CN117309038A - 一种基于多模态感知的矿用机电设备故障诊断系统及方法 - Google Patents
一种基于多模态感知的矿用机电设备故障诊断系统及方法 Download PDFInfo
- Publication number
- CN117309038A CN117309038A CN202311100047.0A CN202311100047A CN117309038A CN 117309038 A CN117309038 A CN 117309038A CN 202311100047 A CN202311100047 A CN 202311100047A CN 117309038 A CN117309038 A CN 117309038A
- Authority
- CN
- China
- Prior art keywords
- vibration
- sound
- signal
- spectrum
- signals
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003745 diagnosis Methods 0.000 title claims abstract description 32
- 238000005065 mining Methods 0.000 title claims abstract description 22
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 20
- 230000001133 acceleration Effects 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 8
- 238000001228 spectrum Methods 0.000 claims description 65
- 230000002159 abnormal effect Effects 0.000 claims description 43
- 230000035939 shock Effects 0.000 claims description 36
- 230000005236 sound signal Effects 0.000 claims description 31
- 239000013598 vector Substances 0.000 claims description 27
- 239000003245 coal Substances 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 18
- 230000002146 bilateral effect Effects 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 8
- 238000012417 linear regression Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 230000000873 masking effect Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 229910052710 silicon Inorganic materials 0.000 claims description 3
- 239000010703 silicon Substances 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000003466 welding Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 239000002243 precursor Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
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
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于多模态感知的矿用机电设备故障诊断系统及方法,属于信息化技术领域。系统主要由矿用本安型空气传导声传感器、矿用本安型骨传导空气传导声传感器、矿用本安型声音采集处理器、矿用本安型机电设备故障诊断系统主机、矿用本安型振动传感器、矿用本安型振动监测仪、温度传感器等组成。通过在带式输送机、水泵、通风机等矿用机电设备上安装声传感器、振动传感器、温度传感器实时在线采集设备运行声音、振动加速度、温度信号,声音采集处理器、主机、振动监测仪、温度监测仪把传感器采集的信号进行处理、分析,实现多模态感知数据实时在线监测、故障预警。
Description
技术领域
本发明属于信息化技术领域,涉及一种基于多模态感知的矿用机电设备故障诊断系统及方法。
背景技术
煤矿的带式输送机、提升机、通风机、水泵等机电设备是煤矿生产的重要生产环节,这些设备的安全、稳定运行对保障煤矿安全、高效生产具有重要意义。目前对这些关键设备机械部件故障主要通过运行工况参数(电压、电流等)、人工眼、耳等感官分析判断,难以发现故障征兆;煤矿机电设备早期故障的振动信号特征较弱,需要有丰富经验的专业人员才能做出准确判断,煤矿企业往往缺乏相关人才,限制了其广泛应用;设备旋转部件故障通常伴随温度的变化,但这种变化在故障早期非常微弱,难以及时发现。煤矿企业通过建立相配套的维修体制,定期对机电系统运行状态检查与评估,但存在故障征兆不能及时发现,检修时间长等问题,总体上可以归纳为以下缺陷:
(1)定期维修、人工巡查的效率低、及时性差、成本高,难以及时发现设备故障前兆特征。
(2)煤矿机电设备运行过程中,故障前兆特征较弱,实际运行过程中复杂的背景噪声叠加,使得提取和识别早期故障特征变得十分困难。
(3)单一模态的设备状态数据所包含的故障信息非常有限,基于单一模态数据所提取故障特征信息,故障特征表达不充分,使故障诊断结果具有不确定性、可信度也不高,现有煤矿企业缺乏基于多模态数据的故障诊断系统快速、准确判识设备故障,难以有效支持智能化运维管理与决策。
总之,单一模态数据所提取故障特征信息使故障诊断结果具有不确定性、可信度也不高,难以有效支持煤矿机电设备的智能化运维管理与决策。煤矿机电设备故障常常会伴随着声音、振动、温度、电信号等变化,这其中包含丰富的状态信息;利用人工智能技术进行设备故障诊断已经成为了一种趋势,通过声音、振动、温度等多模态数据,通过构建AI识别模型及设备异常识别算法,智能感知设备异常并报警,实现预测性维护,变被动为主动,保障设备正常运行和安全生产,实现煤矿企业减人、提效、增安。
发明内容
有鉴于此,本发明的目的在于提供一种基于多模态感知的矿用机电设备故障诊断系统及方法。
为达到上述目的,本发明提供如下技术方案:
一种基于多模态感知的矿用机电设备故障诊断系统,该系统包括环网交换机一、环网交换机二、环网交换机三、中继器一、中继器二、声音采集处理器、主机、振动监测仪、温度监测仪、空气传导声传感器一~六、骨传导空气传导声传感器一~四、振动传感器一~十六和温度传感器一~十六;
所述空气传导声传感器一~六分别与声音采集处理器数据相连;
所述声音采集处理器依次与中继器一和环网交换机一数据相连;
所述骨传导空气传导声传感器一~四分别与主机数据相连;
所述主机与环网交换机三数据相连;
所述振动传感器一~十六分别与振动监测仪数据相连;
所述振动监测仪与环网交换机二数据相连;
所述温度传感器一~十六分别与温度监测仪数据相连;
所述温度监测仪依次与中继器二和环网交换机二数据相连;
所述环网交换机一、环网交换机二和环网交换机三通过矿井以太网进行数据连接;
所述矿井以太网与监测服务器数据相连;
在带式输送机、水泵或通风机上安装空气传导声传感器、骨传导空气传导声传感器、振动传感器、温度传感器实时在线采集设备运行声音、振动加速度、温度信号;
所述空气传导声传感器和骨传导空气传导声传感器安装在电机、减速箱、托辊、轴承座煤矿机电设备上;
所述空气传导声传感器通过有线的方式传输采集的信号到声音采集处理器,骨传导空气传导声传感器通过有线的方式传输采集的信号到主机;
所述声音采集处理器、主机对采集的声音信号进行处理、分析,通过内置声纹识别模块进行故障判断和报警;
所述声音采集处理器通过RS485传输报警信号给所述中继器一后转换完矿井以太网数据传输给所述监测服务器,所述主机通过矿井以太网信号传输给所述监测服务器;
所述振动传感器布置在被测设备部位水平和垂直方向,采集振动加速度信号,通过所述振动监测仪同步采集多通道振动信号进行处理、分析,并转换为数字信号,通过内置振动算法模块计算振动速度值,同时通过矿井以太网上传振动加速度、速度数据到所述监测服务器;被测设备安装PT100温度传感器,并接入所述温度监测仪实现温度信号采集,并通过RS485传输温度数据到所述监测服务器;
所述监测服务器运行矿用机电设备故障诊断软件进行图谱绘制、存储查询、统计报告生成、人机交互,实现系统基于多模态感知的矿用机电设备故障诊断。
基于所述故障诊断系统的基于多模态感知的矿用机电设备故障诊断方法,该方法包括以下步骤:
S1:所述空气传导声传感器采用非接触式安装,基于后置声孔的MEMS硅麦克风高保真还原设备声音信号,并输出对应的电信号;
所述骨传导空气传导声传感器传感器采用磁吸、粘贴或焊接的接触式安装方式部署在被测设备外表面,基于振动拾音原理采集设备声音信号,内置处理电路还原设备声音;
带式输送机托辊异常识别时,空气传导声传感器在带式输送机沿线1m~10m部署1个,骨传导1m~100m部署1个;
所述声音采集处理器、主机内置故障诊断模型及算法库,通过矿井以太网远程更新,声音采集处理器同时采集6个空气传导声传感器数据,主机同时采集4个空气传导声传感器数据;振动监测仪同时同步采集16通道振动加速度信号,温度监测仪同时采集16通道PT100温度传感器信号;
S2:所述系统采用基于声纹谱分离的设备异常特征提取方法,具体包括以下步骤:
S21:通过空气传导或骨传导空气传导声传感器获取声音信号,并转换为电信号输出给声音采集处理器或主机;
S22:声音采集处理器或主机对设备声音信号预处理:采用小波阈值去噪去除高斯白噪声,分解层数选取为3,小波基选取db6;
S23:预处理后,获取时域特征1,时域特征1的值与预设阈值1比较,若大于预设阈值1发出预警1,包括:
(1)将预处理后的声音信号通过一个高通滤波器预加重处理;
(2)分帧处理:取帧长为1s,采样频率22050Hz,每帧声音信号乘上汉明窗函数;
(3)采用短时平均能量、短时平均幅度、短时过零率、峰峰值、峭度表征信号特征,并进行归一化处理,处理后分别为E‘、M’、Z’、F‘、C‘,再分别乘上权重系数a1,a2,a3,a4,a5;再相加得到时域特征1的特征值T1,表达式如下:
T1=E‘a1+M‘a2+Z‘a3+F‘a4+C‘a5
其中,a1,a2,a3,a4,a5取值范围为(0,1);
当时域特征值T1大于预设阈值1则发出预警1;
S24:预处理后,进行频域变换获取频域特征2,频域特征2的值与预设阈值2比较,若大于预设阈值2发出预警2,包括:
(1)对预处理后的信号进行傅里叶变换后,计算频域能量;将频域划分为4个子带,计算子带能量比;
(2)提取频谱包络中的共振峰,计算尖锐度、1/3倍频程特征值,尖锐度表示如下:
式中N'(z)为临界频带Z上的响度谱,响度谱对临界频带的积分就是响度,g(z)为附加系数,Z为临界频带,d(z)为临界频带微分;
对频域能量、子带能量比、共振峰特征与尖锐度、1/3倍频程特征归一化处理,对归一化后的特征分别乘上权重系数b1,b2,b3,b4,b5,再相加得到频域特征2的特征值F2,其中,b1,b2,b3,b4,b5取值范围为(0,1);当频域特征值F2大于预设阈值2则发出预警2;
S25:当预警1和预警2均发生时,生成声纹谱,通过HPSS分离声纹谱,得到谐波分量、冲击波分量,包括:
当预警1和预警2均发生时,生成声纹谱,通过HPSS分离声纹谱,得到谐波分量、冲击波分量,HPSS步骤如下:
(1)对预处理后的声音信号求短时傅里叶变换STFT,其值取模的平方后得到能量谱图;
(2)对能量谱图通过一组水平中值滤波器、一组垂直中值滤波器分别生成谐波分量声谱图和冲击波分量声谱图;
(3)借助二进制掩蔽构造掩蔽矩阵,将STFT中所有的时域-频域容器划分到为谐波分量或冲击波分量中,从原始的STFT结果划分出谐波分量和冲击波分量;
(4)最后对谐波分量和冲击波分量作短时傅里叶逆变换iSTFT,求得原始信号的谐波分量和冲击波分量,完成HPSS;
S26:对冲击波分量进行MFCC变换,阶数取12~16,得到声纹特征3,声纹特征3的值超过预设阈值时,确认设备异常,并发出异常报警;
S3:所述系统采用基于神经网络多特征融合的设备异常识别方法,包括以下步骤:
S31:通过所述S21~S24获取时域特征1、频域特征2,再通过奇异值分解SVD分别对HPSS冲击波分量、MFCC特征矩阵降维成1维向量,特征数分别为44、10;再进行归一化,得到时频特征3;
S32:设计三层网络结构的全连接神经网络模型,隐藏层神经元个数依次为1024、512、256,使用relu激活函数,以及Adam优化函数提升优化效率;在输出层使用sigmoid函数激活,模型损失函数使用二元交叉熵函数,进行正常与异常二分类判别;将时域特征1、频域特征2和时频特征3融合成新特征4,
时域特征1包括短时平均能量、短时平均幅度、短时过零率、峰峰值、峭度;
频域特征2包括频域能量、子带能量比、共振峰、尖锐度、1/3倍频程;
时频特征3包括HPSS冲击波分量、MFCC;
其新特征向量输入到所述全连接神经网络模型,并输出最后智能识别结果;在所述模型的训练中通过反向传播算法和数据多次迭代,拟合出最佳的网络参数,优化所述识别模型;
S34:当识别为异常时,主机输出设备异常报警信号,根据传感器通道号及距主机的距离,自动识别异常位置区间;当人工复核异常报警时,若为假,人工标定对应的异常声音信号,并添加到主机的内置声纹特征库,通过自学习有效减小现场误报,提高鲁棒性;当识别为正常时,采用闵可夫斯基距离计算所述新特征4和主机内置特征的相似度,若相似度超过设定阈值时,则匹配成功,发出相应正常信号或异常报警信号;
S4:所述系统采用融合声谱图和声品质的设备异常识别方法,包括以下步骤:
S41:对设备声音信号小波去噪;
S42:采用HPSS分离背景噪声、异常响声;分别对分离后的谐波和冲击波声源进行梅尔频率倒谱系数MFCC计算,生成基于谐波和冲击波的声谱图;同时提取设备声音的尖锐度、干扰度声品质和响度、音高、音色基础特征,并计算音频信号过零率;
S43:将声谱图构建为二维声谱图矩阵,将声谱图矩阵数据传入以残差模块组成的卷积神经网络层,获取图特征y1;
S44:声音基础特征通过组合构建为特征向量x(n),其中声品质特征采用线性回归的方式提取,并拟合,多元线性回归的表示为y2:
y2=β0+β1x1+β2x2+…+βixi+μ
其中β表示权重系数,u表示偏置项;
S45:通过全连接层融合残差卷积模块和多元线性回归模块的输出值y,其输入为:
y=y1+y2
经过全连接层拟合参数后,得到识别结果,判断设备是否异常;
S5:所述系统采用基于复信号双边谱的旋转机械故障振动特征提取方法,包括以下步骤:
S51:采集转子外表面同一截面水平方向上的水平振动信号和垂直方向上的垂直振动信号;所述水平振动信号与垂直振动信号分别通过布置在转子同一截面上相互垂直的振动传感器X和振动传感器Y测取,振动传感器用于产生从部件的旋转发出的机械振动的模拟电测量信号;采用模拟-数字转换器,响应所述接收的模拟测量数据,以采样频率对模拟测量信号进行采样,以便产生数字测量数据信号;
S52:对所述水平振动信号和垂直振动信号进行离散化处理,得到长度为N的离散信号,分别记为x(n)和y(n),合成复信号z(n)且z(n)=x(n)+jy(n),其中j为虚数单位;
S53:对所述复信号进行快速傅里叶变换得到复信号双边谱,所述复信号双边谱包括双边幅值谱和双边相位谱;
(1)当n=0,1,2,…N-1时,将z(n)进行快速傅里叶变换FFT,得到系数Cn=CR(n)+jCI(n);
(2)当n=0,1,2…N/2时,取Cn组成一个行向量CN1;当n=N/2+1,N/2+2,N/2+3,…N-1时,取Cn组成一个行向量CN2;
(3)合并向量CN1和CN2组成一个新的行向量CN=[CN2,CN1];
(4)令建立一个行向量F(n)=[-N/2+1,-N/2+2,-N/2+3,…-3,-2,-1,0,1,2,3,…N/2],在此基础上得到一个频率向量f(n)=F(n)*Δf,其中Δf为频率分辨率;以f(n)为横坐标,CN为纵坐标画图,得到复信号双边幅值谱;
(5)设以f(n)为横坐标,Φn为纵坐标画图,得到复信号双边相位谱;
S54:将所述复信号双边谱经过处理生成轴心轨迹,包括:
(1)复信号双边幅值谱中,以频率轴f(n)关于原点对称的正负频率f(n+)和f(n-)处的值分别记为Rn+和Rn-,其分别为轴心轨迹正进动圆半径和反进动圆半径;
(2)若|Rn+|≠0,|Rn-|=0,转子涡动为正进动,轨迹为圆,半径为Rn+;若|Rn+|=0,|Rn-|≠0,转子涡动为反进动,轨迹为圆,半径为|Rn-|;若|Rn+|=|Rn-|,转子涡动为直线简谐运动;若|Rn+|≠|Rn-|,转子涡动轨迹为椭圆,当|Rn+|>|Rn-|时,做正向涡动,当|Rn+|<|Rn-|时,做反向涡动;
(3)椭圆轴心轨迹长半轴为短半轴为/>
(4)复信号双边相位谱中,以原点对称的正负频率处的相位分别为和/>则频率f(n)处椭圆轴心轨迹长轴与水平轴的夹角为/>
(5)椭圆离心率为
(6)椭圆面积为S=πab;
S55:根据所述复信号双边谱得到故障特征参数。
可选的,所述带式输送机为托辊、电机、减速箱或滚筒;所述水泵为电机或泵体;所述通风机为叶轮、轴承或电机。
本发明的有益效果在于:本发明公开的一种基于多模态感知的矿用机电设备故障诊断系统及方法,实时在线采集矿用设备声音、振动、温度多模态数据,采用声纹谱分离设备异常特征提取方法、基于神经网络的多特征融合的设备异常识别方法、融合声谱图和声品质的设备异常识别方法、基于复信号双边谱的旋转机械故障特征提取方法,解决了矿用机电设备旋转机械设备单一模态包含的设备异常信息不丰富、不能及时识别故障征兆、诊断准确性不高的难题,代替人工实现7*24在线实时监测,实现煤矿带式输送机、水泵、通风机等设备的旋转部件,如:托辊、电机、减速箱、滚筒、泵体、轴承、叶轮等故障自动识别、定位,避免发生重大安全事故,对煤矿大型机电设备预测性维护提供指导,保障煤矿安全、高效生产。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为基于多模态感知的矿用机电设备故障诊断系统组成连接图;
图2为基于声纹谱分离的设备异常特征提取方法流程图;
图3为基于神经网络多特征融合的设备异常识别方法流程图;
图4为基于神经网络多特征融合的设备异常识别神经网络模型处理流程图;
图5为融合声谱图和声音基础特征的设备异常识别方法流程图;
图6为融合声谱图和声音基础特征的设备异常识别残差模块在声谱图特征计算中的表示图;
图7为基于复信号双边谱的旋转机械故障特征提取方法的流程图。
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,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。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
请参阅图1~图7,本发明的技术方案如下:
S1:一种基于多模态感知的矿用机电设备故障诊断系统及方法,所述系统包括:矿用本安型空气传导声传感器、矿用本安型骨传导空气传导声传感器、矿用本安型声音采集处理器、矿用本安型机电设备故障诊断系统主机、矿用本安型振动传感器、矿用本安型振动监测仪、温度传感器、矿用本安型温度监测仪、矿用本安型中继器、矿用通信电缆、矿用网络交换机、矿用电源、监测服务器及故障诊断软件等组成。
通过在带式输送机(托辊、电机、减速箱、滚筒等)、水泵(电机、泵体等)、通风机(叶轮、轴承、电机等)等矿用机电设备上安装空气传导声传感器、振动传感器、温度传感器实时在线采集设备运行声音、振动加速度、温度信号。所述空气传导声传感器包含空气传导型、骨传导型,可以安装在电机、减速箱、托辊、轴承座等煤矿机电设备上;所述空气传导型空气传导声传感器通过有线的方式传输采集的信号到声音采集处理器,骨传导型空气传导声传感器通过有线的方式传输采集的信号到主机,所述声音采集处理器、主机对采集的声音信号进行处理、分析,通过内置声纹识别模块进行故障判断、报警,所述声音采集处理器通过RS485传输报警信号给所述中继器后转换完矿井以太网数据传输给所述监测服务器,所述主机通过矿井以太网信号传输给所述监测服务器;所述振动传感器布置在被测设备部位水平、垂直方向,采集振动加速度信号,通过所述振动监测仪同步采集多通道振动信号进行处理、分析,并转换为数字信号,通过内置振动算法模块计算振动速度值,同时通过矿井以太网上传振动加速度、速度数据到所述监测服务器;被测设备安装PT100温度传感器,并接入所述温度监测仪实现温度信号采集,并通过RS485传输温度数据到所述监测服务器;所述监测服务器运行矿用机电设备故障诊断软件进行图谱绘制、存储查询、统计报告生成、人机交互等,实现系统基于多模态感知的矿用机电设备故障诊断。
所述的空气传导声传感器采用非接触式安装,基于后置声孔的MEMS硅麦克风高保真还原设备声音信号,并输出对应的电信号;所述的骨传导空气传导声传感器传感器采用磁吸、粘贴或焊接等接触式安装方式部署在被测设备外表面,基于振动拾音原理采集设备声音信号,内置处理电路还原设备声音。带式输送机托辊异常识别时,空气传导声传感器在带式输送机沿线可1m~10m部署1个,骨传导可以1m~100m部署1个。所述的声音采集处理器、主机内置故障诊断模型及算法库,可通过矿井以太网远程更新,声音采集处理器可同时采集6个空气传导声传感器数据,主机可同时采集4个空气传导声传感器数据。振动监测仪可同时同步采集16通道振动加速度信号,温度监测仪可同时采集16通道PT100温度传感器信号。
S2:所述系统采用一种基于声纹谱分离的设备异常特征提取方法,包括以下步骤:
S21:通过空气传导或骨传导空气传导声传感器获取声音信号,并转换为电信号输出给声音采集处理器或主机。
S22:声音采集处理器或主机对设备声音信号预处理:采用小波阈值去噪去除高斯白噪声,分解层数选取为3,小波基选取db6。
S23:预处理后,获取时域特征1,时域特征1的值与预设阈值1比较,若大于预设阈值1发出预警1,包括:
(1)将预处理后的声音信号通过一个高通滤波器预加重处理;
(2)分帧处理:取帧长为1s,采样频率22050Hz,每帧声音信号乘上汉明窗函数;
(3)采用短时平均能量、短时平均幅度、短时过零率、峰峰值、峭度表征信号特征,并进行归一化处理,处理后分别为E‘、M’、Z’、F‘、C‘,再分别乘上权重系数a(a1,a2,a3,a4,a5)再相加得到时域特征1的特征值T1,表达式如下:
T1=E‘a1+M‘a2+Z‘a3+F‘a4+C‘a5
其中,a1,a2,a3,a4,a5取值范围(0,1),可预设。
当时域特征值T1大于预设阈值1则发出预警1。
S24:预处理后,进行频域变换获取频域特征2,频域特征2的值与预设阈值2比较,若大于预设阈值2发出预警2,包括:
(1)对预处理后的信号进行傅里叶变换后,计算频域能量;将频域划分为4个子带,计算子带能量比;
(2)提取频谱包络中的共振峰,计算尖锐度、1/3倍频程特征值,尖锐度表示如下:
式中N'(z)为临界频带Z上的响度谱,响度谱对临界频带的积分就是响度,g(z)为附加系数,Z为临界频带,d(z)为临界频带微分。
对频域能量、子带能量比、共振峰特征与尖锐度、1/3倍频程特征归一化处理,对归一化后的特征分别乘上权重系数b(b1,b2,b3,b4,b5)再相加得到频域特征2的特征值F2,表达式见S2-3,其中,b1,b2,b3,b4,b5取值范围(0,1),可预设。当频域特征值F2大于预设阈值2则发出预警2。
S25:当预警1和预警2均发生时,生成声纹谱,通过HPSS分离声纹谱,得到谐波分量、冲击波分量,包括:
当预警1和预警2均发生时,生成声纹谱,通过HPSS分离声纹谱,得到谐波分量、冲击波分量,HPSS步骤如下:
(1)对预处理后的声音信号求短时傅里叶变换(STFT),其值取模的平方后得到能量谱图;
(2)对能量谱图通过一组水平中值滤波器、一组垂直中值滤波器分别生成谐波分量声谱图和冲击波分量声谱图;
(3)借助二进制掩蔽构造掩蔽矩阵,将STFT中所有的时域-频域容器划分到为谐波分量或冲击波分量中,进而从原始的STFT结果划分出谐波分量和冲击波分量;
(4)最后对谐波分量和冲击波分量作短时傅里叶逆变换(iSTFT),求得原始信号的谐波分量和冲击波分量,从而完成HPSS。
S26:对冲击波分量进行MFCC变换,阶数取12~16,得到声纹特征3,声纹特征3的值超过预设阈值时,确认设备异常,并发出异常报警。
S3:所述系统采用一种基于神经网络多特征融合的设备异常识别方法,包括以下步骤:
S31:通过所述的S21~S24获取时域特征1、频域特征2,再通过奇异值分解(SVD)分别对HPSS冲击波分量、MFCC特征矩阵降维成1维向量,特征数分别为44、10;再进行归一化,得到时频特征3。
S32:设计三层网络结构的全连接神经网络模型,隐藏层神经元个数依次为1024、512、256,使用relu激活函数,以及Adam优化函数提升优化效率。在输出层使用sigmoid函数激活,模型损失函数使用二元交叉熵函数,进行正常与异常二分类判别。将时域特征1(短时平均能量、短时平均幅度、短时过零率、峰峰值、峭度)、频域特征2(频域能量、子带能量比、共振峰、尖锐度、1/3倍频程)、时频特征3(HPSS冲击波分量、MFCC)融合成新特征4,其新特征向量输入到所述全连接神经网络模型,并输出最后智能识别结果。在所述模型的训练中通过反向传播算法和数据多次迭代,拟合出最佳的网络参数,优化所述识别模型。
S34:当识别为异常时,主机输出设备异常报警信号,根据传感器通道号及距主机的距离,自动识别异常位置区间。当人工复核异常报警时,若为假,人工标定对应的异常声音信号,并添加到主机的内置声纹特征库,通过自学习有效减小现场误报,提高鲁棒性。当识别为正常时,采用闵可夫斯基距离计算所述新特征4和主机内置特征的相似度,若相似度超过设定阈值时,则匹配成功,发出相应正常信号或异常报警信号。
S4:所述系统采用一种融合声谱图和声品质的设备异常识别方法,包括以下步骤:
S41:对设备声音信号小波去噪。
S42:采用HPSS分离背景噪声、异常响声;分别对分离后的谐波和冲击波声源进行梅尔频率倒谱系数MFCC计算,生成基于谐波和冲击波的声谱图;同时提取设备声音的尖锐度、干扰度声品质和响度、音高、音色基础特征,并计算音频信号过零率。
S43:将声谱图构建为二维声谱图矩阵,将声谱图矩阵数据传入以残差模块组成的卷积神经网络层,获取图特征y1。
S44:声音基础特征通过组合构建为特征向量x(n),其中声品质特征采用线性回归的方式提取,并拟合,多元线性回归的表示为y2:
y2=β0+β1x1+β2x2+…+βixi+μ
其中β表示权重系数,u表示偏置项;
S45:通过全连接层融合残差卷积模块和多元线性回归模块的输出值y,其输入为:
y=y1+y2
经过全连接层拟合参数后,得到识别结果,判断设备是否异常。
S5:所述系统采用一种基于复信号双边谱的旋转机械故障振动特征提取方法,包括以下步骤:
S51:采集转子外表面同一截面水平方向上的水平振动信号和垂直方向上的垂直振动信号;所述水平振动信号与垂直振动信号分别通过布置在转子同一截面上相互垂直的振动传感器X和振动传感器Y测取,振动传感器用于产生从部件的旋转发出的机械振动的模拟电测量信号;并可采用模拟-数字转换器,响应所述接收的模拟测量数据,以采样频率对模拟测量信号进行采样,以便产生数字测量数据信号。
S52:对所述水平振动信号和垂直振动信号进行离散化处理,得到长度为N的离散信号,分别记为x(n)和y(n),合成复信号z(n)且z(n)=x(n)+jy(n),其中j为虚数单位。
S53:对所述复信号进行快速傅里叶变换得到复信号双边谱,所述复信号双边谱包括双边幅值谱和双边相位谱。
(1)当n=0,1,2,…N-1时,将z(n)进行快速傅里叶变换FFT,得到系数Cn=CR(n)+jCI(n);
(2)当n=0,1,2…N/2时,取Cn组成一个行向量CN1;当n=N/2+1,N/2+2,N/2+3,…N-1时,取Cn组成一个行向量CN2;
(3)合并向量CN1和CN2组成一个新的行向量CN=[CN2,CN1];
(4)令建立一个行向量F(n)=[-N/2+1,-N/2+2,-N/2+3,…-3,-2,-1,0,1,2,3,…N/2],在此基础上得到一个频率向量f(n)=F(n)*Δf,其中Δf为频率分辨率;以f(n)为横坐标,CN为纵坐标画图,得到复信号双边幅值谱;
(5)设以f(n)为横坐标,Φn为纵坐标画图,得到复信号双边相位谱。
S54:将所述复信号双边谱经过处理生成轴心轨迹,包括:
(1)复信号双边幅值谱中,以频率轴f(n)关于原点对称的正负频率f(n+)和f(n-)处的值分别记为Rn+和Rn-,其分别为轴心轨迹正进动圆半径和反进动圆半径;
(2)若|Rn+|≠0,|Rn-|=0,转子涡动为正进动,轨迹为圆,半径为Rn+;若|Rn+|=0,|Rn-|≠0,转子涡动为反进动,轨迹为圆,半径为|Rn-|;若|Rn+|=|Rn-|,转子涡动为直线简谐运动;若|Rn+|≠|Rn-|,转子涡动轨迹为椭圆,当|Rn+|>|Rn-|时,做正向涡动,当|Rn+|<|Rn-|时,做反向涡动;
(3)椭圆轴心轨迹长半轴为短半轴为/>
(4)复信号双边相位谱中,以原点对称的正负频率处的相位分别为和/>则频率f(n)处椭圆轴心轨迹长轴与水平轴的夹角为/>
(5)椭圆离心率为
(6)椭圆面积为S=πab。
S55:根据所述复信号双边谱得到故障特征参数。
S6:所述系统软件可配置预警、报警阈值参数并下发给声音采集处理器、主机、振动监测仪、温度监测仪,当前采集值和预设的预警、报警阈值比较,超过阈值后所述系统软件发出预警、报警提示,并记录存储、查询,生成统计报告,采集值可生成声纹图、频谱图、包络谱、二维全息谱、轴心轨迹、实时图、趋势图等,供人工进一步分析、诊断。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (3)
1.一种基于多模态感知的矿用机电设备故障诊断系统,其特征在于:该系统包括环网交换机一、环网交换机二、环网交换机三、中继器一、中继器二、声音采集处理器、主机、振动监测仪、温度监测仪、空气传导声传感器一~六、骨传导空气传导声传感器一~四、振动传感器一~十六和温度传感器一~十六;
所述空气传导声传感器一~六分别与声音采集处理器数据相连;
所述声音采集处理器依次与中继器一和环网交换机一数据相连;
所述骨传导空气传导声传感器一~四分别与主机数据相连;
所述主机与环网交换机三数据相连;
所述振动传感器一~十六分别与振动监测仪数据相连;
所述振动监测仪与环网交换机二数据相连;
所述温度传感器一~十六分别与温度监测仪数据相连;
所述温度监测仪依次与中继器二和环网交换机二数据相连;
所述环网交换机一、环网交换机二和环网交换机三通过矿井以太网进行数据连接;
所述矿井以太网与监测服务器数据相连;
在带式输送机、水泵或通风机上安装空气传导声传感器、骨传导空气传导声传感器、振动传感器、温度传感器实时在线采集设备运行声音、振动加速度、温度信号;
所述空气传导声传感器和骨传导空气传导声传感器安装在电机、减速箱、托辊、轴承座煤矿机电设备上;
所述空气传导声传感器通过有线的方式传输采集的信号到声音采集处理器,骨传导空气传导声传感器通过有线的方式传输采集的信号到主机;
所述声音采集处理器、主机对采集的声音信号进行处理、分析,通过内置声纹识别模块进行故障判断和报警;
所述声音采集处理器通过RS485传输报警信号给所述中继器一后转换完矿井以太网数据传输给所述监测服务器,所述主机通过矿井以太网信号传输给所述监测服务器;
所述振动传感器布置在被测设备部位水平和垂直方向,采集振动加速度信号,通过所述振动监测仪同步采集多通道振动信号进行处理、分析,并转换为数字信号,通过内置振动算法模块计算振动速度值,同时通过矿井以太网上传振动加速度、速度数据到所述监测服务器;被测设备安装PT100温度传感器,并接入所述温度监测仪实现温度信号采集,并通过RS485传输温度数据到所述监测服务器;
所述监测服务器运行矿用机电设备故障诊断软件进行图谱绘制、存储查询、统计报告生成、人机交互,实现系统基于多模态感知的矿用机电设备故障诊断。
2.基于权利要求1所述故障诊断系统的基于多模态感知的矿用机电设备故障诊断方法,其特征在于:该方法包括以下步骤:
S1:所述空气传导声传感器采用非接触式安装,基于后置声孔的MEMS硅麦克风高保真还原设备声音信号,并输出对应的电信号;
所述骨传导空气传导声传感器传感器采用磁吸、粘贴或焊接的接触式安装方式部署在被测设备外表面,基于振动拾音原理采集设备声音信号,内置处理电路还原设备声音;
带式输送机托辊异常识别时,空气传导声传感器在带式输送机沿线1m~10m部署1个,骨传导1m~100m部署1个;
所述声音采集处理器、主机内置故障诊断模型及算法库,通过矿井以太网远程更新,声音采集处理器同时采集6个空气传导声传感器数据,主机同时采集4个空气传导声传感器数据;振动监测仪同时同步采集16通道振动加速度信号,温度监测仪同时采集16通道PT100温度传感器信号;
S2:所述系统采用基于声纹谱分离的设备异常特征提取方法,具体包括以下步骤:
S21:通过空气传导或骨传导空气传导声传感器获取声音信号,并转换为电信号输出给声音采集处理器或主机;
S22:声音采集处理器或主机对设备声音信号预处理:采用小波阈值去噪去除高斯白噪声,分解层数选取为3,小波基选取db6;
S23:预处理后,获取时域特征1,时域特征1的值与预设阈值1比较,若大于预设阈值1发出预警1,包括:
(1)将预处理后的声音信号通过一个高通滤波器预加重处理;
(2)分帧处理:取帧长为1s,采样频率22050Hz,每帧声音信号乘上汉明窗函数;
(3)采用短时平均能量、短时平均幅度、短时过零率、峰峰值、峭度表征信号特征,并进行归一化处理,处理后分别为E‘、M’、Z’、F‘、C‘,再分别乘上权重系数a1,a2,a3,a4,a5;再相加得到时域特征1的特征值T1,表达式如下:
T1=E‘a1+M‘a2+Z‘a3+F‘a4+C‘a5
其中,a1,a2,a3,a4,a5取值范围为(0,1);
当时域特征值T1大于预设阈值1则发出预警1;
S24:预处理后,进行频域变换获取频域特征2,频域特征2的值与预设阈值2比较,若大于预设阈值2发出预警2,包括:
(1)对预处理后的信号进行傅里叶变换后,计算频域能量;将频域划分为4个子带,计算子带能量比;
(2)提取频谱包络中的共振峰,计算尖锐度、1/3倍频程特征值,尖锐度表示如下:
式中N'(z)为临界频带Z上的响度谱,响度谱对临界频带的积分就是响度,g(z)为附加系数,Z为临界频带,d(z)为临界频带微分;
对频域能量、子带能量比、共振峰特征与尖锐度、1/3倍频程特征归一化处理,对归一化后的特征分别乘上权重系数b1,b2,b3,b4,b5,再相加得到频域特征2的特征值F2,其中,b1,b2,b3,b4,b5取值范围为(0,1);当频域特征值F2大于预设阈值2则发出预警2;
S25:当预警1和预警2均发生时,生成声纹谱,通过HPSS分离声纹谱,得到谐波分量、冲击波分量,包括:
当预警1和预警2均发生时,生成声纹谱,通过HPSS分离声纹谱,得到谐波分量、冲击波分量,HPSS步骤如下:
(1)对预处理后的声音信号求短时傅里叶变换STFT,其值取模的平方后得到能量谱图;
(2)对能量谱图通过一组水平中值滤波器、一组垂直中值滤波器分别生成谐波分量声谱图和冲击波分量声谱图;
(3)借助二进制掩蔽构造掩蔽矩阵,将STFT中所有的时域-频域容器划分到为谐波分量或冲击波分量中,从原始的STFT结果划分出谐波分量和冲击波分量;
(4)最后对谐波分量和冲击波分量作短时傅里叶逆变换iSTFT,求得原始信号的谐波分量和冲击波分量,完成HPSS;
S26:对冲击波分量进行MFCC变换,阶数取12~16,得到声纹特征3,声纹特征3的值超过预设阈值时,确认设备异常,并发出异常报警;
S3:所述系统采用基于神经网络多特征融合的设备异常识别方法,包括以下步骤:
S31:通过所述S21~S24获取时域特征1、频域特征2,再通过奇异值分解SVD分别对HPSS冲击波分量、MFCC特征矩阵降维成1维向量,特征数分别为44、10;再进行归一化,得到时频特征3;
S32:设计三层网络结构的全连接神经网络模型,隐藏层神经元个数依次为1024、512、256,使用relu激活函数,以及Adam优化函数提升优化效率;在输出层使用sigmoid函数激活,模型损失函数使用二元交叉熵函数,进行正常与异常二分类判别;将时域特征1、频域特征2和时频特征3融合成新特征4,
时域特征1包括短时平均能量、短时平均幅度、短时过零率、峰峰值、峭度;
频域特征2包括频域能量、子带能量比、共振峰、尖锐度、1/3倍频程;
时频特征3包括HPSS冲击波分量、MFCC;
其新特征向量输入到所述全连接神经网络模型,并输出最后智能识别结果;在所述模型的训练中通过反向传播算法和数据多次迭代,拟合出最佳的网络参数,优化所述识别模型;
S34:当识别为异常时,主机输出设备异常报警信号,根据传感器通道号及距主机的距离,自动识别异常位置区间;当人工复核异常报警时,若为假,人工标定对应的异常声音信号,并添加到主机的内置声纹特征库,通过自学习有效减小现场误报,提高鲁棒性;当识别为正常时,采用闵可夫斯基距离计算所述新特征4和主机内置特征的相似度,若相似度超过设定阈值时,则匹配成功,发出相应正常信号或异常报警信号;
S4:所述系统采用融合声谱图和声品质的设备异常识别方法,包括以下步骤:
S41:对设备声音信号小波去噪;
S42:采用HPSS分离背景噪声、异常响声;分别对分离后的谐波和冲击波声源进行梅尔频率倒谱系数MFCC计算,生成基于谐波和冲击波的声谱图;同时提取设备声音的尖锐度、干扰度声品质和响度、音高、音色基础特征,并计算音频信号过零率;
S43:将声谱图构建为二维声谱图矩阵,将声谱图矩阵数据传入以残差模块组成的卷积神经网络层,获取图特征y1;
S44:声音基础特征通过组合构建为特征向量x(n),其中声品质特征采用线性回归的方式提取,并拟合,多元线性回归的表示为y2:
y2=β0+β1x1+β2x2+…+βixi+μ
其中β表示权重系数,u表示偏置项;
S45:通过全连接层融合残差卷积模块和多元线性回归模块的输出值y,其输入为:
y=y1+y2
经过全连接层拟合参数后,得到识别结果,判断设备是否异常;
S5:所述系统采用基于复信号双边谱的旋转机械故障振动特征提取方法,包括以下步骤:
S51:采集转子外表面同一截面水平方向上的水平振动信号和垂直方向上的垂直振动信号;所述水平振动信号与垂直振动信号分别通过布置在转子同一截面上相互垂直的振动传感器X和振动传感器Y测取,振动传感器用于产生从部件的旋转发出的机械振动的模拟电测量信号;采用模拟-数字转换器,响应所述接收的模拟测量数据,以采样频率对模拟测量信号进行采样,以便产生数字测量数据信号;
S52:对所述水平振动信号和垂直振动信号进行离散化处理,得到长度为N的离散信号,分别记为x(n)和y(n),合成复信号z(n)且z(n)=x(n)+jy(n),其中j为虚数单位;
S53:对所述复信号进行快速傅里叶变换得到复信号双边谱,所述复信号双边谱包括双边幅值谱和双边相位谱;
(1)当n=0,1,2,…N-1时,将z(n)进行快速傅里叶变换FFT,得到系数Cn=CR(n)+jCI(n);
(2)当n=0,1,2…N/2时,取Cn组成一个行向量CN1;当n=N/2+1,N/2+2,N/2+3,…N-1时,取Cn组成一个行向量CN2;
(3)合并向量CN1和CN2组成一个新的行向量CN=[CN2,CN1];
(4)令建立一个行向量F(n)=[-N/2+1,-N/2+2,-N/2+3,…-3,-2,-1,0,1,2,3,…N/2],在此基础上得到一个频率向量f(n)=F(n)*Δf,其中Δf为频率分辨率;以f(n)为横坐标,CN为纵坐标画图,得到复信号双边幅值谱;
(5)设以f(n)为横坐标,Φn为纵坐标画图,得到复信号双边相位谱;
S54:将所述复信号双边谱经过处理生成轴心轨迹,包括:
(1)复信号双边幅值谱中,以频率轴f(n)关于原点对称的正负频率f(n+)和f(n-)处的值分别记为Rn+和Rn-,其分别为轴心轨迹正进动圆半径和反进动圆半径;
(2)若|Rn+|≠0,|Rn-|=0,转子涡动为正进动,轨迹为圆,半径为Rn+;若|Rn+|=0,|Rn-|≠0,转子涡动为反进动,轨迹为圆,半径为|Rn-|;若|Rn+|=|Rn-|,转子涡动为直线简谐运动;若|Rn+|≠|Rn-|,转子涡动轨迹为椭圆,当|Rn+|>|Rn-|时,做正向涡动,当|Rn+|<|Rn-|时,做反向涡动;
(3)椭圆轴心轨迹长半轴为短半轴为/>
(4)复信号双边相位谱中,以原点对称的正负频率处的相位分别为和/>则频率f(n)处椭圆轴心轨迹长轴与水平轴的夹角为/>
(5)椭圆离心率为
(6)椭圆面积为S=πab;
S55:根据所述复信号双边谱得到故障特征参数。
3.根据权利要求2所述的一种基于多模态感知的矿用机电设备故障诊断方法,其特征在于:所述带式输送机为托辊、电机、减速箱或滚筒;所述水泵为电机或泵体;所述通风机为叶轮、轴承或电机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311100047.0A CN117309038A (zh) | 2023-08-29 | 2023-08-29 | 一种基于多模态感知的矿用机电设备故障诊断系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311100047.0A CN117309038A (zh) | 2023-08-29 | 2023-08-29 | 一种基于多模态感知的矿用机电设备故障诊断系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117309038A true CN117309038A (zh) | 2023-12-29 |
Family
ID=89272758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311100047.0A Pending CN117309038A (zh) | 2023-08-29 | 2023-08-29 | 一种基于多模态感知的矿用机电设备故障诊断系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117309038A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118068820A (zh) * | 2024-04-19 | 2024-05-24 | 四川航天电液控制有限公司 | 一种液压支架控制器智能故障诊断方法 |
-
2023
- 2023-08-29 CN CN202311100047.0A patent/CN117309038A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118068820A (zh) * | 2024-04-19 | 2024-05-24 | 四川航天电液控制有限公司 | 一种液压支架控制器智能故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3685137B1 (en) | System and method for automated fault diagnosis and prognosis for rotating equipment | |
US20200233397A1 (en) | System, method and computer-accessible medium for machine condition monitoring | |
KR102272622B1 (ko) | 기계설비의 기계음을 이용한 딥러닝기반 이상징후 감지시스템 | |
CN117309038A (zh) | 一种基于多模态感知的矿用机电设备故障诊断系统及方法 | |
WO2023279382A1 (zh) | 一种电机轴承运行状态故障检测方法及系统 | |
CN113405825B (zh) | 一种基于声音信号的带式输送机故障诊断方法 | |
CN109855874B (zh) | 一种声音辅助振动微弱信号增强检测的随机共振滤波器 | |
Yun et al. | Autoencoder-based anomaly detection of industrial robot arm using stethoscope based internal sound sensor | |
CN114893390B (zh) | 一种基于注意力与集成学习机制的泵机设备故障检测方法 | |
CN113567162A (zh) | 基于声传感器的风机故障智能诊断装置及方法 | |
Pan et al. | Cognitive acoustic analytics service for Internet of Things | |
CN112052712B (zh) | 一种电力设备状态监测与故障识别方法及系统 | |
CN114057053A (zh) | 用于特种机械的部件疲劳程度监测方法 | |
CN113345399A (zh) | 一种强噪声环境下的机器设备声音监测方法 | |
JP4412306B2 (ja) | 異常判定方法および異常判定装置 | |
Wang et al. | Coupled hidden Markov fusion of multichannel fast spectral coherence features for intelligent fault diagnosis of rolling element bearings | |
CN114739667A (zh) | 一种多模态信息融合轴承润滑状态监测装置及方法 | |
Hasegawa et al. | Adaptive training of vibration-based anomaly detector for wind turbine condition monitoring | |
CN116246661A (zh) | 一种基于神经网络多特征融合的托辊异常识别方法 | |
CN115539277A (zh) | 基于水电机声纹识别的故障预警系统和方法 | |
Yan et al. | Abnormal noise monitoring of subway vehicles based on combined acoustic features | |
CN112850408A (zh) | 一种基于多模型融合的电梯急停困人故障检测方法 | |
Charan | An auto-encoder based TinyML approach for real-time anomaly detection | |
Vladimirovich et al. | Analysis of methods of non-invasive vibroacoustic diagnostics | |
RU2783860C2 (ru) | Устройство и способ для виброакустического анализа промышленного оборудования, содержащего вращающиеся части |
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 |