CN116989593B - 一种电炉运行故障的监测预警方法 - Google Patents
一种电炉运行故障的监测预警方法 Download PDFInfo
- Publication number
- CN116989593B CN116989593B CN202311241974.4A CN202311241974A CN116989593B CN 116989593 B CN116989593 B CN 116989593B CN 202311241974 A CN202311241974 A CN 202311241974A CN 116989593 B CN116989593 B CN 116989593B
- Authority
- CN
- China
- Prior art keywords
- fault
- signal
- vibration
- acoustic
- real
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012544 monitoring process Methods 0.000 title claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims abstract description 57
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 42
- 230000005236 sound signal Effects 0.000 claims description 40
- 230000008859 change Effects 0.000 claims description 25
- 238000013507 mapping Methods 0.000 claims description 23
- 238000001914 filtration Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000004807 localization Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D21/00—Arrangements of monitoring devices; Arrangements of safety devices
- F27D21/04—Arrangements of indicators or alarms
Abstract
本发明提供了一种电炉运行故障的监测预警方法,涉及故障监测技术领域,包括:根据声信号采集装置对第一电炉设备的实时工况进行采集,输出实时声信号,根据振动传感装置对第一电炉设备的实时工况进行采集,输实时振动信号,输入特征分解模块中,输出声信号特征矩阵和振动信号特征矩阵,输入设备故障定位模型中,设备故障定位模型与故障信号样本库连接,输出声信号故障定位结果和振动信号故障定位结果,生成第一预警信号。本发明解决了传统的监测方法通常仅依靠单一参数进行故障判断,无法全面了解电炉运行状态,并且传统方法在故障定位方面存在一定局限性,使得存在故障判断的精确度差、可靠性低的技术问题。
Description
技术领域
本发明涉及故障监测技术领域,具体涉及一种电炉运行故障的监测预警方法。
背景技术
电炉在工业生产中广泛应用,但长时间运行容易出现各种故障,影响生产效率和安全,传统的故障排除方式耗时费力,无法及时发现并解决问题,随着科技的进步和智能化的发展,人们对电炉故障监测需求提高,希望能够快速、准确地监测和预警故障,因此,电炉故障监测作为一项重要的技术研究和应用领域得到了日益关注和发展。
而现今常用的电炉运行故障的监测预警方法还存在着一定的弊端,传统的监测方法通常仅依靠单一参数进行故障判断,无法全面了解电炉运行状态,并且传统方法在故障定位方面存在一定局限性,使得故障判断的精确度差、可靠性低。因此,对于电炉运行故障的监测预警还存在着一定的可提升空间。
发明内容
本申请通过提供了一种电炉运行故障的监测预警方法,旨在解决传统的监测方法通常仅依靠单一参数进行故障判断,无法全面了解电炉运行状态,并且传统方法在故障定位方面存在一定局限性,使得存在故障判断的精确度差、可靠性低的技术问题。
鉴于上述问题,本申请提供了一种电炉运行故障的监测预警方法。
本申请公开的第一个方面,提供了一种电炉运行故障的监测预警方法,所述方法包括:根据声信号采集装置对第一电炉设备的实时工况进行采集,输出实时声信号,其中,所述声信号采集装置与所述第一电炉设备连接;根据振动传感装置对所述第一电炉设备的实时工况进行采集,输实时振动信号,其中,所述振动传感装置与所述声信号采集装置通信连接;将所述实时声信号和所述实时振动信号输入特征分解模块中,输出声信号特征矩阵和振动信号特征矩阵;将所述声信号特征矩阵和所述振动信号特征矩阵输入设备故障定位模型中,所述设备故障定位模型与故障信号样本库连接,其中,所述故障信号样本库包括声信号-故障类型映射样本库和振动信号-故障类型映射样本库;根据所述设备故障定位模型,输出声信号故障定位结果和振动信号故障定位结果;基于所述声信号故障定位结果和所述振动信号故障定位结果,生成第一预警信号。
本申请公开的另一个方面,提供了一种电炉运行故障的监测预警系统,所述系统用于上述方法,所述系统包括:声信号采集单元,所述声信号采集单元用于根据声信号采集装置对第一电炉设备的实时工况进行采集,输出实时声信号,其中,所述声信号采集装置与所述第一电炉设备连接;振动信号采集单元,所述振动信号采集单元用于根据振动传感装置对所述第一电炉设备的实时工况进行采集,输实时振动信号,其中,所述振动传感装置与所述声信号采集装置通信连接;特征矩阵获取单元,所述特征矩阵获取单元用于将所述实时声信号和所述实时振动信号输入特征分解模块中,输出声信号特征矩阵和振动信号特征矩阵;特征矩阵输入单元,所述特征矩阵输入单元用于将所述声信号特征矩阵和所述振动信号特征矩阵输入设备故障定位模型中,所述设备故障定位模型与故障信号样本库连接,其中,所述故障信号样本库包括声信号-故障类型映射样本库和振动信号-故障类型映射样本库;定位结果输出单元,所述定位结果输出单元用于根据所述设备故障定位模型,输出声信号故障定位结果和振动信号故障定位结果;预警信号生成单元,所述预警信号生成单元用于基于所述声信号故障定位结果和所述振动信号故障定位结果,生成第一预警信号。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
根据声信号采集装置对第一电炉设备的实时工况进行采集,输出实时声信号,根据振动传感装置对第一电炉设备的实时工况进行采集,输实时振动信号,输入特征分解模块中,输出声信号特征矩阵和振动信号特征矩阵,输入设备故障定位模型中,设备故障定位模型与故障信号样本库连接,输出声信号故障定位结果和振动信号故障定位结果,生成第一预警信号。解决了传统的监测方法通常仅依靠单一参数进行故障判断,无法全面了解电炉运行状态,并且传统方法在故障定位方面存在一定局限性,使得存在故障判断的精确度差、可靠性低的技术问题,实现了通过采集和分析声信号和振动信号等多个参数,提供更全面准确的故障判断,并且通过设备故障定位模型结合故障信号样本库,实现对声信号和振动信号的故障类型定位,达到提升故障定位的精度和可靠性的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种电炉运行故障的监测预警方法流程示意图;
图2为本申请实施例提供了一种电炉运行故障的监测预警方法中搭建特征分解模块可能的流程示意图;
图3为本申请实施例提供了一种电炉运行故障的监测预警方法中生成第一预警信号和第二预警信号可能的流程示意图;
图4为本申请实施例提供了一种电炉运行故障的监测预警系统可能的结构示意图。
附图标记说明:声信号采集单元10,振动信号采集单元20,特征矩阵获取单元30,特征矩阵输入单元40,定位结果输出单元50,预警信号生成单元60。
具体实施方式
本申请实施例通过提供一种电炉运行故障的监测预警方法,解决了传统的监测方法通常仅依靠单一参数进行故障判断,无法全面了解电炉运行状态,并且传统方法在故障定位方面存在一定局限性,使得存在故障判断的精确度差、可靠性低的技术问题,实现了通过采集和分析声信号和振动信号等多个参数,提供更全面准确的故障判断,并且通过设备故障定位模型结合故障信号样本库,实现对声信号和振动信号的故障类型定位,达到提升故障定位的精度和可靠性的技术效果。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种电炉运行故障的监测预警方法,所述方法包括:
步骤S100:根据声信号采集装置对第一电炉设备的实时工况进行采集,输出实时声信号,其中,所述声信号采集装置与所述第一电炉设备连接;
具体而言,将声信号采集装置与第一电炉设备进行连接,声信号采集装置可以通过传感器或麦克风等设备来获取声音信号,以确保能够获取到第一电炉设备的实时工况信息。连接成功后对第一电炉设备的实时工况进行采集,包括监测和记录电炉设备的声音、噪音或其他相关音频信号,输出可用的声音信号数据。
步骤S200:根据振动传感装置对所述第一电炉设备的实时工况进行采集,输实时振动信号,其中,所述振动传感装置与所述声信号采集装置通信连接;
具体而言,将振动传感装置与声信号采集装置进行通信连接,这样可以将振动信号的采集与声信号的采集同步进行,以综合分析电炉设备的实时工况,所述振动传感装置使用加速度传感器或其他相关设备来测量电炉设备产生的机械振动,并输出可用的振动信号数据,
通过同时采集声信号和振动信号,可以更全面地了解第一电炉设备的实时工况,由于工况的复杂性,仅依靠声信号的判断可能不够准确,因此引入振动信号作为辅助判断的指标,振动信号可以提供有关设备振动频率、幅度等信息,从而为故障监测预警方法提供更准确的数据和分析依据。
步骤S300:将所述实时声信号和所述实时振动信号输入特征分解模块中,输出声信号特征矩阵和振动信号特征矩阵;
进一步而言,本申请步骤S300之前,包括:
步骤S300-1:对所述第一电炉设备的实时工况环境进行声信号干扰特征采集,并根据采集到的干扰特征,建立信号过滤模块,其中,所述信号过滤模块的参数包括表征声信号与振动信号之间差异的参数;
步骤S300-2:将所述实时声信号和所述实时振动信号输入所述信号过滤模块中进行信号过滤,输出过滤后实时声信号和实时振动信号;
步骤S300-3:再将过滤后的所述实时声信号和所述实时振动信号输入特征分解模块进行特征提取。
具体而言,在第一电炉设备的实时工况环境中,对可能引起声信号干扰的因素进行采集和记录,这些因素包括背景噪声、设备运行状态、其他设备的声音等。对采集到的声信号干扰特征进行分析,例如对干扰来源进行分类和识别,了解不同干扰因素对声信号的影响及其特征。根据干扰特征的分析结果,建立信号过滤模块,该模块可以利用已知的干扰特征来识别和过滤掉对声信号质量造成干扰的信号成分。为了更好地区分声信号和振动信号之间的差异,基于频谱分析计算得出表征声信号与振动信号差异的参数,将其作为信号过滤模块的参数。
将实时采集的声信号和振动信号,作为输入传递给信号过滤模块,该模块利用之前建立的干扰特征和参数,对输入信号进行识别和去除干扰成分,以提升信号质量和减少干扰影响。经过信号过滤模块的处理,得到过滤后的实时声信号和实时振动信号,并将其作为输出,这些过滤后的信号更具可靠性和准确性,有助于后续步骤中故障定位和预警信号的生成。
将过滤后的实时声信号和实时振动信号作为输入,传递给特征分解模块进行处理和分析,提取出能够反映电炉设备工况的特征。
特征分解模块对实时声信号和实时振动信号进行处理后,将得到的声信号特征和振动信号特征以矩阵的形式输出,该特征矩阵包含多个特征指标,分别用于描述实时声信号和实时振动信号的不同方面或特性。
通过将实时声信号和实时振动信号输入特征分解模块,可以对两种信号进行进一步的分析和处理,提取其中的特征信息,并将其表示为声信号特征矩阵和振动信号特征矩阵,这些特征矩阵将作为后续步骤中设备故障定位模型的输入之一。
进一步而言,如图2所示,本申请步骤S300还包括:
步骤S310:对所述实时声信号和所述实时振动信号进行信号特征变化分析,输出基于各个特征指标下的信号变化强度;
步骤S320:按照所述信号变化强度进行信号分解通道数量的寻优,输出声信号分解通道、以及振动信号分解通道/>;
步骤S330:按照所述声信号分解通道、以及所述振动信号分解通道/>,搭建特征分解模块。
具体而言,从实时声信号和实时振动信号中提取特征,这些特征包括频域特征、时域特征、能量特征等,用来描述信号的频谱信息、时序特性以及能量分布等。对提取到的特征进行变化分析,比较实时声信号和实时振动信号在不同特征指标下的变化情况,例如,采用差值计算的方法来衡量不同时间点的信号变化幅度。根据信号变化分析的结果,计算基于各个特征指标的信号变化强度,得到的信号变化强度是一个相对的度量,用于表征信号在某个特征指标下的变化程度,将其以矩阵形式作为输出,每个元素代表了对应特征指标下的信号变化强度。
根据输出的信号变化强度,对各个特征指标下的信号变化情况进行分析,选择其中变化明显、有较大幅度变化的特征指标,在较明显变化的特征指标下进行信号分解通道数量的寻优,示例性地,通过使用小波变换的方法,将信号分解为多个频段或时域成分,从优选的声信号分解通道和振动信号分解通道中,提取出波形变化分明的特征,包括峰值、包络线、频率变动等方面的信息,将经过寻优后的声信号分解通道和振动信号分解通道/>进行输出,这些分解通道包含了波形变化明显的特征,用于后续故障判断和监测预警。
按照所述声信号分解通道、以及所述振动信号分解通道/>,搭建特征分解模块,该模块用于进一步分析声信号和振动信号,并提取特征矩阵。
将声信号按照声信号分解通道的选择进行分解,将振动信号按照振动信号分解通道的选择进行分解,对声信号和振动信号的每个分解通道进行特征提取,可采取频域特征、时频特征等特征提取方法,提取每个分解通道的特征,将提取到的特征组合成特征矩阵,该特征矩阵包含了来自不同分解通道的多个特征,用于后续的故障判断、预警或其他应用。
步骤S400:将所述声信号特征矩阵和所述振动信号特征矩阵输入设备故障定位模型中,所述设备故障定位模型与故障信号样本库连接,其中,所述故障信号样本库包括声信号-故障类型映射样本库和振动信号-故障类型映射样本库;
具体而言,采用机器学习方法进行设计和训练,建立设备故障定位模型,该模型用于分析和判断电炉设备的故障类型。设备故障定位模型与故障信号样本库进行连接,所述故障信号样本库包括声信号-故障类型映射样本库和振动信号-故障类型映射样本库,这些样本库中存储了在不同故障工况下采集到的声信号样本和相应的故障类型,以及振动信号样本和相应的故障类型的信息。
步骤S500:根据所述设备故障定位模型,输出声信号故障定位结果和振动信号故障定位结果;
进一步而言,本申请步骤S400包括:
步骤S410:将所述声信号特征矩阵输入所述设备故障定位模型的声故障定位分支中进行特征匹配,其中,所述声故障定位分支通过对所述声信号-故障类型映射样本库进行训练获取;
步骤S420:根据所述声故障定位分支进行匹配,将匹配度大于等于预设匹配度的故障类型作为声信号故障定位结果输出;
步骤S430:将所述振动信号特征矩阵输入所述设备故障定位模型的振动故障定位分支中进行特征匹配,其中,所述振动故障定位分支通过对所述振动信号-故障类型映射样本库进行训练获取;
步骤S440:根据所述振动故障定位分支进行匹配,将匹配度大于等于所述预设匹配度的故障类型作为振动信号故障定位结果输出。
具体而言,设备故障定位模型包括声故障定位分支和振动故障定位分支,其中,声故障定位分支用于处理输入的声信号特征矩阵,振动故障定位分支用于处理输入的振动信号特征矩阵。对于声故障定位分支,使用已有的声信号-故障类型映射样本库进行训练,该样本库包含多个声信号实例以及与之对应的已知故障类型,建立声故障定位分支。将输入的声信号特征矩阵与经过训练的声故障定位分支进行特征匹配,在这个过程中计算相似度,来比较输入声信号特征与不同故障类型之间的关联性。
设定一个预设的匹配度阈值,该阈值用于对计算的匹配度进行判断,只有当匹配度大于等于该阈值时,方可认为匹配成功。根据特征匹配的结果,在匹配度大于等于预设匹配度的情况下,将对应的故障类型作为声信号故障定位结果进行输出,这些输出的故障类型表示了与输入声信号特征最相关且匹配度达到要求的故障类型。
通过设定合适的预设匹配度阈值,可以根据声信号的特征匹配结果输出可能的故障类型,这样可以实现声信号故障定位,并为后续的故障预警和维护工作提供准确而有针对性的信息。
采用同样的方法获取振动信号故障定位结果,为了说明书的简洁,在此不再赘述。
步骤S600:基于所述声信号故障定位结果和所述振动信号故障定位结果,生成第一预警信号。
具体而言,基于声信号故障定位结果和振动信号故障定位结果,生成第一预警信号,这个预警信号可以表示设备存在潜在故障的程度或故障类型的可能性,并且可以根据需要采取相应的行动进行维修或检查。
进一步而言,本申请步骤S600还包括:
步骤S610:根据最小概率错误判别模型对所述声信号故障定位结果和所述振动信号故障定位结果进行判别,其中,所述最小概率错误判别模型的表达式如下:,其中,/>表示声信号/>故障定位结果/>,与振动信号/>故障定位结果/>错判的概率,通过最小化/>来分别训练声信号故障定位结果/>和振动信号故障定位结果/>之间的相似度。
具体而言,使用最小概率错误判别模型,通过上述表达式,计算获得声信号故障定位结果与振动信号故障定位结果错判的概率,通过最小化该错判概率的数值,寻找最优的声信号故障定位结果和振动信号故障定位结果之间的相似度,这样可以使两个结果更一致,减少错判可能性。根据最小化误判概率后的结果,对声信号故障定位结果和振动信号故障定位结果进行判断,如果相似度达到预设要求,可将其作为最终的故障定位结果输出。这样可以提高故障定位的准确性和可靠性,为预警信号的生成提供更可靠的依据。
进一步而言,如图3所示,本申请还包括:
步骤S710:基于所述声信号故障定位结果和所述振动信号故障定位结果进行分析,判断所述第一电炉设备是否处于故障叠加模式;
步骤S720:当所述第一电炉设备处于故障叠加模式,对所述声信号故障定位结果和所述振动信号故障定位结果进行拆分,生成第一预警信号和第二预警信号,其中,每个预警信号对应一个故障类型。
进一步而言,本申请步骤S720包括:
步骤S721:根据所述声信号故障定位结果,输出第一变量集合;
步骤S722:根据所述振动信号故障定位结果,输出第二变量集合;
步骤S723:当所述第一电炉设备处于故障叠加模式随机选取初始变量坐标,其中,所述初始变量坐标为所述第一变量集合和所述第二变量集合中均包括的两个故障类型组成;
步骤S724:根据所述初始变量坐标对剩余故障类型进行迭代,获取表征特征相似性最大的标识变量坐标;
步骤S725:基于所述标识变量坐标,分别生成第一预警信号和第二预警信号。
具体而言,通过比较声信号故障定位结果和振动信号故障定位结果,观察是否存在不一致性现象,以此判断电炉设备是否处于故障叠加模式。
如果存在不一致性现象,说明所述第一电炉设备处于故障叠加模式,即声信号变化的特征由两个故障类型引起,相应的,振动信号也包括两个故障类型的特征,将所述声信号故障定位结果和所述振动信号故障定位结果进行拆分。根据声信号故障定位结果,选择与特定故障类型相关的特征或参数作为第一变量集合的内容,这个集合包含多个变量,每个变量代表一个与声信号故障定位结果对应故障类型有关的信息指标。
同样的,根据所述振动信号故障定位结果,输出第二变量集合,该集合包含与振动信号故障定位结果相关的特征或参数。
从第一变量集合和第二变量集合中随机选择两个故障类型,这两个故障类型组成初始变量坐标,这个初始变量坐标由第一变量集合和第二变量集合中共同包含的两个故障类型组成。
在选取初始变量坐标后,通过排除这两个故障类型,得到剩余故障类型,根据所述剩余故障类型,使用相似度度量方法,如相关系数,迭代计算相对于初始变量坐标的特征相似性。在迭代过程中,选择特征相似性最大的标识变量坐标作为下一个迭代的参考点,这个坐标具有更高的特征相似性,能更好地表征剩余故障类型对应的特征。重复该迭代过程,直到获得所需的标识变量坐标集合。
利用标识变量坐标与第一变量集合中的特征或参数相对应,生成第一预警信号,这个信号用于指示和提醒可能存在的第一故障类型;同样地,根据标识变量坐标与第二变量集合中的特征或参数相对应,生成第二预警信号,这个信号用于指示和提醒可能存在的第二故障类型。将生成的第一预警信号和第二预警信号进行输出,每个预警信号对应一个故障类型,并可用于后续的处理、预警和维修工作。
综上所述,本申请实施例所提供的一种电炉运行故障的监测预警方法具有如下技术效果:
根据声信号采集装置对第一电炉设备的实时工况进行采集,输出实时声信号,根据振动传感装置对第一电炉设备的实时工况进行采集,输实时振动信号,输入特征分解模块中,输出声信号特征矩阵和振动信号特征矩阵,输入设备故障定位模型中,设备故障定位模型与故障信号样本库连接,输出声信号故障定位结果和振动信号故障定位结果,生成第一预警信号。
解决了传统的监测方法通常仅依靠单一参数进行故障判断,无法全面了解电炉运行状态,并且传统方法在故障定位方面存在一定局限性,使得存在故障判断的精确度差、可靠性低的技术问题,实现了通过采集和分析声信号和振动信号等多个参数,提供更全面准确的故障判断,并且通过设备故障定位模型结合故障信号样本库,实现对声信号和振动信号的故障类型定位,达到提升故障定位的精度和可靠性的技术效果。
实施例二
基于与前述实施例中一种电炉运行故障的监测预警方法相同的发明构思,如图4所示,本申请提供了一种电炉运行故障的监测预警系统,所述系统包括:
声信号采集单元10,所述声信号采集单元10用于根据声信号采集装置对第一电炉设备的实时工况进行采集,输出实时声信号,其中,所述声信号采集装置与所述第一电炉设备连接;
振动信号采集单元20,所述振动信号采集单元20用于根据振动传感装置对所述第一电炉设备的实时工况进行采集,输实时振动信号,其中,所述振动传感装置与所述声信号采集装置通信连接;
特征矩阵获取单元30,所述特征矩阵获取单元30用于将所述实时声信号和所述实时振动信号输入特征分解模块中,输出声信号特征矩阵和振动信号特征矩阵;
特征矩阵输入单元40,所述特征矩阵输入单元40用于将所述声信号特征矩阵和所述振动信号特征矩阵输入设备故障定位模型中,所述设备故障定位模型与故障信号样本库连接,其中,所述故障信号样本库包括声信号-故障类型映射样本库和振动信号-故障类型映射样本库;
定位结果输出单元50,所述定位结果输出单元50用于根据所述设备故障定位模型,输出声信号故障定位结果和振动信号故障定位结果;
预警信号生成单元60,所述预警信号生成单元60用于基于所述声信号故障定位结果和所述振动信号故障定位结果,生成第一预警信号。
进一步而言,所述系统还包括:
干扰特征采集单元,用于对所述第一电炉设备的实时工况环境进行声信号干扰特征采集,并根据采集到的干扰特征,建立信号过滤模块,其中,所述信号过滤模块的参数包括表征声信号与振动信号之间差异的参数;
信号过滤单元,用于将所述实时声信号和所述实时振动信号输入所述信号过滤模块中进行信号过滤,输出过滤后实时声信号和实时振动信号;
特征提取单元,用于再将过滤后的所述实时声信号和所述实时振动信号输入特征分解模块进行特征提取。
进一步而言,所述系统还包括:
声信号特征匹配单元,用于将所述声信号特征矩阵输入所述设备故障定位模型的声故障定位分支中进行特征匹配,其中,所述声故障定位分支通过对所述声信号-故障类型映射样本库进行训练获取;
声故障匹配单元,用于根据所述声故障定位分支进行匹配,将匹配度大于等于预设匹配度的故障类型作为声信号故障定位结果输出;
振动特征匹配单元,用于将所述振动信号特征矩阵输入所述设备故障定位模型的振动故障定位分支中进行特征匹配,其中,所述振动故障定位分支通过对所述振动信号-故障类型映射样本库进行训练获取;
振动故障匹配单元,用于根据所述振动故障定位分支进行匹配,将匹配度大于等于所述预设匹配度的故障类型作为振动信号故障定位结果输出。
进一步而言,所述系统还包括:
判别单元,用于根据最小概率错误判别模型对所述声信号故障定位结果和所述振动信号故障定位结果进行判别,其中,所述最小概率错误判别模型的表达式如下:,其中,/>表示声信号/>故障定位结果/>,与振动信号/>故障定位结果/>错判的概率,通过最小化/>来分别训练声信号故障定位结果/>和振动信号故障定位结果/>之间的相似度。
进一步而言,所述系统还包括:
特征变化分析单元,用于对所述实时声信号和所述实时振动信号进行信号特征变化分析,输出基于各个特征指标下的信号变化强度;
寻优单元,用于按照所述信号变化强度进行信号分解通道数量的寻优,输出声信号分解通道、以及振动信号分解通道/>;
特征分解模块搭建单元,用于按照所述声信号分解通道、以及所述振动信号分解通道/>,搭建特征分解模块。
进一步而言,所述系统还包括:
定位结果分析单元,用于基于所述声信号故障定位结果和所述振动信号故障定位结果进行分析,判断所述第一电炉设备是否处于故障叠加模式;
拆分单元,用于当所述第一电炉设备处于故障叠加模式,对所述声信号故障定位结果和所述振动信号故障定位结果进行拆分,生成第一预警信号和第二预警信号,其中,每个预警信号对应一个故障类型。
进一步而言,所述系统还包括:
第一变量集合输出单元,用于根据所述声信号故障定位结果,输出第一变量集合;
第二变量集合输出单元,用于根据所述振动信号故障定位结果,输出第二变量集合;
初始变量坐标选取单元,用于当所述第一电炉设备处于故障叠加模式随机选取初始变量坐标,其中,所述初始变量坐标为所述第一变量集合和所述第二变量集合中均包括的两个故障类型组成;
迭代单元,用于根据所述初始变量坐标对剩余故障类型进行迭代,获取表征特征相似性最大的标识变量坐标;
预警生成单元,用于基于所述标识变量坐标,分别生成第一预警信号和第二预警信号。
本说明书通过前述对一种电炉运行故障的监测预警方法的详细描述,本领域技术人员可以清楚得知道本实施例中一种电炉运行故障的监测预警方法,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述得比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其他实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种电炉运行故障的监测预警方法,其特征在于,所述方法包括:
根据声信号采集装置对第一电炉设备的实时工况进行采集,输出实时声信号,其中,所述声信号采集装置与所述第一电炉设备连接;
根据振动传感装置对所述第一电炉设备的实时工况进行采集,输实时振动信号,其中,所述振动传感装置与所述声信号采集装置通信连接;
将所述实时声信号和所述实时振动信号输入特征分解模块中,输出声信号特征矩阵和振动信号特征矩阵;
将所述声信号特征矩阵和所述振动信号特征矩阵输入设备故障定位模型中,所述设备故障定位模型与故障信号样本库连接,其中,所述故障信号样本库包括声信号-故障类型映射样本库和振动信号-故障类型映射样本库;
根据所述设备故障定位模型,输出声信号故障定位结果和振动信号故障定位结果;
基于所述声信号故障定位结果和所述振动信号故障定位结果,生成第一预警信号;
其中,将所述声信号特征矩阵和所述振动信号特征矩阵输入设备故障定位模型中,所述方法包括:
将所述声信号特征矩阵输入所述设备故障定位模型的声故障定位分支中进行特征匹配,其中,所述声故障定位分支通过对所述声信号-故障类型映射样本库进行训练获取;
根据所述声故障定位分支进行匹配,将匹配度大于等于预设匹配度的故障类型作为声信号故障定位结果输出;
将所述振动信号特征矩阵输入所述设备故障定位模型的振动故障定位分支中进行特征匹配,其中,所述振动故障定位分支通过对所述振动信号-故障类型映射样本库进行训练获取;
根据所述振动故障定位分支进行匹配,将匹配度大于等于所述预设匹配度的故障类型作为振动信号故障定位结果输出;
基于所述声信号故障定位结果和所述振动信号故障定位结果,生成第一预警信号,所述方法还包括:
根据最小概率错误判别模型对所述声信号故障定位结果和所述振动信号故障定位结果进行判别,其中,所述最小概率错误判别模型的表达式如下:
,
其中,表示声信号/>故障定位结果/>与振动信号/>故障定位结果/>错判的概率差值,通过最小化/>来分别训练声信号故障定位结果/>和振动信号故障定位结果/>之间的相似度。
2.如权利要求1所述的方法,其特征在于,将所述实时声信号和所述实时振动信号输入特征分解模块中之前,所述方法还包括:
对所述第一电炉设备的实时工况环境进行声信号干扰特征采集,并根据采集到的干扰特征,建立信号过滤模块,其中,所述信号过滤模块的参数包括表征声信号与振动信号之间差异的参数;
将所述实时声信号和所述实时振动信号输入所述信号过滤模块中进行信号过滤,输出过滤后实时声信号和实时振动信号;
再将过滤后的所述实时声信号和所述实时振动信号输入特征分解模块进行特征提取。
3.如权利要求1所述的方法,其特征在于,将所述实时声信号和所述实时振动信号输入特征分解模块中,所述方法还包括:
对所述实时声信号和所述实时振动信号进行信号特征变化分析,输出基于各个特征指标下的信号变化强度;
按照所述信号变化强度进行信号分解通道数量的寻优,输出声信号分解通道、以及振动信号分解通道/>;
按照所述声信号分解通道、以及所述振动信号分解通道/>,搭建特征分解模块。
4.如权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述声信号故障定位结果和所述振动信号故障定位结果进行分析,判断所述第一电炉设备是否处于故障叠加模式;
当所述第一电炉设备处于故障叠加模式,对所述声信号故障定位结果和所述振动信号故障定位结果进行拆分,生成第一预警信号和第二预警信号,其中,每个预警信号对应一个故障类型。
5.如权利要求4所述的方法,其特征在于,当所述第一电炉设备处于故障叠加模式,所述方法包括:
根据所述声信号故障定位结果,输出第一变量集合;
根据所述振动信号故障定位结果,输出第二变量集合;
当所述第一电炉设备处于故障叠加模式随机选取初始变量坐标,其中,所述初始变量坐标为所述第一变量集合和所述第二变量集合中均包括的两个故障类型组成;
根据所述初始变量坐标对剩余故障类型进行迭代,获取表征特征相似性最大的标识变量坐标;
基于所述标识变量坐标,分别生成第一预警信号和第二预警信号。
6.一种电炉运行故障的监测预警系统,其特征在于,用于实施权利要求1-5任一项所述的一种电炉运行故障的监测预警方法,包括:
声信号采集单元,所述声信号采集单元用于根据声信号采集装置对第一电炉设备的实时工况进行采集,输出实时声信号,其中,所述声信号采集装置与所述第一电炉设备连接;
振动信号采集单元,所述振动信号采集单元用于根据振动传感装置对所述第一电炉设备的实时工况进行采集,输实时振动信号,其中,所述振动传感装置与所述声信号采集装置通信连接;
特征矩阵获取单元,所述特征矩阵获取单元用于将所述实时声信号和所述实时振动信号输入特征分解模块中,输出声信号特征矩阵和振动信号特征矩阵;
特征矩阵输入单元,所述特征矩阵输入单元用于将所述声信号特征矩阵和所述振动信号特征矩阵输入设备故障定位模型中,所述设备故障定位模型与故障信号样本库连接,其中,所述故障信号样本库包括声信号-故障类型映射样本库和振动信号-故障类型映射样本库;
定位结果输出单元,所述定位结果输出单元用于根据所述设备故障定位模型,输出声信号故障定位结果和振动信号故障定位结果;
预警信号生成单元,所述预警信号生成单元用于基于所述声信号故障定位结果和所述振动信号故障定位结果,生成第一预警信号;
声信号特征匹配单元,用于将所述声信号特征矩阵输入所述设备故障定位模型的声故障定位分支中进行特征匹配,其中,所述声故障定位分支通过对所述声信号-故障类型映射样本库进行训练获取;
声故障匹配单元,用于根据所述声故障定位分支进行匹配,将匹配度大于等于预设匹配度的故障类型作为声信号故障定位结果输出;
振动特征匹配单元,用于将所述振动信号特征矩阵输入所述设备故障定位模型的振动故障定位分支中进行特征匹配,其中,所述振动故障定位分支通过对所述振动信号-故障类型映射样本库进行训练获取;
振动故障匹配单元,用于根据所述振动故障定位分支进行匹配,将匹配度大于等于所述预设匹配度的故障类型作为振动信号故障定位结果输出;
判别单元,用于根据最小概率错误判别模型对所述声信号故障定位结果和所述振动信号故障定位结果进行判别,其中,所述最小概率错误判别模型的表达式如下:
,
其中,表示声信号/>故障定位结果/>与振动信号/>故障定位结果/>错判的概率差值,通过最小化/>来分别训练声信号故障定位结果/>和振动信号故障定位结果/>之间的相似度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311241974.4A CN116989593B (zh) | 2023-09-25 | 2023-09-25 | 一种电炉运行故障的监测预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311241974.4A CN116989593B (zh) | 2023-09-25 | 2023-09-25 | 一种电炉运行故障的监测预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116989593A CN116989593A (zh) | 2023-11-03 |
CN116989593B true CN116989593B (zh) | 2023-12-12 |
Family
ID=88525052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311241974.4A Active CN116989593B (zh) | 2023-09-25 | 2023-09-25 | 一种电炉运行故障的监测预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116989593B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106017879A (zh) * | 2016-05-18 | 2016-10-12 | 河北工业大学 | 基于振声信号特征融合的万能式断路器机械故障诊断方法 |
CN109164381A (zh) * | 2018-09-07 | 2019-01-08 | 广西电网有限责任公司电力科学研究院 | 一种高压断路器机械状态在线监测与故障辨识方法及装置 |
CN112255538A (zh) * | 2020-10-14 | 2021-01-22 | 国网青海省电力公司海西供电公司 | 一种多特征优化融合的高压断路器故障诊断方法 |
CN115730255A (zh) * | 2022-09-27 | 2023-03-03 | 江苏迪普勒信息科技有限公司 | 基于迁移学习和多源信息融合的电机故障诊断分析方法 |
-
2023
- 2023-09-25 CN CN202311241974.4A patent/CN116989593B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106017879A (zh) * | 2016-05-18 | 2016-10-12 | 河北工业大学 | 基于振声信号特征融合的万能式断路器机械故障诊断方法 |
CN109164381A (zh) * | 2018-09-07 | 2019-01-08 | 广西电网有限责任公司电力科学研究院 | 一种高压断路器机械状态在线监测与故障辨识方法及装置 |
CN112255538A (zh) * | 2020-10-14 | 2021-01-22 | 国网青海省电力公司海西供电公司 | 一种多特征优化融合的高压断路器故障诊断方法 |
CN115730255A (zh) * | 2022-09-27 | 2023-03-03 | 江苏迪普勒信息科技有限公司 | 基于迁移学习和多源信息融合的电机故障诊断分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116989593A (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105956526B (zh) | 基于多尺度排列熵的低信噪比微震事件辨识方法 | |
CN112036301A (zh) | 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法 | |
CN111695598A (zh) | 一种基于生成对抗网络的监测数据异常诊断方法 | |
CN110850244B (zh) | 基于深度学习的局放缺陷时域图谱诊断方法、系统及介质 | |
CN116204842B (zh) | 一种电气设备的异常监测方法及系统 | |
CN111783616B (zh) | 一种基于数据驱动自学习的无损检测方法 | |
CN115758200A (zh) | 一种基于相似度度量的振动信号故障识别方法及系统 | |
CN113239022A (zh) | 医疗诊断缺失数据补全方法及补全装置、电子设备、介质 | |
CN112348052A (zh) | 一种基于改进EfficientNet的输变电设备异常声源定位方法 | |
CN116989593B (zh) | 一种电炉运行故障的监测预警方法 | |
CN114184684A (zh) | 一种刀具切削状态在线检测方法及系统 | |
CN113723521A (zh) | 一种电机异响识别方法和识别系统 | |
CN112033656A (zh) | 一种基于宽带谱处理的机械系统故障检测方法 | |
CN116165280A (zh) | 一种对激光熔覆过程内部缺陷实时监测方法与系统 | |
CN117191956A (zh) | 一种基于声发射的钛合金应力腐蚀损伤分类方法及装置 | |
CN116881712A (zh) | 一种混凝土大坝活动裂纹电磁脉冲信号识别方法 | |
CN114839960A (zh) | 一种基于人工智能算法进行车辆故障检测方法及系统 | |
CN115310499A (zh) | 一种基于数据融合的工业设备故障诊断系统及方法 | |
KR102392951B1 (ko) | 초음파 대역의 음향 신호를 수신하는 다채널 감지 센서를 구비한 설비 고장 예측 시스템 | |
CN109389039A (zh) | 一种优化核极限学习机在线监测刀具磨损状态方法及系统 | |
CN114155914A (zh) | 基于宏基因组拼接错误的检测校正系统 | |
CN112860658A (zh) | 基于数据挖掘的高速列车电磁发射预测方法 | |
CN117740082B (zh) | 一种电力设备故障风险预警方法及系统 | |
KR102500140B1 (ko) | 초음파 대역의 음향 신호를 이용한 설비 고장 예측 시스템 및 그 방법 | |
JP2001209628A (ja) | パターンマッチング方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |