磨机检测方法、装置与设备与流程
本公开涉及数据处理技术领域，具体而言，涉及一种磨机检测方法、装置与设备。
背景技术：
磨机是研磨矿料的一种重要设备，分为自磨机、半自磨机和球磨机。对于磨机而言，作业参数关系到磨矿作业稳定性，影响磨机生产效率和产品品质。例如，对于半自磨机而言，磨矿介质填充率、综合填充率、提升条高度、衬板磨损程度是磨矿作业的重要指标。磨机是个多参数、非线性、强耦合的系统，无法有效检测作业参数会为负荷控制带来很大的困难。
在相关技术中，有通过振动传感器将磨机振动信号传输到显示设备上的磨机检测方法，但是这种方法需要磨机负责人员根据数值来监控磨机运行状况，仅能通过经验判断是否需要检修，效率和准确率有待提升，人工成本和时间成本较高，无法满足磨机检测与控制的效率、准确率与成本需求。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现要素：
本公开的目的在于提供一种磨机检测方法、装置和设备，用于至少在一定程度上克服由于相关技术的限制和缺陷而导致的无法准确及时地判断磨机是否需要检修的问题。
根据本公开的第一方面，提供一种磨机检测方法，包括：获取来自磨机预设位置的多个振动传感器的多组实时振动信号以及一组实时运行数据，实时运行数据包括多个预设种类运行数据；根据预设条件对实时振动信号提取多组待检振动数据，待检振动数据包括实时振动信号中符合预设条件的多个待检振动信号的频率、幅值和相位；将待检振动数据和实时运行数据输入预设神经网络模型，以获取预设神经网络模型输出的磨机的检测参数，其中，预设种类运行数据包括矿石性质参数、装填的磨矿介质性质参数、磨机转速、处理量、功率、顽石量、轴压，检测参数包括磨机装填的磨矿介质填充率、综合填充率、提升条高度、衬板磨损程度。
在本公开的一种示例性实施例中，根据预设条件对实时振动信号提取多组待检振动数据包括：对实时振动信号进行预处理以生成第一频域信号；在第一频域信号中提取多个预设频段对应的频域信号以生成第二频域信号；在第二频域信号中选取符合预设条件的多个待检振动信号；根据多个待检振动信号的频率、幅值和相位生成待检振动数据。
在本公开的一种示例性实施例中，对实时振动信号进行预处理以生成第一频域信号包括：根据实时振动信号确定最优采样数据；通过预设采样时间窗口对最优采样数据撷取多个采样数据；对多个采样数据进行傅里叶变换以生成第一频域信号。
在本公开的一种示例性实施例中，根据实时振动信号确定最优采样数据包括：通过滤波将实时振动信号中幅值在第一预设范围内且频率在第二预设范围内的实时振动信号提取为最优采样数据。
在本公开的一种示例性实施例中，预设条件为每个预设频段中来自预设振动传感器的振动信号中幅值极值对应的振动信号。
在本公开的一种示例性实施例中，预设频段包括预先根据检测参数种类确定的与检测参数种类相关的频段。
在本公开的一种示例性实施例中，还包括：根据多个待检振动信号生成观察振动信号，观察振动信号包括单频时域振动信号和/或混频时域振动信号；显示观察振动信号。
在本公开的一种示例性实施例中，预设神经网络模型为长短时记忆神经网络模型。
在本公开的一种示例性实施例中，所述预设神经网络模型的训练过程包括：获取磨机在m组检测参数下的m组实时运行数据和来自n个振动传感器的m*n组实时振动信号，其中m、n均为大于1的整数；根据m*n组实时振动信号获取m*p个待检振动信号，p为自然数；提取m*p个待检振动信号的频率、幅值和相位以生成m*p组待检振动数据；根据m*p组待检振动数据、m组实时运行数据和m组检测参数提取多个样本子集，多个样本子集包括训练数据集和测试数据集；根据多个样本子集对预设神经网络进行训练及泛化。
在本公开的一种示例性实施例中，磨机包括半自磨机、自磨机和球磨机，预设位置包括驱动电机轴承座、小齿轮轴承座、磨机入料口轴承座、磨机出料口轴承座、磨机筒壁。
根据本公开的第二方面，提供一种磨机检测装置，包括：数据采集模块，设置为获取来自磨机预设位置的多个振动传感器的多组实时振动信号以及一组实时运行数据，实时运行数据包括多个预设种类运行数据；数据提取模块，设置为根据预设条件对实时振动信号提取多组待检振动数据，待检振动数据包括实时振动信号中符合预设条件的多个待检振动信号的频率、幅值和相位；参数获取模块，设置为将待检振动数据和实时运行数据输入预设神经网络模型，以获取预设神经网络模型输出的磨机的检测参数，其中，预设种类运行数据包括矿石性质参数、装填的磨矿介质性质参数、磨机转速、处理量、功率、顽石量、轴压，检测参数包括磨机装填的磨矿介质填充率、综合填充率、提升条高度、衬板磨损程度。
根据本公开的第三方面，提供一种磨机检测设备，包括：多个振动传感器，安装于磨机的多个预设位置，用于检测磨机的实时振动信号；参数采集装置，用于获取实时运行数据，实时运行数据包括多个预设种类运行数据；信号传输装置，耦接于振动传感器和参数采集装置，用于将实时振动信号和实时运行数据传输至信号处理装置；信号处理装置，耦接于信号传输装置，用于执行如上任一项所述的方法，以输出磨机的检测参数，其中，预设种类运行数据包括矿石性质参数、装填的磨矿介质性质参数、磨机转速、处理量、功率、顽石量、轴压，检测参数包括磨机装填的磨矿介质填充率、综合填充率、提升条高度、衬板磨损程度；显示装置，耦接于信号处理装置，用于显示检测参数。
根据本公开的第四方面，提供一种电子设备，包括：存储器；以及耦合到存储器的处理器，处理器被配置为基于存储在存储器中的指令，执行如上任一项所述的方法。
根据本公开的第五方面，提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如上任一项所述的方法。
本公开实施例提供的磨机检测方法通过对磨机实时振动信号和实时运行数据进行数据提取，并将提取后的数据输入训练好的预设神经网络模型，可以直接根据磨机的实时振动信号和实时运行数据获取磨机的检测参数，辅助提高磨机控制准确性、提高磨机的运行监控效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本公开示例性实施例中磨机检测方法的流程图。
图2是本公开示例性实施例中振动传感器安装位置的示意图。
图3是本公开示例性实施例中磨机检测方法的子流程图。
图4是本公开示例性实施例中预设神经网络模型的训练流程图。
图5是本公开一个示例性实施例中一种磨机检测装置的方框图。
图6是本公开一个示例性实施例中一种磨机检测设备的方框图。
图7是本公开一个示例性实施例中一种电子设备的方框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外，附图仅为本公开的示意性图解，图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
下面结合附图对本公开示例实施方式进行详细说明。
图1是本公开示例性实施例中磨机检测方法的流程图。参考图1，磨机检测方法100可以包括：
步骤s1，获取来自磨机预设位置的多个振动传感器的多组实时振动信号以及一组实时运行数据，实时运行数据包括多个预设种类运行数据；
步骤s2，根据预设条件对实时振动信号提取多组待检振动数据，待检振动数据包括实时振动信号中符合预设条件的多个待检振动信号的频率、幅值和相位；
步骤s3，将待检振动数据和实时运行数据输入预设神经网络模型，以获取预设神经网络模型输出的磨机的检测参数，其中，预设种类运行数据包括矿石性质参数、装填的磨矿介质性质参数、磨机转速、处理量、功率、顽石量、轴压，检测参数包括磨机装填的磨矿介质填充率、综合填充率、提升条高度、衬板磨损程度。
本公开实施例提供的磨机检测方法通过对磨机实时振动信号和实时运行数据进行数据提取，并将提取后的数据输入训练好的神经网络模型，可以直接根据磨机的实时振动信号和实时运行数据获取磨机的检测参数，辅助提高磨机控制准确性、提高磨机运行的监控效率。
下面，对磨机检测方法100的各步骤进行详细说明。
在步骤s1，获取来自磨机预设位置的多个振动传感器的多组实时振动信号以及一组实时运行数据，实时运行数据包括多个预设种类运行数据。
图2是本公开实施例中振动传感器安装位置的示意图。
参考图2，在本公开实施例中，磨机200例如可以为半自磨机，可以在半自磨机的驱动电机轴承座21、小齿轮轴承座22、磨机入料口轴承座23、磨机出料口轴承座24、磨机筒壁25等一个或多个位置安装振动传感器。振动传感器可以为无线或有线振动传感器、单轴或多轴传感器、加速度或速度传感器，本公开对此不作特殊限定。
在半自磨机运行过程中，钢球和矿石在向心力和筒体摩擦力的作用下，被转动的滚筒提升条带到一定的高度，然后受自身重力作用沿抛物线落下。钢球、矿石与滚筒衬板及提升条之间、钢球之间、钢球与矿石之间产生的撞击会造成半自磨机的振动，这些振动沿着筒体和轴承传播开来。因此在半自磨机筒体和轴承上安装测量装置可以测出半自磨机的振动特性，并可以通过对振动特性的分析得出半自磨机的运行状态。
在图2所示的实施例中，当在双驱动半自磨机的多个位置安装振动传感器时，振动传感器的安装方向需相同，即各振动传感器的空间方向(x\y\z轴朝向)需要一致。
当磨机运行时，n个振动传感器(n≥1)会输出n组实时振动信号，可以通过有线或无线信号传输装置将这些实时振动信号传输到信号处理设备，例如计算机。
此外，在本公开实施例中，还采集磨机实时运行数据，以和实时振动信号一起辅助确定磨机的检测参数。
在一个实施例中，实时运行数据包括多个预设种类运行数据，预设种类运行数据例如可以包括矿石性质参数、装填的磨矿介质性质参数、磨机转速、处理量、功率、顽石量、轴压中的一个或多个，在其他实施例中，预设种类运行数据也可以包括其他种类的运行数据，本领域技术人员可以根据实际情况自行设置。上述预设种类运行数据既可以来自于人机交互界面，即通过用户对人机交互界面的数据输入操作而获取，也可以来自于多个测量仪器，例如压力传感器、红外线传感器、磨机控制器、电压表、电流表等等，本公开对此不作特殊限制。
可以理解的是，本步骤中获取的实时运行数据的种类与后续用于训练预设数据模型的实时运行数据的种类完全一致。
在步骤s1，振动传感器的数量和预设种类运行参数的数量例如均可以为100以内的自然数。
在步骤s2，根据预设条件对实时振动信号提取多组待检振动数据，待检振动数据包括实时振动信号中符合预设条件的多个待检振动信号的频率、幅值和相位。
图3是本公开实施例中步骤s2的一个子流程图。
参考图3，在本公开的一种示例性实施例中，步骤s2可以包括：
步骤s21，对实时振动信号进行预处理以生成第一频域信号；
步骤s22，在第一频域信号中提取多个预设频段对应的频域信号以生成第二频域信号；
步骤s23，在第二频域信号中选取符合预设条件的多个待检振动信号；
步骤s24，根据多个待检振动信号的频率、幅值和相位生成待检振动数据。
在一个实施例中，在步骤s21可以首先根据实时振动信号确定最优采样数据，通过预设采样时间窗口对最优采样数据撷取多个采样数据，然后对多个采样数据进行傅里叶变换以生成第一频域信号。
一个实施例中，可以通过滤波手段将实时振动信号中幅值在第一预设范围内且频率在第二预设范围内的实时振动信号提取为最优采样数据。第一预设范围和第二预设范围例如可以为根据分析计算和实验确定的最能代表磨机运行状态的幅值范围和频率范围，本公开对此不作特殊限制。
当实时振动信号的频率在1500hz～5000hz之间时，可以采用带通滤波器对实时振动信号进行初步滤波，滤波的方法可以有多种，只要能够起到保留有效数据、减少误差、减少计算量等效果即可。然后，可以对滤波后的时域信号加矩形窗(预设采样时间窗口)，加窗方法可以有多种，本公开对此不作特殊限定。最后，可以通过快速傅里叶变换方式或其他方式将最优采样信号由时域信号转化为频域信号，以获取第一频域信号。
信号在时域和频域中的不同表现形式反映了信号的两个不同侧面。时域上观察分析信号比较感性，容易理解，在频域上观察分析信号比较理性，难于理解，但可以获取更深刻更本质的东西。因此可以将时域的最优采样信号通过快速傅里叶变换方式或其他方式转化为频域信号，以分析和提取频率数据。
在步骤s22，在一个实施例中，多个预设频段包括预先根据检测参数种类确定的与检测参数种类相关的频段。
引起半自磨机振动的因素有很多，除去钢球、矿石与滚筒衬板之间、钢球之间、钢球与矿石之间产生的振动外，还包括传动系统的振动、各部分转动惯量不对称造成的振动、设备安装误差引起的振动等等。因此，在一些实施例中，可以根据分析计算和实验确定与所检测参数相关的频段，以减少待检振动数据的提取范围，提高确定待检振动数据的效率和准确度。一种或一个检测参数可以对应一或多个预设频段，例如，如果根据分析计算或实验确定频段a1、a2、a3中最有可能出现指示检测参数b的信号，则在确定要通过预设神经网络模型获取检测参数b时，可以将频段a1、a2、a3对应的振动信号加入第二频域信号。在第一频域信号中选取多个频段对应的频域信号后，即得到与检测参数对应的第二频域信号。
在步骤s23，预设条件例如可以为每个预设频段中来自预设振动传感器的振动信号中幅值极值对应的信号。
由于每个振动传感器对于不同频段的测试敏感性不同，可以设置选取来自哪个振动传感器的振动信号作为代表该频段的振动信号。例如，如果1号、3号振动传感器对a1频段敏感(即检测精度较高)，2号振动传感器对a2频段敏感，则可以在第二频域信号中，对应a1频段，仅在来自1号振动传感器和3号振动传感器的振动信号中选取待检振动信号，对应a2频段，仅在来自2号振动传感器的振动信号中选取待检振动信号。一个频段对应的振动传感器可以为一个也可以为多个，本领域技术人员可以根据实际工况测试自行设置。
在一个实施例中，可以对每个频段均选取一个待检振动信号，即将来自与该频段对应的预设振动传感器的振动信号中幅值极值对应的振动信号作为待检振动信号。
在另一个实施例中，可以对每个频段选取两个待检振动信号或更多待检振动信号。例如，如果第二频域信号包括k个频段(k例如可以为小于100的自然数)，则可以对k个频段提取i个待检振动信号，其中，i为大于k，小于n*k的自然数。即对k个频段提取多于k个待检振动信号。
在其他实施例中，待检振动信号的选取标准也可以为其他标准，只要选取的振动信号能够准确反映与检测参数有关的特征即可。
在步骤s24，除了将各待检振动信号的幅值、相位、频率加入待检振动数据，每个待检振动信号对应一组待检振动数据，还可以将待检振动信号的其他特征加入待检振动数据，本公开不以此为限。
在一些实施例中，也可以不确定最优采样数据，而是根据全部实时振动信号生成第一频域信号，然后进行如步骤s22～s23的处理以得到待检振动数据。
在步骤s3，将待检振动数据和实时运行数据输入预设神经网络模型，以获取预设神经网络模型输出的磨机的检测参数。
在本公开的一种示例性实施例中，预设神经网络模型例如可以为长短时记忆神经网络模型(longshort-termmemory，lstm)。长短时记忆神经网络模型是一种时间循环神经网络模型，适合于处理和预测时间序列中间隔和延迟非常长的重要事件，可以记忆不定时间长度的数值，区块中有一个门能够决定输入数据是否重要到能被记住及能不能被输出。根据分析、计算和实验，申请人发现长短时记忆神经网络模型能够更准确地输出磨机的检测参数，因此在本公开实施例中，使用长短时记忆神经网络模型进行数据处理。
在一个实施例中，检测参数例如可以包括磨机装填的磨矿介质填充率、综合填充率、提升条高度、衬板磨损程度中的一个或多个。在其他实施例中，本领域技术人员可以根据实际情况和磨机种类自行确定检测参数的种类，并根据检测参数的种类确定选取待检振动信号对应的频段。
在本公开实施例中，磨机检测方法还可以包括对预设神经网络模型的训练过程。
图4是本公开一个实施例中对预设神经网络模型进行训练的流程图。
参考图4，训练过程400可以包括：
步骤s41，获取磨机在m组检测参数下的m组实时运行数据和来自n个振动传感器的m*n组实时振动信号，其中m、n均为大于1的整数；
步骤s42，根据m*n组实时振动信号获取m*p个待检振动信号，p为自然数；
步骤s43，提取m*p个待检振动信号的频率、幅值和相位以生成m*p组待检振动数据；
步骤s44，根据m*p组待检振动数据、m组实时运行数据和m组检测参数提取多个样本子集，多个样本子集包括训练数据集和测试数据集；
步骤s45，根据多个样本子集对预设神经网络进行训练及泛化。
在步骤s42和步骤s43中，根据同一时刻采集的n组实时振动信号提取出第一频域信号和第二频域信号，进而从第二频域信号中提取出p组待检振动数据的方法已在图3所示实施例中进行了详细描述，本公开于此不再赘述。
在对神经网络模型进行训练的过程中，训练样本为在多个工况(不同的磨机装填的磨矿介质填充率、综合填充率、提升条高度、衬板磨损程度)的测试实验中得到的多组实时振动信号经过处理后的数据和对应时刻的多组实时运行数据(例如矿石性质参数、装填的磨矿介质性质参数、磨机转速、处理量、功率、顽石量、轴压)。对实时振动信号的预处理例如可以包括步骤s21～s23中的滤波、加窗、傅里叶变换、提取幅值、频率、相位数据等操作，也可以包括如步骤s21实施例中首先确定一组最优采样信号的处理步骤，并对最优采样信号进行如步骤s21～s23中的描述中所示的处理。对训练样本中的实时振动信号的处理可以和实时检测时对实时振动信号的处理一致
在本公开实施例中，可以将长短时记忆神经网络的结构设置为包含一个输入层，一个隐含层和一个输出层。输入层神经元的个数可以根据输入数据的数量确定；隐含层神经元的个数可以参考经验公式
接下来，可以采用自适应矩估计(adaptmomentestimation，adam)算法训练上述长短时记忆神经网络，该算法将过去的累加动量和梯度相结合，考虑动量进行修正能够快速到达最小点。
在一些实施例中，可以设置预设神经网络模型在使用中进行持续的自动修正。例如，可以设置一反馈入口，用于接收来自多个来源的检测参数实测值，将检测参数实测值与模型输出的检测参数进行对比，在偏差大于阈值时触发模型的参数修正。参数修正既可以为通过提醒信息提醒维护人员进行手动修正，也可以为模型自动根据反馈的检测参数值修正模型参数。上述检测参数实测值的多个来源既可以包括用户手动测量后通过人机交互界面进行的手动输入动作，也可以包括多种仪器在维护检修过程中自动输出的反馈值。
以上预设神经网络模型的种类的相关设置仅为示例，在实际应用中，也可以使用其他种类的神经网络模型和相应的层级设置，只要能够经过训练输出准确参数即可。
在本公开的一个实施例中，可以将预设神经网络模型输出的检测参数通过多种方式显示在人机交互界面上，以供磨机维护人员及时根据检测参数判断是否对磨机进行现场检修。此外，也可以通过设置检测参数告警阈值，在检测参数的一个或几个超过阈值时发送检修提示信息，以及时提醒磨机维护人员进行现场检修。对检测参数的应用方式可以有多种，本公开不以此为限。
在又一个实施例中，除了在人机交互界面上显示检测参数，还可以一同显示可供观察分析的振动信号。例如，可以根据多个待检振动信号生成一或多个观察振动信号，然后显示该观察振动信号。其中，观察振动信号可以包括单频时域振动信号和/或混频时域振动信号。即，可以将待检振动信号以单频或混频的形式还原为一或多个时域信号，并显示在人机交互界面上，以辅助磨机维护人员对具有代表性的实时振动信号进行观察。例如，如果存在3个待检振动信号(此时第二频域数据中可以包含少于或等于3个频段)，既可以生成3个单频时域信号并进行展示，以可以将这3个待检振动信号进行组合后显示1个混频时域信号，还可以根据用户设置，将其中的任意两个待检振动信号进行混频后以混频时域信号的形式进行展示。其中，如果实时振动数据为n组，第二频域信号包括k个频段，则显示的时域信号的数量j可以为小于(n*k)！的自然数(因为当采用多个待检振动信号生成混频信号时，混频信号的数量小于(n*k)！)。还原后的时域信号为过滤、解耦后的时域振动数据，比频域信号更易于磨机维护人员理解，由于滤去了不相关的振动信号，可以提高磨机维护人员的观察和判断效率。
虽然在本公开实施例中以半自磨机为例，但是本公开提供的磨机检测方法还可以应用到自磨机和球磨机，本领域技术人员可以根据应用的磨机种类调整神经网络模型的训练数据和输出参数。
下面通过一个应用场景来对上述方法进行说明。
继续参考图2，在本公开实施例中，示例性提供以下几组振动传感器及相关的信号传输装置安装方案：
1.在两台驱动电机轴承座21处分别安装两台有线三轴加速度传感器及有源数据发送端；
2.在两组共四处小齿轮轴承座22处安装四台有线三轴加速度传感器及有源数据发送端；
3.在磨机入料口主轴承座23处安装一台有线三轴加速度传感器及有源数据发送端；
4.在磨机出料口主轴承座24处安装一台有线三轴加速度传感器及有源数据发送端；
5.在磨机筒壁25处安装一台无线三轴加速度传感器和远程数据发送端，并在距离磨机边缘两米内安装数据接收端。
以上安装方案可以同时存在或部分存在，本公开不以此为限。
在上述示例性实施例中，可以采用带通滤波器对从多个振动传感器采集到的多组实时振动信号进行滤波，再加窗、应用快速傅里叶变换将滤波后的信号转化为频域信号(第一频域信号)，在每个振动传感器对应的频域信号(第二频域信号)中选出幅值极值对应的待检振动信号，将待检振动信号的幅值、频率、相位数据以及同一次数据采集过程采集的实时运行参数按照采样顺序输入训练好的长短时记忆神经网络模型中进行计算，以得到对应的磨机装填的磨矿介质填充率、综合填充率、提升条高度、衬板磨损程度等检测参数的输出值。
长短时记忆神经网络模型可以包含一个输入层、一个隐含层和一个输出层，输入层例如可以包括1800个神经元节点，隐含层包括50个神经元节点，输出层包括4个神经元节点。训练样本可以设置为在大量不同矿石性质参数、综合充填率、装填的磨矿介质性质参数、介质充填率、磨机转速、处理量、功率、顽石量、轴压、衬板磨损率、提升条磨损率衬板磨损率、提升条磨损率的测试实验中得到的多位置振动信号处理后的数据及实时运行参数，神经网络模型的激活函数可以为sigmoid函数，训练方法可以为自适应矩估计(adam)优化算法。
在本公开的一种示例性实施例中，可以对实时振动数据的时域信号进行预处理，例如进行幅值的限定，或对一定数量或时间长度的幅值信号取平均值，或做平滑处理，本领域技术人员可以根据实际情况自行设置信号的预处理规则，也可以不进行预处理，本公开对此不作特殊限定。
对上述预处理后或未处理的实时振动数据，可以进行滤波、加窗、傅里叶变换等处理，以生成第一频域信号，在第一频域信号中提取多个预设频段对应的频域信号以生成第二频域信号，第二频域信号例如可以包括多个频率分段。可以从第二频域信号的多个频率分段中提取符合预设条件的振动数据，根据这些振动信号的幅值、频率、相位数据形成待检振动数据。将上述提取的待检振动数据以及包括多个预设种类运行数据的实时运行数据输入上述训练泛化后的预设长短时记忆神经网络模型，以获取模型输出的磨机的检测参数。
可以对实时运行数据进行预处理，例如进行幅值的限定、对一定数量或时间长度的数据取平均值、做平滑处理等，本领域技术人员可以根据实际情况自行设置数据的预处理规则，也可以不进行预处理，本公开对此不作特殊限定。
综上所述，本公开实施例通过采集磨机的实时振动信号和实时运行数据，并使用经过训练的预设神经网络模型对预处理后的实时振动信号和实时运行数据进行处理，可以直接得出磨机装填的磨矿介质填充率、综合填充率、提升条高度、衬板磨损程度等磨机检测参数，具有使用方便、自动化程度高、泛化性能强、精度和可靠性高的优点。
对应于上述方法实施例，本公开还提供一种磨机检测装置，可以用于执行上述方法实施例。
图5是本公开一个示例性实施例中一种磨机检测装置的方框图。
参考图5，磨机检测装置500可以包括：
数据采集模块51，设置为获取来自磨机预设位置的多个振动传感器的多组实时振动信号以及一组实时运行数据，实时运行数据包括多个预设种类运行数据；
数据提取模块52，设置为根据预设条件对实时振动信号提取多组待检振动数据，待检振动数据包括实时振动信号中符合预设条件的多个待检振动信号的频率、幅值和相位。
参数获取模块53，设置为将待检振动数据和实时运行数据输入预设神经网络模型，以获取预设神经网络模型输出的磨机的检测参数，其中，预设种类运行数据包括矿石性质参数、装填的磨矿介质性质参数、磨机转速、处理量、功率、顽石量、轴压，检测参数包括磨机装填的磨矿介质填充率、综合填充率、提升条高度、衬板磨损程度。
在本公开的一种示例性实施例中，数据提取模块52设置为：对实时振动信号进行预处理以生成第一频域信号；在第一频域信号中提取多个预设频段对应的频域信号以生成第二频域信号；在第二频域信号中选取符合预设条件的多个待检振动信号；根据多个待检振动信号的频率、幅值和相位生成待检振动数据。
在本公开的一种示例性实施例中，数据提取模块52设置为：根据实时振动信号确定最优采样数据；通过预设采样时间窗口对最优采样数据撷取多个采样数据；对多个采样数据进行傅里叶变换以生成第一频域信号。
在本公开的一种示例性实施例中，数据提取模块52设置为：通过滤波将实时振动信号中幅值在第一预设范围内且频率在第二预设范围内的实时振动信号提取为最优采样数据。
在本公开的一种示例性实施例中，预设条件为每个预设频段中来自预设振动传感器的振动信号中幅值极值对应的振动信号。
在本公开的一种示例性实施例中，预设频段包括预先根据检测参数种类确定的与检测参数种类相关的频段。
在本公开的一种示例性实施例中，还包括观察信号展示模块54，设置为根据多个待检振动信号生成多个观察振动信号，观察振动信号包括单频时域振动信号和/或混频时域振动信号；显示多个观察振动信号。
在本公开的一种示例性实施例中，预设神经网络模型为长短时记忆神经网络模型。
在本公开的一种示例性实施例中，还包括模型训练模块55，设置为获取磨机在m组检测参数下的m组实时运行数据和来自n个振动传感器的m*n组实时振动信号，其中m、n均为大于1的整数；根据m*n组实时振动信号获取m*p个待检振动信号，p为自然数；提取m*p个待检振动信号的频率、幅值和相位以生成m*p组待检振动数据；根据m*p组待检振动数据、m组实时运行数据和m组检测参数提取多个样本子集，多个样本子集包括训练数据集和测试数据集；根据多个样本子集对预设神经网络进行训练及泛化。
在本公开的一种示例性实施例中，磨机包括半自磨机、自磨机或球磨机，预设位置包括驱动电机轴承座、小齿轮轴承座、磨机入料口轴承座、磨机出料口轴承座、磨机筒壁。
由于装置500的各功能已在其对应的方法实施例中予以详细说明，本公开于此不再赘述。
图6是本公开一个示例性实施例中一种磨机检测设备的方框图。
参考图6，磨机检测设备600可以包括：
多个振动传感器61，安装于磨机1的多个预设位置，用于检测磨机的实时振动信号；
参数采集装置62，用于获取实时运行数据，实时运行数据包括多个预设种类运行数据；
信号传输装置63，耦接于振动传感器61和参数采集装置62，用于将实时振动信号和实时运行数据传输至信号处理装置；
信号处理装置64，耦接于信号传输装置63，用于执行如图1～图4所示实施例的磨机检测方法，以输出磨机的检测参数，其中，预设种类运行数据包括矿石性质参数、装填的磨矿介质性质参数、磨机转速、处理量、功率、顽石量、轴压，所述检测参数包括磨机装填的磨矿介质填充率、综合填充率、提升条高度、衬板磨损程度；
显示装置65，耦接于信号处理装置64，用于显示检测参数。
在一些实施例中，参数采集装置62可以包括人机交互界面(例如通过鼠标、键盘、触控屏等输入设备获取的信息)、多种传感器和多种电子设备，参数采集装置62的具体实现根据实时运行数据的种类确定，本领域技术人员可以根据实际情况自行设置。
在一些实施例中，信号处理装置64可以将多个待检振动信号的频率、幅度和相位还原成一或多个时域信号(该一或多个时域信号例如可以为单频信号、混频信号、单频信号和混频信号)，然后将该一或多个时域信号输出给显示装置65。显示装置64可以同时显示该一或多个时域信号与磨机的检测参数，以便磨机维护人员直观、及时地对磨机的运行情况进行判断。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图7来描述根据本发明的这种实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于：上述至少一个处理单元710、上述至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730。
其中，存储单元存储有程序代码，程序代码可以被处理单元710执行，使得处理单元710执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，处理单元710可以执行如图1中所示方法。
存储单元720可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)7201和/或高速缓存存储单元7202，还可以进一步包括只读存储单元(rom)7203。
存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204，这样的程序模块7205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线730可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备700也可以与一个或多个外部设备800(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备700交互的设备通信，和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口750进行。并且，电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器760通过总线730与电子设备700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
根据本发明的实施方式的用于实现上述方法的程序产品可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、c++、python等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。上述远程计算设备例如可以包括边缘计算设备和/或云计算设备。
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和构思由权利要求指出。
- 还没有人留言评论。精彩留言会获得点赞！