【技術實現步驟摘要】
本專利技術涉及安全工程，尤其涉及一種主通風機狀態參數預警方法、系統、介質及設備。
技術介紹
1、在礦用主通風機健康評估系統中，高精度狀態預測與及時故障預警是保障煤礦安全生產的關鍵。多元狀態估計技術(mset)因其出色的非線性預測能力和高泛化性能，成為這一領域的重要技術手段。多元狀態估計技術(mset)是由阿爾貢國家實驗室(argonnenationallaboratory)開發的一種先進的非線性多元預測與診斷技術。該技術旨在探索設備在正常運行工況下的健康數據與實際運行監測數據之間的內在聯系，根據關聯程度評估設備的實際運行狀況。
2、mset算法利用正常運行狀態下的數據構建記憶矩陣，如果設備運行正常，模型輸出的預測值將與實測值接近，二者殘差較小。相反，如果設備運行異常，模型輸出的預測值與實測值差異顯著，即殘差較大。通過比較殘差與給定閾值的大小即可對設備的運行狀態進行準確評估。在實踐中，mset算法由于其廣泛的適用性和較低的計算復雜度，已成功應用于多個領域的設備狀態檢測，包括核電站、風電機組、航空航天等。
3、記憶矩陣是mset算法的關鍵，針對傳統的固定記憶矩陣不能有效利用歷史數據，當前研究對記憶矩陣的構建通常是在離線階段進行，使用上述兩類方法從訓練樣本中提取一部分數據構成固定記憶矩陣，這種方法雖然簡便，但對數據的利用率相對較低。從海量的正常歷史數據提取數據構成的固定記憶矩陣，受限于模型計算復雜度，記憶矩陣的規模較原始歷史數據會有明顯的縮減，這意味著會有大量的數據被永久舍棄。若構造方法未能提取關鍵信息納入記憶
技術實現思路
1、為了克服上述現有技術中對于數據不能有效全面處理，無法提高預測精度的缺點，本專利技術的主要目的在于提供一種主通風機狀態參數預警方法、系統、介質及設備。
2、為達到上述目的，本專利技術采用以下技術方案，一種主通風機狀態參數預警方法，包括：
3、獲取礦用主通風機設備正常運行狀態下的溫度參數、電氣參數、振動參數以及風機性能參數，并進行處理得到降維后的特征數據，劃分為訓練集與驗證集；
4、采集礦用主通風機的實時狀態的溫度參數、電氣參數、振動參數以及風機性能參數，并通過多種相同特征提取，獲得觀測向量；
5、引入間隔抽樣對k近鄰的動態mset算法進行改進，獲得改進k近鄰的動態mset算法，利用訓練集和驗證集對所述改進k近鄰的動態mset算法進行訓練和驗證；
6、通過改進k近鄰的動態mset算法從實時狀態數據獲取符合設定條件的狀態數據，并基于符合設定條件的狀態數據構建動態記憶矩陣；
7、將觀測向量與動態記憶矩陣輸入動態mset算法，獲得預測向量；
8、對比預測向量與觀測向量得到殘差，利用指數加權移動平均值對殘差進行平滑處理，獲得平均殘差值，若平均殘差值大于參數預警閾值，則發出預警信號。
9、所述通過礦用主通風機的監控與數據采集控制系統獲取設備正常運行狀態下的檢測數據，得到降維后的特征數據并進行處理，包括以下步驟：
10、設備正常運行狀態下，通過礦用主通風機的監控與數據采集控制系統采集設備運行狀態的實時檢測數據；
11、對實時檢測進行標準化處理以及通過主成分分析法進行特征降維。
12、所述溫度參數，包括電機定子溫度與軸承溫度；
13、所述電氣參數，包括電機三相電壓、兩相電流與有功功率；
14、所述振動參數，包括電機水平振動與垂直振動；
15、所述風機性能參數，至少包括風壓、流量與靜壓效率。
16、所述引入間隔抽樣對k近鄰的動態mset算法進行改進，獲得改進k近鄰的動態mset算法，包括以下步驟：
17、對數據進行預處理后，計算所有數據點之間的距離，利用最小生成橢圓樹算法構建動態mset算法，其中每個數據點連接到k個最近的鄰居，形成一個動態更新的橢圓樹結構；
18、確認間隔抽樣類型，并對數據進行間隔抽樣，獲得抽樣子集，對抽樣子集應用動態mset算法，構建關于間隔抽樣的動態mset模型；
19、在抽樣子集中進行k近鄰搜索同時利用關于間隔抽樣的動態mset模型，得到k近鄰距離，形成一個動態更新的抽樣子集的橢圓樹結構，進而獲得改進k近鄰的動態mset算法。
20、所述通過改進k近鄰的動態mset算法從實時狀態數據獲取符合設定條件的狀態數據，并基于符合設定條件的狀態數據構建動態記憶矩陣，包括以下步驟：
21、獲取觀測向量與訓練集中每個數據點的歐氏距離；
22、根據歐式距離對訓練集進行升序排序；
23、選擇排列后訓練樣本的前k條訓練樣本作為記憶矩陣d1，將選擇后剩余的升序訓練樣本按照抽樣間隔提取出m條訓練樣本作為記憶矩陣d2；
24、將所述記憶矩陣d1與記憶矩陣d2合并，獲得動態記憶矩陣。
25、一種基于mset的狀態參數預警系統，包括：
26、數據采集模塊，用于通過礦用主通風機的監控與數據采集控制系統獲取設備正常運行狀態下的檢測數據，得到降維后的特征數據并進行處理，并劃分為訓練集與驗證集；
27、數據處理模塊，用于采集礦用主通風機的實時狀態檢測數據，并通過多種相同特征提取，獲得觀測向量；引入間隔抽樣對k近鄰的動態mset算法進行改進，獲得改進k近鄰的動態mset算法；通過改進k近鄰的動態mset算法從實時狀態數據獲取符合設定條件的狀態數據，并基于符合設定條件的狀態數據構建動態記憶矩陣；將觀測向量與動態記憶矩陣輸入動態mset算法，獲得預測向量；
28、預警處理模塊，用于對比預測向量與觀測向量得到殘差，利用指數加權移動平均值對殘差進行平滑處理，獲得平均殘差值，若是平均殘差值大于參數預警閾值，則發出預警信號。
29、與現有技術相比較，本專利技術的有益效果為：通過實時監測和數據分析，能夠及時發現主通風機狀態異常的跡象，避免因未預料到的故障而造成設備停機和生產中斷。充分利用礦用主通風機scada系統歸檔的大量歷史數據，提高歸檔數據的利用率；使用改進k近鄰動態多元狀態估計技術實現對主通風機異常狀態的及時精準預警，預警能力得到顯著提高；借助指數加權移動平均處理方法平滑殘差，提高模型對主通風機異常的響應速度，能夠更快發現主通風機異常。通過結合實時數據采集、高效的數據處理和預測分析技術，有效地提升了主通風機運行狀態監測和預警的能力，對礦用設備的安全性和穩定運行起到了關鍵作用。
本文檔來自技高網...【技術保護點】
1.一種主通風機狀態參數預警方法，其特征在于，包括以下步驟：
2.如權利要求1所述的主通風機狀態參數預警方法，其特征在于，所述通過礦用主通風機的監控與數據采集控制系統獲取設備正常運行狀態下的檢測數據，得到降維后的特征數據并進行處理，包括以下步驟：
3.如權利要求1所述的主通風機狀態參數預警方法，其特征在于，所述溫度參數，包括電機定子溫度與軸承溫度；
4.如權利要求1所述的主通風機狀態參數預警方法，其特征在于，所述引入間隔抽樣對K近鄰的動態MSET算法進行改進，獲得改進K近鄰的動態MSET算法，包括以下步驟：
5.如權利要求1所述的主通風機狀態參數預警方法，其特征在于，所述通過改進K近鄰的動態MSET算法從實時狀態數據獲取符合設定條件的狀態數據，并基于符合設定條件的狀態數據構建動態記憶矩陣，包括以下步驟：
6.一種基于MSET的狀態參數預警系統，其特征在于，包括：
7.一種計算機可讀存儲介質，其特征在于，所述存儲介質存儲有計算機程序，所述計算機程序被處理器執行時實現上述權利要求1～5任一項所述的方法。
<...【技術特征摘要】
1.一種主通風機狀態參數預警方法，其特征在于，包括以下步驟：
2.如權利要求1所述的主通風機狀態參數預警方法，其特征在于，所述通過礦用主通風機的監控與數據采集控制系統獲取設備正常運行狀態下的檢測數據，得到降維后的特征數據并進行處理，包括以下步驟：
3.如權利要求1所述的主通風機狀態參數預警方法，其特征在于，所述溫度參數，包括電機定子溫度與軸承溫度；
4.如權利要求1所述的主通風機狀態參數預警方法，其特征在于，所述引入間隔抽樣對k近鄰的動態mset算法進行改進，獲得改進k近鄰的動態mset算法，包括以下步驟：
5.如權利要求1所述...
【專利技術屬性】
技術研發人員：王啟立，孫維祺，馬堃勝，岳嵐軒，寧顯柱，費圣城，嚴勝，
申請(專利權)人：中國礦業大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。