CN117760481A - 一种采煤机截割部故障监测方法及装置 - Google Patents
一种采煤机截割部故障监测方法及装置 Download PDFInfo
- Publication number
- CN117760481A CN117760481A CN202211136577.6A CN202211136577A CN117760481A CN 117760481 A CN117760481 A CN 117760481A CN 202211136577 A CN202211136577 A CN 202211136577A CN 117760481 A CN117760481 A CN 117760481A
- Authority
- CN
- China
- Prior art keywords
- vibration
- current
- denoised
- fault diagnosis
- cutting part
- 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
- 238000005520 cutting process Methods 0.000 title claims abstract description 180
- 239000003245 coal Substances 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000005065 mining Methods 0.000 title claims abstract description 52
- 238000012544 monitoring process Methods 0.000 title claims abstract description 35
- 238000003745 diagnosis Methods 0.000 claims abstract description 131
- 239000013598 vector Substances 0.000 claims abstract description 109
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 28
- 238000003062 neural network model Methods 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 8
- 238000001845 vibrational spectrum Methods 0.000 claims description 7
- 238000012806 monitoring device Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005299 abrasion Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Abstract
本发明公开了一种采煤机截割部故障监测方法及装置,本发明涉及采煤机技术领域,其中包括:利用振动信号采集装置和电流信号采集装置分别采集采煤机截割部的多个振动信号和截割电机的电流信号;利用预设经验模态分解算法分别对所述电流信号和所述多个振动信号进行去噪处理,得到去噪后的电流信号和多个去噪后的振动信号;提取所述多个去噪后的振动信号分别对应的振动特征向量和所述去噪后的电流信号对应的电流特征向量;将所述电流特征向量和多个所述振动特征向量输入至预设故障诊断模型中进行故障诊断,得到所述截割部的故障诊断结果。通过应用本申请的技术方案,能够提高采煤机截割部的故障诊断精度。
Description
技术领域
本发明涉及采煤机技术领域,具体而言,涉及一种采煤机截割部故障监测方法及装置。
背景技术
煤炭被称为黑色的金子、工业的粮食,工业革命以来煤炭就成为世界上最主要能源之一。近些年来,煤炭生产正逐步实现由机械化、现代化向智能高效化发展,这大大提高了劳动生产力。采煤机是重要的矿用机械设备,在煤炭生产中占有十分重要的地位。而截割部是采煤机的重要组成部分,担任割煤和装煤的任务,由于结构复杂、工作环境比较恶劣,负荷变动较大,工作中处于悬臂状态等原因,截割部成为采煤机故障的高发部件。采煤机一旦发生故障,就意味着煤矿生产暂停,势必造成巨大的经济损失。
目前,在采煤机现场通常由工作人员根据声音诊断采煤机截割部的故障。然而,这种方式较为依赖工作人员的现场经验,对于一些经验较少的工作人员容易出现诊断错误,由此会导致采煤机截割部的故障诊断精度较低,与此同时,这种方式发现故障问题的时间通常较晚,不利于及时对采煤机截割部进行维修,从而会影响采煤机截割部的检修效率。
发明内容
本发明提供一种采煤机截割部故障监测方法及装置,主要在于能够提高采煤机截割部的故障诊断精度,同时能够提高采煤机截割部的检修效率。
根据本发明实施例的第一方面,提供一种采煤机截割部故障监测方法,包括:
利用振动信号采集装置和电流信号采集装置分别采集采煤机截割部的多个振动信号和截割电机的电流信号,其中,所述振动信号采集装置分别安装于截割部行星齿轮表面和截割部传动轴的不同位置处;
利用预设经验模态分解算法分别对所述电流信号和所述多个振动信号进行去噪处理,得到去噪后的电流信号和多个去噪后的振动信号;
提取所述多个去噪后的振动信号分别对应的振动特征向量和所述去噪后的电流信号对应的电流特征向量;
将所述电流特征向量和多个所述振动特征向量输入至预设故障诊断模型中进行故障诊断,得到所述截割部的故障诊断结果,其中,所述预设故障诊断模型表征有所述电流特征向量和多个所述振动特征向量与所述故障诊断结果之间的映射关系。
根据本发明实施例的第二方面,提供一种采煤机截割部故障监测装置,包括:
采集单元,用于利用振动信号采集装置和电流信号采集装置分别采集采煤机截割部的多个振动信号和截割电机的电流信号,其中,所述振动信号采集装置分别安装于截割部行星齿轮表面和截割部传动轴的不同位置处;
去噪单元,用于利用预设经验模态分解算法分别对所述电流信号和所述多个振动信号进行去噪处理,得到去噪后的电流信号和多个去噪后的振动信号;
提取单元,用于提取所述多个去噪后的振动信号分别对应的振动特征向量和所述去噪后的电流信号对应的电流特征向量;
诊断单元,用于将所述电流特征向量和多个所述振动特征向量输入至预设故障诊断模型中进行故障诊断,得到所述截割部的故障诊断结果,其中,所述预设故障诊断模型表征有所述电流特征向量和多个所述振动特征向量与所述故障诊断结果之间的映射关系。
根据本发明实施例的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:
利用振动信号采集装置和电流信号采集装置分别采集采煤机截割部的多个振动信号和截割电机的电流信号,其中,所述振动信号采集装置分别安装于截割部行星齿轮表面和截割部传动轴的不同位置处;
利用预设经验模态分解算法分别对所述电流信号和所述多个振动信号进行去噪处理,得到去噪后的电流信号和多个去噪后的振动信号;
提取所述多个去噪后的振动信号分别对应的振动特征向量和所述去噪后的电流信号对应的电流特征向量;
将所述电流特征向量和多个所述振动特征向量输入至预设故障诊断模型中进行故障诊断,得到所述截割部的故障诊断结果,其中,所述预设故障诊断模型表征有所述电流特征向量和多个所述振动特征向量与所述故障诊断结果之间的映射关系。
根据本发明实施例的第四方面,提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
利用振动信号采集装置和电流信号采集装置分别采集采煤机截割部的多个振动信号和截割电机的电流信号,其中,所述振动信号采集装置分别安装于截割部行星齿轮表面和截割部传动轴的不同位置处;
利用预设经验模态分解算法分别对所述电流信号和所述多个振动信号进行去噪处理,得到去噪后的电流信号和多个去噪后的振动信号;
提取所述多个去噪后的振动信号分别对应的振动特征向量和所述去噪后的电流信号对应的电流特征向量;
将所述电流特征向量和多个所述振动特征向量输入至预设故障诊断模型中进行故障诊断,得到所述截割部的故障诊断结果,其中,所述预设故障诊断模型表征有所述电流特征向量和多个所述振动特征向量与所述故障诊断结果之间的映射关系。
本发明实施例的创新点包括:
1、利用神经网络模型对采煤机截割部进行故障诊断,提高采煤机截割部的故障诊断精度是本发明实施例的创新点之一。
2、采用经验模态分解算法对振动信号和电流信号进行去噪,提取微弱故障特征信号,以便进一步提高采煤机截割部的故障诊断精度是本发明实施例的创新点之一。
本发明提供的一种采煤机截割部故障监测方法及装置,与现有技术人为对采煤机进行故障诊断的方式相比,能够利用振动信号采集装置和电流信号采集装置分别采集采煤机截割部的多个振动信号和截割电机的电流信号,并利用预设经验模态分解算法分别对所述电流信号和所述多个振动信号进行去噪处理,得到去噪后的电流信号和多个去噪后的振动信号,与此同时,提取所述多个去噪后的振动信号分别对应的振动特征向量和所述去噪后的电流信号对应的电流特征向量,最终将所述电流特征向量和多个所述振动特征向量输入至预设故障诊断模型中进行故障诊断,得到所述截割部的故障诊断结果。由此本发明通过采集采煤机截割部不同位置处的振动信号和电流信号,并利用神经网络模型对采煤机截割部进行故障诊断,能够实现对采煤机截割部的智能化监测,提高采煤机截割部的故障诊断精度,同时有利于尽早发现采煤机截割部存在的故障,提高截割部的检修效率,此外,本发明利用预设经验模态分解算法对振动信号和电流信号进行去噪处理,能够精准提取微弱故障特征信号,有利于进一步提高采煤机截割部的故障诊断精度。
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
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本发明实施例提供的一种采煤机截割部故障监测方法流程示意图;
图2示出了本发明实施例提供的故障监测系统示意图;
图3示出了本发明实施例提供的另一种采煤机截割部故障监测方法流程示意图;
图4示出了本发明实施例提供的一种采煤机截割部故障监测装置的结构示意图;
图5示出了本发明实施例提供的另一种采煤机截割部故障监测装置的结构示意图;
图6示出了本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,本发明实施例及附图中的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
目前,人为诊断方式会导致采煤机截割部的故障诊断精度较低,与此同时,这种方式发现故障问题的时间通常较晚,不利于及时对采煤机截割部进行维修,从而会影响采煤机截割部的检修效率。
为了解决上述问题,本发明实施例提供了一种采煤机截割部故障监测方法,如图1所示,该方法包括:
步骤101、利用振动信号采集装置和电流信号采集装置分别采集采煤机截割部的多个振动信号和截割电机的电流信号。
其中,所述振动信号采集装置分别安装于截割部行星齿轮表面和截割部传动轴的不同位置处。
本发明实施例主要适用于实时监测采煤机截割部运行状态,对采煤机截割部进行故障诊断的场景。本发明实施例的执行主体为能够对采煤机截割部进行故障诊断的装置或者设备。
为了实现对采煤机截割部的智能化监测,本发明实施例设计了如图2所示的故障监测系统,该系统中1-5均为防爆型振动信号采集装置,该防爆型振动信号采集装置通过螺丝或者强磁等方式固定在截割部表面,其中,振动信号采集装置1安装在行星齿轮外表,用于实时监测滚筒及行星齿轮的运行状态;振动信号采集装置2安装在六轴和七轴之间,用于实时监测六轴和七轴的运行状态;振动信号采集装置3安装在四轴和五轴之间,用于实时监测四轴和五轴的运行状态;振动信号采集装置4安装在二轴和三轴之间,用于实时监测二轴和三轴的运行状态;振动信号采集装置5安装在一轴表面,用于监测一轴以及辅助监测截割电机的运行状态,上述振动信号采集装置承担着振动信号采集、信号去噪、信号转化、信号调制等任务,该信号转化是将物理量信号(振动信号)依靠转换元件转化成电信号,该信号调制是变化电路将电信号进行放大调制。
此外,I为防爆型电流信号采集装置,用于实时监测截割电机状态,同时辅助监测传动系统及滚筒状态,电流信号采集装置承担着电流信号采集、信号去噪、电流信号转换等任务,该电流信号转换实质是将检测的大电流转换成小电流的过程。需要说明的是,振动信号采集装置和电流信号采集装置可以根据现场实际情况安装防护罩,以确保符合煤矿产品要求。
进一步地,图2中的数据传输线用于将去噪后的信号传输至数据处理单元,数据传输线的选取应当符合相关煤矿产品规定,同时可以根据现场情况选择行走路线,如采煤工作面为智能化工作面,可以将有线传输改为无线传输。进一步地,防爆型数据处理单元可安装在采煤机控制台,并采用人工神经网络算法分析去噪后的信号,以监测截割部当前的运行状态,并实时在终端显示。
对于本发明实施例,在监测采煤机截割部的运行状态时,可以利用图2中的振动信号采集装置1-5分别采集行星齿轮的振动信号和传动轴不同位置处的振动信号,与此同时,可以利用电流信号采集装置I采集截割电机的电流信号。
步骤102、利用预设经验模态分解算法分别对所述电流信号和所述多个振动信号进行去噪处理,得到去噪后的电流信号和多个去噪后的振动信号。
对于本发明实施例,由于采煤机的工况现场比较复杂,干扰因素较多,因此采集到的振动信号和电流信号会含有噪声,为了提高对采煤机截割部的故障诊断精度,电流信号采集装置和振动信号采集装置可以对采集到的电流信号和多个振动信号分别进行去噪处理,具体可以采用预设经验模态分解算法(EEMD)对采集的振动信号和电流信号进行分解和重构,以获有效的故障特征信号。
步骤103、提取所述多个去噪后的振动信号分别对应的振动特征向量和所述去噪后的电流信号对应的电流特征向量。
对于本发明实施例,在获取多个去噪后的振动信号和去噪后的电流信号之后,振动信号采集装置和电流信号采集装置可以将去噪后的信号转化为电信号,并传输给数据处理单元,数据处理单元在接收到多个去噪后的振动信号和去噪后的电流信号之后,会对采煤机截割部的运行状态进行分析,以实现对采煤机截割部的故障监测。具体分析时,数据处理单元会提取多个去噪后的振动信号分别对应的时域特征和频域特征,并将提取到的时域特征和频域特征作为多个去噪后的振动信号分别对应的振动特征向量,同理数据处理单元还会提取去噪后的电流信号对应的时域特征和频域特征,并将提取的时域特征和频域特征作为去噪后的电流信号对应的电流特征向量,以便将上述振动特征向量和电流特征向量输入至神经网络模型中进行故障分析。
步骤104、将所述电流特征向量和多个所述振动特征向量输入至预设故障诊断模型中进行故障诊断,得到所述截割部的故障诊断结果。
其中,预设故障诊断模型具体可以为神经网络模型,所述预设故障诊断模型表征有所述电流特征向量和多个所述振动特征向量与所述故障诊断结果之间的映射关系。
对于本发明实施例,为了对采煤机截割部进行故障诊断,可以将提取的振动特征向量和电流特征向量输入至神经网络模型中进行故障诊断,得到采煤机截割部的故障诊断结果,该故障诊断结果具体包括空转状态、截割部运行状态正常、齿轮磨损、滚筒缺齿、三四轴故障、五六轴故障等故障状态。由此能够实现对采煤机截割部的智能化监测,相比现有技术人工进行故障诊断的方式,本发明实施例对采煤机截割部的故障诊断精度更高,此外,本发明实施例不仅可以检测出采煤机截割部是否存在故障,还能够检测出具体的故障类型。
进一步地,为了能够及时对采煤机截割部进行检修,本发明实施例中的故障监测系统可以在数据处理单元内增加报警功能,在采煤机截割部运行出现异常时进行报警,如现场进行声音报警、灯光报警等。此外,还可以在数据处理单元内添加微信和/或短信服务,当发现采煤机截割部运行异常时,向相关负责人或者设备推送报警信息。基于此,所述方法还包括:若所述故障诊断结果为所述截割部存在故障,则发送报警信息。
进一步地,如果煤矿有统一的数据中心,可以将采煤机截割部运行状态数据和检测结果上传至数据中心进行保存和统计分析,用于对神经网络模型进行修正和改进,为设备评估和检修提供依据。
本发明实施例实施例提供的一种采煤机截割部故障监测方法,通过采集采煤机截割部不同位置处的振动信号和电流信号,并利用神经网络模型对采煤机截割部进行故障诊断,能够实现对采煤机截割部的智能化监测,提高采煤机截割部的故障诊断精度,同时有利于尽早发现采煤机截割部存在的故障,提高截割部的检修效率,此外,本发明实施例利用预设经验模态分解算法对振动信号和电流信号进行去噪处理,能够精准提取微弱故障特征信号,有利于进一步提高采煤机截割部的故障诊断精度。
进一步的,为了更好的说明上述对采煤机截割部进行故障诊断的过程,作为对上述实施例的细化和扩展,本发明实施例提供了另一种采煤机截割部故障监测方法,如图3所示,所述方法包括:
步骤201、利用振动信号采集装置和电流信号采集装置分别采集采煤机截割部的多个振动信号和截割电机的电流信号。
其中,所述振动信号采集装置分别安装于截割部行星齿轮表面和截割部传动轴的不同位置处。
对于本发明实施例,采集采煤机截割部的振动信号和电流信号的具体过程与步骤101完全相同,在此不再赘述。
步骤202、利用预设经验模态分解算法分别对所述电流信号和所述多个振动信号进行去噪处理,得到去噪后的电流信号和多个去噪后的振动信号。
对于本发明实施例,对电流信号进行去噪的具体过程包括:在所述电流信号中加入第一高斯白噪声,得到第一含噪信号;对所述第一含噪信号进行经验模态分解,得到多个第一本征模式分量;计算所述多个第一本征模式分量分别与所述电流信号的第一相关系数;根据所述第一相关系数,从所述多个第一本征模式分量中筛选出多个第一目标本征模式分量;将所述多个第一目标本征模式分量进行叠加,得到所述去噪后的电流信号。与此同时,对振动信号进行去噪的具体过程包括:针对所述多个振动信号中的任意一个振动信号,在所述任意一个振动信号中加入第二高斯白噪声,得到第二含噪信号;对所述第二含噪信号进行经验模态分解,得到多个第二本征模式分量;计算所述多个第二本征模式分量分别与所述任意一个振动信号的第二相关系数;根据所述第二相关系数,从所述多个第二本征模式分量中筛选出多个第二目标本征模式分量;将所述多个第二目标本征模式分量进行叠加,得到去噪后的任意一个振动信号。
由于对振动信号进行去噪的过程和对电流信号进行去噪的过程相同,本发明实施例,现以任意一个振动信号为例,详细说明采用预设经验模态分解算法对其进行去噪的过程。
首先,设定叠加高斯白噪声的次数M,之后将一个具有标准正态分布的高斯白噪声叠加到任意一个振动信号(原始信号)上,以产生一个新的信号,即第二含噪信号,公式如下:
xi(t)=x(t)+ni(t)
其中,ni(t)表示第i次叠加的高斯白噪声,xi(t)表示第二含噪信号,x(t)表示任意一个振动信号,i=1,2,…M。
接着,对第二含噪信号xi(t)分别进行EMD分解,得到如下表述方式:
其中,ci,j(t)代表第i次加入高斯白噪声后分解得到的第j个本征模式分量IMF,ri,j(t)是残余函数,J是IMF的数量。
重复上述过程进行M次,每次分解加入幅值不同的白噪声得到IMF的集合为:
c1,j(t),c2,j(t),…,cM,j(t),j=1,2,…J
进一步地,根据不相关序列的统计平均值为零的原理,将上述对应的IMF进行集合平均运算,得到EEMD分解后最终的IMF,即第二本征模式分量,具体公式如下:
其中,cj(t)是EEMD分解的第j个IMF,即第二本征模式分量。由此按照上述方式对任意一个振动信号进行分解,能够得到多个第二本征模式分量。
进一步地,计算多个第二本征模式分量与任意一个振动信号(原始信号)之间的相关系数,以此来判定哪些第二本征模式分量是原始信号的真实分量,哪些是虚假,无意义的第二本征模式分量,并将虚假的本征模式分量剔除。为了避免幅值较小而又真实的IMF被剔除,将所有的第二本征模式分量与原始信号进行归一化处理,第二本征模式分量与原始信号之间的归一化相关系数计算公式为:
其中,rj为第j个IMF与任意一个振动信号x(t)之间的第二相关系数,t=1,2,…N为信号的采样点。
进一步地,设定相关系数阈值TH,具体公式如下:
如果某个第二本征模式分量对应的相关系数大于该相关系数阈值,则保留该第二本征模式分量,否则将其剔除掉。由此能够筛选出多个第二目标本征模型分量。
进一步地,将筛选出的多个第二目标本征模型分量进行叠加,得到去噪后的任意一个振动信号,具体公式如下:
同理按照上述过程能够对电流信号进行去噪,得到去噪后的电流信号。
步骤203、提取所述多个去噪后的振动信号分别对应的振动特征向量和所述去噪后的电流信号对应的电流特征向量。
对于本发明实施例,为了提取振动信号和电流信号对应的特征向量,步骤203具体包括:提取所述多个去噪后的振动信号分别对应的时域特征,以及所述去噪后的电流信号对应的时域特征;分别对所述多个去噪后的振动信号和所述去噪后的电流信号进行傅里叶变换,得到所述多个去噪后的振动信号分别对应的振动频谱信息和所述去噪后的电流信号对应的电流频谱信息;基于所述振动频谱信息和所述电流频谱信息,提取所述多个去噪后的振动信号分别对应的频域特征,以及所述去噪后的电流信号对应的频域特征;根据所述多个去噪后的振动信号分别对应的频域特征和时域特征,确定所述振动特征向量;根据所述去噪后的电流信号对应的频域特征和时域特征,确定所述电流特征向量。
其中,去噪后的振动信号和去噪后的电流信号的时域特征包括:时域信号的平均值、方差、平均幅值、能量、均方根、方根幅值、标准差等。振动信号和电流信号的频域特征包括:频域信号的平均幅值、重心频率、均方频率、频率方差、均方根频率、幅值偏度指标、频率标准差、频率歪度、频率峭度等。
具体地,可以对去噪后的电流信号和去噪后的振动信号进行采样,根据采样点,计算去噪后的振动信号和去噪后的电流信号对应的上述时域特征。与此同时,可以对去噪后的电流信号和去噪后的振动信号分别进行傅里叶变换,得到电流频谱信息和振动频谱信息,之后对电流频谱信息和振动频率信息进行采样,根据采样点,计算去噪后的振动信号和去噪后的电流信号对应的上述频域特征。进一步地,将去噪后的电流信号对应的时域特征和频域特征横向拼接,得到电流特征向量,同理将去噪后的振动信号对应的时域特征和频域特征进行横向拼接,得到振动特征向量。
步骤204、将多个所述振动特征向量和所述电流特征向量进行横向拼接,得到拼接后的特征向量。
对于本发明实施例,在得到振动特征向量和电流特征向量之后,可以将多个振动特征向量与电流特征向量依次进行横向拼接,得到拼接后的特征向量。
步骤205、将所述拼接后的特征向量输入至所述预设故障诊断模型中进行故障诊断,得到所述截割部的故障诊断结果。
其中,预设故障诊断模型可以为预设神经网络模型。对于本发明实施例,为了能够确定截割部的故障诊断结果,步骤205具体包括:将所述拼接后的特征向量输入至所述预设神经网络模型中进行故障分类,得到所述所述截割部属于不同故障类型的概率值;从各个概率值中确定最大概率值,并将最大概率值对应的故障类型确定为所述截割部对应的故障类型。
例如,神经网络模型输出的故障诊断结果为截割部处于正常运行状态的概率值为0.25,截割部齿轮磨损的概率值为0.65,截割部滚筒缺截齿的概率值为0.10,由于概率值0.65最大,因此可以确定截割部当前运行存在故障,且故障类型为截割部齿轮磨损。
进一步地,在正式监测采煤机截割部运行状态之前,需要构建预设故障诊断模型,针对该模型构建过程,所述方法包括:收集所述采煤机截割部在不同状态下的振动信号样本和电流信号样本,并将所述振动信号样本和所述电流信号样本共同作为原始信号样本;利用所述预设经验模态分解算法对所述原始信号样本进行去噪处理,得到去噪后的原始信号样本;基于所述截割部的实际运行状态对所述去噪后的原始信号样本进行标注,得到标注后的原始信号样本;将所述标注后的原始信号样本加入至样本训练集中,并判定所述样本训练集中的样本数量是否达到预设数量;若所述样本训练集中的样本数量达到所述预设数量,则对所述样本训练集中的信号样本进行数据预处理;基于预处理后的样本训练集,训练所述预设故障诊断模型;当所述预设故障诊断模型通过可信度测试时,结束训练。
具体地,采集目标采煤机截割部在各种运行状态(包括正常运行状态和故障状态)下的振动信号样本和电流信号样本,并将其作为原始信号样本,之后利用预设经验模态分解算法对原始信号样本进行去噪,得到去噪后的原始信号样本,接着根据截割部的实际运行状态,对去噪后的原始信号样本进行标注,并将标注后的原始信号样本加入至样本训练集中。进一步地,判定样本训练集中当前的样本数量是否达到预设数量,如果达到预设数量,则说明该样本训练集满足模型训练要求,对样本信号进行数据预处理,得到可供神经网络模型识别的数据模型,进一步地,利用神经网络算法对预处理后的样本训练集进行训练,构建预设故障诊断模型,该预设故障诊断模型表征有振动信号和电流信号与截割部运行状态之间的映射关系。
进一步地,在构建完成预设故障诊断模型(神经网络模型)之后,对预设故障诊断模型进行可信度测试,通过比对预测的故障诊断结果和实际的故障诊断结果,确定模型的可信度,如果模型的可信度达到预设要求,则确定该模型为最终模型;如果模型的可信度未达到预设要求,则重复上述训练过程,直至模型的可信度达到预设要求。
本发明实施例实施例提供的另一种采煤机截割部故障监测方法,通过采集采煤机截割部不同位置处的振动信号和电流信号,并利用神经网络模型对采煤机截割部进行故障诊断,能够实现对采煤机截割部的智能化监测,提高采煤机截割部的故障诊断精度,同时有利于尽早发现采煤机截割部存在的故障,提高截割部的检修效率,此外,本发明实施例利用预设经验模态分解算法对振动信号和电流信号进行去噪处理,能够精准提取微弱故障特征信号,有利于进一步提高采煤机截割部的故障诊断精度。
进一步地,作为图1的具体实现,本发明实施例提供了一种采煤机截割部故障监测装置,如图4所示,所述装置包括:采集单元31、去噪单元32、提取单元33和诊断单元34。
所述采集单元31,可以用于利用振动信号采集装置和电流信号采集装置分别采集采煤机截割部的多个振动信号和截割电机的电流信号,其中,所述振动信号采集装置分别安装于截割部行星齿轮表面和截割部传动轴的不同位置处。
所述去噪单元32,可以用于利用预设经验模态分解算法分别对所述电流信号和所述多个振动信号进行去噪处理,得到去噪后的电流信号和多个去噪后的振动信号。
所述提取单元33,可以用于提取所述多个去噪后的振动信号分别对应的振动特征向量和所述去噪后的电流信号对应的电流特征向量。
所述诊断单元34,可以用于将所述电流特征向量和多个所述振动特征向量输入至预设故障诊断模型中进行故障诊断,得到所述截割部的故障诊断结果,其中,所述预设故障诊断模型表征有所述电流特征向量和多个所述振动特征向量与所述故障诊断结果之间的映射关系。
在具体应用场景中,所述去噪单元32,如图5所示,包括:叠加模块321、分解模块322、计算模块323和筛选模块324。
所述叠加模块321,可以用于在所述电流信号中加入第一高斯白噪声,得到第一含噪信号。
所述分解模块322,可以用于对所述第一含噪信号进行经验模态分解,得到多个第一本征模式分量。
所述计算模块323,可以用于计算所述多个第一本征模式分量分别与所述电流信号的第一相关系数。
所述筛选模块324,可以用于根据所述第一相关系数,从所述多个第一本征模式分量中筛选出多个第一目标本征模式分量。
所述叠加模块321,还可以用于将所述多个第一目标本征模式分量进行叠加,得到所述去噪后的电流信号。
在具体应用场景中,所述叠加模块321,还可以用于针对所述多个振动信号中的任意一个振动信号,在所述任意一个振动信号中加入第二高斯白噪声,得到第二含噪信号。
所述分解模块322,还可以用于对所述第二含噪信号进行经验模态分解,得到多个第二本征模式分量。
所述计算模块323,还可以用于计算所述多个第二本征模式分量分别与所述任意一个振动信号的第二相关系数。
所述筛选模块324,还可以用于根据所述第二相关系数,从所述多个第二本征模式分量中筛选出多个第二目标本征模式分量。
所述叠加模块321,还可以用于将所述多个第二目标本征模式分量进行叠加,得到去噪后的任意一个振动信号。
在具体应用场景中,所述提取单元33,包括:提取模块331、变换模块332和确定模块333。
所述提取模块331,可以用于提取所述多个去噪后的振动信号分别对应的时域特征,以及所述去噪后的电流信号对应的时域特征。
所述变换模块332,可以用于分别对所述多个去噪后的振动信号和所述去噪后的电流信号进行傅里叶变换,得到所述多个去噪后的振动信号分别对应的振动频谱信息和所述去噪后的电流信号对应的电流频谱信息。
所述提取模块331,还可以用于基于所述振动频谱信息和所述电流频谱信息,提取所述多个去噪后的振动信号分别对应的频域特征,以及所述去噪后的电流信号对应的频域特征。
所述确定模块333,可以用于根据所述多个去噪后的振动信号分别对应的频域特征和时域特征,确定所述振动特征向量。
所述确定模块333,还可以用于根据所述去噪后的电流信号对应的频域特征和时域特征,确定所述电流特征向量。
在具体应用场景中,所述诊断单元34,包括:拼接模块341和诊断模块342。
所述拼接模块341,可以用于将多个所述振动特征向量和所述电流特征向量进行横向拼接,得到拼接后的特征向量。
所述诊断模块342,可以用于将所述拼接后的特征向量输入至所述预设故障诊断模型中进行故障诊断,得到所述截割部的故障诊断结果。
在具体应用场景中,所述预设故障诊断模型为预设神经网络模型,所述诊断模块342,具体可以用于将所述拼接后的特征向量输入至所述预设神经网络模型中进行故障分类,得到所述所述截割部属于不同故障类型的概率值;从各个概率值中确定最大概率值,并将最大概率值对应的故障类型确定为所述截割部对应的故障类型。
在具体应用场景中,所述装置还包括:构建单元35。
所述构建单元35,可以用于收集所述采煤机截割部在不同状态下的振动信号样本和电流信号样本,并将所述振动信号样本和所述电流信号样本共同作为原始信号样本;利用所述预设经验模态分解算法对所述原始信号样本进行去噪处理,得到去噪后的原始信号样本;基于所述截割部的实际运行状态对所述去噪后的原始信号样本进行标注,得到标注后的原始信号样本;将所述标注后的原始信号样本加入至样本训练集中,并判定所述样本训练集中的样本数量是否达到预设数量;若所述样本训练集中的样本数量达到所述预设数量,则对所述样本训练集中的信号样本进行数据预处理;基于预处理后的样本训练集,训练所述预设故障诊断模型;当所述预设故障诊断模型通过可信度测试时,结束训练。
在具体应用场景中,所述装置还包括:发送单元36。
所述发送单元36,可以用于若所述故障诊断结果为所述截割部存在故障,则发送报警信息。
需要说明的是,本发明实施例提供的一种采煤机截割部故障监测装置所涉及各功能模块的其他相应描述,可以参考图1所示方法的对应描述,在此不再赘述。
基于上述如图1所示方法,相应的,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:利用振动信号采集装置和电流信号采集装置分别采集采煤机截割部的多个振动信号和截割电机的电流信号,其中,所述振动信号采集装置分别安装于截割部行星齿轮表面和截割部传动轴的不同位置处;利用预设经验模态分解算法分别对所述电流信号和所述多个振动信号进行去噪处理,得到去噪后的电流信号和多个去噪后的振动信号;提取所述多个去噪后的振动信号分别对应的振动特征向量和所述去噪后的电流信号对应的电流特征向量;将所述电流特征向量和多个所述振动特征向量输入至预设故障诊断模型中进行故障诊断,得到所述截割部的故障诊断结果,其中,所述预设故障诊断模型表征有所述电流特征向量和多个所述振动特征向量与所述故障诊断结果之间的映射关系。
基于上述如图1所示方法和如图4所示装置的实施例,本发明实施例还提供了一种电子设备的实体结构图,如图6所示,该电子设备包括:处理器41、存储器42、及存储在存储器42上并可在处理器上运行的计算机程序,其中存储器42和处理器41均设置在总线43上所述处理器41执行所述程序时实现以下步骤:利用振动信号采集装置和电流信号采集装置分别采集采煤机截割部的多个振动信号和截割电机的电流信号,其中,所述振动信号采集装置分别安装于截割部行星齿轮表面和截割部传动轴的不同位置处;利用预设经验模态分解算法分别对所述电流信号和所述多个振动信号进行去噪处理,得到去噪后的电流信号和多个去噪后的振动信号;提取所述多个去噪后的振动信号分别对应的振动特征向量和所述去噪后的电流信号对应的电流特征向量;将所述电流特征向量和多个所述振动特征向量输入至预设故障诊断模型中进行故障诊断,得到所述截割部的故障诊断结果,其中,所述预设故障诊断模型表征有所述电流特征向量和多个所述振动特征向量与所述故障诊断结果之间的映射关系。
本发明实施例通过采集采煤机截割部不同位置处的振动信号和电流信号,并利用神经网络模型对采煤机截割部进行故障诊断,能够实现对采煤机截割部的智能化监测,提高采煤机截割部的故障诊断精度,同时有利于尽早发现采煤机截割部存在的故障,提高截割部的检修效率,此外,本发明实施例利用预设经验模态分解算法对振动信号和电流信号进行去噪处理,能够精准提取微弱故障特征信号,有利于进一步提高采煤机截割部的故障诊断精度。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本领域普通技术人员可以理解:实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中,也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
Claims (10)
1.一种采煤机截割部故障监测方法,其特征在于,包括:
利用振动信号采集装置和电流信号采集装置分别采集采煤机截割部的多个振动信号和截割电机的电流信号,其中,所述振动信号采集装置分别安装于截割部行星齿轮表面和截割部传动轴的不同位置处;
利用预设经验模态分解算法分别对所述电流信号和所述多个振动信号进行去噪处理,得到去噪后的电流信号和多个去噪后的振动信号;
提取所述多个去噪后的振动信号分别对应的振动特征向量和所述去噪后的电流信号对应的电流特征向量;
将所述电流特征向量和多个所述振动特征向量输入至预设故障诊断模型中进行故障诊断,得到所述截割部的故障诊断结果,其中,所述预设故障诊断模型表征有所述电流特征向量和多个所述振动特征向量与所述故障诊断结果之间的映射关系。
2.根据权利要求1所述的方法,其特征在于,利用预设经验模态分解算法对所述电流信号进行去噪处理,得到去噪后的电流信号,包括:
在所述电流信号中加入第一高斯白噪声,得到第一含噪信号;
对所述第一含噪信号进行经验模态分解,得到多个第一本征模式分量;
计算所述多个第一本征模式分量分别与所述电流信号的第一相关系数;
根据所述第一相关系数,从所述多个第一本征模式分量中筛选出多个第一目标本征模式分量;
将所述多个第一目标本征模式分量进行叠加,得到所述去噪后的电流信号;
利用预设经验模态分解算法分别对所述多个振动信号进行去噪处理,得-多个去噪后的振动信号,包括:
针对所述多个振动信号中的任意一个振动信号,在所述任意一个振动信号中加入第二高斯白噪声,得到第二含噪信号;
对所述第二含噪信号进行经验模态分解,得到多个第二本征模式分量;
计算所述多个第二本征模式分量分别与所述任意一个振动信号的第二相关系数;
根据所述第二相关系数,从所述多个第二本征模式分量中筛选出多个第二目标本征模式分量;
将所述多个第二目标本征模式分量进行叠加,得到去噪后的任意一个振动信号。
3.根据权利要求1所述的方法,其特征在于,所述提取所述多个去噪后的振动信号分别对应的振动特征向量和所述去噪后的电流信号对应的电流特征向量,包括:
提取所述多个去噪后的振动信号分别对应的时域特征,以及所述去噪后的电流信号对应的时域特征;
分别对所述多个去噪后的振动信号和所述去噪后的电流信号进行傅里叶变换,得到所述多个去噪后的振动信号分别对应的振动频谱信息和所述去噪后的电流信号对应的电流频谱信息;
基于所述振动频谱信息和所述电流频谱信息,提取所述多个去噪后的振动信号分别对应的频域特征,以及所述去噪后的电流信号对应的频域特征;
根据所述多个去噪后的振动信号分别对应的频域特征和时域特征,确定所述振动特征向量;
根据所述去噪后的电流信号对应的频域特征和时域特征,确定所述电流特征向量。
4.根据权利要求1所述的方法,其特征在于,所述将所述电流特征向量和多个所述振动特征向量输入至预设故障诊断模型中进行故障诊断,得到所述截割部的故障诊断结果,包括:
将多个所述振动特征向量和所述电流特征向量进行横向拼接,得到拼接后的特征向量;
将所述拼接后的特征向量输入至所述预设故障诊断模型中进行故障诊断,得到所述截割部的故障诊断结果。
5.根据权利要求4所述的方法,其特征在于,所述预设故障诊断模型为预设神经网络模型,所述将所述拼接后的特征向量输入至所述预设故障诊断模型中进行故障诊断,得到所述截割部的故障诊断结果,包括:
将所述拼接后的特征向量输入至所述预设神经网络模型中进行故障分类,得到所述所述截割部属于不同故障类型的概率值;
从各个概率值中确定最大概率值,并将最大概率值对应的故障类型确定为所述截割部对应的故障类型。
6.根据权利要求1所述的方法,其特征在于,在所述将所述电流特征向量和多个所述振动特征向量输入至预设故障诊断模型中进行故障诊断,得到所述截割部的故障诊断结果之前,所述方法还包括:
收集所述采煤机截割部在不同状态下的振动信号样本和电流信号样本,并将所述振动信号样本和所述电流信号样本共同作为原始信号样本;
利用所述预设经验模态分解算法对所述原始信号样本进行去噪处理,得到去噪后的原始信号样本;
基于所述截割部的实际运行状态对所述去噪后的原始信号样本进行标注,得到标注后的原始信号样本;
将所述标注后的原始信号样本加入至样本训练集中,并判定所述样本训练集中的样本数量是否达到预设数量;
若所述样本训练集中的样本数量达到所述预设数量,则对所述样本训练集中的信号样本进行数据预处理;
基于预处理后的样本训练集,训练所述预设故障诊断模型;
当所述预设故障诊断模型通过可信度测试时,结束训练。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述方法还包括:
若所述故障诊断结果为所述截割部存在故障,则发送报警信息。
8.一种采煤机截割部故障监测装置,其特征在于,包括:
采集单元,用于利用振动信号采集装置和电流信号采集装置分别采集采煤机截割部的多个振动信号和截割电机的电流信号,其中,所述振动信号采集装置分别安装于截割部行星齿轮表面和截割部传动轴的不同位置处;
去噪单元,用于利用预设经验模态分解算法分别对所述电流信号和所述多个振动信号进行去噪处理,得到去噪后的电流信号和多个去噪后的振动信号;
提取单元,用于提取所述多个去噪后的振动信号分别对应的振动特征向量和所述去噪后的电流信号对应的电流特征向量;
诊断单元,用于将所述电流特征向量和多个所述振动特征向量输入至预设故障诊断模型中进行故障诊断,得到所述截割部的故障诊断结果,其中,所述预设故障诊断模型表征有所述电流特征向量和多个所述振动特征向量与所述故障诊断结果之间的映射关系。
9.一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至7中任一项所述的方法的步骤。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,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至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211136577.6A CN117760481A (zh) | 2022-09-19 | 2022-09-19 | 一种采煤机截割部故障监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211136577.6A CN117760481A (zh) | 2022-09-19 | 2022-09-19 | 一种采煤机截割部故障监测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117760481A true CN117760481A (zh) | 2024-03-26 |
Family
ID=90316886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211136577.6A Pending CN117760481A (zh) | 2022-09-19 | 2022-09-19 | 一种采煤机截割部故障监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117760481A (zh) |
-
2022
- 2022-09-19 CN CN202211136577.6A patent/CN117760481A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20170074250A1 (en) | Wind turbine condition monitoring method and system | |
CN113469060A (zh) | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 | |
CN104048825B (zh) | 一种多传感器融合的风电机组齿轮箱故障定位方法 | |
CN109029589B (zh) | 一种桥梁结构安全状态监测系统 | |
Barbieri et al. | Analysis of automotive gearbox faults using vibration signal | |
CN107291475B (zh) | 通用型phm应用配置方法和装置 | |
CN112288021A (zh) | 一种医疗废水监测数据质控方法、装置及系统 | |
CN115437358A (zh) | 工业机器人智能状态监测与故障诊断系统及故障诊断方法 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN110060368A (zh) | 基于潜在特征编码的机械异常检测方法 | |
CN111124852A (zh) | 一种基于bmc健康管理模块的故障预测方法及系统 | |
CN103646013B (zh) | 一种基于协方差矩阵范数逼近的多重故障重构方法 | |
CN113776794A (zh) | 一种嵌入式边缘计算的故障诊断方法、装置和系统 | |
CN116956215A (zh) | 一种传动系统故障诊断方法及系统 | |
CN112305388A (zh) | 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 | |
CN116625683A (zh) | 一种风电机组轴承故障识别方法、系统、装置及电子设备 | |
CN108377209A (zh) | 基于scada的设备故障检测系统和检测方法 | |
CN109523030B (zh) | 一种基于机器学习的遥测参数异常监测系统 | |
CN114330430A (zh) | 一种基于大数据特征分析的电梯故障判断方法及系统 | |
CN111753603A (zh) | 一种应急发电机组edg故障诊断系统 | |
CN113221937A (zh) | 基于人工智能判断的应急处理系统及方法 | |
CN117760481A (zh) | 一种采煤机截割部故障监测方法及装置 | |
CN111415326A (zh) | 一种用于铁路接触网螺栓异常状态的检测方法及系统 | |
CN115659778A (zh) | 风力发电机轴承故障诊断模型在线构建方法及在线更新设备 | |
KR20230102431A (ko) | 인공지능 기반의 오일가스 플랜트 설비 고장 예측 및 진단시스템 |
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 |