基于自组织映射聚类的矿井机械设备在线健康评估方法

本发明涉及矿井机械设备健康评估领域，具体为基于自组织映射聚类的矿井机械设备在线健康评估方法。

背景技术：

1、矿井机械设备，由于工作环境复杂，工作时载荷大而且不稳定，容易导致设备经常发生故障。矿井机械设备常用的维修方式大多数是事后维修和定期维修。传统的事后维修不仅会耗费大量的时间，还具有不可控因素，很有可能造成任务无法按时完成。定期维修虽然能减少机械设备故障引起的损失，但大多数定期维修策略不够合理，会造成维修材料和时间的浪费。现有技术中，工作人员无法对复杂的矿井机械设备做准确的健康评估。因此，实现准确的对矿井机械设备健康状态的早期识别和评估，是矿井工作中急需解决的问题。

2、现有研究多为对设备单个信号特征进行诊断和评估，无法通过多种信号特征综合评估设备健康状态，而实际现场中，机械设备发生故障往往都是多个因素相互影响，最终导致故障的发生。单个信号特征难以有效反映整个系统的健康状态。所以，分析机械设备多种信号特征之间的关联性，通过多种数据对设备的健康状态进行综合评估已成为当下众多研究领域中不可或缺的研究内容。

技术实现思路

1、本发明的目的在于针对矿井这种工作环境复杂、可靠性要求高、健康评估难度大的复杂设备在实际工程中无法准确的从多个信号特征中综合评估机械设备的健康状态的问题，提供一种基于自组织映射聚类的矿井机械设备在线健康评估方法。

2、为达到上述目的，本发明提供如下技术方案：

3、基于自组织映射聚类的矿井机械设备在线健康评估方法，包括以下步骤：

4、s1、从矿井机械设备传感器中获取多种信号特征的历史运转数据，将历史运转数据划分为四个健康等级；

5、s2、将历史运转数据划分为训练集样本和测试集样本；

6、s3、建立自组织映射聚类健康评估模型，将训练集样本多维数据输出为低维数据，对相似特征进行聚类划分，映射设备健康状态；

7、s4、用测试集样本对自组织映射聚类健康评估模型进行实验，得出评估准确率，并保存最优模型；

8、s5、将自组织映射聚类健康评估模型放置云端，对矿井机械设备传感器实时获取数据进行在线健康状态评估。

9、步骤s1具体包括：

10、s101、获取历史运转数据，包括采煤机位置、采煤机速度、采煤机左右倾角、采煤机轴承温度、采煤机截割部温度、采煤机截割电流、瓦斯浓度和系统电压；

11、s102、将历史运转数据划分为健康、良好、恶化、故障四个等级。

12、步骤s102等级划分标准为：健康为监测数据远离警告值，设备运行状态很好，即监测数据距警告值的欧式距离为(7.5,10]；良好为监测数据未达到警告值，设备运行良好，即监测数据距警告值的欧式距离为(5,7.5]；恶化为监测值与警告值很近，设备运行异常，即监测数据距警告值的欧式距离为(2.5,5]；故障为监测值达到或超出警告值，设备无法正常运行，即监测数据距警告值的欧式距离为(0,2.5]。

13、步骤s2具体包括：将数据采用分层随机采样的方式，依据设备运行时间，以5个监测点为一组进行分层，每组以4:1的比例进行随机抽样构建训练集样本和测试集样本。

14、步骤s3具体包括：

15、s301、建立合适的自组织映射聚类模型，设置初始参数，包括输入特征维度、迭代次数、每次迭代样本数量、初始学习率、激活函数类型、初始健康度、神经元的个数和优胜领域；

16、s302、将训练集样本输入自组织映射聚类模型，对输入向量和输出向量做归一化处理；

17、s303、归一化后的输入向量与输出向量做点积，点积值最大的输出神经元赢得竞争，记为优胜节点，点积值计算公式为：

18、

19、，为输入向量和输出向量，，为输入数量。

20、s304、通过欧式距离公式计算当前的样本与优胜领域内某一点对应的权值之差，表征优胜邻域内，优胜节点对其近邻节点的影响强弱，即优胜邻域中每个节点的更新幅度，欧式距离公式为：

21、

22、，为输入数据映射后的坐标，d，n为权值点的坐标，表示的是当前的样本与优胜领域内某一点对应的权值之差；

23、s305、更新权值，保持优胜领域外的权值不变，对优胜节点及优胜领域内的所有权值做调整；

24、s306、更新学习率和优胜邻域；

25、s307、根据自组织映射聚类模型更新后的优胜节点，将每个节点与优胜节点关联，相似节点被分配到邻近的优胜领域，优胜领域分为健康、良好、恶化、故障四个等级，生成训练好的自组织映射聚类健康评估模型；

26、s308、矿井设备某一时刻历史数据输入自组织映射聚类健康评估模型，得到该点的输出节点，根据输出节点所处领域评估该时刻矿井设备的健康状态。

27、步骤s301中，输入特征维度、迭代次数设置为150、每次迭代样本数量为128、初始学习率为0.001、激活函数类型为sigmoid、初始健康度为0.95、神经元的个数为(n为样本数量)和优胜领域，输入特征维度与采集矿井设备的数据种类有关。

28、步骤s302归一化处理方法为：

29、

30、

31、，分别为输入向量和输出向量的欧几里得范数，，分别为输入向量和输出向量，，为输入数量。

32、步骤s305更新权值方式为：

33、

34、

35、，

36、如达到终止条件，则算法停止；否则置，继续步骤s303；

37、其中，是一个节点所有输入边的序标，为当前训练次数下的学习率，是训练时间和邻域内第个节点与优胜节点之间的欧式距离的函数。

38、步骤s4具体包括：

39、s401、利用测试集样本测试自组织映射聚类健康评估模型，将测试结果与实际值对比，得到模型的准确率，将模型结果进行可视化，按聚类结果分类存储，对模型的结果进行评判；

40、s402、多次实验，保存最优模型。

41、步骤s5具体包括：将模型置于云端，连接矿井机械设备智能云平台，通过设备实时采集数据对设备进行健康状态评估。

42、与现有技术相比，本发明的有益效果为：

43、 (1)可以利用多种信号特征，分析多种信号特征之间的关联，综合评估矿井机械设备的健康值；

44、(2)为方便工作人员了解设备的健康状态，将矿井机械设备健康状态划分为健康、良好、恶化、故障四个等级；

45、(3)对矿井机械设备健康评估的准确率达到98.88%以上；

46、(4)可以实时分析矿井机械设备的健康状态，节省人力和维护成本。

技术特征：

1.一种基于自组织映射聚类的矿井机械设备在线健康评估方法，其特征在于：包括以下步骤：

2.根据权利要求1所述基于自组织映射聚类的矿井机械设备在线健康评估方法，所述步骤s1具体包括：

3.根据权利要求2所述基于自组织映射聚类的矿井机械设备在线健康评估方法，所述步骤s102等级划分标准为：健康为监测数据远离警告值，设备运行状态很好，即监测数据距警告值的欧式距离为(7.5,10]；良好为监测数据未达到警告值，设备运行良好，即监测数据距警告值的欧式距离为(5,7.5]；恶化为监测值与警告值很近，设备运行异常，即监测数据距警告值的欧式距离为(2.5,5]；故障为监测值达到或超出警告值，设备无法正常运行，即监测数据距警告值的欧式距离为(0,2.5]。

4.根据权利要求1所述基于自组织映射聚类的矿井机械设备在线健康评估方法，所述步骤s2具体包括：将数据采用分层随机采样的方式，依据设备运行时间，以5个监测点为一组进行分层，每组以4:1的比例进行随机抽样构建训练集样本和测试集样本。

5.根据权利要求1所述基于自组织映射聚类的矿井机械设备在线健康评估方法，所述步骤s3具体包括：

6.根据权利要求5所述基于自组织映射聚类的矿井机械设备在线健康评估方法，所述步骤s301中，输入特征维度、迭代次数设置为150、每次迭代样本数量为128、初始学习率为0.001、激活函数类型为sigmoid、初始健康度为0.95、神经元的个数为和优胜领域，n为样本数量，输入特征维度与采集矿井设备的数据种类有关。

7.根据权利要求5所述基于自组织映射聚类的矿井机械设备在线健康评估方法，所述步骤s302归一化处理方法为：

8.根据权利要求5所述基于自组织映射聚类的矿井机械设备在线健康评估方法，所述步骤s305更新权值方式为：

9.根据权利要求1所述基于自组织映射聚类的矿井机械设备在线健康评估方法，所述步骤s4具体包括：

10.根据权利要求1所述基于自组织映射聚类的矿井机械设备在线健康评估方法，所述步骤s5具体包括：将模型置于云端，连接矿井机械设备智能云平台，通过设备实时采集数据对设备进行健康状态评估。

技术总结
本发明公开了一种基于自组织映射聚类的矿井机械设备在线健康评估方法，属于健康评估领域。针对矿井机械实际工程中无法准确的从多个信号特征中综合评估机械设备的健康状态的问题，通过建立自组织映射聚类健康评估模型，将训练集输入到模型中，通过模型训练对数据进行聚类分析，划分设备健康状态；然后基于训练好的模型，利用测试集对设备健康状态进行评估，并且得出评估的准确率，保存最优模型；最后将模型放置云端对矿井机械设备实时数据进行在线健康评估。所提方法对矿井机械设备的健康评估准确率达到98.88%，为工作人员更好的了解矿井机械设备的实时运行情况，在设备故障之前提前发现设备恶化，具有工程实用性。

技术研发人员：丁华,王焱,孙晓春,王光,李莉,杨琨,廖瑶瑶,马丁·劳易特
受保护的技术使用者：太原理工大学
技术研发日：
技术公布日：2024/1/13