CN117312785A - 一种辊压机健康状态的评估方法、装置、设备及存储介质 - Google Patents
一种辊压机健康状态的评估方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117312785A CN117312785A CN202311013832.2A CN202311013832A CN117312785A CN 117312785 A CN117312785 A CN 117312785A CN 202311013832 A CN202311013832 A CN 202311013832A CN 117312785 A CN117312785 A CN 117312785A
- Authority
- CN
- China
- Prior art keywords
- data
- roller
- health degree
- health
- residual
- 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
- 230000036541 health Effects 0.000 title claims abstract description 145
- 238000011156 evaluation Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 28
- 230000005540 biological transmission Effects 0.000 claims description 24
- 230000015556 catabolic process Effects 0.000 claims description 22
- 238000006731 degradation reaction Methods 0.000 claims description 22
- 239000003638 chemical reducing agent Substances 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 230000003862 health status Effects 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 238000012821 model calculation Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 11
- 230000002159 abnormal effect Effects 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 2
- 239000004568 cement Substances 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000009270 solid waste treatment Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种辊压机健康状态评估方法、装置、设备及存储介质，包括如下步骤：数据预处理和降采样；工况切分；去趋势模型训练；数据去趋势；训练健康度模型；残差特征计算；健康度计算；本设计对辊压机进行状态监测与智能评估，该方法提高了对辊压机零件健康度判断的准确性，降低了辊压机的非正常停机时间，能够提前预警磨损零件，提醒企业及时更换，减少辊压机产生运行故障，避免非正常停机；通过评估系统总体健康度水平，能够保证设备可靠运行，避免非计划停机，减少维护工作量，提升维护效率。
Description
技术领域
本发明涉及辊压机智能状态监测技术领域，特别涉及一种辊压机健康评估方法、装置、设备及存储介质。
背景技术
高压辊磨机是一种常用的机械设备，应用在水泥、矿山、有色、节能环保、固废处理等行业，高压辊磨机能够有效降低能耗和提高破碎效率和质量。随着高压辊磨机在水泥厂和矿山行业上广泛使用，设备运行负荷越来越高，长时间运行导致高压辊磨机故障发生频率升高，高辊压机运行经常出现辊面磨损、轴承磨损等问题，出现振动、产量降低、非计划停机等故障，造成重大损失。
现有的故障检测、分析手段一般局限于温度、振动传感器，对传感器采集到的数据进行简单的阈值比较，或对采集到的单个参数进行分析，不能够综合所有参数进行辊压机运行状态判断及健康度评估、故障判断。数据分析依靠工人经验积累人工判断，分析效果取决于工人的技术水平；数据综合分析能力弱，决策诊断能力弱，健康评估效率低、准确度差，误报漏报率高，维修不及时，维修成本高。
发明内容
为了克服上述的不足，本发明提供了一种辊压机的健康度进行精确评估的方法，能够及时发现设备异常，维修更换故障零件，提高维修效率，降低维护成本；减少故障，减少非计划停机时间，增加辊压机的正常工作时长，保障辊压机的高效运行，提高辊压机产量。
本发明解决其技术问题所采用的技术方案：
一种辊压机健康状态评估方法，包括如下步骤：
1）对辊压机上的各传感器测点的原始数据进行数据预处理和降采样；
2）工况切分，用于记录辊压机的启停时间；
3）去趋势模型训练，避免传感器采集的数据因环境原因而表现出趋势特征；
4）数据去趋势，在对数据进行工况划分后，提取辊压机处在工作状态下的数据，利用训练好的去趋势模型，对这部分数据进行去趋势计算，得到去趋势表；
5）建立并训练健康度模型；
6）残差特征计算，将步骤4）中去趋势表中的数据输入健康度模型后，计算指定时间段内的模型拟合结果，根据模型计算的残差，得到残差特征记录表；
7）健康度计算，统计步骤6）中残差特征记录表中的残差的特征，得到监测量的健康度，采用时间区间内残差超出上限和低于下限的比例特征进行健康度评分。
所述步骤2）工况切分，用于记录辊压机的启停时间的步骤如下：
根据电流大小判断辊压机是否处于工作状态；
依据辊压机运行的实际情况，将电流不为0的数据筛选出来；
假设辊压机工作时的电流为X，取X以上为一个工况，X以下为另一个工况；
以电流大于X，而且电流数值的一阶差分值小于5的数据为工作状态。
所述步骤3）中去趋势模型训练的步骤如下：
通过PCA降维提取温度趋势，识别每个温度测点在整体趋势外的变化，进而通过模型预测这种整体趋势外的变化，训练出一个PCA模型，将新接入的数据进行去趋势计算。
所述步骤5）建立并训练健康度模型的步骤如下：
选取工况量和目标量；
进行工况量和目标量的相关性分析，得到每个目标量相关度较高的工况量；
进行健康度模型的训练，建立目标量和工况量之间的关系，从而得到健康度模型，对去趋势后的数据进行拟合预测，得到拟合数据；
将原始数据和拟合数据进行残差计算，利用残差对健康度模型的训练结果进行定量分析，残差的分布如果是正态分布，残差较为随机，说明了工况量选取合适，并且健康度模型能拟合原始数据，模型成功表达了目标量和工况量之间的正常运行关系。
所述工况量包括动辊方面的工况量和定辊方面的工况量；
所述动辊方面的工况量为动辊电流、动辊减速器油温、进料装置开口度、入料斗提电流、返料斗提电流、传动侧运行压力和非传动侧运行压力；
所述定辊方面的工况量为定辊电流、定辊减速器油温、进料装置开口度、入料斗提电流、返料斗提电流、传动侧运行压力和非传动侧运行压力；
所述动辊方面的工况量对应的目标量为动辊主轴承温度、动辊电机轴承温度、动辊电机右轴承温度、动辊减速器轴承温度、动辊减速器振动、动辊电机定子温度、非传动侧运行辊缝和传动侧运行辊缝；
所述定辊方面的工况量对应的目标量为定辊主轴承温度、定辊电机轴承温度、定辊电机右轴承温度、定辊减速器轴承温度、定辊减速器振动、定辊电机定子温度、非传动侧运行辊缝和传动侧运行辊缝。
所述残差特征主要包括残差均值、方差以及超出上下限的数量、烈度和比例。
所述步骤7）中健康度平分的步骤如下：
健康度的计算方式采取扣分制，满分为100分，残差特征值超出上下限值后开始扣分，同时采用二次惩罚项增加远离正常值的残差特征值的扣分权重；
计算动辊健康度：在残差特征记录表中，读取与动辊相关的目标量的残差特征，得到残差特征中的超出上下限的数据点的比例，超出上下限比例的权重各设为0.5，由此得到不同监测量的健康度，即测点劣化度，结果存入测点级劣化度表；对与动辊相关的测点劣化度取权重，得到动辊的健康度，结果存入部件级健康度表；
计算定辊健康度：在残差特征记录表中，读取与定辊相关的目标量的残差特征，得到残差特征中的超出上下限的数据点的比例，超出上下限比例的权重各设为0.5，由此得到不同监测量的健康度，即测点劣化度，结果存入测点级劣化度表；对与定辊相关的测点劣化度取权重，得到定辊的健康度，结果存入部件级健康度表；
计算系统健康度：在残差特征记录表中，读取目标量中的非传动侧运行辊缝和传动侧运行辊缝的残差特征，得到残差特征中的超出上下限的数据点的比例，超出上下限比例的权重各设为0.5，由此得到不同监测量的健康度，即测点劣化度，结果存入测点级劣化度表；对非传动侧运行辊缝和传动侧运行辊缝的测点劣化度取权重，得到系统的健康度，结果存入部件级健康度表；
根据测点或部件的重要程度，对动辊健康度、定辊健康度和系统健康度设置权重，从而计算得到辊压机的整体健康度，并记录在健康度表中。
一种辊压机健康状态的评估装置，包括：
数据预处理和降采样模块，用于剔除传感器测点错误的数据，并对数据进行平滑处理；
工况切分模块，用于记录设备的启停时间，方便后续设备工作状态下健康度的计算；
去趋势训练模块，生成去趋势训练模型，用于得到传感器测点的真实数据变化情况，避免整体趋势对模型计算结果产生影响；
数据去趋势模块，用于提取设备处在工作状态下的数据，利用训练好的数据去趋势模型，对这部分数据进行去趋势计算；
建立并训练健康度模型，用于生成并训练健康度模型；
残差特征计算模块，用于将去趋势的数据输入健康度模型后，计算指定时间段内的模型拟合结果，根据模型计算的残差，得到残差特征记录表；
健康度计算模块，用于计算辊压机的整机健康度。
一种辊压机健康状态的评估设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述存储器中存储的计算机程序，以实现上述任意一项所述的辊压机健康评估方法中的步骤。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，能实现上述任意一项所述的辊压机健康评估方法中的步骤。
由于采用如上所述的技术方案，本发明具有如下优越性：
本发明提供的一种辊压机健康状态评估方法，对辊压机进行状态监测与智能评估，该方法提高了对辊压机零件健康度判断的准确性，降低了辊压机的非正常停机时间，能够提前预警磨损零件，提醒企业及时更换，减少辊压机产生运行故障，避免非正常停机；本发明的另一目的是提供一种辊压机健康状态评估装置、设备及计算机可读存储介质。通过评估系统总体健康度水平，能够保证设备可靠运行，避免非计划停机，减少维护工作量，提升维护效率。
附图说明
图1是健康度评估计算流程图；
图 2是健康度的计算流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
如图1所示，一种辊压机健康状态评估方法，包括如下步骤：
1）对辊压机上的各传感器测点的原始数据进行数据预处理和降采样；原始数据的时间格式、时区设置可能出错，预处理的目的之一就是对错误的数据进行剔除，由于记录错误的数据占比很小，所以直接剔除后不会影响辊压机健康度的计算。
剔除记录错误的数据后，每5分钟对原始数据取中位数，对数据进行平滑处理。进行平滑处理之后，数据的毛刺噪声有效减少。
2）工况切分，用于记录辊压机的启停时间；
工况切分的目的是记录设备的启停时间，方便后续设备工作状态下健康度的计算。本评估方法根据电流大小判断设备是否处于工作状态。根据电流大小数据统计，依据设备运行的实际情况将电流不为0的数据筛选出来，取40A以上为一个工况，40A以下为另一个工况。以电流大于40，而且电流数值的一阶差分值小于5的数据为工作状态。
3）去趋势模型训练，避免传感器采集的数据因环境原因而表现出趋势特征；
本评估方法通过PCA降维提取温度趋势，识别每个温度测点在整体趋势外的变化，进而通过模型预测这种整体趋势外的变化，避免了整体趋势对模型计算结果的影响，例如夏季温度整体升高，冬季温度整体降低。去趋势训练的目的是训练出一个PCA模型，以便对新接入的数据进行去趋势计算，根据实际效果，主成分的个数选定为2，方差总和为0.9404。
4）数据去趋势，在对数据进行工况划分后，提取辊压机处在工作状态下的数据，利用训练好的去趋势模型，对这部分数据进行去趋势计算，得到去趋势表，去趋势后的温度数据不再是原来的量值，而是在0附近。
5）建立并训练健康度模型；
得到辊压机去趋势数据表之后，选取工况量和目标量；
动辊方面的工况量为动辊电流、动辊减速器油温、进料装置开口度、入料斗提电流、返料斗提电流、传动侧运行压力和非传动侧运行压力，对应的目标量为动辊主轴承温度、动辊电机轴承温度、动辊电机右轴承温度、动辊减速器轴承温度、动辊减速器振动、动辊电机定子温度、非传动侧运行辊缝和传动侧运行辊缝。
定辊方面的工况量为定辊电流、定辊减速器油温、进料装置开口度、入料斗提电流、返料斗提电流、传动侧运行压力和非传动侧运行压力，对应的目标量为定辊主轴承温度、定辊电机轴承温度、定辊电机右轴承温度、定辊减速器轴承温度、定辊减速器振动、定辊电机定子温度、非传动侧运行辊缝和传动侧运行辊缝。
进行工况量和目标量的相关性分析，得到每个目标量相关度较高的工况量；
进行健康度模型的训练，建立目标量和工况量之间的关系，从而得到健康度模型，对去趋势后的数据进行拟合预测，得到拟合数据；
将原始数据和拟合数据进行残差计算，利用残差对健康度模型的训练结果进行定量分析，残差的分布如果是正态分布，残差较为随机，说明了工况量选取合适，并且健康度模型能拟合原始数据，模型成功表达了目标量和工况量之间的正常运行关系。
6）残差特征计算，得到训练好的健康度模型后，就可以基于将步骤4）中去趋势表中的数据输入健康度模型后，计算指定时间段内的模型拟合结果，根据模型计算的残差，生成两个数据表——预测值及残差记录表和残差特征记录表，其中重要的是残差特征记录表，残差特征主要包括残差均值、方差以及超出上下限的数量、烈度和比例，根据这些特征计算得到设备的健康度。
7）健康度计算，以2小时为窗口统计步骤6）中残差特征记录表中的残差的特征，得到监测量的健康度，采用时间区间内残差超出上限和低于下限的比例特征进行健康度评分，上下限的选取为残差特征记录表中μ±3σ的值。健康度的计算方式采取扣分制，满分为100分，残差特征值超出上下限值后开始扣分，同时采用二次惩罚项增加远离正常值的残差特征值的扣分权重；
动辊和定辊的健康度的计算逻辑如附图2所示，以动辊为例，在残差特征记录表中，读取与动辊相关的目标量的残差特征，得到残差特征中的超出上下限的数据点的比例，超出上下限比例的权重各设为0.5，即认为二者同样重要，由此得到不同监测量的健康度也即测点劣化度，结果存入测点级劣化度表。接着，对与动辊相关的测点劣化度取权重，得到动辊的健康度，动辊相关测点的权重取计算平均值，同样是认为所有测点的重要度相同，结果存入部件级健康度表。对与定辊相关的测点的操作亦同。
特别的是，目标量中的非传动侧运行辊缝和传动侧运行辊缝被当做与“系统”有关的测点，由这两个测点劣化度得到的部件级健康度在表中记录为“系统”，也即部件级健康度表中记录的部件有三种：动辊，定辊和系统。
对部件级健康度表做平均，同样是认为各个部件的重要度相同，如果不同测点、部件的重要度不同，可以在配置中修改相关权重。计算部件级健康度表可以得到设备的整体健康度，记录在设备健康度表中。通过以上计算，可以得到设备、部件、测点三个层级的健康度指标。如果健康度较低，即说明出现异常，需要进行故障诊断和维护。
为了更好实施本发明实施例中的辊压机健康状况的评估方法，在辊压机健康状况的评估方法基础之上，本发明提供的辊压机健康状况的评估装置，包括：
数据预处理和降采样模块，用于剔除传感器测点错误的数据，并对数据进行平滑处理；
工况切分模块，用于记录设备的启停时间，方便后续设备工作状态下健康度的计算；
去趋势训练模块，生成去趋势训练模型，用于得到传感器测点的真实数据变化情况，避免整体趋势对模型计算结果产生影响；
数据去趋势模块，用于提取设备处在工作状态下的数据，利用训练好的数据去趋势模型，对这部分数据进行去趋势计算；
建立并训练健康度模型，用于生成并训练健康度模型；
残差特征计算模块，用于将去趋势的数据输入健康度模型后，计算指定时间段内的模型拟合结果，根据模型计算的残差，得到残差特征记录表；
健康度计算模块，用于计算辊压机的整机健康度。
这里需要说明的是：上述实施例提供的装置可实现上述各方法实施例中描述的技术方案，上述各模块具体实现的原理可参见上述方法实施例中的相应内容，此处不再赘述。
本发明还相应提供了一种辊压机健康状况的评估设备，可以是移动终端、计算机、笔记本、掌上电脑及服务器等，评估设备包括：存储器和处理器，还可以包括显示器，用于人机交互。
存储器，用于存储计算机程序；所述存储器可以是辊磨机评估设备的内部存储单元，也可以是外部存储设备，如存储卡或闪存卡等；所述存储器是哪个存储有辊磨机健康状况的评估程序，该程序可被处理器执行，实现辊磨机健康状态的评估方法。
处理器，用于执行所述存储器中存储的计算机程序，以实现上述任意一项所述的辊压机健康评估方法中的步骤。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，能实现一下步骤：
1）对辊压机上的各传感器测点的原始数据进行数据预处理和降采样；
2）工况切分，用于记录辊压机的启停时间；
3）去趋势模型训练，避免传感器采集的数据因环境原因而表现出趋势特征；
4）数据去趋势，在对数据进行工况划分后，提取辊压机处在工作状态下的数据，利用训练好的去趋势模型，对这部分数据进行去趋势计算，得到去趋势表；
5）建立并训练健康度模型；
6）残差特征计算，将步骤4）中去趋势表中的数据输入健康度模型后，计算指定时间段内的模型拟合结果，根据模型计算的残差，得到残差特征记录表；
7）健康度计算，统计步骤6）中残差特征记录表中的残差的特征，得到监测量的健康度，采用时间区间内残差超出上限和低于下限的比例特征进行健康度评分。
综上，本发明提供的一种辊压机健康状态评估方法、装置、设备及存储介质，对辊压机进行状态监测与智能评估，该方法提高了对辊压机零件健康度判断的准确性，降低了辊压机的非正常停机时间，能够提前预警磨损零件，提醒企业及时更换，减少辊压机产生运行故障，避免非正常停机；通过评估系统总体健康度水平，能够保证设备可靠运行，避免非计划停机，减少维护工作量，提升维护效率。
以上内容中未细述部份为现有技术，故未做细述。
Claims (10)
1.一种辊压机健康状态评估方法，其特征在于：包括如下步骤：
1）对辊压机上的各传感器测点的原始数据进行数据预处理和降采样；
2）工况切分，用于记录辊压机的启停时间；
3）去趋势模型训练，避免传感器采集的数据因环境原因而表现出趋势特征；
4）数据去趋势，在对数据进行工况划分后，提取辊压机处在工作状态下的数据，利用训练好的去趋势模型，对这部分数据进行去趋势计算，得到去趋势表；
5）建立并训练健康度模型；
6）残差特征计算，将步骤4）中去趋势表中的数据输入健康度模型后，计算指定时间段内的模型拟合结果，根据模型计算的残差，得到残差特征记录表；
7）健康度计算，统计步骤6）中残差特征记录表中的残差的特征，得到监测量的健康度，采用时间区间内残差超出上限和低于下限的比例特征进行健康度评分。
2.根据权利要求1所述的一种辊压机健康状态评估方法，其特征在于：所述步骤2）工况切分，用于记录辊压机的启停时间的步骤如下：
根据电流大小判断辊压机是否处于工作状态；
依据辊压机运行的实际情况，将电流不为0的数据筛选出来；
假设辊压机工作时的电流为X，取X以上为一个工况，X以下为另一个工况；
以电流大于X，而且电流数值的一阶差分值小于5的数据为工作状态。
3.根据权利要求1所述的一种辊压机健康状态评估方法，其特征在于：所述步骤3）中去趋势模型训练的步骤如下：
通过PCA降维提取温度趋势，识别每个温度测点在整体趋势外的变化，进而通过模型预测这种整体趋势外的变化，训练出一个PCA模型，将新接入的数据进行去趋势计算。
4.根据权利要求1所述的一种辊压机健康状态评估方法，其特征在于：所述步骤5）建立并训练健康度模型的步骤如下：
选取工况量和目标量；
进行工况量和目标量的相关性分析，得到每个目标量相关度较高的工况量；
进行健康度模型的训练，建立目标量和工况量之间的关系，从而得到健康度模型，对去趋势后的数据进行拟合预测，得到拟合数据；
将原始数据和拟合数据进行残差计算，利用残差对健康度模型的训练结果进行定量分析，残差的分布如果是正态分布，残差较为随机，说明了工况量选取合适，并且健康度模型能拟合原始数据，模型成功表达了目标量和工况量之间的正常运行关系。
5.根据权利要求4所述的一种辊压机健康状态评估方法，其特征在于：所述工况量包括动辊方面的工况量和定辊方面的工况量；
所述动辊方面的工况量为动辊电流、动辊减速器油温、进料装置开口度、入料斗提电流、返料斗提电流、传动侧运行压力和非传动侧运行压力；
所述定辊方面的工况量为定辊电流、定辊减速器油温、进料装置开口度、入料斗提电流、返料斗提电流、传动侧运行压力和非传动侧运行压力；
所述动辊方面的工况量对应的目标量为动辊主轴承温度、动辊电机轴承温度、动辊电机右轴承温度、动辊减速器轴承温度、动辊减速器振动、动辊电机定子温度、非传动侧运行辊缝和传动侧运行辊缝；
所述定辊方面的工况量对应的目标量为定辊主轴承温度、定辊电机轴承温度、定辊电机右轴承温度、定辊减速器轴承温度、定辊减速器振动、定辊电机定子温度、非传动侧运行辊缝和传动侧运行辊缝。
6.根据权利要求1所述的一种辊压机健康状态评估方法，其特征在于：所述残差特征主要包括残差均值、方差以及超出上下限的数量、烈度和比例。
7.根据权利要求5所述的一种辊压机健状态康评估方法，其特征在于：所述步骤7）中健康度平分的步骤如下：
健康度的计算方式采取扣分制，满分为100分，残差特征值超出上下限值后开始扣分，同时采用二次惩罚项增加远离正常值的残差特征值的扣分权重；
计算动辊健康度：在残差特征记录表中，读取与动辊相关的目标量的残差特征，得到残差特征中的超出上下限的数据点的比例，超出上下限比例的权重各设为0.5，由此得到不同监测量的健康度，即测点劣化度，结果存入测点级劣化度表；对与动辊相关的测点劣化度取权重，得到动辊的健康度，结果存入部件级健康度表；
计算定辊健康度：在残差特征记录表中，读取与定辊相关的目标量的残差特征，得到残差特征中的超出上下限的数据点的比例，超出上下限比例的权重各设为0.5，由此得到不同监测量的健康度，即测点劣化度，结果存入测点级劣化度表；对与定辊相关的测点劣化度取权重，得到定辊的健康度，结果存入部件级健康度表；
计算系统健康度：在残差特征记录表中，读取目标量中的非传动侧运行辊缝和传动侧运行辊缝的残差特征，得到残差特征中的超出上下限的数据点的比例，超出上下限比例的权重各设为0.5，由此得到不同监测量的健康度，即测点劣化度，结果存入测点级劣化度表；对非传动侧运行辊缝和传动侧运行辊缝的测点劣化度取权重，得到系统的健康度，结果存入部件级健康度表；
根据测点或部件的重要程度，对动辊健康度、定辊健康度和系统健康度设置权重，从而计算得到辊压机的整体健康度，并记录在健康度表中。
8.一种辊压机健康状态的评估装置，其特征在于：包括：
数据预处理和降采样模块，用于剔除传感器测点错误的数据，并对数据进行平滑处理；
工况切分模块，用于记录设备的启停时间，方便后续设备工作状态下健康度的计算；
去趋势训练模块，生成去趋势训练模型，用于得到传感器测点的真实数据变化情况，避免整体趋势对模型计算结果产生影响；
数据去趋势模块，用于提取设备处在工作状态下的数据，利用训练好的数据去趋势模型，对这部分数据进行去趋势计算；
建立并训练健康度模型，用于生成并训练健康度模型；
残差特征计算模块，用于将去趋势的数据输入健康度模型后，计算指定时间段内的模型拟合结果，根据模型计算的残差，得到残差特征记录表；
健康度计算模块，用于计算辊压机的整机健康度。
9.一种辊压机健康状态的评估设备，其特征在于：包括：
存储器，用于存储计算机程序；
处理器，用于执行所述存储器中存储的计算机程序，以实现上述权利要求1至7中任意一项所述的辊压机健康评估方法中的步骤。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，能实现上述权利要求1至7中任意一项所述的辊压机健康评估方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311013832.2A CN117312785A (zh) | 2023-08-14 | 2023-08-14 | 一种辊压机健康状态的评估方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311013832.2A CN117312785A (zh) | 2023-08-14 | 2023-08-14 | 一种辊压机健康状态的评估方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117312785A true CN117312785A (zh) | 2023-12-29 |
Family
ID=89241525
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311013832.2A Pending CN117312785A (zh) | 2023-08-14 | 2023-08-14 | 一种辊压机健康状态的评估方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117312785A (zh) |
-
2023
- 2023-08-14 CN CN202311013832.2A patent/CN117312785A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111401583A (zh) | 基于预测性维护的自动扶梯全生命周期健康管理系统 | |
| Kobbacy et al. | Condition-based maintenance modelling | |
| EP2021966A2 (en) | Probabilstic stress wave analysis system and method | |
| CN112173636B (zh) | 一种巡检机器人对皮带机托辊故障的检测方法 | |
| CN117932322B (zh) | 一种面粉设备故障诊断方法及系统 | |
| CN115238829B (zh) | 一种热轧机的轧辊磨损程度分析方法 | |
| CN109141625B (zh) | 一种滚珠丝杠副的在线状态监测方法 | |
| CN101865179A (zh) | 用于机械设备液压系统的故障分析监控系统及方法 | |
| CN110303592B (zh) | 基于震动信息的混凝土生产设备在线故障检测方法及系统 | |
| CN116049654A (zh) | 一种选煤设备的安全监测预警方法及系统 | |
| CN118030409A (zh) | 用于风机机组的运行性能异常检测方法及系统 | |
| CN114034772B (zh) | 一种轧辊潜在失效检测与剩余使用寿命预测专家系统 | |
| CN117911012A (zh) | 基于设备生态检测及运行状态评估的设备健康管理系统 | |
| CN117540331A (zh) | 一种用于辊式中速磨煤机的磨辊磨损度监测分析系统 | |
| CN118015812A (zh) | 一种设备异常报警方法 | |
| CN113418731A (zh) | 一种卷烟机组的在线故障诊断方法 | |
| CN117350710A (zh) | 矿用提升钢丝绳智能检测系统 | |
| CN117312785A (zh) | 一种辊压机健康状态的评估方法、装置、设备及存储介质 | |
| CN110208027B (zh) | 混凝土生产设备在线故障检测方法及检测系统 | |
| CN117058414A (zh) | 一种油液颗粒在线监测预警方法和系统 | |
| CN116595657A (zh) | 一种发动机质量预测系统 | |
| CN115630284A (zh) | 一种考虑服役周期的空压机故障分析与寿命预测系统 | |
| CN115165081A (zh) | 一种矿山机械振动信号采集及工况识别的系统和方法 | |
| Byington et al. | False alarm mitigation of vibration diagnostic systems | |
| CN116037309B (zh) | 一种用于齿辊式正弦滚轴筛的破碎筛选分析系统 |
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 |