CN115510901B - 带式输送机托辊的故障识别方法和装置 - Google Patents
带式输送机托辊的故障识别方法和装置 Download PDFInfo
- Publication number
- CN115510901B CN115510901B CN202211144031.5A CN202211144031A CN115510901B CN 115510901 B CN115510901 B CN 115510901B CN 202211144031 A CN202211144031 A CN 202211144031A CN 115510901 B CN115510901 B CN 115510901B
- Authority
- CN
- China
- Prior art keywords
- fault
- audio signal
- belt conveyor
- carrier roller
- fault type
- 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 84
- 230000005236 sound signal Effects 0.000 claims abstract description 222
- 238000012544 monitoring process Methods 0.000 claims abstract description 47
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 42
- 230000002159 abnormal effect Effects 0.000 claims description 32
- 238000001228 spectrum Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 25
- 230000005484 gravity Effects 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 16
- 230000004044 response Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 238000002372 labelling Methods 0.000 claims description 12
- 230000005856 abnormality Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 230000003190 augmentative effect Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 3
- 230000002618 waking effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 abstract description 26
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 87
- 210000002569 neuron Anatomy 0.000 description 16
- 238000005461 lubrication Methods 0.000 description 9
- 230000000737 periodic effect Effects 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000001276 controlling effect Effects 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 230000003321 amplification Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000003199 nucleic acid amplification method Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 229920001983 poloxamer Polymers 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Control Of Conveyors (AREA)
Abstract
本公开提出一种带式输送机托辊的故障识别方法和装置，其中，方法包括：采用声音传感器对带式输送机托辊进行监测，以获取目标音频信号；对目标音频信号进行变分模态分解，以得到多个第一本征模态函数IMF分量；对每个第一IMF分量进行特征提取，以得到每个第一IMF分量对应的多个特征值；将多个第一IMF分量的多个特征值输入经过训练的故障识别模型，以得到故障识别模型输出的多个故障类型的预测概率；根据多个故障类型的预测概率，从多个故障类型中确定带式输送机托辊所属的目标故障类型。由此，可以实现基于深度学习技术，根据对目标音频信号进行信号分解所得到的多个IMF分量的特征值，对带式输送机托辊发生的故障类型进行自动识别。
Description
技术领域
本公开涉及人工智能技术领域，尤其涉及带式输送机托辊的故障识别方法和装置。
背景技术
矿用带式输送机具备运输距离长、托辊数量庞大等特点。在相关技术中，采用传统的人工沿线式巡检方式可以实现对带式输送机托辊的故障诊断。然而，该人工巡检方式一方面，工作量巨大，需要耗费大量的人力和时间成本，且无法保证巡检结果的准确性；另一方面，极易出现漏检的现象，且一旦出现托辊断裂、打滑、堵转、润滑不良等故障的漏检，不仅会造成运输效率的降低，甚至会对整个煤矿开采安全造成巨大隐患。
为了使得相关工作人员能够及时地识别带式输送机托辊的故障类型，并可以进行对应的维修和保护，以保证带式输送机的正常运输工作和工作人员的安全作业，如何识别带式输送机托辊的故障类型是非常重要的。
发明内容
本公开提供了一种带式输送机托辊的故障识别方法和装置，以至少在一定程度上解决相关技术中的技术问题之一。本公开的技术方案如下：
根据本公开的一方面，提供了一种带式输送机托辊的故障识别方法，包括：
采用声音传感器对所述带式输送机托辊进行监测，以获取目标音频信号；
对所述目标音频信号进行变分模态分解，以得到多个第一本征模态函数IMF分量；
对每个所述第一IMF分量进行特征提取，以得到每个所述第一IMF分量对应的多个特征值；
将所述多个第一IMF分量的多个特征值输入经过训练的故障识别模型，以得到所述故障识别模型输出的多个故障类型的预测概率；其中，所述预测概率用于指示所述带式输送机托辊发生对应故障类型的概率；
根据所述多个故障类型的预测概率，从所述多个故障类型中确定所述带式输送机托辊所属的目标故障类型。
根据本公开的另一方面，提供了另一种带式输送机托辊的故障识别装置，包括：
监测模块，用于采用声音传感器对所述带式输送机托辊进行监测，以获取目标音频信号；
第一分解模块，用于对所述目标音频信号进行变分模态分解，以得到多个第一本征模态函数IMF分量；
第一提取模块，用于对每个所述第一IMF分量进行特征提取，以得到每个所述第一IMF分量对应的多个特征值；
第一输入模块，用于将所述多个第一IMF分量的多个特征值输入经过训练的故障识别模型，以得到所述故障识别模型输出的多个故障类型的预测概率；其中，所述预测概率用于指示所述带式输送机托辊发生对应故障类型的概率；
第一确定模块，用于根据所述多个故障类型的预测概率，从所述多个故障类型中确定所述带式输送机托辊所属的目标故障类型。
根据本公开的又一方面，提供了一种电子设备，其特征在于，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，实现本公开上述一方面提出的带式输送机托辊的故障识别方法。
根据本公开的再一方面，提供了一种计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开上述一方面提出的带式输送机托辊的故障识别方法。
根据本公开的还一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开上述一方面提出的带式输送机托辊的故障识别方法。
本公开的实施例提供的技术方案至少带来以下有益效果：
采用声音传感器对带式输送机托辊进行监测，以获取目标音频信号；对目标音频信号进行变分模态分解，以得到多个第一本征模态函数IMF分量；对每个第一IMF分量进行特征提取，以得到每个第一IMF分量对应的多个特征值；将多个第一IMF分量的多个特征值输入经过训练的故障识别模型，以得到故障识别模型输出的多个故障类型的预测概率；其中，预测概率用于指示带式输送机托辊发生对应故障类型的概率；根据多个故障类型的预测概率，从多个故障类型中确定带式输送机托辊所属的目标故障类型。由此，可以实现基于深度学习技术，根据对目标音频信号进行信号分解所得到的多个IMF分量的特征值，对带式输送机托辊发生的故障类型进行自动识别。
本公开附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本公开实施例一所提供的带式输送机托辊的故障识别方法的流程示意图；
图2为本公开所提供的目标音频信号示意图；
图3为本公开所提供的对目标音频信号进行变分模态分解的结果示意图；
图4为本公开所提供的各第一IMF分量的功率图示意图；
图5为本公开实施例二所提供的带式输送机托辊的故障识别方法的流程示意图；
图6为本公开实施例三所提供的带式输送机托辊的故障识别方法的流程示意图；
图7为本公开所提供的在带式输送机托辊沿线布置的声音传感器示意图；
图8为本公开实施例四所提供的故障识别模型的训练方法的流程示意图；
图9为本公开所提供的带式输送机托辊的故障识别方法的流程示意图；
图10为本公开实施例五所提供的带式输送机托辊的故障识别装置的结构示意图；
图11示出了适于用来实现本发明实施方式的示例性电子设备的框图。
具体实施方式
下面详细描述本公开的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本公开，而不能理解为对本公开的限制。
相关技术中，带式输送机托辊的故障识别方法中，在获取带式输送机托辊的音频信号之后，可以采用以下三类方法，以对带式输送机托辊发生的故障类型进行识别：
1.直接采用时频分析的轴承故障特征提取方法。
2.采用小波变换进行音频信号分解后，采用机器学习的手段进行故障识别。
3.采用经验模态分解(Empirical mode decomposition，EMD)及其衍生分解方法进行音频信号分解后，采用机器学习手段进行故障识别。
然而，上述三类方法中存在以下缺点：
1、带式输送机托辊的工作环境复杂，由于复杂环境的干扰以及带式输送机托辊在运行过程中易造成的频率模糊问题，可能会使采集到的音频信号的时频聚集性差，进而可能导致传统的时频分析方法很难有效识别故障特征。
2、在采用小波变换对音频信号进行分解的过程中，对于不同的音频信号，需要选取特定的小波基函数与分解层数，自适应能力较差，无法很好的适应复杂多变的带式输送机托辊的工作环境，极易受到噪声干扰。
3、在采用EMD方法进行音频信号分解时，可以将音频信号按照频率分解成不同的模态分量，但是分解过程中会出现模态混叠以及端点效应，会对各模态分量的特征提取产生一定的影响。
针对上述问题中的至少一种问题，本公开实施例提供了一种带式输送机托辊的故障识别方法和装置。
下面参考附图描述本公开实施例的带式输送机托辊的故障识别方法和装置。
图1为本公开实施例一所提供的带式输送机托辊的故障识别方法的流程示意图。
本公开实施例以该带式输送机托辊的故障识别方法被配置于带式输送机托辊的故障识别装置中来举例说明，该带式输送机托辊的故障识别装置可以应用于任一电子设备中，以使该电子设备可以执行带式输送机托辊的故障识别功能。
其中，电子设备可以为任一具有计算能力的设备，例如可以为个人电脑(PersonalComputer，简称PC)、工业电脑、上位机、移动终端、服务器等，移动终端例如可以为手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
如图1所示，该带式输送机托辊的故障识别方法可以包括以下步骤：
步骤101，采用声音传感器对带式输送机托辊进行监测，以获取目标音频信号。
在本公开实施例中，目标音频信号可以是在带式输送机托辊发生故障时，由声音传感器采集的带式输送机托辊沿线的音频信号，或者也可以是在带式输送机托辊正常运输作业时，由声音传感器采集的带式输送机托辊沿线的音频信号，本公开对此不做限制。
在本公开实施例中，可以采用声音传感器对带式输送机托辊沿线的音频信号(或声音信号)进行采集，以得到目标音频信号。其中，声音传感器比如可以为磁吸式音频传感器，或者也可以为非磁吸式音频传感器等，本公开对此不做限制。
步骤102，对目标音频信号进行变分模态分解，以得到多个第一本征模态函数IMF分量。
在本公开实施例中，第一IMF(Intrinsic Mode Function，本征模态函数)分量的个数可以为多个，比如，可以为3个、4个、5个等，本公开对此不做限制。
需要说明的是，上述对第一IMF分量的个数的示例仅是示例的，实际应用时，第一IMF分量的个数可以是根据人工经验设定的，或者，也可以是根据实际应用需求设定的，本公开对此不做限制。
在本公开实施例中，可以对目标音频信号进行变分模态分解(Variational ModeDecomposition，简称VMD)，从而可以得到多个第一IMF分量。
作为一种示例，对目标音频信号进行变分模态分解，可以是将目标音频信号按照中心频率的不同分解成不同的第一IMF分量集合{u1(t),u2(t),…,uK(t)}，以便于后续的数据处理，其中，K为第一IMF分量的数量。
例如，对目标音频信号进行变分模态分解的具体过程可以包括以下步骤：
步骤一：为了获得各第一IMF分量的单边频谱，可以首先对每个uk(t)进行希尔伯特变换，例如，可以根据以下公式确定各第一IMF分量对应的解析信号：
其中，δ(t)为单位脉冲函数，j为虚数单位，*表示卷积运算，k∈[1,K]，uk(t)为第k个第一IMF分量。
步骤二：可以根据每个第一IMF分量对应的解析信号预估对应的中心频率，并可以将每个IMF分量的频谱转移到相应的基频带上，实现频率混合，具体公式如下：
其中，ωk为第k个第一IMF分量的中心频率。
步骤三：计算公式(2)所示的解调信号的梯度平方的L2范数：
步骤四：获取受约束的变分模型为：
步骤五：通过引入二次惩罚因子α和拉格朗日惩罚算子λ(t)，将上述公式(4)所述的约束性变分问题转换为非约束性变分问题。其中，α保证了信号的重构精度，λ(t)使约束条件更为严格，获得增广拉格朗日表达式如下：
步骤六：进一步解决变分问题，通过迭代更新和/>寻求增广拉格朗日表达式(5)的“鞍点”，以获得约束变分模型的最优解。其中，/>的取值可等价为如公式(6)的最小值问题：
步骤七：根据帕萨瓦尔/普朗歇尔傅里叶等距变换，可以将转换到频域：
其中，X为目标音频信号，sgn表示阶跃函数，并可以用ω-ωk代替公式(7)中第一项的ω，可以得到如下公式：
步骤八：对上述最小值问题求解，在重构的保真项中利用实信号的厄尔米特(Hermitian)对称性，可将公式(8)转换成非负频率区间的积分形式，如公式(9)所示：
步骤九：通过消除第一个变量，可以得到二次优化问题的解为：
步骤十：可以根据以下公式获得此时信号的中心频率：
步骤十一：将公式(11)转换到频域，可得：
步骤十二：此时问题转换为获得二次优化问题的解，中心频率的更新公式为：
假设获取的目标音频信号如图2所示，参数K为4，按照上述方法，按照中心频率的不同将目标音频信号进行变分模态分解，获取的4个第一IMF分量IMF1、IMF2、IMF3、IMF4可如图3所示，各第一IMF分量的功率图如图4所示。
步骤103，对每个第一IMF分量进行特征提取，以得到每个第一IMF分量对应的多个特征值。
在本公开实施例中，特征值比如可以包括但不限于峭度、重心频率、频率标准差、峰峰值等等，本公开对此不做限制。
在本公开实施例中，可以对每个第一IMF分量进行特征提取，从而可以得到每个第一IMF分量对应的多个特征值。
步骤104，将多个第一IMF分量的多个特征值输入经过训练的故障识别模型，以得到故障识别模型输出的多个故障类型的预测概率；其中，预测概率用于指示带式输送机托辊发生对应故障类型的概率。
在本公开实施例中，故障类型比如可以包括托辊断裂、堵转、润滑不良、轴承故障等，本公开对此不做限制。
在本公开实施例中，预测概率可以用于指示带式输送机托辊发生对应故障类型的故障的概率。
在本公开实施例中，可以将多个第一IMF分量的多个特征值输入经过训练的故障识别模型，以由故障识别模型对多个第一IMF分量的多个特征值进行故障类型预测，从而可以得到故障识别模型输出的多个故障类型的预测概率。
步骤105，根据多个故障类型的预测概率，从多个故障类型中确定带式输送机托辊所属的目标故障类型。
在本公开实施例中，目标故障类型可以指示带式输送机托辊发生的故障类型。
需要说明的是，目标故障类型可以为一个，或者也可以为多个，本公开对此不做限制。
在本公开实施例中，可以根据多个故障类型的预测概率，从多个故障类型中确定带式输送机托辊所属的目标故障类型。
作为一种示例，可以将预测概率最大的故障类型，作为带式输送机托辊所属的目标故障类型。
作为另一种示例，可以将预测概率大于设定概率阈值的故障类型，作为带式输送机托辊所属的目标故障类型。
本公开实施例的带式输送机托辊的故障识别方法，通过采用声音传感器对带式输送机托辊进行监测，以获取目标音频信号；对目标音频信号进行变分模态分解，以得到多个第一本征模态函数IMF分量；对每个第一IMF分量进行特征提取，以得到每个第一IMF分量对应的多个特征值；将多个第一IMF分量的多个特征值输入经过训练的故障识别模型，以得到故障识别模型输出的多个故障类型的预测概率；其中，预测概率用于指示带式输送机托辊发生对应故障类型的概率；根据多个故障类型的预测概率，从多个故障类型中确定带式输送机托辊所属的目标故障类型。由此，可以实现基于深度学习技术，根据对目标音频信号进行信号分解所得到的多个IMF分量的特征值，对带式输送机托辊发生的故障类型进行自动识别。
为了清楚说明本公开上述实施例中，是如何对每个第一IMF分量进行特征提取，以得到每个第一IMF分量对应的多个特征值的，本公开还提出一种带式输送机托辊的故障识别方法。
图5为本公开实施例二所提供的带式输送机托辊的故障识别方法的流程示意图。
如图5所示，该带式输送机托辊的故障识别方法可以包括以下步骤：
步骤501，采用声音传感器对带式输送机托辊进行监测，以获取目标音频信号。
步骤502，对目标音频信号进行变分模态分解，以得到多个第一本征模态函数IMF分量。
步骤501至502的执行过程可以参见本公开任一实施例的执行过程，在此不做赘述。
步骤503，针对多个第一IMF分量中的任一第一IMF分量，对任一第一IMF分量进行特征提取，以得到任一第一IMF分量的中心频率。
在本公开实施例中，针对多个第一IMF分量中的任一第一IMF分量，对任一第一IMF分量可以进行特征提取，以得到任一第一IMF分量的中心频率。例如，可以通过步骤102中的各公式，确定第k个第一IMF分量的中心频率ωk。
步骤504，获取任一第一IMF分量的功率谱和峭度，并根据功率谱和中心频率确定任一第一IMF分量的重心频率。
在本公开实施例中，可以获取任一第一IMF分量的功率谱。
比如，对于多个第一IMF分量中的第k个第一IMF分量uk(t)，可以按照以下公式确定该第一IMF分量的功率谱Pk(ω)：
其中，Uk(jω)是通过对第k个第一IMF分量uk(t)进行傅里叶变换获得的，k∈[1,K]，多个第一IMF分量的个数为K，T为该第一IMF分量uk(t)的周期。
在本公开实施例中，可以获取任一第一IMF分量的峭度。
比如，对于多个第一IMF分量中的第k个第一IMF分量uk(t)，可以按照以下公式确定该第一IMF分量的峭度Kuk：
其中，M为第k个第一IMF分量uk(t)的采样点总个数，uki为第k个第一IMF分量uk(t)的第i个采样点对应的函数值，为第k个第一IMF分量uk(t)的所有采样点对应的函数值的平均值。
在本公开实施例中，可以根据功率谱和中心频率确定任一第一IMF分量的重心频率。
比如，假设多个第一IMF分量中的第k个第一IMF分量的功率谱为Pk(ω)，可以按照以下公式确定该第一IMF分量的重心频率：
假设该第k个第一IMF分量的中心频率为ωk，将其代入由公式(17)确定的重心频率公式中，则该第k个第一IMF分量的重心频率为FCk(ωk)。
步骤505，根据中心频率、重心频率和功率谱，确定任一第一IMF分量的频率标准差。
在本公开实施例中，可以根据中心频率、重心频率和功率谱，确定任一第一IMF分量的频率标准差。
比如，假设多个第一IMF分量中的第k个第一IMF分量的中心频率为ωk、重心频率为FCk(ω)、功率谱为Pk(ω)，则可以按照以下公式确定该第k个第一IMF分量的频率标准差RVFk(ω)：
根据公式(18)确定第k个第一IMF分量的频率标准差公式后，可以将中心频率为ωk代入公式(18)，从而可以确定该第一IMF分量的频率标准差为RVFk(ωk)。
步骤506，根据峭度、重心频率和频率标准差，确定任一第一IMF分量对应的多个特征值。
在本公开实施例中，可以根据峭度、重心频率和频率标准差，确定任一第一IMF分量对应的多个特征值。
作为一种示例，假设多个第一IMF分量的个数为2，第一个第一IMF分量的峭度为Ku1、重心频率为FC1(ω1)、频率标准差为RVF1(ω1)，第二个第一IMF分量的峭度为Ku2、重心频率为FC2(ω2)、频率标准差为RVF2(ω2)，则第一个第一IMF分量对应的多个特征值可为Ku1、FC1(ω1)、RVF1(ω1)，第二个第一IMF分量对应的多个特征值可为Ku2、FC2(ω2)、RVF2(ω2)。
步骤507，将多个第一IMF分量的多个特征值输入经过训练的故障识别模型，以得到故障识别模型输出的多个故障类型的预测概率；其中，预测概率用于指示带式输送机托辊发生对应故障类型的概率。
步骤508，根据多个故障类型的预测概率，从多个故障类型中确定带式输送机托辊所属的目标故障类型。
步骤507至508的执行过程可以参见本公开任一实施例的执行过程，在此不做赘述。
在本公开实施例的一种可能的实现方式中，针对多个故障类型中的任一故障类型，可以获取任一故障类型对应的设定概率阈值；将任一故障类型的预测概率与设定概率阈值进行对比；当任一故障类型的预测概率大于设定概率阈值时，可以确定带式输送机托辊所属的目标故障类型包括该任一故障类型。
在本公开实施例中，设定概率阈值可以是预先设定的，比如，可以为0.7、0.75等，本公开对此不做限制。
在本公开实施例中，多个故障类型中的任一故障类型可以具有对应的设定概率阈值。
需要说明的是，各故障类型对应的设定概率阈值可以相同，或者也可以不相同，本公开对此不做限制。
在本公开实施例中，在获取任一故障类型对应的设定概率阈值之后，可以将该任一故障类型的预测概率与该任一故障类型对应的设定概率阈值进行对比；当该任一故障类型的预测概率大于对应的设定概率阈值时，可以确定带式输送机托辊所属的目标故障类型包括该任一故障类型。
比如，故障类型包括托辊断裂、堵转、润滑不良、轴承故障，托辊断裂的预测概率为0.4、对应的设定概率阈值为0.6，堵转的预测概率为0.2、对应的设定概率阈值为0.7，润滑不良的预测概率为0.8、对应的设定概率阈值为0.6，轴承故障的预测概率为0.7、对应的设定概率阈值为0.5，将上述任一故障类型的预测概率与该任一故障类型对应的设定概率阈值进行对比，确定润滑不良和轴承故障的预测概率均大于各自对应的设定概率阈值，从而可以确定带式输送机托辊所属的目标故障类型包括润滑不良和轴承故障。
本公开实施例的带式输送机托辊的故障识别方法，通过针对多个第一IMF分量中的任一第一IMF分量，对任一第一IMF分量进行特征提取，以得到任一第一IMF分量的中心频率；获取任一第一IMF分量的功率谱和峭度，并根据功率谱和中心频率确定任一第一IMF分量的重心频率；根据中心频率、重心频率和功率谱，确定任一第一IMF分量的频率标准差；根据峭度、重心频率和频率标准差，确定任一第一IMF分量对应的多个特征值。由此，可以实现对任一第一IMF分量的特征进行有效提取，从而可以获取任一第一IMF分量对应的多个特征值。
为了清楚说明本公开任一实施例中，是如何采用声音传感器对带式输送机托辊进行监测，以获取目标音频信号的，本公开还提出一种带式输送机托辊的故障识别方法。
图6为本公开实施例三所提供的带式输送机托辊的故障识别方法的流程示意图。
如图6所示，该带式输送机托辊的故障识别方法可以包括以下步骤：
步骤601，针对多个声音传感器中任一声音传感器，采用任一声音传感器对带式输送机托辊进行监测，以获取第一音频信号。
在本公开实施例中，可以在带式输送机托辊输送沿线布置多个声音传感器。
作为一种示例，当在带式输送机托辊沿线布置多个声音传感器时，多个声音传感器可以等间距设置，比如相邻声音传感器之间的距离可以为设定距离(比如1m(meter，米)、2m等)，如图7所示为在带式输送机托辊沿线布置的声音传感器示意图。
在本公开实施例的一种可能的实现方式中，可以对多个声音传感器进行划分，以得到多个小组，并可以获取各小组的监测顺序；根据监测顺序，可以依次唤醒并控制各小组内的声音传感器在设定时长内对带式输送机托辊进行监测；其中，在多个小组中的任一小组对带式输送机托辊进行监测的过程中，可以控制多个小组中除任一小组之外的其余小组内的声音传感器处于休眠模式。
在本公开实施例中，设定时长可以是预先设定的，比如可以为10min(minute，分钟)、15min等，本公开对此不做限制。
在本公开实施例中，可以对多个声音传感器进行划分，从而可以得到多个小组。比如，可以将多个声音传感器设置编号，从而可以根据编号对多个声音传感器进行划分，以得到多个小组。例如，假设多个声音传感器的个数为N，可以将依次将N个声音传感器的编号设置为1，2，…，N，从而可以根据编号，将编号为奇数对应的声音传感器划分为小组1，将编号为偶数对应的声音传感器划分为一个小组2。
需要说明的是，上述对多个声音传感器进行小组划分的示例仅是示例性的，在实际应用中，可以根据需要对多个声音传感器进行小组划分。
在本公开实施例中，可以获取各小组的监测顺序，从而可以根据监测顺序，依次唤醒并控制各小组内的声音传感器在设定时长内对带式输送机托辊进行监测，其中，在多个小组中的任一小组对带式输送机托辊进行监测的过程中，可以控制多个小组中除任一小组之外的其余小组内的声音传感器处于休眠模式。
比如，假设将多个声音传感器划分为小组1、小组2、小组3，各小组的监测顺序为小组2、小组1、小组3、小组2、小组1、小组3、小组2…，可以按照上述监测顺序，依次唤醒并控制各小组内的声音传感器在设定时长内对带式输送机托辊进行监测，其中，在多个小组中的任一小组对带式输送机托辊进行监测的过程中，可以控制多个小组中除任一小组之外的其余小组内的声音传感器处于休眠模式。
由此，一方面，可以有效对带式输送机托辊进行监测，另一方面，可以降低能耗损失。
在本公开实施例中，在多个声音传感器中任一声音传感器处于唤醒状态或非休眠模式时，可以采用该任一声音传感器对带式输送机托辊进行监测，从而可以获取该任一声音传感器采集的第一音频信号。
步骤602，响应于第一音频信号异常，确定多个声音传感器中与任一声音传感器之间的距离小于设定距离阈值的候选声音传感器。
在本公开实施例的一种可能的实现方式中，可以对第一音频信号进行变分模态分解，以获取多个第二IMF分量；对每个第二IMF分量进行特征提取，可以得到每个第二IMF分量对应的多个特征值；并可以将多个第二IMF分量的多个特征值输入故障识别模型，从而可以得到故障识别模型输出的多个故障类型的参考概率；并可以根据多个故障类型的参考概率，确定第一音频信号是否异常。
需要说明的是，对第一音频信号进行变分模态分解的具体实现方式与步骤102中对目标音频信号进行变分模态分解的方式类似，在此不做赘述。
还需要说明的是，本公开上述实施例中对多个特征值的解释说明同样适用于该实施例中，在此不做赘述。
在本公开实施例中，参考概率可以用于指示带式输送机托辊发生对应故障类型的故障的概率。
在本公开实施例中，可以根据多个故障类型的参考概率确定第一音频信号是否异常。
作为一种可能的实现方式，针对多个故障类型中任一故障类型，可以获取该任一故障类型对应的设定概率阈值，并可以将该任一故障类型的参考概率与设定概率阈值进行对比；当该任一故障类型的参考概率大于对应设定概率阈值时，则可以确定第一音频信号异常；当多个故障类型的参考概率均小于或者等于对应设定概率阈值时，则可以确定第一音频信号未异常。由此，可以自动识别第一音频信号是否异常。
需要说明的是，步骤508中对设定概率阈值的解释说明同样适用于该实施例中，在此不做赘述。
在本公开实施例中，设定距离阈值可以为预先设定的，比如可以为1.5m、2m、3m等，本公开对此不做限制。
在本公开实施例中，当第一音频信号异常时，可以从多个声音传感器中将与采集该第一音频信号的任一声音传感器之间的距离小于设定距离阈值的声音传感器，作为候选声音传感器。
作为一种可能的实现方式，当第一音频信号异常时，可以从多个声音传感器中将与获取该第一音频信号的任一声音传感器相邻的两个或一个声音传感器确定为候选声音传感器。
步骤603，控制候选声音传感器对带式输送机托辊进行监测，并获取候选声音传感器采集的第二音频信号。
在本公开实施例中，可以控制候选声音传感器对带式输送机托辊进行监测，并获取候选声音传感器采集的第二音频信号。
步骤604，将第一音频信号进行自相关处理，以获取第三音频信号。
在本公开实施例中，可以将第一音频信号进行自相关处理，以获取第三音频信号。
可以理解的是，当带式输送机托辊发生故障时，其发生故障的位置对应的声音传感器会采集到具有一定周期频率的音频信号，而由于环境噪声和随机噪声等噪声不确定性，采集到的包含环境噪声和随机噪声等噪声的音频信号不具备固定的周期频率。因此，可以通过自相关函数确定任意两个不同时刻的第一音频信号的取值之间的相关性系数，当相关性系数大于预先设定的第一相关性系数阈值时，表明是带式输送机托辊发生故障时具有周期频率的音频信号，当相关性系数小于或等于预先设定的相第一关性系数阈值时，表明是环境噪声和/或随机噪声等不具备固定的周期频率的音频信号，此时，可以将相关性系数大于预先设定的第一相关性系数阈值时对应的第一音频信号进行增强处理，将相关性系数小于或等于预先设定的第一相关性系数阈值时对应的第一音频信号进行滤除，从而可以获取第三音频信号。
步骤605，将第三音频信号与第二音频信号进行互相关处理，以获取目标音频信号。
在本公开实施例中，可以将第三音频信号与第二音频信号进行互相关处理，以获取目标音频信号。
比如，可以通过互相关函数，确定同一时刻下第三音频信号与第二音频信号对应的取值之间的相关性系数，当相关性系数大于预先设定的第二相关性系数时，表明采集第二音频信号的声音传感器捕捉到带式输送机托辊发生故障时具有周期频率的音频信号，此时可以将第三音频信号与第二音频信号进行弱互相关处理，即将第三音频信号放大，且放大倍数可以为预先设置的多个放大倍数中最小的放大倍数。由此，可以有效获取目标音频信号。
步骤606，对目标音频信号进行变分模态分解，以得到多个第一本征模态函数IMF分量。
步骤607，对每个第一IMF分量进行特征提取，以得到每个第一IMF分量对应的多个特征值。
步骤608，将多个第一IMF分量的多个特征值输入经过训练的故障识别模型，以得到故障识别模型输出的多个故障类型的预测概率；其中，预测概率用于指示带式输送机托辊发生对应故障类型的概率。
步骤609，根据多个故障类型的预测概率，从多个故障类型中确定带式输送机托辊所属的目标故障类型。
步骤606至609的执行过程可以参见本公开任一实施例的执行过程，在此不做赘述。
当确定带式输送机托辊发生目标故障类型的故障之后，在本公开实施例的一种可能的实现方式中，可以获取采集第一音频信号的该任一声音传感器的标识信息；并可以根据标识信息，生成第一异常提示信息，其中，第一异常提示信息可以用于提示标识信息对应的声音传感器所处位置的带式输送机托辊存在异常。
在本公开实施例中，任一声音传感器可以具有对应的标识信息，其中，标识信息可以用于唯一标识对应的声音传感器。
在本公开实施例中，在根据第一音频信号，确定带式输送机托辊发生目标故障类型的故障之后，可以获取采集该第一音频信号的声音传感器的标识信息，并可以根据该标识信息生成第一异常提示信息，以提示该标识信息对应的声音传感器所处位置的带式输送机托辊存在异常。
在本公开实施例的另一种可能的实现方式中，还可以获取采集第一音频信号的该任一声音传感器的定位信息，其中，定位信息可以用于指示该任一声音传感器所处的位置；从而可以根据定位信息生成第二异常提示信息，其中，第二异常提示信息可以用于提示所处位置与定位信息匹配的带式输送机托辊存在异常。
在本公开实施例的再一种可能的实现方式中，还可以根据目标故障类型生成故障预警信息，并展示该故障预警信息，和/或，发送该故障预警信息；其中，故障预警信息可以用于提示带式输送机托辊发生目标故障类型的故障。
由此，可以便于相关工作人员能够及时地获知带式输送机托辊发生故障的位置和/或故障所属的目标故障类型，从而可以及时对带式输送机托辊进行检修和维护。
本公开实施例的带式输送机托辊的故障识别方法，通过针对多个声音传感器中任一声音传感器，采用任一声音传感器对带式输送机托辊进行监测，以获取第一音频信号；响应于第一音频信号异常，确定多个声音传感器中与任一声音传感器之间的距离小于设定距离阈值的候选声音传感器；控制候选声音传感器对带式输送机托辊进行监测，并获取候选声音传感器采集的第二音频信号；将第一音频信号进行自相关处理，以获取第三音频信号；将第三音频信号与第二音频信号进行互相关处理，以获取目标音频信号。由此，可以实现通过对任一声音传感器采集的第一音频信号进行自相关处理和互相关处理的方式，来有效获取目标音频信号。
为了清楚说明上述实施例中故障识别模型是如何训练得到的，本公开还提出一种故障识别模型的训练方法。
图8为本公开实施例四所提供的故障识别模型的训练方法的流程示意图。
如图8所示，该故障识别模型的训练方法可以包括以下步骤：
步骤801，获取至少一个样本音频信号；其中，样本音频信号是采用声音传感器对样本带式输送机托辊进行监测得到的。
在本公开实施例中，样本音频信号可以是采用声音传感器对样本带式输送机托辊进行监测得到的。
需要说明的是，样本音频信号可以是在样本带式输送机托辊正常输送时，由声音传感器采集的样本带式输送机托辊沿线的音频信号，或者，也可以是在样本带式输送机托辊发生故障时，声音传感器采集的带式输送机托辊沿线的音频信号，本公开对此不做限制。
在本公开实施例中，样本音频信号可以为但不限于为一个，本公开对此不做限制。
步骤802，获取样本音频信号的标注信息；其中，标注信息用于指示样本带式输送机托辊所属的标注故障类型。
在本公开实施例中，标注故障类型可以用于指示样本带式输送机托辊发生的故障所属的故障类型。
在本公开实施例中，可以获取样本音频信号的标注信息；其中，标注信息可以用于指示样本带式输送机托辊所属的标注故障类型。
作为一种示例，可以采用人工标注的方式，对样本音频信号进行标注，以得到标注信息，从而可以采用标注信息对样本音频信号进行标注。
作为另一种示例，还可以采用机器标注的方式，对样本音频信号进行标注，以得到标注信息，从而可以采用标注信息对样本音频信号进行标注。
步骤803，采用标注信息对样本音频信号进行标注，并基于初始的故障识别模型对标注后的样本音频信号进行故障类型预测，以得到初始的故障识别模型输出的多个故障类型的输出概率。
在本公开实施例中，可以基于初始的故障识别模型对标注后的样本音频信号进行故障类型预测，从而可以得到初始的故障识别模型输出的多个故障类型的输出概率。
例如，可以对标注后的样本音频信号进行变分模态分解，以得到多个第三IMF分量；对每个第三IMF分量进行特征提取，以得到每个第三IMF分量对应的多个特征值；将多个第三IMF分量的多个特征值输入初始的故障识别模型，以得到初始的故障识别模型输出的多个故障类型的输出概率；其中，输出概率用于指示带式输送机托辊发生对应故障类型的概率。
步骤804，根据多个故障类型的输出概率，从多个故障类型中确定样本带式输送机托辊所属的预测故障类型。
在本公开实施例中，可以根据多个故障类型的输出概率，从多个故障类型中确定样本带式输送机托辊所属的预测故障类型。
在本公开实施例的一种可能的实现方式中，针对多个故障类型中的任一故障类型，可以获取任一故障类型对应的设定概率阈值，并可以将该任一故障类型的输出概率与设定概率阈值进行对比；当该任一故障类型的输出概率大于设定概率阈值时，可以确定该样式带式输送机托辊所属的预测故障类型包括该任一故障类型。
需要说明的是，步骤508中对设定概率阈值的解释说明同样适用于该实施例中，在此不做赘述。
步骤805，根据预测故障类型和标注故障类型之间的差异，对初始的故障识别模型进行训练，以得到经过训练的故障识别模型。
在本公开实施例中，可以根据预测故障类型和标注故障类型之间的差异，对初始的故障识别模型进行训练，从而可以得到经过训练的故障识别模型。
作为一种示例，可以根据预测故障类型和标注故障类型之间的差异，生成损失值，根据损失值对初始的故障识别模型中的模型参数进行调整，以使损失值最小化，其中，预测故障类型和标注故障类型之间的差异与损失值呈正相关关系。
需要说明的是，上述仅以模型训练的终止条件为损失值最小化进行示例，实际应用时，还可以设置其他终止条件，比如，训练次数达到设定次数，训练时长达到设定时长，损失值收敛等等，本公开对此并不做限制。
本公开实施例的带式输送机托辊的故障识别方法，通过获取至少一个样本音频信号；其中，样本音频信号是采用声音传感器对样本带式输送机托辊进行监测得到的；获取样本音频信号的标注信息；其中，标注信息用于指示样本带式输送机托辊所属的标注故障类型；采用标注信息对样本音频信号进行标注，并基于初始的故障识别模型对标注后的样本音频信号进行故障类型预测，以得到初始的故障识别模型输出的多个故障类型的输出概率；根据多个故障类型的输出概率，从多个故障类型中确定样本带式输送机托辊所属的预测故障类型；根据预测故障类型和标注故障类型之间的差异，对初始的故障识别模型进行训练，以得到经过训练的故障识别模型。由此，通过预先对初始的故障识别模型进行训练，得到经过训练的故障识别模型，从而可以采用该经过训练的故障识别模型预测带式输送机托辊所属的故障类型，可以提升预测结果的准确性。
作为一种示例，以故障识别模型为BP(Back Propagation)神经网络模型进行示例，带式输送机托辊的故障识别过程可如图9所示，其具体可以包括以下几个步骤：
一、数据收集及信号预处理
1、数据收集
可以采用磁吸式音频传感器作为声音传感器，以对带式输送机托辊进行实时监测，并可以采用监控主机进行数据汇总，以实现对带式输送机托辊沿线声音的采集。其中，监控主机可以具备左右双通道，从而可以收集监控主机两侧各50m内声音传感器采集到的音频信号，其中，声音传感器的拾音灵敏度比如可以为-26dBFS±1dB，且声音传感器可以采集60～20KHz频率范围内的音频信息。
在带式输送机托辊安全监测的实际应用过程中，可以首先对声音传感器沿带式输送机运输线进行布置，在带式输送机托辊沿线布置的声音传感器可如图7所示，其中，相邻的声音传感器之间的距离比如可以为1～2m，由此可以实现对带式输送机全部托辊的实时检测以及故障诊断；最后，可以由监控主机将各个声音传感器的数据进行汇总收集。
为了降低整个监测系统的能耗损失，可以采用“个别点监控，所有点诊断”的方式进行数据采集，该方式可以将声音传感器划分为不同组别，并可以按照一定的时间间隔进行“预监测”，即可以对多个声音传感器进行划分，以得到多个小组，并可以获取各小组的监测顺序；根据监测顺序，可以依次唤醒并控制各小组内的声音传感器在设定时长内对带式输送机托辊进行监测；其中，在多个小组中的任一小组内的声音传感器对带式输送机托辊进行监测的过程中，可以控制多个小组中除任一小组之外的其余小组内的声音传感器处于休眠模式。
若发现采集到的音频信号异常，可以迅速对与采集到异常的音频信号的声音传感器相邻的声音传感器进行“唤醒”，以通过唤醒后的各声音传感器对带式输送机托辊进行监测，从而可以获取处于采集到异常的音频信号的声音传感器周围的所有声音传感器采集的音频信号，即针对多个声音传感器中任一声音传感器，可以采用任一声音传感器对带式输送机托辊进行监测，以获取第一音频信号；对第一音频信号进行变分模态分解，可以获取多个第二IMF分量，并可以对每个第二IMF分量进行特征提取，以得到每个第二IMF分量对应的多个特征值；将多个第二IMF分量的多个特征值输入故障识别模型，以得到故障识别模型输出的多个故障类型的参考概率；针对多个故障类型中任一故障类型，获取任一故障类型对应的设定概率阈值；并可以将任一故障类型的参考概率与设定概率阈值进行对比；当任一故障类型的参考概率大于对应设定概率阈值时，可以确定第一音频信号异常；当多个故障类型的参考概率均小于或者等于对应设定概率阈值时，可以确定第一音频信号未异常；当第一音频信号异常时，可以确定多个声音传感器中与该任一声音传感器之间的距离小于设定距离阈值的候选声音传感器，或者可以确定多个声音传感器中与该任一声音传感器相邻的候选声音传感器，并可以控制候选声音传感器对带式输送机托辊进行监测，并迅速获取候选声音传感器采集的第二音频信号。
需要说明的是，对第一音频信号进行变分模态分解可以参见本公开任一实施例中的相关描述，在此不做赘述。
2、信号预处理
可以将第一音频信号进行自相关处理，以获取第三音频信号；并可以将第三音频信号与第二音频信号进行互相关处理，以获取目标音频信号。
以图7中第n个声音传感器采集到的音频信号为第一音频信号进行示例，第n个声音传感器采集到的音频信号中，可能包括该声音传感器覆盖区域内的托辊的音频信号，还可能包括第n-1个声音传感器(在本公开中记为候选声音传感器)和第n+1个声音传感器(在本公开中记为候选声音传感器)覆盖区域内的音频信号以及环境噪声和随机噪声等干扰信号。
其中，第n-1个声音传感器与第n个声音传感器、第n个声音传感器与第n+1个声音传感器采集到的音频信号会存在一定的互相关特性；且针对多个声音传感器中任一声音传感器采集到的音频信号，不同的时间段内的音频信号会存在较强的自相关特性。特别地，在发生故障时，随着托辊的转动，托辊发生故障的位置会产生具备一定周期频率的音频信号，而由于环境噪声以及随机噪声等干扰噪声的不确定性，环境噪声以及随机噪声等干扰噪声不具备固定的周期频率。
因此，可以对第n个声音传感器采集到的音频信号进行自相关处理，有效滤除其中的环境噪声以及随机噪声干扰等非周期信号，并可以将处理后的音频信号与第n-1个声音传感器采集到的音频信号和第n+1个声音传感器采集到的音频信号分别进行弱互相关处理，以结合相邻声音传感器的音频信号，对第n个声音传感器采集到的相同频率信息进行有效加强，从而可以有效获取目标音频信号。
二、对目标音频信号进行变分模态分解
需要说明的是，对目标音频信号进行变分模态分解可以参见本公开任一实施例中的相关描述，在此不做赘述。
三、采用BP神经网络作为故障识别模型，以进行故障诊断
BP神经网络是一种信号正向传播，误差反向传播的网络结构，该神经网络可以采用数据训练的方式进行学习，通过周而复始的对输出误差进行反向传播，以更新BP神经网络各层权值。
在采用故障识别模型进行故障诊断时，可以通过以下几个步骤实现：
1、构建故障识别模型
1.1确定故障识别模型的基本结构
可以理解的是，三层BP神经网络仅需隐含层神经元的数量选择合理，就可以具有模拟任意复杂的非线性映射的能力或函数逼近能力。因此，本公开中BP神经网络的基本结构可以为输入层、隐含层、输出层的三层结构。
1.2确定故障识别模型各层中神经元的数量
1.2.1输入层神经元的数量
在确定输入层神经元的数量时，可以根据目标音频信号的变分模态分解的结果，即目标音频信号被分解得到第一IMF分量集合{u1(t),u2(t),…,uK(t)}，其中，K为第一IMF分量的数量，可以按照公式(15)和公式(16)确定各第一IMF分量对应的峭度，其中，峭度可以用于反映时域信号中的冲击信号的分布特性。
针对上述多个第一IMF分量中第k个第一IMF分量uk(t)，可以根据公式(14)确定该第一IMF分量的功率谱Pk，进而可以基于公式(17)，根据功率谱和中心频率确定该第一IMF分量的重心频率FCk，其中，该第一IMF分量的重心频率可以描述该第一IMF分量对应的信号在频谱中分量较大的信号成分的频率，并可以反映信号功率谱的分布特性。
最后，针对上述多个第一IMF分量中第k个第一IMF分量uk(t)，可以基于公式(18)，根据该第一IMF分量的中心频率、重心频率和功率谱，确定该第一IMF分量的频率标准差RVFk，该第一IMF分量的频率标准差可以用于描述该第一IMF分量对应的信号功率谱能量分布的分散程度，频率标准差的数值越大，表示对应的信号功率谱的能量越集中。
可以根据峭度、重心频率和频率标准差，确定任一第一IMF分量对应的多个特征值，比如，假设上述多个第一IMF分量的数量为4，上述多个第一IMF分量中第k个第一IMF分量uk(t)对应的峭度为Kuk、重心频率为FCk、频率标准差为RVFk，则该第k个第一IMF分量对应的多个特征值为Kuk、FCk、RVFk。
举例说明，当上述多个第一IMF分量的数量为4个时，本公开所采用的BP神经网络中输入层神经元的数量为12(＝第一IMF分量的个数×特征值的个数＝4×3)个，分别为4个第一IMF分量的峭度、重心频率以及频率标准差。
1.2.2输出层神经元的数量
可以根据故障类型的数量确定输出层神经元的数量。
作为一种示例，故障类型的数量为a，则输出层神经元的数量为a+1个，且各输出层神经元输出的概率可以包括发生a种故障类型中任一故障类型的概率和正常运行的概率。
比如，故障类型可以包括托辊断裂、堵转、润滑不良、轴承故障，则故障类型的数量为4个，则输出层神经元的数量可以为5个，该5个神经元输出的概率分别为发生托辊断裂的概率、发生堵转的概率、发生润滑不良的概率、发生轴承故障的概率以及正常运行的概率。
1.2.3隐含层神经元的数量
可以根据输入层和输出层之间的经验公式(19)确定隐含层神经元的数量m：
其中，m为大于或者等于的最小正整数，n为输入层神经元的数量，l为输出层神经元的数量，α为1～10之间的调节常数。
比如，当α的取值可以为6，n的取值为12，l的取值为5，则根据公式(19)确定隐含层神经元的数量m为11。
1.3对故障识别模型进行训练
可以获取至少一个样本音频信号；其中，样本音频信号可以是采用声音传感器对样本带式输送机托辊进行监测得到的；并可以获取样本音频信号的标注信息；其中，标注信息可以用于指示样本带式输送机托辊所属的标注故障类型；并可以采用标注信息对样本音频信号进行标注，并基于初始的故障识别模型对标注后的样本音频信号进行故障类型预测，以得到初始的故障识别模型输出的多个故障类型的输出概率；根据多个故障类型的输出概率，可以从多个故障类型中确定样本带式输送机托辊所属的预测故障类型；从而可以根据预测故障类型和标注故障类型之间的差异，对初始的故障识别模型进行训练，以得到经过训练的故障识别模型。
需要说明的是，在根据多个故障类型的输出概率，从多个故障类型中确定样本带式输送机托辊所属的预测故障类型时，针对多个故障类型中的任一故障类型，可以获取任一故障类型对应的设定概率阈值，并可以将该任一故障类型的输出概率与设定概率阈值进行对比；当该任一故障类型的输出概率大于设定概率阈值时，可以确定该样式带式输送机托辊所属的预测故障类型包括该任一故障类型。
还需要说明的是，在根据预测故障类型和标注故障类型之间的差异，对初始的故障识别模型进行训练时，可以根据预测故障类型和标注故障类型之间的差异，生成损失值，根据损失值对初始的故障识别模型中的模型参数进行调整，以使损失值最小化，其中，预测故障类型和标注故障类型之间的差异与损失值呈正相关关系。
比如，可以采用声音传感器对样本带式输送机托辊进行监测，以获取至少600个样本音频信号，其中，发生故障时对应的样本音频信号不少于40个，可以根据实际发生的故障类型(比如托辊断裂、堵转、润滑不良、轴承故障)对样本音频信号进行标注，并基于初始的故障识别模型对标注后的样本音频信号进行故障类型预测，以得到初始的故障识别模型输出的多个故障类型的输出概率，并根据多个故障类型的输出概率，从多个故障类型中确定样本带式输送机托辊所属的预测故障类型；并可以根据预测故障类型和标注故障类型之间的差异，对初始的故障识别模型进行训练。
由此，可以实现对初始的故障识别模型进行有效训练，以得到经过训练的故障识别模型。
从而在获取经过训练的故障识别模型之后，可以将目标音频信号对应的多个第一IMF分量的多个特征值输入经过训练的故障识别模型，以得到故障识别模型输出的多个故障类型的预测概率；其中，预测概率用于指示带式输送机托辊发生对应故障类型的概率；根据多个故障类型的预测概率，从多个故障类型中确定带式输送机托辊所属的目标故障类型。
需要说明的是，针对多个故障类型中的任一故障类型，可以获取任一故障类型对应的设定概率阈值，并可以将该任一故障类型的预测概率与设定概率阈值进行对比；当任一故障类型的预测概率大于设定概率阈值时，可以确定带式输送机托辊所属的目标故障类型包括该任一故障类型。
在采用本公开所提出的带式输送机托辊的故障识别方法对带式输送机托辊的故障进行识别时，可以将托辊的音频信号按照中心频率分解成不同的IMF分量，并可以根据各IMF分量提取峭度、重心频率、频率标准差等特征项。本公开的发明人在采用本公开所提出的带式输送机托辊的故障识别方法对带式输送机托辊的故障进行识别时，故障的综合检出率可以达到96.15％。
综上，本公开的带式输送机托辊的故障识别方法，可以实现对带式输送机托辊的输送沿线进行实时监测，并可以及时发现和识别带式输送机托辊的故障类型，进而可以使相关工作人员对带式输送机托辊的检修工作更加合理化、高效化，一方面，可以降低时间损耗、物力资源成本以及人力资源成本，另一方面还可以提高带式输送机托辊运行时的安全可靠性。
与上述图1至图8实施例提供的带式输送机托辊的故障识别方法相对应，本公开还提供一种带式输送机托辊的故障识别装置，由于本公开实施例提供的带式输送机托辊的故障识别装置与上述图1至图8实施例提供的带式输送机托辊的故障识别方法相对应，因此在带式输送机托辊的故障识别方法的实施方式也适用于本公开实施例提供的带式输送机托辊的故障识别装置，在本公开实施例中不再详细描述。
图10为本公开实施例五所提供的带式输送机托辊的故障识别装置的结构示意图。
如图10所示，该带式输送机托辊的故障识别装置1000可以包括：监测模块1001、第一分解模块1002、第一提取模块1003、第一输入模块1004及第一确定模块1005。
其中，监测模块1001，用于采用声音传感器对带式输送机托辊进行监测，以获取目标音频信号。
第一分解模块1002，用于对目标音频信号进行变分模态分解，以得到多个第一本征模态函数IMF分量。
第一提取模块1003，用于对每个第一IMF分量进行特征提取，以得到每个第一IMF分量对应的多个特征值。
第一输入模块1004，用于将多个第一IMF分量的多个特征值输入经过训练的故障识别模型，以得到故障识别模型输出的多个故障类型的预测概率；其中，预测概率用于指示带式输送机托辊发生对应故障类型的概率。
第一确定模块1005，用于根据多个故障类型的预测概率，从多个故障类型中确定带式输送机托辊所属的目标故障类型。
在本公开实施例的一种可能的实现方式中，第一提取模块1003，用于：针对多个第一IMF分量中的任一第一IMF分量，对任一第一IMF分量进行特征提取，以得到任一第一IMF分量的中心频率；获取任一第一IMF分量的功率谱和峭度，并根据功率谱确定任一第一IMF分量的重心频率；根据中心频率、重心频率和功率谱，确定任一第一IMF分量的频率标准差；根据峭度、重心频率和频率标准差，确定任一第一IMF分量对应的多个特征值。
在本公开实施例的一种可能的实现方式中，第一确定模块1005，用于：针对多个故障类型中任一故障类型，获取任一故障类型对应的设定概率阈值；将任一故障类型的预测概率与设定概率阈值进行对比；响应于任一故障类型的预测概率大于设定概率阈值，确定带式输送机托辊所属的目标故障类型包括任一故障类型。
在本公开实施例的一种可能的实现方式中，声音传感器的个数为多个，监测模块1001，用于：针对多个声音传感器中任一声音传感器，采用任一声音传感器对带式输送机托辊进行监测，以获取第一音频信号；响应于第一音频信号异常，确定多个声音传感器中与任一声音传感器之间的距离小于设定距离阈值的候选声音传感器；控制候选声音传感器对带式输送机托辊进行监测，并获取候选声音传感器采集的第二音频信号；将第一音频信号进行自相关处理，以获取第三音频信号；将第三音频信号与第二音频信号进行互相关处理，以获取目标音频信号。
在本公开实施例的一种可能的实现方式中，该带式输送机托辊的故障识别装置1000还可以包括：
第二分解模块，用于对第一音频信号进行变分模态分解，以获取多个第二IMF分量。
第二提取模块，用于对每个第二IMF分量进行特征提取，以得到每个第二IMF分量对应的多个特征值。
第二输入模块，用于将多个第二IMF分量的多个特征值输入故障识别模型，以得到故障识别模型输出的多个故障类型的参考概率。
第二确定模块，用于根据多个故障类型的参考概率，确定第一音频信号是否异常。
在本公开实施例的一种可能的实现方式中，第二确定模块，用于：针对多个故障类型中任一故障类型，获取任一故障类型对应的设定概率阈值；将任一故障类型的参考概率与对应设定概率阈值进行对比；响应于任一故障类型的参考概率大于对应设定概率阈值，确定第一音频信号异常；响应于多个故障类型的参考概率均小于或者等于对应设定概率阈值，确定第一音频信号未异常。
在本公开实施例的一种可能的实现方式中，该带式输送机托辊的故障识别装置1000还可以包括：
划分模块，用于对多个声音传感器进行划分，以得到多个小组，并获取各小组的监测顺序。
处理模块，用于根据监测顺序，依次唤醒并控制各小组内的声音传感器在设定时长内对带式输送机托辊进行监测；
其中，在多个小组中的任一小组对带式输送机托辊进行监测的过程中，控制多个小组中除任一小组之外的其余小组内的声音传感器处于休眠模式。
在本公开实施例的一种可能的实现方式中，该带式输送机托辊的故障识别装置1000还可以包括：
第一获取模块，用于获取任一声音传感器的标识信息。
生成模块，根据标识信息，生成第一异常提示信息，其中，第一异常提示信息用于提示标识信息对应的声音传感器所处位置的带式输送机托辊存在异常。
或者，
第二获取模块，用于获取任一声音传感器的定位信息；其中，定位信息用于指示任一声音传感器所处的位置。
第二生成模块，用于根据定位信息生成第二异常提示信息，其中，第二异常提示信息用于提示所处位置与定位信息匹配的带式输送机托辊存在异常。
在本公开实施例的一种可能的实现方式中，故障识别模型通过以下步骤训练得到：获取至少一个样本音频信号；其中，样本音频信号是采用声音传感器对样本带式输送机托辊进行监测得到的；获取样本音频信号的标注信息；其中，标注信息用于指示样本带式输送机托辊所属的标注故障类型；采用标注信息对样本音频信号进行标注，并基于初始的故障识别模型对标注后的样本音频信号进行故障类型预测，以得到初始的故障识别模型输出的多个故障类型的输出概率；根据多个故障类型的输出概率，从多个故障类型中确定样本带式输送机托辊所属的预测故障类型；根据预测故障类型和标注故障类型之间的差异，对初始的故障识别模型进行训练，以得到经过训练的故障识别模型。
本公开实施例的带式输送机托辊的故障识别装置，通过采用声音传感器对带式输送机托辊进行监测，以获取目标音频信号；对目标音频信号进行变分模态分解，以得到多个第一本征模态函数IMF分量；对每个第一IMF分量进行特征提取，以得到每个第一IMF分量对应的多个特征值；将多个第一IMF分量的多个特征值输入经过训练的故障识别模型，以得到故障识别模型输出的多个故障类型的预测概率；其中，预测概率用于指示带式输送机托辊发生对应故障类型的概率；根据多个故障类型的预测概率，从多个故障类型中确定带式输送机托辊所属的目标故障类型。由此，可以实现基于深度学习技术，根据对目标音频信号进行信号分解所得到的多个IMF分量的特征值，对带式输送机托辊发生的故障类型进行自动识别。
为了实现上述实施例，本公开还提出一种电子设备，其特征在于，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，处理器执行程序时，实现本公开前述任一实施例提出的带式输送机托辊的故障识别方法。
为了实现上述实施例，本公开还提出一种非临时性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如本公开前述任一实施例提出的带式输送机托辊的故障识别方法。
为了实现上述实施例，本公开还一种计算机程序产品，当计算机程序产品中的指令由处理器执行时，执行如本公开前述任一实施例提出的带式输送机托辊的故障识别方法。
如图11所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture；以下简称：ISA)总线，微通道体系结构(Micro Channel Architecture；以下简称：MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation；以下简称：VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection；以下简称：PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory；以下简称：RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图11未显示，通常称为“硬盘驱动器”)。尽管图11中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如：光盘只读存储器(Compact Disc Read OnlyMemory；以下简称：CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory；以下简称：DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本公开各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本公开所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network；以下简称：LAN)，广域网(Wide Area Network；以下简称：WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现前述实施例中提及的方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本公开的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本公开的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本公开的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本公开各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本公开的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本公开的限制，本领域的普通技术人员在本公开的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (6)
1.一种带式输送机托辊的故障识别方法，其特征在于，所述方法包括：
采用多个声音传感器对所述带式输送机托辊进行监测，以获取目标音频信号，其中，针对多个声音传感器中任一声音传感器，采用所述任一声音传感器对所述带式输送机托辊进行监测，以获取第一音频信号；响应于所述第一音频信号异常，确定所述多个声音传感器中与所述任一声音传感器之间的距离小于设定距离阈值的候选声音传感器；控制所述候选声音传感器对所述带式输送机托辊进行监测，并获取所述候选声音传感器采集的第二音频信号；将所述第一音频信号进行自相关处理，以获取第三音频信号；将所述第三音频信号与所述第二音频信号进行互相关处理，以获取所述目标音频信号；
对所述目标音频信号进行变分模态分解，以得到多个第一本征模态函数IMF分量，其中，对每个第一本征模态函数IMF分量进行希伯特变换，以得到各第一本征模态函数IMF分量的单边频谱，根据每个第一本征模态函数IMF分量对应的解析信号预估对应的中心频率，将每个第一本征模态函数IMF分量转移到相应的基频带上，实现频率混合，具体公式如下：
（2）；
其中，为单位脉冲函数，j为虚数单位，*表示卷积运算，k∈[1,K]，uk(t)为第k个第一IMF分量，ωk为第k个第一IMF分量的中心频率；
计算公式（2）所示的解调信号的梯度平方的L2范数，获取受约束的变分模型，所述变分模型为：
（4）；
引入二次惩罚因子α和拉格朗日惩罚算子λ(t)，将公式（4）的约束性变分问题转换为非约束性变分问题，获得增广拉格朗日表达式如下：
（5）；
通过迭代更新、/>和/>，寻求增广拉格朗日表达式（5）的“鞍点”，以获得约束变分模型的最优解，其中，/>的取值可等价为公式（6）的最小值问题：
（6）；
根据帕萨瓦尔/普朗歇尔傅里叶等距变换，将转换到频域：
（7）；
其中，sgn表示阶跃函数，用ω-ωk代替公式（7）中第一项的ω，以得到如下公式：
（8）；
对上述最小值问题求解，在重构的保真项中利用实信号的厄尔米特对称性，将公式（8）转换成非负频率区间的积分形式，所述非负频率区间的积分形式为：
（9）；
消除第一个变量，以得到二次优化问题的解，所述二次优化问题的解为：
（10）
根据以下公式获得此时信号的中心频率：
（11）；
将公式（11）转换到频域，可得：
（12）；
此时问题转换为获得二次优化问题的解，中心频率的更新公式为：
（13）；
对每个所述第一IMF分量进行特征提取，以得到每个所述第一IMF分量对应的多个特征值；
将多个第一IMF分量的多个特征值输入经过训练的故障识别模型，以得到所述故障识别模型输出的多个故障类型的预测概率；其中，所述预测概率用于指示所述带式输送机托辊发生对应故障类型的概率；
根据所述多个故障类型的预测概率，从所述多个故障类型中确定所述带式输送机托辊所属的目标故障类型，其中，针对所述多个故障类型中任一故障类型，获取所述任一故障类型对应的设定概率阈值，将所述任一故障类型的预测概率与所述设定概率阈值进行对比，响应于所述任一故障类型的预测概率大于所述设定概率阈值，确定所述带式输送机托辊所属的目标故障类型包括所述任一故障类型；
所述方法还包括：在获取第一音频信号之后，对所述第一音频信号进行变分模态分解，以获取多个第二IMF分量，对每个所述第二IMF分量进行特征提取，以得到每个所述第二IMF分量对应的多个特征值，将所述多个第二IMF分量的多个特征值输入所述故障识别模型，以得到所述故障识别模型输出的所述多个故障类型的参考概率，针对所述多个故障类型中任一故障类型，获取所述任一故障类型对应的设定概率阈值，将所述任一故障类型的参考概率与对应设定概率阈值进行对比，响应于所述任一故障类型的参考概率大于对应设定概率阈值，确定所述第一音频信号异常，响应于所述多个故障类型的参考概率均小于或者等于对应设定概率阈值，确定所述第一音频信号未异常。
2.根据权利要求1所述的方法，其特征在于，所述对每个所述第一IMF分量进行特征提取，以得到每个所述第一IMF分量对应的多个特征值，包括：
针对所述多个第一IMF分量中的任一第一IMF分量，对所述任一第一IMF分量进行特征提取，以得到所述任一第一IMF分量的中心频率；
获取所述任一第一IMF分量的功率谱和峭度，并根据所述功率谱和所述中心频率确定所述任一第一IMF分量的重心频率；
根据所述中心频率、所述重心频率和所述功率谱，确定所述任一第一IMF分量的频率标准差；
根据所述峭度、所述重心频率和所述频率标准差，确定所述任一第一IMF分量对应的多个特征值。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对多个所述声音传感器进行划分，以得到多个小组，并获取各所述小组的监测顺序；
根据所述监测顺序，依次唤醒并控制各所述小组内的声音传感器在设定时长内对所述带式输送机托辊进行监测；
其中，在所述多个小组中的任一小组对所述带式输送机托辊进行监测的过程中，控制所述多个小组中除所述任一小组之外的其余小组内的声音传感器处于休眠模式。
4.根据权利要求1所述的方法，其特征在于，所述根据所述多个故障类型的预测概率，从所述多个故障类型中确定所述带式输送机托辊所属的目标故障类型之后，所述方法还包括：
获取所述任一声音传感器的标识信息；
根据所述标识信息，生成第一异常提示信息，其中，所述第一异常提示信息用于提示所述标识信息对应的声音传感器所处位置的带式输送机托辊存在异常；
或者，
获取所述任一声音传感器的定位信息；其中，所述定位信息用于指示所述任一声音传感器所处的位置；
根据所述定位信息生成第二异常提示信息，其中，所述第二异常提示信息用于提示所处位置与所述定位信息匹配的带式输送机托辊存在异常。
5.根据权利要求1-4中任一项所述的方法，其特征在于，所述故障识别模型通过以下步骤训练得到：
获取至少一个样本音频信号；其中，所述样本音频信号是采用声音传感器对样本带式输送机托辊进行监测得到的；
获取所述样本音频信号的标注信息；其中，所述标注信息用于指示所述样本带式输送机托辊所属的标注故障类型；
采用所述标注信息对所述样本音频信号进行标注，并基于初始的故障识别模型对标注后的样本音频信号进行故障类型预测，以得到所述初始的故障识别模型输出的多个故障类型的输出概率；
根据所述多个故障类型的输出概率，从所述多个故障类型中确定所述样本带式输送机托辊所属的预测故障类型；
根据所述预测故障类型和所述标注故障类型之间的差异，对所述初始的故障识别模型进行训练，以得到经过训练的故障识别模型。
6.一种带式输送机托辊的故障识别装置，其特征在于，所述装置包括：
监测模块，用于采用多个声音传感器对所述带式输送机托辊进行监测，以获取目标音频信号，其中，针对多个声音传感器中任一声音传感器，采用所述任一声音传感器对所述带式输送机托辊进行监测，以获取第一音频信号；响应于所述第一音频信号异常，确定所述多个声音传感器中与所述任一声音传感器之间的距离小于设定距离阈值的候选声音传感器；控制所述候选声音传感器对所述带式输送机托辊进行监测，并获取所述候选声音传感器采集的第二音频信号；将所述第一音频信号进行自相关处理，以获取第三音频信号；将所述第三音频信号与所述第二音频信号进行互相关处理，以获取所述目标音频信号；
第一分解模块，用于对所述目标音频信号进行变分模态分解，以得到多个第一本征模态函数IMF分量，其中，对每个第一本征模态函数IMF分量进行希伯特变换，以得到各第一本征模态函数IMF分量的单边频谱，根据每个第一本征模态函数IMF分量对应的解析信号预估对应的中心频率，将每个第一本征模态函数IMF分量转移到相应的基频带上，实现频率混合，具体公式如下：
（2）；
其中，为单位脉冲函数，j为虚数单位，*表示卷积运算，k∈[1,K]，uk(t)为第k个第一IMF分量，ωk为第k个第一IMF分量的中心频率；
计算公式（2）所示的解调信号的梯度平方的L2范数，获取受约束的变分模型，所述变分模型为：
（4）；
引入二次惩罚因子α和拉格朗日惩罚算子λ(t)，将公式（4）的约束性变分问题转换为非约束性变分问题，获得增广拉格朗日表达式如下：
（5）；
通过迭代更新、/>和/>，寻求增广拉格朗日表达式（5）的“鞍点”，以获得约束变分模型的最优解，其中，/>的取值可等价为公式（6）的最小值问题：
（6）；
根据帕萨瓦尔/普朗歇尔傅里叶等距变换，将转换到频域：
（7）；
其中，sgn表示阶跃函数，用ω-ωk代替公式（7）中第一项的ω，以得到如下公式：
（8）；
对上述最小值问题求解，在重构的保真项中利用实信号的厄尔米特对称性，将公式（8）转换成非负频率区间的积分形式，所述非负频率区间的积分形式为：
（9）；
消除第一个变量，以得到二次优化问题的解，所述二次优化问题的解为：
（10）
根据以下公式获得此时信号的中心频率：
（11）；
将公式（11）转换到频域，可得：
（12）；
此时问题转换为获得二次优化问题的解，中心频率的更新公式为：
（13）；
第一提取模块，用于对每个所述第一IMF分量进行特征提取，以得到每个所述第一IMF分量对应的多个特征值；
第一输入模块，用于将多个第一IMF分量的多个特征值输入经过训练的故障识别模型，以得到所述故障识别模型输出的多个故障类型的预测概率；其中，所述预测概率用于指示所述带式输送机托辊发生对应故障类型的概率；
第一确定模块，用于根据所述多个故障类型的预测概率，从所述多个故障类型中确定所述带式输送机托辊所属的目标故障类型，其中，针对所述多个故障类型中任一故障类型，获取所述任一故障类型对应的设定概率阈值，将所述任一故障类型的预测概率与所述设定概率阈值进行对比，响应于所述任一故障类型的预测概率大于所述设定概率阈值，确定所述带式输送机托辊所属的目标故障类型包括所述任一故障类型；
所述装置还包括：在获取第一音频信号之后，对所述第一音频信号进行变分模态分解，以获取多个第二IMF分量，对每个所述第二IMF分量进行特征提取，以得到每个所述第二IMF分量对应的多个特征值，将所述多个第二IMF分量的多个特征值输入所述故障识别模型，以得到所述故障识别模型输出的所述多个故障类型的参考概率，针对所述多个故障类型中任一故障类型，获取所述任一故障类型对应的设定概率阈值，将所述任一故障类型的参考概率与对应设定概率阈值进行对比，响应于所述任一故障类型的参考概率大于对应设定概率阈值，确定所述第一音频信号异常，响应于所述多个故障类型的参考概率均小于或者等于对应设定概率阈值，确定所述第一音频信号未异常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211144031.5A CN115510901B (zh) | 2022-09-20 | 2022-09-20 | 带式输送机托辊的故障识别方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211144031.5A CN115510901B (zh) | 2022-09-20 | 2022-09-20 | 带式输送机托辊的故障识别方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115510901A CN115510901A (zh) | 2022-12-23 |
| CN115510901B true CN115510901B (zh) | 2024-04-30 |
Family
ID=84504324
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211144031.5A Active CN115510901B (zh) | 2022-09-20 | 2022-09-20 | 带式输送机托辊的故障识别方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115510901B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116189349B (zh) * | 2023-04-28 | 2023-07-18 | 深圳黑蚂蚁环保科技有限公司 | 一种自助打印机的远程故障监测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108706308A (zh) * | 2018-05-29 | 2018-10-26 | 华电重工股份有限公司 | 一种输送机的故障识别方法、装置及系统 |
| CN112362348A (zh) * | 2020-10-27 | 2021-02-12 | 华北电力大学（保定） | 一种带式输送机托辊轴承故障声学监测方法 |
| 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 |
| 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 |
| CN113673468A (zh) * | 2021-08-30 | 2021-11-19 | 武汉理工大学 | 一种输送机故障诊断方法、系统、电子设备及存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4829335B2 (ja) * | 2009-11-04 | 2011-12-07 | 株式会社東芝 | 搬送コンベアの診断装置及びその診断システム |
| US8887897B2 (en) * | 2010-08-31 | 2014-11-18 | Itoh Denki Co., Ltd. | Fault diagnosis method for roller conveyor, roller conveyor, and controller for conveyor |
-
2022
- 2022-09-20 CN CN202211144031.5A patent/CN115510901B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108706308A (zh) * | 2018-05-29 | 2018-10-26 | 华电重工股份有限公司 | 一种输送机的故障识别方法、装置及系统 |
| CN112362348A (zh) * | 2020-10-27 | 2021-02-12 | 华北电力大学（保定） | 一种带式输送机托辊轴承故障声学监测方法 |
| 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 |
| 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 |
| CN113673468A (zh) * | 2021-08-30 | 2021-11-19 | 武汉理工大学 | 一种输送机故障诊断方法、系统、电子设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 带式输送机托辊故障检测方法;曹贯强;《工矿自动化》;第46卷(第06期);第81-86页 * |
| 矿用带式输送机托辊音频故障诊断方法;吴文臻 等;https://kns.cnki.net/kcms/detail/32.1627.TP.20220916.1826.002.html;第1-9页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115510901A (zh) | 2022-12-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Al-Dulaimi et al. | A multimodal and hybrid deep neural network model for remaining useful life estimation | |
| Zou et al. | An adversarial denoising convolutional neural network for fault diagnosis of rotating machinery under noisy environment and limited sample size case | |
| Grezmak et al. | Interpretable convolutional neural network through layer-wise relevance propagation for machine fault diagnosis | |
| Xiang et al. | Fault diagnosis of rolling bearing under fluctuating speed and variable load based on TCO spectrum and stacking auto-encoder | |
| Yao et al. | A survey of transfer learning for machinery diagnostics and prognostics | |
| She et al. | Wear indicator construction of rolling bearings based on multi-channel deep convolutional neural network with exponentially decaying learning rate | |
| Duong et al. | A reliable health indicator for fault prognosis of bearings | |
| CN114298443B (zh) | 基于健康状态指数的工业设备预测性维护方法、装置和电子设备 | |
| Yu | A nonlinear probabilistic method and contribution analysis for machine condition monitoring | |
| CN115510901B (zh) | 带式输送机托辊的故障识别方法和装置 | |
| CN112766342A (zh) | 一种电气设备的异常检测方法 | |
| CN108760305B (zh) | 一种轴承故障检测方法、装置及设备 | |
| Wu et al. | A deep reinforcement transfer convolutional neural network for rolling bearing fault diagnosis | |
| Ding et al. | A dynamic structure-adaptive symbolic approach for slewing bearings’ life prediction under variable working conditions | |
| CN111898644B (zh) | 一种无故障样本下航天液体发动机健康状态智能识别方法 | |
| He et al. | Novel motor fault detection scheme based on one-class tensor hyperdisk | |
| CN112799130A (zh) | 一种基于深度学习的地震波振幅预测方法 | |
| Sanakkayala et al. | Explainable AI for bearing fault prognosis using deep learning techniques | |
| Zhao et al. | A novelty detection scheme for rolling bearing based on multiscale fuzzy distribution entropy and hybrid kernel convex hull approximation | |
| CN115879607A (zh) | 一种电能表状态预测方法、系统、设备和存储介质 | |
| Suryawanshi et al. | Empirical-based DA and ANN to diagnose misalignment in rotor-bearing system | |
| Chi et al. | Damage location diagnosis of frame structure based on wavelet denoising and convolution neural network implanted with Inception module and LSTM | |
| CN109165396A (zh) | 一种故障演化趋势的设备剩余使用寿命预测方法 | |
| Tang et al. | Integrating adaptive input length selection strategy and unsupervised transfer learning for bearing fault diagnosis under noisy conditions | |
| Jaber et al. | Resnet-based deep learning multilayer fault detection model-based fault diagnosis |
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 |