CN117332701B - 一种门式斗轮机斗轮小车的执行器故障诊断方法及装置 - Google Patents
一种门式斗轮机斗轮小车的执行器故障诊断方法及装置 Download PDFInfo
- Publication number
- CN117332701B CN117332701B CN202311618026.8A CN202311618026A CN117332701B CN 117332701 B CN117332701 B CN 117332701B CN 202311618026 A CN202311618026 A CN 202311618026A CN 117332701 B CN117332701 B CN 117332701B
- Authority
- CN
- China
- Prior art keywords
- bucket wheel
- actuator
- fault
- taking flow
- coal
- 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 32
- 238000003745 diagnosis Methods 0.000 claims abstract description 24
- 239000003245 coal Substances 0.000 claims description 88
- 238000001514 detection method Methods 0.000 claims description 40
- 230000007246 mechanism Effects 0.000 claims description 27
- 238000013499 data model Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F1/00—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- 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
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Biophysics (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Computational Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Fluid Mechanics (AREA)
- Control Of Conveyors (AREA)
Abstract
本申请公开了一种门式斗轮机斗轮小车的执行器故障诊断方法及装置，涉及门式斗轮机故障诊断技术领域，通过建立具有干扰变化量的斗轮小车取煤流量数据模型，根据斗轮小车取煤流量数据模型构建执行器故障检测扩展状态观测器，并获得取煤流量的观测值，根据取煤流量的观测值和斗轮小车指定的恒定取煤流量计算残差，并构建故障检测逻辑判断规则检测执行器是否发生故障，根据执行器故障建立LSCN监督机制，并根据LSCN监督机制估计执行器故障，计算LSCN监督机制的隐含层节点数的最大值，根据隐含层节点数的最大值和故障估计模型计算执行器故障的估计值，实现了斗轮小车的安全稳定运行，保障了门式斗轮机的恒流量取煤。
Description
技术领域
本申请涉及门式斗轮机故障诊断技术领域，具体涉及一种门式斗轮机斗轮小车的执行器故障诊断方法及装置。
背景技术
斗轮机是燃煤电厂和大型钢铁厂堆取料的主要设备，随着大机组火电厂的上马及散料港口的不断扩建，国内对大型斗轮机的需求量不断增加。特别是门式斗轮机，由于其具有出力大、回取率高等优点，是高效连续堆取散状物料的理想设备，在煤场承担了很大的工作量，一旦发生故障，工厂的正常生产活动将会受到严重影响，甚至停产，不仅延误生产速度，还会造成极大的经济损失。因此，对门式斗轮机故障诊断方法的研究具有重要意义。
故障诊断是一种有效降低事故风险率的方法，然而在门式斗轮机的研究成果中却很少。实际上，门式斗轮机在应用中发生故障是难以避免的。尤其对斗轮小车在保障门式斗轮机恒流量取煤中，驱动斗轮小车平移运动的执行电机受到散落煤块等杂物的影响，往往使电机工作负荷增大以及各部件之间摩擦损坏增加，导致斗轮小车的执行器发生故障，不仅无法保障门式斗轮机恒流量取煤，而且可能使门式斗轮机无法正常运行。到目前为止，还没有关于门式斗轮机斗轮小车的执行器故障诊断方法。
发明内容
为此，本申请提供一种门式斗轮机斗轮小车的执行器故障诊断方法及装置，以解决现有技术存在的门式斗轮机斗轮小车的执行器发生故障后无法保障门式斗轮机恒流量取煤的问题。
为了实现上述目的，本申请提供如下技术方案：
第一方面，一种门式斗轮机斗轮小车的执行器故障诊断方法，包括：
步骤1：建立具有干扰变化量的斗轮小车取煤流量数据模型；
步骤2：根据所述斗轮小车取煤流量数据模型构建执行器故障检测扩展状态观测器；
步骤3：根据所述执行器故障检测扩展状态观测器获得取煤流量的观测值；
步骤4：根据取煤流量的观测值和斗轮小车指定的恒定取煤流量计算残差，并构建故障检测逻辑判断规则，根据所述故障检测逻辑判断规则检测执行器是否发生故障；
步骤5：根据执行器故障建立LSCN监督机制，并根据所述LSCN监督机制估计执行器故障；
步骤6：计算所述LSCN监督机制的隐含层节点数的最大值；
步骤7：根据隐含层节点数的最大值和故障估计模型计算执行器故障的估计值。
作为优选，所述步骤1中，所述斗轮小车取煤流量数据模型为：
其中，表示斗轮小车在k时刻的取煤流量，/>表示斗轮小车k时刻和k-1时刻的平移速度误差，/>表示/>的系数，/>表示干扰变化量。
作为优选，所述步骤2中，所述执行器故障检测扩展状态观测器为：
其中，和/>分别表示取煤流量和干扰变化量的观测值，/>表示取煤流量的观测误差，/>表示干扰变化量的观测误差，观测器增益和/>，且增益/>。
作为优选，所述步骤4中，所述残差为：
其中，表示取煤流量的观测值，/>表示斗轮小车指定的恒定取煤流量；
所述故障检测逻辑判断规则为：
其中，表示预先指定的阈值。
作为优选，所述步骤5中，所述LSCN监督机制为：
其中，表示可调参数，/>表示隐含层节点数为/>时的估计误差，表示高斯函数，/>和/>分别表示第j个隐含层节点的输入权值和偏置，参数/>。
作为优选，所述步骤6中，所述隐含层节点数的最大值为：
其中， 表示执行器故障。
作为优选，所述步骤7中，所述故障估计模型为：
其中，输出层权值的最优值/>为：/>，/>表示/>维单位矩阵。
第二方面，一种门式斗轮机斗轮小车的执行器故障诊断装置，包括：
取煤流量数据模型构建模块，用于建立具有干扰变化量的斗轮小车取煤流量数据模型；
执行器故障检测扩展状态观测器构建模块，用于根据所述斗轮小车取煤流量数据模型构建执行器故障检测扩展状态观测器；
观测值计算模块，用于根据所述执行器故障检测扩展状态观测器获得取煤流量的观测值；
故障检测模块，用于根据取煤流量的观测值和斗轮小车指定的恒定取煤流量计算残差，并构建故障检测逻辑判断规则，根据所述故障检测逻辑判断规则检测执行器是否发生故障；
执行器故障估计模块，用于根据执行器故障建立LSCN监督机制，并根据LSCN监督机制估计执行器故障；
隐含层节点计算模块，用于计算LSCN监督机制的隐含层节点数的最大值；
执行器故障估计值计算模块，用于根据隐含层节点数的最大值和故障估计模型计算执行器故障的估计值。
第三方面，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现一种门式斗轮机斗轮小车的执行器故障诊断方法的步骤。
第四方面，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现一种门式斗轮机斗轮小车的执行器故障诊断方法的步骤。
相比现有技术，本申请至少具有以下有益效果：
本申请提供了一种门式斗轮机斗轮小车的执行器故障诊断方法及装置，通过建立具有干扰变化量的斗轮小车取煤流量数据模型，根据斗轮小车取煤流量数据模型构建执行器故障检测扩展状态观测器，并获得取煤流量的观测值，根据取煤流量的观测值和斗轮小车指定的恒定取煤流量计算残差，并构建故障检测逻辑判断规则检测执行器是否发生故障，根据执行器故障建立LSCN监督机制，并根据LSCN监督机制估计执行器故障，计算LSCN监督机制的隐含层节点数的最大值，根据隐含层节点数的最大值和故障估计模型计算执行器故障的估计值。本申请利用数据驱动新技术对斗轮小车的执行器故障进行了检测，并提出LSCN故障估计新方法，解决了门式斗轮机斗轮小车的故障诊断问题，实现了斗轮小车的安全稳定运行，保障了门式斗轮机的恒流量取煤。
附图说明
为了更直观地说明现有技术以及本申请，下面给出示例性的附图。应当理解，附图中所示的具体形状、构造，通常不应视为实现本申请时的限定条件；例如，本领域技术人员基于本申请揭示的技术构思和示例性的附图，有能力对某些单元（部件）的增/减/归属划分、具体形状、位置关系、连接方式、尺寸比例关系等容易作出常规的调整或进一步的优化。
图1为本申请实施例一提供的一种门式斗轮机斗轮小车的执行器故障诊断方法流程图；
图2为本申请实施例一提供的一种门式斗轮机斗轮小车的执行器故障诊断方法结构框图；
图3为本申请实施例一提供的门式斗轮机往复运动取煤示意图；
图4为本申请实施例一提供的STM32F1系列单片机电路原理图；
图5为本申请实施例一提供的故障检测报警电路原理图。
具体实施方式
以下结合附图，通过具体实施例对本申请作进一步详述。
在本申请的描述中：除非另有说明，“多个”的含义是两个或两个以上。本申请中的术语“第一”、“第二”、“第三”等旨在区别指代的对象，而不具有技术内涵方面的特别意义（例如，不应理解为对重要程度或次序等的强调）。“包括”、“包含”、“具有”等表述方式，同时还意味着“不限于”（某些单元、部件、材料、步骤等）。
本申请中所引用的如“上”、“下”、“左”、“右”、“中间”等的用语，通常是为了便于对照附图直观理解而就大体的相对位置关系所作的指示，并非对实际产品中位置关系的绝对限定。
实施例一
请参阅图1和图2，本实施例提供了一种门式斗轮机斗轮小车的执行器故障诊断方法，包括：
S1：建立具有干扰变化量的斗轮小车取煤流量数据模型；
具体的，请参阅图3，斗轮小车取煤流量模型表示为：
（1）
其中，表示煤密度，h表示一个行程中某一位置处取煤层高，v表示斗轮小车的平移速度，L表示每次斗轮大车步进长度。
由于煤堆通常成锥形，某一层取煤形状近似为梯形，h随着斗轮小车取煤时位置的变化而发生变化，导致斗轮小车在取煤过程中h产生一定的偏差，从而干扰门式斗轮机的恒流量取煤。为了刻画斗轮小车取煤层高的变化特性，将式（1）转化为如下形式：
（2）
其中，表示取煤层高的变化量。由式（2）可以看出，取煤流量与斗轮小车的平移速度和取煤层高变化的干扰有关，令/>，于是建立斗轮小车取煤流量与平移速度和干扰的非线性关系模型为：
（3）
其中，表示斗轮小车在k时刻的取煤流量，/>表示斗轮小车在k时刻的平移速度，/>表示斗轮小车恒流量取煤的干扰，/>表示未知的非线性函数，nv和nu表示给定的正整数。
令取煤流量的变化量，结合式（3）可得：
（4）
根据微分中值定理，式（4）可以写成如下形式：
（5）
其中，
（6）
（7）
（8）
其中，表示斗轮小车k时刻和k-1时刻的平移速度误差，/>表示斗轮小车k时刻和k-1时刻的干扰变化量，/>表示/>关于/>的偏导数值，/>表示/>关于的偏导数值，/>表示式（4）利用微分中值定理后的剩余项。
对于每一个固定的取煤时刻k，存在表达式，可将式（8）写成如下的方程形式：
（9）
其中，为k时刻反映/>和/>关系的数据表达式。
由于斗轮小车每一时刻的平移速度不同，可得，这样至少存在一个解使式（9）成立，于是结合式（5）和式（9）可得：
（10）
令变量表示/>的系数，/>表示干扰变化量，于是由式（10）得到具有干扰变化量的斗轮小车取煤流量数据模型为：
（11）
综上可知，本步骤考虑斗轮小车取煤层高对取煤流量的干扰，建立了具有干扰变化量的斗轮小车取煤流量数据模型。
S2：根据斗轮小车取煤流量数据模型构建执行器故障检测扩展状态观测器；
具体的，根据斗轮小车取煤流量数据模型（11）建立如下扩展状态系统：
（12）
则构建的执行器故障检测扩展状态观测器为：
（13）
其中，和/>分别表示取煤流量和干扰变化量的观测值，/>表示取煤流量的观测误差，/>表示干扰变化量的观测误差，观测器增益和/>，且增益/>。
S3：根据执行器故障检测扩展状态观测器获得取煤流量的观测值；
具体的，令，根据式（12）和式（13）建立故障观测误差系统如下：
（14）
其中，
，/>，/>。
根据式（14）得到观测误差标称系统如下：
（15）
计算A的特征多项式为：
（16）
其中，z表示算子，I2表示2维的单位矩阵。令，/>表示对z进行变换的算子。将z代入式（16），可得关于/>的特征多项式为：
（17）
由于，可得：
（18）
进一步，根据可得：
（19）
于是，根据Routh判据可知观测误差标称系统（15）稳定。
接下来，对于故障观测误差系统（14），由于受到的影响，得到稳态误差如下：
（20）
由表示干扰变化量可知/>有界，且为了保障斗轮小车恒流量取煤，需要随时观测取煤流量的变化，这样采样时间通常设置的较小，于是可知/>的界是很小的数，进而利用式（20）近似得到/>和/>。于是，利用执行器故障检测扩展状态观测器（13）获得了取煤流量的观测值/>。
S4：根据取煤流量的观测值和斗轮小车指定的恒定取煤流量计算残差，并构建故障检测逻辑判断规则，根据故障检测逻辑判断规则检测执行器是否发生故障；
具体的，利用斗轮小车指定的恒定取煤流量与取煤流量的观测值/>计算残差，进而设计故障检测逻辑判断规则/>如下：
（21）
（22）
其中，表示预先指定的阈值。若残差超出阈值/>，则判断执行器发生故障；反之，执行器处于正常工作状态。
S5：根据执行器故障建立LSCN监督机制，并根据LSCN监督机制估计执行器故障；
具体的，当斗轮小车执行器发生故障时，其实际的平移速度与设计的平移速度产生偏差，无法保障斗轮小车恒流量取煤，因此，建立具有执行器故障的取煤流量模型如下：
（23）
其中，表示执行器故障。
进一步的，利用残差对斗轮小车执行器故障/>进行估计。以残差/>为网络输入，故障/>为网络输出。当LSCN（Limit Stochastic Configuration Network，有限隐含层节点的随机配置网络故障估计）模型隐含层节点数为/>时，建立故障估计模型如下：
（24）
且，此时故障估计误差/>表示为：
（25）
其中，表示隐含层节点数为/>时的估计误差，H表示隐含层节点数。/>为第j个隐含层节点的输出层权值，/>和/>分别表示第j个隐含层节点的输入权值和偏置，表示高斯函数。
当故障估计误差不满足预先指定范围时，隐含层增加一个节点，并且随机生成满足监督机制/>的权值/>和偏置/>，设计LSCN监督机制如下：
（26）
其中，为可调参数，参数/>。
接下来，进一步说明有限个隐含层节点的故障估计网络LSCN在监督机制作用下，可使估计误差/>趋向于零。当隐含层节点数为H时，由式（25）可得：
（27）
进一步得，由式（27）可得：
（28）
其中，表示/>和/>的差分运算值。设存在常数/>，使权值/>，进而由式（28）可得：
（29）
由LSCN监督机制（26）可知：
（30）
由于，通过式（30）可知，随着隐含层节点数增加，故障估计误差/>趋向于零，于是，利用LSCN监督机制（26）可实现故障估计。
S6：计算LSCN监督机制的隐含层节点数的最大值；
具体的，接下来，求解隐含层节点数的最大值。对不等式（30）两端分别进行累加运算，可得：
（31）
由式（30）可知，随着隐含层节点数增加，成立。于是，式（31）可得，因此，随机配置网络增加到有限个隐含层节点/>时，可使执行器故障估计误差趋向于零。
S7：根据隐含层节点数的最大值和故障估计模型计算执行器故障的估计值。
具体的，为了获得执行器故障的估计值/>，由式（24）可知当隐含层节点增加到/>个时，需要计算输出层权值/>，从而得到故障估计值/>。设输出层权值/>的最优值/>如下：
（32）
其中，表示隐含层输出向量。优化求解式（32）可得：
（33）
其中，表示/>维单位矩阵。由此可知，当隐含层节点数增加到/>个时，利用式（33）和式（24）便可获得执行器故障的估计值/>，从而实现了门式斗轮机斗轮小车的执行器故障诊断，保证了斗轮小车的安全稳定运行，保障了门式斗轮机的恒流量取煤。
请参阅图4和图5，最后采用STM32F1系列单片机运行本实施例提供的门式斗轮机斗轮小车的执行器LSCN故障诊断方法，当执行器发生故障时，单片机发出电平信号激活报警系统，进而实现门式斗轮机斗轮小车的执行器故障诊断。
本实施例利用数据驱动新技术对斗轮小车的执行器故障进行了检测，并提出LSCN故障估计新方法，解决了门式斗轮机斗轮小车的故障诊断问题。从斗轮小车执行器故障诊断视角，保障门式斗轮机安全稳定的恒流量取煤，整个故障诊断方案不依赖门式斗轮机系统的数学模型，仅使用了斗轮小车取煤流量和平移速度的数据信息，并通过构建LSCN网络对执行器故障进行估计，不仅提高了执行器故障估计的智能性，而且保障了门式斗轮机故障诊断的准确性。
实施例二
本实施例提供了一种门式斗轮机斗轮小车的执行器故障诊断装置，包括：
取煤流量数据模型构建模块，用于建立具有干扰变化量的斗轮小车取煤流量数据模型；
执行器故障检测扩展状态观测器构建模块，用于根据所述斗轮小车取煤流量数据模型构建执行器故障检测扩展状态观测器；
观测值计算模块，用于根据所述执行器故障检测扩展状态观测器获得取煤流量的观测值；
故障检测模块，用于根据取煤流量的观测值和斗轮小车指定的恒定取煤流量计算残差，并构建故障检测逻辑判断规则，根据所述故障检测逻辑判断规则检测执行器是否发生故障；
执行器故障估计模块，用于根据执行器故障建立LSCN监督机制，并根据LSCN监督机制估计执行器故障；
隐含层节点计算模块，用于计算LSCN监督机制的隐含层节点数的最大值；
执行器故障估计值计算模块，用于根据隐含层节点数的最大值和故障估计模型计算执行器故障的估计值。
关于一种门式斗轮机斗轮小车的执行器故障诊断装置中各个模块的具体实现内容可以参见上文中对于一种门式斗轮机斗轮小车的执行器故障诊断方法的限定，在此不再赘述。
实施例三
本实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现一种门式斗轮机斗轮小车的执行器故障诊断方法的步骤。
实施例四
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现一种门式斗轮机斗轮小车的执行器故障诊断方法的步骤。
以上实施例的各技术特征可以进行任意的组合（只要这些技术特征的组合不存在矛盾），为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述；这些未明确写出的实施例，也都应当认为是本说明书记载的范围。
Claims (4)
1.一种门式斗轮机斗轮小车的执行器故障诊断方法，其特征在于，包括：
步骤1：建立具有干扰变化量的斗轮小车取煤流量数据模型；
步骤2：根据所述斗轮小车取煤流量数据模型构建执行器故障检测扩展状态观测器；
步骤3：根据所述执行器故障检测扩展状态观测器获得取煤流量的观测值；
步骤4：根据取煤流量的观测值和斗轮小车指定的恒定取煤流量计算残差，并构建故障检测逻辑判断规则，根据所述故障检测逻辑判断规则检测执行器是否发生故障；
步骤5：根据执行器故障建立LSCN监督机制，并根据所述LSCN监督机制估计执行器故障；
步骤6：计算所述LSCN监督机制的隐含层节点数的最大值；
步骤7：根据隐含层节点数的最大值和故障估计模型计算执行器故障的估计值；
所述步骤1中，所述斗轮小车取煤流量数据模型为：
；
其中，表示斗轮小车在k时刻的取煤流量，/>表示斗轮小车k时刻和k-1时刻的平移速度误差，/>表示/>的系数，/>表示干扰变化量；
所述步骤2中，所述执行器故障检测扩展状态观测器为：
；
其中，和/>分别表示取煤流量和干扰变化量的观测值，/>表示取煤流量的观测误差，/>表示干扰变化量的观测误差，观测器增益/>和，且增益/>；
所述步骤4中，所述残差为：
；
其中，表示取煤流量的观测值，/>表示斗轮小车指定的恒定取煤流量；所述故障检测逻辑判断规则为：
；
其中，表示预先指定的阈值；
所述步骤5中，所述LSCN监督机制为：
；
其中，表示可调参数，/>表示隐含层节点数为/>时的估计误差，/>表示高斯函数，/>和/>分别表示第j个隐含层节点的输入权值和偏置，参数/>；
所述步骤6中，所述隐含层节点数的最大值为：
；
其中， 表示执行器故障；
所述步骤7中，所述故障估计模型为：
；
其中，输出层权值的最优值/>为：/>，/>表示/>维单位矩阵，/>表示隐含层输出向量。
2.一种门式斗轮机斗轮小车的执行器故障诊断装置，其特征在于，所述门式斗轮机斗轮小车的执行器故障诊断装置用于实现权利要求1所述的门式斗轮机斗轮小车的执行器故障诊断方法，包括：
取煤流量数据模型构建模块，用于建立具有干扰变化量的斗轮小车取煤流量数据模型；
执行器故障检测扩展状态观测器构建模块，用于根据所述斗轮小车取煤流量数据模型构建执行器故障检测扩展状态观测器；
观测值计算模块，用于根据所述执行器故障检测扩展状态观测器获得取煤流量的观测值；
故障检测模块，用于根据取煤流量的观测值和斗轮小车指定的恒定取煤流量计算残差，并构建故障检测逻辑判断规则，根据所述故障检测逻辑判断规则检测执行器是否发生故障；
执行器故障估计模块，用于根据执行器故障建立LSCN监督机制，并根据LSCN监督机制估计执行器故障；
隐含层节点计算模块，用于计算LSCN监督机制的隐含层节点数的最大值；
执行器故障估计值计算模块，用于根据隐含层节点数的最大值和故障估计模型计算执行器故障的估计值。
3.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1所述的方法的步骤。
4.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311618026.8A CN117332701B (zh) | 2023-11-30 | 2023-11-30 | 一种门式斗轮机斗轮小车的执行器故障诊断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311618026.8A CN117332701B (zh) | 2023-11-30 | 2023-11-30 | 一种门式斗轮机斗轮小车的执行器故障诊断方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117332701A CN117332701A (zh) | 2024-01-02 |
| CN117332701B true CN117332701B (zh) | 2024-02-02 |
Family
ID=89283395
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311618026.8A Active CN117332701B (zh) | 2023-11-30 | 2023-11-30 | 一种门式斗轮机斗轮小车的执行器故障诊断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117332701B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112229624A (zh) * | 2020-09-30 | 2021-01-15 | 中国矿业大学 | 一种基于低偏差随机配置网络的气动调节阀故障诊断方法 |
| KR20210075479A (ko) * | 2019-12-13 | 2021-06-23 | 한밭대학교 산학협력단 | 컨버터를 위한 센서 고장 진단 시스템 |
| CN113485238A (zh) * | 2021-08-17 | 2021-10-08 | 华能沾化热电有限公司 | 一种斗轮机故障在线诊断系统和装置 |
| CN113858218A (zh) * | 2021-12-06 | 2021-12-31 | 湖南工商大学 | 一种机械臂执行器故障诊断方法 |
| CN114148770A (zh) * | 2021-11-16 | 2022-03-08 | 华能吉林发电有限公司 | 可自动堆取料的门式斗轮机设备及自动堆取料方法 |
| CN114186771A (zh) * | 2021-10-22 | 2022-03-15 | 盐城工学院 | 一种混合正则化随机配置网络工业过程运行指标估计方法 |
| CN115229790A (zh) * | 2022-07-26 | 2022-10-25 | 沈阳工业大学 | 基于自适应有限时间观测器的机械臂执行器故障诊断方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11022524B2 (en) * | 2019-11-05 | 2021-06-01 | Dalian University Of Technology | Stochastic configuration network based turbofan engine health parameter estimation method |
-
2023
- 2023-11-30 CN CN202311618026.8A patent/CN117332701B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210075479A (ko) * | 2019-12-13 | 2021-06-23 | 한밭대학교 산학협력단 | 컨버터를 위한 센서 고장 진단 시스템 |
| CN112229624A (zh) * | 2020-09-30 | 2021-01-15 | 中国矿业大学 | 一种基于低偏差随机配置网络的气动调节阀故障诊断方法 |
| CN113485238A (zh) * | 2021-08-17 | 2021-10-08 | 华能沾化热电有限公司 | 一种斗轮机故障在线诊断系统和装置 |
| CN114186771A (zh) * | 2021-10-22 | 2022-03-15 | 盐城工学院 | 一种混合正则化随机配置网络工业过程运行指标估计方法 |
| CN114148770A (zh) * | 2021-11-16 | 2022-03-08 | 华能吉林发电有限公司 | 可自动堆取料的门式斗轮机设备及自动堆取料方法 |
| CN113858218A (zh) * | 2021-12-06 | 2021-12-31 | 湖南工商大学 | 一种机械臂执行器故障诊断方法 |
| CN115229790A (zh) * | 2022-07-26 | 2022-10-25 | 沈阳工业大学 | 基于自适应有限时间观测器的机械臂执行器故障诊断方法 |
Non-Patent Citations (3)
| Title |
|---|
| Failure of the bucket wheel excavator buckets;Srđan M. Bošnjak等;《Engineering Failure Analysis》;247–261 * |
| Vibration fault diagnosis based on stochastic configuration neural networks;Jingna Liu;《Neurocomputing》;98–125 * |
| 门式斗轮机煤流量自动控制系统;曹峰;《中小企业管理与科技(下旬刊)》;324-325 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117332701A (zh) | 2024-01-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102208891B (zh) | 基于摩擦和扰动补偿的pmsm伺服系统控制方法 | |
| CN110908364B (zh) | 一种基于鲁棒区间估计的故障检测方法 | |
| CN103944193B (zh) | 一种模块化光伏并网逆变器并联控制系统及方法 | |
| CN102183699B (zh) | 化工过程多变量预测控制系统模型失配检测与定位方法 | |
| CN102880170A (zh) | 基于基线模型和贝叶斯因子的系统故障早期预警方法 | |
| CN101227160A (zh) | 神经网络广义逆无轴承永磁同步电机解耦控制器构造方法 | |
| CN102386832B (zh) | 基于等价补偿自抗扰的发电机转子电流控制方法及系统 | |
| CN102790581B (zh) | 一种无轴承异步电机径向位置鲁棒控制器的构造方法 | |
| CN117332701B (zh) | 一种门式斗轮机斗轮小车的执行器故障诊断方法及装置 | |
| CN113311811A (zh) | 一种事件触发多智能体系统及其分布式协同故障检测方法 | |
| CN114035140B (zh) | 一种感应电机电流传感器故障检测及容错控制方法 | |
| CN107796977A (zh) | 一种三相电网电压参数检测方法及装置 | |
| Tao et al. | Early fault warning of wind turbine based on BRNN and large sliding window | |
| Bi et al. | Research on Fault Diagnosis for Pumping Station Based on T‐S Fuzzy Fault Tree and Bayesian Network | |
| CN111666712A (zh) | 一种大型复杂机电装备的“测-算-控”智能化数字孪生方法 | |
| CN113281996B (zh) | 一种车载磁悬浮飞轮电池系统的控制方法 | |
| Xu et al. | A Bayesian belief-rule-based inference multivariate alarm system for nonlinear time-varying processes | |
| CN103217645B (zh) | 风电场的风机隐性故障监测方法 | |
| CN115481115A (zh) | 一种冗余数据清洗方法、装置、设备及介质 | |
| CN103490690A (zh) | 一种交流磁轴承容错解耦控制器的构造方法 | |
| CN115070774A (zh) | 一种基于中值神经网络的工业机器人故障模式识别方法 | |
| CN102790582B (zh) | 无轴承异步电机径向模糊神经网络广义逆控制器构造方法 | |
| CN110083804B (zh) | 基于条件分布回归的风电场scada数据缺失的智能修复方法 | |
| Wang et al. | Robust preview control for uncertain discrete-time systems | |
| CN104408298A (zh) | 一种基于多重分组迭代区间分支定界技术的ddpc伺服系统故障预示方法 |
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 |