一种大型行车车轮智能监测方法与流程

[0001]
本发明涉及人工智能技术领域，尤其涉及一种通过人工智能进行大型行车车轮智能监测的方法。


背景技术：

[0002]
大型液态吊承担着钢铁厂的熔融金属吊运任务，是钢铁生产的关键设备。由于其重要性及安全性要求较高，所以如何保障大型冶金行车的良好工作状态和设备状态稳定可控一直是行车设备管理的核心任务。目前，在大型液态吊的系统中配置了各种监控系统以确保其安全生产和设备状态。根据多年的使用经验，目前最不好把控的就是行车车轮的状态，而且目前对于行车车轮还没有任何的监控手段，一般采用周期更换和事后维修的方式。行车车轮发生故障不仅会导致故障停机，而且存在安全生产隐患，若多个车轮同时出现问题，会导致严重后果。
[0003]
一台大型行车配置有32个车轮，正常更换周期为5年。但是，根据多年经验，在车轮正常的寿命周期内，经常发生由于车轮轴承故障导致的异常损坏问题。经过初步统计，二炼钢1#～5#450t行车，由于轴承故障导致的非正常车轮更换多达18次，其中2019年至今就发生了6次非正常更换。每次非正常更换需要7-8小时，严重影响炼钢的正常物流。而且，每次更换除了备件费用外，还需要额外的检修和吊车等更换费用。
[0004]
目前，随着设备工作负荷的增大，以及对安全生产要求越来越高，尤其是有一些车轮由于安装位置的原因，设备点检人员是无法直接接触的，也就无法进行五感点检，存在较大安全隐患。因此，非常有必要通过先进的技术手段对行车车轮进行监控和劣化趋势分析，从而预估设备状态，把故障抢修转变为事前维护，这样不仅可以降低生产安全隐患，也可降低设备维护成本。目前，在轴承类旋转机械设备的在线故障诊断方面，主要的技术手段是通过振动监测进行故障诊断和状态预警。但是，对于行车类的低速重载，尤其是负载经常发生变化的应用场景，其效果并不明显，而且应用机械振动在线检测方法进行故障诊断的成本较高，也不适用于行车车轮这样有着大量装机量的设备监测。
[0005]
因此，有必要提出一种改进，以克服现有技术缺陷。


技术实现要素：

[0006]
本发明的目的是解决现有技术中的问题，提供一种基于深度学习的大型行车车轮智能监测方法。
[0007]
本发明的技术方案是：
[0008]
一种大型行车车轮智能监测方法，包括以下步骤：
[0009]
s1、建立基于深度学习的大型行车车轮智能检测分类模型，所述大型行车车轮智能检测分类模型包括声音检测分类模型和温度检测分类模型；
[0010]
s2、采集大型行车车轮各种状态下的不同声音数据和温度数据，并对所述不同声音数据和温度数据分别进行数据清洗、标记，形成大型行车车轮声音训练数据和大型行车
车轮温度训练数据；
[0011]
s3、使用所述大型行车车轮声音训练数据和大型行车车轮温度训练数据分别训练所述声音检测分类模型和温度检测分类模型；声音检测分类模型和温度检测分类模型经过训练后，将大型行车车轮的声音与所述大型行车车轮声音训练数据中的标记产生关联，将大型行车车轮的温度与所述大型行车车轮温度训练数据中的标记产生关联；
[0012]
s4、采集大型行车车轮运行时的声音及温度，将大型行车车轮运行时的声音及温度输入训练后的所述声音检测分类模型和温度检测分类模型，所述声音检测分类模型和温度检测分类模型分别输出大型行车车轮运行时声音对应的声音标记及温度对应的温度标记，根据声音标记和温度标记对大型行车车轮进行检测。
[0013]
作为一种优选的技术方案，在步骤s4之前还包括以下步骤：s5、搭建基于深度学习的大型行车车轮智能检测分类系统；所述基于深度学习的大型行车车轮智能检测分类系统包括声音采集模块、温度采集模块、计算模块及信号输出模块，所述计算模块为计算机模块或云计算模块。
[0014]
作为一种进一步优选的技术方案，所述声音采集模块为声音传感器，所述温度采集模块为温度检测元件；所述声音传感器及所述温度检测元件设置于所述大型行车的车轮轴承部位。
[0015]
作为一种优选的技术方案，所述步骤s2中，对所述不同声音数据进行数据清洗包括删除与设备运行声音不相关的噪音、将所述不同的声音数据进行处理和裁剪。
[0016]
作为一种优选的技术方案，所述步骤s2中，对所述不同声音数据和温度数据进行标记包括以下步骤：
[0017]
s2a、根据大型行车车轮运行的不同状态，建立大型行车车轮状态分类标准；
[0018]
s2b、将大型行车车轮运行状态各种不同的声音及温度与大型行车车轮状态分类标准进行对应；
[0019]
s2c、将所述不同声音数据和温度数据基于所述大型行车车轮状态分类标准进行标记分类，所述大型行车车轮状态分类标准中每一大型行车车轮状态分类下均有对应声音数据和温度数据；所有标记分类后的声音数据组成大型行车车轮声音训练数据，所有标记分类后的温度数据组成大型行车车轮温度训练数据。
[0020]
作为一种进一步优选的技术方案，所述步骤s2c中将所述不同声音数据基于所述大型行车车轮状态分类标准进行标记分类具体为将所述不同声音数据对应的声音波形与所述大型行车车轮状态分类标准进行对应并标记分类。
[0021]
作为另一种进一步优选的技术方案，所述步骤s2a中，所述大型行车车轮的不同状态包括大型行车车轮正常状态、异常状态。
[0022]
作为一种更进一步优选的技术方案，所述异常状态包括多种异常，每种异常均设置有对应的分类名称。
[0023]
作为再一种进一步优选的技术方案，所述步骤s2c所述大型行车车轮状态分类标准中每一大型行车车轮状态分类下均有对应声音数据和温度数据中，每一设备状态分类下均有多条对应声音数据和温度数据。
[0024]
作为一种优选的技术方案，所述步骤s4采集大型行车车轮运行时的声音后，包括将所述大型行车车轮运行时的声音远程输出给检测人员监测。
[0025]
本发明的一种大型行车车轮智能监测方法，采用深度学习的方法将一种大型行车车轮运行时的声音及温度与大型行车车轮运行状态进行关联，并实时采集大型行车车轮运行时的声音及温度，从而对大型行车车轮的运行状态进行智能监测，完成大型行车车轮状态评估和故障预警，当发现有状态异常的车轮后，可在最近的定修或检修过程中进行维护，从而避免了车轮异常导致的安全隐患和非正常停机，确保炼钢物流的正常。同时，也可以为点检人员提供远程声音监听，方便点检人员对预警进行评估和把控所有车轮的工作状态，保证监测效果。本申请的一种大型行车车轮智能监测方法具有监测效果好，智能化程度高，使用灵活的优点。
附图说明
[0026]
图1为本发明一种一种大型行车车轮智能监测方法具体实施方式流程框图。
具体实施方式
[0027]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0028]
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种，但是不排除包含至少一种的情况。
[0029]
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0030]
取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
[0031]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。
[0032]
如图1所示，为本发明的一种大型行车车轮智能监测方法，其特征在于：包括以下步骤：
[0033]
s1、建立基于深度学习的大型行车车轮智能检测分类模型，所述大型行车车轮智能检测分类模型包括声音检测分类模型和温度检测分类模型；
[0034]
s2、采集大型行车车轮各种状态下的不同声音数据和温度数据，并对所述不同声音数据和温度数据分别进行数据清洗、标记，形成大型行车车轮声音训练数据和大型行车
车轮温度训练数据；
[0035]
s3、使用所述大型行车车轮声音训练数据和大型行车车轮温度训练数据分别训练所述声音检测分类模型和温度检测分类模型；声音检测分类模型和温度检测分类模型经过训练后，将大型行车车轮的声音与所述大型行车车轮声音训练数据中的标记产生关联，将大型行车车轮的温度与所述大型行车车轮温度训练数据中的标记产生关联；
[0036]
s4、采集大型行车车轮运行时的声音及温度，将大型行车车轮运行时的声音及温度输入训练后的所述声音检测分类模型和温度检测分类模型，所述声音检测分类模型和温度检测分类模型分别输出大型行车车轮运行时声音对应的声音标记及温度对应的温度标记，根据声音标记和温度标记对大型行车车轮进行检测。
[0037]
本发明公开了一种大型行车车轮智能监测方法，通过建立深度学习的大型行车车轮智能检测分类模型，分别对该深度学习声音检测分类模型和温度检测分类模型进行数据训练后，将模型设置于后台，模型可以自动识别采集到的需要分类的大型行车车轮运行声音和温度并对其进行分类，输出监测结果，实时更新大型行车车轮运行状态。本发明一种大型行车车轮智能监测方法中：获得的车轮在线振动声音与人工听音棒声音类似程度大于95％；车轮振动声音单次采集时间1至3分钟，可自由配置调整；温度采集精度大于等于
±
5℃。本发明的一种大型行车车轮智能监测方法，对车轮的轴承类异常预警率不低于98％，系统可长期稳定运行，运行率不低于99.8％。
[0038]
在实际应用中，为了节省项目时间，可以将步骤s1、s2同步进行。
[0039]
为了使本发明的一种基于深度学习的设备声音分类方法运行，需要搭建对应的硬件设备，因此，本发明的一种基于深度学习的设备声音分类方法在步骤s4之前还包括以下步骤：s5、搭建基于深度学习的大型行车车轮智能检测分类系统；所述基于深度学习的大型行车车轮智能检测分类系统包括声音采集模块、温度采集模块、计算模块及信号输出模块，所述计算模块为计算机模块或云计算模块。
[0040]
其中所述声音采集模块为声音传感器，所述温度采集模块为温度检测元件；所述声音传感器及所述温度检测元件设置于所述大型行车的车轮轴承部位。例如可以通过磁吸的方法将声音传感器和温度检测元件进行固定。声音传感器可以为麦克风等声音传感器，温度检测元件可以为温度传感器。计算模块可以为计算机模块、云计算模块、具有计算能力的工控机及计算机，或其他具有数据分析功能、包括信息处理、信息存储功能的装置。信号输出模块可以为无线信号传输模块，例如蓝牙、wifi、zigbee等模块。
[0041]
在实际应用中，步骤s5的“搭建基于深度学习的设备声音分类系统”在步骤s4之前完成即可。也即步骤s1、s2及s3与步骤s5之间没有必然的时间顺序上的关联。
[0042]
作为优选的技术方案，所述步骤s2中，对所述不同声音数据进行数据清洗包括删除与设备运行声音不相关的噪音、将所述不同的声音数据进行处理和裁剪。所述将所述不同的声音数据进行处理和裁剪包括对所述不同的声音数据进行波形分析、处理和裁剪；使所述不同的声音数据波形的波形特征更加明显，以便于数据标记时的区分。例如，可以对所述不同声音数据进行波形数字处理，采用数学的方法对声音数据进行数据清洗和进一步处理，裁剪出相关性最强的声音数据波形。
[0043]
数据清洗之后，需要对数据进行标记，以将声音数据和温度数据进行分类及与设备运行状态进行关联。所述步骤s2中，对所述不同声音数据和温度数据进行标记包括以下
步骤：
[0044]
s2a、根据大型行车车轮运行的不同状态，建立大型行车车轮状态分类标准；
[0045]
s2b、将大型行车车轮运行状态各种不同的声音及温度与大型行车车轮状态分类标准进行对应；
[0046]
s2c、将所述不同声音数据和温度数据基于所述大型行车车轮状态分类标准进行标记分类，所述大型行车车轮状态分类标准中每一大型行车车轮状态分类下均有对应声音数据和温度数据；所有标记分类后的声音数据组成大型行车车轮声音训练数据，所有标记分类后的温度数据组成大型行车车轮温度训练数据。
[0047]
对不同的声音数据和温度数据进行标记的目的是将设备运行的不同状态与声音数据、温度数据进行关联对应，建立起标准的声音数据、温度数据与设备运行状态的关系。一般情况下，需要人工手动地将不同的声音数据及温度数据根据设备状态分类标准进行标记。更为具体的，所述步骤s2c中将所述不同声音数据基于所述大型行车车轮状态分类标准进行标记分类具体为将所述不同声音数据对应的声音波形与所述大型行车车轮状态分类标准进行对应并标记分类。类似的，将不同温度数据与大型行车车轮状态分类标准进行标记分类为将具体的温度数值与大型行车车轮状态分类标准进行对应并标记分类。
[0048]
此处的大型行车车轮状态为大型行车车轮运行时的各种状态，也即所述步骤s2a中，所述大型行车车轮的不同状态包括大型行车车轮正常状态、异常状态。正常状态可以包括无负荷状态，轻负荷状态，正常负荷状态等，异常状态还可以包括各种故障状态、待保养状态、超负荷状态等。为了能够将声音数据及温度数据与不同的异常状态进行准确关联，所述异常状态包括多种异常，每种异常均设置有对应的分类名称。
[0049]
为了提高声音分类的准确性，作为深度学习的基础，所述步骤s2c所述大型行车车轮状态分类标准中每一大型行车车轮状态分类下均有对应声音数据和温度数据中，每一设备状态分类下均有多条对应声音数据和温度数据。
[0050]
为了能够保证深度学习设备声音分类模型训练的效果，保证基于深度学习的设备声音分类模型的准确性，作为深度学习的基础，需要保证步骤s2中设备声音训练数据和温度训练数据的数据量，例如，所述步骤s2“采集设备各种状态下的不同声音数据和温度数据”中，所述不同声音数据的数据量和温度数据的数据量均不少于1000。此处的数据量仅为举例，在实际应用中，可以根据不同的应用情况选取数据量，但数据量应该足够大以保证模型训练效果。
[0051]
为了提高大型行车智能检测方法的准确性，所述步骤s4采集大型行车车轮运行时的声音后，包括将所述大型行车车轮运行时的声音远程输出给检测人员监测。为点检人员提供了在线对每个车轮进行声音监听的手段，方便点检人员对预警进行评估和把控所有车轮的工作状态。点检人员4.可在线监听每个车轮的振动声音，并可对监听结果进行人工判定和样本标定。
[0052]
本发明的一种大型行车车轮智能监测方法通过专用的传感器把旋转机械的“振动声音”转换为人耳可以听到的音频，并可进行本地采集和远程无线传输至局域网服务器。在服务器上可配置ai模型进行在线诊断，同时，也可以把设备的“振动声音”传递到点检的手机app上，点检可以在手机上进行人工复核，也可进行在线监听，从而实现自动预警功能，并且也为点检提供了即时把控设备状态的新方式。
[0053]
本发明的一种大型行车车轮智能监测方法，采用深度学习的方法将一种大型行车车轮运行时的声音及温度与大型行车车轮运行状态进行关联，并实时采集大型行车车轮运行时的声音及温度，从而对大型行车车轮的运行状态进行智能监测，完成大型行车车轮状态评估和故障预警，当发现有状态异常的车轮后，可在最近的定修或检修过程中进行维护，从而避免了车轮异常导致的安全隐患和非正常停机，确保炼钢物流的正常。同时，也可以为点检人员提供远程声音监听，方便点检人员对预警进行评估和把控所有车轮的工作状态，保证监测效果。本申请的一种大型行车车轮智能监测方法具有监测效果好，智能化程度高，使用灵活的优点。
[0054]
综上所述仅为本发明较佳的实施例，并非用来限定本发明的实施范围。即凡依本发明申请专利范围的内容所作的等效变化及修饰，皆应属于本发明的技术范畴。