CN115096375A - 基于托辊搬运小车检测的托辊运行状态监测方法和装置 - Google Patents

基于托辊搬运小车检测的托辊运行状态监测方法和装置 Download PDF

Info

Publication number
CN115096375A
CN115096375A CN202211003017.3A CN202211003017A CN115096375A CN 115096375 A CN115096375 A CN 115096375A CN 202211003017 A CN202211003017 A CN 202211003017A CN 115096375 A CN115096375 A CN 115096375A
Authority
CN
China
Prior art keywords
audio data
carrier roller
audio
value
frame
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
CN202211003017.3A
Other languages
English (en)
Other versions
CN115096375B (zh
Inventor
张书燕
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 Yidatong Automation Equipment Co ltd
Original Assignee
Qidong Yidatong 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 Yidatong Automation Equipment Co ltd filed Critical Qidong Yidatong Automation Equipment Co ltd
Priority to CN202211003017.3A priority Critical patent/CN115096375B/zh
Publication of CN115096375A publication Critical patent/CN115096375A/zh
Application granted granted Critical
Publication of CN115096375B publication Critical patent/CN115096375B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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

Abstract

本发明涉及运输或贮存装置领域，具体涉及基于托辊搬运小车检测的托辊运行状态监测方法和装置。方法包括：利用综合检测仪采集音频数据和托辊的旋转速度，计算当前时刻旋转速度与标准速度差值的绝对值；判断绝对值是否小于阈值，若小于，则将当前时间段的音频数据输入到目标神经网络中，判断当前时间段的音频数据的类别；目标神经网络的损失函数为交叉熵损失函数与第一损失函数之和，第一损失函数是根据各帧音频数据对应的实际音频值和各帧音频对应的标准音频值得到的；若当前时间段的音频数据的类别为异常音频数据类别，则判定托辊运行异常。本发明提高了托辊运行状态监测的自动化程度和效率。

Description

基于托辊搬运小车检测的托辊运行状态监测方法和装置
技术领域
本发明涉及运输或贮存装置领域，具体涉及基于托辊搬运小车检测的托辊运行状态监测方法和装置。
背景技术
带式输送机具备结构简单、造价和维护成本低等优点，当前，带式输送机应用广泛，而托辊是决定带式输送机使用效果的重要部件之一，起着支撑输送带和物料重量的作用，托辊转动的灵活可靠对于减小摩擦力、延长输送带的寿命起着关键作用。但托辊在运行过程中会出现各种不同的异常工况，由于托辊异常影响输送机正常运行的情况时有发生，如托辊轴承失效、辊子运转不良、辊子表面粘附粉尘、托辊架螺栓松动、托辊断裂等，轻则可能会使输送机胶带跑偏，重则可能导致输送机无法正常使用，如果未能及时发现处理，可能会造成更严重的生产事故。目前，带式输送机运行过程中托辊的运行状况主要是人工定期巡检，人工定期巡检的方式存在巡检间隔较小时消耗人力资源较大，而巡检间隔较大时不能及时发现托辊异常的问题。
发明内容
为了解决现有通过人工定期巡检的方法进行托辊的运行状况监测时存在的上述问题，本发明的目的在于提供一种基于托辊搬运小车检测的托辊运行状态监测方法和装置，所采用的技术方案具体如下：
第一方面，本发明提供了一种基于托辊搬运小车检测的托辊运行状态监测方法，该方法包括以下步骤：
利用搬运小车携带的综合检测仪实时采集音频数据和托辊的旋转速度；
计算当前时刻托辊的旋转速度与标准速度的差值的绝对值；判断所述绝对值是否小于设定阈值，若小于，则将当前时间段的音频数据输入到训练好的目标神经网络中，判断当前时间段的音频数据对应的类别；所述类别包括正常音频数据类别和异常音频数据类别，目标神经网络的损失函数为交叉熵损失函数与第一损失函数之和，所述第一损失函数是根据各帧音频数据对应的实际音频值和各帧音频对应的标准音频值得到的；所述当前时间段为距离当前时刻不大于设定时间间隔的各历史采集时刻的集合；
若当前时间段的音频数据对应的类别为异常音频数据类别，则判定托辊运行异常。
第二方面，本发明提供了一种基于托辊搬运小车检测的托辊运行状态监测装置，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述所述的基于托辊搬运小车检测的托辊运行状态监测方法。
优选的，所述目标神经网络的损失函数为：
Figure 90677DEST_PATH_IMAGE001
其中，
Figure 967497DEST_PATH_IMAGE002
为目标神经网络的损失函数，
Figure 307343DEST_PATH_IMAGE003
为交叉熵损失函数，
Figure 51921DEST_PATH_IMAGE004
为双曲正切函数，
Figure 920651DEST_PATH_IMAGE005
为第
Figure 19188DEST_PATH_IMAGE006
帧音频数据对应的异常指标，
Figure 552937DEST_PATH_IMAGE007
为第
Figure 873060DEST_PATH_IMAGE008
帧音频数据对应的异常指标，
Figure 584795DEST_PATH_IMAGE009
为第
Figure 92000DEST_PATH_IMAGE006
帧音频数据对应的标注值，
Figure 163861DEST_PATH_IMAGE010
为超参数，
Figure 338491DEST_PATH_IMAGE011
为音频数据的总帧数。
优选的，在对目标神经网络进行训练的过程中，将训练集中正常音频数据的标签标注为-1，将训练集中异常音频数据的标签标注为1。
优选的，各帧音频数据对应的异常指标的计算公式为：
Figure 952618DEST_PATH_IMAGE012
其中，
Figure 212698DEST_PATH_IMAGE005
为第
Figure 557092DEST_PATH_IMAGE006
帧音频数据对应的异常指标，
Figure 586228DEST_PATH_IMAGE003
为交叉熵损失函数，
Figure 639766DEST_PATH_IMAGE013
为第
Figure 387142DEST_PATH_IMAGE006
帧音频数据的实际音频值，
Figure 800806DEST_PATH_IMAGE014
为托辊正常时第
Figure 684448DEST_PATH_IMAGE006
帧音频数据的音频值。
优选的，若所述绝对值大于等于设定阈值，则判定托辊运行异常。
优选的，若当前时间段的音频数据对应类别为正常音频数据类别，则判定托辊运行正常。
本发明具有如下有益效果：本发明的目的是监测托辊运行状态是否异常，考虑到托辊运行状态异常时，托辊旋转速度和托辊旋转声音可能会发生改变，因此本发明利用搬运小车携带的综合检测仪采集音频数据和托辊的旋转速度；计算当前时刻托辊的旋转速度与标准速度的差值的绝对值，判断所述绝对值是否小于阈值，若小于，利用目标神经网络判断当前时间段的音频数据是否异常，本发明对目标神经网络进行了改进，优化了目标神经网络的损失函数，然后利用历史音频数据对改进后的目标神经网络进行训练，利用训练好的目标神经网络判断当前时间段的音频数据是否为异常音频数据，若当前时间段的音频数据为异常音频数据，则判定托辊运行异常。本发明以托辊搬运小车对托辊运行状态进行智能监测代替人工巡检，当监测到托辊运行状态异常时，提醒人工进行检测，提高了对损坏托辊检查判断的准确性、及时性、智能化，并提高了托辊运行状态检测的自动化程度和效率，降低了现场维护人员的劳动强度，避免人工巡检过程中的漏检、误判现象。
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为本发明提供的基于托辊搬运小车检测的托辊运行状态监测方法的流程图。
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基于托辊搬运小车检测的托辊运行状态监测方法和装置进行详细说明如下。
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。
下面结合附图具体的说明本发明所提供的一种基于托辊搬运小车检测的托辊运行状态监测方法的具体方案。
基于托辊搬运小车检测的托辊运行状态监测方法实施例
为了解决现有通过人工定期巡检的方法进行托辊的运行状况监测时存在的上述问题，本实施例提出了一种基于托辊搬运小车检测的托辊运行状态监测方法，如图1所示，本实施例的一种基于托辊搬运小车检测的托辊运行状态监测方法包括以下步骤：
步骤S1，利用搬运小车携带的综合检测仪实时采集音频数据和托辊的旋转速度。
本实施例在托辊搬运小车本体上设置噪声速度综合检测仪，能够智能监测托辊的运行状态，当检测结果异常时，提醒维护人员进行检测，若检测结果为需要更换托辊，控制托辊搬运小车将所需更换的托辊备件搬运至托辊损坏位置，从而完成已损坏托辊的更换。
噪声速度综合检测仪采集的数据为带式输送机运行过程中托辊的旋转噪声及旋转速度，噪声速度综合检测仪通过无线传输系统，实时将获取的数据传送至系统中心。本实施例中噪声速度综合检测仪每0.1s采集一次数据。
步骤S2，计算当前时刻托辊的旋转速度与标准速度的差值的绝对值；判断所述绝对值是否小于设定阈值，若小于，则将当前时间段的音频数据输入到训练好的目标神经网络中，判断当前时间段的音频数据对应的类别；所述类别包括正常音频数据类别和异常音频数据类别，目标神经网络的损失函数为交叉熵损失函数与第一损失函数之和，所述第一损失函数是根据各帧音频数据对应的实际音频值和各帧音频对应的标准音频值得到的；所述当前时间段为距离当前时刻不大于设定时间间隔的各历史采集时刻的集合。
托辊的旋转速度发生变化，说明托辊运行异常。由于有时托辊虽然出现损坏，但损坏可能并不会导致旋转速度发生变化，托辊仍可以以正常旋转速度进行旋转，因此托辊旋转速度未发生变化并不能说明托辊没有出现异常，此时还需要根据旋转声音判断托辊运行是否异常。
在步骤S1中得到当前时刻托辊的旋转速度，本实施例接下来计算当前时刻托辊的旋转速度与标准速度的差值的绝对值，标准速度为托辊未出现异常时的旋转速度。本实施例设置阈值
Figure 908887DEST_PATH_IMAGE015
，若该绝对值大于等于
Figure 877980DEST_PATH_IMAGE015
，则判定当前时刻托辊运行异常，提醒维护人员对托辊进行检测。若该绝对值小于
Figure 829756DEST_PATH_IMAGE015
，则利用目标神经网络判断当前时刻的音频数据是否为异常音频数据。
考虑到噪声速度综合检测仪采集的音频数据中可能会包含噪声，若直接将当前时刻的音频数据对应的音频值与标准音频数据对应的音频值进行对比，结果可能不太准确，因此本实施例采用神经网络对音频数据是否异常进行判断。
常规的判断音频数据类别的方法为：将音频数据特征输入到循环网络模型中，借助循环网络模型中特征之间的连续性，对异常值进行分类，完成异常值的检测，但是由于网络并不能保证较高的准确率，有可能会造成误检，将噪声检测为异常数据，本实施例对循环神经网络的损失函数进行修正。
本实施例中托辊搬运小车的起始位置为输送机的一端，在采集托辊旋转时对应的音频数据和旋转速度时，托辊搬运小车在托辊上运动，若有托辊出现异常，随着托辊搬运小车与托辊异常处的距离越来越近，检测到的托辊旋转时的音频值会越来越大；若托辊未出现异常，则音频值会处于某个稳定的范围。本实施例结合上述思想，对循环神经网络模型的损失函数进行优化，提高音频异常数据检测的精度和准确率，完成对托辊运行状态的监测。
本实施例需要将托辊旋转时的音频数据分为正常音频数据类别和异常音频数据类别，因此将网络设计为分类网络，对于分类网络，常选用交叉熵作为网络的损失函数，常规网络训练中，每一帧音频数据都能得到一个Loss值，为了提高训练效率往往采用分批训练，一批多帧，求得一批所有帧的Loss值的均值，将其作为反馈对网络进行调节，本实施例为了使训练准确率更高，对所有帧的Loss求取均值后又进行了优化，增大反馈力度和要求。在利用一批多帧音频数据对网络进行训练时，训练数据集的每一帧数据都为人工标注好的数据，将训练数据集中托辊出现异常时对应的音频数据标注为1，托辊正常时对应的音频数据标注为-1。获取训练集中托辊正常时所有帧对应的音频值，将这些音频值按照采集时间排序，对每帧音频值进行拟合，在拟合中帧数为自变量，音频值为因变量，由于这些数据均为托辊正常时对应的音频值，因此音频值近似稳定，本实施例采用自适应拟合方法，得到音频值和帧数的拟合函数
Figure 849795DEST_PATH_IMAGE016
，将帧数i带入拟合函数，可以得到音频值的拟合值
Figure 963245DEST_PATH_IMAGE014
。
Figure 419634DEST_PATH_IMAGE014
为托辊未出现异常时（正常时）第i帧音频数据对应的音频值，
Figure 175100DEST_PATH_IMAGE013
为第
Figure 33335DEST_PATH_IMAGE006
帧音频数据的实际音频值，两者做差，根据两者的差值得到该帧音频数据对应的异常指标
Figure 596647DEST_PATH_IMAGE005
，即：
Figure 805911DEST_PATH_IMAGE012
Figure 99489DEST_PATH_IMAGE017
其中，
Figure 562963DEST_PATH_IMAGE013
为第
Figure 549374DEST_PATH_IMAGE006
帧音频数据的实际音频值，
Figure 980355DEST_PATH_IMAGE014
为托辊正常时第
Figure 343203DEST_PATH_IMAGE006
帧音频数据的音频值，
Figure 661183DEST_PATH_IMAGE003
为交叉熵损失函数，
Figure 818495DEST_PATH_IMAGE018
为声音强度的可信度，j为类别下标，c为总类别数，
Figure 736772DEST_PATH_IMAGE019
为样本中第j种类别中第i帧音频的音频值，
Figure 372153DEST_PATH_IMAGE020
为样本中第j种类别中第i帧音频在网络中的预测音频值，n为总帧数，
Figure 810219DEST_PATH_IMAGE021
为第一超参数，
Figure 138432DEST_PATH_IMAGE021
是足够小的正数，防止对数函数中输入参数出现0的情况，本实施例中设置
Figure 278426DEST_PATH_IMAGE022
，在具体应用中，根据实际情况进行设定。
托辊出现异常时，托辊搬运小车越来越靠近异常处，异常声音强度越来越大，同理计算得到第
Figure 717498DEST_PATH_IMAGE008
帧音频数据对应的异常指标
Figure 7140DEST_PATH_IMAGE023
，当
Figure 506255DEST_PATH_IMAGE024
时，判定当前检测出的异常值为托辊损坏造成的异常值，将该帧对应的实际音频值与标准值
Figure 133545DEST_PATH_IMAGE013
进行比对，如果
Figure 110729DEST_PATH_IMAGE013
为托辊异常时对应的音频数据，将
Figure 523386DEST_PATH_IMAGE013
标注为1，此时
Figure 193402DEST_PATH_IMAGE025
，判定当前异常值的检测是准确的，损失函数的值应当减小；如果
Figure 307989DEST_PATH_IMAGE013
为托辊正常时对应的音频数据，将
Figure 88863DEST_PATH_IMAGE013
标注为-1，此时
Figure 356027DEST_PATH_IMAGE026
,判定当前异常值的检测是不准确的，损失函数的值应当增加。当
Figure 196944DEST_PATH_IMAGE027
时，判定当前检测出的异常值并非托辊损坏造成的异常值，将该帧对应的实际音频值与标准值
Figure 533248DEST_PATH_IMAGE013
进行比对，如果
Figure 383392DEST_PATH_IMAGE013
为托辊异常时对应的音频数据，将
Figure 505063DEST_PATH_IMAGE029
标注为1，此时
Figure 516881DEST_PATH_IMAGE030
,判定当前异常值的检测是不准确的，损失函数的值应当增加；如果
Figure 340481DEST_PATH_IMAGE013
为托辊正常时对应的音频数据，将
Figure 728737DEST_PATH_IMAGE013
标注为-1，此时
Figure 593662DEST_PATH_IMAGE025
,判定当前异常值的检测是准确的，损失函数的值应当降低。本实施例优化后的损失函数
Figure 776382DEST_PATH_IMAGE002
为：
Figure 352857DEST_PATH_IMAGE031
其中，
Figure 279225DEST_PATH_IMAGE003
为交叉熵损失函数，
Figure 130416DEST_PATH_IMAGE004
为双曲正切函数，
Figure 749617DEST_PATH_IMAGE005
为第
Figure 547808DEST_PATH_IMAGE006
帧音频数据对应的异常指标，
Figure 12288DEST_PATH_IMAGE007
为第
Figure 963057DEST_PATH_IMAGE008
帧音频数据对应的异常指标，
Figure 753159DEST_PATH_IMAGE009
为第
Figure 773067DEST_PATH_IMAGE006
帧音频数据对应的标注值，
Figure 323128DEST_PATH_IMAGE011
为音频数据的总帧数，
Figure 345049DEST_PATH_IMAGE010
为第二超参数，本实施例中
Figure 40472DEST_PATH_IMAGE010
的值设置为50，在具体应用中，根据实际情况进行设定。
本实施例将多帧音频对应的音频值作为训练数据集，输入到改进后的循环神经网络中，完成对循环神经网络的训练。然后将当前时间段的音频数据输入到训练好的循环神经网络中，判断当前时间段的音频数据对应的类别。其中，当前时间段为距离当前时刻不大于设定时间间隔的各历史采集时刻的集合，本实施例设置时间间隔为1s，在具体应用中，根据实际情况进行设置。
本实施例对目标神经网络进行了改进，对损失函数进行了优化，排除了噪声的影响，使得判断结果更准确。
步骤S3，若当前时间段的音频数据对应的类别为异常音频数据类别，则判定托辊运行异常。
若当前时间段的音频数据为正常音频数据，则判定托辊运行正常，不需要更换托辊。
若当前时间段的音频数据为异常音频数据，则判定托辊运行异常，此时可能需要更换托辊，此时通过智能控制装置向集控室发出报警信号，提醒维护人员对托辊进行检查，当检查结果为托辊需要更换时，控制托辊搬运小车将所需更换的托辊备件搬运至托辊损坏位置，从而完成已损坏托辊的更换。
本实施例的目的是监测托辊运行状态是否异常，考虑到托辊运行状态异常时，托辊旋转速度和托辊旋转声音可能会发生改变，因此本实施例利用搬运小车携带的综合检测仪实时采集音频数据和托辊的旋转速度；计算当前时刻托辊的旋转速度与标准速度的差值的绝对值，判断所述绝对值是否小于阈值，若小于，利用目标神经网络判断当前时间段的音频数据是否异常；本实施例对目标神经网络进行了改进，优化了目标神经网络的损失函数，然后利用历史音频数据对改进后的目标神经网络进行训练，利用训练好的目标神经网络判断当前时间段的音频数据是否为异常音频数据，若当前时间段的音频数据为异常音频数据，则判定托辊运行异常。本实施例以托辊搬运小车对托辊运行状态进行智能监测，当监测到托辊运行状态异常时，提醒人工进行检测，提高了对损坏托辊检查判断的准确性、及时性、智能化，并提高了托辊运行状态监测的自动化程度和效率，降低了现场维护人员的劳动强度，避免人工巡检过程中的漏检、误判现象。
基于托辊搬运小车检测的托辊运行状态监测装置实施例
本实施例基于托辊搬运小车检测的托辊运行状态监测装置包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述所述的基于托辊搬运小车检测的托辊运行状态监测方法。
由于基于托辊搬运小车检测的托辊运行状态监测方法已经在基于托辊搬运小车检测的托辊运行状态监测方法实施例中进行了说明，所以本实施例不再对基于托辊搬运小车检测的托辊运行状态监测方法进行赘述。
需要说明的是：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 (7)

1.一种基于托辊搬运小车检测的托辊运行状态监测方法，其特征在于，该方法包括以下步骤：
利用搬运小车携带的综合检测仪实时采集音频数据和托辊的旋转速度；
计算当前时刻托辊的旋转速度与标准速度的差值的绝对值；判断所述绝对值是否小于设定阈值，若小于，则将当前时间段的音频数据输入到训练好的目标神经网络中，判断当前时间段的音频数据对应的类别；所述类别包括正常音频数据类别和异常音频数据类别，目标神经网络的损失函数为交叉熵损失函数与第一损失函数之和，所述第一损失函数是根据各帧音频数据对应的实际音频值和各帧音频对应的标准音频值得到的；所述当前时间段为距离当前时刻不大于设定时间间隔的各历史采集时刻的集合；
若当前时间段的音频数据对应的类别为异常音频数据类别，则判定托辊运行异常。
2.根据权利要求1所述的基于托辊搬运小车检测的托辊运行状态监测方法，其特征在于，所述目标神经网络的损失函数为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为目标神经网络的损失函数，
Figure DEST_PATH_IMAGE006
为交叉熵损失函数，
Figure DEST_PATH_IMAGE008
为双曲正切函数，
Figure DEST_PATH_IMAGE010
为第
Figure DEST_PATH_IMAGE012
帧音频数据对应的异常指标，
Figure DEST_PATH_IMAGE014
为第
Figure DEST_PATH_IMAGE016
帧音频数据对应的异常指标，
Figure DEST_PATH_IMAGE018
为第
Figure 145794DEST_PATH_IMAGE012
帧音频数据对应的标注值，
Figure DEST_PATH_IMAGE020
为超参数，
Figure DEST_PATH_IMAGE022
为音频数据的总帧数。
3.根据权利要求2所述的基于托辊搬运小车检测的托辊运行状态监测方法，其特征在于，在对目标神经网络进行训练的过程中，将训练集中正常音频数据的标签标注为-1，将训练集中异常音频数据的标签标注为1。
4.根据权利要求2所述的基于托辊搬运小车检测的托辊运行状态监测方法，其特征在于，各帧音频数据对应的异常指标的计算公式为：
Figure DEST_PATH_IMAGE024
其中，
Figure 108940DEST_PATH_IMAGE010
为第
Figure 91939DEST_PATH_IMAGE012
帧音频数据对应的异常指标，
Figure 80624DEST_PATH_IMAGE006
为交叉熵损失函数，
Figure DEST_PATH_IMAGE026
为第
Figure 691734DEST_PATH_IMAGE012
帧音频数据的实际音频值，
Figure DEST_PATH_IMAGE028
为托辊正常时第
Figure 313864DEST_PATH_IMAGE012
帧音频数据的音频值。
5.根据权利要求1所述的基于托辊搬运小车检测的托辊运行状态监测方法，其特征在于，若所述绝对值大于等于设定阈值，则判定托辊运行异常。
6.根据权利要求1所述的基于托辊搬运小车检测的托辊运行状态监测方法，其特征在于，若当前时间段的音频数据对应类别为正常音频数据类别，则判定托辊运行正常。
7.一种基于托辊搬运小车检测的托辊运行状态监测装置，包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如权利要求1-6任一项所述的基于托辊搬运小车检测的托辊运行状态监测方法。
CN202211003017.3A 2022-08-22 2022-08-22 基于托辊搬运小车检测的托辊运行状态监测方法和装置 Active CN115096375B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211003017.3A CN115096375B (zh) 2022-08-22 2022-08-22 基于托辊搬运小车检测的托辊运行状态监测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211003017.3A CN115096375B (zh) 2022-08-22 2022-08-22 基于托辊搬运小车检测的托辊运行状态监测方法和装置

Publications (2)

Publication Number Publication Date
CN115096375A true CN115096375A (zh) 2022-09-23
CN115096375B CN115096375B (zh) 2022-11-04

Family

ID=83300667

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211003017.3A Active CN115096375B (zh) 2022-08-22 2022-08-22 基于托辊搬运小车检测的托辊运行状态监测方法和装置

Country Status (1)

Country Link
CN (1) CN115096375B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115293294A (zh) * 2022-09-26 2022-11-04 南通佳晟宏机械配件有限公司 一种用于热轧机轧辊轴承损耗的识别与预测方法

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07267330A (ja) * 1994-03-24 1995-10-17 Chichibu Onoda Cement Corp ベルトコンベアのキャリアローラ異常検出装置
CN205204106U (zh) * 2015-11-30 2016-05-04 华电重工股份有限公司 带式输送机托辊运行噪声监测与损坏预估系统
CN110362068A (zh) * 2019-08-02 2019-10-22 苏州容思恒辉智能科技有限公司 一种基于工业物联网的机械设备故障预警方法、系统和可读存储介质
CN112504673A (zh) * 2020-12-07 2021-03-16 中国科学院重庆绿色智能技术研究院 基于机器学习的托辊故障诊断方法、系统及存储介质
CN112660746A (zh) * 2020-12-07 2021-04-16 中国科学院重庆绿色智能技术研究院 基于大数据技术的托辊故障诊断方法、系统及存储介质
CN112660745A (zh) * 2020-12-07 2021-04-16 中国科学院重庆绿色智能技术研究院 托辊故障智能诊断方法、系统及可读存储介质
US20210125061A1 (en) * 2019-10-28 2021-04-29 Robert Bosch Gmbh Device and method for the generation of synthetic data in generative networks
CN113011646A (zh) * 2021-03-15 2021-06-22 腾讯科技（深圳）有限公司 一种数据处理方法、设备以及可读存储介质
CN113077815A (zh) * 2021-03-29 2021-07-06 腾讯音乐娱乐科技（深圳）有限公司 一种音频评估方法及组件
CN113074924A (zh) * 2021-03-25 2021-07-06 中煤科工集团重庆研究院有限公司 一种带式输送机托辊异常声学诊断系统及方法
CN113213101A (zh) * 2021-05-06 2021-08-06 华润电力技术研究院有限公司 一种托辊异常检测方法和系统
CN113344180A (zh) * 2021-05-31 2021-09-03 上海商汤智能科技有限公司 神经网络训练与图像处理方法、装置、设备和存储介质
CN113353582A (zh) * 2021-07-02 2021-09-07 东北大学 基于音频信息和pso-msvm的传送带托辊设备故障检测方法
CN113658603A (zh) * 2021-07-12 2021-11-16 上海大学 一种基于音频的皮带运输机托辊智能故障诊断方法
CN114386518A (zh) * 2022-01-14 2022-04-22 桂林电子科技大学 基于自适应宽度自注意力机制的轻量化异常声事件检测方法
US20220129748A1 (en) * 2020-10-28 2022-04-28 N Point Infotech Co., Ltd. System and method for monitoring a machine
CN114722885A (zh) * 2022-06-09 2022-07-08 山东山矿机械有限公司 托辊搬运小车运行异常智能检测方法及系统
US20220245945A1 (en) * 2020-03-05 2022-08-04 Northwestern Polytechnical University Video anomaly detection method based on human-machine cooperation

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07267330A (ja) * 1994-03-24 1995-10-17 Chichibu Onoda Cement Corp ベルトコンベアのキャリアローラ異常検出装置
CN205204106U (zh) * 2015-11-30 2016-05-04 华电重工股份有限公司 带式输送机托辊运行噪声监测与损坏预估系统
CN110362068A (zh) * 2019-08-02 2019-10-22 苏州容思恒辉智能科技有限公司 一种基于工业物联网的机械设备故障预警方法、系统和可读存储介质
US20210125061A1 (en) * 2019-10-28 2021-04-29 Robert Bosch Gmbh Device and method for the generation of synthetic data in generative networks
US20220245945A1 (en) * 2020-03-05 2022-08-04 Northwestern Polytechnical University Video anomaly detection method based on human-machine cooperation
US20220129748A1 (en) * 2020-10-28 2022-04-28 N Point Infotech Co., Ltd. System and method for monitoring a machine
CN112504673A (zh) * 2020-12-07 2021-03-16 中国科学院重庆绿色智能技术研究院 基于机器学习的托辊故障诊断方法、系统及存储介质
CN112660746A (zh) * 2020-12-07 2021-04-16 中国科学院重庆绿色智能技术研究院 基于大数据技术的托辊故障诊断方法、系统及存储介质
CN112660745A (zh) * 2020-12-07 2021-04-16 中国科学院重庆绿色智能技术研究院 托辊故障智能诊断方法、系统及可读存储介质
CN113011646A (zh) * 2021-03-15 2021-06-22 腾讯科技（深圳）有限公司 一种数据处理方法、设备以及可读存储介质
CN113074924A (zh) * 2021-03-25 2021-07-06 中煤科工集团重庆研究院有限公司 一种带式输送机托辊异常声学诊断系统及方法
CN113077815A (zh) * 2021-03-29 2021-07-06 腾讯音乐娱乐科技（深圳）有限公司 一种音频评估方法及组件
CN113213101A (zh) * 2021-05-06 2021-08-06 华润电力技术研究院有限公司 一种托辊异常检测方法和系统
CN113344180A (zh) * 2021-05-31 2021-09-03 上海商汤智能科技有限公司 神经网络训练与图像处理方法、装置、设备和存储介质
CN113353582A (zh) * 2021-07-02 2021-09-07 东北大学 基于音频信息和pso-msvm的传送带托辊设备故障检测方法
CN113658603A (zh) * 2021-07-12 2021-11-16 上海大学 一种基于音频的皮带运输机托辊智能故障诊断方法
CN114386518A (zh) * 2022-01-14 2022-04-22 桂林电子科技大学 基于自适应宽度自注意力机制的轻量化异常声事件检测方法
CN114722885A (zh) * 2022-06-09 2022-07-08 山东山矿机械有限公司 托辊搬运小车运行异常智能检测方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115293294A (zh) * 2022-09-26 2022-11-04 南通佳晟宏机械配件有限公司 一种用于热轧机轧辊轴承损耗的识别与预测方法

Also Published As

Publication number Publication date
CN115096375B (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
CN108829933B (zh) 一种半导体制造设备的预测性维护与健康管理的方法
CN115096375B (zh) 基于托辊搬运小车检测的托辊运行状态监测方法和装置
BR112021013786A2 (pt) Método e sistema para detectar anomalias ou indicações prematuras de falha de equipamento
CN109741927B (zh) 微型变压器生产线的设备故障和潜在不良品智能预测系统
CN113895911A (zh) 一种智慧煤流控制系统、方法及可存储介质
CN115174639B (zh) 一种基于物联网的工业设备管理方法和系统
CN112287988A (zh) 一种水污染源在线监测数据异常的识别方法
CN115685792B (zh) 基于流量阈值的废水间歇性排污口流量触发方法及装置
CN108921305B (zh) 一种部件生命期监测方法
CN112173636B (zh) 一种巡检机器人对皮带机托辊故障的检测方法
CN117250576B (zh) 一种基于多维传感数据的电流传感器实时异常检测方法
CN107844067A (zh) 一种水电站闸门在线状态监测控制方法及监测系统
CN117078227A (zh) 一种基于标识解析的环境监测运维平台
CN116991130A (zh) 一种石化生产智能化自动化控制系统和方法
Lodewijks Strategies for automated maintenance of belt conveyor systems.
CN113852661B (zh) 一种基于声波分析的流程供应链运载设备托辊故障监测系统及方法
CN112556878B (zh) 一种高温回转炉温度监测预警系统
CN116957120A (zh) 一种基于数据分析的设备状态历史趋势异常预测方法
CN207992717U (zh) 一种水电站闸门在线状态监测系统
CN115859068B (zh) 一种用于智能水利架构的环境信息感知方法及系统
CN210829975U (zh) 一种基于边缘计算和机器学习的液压系统状态监测系统
CN112780953A (zh) 一种基于模式检测的独立计量区域管网漏损检测方法
CN115456963A (zh) 一种基于视觉识别的料场皮带跑偏检测方法及系统
CN114495019B (zh) 一种管廊渗漏病害的实时监测和动态反馈方法
CN114275483B (zh) 一种带式输送机的智能在线监测系统

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
GR01 Patent grant
GR01 Patent grant