皮带机故障的确定方法、装置和皮带机系统与流程

本申请涉及皮带机故障检测，具体而言，涉及一种皮带机故障的确定方法、装置、计算机可读存储介质和皮带机系统。

背景技术：

1、目前常需要对矿井中的皮带机进行动态识别，确定皮带机的故障，常采用神经网络来提取特征进行缺陷识别，然而神经网络无法快速收敛并容易出现局部极小以及在训练过程中需提供大量样本，会造成皮带机的故障检测的精度较低。

技术实现思路

1、本申请的主要目的在于提供一种皮带机故障的确定方法、装置、计算机可读存储介质和皮带机系统，以至少解决现有技术中皮带机的故障检测的精度较低的问题。

2、为了实现上述目的，根据本申请的一个方面，提供了一种皮带机故障的确定方法，包括：获取超声波数据，其中，所述超声波数据是向皮带机发射超声波后所述皮带机反射超声波的数据；构建目标模型，其中，所述目标模型是使用多组训练数据来通过elm算法和vpmcd算法训练得到的，所述多组训练数据中的每一组训练数据均包括历史时间段内获取的历史超声波数据、所述历史超声波数据对应的第一历史确定结果，其中，所述第一历史确定结果用于表征历史皮带机是否故障的结果；将所述超声波数据输入至所述目标模型，得到所述超声波数据对应的第一确定结果，其中，所述第一确定结果用于表征根据所述目标模型确定所述皮带机是否故障的结果。

3、可选地，在构建目标模型之前，所述方法还包括：构建初始模型，其中，所述初始模型是使用多组训练数据来通过vpmcd算法训练得到的，所述多组训练数据中的每一组训练数据均包括所述历史时间段内获取的所述历史超声波数据、所述历史超声波数据对应的第二历史确定结果，其中，所述第二历史确定结果用于表征历史皮带机是否故障的结果；采用elm算法对所述初始模型进行优化，得到所述目标模型。

4、可选地，采用elm算法对所述初始模型进行优化，包括：获取训练集，其中，所述训练集为t＝(x1,y1),(x2,y2),...,(xn,yn)，将输入样本通过目标函数映射到目标特征空间，得到第一矩阵，所述输入样本为x＝x1,x2,...,xn，所述第一矩阵为h＝[hij]k×n，其中，k×n表示矩阵的维度，k表示矩阵的行，n表示矩阵的列，hij＝g(zk)，g(zk)表示隐含层第k个神经元的激活函数，所述目标函数为sigmoid函数或者relu函数；随机初始化所述隐含层与输出层之间的连接权重，并转换为矩阵形式得到所述输出层的输出数据，其中，所述连接权重为wk×m，m为所述输出层的神经元的个数，所述输出层的所述输出数据为y＝[yi]m×n，y＝w·h。

5、可选地，采用elm算法对所述初始模型进行优化，包括：采用最小二乘法计算输出层与训练数据之间的拟合误差；获取残差平方和，其中，所述残差平方和为

6、

7、yi表示n维向量，ti表示n维向量；将所述残差平方和转换为第二矩阵，其中，所述第二矩阵为

8、

9、其中，t＝[tij]m×n，t表示所述输出层的目标向量，所述输出层的权重为w＝(hth)-1hth。

10、可选地，采用elm算法对所述初始模型进行优化，包括：获取隐含层和输出层之间的偏置函数；随机初始化所述偏置函数，并使用目标优化算法优化所述偏置函数，得到优化后的偏置函数，其中，所述目标优化算法为学习率衰减算法或者自适应学习率算法。

11、可选地，在采用elm算法对所述初始模型进行优化之后，所述方法还包括：获取待确定样本x，通过如下公式：

12、

13、将所述待确定样本通过激活函数映射到隐含层；计算映射后的所述隐含层的输出与所述隐含层到输出层的连接权重的乘积，得到计算结果，其中，所述计算结果为y＝w·h；对所述计算结果进行分类处理，以确定所述待确定样本的类别。

14、可选地，在将所述超声波数据输入至所述目标模型，得到所述超声波数据对应的确定结果之后，所述方法还包括：获取参考确定结果，其中，所述参考确定结果为所述皮带机标准的故障识别的结果；将所述超声波数据输入至所述初始模型，得到所述超声波数据对应的第二确定结果，其中，所述第二确定结果用于表征根据所述初始模型确定所述皮带机是否故障的结果；计算所述第一确定结果与所述参考确定结果的第一误差值，计算所述第二确定结果与所述参考确定结果的第二误差值；将所述第一误差值和所述第二误差值以目标展示形式显示在显示界面中，其中，所述目标展示形式为图表展示和/或表格展示。

15、根据本申请的另一方面，提供了一种皮带机故障的确定装置，包括：第一获取单元，用于获取超声波数据，其中，所述超声波数据是向皮带机发射超声波后所述皮带机反射超声波的数据；第一构建单元，用于构建目标模型，其中，所述目标模型是使用多组训练数据来通过elm算法和vpmcd算法训练得到的，所述多组训练数据中的每一组训练数据均包括历史时间段内获取的历史超声波数据、所述历史超声波数据对应的第一历史确定结果，其中，所述第一历史确定结果用于表征历史皮带机是否故障的结果；确定单元，用于将所述超声波数据输入至所述目标模型，得到所述超声波数据对应的第一确定结果，其中，所述第一确定结果用于表征根据所述目标模型确定所述皮带机是否故障的结果。

16、根据本申请的再一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述皮带机故障的确定方法。

17、根据本申请的又一方面，提供了一种皮带机系统，包括：皮带机、超声波发射探头、超声波接收探头、一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行任意一种所述的皮带机故障的确定方法。

18、应用本申请的技术方案，可以使用elm算法和vpmcd算法一起来确定皮带机是否故障，目前有的方案用vpmcd算法来对滚动轴承的工作状态和故障类型的进行分类，可以准确地确定故障，也不需要大量的样本进行训练了，而elm算法的优势是可以在较快的时间内学习到一个较好的模型，对于异常值的鲁棒性也较高，可以减少模型中噪声的影响，这样可以避免神经网络无法快速收敛的问题，因此在此基础上，将vpmcd和elm算法进行结合得到的目标模型的精度较高，进而提高了检测的精度。

技术特征：

1.一种皮带机故障的确定方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，在构建目标模型之前，所述方法还包括：

3.根据权利要求2所述的方法，其特征在于，采用elm算法对所述初始模型进行优化，包括：

4.根据权利要求2所述的方法，其特征在于，采用elm算法对所述初始模型进行优化，包括：

5.根据权利要求2所述的方法，其特征在于，采用elm算法对所述初始模型进行优化，包括：

6.根据权利要求2所述的方法，其特征在于，在采用elm算法对所述初始模型进行优化之后，所述方法还包括：

7.根据权利要求2所述的方法，其特征在于，在将所述超声波数据输入至所述目标模型，得到所述超声波数据对应的确定结果之后，所述方法还包括：

8.一种皮带机故障的确定装置，其特征在于，包括：

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述皮带机故障的确定方法。

10.一种皮带机系统，其特征在于，包括：皮带机、超声波发射探头、超声波接收探头、一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行权利要求1至7中任意一项所述的皮带机故障的确定方法。

技术总结
本申请提供了一种皮带机故障的确定方法、装置和皮带机系统。该方法包括：获取超声波数据，超声波数据是向皮带机发射超声波后皮带机反射超声波的数据；构建目标模型，目标模型是使用多组训练数据来通过ELM算法和VPMCD算法训练得到的，多组训练数据中的每一组训练数据均包括历史时间段内获取的历史超声波数据、历史超声波数据对应的第一历史确定结果，第一历史确定结果用于表征历史皮带机是否故障的结果；将超声波数据输入至目标模型，得到超声波数据对应的第一确定结果，其中，第一确定结果用于表征根据目标模型确定皮带机是否故障的结果。该方案解决了现有技术中皮带机的故障检测的精度较低的问题。

技术研发人员：高文才,郭爱军,贺海涛,王彦斌,鞠晨,曹帅
受保护的技术使用者：国能神东煤炭集团有限责任公司
技术研发日：
技术公布日：2024/1/15