【技术实现步骤摘要】
本专利技术涉及机械设备状态监测与故障诊断，具体涉及带式输送机传动滚筒故障的多源数据协同监测方法。
技术介绍
1、带式输送机是目前最主要的物料运输设备之一，能够实现物料的连续输送。随着技术的不断进步和发展，管状带式输送机、轮轨带式输送机、悬索带式输送机等多种新型带式输送机相继被研发并投入生产，以适应不同环境下的物料输送需求。这些新型输送机不仅提高了物料运输的效率和灵活性，同时也对设备的稳定性和安全性提出了更高的要求。
2、传动滚筒作为带式输送机的核心驱动部件，在各种类型的带式输送机中扮演着至关重要的角色。它通常由电机或减速器驱动，通过与输送带之间的摩擦力来实现动力的传递。传动滚筒的状态直接关系到输送系统的整体性能。一旦发生损伤或故障，不仅会导致输送效率显著下降，还可能引起胶带损坏、甚至造成人员伤亡等严重后果。因此，确保传动滚筒的稳定可靠运行对于保障生产安全、提高生产效率至关重要。
3、传统上，带式输送机的运行监测主要依赖于物理传感器和人工定期检查两种方式。然而，这种监测方法在面对恶劣的工作环境时存在明显的局限性。一方面，人工监测的频率有限，且受制于工作人员的专业水平和经验，难以保证监测结果的准确性；另一方面，物理传感器虽然可以在一定程度上弥补人工监测的不足，但其监测范围和精度也受到限制，尤其是在复杂多变的工况下，单一传感器难以全面捕捉到传动滚筒的所有异常信息。此外，传统监测方式还伴随着较高的人力成本和较低的故障响应速度，这不仅增加了维护成本，还可能导致故障无法及时发现和处理，进而影响设备的长期稳定运行。p>
4、鉴于上述情况，开发一种高效、准确的传动滚筒自动化监测技术就成为了迫切需要解决的问题。
技术实现思路
1、本专利技术的目的在于如何系统性地解决传动滚筒的自动化监测与分析问题，因此提出了带式输送机传动滚筒故障的多源数据协同监测方法；本专利技术实现了对传动滚筒运行状态的实时、全方位监测，其不仅可以提高故障检测的准确率和及时性，还能有效降低维护成本，提升带式输送机的整体运行效率和安全性。
2、本专利技术采用了以下技术方案来实现目的：
3、一种带式输送机传动滚筒故障的多源数据协同监测方法，所述方法包括如下步骤：
4、s1、数据采集与传输：采集传动滚筒故障分析所需的多源数据并进行实时传输；
5、s2、训练条件判断：依次判断分析算法是否需要进行首次训练和增量训练；若任一训练需要进行，则进入算法训练步骤；若无需进行训练，则跳转至协同监测步骤；
6、s3、算法训练：使用多源数据对分析算法进行训练并更新，训练完成后将更新后的分析算法传输至协同监测步骤；
7、s4、协同监测：以并行方式执行转速分析、视觉分析和时间序列分析，输出各自的分析结果；
8、s5、结果输出：依据分析结果，输出传动滚筒故障的实时判断结果和预测结果，同时返回数据采集与传输步骤进行下一轮监测循环。
9、具体的，在s2的训练条件判断步骤中，首先判断分析算法是否需要进行首次训练；若需要进行首次训练，则令时刻t＝1，跳转至数据采集与传输步骤并令时刻t＝t+1，直到时刻t满足训练要求次数后，进入算法训练步骤；若无需进行首次训练，则继续判断是否需要进行增量训练；若需要进行增量训练，则进入算法训练步骤；若无需进行增量训练，则跳转至协同监测步骤；
10、在s5的结果输出步骤中，传动滚筒故障包括轴承故障和包胶故障；在分别输出两类故障对应的实时判断结果和预测结果后，令时刻t＝t+1，返回至数据采集与传输步骤进行下一轮监测循环。
11、优选的，在s3的算法训练步骤中，若当前为首次训练，则在多源数据采集完成后，使用多源数据形成的数据集训练视觉分析算法和时间序列分析算法；若当前为增量训练，则在多源数据采集完成后，仅使用多源数据形成的数据集训练时间序列分析算法。
12、优选的，在监测循环轮次中，增量训练与协同监测独立执行，即在进行增量训练的同时，也进行协同监测；一次增量训练的持续时长为一个或多个监测循环轮次，在一次增量训练完成前，不更新协同监测步骤当前使用的分析算法；当该次增量训练完成后，更新分析算法并用于下一个监测循环轮次的协同监测步骤中。
13、进一步的，视觉分析算法的训练包括第一训练数据集构造过程和第一参数求解过程，如下：
14、在第一训练数据集构造过程中，对于任意时刻t，将采集到的图像数据记为其中i＝1,2,…,k分别表示在k种不同的摄像头机位及拍摄角度下所采集的图像数据；令分别表示带式输送机表面包胶破损面积和物料覆盖面积；在任意时刻t下，将第一训练样本表示为则截止至时刻t，将第一训练数据集表示为
15、在第一参数求解过程中，对于视觉分析算法ψ，设置损失函数loss1，以最小化loss1为优化目标，使用第一训练数据集求解视觉分析算法ψ的参数；视觉分析算法ψ对应的模型包括第一输入层、共享层、特定任务层和第一输出层；其中，第一输入层以训练样本的输入fi,i＝1,2,…,t作为输入；共享层用于提取输入数据在不同任务间的共享特征；特定任务层由包胶损坏分析和物料堆积分析组成；第一输出层用于输出对应于输入fi,i＝1,2,…,t的受损包胶面积和滚筒表面堆积物料面积和由覆盖在受损包胶处和堆积物料处的像素点数量计算或估算得出；损失函数loss1用于度量真实值和预测值之间的差距。
16、进一步的，时间序列分析算法的训练包括第二训练数据集构造过程和第二参数求解过程，如下：
17、在第二训练数据集构造过程中，对于任意时刻t，将采集到的时间序列数据记为st＝[at,nt,et,it]，其中at表示振动数据、nt表示噪音数据、et表示温度数据、it表示电流数据；随着带式输送机的运行，将数据采集后形成的数据集表示为{s1,s2,…,st}，令线性滑动窗口尺寸为w，则将t-1时刻的输入表示为{st-1,st-2,…,st-w}；将时刻t对应的第二训练样本表示为则截止至时刻t，将第二训练数据集表示为
18、在第二参数求解过程中，对于时间序列分析算法φ，设置损失函数loss2，以最小化loss2为优化目标，使用第二训练数据集求解时间序列分析算法φ的参数；时间序列分析算法φ对应的模型包括第二输入层、特征提取层、融合层和第二输出层；第二输入层以训练样本的输入{si-1,si-2,…,si-w},i＝w,w+1,…,t作为输入；特征提取层包括振动特征提取、噪音特征提取、温度特征提取和电流特征提取，分别用于提取不同类型数据的特征；融合层用于拼接四种特征；第二输出层用于输出对应于输入{si-1,si-2,…,si-w},i＝w,w+1,…,t的预测值，将其表示为其中各参数为与采集的时间序列数据相对应的预测值；损失函数loss2用于度量真实值si和预测值之间的差距。
19、进一步的，在s4的协同监测步骤中，对于每个时刻t，转速分析、视觉分析和时间序列分析并行执行，输出各自的分析结果；
<本文档来自技高网...【技术保护点】
1.一种带式输送机传动滚筒故障的多源数据协同监测方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的多源数据协同监测方法，其特征在于：在S2的训练条件判断步骤中，首先判断分析算法是否需要进行首次训练；若需要进行首次训练，则令时刻t＝1，跳转至数据采集与传输步骤并令时刻t＝t+1，直到时刻t满足训练要求次数后，进入算法训练步骤；若无需进行首次训练，则继续判断是否需要进行增量训练；若需要进行增量训练，则进入算法训练步骤；若无需进行增量训练，则跳转至协同监测步骤；
3.根据权利要求1所述的多源数据协同监测方法，其特征在于：在S3的算法训练步骤中，若当前为首次训练，则在多源数据采集完成后，使用多源数据形成的数据集训练视觉分析算法和时间序列分析算法；若当前为增量训练，则在多源数据采集完成后，仅使用多源数据形成的数据集训练时间序列分析算法。
4.根据权利要求3所述的多源数据协同监测方法，其特征在于：在监测循环轮次中，增量训练与协同监测独立执行，即在进行增量训练的同时，也进行协同监测；一次增量训练的持续时长为一个或多个监测循环轮次，在一次增量训
5.根据权利要求3所述的多源数据协同监测方法，其特征在于，视觉分析算法的训练包括第一训练数据集构造过程和第一参数求解过程，如下：
6.根据权利要求3所述的多源数据协同监测方法，其特征在于，时间序列分析算法的训练包括第二训练数据集构造过程和第二参数求解过程，如下：
7.根据权利要求1所述的多源数据协同监测方法，其特征在于：在S4的协同监测步骤中，对于每个时刻t，转速分析、视觉分析和时间序列分析并行执行，输出各自的分析结果；
8.根据权利要求7所述的多源数据协同监测方法，其特征在于，转速分析包括轴承故障监测和包胶故障监测；
9.根据权利要求7所述的多源数据协同监测方法，其特征在于，视觉分析基于采集数据，使用视觉分析算法进行包胶损坏分析和物料堆积分析，输出包胶损坏面积与传动滚筒表面堆积物料面积；
10.根据权利要求7所述的多源数据协同监测方法，其特征在于，时间序列分析的具体过程为：基于采集数据，使用时间序列分析算法分别提取振动数据、噪音数据、温度数据和电流数据的特征，经计算处理后，输出对应于振动、噪音、温度和电流的预测值；分别设置振动、噪音、温度和电流的异常判断阈值，基于计算的预测值，与四类异常判断阈值进行对比；若存在任意一项预测值不符合对应类别的异常判断阈值，则判定传动滚筒轴承运行异常，输出“轴承故障”的判断结果；否则执行异常趋势分析；
...【技术特征摘要】
1.一种带式输送机传动滚筒故障的多源数据协同监测方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的多源数据协同监测方法，其特征在于：在s2的训练条件判断步骤中，首先判断分析算法是否需要进行首次训练；若需要进行首次训练，则令时刻t＝1，跳转至数据采集与传输步骤并令时刻t＝t+1，直到时刻t满足训练要求次数后，进入算法训练步骤；若无需进行首次训练，则继续判断是否需要进行增量训练；若需要进行增量训练，则进入算法训练步骤；若无需进行增量训练，则跳转至协同监测步骤；
3.根据权利要求1所述的多源数据协同监测方法，其特征在于：在s3的算法训练步骤中，若当前为首次训练，则在多源数据采集完成后，使用多源数据形成的数据集训练视觉分析算法和时间序列分析算法；若当前为增量训练，则在多源数据采集完成后，仅使用多源数据形成的数据集训练时间序列分析算法。
4.根据权利要求3所述的多源数据协同监测方法，其特征在于：在监测循环轮次中，增量训练与协同监测独立执行，即在进行增量训练的同时，也进行协同监测；一次增量训练的持续时长为一个或多个监测循环轮次，在一次增量训练完成前，不更新协同监测步骤当前使用的分析算法；当该次增量训练完成后，更新分析算法并用于下一个监测循环轮次的协同监测步骤中。
5.根据权利要求3所述的多源数据协同监测...
【专利技术属性】
技术研发人员：何洋洋，曹旻昊，周铁，吴正华，蔡东成，常新志，
申请(专利权)人：四川省自贡运输机械集团股份有限公司，
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。