[发明专利]带式输送机突发故障预警方法及系统

权利要求书

1.一种带式输送机突发故障预警方法，其特征在于，包括：

健康指标获取步骤：将设备突发故障数据清洗后进行时域、频域特征计算，按照表征故障能力强弱顺序对特征进行排序，对前序特征进行主成分分析降维融合，得到表征突发故障期间皮带失效过程的健康指标；

故障预测步骤：利用长短期记忆神经网络对健康指标进行短期预测，在突发故障早期阶段预测皮带失效阶段健康状态曲线，判别健康状态曲线中的异常值，根据异常值定位皮带划伤失效发生时间。

2.根据权利要求1所述的带式输送机突发故障预警方法，其特征在于：所述设备突发故障数据包括：设备检测数据的缺失值、传感器噪声以及外界扰动产生的粗大误差。

3.根据权利要求2所述的带式输送机突发故障预警方法，其特征在于：对所述设备突发故障数据清洗过程包括：获取原始设备突发故障数据，消除原始数据中的无关零项以排除数据的缺失值，通过3σ准则去除数据中的粗大误差，通过卡尔曼滤波消除传感器的观测噪声，最后得到清洗后的设备突发故障数据。

4.根据权利要求1所述的带式输送机突发故障预警方法，其特征在于：所述时域和频域特征包括：均值、标准差、偏度、峭度、峰峰值、均方根、峰值因子、波形因子、脉冲因子、裕度因子、能量熵、谱峭度均值、谱峭度标准差、谱峭度偏度以及谱峭度峭度。

5.根据权利要求1所述的带式输送机突发故障预警方法，其特征在于，包括以下步骤：

步骤S1：获取带式输送机皮带转速数据的时域和频域特征；

步骤S2：计算特征值的单调性和相关性，并作为重要程度排序依据，两者结合后筛选出表征故障能力强的特征进行主成分分析降维融合；

步骤S3：采用主成分分析特征降维融合方法构建表征特发故障发生趋势的健康指标；

步骤S4：使用长短期记忆神经网络对健康指标进行短期预测；

步骤S5：采用孤立森林算法判别预测数据中的异常值，根据异常值定位皮带失效时间。

6.根据权利要求5所述的带式输送机突发故障预警方法，其特征在于：所述单调性排序方式为：

式中，Monotonicity(x_i)表示单调性值，和是特征值求微分后分别为正值和负值的数量，m为特征数量，n为特征采样点数；

所述相关性排序方式为：

式中，Correlation(x_i)表示相关性值，Corr(x_i,x_k)为同一特征的内部协方差。

7.根据权利要求5所述的带式输送机突发故障预警方法，其特征在于：还包括：按照设定比例划分失效发生前数据和失效发生后数据，选择失效发生前数据作为特征值获取和融合的训练集，选择失效发生后数据对健康指标预测结果进行验证，根据验证结果调整长短期记忆神经网络的超参数，包括学习率、迭代次数以及批量大小。

8.一种带式输送机突发故障预警系统，其特征在于，包括：

健康指标获取模块：将设备突发故障数据清洗后进行时域、频域特征计算，按照表征故障能力强弱顺序对特征进行排序，对前序特征进行主成分分析降维融合，得到表征突发故障期间皮带失效过程的健康指标；

故障预测模块：利用长短期记忆神经网络对健康指标进行短期预测，在突发故障早期阶段预测皮带失效阶段健康状态曲线，判别健康状态曲线中的异常值，根据异常值定位皮带划伤失效发生时间。

9.根据权利要求8所述的带式输送机突发故障预警系统，其特征在于：所述设备突发故障数据包括：设备检测数据的缺失值、传感器噪声以及外界扰动产生的粗大误差。

10.根据权利要求9所述的带式输送机突发故障预警系统，其特征在于：对所述设备突发故障数据清洗过程包括：获取原始设备突发故障数据，消除原始数据中的无关零项以排除数据的缺失值，通过3σ准则去除数据中的粗大误差，通过卡尔曼滤波消除传感器的观测噪声，最后得到清洗后的设备突发故障数据。