。
煤矿企业是一个复杂多变的人-机-环境系统，具有人员多、设备多、作业分散、分布面广、自然条件恶劣、不安全因素多、作业环境复杂、管理困难等特点。
发明内容
为了克服上述技术缺陷，本发明的目的在于提供一种能够对主动检测设备故障以避免或最小化煤机故障停机时间的智慧矿山的AI设备故障监测方法、系统及计算机可读存储介质。
本发明公开了一种智慧矿山的AI设备故障监测方法，包括：获取各个设备的第一预设时间段内的运行数据，所述运行数据包括故障数据；依据所述运行数据建立每个设备单独的AI故障预警模型；实时获取各个设备的当前运行数据，将所述当前运行数据作为输入，通过所述AI故障预警模型实时预测设备的运行故障；当检测到所述运行故障则立即报警；所述实时预测包括通过时序数据曲线排齐方法对所述当前运行数据进行数据排齐。
优选的，所述通过时序数据曲线排齐方法对所述当前运行数据进行数据排齐之后还包括：通过可编程计数器阵列对排齐后的所述当前运行数据进行特征提取，包括滤波过程、放大过程、特征值计算过程。
优选的，所述AI故障预警模型为LSTM神经网络模型；基于从所述当前运行数据中提取到的特征，利用所述LSTM神经网络模型实时预测该特征所对应的设备的运行故障。
优选的，所述设备包括切割电机，所述当前运行数据包括截割电机电流、截割电机温度；所述当前运行数据的采样频率为1HZ。
优选的，所述设备包括采煤机摇臂齿轮箱；所述当前运行数据包括采煤机齿轮箱温度、截割电机电流、截割电机电流；所述当前运行数据的采样频率为1HZ。
优选的，设定参数阈值，当所述当前运行数据超过所述参数阈值，则认为出现故障；所述依据所述运行数据建立每个设备单独的AI故障预警模型包括：以第二预设时间段为间隔调整各个设备的所述参数阈值，并记录所述运行数据；获取各个设备的第三预设时间段内的所述参数阈值；依据若干个所述参数阈值、与所述运行数据中在该参数阈值设定期间的所述故障数据，建立每个设备单独的所述AI故障预警模型。
优选的，所述设备包括皮带机；所述当前运行数据包括减速器的温度、电流、转速，以及电动机的温度、电流、转速；所述设备包括变频器；所述当前运行数据包括电流、电压、电源对称性；所述设备包括液压支架；所述当前运行数据包括温度、振动。
优选的，所述运行故障包括一级故障和二级故障；当检测到所述一级故障，则立即报警；当检测到所述二级故障，则对设备进行强制停机，并且立即报警。
本发明还公开了一种智慧矿山的AI设备故障监测系统，包括数据采集模块、AI预警模型模块和报警模块；所述数据采集模块获取各个设备的第一预设时间段内的运行数据，所述运行数据包括故障数据；所述AI预警模型模块依据所述运行数据建立每个设备单独的AI故障预警模型；所述数据采集模块实时获取各个设备的当前运行数据，所述AI预警模型模块将所述当前运行数据作为输入，实时预测设备的运行故障；当检测到所述运行故障则立即通过所述报警模块进行报警；所述AI预警模型模块包括时序数据曲线排齐单元和可编程计数器阵列单元，通过所时序数据曲线排齐单元述对所述当前运行数据进行数据排齐，接着通过所述可编程计数器阵列单元对排齐后的所述当前运行数据进行特征提取，包括滤波过程、放大过程、特征值计算过程。
本发明还公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述AI设备故障监测方法的步骤。
采用了上述技术方案后，与现有技术相比，具有以下有益效果：
1.通过所述AI故障预警模型能对智慧矿山的各个设备的运行进行实时监控，并且准确监测故障；为了避免数据的延迟，本发明通过时序数据曲线排齐方法对所述当前运行数据进行数据排齐，再通过可编程计数器阵列(PCA，ProgrammableCounterArray)对排齐后的所述当前运行数据进行特征提取。
附图说明
图1为本发明提供的智慧矿山的AI设备故障监测方法的流程图。
具体实施方式
以下结合附图与具体实施例进一步阐述本发明的优点。
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身并没有特定的意义。因此，“模块”与“部件”可以混合地使用。
参见附图1，本发明公开了一种智慧矿山的AI设备故障监测方法，包括：
S100、获取各个设备的第一预设时间段内的运行数据，运行数据包括故障数据；
S200、依据运行数据建立每个设备单独的AI故障预警模型；
S300、实时获取各个设备的当前运行数据，将当前运行数据作为输入，通过AI故障预警模型实时预测设备的运行故障，实时预测包括通过时序数据曲线排齐方法对当前运行数据进行数据排齐；
S400、当检测到运行故障则立即报警。
较佳的，为了避免数据的延迟，通过时序数据曲线排齐方法对当前运行数据进行数据排齐之后，还通过可编程计数器阵列对排齐后的当前运行数据进行特征提取，包括滤波过程、放大过程、特征值计算过程。有助于提取当前运行数据中的关键特征，降低数据特征维度。
较佳的，AI故障预警模型选择为LSTM神经网络模型。基于从当前运行数据中提取到的关键特征，利用LSTM神经网络模型实时预测该特征所对应的设备的运行故障。
一种优选的，可以用于切割电机的运行监测，获取采煤机在井下采区工作面的历史运行数据，包括截割电机电流、截割电机温度，采样频率为1HZ。并获取历史运行数据中的故障数据。以该历史运行数据和故障数据作为数据源，建立切割电机的AI故障预警模型。
在应用时，实时获取切割电机的当前运行数据，将当前运行数据作为输入，通过AI故障预警模型实时预测切割电机的运行故障，并将故障推送至中控中心并进行储存。
一种优选的，可以用于采煤机摇臂齿轮箱的运行监测，获取采煤机在井下采区工作面的历史运行数据，包括包括采煤机齿轮箱温度、截割电机电流、截割电机电流，采样频率为1HZ。并获取历史运行数据中的故障数据。以该历史运行数据和故障数据作为数据源，建立切割电机的AI故障预警模型。
在应用时，实时获取采煤机摇臂齿轮箱的当前运行数据，将当前运行数据作为输入，通过AI故障预警模型实时预测采煤机摇臂齿轮箱的运行故障，并将故障推送至中控中心并进行储存。
对于上述AI故障预警模型，所针对的是无法通过简单数值就分析的出故障信息的情况，而时需要结合大量的多种类型的数据、以及不同的工况才能分析得出的故障信息，因此需要建模，在建模过程中，需要结合若干历史运行数据中的故障数据进行训练。
并且，对于训练好的模型，仍然需要通过大量实践来进行验证，在验证过程中，不断调整模型，使其能更加精确的得出故障预测结果。该过程可以视为深度神经网络的验证过程。
对于上述的若干历史数据，本发明优选6个月的历史运行数据。
对于上述的大量实践数据，本发明优选3个月的实际运行数据。
除了上述无法通过简单数值就分析的出故障信息的情况，还存在仅通过参数阈值即可简单获取故障信息的情况。对于此种情况，系统通常对每个监控参数设置有参数阈值，当超过该阈值范围，即视为出现故障。此为常规判断方法。
而本发明则提出一种AI故障预警模型，用于对该阈值范围进行动态调整。即，不光监控参数是否超过该参数所对应的阈值范围，还根据运行情况、操作情况、以及工作需求等来动态的调整每个参数的阈值范围。
而对于阈值范围进行如何调整，调整的界限、以及调整的范围、调整的频率即为本发明的AI故障预警模型所能实现的目标。
具体的，本发明还提供了一种基于参数阈值进行故障判断的AI故障预警模型。即为设备设定参数阈值，当当前运行数据超过参数阈值，则认为出现故障。
具体的，在设备使用时，操作员会以第二预设时间段为间隔调整各个设备的参数阈值，在不同的参数阈值下，所提示故障的频率是不同的。第二预设时间段可以为一周、一个月、三个月不等。
获取各个设备的第三预设时间段内的参数阈值，并记录第三预设时间段内在该参数阈值下的运行数据，该运行数据包含故障信息，作为后续AI故障预警模型的建立的训练数据。
依据若干个参数阈值、与运行数据中在该参数阈值设定期间的故障数据，建立每个设备单独的AI故障预警模型。
需要说明的是，参数阈值应理解为不仅是数值阈值，还可以为“是否”判断。例如是否发生电路短路。
一种优选的，可以用于皮带机的运行监测，对皮带机的每台减速器及电动机进行温度、电流、转速等参数的监测，当发生故障，推送至中控中心并进行储存。
一种优选的，可以用于变频器的运行监测，对短路、过电流、过电压、电源不对称以及设备中的其他故障进行监测，并推送至中控中心并进行储存。
一种优选的，可以用于液压支架的运行监测，进行包括运行温度、运行振动、程序丢失，参数错误，输入错误，输出错误，通讯错误，人机交互错误和安全操作装置故障，数值固定不变等监测。
还可以监测并统计分析系统的运行时间，系统的均衡运行情况，后续用于建立运行情况-解决措施规则库，以采取相应措施，保障系统的均衡运行。
对于上述设备的故障监测，还可以按周期进行统计，例如统计不同级别、类型报警的分布情况，有助于后续建立故障-解决措施规则库，以确定系统运维的关键环节，并确定核实措施。
较佳的，上述运行故障包括一级故障和二级故障，一级故障的危险等级小于二级故障。当检测到一级故障，则立即报警以进行警示；而当检测到二级故障，则需要对设备进行强制停机，并且立即报警进行警示。
一种优选的，由于采煤设备的停机有可能会带来一定的采煤工作的影响，故还可以设置当检测到二级故障，时，立即上报中控系统，并且开始进行倒计时，当倒计时结束，则立即对设备进行停机处理。而在倒数期间，中控中心有权限停止该倒计时，而选择继续运行相关设备。
本发明还公开了一种智慧矿山的AI设备故障监测系统，包括数据采集模块、AI预警模型模块和报警模块。
在AI预警模型模块建立阶段，数据采集模块用于获取各个设备的第一预设时间段内的运行数据，运行数据包括故障数据。AI预警模型模块用于依据运行数据建立每个设备单独的AI故障预警模型。
在AI预警模型模块应用阶段，数据采集模块用于实时获取各个设备的当前运行数据，AI预警模型模块将当前运行数据作为输入，实时预测设备的运行故障。当检测到运行故障则立即通过报警模块进行报警。
AI预警模型模块包括时序数据曲线排齐单元和可编程计数器阵列单元，通过所时序数据曲线排齐单元述对当前运行数据进行数据排齐，接着通过可编程计数器阵列单元对排齐后的当前运行数据进行特征提取，包括滤波过程、放大过程、特征值计算过程。
本发明还公开了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现AI设备故障监测方法的步骤。
应当注意的是，本发明的实施例有较佳的实施性，且并非对本发明作任何形式的限制，任何熟悉该领域的技术人员可能利用上述揭示的技术内容变更或修饰为等同的有效实施例，但凡未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何修改或等同变化及修饰，均仍属于本发明技术方案的范围内。

Claims (10)

1.一种智慧矿山的AI设备故障监测方法，其特征在于，包括：
获取各个设备的第一预设时间段内的运行数据，所述运行数据包括故障数据；
依据所述运行数据建立每个设备单独的AI故障预警模型；
实时获取各个设备的当前运行数据，将所述当前运行数据作为输入，通过所述AI故障预警模型实时预测设备的运行故障；当检测到所述运行故障则立即报警；
所述实时预测包括通过时序数据曲线排齐方法对所述当前运行数据进行数据排齐。
2.根据权利要求1所述的AI设备故障监测方法，其特征在于，所述通过时序数据曲线排齐方法对所述当前运行数据进行数据排齐之后还包括：
通过可编程计数器阵列对排齐后的所述当前运行数据进行特征提取，包括滤波过程、放大过程、特征值计算过程。
3.根据权利要求1所述的AI设备故障监测方法，其特征在于，所述AI故障预警模型为LSTM神经网络模型；基于从所述当前运行数据中提取到的特征，利用所述LSTM神经网络模型实时预测该特征所对应的设备的运行故障。
4.根据权利要求1所述的AI设备故障监测方法，其特征在于，所述设备包括切割电机，所述当前运行数据包括截割电机电流、截割电机温度；
所述当前运行数据的采样频率为1HZ。
5.根据权利要求1所述的AI设备故障监测方法，其特征在于，所述设备包括采煤机摇臂齿轮箱；所述当前运行数据包括采煤机齿轮箱温度、截割电机电流、截割电机电流；
所述当前运行数据的采样频率为1HZ。
6.根据权利要求1所述的AI设备故障监测方法，其特征在于，设定参数阈值，当所述当前运行数据超过所述参数阈值，则认为出现故障；
所述依据所述运行数据建立每个设备单独的AI故障预警模型包括：
以第二预设时间段为间隔调整各个设备的所述参数阈值，并记录所述运行数据；
获取各个设备的第三预设时间段内的所述参数阈值；
依据若干个所述参数阈值、与所述运行数据中在该参数阈值设定期间的所述故障数据，建立每个设备单独的所述AI故障预警模型。
7.根据权利要求6所述的AI设备故障监测方法，其特征在于，所述设备包括皮带机；所述当前运行数据包括减速器的温度、电流、转速，以及电动机的温度、电流、转速；
所述设备包括变频器；所述当前运行数据包括电流、电压、电源对称性；
所述设备包括液压支架；所述当前运行数据包括温度、振动。
8.根据权利要求1所述的AI设备故障监测方法，其特征在于，所述运行故障包括一级故障和二级故障；
当检测到所述一级故障，则立即报警；
当检测到所述二级故障，则对设备进行强制停机，并且立即报警。
9.一种智慧矿山的AI设备故障监测系统，其特征在于，包括数据采集模块、AI预警模型模块和报警模块；
所述数据采集模块获取各个设备的第一预设时间段内的运行数据，所述运行数据包括故障数据；
所述AI预警模型模块依据所述运行数据建立每个设备单独的AI故障预警模型；
所述数据采集模块实时获取各个设备的当前运行数据，所述AI预警模型模块将所述当前运行数据作为输入，实时预测设备的运行故障；
当检测到所述运行故障则立即通过所述报警模块进行报警；
所述AI预警模型模块包括时序数据曲线排齐单元和可编程计数器阵列单元，通过所时序数据曲线排齐单元述对所述当前运行数据进行数据排齐，接着通过所述可编程计数器阵列单元对排齐后的所述当前运行数据进行特征提取，包括滤波过程、放大过程、特征值计算过程。
10.一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1-8中任一所述AI设备故障监测方法的步骤。
CN202210749091.3A 2022-06-28 2022-06-28 智慧矿山的ai设备故障监测方法、系统及计算机可读存储介质 Pending CN114973149A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210749091.3A CN114973149A (zh) 2022-06-28 2022-06-28 智慧矿山的ai设备故障监测方法、系统及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210749091.3A CN114973149A (zh) 2022-06-28 2022-06-28 智慧矿山的ai设备故障监测方法、系统及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN114973149A true CN114973149A (zh) 2022-08-30

Family

ID=82967241

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210749091.3A Pending CN114973149A (zh) 2022-06-28 2022-06-28 智慧矿山的ai设备故障监测方法、系统及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN114973149A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115664011A (zh) * 2022-10-26 2023-01-31 北京博望华科科技有限公司 一种电力设备故障信息预警方法、系统及计算机储存介质
CN115826471A (zh) * 2022-12-20 2023-03-21 浙江荣图智能科技有限公司 一种矿山机械远程智能控制系统
CN115828452A (zh) * 2022-11-16 2023-03-21 华能国际电力股份有限公司上海石洞口第二电厂 基于物联网与5g的皮带取样设备诊断与优化方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115664011A (zh) * 2022-10-26 2023-01-31 北京博望华科科技有限公司 一种电力设备故障信息预警方法、系统及计算机储存介质
CN115828452A (zh) * 2022-11-16 2023-03-21 华能国际电力股份有限公司上海石洞口第二电厂 基于物联网与5g的皮带取样设备诊断与优化方法及系统
CN115826471A (zh) * 2022-12-20 2023-03-21 浙江荣图智能科技有限公司 一种矿山机械远程智能控制系统

Similar Documents

Publication Publication Date Title
CN114973149A (zh) 智慧矿山的ai设备故障监测方法、系统及计算机可读存储介质
CN113447290B (zh) 一种工程机械故障预警方法、装置及工程机械
CN108241343A (zh) 一种智能工厂管理平台系统
CN108074197B (zh) 风机故障数据分析系统的控制方法
CN112039075B (zh) 换流站多维度数据分析及监测系统
CN116664113A (zh) 一种面向电力计量标准化作业的智能安全监管系统
CN103473710A (zh) 一种集中运维系统的故障分级处理方法
CN110350660B (zh) 一种继电保护功能压板在线监视方法和系统
CN110688389B (zh) 变电站二次设备缺陷云管理系统
CN110247474B (zh) 一种基于d5000系统电网运行状态的统计汇总方法及系统
CN112152314A (zh) 一种集中监控变电站风险辨识预警系统及其工作方法
CN115049326A (zh) 一种生产管理系统及管理方法
CN117649752B (zh) 供水管网的监测预警处置方法、装置、设备及介质
CN117991708B (zh) 基于物联网工业自动预警系统
CN112801313A (zh) 基于大数据技术综采工作面故障判定方法
CN111509839A (zh) 一种基于告警信号的跳闸事件化模型分析方法
CN117289659A (zh) 一种电厂集控运行智能自动监控系统
CN113159503B (zh) 一种远程遥控智能安全评估系统和方法
CN111160598A (zh) 一种基于动态能耗基准的能源预测与能耗管控方法及系统
CN117742241B (zh) 一种基于云计算的数据采集方法和系统
CN109298700B (zh) 一种实时判断火电机组运行参数异常变化的方法及系统
CN110866695A (zh) 基于设备运行状态与检修工作相关联的辅助检修决策方法
CN110266811B (zh) 一种基于mqtt技术的车间异常信息推送装置与方法
CN106557839A (zh) 一种基于大数据的设备维修策略优化方法及系统
CN115238929A (zh) 一种石油炼化体系预测性维护方法及系统

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