一种基于字典学习的卸载式多驱输送机故障监测方法技术

本发明专利技术公开了一种基于字典学习的卸载式多驱输送机故障监测方法，包括以下步骤：构建描述输送带上的物料分布特征；获取学习样本；进行字典学习；建立故障诊断的指标用于输送机的实时监测；进行输送机状态监测与故障诊断的离线学习；进行输送机状态监测与故障诊断的在线监测。上述技术方案通过将输送带承载段分成定长的n等份，结合电子皮带秤定义分布向量来描述输送带上的物料分布特征，基于字典学习建立多驱输送机数据驱动故障诊断模型，并且提出了新的初始字典生成方法，改善多点驱动输送机字典学习模型的故障诊断性能，实现输送机工作过程的实时状态监测和故障预警，为多驱动输送机运行的状态监测和故障诊断提供了一种有效方法。方法。方法。

【技术实现步骤摘要】
一种基于字典学习的卸载式多驱输送机故障监测方法


[0001]本专利技术涉及故障监测
，尤其涉及一种基于字典学习的卸载式多驱输送机故障监测方法。

技术介绍

[0002]带式输送机是用于中、远距离输送散状物料的主要设备之一，具有速度快、输送量大、自动连续性等优势。经过长久发展，带式输送机已在矿业、电力、化工等领域得到了广泛的应用。带式输送机正朝着运送距离越来越长、输送带带速越来越快、运输功率越来越大、装载量越来越高以及安装倾斜角度越来越大等方向发展。在长距离物料输送中，由于单台驱动电机所能提供的驱动力有限，且输送胶带所能承受的最大张力也有限，故大型带式输送机通常采用多台电机驱动。增加中部卸料驱动站是降低带强，降低整机价的一种有效方式。目前广泛用于带式输送机的调速装置有CST、可调速液力偶合器、变频器。从设备全生命周期的成本考虑，变频器具有较大优势。输送机属于恒转矩负载，一般选用矢量控制类变频器，具有可控输出转矩。
[0003]带式输送机系统包含大量的运动部件，且运行状态多变，容易出现故障。在文献中针对输送机故障监测与诊断的研究较多，可以分为几类：
[0004]①
基于特殊装置的故障判断。前期文献主要开发专用装置来直接判断特定故障类型，例如，采用跑偏开关和打滑开关来检测跑偏和打滑故障。
[0005]②
旋转设备故障诊断。在文献中也出现了较多针对关键旋转设备进行故障诊断的研究报道，主要测量振动信号再通过信号处理的手段来获得故障特征。
[0006]③
基于图像的故障诊断。近年来，出现了采用红外热成像、工业相机等设备对电动机、托辊等关键部件进行故障诊断的研究。所采用的核心技术是图像处理和模式识别，图像测量可以方便地与巡检机器人配合使用以扩大检测区域。
[0007]④
数据驱动故障诊断。近年来也出现了基于大数据学习的输送机故障诊断方法；例如，收集带式输送机正常、跑偏、撕裂、打滑等状态下带速、瞬时运输重量、电动机电流等信号，并将这些数据作为学习样本进行神经网络监督学习，训练完成后模型即可用于故障诊断。
[0008]第
①
和第
②
类方法针对具体的设备进行故障判断，设备范围小。第
③
类基于视觉的方法发展迅速，但对前期故障和微小故障的检出率不高。第
④
类方法能实现故障的在线判断，由于训练样本中必须包含故障类标，故训练样本难以获得。
[0009]中国专利文献CN112027562A公开了一种“多点驱动带式输送机通信侦听系统、控制系统及方法”。其控制系统是由机头控制主站，机中控制分站组成；机头控制主站与机中控制分站通过通信光缆相互交互，通信侦听系统设置在控制主站控制器与控制分站控制器上。上述技术方案针对于设备前期故障和微小故障的检出率不高。

技术实现思路

[0010]本专利技术主要解决原有的技术方案针对设备的范围小，对于前期故障和微小故障的检出率不高的技术问题，提供一种基于字典学习的卸载式多驱输送机故障监测方法，通过将输送带承载段分成定长的n等份，结合电子皮带秤定义分布向量来描述输送带上的物料分布特征，基于字典学习建立多驱输送机数据驱动故障诊断模型，字典学习算法具有强大的挖掘数据底层结构与特征的能力，对复杂的多变量过程有较好的故障诊断性能，并且提出了新的初始字典生成方法，对字典学习故障诊断方法进行优化，改善多点驱动输送机字典学习模型的故障诊断性能，实现输送机工作过程的实时状态监测和故障预警，为多驱动输送机运行的状态监测和故障诊断提供了一种有效方法。
[0011]本专利技术的上述技术问题主要是通过下述技术方案得以解决的：本专利技术包括以下步骤：
[0012]S1构建描述输送带上的物料分布特征；
[0013]S2获取学习样本；
[0014]S3进行字典学习；
[0015]S4建立故障诊断的指标用于输送机的实时监测；
[0016]S5进行输送机状态监测与故障诊断的离线学习；
[0017]S6进行输送机状态监测与故障诊断的在线监测。
[0018]作为优选，所述的步骤S1具体包括将输送带的承载段分成定长的n等份，设传送机带速为v，则输送机经过每段需要的时间为：
[0019][0020]设q为皮带秤输出，则首段输送带上的物料量可以表示为：
[0021][0022]设皮带秤读数的采样周期为t
s
，取将上式离散化得首段输送带物料量计算公式
[0023][0024]随着输送带的运动，物料将在输送带上向后传递，形成链：x1→
x2→……→
x
m
→
x
m+1
→……→
x
n
，当输送机运行时间大于后，每个段的装载量变成已知量，利用向量x
k
＝(x1,x2…
x
m
,x
m+1
x
n
)即可描述输送带上的物料分布。
[0025]作为优选，所述的步骤S2获取的学习样本包括：
[0026]S2.1设数据采样周期为T
s
，且T
s
>t
s
，t
s
为装载量的采样周期；
[0027]S2.2程序按照周期t
s
在线获取装载量q，并计算首段输送带上的物料量x1，并更新发布向量x
k
＝(x1,x2…
x
m
,x
m+1
x
n
)；
[0028]S2.3每个周期T
s
(以k次采样为例)，读出物料分布向量x
k
，并通过现场总线从变频器获得主驱动单元输出转矩T
ET1
和T
ET2
、中部驱动单元转矩T
EZ1
和T
EZ2
、尾部驱动单元转矩T
EW1
和T
EW2
，并读取带速v：
[0029]S2.4将以上获得的参数组合为向量包含了输送机运行过程的核心参数用于反映输送机的工作状态，即可作为输送机字典学习故障诊断建模的一个学习样本；
[0030]S2.5重复步骤S2.1到步骤S2.5获得多个学习样本，构成样本集
[0031]作为优选，所述的步骤S3字典学习包括稀疏编码和字典更新两个过程，稀疏编码采用OMP算法，该过程基于字典矩阵D计算编码矩阵S；字典更新采用KSVD算法，该过程是对字典矩阵D和编码矩阵S的每个向量进行同步更新。
[0032]作为优选，所述的稀疏编码过程的迭代次数即为设定的稀疏度L，在迭代中依次找出对样本贡献值最大、贡献值次之的字典原子，以此类推，直到完成L次迭代，得到贡献值大的原子对应的编码系数，组成编码向量，在进行稀疏编码时，字典矩阵D是固定且已知的，则编码过程如下：
[0033][003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于字典学习的卸载式多驱输送机故障监测方法，其特征在于，包括以下步骤：S1构建描述输送带上的物料分布特征；S2获取学习样本；S3进行字典学习；S4建立故障诊断的指标用于输送机的实时监测；S5进行输送机状态监测与故障诊断的离线学习；S6进行输送机状态监测与故障诊断的在线监测。2.根据权利要求1所述的一种基于字典学习的卸载式多驱输送机故障监测方法，其特征在于，所述步骤S1具体包括将输送带的承载段分成定长的n等份，设传送机带速为v，则输送机经过每段需要的时间为：设q为皮带秤输出，则首段输送带上的物料量可以表示为：设皮带秤读数的采样周期为t
s
，取将上式离散化得首段输送带物料量计算公式随着输送带的运动，物料将在输送带上向后传递，形成链：x1→
x2→……→
x
m
→
x
m+1
→……→
x
n
，当输送机运行时间大于后，每个段的装载量变成已知量，利用向量x
k
＝(x1,x2…
x
m
,x
m+1
…
x
n
)即可描述输送带上的物料分布。3.根据权利要求1所述的一种基于字典学习的卸载式多驱输送机故障监测方法，其特征在于，所述步骤S2获取的学习样本包括：S2.1设数据采样周期为T
s
，且T
s
>t
s
，t
s
为装载量的采样周期；S2.2程序按照周期t
s
在线获取装载量q，并计算首段输送带上的物料量x1，并更新发布向量x
k
＝(x1,x2…
x
m
,x
m+1
…
x
n
)；S2.3每个周期T
s
(以k次采样为例)，读出物料分布向量x
k
，并通过现场总线从变频器获得主驱动单元输出转矩T
ET1
和T
ET2
、中部驱动单元转矩T
EZ1
和T
EZ2
、尾部驱动单元转矩T
EW1
和T
EW2
，并读取带速v：S2.4将以上获得的参数组合为向量S2.4将以上获得的参数组合为向量包含了输送机运行过程的核心参数用于反映输送机的工作状态，即可作为输送机字典学习故障诊断建模的一个学习样本；S2.5重复步骤S2.1到步骤S2.5获得多个学习样本，构成样本集4.根据权利要求1所述的一种基于字典学习的卸载式多驱输送机故障监测方法，其特征在于，所述步骤S3字典学习包括稀疏编码和字典更新两个过程，稀疏编码采用OMP算法，
该过程基于字典矩阵D计算编码矩阵S；字典更新采用KSVD算法，该过程是对字典矩阵D和编码矩阵S的每个向量进行同步更新。5.根据权利要求4所述的一种基于字典学习的卸载式多驱输送机故障监测方法，其特征在于，所述稀疏编码过程的迭代次数即为设定的稀疏度L，在迭代中依次找出对样本贡献值最大、贡献值次之的字典原子，以此类推，直到完成L次迭代，得到贡献值大的原子对应的编码系数，组成编码向量，在进行稀疏编码时，字典矩阵D是固定且已知的，则编码过程如下：首先计算每个字典原子对残差R的贡献值，并找到贡献值最大的字典原子作为该次编码的原子，残差R的初始值设置为用内积绝对值来表示贡献值大小，内积绝对值越大，说明字典原子与残差R相关性越大，内积计算方法如下：<D,R>＝D
T
·
R选定最大贡献值，即内积绝对值的最大值所对应的字典原子作为第一次迭代的基d1，用最小二乘法计算d1对样本的编码系数λ1，如下：然后，根据下式更新残差，并重复以上过程完成L次迭代，直到根据第L个贡献值大的基d
L
得到编码系数λ
L
停止计算6.根据权利要求4所述的一种基于字典学习的卸载式多驱输送机故障监测方法，其特征在于，所述字典更新过程采用KSVD算法，用于更新字典矩阵D和编码矩阵S，更新方式是对字典矩阵D逐列更新，即每次只更新一个字典原子列向量和其对应的稀疏编码行向量，当更新某一列字典原子时，其它字典原子与其对应的编码向量不变，通过对残差进行奇异值分解SVD，得到优化的字典原子和编码向量，由于字典原子数为K，故要完成K次SVD的残差迭代，依次对每列字典原子和每行编码向量进行最优化，以此不断减小样本重建误差，最终获得性能优良的字典矩阵D和编码矩阵S，假设更新字典矩阵D的第k个字典原子，记为d
k
；同时更新编码矩阵S的第k行，记为则有：定义残差则字典更新的优化目标模型为：找出中的非零元素，从而得到E
′
k
，此时字典更新的优化目标模型为：
对E
′
k
进行SVD分解，如下：E
′

【专利技术属性】
技术研发人员：岑梁，季国良，何海国，王伟，尹小明，范津津，林瑞学，蒋勇，季小雨，王佳峰，陆剑，章宙文，牛传臣，胡文博，邱泽晶，肖楚鹏，郭松，冯澎湃，
申请(专利权)人：国网浙江长兴县供电有限公司，
类型：发明
国别省市：