基于多维感知和人工智能算法的干熄焦提升机减速机状态在线监测系统

01研究背景当今工业生产中，设备故障频繁发生，在制造业领域特别突出。一旦设备出现故障，除了导致生产中断和损失外，还需要消耗大量资源和人力进行维修。干熄焦提升机减速机是干熄焦生产的关键设备，其故障检测方法目前仅依靠人工巡检，对设备进行定期维护，这种方式存在着时间上的延迟，效率低下，出现异常不能及时发现，对保证设备长时间平稳运行不利。同时，该设备运行在高温高粉尘的恶劣环境中，加剧了设备寿命缩短、维修成本增加的问题。因此，企业急需一套用于提升机减速机状态在线监测的方案，通过采集和监测提升机的各类传感器数据实现异常行为和潜在的故障信号的识别，以实现对设备运行状态的实时监测、故障诊断和预测性维护。基于多维感知和人工智能算法的智能监测系统，可以实现干熄焦提升机减速机故障的在线检测，有利于提高企业管理效率、降低成本，保障安全连续生产，避免“过剩维修”，减少维修时间和人员劳动强度，并优化备件库存，同时，可有效消除信息孤岛，推进设备专业化管理和智能工厂建设。如图1所示，新提升机减速机在投入运行初期，整体处于磨损阶段，磨损速度较快，容易出现磨合期故障，此阶段持续约3个月。充分磨合后进入长期正常磨损阶段，磨损量较小，与工作时间、负荷和设备牢固程度有关，此阶段持续2~3年。当工作条件受损或使用时间过长，可能进入剧烈磨损阶段，磨损增长迅速，可能导致性能下降，频繁故障。图1

提升机磨损指数示意图传统设备维护依赖人工巡检和定期更换部件，存在问题发现滞后和高昂成本。这时候需要一种长期监控的算法识别设备剧烈磨损转折点，如图2所示，及时提醒维护人员更换磨损部件，实现智能化预测性维护。维护人员只需进行在线巡检，算法即时推送设备事件，显著减少设备故障造成的损失。图2

提升机维护磨损度变化示意图深度学习中的卷积神经网络（CNN）和循环神经网络（RNN）等结构在图像和序列数据处理中取得了显著的成功，说明了神经网络在从数据中提取高维度多维特征方面的优越性。而提升机在运行中产生的信号不仅包括声音，还包括振动和转速等多维数据。这些多维数据蕴含着丰富的设备运行状态信息，使用大量的数据训练深度网络能够提取出一些不同维度的抽象特征。抽象提取出设备的生命周期相关的高维特征。为此，文章针对干熄焦提升机减速机的各类故障，建立了时效性、预测性、准确性的多类型故障识别预测模型，并针对问题特点提出了基于分类与预测的时空神经网络（CNN+LSTM）算法，既空间卷积识别与时序LSTM预测的预测性维护算法。02研究方法为解决上述问题，文章提出了一种基于多维感知和神经网络的人工智能算法，用于实时识别提升机减速机设备的瞬时故障并监测提升机减速机的生命周期。如图3所示，该方法通过提取和识别提升机减速机的多维融合数据（包括转速、振动、噪声等物理数据），结合卷积神经网络（CNN）和长短期记忆神经网络（LSTM）算法，实现对设备运行状态的实时监测、故障诊断和预测性维护。为了实现提升机减速机状态在线监测，边缘采集端采集声音和振动等信号。声音信号包含24个关键声学特征，如摩擦松动、功率等；振动信号包含15个关键振动特征，如振幅、有效值等。集成了传统的频谱分析功能和智能趋势分析，可在设备故障时定位到特定零部件。在边缘端采用智能算法对原始数据进行处理，包括降噪、滤波等，然后过滤与目标特征无关的特征变量，最后回传提取的特征至中心服务器的神经网络算法部分识别。(a)特征提取器工作原理示意图

(b)神经网络识别示意图图3

边缘计算流程示意图在声振识别中，常见的做法是引用声纹识别和一些信号处理的方式分析。而人工智能方法最初应用于声纹识别时，通常是用全连接网络构建分类器；而后根据声音的时序性提出长短期记忆（longshorttermmemory，LSTM）识别声音信号时序特征的识别方法；随着一些新的网络模型的提出，有学者提出卷积神经网络（convolutionalnerualnetwork，CNN）、视觉几何组网络（visualgeometrygroupnetwork，VGGNet）、残差网络（residualnetwork,ResNet）、Alex网络（Alexnetwork）等模型网络在声纹识别的应用。可见大多数的方法只关注了信号中时序特征或者空间特征，而忽略信号本身的多维特性。与现有常见的识别算法不同的是，本算法采用了卷积层和池化层提取振动特征后再使用时序神经网络识别。03研究结果文章通过独立收集的工业数据集进行网络的预训练，并在提升机数据集上进行微调。最终网络在验证集上达到了95.3%的识别准确率，相比传统的ResNet和AlexNet等网络有明显的优势。

04研究结论针对干熄焦提升减速机设备传统维护存在的时间延迟和效率低下等难题，创新性地提出了基于多维感知和人工智能算法的解决方案。通过构建CNN和LSTM深度神经网络的状态和健康度识别模型，实现设备故障预测和预防的高精度和高效率，全面满足了设备的监测、诊断和预测性维护需求。该方法在振动信号和声学信号的识别精度上显著超越传统机器学习方法，为解决工业场景的维护问题提供了有效手段，为工业设备的安全稳定运行提供了重要支持。在实际应用和推广过程