一种基于多变量比例调节的起重机减速箱状态监测方法与流程

本发明涉及状态监测，尤其是一种结合工况数据的多比例调节深度学习减速箱状态监测方法。

背景技术：

1、随着港口大型机械的工作日益繁重，企业对大型港口机械设备的管理效率和安全性能要求越来越高，因此如何利用先进的信息技术提高管理效率，增强港口机械安全保障水平，是港口企业所面临的重要问题。门座式起重机以其作业效率高，自动化程度高，运营成本低等优势得到各大港口的青睐。近年来，来自政府监管、行业竞争、新技术进步等多方面的原因推动了门座式起重机自动化、作业无人化的新业态、新趋势。

2、门座式起重机自动化改造已成为港口一大发展方向，逐步开始自动化设备升级与改造。然而，减速箱是门座式起重机易损部件，现有监测手段无法感知其作业过程中的异常状况，门座式起重机减速箱健康状态监测效率低，精度低，亟需对模型进行改进。在此背景下开展相关研究，技术涉及门机起升、闭合、回转、变幅机构减速箱在线监测需求，结合港机实时运行工况，综合进行实时状态评估，科学指导用户进行设备维保，以降低设备故障率和管理成本，实现降本增效。

技术实现思路

1、为了克服现有技术中存在的上述问题，本发明提出一种基于多变量比例调节的起重机减速箱状态监测方法。

2、本发明解决其技术问题所采用的技术方案是：一种基于多变量比例调节的起重机减速箱状态监测方法，包括如下步骤：

3、步骤1，采集起重机减速箱的二维运行数据；

4、步骤2，通过电机变频器获取起重机运行的工况信息；

5、步骤3，将步骤1、步骤2所得的数据输入到神经网络模型中，采用多变量比例调节进行多元线性回归模型拟合；

6、步骤4，将步骤3所得数据利用全局多层级通道注意力机制提取特征，完成数据决策，通过反向传播算法最小化损失函数，并使用优化算法加速学习过程；

7、步骤5，将步骤4数据输入到深度学习模型中完成起重机减速箱健康状态监测，并对深度学习模型精度进行验证。

8、上述的一种基于多变量比例调节的起重机减速箱状态监测方法，所述步骤3具体包括：

9、步骤3.1，数据预处理：对步骤1及步骤2所得的数据进行数据清洗与异常值计算，通过遍历的方式去除样本中的异常值，数据清洗与异常值计算具体计算公式为：

10、y＝(xi-μ)/σ

11、其中，y表示偏差值用于识别离群值，x表示样本点的数值，i表示样本编号，μ表示样本总体的均值，σ表示样本总体的标准差；

12、步骤3.2，将步骤3.1所得的数据输入到神经网络模型中，得到全局特征向量；

13、步骤3.3，对步骤3.1所得数据进行相关性和因果性分析，确定各因素对于起重机性能的影响；

14、步骤3.4，结合步骤3.3的分析结果，在步骤3.2所得的全局特征向量上应用注意力机制，对步骤3.1所得数据中不同变量进行比例调节并得到拟合数据。

15、上述的一种基于多变量比例调节的起重机减速箱状态监测方法，所述步骤3.4中拟合数据计算公式为：

16、

17、wα＝sign(rα)*log(nα/(1-nα))/log(kα)

18、wβ＝sign(rβ)*log(nβ/(1-nβ))/log(kβ)

19、wγ＝sign(rγ)*log(nγ/(1-nγ))/log(kγ)

20、wθ＝sign(rθ)*log(nθ/(1-nθ))/log(kθ)

21、其中，wtvt(a,b)是在时间点t拟合后的数据，α表示起重机电流运行系数，β表示起重机电压运行系数，γ表示起重机功率运行系数，θ表示起重机转速运行系数，v(t)是在时间点t振动数据，t(t)是在时间点t温度数据，ψ是母小波函数，a和b分别是尺度和平移参数；m是在时间点t振动权重指标的值，n是在时间点t每个温度指标的值，t表示数据时间；wα是α因素的权重，rα是α因素的相对关系系数，nα是α因素的重要程度系数，kα是一个与因素α有关的常数；wβ是β因素的权重，rβ是β因素的相对关系系数，nβ是β因素的重要程度系数，kβ是一个与因素β有关的常数；wγ是γ因素的权重，rγ是γ因素的相对关系系数，nγ是γ因素的重要程度系数，kγ是一个与因素γ有关的常数。

22、上述的一种基于多变量比例调节的起重机减速箱状态监测方法，所述步骤4具体包括：

23、步骤4.1，通过标准卷积层进行基本特征提取；使用全局多层级通道注意力模块来对特征进行加权，此步骤包括多个注意力层，每个注意力层对前一层的输出进行处理，产生权重分布，用于对原始特征进行加权；

24、步骤4.2，通过计算损失函数对神经网络模型中各个参数的导数，然后根据导数的方向更新参数，以降低损失函数的值。

25、上述的一种基于多变量比例调节的起重机减速箱状态监测方法，所述步骤4.1中具体表达式为：

26、output_vector＝[channel1；channel2；...；channeln]

27、其中，output_vector表示多通道向量输出向量，它是由多个通道的向量堆叠而成的。channel1，channel2，...channeln分别表示每个通道的向量。使用分号来分隔每个通道的向量，并将它们连接在一起形成一个更高级别的向量。

28、其中，

29、

30、其中，wtvt(a,b)表示输入融合后的数据；i表示将wtvt(a,b)等分的数量，i∈{0,1...,t}；wtvt(a,b)∈rc′*h*w,c表示被t整除的维度，h表示维度的高，w表示维度的宽，channeli∈rc′为预处理后的c’维向量。

31、上述的一种基于多变量比例调节的起重机减速箱状态监测方法，所述步骤4中优化算法为梯度下降算法。

32、上述的一种基于多变量比例调节的起重机减速箱状态监测方法，所述步骤5中对于模型精度的验证包括：

33、步骤5.1，通过起重机减速箱健康状态分类结果计算得到模型训练精度值，精度值具体计算公式为：

34、

35、其中，tp表示深度学习模型结果正确的数量，fp表示深度学习模型结果错误的数量，p表示深度学习模型结果准确率；

36、步骤5.2，绘制损失曲线，观察模型在训练过程中的损失变化情况，损失曲线趋于平稳，则模型已经收敛，损失曲线波动较大，说明模型未收敛。

37、本发明的有益效果是，结合门座式起重机减速箱工况信息精细化了解减速箱在不同工况下的健康状态，根据温度数据与加速度数据等多维度运行数据，将所有变量进行比例调节相结合形成一个综合指数评估模型，多比例调节方式将获取数据进行综合比较分析确定影响因子进而给不同变量进行比例调节；利用全局多层级通道注意力机制提取特征，结合港机实时运行工况，综合进行实时状态评估，科学指导用户进行设备维保，提高模型检测精度，降低设备故障率和管理成本，提高健康监测准确性，实现降本增效。