CN116337377A - 基于多传感器的矿用设备故障状态分析方法和装置 - Google Patents
基于多传感器的矿用设备故障状态分析方法和装置 Download PDFInfo
- Publication number
- CN116337377A CN116337377A CN202310050624.3A CN202310050624A CN116337377A CN 116337377 A CN116337377 A CN 116337377A CN 202310050624 A CN202310050624 A CN 202310050624A CN 116337377 A CN116337377 A CN 116337377A
- Authority
- CN
- China
- Prior art keywords
- sensor
- mining equipment
- vibration signal
- real
- feature set
- 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
- 238000005065 mining Methods 0.000 title claims abstract description 64
- 238000004458 analytical method Methods 0.000 title claims abstract description 43
- 230000036541 health Effects 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 230000009467 reduction Effects 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 9
- 238000011946 reduction process Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 10
- 230000003862 health status Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 4
- 239000003245 coal Substances 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000009429 electrical wiring Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
- G01M7/025—Measuring arrangements
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本申请涉及一种基于多传感器的矿用设备故障状态分析方法和装置。所述方法包括:使用布置在所述矿用设备的不同位置处的多个传感器分别采集所述矿用设备处于健康状态下的多个健康状态振动信号和处于实时工作状态下的多个实时工作状态振动信号;处理每个传感器采集的所述健康状态振动信号和所述实时工作状态振动信号,构建所述传感器对应的参照特征集;处理所述多个传感器对应的所述多个参照特征集,以获得所述多个传感器的多传感器增强特征集;根据所述多传感器增强特征集,使用分类器确定所述矿用设备的故障状态。通过本申请的技术方案,能够更准确地识别矿用设备的不同故障,提高矿用设备故障分析的精度。
Description
技术领域
本申请一般地涉及现代矿业工程技术领域,尤其涉及一种基于多传感器的矿用设备故障状态分析方法和装置。
背景技术
在实际的煤炭生产过程中,设备受到工况、环境、供电系统等方面的影响,最终采集得到的振动信号具有非线性、不平稳性。振动传感器的安装位置也受到设备结构、恶劣环境和电气线路等方面的束缚,导致传感器不可能全部都能布置到理想的安装位置上。同时,单独一种故障在哪个测点、哪个方向上的振动信号表现程度突出,对于一个如此复杂的机械整体也是一个很难预测的问题。尤其是井工煤矿设备,振动信号具有冗余、维度高、非线性强等特点。因此在进行故障识别的过程中通过单个传感器的单次特征提取无法完全的解决这些难点。类似掘进机这样的大型设备故障之间受到设备运行振动的影响,虽然有些差异但不明显,单次特征的提取工作很容易遗漏有效特征,或者致使目标参数失真,不利于掘进机关键部件的故障识别工作。煤矿大型设备的运行工作过程中健康振动信号和非健康信号很容易实现区分,从健康信号中辨识非健康信号很容易,但是故障信号之间的区分仍存在着一定的困难。
发明内容
为了解决至少一个上述技术问题,本申请提供了一种基于多传感器的矿用设备故障状态分析方法和装置,以期更准确地识别矿用设备的不同故障,提高矿用设备故障分析的精度。
根据本申请的第一方面,提供了一种基于多传感器的矿用设备故障状态分析方法,包括:使用布置在所述矿用设备的不同位置处的多个传感器分别采集所述矿用设备处于健康状态下的多个健康状态振动信号和处于实时工作状态下的多个实时工作状态振动信号;处理每个传感器采集的所述健康状态振动信号和所述实时工作状态振动信号,构建所述传感器对应的参照特征集,其中所述参照特征集由所述健康状态振动信号对应的健康状态振动信号特征集和所述实时工作状态振动信号对应的实时工作状态振动信号特征集融合而成;处理所述多个传感器对应的所述多个参照特征集,以获得所述多个传感器的多传感器增强特征集;根据所述多传感器增强特征集,使用分类器确定所述矿用设备的故障状态。
在一个实施例中,所述处理每个传感器采集的所述健康状态振动信号和所述实时工作状态振动信号,构建所述传感器对应的参照特征集包括:分析所述健康状态振动信号和所述实时工作状态振动信号,以获得所述健康状态振动信号的敏感特征参数和所述实时工作状态振动信号的敏感特征参数;根据所述健康状态振动信号的所述敏感特征参数和所述实时工作状态振动信号的所述敏感特征参数,构建每个传感器对应的所述健康状态振动信号特征集和所述实时工作状态振动信号特征集;融合每个传感器对应的所述健康状态振动信号特征集和所述实时工作状态振动信号特征集,以构建所述传感器对应的所述参照特征集。
在一个实施例中,所述分析所述健康状态振动信号和所述实时工作状态振动信号,以获得所述健康状态振动信号的敏感特征参数和所述实时工作状态振动信号的敏感特征参数包括:对所述健康状态振动信号和所述实时工作状态振动信号进行时域分析和小波包分析,以获得所述健康状态振动信号的所述敏感特征参数和所述实时工作状态振动信号的所述敏感特征参数,其中所述敏感特征参数包括时域参数和小波参数。
在一个实施例中,所述处理所述多个传感器对应的所述多个参照特征集,以获得所述多个传感器的多传感器增强特征集包括:基于流形学习对每个传感器的所述参照特征集进行第一层降维处理,以获得每个传感器的低维特征;融合所述多个传感器的所述低维特征,以获得所述多个传感器的多传感器特征集;基于流形学习对所述多传感器特征集进行第二层降维处理,以获得所述多个传感器的所述多传感器增强特征集。
在一个实施例中,所述基于流形学习对每个传感器的所述参照特征集进行第一层降维处理,以获得每个传感器的低维特征包括:根据所述参照特征集建立近邻空间;根据所述近邻空间,构建局部权重矩阵;根据所述局部权重矩阵,嵌入坐标投影,获得所述参照特征集的所述低维聚类空间。
在一个实施例中,所述基于流形学习对所述多传感器特征集进行第二层降维处理,以获得所述多个传感器的所述多传感器增强特征集包括:根据所述多传感器特征集使用局部保持投影算法计算所述多传感器增强特征集。
在一个实施例中,根据所述多传感器增强特征集,使用分类器确定所述矿用设备的故障状态包括:将所述多传感器增强特征集划分为试验数据集和测试数据集;将所述试验数据集输入所述分类器进行训练,以构建有导师的分类器;将所述测试数据集输入所构建的所述有导师的分类器,以确定所述矿用设备的故障状态。
在一个实施例中,所述分类器是KNN分类器。
在一个实施例中,所述方法还包括对采集的所述健康状态振动信号和所述实时工作状态振动信号进行降噪处理,以降低噪声干扰。
根据本申请的第二方面,提供了一种基于多传感器的矿用设备故障状态分析装置,所述装置包括处理器和存储器,所述存储器存储有计算机程序指令,当所述计算机程序指令被所述处理器执行时实现根据本申请第一方面所述的基于多传感器的矿用设备故障状态分析方法。
本申请的技术方案具有如下有益技术效果:
根据本申请的技术方案,首先构建矿用设备不同测点传感器的健康和故障状态参照特征集,然后对参照特征集进行参照化流形学习,初步区分不同故障。进一步对多个传感器同时间段的低维特征参数进行融合,构建一个同时空的多传感器伪流形网络架构,完成对低维特征参数的升维。对升维后的流形空间进行二次降维处理,提取增强后的低维特征参数,使用分类器实现故障识别。这种基于多传感器和多层次的增强深度学习方法,可以更准确地识别矿用设备的不同故障,提高矿用设备故障分析的精度。
附图说明
通过参考附图阅读下文的详细描述,本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本申请的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是根据本申请实施例的基于多传感器的矿用设备故障状态分析方法的流程图;
图2是根据本申请实施例的基于多传感器的矿用设备故障状态分析装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应当理解,当本申请的权利要求、说明书及附图使用术语“第一”、“第二”等时,其仅是用于区别不同对象,而不是用于描述特定顺序。本申请的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
根据本申请的第一方面,本申请提供了一种基于多传感器的矿用设备故障状态分析方法。图1是根据本申请实施例的基于多传感器的矿用设备故障状态分析方法100的流程图。如图1所示,所述方法包括步骤S101至S104,具体如下:
S101,使用布置在所述矿用设备的不同位置处的多个传感器分别采集所述矿用设备处于健康状态下的多个健康状态振动信号和处于实时工作状态下的多个实时工作状态振动信号。
具体而言,在所述矿用设备的不同位置布置多个传感器,并使用所述多个传感器分别采集所述矿用设备处于健康状态下的多个健康状态振动信号和处于实时工作状态下的多个实时工作状态振动信号。
在一些实施例中,在采集所述健康状态振动信号和所述实时工作状态振动信号之后,所述方法还包括对采集的所述健康状态振动信号和所述实时工作状态振动信号进行降噪处理,以降低噪声干扰。
S102,处理每个传感器采集的所述健康状态振动信号和所述实时工作状态振动信号,构建所述传感器对应的参照特征集,其中所述参照特征集由所述健康状态振动信号对应的健康状态振动信号特征集和所述实时工作状态振动信号对应的实时工作状态振动信号特征集融合而成。
具体而言,所述处理每个传感器采集的所述健康状态振动信号和所述实时工作状态振动信号,构建所述传感器对应的参照特征集包括:分析所述健康状态振动信号和所述实时工作状态振动信号,以获得所述健康状态振动信号的敏感特征参数和所述实时工作状态振动信号的敏感特征参数;根据所述健康状态振动信号的所述敏感特征参数和所述实时工作状态振动信号的所述敏感特征参数,构建每个传感器对应的所述健康状态振动信号特征集和所述实时工作状态振动信号特征集;融合每个传感器对应的所述健康状态振动信号特征集和所述实时工作状态振动信号特征集,以构建所述传感器对应的所述参照特征集。
进一步地,所述分析所述健康状态振动信号和所述实时工作状态振动信号,以获得所述健康状态振动信号的敏感特征参数和所述实时工作状态振动信号的敏感特征参数包括:对所述健康状态振动信号和所述实时工作状态振动信号进行时域分析和小波包分析,以获得所述健康状态振动信号的所述敏感特征参数和所述实时工作状态振动信号的所述敏感特征参数,其中所述敏感特征参数包括时域参数和小波参数。
作为一个示例,首先提取n个振动传感器的k种运行状态的振动信号各m组,按照表1提取每组振动信号的特征参数。构建每个传感器不同运行状态的特征参数样本zi,zi=[pk,st,me,va,Kr,L,C,S,E1,...E8]T;i=1,2,3...m,特征参数如表1所示。
表1特征参数表
然后建立单个传感器每个运行状态的特征样本集。
Wn=[Zn,1,Zn,2,Zn,3,...,Zn,k]
其中,n代表传感器数量。
Zn,k=[z1,z2,...,zm]
最终每个传感器形成一个Wn∈R16×(mk)的参照化参数样本集。
S103,处理所述多个传感器对应的所述多个参照特征集,以获得所述多个传感器的多传感器增强特征集。
具体而言,所述处理所述多个传感器对应的所述多个参照特征集,以获得所述多个传感器的多传感器增强特征集包括:基于流形学习对每个传感器的所述参照特征集进行第一层降维处理,以获得每个传感器的低维特征;融合所述多个传感器的所述低维特征,以获得所述多个传感器的多传感器特征集;基于流形学习对所述多传感器特征集进行第二层降维处理,以获得所述多个传感器的所述多传感器增强特征集。
进一步地,所述基于流形学习对每个传感器的所述参照特征集进行第一层降维处理,以获得每个传感器的低维特征包括:根据所述参照特征集建立近邻空间;根据所述近邻空间,构建局部权重矩阵;根据所述局部权重矩阵,嵌入坐标投影,获得所述参照特征集的所述低维聚类空间。
所述基于流形学习对所述多传感器特征集进行第二层降维处理,以获得所述多个传感器的所述多传感器增强特征集包括:根据所述多传感器特征集使用局部保持投影算法计算所述多传感器增强特征集。
在上述示例中,利用流形学习对参照化分析样本集进行降维处理,提取振动信号的低维特征参数。流形是一种流形学习(Manifold Learning)是一种独特的机器学习方法。参照化流形学习算法的目的就是获得每个传感器的低维嵌入的子空间Y={y1,y2,y3,...,yi},yi∈Rd×m。流形学习的步骤分为3步。
(1)构建近邻空间
根据高维特征及N中的每个样本点ni之间的欧几里德距离寻找每个样本点的k个近邻:
Ni=knn(ni,k),Ni=[n1i,...nik] (1)
(2)计算局部权重
通过计算每个样本与其近邻子空间的非线性关系,实现ε(W)(局部误差函数)最小化。完成局部权重矩阵W的构建。
其中:N为高维特征集;Ni为ni的k个近邻,即为式1中构建的近邻空间。wij为样本ni与样本nj之间的权重,如果两个不是近邻则wji=0,且满足条件ni的近邻子空间的权重满足:
根据式4.18的表达,令:
Si=(N-Ni)T(N-Ni) (4)
所以:
为了得到最优化权重矩阵,本申请结合种群降维分析方法,采用拉格朗日乘子法。
式6求导得到:
所以:
其中1k为k×1的全为1的列向量。
(3)嵌入坐标投影
嵌入坐标投影即为求解低维空间的映射。首先定义一个n×n的稀疏矩阵(SparseMatrix)W表示w。
因此:
W={wi=[wi1,wi2,...win]}T (9)
所以
经过上述运算得出:
根据矩阵计算公式:
根据公式11简化公式12得:
ψ(Y)=tr(Y(I-W)(I-W)TYT)
=tr(YMYT) (13)
其中:M=(I-W)(I-W)T
利用拉格朗日乘子法,简化公式13得:
L(Y)=tr(YMYT)+λ(YMYT-nI) (14)
求导得到:
因此
MTYT=-λYT (16)
因为:MT=M
所以
MYT=-λYT (17)
因此YT是矩阵M的特征向量组成的矩阵,为了将数据降维到d维,我们只需要取得M的最小的d个非零的特征值对应的特征向量。在LLE分析过程中一般会舍弃最小的特征值,因为它过于接近0。因此,选择从小到大的[2,..d+1]特征值的特征向量。通过流形学习最终将获得每个传感器的低维特征空间LDMn∈R(d×m)。
通过第一步降维处理,得到每个传感器的低维映射空间,单个传感器的一次低维特征提取不足以实现状态分离识别的效果,而且每个传感器之间的表现形式也有所不同。基于此,本发明将n个传感器构成的低维空间进行融合,构成一个升维后的多传感器特征集Mapping。
Mapping=[LDM1 T,LDM2 T,LDM3 T,...,LDMn T]T
此特征集是由n个传感器k种状态的m个不同时间点的低维特征组成的一种空间和时间上的伪流形。进一步降维处理的时候,既需要保持流形的局部空间特征,又要维持不同状态之间的整体流形特征。因此,选择局部保持投影(Locality Preserving Projection,LPP)对特征集进行降维分析[142]。
局部保持投影是由He在拉普拉斯特征映射算法(Laplacian Eigenmaps,LE)的基础上提出的一种流形学习算法。此算法保留了非线性流形学习和线性学习的优点,其思想是对LE的近似线性学习。LPP可以提取出最具有判别性的特征来进行降维,是一种保留了局部信息,减少信号的多层外部干扰因素的降维方法,这种算法本质上虽是一种线性降维方法,但其巧妙的结合了拉普拉斯特征映射算法(LE)的非线性分析手段,在对高维原始数据进行分析时候会保留其局部的非线性关系。LPP算法与其他非线性降维方法相比,可以将原始流形内新增分析样本,通过计算在降维后的子空间上找到相应的映射,因此,LPP算法能够对新的样本数据进行评估分析。而其他非线性方法只能定义训练数据点,无法评估新的测试数据。
LPP算法的过程与其他流形学习算法相似,主要分为三步[142,146,147]:(1)寻找紧邻点;(2)计算关系矩阵;(3)构造目标函数。
LPP降维算法的推算过程如下所示。
假设原始样本集为X={x1,x2,x3...xn}。其中,X的空间维度为D,xi∈RD,i=0,1,2,...,n。同时,假设Y={y1,y2,y3...yn}是原始样本集在流形空间上的低维映射,Y的空间维度为d,d<<n。
LE算法求低维映射时,需要对以下目标函数最小化处理,保证近邻的高维数据点映射到流形内在的低维空间后,能保证其原有的近邻结构不变。
其中,Wij为近邻图G上xi与xj之间的边权重。对于一个近邻图G,两个顶点j和i是近邻则Gi,j=1,否则Gi,j=0。近邻图边权重的计算公式如下所示:
其中t是常量。采用热核(Heat Kemal)理论进行计算。边权重矩阵可以简化为:
利用拉普拉斯变化对式19进行变换:
其中,Dii=∑jWij,L为Laplacian矩阵,L=D-W。因此可以把目标函数转换为下式:
利用拉格朗日算法,将式22可以转换为求解下式的特征值问题:
LY=λDY (23)
通过求解式23可以得出原始数据的低维空间特征。
LPP算法假设流形是线性的,因此
yi=KTxi (24)
将公式23带入21进行计算可得出:
跟LE变化类似,拉普拉斯特征映射中的约束YTDY=1,在进行LPP算法中进行变换:
KTXDXTK=1 (26)
因此,LPP的目标函数则为:
因此,LPP算法的最有映射向量K就,可以通过求下式的特征值和特征向量得到。
XLXTK=λDXTK (28)
LPP在寻找近邻点的时距离计算方法为:直接计算xi点与xi之外的所有的点的欧氏距离,然后进行排序,找出距离最近的k个点,这种方法比较简单实用。
利用LPP算法对升维后的多传感器特征集Mapping进行降维处理,进一步对特征增强后的样本进行提纯和求解样本间的流形表现,得到样本数据的敏感信息。实现对振动信号不同故障之间差异性的增强处理。
S104,根据所述多传感器增强特征集,使用分类器确定所述矿用设备的故障状态。
具体而言,所述根据所述多传感器增强特征集,使用分类器确定所述矿用设备的故障状态包括:将所述多传感器增强特征集划分为试验数据集和测试数据集;将所述试验数据集输入所述分类器进行训练,以构建有导师的分类器;将所述测试数据集输入所构建的所述有导师的分类器,以确定所述矿用设备的故障状态。
具体而言,对振动信号进行第一步和第二步处理过程中,将数据分为两组数据,一组测试数据,一组试验数据。试验数据是为了作为分类器的训练学习,测试数据是对数据进行分类识别。
将增强型特征分析结果输入到分类器中进行分类识别。分类一般分为两步,第一步是利用已知的试验数据进行训练学习,构建有导师的分类器,第二步使用上一步构建好的分类器,对未知的测试数据进行分类识别,完成对样本的分类。分类器的工作过程是,利用给定的类别和已知的训练数据,学习分类规则,然后对未知数据进行分类。
作为举例,KNN分类是一种理论上比较成熟的方法。这种方法思路简单直观,比较容易实现分类。基本思想是根据待分样本和每个训练样本之间的距离,选择与待分样本最近的k个最近邻,最后根据这几个最近邻来判断样本的类别。KNN的计算步骤:(1)将待分对象与训练集中每个对象的距离进行计算;(2)圈定距离最近的k个对象,作为测试对象的近邻;(3)根据这几个近邻的属性归属,对测试对象进行分类。KNN分类方法最关键的问题是距离的计算。
作为举例,距离计算方法可以是曼哈顿距离方法。
以上通过具体实施例介绍了本申请的基于多传感器的矿用设备故障状态分析方法。根据本申请的技术方案,首先构建矿用设备不同测点传感器的健康和故障状态参照特征集,然后对参照特征集进行参照化流形学习,初步区分不同故障。进一步对多个传感器同时间段的低维特征参数进行融合,构建一个同时空的多传感器伪流形网络架构,完成对低维特征参数的升维。对升维后的流形空间进行二次降维处理,提取增强后的低维特征参数,使用分类器实现故障识别。这种基于多传感器和多层次的增强深度学习方法,可以更准确地识别矿用设备的不同故障,提高矿用设备故障分析的精度。
根据本申请的第二方面,本申请还提供了一种基于多传感器的矿用设备故障状态分析装置。
图2是根据本申请实施例的基于多传感器的矿用设备故障状态分析20的结构示意图。所述装置包括处理器和存储器,所述存储器存储有计算机程序指令,当所述计算机程序指令被所述处理器执行时实现根据本申请第一方面所述的基于多传感器的矿用设备故障状态分析方法。所述装置还包括通信总线和通信接口等本领域技术人员熟知的其他组件,其设置和功能为本领域中已知,因此在此不再赘述。
在本申请中,前述的存储器可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质,比如,阻变式存储器RRAM(Resistive RandomAccess Memory)、动态随机存取存储器DRAM(Dynamic Random Access Memory)、静态随机存取存储器SRAM(Static Random-Access Memory)、增强动态随机存取存储器EDRAM(Enhanced Dynamic Random Access Memory)、高带宽内存HBM(High-Bandwidth Memory)、混合存储立方HMC(Hybrid Memory Cube)等等,或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本申请描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。
根据本说明书的上述描述,本领域技术人员还可以理解如下使用的术语,例如“上”、“下”等指示方位或位置关系的术语是基于本说明书的附图所示的方位或位置关系的,其仅是为了便于阐述本申请的方案和简化描述的目的,而不是明示或暗示所涉及的装置或元件必须要具有所述特定的方位、以特定的方位来构造和进行操作,因此上述的方位或位置关系术语不能被理解或解释为对本申请方案的限制。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于多传感器的矿用设备故障状态分析方法,其特征在于,包括:
使用布置在所述矿用设备的不同位置处的多个传感器分别采集所述矿用设备处于健康状态下的多个健康状态振动信号和处于实时工作状态下的多个实时工作状态振动信号;
处理每个传感器采集的所述健康状态振动信号和所述实时工作状态振动信号,构建所述传感器对应的参照特征集,其中所述参照特征集由所述健康状态振动信号对应的健康状态振动信号特征集和所述实时工作状态振动信号对应的实时工作状态振动信号特征集融合而成;
处理所述多个传感器对应的所述多个参照特征集,以获得所述多个传感器的多传感器增强特征集;
根据所述多传感器增强特征集,使用分类器确定所述矿用设备的故障状态。
2.根据权利要求1所述的基于多传感器的矿用设备故障状态分析方法,其特征在于,所述处理每个传感器采集的所述健康状态振动信号和所述实时工作状态振动信号,构建所述传感器对应的参照特征集包括:
分析所述健康状态振动信号和所述实时工作状态振动信号,以获得所述健康状态振动信号的敏感特征参数和所述实时工作状态振动信号的敏感特征参数;
根据所述健康状态振动信号的所述敏感特征参数和所述实时工作状态振动信号的所述敏感特征参数,构建每个传感器对应的所述健康状态振动信号特征集和所述实时工作状态振动信号特征集;
融合每个传感器对应的所述健康状态振动信号特征集和所述实时工作状态振动信号特征集,以构建所述传感器对应的所述参照特征集。
3.根据权利要求2所述的基于多传感器的矿用设备故障状态分析方法,其特征在于,所述分析所述健康状态振动信号和所述实时工作状态振动信号,以获得所述健康状态振动信号的敏感特征参数和所述实时工作状态振动信号的敏感特征参数包括:对所述健康状态振动信号和所述实时工作状态振动信号进行时域分析和小波包分析,以获得所述健康状态振动信号的所述敏感特征参数和所述实时工作状态振动信号的所述敏感特征参数,其中所述敏感特征参数包括时域参数和小波参数。
4.根据权利要求3所述的基于多传感器的矿用设备故障状态分析方法,其特征在于,所述处理所述多个传感器对应的所述多个参照特征集,以获得所述多个传感器的多传感器增强特征集包括:
基于流形学习对每个传感器的所述参照特征集进行第一层降维处理,以获得每个传感器的低维特征;
融合所述多个传感器的所述低维特征,以获得所述多个传感器的多传感器特征集;
基于流形学习对所述多传感器特征集进行第二层降维处理,以获得所述多个传感器的所述多传感器增强特征集。
5.根据权利要求4所述的基于多传感器的矿用设备故障状态分析方法,其特征在于,所述基于流形学习对每个传感器的所述参照特征集进行第一层降维处理,以获得每个传感器的低维特征包括:
根据所述参照特征集建立近邻空间;
根据所述近邻空间,构建局部权重矩阵;
根据所述局部权重矩阵,嵌入坐标投影,获得所述参照特征集的所述低维聚类空间。
6.根据权利要求4所述的基于多传感器的矿用设备故障状态分析方法,其特征在于,所述基于流形学习对所述多传感器特征集进行第二层降维处理,以获得所述多个传感器的所述多传感器增强特征集包括:根据所述多传感器特征集使用局部保持投影算法计算所述多传感器增强特征集。
7.根据权利要求1所述的基于多传感器的矿用设备故障状态分析方法,其特征在于,根据所述多传感器增强特征集,使用分类器确定所述矿用设备的故障状态包括:
将所述多传感器增强特征集划分为试验数据集和测试数据集;
将所述试验数据集输入所述分类器进行训练,以构建有导师的分类器;
将所述测试数据集输入所构建的所述有导师的分类器,以确定所述矿用设备的故障状态。
8.根据权利要求7所述的基于多传感器的矿用设备故障状态分析方法,其特征在于,所述分类器是KNN分类器。
9.根据权利要求8所述的基于多传感器的矿用设备故障状态分析方法,其特征在于,所述方法还包括对采集的所述健康状态振动信号和所述实时工作状态振动信号进行降噪处理,以降低噪声干扰。
10.一种基于多传感器的矿用设备故障状态分析装置,其特征在于,所述装置包括处理器和存储器,所述存储器存储有计算机程序指令,当所述计算机程序指令被所述处理器执行时实现根据权利要求1至9中任一项所述的基于多传感器的矿用设备故障状态分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310050624.3A CN116337377A (zh) | 2023-02-01 | 2023-02-01 | 基于多传感器的矿用设备故障状态分析方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310050624.3A CN116337377A (zh) | 2023-02-01 | 2023-02-01 | 基于多传感器的矿用设备故障状态分析方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116337377A true CN116337377A (zh) | 2023-06-27 |
Family
ID=86891982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310050624.3A Pending CN116337377A (zh) | 2023-02-01 | 2023-02-01 | 基于多传感器的矿用设备故障状态分析方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116337377A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116577716A (zh) * | 2023-07-06 | 2023-08-11 | 西安高压电器研究院股份有限公司 | 一种电流传感器振动特性测试方法、相关设备及相关系统 |
-
2023
- 2023-02-01 CN CN202310050624.3A patent/CN116337377A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116577716A (zh) * | 2023-07-06 | 2023-08-11 | 西安高压电器研究院股份有限公司 | 一种电流传感器振动特性测试方法、相关设备及相关系统 |
CN116577716B (zh) * | 2023-07-06 | 2023-10-20 | 西安高压电器研究院股份有限公司 | 一种电流传感器振动特性测试方法、相关设备及相关系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109614981B (zh) | 基于斯皮尔曼等级相关的卷积神经网络的电力系统智能故障检测方法及系统 | |
Ding et al. | A fusion feature and its improvement based on locality preserving projections for rolling element bearing fault classification | |
Bohn et al. | Analysis of car crash simulation data with nonlinear machine learning methods | |
He et al. | Application of CNN-LSTM in gradual changing fault diagnosis of rod pumping system | |
CN104239712B (zh) | 一种雷达抗干扰效能实时评估方法 | |
CN112508105A (zh) | 一种采油机故障检测与检索方法 | |
CN103049526A (zh) | 基于双空间学习的跨媒体检索方法 | |
JP4937395B2 (ja) | 特徴ベクトル生成装置、特徴ベクトル生成方法及びプログラム | |
CN116337377A (zh) | 基于多传感器的矿用设备故障状态分析方法和装置 | |
Song et al. | Unsupervised fault diagnosis method based on iterative multi‐manifold spectral clustering | |
CN112766301A (zh) | 一种采油机示功图相似性判断方法 | |
Liao et al. | Recognition of partial discharge patterns | |
CN115015683A (zh) | 电缆生产的性能测试方法、装置、设备及存储介质 | |
Wang et al. | Spectral-spatial global graph reasoning for hyperspectral image classification | |
Xie et al. | Abnormal data detection based on adaptive sliding window and weighted multiscale local outlier factor for machinery health monitoring | |
CN117332330A (zh) | 基于多源数据图融合模型的变压器故障评估方法及系统 | |
Liu et al. | A process-oriented spatiotemporal clustering method for complex trajectories of dynamic geographic phenomena | |
CN112765362A (zh) | 基于改进自编码器的知识图谱实体对齐方法及相关设备 | |
CN116610927A (zh) | 基于fpga的风机齿轮箱轴承故障诊断方法及诊断模块 | |
CN117092582A (zh) | 一种基于对抗对比自编码器的电能表异常检测方法及装置 | |
CN106251364A (zh) | 目标跟踪方法及装置 | |
CN115358327A (zh) | 基于pca-svm的海洋温跃层数据可视化方法、装置、设备及介质 | |
Du et al. | Similarity measurements on multi‐scale qualitative locations | |
Bai et al. | Graph clustering using graph entropy complexity traces | |
CN114168578A (zh) | 一种基于聚类和近邻算法的日负荷数据缺失值插补方法 |
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 |