CN117312972A - 一种刮板输送机减速器健康状态识别方法 - Google Patents

一种刮板输送机减速器健康状态识别方法 Download PDF

Info

Publication number
CN117312972A
CN117312972A CN202311618822.1A CN202311618822A CN117312972A CN 117312972 A CN117312972 A CN 117312972A CN 202311618822 A CN202311618822 A CN 202311618822A CN 117312972 A CN117312972 A CN 117312972A
Authority
CN
China
Prior art keywords
population
speed reducer
scraper conveyor
health
state
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
Application number
CN202311618822.1A
Other languages
English (en)
Inventor
程永军
杨雄伟
张龙
翟莉娜
谢渭莉
王萌
陈龙
谢益林
景旭辉
赵成龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xi'an Heavy Equipment Pubai Coal Mining Machinery Ltd
Shanxi Haicheng Intelligent Manufacturing Co ltd
Original Assignee
Xi'an Heavy Equipment Pubai Coal Mining Machinery Ltd
Shanxi Haicheng Intelligent Manufacturing Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xi'an Heavy Equipment Pubai Coal Mining Machinery Ltd, Shanxi Haicheng Intelligent Manufacturing Co ltd filed Critical Xi'an Heavy Equipment Pubai Coal Mining Machinery Ltd
Priority to CN202311618822.1A priority Critical patent/CN117312972A/zh
Publication of CN117312972A publication Critical patent/CN117312972A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06F18/21—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种刮板输送机减速器健康状态识别方法，属于刮板输送机检测技术领域，根据获取的刮板输送机减速器随运行周期的状态数据；采用卡尔曼滤波器对状态数据进行特征提取和融合，获得刮板输送机减速器健康状态指标曲线，划分健康、良好、劣化和故障的健康状态等级，并构建训练集；构建CABSA‑SVM模型，搜索正则化参数γ和核函数参数σ2，并基于构建的训练集和5折交叉验证法训练SVM模型，将SVM模型的输出误差作为CABSA的适应度函数，获得训练后的CABSA‑SVM模型，对待识别的刮板输送机减速器的状态数据进行健康状态识别。该方法考虑了刮板输送机减速器监测数据夹杂噪声干扰，通过构建的CABSA‑SVM模型对刮板输送机减速器健康状态进行评估，提高了健康状态评估的准确率。

Description

一种刮板输送机减速器健康状态识别方法
技术领域
本发明涉及刮板输送机监测技术领域，更具体的涉及一种刮板输送机减速器健康状态识别方法。
背景技术
刮板输送机作为煤矿工作面的重要设备之一，在综采工作面的设备组成中占据十分重要的地位。在高效、高产的综采工作面中，刮板输送机面临着复杂的负载变化和恶劣的工况，它的正常运行与安全使用对于确保矿井的生产效率和提高企业的效益来说具有重要意义。
在刮板输送机中，减速器是一个重要的零部件。在使用过程中，减速器会出现性能退化情况，影响刮板输送机的正常运行。因此，研究刮板输送机减速器退化数据，借助健康状态评估技术分析其健康状态变化，对提高设备可靠性及安全性，降低设备故障率十分重要。通过对刮板输送机减速器健康状态的准确识别，可以实现对减速器的故障预测和预防性维护管理，增加设备的可靠性和可用性，降低故障发生的概率，提高设备的寿命，并减少由于故障导致的生产停工和维修成本。因此，刮板输送机减速器健康状态识别对于确保刮板输送机的安全、高效运行具有重要意义。
健康评估作为健康管理技术的首要任务，通过研究不同程度的性能退化或故障对整个系统运行状况造成的影响，消除系统的潜在故障，并以合适的量化形式来表示健康状态，从而保障设备的安全有效运行。刮板输送机减速器健康状态识别，指通过各种传感器采集反映减速器健康状态的信息，利用信号处理、机器学习、人工智能、大数据和云计算等新兴技术来识别其健康状态，从而为刮板输送机减速器的主动式预测预防管理提供决策支持。
对于刮板输送机减速器的健康状态评估的传统方法包括支持向量机、马尔科夫理论、神经网络、深度学习等。由于刮板输送机减速器结构复杂、监测参数较多，在刮板输送机减速器监测数据健康状态指标构建过程中人工参与过多，数据中存在冗余、重复、异常、缺失等问题，直接影响了状态评估的准确性。目前，常见的刮板输送机减速器健康状态评估模型评估不同环境和不同工况下的刮板输送机减速器健康状态时，泛化能力较低，由于刮板输送机工作的工况环境和作业条件的不同，导致同型号的刮板输送机减速器常常表现出不同的退化过程，当评估模型面对冗余性、突变性、类别数据不平衡的数据集时，评估准确率较低。
综上所述，现有技术中的刮板输送机减速器的健康状态评估模型，在评估不同环境和工况下的刮板输送机减速器健康状态时，缺乏完备的刮板输送机减速器状态评价指标体系，影响了状态评估的准确性，导致识别准确率较低。
发明内容
针对上述领域中存在的问题，本发明提出了一种刮板输送机减速器健康状态识别方法，能够解决现有技术中的刮板输送机减速器的健康状态评估模型，在评估不同环境和工况下的刮板输送机减速器健康状态时，缺乏完备的刮板输送机减速器状态评价指标体系，影响了状态评估的准确性，导致评估准确率较低的技术问题。
为解决上述技术问题，本发明公开了一种刮板输送机减速器健康状态识别方法，包括以下步骤：
获取刮板输送机减速器随运行周期的状态数据；
采用卡尔曼滤波器对状态数据进行特征提取和融合，获得刮板输送机减速器健康状态指标曲线；根据提取的刮板输送机减速器健康状态指标曲线，划分健康、良好、劣化和故障的健康状态等级，确定刮板输送机减速器的状态数据对应的健康状态等级，并构建训练集；
构建CABSA-SVM模型，包括SVM模型和改进的回溯搜索优化算法；采用柯西函数策略生成改进的回溯搜索优化算法的初始化种群，搜索正则化参数γ和核函数参数σ2，并基于构建的训练集和5折交叉验证法训练SVM模型，获得训练后的CABSA-SVM模型；其中，所述改进的回溯搜索优化算法是在回溯搜索优化算法中引入自适应变异因子策略，并将SVM模型的输出误差作为改进的回溯搜索优化算法的适应度函数；
输入待识别的刮板输送机减速器的状态数据，通过训练后的CABSA-SVM模型，获得该刮板输送机减速器的健康状态。
优选地，所述状态数据包括减速器输入轴温度、减速器输出轴温度、减速器冷却水温度、减速器润滑油温度、减速器冷却水流量、减速器冷却水压力、减速器润滑油油位，以及减速器输入轴振动、减速器输出轴振动；其中，所述减速器输入轴振动包括减速器输入轴X向振动和减速器输入轴Y向振动，所述减速器输出轴振动包括减速器输出轴X向振动和减速器输出轴Y向振动。
优选地，还包括对获取的刮板输送机减速器随运行周期的状态数据进行数据预处理，包括以下步骤：
采集刮板输送机减速器数据，在刮板输送机减速器安装传感检测元件，获取表征设备运行状态的数据信号；
对获取的表征设备运行状态的数据信号进行滑动平均降噪处理后，对降噪处理后的数据作归一化处理；
所述滑动平均降噪处理为设定一个固定的值k，分别计算第1到第k项，第2到第项，...，以此类推，并将计算得到的平均值作为处理后的数据，计算公式如下:
式中，表示下一个平滑处理后的值；/>表示所选原始数据起始值；k表示窗口大小；/>表示所选原始数据最后一个值；
所述对降噪处理后的数据作归一化处理为计算降序指标或升序指标；
降序指标:
升序指标:
获得归一化处理后的刮板输送机减速器的运行数据。
优选地，所述获得刮板输送机减速器健康状态指标曲线，包括以下步骤：
采用卡尔曼滤波器KF对归一化处理后的刮板输送机减速器的运行数据进行特征提取和融合；
KF是通过状态预测方程和观测方程对系统的数据进行实时状态准确估计；
定义动态系统的方程为：
观测方程为：
其中, 是k时刻的系统状态矢量，/>是k-1时刻到k时刻的状态转移矩阵，是k-1时刻到k时刻的输入系统控制矩阵，/>和/>随着时刻k的变化而改变，/>是k时刻的观测矢量，/>是k时刻的观测矩阵，/>是k时刻的动态噪声，/>是k时刻的观测噪声；/>和/>服从N(0,1)分布，被假设成高斯白噪声；
将归一化处理后的刮板输送机减速器的运行数据输入KF进行无监督训练，输出刮板输送机减速器健康状态指标随运行周期变化的健康状态指标曲线。
优选地，所述健康、良好、劣化和故障的健康状态等级的划分是根据刮板输送机减速器的运行情况，划分健康指标区间，设置健康等级标签；其中，健康状态是指运行完全正常，无需安排检修，健康指标在0.8-1之间，等级标签为0；良好状态是指运行良好，性能稳定，按计划检修，健康指标在0.5-0.8之间，等级标签为1；劣化状态是指运行状态一般，出现劣化迹象，及时检修，健康指标在0.3-0.5之间，等级标签为2；故障状态是指无法正常运行，停机维修，健康指标在0-0.3之间，等级标签为3。
优选地，所述CABSA-SVM模型的构建，包括以下步骤：
S1：设置改进的回溯搜索优化算法的控制参数交叉概率为，种群规模为N，最大迭代次数为/>，变异尺度系数的最大值为/>和最小值为/>；
S2：采用柯西函数策略生成改进的回溯搜索优化算法的初始化种群，搜索正则化参数和核函数参数/>用于SVM模型训练，定义SVM模型的输出误差作为改进的回溯搜索优化算法的适应度函数；
S3：引入自适应变异因子策略，进行迭代寻优，按照改进的回溯搜索优化算法，更新种群个体最优值和适应度值；
S4：判断更新的种群个体最优值和适应度值是否满足最大迭代次数，若满足则停止迭代，并输出最优的正则化参数和核函数参数/>，否则，返回到步骤S3；
S5：根据得到的最优的正则化参数和核函数参数/>，构建CABSA-SVM模型。
优选地，所述改进的回溯搜索优化算法，包括以下步骤：
初始化种群，以均匀随机的方式生成初始种群P为：
其中， /> N为种群规模，D为种群维数，U为随机均匀分布函数，/>和/>分别表示第j维分量的下界和上界；
种群选择I，在每次迭代开始前更新操作，采用柯西函数策略重新定义改进的回溯搜索优化算法的历史种群为：
其中，A为（0，1）内均匀分布随机数；
确定历史种群后，随机改变/>的种群个体顺序为：
种群变异，引入自适应变异因子策略对种群P进行扰动，变异因子F为：
其中，G为当前迭代次数，为最大迭代次数，/>为变异尺度系数的最大值，为变异尺度系数的最小值，e为自然常数；
得到试验种群变异的初始形式为：
种群变异和种群交叉过程生成试验种群T，种群交叉的过程包括两部分：
产生一个大小的映射矩阵/>，其初始元素值均为0，等概率的选择一种策略更新映射矩阵/>：
其中，c和d为内均匀分布随机数，/>为均匀分布随机数，/>为均匀分布的随机整数函数，/>为交叉概率，符号/>为向上取整函数；
根据生成的矩阵，确定种群P中交叉个体元素的位置，将种群P中的该位置个体元素与试验种群变异的初始形式M中对应位置个体元素进行互换，获得试验种群T：
种群交叉的过程由0-1矩阵决定，当/>中元素为1时，将M中对应元素赋给试验种群T，否则，将P中对应元素赋给试验种群T；
种群交叉结束后，对试验种群T中个体进行边界控制，若T个体中元素超过搜索边界，则这些元素均需重新生成试验种群T；
种群选择II，由个体适应度决定，通过对比种群P和试验种群T中对应个体适应度的大小，选择出具有更优适应度的个体，进而产生新的种群：
利用种群选择II更新的种群P，将更新后的种群P进行下一次迭代，直至满足终止条件，输出最优解。
优选地，所述改进的回溯搜索优化算法的适应度函数的计算公式为：
式中，为训练集样本的真实值，/>为训练集样本通过SVM模型预测的预测值。
与现有技术相比，本发明具有如下有益效果：
本发明通过卡尔曼滤波器对降噪后的状态数据进行特征提取和融合，提取刮板输送机减速器健康状态评估关键指标，能够去除噪声干扰和人工参与对指标构建准确性的影响，估算过程数据存储量相对较小，便于对数据进行快速实时更新处理；健康状态评估是为了更加准确地评估设备当前所处状态，需要合理划分健康状态等级，对每一个等级的状态有定性、直观的描述，因此，通过获得的刮板输送机减速器健康状态指标曲线，确定刮板输送机减速器的状态数据对应的健康状态等级；通过构建CABSA-SVM模型，引入自适应变异可以提高算法的全局搜索能力，对刮板输送机减速器健康状态进行评估，提高了刮板输送机减速器健康状态评估的准确率。
附图说明
图1为本发明的健康状态评估方法流程示意图；
图2为本发明构建的刮板输送机减速器健康状态指标示意图；
图3为本发明的CABSA-SVM模型评估结果的ROC曲线图；
图4为本发明的CABSA-SVM模型评估结果的分类图；
图5为本发明的CABSA-SVM模型识别结果混淆矩阵；
图6为本发明的CABSA-SVM模型收敛曲线对比图。
具体实施方式
下面将结合本发明实施例中的附图1-6，对本发明实施例中的技术方案进行清楚、完整地描述。应理解本发明中所述的术语仅仅是为描述特别的实施方式，并非用于限制本发明。
近年国内外学者研究设备健康状态识别方法包括支持向量机、马尔科夫理论、神经网络、深度学习等。目前，刮板输送机减速器的健康状态评估仍存在以下问题：
(1)刮板输送机减速器结构复杂、监测参数较多，数据中存在冗余、重复、异常、缺失等问题，直接影响了状态评估的准确性。因此，针对刮板输送机减速器中容易产生故障的部位，找到合适的测点安装传感器，并对监测数据进行有效处理是进行刮板输送机减速器健康状态评估的重要前提；
(2)刮板输送机减速器监测数据健康状态指标构建过程中人工参与过多，需构建一个完备的刮板输送机减速器状态评价指标体系，对刮板输送机减速器进行有效评估；
(3)常见的刮板输送机减速器健康状态评估模型评估不同环境和工况下的刮板输送机减速器健康状态时，泛化能力较低，由于刮板输送机工作的工况环境和作业条件的不同，导致同型号的刮板输送机减速器常常表现出不同的退化过程。此外，当评估模型面对冗余性、突变性、类别数据不平衡的数据集时，评估效率较低。
综上所述，针对以上刮板输送机减速器的健康状态评估问题，本申请采用滑动平均法对原始数据进行降噪，通过卡尔曼滤波器对降噪后的数据构建健康状态指标，去除噪声干扰和人工参与对指标构建准确性的影响。针对监测数据量大、识别精度低等问题，本申请提出了一种基于改进的回溯搜索算法优化支持向量机(CABSA-SVM)模型的刮板输送机减速器健康状态识别方法，并与其他评估模型进行对比。结果表明，该方法能够准确识别出实际工况下刮板输送机减速器健康状态的健康状态，增强了评估结果的合理性。
实施例
如图1所示，本发明提供了一种刮板输送机减速器健康状态识别方法，包括以下步骤：
S1：选取刮板输送机减速器状态数据并对其进行数据预处理，获得处理后的刮板输送机减速器状态数据
S11：选取监测参数
对刮板输送机的减速器进行实时监测，能很好地预防设备故障的发生。为全面反映刮板输送机减速器健康状态，根据西安重装蒲白煤矿机械有限公司刮板输送机减速器的结构和工作性能，结合专家经验和陕煤黄陵矿业某矿井的历史状态数据，基于参数指标选取遵循的可测性、独立性、客观性与代表性原则，如表1所示，将减速器的监测点选择为减速器内的轴温、油温、油位，冷却水温度、流量、压力，以及减速器输入轴振动、输出轴振动，这些监测点位都能反映出减速器的工况信息，其中温度过高、压力过大或油位过低都会严重影响减速器的正常运转和使用寿命。
因此，对减速器温度、流量、压力、油位、振动的实时监测都有着十分重要的实际意义。
表1 刮板输送机减速器状态监测参数
S12：监测数据采集及预处理
刮板输送机减速器的运行数据通常包括一些“脏”数据，如果对“脏”数据不做处理，会导致数据缺失、夹杂噪声及量纲不一致等问题，因此，不能直接使用，本申请选取滑动平均法对监测数据进行降噪处理。
滑动平均法进行降噪处理的具体包括以下步骤:
设定一个固定的值k，然后分别计算第1到第k项，第2到第项，依次类推，并将计算得到的平均值作为处理后的数据，计算公式如下:
式中，表示下一个平滑处理后的值；/>表示所选原始数据起始值；k表示窗口大小；/>表示所选原始数据最后一个值。
由于监测参数单位量纲的不同，会给刮板输送机减速器健康状态等级划分及神经网络模型训练带来不便。因此，需要对降噪后的数据作归一化处理，方法如下:
计算降序指标:
或升序指标:
获得归一化处理后的刮板输送机减速器的运行数据。
S2：采用卡尔曼滤波器对归一化处理后的刮板输送机减速器的运行数据进行特征提取和融合，提取刮板输送机减速器健康状态评估关键指标；
健康状态评估的目的是为了准确评估设备当前所处状态，因此，需要合理划分健康状态等级，对每一个等级的状态有定性、直观的描述。
监测数据采集和降噪处理后，针对刮板输送机减速器系统使用多种传感器进行监测的问题，采用卡尔曼滤波器(KF)进行信息融合，构建刮板输送机减速器的健康状态指标。
KF是一种最优化自回归的数据处理算法，主要用它去解决线性系统中的估计问题。其本质是寻找在最小均方误差下的估计值/>。通过递推的方法去推算/>，估算过程数据存储量相对较小，便于系统对数据进行快速实时更新处理。
总的来说，KF是通过状态预测方程和观测方程对系统的数据进行实时状态准确估计。
定义动态系统的方程为：
定义观测方程为：
其中, 是k时刻的系统状态矢量，/>是k-1时刻到k时刻的状态转移矩阵，是k-1时刻到k时刻的输入系统控制矩阵，/>和/>可以随着时刻k的变化而改变，是k时刻的观测矢量，/>是k时刻的观测矩阵，/>是k时刻的动态噪声，/>是k时刻的观测噪声。通常/>和/>服从N(0,1)分布，被假设成高斯白噪声。
采用KF对状态数据进行特征提取和融合，获得刮板输送机减速器健康状态指标曲线，根据提取的刮板输送机减速器健康状态指标曲线，划分健康、良好、劣化和故障的健康状态等级，确定刮板输送机减速器的状态数据对应的健康状态等级，并构建训练集。
S3：根据提取的刮板输送机减速器健康状态评估关键指标，构建CABSA-SVM模型；其中，所述CABSA-SVM模型包括改进的回溯搜索优化算法CABSA和SVM模型；采用SVM模型的输出误差作为CABSA的适应度函数，进行迭代寻优，输出最优参数；
在步骤S3中，构建CABSA-SVM模型包括以下步骤：
S31：设置算法控制参数交叉概率，种群规模N最大迭代次数/>，变异尺度系数的最大值/>和最小值/>；
S32：采用柯西函数策略生成CABSA的初始化种群，搜索正则化参数γ和核函数参数σ2用于SVM模型训练，定义SVM模型的输出误差作为CABSA的适应度函数；
其中，CABSA-SVM模型采用SVM模型的输出误差作为CABSA的适应度值的计算公式为：
其中，为训练集样本的真实值，/>为训练集样本通过SVM模型预测的预测值。
S33：采用自适应变异因子策略，进行迭代寻优，按照CABSA流程，更新种群个体最优值和适应度值；
S34：判断更新的种群个体最优值和适应度值是否满足最大迭代次数，若满足则停止迭代，并输出最优的正则化参数和核函数参数/>，否则，返回到步骤S33；
S35：选取最优的正则化参数和核函数参数/>，构建CABSA-SVM模型。
传统的，回溯搜索优化算法(BSA)由种群初始化、选择Ⅰ、种群个体变异、种群个体交叉、选择Ⅱ五部分组成。
本申请提出的改进的回溯搜索优化算法CABSA，包括以下步骤：
初始化种群，以均匀随机的方式生成初始种群P为：
其中， /> N为种群规模，D为种群维数，U为随机均匀分布函数，/>和/>分别表示第j维分量的下界和上界；
种群选择I，在每次迭代开始前更新操作，采用柯西函数策略重新定义改进的回溯搜索优化算法的历史种群为：
其中，A为（0，1）内均匀分布随机数；
确定历史种群后，随机改变/>的种群个体顺序为：
种群变异，引入自适应变异因子策略对种群P进行扰动，变异因子F为：
其中，G为当前迭代次数，为最大迭代次数，/>为变异尺度系数的最大值，为变异尺度系数的最小值，e为自然常数；
得到试验种群变异的初始形式为：
种群变异和种群交叉过程生成试验种群T，种群交叉的过程包括两部分：
产生一个大小的映射矩阵/>，其初始元素值均为0，等概率的选择一种策略更新映射矩阵/>：
其中，c和d为内均匀分布随机数，/>为均匀分布随机数，/>为均匀分布的随机整数函数，/>为交叉概率，符号/>为向上取整函数；
根据生成的矩阵，确定种群P中交叉个体元素的位置，将种群P中的该位置个体元素与试验种群变异的初始形式M中对应位置个体元素进行互换，获得试验种群T：
种群交叉的过程由0-1矩阵决定，当/>中元素为1时，将M中对应元素赋给试验种群T，否则，将P中对应元素赋给试验种群T；
种群交叉结束后，对试验种群T中个体进行边界控制，若T个体中元素超过搜索边界，则这些元素均需重新生成试验种群T；
种群选择II，由个体适应度决定，通过对比种群P和试验种群T中对应个体适应度的大小，选择出具有更优适应度的个体，进而产生新的种群：
利用种群选择II更新的种群P，将更新后的种群P进行下一次迭代，直至满足终止条件，输出最优解。
本申请设置的该算法结构简单、寻优能力强、计算效率高，不仅沿用了经典遗传算法的优化框架模式——初始化、扰动和选择，而且在繁殖操作上能够依概率的记忆前代种群并挑选更优个体进入下一代。
简而言之，从刮板输送机减速器监测数据的获取到最终健康状态的识别，需要经过如下几个具体的步骤，其健康状态识别的流程框架如图1所示。
刮板输送机减速器数据采集。在刮板输送机减速器安装传感检测元件，获取能够表征设备运行状态的数据信号。
数据预处理。对采集的刮板输送机减速器数据信号进行滑动平均降噪处理，然后对降噪后的数据作归一化处理，归一化过程具体见上述步骤S1。
卡尔曼滤波器特征融合训练。将归一化后的数据输入卡尔曼滤波器进行无监督训练，获得最终的刮板输送机减速器健康状态指标曲线，见上述步骤S2。
健康状态等级划分。根据步骤S2所得的健康指标曲线，结合专家经验划分刮板输送机减速器健康状态等级为健康、良好、劣化和故障4类。
采用改进的CABSA-SVM模型，对刮板输送机减速器的健康状态进行评估。
对于刮板输送机减速器的状态评估的数据驱动算法，建立具备自动识别能力的评估模型，选取分类性能指标判断其健康状态，并与其他模型算法做对比，验证模型可行性。
S4：案例分析
S41：实验分析
本申请的实验使用MATLAB2020a，运行环境为64位Windows11操作系统，12th GenIntel(R) Core(TM) i9-12900H 2.50 GHz处理器。
根据所选刮板输送机减速器状态监测参数，将矿用温度、压力、位移、加速度等传感器布置在合理监测点位，以此来采集刮板输送机减速器运行状态数据。
依据监测参数及部分实际监测数据，基于威布尔分布得到刮板输送机减速器行状态仿真数据共5000条，其中训练数据4000条，测试数据1000条。对监测数据进行滑动平均降噪及归一化处理，处理结果如表2所示。
表2 归一化后的刮板输送机减速器监测数据
将处理后的数据输入到卡尔曼滤波器进行训练，获得的输出即刮板输送机减速器健康状态指标曲线，平滑处理后的结果如图2所示。
健康状态等级划分在健康状态评估中占据重要作用，通过不同的健康状态来描述设备不同状态下的变化过程。根据构建好的健康状态指标，结合刮板输送机减速器真实运行情况及专家经验，将刮板输送机减速器健康状态划分为健康、良好、劣化和故障4个等级，各等级与对应健康状态指标区间如表3所示。
表3 刮板输送机减速器健康状态等级
S42：CABSA-SVM模型验证
采用CABSA-SVM进行评估，实验设置，，CABSA的参数为/>，，/>，/>，每次实验运行随机选取80%数据集作为测试集，20%数据集作为训练集，并进行5折交叉验证法生成每个优化方案。
受试者工作特性曲线ROC(Receiver Operating Characteristic)代表分类模型对样本的识别能力，是反映特异性和灵敏度的综合指标，也是一种比错误率更准确的衡量类不平衡的方法。
AUC(Area Under ROC Curve)值表示ROC曲线下方的面积，用来衡量模型的分类性能的好坏。如图3所示，刮板输送机减速器的AUC值为0.92308，标准差为0.061493。
为了验证基于CABSA-SVM的刮板输送机减速器的健康状态识别方法可靠性，需将刮板输送机减速器数据集导入CABSA-SVM模型进行验证，模型在测试集上的识别结果如图4所示，其评估结果的分类准确率为99.3%，可以直观的看出CABSA-SVM模型中刮板输送机减速器数据测试集的预测状态等级与实际状态等级。
如图5所示，最后一列表示模型预测的准确率(即真实标签中预测正确个数所占所有真实标签比例)。其中测试集样本共1000个，其中“健康”样本700个，识别正确699个，识别准确率为99.9%；“良好”样本265个，识别正确261个，识别准确率为98.5%；“劣化”样本28个，识别正确27个，识别准确率为96.4%；“故障”样本7个，识别正确6个，识别准确率为85.7%。可以看出，模型对于“故障”等级的识别错误率较高，识别错误率为14.3%，原因可能是劣化状态数据与故障状态相近，且故障状态数据相对较少造成的识别错误。
S43：模型评价
为了证明模型的有效性和可行性，如图6所示对比分析了CABSA-SVM模型与人工蜂群算法优化支持向量机(ABC-SVM)、粒子群算法优化支持向量机(PSO-SVM)、灰狼算法优化支持向量机(GWO-SVM)和鲸鱼算法优化支持向量机(WOA-SVM)模型的适应度变化曲线，参数优化开始时适应度较高，随着种群的不断进化，最佳适应度逐渐降低，在多次迭代寻优之后，可以看出CABSA-SVM模型与其他模型相比，适应度更小，更快达到最优收敛。
为了衡量模型的分类预测性能，引入准确率、特异度、查准率、召回率和查准率与召回率的调和平均数五种分类领域常用的评估性能指标。
在分类预测中，TP(true positive)为正类样本被分类预测为正类的样本个数；FN(false negative)为正类样本被分类预测为负类的样本个数；FP(false positive)为负类样本被分类预测为正类的样本个数，TN(true negative)为负类样本被分类预测为负类的样本个数。
准确率为分类正确的样本个数占总样本个数的比值：
特异度为分类正确的负例样本个数占实际负例样本个数的比值：
查准率为分类正确的正例样本个数占分类预测为正例的样本个数的比值：
召回率(也称为灵敏度)为分类正确的正例样本个数占实际正例样本个数的比值：
查准率与召回率的调和平均数：
表4对比分析了5种评估模型的评估性能指标，其中CABSA-SVM模型准确率提高了2.15%~9.92%，特异度提高了0.36%~10.71%，查准率提高了0.89%~10.46%，召回率提高了0.44%~28.51%，调和平均数提高了0.99%~24.72%，可以看出CABSA-SVM模型与其他模型相比评估性能更优。
表4 评估方法结果对比
对刮板输送机减速器仿真数据进行评估，CABSA-SVM模型准确度为99.3%，相比于ABC-SVM、PSO-SVM、GWO-SVM和WOA-SVM模型，准确率分别提高2.15%，9.92%，2.31%，4.72%。结果表明，该方法可实现刮板输送机减速器健康状态的有效评估。
综上，本申请根据刮板输送机减速器结构及运行特点，完成刮板输送机减速器评价指标体系建立，采用滑动平均降噪进行数据预处理，通过卡尔曼滤波实现评估指标构建，不仅考虑了刮板输送机减速器监测数据夹杂噪声干扰、且采用无监督训练，能够有效解决健康指标构建中人为参与过多导致识别准确率不高的问题。
本申请提出了一种刮板输送机减速器健康状态评估方法，完成刮板输送机减速器的健康状态评估，不仅收敛速度加快且识别准确率提高，具有良好的可解释性，成功解决刮板输送机减速器监测数据量大且具有关联性导致其健康状态识别困难问题。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
另外，除非另有说明，否则本发明使用的所有技术和科学术语具有本发明所属领域的常规技术人员通常理解的相同含义。本说明书中提到的所有文献通过引用并入，用以公开和描述与所述文献相关的方法。在与任何并入的文献冲突时，以本说明书的内容为准。

Claims (8)

1.一种刮板输送机减速器健康状态识别方法，其特征在于，包括以下步骤：
获取刮板输送机减速器随运行周期的状态数据；
采用卡尔曼滤波器对状态数据进行特征提取和融合，获得刮板输送机减速器健康状态指标曲线；根据提取的刮板输送机减速器健康状态指标曲线，划分健康、良好、劣化和故障的健康状态等级，确定刮板输送机减速器的状态数据对应的健康状态等级，并构建训练集；
构建CABSA-SVM模型，包括SVM模型和改进的回溯搜索优化算法；采用柯西函数策略生成改进的回溯搜索优化算法的初始化种群，搜索正则化参数和核函数参数/>，并基于构建的训练集和5折交叉验证法训练SVM模型，获得训练后的CABSA-SVM模型；其中，所述改进的回溯搜索优化算法是在回溯搜索优化算法BSA中引入自适应变异因子策略，并将SVM模型的输出误差作为改进的回溯搜索优化算法的适应度函数；
输入待识别的刮板输送机减速器的状态数据，通过训练后的CABSA-SVM模型，获得该刮板输送机减速器的健康状态。
2.根据权利要求1所述的刮板输送机减速器健康状态识别方法，其特征在于，所述状态数据包括减速器输入轴温度、减速器输出轴温度、减速器冷却水温度、减速器润滑油温度、减速器冷却水流量、减速器冷却水压力、减速器润滑油油位，以及减速器输入轴振动、减速器输出轴振动；其中，所述减速器输入轴振动包括减速器输入轴X向振动和减速器输入轴Y向振动，所述减速器输出轴振动包括减速器输出轴X向振动和减速器输出轴Y向振动。
3.根据权利要求2所述的刮板输送机减速器健康状态识别方法，其特征在于，还包括对获取的刮板输送机减速器随运行周期的状态数据进行数据预处理，包括以下步骤：
采集刮板输送机减速器数据，在刮板输送机减速器安装传感检测元件，获取表征设备运行状态的数据信号；
对获取的表征设备运行状态的数据信号进行滑动平均降噪处理后，对降噪处理后的数据作归一化处理；
所述滑动平均降噪处理为设定一个固定的值k，分别计算第1到第k项，第2到第项，...，以此类推，并将计算得到的平均值作为处理后的数据，计算公式如下:
式中，表示下一个平滑处理后的值；/>表示所选原始数据起始值；k表示窗口大小；表示所选原始数据最后一个值；
所述对降噪处理后的数据作归一化处理为计算降序指标或升序指标；
降序指标:
升序指标:
获得归一化处理后的刮板输送机减速器的运行数据。
4.根据权利要求3所述的刮板输送机减速器健康状态识别方法，其特征在于，所述获得刮板输送机减速器健康状态指标曲线，包括以下步骤：
采用卡尔曼滤波器KF对归一化处理后的刮板输送机减速器的运行数据进行特征提取和融合；
KF是通过状态预测方程和观测方程对系统的数据进行实时状态准确估计；
定义动态系统的方程为：
观测方程为：
其中, 是k时刻的系统状态矢量，/>是k-1时刻到k时刻的状态转移矩阵，/>是k-1时刻到k时刻的输入系统控制矩阵，/>和/>随着时刻k的变化而改变，/>是k时刻的观测矢量，/>是k时刻的观测矩阵，/>是k时刻的动态噪声，/>是k时刻的观测噪声；/>和/>服从N(0,1)分布，被假设成高斯白噪声；
将归一化处理后的刮板输送机减速器的运行数据输入KF进行无监督训练，输出刮板输送机减速器健康状态指标随运行周期变化的健康状态指标曲线。
5.根据权利要求4所述的刮板输送机减速器健康状态识别方法，其特征在于，所述健康、良好、劣化和故障的健康状态等级的划分是根据刮板输送机减速器的运行情况，划分健康指标区间，设置健康等级标签；其中，健康状态是指运行完全正常，无需安排检修，健康指标在0.8-1之间，等级标签为0；良好状态是指运行良好，性能稳定，按计划检修，健康指标在0.5-0.8之间，等级标签为1；劣化状态是指运行状态一般，出现劣化迹象，及时检修，健康指标在0.3-0.5之间，等级标签为2；故障状态是指无法正常运行，停机维修，健康指标在0-0.3之间，等级标签为3。
6.根据权利要求5所述的刮板输送机减速器健康状态识别方法，其特征在于，所述CABSA-SVM模型的构建，包括以下步骤：
S1：设置改进的回溯搜索优化算法的控制参数交叉概率为，种群规模为N，最大迭代次数为/>，变异尺度系数的最大值为/>和最小值为/>；
S2：采用柯西函数策略生成改进的回溯搜索优化算法的初始化种群，搜索正则化参数和核函数参数/>用于SVM模型训练，定义SVM模型的输出误差作为改进的回溯搜索优化算法的适应度函数；
S3：引入自适应变异因子策略，进行迭代寻优，按照改进的回溯搜索优化算法，更新种群个体最优值和适应度值；
S4：判断更新的种群个体最优值和适应度值是否满足最大迭代次数，若满足则停止迭代，并输出最优的正则化参数和核函数参数/>，否则，返回到步骤S3；
S5：根据得到的最优的正则化参数和核函数参数/>，构建CABSA-SVM模型。
7.根据权利要求6所述的刮板输送机减速器健康状态识别方法，其特征在于，所述改进的回溯搜索优化算法，包括以下步骤：
初始化种群，以均匀随机的方式生成初始种群P为：
其中， N为种群规模，D为种群维数，U为随机均匀分布函数，和/>分别表示第j维分量的下界和上界；
种群选择I，在每次迭代开始前更新操作，采用柯西函数策略重新定义改进的回溯搜索优化算法的历史种群为：
其中，A为（0，1）内均匀分布随机数；
确定历史种群后，随机改变/>的种群个体顺序为：
种群变异，引入自适应变异因子策略对种群P进行扰动，变异因子F为：
其中，G为当前迭代次数，为最大迭代次数，/>为变异尺度系数的最大值，/>为变异尺度系数的最小值，e为自然常数；
得到试验种群变异的初始形式为：
种群变异和种群交叉过程生成试验种群T，种群交叉的过程包括两部分：
产生一个大小的映射矩阵/>，其初始元素值均为0，等概率的选择一种策略更新映射矩阵/>：
其中，c和d为内均匀分布随机数，/>为均匀分布随机数，/>为均匀分布的随机整数函数，/>为交叉概率，符号/>为向上取整函数；
根据生成的矩阵，确定种群P中交叉个体元素的位置，将种群P中的该位置个体元素与试验种群变异的初始形式M中对应位置个体元素进行互换，获得试验种群T：
种群交叉的过程由0-1矩阵决定，当/>中元素为1时，将M中对应元素赋给试验种群T，否则，将P中对应元素赋给试验种群T；
种群交叉结束后，对试验种群T中个体进行边界控制，若T个体中元素超过搜索边界，则这些元素均需重新生成试验种群T；
种群选择II，由个体适应度决定，通过对比种群P和试验种群T中对应个体适应度的大小，选择出具有更优适应度的个体，进而产生新的种群：
利用种群选择II更新的种群P，将更新后的种群P进行下一次迭代，直至满足终止条件，输出最优解。
8.根据权利要求7所述的刮板输送机减速器健康状态识别方法，其特征在于，所述改进的回溯搜索优化算法的适应度函数的计算公式为：
式中，为训练集样本的真实值，/>为训练集样本通过SVM模型预测的预测值。
CN202311618822.1A 2023-11-30 2023-11-30 一种刮板输送机减速器健康状态识别方法 Pending CN117312972A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311618822.1A CN117312972A (zh) 2023-11-30 2023-11-30 一种刮板输送机减速器健康状态识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311618822.1A CN117312972A (zh) 2023-11-30 2023-11-30 一种刮板输送机减速器健康状态识别方法

Publications (1)

Publication Number Publication Date
CN117312972A true CN117312972A (zh) 2023-12-29

Family

ID=89285236

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311618822.1A Pending CN117312972A (zh) 2023-11-30 2023-11-30 一种刮板输送机减速器健康状态识别方法

Country Status (1)

Country Link
CN (1) CN117312972A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117951455A (zh) * 2024-03-22 2024-04-30 汶上义桥煤矿有限责任公司 一种刮板输送机运行故障在线监测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113641990A (zh) * 2021-06-21 2021-11-12 上海电力大学 一种基于多新息扩展卡尔曼滤波的入侵检测方法
CN114372561A (zh) * 2021-12-31 2022-04-19 同济大学 一种基于深度状态空间模型的网络流量预测方法
CN115689353A (zh) * 2022-10-31 2023-02-03 三峡大学 基于gs-svm算法的水电站调速系统健康评估方法
CN115913995A (zh) * 2022-11-28 2023-04-04 中国人民解放军空军工程大学 一种基于卡尔曼滤波修正的云服务动态QoS预测方法
CN116597940A (zh) * 2023-04-10 2023-08-15 大连理工大学 一种运动障碍症状量化评估模型的建模方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113641990A (zh) * 2021-06-21 2021-11-12 上海电力大学 一种基于多新息扩展卡尔曼滤波的入侵检测方法
CN114372561A (zh) * 2021-12-31 2022-04-19 同济大学 一种基于深度状态空间模型的网络流量预测方法
CN115689353A (zh) * 2022-10-31 2023-02-03 三峡大学 基于gs-svm算法的水电站调速系统健康评估方法
CN115913995A (zh) * 2022-11-28 2023-04-04 中国人民解放军空军工程大学 一种基于卡尔曼滤波修正的云服务动态QoS预测方法
CN116597940A (zh) * 2023-04-10 2023-08-15 大连理工大学 一种运动障碍症状量化评估模型的建模方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张仲华等: "柯西自适应回溯搜索与最小二乘支持向量机的集成预测模型", 《计算机应用》, vol. 42, no. 6, pages 1829 - 1836 *
张兵: "基于卡尔曼滤波器的燃气轮机故障诊断研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, no. 3, pages 43 - 49 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117951455A (zh) * 2024-03-22 2024-04-30 汶上义桥煤矿有限责任公司 一种刮板输送机运行故障在线监测方法
CN117951455B (zh) * 2024-03-22 2024-06-07 汶上义桥煤矿有限责任公司 一种刮板输送机运行故障在线监测方法

Similar Documents

Publication Publication Date Title
CN109710636B (zh) 一种基于深度迁移学习的无监督工业系统异常检测方法
CN112785091B (zh) 一种对油田电潜泵进行故障预测与健康管理的方法
CN109544399B (zh) 基于多源异构数据的输电设备状态评价方法及装置
JP3651693B2 (ja) プラント監視診断装置および方法
CN104820716A (zh) 基于数据挖掘的装备可靠性评估方法
CN112414694B (zh) 基于多元状态估计技术的设备多级异常状态识别方法及装置
CN105096053A (zh) 一种适用于复杂工艺系统的健康管理决策方法
CN111931334B (zh) 一种用于评估电缆设备运行可靠性的方法及系统
CN109389325B (zh) 基于小波神经网络的变电站电子式互感器状态评估方法
CN112729834B (zh) 一种轴承故障的诊断方法、装置和系统
CN109492790A (zh) 基于神经网络与数据挖掘的风电机组健康管理方法
CN114548494B (zh) 一种可视化造价数据预测智能分析系统
CN114444582A (zh) 基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法
CN107238508A (zh) 一种设备状态诊断方法及装置
CN115982896B (zh) 一种轴承保持架的寿命检测方法及装置
CN113988220A (zh) 一种采煤机健康状态评估方法
CN112257767A (zh) 针对类不均衡数据的产品关键零部件状态分类方法
CN112529053A (zh) 一种服务器中时序数据短期预测方法及系统
CN116644358A (zh) 基于贝叶斯卷积神经网络的电力系统暂态稳定评估方法
CN117471346A (zh) 用于确定退役电池模组剩余寿命和健康状态的方法及系统
CN116109039A (zh) 一种数据驱动异常检测与预警系统
CN109145373B (zh) 基于改进esgp与预测区间的剩余寿命预测方法及装置
CN117312972A (zh) 一种刮板输送机减速器健康状态识别方法
CN110308713A (zh) 一种基于k近邻重构的工业过程故障变量识别方法
CN117196575A (zh) 地面装备故障预测与健康管理系统通用架构及其使用方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20231229

RJ01 Rejection of invention patent application after publication