煤矿井下设备故障诊断与预测性维护平台的制作方法

本发明涉及故障预测，更具体地说，本发明涉及煤矿井下设备故障诊断与预测性维护平台。

背景技术：

1、在现代煤矿生产中，高度机械化的设备是保证安全高效开采的重要手段。这些设备的运行状况直接影响煤矿的安全生产和经济效益。然而，井下恶劣的工作环境和设备复杂的工作条件使得设备面临较高的故障率，一旦发生故障，可能会引起生产延误甚至事故，造成重大的经济损失和安全风险。因此，预测性维护技术的研发和应用，对于井下机械设备的安全管理至关重要。

2、在现有的煤矿井下设备故障诊断技术中，对故障的预判和诊断一直是挑战性的工作。传统方法通常依赖于设备运行的基础监测，如温度、振动等参数的测量，配合专业技术人员的判断。这些方法在处理复杂数据时往往需要较长的时间和较多的资源，因此在预判故障是否会发生时，可能无法实时做出反应，从而导致生产效率下降和潜在的安全隐患。

3、此外，许多早期的系统在诊断设备故障类型时，往往需要收集和分析大量的数据，这不仅增加了分析的复杂度，也需要较长的处理时间，进一步影响了故障响应的速度和准确性。在实际应用中，这种方法可能导致无法及时预防和修复故障，从而增加了维护成本和停机时间。

技术实现思路

1、为了克服现有技术在预判故障是否会发生时，可能无法实时做出反应，从而导致生产效率下降和潜在的安全隐患的问题，本发明提出了煤矿井下设备故障诊断与预测性维护平台，用于解决上述问题。

2、本发明提供如下技术方案：煤矿井下设备故障诊断与预测性维护平台，包括：

3、数据准备模块，用于获取历史上设备运行正常时的设备运行数据，构成第一数据集，获取历史上设备运行故障时的设备运行数据，并对设备运行故障时的设备运行数据打上对应的故障标签，进而构成第二数据集，所述故障标签与故障类型一一对应；

4、数据处理模块，用于对设备运行数据进行第一数据处理得到第一特征向量，对设备运行数据进行第二数据处理得到第二特征向量；

5、模型构建与训练模块，用于构建故障预测模型和故障诊断模型，并利用经过第一数据处理后第一数据集训练故障预测模型，利用经第二数据处理后第二数据集训练故障诊断模型，所述故障预测模型用于预测设备故障，所述故障诊断模型用于预测设备故障类型；

6、实时监测模块，用于获取实时的设备运行数据；

7、故障预测模块，用于对实时的设备运行数据进行第一数据处理后，输入到故障预测模型，得到预测结果，若预测结果为存在故障，则向用户发出故障通知；

8、故障诊断模块，用于在故障预测模块预测结果为存在故障时，获取实时的设备运行数据，并对设备运行数据进行第二数据处理后输入到故障诊断模型中得到故障标签，并根据故障标签将对应的故障类型发送给用户。

9、优选的，所述设备运行数据包括运行声音数据、运行振动数据和运行温度数据；所述运行声音数据通过安装在设备上的声音传感器，采集时间内的音频数据获得；所述运行振动数据通过安装在设备上的振动传感器，在时间内均匀地采集次振动数据获得；所述运行温度数据通过安装在设备上的温度传感器，在时间内均匀地采集次温度数据获得。

10、优选的，所述第一数据处理包括：

11、获取运行声音数据，将运行声音平均分割为个声音片段，其中相邻声音片段之间存在至少5%的重叠部分；

12、对每个声音片段进行等间距低采样，以获得个采样值；

13、计算每个声音片段的变化率，所述变化率的计算公式如下：

14、，

15、式中，表示第个声音片段的变化率，表示符号函数，表示片段中第个采样点的值；

16、个声音片段的变化率按序排列构成声音变化向量；

17、获取运行振动数据，计算运行振动数据的统计特征；

18、对运行振动数据的统计特征进行归一化处理，使用归一化处理后的运行振动数据的统计特征作为振动统计向量，所述统计特征包括算术平均值、标准差、最大值、最小值和均方根值；

19、获取运行温度数据，计算运行温度数据的统计特征；

20、对运行温度数据的统计特征进行归一化处理，使用归一化处理后的运行温度数据的统计特征作为温度统计向量；

21、将声音变化向量、振动统计向量和温度统计向量串联构成第一特征向量。

22、优选的，所述第二数据处理包括：

23、获取设备运行数据的第一特征向量，获取运行声音数据，将运行声音平均分割为个声音片段，其中相邻声音片段之间存在至少5%的重叠部分；

24、对每个声音片段进行等间距高采样，以获得个采样值；

25、计算每个声音片段的能量指数，所述能量指数的计算公式如下：

26、，

27、式中，表示第个声音片段的能量指数；

28、对m个声音片段的能量指数进行归一化处理后，按序排列构成声音能量向量；

29、获取运行振动数据，将运行振动数据进行频域变换得到对应的频域信号复数表示，计算频域变换得到的频域信号复数表示的绝对值，得到对应的幅度谱，对幅度谱的每个点进行平方计算，得到对应的功率谱；

30、提取功率谱中的特征得到振动时域特征，对振动时域特征进行归一化处理后，得到振动频阈向量；

31、获取运行温度数据，将运行温度数据进行频域变换得到对应的频域信号复数表示，计算频域变换得到的频域信号复数表示的绝对值，得到对应的幅度谱，对幅度谱的每个点进行平方计算，得到对应的功率谱；

32、提取功率谱中的特征得到温度时域特征，对温度时域特征进行归一化处理后，得到温度频阈向量；

33、将第一特征向量、声音能量向量、振动频阈向量和温度频阈向量串联构成第二特征向量。

34、优选的，所述提取功率谱中的特征包括：

35、计算所有频点的功率谱值之和得到总功率；

36、识别功率谱中功率最大的频率值，作为峰值频率；

37、计算所有频率值与其相应功率谱值的乘积的和，除以总功率，得到中心频率；

38、获取所有频率值的平方与其对应的功率谱值相乘的和，除以总功率，得到均方频率；

39、计算均方频率的二次平方根，得到均方根频率；

40、使用总功率、峰值频率、中心频率、均方频率和均方根频率构成功率谱中的特征。

41、优选的，所述构建故障预测模型和故障诊断模型包括：

42、使用非监督学习算法作为基础构建非监督模型，配置非监督模型的参数得到故障预测模型；使用深度学习算法作为基础构建分类模型，配置分类模型参数后得到故障诊断模型。

43、优选的，所述利用经过第一数据处理后第一数据集训练故障预测模型包括：

44、获取第一数据集，对第一数据集中的所有设备运行数据进行第一数据处理，得到对应的第一特征集，并将第一特征集划分为训练集和验证集；

45、使用训练集对故障预测模型进行训练；

46、使用验证集的数据输入到训练后的故障预测模型，得到验证数据数组；

47、确定正常区间为，其中：

48、，

49、式中，表示验证数据数组的平均值，表示验证数据数组的标准差；

50、设定当故障预测模型的输出值超出正常区间时，故障预测模型向外输出存在故障的预测结果。

51、优选的，所述利用经第二数据处理后第二数据集训练故障诊断模型包括：

52、获取第二数据集，对第二数据集中的所有设备运行数据进行第二数据处理，得到对应的第二特征集，并将第二特征集划分为训练集和验证集；

53、从训练集中随机选取条数据组成批次数据；

54、将选取的批次数据输入故障诊断模型中进行正向传播，计算故障诊断模型的输出值；

55、根据输出值，利用损失函数计算损失值；

56、基于损失值，应用反向传播算法更新故障诊断模型的参数；

57、重复进行训练，直至满足训练完成的判定条件。

58、优选的，所述训练满足训练完成的判定条件包括：

59、在每次训练结束后，从验证集中选取条数数据，输入到故障诊断模型中进行正向传播，并利用损失函数计算其损失值，记为验证损失；

60、判断验证损失是否小于预设的损失阈值，若是，则满足训练完成的判定条件；

61、若否，则获取时间最近的至少两条的验证损失，构成损失数组；

62、计算损失率，所述损失率的计算公式为：

63、，

64、其中，表示损失率，为损失数组的元素总数，为损失数组的第个元素，为损失数组的第１个元素；

65、判断损失率是否小于预设的损失率阈值，若是，则满足训练完成的判定条件。

66、优选的，所述利用损失函数计算其损失值包括：将故障诊断模型正向传播后的输出值进行softmax函数处理，得到输出的概率分布；计算输出的概率分布与对应故障标签的概率分布之间的交叉熵，使用所有计算出的交叉熵的平均值作为损失值。

67、本发明提供了煤矿井下设备故障诊断与预测性维护平台，具备以下有益效果：

68、1、通过提取设备运行数据中的关键特征来迅速判断是否存在潜在故障。这种方法能够利用少量关键数据，减少了数据处理的负担，提高了故障预测的响应速度，使得维护人员能够及时采取措施，防止故障扩大，确保生产的连续性和安全性。

69、2、在确定存在故障之后，通过提取更全面的设备运行特征数据，进行深度分析以准确诊断故障类型。使用这一详尽数据进行精确分析，可以识别具体的故障原因，并且提供更为准确的维护指导，从而在确保修复效率的同时，大幅减少不必要的检修活动，节约了维护成本并优化了资源分配。