一种基于传感器信息融合的破碎机健康监测系统和方法

1.本发明属于破碎机健康监测领域，尤其涉及一种基于传感器信息融合的破碎机健康监测系统和方法。


背景技术：

2.破碎粉磨设备是矿山领域中不可或缺的一部分，矿产资源一般指煤炭、黑色金属、有色金属等。
3.由于我国数字智能矿山设备的相关技术研究起步较晚，技术积累薄弱，对破碎机早期故障问题缺乏有效的监测，导致严重事故，带来矿区的停产损失远超过了整台设备的造价，同时造成了极差的社会影响。
4.传统的故障分析方法无法实现准确、全面和提前预测效果。此外，单一的声发射信号分析无法模拟破碎工况条件变化对结构寿命和故障的影响。
5.基于多传感器大数据和深度学习的模式识别、失效分析和预测维护技术能够显著弥补传统方法的不足。
6.因此，针对以上现状，迫切需要开发一种基于传感器信息融合的破碎机健康监测系统和方法，实现设备主动远程在线健康状态监测，以克服当前实际应用中的不足。


技术实现要素：

7.本发明的目的在于提供一种基于传感器信息融合的破碎机健康监测系统和方法，旨在解决传统的故障分析方法无法实现准确、全面和提前预测效果，以及单一的声发射信号分析无法模拟破碎工况条件变化对结构寿命和故障影响的问题。
8.本发明是这样实现的，一种基于传感器信息融合的破碎机健康监测系统，包括偏心辊式破碎机，还包括：数据采集模块，所述数据采集模块安装在所述偏心辊式破碎机上，通过所述数据采集模块用于实时采集所述偏心辊式破碎机工作时的状态信息；下位机plc控制模块，所述下位机plc控制模块分别与所述偏心辊式破碎机和数据采集模块连接，通过所述下位机plc控制模块用于控制调节所述偏心辊式破碎机的工作状态，所述下位机plc控制模块还用于获取所述数据采集模块采集到的所述偏心辊式破碎机工作时的状态信息并进行储存；上位机数据处理模块，所述上位机数据处理模块与所述下位机plc控制模块连接，通过所述上位机数据处理模块用于实时读取所述下位机plc控制模块中储存的所述偏心辊式破碎机工作时的状态信息并进行数据处理。
9.进一步的技术方案，所述数据采集模块包括有电流传感器、噪声传感器、振动传感器和电压传感器，所述电流传感器、噪声传感器、振动传感器和电压传感器均安装在所述偏心辊式破碎机上，通过所述电流传感器、噪声传感器、振动传感器和电压传感器分别用于实时采集所述偏心辊式破碎机工作时的电流信号、噪声信号、振动信号和电压信号。
10.进一步的技术方案，所述偏心辊式破碎机包括有驱动电机和驱动电机变频器，所述驱动电机和驱动电机变频器电性连接，所述下位机plc控制模块通过通信模块控制所述
驱动电机变频器，调控所述驱动电机的工作状态，从而对所述偏心辊式破碎机的工作状态进行调节控制；所述下位机plc控制模块与所述数据采集模块之间通过模拟量模块相互通信，所述下位机plc控制模块用于获取所述电流传感器、噪声传感器、振动传感器和电压传感器采集到的所述偏心辊式破碎机工作时的电流信号、噪声信号、振动信号和电压信号并进行储存。
11.进一步的技术方案，所述电流传感器、噪声传感器、振动传感器和电压传感器均与所述下位机plc控制模块中的模拟量模块通信连接，plc将采集到的电流信号、噪声信号、振动信号和电压信号转换成模拟量储存在数据块中；所述噪声传感器和振动传感器用于实时测量所述偏心辊式破碎机工作时主轴的振动信号和噪声信号，所述电流传感器和电压传感器用于实时测量所述偏心辊式破碎机的驱动电机工作时的电流信号和电压信号。
12.进一步的技术方案，所述上位机数据处理模块与所述下位机plc控制模块之间通过局域网相互远程通信，通过所述上位机数据处理模块用于实时读取所述下位机plc控制模块中储存的所述偏心辊式破碎机工作时的电流信号、噪声信号、振动信号和电压信号并进行数据处理，数据处理过程步骤为：a)使用过滤法剔除无关特征，降低特征维度；b)利用包裹法进行特征选择，去掉冗余特征；c)使用一维卷积神经网络提取特征向量；d)输入到门控循环神经网络单元中进行训练；e)输出故障诊断的结果。
13.本发明的另一目的在于，一种基于传感器信息融合的破碎机健康监测方法，包括以下步骤：
14.步骤1、下位机plc控制模块通过数据采集模块的传感器采集偏心辊式破碎机的电流信号、噪声信号、振动信号和电压信号；
15.步骤2、上位机数据处理模块对实时读取下位机plc控制模块中的电流信号、噪声信号、振动信号和电压信号进行数据预处理；
16.步骤3、特征选择后的多源时间序列数据构成特征集，将标准化后的数据进行拼接、截取和滑动取样，构造以电流、噪声、振动和电压信号为特征输入，以故障类型为特征输出的训练样本集；
17.采用过滤法和包裹法组合式算法对输入数据进行特征选择，先使用过滤法剔除无关特征，降低特征维度；然后利用包裹法进行特征选择，去掉冗余特征；
18.步骤4、对训练样本进行一维卷积神经网络模型训练，调整神经网络结构参数，提取高纬度的预测特征向量；
19.步骤5、将经过一维卷积神经网络训练后的特征向量输入到门控循环神经网络模型中训练，最终得到故障诊断结果。
20.进一步的技术方案，在步骤2中，所述的数据预处理是将原始数据转换为无量纲化的指标测评值，减少输入数据的极值，基于原始数据的均值和标准差进行数据z-score标准化处理；对输入数据进行特征选择，去除无关特征，采用互信息过滤法，捕捉每个特征和标签之间的线性和非线性任意关系。
21.进一步的技术方案，在步骤3中，利用包裹法进行特征选择时，根据目标函数，每次选择若干特征或者排除若干特征，直到选择出最佳的子集。
22.进一步的技术方案，在步骤4中，一维卷积神经网络由输入层、卷积层、池化层、全连接层和输出层构成，单个样本的输入为4通道时序数据，输出为故障特征；对样本的输入
再次进行滑动取样；再经过两次卷积、最大池化操作提取数据空间特征，激活函数采用leakyrelu；最终得到特征数据。
23.进一步的技术方案，在步骤5中，门控循环神经网络模型引用重置门与更新门的门控机制来控制梯度信息传播，重置门与更新门分别用于捕捉时间序列里短期的依赖关系和长期的依赖关系；将特征数据输入到门控层中，提取时序数据的隐含信息，经过三次全连接层输出故障信息。
24.本发明通过数据采集模块、下位机plc控制模块和上位机数据处理模块的限定；首先通过数据采集模块实时采集偏心辊式破碎机工作时的状态信息；而后通过下位机plc控制模块控制调节偏心辊式破碎机的工作状态，以及对数据采集模块采集到的偏心辊式破碎机工作时的状态信息进行储存；最后通过上位机数据处理模块实时读取下位机plc控制模块中储存的偏心辊式破碎机工作时的状态信息并进行数据处理，便于对偏心辊式破碎机的故障进行快速诊断及响应处理，应用效果好。另外，配合提供的健康监测方法，相比传统的方法能够有效节省人力和物力成本，能够提高故障检测的准确率，同时减少了设备的损耗，提高了破碎机设备的使用寿命。
附图说明
25.图1为本发明实施例提供的基于传感器信息融合的破碎机健康监测系统的整体结构示意图；
26.图2为本发明实施例提供的基于传感器信息融合的破碎机健康监测系统的方法流程图；
27.图3为本发明实施例提供的故障诊断的网络结构图；
28.图4为本发明实施例提供的一维卷积神经网络模型示意图；
29.图5为本发明实施例提供的门控循环单元结构图。
30.图中：1-偏心辊式破碎机，2-数据采集模块，3-下位机plc控制模块，4-上位机数据处理模块，21-电流传感器，22-噪声传感器，23-振动传感器，24-电压传感器。
具体实施方式
31.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
32.以下结合具体实施例对本发明的具体实现进行详细描述。
33.如图1所示，为本发明一个实施例提供的一种基于传感器信息融合的破碎机健康监测系统，包括偏心辊式破碎机1，还包括：
34.数据采集模块2，所述数据采集模块2安装在所述偏心辊式破碎机1上，通过所述数据采集模块2用于实时采集所述偏心辊式破碎机1工作时的状态信息；
35.下位机plc控制模块3，所述下位机plc控制模块3分别与所述偏心辊式破碎机1和数据采集模块2连接，通过所述下位机plc控制模块3用于控制调节所述偏心辊式破碎机1的工作状态，所述下位机plc控制模块3还用于获取所述数据采集模块2采集到的所述偏心辊式破碎机1工作时的状态信息并进行储存；
36.上位机数据处理模块4，所述上位机数据处理模块4与所述下位机plc控制模块3连接，通过所述上位机数据处理模块4用于实时读取所述下位机plc控制模块3中储存的所述偏心辊式破碎机1工作时的状态信息并进行数据处理。
37.在本发明实施例中，通过数据采集模块2、下位机plc控制模块3和上位机数据处理模块4的限定；首先通过数据采集模块2实时采集偏心辊式破碎机1工作时的状态信息；而后通过下位机plc控制模块3控制调节偏心辊式破碎机1的工作状态，以及对数据采集模块2采集到的偏心辊式破碎机1工作时的状态信息进行储存；最后通过上位机数据处理模块4实时读取下位机plc控制模块3中储存的偏心辊式破碎机1工作时的状态信息并进行数据处理，便于对偏心辊式破碎机1的故障进行快速诊断及响应处理，应用效果好。
38.如图1所示，作为本发明的一种优选实施例，所述数据采集模块2包括有电流传感器21、噪声传感器22、振动传感器23和电压传感器24，所述电流传感器21、噪声传感器22、振动传感器23和电压传感器24均安装在所述偏心辊式破碎机1上，通过所述电流传感器21、噪声传感器22、振动传感器23和电压传感器24分别用于实时采集所述偏心辊式破碎机1工作时的电流信号、噪声信号、振动信号和电压信号。
39.如图1所示，作为本发明的一种优选实施例，所述偏心辊式破碎机1包括有驱动电机和驱动电机变频器，所述驱动电机和驱动电机变频器电性连接，所述下位机plc控制模块3通过通信模块控制所述驱动电机变频器，调控所述驱动电机的工作状态，从而对所述偏心辊式破碎机1的工作状态进行调节控制，对于通信模块的选择不作限定，采用现有公开的常规技术即可；所述下位机plc控制模块3与所述数据采集模块2之间通过模拟量模块相互通信，所述下位机plc控制模块3用于获取所述电流传感器21、噪声传感器22、振动传感器23和电压传感器24采集到的所述偏心辊式破碎机1工作时的电流信号、噪声信号、振动信号和电压信号并进行储存，对于模拟量模块的选择不作限定，采用现有公开的常规技术即可。
40.进一步的，所述电流传感器21、噪声传感器22、振动传感器23和电压传感器24均与所述下位机plc控制模块3中的模拟量模块通信连接，plc将采集到的电流信号、噪声信号、振动信号和电压信号转换成模拟量储存在数据块中。
41.进一步的，所述噪声传感器22和振动传感器23用于实时测量所述偏心辊式破碎机1工作时主轴的振动信号和噪声信号，所述电流传感器21和电压传感器24用于实时测量所述偏心辊式破碎机1的驱动电机工作时的电流信号和电压信号。
42.如图1-2所示，作为本发明的一种优选实施例，所述上位机数据处理模块4(或上位机计算机)与所述下位机plc控制模块3之间通过局域网相互远程通信，通过所述上位机数据处理模块4用于实时读取所述下位机plc控制模块3中储存的所述偏心辊式破碎机1工作时的电流信号、噪声信号、振动信号和电压信号并进行数据处理，如图2所示，数据处理过程步骤为：
43.a)使用过滤法剔除无关特征，降低特征维度；
44.b)利用包裹法进行特征选择，去掉冗余特征；
45.c)使用一维卷积神经网络(1dcnn)提取特征向量；
46.d)输入到门控循环神经网络单元中进行训练；
47.e)输出故障诊断的结果。
48.进一步的，所述上位机数据处理模块4对读取的电流信号、噪声信号、振动信号和
电压信号进行1dcnn训练提取特征向量并输入到门控循环单元中训练，构造样本集用以网络训练，得到偏心辊式破碎机1的故障特征并在上位机数据处理模块4中显示自诊断的故障信息。
49.如图2-5所示，本发明的一个实施例还提供了一种基于传感器信息融合的破碎机健康监测方法，包括以下步骤：
50.步骤1、下位机plc控制模块3通过数据采集模块2的传感器采集偏心辊式破碎机1的电流信号、噪声信号、振动信号和电压信号；
51.步骤2、上位机数据处理模块4对实时读取下位机plc控制模块3中的电流信号、噪声信号、振动信号和电压信号进行数据预处理，对输入数据进行标准化的处理；
52.步骤3、特征选择后的多源时间序列数据构成特征集，将标准化后的数据进行拼接、截取和滑动取样，构造以电流、噪声、振动和电压信号为特征输入，以故障类型为特征输出的训练样本集；
53.采用过滤法和包裹法组合式算法对输入数据进行特征选择，先使用过滤法剔除无关特征，降低特征维度；然后利用包裹法进行特征选择，去掉冗余特征；
54.步骤4、对训练样本进行一维卷积神经网络模型训练，调整神经网络结构参数，确定合适的网络参数，提取高纬度的预测特征向量；
55.步骤5、将经过一维卷积神经网络训练后的特征向量输入到门控循环神经网络模型中训练，最终得到故障诊断结果。
56.作为本发明的一种优选实施例，在步骤2中，所述的数据预处理是将原始数据转换为无量纲化的指标测评值，减少输入数据的极值，基于原始数据的均值和标准差进行数据z-score标准化处理，标准差标准化计算公式如下：
[0057][0058]
其中，x*为标准化后的变量值；x为实际变量值；μ为原始数据的均值；σ为原始数据的标准差。
[0059]
对输入数据进行特征选择，去除无关特征，采用互信息过滤法，捕捉每个特征和标签之间的线性和非线性任意关系，计算公式如下：
[0060][0061]
其中，x和y表示离散随机变量；i(x；y)表示互信息，表示事件x和y共同提供的信息，其返回值在[0，1]区间内，0表示完全不相关，1表示完全相关；p(x,y)是x和y的联合概率分布函数；p(x)和p(y)分别是x和y的边缘概率分布函数。
[0062]
利用包裹法进行特征选择，去掉冗余特征；根据目标函数，每次选择若干特征或者排除若干特征，直到选择出最佳的子集；包裹法主要包含四个主要过程：(1)候选特征子集的生成；(2)特征子集优度的评价；(3)终止条件的判定；(4)特征子集有效性的验证。
[0063]
如图3所示为本发明实施例提供的故障诊断的网络结构图，在数据处理模块中，输入数据经过一维卷积神经网络进行两次卷积、最大池化层提取数据空间特征，激活函数采用leakyrelu。特征向量再输入到门控循环单元结构，可充分提取信号的时间特征，且具有
较强的抗噪能力。从门循环控神经网络输出的数据经过三次全连接层，最终得到故障特征诊断结果。
[0064]
网络训练过程中的损失函数(lossfunction)选用均方误差(mse)，其计算方式如下：
[0065][0066]
其中，y表示真实值；表示预测值；n表示样本数量；mse可以计算模型的预测与真实标签y的接近程度。
[0067]
采用可决系数r2score评估模型的精度，计算公式如下：
[0068][0069]
其中，y(i)是真实值；是模型预测值，n表示样本数量，表示真实值和预测值之间的均方误差值，var(y)表示真实值的方差；r2的值越大，回归模型的效果越好，r2＝1时，表示样本中预测值和真实值完全相等，没有任何误差。
[0070]
如图4所示为本发明实施例提供的一维卷积神经网络模型示意图，对标准化后的数据进行包括但不限于拼接、截取和滑动取样，以故障类型作为样本的标签，以振动、噪声、电流和电压信息作为样本的特征，构造出训练样本集、验证集以及测试集，作为1dcnn的输入数据。
[0071]
假设第l层是卷积层，输入的时间序列x＝[x1，x2，x3，
…
，xn]
t
，首先通过卷积层进行特征提取，不同的一维卷积核通过对局部区域卷积可提取出不同的特征信号，第xi层的输出结果可由上一层的输出x
i+1
得到：
[0072][0073]
其中，表示l层的第j个特征映射；f是激活函数；m是输入特征映射的个数；是l-1层的第i个特征映射；*表示卷积操作；表示可训练的卷积核；表示偏置。
[0074]
卷积层和全连接层的激活函数采用leakyrelu函数，其形式如下：
[0075][0076]
其中，x表示输入数据，α表示负值部分的斜率。
[0077]
第l+1层池化层的计算公式如下：
[0078][0079]
其中，表示l+1层的第j个特征映射；表示l层的第j个特征映射；为下采样函数；表示偏置；f表示激活函数。
[0080]
假设最后的池化层为l+1层，将其收尾连接后形成特征向量层，此层为x+1，和输出全连接形成尾部单层感知机，则输出可以表示为：
[0081]yl+1
＝f(u
l+1
)＝f(w
l+1
x
l+1
+b
l+1
)；
[0082]
其中，y
l+1
表示第l+1层的输出结果；w
l+1
为第l+1层的权重；b
l+1
为第l+1层的偏置；f表示激活函数。
[0083]
如图5所示为本发明实施例提供的门控循环单元(gru)结构图，门控循环单元引用重置门与更新门的门控机制来控制梯度信息传播，缓解梯度消失现象。重置门与更新门分别用于捕捉时间序列里短期的依赖关系和长期的依赖关系。将特征数据输入到门控层中，提取时序数据的隐含信息，经过三次全连接层输出故障信息。
[0084]
gru中更新门z
t
的计算公式如下：
[0085]zt
＝σ(w
zht-1
+uzx
t
+bz)；
[0086]
其中，h
t-1
表示上一个神经元的输出，包含了时间序列从前端某时刻至上一时间步的全部历史信息；x
t
表示本次神经元的输入；wz、uz表示更新门的权重矩阵；bz表示偏置矩阵；σ表示sigmoid激活函数。
[0087]
更新门是由上一个神经元的输出和本次神经元的输入与权值和偏置运算后，再使用sigmoid函数进行运算。更新门取值越大时，当前神经元要保留的信息就越多，上一个神经元保留的信息就越少。
[0088]
重置门r
t
的计算公式为：r
t
＝σ(w
tht-1
+u
t
x
t
+b
t
)；
[0089]
其中，w
t
、u
t
表示重置门的权重矩阵；b
t
表示偏差矩阵；h
t-1
表示上一个神经元的输出；x
t
表示本次神经元的输入；σ表示sigmoid激活函数。
[0090]
当等式取0时，表示只要当前神经元的输入，不需要上一个神经元的所传递的信息。重置门的输出r
t
控制了上一时间步的隐藏状态h
t-1
到当前时间步的传递，因此重置门可以用来减少无用信息的传递。
[0091]
在计算当前时间步的隐藏状态h
t
之前，gru首先进行候选隐藏状态的计算：
[0092][0093]
式中表示本次神经元中待定的输出值；wh、uh表示更新门的权重矩阵；bh表示偏差矩阵；tanh表示双曲正切函数；h
t-1
表示上一个神经元的输出；x
t
表示本次神经元的输入；r
t
表示重置门；e表示哈达玛(hadamard product)乘积运算符。
[0094]
由更新门z
t
的输出对上一时间步的隐藏状态h
t-1
和当前时间步的候选隐藏状态进行加权组合，即可得当前时间步的隐藏状态h
t
，直接得到最后输出的隐藏层信息：
[0095][0096]
上式中，z
t
表示更新门；表示本次神经元中待定的输出值；h
t-1
表示上一个神经元的输出；h
t
表示当前时间步的隐藏状态更新值；e表示哈达玛乘积(hadamard product)运算符。
[0097]
上述方法采用卷积神经网络和门控循环单元组合的方法可以优势互补。
[0098]
本发明与传统的设备故障诊断方法相比，能够有效节省人力与物力成本，能够提
高故障检测的准确率，同时减少了设备的损耗，提高了破碎机设备的使用寿命。
[0099]
另外，各部件的控制、型号及电路连接不作具体限定，在实际应用时可灵活设置。涉及到的电路、电子元器件和模块均为现有技术，本领域技术人员完全可以实现，无须赘言，本发明保护的内容也不涉及对于软件和方法的改进。
[0100]
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0101]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。