一种井筒设备故障诊断方法、装置、终端及存储介质制造方法及图纸

本申请提供一种井筒设备故障诊断方法、装置、终端及存储介质。该方法包括：采集井筒设备的振动音频数据；基于声纹识别模型，对振动音频数据提取音频特征，并判断音频特征的特征类型，其中，特征类型包括正常特征和异常特征，声纹识别模型包括特征提取模型和异常判定模型，特征提取模型基于LSTM神经网络和残差网络融合得到，异常判定模型基于高斯混合模型构建得到；若音频特征是异常特征，则基于故障判定模型，确定音频特征对应的故障类型。本申请能够及时、准确的对长距离分布且环境复杂的井筒设备的各种异常状态做出诊断。备的各种异常状态做出诊断。备的各种异常状态做出诊断。

【技术实现步骤摘要】
一种井筒设备故障诊断方法、装置、终端及存储介质


[0001]本申请涉及故障诊断
，尤其涉及一种井筒设备故障诊断方法、装置、终端及存储介质。

技术介绍

[0002]立井罐笼是煤矿中最重要的生产设备之一，负责提升煤炭和材料、运输人员和各种设备，在矿井提升中发挥着巨大的作用，可以连接地面和井下，罐笼和天轮的安全稳定运行是关乎生产人员及物资的重要安全保障。
[0003]现在，通常采用点式传感器对煤矿设备进行故障侦听，以用来实现对煤矿设备的安全稳定运行的监测，但是，点式传感器无法解决长距离分布式监测，在复杂环境、无源环境中无法进行安装，无法实时在线监测设备状态。

技术实现思路

[0004]本申请提供了一种井筒设备故障诊断方法、装置、终端及存储介质，以解决现有技术中在长距离分布且环境复杂的情况下无法实时对井筒设备进行故障诊断的问题。
[0005]第一方面，本申请提供了一种井筒设备故障诊断方法，包括：
[0006]采集井筒设备的振动音频数据；
[0007]基于声纹识别模型，对所述振动音频数据提取音频特征，并判断所述音频特征的特征类型，其中，所述特征类型包括正常特征和异常特征，所述声纹识别模型包括特征提取模型和异常判定模型，所述特征提取模型基于LSTM神经网络和残差网络融合得到，所述异常判定模型基于高斯混合模型构建得到；
[0008]若所述音频特征是异常特征，则基于故障判定模型，确定所述音频特征对应的故障类型。
[0009]第二方面，本申请提供了一种井筒设备故障诊断装置，包括：
[0010]采集模块，用于采集井筒设备的振动音频数据；
[0011]识别模块，用于基于声纹识别模型，对所述振动音频数据提取音频特征，并判断所述音频特征的特征类型，其中，所述特征类型包括正常特征和异常特征，所述声纹识别模型包括特征提取模型和异常判定模型，所述特征提取模型基于LSTM神经网络和残差网络融合得到，所述异常判定模型基于高斯混合模型构建得到；
[0012]确定模块，用于若所述音频特征是异常特征，则基于故障判定模型，确定所述音频特征对应的故障类型。
[0013]第三方面，本申请提供了一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述井筒设备故障诊断方法的步骤。
[0014]第四方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种
可能的实现方式所述井筒设备故障诊断方法的步骤。
[0015]本申请提供一种井筒设备故障诊断方法、装置、终端及存储介质，通过采集井筒设备的振动音频数据，由于井筒设备的安装环境，可以实现对长距离分布且环境复杂的井筒设备的振动数据采集；基于声纹识别模型，对振动音频数据提取音频特征，并判断音频特征的特征类型，其中，特征类型包括正常特征和异常特征，声纹识别模型包括特征提取模型和异常判定模型，特征提取模型基于LSTM神经网络和残差网络融合得到，异常判定模型基于高斯混合模型构建得到；若音频特征是异常特征，则基于故障判定模型，确定音频特征对应的故障类型，能够及时、准确的对长距离分布且环境复杂的井筒设备的各种异常状态做出诊断，根据诊断结果预防进一步发生严重故障，提高了井筒设备运行的安全性、可靠性、有效性，将故障损失降到最低，保证设备发挥最大的经济效益。
附图说明
[0016]为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0017]图1是本申请实施例提供的井筒设备故障诊断方法的实现流程图；
[0018]图2是本申请实施例提供的分布式光纤的敷设路线图；
[0019]图3是本申请实施例提供的正常特征的音频示意图；
[0020]图4是本申请实施例提供的螺栓松动的音频示意图；
[0021]图5是本申请实施例提供的罐笼与轨道碰撞的音频示意图；
[0022]图6是本申请实施例提供的井筒设备故障诊断装置的结构示意图；
[0023]图7是本申请实施例提供的终端的示意图。
具体实施方式
[0024]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
[0025]为使本申请的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
[0026]图1为本申请实施例提供的井筒设备故障诊断方法的实现流程图，详述如下：
[0027]在S101中，采集井筒设备的振动音频数据。
[0028]由于井筒设备的不安全因素有很多，比如：设备未定期检验维修导致一些设备劳损未被及时发现，从而发生钢丝绳被拉断、制动阀失效、井架倾斜、指示器和防坠器失效、磨损腐蚀严重，甚至有安全系数不达标，质量检验不合格的设备一直在使用。
[0029]而且，井筒在不同机械状况下会产生不同的声音，声音都具有独特的特征，罐笼立井是矿山的主要提升通道，在提升过程中，机器运转摩擦产生不同特征声音，由于语音的物理属性：音质、音长、音强和音高，物理特征量各不相同，从而语音在声纹图谱上呈现不同的
声纹特征，因此，根据声纹特征参数，可以找出机器设备正常运转和异常运转的规律。
[0030]因此，本申请对井筒设备的振动音频数据进行采集，对采集到的振动音频数据进行分析，判断井筒设备是否是安全的。
[0031]在一种可能的实现方式中，采集井筒设备的振动音频数据可以包括：
[0032]通过分布式光纤采集井筒设备的振动音频数据。
[0033]参照图2可以看出，沿着提升容器轨道和天轮等设备敷设分布式光纤，及时获取提升容器和天轮等设备实时运行中的振动音频数据，其中，井筒设备包括提升容器和天轮等。
[0034]分布式光纤，即分布式光纤传感器，是采用独特的分布式光纤探测技术，对沿光纤传输路径上的空间分布和随时间变化信息进行测量或监控的传感器。
[0035]采用分布式光纤，可以对长距离分布且复杂环境、无源环境安装下对提升容器和天轮等设备实时运行中的振动音频数据进行采集，提高了数据采集的有效性。
[0036]在一种可能的实现方式中，振动音频数据中还可以包括提升容器的位置数据，该方法还可以包括：
[0037]输出振动音频数据的告警信息，告警信息包括告警类型和对应的位置数据。
[0038]在本申请实施例中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种井筒设备故障诊断方法，其特征在于，包括：采集井筒设备的振动音频数据；基于声纹识别模型，对所述振动音频数据提取音频特征，并判断所述音频特征的特征类型，其中，所述特征类型包括正常特征和异常特征，所述声纹识别模型包括特征提取模型和异常判定模型，所述特征提取模型基于LSTM神经网络和残差网络融合得到，所述异常判定模型基于高斯混合模型构建得到；若所述音频特征是异常特征，则基于故障判定模型，确定所述音频特征对应的故障类型。2.根据权利要求1所述的井筒设备故障诊断方法，其特征在于，所述采集井筒设备的振动音频数据包括：通过分布式光纤采集所述井筒设备的振动音频数据。3.根据权利要求2所述的井筒设备故障诊断方法，其特征在于，所述振动音频数据中还包括提升容器的位置数据，所述方法还包括：输出所述振动音频数据的告警信息，所述告警信息包括告警类型和对应的位置数据。4.根据权利要求1所述的井筒设备故障诊断方法，其特征在于，所述基于声纹识别模型，对所述振动音频数据提取音频特征，并判断所述音频特征的特征类型包括：采用梅尔频率倒谱系数，对所述振动音频数据进行计算，得到时间序列音频信号；基于所述特征提取模型对所述时间序列音频信号提取音频特征，并基于所述异常判定模型判断所述音频特征的特征类型。5.根据权利要求4所述的井筒设备故障诊断方法，其特征在于，所述声纹识别模型训练过程包括：将所述LSTM神经网络与所述残差网络进行融合连接；将时间序列音频信号作为输入，将所述时间序列音频信号对应的音频特征作为输出，对融合连接后的所述LSTM神经网络与所述残差网络进行训练，得到特征提取模型；将所述音频特征向量作为输入，将所述音频特征对应的特征类型作为输出，对基于高斯混合模型构建得到的异常判定模型进行训练，得到异常判定模型。6.根据权利要求1所述的井筒设备故障诊断方法...

【专利技术属性】
技术研发人员：何明中，
申请(专利权)人：石家庄宜中机电技术有限公司，
类型：发明
国别省市：