基于多源数据融合的升降机故障预测方法及系统与流程

摘要: 本发明涉及升降机故障预测,具体为基于多源数据融合的升降机故障预测方法及系统。背景技术:1、随着智能制造的发展,升降机逐步引入多传感器监测,对电流、振动、位移等运...
基于多源数据融合的升降机故障预测方法及系统与流程

本发明涉及升降机故障预测,具体为基于多源数据融合的升降机故障预测方法及系统。

背景技术:

1、随着智能制造的发展,升降机逐步引入多传感器监测,对电流、振动、位移等运行数据进行采集,用于辅助升降机状态判断。现有方法大多基于单一信号或简单融合结果,通过阈值或统计特征识别异常,部分方案结合运行阶段划分和模型分析进行故障识别,在工程上已具备一定应用基础。

2、但从实际效果来看,多源数据的利用仍不充分。不同信号往往是分别处理,缺少统一建模和关联分析,导致状态表达分散,难以形成对设备运行的整体刻画。同时,升降机在运行过程中受载荷变化、启停切换等因素影响较大,这些正常工况波动会直接反映在电流、振动和速度信号中,若缺乏有效区分,容易被误判为异常。现有方法多依赖单一时间窗口或简单连续性判断,对多源特征之间的时序关系考虑较少,难以反映异常从产生到发展的过程,也不利于区分瞬时扰动与真实故障。基于固定规则或单一模型的判别方式在复杂工况下适应性有限,对故障类型的细致区分能力仍有提升空间。

技术实现思路

1、鉴于上述存在的问题,提出了本发明。

2、因此,本发明解决的技术问题是:现有的升降机故障预测方法存在多源运行数据缺乏统一融合建模导致状态表征分散,载荷变化、运行高度及启停工况等正常工况因素干扰故障特征导致误判率较高,缺乏对多类故障敏感特征之间时序关联和传播过程的建模导致难以区分瞬时扰动与真实故障演化,以及如何在复杂工况条件下基于异常传播关系实现故障类型识别、预警输出和故障等级评估的问题。

3、为解决上述技术问题,本发明提供如下技术方案:基于多源数据融合的升降机故障预测方法,包括采集升降机运行过程中的多源运行数据;对多源运行数据执行统一时间对齐处理和工况分段特征提取处理,形成多源融合特征向量;基于多源融合特征向量识别运行工况引起的工况相关特征并执行削弱处理,构建去工况偏置的状态表示;基于去工况偏置的状态表示提取表征异常运行行为的故障敏感特征集合;将故障敏感特征集合中的窗口级异常判定结果转换为异常事件,根据异常事件之间的先后顺序和时间间隔构建异常传播序列;将异常传播序列与预设故障传播模式库进行匹配,依据匹配结果输出对应故障等级信息。

4、作为本发明所述的基于多源数据融合的升降机故障预测方法的一种优选方案,其中:所述采集升降机运行过程中的多源运行数据包括,通过安装在驱动电机输入端的电流传感器和电压传感器采集电机负载变化数据;通过安装在减速机或导轨结构上的振动传感器采集机械振动数据;通过编码器或位置检测装置采集升降机的运行速度数据、位移数据及加速度数据;根据所述运行速度数据和所述加速度数据确定每一采样点对应的运行阶段标记;所述运行阶段标记包括启动阶段、稳定运行阶段、制动阶段以及停止阶段;当任一数据源出现突变、中断、固定值、超量程或连续缺失时,对对应时间段的数据进行有效性标记,并基于相邻有效时间段数据执行趋势补偿。

5、作为本发明所述的基于多源数据融合的升降机故障预测方法的一种优选方案,其中:所述形成多源融合特征向量包括,将电机负载变化数据、机械振动数据、运行速度数据、位移数据及加速度数据按照统一时间轴进行对齐;根据运行阶段标记,将停止阶段作为相邻运行阶段的边界条件,并在启动段、稳定运行段以及制动段中分别提取阶段特征;在启动段中,提取电流上升速率特征和振动响应延迟特征;在稳定运行段中,提取电流波动范围特征和振动幅值稳定性特征;在制动段中,提取减速变化趋势特征和振动衰减特征;将电流上升速率特征、振动响应延迟特征、电流波动范围特征、振动幅值稳定性特征、减速变化趋势特征以及振动衰减特征按照预设顺序组合,形成对应运行周期的多源融合特征向量。

6、作为本发明所述的基于多源数据融合的升降机故障预测方法的一种优选方案,其中:所述构建去工况偏置的状态表示包括,基于多个运行周期的多源融合特征向量,构建工况描述量;将工况描述量划分为对应的工况区间,并在所述工况区间内统计各特征分量的均值、波动幅度以及跨周期变化趋势;基于工况描述量对各特征分量进行工况相关性分析;当某一特征分量在相同工况条件下保持稳定、在不同工况条件下呈现可重复的规律性变化,并且不表现为突发异常变化时,将特征分量判定为工况相关特征;根据工况相关特征形成工况相关特征索引集合,并基于各工况相关特征与对应工况描述量之间的关联程度,构建表征工况影响的趋势分量;对工况相关特征的非故障性变化成分进行趋势削弱处理;将经趋势削弱处理后的工况相关特征与未被判定为工况相关特征的特征分量进行组合,形成去工况偏置的状态表示。

7、作为本发明所述的基于多源数据融合的升降机故障预测方法的一种优选方案,其中:所述提取表征异常运行行为的故障敏感特征集合包括,基于去工况偏置的状态表示计算运行周期的综合偏离量,并根据综合偏离量对运行周期进行粗筛选;当综合偏离量小于预设正常偏离阈值时,将对应运行周期纳入正常运行基准更新样本;当综合偏离量大于等于所述预设正常偏离阈值时,对对应运行周期内的对齐后数据序列执行滑动窗口划分;在每一个局部时间窗口内,按照对应运行阶段调用正常运行基准;所述正常运行基准包括电流基准、振动基准以及速度基准;基于窗口电流均值与电流均值基准的差值以及电流离散度基准计算电流异常评分,结合窗口首末电流差与时间差计算电流变化斜率标记电流异常;基于窗口振动均值与振动均值基准的差值以及振动离散度基准计算振动异常评分,并基于窗口振动值相对振动均值的平方差均值计算振动离散程度标记振动异常;基于窗口速度均值、窗口速度极差和窗口位移增量,与对应速度基准及离散度基准进行比较,计算位移不连续性评分标记为运动状态异常;根据电流异常、振动异常及运动状态异常的窗口标记结果,构建窗口级异常判定向量,并分别计算异常窗口比例和异常评分均值,形成故障敏感特征集合。

8、作为本发明所述的基于多源数据融合的升降机故障预测方法的一种优选方案,其中:所述构建异常传播序列的过程包括,将窗口级异常判定向量按照时间窗口顺序输入故障判别模型,并将各时间窗口首末采样时刻的平均值作为异常状态的窗口中心时刻;分别建立电流异常状态序列、振动异常状态序列以及运动状态异常序列;当同一类异常状态在连续不少于预设最小持续窗口数的时间窗口内均为异常时,将对应连续窗口区段确定为有效异常区段;针对每一有效异常区段,将首个异常窗口的中心时刻作为首次异常时间点,将末个异常窗口与首个异常窗口的中心时刻差值加上单窗口持续时长作为持续时间;将每一有效异常区段编码为包含异常类型、首次异常时间点和持续时间的异常事件,并按照首次异常时间点排序,得到候选异常传播序列;计算候选异常传播序列中相邻异常事件首次异常时间点的差值,作为传播时间间隔,并根据正向时间滞后、传播时间上限及最小持续时长判断有效传播连接;当同一运行周期内存在至少两次连续有效传播连接时,将对应异常事件链按照异常类型、首次异常时间点和持续时间编码为有效异常传播序列。

9、作为本发明所述的基于多源数据融合的升降机故障预测方法的一种优选方案,其中:所述依据匹配结果输出对应故障等级信息包括,构建预设故障传播模式库;所述模式库包括多个预设故障传播模式,每一模式对应一种故障类型;所述预设故障传播模式包括异常类型组合、异常出现顺序、相邻异常事件之间的最小和最大允许传播时间间隔以及各异常事件的最小持续时间要求;通过对有效异常传播序列中的每一个异常事件进行字段映射和顺序重构,转换为标准化实际传播序列;将标准化实际传播序列与预设故障传播模式进行顺序对齐,以类型一致的事件数量与模式事件数量的比值计算类型顺序匹配率;判断各异常事件的实际传播时间间隔是否落入对应允许传播时间间隔范围,并判断持续时间是否不小于最小持续时间要求,以满足项数量占总约束项数量的比例计算时间匹配率;按照类型顺序匹配率与时间匹配率的加权求和计算综合匹配得分,并根据完全匹配阈值和预警匹配阈值输出故障类型、预警信息或正常状态;根据有效异常传播序列中的异常事件数量、各类异常评分均值及异常事件持续时间均值的加权求和计算故障严重度指标,并输出对应故障等级信息。

10、作为本发明所述的基于多源数据融合的升降机故障预测系统的一种优选方案,其中:包括多源数据采集模块,融合特征构建模块,工况偏置削弱模块,故障敏感特征提取模块,异常传播序列构建模块,故障匹配输出模块;所述多源数据采集模块用于采集升降机运行过程中的多源运行数据;所述融合特征构建模块用于对多源运行数据执行统一时间对齐处理和工况分段特征提取处理,形成多源融合特征向量;所述工况偏置削弱模块用于基于多源融合特征向量识别运行工况引起的工况相关特征并执行削弱处理,构建去工况偏置的状态表示;所述故障敏感特征提取模块用于基于去工况偏置的状态表示提取表征异常运行行为的故障敏感特征集合;所述异常传播序列构建模块用于将故障敏感特征集合中的窗口级异常判定结果转换为异常事件,根据异常事件之间的先后顺序和时间间隔构建异常传播序列;所述故障匹配输出模块用于将异常传播序列与预设故障传播模式库进行匹配,依据匹配结果输出对应故障等级信息。

11、一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序是实现基于多源数据融合的升降机故障预测方法的步骤。

12、一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现基于多源数据融合的升降机故障预测方法的步骤。

13、本发明的有益效果:通过按照运行阶段构建多源融合特征,将电机负载、机械振动和运动状态从原始采样数据转化为具有阶段物理含义的周期级特征,能够减少启动冲击、稳定运行波动和制动衰减被混合判断造成的误差。通过构建工况描述量并识别工况相关特征,将由速度、载荷、行程和周期时长引起的可重复变化从状态表示中削弱,使故障判断更多依赖无法由正常工况解释的残差异常,降低重载、短行程或速度变化造成的误报。通过把窗口级异常进一步转换为异常事件和异常传播序列,并与包含类型顺序和时间约束的故障传播模式库匹配,使故障预测能够利用异常在电机侧、机械侧和运动侧之间的先后关系,而不是仅依赖单点阈值或孤立评分,从而提高早期故障识别、故障类型区分和故障等级输出的一致性。