皮带机监测系统、方法、存储介质和电子设备与流程

1.本发明涉及皮带机技术领域，特别地涉及一种皮带机监测系统、方法、存储介质和电子设备。


背景技术：

2.皮带机是港口物料运输的大动脉，皮带机的稳定运行是港口生产作业的重要保障。而随着皮带机生产自动化程度地提高，相应地对整个系统核心—驱动设备也提出了更高的要求，要求皮带机安全、高效、稳定地运行。为了提高系统的可靠性，迫切地需要对异步电动机实现在线监控及早期故障诊断，将因电动机故障引发的事故消灭在萌芽状态，以避免系统破坏以及灾难性事故的发生。
3.本领域亟需一种方案解决如何对皮带机的异步电动机进行在线监控及早期故障诊断的技术问题。


技术实现要素：

4.本发明提供一种皮带机监测系统、方法、存储介质和电子设备，解决了如何对皮带机的异步电动机进行在线监控及早期故障诊断的技术问题。
5.第一方面，本发明提供了一种皮带机监测系统，包括：皮带机监测装置和至少一个数据处理终端，其中，皮带机监测装置与数据处理终端连接；
6.数据处理终端，用于采集皮带机参数，并基于参数生成与皮带机的工况对应的神经元；
7.皮带机监测装置，用于基于神经元和深度学习网络对皮带机的健康状态进行预测。
8.在一些实施例中，皮带机参数包括：皮带机电气量运行参数、皮带机控制参数和/或皮带机环境参数；
9.皮带机电气量运行参数，包括皮带机的电流、功率和/或功率因数；
10.皮带机控制参数，包括翻车机控制数据、皮带机控制数据和/或料流检测数据；
11.皮带机环境参数，包括皮带机的温度参数和/或振动参数。
12.在一些实施例中，皮带机的工况包括：启停工况、轻载工况、重载工况和/或载荷突变工况；
13.神经元包括：皮带机空载启停健康监测神经元、皮带机轻载健康监测神经元、皮带机重载健康监测神经元和/或皮带机载荷突变健康监测神经元。
14.在一些实施例中，基于参数生成与皮带机的工况对应的神经元，包括：
15.基于皮带机启停过程的电流、功率、功率因数、温度和/或振动数据，建立皮带机空载启停健康监测神经元；
16.基于皮带机空载状态的电流、功率、功率因数、温度和/或振动数据，建立皮带机轻载健康监测神经元；
17.基于皮带机重载状态的料流位置、料流长度、皮带机电流、功率、功率因数、温度和/或振动数据，建立皮带机重载健康监测神经元；
18.基于皮带机重载启停时间、翻车机给料时间、功率、电流、功率因数、温度和/或振动数据，建立皮带机载荷突变健康监测神经元。
19.在一些实施例中，基于bp神经网络对神经元进行训练，以得到与神经元对应的工况的运行特征。
20.在一些实施例中，基于遗传算法改进bp神经网络，得到遗传算法改进的bp神经网络；
21.基于遗传算法改进的bp神经网络对神经元进行训练，以得到与神经元对应的工况的运行特征。
22.在一些实施例中，基于神经元和深度学习网络对皮带机的健康状态进行预测，包括：
23.皮带机监测装置，获取数据处理终端生成的神经元以及皮带机振动频谱数据，并基于神经元、皮带机振动频谱数据和深度学习网络对皮带机的健康状态进行预测。
24.第二方面，本发明提供一种皮带机监测方法，包括：
25.采集皮带机参数，并基于参数生成与皮带机的工况对应的神经元；
26.基于神经元和深度学习网络对皮带机的健康状态进行预测。
27.第三方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现第二方面的方法。
28.第四方面，本发明提供了一种电子设备，包括处理器和存储器，存储器上存储有计算机程序，处理器执行计算机程序时实现第二方面的方法。
29.本发明提供的一种皮带机监测系统、方法、存储介质和电子设备，通过皮带机监测装置和至少一个数据处理终端，其中，皮带机监测装置与数据处理终端连接；数据处理终端，用于采集皮带机参数，并基于参数生成与皮带机的工况对应的神经元；皮带机监测装置，用于基于神经元和深度学习网络对皮带机的健康状态进行预测；能够解决如何对皮带机的异步电动机进行在线监控及早期故障诊断的技术问题。
附图说明
30.在下文中将基于实施例并参考附图来对本发明进行更详细的描述：
31.图1为本发明实施例的一种皮带机监测系统的结构示意图；
32.图2为本发明实施例提供的一种皮带机健康监测和管理平台的示意图；
33.图3为本发明实施例提供的一种皮带机空载启停健康监测神经元示意图；
34.图4为本发明实施例提供的一种皮带机轻载健康监测神经元示意图；
35.图5为本发明实施例提供的一种皮带机重载神经元示意图；
36.图6为本发明实施例提供的一种皮带机载荷突变健康监测神经元示意图；
37.图7为本发明实施例提供的一种基于遗传算法改进神经网络的示意图；
38.图8为本发明实施例提供的一种故障解析示意图；
39.图9为本发明实施例提供的一种故障预测示意图；
40.图10为本发明实施例提供的一种故障预测流程示意图。
41.在附图中，相同的部件使用相同的附图标记，附图并未按照实际的比例绘制。
具体实施方式
42.为了使本技术领域的人员更好地理解本发明方案，并对本发明如何应用技术手段来解决技术问题，并达到相应技术效果的实现过程能充分理解并据以实施，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，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。本发明实施例以及实施例中的各个特征，在不相冲突前提下可以相互结合，所形成的技术方案均在本发明的保护范围之内。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
43.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
44.需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
45.皮带机是港口物料运输的大动脉，皮带机的稳定运行是港口生产作业的重要保障。而随着皮带机生产自动化程度地提高，相应地对整个系统核心—驱动设备也提出了更高的要求，要求皮带机安全、高效、稳定地运行。例如电力、煤炭、石油、化工、交通运输等安全至上的生产系统，一旦在生产环节中因电动机发生故障可能会引发人身伤亡及重大经济损失等灾难性后果。
46.因此，为了提高系统的可靠性，迫切地需要对异步电动机实现在线监控及早期故障诊断，将因电动机故障引发的事故消灭在萌芽状态，以避免系统破坏以及灾难性事故的发生。
47.快速傅里叶频谱分析方法是提取皮带机故障特征信号的经典分析方法，在异步皮带机故障诊断中起到了至关重要的作用。然而，由于傅里叶频谱分析方法对信号的时域缺少分辨能力,适合于对平稳信号的分析。当电动机发生故障时，所测得是非平稳、非线性分布的随机信号，信号中突变的部分在fft频谱上得不到反映。
48.希尔伯特变换是由美国人dr.huang提出的提出了一种基于经验模态分解的时频分析方法，它包括经验模式的分解(emd)和希尔伯特(hilbert)变换两个过程，这一变换的提出被认为是对线性分析和稳态谱分析的重大突破。然而，希尔伯特模量分析方法在皮带机负荷的变化较大时，对负荷的波动和转子故障的信号诊断容易出现错误的判断。
49.小波变换以其对非平稳信号的强大处理能力，可以充分地提取出皮带机故障信号的特征，在皮带机故障诊断领域取得了非常大的成就，积累了大量的有价值的成果。然而，小波变换要求信号在小波窗内具有平稳性，没有完全脱离傅里叶变换的局限性。其次，小波
基有限长会造成能量的泄漏，且一旦确定了分析尺度和小波基，也就限定了分析信号的频段，不能达到准确地分析变化的振幅和频率。
50.本领域亟需一种方案解决如何对异步电动机进行在线监控及早期故障诊断的技术问题。
51.以下，将结合实施例对本发明的技术方案及其技术效果进行说明。
52.实施例一
53.图1为本发明实施例的一种皮带机监测系统的结构示意图。如图1所示，本实施例提供一种皮带机监测系统，包括：皮带机监测装置和至少一个数据处理终端，其中，皮带机监测装置与数据处理终端连接；
54.数据处理终端，用于采集皮带机参数，并基于参数生成与皮带机的工况对应的神经元；
55.皮带机监测装置，用于基于神经元和深度学习网络对皮带机的健康状态进行预测。
56.本实施例的技术方案，通过皮带机监测装置和至少一个数据处理终端，其中，皮带机监测装置与数据处理终端连接；数据处理终端，用于采集皮带机参数，并基于参数生成与皮带机的工况对应的神经元；皮带机监测装置，用于基于神经元和深度学习网络对皮带机的健康状态进行预测；能够解决如何对皮带机的异步电动机进行在线监控及早期故障诊断的技术问题。
57.实施例二
58.在上述实施例的基础上，本实施例提供一种系统，皮带机参数包括：皮带机电气量运行参数、皮带机控制参数和/或皮带机环境参数；
59.皮带机电气量运行参数，包括皮带机的电流、功率和/或功率因数；
60.皮带机控制参数，包括翻车机控制数据、皮带机控制数据和/或料流检测数据；
61.皮带机环境参数，包括皮带机的温度参数和/或振动参数。
62.在一些实施方式中，皮带机的工况包括：启停工况、轻载工况、重载工况和/或载荷突变工况；
63.神经元包括：皮带机空载启停健康监测神经元、皮带机轻载健康监测神经元、皮带机重载健康监测神经元和/或皮带机载荷突变健康监测神经元。
64.在一些实施方式中，基于参数生成与皮带机的工况对应的神经元，包括：
65.基于皮带机启停过程的电流、功率、功率因数、温度和/或振动数据，建立皮带机空载启停健康监测神经元；
66.基于皮带机空载状态的电流、功率、功率因数、温度和/或振动数据，建立皮带机轻载健康监测神经元；
67.基于皮带机空载状态的料流位置、料流长度、皮带机电流、功率、功率因数、温度和/或振动数据，建立皮带机重载健康监测神经元；
68.基于皮带机重载启停时间、翻车机给料时间、功率、电流、功率因数、温度和/或振动数据，建立皮带机载荷突变健康监测神经元。
69.在本实施例的技术方案中，港口皮带机健康监测与管理系统(简称为皮带机监测系统)，包括皮带机健康监测和管理平台、皮带机状态监测装置和至少一个数据处理终端。
其中，数据处理终端用于采集皮带机参数。其中，皮带机参数包括皮带机电气量运行参数、皮带机控制参数、皮带机环境参数。
70.在本实施例的技术方案中，皮带机电气量运行参数，包括皮带机运行实时电流、功率、功率因数中的一个或多个；皮带机控制参数，包括翻车机控制plc数据、皮带机控制plc数据、料流检测plc数据中的一个或多个；皮带机环境参数，包括温度振动传感器数据采集的温度参数和/或振动参数。其中，温度、振动传感器的采样频率须满足频谱分析要求。
71.在本实施例的技术方案中，在煤炭港口皮带机上安装温度振动传感器和皮带机电气量运行参数采集装置，在就地控制箱安装数据处理终端，对温度、振动数据进行解析。建立皮带机控制plc、翻车机控制plc、料流检测plc与各数据处理终端的通讯；建立皮带机健康检测和管理平台与各数据处理终端的通讯。
72.图2为本发明实施例提供的一种皮带机健康监测和管理平台的示意图。如图2所示，在皮带机健康监测和管理平台部署皮带机健康监测、皮带机故障频段解析、皮带机故障预测、皮带机健康管理。
73.仍旧如图2所示，在每一数据处理终端中建立基础数据库，在皮带机健康监测和管理平台建立皮带级健康检测与管理数据库。在此基础上，将各个数据处理终端中的基础数据库的数据，汇总至皮带机健康监测和管理平台建立皮带级健康检测与管理数据库。通过皮带机健康监测和管理平台所部署的皮带机健康监测、皮带机故障频段解析、皮带机故障预测和/或皮带机健康管理进行数据处理。
74.其中，建立皮带机健康检测与管理基础数据库，皮带机健康检测与管理基础数据库部署于各数据处理终端。皮带机健康检测与管理基础数据库各字段及含义如应用实例中的表1所示。
75.其中，皮带机健康检测与管理基础数据库数据表结构如应用实例中的表2所示。
76.在皮带机健康检测与管理基础数据库，建立皮带机启停状态数据表，如应用实例中的表3所示。
77.其中，各个数据处理终端实时读取温度、振动数据；采用小波包分解提取振动特征，并将温度、振动特征数据实时存储在表1中。
78.各个数据处理终端实时读取皮带机电气量运行参数，并将皮带机电气量运行参数存储于表1中；
79.各个数据处理终端读取皮带机控制plc中的皮带机启动信号，记录启动时间、启动电流、稳定时间、稳定电流、振动特征到表3，记录启动时间、实时电流、振动特征、重载标记到表2中；
80.各个数据处理终端读取皮带机控制plc中的皮带机停机信号，记录停机时间、制动时长、振动特征、重载标记到表3中，记录停机时间、振动特征到表2中；
81.其中，若皮带机重载启停，重载标记为1；若皮带机非重载启停，重载标记为0。
82.数据处理终端读取翻车机控制plc中的给料信号。并将给料信号的触发时间记录于表2中；
83.数据处理终端读取料流检测plc中的料流位置数据、皮带上料流长度数据，记录于表2中。
84.在皮带机健康监测和管理平台，建立皮带机健康检测与管理数据库，皮带机健康
检测与管理数据库与皮带机健康检测与管理基础数据库结构相同，增加“皮带机编号”字段。
85.其中，上述皮带机健康监测，包括针对不同工况，建立不同的神经元，包括：
86.(1)针对启停工况，建立皮带机空载启停健康监测神经元。图3为本发明实施例提供的一种皮带机空载启停健康监测神经元示意图。如图3所示，建立皮带机空载启停健康监测神经元，记录皮带机启停过程中电流、功率、功率因数、温度、振动数据。
87.(2)针对轻载工况，建立皮带机轻载健康监测神经元。图4为本发明实施例提供的一种皮带机轻载健康监测神经元示意图。如图4所示，建立皮带机轻载健康监测神经元，记录皮带机空载状态电流、功率、功率因数、温度、振动数据。
88.(3)针对重载工况，建立皮带机重载健康监测神经元。图5为本发明实施例提供的一种皮带机重载神经元示意图。如图5所示，建立皮带机重载神经元，记录皮带机料流位置、料流长度以及皮带机电流、功率、功率因数、温度、振动数据。
89.(4)针对载荷突变工况，建立皮带机载荷突变健康监测神经元。图6为本发明实施例提供的一种皮带机载荷突变健康监测神经元示意图。如图6所示，建立皮带机载荷突变健康监测神经元，记录皮带机重载启停、翻车机给料、功率、功率因数、温度、振动数据。
90.由于能够反映不同工况的运行参数不同，因此，本实施例针对不同工况建立了不同的健康监测神经元，从而能够使得基于上述神经元得到的各运行工况下的运行特征更准确。
91.本实施例的技术方案，通过针对皮带机的不同工况建立不同的神经元，从而能够针对性地获取不同工况的运行特征，提高了皮带机工况识别的准确性。在此基础上，当深度学习网络所识别的工况与皮带机的控制装置所发出的工况不符时，即可判断皮带机故障。
92.实施例三
93.在上述实施例的基础上，本实施例提供一种系统，基于bp神经网络对神经元进行训练，以得到与神经元对应的工况的运行特征。
94.在一些实施方式中，所述神经元包括皮带机初始振动信号，所述运行特征包括神经元的振动数据和频谱数据；
95.所述基于bp神经网络对所述神经元进行训练，以得到与神经元对应的工况的运行特征，包括：
96.基于遗传算法改进bp神经网络，得到遗传算法改进的bp神经网络；
97.基于遗传算法改进的bp神经网络对所述皮带机初始振动信号进行分析，以得到输入神经元的振动数据和频谱数据。
98.在本实施例的技术方案中，图7为本发明实施例提供的一种基于遗传算法改进神经网络的示意图。如图7所示，在例如数据处理终端，使用例如遗传算法改进的bp神经网络对皮带机空载启停健康监测神经元、皮带机轻载健康监测神经元、皮带机重载神经元、皮带机载荷突变健康监测神经元分别进行训练，得到各运行工况下的运行特征。
99.图8为本发明实施例提供的一种故障解析示意图。如图8所示，皮带机故障频段解析，对皮带机振动数据进行故障频段计算，检测并判断皮带机是否出现故障，故障包括例如皮带机转子断条，皮带机气隙偏心，皮带机轴承外圈故障，皮带机轴承内圈故障，皮带机轴承滚动体故障。其中，可以通过例如图10所示的方法执行上述检测并判断皮带机是否出现
故障的步骤。
100.图9为本发明实施例提供的一种故障预测示意图。如图9所示，皮带机故障预测，在例如皮带机健康监测和管理平台中，采用深度学习算法对例如各个数据处理终端所建立皮带机空载启停健康监测神经元、皮带机轻载健康监测神经元、皮带机重载神经元、皮带机载荷突变健康监测神经元所形成数据集进行检测，判断皮带机的电机健康状态，实现故障预测。本实施例提供的皮带机健康监测和管理系统，根据皮带机健康检测、皮带机故障频段解析、皮带机故障预测数据，生成皮带机维修计划。结合皮带机现场工艺建立皮带机健康监测与管理系统，实现对港口皮带机全生命周期的记录，故障诊断，故障预测。提高设备运行维护效率，所建立数据库可实现港口皮带机生产效率管控。
101.图10为本发明实施例提供的一种故障预测示意图。如图10所示，皮带机振动故障预测算法流程包括：
102.(1)振动传感器采集皮带机振动信号；
103.(2)小波包分解得到故障及正常频段特征数据；
104.(3)对不同故障类型振动数据进行分类标注，得到输入输出数据作为训练数据；
105.(4)使用mapminmax函数对输入输出数据/训练数据进行归一化；
106.(5)遗传算法初始化种群，根据(4)中数据找到当前最好染色体；
107.(6)使用选择、交叉、变异、计算适应度的方法对染色体进行不断地迭代优化，当迭代的次数达到迭代阈值时，得到最优的初始化阈值和权值作为bp神经网络的初始参数附给bp神经网络；
108.(7)bp神经网络进行训练，迭代优化n次后得到最优皮带机振动故障预测模型；
109.(8)振动传感器实时采集到的信号，经小波包分解得到感兴趣频段特征数据；
110.(9)对(8)中得到特征数据使用mapminmax函数对输入输出数据进行归一化；
111.(10)将(9)中归一化后数据输入(7)中的皮带机振动故障预测模型进行预测，得到皮带机故障预测结果；
112.(11)如果程序没有结束，重复(8)到(10)的皮带机振动故障预测过程，实现皮带机振动故障的实时预测。
113.本实施例的技术方案，基于遗传算法改进的bp神经网络对神经元进行训练，以得到与神经元对应的工况的运行特征，从而使得运行工况的获取更加快捷准确。
114.实施例四
115.在上述实施例的基础上，本实施例提供一种系统，基于神经元和深度学习网络对皮带机的健康状态进行预测，包括：
116.皮带机监测装置，获取数据处理终端生成的神经元以及皮带机振动频谱数据，并基于神经元、皮带机振动频谱数据和深度学习网络对皮带机的健康状态进行预测。
117.图9为本发明实施例提供的一种故障预测示意图。如图9所示，皮带机故障预测，在例如皮带机健康监测和管理平台中，采用深度学习算法对例如各个数据处理终端所建立皮带机空载启停健康监测神经元、皮带机轻载健康监测神经元、皮带机重载神经元、皮带机载荷突变健康监测神经元、皮带机振动频谱数据所形成数据集进行检测，判断皮带机的电机健康状态，实现故障预测。本实施例提供的皮带机健康监测和管理系统，根据皮带机健康检测、皮带机故障频段解析、皮带机故障预测数据，生成皮带机维修计划。结合皮带机现场工
艺建立皮带机健康监测与管理系统，实现对港口皮带机全生命周期的记录，故障诊断，故障预测。提高设备运行维护效率，所建立数据库可实现港口皮带机生产效率管控。
118.本实施例的技术方案，通过获取数据处理终端生成的神经元以及皮带机振动频谱数据，并基于神经元、皮带机振动频谱数据和深度学习网络对皮带机的健康状态进行预测，能够提升皮带机的健康状态的预测准确度。
119.实施例五
120.在上述实施例的基础上，本实施例提供一种皮带机监测方法，包括：
121.采集皮带机参数，并基于参数生成与皮带机的工况对应的神经元；
122.基于神经元和深度学习网络对皮带机的健康状态进行预测。
123.在一些实施方式中，皮带机参数包括：皮带机电气量运行参数、皮带机控制参数和/或皮带机环境参数；
124.皮带机电气量运行参数，包括皮带机的电流、功率和/或功率因数；
125.皮带机控制参数，包括翻车机控制数据、皮带机控制数据和/或料流检测数据；
126.皮带机环境参数，包括皮带机的温度参数和/或振动参数。
127.在一些实施方式中，皮带机的工况包括：启停工况、轻载工况、重载工况和/或载荷突变工况；
128.神经元包括：皮带机空载启停健康监测神经元、皮带机轻载健康监测神经元、皮带机重载健康监测神经元和/或皮带机载荷突变健康监测神经元。
129.在一些实施方式中，基于参数生成与皮带机的工况对应的神经元，包括：
130.基于皮带机启停过程的电流、功率、功率因数、温度和/或振动数据，建立皮带机空载启停健康监测神经元；
131.基于皮带机空载状态的电流、功率、功率因数、温度和/或振动数据，建立皮带机轻载健康监测神经元；
132.基于皮带机空载状态的料流位置、料流长度、皮带机电流、功率、功率因数、温度和/或振动数据，建立皮带机重载健康监测神经元；
133.基于皮带机重载启停时间、翻车机给料时间、功率、电流、功率因数、温度和/或振动数据，建立皮带机载荷突变健康监测神经元。
134.在一些实施方式中，基于bp神经网络对神经元进行训练，以得到与神经元对应的工况的运行特征。
135.在一些实施方式中，基于遗传算法改进bp神经网络，得到遗传算法改进的bp神经网络；
136.基于遗传算法改进的bp神经网络对神经元进行训练，以得到与神经元对应的工况的运行特征。
137.在一些实施方式中，基于神经元和深度学习网络对皮带机的健康状态进行预测，包括：
138.皮带机监测装置，获取数据处理终端生成的神经元以及皮带机振动频谱数据，并基于神经元、皮带机振动频谱数据和深度学习网络对皮带机的健康状态进行预测。
139.本实施例的技术方案，通过采集皮带机参数，并基于参数生成与皮带机的工况对应的神经元；基于神经元和深度学习网络对皮带机的健康状态进行预测；能够解决如何对
皮带机的异步电动机进行在线监控及早期故障诊断的技术问题。
140.本实施例的其他技术特征和技术效果和参见本发明的上述实施例以及应用实例，此处不再赘述。
141.实施例六
142.在上述实施例的基础上，本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例的方法。
143.上述存储介质可以是闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘、服务器、app应用商城等等。本实施例的其他技术特征和技术效果和参见本发明的上述实施例以及应用实例，此处不再赘述。
144.实施例七
145.在上述实施例的基础上，本实施例提供了一种设备，包括处理器和存储器，存储器上存储有计算机程序，处理器执行上述实施例的方法。
146.处理器可以是专用集成电路(application specific integrated circuit，简称asic)、数字信号处理器(digital signal processor，简称dsp)、数字信号处理设备(digital signal processing device，简称dspd)、可编程逻辑器件(programmable logic device，简称pld)、现场可编程门阵列(field programmable gate array，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述实施例中的方法。
147.存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(static random access memory，简称sram)，电可擦除可编程只读存储器(electrically erasable programmable read-only memory，简称eeprom)，可擦除可编程只读存储器(erasable programmable read-only memory，简称eprom)，可编程只读存储器(programmable read-only memory，简称prom)，只读存储器(read-only memory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。本实施例的其他技术特征和技术效果和参见本发明的上述实施例以及应用实例，此处不再赘述。
148.实施例八
149.在上述实施例的基础上，本实施例提供了一个应用实例。即一种煤炭港口皮带机健康监测与管理系统。该系统属于皮带机电机健康监测、皮带机电机振动预警检测、和/或安全防护领域。
150.快速傅里叶频谱分析方法是提取皮带机故障特征信号的经典分析方法，在异步皮带机故障诊断中起到了至关重要的作用。然而，由于傅里叶频谱分析方法对信号的时域缺少分辨能力,适合于对平稳信号的分析。当电动机发生故障时，所测得是非平稳、非线性分布的随机信号，信号中突变的部分在fft频谱上得不到反映。
151.希尔伯特变换是由美国人dr.huang提出的提出了一种基于经验模态分解的时频分析方法，它包括经验模式的分解(emd)和希尔伯特(hilbert)变换两个过程，这一变换的提出被认为是对线性分析和稳态谱分析的重大突破。然而，希尔伯特模量分析方法在皮带机负荷的变化较大时，对负荷的波动和转子故障的信号诊断容易出现错误的判断。
152.小波变换以其对非平稳信号的强大处理能力，可以充分地提取出皮带机故障信号
的特征，在皮带机故障诊断领域取得了非常大的成就，积累了大量的有价值的成果。然而，小波变换要求信号在小波窗内具有平稳性，没有完全脱离傅里叶变换的局限性。其次，小波基有限长会造成能量的泄漏，且一旦确定了分析尺度和小波基，也就限定了分析信号的频段，不能达到准确地分析变化的振幅和频率。
153.皮带机是港口物料运输的大动脉，皮带机的稳定运行是港口生产作业的重要保障。而随着皮带机生产自动化程度地提高，相应地对整个系统核心—驱动设备也提出了更高的要求，要求皮带机安全、高效、稳定地运行。例如电力、煤炭、石油、化工、交通运输等安全至上的生产系统，一旦在生产环节中因电动机发生故障可能会引发人身伤亡及重大经济损失等灾难性后果。
154.因此，为了提高系统的可靠性，迫切地需要对异步电动机实现在线监控及早期故障诊断，将因电动机故障引发的事故消灭在萌芽状态，以避免系统破坏以及灾难性事故的发生。本领域亟需一种方案解决如何对异步电动机进行在线监控及早期故障诊断的技术问题。
155.图1为本发明提供一种港口皮带机健康监测与管理系统。如图1所示，本发明的港口皮带机健康监测与管理系统(简称为皮带机监测系统)，包括皮带机健康监测和管理平台、皮带机状态监测装置和至少一个数据处理终端。其中，数据处理终端用于采集皮带机参数。其中，皮带机参数包括皮带机电气量运行参数、皮带机控制参数、皮带机环境参数。
156.在本实施例中，皮带机电气量运行参数，包括皮带机运行实时电流、功率、功率因数中的一个或多个；皮带机控制参数，包括翻车机控制plc数据、皮带机控制plc数据、料流检测plc数据中的一个或多个；皮带机环境参数，包括温度振动传感器数据采集的温度参数和/或振动参数。其中，温度、振动传感器的采样频率须满足频谱分析要求。
157.在煤炭港口皮带机上安装温度振动传感器和皮带机电气量运行参数采集装置，在就地控制箱安装数据处理终端，对温度、振动数据进行解析。建立皮带机控制plc、翻车机控制plc、料流检测plc与各数据处理终端的通讯；建立皮带机健康检测和管理平台与各数据处理终端的通讯。
158.图2为本发明实施例提供的一种皮带机健康监测和管理平台的示意图。如图2所示，在皮带机健康监测和管理平台部署皮带机健康监测、皮带机故障频段解析、皮带机故障预测、皮带机健康管理。
159.仍旧如图2所示，在每一数据处理终端中建立基础数据库，在皮带机健康监测和管理平台建立皮带级健康检测与管理数据库。在此基础上，将各个数据处理终端中的基础数据库的数据，汇总至皮带机健康监测和管理平台建立皮带级健康检测与管理数据库。通过皮带机健康监测和管理平台所部署的皮带机健康监测、皮带机故障频段解析、皮带机故障预测和/或皮带机健康管理进行数据处理。
160.其中，建立皮带机健康检测与管理基础数据库，皮带机健康检测与管理基础数据库部署于各数据处理终端。皮带机健康检测与管理基础数据库各字段及含义如下表1所示。
161.表1
[0162][0163][0164]
其中，皮带机健康检测与管理基础数据库数据表结构如下表2所示。
[0165]
表2
制动时长 振动特征 重载标记 [0171]
其中，各个数据处理终端实时读取温度、振动数据；采用小波包分解提取振动特征，并将温度、振动特征数据实时存储在表1中。
[0172]
各个数据处理终端实时读取皮带机电气量运行参数，并将皮带机电气量运行参数存储于表1中；
[0173]
各个数据处理终端读取皮带机控制plc中的皮带机启动信号，记录启动时间、启动电流、稳定时间、稳定电流、振动特征到表3，记录启动时间、实时电流、振动特征、重载标记到表2中；
[0174]
各个数据处理终端读取皮带机控制plc中的皮带机停机信号，记录停机时间、制动时长、振动特征、重载标记到表3中，记录停机时间、振动特征到表2中；
[0175]
其中，若皮带机重载启停，重载标记为1；若皮带机非重载启停，重载标记为0。
[0176]
数据处理终端读取翻车机控制plc中的给料信号。并将给料信号的触发时间记录于表2中；
[0177]
数据处理终端读取料流检测plc中的料流位置数据、皮带上料流长度数据，记录于表2中。
[0178]
在皮带机健康监测和管理平台，建立皮带机健康检测与管理数据库，皮带机健康检测与管理数据库与皮带机健康检测与管理基础数据库结构相同，增加“皮带机编号”字段。
[0179]
其中，上述皮带机健康监测，包括针对不同工况，建立不同的神经元，包括：
[0180]
(1)针对启停工况，建立皮带机空载启停健康监测神经元。图3为本发明实施例提供的一种皮带机空载启停健康监测神经元示意图。如图3所示，建立皮带机空载启停健康监测神经元，记录皮带机启停过程中电流、功率、功率因数、温度、振动数据。
[0181]
(2)针对轻载工况，建立皮带机轻载健康监测神经元。图4为本发明实施例提供的一种皮带机轻载健康监测神经元示意图。如图4所示，建立皮带机轻载健康监测神经元，记录皮带机空载状态电流、功率、功率因数、温度、振动数据。
[0182]
(3)针对重载工况，建立皮带机重载健康监测神经元。图5为本发明实施例提供的一种皮带机重载神经元示意图。如图5所示，建立皮带机重载神经元，记录皮带机料流位置、料流长度以及皮带机电流、功率、功率因数、温度、振动数据。
[0183]
(4)针对载荷突变工况，建立皮带机载荷突变健康监测神经元。图6为本发明实施例提供的一种皮带机载荷突变健康监测神经元示意图。如图6所示，建立皮带机载荷突变健康监测神经元，记录皮带机重载启停、翻车机给料、功率、功率因数、温度、振动数据。
[0184]
由于能够反映不同工况的运行参数不同，因此，本实施例针对不同工况建立了不同的健康监测神经元，从而能够使得基于上述神经元得到的各运行工况下的运行特征更准确。
[0185]
图7为本发明实施例提供的一种基于遗传算法改进神经网络的示意图。如图7所示，在例如数据处理终端，使用例如遗传算法改进的bp神经网络对皮带机空载启停健康监测神经元、皮带机轻载健康监测神经元、皮带机重载神经元、皮带机载荷突变健康监测神经
元分别进行训练，得到各运行工况下的运行特征。
[0186]
图8为本发明实施例提供的一种故障解析示意图。如图8所示，皮带机故障频段解析，对皮带机振动数据进行故障频段计算，检测并判断皮带机是否出现故障，故障包括例如皮带机转子断条，皮带机气隙偏心，皮带机轴承外圈故障，皮带机轴承内圈故障，皮带机轴承滚动体故障。其中，可以通过例如图10所示的方法执行上述检测并判断皮带机是否出现故障的步骤。
[0187]
图9为本发明实施例提供的一种故障预测示意图。如图9所示，皮带机故障预测，在例如皮带机健康监测和管理平台中，采用深度学习算法对例如各个数据处理终端所建立皮带机空载启停健康监测神经元、皮带机轻载健康监测神经元、皮带机重载神经元、皮带机载荷突变健康监测神经元所形成数据集进行检测，判断皮带机的电机健康状态，实现故障预测。本实施例提供的皮带机健康监测和管理系统，根据皮带机健康检测、皮带机故障频段解析、皮带机故障预测数据，生成皮带机维修计划。结合皮带机现场工艺建立皮带机健康监测与管理系统，实现对港口皮带机全生命周期的记录，故障诊断，故障预测。提高设备运行维护效率，所建立数据库可实现港口皮带机生产效率管控。
[0188]
图10为本发明实施例提供的一种故障预测示意图。如图10所示，皮带机振动故障预测算法流程包括：
[0189]
(1)振动传感器采集皮带机振动信号；
[0190]
(2)小波包分解得到故障及正常频段特征数据；
[0191]
(3)对不同故障类型振动数据进行分类标注，得到输入输出数据作为训练数据；
[0192]
(4)使用mapminmax函数对输入输出数据/训练数据进行归一化；
[0193]
(5)遗传算法初始化种群，根据(4)中数据找到当前最好染色体；
[0194]
(6)使用选择、交叉、变异、计算适应度的方法对染色体进行不断地迭代优化，当迭代的次数达到迭代阈值时，得到最优的初始化阈值和权值作为bp神经网络的初始参数附给bp神经网络；
[0195]
(7)bp神经网络进行训练，迭代优化n次后得到最优皮带机振动故障预测模型；
[0196]
(8)振动传感器实时采集到的信号，经小波包分解得到感兴趣频段特征数据；
[0197]
(9)对(8)中得到特征数据使用mapminmax函数对输入输出数据进行归一化；
[0198]
(10)将(9)中归一化后数据输入(7)中的皮带机振动故障预测模型进行预测，得到皮带机故障预测结果；
[0199]
(11)如果程序没有结束，重复(8)到(10)的皮带机振动故障预测过程，实现皮带机振动故障的实时预测。
[0200]
在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，上述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个
方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0201]
需要说明的是，在本发明中，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过程、方法、物品或者设备不仅包括那些要素，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过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0202]
虽然本发明所揭露的实施方式如上，但上述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。