CN115615540B - 一种永磁自卸除铁器的托辊故障识别方法、设备及介质 - Google Patents
一种永磁自卸除铁器的托辊故障识别方法、设备及介质 Download PDFInfo
- Publication number
- CN115615540B CN115615540B CN202211637642.3A CN202211637642A CN115615540B CN 115615540 B CN115615540 B CN 115615540B CN 202211637642 A CN202211637642 A CN 202211637642A CN 115615540 B CN115615540 B CN 115615540B
- Authority
- CN
- China
- Prior art keywords
- fault
- vibration signal
- audio signal
- preset
- analyzed
- 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
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title claims abstract description 144
- 229910052742 iron Inorganic materials 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000007599 discharging Methods 0.000 title claims abstract description 44
- 230000005236 sound signal Effects 0.000 claims abstract description 167
- 239000013598 vector Substances 0.000 claims abstract description 89
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000007246 mechanism Effects 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 56
- 238000000354 decomposition reaction Methods 0.000 claims description 25
- 238000010845 search algorithm Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 238000012843 least square support vector machine Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000009434 installation Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 244000062645 predators Species 0.000 claims description 3
- 238000010409 ironing Methods 0.000 claims 1
- 230000005389 magnetism Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005294 ferromagnetic effect Effects 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 239000010754 BS 2869 Class F Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005291 magnetic effect Effects 0.000 description 1
- 239000000696 magnetic material Substances 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本说明书实施例公开了一种永磁自卸除铁器的托辊故障识别方法、设备及介质,用于提高托辊故障检测的精确度。方法包括:采集永磁自卸除铁器上待检测托辊的音频信号与振动信号,对音频信号与振动信号的进行时间对齐,获得初始音频信号与初始振动信号;对初始信号进行预处理获得待分析音频信号与待分析振动信号;基于预设小波变换算法,分别获取待分析信号的第一故障特征分量以及第二故障特征分量;基于自注意力机制获取故障特征分量的权重,将大于预设权重值的两类故障特征分量进行融合,获得待检测托辊的故障特征表示分量;获取故障特征表示分量的特征向量,以基于符合要求的最小二乘向量机模型对特征向量进行故障识别,提高了故障识别的精确性。
Description
技术领域
本说明书涉及数据识别技术领域,尤其涉及一种永磁自卸除铁器的托辊故障识别方法、设备及介质。
背景技术
除铁器是一种能产生强大磁场吸引力的设备,它能够将混杂在物料中铁磁性杂质有效清除。永磁自卸除铁器是除铁器中的一种,它能将混杂在非磁性物料中的铁磁性杂质清除。当前的永磁自卸除铁器一般由永磁磁芯、弃铁输送带、减速电机、框架、滚筒等部分组成,配合带式输送机使用,被广泛用于矿山、选煤厂、港口等场合。永磁自卸除铁器中以及弃铁输送带中的托辊结构用于实现皮带纠偏等相关功能,是当前永磁自卸除铁器中的重要组成部件之一。因此,对永磁自卸除铁器的托辊进行故障检测,是保证除铁器正常工作的一项重要环节。
传统技术手段中仅基于音频信号对托辊运行状态进行检测时,由于音频信号的信噪比较小,且设备运行时的环境噪声较大,导致了仅基于音频信号进行故障识别时,采集到的故障特征并不明显,容易造成故障识别精确度较低的问题。此外,由于托辊基于托辊外壳、托辊轴、轴承等多个组件构成,故障信息及导致故障的原因复杂。导致目前基于声音信号与振动信号进行故障分析时,需要获取声音或振动信号的包络波形,在获得包络波形后还需要经过一系列处理得到冲击频率、冲击能量、冲击密度和冲击时间等指标,进一步确定其严重程度,使得整个方法计算复杂度较高,且实时性较差。
因此,现需要一种实时准确的永磁自卸除铁器的托辊故障识别方法。
发明内容
本说明书一个或多个实施例提供了一种永磁自卸除铁器的托辊故障识别方法、设备及介质,用于解决如下技术问题:如何提供一种实时准确的永磁自卸除铁器的托辊故障识别方法。
本说明书一个或多个实施例采用下述技术方案:
本说明书一个或多个实施例提供一种永磁自卸除铁器的托辊故障识别方法,方法包括:
采集永磁自卸除铁器上待检测托辊的音频信号与振动信号,基于所述音频信号与所述振动信号的采集时间,对所述音频信号与所述振动信号进行时间对齐,获得初始音频信号与初始振动信号;其中,所述采集时间包括:所述音频信号与所述振动信号的采集起始时间、所述音频信号与所述振动信号的采集结束时间;
对所述初始音频信号与所述初始振动信号进行预处理,以获得待分析音频信号与待分析振动信号;
基于预设小波变换算法,分别获取所述待分析音频信号的第一故障特征分量以及所述待分析振动信号的第二故障特征分量;其中,所述第一故障特征分量与所述第二故障特征分量为时频特征分量;
基于预置自注意力机制获取所述第一故障特征分量的权重,以及所述第二故障特征分量的权重,以将所述权重大于预设权重值的第一故障特征分量与第二故障特征分量进行融合,获得所述待检测托辊的故障特征表示分量;
提取所述故障特征表示分量的能量熵,以基于所述能量熵确定所述待检测托辊的特征向量;
根据预设搜索算法对预设最小二乘向量机模型进行参数优化,获得符合要求的最小二乘向量机模型,以基于所述符合要求的最小二乘向量机模型对所述待检测托辊的特征向量进行故障识别。
可选地,在本说明书一个或多个实施例中,所述采集永磁自卸除铁器上待检测托辊的音频信号与振动信号之前,所述方法还包括:
基于所述永磁自卸除铁器的型号,确定所述永磁自卸除铁器中传输带部件的结构特点,以基于所述结构特点确定各采集设备的安装线路;
通过工业互联网获取所述型号的永磁自卸除铁器对于托辊检测的检测数据,基于所述检测数据确定各所述特征表示分量所对应的采集设备布设位置及所述布设位置所对应的布设方向;其中,所述布设位置包括:托辊外壳、托辊轴、轴承、轴承座;
基于欧氏距离对所述布设位置以及所述布设位置所对应的布设方向进行聚类,获得多个类簇;
基于各类簇中分量的数量确定预设数量的类簇作为待选择类簇,并获取各待选择类簇中心点所对应的布设位置及所述布设位置所对应的布设方向作为待布设位置及待布设方向;
基于所述待布设位置与待布设方向在各采集设备的安装路线上,布设各采集设备,以便基于所述采集设备采集待检测托辊的音频信号与振动信号。
可选地,在本说明书一个或多个实施例中,所述基于所述音频信号与所述振动信号的采集时间,对所述音频信号与所述振动信号进行时间对齐,具体包括:
基于预设采集周期启动所述永磁自卸除铁器的托辊上预设的采集设备,以采集所述音频信号与所述振动信号;
获取各所述音频信号与各所述振动信号的多个起始采集时间与多个结束采集时间;
基于时间顺序对所述起始采集时间进行排序获得起始采集时间序列,并基于时间顺序对所述结束采集时间进行排序获得结束采集时间序列;
根据所述起始采集时间序列的末端时间以及所述结束采集时间序列的首端时间,确定各所述音频信号与各所述振动信号的有效采集时间范围,以实现所述音频信号与所述振动信号的时间对齐,获得所述初始音频信号与所述初始振动信号。
可选地,在本说明书一个或多个实施例中,对所述初始音频信号与所述初始振动信号进行预处理,具体包括:
对所述有效采集时间范围内各所述初始音频信号与各所述初始振动信号进行下采样,获得待处理音频信号与待处理振动信号;
基于最大相关峭度解卷积算法的迭代计算,获取滤波器长度与冲击周期,以基于所述滤波器长度与所述冲击周期确定有限长单位冲激响应滤波器,并基于所述有限长单位冲击响应滤波器对所述待处理音频信号进行过滤,获得待分析音频信号;
获取所述有效采集时间范围内各待处理振动信号的平均幅值,并获取所述待处理振动信号各采样点的实际幅值;
获取各采样点的所述实际幅值与所述平均幅值的差值,以基于各采样点的差值构成所述有效采集时间范围内的第一振动信号;
基于预设高通滤波器与预设低通滤波器,对所述第一振动信号分别进行高频过滤与低频过滤,获得第二振动信号;
基于梯形积分算法对所述第二振动信号进行处理,以实现对所述第二振动信号的过滤,获得待分析振动信号。
可选地,在本说明书一个或多个实施例中,所述基于预设小波变换算法,分别获取所述待分析音频信号的第一故障特征分量以及所述待分析振动信号的第二故障特征分量,具体包括:
获取所述待分析音频信号的第一波形以及所述待分析振动信号的第二波形,基于所述第一波形与所述第二波形分别选择与所述待分析音频信号相对应的第一小波基函数以及与所述待分析振动信号相对应的第二小波基函数;
基于所述第一小波基函数与所述第二小波基函数分别对所述待分析音频信号以及所述待分析振动信号进行小波分解,以获得各所述第一小波基函数的相关系数以及各所述第二小波基函数的相关系数;其中,所述相关系数包括:概貌系数、细节系数;
对比各所述第一小波基函数的所述概貌系数与所述细节系数,以确定符合要求的第一小波基函数,并对比各所述第二小波基函数的概貌系数与所述细节系数,以确定符合要求的第二小波基函数;
调用所述永磁自卸除铁器上待检测托辊历史周期内的小波变换数据,以确定所述待分析音频信号所对应的第一分解层,以及所述待分析振动信号所对应的第二分解层;
根据所述第一分解层以及所述符合要求的第一小波基函数,对所述待分析音频信号进行小波变换,获得具有时频特征的第一特征分量;
并根据所述第二分解层以及所述符合要求的第二小波基函数,对所述待分析振动信号进行小波变换,获得具有时频特征的第二特征分量。
可选地,在本说明书一个或多个实施例中,所述提取所述故障特征表示分量的能量熵,以基于所述能量熵确定所述待检测托辊的特征向量,具体包括:
计算各所述故障特征表示分量的能量,并将所述能量输入预设能量熵计算公式,以获得各所述故障特征表示分量的能量熵;
基于所述能量熵确定各所述故障特征表示分量所对应的能量百分比,以将所述故障特征表示分量所对应的能量百分比,作为各所述托辊的特征向量。
可选地,在本说明书一个或多个实施例中,所述根据预设搜索算法对预设最小二乘向量机模型进行参数优化,获得符合要求的最小二乘向量机模型,具体包括:
对所述待检测托辊的特征向量进行归一化处理得到待检测特征向量,并将所述待检测特征向量作为训练样本;
初始化预设搜索算法的种群规模与最大迭代次数,以计算各训练样本的适应度,获得各训练样本的适应度值;
对所述适应度值进行排序获得当前种群中最佳适应度所对应的种群最佳位置,以及最差适应度所对应的种群最差位置;
根据所述预设搜索算法中种群发现者、种群掠夺者以及种群侦查者的位置,以迭代计算所述种群中各训练样本的适应度值与各训练样本的平均适应度值;
若所述种群最佳位置的适应度值大于所述平均适应度值则停止迭代,并基于所述最佳位置与所述最佳位置所对应的适应度优化所述预设最小二乘支持向量机模型,获得符合要求的最小二乘向量机模型;
所述根据预设搜索算法对预设最小二乘向量机模型进行参数优化,获得符合要求的最小二乘向量机模型之前,所述方法还包括:
获取预设径向基核函数,以将所述预设径向基核函数作为最小二乘支持向量机模型的核函数,以构建所述预设最小二乘支持向量机模型,并确定出所述预设最小二乘支持向量机模型的待优化模型参数;其中,所述模型参数至少包括以下任意一个或多个:核函数参数系数与惩罚系数。
可选地,在本说明书一个或多个实施例中,基于所述符合要求的最小二乘向量机模型对所述待检测托辊的特征值进行故障识别之后,所述方法还包括:
根据所述待检测托辊的故障类型与预设故障参数表,获取与所述故障类型对应的故障参数,并获取所述故障参数的当前参数值;
调用所述待检测托辊上一检测周期的故障参数所对应的历史参数值;
根据所述当前参数值与所述历史参数值的差值,确定所述故障参数的异变值;
基于各所述异变值的数值大小遍历预设故障等级表,以获得所述托辊的故障等级;
若所述故障等级大于等于所述故障类型的预设报警等级,则将所述故障类型与所述故障等级发送到对应操作人员的移动终端,以实现对于所述待检测托辊的及时检修。
本说明书一个或多个实施例提供一种永磁自卸除铁器的托辊故障识别设备,设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
采集永磁自卸除铁器上待检测托辊的音频信号与振动信号,基于所述音频信号与所述振动信号的采集时间,对所述音频信号与所述振动信号进行时间对齐,获得初始音频信号与初始振动信号;其中,所述采集时间包括:所述音频信号与所述振动信号的采集起始时间、所述音频信号与所述振动信号的采集结束时间;
对所述初始音频信号与所述初始振动信号进行预处理,以获得待分析音频信号与待分析振动信号;
基于预设小波变换算法,分别获取所述待分析音频信号的第一故障特征分量以及所述待分析振动信号的第二故障特征分量;其中,所述第一故障特征分量与所述第二故障特征分量为时频特征分量;
基于预置自注意力机制获取所述第一故障特征分量的权重,以及所述第二故障特征分量的权重,以将所述权重大于预设权重值的第一故障特征分量与第二故障特征分量进行融合,获得所述待检测托辊的故障特征表示分量;
提取所述故障特征表示分量的能量熵,以基于所述能量熵确定所述待检测托辊的特征向量;
根据预设搜索算法对预设最小二乘向量机模型进行参数优化,获得符合要求的最小二乘向量机模型,以基于所述符合要求的最小二乘向量机模型对所述待检测托辊的特征向量进行故障识别。
本说明书一个或多个实施例提供的一种非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
采集永磁自卸除铁器上待检测托辊的音频信号与振动信号,基于所述音频信号与所述振动信号的采集时间,对所述音频信号与所述振动信号进行时间对齐,获得初始音频信号与初始振动信号;其中,所述采集时间包括:所述音频信号与所述振动信号的采集起始时间、所述音频信号与所述振动信号的采集结束时间;
对所述初始音频信号与所述初始振动信号进行预处理,以获得待分析音频信号与待分析振动信号;
基于预设小波变换算法,分别获取所述待分析音频信号的第一故障特征分量以及所述待分析振动信号的第二故障特征分量;其中,所述第一故障特征分量与所述第二故障特征分量为时频特征分量;
基于预置自注意力机制获取所述第一故障特征分量的权重,以及所述第二故障特征分量的权重,以将所述权重大于预设权重值的第一故障特征分量与第二故障特征分量进行融合,获得所述待检测托辊的故障特征表示分量;
提取所述故障特征表示分量的能量熵,以基于所述能量熵确定所述待检测托辊的特征向量;
根据预设搜索算法对预设最小二乘向量机模型进行参数优化,获得符合要求的最小二乘向量机模型,以基于所述符合要求的最小二乘向量机模型对所述待检测托辊的特征向量进行故障识别。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:
通过采集音频信号与振动信号后,对于音频信号与振动信号所对应的特征分量进行融合,解决仅及于音频信号或仅基于振动信号进行故障识别时,故障识别不准确的问题。通过对于音频信号以及振动信号的预处理过程,减少了需要分析的信号数量,缓解了计算内存的压力提高了识别计算的速度。基于小波变化提取待分析音频信号与待分析振动信号中的特征分量,保留了特征分量中的时频特性并过滤了噪声信号,提高了特征向量中有效特征的数量。通过优化后的最小二乘向量机模型对特征向量进行识别,既提高了识别的精确度,也缓解了传统方式中在获取包络波形后基于复杂计算进行识别时,所导致的时间成本以及计算成本较高的问题。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,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地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本说明书实施例提供的一种应用场景下永磁式自卸除铁器的工作示意图;
图2为本说明书实施例提供的一种永磁自卸除铁器的托辊故障识别方法的方法流程示意图;
图3为本说明书实施例提供的一种永磁自卸除铁器的托辊故障识别设备的内部结构示意图;
图4为本说明书实施例提供的一种非易失性存储介质的内部结构示意图。
具体实施方式
本说明书实施例提供一种永磁自卸除铁器的托辊故障识别方法、设备及介质。
如图1所示为本说明书实施例提供的一种某应用场景下永磁自卸除铁器结合废铁传输带进行除铁的工作示意图。由此可见,永磁自卸除铁器一般悬挂在物料输送带的上方进行工作,体型相对较小。现有的故障检测方法例如:基于峭度指标进行检测,在基于峭度指标进行检测时,峭度指标反映了振动信号分布特性的数值统计量,是归一化的四阶中心矩,但是单纯利用四阶矩获取的指标容易受到非平稳噪声的干扰,并且偶然的冲击噪声会带来较大的波动,对故障敏感性较强但稳定性差。而通过获取声音信号或者振动信号的包络波形后,经过一系列处理得到冲击频率、冲击能量、冲击密度和冲击时间等指标,进一步确定故障的方式,计算方式复杂计算量大,难以保证检测的实时性,进而导致检测滞后的问题,影响除铁器日常的除铁工作。
因此为解决上述技术问题,本说明书实施例提供一种永磁自卸除铁器的托辊故障识别方案。本说明书实施例中通过采集音频信号与振动信号后,对于音频信号与振动信号所对应的特征分量进行融合,解决仅及于音频信号或仅基于振动信号进行故障识别时,故障识别不准确的问题。基于小波变化提取待分析音频信号与待分析振动信号中的特征分量,保留了特征分量中的时频特性并过滤了噪声信号,提高了特征向量中有效特征的数量。通过基于预置自注意力机制确定各个故障特征分量的权重,从而对故障特征分量进行选择性的融合,既减少了对于不相关故障特征分量的分析计算成本,也基于特征融合解决了基于单一类型的信号进行故障识别时导致的精确度低的问题。通过优化后的最小二乘向量机模型对特征向量进行识别,缓解了传统方式中在获取包络波形后基于复杂计算进行识别时,所导致的时间成本以及计算成本较高的问题。
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
如图2所示,本说明书一个或多个实施例中提供了一种永磁自卸除铁器的托辊故障识别方法的方法流程示意图。由图1可知,在本说明书一个或多个实施例中一种永磁自卸除铁器的托辊故障识别方法,包括以下步骤:
S201:采集永磁自卸除铁器上待检测托辊的音频信号与振动信号,基于所述音频信号与所述振动信号的采集时间,对所述音频信号与所述振动信号进行时间对齐,获得初始音频信号与初始振动信号;其中,所述采集时间包括:所述音频信号与所述振动信号的采集起始时间、所述音频信号与所述振动信号的采集结束时间。
在本说明书一个或多个实施例中,为了解决仅及于音频信号进行故障识别时,受音频信号信噪比较小导致特征向量不明显进而造成故障识别困难的问题,以及仅基于振动信号进行故障识别时,受故障原因以及故障类型复杂多样的影响,仅基于振动信号难以全面表征故障特征的问题。本说明书实施例中,根据采集设备采集永磁自卸除铁器上待检测托辊的音频信号与振动信号。同时为了便于对信号的统一分析处理,根据音频信号与振动信号的采集时间,对音频信号与振动信号进行时间对齐,从而获得初始音频信号与初始振动信号。其中,需要说明的是:采集时间包括音频信号和振动信号各自的采集起始时间,以及音频信号和振动信号各自的采集结束时间。
进一步地,为了提高采集设备采集的音频信号与振动信号的有效性,在本说明书一个或多个实施例中,采集永磁自卸除铁器上待检测托辊的音频信号与振动信号之前,方法还包括以下步骤:
首先根据永磁自卸除铁器的型号,查询确定出永磁自卸除铁器中传输带部件的结构特点,从而根据传输带部件的结构特点确定出各采集设备的安装线路。然后通过工业互联网获取该型号的永磁自卸除铁器对于托辊检测的检测数据,根据获取到的检测数据,确定出同型号的永磁自卸除铁器上托辊的各个特征表示分量,所对应的采集设备布设位置以及布设位置所对应的布设方向。其中,需要说明的是,布设位置为托辊出现故障的可能性较高的位置以及影响托辊正常工作的部件的位置,因此,布设位置包括:托辊外壳、托辊轴、轴承、轴承座等位置。确定出同型号永磁自卸除铁器的布设位置之后,由于同型号的多个永磁自卸除铁器中采集设备的布设存在差异,因此为了基于多个除铁器上安装的采集设备确定出较优的布设位置。本说明书实施例中,在获取到各个布设位置以及布设方向之后,根据欧氏距离对布设位置以及布设位置所对应的布设方向进行相似性聚类,从而获得多个类簇。然后根据各类簇中分量的数量确定出预设数量的类簇作为待选择类簇,并获取各待选择类簇中心点所对应的布设位置以及布设位置所对应的布设方向作为待布设位置及待布设方向。可以理解的是某类簇中分量的数量越多那么说明选择该位置进行布设的永磁自卸除铁器越多,该位置越优。例如:采集设备为3个,经过相似性聚类后确定同型号多个永磁自卸除铁器所对应的A类簇中存在6个分量,B类簇中存在10个分量、C类簇中存在15个分量,D类簇中存在8个分量,E类簇中存在13个分量,F类簇中存在3个分量。那么基于各个类簇中的分量数量,可以确定类簇优先级为C类簇、E类簇、B类簇、D类簇、A类簇、F类簇。在采集设备为3个时,则基于优先级选择3个类簇即C类簇、E类簇、B类簇,从而获得这三个类簇中,聚类中心点所对应的布设位置以及布设位置所对应的布设方向作为待布设位置及待布设方向。根据获取到的待布设位置与待布设方向在各采集设备的安装路线上,布设各采集设备,从而根据设置的采集设备采集待检测托辊的音频信号与振动信号。
具体地,为了使得多个信号在进行分析时,可以统一时间采集周期,避免时间不一致所造成的特征不匹配的问题,方便后续对于特征向量的融合。在本说明书一个或多个实施例中,根据音频信号与振动信号的采集时间,对音频信号与振动信号进行时间对齐,具体包括以下步骤:首先,根据预先设置的采集周期启动永磁自卸除铁器的托辊上预设的采集设备,从而采集音频信号与振动信号。由于设备延迟、传输延迟等原因,采集到的各个音频信号与振动信号的时间可能不统一。因此,先获取各音频信号与各振动信号的多个起始采集时间与多个结束采集时间。基于时间顺序对起始采集时间进行排序获得起始采集时间序列,例如{t1,t2,t3,t4,t5}并基于时间顺序对结束采集时间进行排序获得结束采集时间序列,例如{t6,t7,t8,t9,t10}。根据起始采集时间序列的末端时间t5以及结束采集时间序列的首端时间t6,确定各音频信号与各振动信号的有效采集时间范围为t5到t6之间的时间段,从而基于该有效采集时间范围实现该音频信号与振动信号的时间对齐,获得初始音频信号与初始振动信号。也就是说,截取有效采集时间范围为t5到t6之间的音频信号和振动信号,作为初始音频信号和初始振动信号。
S202:对所述初始音频信号与所述初始振动信号进行预处理,以获得所述待分析音频信号与待分析振动信号。
在本说明书实施例中,为了避免初始音频信号和初始振动信号中的噪声干扰以及无关信号对于故障识别的影响,需要对初始音频信号和初始振动信号进行预处理,从而获得待分析音频信号和待分析振动信号。
具体地,在本说明书一个或多个实施例中,对上述步骤S201实现时间对齐后的初始音频信号以及初始振动信号进行预处理,包括以下过程:
首先,为了解决待分析信号的数量过多时,需要分析的大量数据对内存的资源消耗影响,以及对于识别速度的影响。本说明书实施例中对有效采集时间范围内的各个初始音频信号与以及各个初始振动信号,通过预设采样频率进行下采样处理,从而获得处理后的待处理音频信号与待处理振动信号。由于除铁器的托辊故障发生时产生的冲击成分可能较弱,并且可能被周期环境中设备工作产生的强噪声所覆盖,导致基于声音信号获取有效特征分量的过程较为困难。因此,在本说明书实施例中,通过最大相关峭度解卷积算法的迭代计算,获取滤波器长度与冲击周期,从而根据确定的滤波器长度与所述冲击周期确定有限长单位冲激响应滤波器。根据该有限长单位冲击响应滤波器对待处理音频信号进行过滤,获得待分析音频信号,实现从嘈杂噪声中提取有效信息突出微弱信号的冲击成分,进而从音频信号中解卷积出周期性的脉冲,实现对于初始音频信号的降噪滤波处理,获得了初始音频信号。
此外,由于振动信号中可能混入了高频和低频噪声,而噪声的积分累加将使得振动信号发生畸变,因此需要对初始振动信号进行降噪过滤。本说明书实施例中为了获得初始振动信号中有效的振动速度信息、位移信息以及频率信息,实现基于振动信号对于故障的有效识别。首先获取到有效采集时间范围内各待处理振动信号的平均幅值,并获取待处理振动信号各采样点的实际幅值,从而获取到各采样点的实际幅值与平均幅值的差值,实现初始振动信号中直流分量的过滤,从而基于各采样点的差值构成有效采集时间范围内的第一振动信号。然后根据预先设置的高通滤波器以及预先设置的低通滤波器,对第一振动信号分别进行高频过滤与低频过滤,获得第二振动信号。其中,需要说明的是:该低通滤波器与高通滤波器可以是FIR滤波器、HIR滤波器等。为了进一步纠正由于噪声信号的积分累加对振动信号造成的信号畸变。本说明书实施例中通过梯形积分算法对第二振动信号进行处理,从而实现对第二振动信号中畸变信号的过滤,获得待分析振动信号。
S203:基于预设小波变换算法,分别获取所述待分析音频信号的第一故障特征分量以及所述待分析振动信号的第二故障特征分量;其中,所述第一故障特征分量与所述第二故障特征分量为时频特征分量。
为了便于提取待分析音频信号与待分析振动信号中的特征分量,并保留特征分量的时频特性,在本说明书一个或多个实施例中,根据预先设置的小波变换算法,分别对于待分析音频信号与待分析振动信号进行分解转换,从而获得待分析音频信号的第一故障特征分量以及待分析振动信号的第二故障特征分量。其中,需要说明的是基于小波变换对于特征分量的提取保留了特征分量中的时频特征,因此第一故障特征分量与第二故障特征分量为时频特征分量。
具体地,在本说明书一个或多个实施例中,基于预设小波变换算法,分别获取待分析音频信号的第一故障特征分量以及待分析振动信号的第二故障特征分量,具体包括以下步骤:
首先获取到待分析音频信号的第一波形以及待分析振动信号的第二波形,从而基于第一波形与第二波形分别选择与待分析音频信号相对应的第一小波基函数以及和待分析振动信号相对应的第二小波基函数。其中,需要说明的是,小波基函数包含不同阶数的小波基函数,因此基于第一波形与第二波形分别获取各不同阶数的小波基函数中,相似性高的小波基函数作为第一小波基函数与第二小波基函数。然后根据第一小波基函数与第二小波基函数分别对待分析音频信号以及待分析振动信号进行小波分解,从而获得各第一小波基函数的相关系数以及各第二小波基函数的相关系数;其中,需要说明的是相关系数包括:概貌系数、细节系数。小波变换过程会提取信号中的特征记为系数。例如对信号进行n层分解时会得到第n层的概貌系数和所有层次的细节系数,且分解层数不同小波系数的个数也不相同,其中细节系数表征的是信号的细节和高频信息。
然后,对比各第一小波基函数的概貌系数与细节系数,以确定符合要求的第一小波基函数,并对比各第二小波基函数的概貌系数与细节系数,以确定出符合要求的第二小波基函数。调用永磁自卸除铁器上待检测托辊历史周期内的小波变换数据,以确定出待分析音频信号所对应的第一分解层,以及待分析振动信号所对应的第二分解层。根据第一分解层以及符合要求的第一小波基函数,对待分析音频信号进行小波变换,获得具有时频特征的第一特征分量。根据确定出的第二分解层以及所述符合要求的第二小波基函数,对待分析振动信号进行小波变换,获得具有时频特征的第二特征分量。其中,需要说明的是根据历史周期的内的小波变换数据,确定出第一分解层以及第二分解层时,通过预先设置的经验模型对小波变换数据进行汇总分析,以获得各检测信号所对应的最优分解层,使得确定出最优的分解层数能够在确保高低频分开的基础上尽可能提高分解程度,将音频信号与振动信号分别确定出的最优分解层作为待分析音频信号的第一分解层以及待分析振动信号的第二分解层。
S204:基于预置自注意力机制获取所述第一故障特征分量的权重,以及所述第二故障特征分量的权重,以将所述权重大于预设权重值的第一故障特征分量与第二故障特征分量进行融合,获得所述待检测托辊的故障特征表示分量。
基于上述步骤S203获取第一故障特征分量以及第二故障分量后,为了实现基于振动信号与音频信号对故障进行识别,从而提高故障识别精确度的目标。在本说明书一个或多个实施例中,通过预先设置的自注意力机制获取第一故障特征分量中各个特征分量的权重,以及第二故障特征中各个特征分量的权重,从而基于权重获取第一故障特征分量与第二故障特征分量中的主成分故障特征分量,进而将权重大于预设权重值的第一故障特征分量与第二故障特征分量进行融合,也就是说将第一故障特征分量与第二故障特征分量中的主成分故障特征分量进行融合,获得待检测托辊的故障特征表示分量。通过基于预置自注意力机制确定各个故障特征分量的权重,从而对故障特征分量进行选择性的融合,既减少了对于不相关故障特征分量的分析计算成本,也基于特征融合解决了基于单一类型的信号进行故障识别时导致的精确度低的问题。
S205:提取所述故障特征表示分量的能量熵,以基于所述能量熵确定所述待检测托辊的特征向量。
基于上述过程S204获取到故障特征表示分量后,为了实现对于故障的识别,本说明书实施例中提取故障特征表示分量的能量熵,从而根据能量熵确定出待检测托辊的特征向量。
具体地,在本说明书一个或多个实施例中,提取故障特征表示分量的能量熵,以基于能量熵确定各待检测托辊的特征向量,具体包括以下过程:
计算各故障特征表示分量的能量,……并将能量输入预设能量熵计算公式,以获得各所述故障特征表示分量的能量熵。其中,需要说明的是能量熵计算公式为:,其中,,。基于所述能量熵确定各所述故障特征表示分量所对应的能量百分比,以将故障特征表示分量所对应的能量百分比,作为待检测托辊的特征向量。即基于能量熵确定各所述风量所对应的能量百分比,从而将该能量百分比作为故障特征分量,即各故障表示分量所对应的各特征向量,……。
S206:根据预设搜索算法对预设最小二乘向量机模型进行参数优化,获得符合要求的最小二乘向量机模型,以基于所述符合要求的最小二乘向量机模型对所述待检测托辊的特征向量进行故障识别。
根据上述步骤获得特征向量后,为了提高故障识别的精确性,本说明书实施例中首先根据预先设置的搜索算法对预先设置的最小二乘向量机模型进行参数优化,从而获得符合要求的最小二乘向量机模型,从而根据该符合要求的最小二乘向量机模型对待检测托辊的特征向量进行故障识别,提高了最小二乘向量机模型对于故障识别的精确度。
具体地,在本说明书一个或多个实施例中,根据预设搜索算法对预设最小二乘向量机模型进行参数优化,获得符合要求的最小二乘向量机模型,具体包括以下过程:
通过对待检测托辊的特征向量进行归一化处理得到待检测特征向量,并将待检测特征向量作为训练样本。初始化预设搜索算法的种群规模与最大迭代次数,从而计算各训练样本的适应度,获得各训练样本的适应度值。对适应度值进行排序获得当前种群中最佳适应度所对应的种群最佳位置,以及最差适应度所对应的种群最差位置。其中,需要说明的是适应度越高那么该训练样本在种群中的位置越好。然后根据预先设置的搜索算法中种群发现者、种群掠夺者以及种群侦查者的位置,迭代计算种群中各训练样本的适应度值与各训练样本的平均适应度值。如果确定种群最佳位置的适应度值大于平均适应度值,那么就停止继续迭代,并且根据所述最佳位置以及最佳位置所对应的适应度优化预先设置的最小二乘支持向量机模型,获得符合要求的最小二乘向量机模型。
需要说明的是,根据预先设置的搜索算法对预先设置的最小二乘向量机模型进行参数优化,获得符合要求的最小二乘向量机模型之前,方法还包括以下过程:
首先将预先设置的径向基核函数作为最小二乘支持向量机模型的核函数,从而构建出预设最小二乘支持向量机模型,并确定出预设最小二乘支持向量机模型的待优化模型参数。其中,需要说明的是常用的核函数还包括有:多项式函数、Sigmiod函数等。待优化模型参数至少包括以下任意一个或多个:核函数参数系数与惩罚系数,其中核函数参数系数用于反应样本数据的范围特性,惩罚系数用于控制模型中回归函数的拟合误差。确定出预设最小支持向量机模型以及模型的待优化参数后,根据预先设置的优化算法对待优化模型参数进行优化,从而获得优化后的最小二乘支持向量机模型。
进一步地,在本说明书一个或多个实施例中,根据符合要求的最小二乘向量机模型对待检测托辊的特征值进行故障识别之后,为了实现对于故障的及时响应与维修,避免故障维修滞后对生产所造成的影响,方法还包括以下步骤:
基于上述过程进行故障识别后,获得了待检测托辊的故障类型、故障模式等信息。根据待检测托辊的故障类型以及预先设置故障参数表,对比获取和该故障类型相对应的故障参数,从而获取到故障参数的当前参数值。调用待检测托辊上一检测周期的故障参数所对应的历史参数值。从而根据当前参数值和历史参数值的差值,确定出故障参数的异变值。根据各个异变值的数值大小遍历预设故障等级表,得到待检测托辊的故障等级。如果获取到待检测托辊的故障等级大于等于故障类型的预设报警等级,那么就将故障类型与故障等级发送到对应操作人员的移动终端中,以编操作人员及时获取故障信息实现对于所述待检测托辊的及时检修,从而避免维修不及时导致的设备整体故障,以及对于生产作业的不利影响。
如图3所示,本说明书一个或多个实施例中提供了一种永磁自卸除铁器的托辊故障识别设备的内部结构识别图。由图3可知,在本说明书一个或多个实施例中,一种永磁自卸除铁器的托辊故障识别设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
采集永磁自卸除铁器上待检测托辊的音频信号与振动信号,基于所述音频信号与所述振动信号的采集时间,对所述音频信号与所述振动信号进行时间对齐,获得初始音频信号与初始振动信号;其中,所述采集时间包括:所述音频信号与所述振动信号的采集起始时间、所述音频信号与所述振动信号的采集结束时间;
对所述初始音频信号与所述初始振动信号进行预处理,以获得待分析音频信号与待分析振动信号;
基于预设小波变换算法,分别获取所述待分析音频信号的第一故障特征分量以及所述待分析振动信号的第二故障特征分量;其中,所述第一故障特征分量与所述第二故障特征分量为时频特征分量;
基于预置自注意力机制获取所述第一故障特征分量的权重,以及所述第二故障特征分量的权重,以将所述权重大于预设权重值的第一故障特征分量与第二故障特征分量进行融合,获得所述待检测托辊的故障特征表示分量;
提取所述故障特征表示分量的能量熵,以基于所述能量熵确定所述待检测托辊的特征向量;
根据预设搜索算法对预设最小二乘向量机模型进行参数优化,获得符合要求的最小二乘向量机模型,以基于所述符合要求的最小二乘向量机模型对所述待检测托辊的特征向量进行故障识别。
如图4所示,本说明书一个或多个实施例提供了一种非易失性存储介质的内部结构示意。由图4可知,在本说明书一个或多个实施例中,一种非易失性存储介质,存储有计算机可执行指令,所述计算机可执行指令能够:
采集永磁自卸除铁器上待检测托辊的音频信号与振动信号,基于所述音频信号与所述振动信号的采集时间,对所述音频信号与所述振动信号进行时间对齐,获得初始音频信号与初始振动信号;其中,所述采集时间包括:所述音频信号与所述振动信号的采集起始时间、所述音频信号与所述振动信号的采集结束时间;
对所述初始音频信号与所述初始振动信号进行预处理,以获得待分析音频信号与待分析振动信号;
基于预设小波变换算法,分别获取所述待分析音频信号的第一故障特征分量以及所述待分析振动信号的第二故障特征分量;其中,所述第一故障特征分量与所述第二故障特征分量为时频特征分量;
基于预置自注意力机制获取所述第一故障特征分量的权重,以及所述第二故障特征分量的权重,以将所述权重大于预设权重值的第一故障特征分量与第二故障特征分量进行融合,获得所述待检测托辊的故障特征表示分量;
提取所述故障特征表示分量的能量熵,以基于所述能量熵确定所述待检测托辊的特征向量;
根据预设搜索算法对预设最小二乘向量机模型进行参数优化,获得符合要求的最小二乘向量机模型,以基于所述符合要求的最小二乘向量机模型对所述待检测托辊的特征向量进行故障识别。
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。尤其,对于装置、设备、非易失性计算机存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
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。
以上所述仅为本说明书的一个或多个实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (9)
1.一种永磁自卸除铁器的托辊故障识别方法,其特征在于,所述方法包括:
采集永磁自卸除铁器上待检测托辊的音频信号与振动信号,基于所述音频信号与所述振动信号的采集时间,对所述音频信号与所述振动信号进行时间对齐,获得初始音频信号与初始振动信号;其中,所述采集时间包括:所述音频信号与所述振动信号的采集起始时间、所述音频信号与所述振动信号的采集结束时间;
对所述初始音频信号与所述初始振动信号进行预处理,以获得待分析音频信号与待分析振动信号;
基于预设小波变换算法,分别获取所述待分析音频信号的第一故障特征分量以及所述待分析振动信号的第二故障特征分量;其中,所述第一故障特征分量与所述第二故障特征分量为时频特征分量;
基于预置自注意力机制获取所述第一故障特征分量的权重,以及所述第二故障特征分量的权重,以将所述权重大于预设权重值的第一故障特征分量与第二故障特征分量进行融合,获得所述待检测托辊的故障特征表示分量;
提取所述故障特征表示分量的能量熵,以基于所述能量熵确定所述待检测托辊的特征向量;
根据预设搜索算法对预设最小二乘向量机模型进行参数优化,获得符合要求的最小二乘向量机模型,以基于所述符合要求的最小二乘向量机模型对所述待检测托辊的特征向量进行故障识别;
所述根据预设搜索算法对预设最小二乘向量机模型进行参数优化,获得符合要求的最小二乘向量机模型,具体包括:
对所述待检测托辊的特征向量进行归一化处理得到待检测特征向量,并将所述待检测特征向量作为训练样本;
初始化预设搜索算法的种群规模与最大迭代次数,以计算各训练样本的适应度,获得各训练样本的适应度值;
对所述适应度值进行排序获得当前种群中最佳适应度所对应的种群最佳位置,以及最差适应度所对应的种群最差位置;
根据所述预设搜索算法中种群发现者、种群掠夺者以及种群侦查者的位置,以迭代计算所述种群中各训练样本的适应度值与各训练样本的平均适应度值;
若所述种群最佳位置的适应度值大于所述平均适应度值则停止迭代,并基于所述最佳位置与所述最佳位置所对应的适应度优化所述预设最小二乘向量机模型,获得符合要求的最小二乘向量机模型;
所述根据预设搜索算法对预设最小二乘向量机模型进行参数优化,获得符合要求的最小二乘向量机模型之前,所述方法还包括:
获取预设径向基核函数,以将所述预设径向基核函数作为最小二乘支持向量机模型的核函数,以构建所述预设最小二乘向量机模型,并确定出所述预设最小二乘向量机模型的待优化模型参数;其中,所述模型参数至少包括以下任意一个或多个:核函数参数系数与惩罚系数。
2.根据权利要求1所述的一种永磁自卸除铁器的托辊故障识别方法,其特征在于,所述采集永磁自卸除铁器上待检测托辊的音频信号与振动信号之前,所述方法还包括:
基于所述永磁自卸除铁器的型号,确定所述永磁自卸除铁器中传输带部件的结构特点,以基于所述结构特点确定各采集设备的安装线路;
通过工业互联网获取所述型号的永磁自卸除铁器对于托辊检测的检测数据,基于所述检测数据确定各所述特征表示分量所对应的采集设备布设位置及所述布设位置所对应的布设方向;其中,所述布设位置包括:托辊外壳、托辊轴、轴承、轴承座;
基于欧氏距离对所述布设位置以及所述布设位置所对应的布设方向进行聚类,获得多个类簇;
基于各类簇中分量的数量确定预设数量的类簇作为待选择类簇,并获取各待选择类簇中心点所对应的布设位置及所述布设位置所对应的布设方向作为待布设位置及待布设方向;
基于所述待布设位置与待布设方向在各采集设备的安装路线上,布设各采集设备,以便基于所述采集设备采集待检测托辊的音频信号与振动信号。
3.根据权利要求1所述的一种永磁自卸除铁器的托辊故障识别方法,其特征在于,所述基于所述音频信号与所述振动信号的采集时间,对所述音频信号与所述振动信号进行时间对齐,具体包括:
基于预设采集周期启动所述永磁自卸除铁器的托辊上预设的采集设备,以采集所述音频信号与所述振动信号;
获取各所述音频信号与各所述振动信号的多个起始采集时间与多个结束采集时间;
基于时间顺序对所述起始采集时间进行排序获得起始采集时间序列,并基于时间顺序对所述结束采集时间进行排序获得结束采集时间序列;
根据所述起始采集时间序列的末端时间以及所述结束采集时间序列的首端时间,确定各所述音频信号与各所述振动信号的有效采集时间范围,以实现所述音频信号与所述振动信号的时间对齐,获得所述初始音频信号与所述初始振动信号。
4.根据权利要求3所述的一种永磁自卸除铁器的托辊故障识别方法,其特征在于,所述对所述初始音频信号与所述初始振动信号进行预处理,具体包括:
对所述有效采集时间范围内各所述初始音频信号与各所述初始振动信号进行下采样,获得待处理音频信号与待处理振动信号;
基于最大相关峭度解卷积算法的迭代计算,获取滤波器长度与冲击周期,以基于所述滤波器长度与所述冲击周期确定有限长单位冲激响应滤波器,并基于所述有限长单位冲击响应滤波器对所述待处理音频信号进行过滤,获得待分析音频信号;
获取所述有效采集时间范围内各待处理振动信号的平均幅值,并获取所述待处理振动信号各采样点的实际幅值;
获取各采样点的所述实际幅值与所述平均幅值的差值,以基于各采样点的差值构成所述有效采集时间范围内的第一振动信号;
基于预设高通滤波器与预设低通滤波器,对所述第一振动信号分别进行高频过滤与低频过滤,获得第二振动信号;
基于梯形积分算法对所述第二振动信号进行处理,以实现对所述第二振动信号的过滤,获得待分析振动信号。
5.根据权利要求1所述的一种永磁自卸除铁器的托辊故障识别方法,其特征在于,所述基于预设小波变换算法,分别获取所述待分析音频信号的第一故障特征分量以及所述待分析振动信号的第二故障特征分量,具体包括:
获取所述待分析音频信号的第一波形以及所述待分析振动信号的第二波形,基于所述第一波形与所述第二波形分别选择与所述待分析音频信号相对应的第一小波基函数以及与所述待分析振动信号相对应的第二小波基函数;
基于所述第一小波基函数与所述第二小波基函数分别对所述待分析音频信号以及所述待分析振动信号进行小波分解,以获得各所述第一小波基函数的相关系数以及各所述第二小波基函数的相关系数;其中,所述相关系数包括:概貌系数、细节系数;
对比各所述第一小波基函数的所述概貌系数与所述细节系数,以确定符合要求的第一小波基函数,并对比各所述第二小波基函数的概貌系数与所述细节系数,以确定符合要求的第二小波基函数;
调用所述永磁自卸除铁器上待检测托辊历史周期内的小波变换数据,以确定所述待分析音频信号所对应的第一分解层,以及所述待分析振动信号所对应的第二分解层;
根据所述第一分解层以及所述符合要求的第一小波基函数,对所述待分析音频信号进行小波变换,获得具有时频特征的第一特征分量;
并根据所述第二分解层以及所述符合要求的第二小波基函数,对所述待分析振动信号进行小波变换,获得具有时频特征的第二特征分量。
6.根据权利要求1所述的一种永磁自卸除铁器的托辊故障识别方法,其特征在于,所述提取所述故障特征表示分量的能量熵,以基于所述能量熵确定所述待检测托辊的特征向量,具体包括:
计算各所述故障特征表示分量的能量,并将所述能量输入预设能量熵计算公式,以获得各所述故障特征表示分量的能量熵;
基于所述能量熵确定各所述故障特征表示分量所对应的能量百分比,以将所述故障特征表示分量所对应的能量百分比,作为各所述托辊的特征向量。
7.根据权利要求1所述的一种永磁自卸除铁器的托辊故障识别方法,其特征在于,所述基于所述符合要求的最小二乘向量机模型对所述待检测托辊的特征值进行故障识别之后,所述方法还包括:
根据所述待检测托辊的故障类型与预设故障参数表,获取与所述故障类型对应的故障参数,并获取所述故障参数的当前参数值;
调用所述待检测托辊上一检测周期的故障参数所对应的历史参数值;
根据所述当前参数值与所述历史参数值的差值,确定所述故障参数的异变值;
基于各所述异变值的数值大小遍历预设故障等级表,以获得所述托辊的故障等级;
若所述故障等级大于等于所述故障类型的预设报警等级,则将所述故障类型与所述故障等级发送到对应操作人员的移动终端,以实现对于所述待检测托辊的及时检修。
8.一种永磁自卸除铁器的托辊故障识别设备,其特征在于,所述设备包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:执行上述权利要求1-7任一所述的方法。
9.一种非易失性存储介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令能够:执行上述权利要求1-7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211637642.3A CN115615540B (zh) | 2022-12-20 | 2022-12-20 | 一种永磁自卸除铁器的托辊故障识别方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211637642.3A CN115615540B (zh) | 2022-12-20 | 2022-12-20 | 一种永磁自卸除铁器的托辊故障识别方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115615540A CN115615540A (zh) | 2023-01-17 |
CN115615540B true CN115615540B (zh) | 2023-04-07 |
Family
ID=84880718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211637642.3A Active CN115615540B (zh) | 2022-12-20 | 2022-12-20 | 一种永磁自卸除铁器的托辊故障识别方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115615540B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070154B (zh) * | 2023-03-29 | 2023-06-20 | 山东金帝精密机械科技股份有限公司 | 一种大型轴承保持器的故障检测方法、设备及介质 |
CN116051554B (zh) * | 2023-03-31 | 2023-06-09 | 潍坊百特磁电科技有限公司 | 一种基于除铁器输送带的检测预警方法、设备及介质 |
CN116579663B (zh) * | 2023-07-05 | 2023-10-20 | 江苏慧远智能科技有限公司 | 一种粉罐车卸料过程中异常预警方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013180723A1 (en) * | 2012-05-31 | 2013-12-05 | University Of Connecticut | Methods apparatuses for defect diagnosis in a mechanical system |
CN104155108B (zh) * | 2014-07-21 | 2017-07-07 | 天津大学 | 一种基于振动时频分析的滚动轴承故障诊断方法 |
CN109766874A (zh) * | 2019-02-02 | 2019-05-17 | 王卓然 | 一种基于深度学习算法的风机故障分类识别方法 |
WO2022132898A1 (en) * | 2020-12-15 | 2022-06-23 | University Of Cincinnati | Monitoring system for estimating useful life of a machine component |
CN113295702B (zh) * | 2021-05-20 | 2022-09-02 | 国网山东省电力公司枣庄供电公司 | 电气设备故障诊断模型训练方法和电气设备故障诊断方法 |
CN113408371A (zh) * | 2021-06-01 | 2021-09-17 | 武汉理工大学 | 一种早期故障诊断方法及装置 |
CN113780056B (zh) * | 2021-07-22 | 2024-01-05 | 山东科技大学 | 基于振动信号的滚动轴承故障诊断方法 |
-
2022
- 2022-12-20 CN CN202211637642.3A patent/CN115615540B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115615540A (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115615540B (zh) | 一种永磁自卸除铁器的托辊故障识别方法、设备及介质 | |
CN112785016B (zh) | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 | |
CN108345033B (zh) | 一种微地震信号时频域初至检测方法 | |
CN104964738A (zh) | 一种基于噪声分离的电力变压器噪声评估方法 | |
CN106650576A (zh) | 一种基于噪声特征统计量的矿山设备健康状态判决方法 | |
US20180293723A1 (en) | Apparatus and method for detecting anomaly in plant pipe using multiple meta-learning | |
Kahl et al. | Recognizing birds from sound-the 2018 birdclef baseline system | |
US9997168B2 (en) | Method and apparatus for signal extraction of audio signal | |
Xiao et al. | A multichannel fusion approach based on coupled hidden Markov models for rolling element bearing fault diagnosis | |
CN106571146B (zh) | 噪音信号确定方法、语音去噪方法及装置 | |
CN110223713A (zh) | 声音事件检测模型训练方法及声音事件检测方法 | |
CN105118511A (zh) | 一种雷声识别方法 | |
CN115826042B (zh) | 一种边云端结合的分布式地震数据处理方法与装置 | |
CN112233695A (zh) | 基于人工智能和大数据的加油机异音分析及故障预警系统 | |
CN112052712B (zh) | 一种电力设备状态监测与故障识别方法及系统 | |
Pan et al. | Cognitive acoustic analytics service for Internet of Things | |
CN109934136B (zh) | 基于Duffing振子和本征模式分量的滚动轴承故障诊断方法 | |
CN117782625A (zh) | 车辆故障声学检测方法、系统、控制装置及存储介质 | |
Ruan et al. | Use AF-CNN for end-to-end fiber vibration signal recognition | |
Steiger et al. | Automatic detection of transmission towers | |
CN105890738A (zh) | 一种汇流旋涡冲击振动识别方法 | |
CN104570118B (zh) | 一种基于双因素的自动识别与去除工业干扰的方法 | |
CN104991245A (zh) | 一种无人飞行器预警装置及其预警方法 | |
Zhang et al. | Automatic recognition of porcine abnormalities based on a sound detection and recognition system | |
CN205003281U (zh) | 一种无人飞行器预警装置 |
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 |