[发明专利]一种基于多源数据的针对起重机械的故障预测方法

说明书

本发明涉及一种基于多源数据的针对起重机械的故障预测方法，包括如下步骤：S1、数据采集获得多源多传感器数据；S2、将获得的多源多传感器数据处理及转换，获取多源多传感器数据的规范数据频谱图；S3、将获取的多源多传感器数据的规范数据频谱图输入基于深度学习的起重机械故障预测模型；S4、基于深度学习的起重机械故障预测模型根据输入的多源多传感器数据的规范数据频谱输出相应的故障预测结果；基于深度学习的起重机械故障预测模型是由历史多源多传感器数据和相应故障类型数据训练获得的故障预测模型。本发明提供的故障预测方法较传统的方法更加的智能化和高效化，对特种设备的安全方面有了大大的提升，同时也提高了起重机械设备等的寿命。

技术领域

本发明属于故障预测技术领域，尤其涉及一种基于多源数据的针对起重机的故障预测方法。

背景技术

质检总局关于2014年全国特种设备安全状况情况的通报，国内共发生特种设备事故283起，死亡282人，受伤330人。其中，起重机械事故起数所占化例为21.91％，死亡人数占34.75％。起重机械虽然定期检验检查检修，但是运行中的安全隐患极易导致故障的发生，从而引发事故。起重机械虽然没有切实贴近人们的日常生活，但是其相关的工作人员比较多，所以涉及人身安全、设备安全以及生产的安全，相比其他类特种设备，对起重机械的故障预测研究更具有必要性，目前通过收集国内外的文献期刊等资料，由于起重机械所具有的复杂工况及环境等众多因素，以及由于其结构的复杂程度上等原因并未发现有较多的在起重机械主要受力构件和关键零部件上的故障预测技术的解决方案。

发明内容

(一)要解决的技术问题

针对现有存在的技术问题，本发明提供一种基于多源数据的针对起重机械的故障预测方法。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案包括：

一种基于多源数据的针对起重机械的故障预测方法，包括如下步骤：

S1、数据采集获得多源多传感器数据；

S2、将获得的多源多传感器数据处理及转换，获取多源多传感器数据的规范数据频谱图；

S3、将获取的多源多传感器数据的规范数据频谱图输入基于深度学习的起重机械故障预测模型；

S4、基于深度学习的起重机械故障预测模型根据输入的多源多传感器数据的规范数据频谱输出相应的故障预测结果；

其中，所述基于深度学习的起重机械故障预测模型是由历史多源多传感器数据和相应故障类型数据训练获得的故障预测模型。

优选地，所述多源多传感器数据的来源至少包括：多传感器设备数据和安全监控管理系统运行数据的一种或多种；

所述多源多传感器数据至少包括：振动数据、重量数据、高度数据、行程数据、温度数据、电流电流数据和电压数据。

优选地，所述步骤S2中的数据处理至少包括数据预处理和数据清洗；

其中，所述数据清洗至少包括：噪声检验、噪声分离、缺失值检测和缺失值补充。

优选地，所述步骤S2中的数据转换包括如下步骤：

根据多源多传感器数据固定时间S毫秒内分块，绘成时序波，利用傅里叶变换运算分解时序波，求解各个频带的能量值，进而获取规范数据频谱图。

优选地，所述方法还包括：在步骤S1之前建立基于深度学习的起重机械故障预测模型。

优选地，所述基于深度学习的起重机械故障预测模型包括：输入层、n1卷积层、m1采样层、n2卷积层、m2采样层、全连接层和softmax输出层；

所述输入层与所述n1卷积层连接；