CN115828170B - 一种基于掘进机电控数据的故障检测方法 - Google Patents
一种基于掘进机电控数据的故障检测方法 Download PDFInfo
- Publication number
- CN115828170B CN115828170B CN202310015537.4A CN202310015537A CN115828170B CN 115828170 B CN115828170 B CN 115828170B CN 202310015537 A CN202310015537 A CN 202310015537A CN 115828170 B CN115828170 B CN 115828170B
- Authority
- CN
- China
- Prior art keywords
- node
- nodes
- graph structure
- value
- cluster
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 230000005641 tunneling Effects 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000011161 development Methods 0.000 claims description 24
- 238000010586 diagram Methods 0.000 claims description 22
- 230000003595 spectral effect Effects 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 127
- 230000002159 abnormal effect Effects 0.000 description 17
- 230000002776 aggregation Effects 0.000 description 17
- 238000004220 aggregation Methods 0.000 description 17
- 230000005856 abnormality Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000012512 characterization method Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000010720 hydraulic oil Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- 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
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种基于掘进机电控数据的故障检测方法。方法包括:基于掘进机的各子设备当前时间段内各采集时刻的运行数据构建第一图结构,对第一图结构中的节点进行聚类,基于各聚类簇中的节点获得各节点对应的影响指标,进而确定待去除节点,计算与待去除节点相连的各节点的分配权重;基于与待去除节点相连的各节点的节点值和分配权重确定对应的目标节点值,进而获得目标图结构;基于目标图结构中各节点的节点值、各节点与相连节点之间的边权值,获得故障概率值,进而判断各子设备是否为疑似出现故障的子设备。本发明提高了掘进机子设备的故障检测精度。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于掘进机电控数据的故障检测方法。
背景技术
随着科学技术的发展,具有多功能自动化的掘进机被普遍应用到各个领域,该类掘进机由多个子设备组成,进而实现煤岩的截割、行走、喷雾灭尘等诸多功能。该类掘进机在各个子设备中安装不同类型的传感器,用于采集掘进机工作过程中的多种类型的数据,进而实现对掘进机工况信息的实时监测,若出现故障,则能够检测出掘进机的故障位置。
现有的掘进机子设备的故障检测方法是根据监测数据值与阈值之间的差异来判断各子设备是否出现故障,由于掘进机中的各个子设备之间存在着联系,即各个子设备之间互相影响,因此若一个子设备发生故障,则与该子设备存在关联的其它子设备同样会产生运行异常,对应的传感器采集的数据都会发生异常,例如掘进机的截割电机发生异常时,会使得温度迅速升高,导致液压油缸的油温油压出现异常。因此在判断掘进机中的各子设备是否发生故障时,若仅通过监测数据值与阈值之间的差异来进行判定,会造成极大的误差,检测精度较低。
发明内容
为了解决现有方法对掘进机的子设备进行故障检测时存在的检测精度较低的问题,本发明的目的在于提供一种基于掘进机电控数据的故障检测方法,所采用的技术方案具体如下:
本发明提供了一种基于掘进机电控数据的故障检测方法,该方法包括以下步骤:
实时获取掘进机的每个子设备的运行数据;
基于掘进机正常运行过程中各子设备在目标时间段内各采集时刻的运行数据构建标准图结构,基于所述标准图结构和掘进机的各子设备当前时间段内各采集时刻的运行数据构建第一图结构;图结构中的节点为掘进机的各子设备,节点值为对应子设备在对应时间段内所有采集时刻的运行数据的均值,边权值为对应两个子设备的运行数据的相关性;
采用谱聚类算法对第一图结构中的节点进行聚类获得各聚类簇,基于各聚类簇中的节点获得各聚类簇内的各节点对应的影响指标,根据所述影响指标获取各聚类簇中的待去除节点;基于第一图结构中与待去除节点相连的各节点和待去除节点之间的边权值以及所述影响指标,得到第一图结构中与待去除节点相连的各节点的分配权重;基于第一图结构中与待去除节点相连的各节点的节点值和所述分配权重确定第一图结构中与待去除节点相连的各节点对应的目标节点值,将待去除节点进行去除并基于所述目标节点值对所对应节点的节点值进行更新获得目标图结构;
基于目标图结构中各节点的节点值、目标图结构中各节点与相连节点之间的边权值和标准图结构,得到目标图结构中各节点对应的故障概率值;基于所述故障概率值获取疑似出现故障的子设备。
优选的,所述将待去除节点进行去除并基于所述目标节点值对所对应节点的节点值进行更新获得目标图结构,包括:
将第一图结构中的所有待去除节点进行去除,将与待去除节点相连的各节点对应的目标节点值作为对应节点新的节点值对所对应节点的节点值进行更新,将去除待去除节点且更新完节点值的图结构记为第二图结构;
采用谱聚类算法对第二图结构中的节点进行聚类获得第二图结构中的各聚类簇,获取谱聚类过程中拉普拉斯矩阵中的每个特征向量的特征值;若任意两个特征向量的特征值的差值的绝对值均小于差异阈值,则停止对图结构中节点的去除;若存在两个特征向量的特征值的差值的绝对值大于等于差异阈值,则获取第二图结构中的待去除节点,对第二图结构中与待去除节点相连的节点的节点值进行更新,获得第三图结构;以此类推,直到谱聚类过程中获取的拉普拉斯矩阵中任意两个特征向量的特征值均小于差异阈值为止,将最终获得的图结构记为目标图结构。
优选的,第一图结构中任意两个节点之间的边权值的获取过程为:
将其中一个节点对应的子设备记为第一子设备,将另一个节点对应的子设备记为第二子设备;基于第一子设备在当前时间段内各采集时刻的运行数据和第二子设备在当前时间段内各采集时刻的运行数据,计算第一子设备和第二子设备在当前时间段内对应的皮尔逊相关系数;将所述皮尔逊相关系数的绝对值作为对应两个节点之间的边权值。
优选的,所述基于各聚类簇中的节点获得各聚类簇内的各节点对应的影响指标,包括:
优选的,所述根据所述影响指标获取各聚类簇中的待去除节点,包括:分别获取各聚类簇中影响指标最大的节点,记为待去除节点。
优选的,所述基于第一图结构中与待去除节点相连的各节点和待去除节点之间的边权值以及所述影响指标,得到第一图结构中与待去除节点相连的各节点的分配权重,包括:
其中,为第个待去除节点所在的聚类簇中与第个待去除节点相连的第个
节点的分配权重,为第个待去除节点所在的聚类簇中与第个待去除节点相连的第
个节点和第个待去除节点之间的边权值,为第个待去除节点的影响指标,为第个
待去除节点所在的聚类簇中与第个待去除节点相连的第个节点的影响指标,为第个
待去除节点所在的聚类簇中与第个待去除节点相连的节点的总数量,为第个待去除
节点所在的聚类簇中与第个待去除节点相连的第个节点和第个待去除节点之间的边
权值,为调整参数,为取绝对值。
优选的,所述基于第一图结构中与待去除节点相连的各节点的节点值和所述分配权重确定第一图结构中与待去除节点相连的各节点对应的目标节点值,包括:
计算第一图结构中的第个待去除节点的节点值与第一图结构中第个待去除节
点在标准图结构中对应的节点值的差值的绝对值,记为第一绝对值;计算所述第一绝对值
和第一图结构中与第个待去除节点相连的第个节点的分配权重的乘积,记为第一乘积;
将所述第一乘积和第一图结构中与第个待去除节点相连的第个节点的节点值之和作为
第一图结构中与第个待去除节点相连的第个节点对应的目标节点值。
优选的,采用如下公式计算目标图结构中各节点对应的故障概率值:
其中,为目标图结构中第个节点对应的故障概率值,为目标图结构中第
个节点的节点值,为目标图结构中第个节点在标准图结构中对应的节点值,为目标图
结构中与第个节点相连的节点的个数,为目标图结构中与第个节点相连的第个节
点与第个节点之间的边权值,为目标图结构中与第个节点相连的第个节点与第
个节点在标准图结构中对应的边权值,为线性归一化函数,为取绝对值。
优选的,所述基于所述故障概率值获取疑似出现故障的子设备,包括:按照故障概率值从大到小的顺序对目标结构图中的节点进行排序,将前预设个数的故障概率值所对应的节点对应的子设备作为疑似出现故障的子设备。
本发明至少具有如下有益效果:
本发明首先获取了掘进机的每个子设备当前时间段内各采集时刻的运行数据,根据图论的思想对采集的运行数据进行图结构的构建,即基于掘进机的各子设备当前时间段内各采集时刻的运行数据构建了第一图结构,其中,第一图结构的节点为掘进机的各子设备,节点值为对应子设备在当前时间段内所有采集时刻的运行数据的均值,边权值为对应两个子设备的相关性;通过图聚算法对第一图结构中的节点进行聚类,计算了每个节点对应的影响指标,用于表征对应节点的异常是否由于受到其它节点对应的运行数据异常的影响,减少对掘进机子设备的故障识别的干扰,能够更准确的获取出现故障的子设备;接着本发明根据每个节点的影响指标确定了需要去除的节点,并根据待去除节点和与其相连的节点之间的边权值,确定与待去除节点相连的各节点的分配权重,进行节点值的更新并去除待去除节点,进而更新图结构,获得目标图结构,本发明通过去除节点来分析图结构的变化情况,能够排除节点之间的异常影响,减少了节点的异常程度是由于其它节点的异常造成的影响,提高了获取故障节点的可靠性,使得掘进机子设备的检测结果更加准确。
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为本发明提供的一种基于掘进机电控数据的故障检测方法的流程图。
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一种基于掘进机电控数据的故障检测方法进行详细说明如下。
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掘进机电控数据的故障检测方法的具体方案。
一种基于掘进机电控数据的故障检测方法实施例:
本实施例提出了一种基于掘进机电控数据的故障检测方法,如图1所示,本实施例的一种基于掘进机电控数据的故障检测方法包括以下步骤:
步骤S1,实时获取掘进机的每个子设备的运行数据。
本实施例在掘进机每个子设备上安装传感器,用于采集掘进机工作过程中每个子设备的运行数据,通过综合考虑掘进机中每个子设备的运行数据之间的关联性,构建图结构,并通过图聚以及图割理论,基于节点之间相关性对图结构中的节点进行聚类,通过对图结构的聚类结果进行分析来确定需要去除的节点,并对去除节点之后的图结构进行节点值和边权值的更新,进而确定掘进机中疑似出现故障的子设备,进行判断疑似出现故障的子设备是否发生异常。
在掘进机的每个子设备上安装传感器,实时采集掘进机工作过程中的各子设备的运行数据,用于对掘进机的各子设备进行故障检测,其中每个子设备上安装的传感器的类型根据子设备的类型进行安装布置,例如掘进机中的电机设备上安装振动传感器,振动传感器安装在电动机盖表面即可;掘进机的各子设备的传感器的类型及安装位置实施者可根据具体情况而定;需要说明的是,所有传感器的采集频率相同,本实施例设置所有传感器均5秒采集一次对应子设备的运行数据,在具体应用中,实施者可根据具体情况进行设置。
为了更好地对掘进机的每个子设备的运行状况进行分析,本实施例对所有传感器采集的数据进行量纲的统一,即对每个传感器采集的数据进行归一化处理,需要说明的是,本实施例中后续涉及到的子设备的运行数据均为归一化处理之后的运行数据。归一化方法为公知技术,此处不再过多赘述。
本实施例设置每个时间段的长度均为1分钟,即获得了掘进机的每个子设备在当前时间段内各采集时刻的运行数据,当前时间段为当前时刻以及当前时刻之前1分钟内的历史时刻构成的时间段;在具体应用中,时间段的长度实施者可根据具体情况进行设置。
步骤S2,基于掘进机正常运行过程中各子设备在目标时间段内各采集时刻的运行数据构建标准图结构,基于所述标准图结构和掘进机的各子设备当前时间段内各采集时刻的运行数据构建第一图结构;图结构中的节点为掘进机的各子设备,节点值为对应子设备在对应时间段内所有采集时刻的运行数据的均值,边权值为对应两个子设备的运行数据的相关性。
由于掘进机中各子设备之间存在联系,即各个子设备之间互相影响,若某个子设备发生故障,则会导致其他子设备的运行出现异常,进而造成对应的传感器采集的运行数据存在异常,因此在判断掘进机的各子设备是否发生故障时,若仅通过采集的运行数据与阈值之间的差异来进行判定,会造成极大的误差。本实施例通过综合考虑掘进机中每个子设备的运行数据之间的关联性,构建图结构,并通过图聚以及图割理论,将节点之间的相似性较大的节点进行聚类,通过对当前时间段对应的图结构的聚类结果进行分析来确定需要去除节点,并对去除节点之后的图结构进行节点值的更新,进而确定掘进机中疑似出现故障的子设备。
接下来本实施例将基于掘进机的各子设备的运行数据构建图结构,其中每个子设备作为图结构中的一个节点,对应的运行数据作为图结构中对应节点的节点值,而两个子设备之间采集的运行数据的相关性作为对应的两个节点之间边权值。通过分析图结构来判断掘进机的各子设备是否出现故障。
具体的,首先获取掘进机正常运行(无故障)过程中各子设备在一段时间内各采集时刻的运行数据,将该段时间记为目标时间段,同样的,本实施例设置目标时间段的时长也为1分钟,在具体应用中,实施者可根据具体情况自行设置目标时间段的时长;根据掘进机在目标时间段内各采集时刻的运行数据,构建图结构,该图结构为带有边权的有向图,记为标准图结构,其中,在构建标准图结构时,将每个子设备作为图结构中的节点,将每个子设备在目标时间内所有采集时刻的运行数据的均值作为对应节点的节点值,将两个子设备的运行数据的相关性作为对应节点之间的边权值,对于图结构中的任意两个节点,分别将这两个节点记为第一节点和第二节点,第一节点和第二节点之间的边权值的计算公式如下:
其中,为第一节点和第二节点之间的边权值,为目标时间段内采集时刻的总
个数,为第一节点在目标时间段内的第个时刻的运行数据,为第一节点在目标时间
段内所有采集时刻的运行数据的均值,为第二节点在目标时间段内的第个采集时刻的
运行数据,为第二节点在目标时间段内所有采集时刻的运行数据的均值,为取绝对值。
为现有的皮尔逊相关系数的计算公式,考虑到若两个
变量呈正相关,则皮尔逊相关系数的取值在0到1之间;若两个变量呈负相关,则皮尔逊相关
系数的取值在-1到0之间;本实施例用皮尔逊相关系数的绝对值来表征两个子设备的运行
数据的相关性,并将其作为对应节点之间的边权值,皮尔逊相关系数的绝对值越大,说明两
个节点之间的关联程度越大,即对应节点之间的边权值越大;皮尔逊相关系数的绝对值越
小,说明两个节点之间的关联程度越小,即对应节点之间的边权值越小。
边权值越大,说明两个节点之间的关联程度越大,即对应两个子设备之间的影响
程度越大;本实施例设置边权值阈值,若两个节点之间的边权值小于,则判定这两个
节点之间不存在联系,在构建图结构时,对应两个节点不进行相连;若两个节点之间的边权
值大于等于,则判定这两个节点之间存在联系,在构建图结构时,对应两个节点进行相
连;本实施例设置,在具体应用中,实施者可根据具体情况进行设置。
根据上述步骤获得了标准图结构,接下来基于标准图结构和掘进机的各子设备在当前时间段的运行数据构建当前时间段对应的图结构,记为第一图结构,同样的,在构建第一图结构时,将掘进机的每个子设备作为第一图结构的节点,将掘进机的各子设备在当前时间段内所有采集时刻的运行数据的均值作为第一图结构中对应节点的节点值,基于标准图结构中节点的连接关系来判断第一图结构中的各节点是否与其它节点进行连接,即第一图结构中节点之间的连接关系与标准图结构中节点之间的连接关系相同,若标准图结构中两个节点进行连接,则第一图结构中对应的两个节点也进行连接,例如:标准图结构中的某一节点与其它三个节点进行连接,则第一图结构中的该节点仍与对应三个节点进行连接;第一图结构中节点之间的边权值的计算方法同标准图结构中节点之间的边权值的计算方法相同,均采用上述的边权值计算公式进行计算,本实施例不再过多赘述第一图结构中节点之间的边权值的计算方法。
至此,完成了标准图结构和第一图结构的构建。
步骤S3,采用谱聚类算法对第一图结构中的节点进行聚类获得各聚类簇,基于各聚类簇中的节点获得各聚类簇内的各节点对应的影响指标,根据所述影响指标获取各聚类簇中的待去除节点;基于第一图结构中与待去除节点相连的各节点和待去除节点之间的边权值以及所述影响指标,得到第一图结构中与待去除节点相连的各节点的分配权重;基于第一图结构中与待去除节点相连的各节点的节点值和所述分配权重确定第一图结构中与待去除节点相连的各节点对应的目标节点值,将待去除节点进行去除并基于所述目标节点值对所对应节点的节点值进行更新获得目标图结构。
考虑到若仅通过分析当前时间段对应的图结构与标准图结构之间的边权值的差异,将边权值变化最大的节点作为故障节点容易产生较大的误差,具体的原因为掘进机的子设备之间存在互相影响的关系,因此若某个节点对应的边权值变化较大,可能是受到其他节点的影响造成的变化,而不一定是该节点对应的掘进机的子设备的异常造成的影响。因此本实施例基于图聚以及图割理论,对图结构中的节点进行聚类,通过计算当前时间段对应的图结构聚类结果进行分析来确定需要去除节点,并对去除节点之后的图结构进行节点值和边权值的更新,进而确定掘进机中疑似出现故障的子设备。
本实施例根据图聚理论对第一图结构中的所有节点进行聚类,采用谱聚类算法进
行图聚类,具体过程为:根据第一图结构计算得到边权值矩阵以及度矩阵,根据边权值矩阵
和度矩阵之间的差异计算得到拉普拉斯矩阵,进而得到拉普拉斯矩阵的特征值与特征向
量,将特征向量看作一个样本进行K-Means聚类,本实施例设置K-Means聚类时的值为2,得
到个聚类簇,即将第一图结构中的节点分为了两类;其中,特征向量为在进行谱聚类时获
取的每个节点对应的特征向量;谱聚法、根据图结构获得边权值矩阵以及度矩阵的方法、根
据边权值矩阵和度矩阵之间的差异获得拉普拉斯矩阵的方法均为公知技术,此处不再过多
赘述。
接下来分析第一图结构的节点在聚类完成之后每个簇内节点之间的关系,逐步去
除第一图结构中受到影响程度最大的节点,进而更新节点值,对去除之后剩余的节点进行
重复聚类,直到在谱聚类中获取的拉普拉斯矩阵的特征向量的特征值之间的差异小于差异
阈值,则不再进行谱聚类。若某一节点与其所在的聚类簇中较多的节点进行连接,则说明该
节点的连接程度较大,该节点受到同一类中其他节点的影响程度就较大;特征向量表征对
应节点受到其它节点影响时的增益积累,也即为对应节点受到其它节点的影响程度,若某
一节点的特征向量的聚集性越大,表明该节点受到同一类中其它节点的影响程度越大。基
于此,根据每个聚类簇内与各节点相连的节点的数量、每个聚类簇内节点的总数量以及每
个聚类簇内每个节点对应的聚集性大小来确定每个聚类簇内的每个节点对应的影响程度,
其中,每个节点对应的聚集性大小为在进行谱聚类时对应节点的特征向量对应的聚集性大
小,聚集性大小可根据特征向量中心性度量计算公式获取,聚集性大小的计算方法为公知
技术,此处不再过多赘述;对于第b个聚类簇内的第个节点,其对应的影响程度为:
表征第b个聚类簇内与第个节点相连的节点在第b个聚类簇内的数量占比,若
该数量占比越大,则说明第b个聚类簇内与第个节点存在关联的节点越多;第b个聚类簇内
的第个节点对应的聚集性大小越大,则说明第个节点周围的节点越多;当第b个聚类簇内
与第个节点相连的节点在第b个聚类簇内的数量占比越大、第b个聚类簇内的第个节点对
应的聚集性越大时,说明第个节点与其它节点的关联程度越大,即对应子设备越可能受到
其它子设备的影响,因此第个节点对应的影响程度越大;当第b个聚类簇内与第个节点相
连的节点在第b个聚类簇内的数量占比越小、第b个聚类簇内的第个节点对应的聚集性越
小时,说明第个节点与其它节点的关联程度越小,即对应子设备越不可能受到其它子设备
的影响,因此第个节点对应的影响程度越小。
采用上述方法,计算得到每个聚类簇中所有节点对应的影响程度,用于表征对应
节点受到其它节点的影响程度,进而能够反映对应节点的数据异常受到其它节点的数据异
常的影响情况,为后续通过聚类结果的变化情况来筛选疑似故障节点提供了条件。本实施
例通过计算节点的影响程度的大小,来确定节点受到其他节点的影响程度大小,若某一节
点受到其它节点的影响程度越大,则该节点对应的运行数据异常更有可能是由于受到其它
节点对应的运行数据的异常造成的,因此通过去除该节点,来确定去除后聚类结果的变化
情况,进而通过聚类结果的变化情况来筛选疑似出现故障的节点。本实施例在上述步骤中
获得了第一图结构中各节点对应的影响程度,首先将每个聚类簇内的每个节点对应的影响
程度进行归一化处理,将归一化处理之后的结果记为影响指标,第个聚类簇中的第个节
点的影响指标为:
其中,为第个聚类簇中的第个节点的影响指标,为第个聚类簇中节点的
数量,为第个聚类簇中的第个节点的影响程度,为第个聚类簇中的第个节点的影
响程度,e为自然常数;用于表征第类的聚类结果中的第个节点的影响程度值。至此,
类比上述公式,对每个聚类簇内所有节点对应的影响程度进行归一化处理,获得每个节点
的影响指标。
分别获取每个聚类簇中影响指标最大的节点记为待去除节点,后续将对待去除节点进行去除,需要说明的是,本实施例中的去除是指对应节点不再进行下一次节点的聚类过程;为了消除去除节点对其它节点的影响,需要进行节点值的更新,根据新的节点值重新进行谱聚类,以此类推,直到谱聚类后的聚类结果满足设定条件,则停止聚类和节点的去除,得到最终的去除部分节点并更新节点值后的图结构。
接下来将待去除节点的节点值重新分配至与待去除节点相连的其它节点,考虑到
待去除节点和相连的节点之间的影响指标的差异能够表征待去除节点和与其相连的节点
之间的影响程度,若两个节点之间的影响指标的差异越小,则表明两个节点的影响程度相
同;若两个节点之间的原始边权值越大,说明这两个节点之间的相关性越大;在去除待去除
节点之后更新节点的节点值时,对应的节点重新分配的节点值就应当越大,因此,以待去除
节点和相连的节点之间的影响指标的差异作为更新权重值,进而对所有与待去除节点相连
的节点的节点值进行更新。对于第一图结构中的第个待去除节点所在的聚类簇中与第
个待去除节点相连的第个节点,其对应的分配权重为:
其中,为第个待去除节点所在的聚类簇中与第个待去除节点相连的第个
节点的分配权重,为第个待去除节点所在的聚类簇中与第个待去除节点相连的第
个节点和第个待去除节点之间的边权值,为第个待去除节点的影响指标,为第个
待去除节点所在的聚类簇中与第个待去除节点相连的第个节点的影响指标,为第个
待去除节点所在的聚类簇中与第个待去除节点相连的节点的总数量,为第个待去除
节点所在的聚类簇中与第个待去除节点相连的第个节点和第个待去除节点之间的边
权值,为调整参数。
引入调整参数是为了防止分母为0,本实施例中设置的值为1,在具体应用中,实
施者可根据具体情况进行设置;第个节点和第个待去除节点之间的边权值越大,说明第个待去除节点与其所在聚类簇中第个节点的关联程度越大,在给第个节点分配节点值
时所对应的权重应当越大;表征第个待去除节点与第个节点的影响指标的差
异,该差异越小,说明这两个节点的影响程度越相似;为第个待去除节点所在的
聚类簇中各节点与第个待去除节点之间的边权值的和,能够表征第个待去除节点所在
的聚类簇中其它节点与第个待去除节点的关联程度;当第个待去除节点和第个节点之
间的边权值越大、第个待去除节点所在的聚类簇中每个节点与第个待去除节点的边权
值越大、第个待去除节点与第个节点的影响指标的差异越小时,说明第个节点与待去
除节点与其所在聚类簇中第个节点的关联程度越大,应当给第个节点分配越多的节点
值,即第个节点的分配权重越大;当第个待去除节点和第个节点之间的边权值越小、第个待去除节点所在的聚类簇中每个节点与第个待去除节点的边权值越小、第个待去
除节点与第个节点的影响指标的差异越大时,说明第个节点与待去除节点与其所在聚类
簇中第个节点的关联程度越小,应当给第个节点分配越少的节点值,即第个节点的分配
权重越小。
采用上述方法,能够获得第一图结构中与待去除节点相连的每个节点的分配权
重,分配权重越大,说明对应节点与待去除节点的关联程度越大,在给对应节点分配节点值
时,分配比重应当越大;待去除节点在第一图结构中的节点值和在标准图结构中的节点值
的差异越小,说明待去除节点越不可能为异常节点,因此在去除待去除节点时分给与其相
连的节点的节点值应当越少。基于此,根据第一图结构中与待去除节点相连的每个节点的
分配权重、第一图结构中待去除节点的节点值以及第一图结构中待去除节点在标准图结构
中对应的节点值,计算第一图结构中与待去除节点相连的每个节点对应的目标节点值,对
于第一图结构中与第个待去除节点相连的第个节点,其对应的目标节点值为:
其中,为第一图结构中与第个待去除节点相连的第个节点对应的目标节点
值,为第一图结构中与第个待去除节点相连的第个节点的节点值,为第一图结构
中与第个待去除节点相连的第个节点的分配权重,为第一图结构中的第个待去除节
点的节点值,为第一图结构中第个待去除节点在标准图结构中对应的节点值。
表征第个待去除节点在第一图结构中的节点值和在标准图结构中的节
点值的差异,该差异越小,说明第个待去除节点越不可能为异常节点,即其对应的子设备
越不可能存在异常;表征在去除第个待去除节点时,与第个待去除节点
相连的第个节点分配的节点值;若与第个待去除节点相连的第个节点的分配权重越
小、第个待去除节点在第一图结构中的节点值和在标准图结构中的节点值的差异越小,
则在去除第个待去除节点时,第个节点分配的节点值越少;若与第个待去除节点相连
的第个节点的分配权重越大、第个待去除节点在第一图结构中的节点值和在标准图结
构中的节点值的差异越大,在去除第个待去除节点时,第个节点分配的节点值越多;本
实施例将与待去除节点相连的第个节点的原节点值与待去除节点在进行去除时分配给第个节点的节点值之和作为第个节点对应的目标节点值。
采用上述方法,能够得到第一图结构中与待去除节点相连的各节点对应的目标节
点值;本实施例将第一图结构中的所有待去除节点进行去除,将与待去除节点相连的各节
点对应的目标节点值作为对应节点的新的节点值,完成对所对应节点的节点值的更新,将
去除待去除节点且更新完节点值的图结构记为第二图结构;类比第一图结构中节点的聚类
方法,同样采用谱聚类对第二图结构中的节点进行聚类,获取谱聚类过程中拉普拉斯矩阵
中的每个特征向量的特征值,设置差异阈值,判断两两特征向量的特征值的差值的绝对
值是否小于,若任意两个特征向量的特征值的差值的绝对值均小于,则停止对图结构
中部分节点的去除;若存在两个特征向量的特征值的差值的绝对值大于等于,则继续采
用上述方法获取第二图结构中的待去除节点,并对第二图结构中与待去除节点相连的节点
的节点值进行更新,获得第三图结构;以此类推,直到谱聚类过程中获取的拉普拉斯矩阵中
任意两个特征向量的特征值均小于为止,将最终获得的图结构记为目标图结构,目标图
结构排除了受到其它节点影响造成异常的节点。本实施例中设置的值为0.1,在具体应用
中,实施者可根据具体情况进行设置。
本实施例在上述步骤中根据谱聚类的聚类结果,计算了每个节点的影响指标,来确定每个节点受到其它节点的影响程度大小,若某一节点受到其它节点的影响程度越大,则该节点的运行数据异常值更有可能是受到其它节点的运行数据异常的影响产生的异常,因此通过去除该节点来排除掘进机的正常子设备对异常子设备检测带来的干扰,提高后续子设备异常的检测精度。在重新分配节点值时,根据待去除节点和与其相连的节点之间的影响指标的差异以及边权值的大小来判断待去除节点和与其相连的节点之间的相关性,进而获取分配权重,进行节点值的更新,进而更新图结构。通过去除节点来分析图结构的变化情况,能够排除节点之间的异常影响,减少了节点的异常程度是由于其它节点的异常造成的,提高了获取故障节点的可靠性,使得分析故障节点的结果更加准确。
步骤S4,基于目标图结构中各节点的节点值、目标图结构中各节点与相连节点之间的边权值和标准图结构,得到目标图结构中各节点对应的故障概率值;基于所述故障概率值获取疑似出现故障的子设备。
本实施例在步骤S3中获得了目标图结构,接下来将对目标图结构与标准图结构相应的节点值和边权值进行分析,获取目标图结构中每个节点的故障概率值。
考虑到目标图结构中节点的故障概率值与标准图结构中节点的节点值的差异情
况有关,目标图结构中节点的节点值与标准图结构中的节点值差异越大且边权值差异越
大,则表明对应节点越可能为故障节点,即对应节点对应的故障概率值越大。基于此,根据
目标图结构中各节点的节点值、目标图结构中的各节点在标准图结构中对应的节点值、目
标图结构中各节点与相连的节点之间的边权值和目标图结构中各节点与相连的节点在标
准图结构中对应的边权值,计算目标图结构中各节点对应的故障概率值;对于目标图结构
中第个节点,其对应的故障概率值为:
其中,为目标图结构中第个节点对应的故障概率值,为目标图结构中第
个节点的节点值,为目标图结构中第个节点在标准图结构中对应的节点值,为目标图
结构中与第个节点相连的节点的个数,为目标图结构中与第个节点相连的第个节
点与第个节点之间的边权值,为目标图结构中与第个节点相连的第个节点与第
个节点在标准图结构中对应的边权值,为线性归一化函数,为取绝对值。
用于表征目标图结构中第个节点在目标图结构中和在标准图结构中
的节点值的差异,该差异越大,说明目标图结构中第个节点越可能存在异常;用于表征目标图结构中第个节点对应的边权值与目标图结构中第
个节点在标准图结构中的边权值的差异,该差异越大,表明目标图结构中第个节点越可
能为异常节点;当目标图结构中第个节点在目标图结构中和在标准图结构中的节点值的
差异越大、目标图结构中第个节点对应的边权值与目标图结构中第个节点在标准图结
构中的边权值的差异越大时,说明第个节点对应的子设备越可能出现了异常,即目标图
结构中第个节点对应的故障概率值越大。
至此,采用上述方法,能够获得目标图结构中每个节点的故障概率值,故障概率值
越大,表明对应节点的子设备越可能出现了故障,按照故障概率值从大到小的顺序对目标
结构图中的节点进行排序,将前个故障概率值所对应的节点对应的子设备作为疑似出现
故障的子设备,在掘进机中的电控显示屏中进行预警,提醒工作人员及时检查疑似出现故
障的子设备,判断其是否真正出现故障,若出现故障,则及时进行维修,以保证后续的工作
进度;其中为预设个数,本实施例中设置的取值为3,在具体应用中,实施者可根据具
体情况进行设置,若掘进机的子设备的数量较多,则可适当增大的取值。
本实施例首先获取了掘进机的每个子设备当前时间段内各采集时刻的运行数据,根据图论的思想对采集的运行数据进行图结构的构建,即基于掘进机的各子设备当前时间段内各采集时刻的运行数据构建了第一图结构,其中,第一图结构的节点为掘进机的各子设备,节点值为对应子设备在当前时间段内所有采集时刻的运行数据的均值,边权值为对应两个子设备的相关性;通过图聚算法对第一图结构中的节点进行聚类,计算了每个节点对应的影响指标,用于表征对应节点的异常是否由于受到其它节点对应的运行数据异常的影响,减少对掘进机子设备的故障识别的干扰,能够更准确的获取出现故障的子设备;接着本实施例根据每个节点的影响指标确定了需要去除的节点,并根据待去除节点和与其相连的节点之间的边权值,确定与待去除节点相连的各节点的分配权重,进行节点值的更新并去除待去除节点,进而更新图结构,获得目标图结构,本实施例通过去除节点来分析图结构的变化情况,能够排除节点之间的异常影响,减少了节点的异常程度是由于其它节点的异常造成的影响,提高了获取故障节点的可靠性,使得掘进机子设备的检测结果更加准确。
Claims (9)
1.一种基于掘进机电控数据的故障检测方法,其特征在于,该方法包括以下步骤:
实时获取掘进机的每个子设备的运行数据;
基于掘进机正常运行过程中各子设备在目标时间段内各采集时刻的运行数据构建标准图结构,基于所述标准图结构和掘进机的各子设备当前时间段内各采集时刻的运行数据构建第一图结构;图结构中的节点为掘进机的各子设备,节点值为对应子设备在对应时间段内所有采集时刻的运行数据的均值,边权值为对应两个子设备的运行数据的相关性;
采用谱聚类算法对第一图结构中的节点进行聚类获得各聚类簇,基于各聚类簇中的节点获得各聚类簇内的各节点对应的影响指标,根据所述影响指标获取各聚类簇中的待去除节点;基于第一图结构中与待去除节点相连的各节点和待去除节点之间的边权值以及所述影响指标,得到第一图结构中与待去除节点相连的各节点的分配权重;基于第一图结构中与待去除节点相连的各节点的节点值和所述分配权重确定第一图结构中与待去除节点相连的各节点对应的目标节点值,将待去除节点进行去除并基于所述目标节点值对所对应节点的节点值进行更新获得目标图结构;
基于目标图结构中各节点的节点值、目标图结构中各节点与相连节点之间的边权值和标准图结构,得到目标图结构中各节点对应的故障概率值;基于所述故障概率值获取疑似出现故障的子设备。
2.根据权利要求1所述的一种基于掘进机电控数据的故障检测方法,其特征在于,所述将待去除节点进行去除并基于所述目标节点值对所对应节点的节点值进行更新获得目标图结构,包括:
将第一图结构中的所有待去除节点进行去除,将与待去除节点相连的各节点对应的目标节点值作为对应节点新的节点值对所对应节点的节点值进行更新,将去除待去除节点且更新完节点值的图结构记为第二图结构;
采用谱聚类算法对第二图结构中的节点进行聚类获得第二图结构中的各聚类簇,获取谱聚类过程中拉普拉斯矩阵中的每个特征向量的特征值;若任意两个特征向量的特征值的差值的绝对值均小于差异阈值,则停止对图结构中节点的去除;若存在两个特征向量的特征值的差值的绝对值大于等于差异阈值,则获取第二图结构中的待去除节点,对第二图结构中与待去除节点相连的节点的节点值进行更新,获得第三图结构;以此类推,直到谱聚类过程中获取的拉普拉斯矩阵中任意两个特征向量的特征值均小于差异阈值为止,将最终获得的图结构记为目标图结构。
3.根据权利要求1所述的一种基于掘进机电控数据的故障检测方法,其特征在于,第一图结构中任意两个节点之间的边权值的获取过程为:
将其中一个节点对应的子设备记为第一子设备,将另一个节点对应的子设备记为第二子设备;基于第一子设备在当前时间段内各采集时刻的运行数据和第二子设备在当前时间段内各采集时刻的运行数据,计算第一子设备和第二子设备在当前时间段内对应的皮尔逊相关系数;将所述皮尔逊相关系数的绝对值作为对应两个节点之间的边权值。
5.根据权利要求1所述的一种基于掘进机电控数据的故障检测方法,其特征在于,所述根据所述影响指标获取各聚类簇中的待去除节点,包括:分别获取各聚类簇中影响指标最大的节点,记为待去除节点。
6.根据权利要求1所述的一种基于掘进机电控数据的故障检测方法,其特征在于,所述基于第一图结构中与待去除节点相连的各节点和待去除节点之间的边权值以及所述影响指标,得到第一图结构中与待去除节点相连的各节点的分配权重,包括:
7.根据权利要求1所述的一种基于掘进机电控数据的故障检测方法,其特征在于,所述基于第一图结构中与待去除节点相连的各节点的节点值和所述分配权重确定第一图结构中与待去除节点相连的各节点对应的目标节点值,包括:
9.根据权利要求1所述的一种基于掘进机电控数据的故障检测方法,其特征在于,所述基于所述故障概率值获取疑似出现故障的子设备,包括:按照故障概率值从大到小的顺序对目标结构图中的节点进行排序,将前预设个数的故障概率值所对应的节点对应的子设备作为疑似出现故障的子设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310015537.4A CN115828170B (zh) | 2023-01-06 | 2023-01-06 | 一种基于掘进机电控数据的故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310015537.4A CN115828170B (zh) | 2023-01-06 | 2023-01-06 | 一种基于掘进机电控数据的故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115828170A CN115828170A (zh) | 2023-03-21 |
CN115828170B true CN115828170B (zh) | 2023-06-16 |
Family
ID=85520234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310015537.4A Active CN115828170B (zh) | 2023-01-06 | 2023-01-06 | 一种基于掘进机电控数据的故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115828170B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116701973B (zh) * | 2023-08-09 | 2023-10-03 | 无锡市明通动力工业有限公司 | 基于大数据的电机异常振动检测预警方法 |
CN117093947B (zh) * | 2023-10-20 | 2024-02-02 | 深圳特力自动化工程有限公司 | 一种发电柴油机运行异常监测方法及系统 |
CN117273547B (zh) * | 2023-11-17 | 2024-01-30 | 建平慧营化工有限公司 | 基于边缘计算的生产设备运行数据处理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111966076A (zh) * | 2020-08-11 | 2020-11-20 | 广东工业大学 | 基于有限状态机和图神经网络的故障定位方法 |
CN114564987A (zh) * | 2022-02-22 | 2022-05-31 | 华中科技大学 | 一种基于图数据的旋转机械故障诊断方法及系统 |
CN114581261A (zh) * | 2022-01-17 | 2022-06-03 | 中国电力科学研究院有限公司 | 基于快速图计算的故障诊断方法、系统、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150219530A1 (en) * | 2013-12-23 | 2015-08-06 | Exxonmobil Research And Engineering Company | Systems and methods for event detection and diagnosis |
-
2023
- 2023-01-06 CN CN202310015537.4A patent/CN115828170B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111966076A (zh) * | 2020-08-11 | 2020-11-20 | 广东工业大学 | 基于有限状态机和图神经网络的故障定位方法 |
CN114581261A (zh) * | 2022-01-17 | 2022-06-03 | 中国电力科学研究院有限公司 | 基于快速图计算的故障诊断方法、系统、设备及存储介质 |
CN114564987A (zh) * | 2022-02-22 | 2022-05-31 | 华中科技大学 | 一种基于图数据的旋转机械故障诊断方法及系统 |
Non-Patent Citations (2)
Title |
---|
Intelligent fault diagnosis for rolling bearings based on graph shift regularization with directed graphs;Yiyuan Gao 等;《Advanced Engineering Informatics》;1-11 * |
基于图结构的轴承故障诊断;张迪 等;《轴承》;44-48 * |
Also Published As
Publication number | Publication date |
---|---|
CN115828170A (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115828170B (zh) | 一种基于掘进机电控数据的故障检测方法 | |
US11624731B2 (en) | Method for predicting remaining life of numerical control machine tool | |
CN111222290B (zh) | 一种基于多参数特征融合的大型设备剩余使用寿命预测方法 | |
US6192317B1 (en) | Statistical pattern analysis methods of partial discharge measurements in high voltage insulation | |
US20070088550A1 (en) | Method for predictive maintenance of a machine | |
KR101948604B1 (ko) | 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치 | |
CN109389325B (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
AU2002246994A1 (en) | Diagnostic systems and methods for predictive condition monitoring | |
EP1393177A1 (en) | Diagnostic systems and methods for predictive condition monitoring | |
CN109960232B (zh) | 领先辅助参数的选择方法和设备维护预诊断的方法 | |
KR102067344B1 (ko) | 이상 진동데이터 감지 장치 및 방법 | |
CN109409425B (zh) | 一种基于近邻成分分析的故障类型识别方法 | |
CN113579851B (zh) | 一种基于自适应分段pca的非平稳钻削过程监测方法 | |
CN114004306A (zh) | 一种基于物联网多维度数据的设备故障评估系统及其方法 | |
CN115496644A (zh) | 基于数据识别的固体废弃物处理设备监测方法 | |
CN110757510A (zh) | 一种机器人剩余寿命预测方法及系统 | |
CN117076955A (zh) | 一种高压变频器的故障检测方法及系统 | |
CN114323642A (zh) | 风电机组振动数据处理系统以及数据稀释方法 | |
KR20210006832A (ko) | 기계고장 진단 방법 및 장치 | |
CN117076869B (zh) | 旋转机械时频域融合故障诊断方法及系统 | |
CN112664410B (zh) | 一种基于大数据的机组在线监测系统建模方法 | |
CN113837591A (zh) | 一种面向多工况运行条件的装备健康评估方法 | |
CN116910680B (zh) | 一种健身器材的远程故障检测方法及系统 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN113283157A (zh) | 智能冲压压力机部件生命周期预测系统、方法、终端、介质 |
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 |