一种刮板输送机链条工况监测方法

本发明属于刮板输送机监测，尤其涉及一种刮板输送机链条工况监测方法。

背景技术：

1、刮板输送机是煤矿生产中常用的运输设备，其安全可靠地运行直接关系着矿井的安全高效生产。链条作为刮板输送机的重要组成部分，其运行的稳定性对整个输送机的运行有着重要影响。因此，对刮板输送机链条的工况进行监测至关重要。现有的工况监测方法中一般通过相关的传感设备进行一定物理量的采集，通过解析物理量来反映对应的工况，但是物理量采集的较为单一无法全面的反映工况，同时无法对链条的剩余寿命进行有效预测。

技术实现思路

1、为解决上述技术问题，本发明提出了一种刮板输送机链条工况监测方法，以解决上述现有技术存在的问题。

2、为实现上述目的，本发明提供了一种刮板输送机链条工况监测方法，包括：

3、获取历史监测数据，历史监测数据包括环境数据和链条数据，对历史监测数据添加标签，其中标签包括对应工况和剩余寿命，构建监测模型，其中监测模型采用深度学习模型，对历史监测数据及标签进行数据扩增，得到扩增数据，通过扩增数据对深度学习模型进行优化，得到预优化模型，通过历史监测数据及标签对预优化模型进行训练，生成最终监测模型；获取当前监测数据，通过最终监测模型对当前检测数据进行预测，得到刮板输送机链条的当前工况和剩余寿命。

4、可选的，所述历史监测数据中的环境数据包括温湿度数据及ph值数据，所述链条数据包括张力数据及振动数据。

5、可选的，所述深度学习模型为cnn-lstm网络模型，所述深度学习模型的输入为固定时间下的监测数据和当前时刻下的当前工况和剩余寿命。

6、可选的，所述深度学习模型包括依次连接的输入层、四个卷积层、两个lstm单元、注意力机制、全连接层和输出层。

7、可选的，通过生成网络对所述历史监测数据及标签进行数据扩增，其中生成网络采用变分自编码器，其中所述变分自编码器采用编码器-解码器结构，通过历史监测数据及标签对变分自编码器进行训练，通过训练好的解码器进行数据扩增。

8、可选的，采用优化算法通过扩增数据对深度学习模型进行优化，其中所述优化算法采用飞蛾扑火算法，其中优化算法的优化对象为深度学习模型的模型参数，目标为深度学习模型的损失函数最小化。

9、可选的，采用五折交叉验证法通过历史监测数据及标签对预优化模型进行训练及测试。

10、与现有技术相比，本发明具有如下优点和技术效果：

11、本发明通过相关的设备或者器件采集刮板输送机链条的历史监测数据，其中历史监测数据包括环境数据和链条数据，通过环境数据和链条数据作为数据基础能够有效的拟合得到工况和剩余寿命，深度学习模型采用cmm-lstm模型，能够有效处理对应的时序数据，通过对历史监测数据及标签进行数据扩增，来生成具有小样本特征的数据集，增加小样本特征的数据量，为后续的模型训练提供大量的数据基础，通过优化算法对深度学习模型进行优化，减少过拟合风险，提升模型的泛化和预测能力；本发明最终生成的最终监测模型能够对当前检测数据进行预测，有效准确的得到刮板输送机链条的当前工况和剩余寿命，具有较强的实用性。

1.一种刮板输送机链条工况监测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，

3.根据权利要求1所述的方法，其特征在于，

4.根据权利要求3所述的方法，其特征在于，

5.根据权利要求1所述的方法，其特征在于，

6.根据权利要求1所述的方法，其特征在于，

7.根据权利要求1所述的方法，其特征在于，