本发明涉及故障诊断,具体为一种基于融合卷积transformer的液压支架故障诊断方法。
背景技术:
1、煤炭长期以来一直是我国能源安全的压舱石与稳定器。在未来相当长的一段时期煤炭仍将是我国的主体能源。智能开采和智慧矿山是我国实现煤炭安全、高效、可持续开采的必经之路。以矿山智能化为背景,状态监测、健康评估、故障诊断和寿命预测等机械健康管理手段成为学者研究的重点,智能化综采工作面设备故障诊系统的搭建被提上了日程。
2、在现代化高产高效矿井综合机械化采煤工作面,液压支架的主要作用是支护采场顶板,维护安全作业空间,同时也为推移拉架提供动力源。其作为综采工作面的关键核心设备,如不及时进行有效的故障监测、诊断和处置,会对煤炭生产和矿工人身安全造成严重威胁;一旦发生故障停机,设备维修的难度和成本巨大。因此,急需研究适合煤矿井下生产工况的液压支架故障诊断技术,减少设备计划外停机和备件库存,应对我国智慧矿山和煤炭智能开采技术发展的迫切需求。
3、目前对液压支架的研究集中在故障分析、参数监测、支架适应性分析或者顶板状态分析方面,对故障诊断的研究较少。现在关于机械设备的故障诊断,学者已经做了大量的工作,但是具体到液压支架的研究并不多,并且在为数不多的研究中主要集中在单个故障形式的诊断、对支架姿态的监测、对液压支架支护质量的分析、对液压支架通信系统的诊断以及对液压支架的某个监测参数进行特性分析,对液压支架整体的故障研究很少。
技术实现思路
1、本发明为了解决上述问题,提供一种基于融合卷积transformer的液压支架故障诊断方法。
2、本发明采取以下技术方案:一种基于融合卷积transformer的液压支架故障诊断方法,包括:
3、s100:获取液压支架的多源监测时序数据;
4、s200:对s100中标注完成的数据进行预处理,并划分为训练集和测试集;
5、s300:构建融合卷积分类模型,利用训练集和融合卷积分类模型进行训练,并使用测试集对训练后的模型进行测试;
6、s400:获取液压支架在运行过程中产生的实时监测参数,输入至训练好的融合卷积分类模型中,得到输出的故障类型,完成对液压支架的故障诊断。
7、在一些实施例中,步骤s100中监测时序数据包括:
8、监测参数,所述监测参数包括:
9、系统压力、乳化液位、左柱压力、右柱压力以及顶梁倾角;
10、故障类型,故障类型包括:
11、泵压不足、乳化液位过低、初撑力不足、立柱漏液、左右柱压力不平衡、安全阀未能开启、安全阀提前开启、安全阀未及时关闭、支架抬头以及支架低头。
12、在一些实施例中,步骤s200包括:将采集到的原始数据进行缺失值补充、异常值修正并对数据进行归一化处理,然后将数据集划分为训练集和测试集。
13、在一些实施例中,融合卷积分类模型包括:
14、卷积位置编码层,将预处理后的数据输入卷积位置编码层,用于学习到数据的局部特征和位置关系;
15、嵌入层,将卷积位置编码层输出的特征图形式转换为一维的序列形式;
16、n个融合卷积transformer块,嵌入层的输出输入融合卷积transformer块;
17、n个dropout,融合卷积transformer块的输出输入dropout;
18、全局平均池化层和softmax分类器,dropout的输出经过全局平均池化层后利用softmax分类器输出模型的诊断结果。
19、在一些实施例中,卷积位置编码层为两层cnn层,每层cnn层之后,进行归一化与最大池化操作。
20、在一些实施例中,融合卷积transformer块包括多头自注意力机制层和1d-cnn层,多头自注意力机制层和1d-cnn层前均设置残差连接层与标准化操作。
21、在一些实施例中,步骤s300的模型训练过程中,使用交叉熵损失函数。
22、与现有技术相比,本发明具有以下有益效果:
23、本发明提供的基于融合卷积transformer模型网络的液压支架故障诊断方法,利用ctf block的强大的大数据挖掘能力以及特征提取能力对液压支架的进行故障识别和故障分类,并且无需大量复杂的信号处理手段和专家经验,减少了对专业知识的依赖,避免了人工诊断时可能出现的主观失误,提高了诊断的准确率。
1.一种基于融合卷积transformer的液压支架故障诊断方法,其特征在于,包括:
2.根据权利要求1所述的基于融合卷积transformer的液压支架故障诊断方法,其特征在于,所述步骤s100中监测时序数据包括:
3.根据权利要求1所述的基于融合卷积transformer的液压支架故障诊断方法,其特征在于,所述步骤s200包括:将采集到的原始数据进行缺失值补充、异常值修正并对数据进行归一化处理,然后将数据集划分为训练集和测试集。
4.根据权利要求1所述的基于融合卷积transformer的液压支架故障诊断方法,其特征在于,所述融合卷积分类模型包括:
5.根据权利要求4所述的基于融合卷积transformer的液压支架故障诊断方法,其特征在于,所述卷积位置编码层为两层cnn层,每层cnn层之后,进行归一化与最大池化操作。
6.根据权利要求4所述的基于融合卷积transformer的液压支架故障诊断方法,其特征在于,所述融合卷积transformer块包括多头自注意力机制层和1d-cnn层,多头自注意力机制层和1d-cnn层前均设置残差连接层与标准化操作。
7.根据权利要求1所述的基于融合卷积transformer的液压支架故障诊断方法,其特征在于,所述步骤s300的模型训练过程中,使用交叉熵损失函数。