[发明专利]一种磨辊故障预测方法、装置、设备及其存储介质

说明书

本发明提供了一种磨辊故障预测方法、装置、设备及其存储介质，包括：根据设备使用参数指标对MSE系统数据库内的数据进行筛选，生成待处理数据集；利用分段聚合近似算法对所述待处理数据集进行降维处理，生成降维数据；调用训练好的GBDT预测模型对所述降维数据进行处理，以生成预测结果；根据所述预测结果，输出预警信号。旨在解决现有技术中的磨辊故障预测方法存在无法处理一些特殊数据、不具有普适性、在实际使用过程中输出的预测结果会出现存在误差的情况，可能导致系统无法快速做出故障预警，进而造成磨辊受损的问题。

技术领域

本发明涉及磨辊故障预测技术领域，具体涉及一种磨辊故障预测方法、装置、设备及其存储介质。

背景技术

立磨是一种理想的大型粉磨设备，广泛地应用于水泥、电力、冶金、化工、非金属矿等行业；它集破碎、干燥、粉磨、分级输送于一体，生产效率高，可将块状、颗粒状及粉状原料磨成所要求的粉状物料。磨辊作为立磨的关键部件之一，可以直接与物料接触，主要用于物料碾压粉磨，能够直接影响尾矿微粉的质量；磨辊轴承温度及磨辊压力是磨辊非常重要的参数，若两者出现异常，轻则会导致磨辊受损，重则会导致磨辊停滞，进而导致尾矿项目的停滞，使得公司经济效益受到损失。因此，近年来对磨辊故障预测得到众多尾矿公司和相关学者的广泛关注。

磨辊故障预测模型的特征变量的处理、模型的选取和故障预警值的选取都会直接影响模型预测的准确性，现有的磨辊故障预测的难点在于如何处理大量时序数据、调整模型参数和实际应用于MES系统中；当前市面上在故障预测研究方面所涉及的研究方法主要有自学习、神经网络、XGBoost等等；其中，自学习磨辊故障预测方案，虽不依赖于专家经验，但对于一些特殊部分，例如峭度和均方根却无法预测其故障；现有的SOM与小包结合，并选取EWMA控制图预测滚动直线导轨故障的方法，受实验数据的限制，不具有普适性；现有的基于RNN和VAR磨辊故障预测方案，是一种改进的循环神经网络和向量自回归的预测方法和XGBoost预测模型可以预测出磨故障，但其在实际使用过程中，输出的预测结果会出现存在误差的情况，可能导致系统无法快速做出故障预警，进而造成磨辊受损的问题。

有鉴于此，提出本申请。

发明内容

有鉴于此，本发明的目的在于提供一种磨辊故障预测方法、装置、设备及其存储介质，能够有效解决现有技术中的磨辊故障预测方法存在无法处理一些特殊数据、不具有普适性、在实际使用过程中输出的预测结果会出现存在误差的情况，可能导致系统无法快速做出故障预警，进而造成磨辊受损的问题。

本发明公开了一种磨辊故障预测方法,包括：

根据设备使用参数指标对MSE系统数据库内的数据进行筛选，生成待处理数据集；

利用分段聚合近似算法对所述待处理数据集进行降维处理，生成降维数据；

调用训练好的GBDT预测模型对所述降维数据进行处理，以生成预测结果；

根据所述预测结果，输出预警信号。

优选地，根据设备使用参数指标对MSE系统数据库内的数据进行筛选，生成待处理数据集，具体为：

根据设备使用参数指标查询MES系统数据库中设备历史数据表中的磨辊部件参数信息，并将所述磨辊部件参数信息导出，生成磨辊参数文件；

过滤掉所述磨辊参数文件内为空值的数据，生成特征变量数据，其中，所述特征变量数据包括多个轴承温度值、以及多个压力值；

对所述特征变量数据进行均值处理，并设置与所述特征变量数据相应的故障分类标识，生成待处理数据集。

优选地，对所述特征变量数据进行处理，设置与所述特征变量数据相应的故障分类标识，生成待处理数据集，具体为：

获取多个所述轴承温度值的平均值，定义所述平均值为磨辊轴承温度值；