详情

原文传递一种矿井提升机无线传输的故障诊断系统及方法

专利名称：	一种矿井提升机无线传输的故障诊断系统及方法
摘要：	本发明公开了一种矿井提升机无线传输的故障诊断系统,该系统能够对矿井提升系统中的天轮、电机、减速器和滚筒轴承的故障诊断。该系统先获取各轴承位置上的振动信号，利用噪声自适应完全集成局部均值分解算法，实现振动信号的乘积函数(PF)分解，从选择PF中抽取数据特征参数；然后使用周期调制强度作为选择有效乘积函数准则的方法；进而使用半监督核稀疏Fisher判别分析(SKSFDA)的维数约简方法，充分利用标签样本和未标签样本集几何信息揭示嵌入在高维稀疏空间的低维子空间数据集；使用一种基于不同故障类内局部结构测度最小、全局部结构测度最大准则选择SKSFDA模型参数；最后根据监测统计量判别是否出现新故障以及使用KNN分类器确定已知设备状态类别。
专利类型：	发明专利
国家地区组织代码：	山东;37
申请人：	枣庄学院
发明人：	孙正;赵志科;张晓光;任世锦;徐桂云;李辉
专利状态：	有效
申请日期：	2019-01-28T00:00:00+0800
发布日期：	2019-04-23T00:00:00+0800
申请号：	CN201910078723.6
公开号：	CN109665399A
代理机构：	南京经纬专利商标代理有限公司
代理人：	许方
分类号：	B66B5/00(2006.01);B;B66;B66B;B66B5
申请人地址：	277160 山东省枣庄市市中区北安路1号
主权项：	1.一种矿井提升机无线传输的故障诊断系统，其特征在于，该系统由信号采集模块、无线信号传输模块、信号调理模块、工业控制计算机、以太网、远程工业控制计算机组成：所述的信号采集模块，包括安装在天轮轴承上的振动传感器，用于采集天轮轴承的振动信号、安装在电机轴承上的振动传感器，用于采集电机轴承上的振动信号、安装在减速器上的振动传感器，用于采集减速器上的振动信号、安装在滚筒轴承上的振动传感器，用于采集滚筒轴承上的振动信号、安装在电气控制柜内的温度传感器，用于采集电气控制柜内部的异常温度信号；所述的无线信号传输模块，包括Zigbee网络和Zigbee信息接收处理终端组成，通过Zigbee网络将天轮上采集的振动信号通过无线网络实现数据的传输；所述信号调理模块，对采集的振动信号进行调理，实现抗干扰处理；所述工业控制计算机，对调理后的信号进行诊断处理，对数据进行处理的同时对井下安全状况作出评估；上位机软件安装在工业控制计算机上，该上位机软件为具有数据处理的计算中心，该数据处理的计算中心具有数据库管理系统功能，能对历史数据进行储存、查询、打印报表的功能；所述以太网，实现对故障诊断数据的远程传输，用于监测机械设备故障的工业控制计算机接入矿区的以太网，将数据发布到网上，供远程客户访问查询；所述远程工业控制计算机，具备与用于天轮振动信号采集的ZigBee的采集终端进行通讯的功能，该终端起到网关作用，将Zigbee协议转换为以太网协。 2.一种矿井提升机无线传输的故障诊断方法，其特征在于，该方法包括以下步骤：步骤1：信号采集与初始参数，获取提升机系统的天轮、电机、减速器和滚筒上的轴承振动信号,并设置SKSFDA模型初始参数及CELMDAN算法参数；步骤2：多成分信号分离，使用完备总体局部均值分解(CELMDAN)方法对振动信号进行分解，从多成分的原始时域振动信号中自适应分离出纯调频信号和包络信号，由此得到多个具有物理意义的PFs分量，PFs分量的瞬时幅值和瞬时频率包含振动信号瞬态特征信息，以突出机械设备运行中的振动信号状态特征；步骤3：选取乘积函数及特征抽取，计算每个PF的周期调制强度PMI，根据PMI值选择PFs作为信号成分，然后从PFs信号的时域和频域抽取统计量和信息熵作为信号特征，生成机械状态的训练数据集和测试数据集；步骤4：确定核慢特征判别分析SKSFDA模型参数，使用基于类内局部结构测度最小、全局部结构测度最大准则以确定最优SKSFDA模型核函数参数；步骤5：构建SKSFDA模型，使用SKSFDA对机械状态训练和测试数据集进行训练建立SKSFDA模型，根据SKSFDA模型把原始数据集进行维数约简，得到具有保持全局和局部数据鉴别几何结构的低维数据集；步骤6：构建监测统计量，计算基于Bayesian推理的监测统计量并确定预设百分比置信度下的阈值，根据监测统计量超出阈值判别是否出现新故障，若无发现新故障，则使用KNN分类器确定当前提升机设备故障类型。 3.根据权利要求2所述的一种矿井提升机无线传输的故障诊断方法，其特征在于，所述步骤3中，从PF中抽取时域特征参数计算公式为：时域特征1：时域特征2：时域特征3：其中，均值方差pfi(n)为CLMDAN对信号分解得到的第i个乘积函数分量PF；频域特征计算公式为：假设信号频谱为s(k)，fk表示kth谱线的值，k＝1,2,…,K，K为功率谱项的数量，那么频域特征计算公式为：平均频率：平均能量：频率标准差特征值：上述三个统计量分别表示信号在频域上的平均频率、平均能量、频率标准差特征值；从分解的乘积函数(PFs)中抽取信息熵特征作为机械故障诊断的判断依据；乘积函数奇异熵：令pfi(n)为CLMDAN对信号分解得到的第i个乘积函数分量PF，DM×N∈RM×N为由pfi(n)构成的矩阵，对DM×N进行奇异值分解并有B个非负奇异值Λj，j＝1,2,…,B，那么用乘积函数时频熵定义为用pj描述了该乘积函数信号熵贡献率在总频率成分的百分比；乘积函数时频熵：根据分析信号的时频矩阵DM×N，根据时间参数n和测量参数i定义如下两个向量:其中，n＝1,2,…,N,i＝1,2,…,M，N表示信号PF的数据点数，M为乘积函数(PFs)的数量；那么PFTFE定义为：乘积函数能量熵： PF能量熵的定义为：其中，表示能量概率， 4.根据权利要求2或3所述一种矿井提升机无线传输的故障诊断方法，其特征在于，所述步骤5中，具体的SKSFDA模型构建步骤为：将已知的故障样本按照故障类型进行标记，假设标记样本和未标记数据集分别记为XL与XU，全体数据集记为X＝[XL，XU]，假设标记数据集XL包含C类数据集，第c类的样本数据集记为Nc表示样本集Xc中样本的数量，c＝1,2,…,C，表示标记样本数量，首先通过非线性映射φ(·)把样本数据映射到高维特征空间，令对每个训练样本把非线性的从样本Bc中移出，然后使用Bc的其余样本集对进行线性表示；根据稀疏表示理论，由Bc对样本重构的权重通过下面基于l1-范数的最优重构问题求得其过程如下：其中，表示满足Mercer条件的核函数，选取平移不变小波函数ψ(x)＝(d-x2/σ2)exp(-x2/(2σ2))作为仿真实验使用的核函数，其中d为x的维数，σ核函数的尺度系数，求解上述优化问题后，对进行填0扩展使得其中，B＝[B1,B2,…,Bc,BU]表示所有标记和未标记样本集组成字典，Bu为未标记高维样本数据形式，令假设给定投影变换矩阵W，根据稀疏鉴别嵌入理论和流形学习理论，类内散度矩阵Sw被定义样本在原始高维空间到低维嵌入空间中被同类样本稀疏重构残差量，其类内散度矩阵Sw定义如下：其中，W表示给定投影变换矩阵，代表了维数变换的结构，表示流形内相似性矩阵Gw∈RN×N的元素，其定义为：其中，l(xi)表示样本xi的类别标记，l(xi)＝l(xj)＝c，表示样本xi和xj均属于第c类，令表示从XL移出Xc后的数据集，对每个训练样本由对线性表示的最优权重可通过求解下面优化问题：其中，l(xi)表示样本xi的类别标记，l(xi)＝l(xj)＝c，表示样本xi和xj均属于第c类，令表示从XL移出Xc后的数据集，对每个训练样本由对线性表示的最优权重可通过求解下面优化问题：其中，rj为对线性表示的权重，表示流形间分离矩阵Gb∈RN×N的元素，其定义如下：其中，样本类标签为C+1时表示该样本为未标签样本，那么对样本φ(xi)∈B，使用φ(xi)从B移出后剩余样本线性表示φ(xi)，那么重构权重向量pi可以通过求解下面的优化问题求得：那么总体数据集散度矩阵St定义为：其中，散度矩阵St、Sw和Sb可以写成如下形式：其中，Sv为φ(xi)分解过程中的中间变量，即Sv＝D-GVT-VG+VDVT，D为对角矩阵，其对角元素V＝[v1,v2,…,vN]，vi表示St、Sw和Sb上式中对应维数的可转置矩阵；W为投影变换矩阵；是对称矩阵，根据式(20)形式，上面三个散度矩阵可得计算结果，分别如下3个计算公式： Sw＝tr(WTBSsBTW) (21) Sb＝tr(WTBSrBTW) (22) St＝tr(WTBSpBTW) (23) 式中，sw为类内散度矩阵，sb为类间散度矩阵，st为总体散度矩阵，ss为变换前类内散度矩阵，sr为变换前类间散度矩阵，sp为变换前总体散度矩阵；受半监督稀疏LDA算法的启发，正则化类间散度矩阵、类内散度矩阵定义为： Srb＝(1-β)Sb+βSt (24) Srw＝(1-β)Sw+βtr(WTW) (25) 其中，It表示合适维数的单位矩阵；β∈[0,1]为正则化因子，当β＝1时，SSFDA退化为PCA方法；当β＝0时，SFDA退化为FDA方法，半监督鉴别向量由下面的SFDA优化问题求取：其最优解可以归结如下广义特征值问题： ((1-β)BSrBT+βBSpBT)w＝λ((1-β)BSsBT+βI)w (27) 其中，λ是广义特征值，投影向量w为相应的特征向量，根据核学习机理论，投影向量w可以改用w＝Bq来表示，矩阵B和矩阵q的乘积构成了矩阵向量w，q为特征矩阵向量，那么式(27)转化为如下形式： BTB((1-β)Sr+βSp)BTBq＝λBTB((1-β)Ss+βI)BTBq (28) 由于，K＝BTB＝[k(xi,xj)]i,j＝1,2,…,N，那么上式(28)转化如下形式： ((1-β)Sr+βSp)Kq＝λ((1-β)Ss+βI)Kq (29) 假设式(29)对应的广义特征值降序排列记为λ1≥λ2≥…≥λm，m为广义特征值的标号，相应的特征向量q1,q2,…,qm作为SSFDA模型的方向，如果选择公式(28)中特征向量Qr＝[q1,q2,…,qr]作为鉴别分析，那么新的数据样本x通过下面形式计算鉴别向量：式中，kx＝[k(x1,x),k(x2,x),…,k(xN,x)]T为对应的各个核矩阵；在使用核方法时，需要考虑对核矩阵K均值中心化，假设其中心化核矩阵为其计算方法为：矩阵eij＝1/N，新样本对应的中心化核向量为： I1×N＝(1/N)1×N，IN×N＝(1/N)N×N。 5.根据权利要求4所述一种矿井提升机无线传输的故障诊断方法，其特征在于，所述步骤4中，SKSFDA模型参数计算步骤为：假设给定C类数据样本集X＝{X1,X2,…,XC}，Xi表示第i个数据集，相应类别的数据量记为Ni，且令X/Xi表示移出Xi后的数据集，对数据样本集{Xi,X/Xi}计算Xi与Xi中的样本距离，X/Xi与X/Xi样本距离，以及Xi与X/Xi数据样本距离，并分别对上述计算结果按照升序方式进行排列，删除掉0-距离，X/Xi表示从X移出Xi后的样本集；选用坐标距离作为距离判断依据，选取αNc(Nc-1)对应的样本距离如果被测试的样本距离小于坐标距离，则属于这类样本，否则就是不属于这类样本；并用α(N-Nc)(N-Nc-1)对应样本距离作为局部结构测度，(1-α)Nc(N-Nc)对应的样本距离作为非局部结构测度，i＝1,2,…,C，0＜α≤0.5；根据定义可知，表示第i类数据集的局部测度，表示非第i类数据集的局部测度，表示第i类数据与其它类别数据集之间非局部测度；最优核函数参数σ*可以通过下面优化问题求取，即中间计算过程如下：上述优化问题为非凸优化问题，使用梯度下降法求取优化问题的最优解；令γ＝1/2σ2，上述优化问题的目标函数可以写为diff(γ)，令d为样本距离，dst为测度标准距离，下式是通过计算diff(γ)对γ求微分：式中，为公式(35)中的展开形式，那么其最优解可由下面公式迭代求取：其中，t为迭代次数，λ为步长，由于上述优化问题是非凸优化问题，初始值直接影响对优化问题解，首先对数据样本进行归一化处理为均值为0、方差为1，然后使用下面公式确定核函数参数初始值，即 6.根据权利要求5所述一种矿井提升机无线传输的故障诊断方法，其特征在于，所述步骤6中，监测统计量计算公式为：其中，ω为阈值，yi为根据公式(38)来计算样本xi的鉴别向量，作为判断样本分类的标准，与Ξc分别表示第c类样本的均值和方差，SSKFDA的隐藏变量yi是高斯分布，因此，每类样本的条件概率分布使用多变量高斯分布估计：监测统计量BID的控制上限在置信度水平γ下服从自由度为m的χ2分布，用概率的置信区间的判断标准，来判别监测统计量BID是否属于该高斯分布的可靠置信区间，当新样本出现时，其对应的监测统计量BID持续超过置信区间上限时，即表示系统产生了未知故障，否则，该样本属于已知类别，使用KNN分类器判断该样本属于已知类别故障。
所属类别：	发明专利