多元信息感知矿井通风机故障诊断与健康智能预测方法

技术领域

本发明涉及煤矿通风机领域，具体而言，涉及多元信息感知矿井通风机故障诊断与健康智能预测方法。

背景技术

矿井通风系统由影响矿井安全生产的主要因素所决定。根据相关因素把矿井通风系统划分为不同类型。根据瓦斯、煤层自燃和高温等影响矿井生产安全的主要因素对矿井通风系统的要求，为了便于管理、设计和检查，把矿井通风系统分为一般型、降温型、防火型、排放瓦斯型、防火及降温型、排放瓦斯及降温型、排放瓦斯及防火型、排放瓦斯与防火及降温型几种，依次为1-8八个等级。根据井筒与采区的布置位置分为中央式、对角式和混合式三个类型。

在煤矿通风机进行使用的时候，容易发生故障，如果不能够实现对煤矿通风机进行及时的监测和维修的话，容易造成煤矿通风机的损坏，以及造成煤矿容易发生事故危险；

矿井通风机故障诊断的现有技术的缺点：

解析模型法需要建立系统精准的数学模型，然而矿机通风机工作环境噪声干扰大，故障引起的系统参数不确定性等混杂因素使系统数学模型难以精准建立，不适合进行在线故障诊断。

专家系统法知识库建立困难，实时性差，对于超出阈值对应范围的故障难以正确诊断。

传统的人工智能法通常基于信号特征提取和分类器相结合，在故障诊断领域已广泛应用并效果良好，但在针对不同工况、不同故障类型时需运用不同信号处理方法，因此其诊断过程对专家经验要求高，通用性较差。

发明内容

为了弥补以上不足，本发明提供了多元信息感知矿井通风机故障诊断与健康智能预测方法，旨在改善上述背景技术中提出的问题。

本发明实施例提供了多元信息感知矿井通风机故障诊断与健康智能预测方法，包括有以下方法步骤：

S1、将监测传感安装在矿井通风机上：将若干监测传感器固定安装在矿井通风机上，实现对矿井通风机进行运行数据信息进行有效的检测；

S2、监测传感器将监测到的数据信息进行传输：监测传感器在矿井通风机进行运行的过程中，实现对矿井通风机的运行数据信息进行获取，并且将数据信息进行传输；

S3、对传输的数据信息进行信号处理：在监测传感器进行数据信息传输的时候，通过信号采集进行数据信息的接收和获取，然后通过小波分析故障特征提取实现对数据信息进行计算处理；

S4、对传输的数据信息进行故障诊断及预测：在数据信息通过小波分析故障特征提取进行计算处理过后，再通过深度学习诊断模型和智能组合预测算法实现对矿井风机的运行状态进行诊断和预测处理；

S5、输出诊断预测信息：将诊断预测后的数据信息进行输出，并且实现远程传输通知。

在上述实现过程中，本发明软件与硬件系统结合使用，建立了矿机通风机智能在线故障诊断模型，采用智能组合预测算法故障特征向量时间序列预测，依据设定故障阈值，实现对风机未来工作状态进行准确预测与健康评估，能够实时监测矿井通风机的运行状态，主要以矿井通风机的振动信号和电机温度为依据，建立1DCNN-AdaBN神经网络对输入信号分析并在线输出故障诊断结果，建立了信号-结果端对端式的矿井通风机智能在线故障诊断系统，有效克服了传统故障诊断模型需要专家经验和专业分析人士数量不足的问题，可以直接实现信号-结果端对端式故障诊断，有效的节约了人力资源，可以对原始采集的信号进行高效处理，克服了采集信号被噪声污染的问题，并提高在不同负载情况下故障诊断的适应能力，并实现在线实时监测，有效提高了矿井通风机的运行效率和运行安全的性能，达到信号-结果的端对端式故障诊断效果，进而在监控器对风机状态进行监测，达到高准确的故障效果和风机工作状态的监控预测。

在一种具体的实施方案中，所述S1中的若干监测传感器包括有震荡传感器和温度传感器，所述震荡传感器和所述温度传感器采用接入型或者感应型安装，所述震荡传感器在矿井通风机机组的前、后支撑端轴瓦X方向和Y方向各安装1个，所述温度传感器在电机轴和电机定子各安装1个，所述震荡传感器用于实现对所述矿井通风机的震荡情况进行检测，所述温度传感器用于实现对所述矿井通风机的伺服电机运行的温度进行检测；

所述震荡传感器采用的是防爆BSZ808A震荡传感器，实时测量所述矿井风机的振动信号；所述温度传感器采用的是PT100热电阻型温度传感器，实时测量所述矿井风机的伺服电机温度。

在上述实现过程中，通过监测传感器中的震荡传感器和温度传感器有效的实现对矿井通风机进行检测，并且根据不同位置的安装设定，可以有效的实现对数据信息进行采集。

在一种具体的实施方案中，所述S2中的矿井通风机在运行的时候，通过低压220V电压进行供电运行，并且监测系统的运行通过调压模块实现对低压220V电压进行调节，使得低压220V电压能够转换成低电压供给监测系统进行运行使用。

在上述实现过程中，通过低压220V电压能够有效的实现对系统和矿井通风机进行有效的供电运行，保持设备的稳定性运行。

在一种具体的实施方案中，所述调压模块中包括有降压电路、整流电路、稳压电路和滤波电路，所述降压电路用于实现对所述供电模块进行降压处理，所述整流电路用于实现对交流电压转换成直流电压，所述稳压电路用于实现对供电的电压进行稳定调节，所述滤波电路用于实现对直流电压中的交流电压进行滤除。

在上述实现过程中，通过调压模块的设定可以实现对系统的供电过程进行调控，保持电压的稳定性，并且能够实现电压适应系统的电子设备的使用。

在一种具体的实施方案中，所述S3中的小波分析故障特征提取主要包括有对原始信号进行傅里叶变换，然后将信号的傅里叶谱自适应的划分出N个连续的区间，再在这N个区间内建立一系列滤波器，然后将分量信号通过滤波器进行计算。

在上述实现过程中，通过傅立叶变换有效的将数据信息进行转换处理，然后在实现对傅立叶谱进行划分区间，然后通过滤波器进行滤波处理。

在一种具体的实施方案中，所述连续的区间划分基于能量尺度空间的频带划分方法，获得初选频带分界点以后，计算各频带的能量并求取能量均值，因为起到主导作用的频率其能量一定会大于平均能量，将那些能量大于平均能量的频带保留，同时将相邻的两个能量低于平均能量的频带合并，有多个相邻的频带都低于平均能量，一次性将这些频带一起合并，最终得到的频带分界点个数要明显少于初始结果，有效避免了频带破裂的问题。

在上述实现过程中，通过能量尺度空间的频带划分，可以有效的实现对频带进行处理，防止频带破裂。

在一种具体的实施方案中，所述S4中的深度学习诊断模型采用的是一维卷积神经网络和自适应批量归一化处理，所述自适应批量归一化处理是一种有效的逐层归一化方法，对神经网络中任意的中间层进行归一化操作；

即把每层神经网络任意神经元输入值的分布强行拉回到均值为0方差为1的标准正态分布，数据公式如下：

m代表batch的大小，u

空间复杂度包括模型的参数数量和每层输出的特征图大小；

所述空间复杂度模型的深度公式如下：

网络的参数量只与卷积核的尺寸K、通道数C、网络的深度D相关，而与输入数据的大小无关。

在上述实现过程中，通过深度学习诊断模型可以有效的实现对数据信息进行诊断处理，且一维卷积神经网络和自适应批量归一化处理可以实现对故障进行监测处理，并且实现计算处理。

在一种具体的实施方案中，所述S4中的智能组合预测算法采用的是粒子群算法，所述粒子群算法的计算公式如下：

数据信息在第d步的速度＝上一步自身的速度惯性+自我认知部分+社会认知部分，

数据信息在第d+1步所在的位置＝第d步所在的位置+第d步所在的位置*运动的时间，

C

C

w：速度的惯性权重，

第d次迭代时，第i个粒子的速度，

第d次迭代时，第i个粒子所在的位置，

到第d次迭代为止，第i个粒子经过的最好的位置，

gbest

在上述实现过程中，通过粒子群算法的计算处理可以有效的实现对矿井通风机的故障处理方式进行有效的预测处理。

与现有技术相比，本发明的有益效果：

本发明软件与硬件系统结合使用，建立了矿机通风机智能在线故障诊断模型，采用智能组合预测算法故障特征向量时间序列预测，依据设定故障阈值，实现对风机未来工作状态进行准确预测与健康评估，能够实时监测矿井通风机的运行状态，主要以矿井通风机的振动信号和电机温度为依据，建立1DCNN-AdaBN神经网络对输入信号分析并在线输出故障诊断结果，建立了信号-结果端对端式的矿井通风机智能在线故障诊断系统，有效克服了传统故障诊断模型需要专家经验和专业分析人士数量不足的问题，可以直接实现信号-结果端对端式故障诊断，有效的节约了人力资源，可以对原始采集的信号进行高效处理，克服了采集信号被噪声污染的问题，并提高在不同负载情况下故障诊断的适应能力，并实现在线实时监测，有效提高了矿井通风机的运行效率和运行安全的性能，达到信号-结果的端对端式故障诊断效果，进而在监控器对风机状态进行监测，达到高准确的故障效果和风机工作状态的监控预测。

附图说明

为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1是本发明实施方式提供的步骤流程示意图；

图2为本发明实施方式提供的风机组合预测示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行描述。

为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。

在上述实现过程中，本发明软件与硬件系统结合使用，建立了矿机通风机智能在线故障诊断模型，采用智能组合预测算法故障特征向量时间序列预测，依据设定故障阈值，实现对风机未来工作状态进行准确预测与健康评估，能够实时监测矿井通风机的运行状态，主要以矿井通风机的振动信号和电机温度为依据，建立1DCNN-AdaBN神经网络对输入信号分析并在线输出故障诊断结果，建立了信号-结果端对端式的矿井通风机智能在线故障诊断系统，有效克服了传统故障诊断模型需要专家经验和专业分析人士数量不足的问题，可以直接实现信号-结果端对端式故障诊断，有效的节约了人力资源，可以对原始采集的信号进行高效处理，克服了采集信号被噪声污染的问题，并提高在不同负载情况下故障诊断的适应能力，并实现在线实时监测，有效提高了矿井通风机的运行效率和运行安全的性能，达到信号-结果的端对端式故障诊断效果，进而在监控器对风机状态进行监测，达到高准确的故障效果和风机工作状态的监控预测。旨在改善解析模型法需要建立系统精准的数学模型，然而矿机通风机工作环境噪声干扰大，故障引起的系统参数不确定性等混杂因素使系统数学模型难以精准建立，不适合进行在线故障诊断。专家系统法知识库建立困难，实时性差，对于超出阈值对应范围的故障难以正确诊断。传统的人工智能法通常基于信号特征提取和分类器相结合，在故障诊断领域已广泛应用并效果良好，但在针对不同工况、不同故障类型时需运用不同信号处理方法，因此其诊断过程对专家经验要求高，通用性较差。

请参阅图1-2，本发明提供多元信息感知矿井通风机故障诊断与健康智能预测方法，包括有以下方法步骤：

S1、将监测传感安装在矿井通风机上：将若干监测传感器固定安装在矿井通风机上，实现对矿井通风机进行运行数据信息进行有效的检测；

S2、监测传感器将监测到的数据信息进行传输：监测传感器在矿井通风机进行运行的过程中，实现对矿井通风机的运行数据信息进行获取，并且将数据信息进行传输；

S3、对传输的数据信息进行信号处理：在监测传感器进行数据信息传输的时候，通过信号采集进行数据信息的接收和获取，然后通过小波分析故障特征提取实现对数据信息进行计算处理；

S4、对传输的数据信息进行故障诊断及预测：在数据信息通过小波分析故障特征提取进行计算处理过后，再通过深度学习诊断模型和智能组合预测算法实现对矿井风机的运行状态进行诊断和预测处理；

S5、输出诊断预测信息：将诊断预测后的数据信息进行输出，并且实现远程传输通知。

在具体设置时，所述S1中的若干监测传感器包括有震荡传感器和温度传感器，所述震荡传感器和所述温度传感器采用接入型或者感应型安装，所述震荡传感器在矿井通风机机组的前、后支撑端轴瓦X方向和Y方向各安装1个，所述温度传感器在电机轴和电机定子各安装1个，所述震荡传感器用于实现对所述矿井通风机的震荡情况进行检测，所述温度传感器用于实现对所述矿井通风机的伺服电机运行的温度进行检测；

所述震荡传感器采用的是防爆BSZ808A震荡传感器，实时测量所述矿井风机的振动信号；所述温度传感器采用的是PT100热电阻型温度传感器，实时测量所述矿井风机的伺服电机温度，通过监测传感器中的震荡传感器和温度传感器有效的实现对矿井通风机进行检测，并且根据不同位置的安装设定，可以有效的实现对数据信息进行采集。

在一些具体的实施方案中，所述S2中的矿井通风机在运行的时候，通过低压220V电压进行供电运行，并且监测系统的运行通过调压模块实现对低压220V电压进行调节，使得低压220V电压能够转换成低电压供给监测系统进行运行使用，通过低压220V电压能够有效的实现对系统和矿井通风机进行有效的供电运行，保持设备的稳定性运行。

在其他一些实施方案中，所述调压模块中包括有降压电路、整流电路、稳压电路和滤波电路，所述降压电路用于实现对所述供电模块进行降压处理，所述整流电路用于实现对交流电压转换成直流电压，所述稳压电路用于实现对供电的电压进行稳定调节，所述滤波电路用于实现对直流电压中的交流电压进行滤除，通过调压模块的设定可以实现对系统的供电过程进行调控，保持电压的稳定性，并且能够实现电压适应系统的电子设备的使用。

在本发明中，所述S3中的小波分析故障特征提取主要包括有对原始信号进行傅里叶变换，然后将信号的傅里叶谱自适应的划分出N个连续的区间，再在这N个区间内建立一系列滤波器，然后将分量信号通过滤波器进行计算，通过傅立叶变换有效的将数据信息进行转换处理，然后在实现对傅立叶谱进行划分区间，然后通过滤波器进行滤波处理。

可以理解，在其他实施例中，所述连续的区间划分基于能量尺度空间的频带划分方法，获得初选频带分界点以后，计算各频带的能量并求取能量均值，因为起到主导作用的频率其能量一定会大于平均能量，将那些能量大于平均能量的频带保留，同时将相邻的两个能量低于平均能量的频带合并，有多个相邻的频带都低于平均能量，一次性将这些频带一起合并，最终得到的频带分界点个数要明显少于初始结果，有效避免了频带破裂的问题，通过能量尺度空间的频带划分，可以有效的实现对频带进行处理，防止频带破裂。

在本实施例中，所述S4中的深度学习诊断模型采用的是一维卷积神经网络和自适应批量归一化处理，所述自适应批量归一化处理是一种有效的逐层归一化方法，对神经网络中任意的中间层进行归一化操作；

即把每层神经网络任意神经元输入值的分布强行拉回到均值为0方差为1的标准正态分布，数据公式如下：

m代表batch的大小，u

空间复杂度包括模型的参数数量和每层输出的特征图大小；

所述空间复杂度模型的深度公式如下：

网络的参数量只与卷积核的尺寸K、通道数C、网络的深度D相关，而与输入数据的大小无关，通过深度学习诊断模型可以有效的实现对数据信息进行诊断处理，且一维卷积神经网络和自适应批量归一化处理可以实现对故障进行监测处理，并且实现计算处理。

可选地，所述S4中的智能组合预测算法采用的是粒子群算法，所述粒子群算法的计算公式如下：

数据信息在第d步的速度＝上一步自身的速度惯性+自我认知部分+社会认知部分，

数据信息在第d+1步所在的位置＝第d步所在的位置+第d步所在的位置*运动的时间，

C

C

w：速度的惯性权重，

第d次迭代时，第i个粒子的速度，

第d次迭代时，第i个粒子所在的位置，

到第d次迭代为止，第i个粒子经过的最好的位置，

gbest

通过粒子群算法的计算处理可以有效的实现对矿井通风机的故障处理方式进行有效的预测处理。

该多元信息感知矿井通风机故障诊断与健康智能预测方法的工作原理：

第一步、将监测传感安装在矿井通风机上：将若干监测传感器固定安装在矿井通风机上，实现对矿井通风机进行运行数据信息进行有效的检测，若干监测传感器包括有震荡传感器和温度传感器，震荡传感器和温度传感器采用接入型或者感应型安装，震荡传感器在矿井通风机机组的前、后支撑端轴瓦X方向和Y方向各安装1个，温度传感器在电机轴和电机定子各安装1个，震荡传感器用于实现对矿井通风机的震荡情况进行检测，温度传感器用于实现对矿井通风机的伺服电机运行的温度进行检测；

第二步、监测传感器将监测到的数据信息进行传输：监测传感器在矿井通风机进行运行的过程中，实现对矿井通风机的运行数据信息进行获取，并且将数据信息进行传输；

第三步、对传输的数据信息进行信号处理：在监测传感器进行数据信息传输的时候，通过信号采集进行数据信息的接收和获取，然后通过小波分析故障特征提取实现对数据信息进行计算处理，小波分析故障特征提取主要包括有对原始信号进行傅里叶变换，然后将信号的傅里叶谱自适应的划分出N个连续的区间，再在这N个区间内建立一系列滤波器，然后将分量信号通过滤波器进行计算，连续的区间划分基于能量尺度空间的频带划分方法，获得初选频带分界点以后，计算各频带的能量并求取能量均值，因为起到主导作用的频率其能量一定会大于平均能量，将那些能量大于平均能量的频带保留，同时将相邻的两个能量低于平均能量的频带合并，有多个相邻的频带都低于平均能量，一次性将这些频带一起合并，最终得到的频带分界点个数要明显少于初始结果，有效避免了频带破裂的问题；

第四步、对传输的数据信息进行故障诊断及预测：在数据信息通过小波分析故障特征提取进行计算处理过后，再通过深度学习诊断模型和智能组合预测算法实现对矿井风机的运行状态进行诊断和预测处理；深度学习诊断模型采用的是一维卷积神经网络和自适应批量归一化处理，自适应批量归一化处理是一种有效的逐层归一化方法，对神经网络中任意的中间层进行归一化操作；

即把每层神经网络任意神经元输入值的分布强行拉回到均值为0方差为1的标准正态分布，数据公式如下：

一维卷积神经网络的计算公式如下：

空间复杂度包括模型的参数数量和每层输出的特征图大小；

空间复杂度模型的深度公式如下：

智能组合预测算法采用的是粒子群算法，粒子群算法的计算公式如下：

数据信息在第d步的速度＝上一步自身的速度惯性+自我认知部分+社会认知部分，

数据信息在第d+1步所在的位置＝第d步所在的位置+第d步所在的位置*运动的时间，

第五步、输出诊断预测信息：将诊断预测后的数据信息进行输出，并且实现远程传输通知。

以上所述仅为本发明的实施例而已，并不用于限制本发明的保护范围，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。