Nothing Special   »   [go: up one dir, main page]

CN117951455B - 一种刮板输送机运行故障在线监测方法 - Google Patents

一种刮板输送机运行故障在线监测方法 Download PDF

Info

Publication number
CN117951455B
CN117951455B CN202410330956.1A CN202410330956A CN117951455B CN 117951455 B CN117951455 B CN 117951455B CN 202410330956 A CN202410330956 A CN 202410330956A CN 117951455 B CN117951455 B CN 117951455B
Authority
CN
China
Prior art keywords
data
scraper
abnormal data
suspected
anomaly
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
Application number
CN202410330956.1A
Other languages
English (en)
Other versions
CN117951455A (zh
Inventor
毛庆福
郭金星
张洋
田德良
李尚虎
刘鹏
申德龙
高翔
张玉
张经龙
周波
王晓光
张超晨
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.)
Wenshang Yiqiao Coal Mine Co ltd
Original Assignee
Wenshang Yiqiao Coal Mine 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 Wenshang Yiqiao Coal Mine Co ltd filed Critical Wenshang Yiqiao Coal Mine Co ltd
Priority to CN202410330956.1A priority Critical patent/CN117951455B/zh
Publication of CN117951455A publication Critical patent/CN117951455A/zh
Application granted granted Critical
Publication of CN117951455B publication Critical patent/CN117951455B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
    • B65G43/00—Control devices, e.g. for safety, warning or fault-correcting
    • B65G43/02—Control devices, e.g. for safety, warning or fault-correcting detecting dangerous physical condition of load carriers, e.g. for interrupting the drive in the event of overheating
    • 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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种刮板输送机运行故障在线监测方法，包括：获取刮板运行数据序列；根据噪声异常可信因子对每个刮板运行数据序列段中所有疑似异常数据进行筛选，获取每个刮板运行数据序列段中所有噪声异常数据；获取每个去噪后刮板运行数据序列段中每个目标异常数据的异常可能因子；根据异常可能因子对刮板运输机进行故障监测。本发明提高了刮板运输机运行故障检测的准确性。

Description

一种刮板输送机运行故障在线监测方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种刮板输送机运行故障在线监测方法。
背景技术
刮板运输机是一种用于水平或略微倾斜输送物料的机械输送设备，通过传动装置带动刮板链从而使上方的刮板推动矸石、煤矿等颗粒状物料或小块状物料，从而运输至另一个点。其中的传动装置是整个仪器进行工作的核心，因此传动装置转轴的工作情况需要进行实时的监控，从而保证转轴工作的稳定进行。
在利用标准分数算法(Z-score)对振动传感器所采集到的振动数据进行实时监测时，由于刮板运输机转轴的振动数据本身的变化特征，真正的异常振动数据与噪声数据的偏离程度均大，因此异常数据的检测时，难以区分异常振动数据和噪声数据，标准分数算法无法处理偏离程度数值较小的异常数据，导致刮板运输机运行故障检测的准确性低。
发明内容
为了解决上述问题，本发明提供一种刮板输送机运行故障在线监测方法，所述方法包括：
获取刮板运行数据序列，刮板运行数据序列包括若干个采样时刻的刮板振动数据、刮板电机转速数据和刮板负载数据；
将刮板运行数据序列划分为若干个刮板运行数据序列段，利用标准分数算法获取每个刮板运行数据序列段中每个采样时刻的振动数据的偏离程度，根据偏离程度获取每个刮板运行数据序列段中所有疑似异常数据；根据疑似异常数据周围所有采样时刻的振动数据的分布情况，获取疑似异常数据的变化规律程度；根据疑似异常数据对应采样时刻的刮板电机转速数据和刮板负载数据、变化规律程度以及偏离程度，获取疑似异常数据的噪声异常可信因子；根据噪声异常可信因子对每个刮板运行数据序列段中所有疑似异常数据进行筛选，获取每个刮板运行数据序列段中所有噪声异常数据；
对噪声异常数据进行修正，获取去噪后刮板运行数据序列段中所有目标异常数据；根据每个目标异常数据与相邻采样时刻之间振动数据的差值、噪声异常可信度和偏离程度，获取每个目标异常数据的异常可能因子；
根据异常可能因子对刮板运输机进行故障监测。
优选的，所述根据偏离程度获取每个刮板运行数据序列段中所有疑似异常数据，包括的具体方法为：
预设一个偏离参数，对于任意一个刮板运行数据序列段中任意一个采样时刻，若所述采样时刻的振动数据的偏离程度的绝对值大于/>，将所述采样时刻的振动数据记为疑似异常数据。
优选的，所述根据疑似异常数据周围所有采样时刻的振动数据的分布情况，获取疑似异常数据的变化规律程度，包括的具体方法为：
预设一个邻域参数，对于任意一个刮板运行数据序列段中任意一个疑似异常数据，获取所述疑似异常数据的邻域时刻范围；获取疑似异常数据的变化规律程度的计算方法为：
式中，表示疑似异常数据的变化规律程度；/>表示疑似异常数据的邻域时刻范围内所有采样时刻的振动数据中所有极大值的总数量；/>表示疑似异常数据的邻域时刻范围内所有采样时刻的振动数据中第/>个极大值对应的采样时刻；/>表示疑似异常数据的邻域时刻范围内所有采样时刻的振动数据中第/>个极大值对应的采样时刻；/>表示疑似异常数据的邻域时刻范围内所有采样时刻的振动数据中第/>个极大值对应的采样时刻；/>表示疑似异常数据的邻域时刻范围内所有采样时刻的振动数据中第/>个极大值与第/>个极大值的差值；/>表示疑似异常数据的邻域时刻范围内所有采样时刻的振动数据中第/>个极大值与第/>个极大值的差值；/>表示疑似异常数据的邻域时刻范围内所有采样时刻的振动数据中第/>个极大值；/>表示疑似异常数据的邻域时刻范围内所有采样时刻的振动数据中第/>个极大值；/>表示邻域参数；/>表示取绝对值。
优选的，所述获取所述疑似异常数据的邻域时刻范围，包括的具体方法为：
将所述疑似异常数据的左侧个采样时刻和右侧/>个采样时刻构成的时刻范围，作为所述疑似异常数据的邻域时刻范围。
优选的，所述根据疑似异常数据对应采样时刻的刮板电机转速数据和刮板负载数据、变化规律程度以及偏离程度，获取疑似异常数据的噪声异常可信因子，包括的具体方法为：
对于任意一个刮板运行数据序列段中任意一个疑似异常数据，获取所述疑似异常数据的第一极大值和第一极小值；
根据所述疑似异常数据的第一极大值、第一极小值、变化规律程度、偏离程度以及所对应采样时刻的刮板电机转速数据和刮板负载数据，获取所述疑似异常数据的噪声异常可信度；
获取所述刮板运行数据序列段中所有疑似异常数据的噪声异常可信度，将所有噪声异常可信度进行线性归一化后的每个噪声异常可信度记为噪声异常可信因子。
优选的，所述获取所述疑似异常数据的第一极大值和第一极小值，包括的具体方法为：
将所述疑似异常数据的邻域时刻范围内所有采样时刻的振动数据中每个极大值，与所述疑似异常数据之间采样时刻的时间间隔，记为每个极大值的第一时间间隔，将第一时间间隔最小的极大值，作为所述疑似异常数据的第一极大值；将所述疑似异常数据的邻域时刻范围内所有采样时刻的振动数据中每个极小值，与所述疑似异常数据之间采样时刻的时间间隔，记为每个极小值的第二时间间隔，将第二时间间隔最小的极小值，作为所述疑似异常数据的第一极小值。
优选的，所述根据所述疑似异常数据的第一极大值、第一极小值、变化规律程度、偏离程度以及所对应采样时刻的刮板电机转速数据和刮板负载数据，获取所述疑似异常数据的噪声异常可信度，包括的具体方法为：
将所述疑似异常数据的变化规律程度的倒数记为第一倒数；将所述疑似异常数据的偏离程度的绝对值，记为第一绝对值；将所述疑似异常数据所对应采样时刻的刮板电机转速数据与刮板负载数据的和，记为第一和值；将所述疑似异常数据的第一极大值与第一极小值的差值的绝对值，记为第二绝对值，将预设的超参数与第二绝对值的和，记为第二和值，将第一和值与第二和值的比值，记为第一比值，将第一比值归一化后的结果，记为第一结果；将第一绝对值、第一倒数和第一结果三者的累乘结果，作为所述疑似异常数据的噪声异常可信度。
优选的，所述对噪声异常数据进行修正，获取去噪后刮板运行数据序列段中所有目标异常数据，包括的具体方法为：
对于任意一个刮板运行数据序列段中任意一个噪声异常数据，将所述噪声异常数据相邻两个采样时刻的振动数据的平均值，作为所述噪声异常数据所对应采样时刻的振动数据后，将所述刮板运行数据序列段记为去噪后刮板运行数据序列段；将去噪后刮板运行数据序列段中所有疑似异常数据记为目标异常数据。
优选的，所述根据每个目标异常数据与相邻采样时刻之间振动数据的差值、噪声异常可信度和偏离程度，获取每个目标异常数据的异常可能因子，包括的具体方法为：
对于任意一个去噪后刮板运行数据序列段中任意一个目标异常数据，将所述目标异常数据与所述目标异常数据所对应采样时刻的上一个采样时刻的振动数据的差值，作为所述目标异常数据的相邻振动数据差值；获取所述目标异常数据的异常可能性的计算方法：
式中，表示目标异常数据的异常可能性；/>表示目标异常数据的相邻振动数据差值；/>表示去噪后刮板运行数据序列段中所有目标异常数据的总数量；/>表示去噪后刮板运行数据序列段中第/>个目标异常数据；/>表示去噪后刮板运行数据序列段中第/>个目标异常数据；/>表示目标异常数据的噪声异常可信度；/>表示目标异常数据的偏离程度；/>表示绝对值。
优选的，所述根据异常可能因子对刮板运输机进行故障监测，包括的具体方法为：
预设一个数量参数，对于任意一个去噪后刮板运行数据序列段中任意一个目标异常数据，若所述目标异常数据的异常可能因子大于或等于预设的可信阈值/>，将所述目标异常数据记为真实异常数据；将所述去噪后刮板运行数据序列段中所有真实异常数据的总数量，记为所述去噪后刮板运行数据序列段的第一数量；若所有去噪后刮板运行数据序列段的第一数量之和大于数量参数/>，刮板运输机存在运行故障，立即开启警报。
本发明的技术方案的有益效果是：本发明根据噪声异常可信因子对每个刮板运行数据序列段中所有疑似异常数据进行筛选，获取每个刮板运行数据序列段中所有噪声异常数据，以此区分异常振动数据和噪声数据，对噪声异常数据进行修正，获取去噪后刮板运行数据序列段中所有目标异常数据；根据每个目标异常数据与相邻采样时刻之间振动数据的差值、噪声异常可信度和偏离程度，获取每个目标异常数据的异常可能因子，根据异常可能因子对刮板运输机进行故障监测，以此通过修正噪声数据，获取去噪后数据序列，并再次通过分析偏离程度数值较小的异常数据的异常可能性，获取真实异常数据，进而提高了刮板运输机运行故障检测的准确性。
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为本发明一种刮板输送机运行故障在线监测方法的步骤流程图；
图2为本发明一种刮板输送机运行故障在线监测方法的特征关系流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种刮板输送机运行故障在线监测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种刮板输送机运行故障在线监测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种刮板输送机运行故障在线监测方法的步骤流程图，该方法包括以下步骤：
步骤S001：获取刮板运行数据序列，刮板运行数据序列包括若干个采样时刻的刮板振动数据、刮板电机转速数据和刮板负载数据。
需要说明的是，在利用标准分数算法对振动传感器所采集到的振动数据进行异常检测时，可通过对偏离程度大高表现的异常数据进行修正后，获取去噪后的振动数据，进而实现对真正的异常振动数据的标记。
具体的，首先需要采集刮板运行数据序列，具体过程为：
每隔1秒钟为一个采样时刻，每次依次采集刮板振动数据、刮板电机转速数据和刮板负载数据这三种数据种类，共采集1小时；将每个采样时刻的刮板振动数据、刮板电机转速数据和刮板负载数据这三种数据作为刮板运行数据序列。
其中，刮板运行数据序列包括若干个采样时刻的刮板振动数据、刮板电机转速数据和刮板负载数据；利用振动传感器对刮板运输机在运行过程中转轴的振动数据进行采集，获得刮板振动数据；利用红外传感器对刮板运输机在运行过程中电机的转速进行采集，获得刮板电机转速数据；利用压力传感器对刮板运输机在运行过程中负载重量进行采集，获得刮板负载数据；请参阅图2，其示出了一种刮板输送机运行故障在线监测方法的特征关系流程图。
至此，通过上述方法得到刮板运行数据序列。
步骤S002：将刮板运行数据序列划分为若干个刮板运行数据序列段，利用标准分数算法获取每个刮板运行数据序列段中每个采样时刻的振动数据的偏离程度，根据偏离程度获取每个刮板运行数据序列段中所有疑似异常数据；根据疑似异常数据周围所有采样时刻的振动数据的分布情况，获取疑似异常数据的变化规律程度；根据疑似异常数据对应采样时刻的刮板电机转速数据和刮板负载数据、变化规律程度以及偏离程度，获取疑似异常数据的噪声异常可信因子；根据噪声异常可信因子对每个刮板运行数据序列段中所有疑似异常数据进行筛选，获取每个刮板运行数据序列段中所有噪声异常数据。
需要说明的是，在对任意一个采样时刻的振动数据进行实时分析时，由于距离该采样时刻较远的振动数据与该采样时刻数据的联系较弱，因此仅选择与该采样时刻数据较近的振动数据对该采样时刻的振动数据的异常程度进行分析，从而保证数据分析的真实性和实时性。
预设一个分割参数和一个偏离参数/>，其中本实施例以/>为例进行叙述，本实施例不进行具体限定，其中/>根据具体实施情况而定。
具体的，将刮板运行数据序列均匀划分为个刮板运行数据序列段，对于任意一个刮板运行数据序列段，利用标准分数算法获取所述刮板运行数据序列段中每个采样时刻的振动数据的偏离程度；对于任意一个采样时刻，若所述采样时刻的振动数据的偏离程度的绝对值大于/>，将所述采样时刻的振动数据记为疑似异常数据；进而获取所述刮板运行数据序列段中所有疑似异常数据。
至此，获取每个刮板运行数据序列段中所有疑似异常数据。
需要说明的是，在刮板运输机的工作过程中，电压电流、电机转速、负载重量和工作时长等外界因素均对转轴的振动存在影响，当某一外界因素发生改变时，其转轴的振动数据也会跟随其外界因素的变化程度发生变化，使原本稳定的周期性数据变为高频率且无序的数据，因此结合外界因素对疑似异常数据点的噪声异常可信度进行分析。
预设一个邻域参数，其中本实施例以/>为例进行叙述，本实施例不进行具体限定，其中/>根据具体实施情况而定。
具体的，对于任意一个刮板运行数据序列段中任意一个疑似异常数据，将所述疑似异常数据的左侧个采样时刻和右侧/>个采样时刻构成的时刻范围，作为所述疑似异常数据的邻域时刻范围；获取所述疑似异常数据的邻域时刻范围内所有采样时刻的振动数据中所有极大值，根据疑似异常数据的邻域时刻范围内所有采样时刻的振动数据的分布情况，获取疑似异常数据的变化规律程度。
作为一种示例，获取每个刮板运行数据序列段中每个疑似异常数据的变化规律程度的计算方法为：
式中，表示疑似异常数据的变化规律程度；/>表示疑似异常数据的邻域时刻范围内所有采样时刻的振动数据中所有极大值的总数量；/>表示疑似异常数据的邻域时刻范围内所有采样时刻的振动数据中第/>个极大值对应的采样时刻；/>表示疑似异常数据的邻域时刻范围内所有采样时刻的振动数据中第/>个极大值对应的采样时刻；/>表示疑似异常数据的邻域时刻范围内所有采样时刻的振动数据中第/>个极大值对应的采样时刻；/>表示疑似异常数据的邻域时刻范围内所有采样时刻的振动数据中第/>个极大值与第/>个极大值的差值；/>表示疑似异常数据的邻域时刻范围内所有采样时刻的振动数据中第/>个极大值与第/>个极大值的差值；/>表示疑似异常数据的邻域时刻范围内所有采样时刻的振动数据中第/>个极大值；/>表示疑似异常数据的邻域时刻范围内所有采样时刻的振动数据中第/>个极大值；/>表示邻域参数；/>表示取绝对值。
需要说明的是，若疑似异常数据的任意一侧的采样时刻不足时，在该疑似异常数据的另一侧选取更多的采样时刻，使得该疑似异常数据的邻域时刻范围内采样时刻的数量达到/>个；若疑似异常数据的邻域时刻范围内数据的变化频率越快并且振动数据之间越不符合周期性，则当前疑似异常数据的噪声异常可信度越高，表示疑似异常数据的邻域时刻范围内数据变化的周期性。
至此，获取每个刮板运行数据序列段中每个疑似异常数据的变化规律程度。
需要说明的是，结合疑似异常数据所应采样时刻的其他维度数据对该采样时刻的振动数据的影响进行分析；由于该采样时刻下的刮板输送机的电机转速越快时，则刮板输送机的转轴的振动变化幅度越小，也即疑似异常数据表现噪声异常的可信度越高，反之同理；同时，由于刮板输送机在工作时其表面的负载重量发生变化，表面负载的增加会增加转轴的转动阻力，从而使得转轴振动数据变化越大，以此结合疑似异常数据点的变化规律程度确定疑似异常数据点的噪声异常可信度。
具体的，对于任意一个刮板运行数据序列段中任意一个疑似异常数据，将所述疑似异常数据的邻域时刻范围内所有采样时刻的振动数据中每个极大值，与所述疑似异常数据之间采样时刻的时间间隔，记为每个极大值的第一时间间隔，将第一时间间隔最小的极大值，作为所述疑似异常数据的第一极大值；将所述疑似异常数据的邻域时刻范围内所有采样时刻的振动数据中每个极小值，与所述疑似异常数据之间采样时刻的时间间隔，记为每个极小值的第二时间间隔，将第二时间间隔最小的极小值，作为所述疑似异常数据的第一极小值；根据疑似异常数据所对应采样时刻的刮板电机转速数据和刮板负载数据、变化规律程度和偏离程度，获取疑似异常数据的噪声异常可信因子。
作为一种示例，获取每个刮板运行数据序列段中每个疑似异常数据的噪声异常可信度的计算方法为：
式中，表示疑似异常数据的噪声异常可信度；/>表示疑似异常数据的变化规律程度；/>表示疑似异常数据的偏离程度；/>表示疑似异常数据所对应采样时刻的刮板电机转速数据；/>表示疑似异常数据所对应采样时刻的刮板负载数据；/>表示疑似异常数据的第一极大值；/>表示疑似异常数据的第一极小值；/>表示取绝对值；/>表示归一化函数；/>表示预设的超参数，本实施预设/>，用于防止分母为0。
获取所述刮板运行数据序列段中所有疑似异常数据的噪声异常可信度，将所有噪声异常可信度进行线性归一化后的每个噪声异常可信度记为噪声异常可信因子。
预设一个可信阈值，其中本实施例以/>为例进行叙述，本实施例不进行具体限定，其中/>根据具体实施情况而定。
对于任意一个刮板运行数据序列段中任意一个疑似异常数据，若所述疑似异常数据的噪声异常可信因子大于或等于可信阈值，将所述疑似异常数据记为噪声异常数据。
至此，通过上述方法得到每个刮板运行数据序列段中所有噪声异常数据。
步骤S003：对噪声异常数据进行修正，获取去噪后刮板运行数据序列段中所有目标异常数据；根据每个目标异常数据与相邻采样时刻之间振动数据的差值、噪声异常可信度和偏离程度，获取每个目标异常数据的异常可能因子。
需要说明的是，通过对疑似异常数据的噪声异常可信度进行分析，筛选出部分满足噪声异常可信度要求的疑似异常数据点，由于可能存在具有较低异常表现但实际上是异常数据，即振动数据的变化符合场景中其他数据的变化，但数据的变化程度可能不符合正常的变化程度等情况，因此需要再次对数据段中的剩余疑似异常数据进行分析，计算剩余疑似数据点的异常可信度。
具体的，对于任意一个刮板运行数据序列段中任意一个噪声异常数据，将所述噪声异常数据相邻两个采样时刻的振动数据的平均值，作为所述噪声异常数据所对应采样时刻的振动数据后，将所述刮板运行数据序列段记为去噪后刮板运行数据序列段；将去噪后刮板运行数据序列段中所有疑似异常数据记为目标异常数据。
至此，获取每个去噪后刮板运行数据序列段中所有目标异常数据。
需要说明的是，对于去噪后刮板运行数据序列段中变化趋势与正常数据的变化趋势存在不同的目标异常数据，由于其与去噪后刮板运行数据序列段中振动数据均值的大小相近，即标准分数算法异常表现较低，但实际上属于异常数据，因此无法直接利用标准分数算法将其标记为异常数据；由于去噪后刮板运行数据序列段中异常数据均表现为与相邻数据或其他数据与相邻数据之间的振动数据变化量存在差异，因此结合与相邻数据中相邻数据的变化程度进行分析，若数据与其邻域数据点之间的变化量和去噪后刮板运行数据序列段中其他数据与其邻域数据点之间的变化量的差异越大时，则当前数据的异常可能性越大。
具体的，对于任意一个去噪后刮板运行数据序列段中任意一个目标异常数据，将所述目标异常数据与所述目标异常数据所对应采样时刻的上一个采样时刻的振动数据的差值，作为所述目标异常数据的相邻振动数据差值，根据每个目标异常数据与相邻采样时刻之间振动数据的差值、噪声异常可信度和偏离程度，获取每个目标异常数据的异常可能因子。
作为一种示例，获取每个去噪后刮板运行数据序列段中每个目标异常数据的异常可能性的计算方法：
式中，表示任意一个去噪后刮板运行数据序列段中任意一个目标异常数据的异常可能性；/>表示目标异常数据的相邻振动数据差值；/>表示去噪后刮板运行数据序列段中所有目标异常数据的总数量；/>表示去噪后刮板运行数据序列段中第/>个目标异常数据；表示去噪后刮板运行数据序列段中第/>个目标异常数据；/>表示目标异常数据的噪声异常可信度；/>表示目标异常数据的偏离程度；/>表示绝对值。
获取所述去噪后刮板运行数据序列段中所有目标异常数据的异常可能性，将所有异常可能性进行线性归一化后的每个异常可能性记为异常可能因子。
至此，通过上述方法得到每个去噪后刮板运行数据序列段中每个目标异常数据的异常可能因子。
步骤S004：根据异常可能因子对刮板运输机进行故障监测。
预设一个数量参数，其中本实施例以/>为例进行叙述，本实施例不进行具体限定，其中/>根据具体实施情况而定。
具体的，对于任意一个去噪后刮板运行数据序列段中任意一个目标异常数据，若所述目标异常数据的异常可能因子大于或等于可信阈值，将所述目标异常数据记为真实异常数据；将所述去噪后刮板运行数据序列段中所有真实异常数据的总数量，记为所述去噪后刮板运行数据序列段的第一数量；若所有去噪后刮板运行数据序列段的第一数量之和大于数量参数/>，刮板运输机存在运行故障，立即开启警报。
至此，本实施例完成。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种刮板输送机运行故障在线监测方法，其特征在于，该方法包括以下步骤：
获取刮板运行数据序列，刮板运行数据序列包括若干个采样时刻的刮板振动数据、刮板电机转速数据和刮板负载数据；
将刮板运行数据序列划分为若干个刮板运行数据序列段，利用标准分数算法获取每个刮板运行数据序列段中每个采样时刻的振动数据的偏离程度，根据偏离程度获取每个刮板运行数据序列段中所有疑似异常数据；根据疑似异常数据周围所有采样时刻的振动数据的分布情况，获取疑似异常数据的变化规律程度；根据疑似异常数据对应采样时刻的刮板电机转速数据和刮板负载数据、变化规律程度以及偏离程度，获取疑似异常数据的噪声异常可信因子；根据噪声异常可信因子对每个刮板运行数据序列段中所有疑似异常数据进行筛选，获取每个刮板运行数据序列段中所有噪声异常数据；
对噪声异常数据进行修正，获取去噪后刮板运行数据序列段中所有目标异常数据；根据每个目标异常数据与相邻采样时刻之间振动数据的差值、噪声异常可信度和偏离程度，获取每个目标异常数据的异常可能因子；
根据异常可能因子对刮板运输机进行故障监测；
所述根据疑似异常数据周围所有采样时刻的振动数据的分布情况，获取疑似异常数据的变化规律程度，包括的具体方法为：
预设一个邻域参数，对于任意一个刮板运行数据序列段中任意一个疑似异常数据，获取所述疑似异常数据的邻域时刻范围；获取疑似异常数据的变化规律程度的计算方法为：
式中，表示疑似异常数据的变化规律程度；/>表示疑似异常数据的邻域时刻范围内所有采样时刻的振动数据中所有极大值的总数量；/>表示疑似异常数据的邻域时刻范围内所有采样时刻的振动数据中第/>个极大值对应的采样时刻；/>表示疑似异常数据的邻域时刻范围内所有采样时刻的振动数据中第/>个极大值对应的采样时刻；/>表示疑似异常数据的邻域时刻范围内所有采样时刻的振动数据中第/>个极大值对应的采样时刻；/>表示疑似异常数据的邻域时刻范围内所有采样时刻的振动数据中第/>个极大值与第/>个极大值的差值；/>表示疑似异常数据的邻域时刻范围内所有采样时刻的振动数据中第/>个极大值与第/>个极大值的差值；/>表示疑似异常数据的邻域时刻范围内所有采样时刻的振动数据中第/>个极大值；/>表示疑似异常数据的邻域时刻范围内所有采样时刻的振动数据中第/>个极大值；/>表示邻域参数；/>表示取绝对值
所述根据疑似异常数据对应采样时刻的刮板电机转速数据和刮板负载数据、变化规律程度以及偏离程度，获取疑似异常数据的噪声异常可信因子，包括的具体方法为：
对于任意一个刮板运行数据序列段中任意一个疑似异常数据，获取所述疑似异常数据的第一极大值和第一极小值；
根据所述疑似异常数据的第一极大值、第一极小值、变化规律程度、偏离程度以及所对应采样时刻的刮板电机转速数据和刮板负载数据，获取所述疑似异常数据的噪声异常可信度；
获取所述刮板运行数据序列段中所有疑似异常数据的噪声异常可信度，将所有噪声异常可信度进行线性归一化后的每个噪声异常可信度记为噪声异常可信因子；
所述根据每个目标异常数据与相邻采样时刻之间振动数据的差值、噪声异常可信度和偏离程度，获取每个目标异常数据的异常可能因子，包括的具体方法为：
对于任意一个去噪后刮板运行数据序列段中任意一个目标异常数据，将所述目标异常数据与所述目标异常数据所对应采样时刻的上一个采样时刻的振动数据的差值，作为所述目标异常数据的相邻振动数据差值；获取所述目标异常数据的异常可能性的计算方法：
式中，表示目标异常数据的异常可能性；/>表示目标异常数据的相邻振动数据差值；/>表示去噪后刮板运行数据序列段中所有目标异常数据的总数量；/>表示去噪后刮板运行数据序列段中第/>个目标异常数据；/>表示去噪后刮板运行数据序列段中第/>个目标异常数据；/>表示目标异常数据的噪声异常可信度；/>表示目标异常数据的偏离程度；表示绝对值。
2.根据权利要求1所述一种刮板输送机运行故障在线监测方法，其特征在于，所述根据偏离程度获取每个刮板运行数据序列段中所有疑似异常数据，包括的具体方法为：
预设一个偏离参数，对于任意一个刮板运行数据序列段中任意一个采样时刻，若所述采样时刻的振动数据的偏离程度的绝对值大于/>，将所述采样时刻的振动数据记为疑似异常数据。
3.根据权利要求1所述一种刮板输送机运行故障在线监测方法，其特征在于，所述获取所述疑似异常数据的邻域时刻范围，包括的具体方法为：
将所述疑似异常数据的左侧个采样时刻和右侧/>个采样时刻构成的时刻范围，作为所述疑似异常数据的邻域时刻范围。
4.根据权利要求1所述一种刮板输送机运行故障在线监测方法，其特征在于，所述获取所述疑似异常数据的第一极大值和第一极小值，包括的具体方法为：
将所述疑似异常数据的邻域时刻范围内所有采样时刻的振动数据中每个极大值，与所述疑似异常数据之间采样时刻的时间间隔，记为每个极大值的第一时间间隔，将第一时间间隔最小的极大值，作为所述疑似异常数据的第一极大值；将所述疑似异常数据的邻域时刻范围内所有采样时刻的振动数据中每个极小值，与所述疑似异常数据之间采样时刻的时间间隔，记为每个极小值的第二时间间隔，将第二时间间隔最小的极小值，作为所述疑似异常数据的第一极小值。
5.根据权利要求1所述一种刮板输送机运行故障在线监测方法，其特征在于，所述根据所述疑似异常数据的第一极大值、第一极小值、变化规律程度、偏离程度以及所对应采样时刻的刮板电机转速数据和刮板负载数据，获取所述疑似异常数据的噪声异常可信度，包括的具体方法为：
将所述疑似异常数据的变化规律程度的倒数记为第一倒数；将所述疑似异常数据的偏离程度的绝对值，记为第一绝对值；将所述疑似异常数据所对应采样时刻的刮板电机转速数据与刮板负载数据的和，记为第一和值；将所述疑似异常数据的第一极大值与第一极小值的差值的绝对值，记为第二绝对值，将预设的超参数与第二绝对值的和，记为第二和值，将第一和值与第二和值的比值，记为第一比值，将第一比值归一化后的结果，记为第一结果；将第一绝对值、第一倒数和第一结果三者的累乘结果，作为所述疑似异常数据的噪声异常可信度。
6.根据权利要求1所述一种刮板输送机运行故障在线监测方法，其特征在于，所述对噪声异常数据进行修正，获取去噪后刮板运行数据序列段中所有目标异常数据，包括的具体方法为：
对于任意一个刮板运行数据序列段中任意一个噪声异常数据，将所述噪声异常数据相邻两个采样时刻的振动数据的平均值，作为所述噪声异常数据所对应采样时刻的振动数据后，将所述刮板运行数据序列段记为去噪后刮板运行数据序列段；将去噪后刮板运行数据序列段中所有疑似异常数据记为目标异常数据。
7.根据权利要求1所述一种刮板输送机运行故障在线监测方法，其特征在于，所述根据异常可能因子对刮板运输机进行故障监测，包括的具体方法为：
预设一个数量参数，对于任意一个去噪后刮板运行数据序列段中任意一个目标异常数据，若所述目标异常数据的异常可能因子大于或等于预设的可信阈值/>，将所述目标异常数据记为真实异常数据；将所述去噪后刮板运行数据序列段中所有真实异常数据的总数量，记为所述去噪后刮板运行数据序列段的第一数量；若所有去噪后刮板运行数据序列段的第一数量之和大于数量参数/>，刮板运输机存在运行故障，立即开启警报。
CN202410330956.1A 2024-03-22 2024-03-22 一种刮板输送机运行故障在线监测方法 Active CN117951455B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410330956.1A CN117951455B (zh) 2024-03-22 2024-03-22 一种刮板输送机运行故障在线监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410330956.1A CN117951455B (zh) 2024-03-22 2024-03-22 一种刮板输送机运行故障在线监测方法

Publications (2)

Publication Number Publication Date
CN117951455A CN117951455A (zh) 2024-04-30
CN117951455B true CN117951455B (zh) 2024-06-07

Family

ID=90793017

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410330956.1A Active CN117951455B (zh) 2024-03-22 2024-03-22 一种刮板输送机运行故障在线监测方法

Country Status (1)

Country Link
CN (1) CN117951455B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118259064A (zh) * 2024-05-10 2024-06-28 国网山西省电力公司忻州供电公司 一种电力系统设备运行负荷异常监测方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017197875A1 (zh) * 2016-05-17 2017-11-23 中国矿业大学 一种刮板输送机链条张力监测装置及方法
WO2018142703A1 (ja) * 2017-02-02 2018-08-09 日本電信電話株式会社 異常要因推定装置、異常要因推定方法及びプログラム
WO2022037172A1 (zh) * 2020-08-17 2022-02-24 南京磐能电力科技股份有限公司 一种采样数据异常值修复方法及装置
CN114253779A (zh) * 2021-12-01 2022-03-29 北京经纬恒润科技股份有限公司 Can总线数据的异常检测方法、装置及设备
WO2023283987A1 (zh) * 2021-07-15 2023-01-19 中国科学院深圳先进技术研究院 无人系统的传感器安全性检测方法、设备及存储介质
CN116595470A (zh) * 2023-07-17 2023-08-15 北京云摩科技股份有限公司 一种刮板机链条载荷监测的方法
CN116879662A (zh) * 2023-09-06 2023-10-13 山东华尚电气有限公司 基于数据分析的变压器故障检测方法
CN117312972A (zh) * 2023-11-30 2023-12-29 山西海诚智能制造有限公司 一种刮板输送机减速器健康状态识别方法
CN117436024A (zh) * 2023-12-19 2024-01-23 湖南翰文云机电设备有限公司 一种基于钻机运行数据分析的故障诊断方法及系统
CN117649412A (zh) * 2024-01-30 2024-03-05 山东海天七彩建材有限公司 一种铝材表面质量的检测方法
CN117668730A (zh) * 2023-12-14 2024-03-08 郑州恒达智控科技股份有限公司 基于深度学习算法的煤矿井下刮板机负载异常检测方法
CN117708747A (zh) * 2024-02-04 2024-03-15 吉林交通职业技术学院 一种列车运行中轨道振动数据异常的监测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7653235B2 (en) * 2005-10-27 2010-01-26 Honeywell International Inc. Surface anomaly detection system and method
JP2019016209A (ja) * 2017-07-07 2019-01-31 株式会社東芝 診断装置、診断方法およびコンピュータプログラム
US11194691B2 (en) * 2019-05-31 2021-12-07 Gurucul Solutions, Llc Anomaly detection using deep learning models

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017197875A1 (zh) * 2016-05-17 2017-11-23 中国矿业大学 一种刮板输送机链条张力监测装置及方法
WO2018142703A1 (ja) * 2017-02-02 2018-08-09 日本電信電話株式会社 異常要因推定装置、異常要因推定方法及びプログラム
WO2022037172A1 (zh) * 2020-08-17 2022-02-24 南京磐能电力科技股份有限公司 一种采样数据异常值修复方法及装置
WO2023283987A1 (zh) * 2021-07-15 2023-01-19 中国科学院深圳先进技术研究院 无人系统的传感器安全性检测方法、设备及存储介质
CN114253779A (zh) * 2021-12-01 2022-03-29 北京经纬恒润科技股份有限公司 Can总线数据的异常检测方法、装置及设备
CN116595470A (zh) * 2023-07-17 2023-08-15 北京云摩科技股份有限公司 一种刮板机链条载荷监测的方法
CN116879662A (zh) * 2023-09-06 2023-10-13 山东华尚电气有限公司 基于数据分析的变压器故障检测方法
CN117312972A (zh) * 2023-11-30 2023-12-29 山西海诚智能制造有限公司 一种刮板输送机减速器健康状态识别方法
CN117668730A (zh) * 2023-12-14 2024-03-08 郑州恒达智控科技股份有限公司 基于深度学习算法的煤矿井下刮板机负载异常检测方法
CN117436024A (zh) * 2023-12-19 2024-01-23 湖南翰文云机电设备有限公司 一种基于钻机运行数据分析的故障诊断方法及系统
CN117649412A (zh) * 2024-01-30 2024-03-05 山东海天七彩建材有限公司 一种铝材表面质量的检测方法
CN117708747A (zh) * 2024-02-04 2024-03-15 吉林交通职业技术学院 一种列车运行中轨道振动数据异常的监测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
一种基于改进EMD的风机振动信号异常检测方法;马宏陆;葛琳琳;牛强;夏士雄;;南京师大学报(自然科学版);20170320(01);正文全文 *
基于改进萤火虫算法神经网络的刮板输送机减速器故障诊断;毛君;郭浩;陈洪月;;机械强度;20190606(03);正文全文 *
基于深度视觉的筛板故障智能检测方法研究;杨林顺;郑伟;张帅帅;杨明锦;彭晨;;选煤技术;20200425(02);正文全文 *
基于混沌差分进化FCM的刮板输送机故障诊断;崔宏尧;刘敏智;;煤矿机械;20201010(10);正文全文 *

Also Published As

Publication number Publication date
CN117951455A (zh) 2024-04-30

Similar Documents

Publication Publication Date Title
Wang et al. A novel statistical time-frequency analysis for rotating machine condition monitoring
CA2634328C (en) Method and system for trend detection and analysis
CN110276416A (zh) 一种滚动轴承故障预测方法
CN117951455B (zh) 一种刮板输送机运行故障在线监测方法
CN114167838B (zh) 一种伺服系统多尺度健康评估与故障预测方法
Gowid et al. A novel robust automated FFT-based segmentation and features selection algorithm for acoustic emission condition based monitoring systems
US11630028B2 (en) Method and controller for deciding whether a bearing is faulty or not
CN111307438B (zh) 一种基于信息熵的旋转机械振动故障诊断方法及其系统
JPH11173909A (ja) 異常判定方法および装置
CN109238455B (zh) 一种基于图论的旋转机械振动信号监测方法及系统
CN117439827B (zh) 一种网络流量大数据分析方法
Zan et al. Research on early fault diagnosis of rolling bearing based on VMD
CN116773961A (zh) 基于振动信号高频特征分析的输电线路腐蚀检测方法
CN110398384A (zh) 旋转机械的机器健康监测
CN117454283A (zh) 一种用于风电机组运行检测数据的状态评估方法
CN118051863B (zh) 一种基于数字计量技术的健康数据采集系统及方法
Istiaque et al. Classification of Bearing Fault Using Radial Basis Neural Network and Genetic Algorithm
Tajiani et al. RUL prediction of bearings using empirical wavelet transform and Bayesian approach
JPH11173956A (ja) 品質判定方法および装置
CN118310786B (zh) 一种工业风机叶片荷载智能测量方法及系统
CN117273547B (zh) 基于边缘计算的生产设备运行数据处理方法
Lin et al. Fault diagnosis of rolling bearings using multifractal detrended fluctuation analysis and Mahalanobis distance criterion
CN115446662B (zh) 一种基于ceemdan-iftc-psr的刀具振动信号处理方法
Ignasiak et al. Long term vibration data analysis from wind turbine-statistical vs energy based features
CN113609207B (zh) 一种边坡形变监测数据的数据预处理方法

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