CN115979622A - 带式输送机减速器异常振动故障诊断方法、系统及介质 - Google Patents
带式输送机减速器异常振动故障诊断方法、系统及介质 Download PDFInfo
- Publication number
- CN115979622A CN115979622A CN202211624284.2A CN202211624284A CN115979622A CN 115979622 A CN115979622 A CN 115979622A CN 202211624284 A CN202211624284 A CN 202211624284A CN 115979622 A CN115979622 A CN 115979622A
- Authority
- CN
- China
- Prior art keywords
- fault
- speed reducer
- belt conveyor
- abnormal vibration
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种带式输送机减速器异常振动故障诊断方法、系统及介质,其中,所述方法包括:获取带式输送机减速器的历史履历数据以构建减速器异常振动的故障树模型;基于所述历史履历数据构建用于故障诊断的带式输送机减速器异常振动的故障数据库;基于所述故障树模型以及所述故障数据库构建带式输送机减速器异常振动的故障诊断贝叶斯网络模型;获取目标时段内带式输送机减速器的传感数据,将所述传感数据输入到所述故障诊断贝叶斯网络模型中得到各故障原因的发生概率;基于所述发生概率进行概率值降值排列,将排序在前两位的所述发生概率对应的故障原因输出给用户端。本发明可以提高维修工作效率,缩短检修时间,避免严重故障带来的经济损失。
Description
技术领域
本发明涉及数据处理及设备维修技术领域,特别是涉及一种带式输送机减速器异常振动故障诊断方法、系统及介质。
背景技术
带式输送机在高速、重载工况下长期连续运行,其驱动装置中的减速器是易损部件。对于减速器的相关研究主要包括受力分析、动力学建模、试验装置等方面,故障诊断方面的研究较少。而减速器故障进行检测与诊断不仅能够提高维修效率,对带式输送机的安全运行也具有重要意义。
目前已在减速器上安设了振动传感器,但对于减速器异常振动现象的故障原因缺乏判断,进而导致目前针对带式输送机减速机异常振动的故障诊断技术缺乏相关的研究。
发明内容
本发明的目的在于提供一种带式输送机减速器异常振动故障诊断方法、系统及介质,用于解决带式输送机减速器异常振动故障诊断的问题。
第一方面,本申请提供了一种带式输送机减速器异常振动故障诊断方法,带式输送机减速器异常振动故障诊断方法包括:
获取带式输送机减速器的历史履历数据以构建减速器异常振动的故障树模型;
基于所述历史履历数据构建用于故障诊断的带式输送机减速器异常振动的故障数据库;
基于所述故障树模型以及所述故障数据库构建带式输送机减速器异常振动的故障诊断贝叶斯网络模型;
获取目标时段内带式输送机减速器的传感数据,将所述传感数据输入到所述故障诊断贝叶斯网络模型中得到各故障原因的发生概率;
基于所述发生概率进行概率值降值排列,将排序在前两位的所述发生概率对应的故障原因输出给用户端。
其中,本申请将异常振动故障诊断方法引入带式输送机减速器的应用场景中,并通过使用贝叶斯网络模型与专家知识融合的方法实现了预期的带式输送机减速器异常振动故障诊断,具体结合传感器的振动数据,实现故障的及时发现与排除,避免故障进一步发展造成严重影响,避免人工巡检而产生的较大费用和作业时间,提高减速器维修的工作效率和减少设备维护作业成本。
在本申请一个可能的实现方式中,获取带式输送机减速器的历史履历数据以构建减速器异常振动的故障树模型,具体包括:
获取所述历史履历数据,其中,所述历史履历数据至少包括历史振动信号以及对应的历史维修数据;
基于所述历史履历数据结合减速器型号组建得到所述故障树模型,其中,所述故障树模型中包括所有所述历史振动信号中异常振动的历史故障,并且所述故障树模型中包括故障发生位置。
在本申请一个可能的实现方式中,基于所述历史履历数据构建用于故障诊断的带式输送机减速器异常振动的故障数据库,具体包括:
基于预设的数据结构将所述历史履历数据进行统一得到不同的目标字段;
基于所述目标字段构建所述故障数据库,其中,所述目标字段至少包括故障时间、部件编号、故障原因以及维修建议;
采用预设的编码方式将故障原因内容进行语义上的统一以得到故障类型。
在本申请一个可能的实现方式中,基于所述故障树模型以及所述故障数据库构建带式输送机减速器异常振动的故障诊断贝叶斯网络模型,具体包括:
提取所述故障树模型内的所有事件作为模型节点构建所述故障诊断贝叶斯网络模型,其中,所述故障树模型中的逻辑门为有向边;
基于预设的结构学习算法结合历史故障数据对所述故障诊断贝叶斯网络模型进行结构学习,其中,所述结构学习算法为贪心粗细化算法;
基于预设的参数学习算法结合所述故障数据库对所述故障诊断贝叶斯网络模型进行参数学习,其中,所述参数学习算法为贝叶斯估计算法。
在本申请一个可能的实现方式中,获取目标时段内带式输送机减速器的传感数据,将所述传感数据输入到所述故障诊断贝叶斯网络模型中得到各故障原因的发生概率,具体包括:
当所述带式输送机减速器发生故障时,基于设置在减速器上的传感器收集所述目标时段内减速器的所述传感数据,其中,所述目标时段为故障发生的对应时段;
基于所述传感数据输入至训练好的所述故障诊断贝叶斯网络模型中得到所述发生概率,其中,所述传感数据包括实时振动数据以及所述故障发生位置。
在本申请一个可能的实现方式中,所述方法还包括基于所述故障原因在所述故障数据库内匹配对应的所述维修建议同步输出给所述用户端。
在本申请一个可能的实现方式中,所述方法还包括将所述发生概率以及对应的所述故障原因进行可视化显示。
第二方面,本申请提供了一种带式输送机减速器异常振动故障诊断系统,带式输送机减速器异常振动故障诊断系统包括:
获取模块,用于获取带式输送机减速器的历史履历数据以构建减速器异常振动的故障树模型;
构建模块,用于基于所述历史履历数据构建用于故障诊断的带式输送机减速器异常振动的故障数据库;以及用于基于所述故障树模型以及所述故障数据库构建带式输送机减速器异常振动的故障诊断贝叶斯网络模型;
输入模块,用于获取目标时段内带式输送机减速器的传感数据,将所述传感数据输入到所述故障诊断贝叶斯网络模型中得到各故障原因的发生概率;
输出模块,用于基于所述发生概率进行概率值降值排列,将排序在前两位的所述发生概率对应的故障原因输出给用户端。
第三方面,本申请提供了一种上述的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所述带式输送机减速器异常振动故障诊断方法。
第四方面,本申请提供了一种上述的电子设备,所述电子设备包括:处理器及存储器;其中,所述存储器用于存储计算机程序,所述处理器用于加载执行所述计算机程序,以使所述电子设备执行所述的带式输送机减速器异常振动故障诊断方法。
如上所述,本发明的带式输送机减速器异常振动故障诊断方法、系统及介质,大大提高减速器维修的工作效率,并且缓解带式输送机减速器人工巡检时的作业人员数量多、工作时间长的问题,有效的节省了人力资源和大修成本,避免严重故障带来的经济损失。
附图说明
图1显示为本发明的带式输送机减速器异常振动故障诊断方法于一实施例中的场景应用图;
图2显示为本发明的带式输送机减速器异常振动故障诊断方法于一实施例中的方法步骤示意图;
图3显示为本发明的带式输送机减速器异常振动故障诊断方法于又一实施例中的方法步骤示意图;
图4显示为本发明的带式输送机减速器异常振动故障诊断方法于一实施例中的故障模型树结构示意图;
图5显示为本发明的带式输送机减速器异常振动故障诊断方法于又一实施例中的方法装置示意图;
图6显示为本发明的带式输送机减速器异常振动故障诊断方法于又一实施例中的方法步骤示意图;
图7显示为本发明的带式输送机减速器异常振动故障诊断系统于一实施例中的结构示意图;
图8显示为本发明一实施例中电子设备的结构示意图。
元件标号说明
S202~S210 步骤
S302~S304 步骤
S502~S506 步骤
S602~S606 步骤
70 带式输送机减速器异常振动故障诊断系统
71 获取模块
72 构建模块
73 输入模块
74 输出模块
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
如图1所示,为本申请中说明的带式输送机减速器异常振动故障诊断方法的场景应用图,其中,贝叶斯网络(Bayesian network),又称信念网络(belief network)或是有向无环图模型(directed acyclic graphical model),是一种概率图型模型,本申请基于带式输送机减速器的历史故障数据构建故障诊断贝叶斯网络模型,从而在应用时,可以实时采集带式输送机的传感器数据,将传感器数据输入到故障诊断贝叶斯网络模型中得到模型输出的故障原因和对应的发生概率,从而可以大大提高减速器维修的工作效率,有效的节省了人力资源和大修成本。
请参阅图2,于发明一实施例中,本发明的带式输送机减速器异常振动故障诊断方法包括如下步骤:
步骤S202,获取带式输送机减速器的历史履历数据以构建减速器异常振动的故障树模型;
步骤S204,基于所述历史履历数据构建用于故障诊断的带式输送机减速器异常振动的故障数据库;
步骤S206,基于所述故障树模型以及所述故障数据库构建带式输送机减速器异常振动的故障诊断贝叶斯网络模型;
步骤S208,获取目标时段内带式输送机减速器的传感数据,将所述传感数据输入到所述故障诊断贝叶斯网络模型中得到各故障原因的发生概率;
步骤S210,基于所述发生概率进行概率值降值排列,将排序在前两位的所述发生概率对应的故障原因输出给用户端。
需要说明的是,获取带式输送机减速器的历史履历数据以构建减速器异常振动的故障树模型,其中,如图3所示,具体包括如下步骤:
步骤S302,获取所述历史履历数据,其中,所述历史履历数据至少包括历史振动信号以及对应的历史维修数据;
步骤S304,基于所述历史履历数据结合减速器型号组建得到所述故障树模型,其中,所述故障树模型中包括所有所述历史振动信号中异常振动的历史故障,并且所述故障树模型中包括故障发生位置。
具体地,获取所述历史履历数据以组建所述故障树模型,其中,所述历史履历数据至少包括所述历史振动信号以及对应的所述历史维修数据,在组建所述故障树模型时,结合所述历史履历数据以及减速器型号(例如M2PSF70)、国标(例如减速器齿轮装置振动实验验收规范GB/T 6404.2-2005,圆柱齿轮检验实施规范GB/Z 18620.2-2002)等领域知识来组建所述故障树模型,其中,图4显示为异常振动时的所述故障树模型,异常振动包括例如传动结构异常和/或安装异常,并以树状进行往下不断分类,传动结构异常包括例如高速轴异常和/或低速轴异常,而安装异常包括例如油封损坏等等,相应地,所述故障树模型中应包括所有所述历史振动信号中异常振动的历史故障,从而可以完善所述故障树模型,并且,需要在所述故障树模型中明确所述故障发生位置,从而可以更好地对异常类型进行区分,故障发生位置例如高速轴、低速轴等位置。
进一步地,于发明一实施例中,如图5所示,基于所述历史履历数据构建用于故障诊断的带式输送机减速器异常振动的故障数据库,具体包括如下步骤:
步骤S502,基于预设的数据结构将所述历史履历数据进行统一得到不同的目标字段;
步骤S504,基于所述目标字段构建所述故障数据库,其中,所述目标字段至少包括故障时间、部件编号、故障原因以及维修建议;
步骤S506,采用预设的编码方式将故障原因内容进行语义上的统一以得到故障类型。
需要说明的是,在对所述历史履历数据进行统一时,利用预设的数据结构进行统一得到不同的目标字段,而目标字段包括例如故障时间、部件编号、故障原因以及维修建议,基于不同的目标字段构建所述故障数据库,其中,对于故障原因这一字段而言,采用预设的编码方式进行语义的统一,其中,预设的数据结构例如“故障原因-故障类型-维修建议”,预设的编码方式例如表1所示。
表1.故障编码与故障类型对应关系表
故障编码 | 故障类型 | 故障编码 | 故障类型 |
AbV | 异常振动 | HBD | 高速轴轴承磨损 |
Inst | 安装异常 | LSM | 低速轴不对中 |
Tms | 传动机构异常 | LGD | 低速轴齿轮磨损 |
HS | 高速轴故障 | LBD | 低速轴轴承磨损 |
IS | 中间轴故障 | IGD | 中间轴齿轮磨损 |
LS | 低速轴故障 | IBD | 中间轴轴承磨损 |
HSM | 高速轴不对中 | OSD | 油封损坏 |
HGD | 高速轴齿轮磨损 | EBD | 弹性螺栓损坏 |
HSF | 高速轴断裂 | FBD | 固定螺栓损坏 |
进一步地,于发明一实施例中,如图6所示,基于所述故障树模型以及所述故障数据库构建带式输送机减速器异常振动的故障诊断贝叶斯网络模型,具体包括如下步骤:
步骤S602,提取所述故障树模型内的所有事件作为模型节点构建所述故障诊断贝叶斯网络模型;
步骤S604,基于预设的结构学习算法结合历史故障数据对所述故障诊断贝叶斯网络模型进行结构学习;
步骤S606,基于预设的参数学习算法结合所述故障数据库对所述故障诊断贝叶斯网络模型进行参数学习。
需要说明的是,以所述故障树模型中的所有事件作为模型节点来构建所述故障诊断贝叶斯网络模型,并将故障树模型中的逻辑门转换为有向边,进行模型训练,其中,训练采用所述贪心粗细化算法作为预设的结构学习算法,采用贝叶斯估计算法作为预设的参数学习算法,贪心粗细化算法即通过在原结构图中添加一条有向边并对原结构与现结构进行评分的迭代方法选择出得分最高的结构,结构学习的目的在于发现各层级故障间的隐藏关系,采用数据驱动的方式对所述故障诊断贝叶斯网络模型进行参数学习,可获得贝叶斯网络模型中各个节点的先验概率,而后通过后验概率来进行故障诊断,由于使用的参数学习算法为贝叶斯估计算法,可以有效缓解参数过拟合现象。
进一步地,当完成结构学习以及参数学习后,表示所述故障诊断贝叶斯网络模型的训练得以完成,需要说明的是,模型建立之初可能面临历史故障数据较少、数据不平衡等问题,此时故障诊断贝叶斯网络模型的结构与参数学习可以通过专家知识等手段完成,即通过专家用户输入的历史数据进行训练,因此,经过结构与参数学习后的故障诊断贝叶斯网络模型能有效地进行多源信息表达与融合,并能适应不同数据情况(包括数据缺失、数据模糊等)下的应用,随着历史数据的累积,模型即可利用大批量的历史数据进行训练。
进一步地,于发明一实施例中,获取目标时段内带式输送机减速器的传感数据,将所述传感数据输入到所述故障诊断贝叶斯网络模型中得到各故障原因的发生概率,具体包括:
当所述带式输送机减速器发生故障时,基于设置在减速器上的传感器收集所述目标时段内减速器的所述传感数据,其中,所述目标时段为故障发生的对应时段;
基于所述传感数据输入至训练好的所述故障诊断贝叶斯网络模型中得到所述发生概率,其中,所述传感数据包括实时振动数据以及所述故障发生位置。
需要说明的是,当减速器发送故障时,基于传感器收集故障发生时段的传感数据,将所述传感数据输入值训练好的所述故障诊断贝叶斯网络模型中以基于模型的输出得到先验概率,而后基于贝叶斯精确后验概率推理得到所述发生概率,相应地,所述发生概率对应于各故障原因的发生概率,收集到的所述传感数据包括实时振动数据以及故障发生位置,所述方法还包括将所述发生概率以及对应的所述故障原因进行可视化显示,从而供工作人员进行查阅。
具体地,基于所述发生概率进行概率值降值排列,将排序在前两位的所述发生概率对应的故障原因输出给用户端,在输出的同时,还可以根据所述传感数据基于专家知识分析得到的故障原因进行综合判断,其中,所述传感数据还包括特征值,所述特征值包括例如振动速度、加速度、均方值、峰峰值、峭度和歪度,所述特征值均可通过安装在减速器上的振动传感器获得,利用专家知识对特征值进行分析得到对于故障原因的初步判断,从而可以与所述故障诊断贝叶斯网络模型得到的故障原因进行综合判断,基于专家知识的特征值分析本质上是一种特征值阈值判别机制,事先由专家人员确认特征值阈值文件,在实时诊断过程中导入文件使用,无需专家人员进行人为实时诊断,通过结合专家知识与统计特性,对比单一的贝叶斯网络推理,故障诊断准确率更高,实时数据利用能力更优,并能在有限的、不完整的、不确定的信息条件下进行推理。
所述方法还包括基于所述故障原因在所述故障数据库内匹配对应的所述维修建议同步输出给所述用户端。
具体地,由于上述实施例中说明在故障数据库内包括故障时间、部件编号、故障原因以及维修建议,因此可以基于所述故障原因在所述故障数据库内查询匹配得到对应的所述维修建议,从而将所述维修建议输出给用户端,供用户进行参考。
本申请实施例还提供一种带式输送机减速器异常振动故障诊断系统,所述带式输送机减速器异常振动故障诊断系统可以实现本申请所述的带式输送机减速器异常振动故障诊断方法,但本申请所述的带式输送机减速器异常振动故障诊断方法的实现装置包括但不限于本实施例列举的带式输送机减速器异常振动故障诊断系统的结构,凡是根据本申请的原理所做的现有技术的结构变形和替换,都包括在本申请的保护范围内。
请参阅图7,在一实施例中,本实施例提供的一种带式输送机减速器异常振动故障诊断系统70,所述系统包括:
获取模块71,用于获取带式输送机减速器的历史履历数据以构建减速器异常振动的故障树模型;
构建模块72,用于基于所述历史履历数据构建用于故障诊断的带式输送机减速器异常振动的故障数据库;以及用于基于所述故障树模型以及所述故障数据库构建带式输送机减速器异常振动的故障诊断贝叶斯网络模型;
输入模块73,用于获取目标时段内带式输送机减速器的传感数据,将所述传感数据输入到所述故障诊断贝叶斯网络模型中得到各故障原因的发生概率;
输出模块74,用于基于所述发生概率进行概率值降值排列,将排序在前两位的所述发生概率对应的故障原因输出给用户端。
由于本实施例的具体实现方式与前述方法实施例对应,因而于此不再对同样的细节做重复赘述,本领域技术人员也应当理解,图7实施例中的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个或多个物理实体上,且这些模块可以全部以软件通过处理元件调用的形式实现,也可以全部以硬件的形式实现,还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。
参阅图8,本实施例提供一种电子设备,详细的,电子设备至少包括通过总线连接的:存储器、处理器,其中,存储器用于存储计算机程序,处理器用于执行存储器存储的计算机程序,以执行前述方法实施例中的全部或部分步骤。
综上所述,本发明大大提高减速器维修的工作效率,并且缓解带式输送机减速器人工巡检时的作业人员数量多、工作时间长的问题,有效的节省了人力资源和大修成本,避免严重故障带来的经济损失。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置或方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅是示意性的,例如,模块/单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或单元可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的模块/单元可以是或者也可以不是物理上分开的,作为模块/单元显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块/单元来实现本申请实施例的目的。例如,在本申请各个实施例中的各功能模块/单元可以集成在一个处理模块中,也可以是各个模块/单元单独物理存在,也可以两个或两个以上模块/单元集成在一个模块/单元中。
本领域普通技术人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例还提供了一种计算机可读存储介质。本领域普通技术人员可以理解实现上述实施例的方法中的全部或部分步骤是可以通过程序来指令处理器完成,所述的程序可以存储于计算机可读存储介质中,所述存储介质是非短暂性(non-transitory)介质,例如随机存取存储器,只读存储器,快闪存储器,硬盘,固态硬盘,磁带(magnetic tape),软盘(floppy disk),光盘(optical disc)及其任意组合。上述存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc,DVD))、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
本申请实施例还可以提供一种计算机程序产品,所述计算机程序产品包括一个或多个计算机指令。在计算设备上加载和执行所述计算机指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机或数据中心进行传输。
所述计算机程序产品被计算机执行时,所述计算机执行前述方法实施例所述的方法。该计算机程序产品可以为一个软件安装包,在需要使用前述方法的情况下,可以下载该计算机程序产品并在计算机上执行该计算机程序产品。
上述各个附图对应的流程或结构的描述各有侧重,某个流程或结构中没有详述的部分,可以参见其他流程或结构的相关描述。
上述实施例仅例示性说明本申请的原理及其功效,而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本申请的权利要求所涵盖。
Claims (10)
1.一种带式输送机减速器异常振动故障诊断方法,其特征在于,包括:
获取带式输送机减速器的历史履历数据以构建减速器异常振动的故障树模型;
基于所述历史履历数据构建用于故障诊断的带式输送机减速器异常振动的故障数据库;
基于所述故障树模型以及所述故障数据库构建带式输送机减速器异常振动的故障诊断贝叶斯网络模型;
获取目标时段内带式输送机减速器的传感数据,将所述传感数据输入到所述故障诊断贝叶斯网络模型中得到各故障原因的发生概率;
基于所述发生概率进行概率值降值排列,将排序在前两位的所述发生概率对应的故障原因输出给用户端。
2.根据权利要求1所述的带式输送机减速器异常振动故障诊断方法,其特征在于,获取带式输送机减速器的历史履历数据以构建减速器异常振动的故障树模型,具体包括:
获取所述历史履历数据,其中,所述历史履历数据至少包括历史振动信号以及对应的历史维修数据;
基于所述历史履历数据结合减速器型号组建得到所述故障树模型,其中,所述故障树模型中包括所有所述历史振动信号中异常振动的历史故障,并且所述故障树模型中包括故障发生位置。
3.根据权利要求2所述的带式输送机减速器异常振动故障诊断方法,其特征在于,基于所述历史履历数据构建用于故障诊断的带式输送机减速器异常振动的故障数据库,具体包括:
基于预设的数据结构将所述历史履历数据进行统一得到不同的目标字段;
基于所述目标字段构建所述故障数据库,其中,所述目标字段至少包括故障时间、部件编号、故障原因以及维修建议;
采用预设的编码方式将故障原因内容进行语义上的统一以得到故障类型。
4.根据权利要求3所述的带式输送机减速器异常振动故障诊断方法,其特征在于,基于所述故障树模型以及所述故障数据库构建带式输送机减速器异常振动的故障诊断贝叶斯网络模型,具体包括:
提取所述故障树模型内的所有事件作为模型节点构建所述故障诊断贝叶斯网络模型,其中,所述故障树模型中的逻辑门为有向边;
基于预设的结构学习算法结合历史故障数据对所述故障诊断贝叶斯网络模型进行结构学习,其中,所述结构学习算法为贪心粗细化算法;
基于预设的参数学习算法结合所述故障数据库对所述故障诊断贝叶斯网络模型进行参数学习,其中,所述参数学习算法为贝叶斯估计算法。
5.根据权利要求4所述的带式输送机减速器异常振动故障诊断方法,其特征在于,获取目标时段内带式输送机减速器的传感数据,将所述传感数据输入到所述故障诊断贝叶斯网络模型中得到各故障原因的发生概率,具体包括:
当所述带式输送机减速器发生故障时,基于设置在减速器上的传感器收集所述目标时段内减速器的所述传感数据,其中,所述目标时段为故障发生的对应时段;
基于所述传感数据输入至训练好的所述故障诊断贝叶斯网络模型中得到所述发生概率,其中,所述传感数据包括实时振动数据以及所述故障发生位置。
6.根据权利要求5所述的带式输送机减速器异常振动故障诊断方法,其特征在于,所述方法还包括基于所述故障原因在所述故障数据库内匹配对应的所述维修建议同步输出给所述用户端。
7.根据权利要求1所述的带式输送机减速器异常振动故障诊断方法,其特征在于,所述方法还包括将所述发生概率以及对应的所述故障原因进行可视化显示。
8.一种带式输送机减速器异常振动故障诊断系统,其特征在于,包括:
获取模块,用于获取带式输送机减速器的历史履历数据以构建减速器异常振动的故障树模型;
构建模块,用于基于所述历史履历数据构建用于故障诊断的带式输送机减速器异常振动的故障数据库;以及用于基于所述故障树模型以及所述故障数据库构建带式输送机减速器异常振动的故障诊断贝叶斯网络模型;
输入模块,用于获取目标时段内带式输送机减速器的传感数据,将所述传感数据输入到所述故障诊断贝叶斯网络模型中得到各故障原因的发生概率;
输出模块,用于基于所述发生概率进行概率值降值排列,将排序在前两位的所述发生概率对应的故障原因输出给用户端。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至7任一项所述带式输送机减速器异常振动故障诊断方法。
10.一种电子设备,其特征在于,所述电子设备包括:处理器及存储器;其中,所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述电子设备执行如权利要求1至7中任一项所述带式输送机减速器异常振动故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211624284.2A CN115979622A (zh) | 2022-12-16 | 2022-12-16 | 带式输送机减速器异常振动故障诊断方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211624284.2A CN115979622A (zh) | 2022-12-16 | 2022-12-16 | 带式输送机减速器异常振动故障诊断方法、系统及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115979622A true CN115979622A (zh) | 2023-04-18 |
Family
ID=85958403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211624284.2A Pending CN115979622A (zh) | 2022-12-16 | 2022-12-16 | 带式输送机减速器异常振动故障诊断方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115979622A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118096131A (zh) * | 2024-04-23 | 2024-05-28 | 青岛华林电力有限公司 | 一种基于电力场景模型的运维巡检方法 |
-
2022
- 2022-12-16 CN CN202211624284.2A patent/CN115979622A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118096131A (zh) * | 2024-04-23 | 2024-05-28 | 青岛华林电力有限公司 | 一种基于电力场景模型的运维巡检方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110806743A (zh) | 基于人工智能的设备故障检测与预警系统及方法 | |
AU2013224895B2 (en) | Method and system for diagnostic rules for heavy duty gas turbines | |
CN110020967B (zh) | 一种电网调度端变电站智能告警的信息处理方法及装置 | |
CN102765643A (zh) | 基于数据驱动的电梯故障诊断与预警方法 | |
CN112449696B (zh) | 时序数据诊断装置、追加学习方法及程序 | |
CN103745229A (zh) | 一种基于svm的轨道交通故障诊断方法及系统 | |
CN111651530B (zh) | 一种智能化港口监测系统 | |
CN106444489A (zh) | 基于数字化监测重型装备发动机的监测装置及其监测方法 | |
Welte et al. | Models for lifetime estimation: an overview with focus on applications to wind turbines | |
CN111817880A (zh) | 一种油气田生产设备健康管理系统以及实现方法 | |
CN115979622A (zh) | 带式输送机减速器异常振动故障诊断方法、系统及介质 | |
CN111765075B (zh) | 一种锻造液压机泵源故障预测方法及系统 | |
CN106607461A (zh) | 一种冷轧机液压agc故障诊断专家系统 | |
CN112818035A (zh) | 一种网络故障预测方法及终端设备及存储介质 | |
CN111896254A (zh) | 一种变速变载大型滚动轴承故障预测系统及方法 | |
CN113282000A (zh) | 数据中心的故障诊断方法、装置及动环监控系统 | |
CN110307981B (zh) | 基于pnn-ifa的轴承故障诊断方法 | |
CN110750455B (zh) | 基于系统日志分析的智能在线自更新故障诊断方法和系统 | |
CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
CN116000131A (zh) | 一种基于数据驱动的挤压机设备智能运维方法及系统 | |
Cao et al. | Remaining useful life prediction of wind turbine generator bearing based on EMD with an indicator | |
Zhang et al. | Research on condition monitoring and fault diagnosis of intelligent copper ball production lines based on big data | |
CN113807027B (zh) | 一种风电机组健康状态评估模型、方法及系统 | |
CN104267336A (zh) | 一种基于断路器操作机构的故障诊断系统 | |
CN115048953A (zh) | 一种基于多分类svm信息感知的地铁风机智能诊断方法 |
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 |