本发明专利技术公开了一种矿井齿轮箱油液检测及分析方法、系统和存储介质，包括以下步骤：S1、对目标设备齿轮箱的油液建立预测模型；S2、对目标设备齿轮箱的油液建立实时模型；S3、对目标设备进行油液检测，将检测到的各项数据带入预测模型以及实时模型中进行齿轮箱状态模拟以及数据处理；S4、建立用户交互界面，将预测模型的预测数据以及实时模型的检测数据传输至用户交互界面；S5、构建矿井设备故障分析模型，对S3步骤所的数据进行特征值提取处理并带入该故障诊断模型中，结合对目标齿轮箱中易损零部件运行情况进行检测，对目标设备的齿轮箱进行故障分析。该发明专利技术提供了在线进行油液检测的方法，避免了人工送检油样出现的一系列问题，大幅提高了检测效率。大幅提高了检测效率。大幅提高了检测效率。
【技术实现步骤摘要】
一种矿井齿轮箱油液检测及分析方法、系统机存储介质
[0001]本专利技术涉及矿井设备检修
，尤其涉及一种矿井齿轮箱油液检测及分析方法、系统和存储介质。
技术介绍
[0002]井下工作环境十分恶劣，机器在运转时不仅受到来自煤、矸石等巨大的冲击载荷，以及煤尘、瓦斯等污染，而采煤机、刮板输送机和掘进机等设备处于不断推移和动态发展的环境中，是综采工作面成套装备中工况最恶劣、负载情况最复杂的煤炭开采核心装备，长期在高强度恶劣条件下使得这些设备齿轮箱的故障率非常高。在故障发展的早期阶段，采煤设备往往很少或无法发现振动或温度的变化。更重要的是，这些方法无法在识别设备的磨损情况和提供设备故障的预测方面。而油液监测技术是通过对采煤设备润滑油样品进行取样，利用多种的监测技术手段，对样品的理化指标、污染物指标和磨损指标进行分析，结合设备的实际工况、润滑状态等进行数据结果分析。
[0003]目前油液检测的常用取样送检方式是利用人工取样送检，人工取样送检会出现一下缺点：煤矿部分设备安装环境恶劣，人工取样方式受地域限制较大，同时容易受到环境污染；人工就地取样，并送到地面实验室检测，送检周期长；取样、检测工作对人员素质的依赖较大，无法保证工作质量的一致性和稳定性；并且人工离线方式无法大面积实时监测
[0004]因此，“在线油液监测”和“故障诊断”两项技术是油液监测技术研究的重要方向，需要提出一种方法或系统，可以对齿轮箱油液进行实时在线检测，对目标设备的故障产生原因、部位进行科学的定位，同时还可以对在用工业设备磨损状况进行日常预防监测。
技术实现思路
[0005]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。
[0006]为达到上述目的，本专利技术提出了一种矿井齿轮箱油液检测及分析方法，包括以下步骤：
[0007]S1、对目标设备齿轮箱的油液建立预测模型，用以对目标设备的齿轮箱以当前状态运行预测下一时间点油液状态；
[0008]S2、对目标设备齿轮箱的油液建立实时模型，用以对目标设备的齿轮箱进行当前状态下的实时油液状态模拟；
[0009]S3、对目标设备齿轮箱进行油液检测，将检测到的各项数据带入预测模型以及实时模型中进行齿轮箱状态模拟以及数据处理；
[0010]S4、建立用户交互界面，将预测模型的预测数据以及实时模型的检测数据传输至用户交互界面，根据用户需求对数据进行图形化或文字化处理；
[0011]S5、构建矿井设备故障分析模型，对S3步骤所的数据进行特征值提取处理并带入该故障诊断模型中，结合对目标齿轮箱中易损零部件运行情况进行检测，对目标设备的齿轮箱进行故障分析。
[0012]本专利技术的通过对矿井下设备进行实时油样监控，结合神经网络算法，对油样各个时段的情况建立预测模型以及实时监控模型，从而生成各个时刻油液状态的比较情况，方便工作人员进行类比，观测实时模型与预测模型出现不同的时刻以及发生不同时的油样状态，从而通过油液检测情况对齿轮箱内部故障发生情况进行原因分析，并将该油样结果带入故障诊断模型中，在对应的故障模型中进行故障原因、位置的分析，避免了人工送检过程中出现的一系列问题。
[0013]可选地，在S1中，预测模型包括原始预测模型以及实时预测模型；
[0014]所述原始预测模型以对应设备齿轮箱的铭牌、出厂规格数据以及油样的初始数据为依据，形成理论正常工作状态下无故障发生的模型；
[0015]所述实时预测模型对实时模型进行调用，并按照S3中检测到的油液数据对下一时间点的油液模型进行预测，且预测条件为目标设备的齿轮箱正常工作无故障发生。
[0016]进一步地，所述实时预测模型在检测初始时间点时，调用原始预测模型数据，并依次进行下一时间点的油样模型预测。
[0017]进一步地，在进行S2步骤时，同步建立实时模型的数据调用处理规则，包括：
[0018]对油样检测数据的进行实时调用，生成实时油样模型，并对该时刻点生成的模型进行暂存，以供预测模型进行调用；
[0019]每个时刻点调用油样检测数据后，生成的实时油样模型，均对上一时间点暂存的油样模型进行更新。
[0020]进一步地，在进行S3步骤时，对油样的检测包括对油液磨粒浓度、粘度、含水率、密度以及振动信号的检测。
[0021]进一步地，在进行S3步骤时，对检测的信号进行处理，包括：
[0022]S31、数据预处理，对油样检测生成的信号进行去噪、放大、归一化以及A/D转化处理；
[0023]S32、对S31中的数据进行门限判决、误警剔除以及竖直整合处理；
[0024]S33、将S32中的数据传输至实时模型中，对油样的实时模型进行数据更替，且同步将该数据传输至故障诊断模型中，以供故障诊断模型对目标设备进行故障诊断。
[0025]进一步地，所述故障诊断模型以深度学习算法为基础建立的对齿轮箱油液磨粒浓度、粘度、含水率以及振动信号进行数据分析处理的模型。
[0026]本申请还提出一种矿井设备油液检测系统，包括以下模块：
[0027]第一模块，对目标设备齿轮箱的油液建立预测模型，用以对目标设备的齿轮箱以当前状态运行预测下一时间点油液状态；
[0028]第一单元，预测模型包括原始预测模型以及实时预测模型；
[0029]所述原始预测模型以对应设备齿轮箱的铭牌、出厂规格数据以及油样的初始数据为依据，形成理论正常工作状态下无故障发生的模型；
[0030]所述实时预测模型对实时模型进行调用，将实时检测到的油液数据对下一时间点的油液模型进行预测，且预测条件为目标设备的齿轮箱正常工作无故障发生；
[0031]第二单元，所述实时预测模型在检测初始时间点时，调用原始预测模型数据，并依次进行下一时间点的油样模型预测；
[0032]第二模块，对目标设备齿轮箱的油液建立实时模型，用以对目标设备的齿轮箱进
行当前状态下的实时油液状态模拟；
[0033]第三单元，在进行第二模块中，同步建立实时模型的数据调用处理规则，包括：
[0034]对油样检测数据的进行实时调用，生成实时油样模型，并对该时刻点生成的模型进行暂存，以供预测模型进行调用；
[0035]每个时刻点调用油样检测数据后，生成的实时油样模型，均对上一时间点暂存的油样模型进行更新；
[0036]第三模块，对目标设备齿轮箱进行油液检测，将检测到的各项数据带入预测模型以及实时模型中进行齿轮箱状态模拟以及数据处理；
[0037]第四单元，数据预处理，对油样检测生成的信号进行去噪、放大、归一化以及A/D转化处理；
[0038]第五单元，对第四单元中的数据进行门限判决、误警剔除以及竖直整合处理；
[0039]第六单元，将第五单元中的数据传输至实时模型中，对油样的实时模型进行数据更替，且同步将该数据传输至故障诊断模型中，以供故障诊断模型对目标设备进行故障诊断；
[0040]第四模块，建立用户交互界面，将预测模型本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种矿井齿轮箱油液检测及分析方法，其特征在于，包括以下步骤：S1、对目标设备齿轮箱的油液建立预测模型，用以对目标设备的齿轮箱以当前状态运行预测下一时间点油液状态；S2、对目标设备齿轮箱的油液建立实时模型，用以对目标设备的齿轮箱进行当前状态下的实时油液状态模拟；S3、对目标设备齿轮箱进行油液检测，将检测到的各项数据带入预测模型以及实时模型中进行齿轮箱状态模拟以及数据处理；S4、建立用户交互界面，将预测模型的预测数据以及实时模型的检测数据传输至用户交互界面，根据用户需求对数据进行图形化或文字化处理；S5、构建矿井设备故障分析模型，对S3步骤所的数据进行特征值提取处理并带入该故障诊断模型中，结合对目标齿轮箱中易损零部件运行情况进行检测，对目标设备的齿轮箱进行故障分析。2.如权利要求1所述的一种矿井齿轮箱油液检测及分析方法，其特征在于，在S1中，预测模型包括原始预测模型以及实时预测模型；所述原始预测模型以对应设备齿轮箱的铭牌、出厂规格数据以及油样的初始数据为依据，形成理论正常工作状态下无故障发生的模型；所述实时预测模型对实时模型进行调用，并按照S3中检测到的油液数据对下一时间点的油液模型进行预测，且预测条件为目标设备的齿轮箱正常工作无故障发生。3.如权利要求2所述的一种矿井齿轮箱油液检测及分析方法，其特征在于，所述实时预测模型在检测初始时间点时，调用原始预测模型数据，并依次进行下一时间点的油样模型预测。4.如权利要求1所述的一种矿井齿轮箱油液检测及分析方法，其特征在于，在进行S2步骤时，同步建立实时模型的数据调用处理规则，包括：对油样检测数据的进行实时调用，生成实时油样模型，并对该时刻点生成的模型进行暂存，以供预测模型进行调用；每个时刻点调用油样检测数据后，生成的实时油样模型，均对上一时间点暂存的油样模型进行更新。5.如权利要求1所述的一种矿井齿轮箱油液检测及分析方法，其特征在于，在进行S3步骤时，对油样的检测包括对油液磨粒浓度、粘度、含水率、密度以及振动信号的检测。6.如权利要求5所述的一种矿井齿轮箱油液检测及分析方法，其特征在于，在进行S3步骤时，对检测的信号进行处理，包括：S31、数据预处理，对油样检测生成的信号进行去噪、放大、归一化以及A/D转化处理；S32、对S31中的数据进行门限判决、误警剔除以及竖直整合处理；S33、将S32中的数据传输至实时模型中，对油样的实时模型进行数据更替，且同步将该数据传输至故障诊断模型中，以供故障诊断模型对目标设备进行故障诊...
【专利技术属性】
技术研发人员：刘志明，陶伟忠，金刚，王妙云，李滢，
申请(专利权)人：中煤科工集团信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。