CN115982551A - 掘进设备的故障诊断方法及智能化掘进设备 - Google Patents
掘进设备的故障诊断方法及智能化掘进设备 Download PDFInfo
- Publication number
- CN115982551A CN115982551A CN202211595269.XA CN202211595269A CN115982551A CN 115982551 A CN115982551 A CN 115982551A CN 202211595269 A CN202211595269 A CN 202211595269A CN 115982551 A CN115982551 A CN 115982551A
- Authority
- CN
- China
- Prior art keywords
- data
- acquisition unit
- fault
- acquiring
- sensor
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000005641 tunneling Effects 0.000 title claims abstract description 59
- 238000004458 analytical method Methods 0.000 claims abstract description 44
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 239000003638 chemical reducing agent Substances 0.000 claims description 53
- 230000002159 abnormal effect Effects 0.000 claims description 50
- 230000008569 process Effects 0.000 claims description 26
- 238000009412 basement excavation Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 23
- 230000004927 fusion Effects 0.000 claims description 20
- 239000010720 hydraulic oil Substances 0.000 claims description 19
- 239000010687 lubricating oil Substances 0.000 claims description 15
- 239000003921 oil Substances 0.000 claims description 15
- 238000006073 displacement reaction Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000010349 pulsation Effects 0.000 claims description 8
- 238000010079 rubber tapping Methods 0.000 claims description 6
- 239000002893 slag Substances 0.000 claims description 6
- 239000013589 supplement Substances 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000005299 abrasion Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 4
- 239000000314 lubricant Substances 0.000 claims description 2
- 239000000306 component Substances 0.000 description 10
- 238000012706 support-vector machine Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000005294 ferromagnetic effect Effects 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 239000008358 core component Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000005526 G1 to G0 transition Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 230000005291 magnetic effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本公开涉及一种掘进设备的故障诊断方法及智能化掘进设备。故障诊断方法包括:步骤S1:通过多个智能感知终端分别获取掘进设备的多个工作系统的运行数据;步骤S2:对所述运行数据进行预处理;步骤S3:对预处理后的运行数据进行特征分析,以获得状态特征数据;步骤S4:采用多种故障模型对所述状态特征数据进行运算,并对各个故障模型输出的故障诊断参数进行权重匹配,以获得融合后的故障诊断参数。
Description
技术领域
本公开涉及隧道挖掘领域,尤其涉及一种掘进设备的故障诊断方法及智能化掘进设备。
背景技术
大型掘进机作为一种地下工程装备,具有整机长、埋深大和无法后退的特点。主驱动系统(主驱动密封、主轴承、减速机等)和液压系统(泵、马达等)是整机的核心动力系统,而其安全运行主要依赖主驱动密封、盾尾密封隔绝外部岩土构造的安全环境。大型掘进机的复杂构造同时造成了维护成本高、检修时间长、故障点难以排查的问题,其关键部件/系统一旦故障,更换修复十分困难。为此,企业不得不加强维保与人工监察力度,导致大型掘进装备运行维护成本畸高。
目前在掘进机状态感知技术方面,大型掘进机核心部件的运行涉及复杂的热流固多物理场耦合,且其实际工况复杂多变,对于核心部件关键参数在线监测一直是业界难点。对于主驱动核心部件的有效状态量尚缺乏行之有效的在线传感与测量方法,难以准确、全面、实时地评估大型掘进机主驱动关键部件的运行状态,严重制约了其故障预测与诊断能力的提升与智能化发展。
在监测诊断算法方面,掘进机的监测诊断技术被国内外普遍重视,但掘进机关键部件处于强振动、强交变载荷、便转速等恶劣工况,导致主驱动系统、液压元件与系统诊断算法的泛化能力薄弱,无法适用现场工况,亟需开发多重预警手段融合的掘进机状态预警方法,实现掘进机预测性维护。
发明内容
有鉴于此,本公开实施例提供一种掘进设备的故障诊断方法及智能化掘进设备,能够提升掘进设备在现场复杂工况下的故障预测和诊断的能力和智能化水平。
在本公开的一个方面,提供一种掘进设备的故障诊断方法,包括:
步骤S1:通过多个智能感知终端分别获取掘进设备的多个工作系统的运行数据;
步骤S2:对所述运行数据进行预处理;
步骤S3:对预处理后的运行数据进行特征分析,以获得状态特征数据;
步骤S4:采用多种故障模型对所述状态特征数据进行运算,并对各个故障模型输出的故障诊断参数进行权重匹配,以获得融合后的故障诊断参数。
在一些实施例中,所述步骤S2包括:
步骤S21:从所述运行数据中过滤掉对应于异常工作状态的数据部分,以获得工作过程的运行数据;
步骤S22:从所述工作过程的运行数据中筛选出对应于所述掘进设备在掘进过程中稳定段的运行数据。
在一些实施例中,在所述步骤S21中,在所述掘进设备的总推进力、推进速度、刀盘扭矩和刀盘转速中任一个数据异常时,确定所述运行数据属于对应于异常工作状态的数据部分。
在一些实施例中,在所述步骤S22中,在刀盘转速的标准差和总推进力的标准差均满足标准差阈值要求时,确定所述运行数据属于对应于所述掘进设备在掘进过程中稳定段的运行数据。
在一些实施例中,所述步骤S2还包括:
步骤S23:对所述稳定段的运行数据中的异常值进行检测,剔除异常值并进行补位。
在一些实施例中,所述步骤S3包括:
对预处理后的运行数据中的高频数据进行时域分析、频域分析和时频域分析中的至少一种,以及对预处理后的运行数据中的低频数据进行时域分析,以构建时域特征集和频域特征集。
在一些实施例中,所述步骤S3还包括:
对所述时域特征集和所述频域特征集进行降维优化,以筛选出故障敏感状态特征来构造故障敏感状态特征集。
在一些实施例中,所述步骤S4包括:
根据所述多种故障模型计算出的所述工作系统中各类故障对应的置信度及为每种故障模型分配的权重,计算融合置信度的误差均值和方差;
在满足所述融合置信度的方差最小的条件下,确定所述多种故障模型分别对应的权重;
根据所述多种故障模型输出的故障诊断参数和所述多种故障模型分别对应的已确定的权重进行加权计算,以获得融合后的故障诊断参数。
在一些实施例中,所述多种故障模型包括基于专家知识的诊断推理机模型和基于大数据的神经网络诊断及预测模型。
在一些实施例中,所述故障诊断方法还包括:
判断所述状态特征数据及融化后的故障诊断参数是否符合基于规则的状态报警模型设定的报警阈值,并在超出报警阈值时通过可视化终端进行报警。
在本公开的一个方面,提供一种智能化掘进设备,包括:
多个工作系统;
多个智能感知终端,分别对应于所述多个工作系统,用于获取对应的工作系统的运行数据,并对所述运行数据进行预处理;和
边缘处理服务器,与所述多个智能感知终端通信连接,用于对预处理后的运行数据进行特征分析,以获得状态特征数据,采用多种故障模型对所述状态特征数据进行运算,并对各个故障模型输出的故障诊断参数进行权重匹配,以获得融合后的故障诊断参数。
在一些实施例中,所述多个工作系统包括刀盘系统、主驱动系统、液压系统、管片拼装系统、推进系统和出渣系统中的至少一种。
在一些实施例中,所述刀盘系统包括:
刀盘及用于获取所述刀盘的运行数据的刀盘数据获取单元;和
刀具及用于获取所述刀具的运行数据的刀具数据获取单元。
在一些实施例中,所述刀盘数据获取单元包括:获取刀盘转速、刀盘扭矩和推力信息中至少一种的主控室控制器;所述刀具数据获取单元包括:刀具转速传感器、刀具磨损量传感器和刀盘温度传感器中的至少一种。
在一些实施例中,所述主驱动系统包括:
主轴承及用于获取所述主轴承的运行数据的主轴承数据获取单元;
主驱动电机及用于获取所述主驱动电机的运行数据的电机数据获取单元;
主减速机及用于获取所述主减速机的运行数据的减速机数据获取单元;
润滑油供应机构及用于获取润滑油的运行数据的润滑油数据获取单元;和
主驱动密封及用于获取所述主驱动密封的运行数据的密封数据获取单元。
在一些实施例中,所述主轴承数据获取单元包括:轴承内圈位移传感器、径向滚子振动传感器、止推滚子振动传感器、反推滚子振动传感器、轴承温度传感器、应力应变传感器和轴承转速传感器中的至少一种;所述电机数据获取单元包括:获取电机电流和电机温度中至少一种的主控室控制器和电机振动传感器;所述主减速机数据获取单元包括:获取主减速机温度的主控室控制器和减速机振动传感器;所述润滑油数据获取单元包括:润滑油传感器;所述密封数据获取单元包括:密封跑道厚度测量传感器、密封腔内温度和压力传感器、密封件磨损量测量传感器和密封迷宫间隙测量传感器中的至少一种。
在一些实施例中,所述液压系统包括:
液压泵及用于获取所述液压泵的运行数据的液压泵数据获取单元;
液压泵电机及用于获取所述液压泵电机的运行数据的液压泵电机获取单元;
用于获取液压油的运行数据的液压油数据获取单元;和
控制阀及用于获取所述控制阀的运行数据的控制阀数据获取单元。
在一些实施例中,所述液压泵数据获取单元包括:安装在所述液压泵上的振动传感器、压力脉动传感器和低频压力传感器中的至少一种;所述液压泵电机获取单元包括:安装在所述液压泵电机上的振动传感器;所述液压油数据获取单元包括:液压油传感器;所述控制阀数据获取单元包括:阀控制器。
在一些实施例中,所述管片拼装系统包括:
拼装液压马达及用于获取所述拼装液压马达的运行数据的拼装马达数据获取单元;
拼装驱动电机及用于获取所述拼装驱动电机的运行数据的拼装电机数据获取单元;和
拼装减速机及用于获取所述拼装减速机的运行数据的拼装减速机数据获取单元。
在一些实施例中,所述拼装马达数据获取单元包括:安装在所述拼装马达上的振动传感器、压力脉动传感器和低频压力传感器中的至少一种;所述拼装电机数据获取单元包括:获取拼装驱动电机的电机电流和电机温度中至少一种的主控室控制器和拼装电机振动传感器;所述拼装减速机数据获取单元包括:获取拼装减速机温度的主控室控制器和拼装减速机振动传感器。
在一些实施例中,所述推进系统包括:推进油缸及用于获取所述推进油缸的运行数据的推进数据获取单元。
在一些实施例中,所述推进数据获取单元包括:油缸行程传感器和油缸压力传感器中的至少一种。
在一些实施例中,所述出渣系统包括:
螺旋输送机及用于获取所述螺旋输送机的运行数据的螺旋输送数据获取单元;和
皮带输送机及用于获取所述皮带输送机的运行数据的皮带输送数据获取单元。
在一些实施例中,所述螺旋输送数据获取单元包括:磨损传感器、闸门位移传感器和闸门压力传感器中的至少一种;所述皮带输送数据获取单元包括:跑偏检测传感器和安装在所述皮带输送机上的振动传感器中的至少一种。
在一些实施例中,所述智能感知终端包括:
数据采集模块,被配置为通过多种通讯协议获取对应的工作系统的运行数据,并调整对应的工作系统的数据采集参数;和
数据预处理模块,被配置为对所述运行数据进行预处理。
在一些实施例中,所述数据预处理模块包括:
异常过滤单元,被配置为从所述运行数据中过滤掉对应于异常工作状态的数据部分,以获得工作过程的运行数据;和
稳定段筛选单元,被配置为从所述工作过程的运行数据中筛选出对应于所述掘进设备在掘进过程中稳定段的运行数据。
在一些实施例中,所述异常过滤单元被配置为:在所述掘进设备的总推进力、推进速度、刀盘扭矩和刀盘转速中任一个数据异常时,确定所述运行数据属于对应于异常工作状态的数据部分。
在一些实施例中,所述稳定段筛选单元被配置为:在刀盘转速的标准差和总推进力的标准差均满足标准差阈值要求时,确定所述运行数据属于对应于所述掘进设备在掘进过程中稳定段的运行数据。
在一些实施例中,所述智能感知终端还包括:
异常值处理模块,被配置为对所述稳定段的运行数据中的异常值进行检测,剔除异常值并进行补位。
在一些实施例中,所述边缘处理服务器包括:
状态特征提取模块,被配置为对预处理后的运行数据进行特征分析,以获得状态特征数据;和
故障模型运算模块,被配置为采用多种故障模型对所述状态特征数据进行运算,并对各个故障模型输出的故障诊断参数进行权重匹配,以获得融合后的故障诊断参数。
在一些实施例中,所述状态特征提取模块包括:
数据分析单元,被配置为对预处理后的运行数据中的高频数据进行时域分析、频域分析和时频域分析中的至少一种,以及对预处理后的运行数据中的低频数据进行时域分析,以构建时域特征集和频域特征集。
在一些实施例中,所述状态特征提取模块还包括:
数据优化单元,被配置为对所述时域特征集和所述频域特征集进行降维优化,以筛选出故障敏感状态特征来构造故障敏感状态特征集。
在一些实施例中,所述故障模型运算模块被配置为根据所述多种故障模型计算出的所述工作系统中各类故障对应的置信度及为每种故障模型分配的权重计算融合置信度的误差均值和方差,在满足所述融合置信度的方差最小的条件下确定所述多种故障模型分别对应的权重,再根据所述多种故障模型输出的故障诊断参数和所述多种故障模型分别对应的已确定的权重进行加权计算,以获得融合后的故障诊断参数。
在一些实施例中,所述多种故障模型包括基于专家知识的诊断推理机模型和基于大数据的神经网络诊断及预测模型。
在一些实施例中,所述边缘处理服务器还包括:
状态报警模块,被配置为判断所述状态特征数据及融化后的故障诊断参数是否符合基于规则的状态报警模型设定的报警阈值,并在超出报警阈值时通过可视化终端进行报警。
在一些实施例中,所述智能化掘进设备还包括:
可视化终端,与所述边缘处理服务器通信连接,用于显示运行数据、提供诊断信息和/或发出报警。
因此,根据本公开实施例,对掘进设备的多个工作系统分别通过对应的智能感知终端进行运行数据的获取,智能感知终端可与对应的工作系统的传感器等进行通信以便以特定的频次或时长获取工作系统本身以及工作系统所包含部件的运行数据的获取,在进行特征分析之前通过对运行数据的预处理,可以消除现场复杂工况下获得的运行数据中的异常或波动较大的部分,提高特征分析的准确性,在进行故障诊断时,通过多个模型对状态特征数据进行运算,并通过加权融合来获得融合结果以兼顾多个模型的优势,从而有效地提升掘进设备在现场复杂工况下的故障预测和诊断的能力和智能化水平。
附图说明
构成说明书的一部分的附图描述了本公开的实施例,并且连同说明书一起用于解释本公开的原理。
参照附图,根据下面的详细描述,可以更加清楚地理解本公开,其中:
图1是根据本公开掘进设备的故障诊断方法的一些实施例的流程示意图;
图2是根据本公开掘进设备的故障诊断方法实施例中对运行数据预处理的流程示意图;
图3是根据本公开掘进设备的故障诊断方法实施例中对运行数据进行特征分析的流程示意图;
图4是根据本公开掘进设备的故障诊断方法实施例中模型处理的流程示意图;
图5是根据本公开智能化掘进设备的一些实施例的结构示意图。
应当明白,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。此外,相同或类似的参考标号表示相同或类似的构件。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。对示例性实施例的描述仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。本公开可以以许多不同的形式实现,不限于这里所述的实施例。提供这些实施例是为了使本公开透彻且完整,并且向本领域技术人员充分表达本公开的范围。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、材料的组分、数字表达式和数值应被解释为仅仅是示例性的,而不是作为限制。
本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的部分。“包括”或者“包含”等类似的词语意指在该词前的要素涵盖在该词后列举的要素,并不排除也涵盖其他要素的可能。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
在本公开中,当描述到特定器件位于第一器件和第二器件之间时,在该特定器件与第一器件或第二器件之间可以存在居间器件,也可以不存在居间器件。当描述到特定器件连接其它器件时,该特定器件可以与所述其它器件直接连接而不具有居间器件,也可以不与所述其它器件直接连接而具有居间器件。
本公开使用的所有术语(包括技术术语或者科学术语)与本公开所属领域的普通技术人员理解的含义相同,除非另外特别定义。还应当理解,在诸如通用字典中定义的术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
图1是根据本公开掘进设备的故障诊断方法的一些实施例的流程示意图。参考图1,本公开实施例提供一种掘进设备的故障诊断方法,包括:步骤S1到步骤S4。在步骤S1中,通过多个智能感知终端分别获取掘进设备的多个工作系统的运行数据。在步骤S2中,对所述运行数据进行预处理。在步骤S3中,对预处理后的运行数据进行特征分析,以获得状态特征数据。在步骤S4中,采用多种故障模型对所述状态特征数据进行运算,并对各个故障模型输出的故障诊断参数进行权重匹配,以获得融合后的故障诊断参数。
本实施例对掘进设备的多个工作系统分别通过对应的智能感知终端进行运行数据的获取,智能感知终端可与对应的工作系统的传感器等进行通信以便以特定的频次或时长获取工作系统本身以及工作系统所包含部件的运行数据的获取,在进行特征分析之前通过对运行数据的预处理,可以消除现场复杂工况下获得的运行数据中的异常或波动较大的部分,提高特征分析的准确性,在进行故障诊断时,通过多个模型对状态特征数据进行运算,并通过加权融合来获得融合结果以兼顾多个模型的优势,从而有效地提升掘进设备在现场复杂工况下的故障预测和诊断的能力和智能化水平。
掘进设备具有多个关键部件,掘进设备的多个工作系统可由关键部件确定。例如对于全断面掘进机来说,其多个工作系统可包括刀盘系统、主驱动系统、液压系统、管片拼装系统、推进系统和出渣系统中的至少一种。
刀盘系统可包括刀盘和安装在刀盘上的刀具。对应于刀盘的运行数据可包括:刀盘转速、刀盘扭矩和推力中的至少一种,这些数据可通过传感器获得,也可以通过掘进设备主控室的控制器获得。对应于刀具的运行数据可包括:刀具转速、刀具磨损量和刀盘温度中的至少一种,这些数据可通过各种传感器获得。
主驱动系统可包括主轴承、主驱动电机、主减速机、主驱动密封以及润滑油供应机构等。对应于主轴承的运行数据可包括:轴承内圈的轴向振动信息、轴承外圈的径向振动、轴承外圈的轴向振动、轴承温度、轴承应力应变和轴承转速中的至少一种,这些数据可通过各种传感器获得。对应于主驱动电机的运行数据可包括:主驱动电机的电机电流、电机温度和电机振动中的至少一种,主驱动电机的电机电流、电机温度可通过传感器获得,也可通过主控室控制器获得,电机振动信息可通过传感器获得。
对应于主减速机的运行数据可包括:主减速机的振动和温度中的至少一种,其中振动可通过传感器获得,温度可通过传感器获得,也可以通过主控室控制器获得。对应于主驱动密封的运行数据可包括主驱动密封的密封跑道厚度、密封腔温度和压力、密封件磨损量和密封迷宫间隙中的至少一种,这些数据可通过各种传感器获得。对应于润滑油供应机构的运行数据可包括:润滑油内铁磁磨粒含量、含水率、污染度、粘度和温度中的至少一种。这些数据可通过传感器获得。
液压系统可包括推进、撑靴等液压泵、液压泵电机和控制阀等。对应于液压泵的运行数据可包括:液压泵的振动和液压泵内液压油的压力波动中的至少一种,这些数据可通过传感器获得。对应于液压泵电机的运行数据可包括:液压泵电机的振动,可通过传感器获得。对应于控制阀的运行数据可包括控制阀的阀芯位移和控制指令,这些可通过阀控制器获得。液压系统的运行数据还可以包括液压油的粘度、温度、污染度和铁磁颗粒含量中的至少一种,这些数据可通过传感器获得。
管片拼装系统可包括拼装油缸、拼装液压马达、拼装驱动电机及拼装减速机等。对应于拼装液压马达的运行数据可包括拼装液压马达的振动和拼装液压马达内液压油的压力波动中的至少一种,这些数据可通过传感器获得。对应于拼装驱动电机的运行数据可包括拼装驱动电机的电机电流、电机温度和电机振动中的至少一种,拼装驱动电机的电机电流、电机温度可通过传感器获得,也可通过主控室控制器获得,电机振动信息可通过传感器获得。对应于拼装减速机的运行数据可包括:拼装减速机的振动和温度中的至少一种,其中振动可通过传感器获得,温度可通过传感器获得,也可以通过主控室控制器获得。
推进系统可包括推进油缸。对应于推进油缸的运行数据可包括推进油缸的位移行程和有杆腔/无杆腔的压力中的至少一种,这些数据可通过传感器获得。出渣系统可包括螺旋输送机和皮带输送机。对应于螺旋输送机的运行数据可包括螺旋输送机的外壳厚度、闸门开合量和闸门压力中的至少一种,这些数据可通过传感器获得。对应于皮带输送机的运行数据可包括皮带输送机的电机/减速机的振动和皮带输送机的皮带跑偏量中的至少一种,这些数据可通过传感器获得。
需要说明的是,对于不同掘进设备,涉及的工作系统可以有所不同,工作系统所包含的部件以及采集的运行数据种类也有所不同,不限于以上工作系统及其组成和对应的运行数据的举例。
智能感知终端内可设置多种通讯协议,以便采集不同类型的运行数据,并可写入同一个数据文件。智能感知终端可根据设置调整其对应的工作系统的数据采集参数,例如对于不同传感器采用不同的采集频次和时长。这样,可以避免目前不同类型传感器需要不同采集器、网关等台设备的问题,有利于数据采集的标准化。
智能感知终端可具有一定的边缘计算能力,从而在步骤S2中对获取的运行数据进行预处理。运行数据的预处理方式可根据数据的实际情况进行设置,以便消除运行数据中的异常和噪音。
在一些实施例中,智能感知终端所获取的运行数据既包含对应工作系统的特有数据,如振动、压力、应力应变等,也包含各个工作系统的共有数据,如地质、掘进机推力、刀盘转速、刀盘扭矩等。在掘进时产生的大量数据中难免存在异常数据以及一些特殊掘进状态的数据,这些数据对掘进机的诊断效果有着负面影响,因此在对运行数据进行预处理时可通过过滤到异常数据,并筛选出掘进过程中的稳定段的运行数据。
图2是根据本公开掘进设备的故障诊断方法实施例中对运行数据预处理的流程示意图。参考图2,在一些实施例中,图1中步骤S2可包括步骤S21和步骤S22。在步骤S21中,从所述运行数据中过滤掉对应于异常工作状态的数据部分,以获得工作过程的运行数据。
考虑到掘进设备的掘进过程中,除正常掘进之外还有一部分时间处于异常工作状态,例如日常维护、刀具更换、停机维修、异常停机等。这些情况属于非正常工作状态,其数据占据比例较大且对于各工作系统的故障诊断缺乏价值。这些数据混杂在正常工作状态的数据中,所以将对应于异常工作状态的数据部分过滤掉。
利用异常工作状态下部分关键部件停止运转的特点,可在所述掘进设备的总推进力、推进速度、刀盘扭矩和刀盘转速中任一个数据异常时,确定所述运行数据属于对应于异常工作状态的数据部分,从而方便地过滤这些部分数据。
例如采用以下的判别函数:
在式(2)中,F,v,T,n分别为所述掘进设备的总推进力、推进速度、刀盘扭矩和刀盘转速,式(1)为二值判别函数,当x>0时说明数据为正常工作状态值,x≤0有两种情况,x=0时说明为异常工作状态数据,x<0说明传感器数据异常出现了负值。通过四个参数的二值判别函数的乘积可以判断掘进机的工作状态,出现异常工作状态数据时,对这部分数据过滤处理。
在步骤S22中,从所述工作过程的运行数据中筛选出对应于所述掘进设备在掘进过程中稳定段的运行数据。
考虑到掘进机工作过程可依次划分为空推段、上升段、稳定段和下降段,其中稳定段的整机运行状态波动较小,各系统工作趋于平衡,因此,可设定各个智能感知终端在掘进机稳定段开始工作,以便获取稳定段下各系统的特有数据和共有数据。
稳定段的判断可采用标准差法、均值判别方法和直方图法等。以标准差法为例,由于上升段的推进速度v持续增大,其标准差σ较大,而稳定段推进速度波动性较低,标准差σ基本维持稳定。因此可以刀盘转速n和总推进力F的标准差作为判别依据,在刀盘转速的标准差和总推进力的标准差均满足标准差阈值要求时,确定所述运行数据属于对应于所述掘进设备在掘进过程中稳定段的运行数据。
以刀盘开始启动时刻记为t0,每间隔△t,计算一次转速和总推进力F的标准差,得到σn和σF,设置许用误差εn和εF,若σn≤εn或σF≤εF则认为掘进设备处于稳定段。
参考图2,在一些实施例中,所述步骤S2还可包括步骤S23。在步骤S23中,对所述稳定段的运行数据中的异常值进行检测,剔除异常值并进行补位。
从稳定段中得到的运行数据实际上是各类掘进数据在采集时间间隔△t下的数据集,其中包括一部分因传感器采集或数据传输受到干扰的异常值,需要进行检测剔除和补位。考虑到在稳定段的运行数据基本呈正态分布,在此采用拉依达准则(3σ准则)实现。
以主驱动压力数据为例,在时间间隔为△t采集到的一个周期T的数据组为y=(x1,x2,…,xn),算出其算术平均值标准偏差σ及剩余误差xi,当某个测量值xi满足式(4),即认为xi为有误差的异常值。然后可将其在原数据组中剔除,并用算术平均值替代,获得新的数据组ynew。
图3是根据本公开掘进设备的故障诊断方法实施例中对运行数据进行特征分析的流程示意图。参考图3,在一些实施例中,图1中步骤S3可包括步骤S31。在步骤S31中,对预处理后的运行数据中的高频数据进行时域分析、频域分析和时频域分析中的至少一种,以及对预处理后的运行数据中的低频数据进行时域分析,以构建时域特征集和频域特征集。
经过预处理后,运行数据含有高频数据(例如振动数据、压力脉动数据等),也含有低频数据(例如温度、推力、刀盘转速、电流、压力等)。对于高频数据可进行时域、频域和时频域分析中的至少一种。例如计算均值、标准差、方根幅值、峰值、峰峰值、峭度等时域特征;对时域数据进行快速傅里叶变化得到频谱数据,计算频谱数据的通频幅值、一倍频幅值、二倍频幅值、0.5倍频幅值、轴承或齿轮故障频率等频域特征;对时域数据进行包络谱变换后,计算包络谱信号的通频幅值、一倍频幅值、二倍频幅值、0.5倍频幅值、轴承或齿轮故障频率等频域特征。对于低频数据可进行时域分析,例如计算均值、最大值、均方根值、方根幅值、峰值、峰峰值等。
针对各个工作系统的各部件可分别构建状态特征数据集CF},Ct表示时域特征集,CF表示频域特征集。在获得时域特征集和频域特征集后,在一些实施例中,所述步骤S3还可包括步骤S32。在步骤S32中,对所述时域特征集和所述频域特征集进行降维优化,以筛选出故障敏感状态特征来构造故障敏感状态特征集。
以主驱动系统的状态特征提取为例,距离评估法的算法原理为:假设具有c个类(时域、频域和时频域)w1,w2,w3,…,wc的特征集。
{pc,m,k=1,2,…,C; m=1,2,…,Mc; k=1,2,…,K} (5)
在式(5)中,pc,m,k,c为c状态下第m个样本第k个特征;Mc为c状态下样本总数;K为每个样本特征数目。在c类状态下,可得Mc个样本,因此总共可得Mc×C个样本集。从而得到Mc×C×K个特征,定义为{pc,m,k,c}。
①计算Mc×C类中所有特征向量。
对ak归一化处理,得补偿距离评估指标。
根据计算各特征的补偿距离评估指标设定其阈值φ,保留对n类故障识别敏感的k维特征,更新特征集为可以明显降低特征维度,但补偿距离评估的目标函数保证了降维后特征所包含的故障信息与全特征集基本一致,即实现了特征的降维优化,可提高诊断的计算效率。经过距离评估法敏感度评估处理后,由故障敏感状态特征构造的故障敏感状态特征集可用于后续的故障诊断。
图4是根据本公开掘进设备的故障诊断方法实施例中模型处理的流程示意图。参考图4,在一些实施例中,图1中所述步骤S4可包括步骤S41到步骤S43。在步骤S41中,根据所述多种故障模型计算出的所述工作系统中各类故障对应的置信度及为每种故障模型分配的权重,计算融合置信度的误差均值和方差。所述多种故障模型可包括基于专家知识的诊断推理机模型和基于大数据的神经网络诊断及预测模型。诊断推理机模型和神经网络诊断及预测模型均可被输入状态特征数据进行运算,而神经网络诊断及预测模型还可以被输入预处理后的运行数据。
基于专家知识的诊断推理机模型主要由已积累或已知的部件常见故障类型、各故障对应的特征现象、推理规则、置信度、特征权重组成。故障类型、特征现象、置信度、权重分别一一对应,推理规则可采用层次分析法、故障树法。
基于大数据的神经网络诊断及预测模型,通过对历史数据与故障现象进行学习和建模,生产神经网络智能诊断及预测模型,可用模型包括支持向量机(Support VectorMachine,SVM)、后向传播神经网络(Back Propagation Neural Networks,BPNN)、区域卷积神经网络(Region with CNN Feature,R-CNN),或SVM、BPNN或R-CNN改进模型。
采用多种故障模型可解决上述算法单一布置时存在的问题,从而兼顾各个模型的优势。对各个模型的输出进行权重匹配,实现多种模型的决策级融合。
步骤S42:在满足所述融合置信度的方差最小的条件下,确定所述多种故障模型分别对应的权重。步骤S43:根据所述多种故障模型输出的故障诊断参数和所述多种故障模型分别对应的已确定的权重进行加权计算,以获得融合后的故障诊断参数。
以主驱动电机的故障诊断为例,采用故障树法、SVM和BPNN三种故障诊断模型进行处理。各模型分配的权重分别为wi1,wi2,wi3,则主驱动电机故障类别之一的诊断最终融合结果为且融合结果(置信度)的误差均值和方差分别为:
Ei=wi1Ei1+wi2Ei2+wi3Ei3 (11)
当满足wi1+wi2+wi3=1时,可得到如下结果。
式(14)中wi1,wi2,wi3可作为证据集i(即故障类别)的基本概率分配函数。根据上述的融合方法,将三种模型的诊断结果通过权重分配,进行决策级融合,得到最终的主驱动电机故障诊断置信度表达式如下:
Y=w1×Ytree+w2×YSVM+w3×YBP (15)
在式(15)中,Y为算法融合后所得到的故障诊断结果置信度参数,wi为三种算法经过融合后所得的权重值,Ytree,YSVM,YBP为故障树法、SVM和BPNN三种诊断模型各自得到的故障诊断参数。
在一些实施例中,故障诊断方法还包括:判断所述状态特征数据及融化后的故障诊断参数是否符合基于规则的状态报警模型设定的报警阈值,并在超出报警阈值时通过可视化终端进行报警。
基于规则的状态报警模型分别针对各个工作系统中的各个部件设置报警阈值,报警阈值一般根据国标或采用拉依达准则法设置及q=u±kσ;u代表均值,σ代表标准差,k为报警系数,可取k≥3。在诊断模型有诊断结果(例如正常、预警、故障报警)输出后,可通过可视化终端进行报警或诊断结果的呈现。
图5是根据本公开智能化掘进设备的一些实施例的结构示意图。参考图5以及前述掘进设备的故障诊断方法的各个实施例,本公开实施例还提供了一种智能化掘进设备,包括:多个工作系统、多个智能感知终端和边缘处理服务器3。在一些实施例中,多个工作系统可包括刀盘系统11、主驱动系统12、液压系统13、管片拼装系统14、推进系统15和出渣系统16中的至少一种,其中多个智能感知终端21、22、23、24、25、26可分别对应于刀盘系统11、主驱动系统12、液压系统13、管片拼装系统14、推进系统15和出渣系统16。
智能感知终端用于获取对应的工作系统的运行数据,并对所述运行数据进行预处理。边缘处理服务器33与所述多个智能感知终端通信连接,用于对预处理后的运行数据进行特征分析,以获得状态特征数据,采用多种故障模型对所述状态特征数据进行运算,并对各个故障模型输出的故障诊断参数进行权重匹配,以获得融合后的故障诊断参数。
对于各个工作系统来说,每个工作系统中的运行数据可汇集于对应的智能感知终端。该终端可具有多种通讯协议,以采集不同类型的数据信息,并写入同一个数据文件。智能感知终端可设置多个核心处理器,并通过编程对不同传感器进行采集频次和时长等数据采集参数的控制。
智能感知终端还可包括数据预处理模块。数据预处理模块被配置为对所述运行数据进行预处理。对数据进行清洗降噪等预处理,以便将数据传输至边缘处理服务器3进行进一步分析。这种智能感知终端可以避免目前不同类型传感器需要不同采集器、网关等台设备的问题,有利于数据采集的标准化。
在一些实施例中,所述刀盘系统11可包括:刀盘及用于获取所述刀盘的运行数据的刀盘数据获取单元;和刀具及用于获取所述刀具的运行数据的刀具数据获取单元。
所述刀盘数据获取单元可包括:获取刀盘转速、刀盘扭矩和推力信息中至少一种的主控室控制器。所述刀具数据获取单元可包括:刀具转速传感器、刀具磨损量传感器和刀盘温度传感器中的至少一种。
刀具转速传感器可集成在滚刀刀箱上,一般可采用磁性传感器获得刀具转速数据。刀具磨损量传感器可以集成在刀箱上,可采用电涡流等非接触式传感器获取磨损量,也可以采用视觉相机进行测量得到。刀盘温度传感器可采用热电偶形式,分布于刀梁内测,以获取掘进时刀盘面板温度,也可采用红外测温仪进行非接触式测量。各传感器的供电可采用有线供电或电池供电,有线供电通过电滑环供电,确保在刀盘旋转时供电正常;电池供电时,电池与传感器一起封装与刀箱或刀盘面板上。
在一些实施例中,所述主驱动系统12包括:主轴承及用于获取所述主轴承的运行数据的主轴承数据获取单元;主驱动电机及用于获取所述主驱动电机的运行数据的电机数据获取单元;主减速机及用于获取所述主减速机的运行数据的减速机数据获取单元;润滑油供应机构及用于获取润滑油的运行数据的润滑油数据获取单元;和主驱动密封及用于获取所述主驱动密封的运行数据的密封数据获取单元。
所述主轴承数据获取单元可包括:轴承内圈位移传感器、径向滚子振动传感器、止推滚子振动传感器、反推滚子振动传感器、轴承温度传感器、应力应变传感器和轴承转速传感器中的至少一种。
轴承内圈位移传感器用来获取轴承内圈的轴向振动信息,可采用超声测距传感器或电涡流位移传感器。
径向滚子振动传感器可采用接触式振动传感器,通过在驱动箱上开孔,将传感器直接安装固定在轴承外圈正对径向滚子跑道位置,以获取最大的振动能量,由于轴承尺寸较大,传感器数量一般不少于8个,以轴承正上方为零点,各传感器均匀布置于一周。
止推滚子振动传感器可采用接触式振动传感器,通过在驱动箱上开孔,将传感器直接安装固定在轴承外圈正对止推滚子跑道位置,以获取最大的振动能量,由于轴承尺寸较大,传感器数量一般不少于8个,以轴承正上方为零点,各传感器均匀布置于一周。
反推滚子振动传感器可采用接触式振动传感器,通过在驱动箱上开孔,将传感器直接安装固定在轴承外圈正对反推滚子跑道位置,以获取最大的振动能量,由于轴承尺寸较大,传感器数量一般不少于8个,以轴承正上方为零点,各传感器均匀布置于一周。
轴承温度传感器可均匀分布于轴承外圈靠近各滚子跑道的位置,获取周温度数据,温度传感器分布数量通过对轴承进行热仿真得到,主要分布于仿真温度最大值、最小值及极值中间位置,温度传感器一般不少于8个。
应力应变传感器均可与分布于轴承外圈靠近各滚子跑道的位置,获取轴承工作过程中载荷变化带来的轴承应力应变信息;应力应变传器数量一般不少于8个,在轴承跑道软带位置附近尽可能在软带段起始处和软袋中间各分布1个,传感器可采用具有温度补偿功能的应变片,或设计具有温度补偿功能的半桥或全桥应变电路。
轴承转速传感器获取轴承内圈转速信息,可采用非接触式电涡流传感器获得。
所述电机数据获取单元可包括:获取电机电流和电机温度中至少一种的主控室控制器和电机振动传感器。电机振动传感器可采用接触式,单个电机最优情况下可安装3个振动传感器,其中2个正交安装在电机外壳正对轴承径向方向,1个安装在电机尾部平行于电机轴。径向传感器用来判断电机支撑轴承故障信息,轴向传感器用来判断电机于减速机连接状态信息。
所述主减速机数据获取单元可包括:获取主减速机温度的主控室控制器和减速机振动传感器。减速机振动传感器可采用接触式安装,安装于减速机保持架径向的外壳上,每级传动保持架周向正交布置2个,如三级减速时共安装6个。
所述润滑油数据获取单元可包括润滑油传感器。润滑油传感器可以测量润滑油的铁磁磨粒含量、含水率、污染度、粘度、温度等指标,传感器进油口可连接驱动箱,出油口连接驱动箱回油油路。
所述密封数据获取单元可包括:密封跑道厚度测量传感器、密封腔内温度和压力传感器、密封件磨损量测量传感器和密封迷宫间隙测量传感器中的至少一种。密封跑道厚度测量传感器、密封腔内温度和压力传感器、密封件磨损量测量传感器、密封迷宫间隙测量传感器均可安装在主驱动密封处。
在一些实施例中,所述液压系统13包括:液压泵及用于获取所述液压泵的运行数据的液压泵数据获取单元;液压泵电机及用于获取所述液压泵电机的运行数据的液压泵电机获取单元;用于获取液压油的运行数据的液压油数据获取单元;和控制阀及用于获取所述控制阀的运行数据的控制阀数据获取单元。
所述液压泵数据获取单元可包括:安装在所述液压泵上的振动传感器、压力脉动传感器(压力采样频率可大于等于1000Hz)和低频压力传感器中(测量系统压力值)的至少一种。振动传感器获得液压泵的振动信号,压力脉动传感器获得泵内液压油的压力波动信号。
所述液压泵电机获取单元可包括:安装在所述液压泵电机上的振动传感器。振动传感器一般安装3个,其中2个正交布置于电机外壳圆周上,1个布置于电机尾部轴向。
所述液压油数据获取单元可包括液压油传感器。液压油传感器与液压油管路连接,用于采集液压油粘度、温度、污染度、铁磁颗粒等数据。所述控制阀数据获取单元可包括阀控制器,用于获取阀芯位移信号和指令信号。
在一些实施例中,所述管片拼装系统14包括:拼装液压马达及用于获取所述拼装液压马达的运行数据的拼装马达数据获取单元;拼装驱动电机及用于获取所述拼装驱动电机的运行数据的拼装电机数据获取单元;和拼装减速机及用于获取所述拼装减速机的运行数据的拼装减速机数据获取单元。
所述拼装马达数据获取单元可包括:安装在所述拼装马达上的振动传感器、压力脉动传感器和低频压力传感器中的至少一种。所述拼装电机数据获取单元可包括:获取拼装驱动电机的电机电流和电机温度中至少一种的主控室控制器和拼装电机振动传感器。所述拼装减速机数据获取单元可包括:获取拼装减速机温度的主控室控制器和拼装减速机振动传感器。
在一些实施例中,所述推进系统15包括:推进油缸及用于获取所述推进油缸的运行数据的推进数据获取单元。所述推进数据获取单元包括:油缸行程传感器和油缸压力传感器中的至少一种。油缸行程传感器可用于获取油缸位移行程信息,油缸压力传感器可用于获取油缸有杆腔/无杆腔的压力信息。
在一些实施例中,所述出渣系统16包括:螺旋输送机及用于获取所述螺旋输送机的运行数据的螺旋输送数据获取单元;和皮带输送机及用于获取所述皮带输送机的运行数据的皮带输送数据获取单元。
所述螺旋输送数据获取单元可包括:磨损传感器、闸门位移传感器和闸门压力传感器中的至少一种。磨损传感器用于获取螺旋输送机外壳厚度信息。闸门位移传感器用于获取螺旋输送机闸门开合量。闸门压力传感器用于获取闸门压力数据。
所述皮带输送数据获取单元可包括:跑偏检测传感器和安装在所述皮带输送机上的振动传感器中的至少一种。振动传感器安装在皮带输送机的电机或减速机上,用于获取振动数据。跑偏检测传感器用于获取皮带机跑偏数据。
在一些实施例中,所述数据预处理模块包括:异常过滤单元和稳定段筛选单元。异常过滤单元被配置为从所述运行数据中过滤掉对应于异常工作状态的数据部分,以获得工作过程的运行数据。稳定段筛选单元被配置为从所述工作过程的运行数据中筛选出对应于所述掘进设备在掘进过程中稳定段的运行数据。
所述异常过滤单元可被配置为:在所述掘进设备的总推进力、推进速度、刀盘扭矩和刀盘转速中任一个数据异常时,确定所述运行数据属于对应于异常工作状态的数据部分。
所述稳定段筛选单元可被配置为:在刀盘转速的标准差和总推进力的标准差均满足标准差阈值要求时,确定所述运行数据属于对应于所述掘进设备在掘进过程中稳定段的运行数据。
在一些实施例中,所述智能感知终端还可包括异常值处理模块。异常值处理模块被配置为对所述稳定段的运行数据中的异常值进行检测,剔除异常值并进行补位。
参考图5,在一些实施例中,所述边缘处理服务器3包括:状态特征提取模块31和故障模型运算模块32。状态特征提取模块31被配置为对预处理后的运行数据进行特征分析,以获得状态特征数据。故障模型运算模块32被配置为采用多种故障模型对所述状态特征数据进行运算,并对各个故障模型输出的故障诊断参数进行权重匹配,以获得融合后的故障诊断参数。
在一些实施例中,所述状态特征提取模块31可包括数据分析单元。数据分析单元被配置为对预处理后的运行数据中的高频数据进行时域分析、频域分析和时频域分析中的至少一种,以及对预处理后的运行数据中的低频数据进行时域分析,以构建时域特征集和频域特征集。
所述状态特征提取模块31还可包括数据优化单元。数据优化单元被配置为对所述时域特征集和所述频域特征集进行降维优化,以筛选出故障敏感状态特征来构造故障敏感状态特征集。
在一些实施例中,所述故障模型运算模块32可被配置为根据所述多种故障模型计算出的所述工作系统中各类故障对应的置信度及为每种故障模型分配的权重计算融合置信度的误差均值和方差,在满足所述融合置信度的方差最小的条件下确定所述多种故障模型分别对应的权重,再根据所述多种故障模型输出的故障诊断参数和所述多种故障模型分别对应的已确定的权重进行加权计算,以获得融合后的故障诊断参数。优选地,所述多种故障模型包括基于专家知识的诊断推理机模型和基于大数据的神经网络诊断及预测模型。
参考图5,在一些实施例中,所述边缘处理服务器3还包括状态报警模块33。状态报警模块33被配置为判断所述状态特征数据及融化后的故障诊断参数是否符合基于规则的状态报警模型设定的报警阈值,并在超出报警阈值时通过可视化终端4进行报警。
在图5中,智能化掘进设备还可包括可视化终端4。可视化终端4与所述边缘处理服务器3通信连接,用于显示运行数据、提供诊断信息和/或发出报警。可视化终端4可以为pc端、web端和App中开发的可视化界面中的至少一种。
本说明书中多个实施例采用递进的方式描述,各实施例的重点有所不同,而各个实施例之间相同或相似的部分相互参见即可。对于设备实施例而言,由于其整体以及涉及的步骤与方法实施例中的内容存在对应关系,因此描述的比较简单,相关之处参见方法实施例的部分说明即可。
至此,已经详细描述了本公开的各实施例。为了避免遮蔽本公开的构思,没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述,完全可以明白如何实施这里公开的技术方案。
虽然已经通过示例对本公开的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上示例仅是为了进行说明,而不是为了限制本公开的范围。本领域的技术人员应该理解,可在不脱离本公开的范围和精神的情况下,对以上实施例进行修改或者对部分技术特征进行等同替换。本公开的范围由所附权利要求来限定。
Claims (36)
1.一种掘进设备的故障诊断方法,其特征在于,包括:
步骤S1:通过多个智能感知终端分别获取掘进设备的多个工作系统的运行数据;
步骤S2:对所述运行数据进行预处理;
步骤S3:对预处理后的运行数据进行特征分析,以获得状态特征数据;
步骤S4:采用多种故障模型对所述状态特征数据进行运算,并对各个故障模型输出的故障诊断参数进行权重匹配,以获得融合后的故障诊断参数。
2.根据权利要求1所述的故障诊断方法,其特征在于,所述步骤S2包括:
步骤S21:从所述运行数据中过滤掉对应于异常工作状态的数据部分,以获得工作过程的运行数据;
步骤S22:从所述工作过程的运行数据中筛选出对应于所述掘进设备在掘进过程中稳定段的运行数据。
3.根据权利要求2所述的故障诊断方法,其特征在于,在所述步骤S21中,在所述掘进设备的总推进力、推进速度、刀盘扭矩和刀盘转速中任一个数据异常时,确定所述运行数据属于对应于异常工作状态的数据部分。
4.根据权利要求2所述的故障诊断方法,其特征在于,在所述步骤S22中,在刀盘转速的标准差和总推进力的标准差均满足标准差阈值要求时,确定所述运行数据属于对应于所述掘进设备在掘进过程中稳定段的运行数据。
5.根据权利要求2所述的故障诊断方法,其特征在于,所述步骤S2还包括:
步骤S23:对所述稳定段的运行数据中的异常值进行检测,剔除异常值并进行补位。
6.根据权利要求1所述的故障诊断方法,其特征在于,所述步骤S3包括:
步骤S31:对预处理后的运行数据中的高频数据进行时域分析、频域分析和时频域分析中的至少一种,以及对预处理后的运行数据中的低频数据进行时域分析,以构建时域特征集和频域特征集。
7.根据权利要求6所述的故障诊断方法,其特征在于,所述步骤S3还包括:
步骤S32:对所述时域特征集和所述频域特征集进行降维优化,以筛选出故障敏感状态特征来构造故障敏感状态特征集。
8.根据权利要求1所述的故障诊断方法,其特征在于,所述步骤S4包括:
步骤S41:根据所述多种故障模型计算出的所述工作系统中各类故障对应的置信度及为每种故障模型分配的权重,计算融合置信度的误差均值和方差;
步骤S42:在满足所述融合置信度的方差最小的条件下,确定所述多种故障模型分别对应的权重;
步骤S43:根据所述多种故障模型输出的故障诊断参数和所述多种故障模型分别对应的已确定的权重进行加权计算,以获得融合后的故障诊断参数。
9.根据权利要求8所述的智能化掘进设备,其特征在于,所述多种故障模型包括基于专家知识的诊断推理机模型和基于大数据的神经网络诊断及预测模型。
10.根据权利要求1所述的故障诊断方法,其特征在于,还包括:
判断所述状态特征数据及融化后的故障诊断参数是否符合基于规则的状态报警模型设定的报警阈值,并在超出报警阈值时通过可视化终端进行报警。
11.一种智能化掘进设备,其特征在于,包括:
多个工作系统;
多个智能感知终端,分别对应于所述多个工作系统,用于获取对应的工作系统的运行数据,并对所述运行数据进行预处理;和
边缘处理服务器,与所述多个智能感知终端通信连接,用于对预处理后的运行数据进行特征分析,以获得状态特征数据,采用多种故障模型对所述状态特征数据进行运算,并对各个故障模型输出的故障诊断参数进行权重匹配,以获得融合后的故障诊断参数。
12.根据权利要求11所述的智能化掘进设备,其特征在于,所述多个工作系统包括刀盘系统、主驱动系统、液压系统、管片拼装系统、推进系统和出渣系统中的至少一种。
13.根据权利要求12所述的智能化掘进设备,其特征在于,所述刀盘系统包括:
刀盘及用于获取所述刀盘的运行数据的刀盘数据获取单元;和
刀具及用于获取所述刀具的运行数据的刀具数据获取单元。
14.根据权利要求13所述的智能化掘进设备,其特征在于,所述刀盘数据获取单元包括:获取刀盘转速、刀盘扭矩和推力信息中至少一种的主控室控制器;所述刀具数据获取单元包括:刀具转速传感器、刀具磨损量传感器和刀盘温度传感器中的至少一种。
15.根据权利要求12所述的智能化掘进设备,其特征在于,所述主驱动系统包括:
主轴承及用于获取所述主轴承的运行数据的主轴承数据获取单元;
主驱动电机及用于获取所述主驱动电机的运行数据的电机数据获取单元;
主减速机及用于获取所述主减速机的运行数据的减速机数据获取单元;
润滑油供应机构及用于获取润滑油的运行数据的润滑油数据获取单元;和
主驱动密封及用于获取所述主驱动密封的运行数据的密封数据获取单元。
16.根据权利要求15所述的智能化掘进设备,其特征在于,所述主轴承数据获取单元包括:轴承内圈位移传感器、径向滚子振动传感器、止推滚子振动传感器、反推滚子振动传感器、轴承温度传感器、应力应变传感器和轴承转速传感器中的至少一种;所述电机数据获取单元包括:获取电机电流和电机温度中至少一种的主控室控制器和电机振动传感器;所述主减速机数据获取单元包括:获取主减速机温度的主控室控制器和减速机振动传感器;所述润滑油数据获取单元包括:润滑油传感器;所述密封数据获取单元包括:密封跑道厚度测量传感器、密封腔内温度和压力传感器、密封件磨损量测量传感器和密封迷宫间隙测量传感器中的至少一种。
17.根据权利要求12所述的智能化掘进设备,其特征在于,所述液压系统包括:
液压泵及用于获取所述液压泵的运行数据的液压泵数据获取单元;
液压泵电机及用于获取所述液压泵电机的运行数据的液压泵电机获取单元;
用于获取液压油的运行数据的液压油数据获取单元;和
控制阀及用于获取所述控制阀的运行数据的控制阀数据获取单元。
18.根据权利要求17所述的智能化掘进设备,其特征在于,所述液压泵数据获取单元包括:安装在所述液压泵上的振动传感器、压力脉动传感器和低频压力传感器中的至少一种;所述液压泵电机获取单元包括:安装在所述液压泵电机上的振动传感器;所述液压油数据获取单元包括:液压油传感器;所述控制阀数据获取单元包括:阀控制器。
19.根据权利要求12所述的智能化掘进设备,其特征在于,所述管片拼装系统包括:
拼装液压马达及用于获取所述拼装液压马达的运行数据的拼装马达数据获取单元;
拼装驱动电机及用于获取所述拼装驱动电机的运行数据的拼装电机数据获取单元;和
拼装减速机及用于获取所述拼装减速机的运行数据的拼装减速机数据获取单元。
20.根据权利要求19所述的智能化掘进设备,其特征在于,所述拼装马达数据获取单元包括:安装在所述拼装马达上的振动传感器、压力脉动传感器和低频压力传感器中的至少一种;所述拼装电机数据获取单元包括:获取拼装驱动电机的电机电流和电机温度中至少一种的主控室控制器和拼装电机振动传感器;所述拼装减速机数据获取单元包括:获取拼装减速机温度的主控室控制器和拼装减速机振动传感器。
21.根据权利要求12所述的智能化掘进设备,其特征在于,所述推进系统包括:推进油缸及用于获取所述推进油缸的运行数据的推进数据获取单元。
22.根据权利要求21所述的智能化掘进设备,其特征在于,所述推进数据获取单元包括:油缸行程传感器和油缸压力传感器中的至少一种。
23.根据权利要求12所述的智能化掘进设备,其特征在于,所述出渣系统包括:
螺旋输送机及用于获取所述螺旋输送机的运行数据的螺旋输送数据获取单元;和
皮带输送机及用于获取所述皮带输送机的运行数据的皮带输送数据获取单元。
24.根据权利要求23所述的智能化掘进设备,其特征在于,所述螺旋输送数据获取单元包括:磨损传感器、闸门位移传感器和闸门压力传感器中的至少一种;所述皮带输送数据获取单元包括:跑偏检测传感器和安装在所述皮带输送机上的振动传感器中的至少一种。
25.根据权利要求11所述的智能化掘进设备,其特征在于,所述智能感知终端包括:
数据采集模块,被配置为通过多种通讯协议获取对应的工作系统的运行数据,并调整对应的工作系统的数据采集参数;和
数据预处理模块,被配置为对所述运行数据进行预处理。
26.根据权利要求25所述的智能化掘进设备,其特征在于,所述数据预处理模块包括:
异常过滤单元,被配置为从所述运行数据中过滤掉对应于异常工作状态的数据部分,以获得工作过程的运行数据;和
稳定段筛选单元,被配置为从所述工作过程的运行数据中筛选出对应于所述掘进设备在掘进过程中稳定段的运行数据。
27.根据权利要求26所述的智能化掘进设备,其特征在于,所述异常过滤单元被配置为:在所述掘进设备的总推进力、推进速度、刀盘扭矩和刀盘转速中任一个数据异常时,确定所述运行数据属于对应于异常工作状态的数据部分。
28.根据权利要求26所述的智能化掘进设备,其特征在于,所述稳定段筛选单元被配置为:在刀盘转速的标准差和总推进力的标准差均满足标准差阈值要求时,确定所述运行数据属于对应于所述掘进设备在掘进过程中稳定段的运行数据。
29.根据权利要求25所述的智能化掘进设备,其特征在于,所述智能感知终端还包括:
异常值处理模块,被配置为对所述稳定段的运行数据中的异常值进行检测,剔除异常值并进行补位。
30.根据权利要求11所述的智能化掘进设备,其特征在于,所述边缘处理服务器包括:
状态特征提取模块,被配置为对预处理后的运行数据进行特征分析,以获得状态特征数据;和
故障模型运算模块,被配置为采用多种故障模型对所述状态特征数据进行运算,并对各个故障模型输出的故障诊断参数进行权重匹配,以获得融合后的故障诊断参数。
31.根据权利要求30所述的智能化掘进设备,其特征在于,所述状态特征提取模块包括:
数据分析单元,被配置为对预处理后的运行数据中的高频数据进行时域分析、频域分析和时频域分析中的至少一种,以及对预处理后的运行数据中的低频数据进行时域分析,以构建时域特征集和频域特征集。
32.根据权利要求31所述的智能化掘进设备,其特征在于,所述状态特征提取模块还包括:
数据优化单元,被配置为对所述时域特征集和所述频域特征集进行降维优化,以筛选出故障敏感状态特征来构造故障敏感状态特征集。
33.根据权利要求11所述的智能化掘进设备,其特征在于,所述故障模型运算模块被配置为根据所述多种故障模型计算出的所述工作系统中各类故障对应的置信度及为每种故障模型分配的权重计算融合置信度的误差均值和方差,在满足所述融合置信度的方差最小的条件下确定所述多种故障模型分别对应的权重,再根据所述多种故障模型输出的故障诊断参数和所述多种故障模型分别对应的已确定的权重进行加权计算,以获得融合后的故障诊断参数。
34.根据权利要求33所述的智能化掘进设备,其特征在于,所述多种故障模型包括基于专家知识的诊断推理机模型和基于大数据的神经网络诊断及预测模型。
35.根据权利要求11所述的智能化掘进设备,其特征在于,所述边缘处理服务器还包括:
状态报警模块,被配置为判断所述状态特征数据及融化后的故障诊断参数是否符合基于规则的状态报警模型设定的报警阈值,并在超出报警阈值时通过可视化终端进行报警。
36.根据权利要求11所述的智能化掘进设备,其特征在于,还包括:
可视化终端,与所述边缘处理服务器通信连接,用于显示运行数据、提供诊断信息和/或发出报警。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211595269.XA CN115982551A (zh) | 2022-12-13 | 2022-12-13 | 掘进设备的故障诊断方法及智能化掘进设备 |
PCT/CN2023/074531 WO2024124672A1 (zh) | 2022-12-13 | 2023-02-06 | 掘进设备的故障诊断方法及智能化掘进设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211595269.XA CN115982551A (zh) | 2022-12-13 | 2022-12-13 | 掘进设备的故障诊断方法及智能化掘进设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115982551A true CN115982551A (zh) | 2023-04-18 |
Family
ID=85965751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211595269.XA Pending CN115982551A (zh) | 2022-12-13 | 2022-12-13 | 掘进设备的故障诊断方法及智能化掘进设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115982551A (zh) |
WO (1) | WO2024124672A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117171590A (zh) * | 2023-11-02 | 2023-12-05 | 默拓(江苏)电气驱动技术有限公司 | 一种电机智能驱动优化方法及系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
MY171633A (en) * | 2012-12-14 | 2019-10-22 | Univ Teknologi Petronas | Fault chip diagnosis and analysis system |
CN103577707A (zh) * | 2013-11-15 | 2014-02-12 | 上海交通大学 | 一种利用多模式融合推理的机器人故障诊断方法 |
CN104215323B (zh) * | 2014-08-11 | 2017-01-11 | 中国人民解放军空军工程大学 | 机械设备的振动传感器网络中各传感器敏感度确定方法 |
CN110987502B (zh) * | 2019-12-19 | 2021-08-24 | 中国铁建重工集团股份有限公司 | 盾构设备及其主驱动在线状态的监测诊断系统与方法 |
AU2021104744A4 (en) * | 2021-08-05 | 2021-09-30 | 63963 Unit of the Chinese People's Liberation Army | Method and system for status monitoring and fault early warning based on lubricating oil liquid |
CN113776794B (zh) * | 2021-08-13 | 2023-04-28 | 昆明理工大学 | 一种嵌入式边缘计算的故障诊断方法、装置和系统 |
CN115392349A (zh) * | 2022-08-02 | 2022-11-25 | 三一重型装备有限公司 | 掘进机的截割部的故障诊断方法、装置和掘进机 |
CN115437358A (zh) * | 2022-10-27 | 2022-12-06 | 中国人民解放军陆军装甲兵学院 | 工业机器人智能状态监测与故障诊断系统及故障诊断方法 |
-
2022
- 2022-12-13 CN CN202211595269.XA patent/CN115982551A/zh active Pending
-
2023
- 2023-02-06 WO PCT/CN2023/074531 patent/WO2024124672A1/zh unknown
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117171590A (zh) * | 2023-11-02 | 2023-12-05 | 默拓(江苏)电气驱动技术有限公司 | 一种电机智能驱动优化方法及系统 |
CN117171590B (zh) * | 2023-11-02 | 2024-01-26 | 默拓(江苏)电气驱动技术有限公司 | 一种电机智能驱动优化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2024124672A1 (zh) | 2024-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Dynamic condition monitoring for 3D printers by using error fusion of multiple sparse auto-encoders | |
US6260004B1 (en) | Method and apparatus for diagnosing a pump system | |
CN107144303A (zh) | 一种矿用机电设备的故障检测系统、方法及装置 | |
CN109405889B (zh) | 用于掘进机工作臂减速器故障预测的系统与方法 | |
CN204984825U (zh) | 一种油田注水泵智能诊断监控装置 | |
US20120148382A1 (en) | Method and apparatus for the model-based monitoring of a turbomachine | |
Tian et al. | Deep learning-based open set multi-source domain adaptation with complementary transferability metric for mechanical fault diagnosis | |
CN115982551A (zh) | 掘进设备的故障诊断方法及智能化掘进设备 | |
CN103115667A (zh) | 一种基于传感器的振动监测装置 | |
CN109707653B (zh) | 一种天然气长输管道离心压缩机组智能监控系统 | |
CN106762343A (zh) | 基于在线数据的水轮发电机组推力轴承故障的诊断方法 | |
CN110987396B (zh) | 一种用于采煤机摇臂的智能故障诊断及寿命预测方法 | |
Wang et al. | The replacement of dysfunctional sensors based on the digital twin method during the cutter suction dredger construction process | |
Gu et al. | A prediction method of operation trend for large axial-flow fan based on vibration-electric information fusion | |
CN115165362A (zh) | 一种基于巡检及振动信号的轴承故障智能检测系统和方法 | |
CN114821921A (zh) | 用于火电厂重要辅助设备运行状态监测的智慧声纹识别平台 | |
Johnsrud et al. | Improved operation of subsea boosting systems through advanced condition monitoring and data analytics | |
Zhang | Research on automatic fault diagnosis system of coal mine drilling rigs based on drilling parameters | |
Lahdelma et al. | Intelligent condition monitoring for lime kilns | |
Oddan | Multivariate statistical condition monitoring | |
Waters et al. | Vibration Anomaly Detection using Deep Autoencoders for Smart Factory | |
CN114151291B (zh) | 一种风电机组早期故障监测方法 | |
Jarrah et al. | Web-based monitoring and fault diagnostics of machinery | |
Moleda et al. | Regression methods for detecting anomalies in flue gas desulphurization installations in coal-fired power plants based on sensor data | |
dos Santos Pedotti et al. | Failure analysis on a water pump based on a low-cost MEMS accelerometer and Machine Learning Classifiers |
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 |