[发明专利]一种基于多模态数据融合的传送带异常检测方法

权利要求书

1.一种基于多模态数据融合的传送带异常检测方法，其特征在于，包括以下步骤：

步骤1、数据收集：通过分布在传送带上的振动传感器，温度传感器收集传送带运行时产生的振动数据和温度数据；

步骤2、数据分析：将压力传感器作为诊断系统的触发器，当触发诊断系统时，调取特定时间段内的振动数据和温度数据并输入进数据分析模块，对数据进行处理，包括特征提取，分类，融合后得出诊断结果；

步骤3、故障处理：通过系统诊断结果生成相应的解决方法并且生成解决方案，便于用户开展线下维护和维修工作。

2.根据权利要求1所述的基于多模态数据融合的传送带异常检测方法，其特征在于，所述步骤2中，数据分析具体步骤如下：

步骤2-1：将压力传感器布置于传送带终端，在传送带运行时以特定频率接收压力信号，当特定的频率内未接收到压力信号时，启用诊断系统；

步骤2-2：调取特定时间段内采集到的振动数据和温度数据，并将其输入数据分析模块进行数据分析；

步骤2-3：对输入的振动数据进行特征提取，通过经验模态分解算法将其分解成各阶IMF分量，其中，前六阶包含振动主要能量，计算前六阶的六个分量在该时间周期的能量值作为特征向量，并做归一化处理，将经行归一化处理后的特征向量输入到训练好的支持向量机中，得到振动数据诊断结果；

步骤2-4：对采集到的温度信号进行特征提取，通过设置报警阈值的方法诊断故障，得到温度数据诊断结果；

步骤2-5：使用D-S证据理论对步骤2-3和步骤2-4得到的两种数据诊断结果进行决策，首先，根据先验知识得到融合后可能出现的所有命题，构建D-S证据理论识别框架，之后，为每一个命题分配证据，获得基本概率分配函数，再由信任函数和似然函数确定D-S证据理论识别框架中的信任区间，最后采用修改证据合成规则的方法得出最终诊断结果。

3.根据权利要求2所述的基于多模态数据融合的传送带异常检测方法，其特征在于，所述步骤2-3中，通过经验模态分解算法将振动信号分解成各阶IMF分量，具体步骤如下：

步骤a：提取出原始信号即输入的振动数据的极大值点和极小值点，随后利用三次样条插值法，得到上下两条包络线，取上下两条包络线的均值，用原始信号减去该均值，得到一个新的序列，判断该序列是否满足IMF函数的条件，如果满足，则该序列作为第一个IMF分量，若不满足，则将该序列作为初始信号，重复上述步骤直至条件满足；

步骤b：当得到第一个IMF分量之后，将最原始的信号与该分量做差，得到新的分量，该分量作为初始信号，重复步骤a得到各阶IMF分量，直至信号不再满足经验模态分解的条件；

步骤c：将前六阶中的每个IMF IMF分量进行希尔伯特变换，得到解析信号，同时定义瞬时变量，得出希尔伯特谱，之后将该希尔伯特谱对时间积分，得到边际谱，表达式为：

该表达式代表一定时间T内的每个IMF分量能量值；

步骤d：根据上述公式，将每个IMF分量包含的能量值作为特征向量，进行归一化处理。

4.根据权利要求1或2所述的基于多模态数据融合的传送带异常检测方法，其特征在于，所述温度传感器采用接触式温度传感器，与发热点直接接触设置，设置报警阈值为70℃，且不同故障对应不同温度区间。

5.根据权利要求2所述的基于多模态数据融合的传送带异常检测方法，其特征在于，所述步骤2-5中，修改证据合成规则的具体方法如下：

设m(A)为D-S证据理论识别框架下的基本概率赋值函数，其中包含n个相互独立的证据，在基本赋值函数下的Pignistic概率函数为：

其中，S_k是识别框架内的每一个焦元，证据m在经过Pignistic概率函数转化后表示为：

m′＝(BetP_m(θ¹),BetP_m(θ²),…,BetP_m(θⁿ))

引入相关系数，那么，其中任意两个证据m_a、m_b之间的冲突程度ρ可以表示为：

然后求出证据之间支持程度，最终确定权重系数。