【技术实现步骤摘要】
本专利技术涉及机械故障诊断领域，具体而言，涉及基于ai和机理融合的主提升系统远程故障诊断方法。
技术介绍
1、设备在运行的过程中一旦出现问题就会对企业造成严重的经济损失，严重的时候可能导致人员伤亡。如果能够在设备工作的过程中，通过对其状态进行监测与识别从而发现设备潜在的问题，并且通过相应的方法予以解决，那么就能够避免问题出现，从而使企业受到的损失最小化。
2、故障诊断技术，则是通过实时监测设备运行状况，采集参数变化趋势，提前判断其故障情况，从而对出现的问题进行早期修复处理，使设备继续保持正常运行状态，把故障消除在初始阶段。
3、在最近几年，与之前基于信号处理的特征提取结合机器学习模型故障诊断方法不同，新型的基于深度学习的故障诊断方法开始成为研究热点。基于深度学习故障诊断优势在于：通过建立深层模型，不需要对实验数据进行过多的信号特征提取，可以自适应的提取数据中的深层故障特征，实现智能自动化的机械设备健康状况诊断。
4、现有技术的存在的问题：
5、1.故障机理研究存在不足：通常情况下要获取故障设备或者是系统的全面数据难度较大，通过仿真研究能够对故障进行识别及预知，避免在工作的过程中出现漏诊与误诊。但现有的研究工作对于故障的机理研究没有予以足够重视，故障特性通常是采用了已有的研究成果。
6、2.故障诊断的方法有限：先通过获取故障信号，从信号中提取故障相关信息，从而获得故障有关征兆。但实践证明，不同机械故障信号具体表现形式不同，在信号处理与信息获得方面存在一定的难度。对于早期故
7、3.智能诊断系统薄弱：随着设备向大型化、高速化、智能化、自动化与复杂化方向发展，需要将新形式下新的诊断方法融于其中，而不同智能诊断方法对应用于某一对象，它是既有优点也有不足，如神经网络在样本获取方面就存在一定的难度。现有方法诊断能力较弱，并且需要满足一定的条件，要实现诊断方法的效果就需要将不同的方式结合到一起，实现优势互补。
技术实现思路
1、为了弥补以上不足，本专利技术提供了基于ai和机理融合的主提升系统远程故障诊断方法，旨在改善故障机理研究存在不足，故障诊断的方法有限，智能诊断系统薄弱等问题。
2、本专利技术实施例提供了基于ai和机理融合的主提升系统远程故障诊断方法，包括有以下步骤：
3、s1、对主井提升机设备机械异常和故障进行设备劣化预警；
4、s101、通过建立表征主提升机功能特征的机械模型和反映设备性能指标的效能模型，应用设备正常运行工况的历史数据，利用ai和机理融合及数据相关性分析技术，挖掘设备内在的运行规律和各参数间的关联度，建立预警诊断判据，对设备进行劣化预警，及时发现设备异常状态；
5、s102、通过构建设备劣化预警模型和ai深度学习模型，以预警诊断判据作为监测指标，对实时采集的设备数据进行模型劣化算法训练，实现对设备潜在故障的智能预警；
6、s2、对主井提升机设备的机械异常和故障进行诊断；
7、s201、首先需要结合专家知识和现场试验，研究主井提升机设备的机械异常和故障的先验标注方法和人机耦合样本标注技术；
8、s202、采用低资源大数据学习技术，通过大量学习建立深度神经网络模型，获得稳定ai模型之后，再在实际系统中进行主井提升机的智能诊断，并且随着数据积累不断完善诊断模型与方法；
9、s203、利用监督学习输入声音、振动、温度传感器数据的多维度数据中提取的特征组成的特征矩阵，通过深度神经网络多次降维/升维、非线性激活、正则化运算将故障进行分类，通过对标注数据集的迭代学习自动建立特征数据和设备故障类型之间的关系，由此实现对主井提升机故障的自动诊断；
10、s204、诊断结论根据状态情况分类，并给出设备维护建议，诊断结论能进行反馈闭环操作，同时支持设备预警情况下可联动实时回传报警点位声音、视频信息，辅助现场工程师进行故障判断验证。
11、在上述实现过程中，本专利技术通过ai和机理算法对主提升机的多维度智能感知数据和控制系统内的大量多维度数据进行远程融合诊断，深入挖掘数据本身的价值，提高数据利用率和对存量数据分析的深度，能够在主井提升机设备运行故障发生的早期阶段就捕捉到异常并及时给予预警信息，打造主要设备预测性维护和精密诊断能力，保障主要设备运行始终处于可控、在控的状态，变定期维护为按需维护，提高检修效率，降低运维成本；
12、消除信息孤岛，消除各类设备运行、检修、维护信息孤岛，真正实现设备智能化管理、专业化管理，为设备完整性管理和智能矿山建设提供技术支撑；
13、建设ai决策中心，构建多维度数据设备劣化ai案例库、监测诊断ai+机理案例库、故障模型库等在内的监测诊断、维修决策知识库；
14、提高检修团队建设，系统利用人工智能技术智能生成报告，指导人员检修，并通过学习检修团队的意见不断提升模型精度，人机耦合提升团队能力。
15、在一种具体的实施方案中，所述s102中智能预警的报警信息根据等级分类，并精确到部件给出报警详情，报警信息能进行反馈闭环操作，而且，报警报告根据实时数据出具并推送给用户，实现设备状态的实时监测及设备劣化预警。
16、在上述实现过程中，根据报警信息实现对智能预警进行分类处理，便于根据报警等级进行维修时间的缓急，以及便于报警信息实现反馈闭环。
17、在一种具体的实施方案中，所述s2中机械异常和故障进行诊断的内容包括有信号增强、有效事件检出和声纹特征提取、特征信号建模和故障诊断。
18、在上述实现过程中，对机械异常和故障信息进行分析处理，实现对信息中的特征提取，便于实现后续进行故障诊断处理。
19、在一种具体的实施方案中，所述s204中反馈闭环操作是将设备的历史故障与维修数据、实时工况数据、预警数据，与故障诊断知识库相连，实现设备的故障检测、分析判断与定位，辅助客户更精准的进行设备故障诊断分析，构建基于深度学习的设备状态智能诊断系统。
20、在上述实现过程中，反馈闭环操作实现对历史的故障信息、维修信息、工况数据、预警数据与故障诊断知识库进行连接，便于对提升机进行故障的判定和定位，实现设备故障诊断分析。
21、在一种具体的实施方案中，所述s1中的劣化预警包括有gmm算法、mset算法和lstm算法；
22、所述gmm算法的概率密度函数如下：
23、其中，k为模型的个数，即component的个数，或者聚类的个数；
24、αk为属于第k个高斯的概率，也称为先验分布，其需要满足大于零，且对一个x而言αk之和等于1；
25、p(xk)为第k个高斯的概率密度，其均值向量为uk，σk为协方差矩阵；
26、k是人工给定，其他参数都需要通过em算法进行本文档来自技高网...
【技术保护点】
1.基于AI和机理融合的主提升系统远程故障诊断方法，其特征在于，包括有以下步骤：
2.根据权利要求1所述的基于AI和机理融合的主提升系统远程故障诊断方法，其特征在于，所述S102中智能预警的报警信息根据等级分类，并精确到部件给出报警详情，报警信息能进行反馈闭环操作，而且，报警报告根据实时数据出具并推送给用户，实现设备状态的实时监测及设备劣化预警。
3.根据权利要求1所述的基于AI和机理融合的主提升系统远程故障诊断方法，其特征在于，所述S2中机械异常和故障进行诊断的内容包括有信号增强、有效事件检出和声纹特征提取、特征信号建模和故障诊断。
4.根据权利要求1所述的基于AI和机理融合的主提升系统远程故障诊断方法，其特征在于，所述S204中反馈闭环操作是将设备的历史故障与维修数据、实时工况数据、预警数据，与故障诊断知识库相连，实现设备的故障检测、分析判断与定位，辅助客户更精准的进行设备故障诊断分析，构建基于深度学习的设备状态智能诊断系统。
5.根据权利要求1所述的基于AI和机理融合的主提升系统远程故障诊断方法，其特征在于，所述S1中的劣化预
6.根据权利要求5所述的基于AI和机理融合的主提升系统远程故障诊断方法，其特征在于，所述MSET算法从所述GMM算法中获得计算后的相关变量集，共有n个相互关联的变量，将在某一时刻观测到的这n个变量记为观测向量，即：
7.根据权利要求5所述的基于AI和机理融合的主提升系统远程故障诊断方法，其特征在于，所述LSTM算法中的遗忘门公式如下：
8.根据权利要求1所述的基于AI和机理融合的主提升系统远程故障诊断方法，其特征在于，所述S202中的诊断模型是将设备相应故障机理中的主要诊断逻辑转化为量化的诊断规则标准，并考虑各个故障之间的交叉、重叠特点，在分析故障特征提取方法后，诊断算法通过匹配设备的数字化模型，形成设备的实时信息库，基于算法库和知识库的处理，将各种数据信息处理成可被计算机理解的特征信息。
9.根据权利要求1所述的基于AI和机理融合的主提升系统远程故障诊断方法，其特征在于，所述S203中故障的自动诊断是将设备的历史故障与维修数据、实时工况数据、预警数据，与故障诊断知识库相连，进行多模态传感数据融合分析模型库建设，基于深度学习模型进行时域特征提取、频域特征提取、时频域特征提取的信号处理方式。
10.根据权利要求9所述的基于AI和机理融合的主提升系统远程故障诊断方法，其特征在于，所述深度神经网络模型的训练是通过多种传感器实现获取多源信号输入，然后对多源信号进行去噪和增强处理，然后实现对多源数据信号中有效事件进行检出，然后在对数据帧进行声纹特征提取和故障事件标注，然后通过特征矩阵搭建机器声纹识别深度学习神经网络模型，并且故障事件标注实现将标注结果输入到机器声纹识别深度学习神经网络模型中；
...【技术特征摘要】
1.基于ai和机理融合的主提升系统远程故障诊断方法，其特征在于，包括有以下步骤：
2.根据权利要求1所述的基于ai和机理融合的主提升系统远程故障诊断方法，其特征在于，所述s102中智能预警的报警信息根据等级分类，并精确到部件给出报警详情，报警信息能进行反馈闭环操作，而且，报警报告根据实时数据出具并推送给用户，实现设备状态的实时监测及设备劣化预警。
3.根据权利要求1所述的基于ai和机理融合的主提升系统远程故障诊断方法，其特征在于，所述s2中机械异常和故障进行诊断的内容包括有信号增强、有效事件检出和声纹特征提取、特征信号建模和故障诊断。
4.根据权利要求1所述的基于ai和机理融合的主提升系统远程故障诊断方法，其特征在于，所述s204中反馈闭环操作是将设备的历史故障与维修数据、实时工况数据、预警数据，与故障诊断知识库相连，实现设备的故障检测、分析判断与定位，辅助客户更精准的进行设备故障诊断分析，构建基于深度学习的设备状态智能诊断系统。
5.根据权利要求1所述的基于ai和机理融合的主提升系统远程故障诊断方法，其特征在于，所述s1中的劣化预警包括有gmm算法、mset算法和lstm算法；
6.根据权利要求5所述的基于ai和机理融合的主提升系统远程故障诊断方法，其特征在于，所述mset算法从所述gmm算法中获得计算后的相关变量集，共有n个相互关联的变量，将在某一时刻观测到的这n个变量记...
【专利技术属性】
技术研发人员：代岩，张传江，雷雨，殷鹏，殷仕诚，邵卫，李文军，王鲜，戚士永，徐继营，杨超，罗新成，杨浩强，
申请(专利权)人：淮北矿业股份有限公司，
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。