一种除铁器传送带滚筒故障识别方法及系统

摘要

本申请实施例公开了一种除铁器传送带滚筒故障识别方法及系统。属于数据识别技术领域。获取除铁器滚筒轴承对应的振动信号，基于时间顺序对振动信号进行排序，以得到振动信号待测数据集；基于振动信号待测数据集与获取振动信号的时间，确定除铁器传送带滚筒的运行时长；对振动信号待测数据集中的振动信号进行梅尔频谱特征提取，将获取到的特征数据与预置矩阵进行转置处理，并基于转置处理后的结果得到特征数据对应的权重系数；基于梅尔频谱特征与特征数据分配权重系数，得到除铁器传送带滚筒对应的参考故障数据，并基于参考故障数据、除铁器传送带滚筒的运行时长以及预置故障检测模型对应的权重，得到除铁器传送带滚筒对应的最终故障数据。

权利要求

1.一种除铁器传送带滚筒故障识别方法，其特征在于，所述方法包括：

通过设置于除铁器滚筒轴承上的振动加速度传感器，获取所述除铁器滚筒轴承对应的振动信号，基于时间顺序对所述振动信号进行排序，以得到振动信号待测数据集；

基于所述振动信号待测数据集与获取所述振动信号的时间，确定除铁器传送带滚筒的运行时长；

对所述振动信号待测数据集中的振动信号进行梅尔频谱特征提取，将获取到的所述振动信号对应的特征数据与预置矩阵进行转置处理，并基于转置处理后的结果得到所述特征数据对应的权重系数；其中，所述预置矩阵中的数据与所述除铁器传送带滚筒的故障信息相关；

基于所述梅尔频谱特征与所述特征数据对应的权重系数，得到所述除铁器传送带滚筒对应的参考故障数据，并基于所述参考故障数据、所述除铁器传送带滚筒的运行时长以及预置故障检测模型对应的权重，得到所述除铁器传送带滚筒对应的最终故障数据。

2.根据权利要求1所述的一种除铁器传送带滚筒故障识别方法，其特征在于，所述基于所述振动信号待测数据集与获取所述振动信号的时间，确定除铁器传送带滚筒的运行时长之前，所述方法还包括：基于小波变换对预先采集的第一振动信号样本数据集进行信号重构，并对重构后的振动信号样本采取滑移窗分割方法进行数据增强，以得到第二振动信号样本数据集；

基于所述第二振动信号样本数据集与所述第一振动信号样本数据集之间的相似值，将所述第一振动信号样本数据集与第二振动信号样本数据集划分为多个集合。

3.根据权利要求2所述的一种除铁器传送带滚筒故障识别方法，其特征在于，所述基于小波变换对预先采集的第一振动信号样本数据集进行信号重构，并对重构后的振动信号样本采取滑移窗分割方法进行数据增强，以得到第二振动信号样本数据集，具体包括：通过预置小波基与预置分解尺度，对所述振动信号进行分解，并通过通用阈值对分解后的小波系数进行阈值处理；

基于近似系数与细节系数对所述振动信号进行小波变换，以对所述振动信号进行重构；

基于固定长度的窗口在重构后的振动信号波形数据上进行滑动；

基于重构后的振动信号波形数据的长度、单个数据长度以及滑动步长得到所述第二振动信号样本数据集所对应的数据数量。

4.根据权利要求2所述的一种除铁器传送带滚筒故障识别方法，其特征在于，所述基于所述第二振动信号样本数据集与所述第一振动信号样本数据集之间的相似值，将所述第一振动信号样本数据集与第二振动信号样本数据集划分为多个集合，具体包括：对所述第一振动信号样本数据集中的待测信号数据，与所述第二振动信号样本数据集中的数据进行时间信息比对；

选取时间差值最小的若干个所述第二振动信号样本数据集中的数据，作为所述第一振动信号样本数据集中待测信号数据的相邻数据；

将所述相邻数据与所述第一振动信号样本数据集中的待测信号数据划分至同一集合，以基于不同的集合数据构建除铁器传送带滚筒的运行时长预测模型。

5.根据权利要求1所述的一种除铁器传送带滚筒故障识别方法，其特征在于，所述对所述振动信号待测数据集中的振动信号进行梅尔频谱特征提取，具体包括：将所述振动信号待测数据集中的振动信号对应的梅尔频谱特征的能量谱，与梅尔频谱滤波器组进行卷积处理，得到所述振动信号对应的梅尔频谱特征的对数能量，以根据所述对数能量生成振动信号对应的对数频谱；

通过离散余弦变换确定所述振动信号对应的对数频谱的梅尔频率倒频系数，将所述梅尔频率倒频系数进行一阶差分变换，得到所述振动信号对应的一阶差分特征参数；

将所述梅尔频率倒频系数进行二阶差分变换，得到所述振动信号对应的二阶差分特征参数；

根据所述振动信号对应的一阶差分特征参数的第一权重值，以及所述振动信号对应的二阶差分特征参数的第二权重值，对所述振动信号对应的一阶差分特征参数与二阶差分特征参数进行组合，以得到所述振动信号对应的特征数据。

6.根据权利要求1所述的一种除铁器传送带滚筒故障识别方法，其特征在于，所述将获取到的所述振动信号对应的特征数据与预置矩阵进行转置处理，并基于转置处理后的结果得到所述特征数据对应的权重系数，具体包括：基于预置第一矩阵与所述特征数据进行第一计算，得到第一数据；以及基于预置第二矩阵与所述特征数据进行第二计算，得到第二数据；以及基于预置第三矩阵与所述特征数据进行第三计算，得到第三数据；

将所述第一数据与所述第二数据进行转置处理，并基于转置处理后得到的数据与矩阵维度，得到参考矩阵；

将所述参考矩阵与所述第三数据进行乘积计算，以得到第四数据；

将所述第四数据输入预置特征数据分配模型，基于所述预置特征数据分配模型所对应的一层全连接层的参数矩阵和偏置，得到所述特征数据对应的权重系数。

7.根据权利要求6所述的一种除铁器传送带滚筒故障识别方法，其特征在于，所述将所述第一数据与所述第二数据进行转置处理，并基于转置处理后得到的数据与矩阵维度，得到参考矩阵，具体包括：基于函数

得到所述参考矩阵；

其中，为所述参考矩阵， 为所述预置第一矩阵， 为所述预置第二矩阵， 为所述特征数据， 为转置处理，为矩阵维度， 为所述第一数据， 为所述第二数据。

8.根据权利要求1所述的一种除铁器传送带滚筒故障识别方法，其特征在于，所述得到振动信号待测数据集之后，所述方法还包括：确定获取所述振动信号待测数据集中振动信号的时间，基于时间先后顺序，对获取到的所述振动信号进行排列；

基于获取所述振动信号的时间，确定所述除铁器传送带滚筒的运行时长；

在振动信号存储数据库中，查询与所述运行时长相对应的预置参考振动信号；其中，所述预置参考振动信号为所述除铁器传送带滚筒正常运行状态下所对应的振动信号；

将排序后的所述振动信号，与所述预置参考振动信号进行比对；

基于比对结果，确定出所述振动信号中的正常信号，并将所述正常信号进行剔除，以获取故障信号。

9.据权利要求1所述的一种除铁器传送带滚筒故障识别方法，其特征在于，所述基于所述梅尔频谱特征与所述特征数据对应的权重系数，得到所述除铁器传送带滚筒对应的参考故障数据，并基于所述参考故障数据、所述除铁器传送带滚筒的运行时长以及预置故障检测模型对应的权重，得到所述除铁器传送带滚筒对应的最终故障数据，具体包括：将所述梅尔频谱特征输入第一预置滚筒故障检测模型，以通过所述第一预置滚筒故障检测模型输出所述除铁器传送带滚筒对应的第一故障数据；

将所述梅尔频谱特征与所述特征数据对应的权重系数输入第二预置滚筒故障检测模型，以通过所述第二预置滚筒故障检测模型输出所述除铁器传送带滚筒对应的第二故障数据；

基于预置模型权重值，对所述第一故障数据与所述第二故障数据进行计算，以得到第三故障数据；

基于所述除铁器传送带滚筒预计运行时长与所述第三故障数据，得到所述除铁器传送带滚筒对应的最终故障数据。

10.一种除铁器传送带滚筒故障识别系统，其特征在于，所述系统包括：

振动信号待测数据集单元，通过设置于除铁器滚筒轴承上的振动加速度传感器，获取所述除铁器滚筒轴承对应的振动信号，基于时间顺序对所述振动信号进行排序，以得到振动信号待测数据集；

运行时长确定单元，基于所述振动信号待测数据集与获取所述振动信号的时间，确定除铁器传送带滚筒的运行时长；

特征提取单元，对所述振动信号待测数据集中的振动信号进行梅尔频谱特征提取，将获取到的所述振动信号对应的特征数据与预置矩阵进行转置处理，并基于转置处理后的结果得到所述特征数据对应的权重系数；其中，所述预置矩阵中的数据与所述除铁器传送带滚筒的故障信息相关；

故障数据确定单元，基于所述梅尔频谱特征与所述特征数据对应的权重系数，得到所述除铁器传送带滚筒对应的参考故障数据，并基于所述参考故障数据、所述除铁器传送带滚筒的运行时长以及预置故障检测模型对应的权重，得到所述除铁器传送带滚筒对应的最终故障数据。

说明书

一种除铁器传送带滚筒故障识别方法及系统

技术领域

[0001] 本申请涉及数据识别技术领域，尤其涉及一种除铁器传送带滚筒故障识别方法及系统。

背景技术

[0002] 除铁器是一种能产生强大磁场吸引力的设备，它能够将混杂在物料中铁磁性杂质有效清除。当前的除铁器一般由永磁磁芯、弃铁输送带、减速电机、框架、滚筒等部分组成，配合带式输送机使用，被广泛用于矿山、选煤厂、港口等场合。

[0003] 除铁器设备中滚筒作为其核心零部件，长时负载过程中，滚筒容易产生不同故障导致整体运输传动产生停滞，以致无法及时完成除铁任务。且滚筒故障在未发生严重损坏前无明显征兆，难以诊断。目前，工业设备技术越来越发达，伴随的工况也更加复杂，对大多数故障识别方法来说难度也逐渐增加。

[0004] 现有技术中基于获取到的滚筒的振动信号对滚筒运行状态进行检测时，由于振动信号的信噪比较小，且设备运行时的环境噪声较大，导致采集到的故障特征并不明显，容易造成故障识别精确度较低的问题。

发明内容

[0005] 本申请实施例提供了一种除铁器传送带滚筒故障识别方法及系统，用于解决如下技术问题：现有技术中基于获取到的滚筒的振动信号对滚筒运行状态进行检测时，由于振动信号的信噪比较小，且设备运行时的环境噪声较大，导致采集到的故障特征并不明显，容易造成故障识别精确度较低的问题。

[0006] 本申请实施例采用下述技术方案：

[0007] 本申请实施例提供一种除铁器传送带滚筒故障识别方法。包括，通过设置于除铁器滚筒轴承上的振动加速度传感器，获取除铁器滚筒轴承对应的振动信号，基于时间顺序对振动信号进行排序，以得到振动信号待测数据集；基于振动信号待测数据集与获取振动信号的时间，确定除铁器传送带滚筒的运行时长；对振动信号待测数据集中的振动信号进行梅尔频谱特征提取，将获取到的振动信号对应的特征数据与预置多个矩阵进行转置处理，并基于转置处理后的结果得到特征数据对应的权重系数；其中，预置矩阵中的数据与除铁器传送带滚筒的故障信息相关；基于梅尔频谱特征与特征数据对应的权重系数，得到除铁器传送带滚筒对应的参考故障数据，并基于参考故障数据、除铁器传送带滚筒的运行时长以及预置故障检测模型对应的权重，得到除铁器传送带滚筒对应的最终故障数据。

[0008] 本申请实施例通过振动信号待测数据集与获取所述振动信号的时间，确定除铁器传送带滚筒的运行时长，能够对当前除铁器滚筒的运行状态进行检测，若运行时长较短，则说明当前滚筒出现了故障。并可以根据运行时长的长短确定出当前故障严重情况。其次，本申请实施例通过对待测数据集中的振动信号进行梅尔频谱特征提取，能够降低环境噪音对振动信号的影响，使提取到的故障特征更为明显，通过获取特征数据对应的权重系数，能够进一步提高故障检测的准确性。

[0009] 在本申请的一种实现方式中，基于振动信号待测数据集与获取振动信号的时间，确定除铁器传送带滚筒的运行时长之前，方法还包括：基于小波变换对预先采集的第一振动信号样本数据集进行信号重构，并对重构后的振动信号样本采取滑移窗分割方法进行数据增强，以得到第二振动信号样本数据集；基于第二振动信号样本数据集与第一振动信号样本数据集之间的相似值，将第一振动信号样本数据集与第二振动信号样本数据集划分为多个集合。

[0010] 在本申请的一种实现方式中，基于小波变换对预先采集的第一振动信号样本数据集进行信号重构，并对重构后的振动信号样本采取滑移窗分割方法进行数据增强，以得到第二振动信号样本数据集，具体包括：通过预置小波基与预置分解尺度，对振动信号进行分解，并通过通用阈值对分解后的小波系数进行阈值处理；基于近似系数与细节系数对振动信号进行小波变换，以对振动信号进行重构；基于固定长度的窗口在重构后的振动信号波形数据上进行滑动；基于重构后的振动信号波形数据的长度、单个数据长度以及滑动步长得到第二振动信号样本数据集所对应的数据数量。

[0011] 在本申请的一种实现方式中，基于第二振动信号样本数据集与第一振动信号样本数据集之间的相似值，将第一振动信号样本数据集与第二振动信号样本数据集划分为多个集合，具体包括：对第一振动信号样本数据集中的待测信号数据，与第二振动信号样本数据集中的数据进行时间信息比对；选取时间差值最小的若干个第二振动信号样本数据集中的数据，作为第一振动信号样本数据集中待测信号数据的相邻数据；将相邻数据与第一振动信号样本数据集中的待测信号数据划分至同一集合，以基于不同的集合数据构建除铁器传送带滚筒的运行时长预测模型。

[0012] 在本申请的一种实现方式中，对振动信号待测数据集中的振动信号进行梅尔频谱特征提取，具体包括：将振动信号待测数据集中的振动信号对应的梅尔频谱特征的能量谱，与梅尔频谱滤波器组进行卷积处理，得到振动信号对应的梅尔频谱特征的对数能量，以根据对数能量生成振动信号对应的对数频谱；通过离散余弦变换确定振动信号对应的对数频谱的梅尔频率倒频系数，将梅尔频率倒频系数进行一阶差分变换，得到振动信号对应的一阶差分特征参数；将梅尔频率倒频系数进行二阶差分变换，得到振动信号对应的二阶差分特征参数；根据振动信号对应的一阶差分特征参数的第一权重值，以及振动信号对应的二阶差分特征参数的第二权重值，对振动信号对应的一阶差分特征参数与二阶差分特征参数进行组合，以得到振动信号对应的特征数据。

[0013] 在本申请的一种实现方式中，将获取到的振动信号对应的特征数据与预置矩阵进行转置处理，并基于转置处理后的结果得到特征数据对应的权重系数，具体包括：基于预置第一矩阵与特征数据进行第一计算，得到第一数据；以及基于预置第二矩阵与特征数据进行第二计算，得到第二数据，以及基于预置第三矩阵与特征数据进行第三计算，得到第三数据；将第一数据与第二数据进行转置处理，并基于转置处理后得到的数据与矩阵维度，得到参考矩阵；将参考矩阵与第三数据进行乘积计算，以得到第四数据；将第四数据输入预置特征数据分配模型，基于预置特征数据分配模型所对应的一层全连接层的参数矩阵和偏置，得到特征数据对应的权重系数。

[0014] 在本申请的一种实现方式中，将第一数据与第二数据进行转置处理，并基于转置处理后得到的数据与矩阵维度，得到参考矩阵，具体包括：

[0015] 基于函数

[0016]

[0017] 得到参考矩阵；其中， 为参考矩阵， 为预置第一矩阵， 为预置第二矩阵，为特征数据， 为转置处理，为矩阵维度， 为第一数据， 为第二数据。

[0018] 在本申请的一种实现方式中，得到振动信号待测数据集之后，方法还包括：确定获取振动信号待测数据集中振动信号的时间，基于时间先后顺序，对获取到的振动信号进行排列；基于获取振动信号的时间，确定除铁器传送带滚筒的运行时长；在振动信号存储数据库中，查询与运行时长相对应的预置参考振动信号；其中，预置参考振动信号为除铁器传送带滚筒正常运行状态下所对应的振动信号；将排序后的振动信号，与预置参考振动信号进行比对；基于比对结果，确定出振动信号中的正常信号，并将正常信号进行剔除，以获取故障信号。

[0019] 在本申请的一种实现方式中，基于梅尔频谱特征与特征数据对应的权重系数，得到除铁器传送带滚筒对应的参考故障数据，并基于参考故障数据、除铁器传送带滚筒的运行时长以及预置故障检测模型对应的权重，得到除铁器传送带滚筒对应的最终故障数据，具体包括：将梅尔频谱特征输入第一预置滚筒故障检测模型，以通过第一预置滚筒故障检测模型输出除铁器传送带滚筒对应的第一故障数据；将梅尔频谱特征与特征数据对应的权重系数输入第二预置滚筒故障检测模型，以通过第二预置滚筒故障检测模型输出除铁器传送带滚筒对应的第二故障数据；基于预置模型权重值，对第一故障数据与第二故障数据进行计算，以得到第三故障数据；基于除铁器传送带滚筒预计运行时长与第三故障数据，得到除铁器传送带滚筒对应的最终故障数据。

[0020] 本申请实施例提供一种除铁器传送带滚筒故障识别系统，包括：振动信号待测数据集单元，通过设置于除铁器滚筒轴承上的振动加速度传感器，获取除铁器滚筒轴承对应的振动信号，基于时间顺序对振动信号进行排序，以得到振动信号待测数据集；运行时长确定单元，基于振动信号待测数据集与获取振动信号的时间，确定除铁器传送带滚筒的运行时长；特征提取单元，对振动信号待测数据集中的振动信号分别进行梅尔频谱特征提取，将获取到的振动信号对应的特征数据与预置预置矩阵进行转置处理，并基于转置处理后的结果得到特征数据对应的权重系数；其中，预置矩阵中的数据与除铁器传送带滚筒的故障信息相关；故障数据确定单元，基于梅尔频谱特征与特征数据对应的权重系数，得到除铁器传送带滚筒对应的参考故障数据，并基于参考故障数据、除铁器传送带滚筒的运行时长以及预置故障检测模型对应的权重，得到除铁器传送带滚筒对应的最终故障数据。

[0021] 本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：本申请实施例通过振动信号待测数据集与获取所述振动信号的时间，确定除铁器传送带滚筒的运行时长，能够对当前除铁器滚筒的运行状态进行检测，若运行时长较短，则说明当前滚筒出现了故障。并可以根据运行时长的长短确定出当前故障严重情况。其次，本申请实施例通过对待测数据集中的振动信号进行梅尔频谱特征提取，能够降低环境噪音对振动信号的影响，使提取到的故障特征更为明显，通过获取特征数据对应的权重系数，能够进一步提高故障检测的准确性。

附图说明

[0022] 为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：

[0023] 图1为本申请实施例提供的一种除铁器传送带滚筒故障识别方法流程图；

[0024] 图2为本申请实施例提供的一种除铁器传送带滚筒故障识别系统的结构示意图；

[0025] 附图标记：

[0026] 200除铁器传送带滚筒故障识别系统，201振动信号待测数据集单元，202运行时长确定单元，203特征提取单元，204故障数据确定单元。

具体实施方式

[0027] 本申请实施例提供一种除铁器传送带滚筒故障识别方法及系统。

[0028] 为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

[0029] 除铁器是一种能产生强大磁场吸引力的设备，它能够将混杂在物料中铁磁性杂质有效清除。当前的除铁器一般由永磁磁芯、弃铁输送带、减速电机、框架、滚筒等部分组成，配合带式输送机使用，被广泛用于矿山、选煤厂、港口等场合。

[0030] 除铁器设备中传动滚筒作为其核心零部件，长时负载过程中，滚筒容易产生不同故障导致整体运输传动产生停滞，以致无法及时完成除铁任务。且滚筒故障在未发生严重损坏前无明显征兆，难以诊断。目前，工业设备技术越来越发达，伴随的工况也更加复杂，对大多数故障识别方法来说难度也逐渐增加。

[0031] 现有技术中基于获取到的滚筒的振动信号对滚筒运行状态进行检测时，由于振动信号的信噪比较小，且设备运行时的环境噪声较大，导致采集到的故障特征并不明显，容易造成故障识别精确度较低的问题。

[0032] 为例解决上述问题，本申请实施例提供一种除铁器传送带滚筒故障识别方法及系统。通过振动信号待测数据集与获取所述振动信号的时间，确定除铁器传送带滚筒的运行时长，能够对当前除铁器滚筒的运行状态进行检测，若运行时长较短，则说明当前滚筒出现了故障。并可以根据运行时长的长短确定出当前故障严重情况。其次，本申请实施例通过对待测数据集中的振动信号进行梅尔频谱特征提取，能够降低环境噪音对振动信号的影响，使提取到的故障特征更为明显，通过获取特征数据对应的权重系数，能够进一步提高故障检测的准确性。

[0033] 下面通过附图对本申请实施例提出的技术方案进行详细的说明。

[0034] 图1为本申请实施例提供的一种除铁器传送带滚筒故障识别方法流程图。如图1所示，除铁器传送带滚筒故障识别方法包括如下步骤：

[0035] 步骤101、通过设置于除铁器滚筒轴承上的振动加速度传感器，获取除铁器滚筒轴承对应的振动信号，基于时间顺序对振动信号进行排序，以得到振动信号待测数据集。

[0036] 在本申请的一个实施例中，在除铁器工作过程中，传送带可以将货物中吸取出的含铁杂质进行输送，以将货物中的杂质进行清除。传送带的正常运行离不开滚筒的正常运转，但滚筒长时间的运行会出现各种各样的问题，例如，滚筒出现裂纹、有异物附着在滚筒上以及滚筒老化等问题。为了确保除铁器的正常工作，需要对滚筒的运行状态进行检测，以防止滚筒故障无法及时完成除铁工作。

[0037] 具体地，本申请实施例在滚筒轴承上设置有振动加速度传感器，在滚筒运作过程中该振动加速度传感器可以实时对滚筒的振动信号进行获取，并将其上传至服务器，通过服务器将其转换为相应的振动信号波形图。

[0038] 进一步地，根据获取到滚筒振动信号的时间，对转换后的振动信号波形图进行排序。即，按照时间先后顺序将多个振动信号波形图进行排序，以得到振动信号待测数据集。通过对该振动信号待测数据集进行处理，可以对当前除铁器传送带滚筒的故障进行识别。

[0039] 步骤102、基于振动信号待测数据集与获取振动信号的时间，确定除铁器传送带滚筒的运行时长。

[0040] 在本申请的一个实施例中，基于小波变换对预先采集的第一振动信号样本数据集进行信号重构，并对重构后的振动信号样本采取滑移窗分割方法进行数据增强，以得到第二振动信号样本数据集。基于第二振动信号样本数据集与第一振动信号样本数据集之间的相似值，将第一振动信号样本数据集与第二振动信号样本数据集划分为多个集合。

[0041] 具体地，通过预置小波基与预置分解尺度，对振动信号进行分解，并通过通用阈值对分解后的小波系数进行阈值处理。基于近似系数与细节系数对振动信号进行小波变换，以对振动信号进行重构。基于固定长度的窗口在重构后的振动信号波形数据上进行滑动。基于重构后的振动信号波形数据的长度、单个数据长度以及滑动步长得到第二振动信号样本数据集所对应的数据数量。

[0042] 进一步地，在对第一振动信号样本数据集进行信号重构时，可以选择sym8作为小波基，分解尺度可以选择3层，选取通用阈值B对分解后的小波系数作阈值处理，其对应的函数公式为：

[0043]

[0044] 其中，为噪声的标准差，为信号的长度。最后将近似系数与各层细节系数进行逆小波变换，实现信号的重构，以完成小波去噪过程。

[0045] 进一步地，通过固定长度的窗口在振动信号对应的波形数据上滑动，每滑动一次形成一个新的波形片段，对得到的新的波形片段进行筛选，将无效波形剔除掉，以保证数据的有效性。其中，得到的新的波形片段的数量可以通过预置函数得到：

[0046]

[0047] 其中， 为新的波形片段的数量， 为重构后的振动信号波形数据的长度， 为单个数据长度，为滑动步长。

[0048] 在本申请的一个实施例中，对第一振动信号样本数据集中的待测信号数据，与第二振动信号样本数据集中的数据进行时间信息比对。选取时间差值最小的若干个第二振动信号样本数据集中的数据，作为第一振动信号样本数据集中待测信号数据的相邻数据。将相邻数据与第一振动信号样本数据集中的待测信号数据划分至同一集合，以基于不同的集合数据构建除铁器传送带滚筒的运行时长预测模型。

[0049] 具体地，在对第一振动信号样本数据进行样本增强时，还需要确定出增强的样本所对应的滚筒故障状态。若每一个新增样本都去一一分析，则需要较大的工作量。本申请实施例基于增强样本对应的时间，将其与第一振动信号样本数据集中的波形数据时间进行比对，将时间差值最小的若干个增强样本数据与当前比对的第一振动信号样本数据集中的波形数据划分至同一组。

[0050] 例如，假设新增样本包括波形1、波形2以及波形3，波形1与波形2的时间与第一振动信号样本数据集中的第一个波形样本的时间差值最小，则将该波形1、波形2划分与该第一个波形样本划分至同一集合中。此时，波形1与波形2对应的滚筒故障状态与该第一波形样本相同，由于相邻时间内滚筒故障状态变化较小，因此可以快速高效的将新增的样本所对应的滚筒故障状态进行识别。基于不同的集合数据构建除铁器传送带滚筒的运行时长预测模型。

[0051] 进一步地，将每个集合对应的波形数据以及该波形对应的滚筒已运行时长作为输入，将该波形数据对应的预计滚筒可运行时长作为输出，对预置第一神经网络模型进行训练，以构建除铁器传送带滚筒的运行时长预测模型。

[0052] 在本申请的一个实施例中，确定获取振动信号待测数据集中振动信号的时间，基于时间先后顺序，对获取到的振动信号进行排列。基于获取振动信号的时间，确定除铁器传送带滚筒的运行时长。在振动信号存储数据库中，查询与运行时长相对应的预置参考振动信号，其中，预置参考振动信号为除铁器传送带滚筒正常运行状态下所对应的振动信号。将排序后的振动信号，与预置参考振动信号进行比对。基于比对结果，确定出振动信号中的正常信号，并将正常信号进行剔除，以获取故障信号。

[0053] 具体地，在获取到当前除铁器滚筒对应的振动信号后，构建振动信号待测数据集，根据获取振动信号的时间，对获取到的振动信号进行排序。同时，获取滚筒开始运行的时间，以及获取接收该振动信号待测数据集中振动信号的时间，将二者进行差值计算，即可得到不同振动信号分别对应的滚筒已运行时长。

[0054] 进一步地，本申请实施例预先设置有振动信号存储数据库，该数据库中存储有多个不同的预置参考振动信号，且该预置参考振动信号均为滚筒运行不同时长时所对应的无故障情况下的振动信号。将当前获取到的振动信号待测数据集中的信号，与该振动信号存储数据库中的数据进行比对，从而确定出振动信号待测数据集中的正常信号，并将正常信号进行剔除，从而可以得到剩余的滚筒运行故障信号。

[0055] 将获取到的滚筒运行故障信号，以及该运行故障信号对应的滚筒已运行时长，输入除铁器传送带滚筒的运行时长预测模型，通过该模型可以输出滚筒在当前状态下还可以运行的时长。

[0056] 步骤103、对振动信号待测数据集中的振动信号分别进行梅尔频谱特征提取，将获取到的振动信号对应的特征数据与预置多个矩阵进行转置处理，并基于转置处理后的结果得到特征数据对应的权重系数；其中，预置矩阵中的数据与除铁器传送带滚筒的故障信息相关。

[0057] 在本申请的一个实施例中，将振动信号待测数据集中的振动信号对应的梅尔频谱特征的能量谱，与梅尔频谱滤波器组进行卷积处理，得到振动信号对应的梅尔频谱特征的对数能量，以根据对数能量生成振动信号对应的对数频谱。通过离散余弦变换确定振动信号对应的对数频谱的梅尔频率倒频系数，将梅尔频率倒频系数进行一阶差分变换，得到振动信号对应的一阶差分特征参数。将梅尔频率倒频系数进行二阶差分变换，得到振动信号对应的二阶差分特征参数。根据振动信号对应的一阶差分特征参数的第一权重值，以及振动信号对应的二阶差分特征参数的第二权重值，对振动信号对应的一阶差分特征参数与二阶差分特征参数进行组合，以得到振动信号对应的特征数据。

[0058] 具体地，将获取到的每一帧振动信号待测数据集中的振动信号进行预处理，生成时域信号，其次，对每一帧振动信号待测数据集中的振动信号通过快速傅里叶变换或离散傅里叶变换处理得到线性频谱。将线性频谱输入梅尔频谱滤波器组进行滤波，生成梅尔频谱特征。

[0059] 进一步地，对振动信号待测数据集中振动信号的频谱取模平方得到振动信号的能量谱，将能量谱与梅尔频谱滤波器组组作卷积，取对数能量，根据该对数能量即可得振动信号待测数据集中的振动信号对应的对数频谱。

[0060] 对振动信号待测数据集中振动信号对应的对数频谱进行离散余弦变换，经过离散余弦变换即可获得梅尔频率倒谱系数。对梅尔频率倒谱系数进行一阶差分变换，得到一阶差分，对梅尔频率倒谱系数进行二阶差分变换，得到二阶差分，根据一阶差分与二阶差分，可以得到待测数据集中的振动信号分别对应的一阶差分特征参数与二阶差分特征参数。

[0061] 进一步地，基于第一权重值与第二权重值，对一阶差分特征参数与二阶差分特征参数进行组合。其中，第一权重值与第二权重的值的和不大于1，且第一权重值大于第二权重值。组合后的特征参数可能会存在重复的冗余数据，因此可以采用主成分分析方法对组合后的特征参数进行降维处理，并将降维后的数据作为振动信号对应的特征数据。本申请实施例通过降维处理不仅可以去除冗余数据，也可以降低计算难度，提高计算速率。

[0062] 在本申请的一个实施例中，基于预置第一矩阵与特征数据进行第一计算，得到第一数据；以及基于预置第二矩阵与特征数据进行第二计算，得到第二数据，以及基于预置第三矩阵与特征数据进行第三计算，得到第三数据。将第一数据与第二数据进行转置处理，并基于转置处理后得到的数据与矩阵维度，得到参考矩阵。将参考矩阵与第三数据进行乘积计算，以得到第四数据。将第四数据输入基于预置特征数据分配模型，基于预置特征数据分配模型所对应的一层全连接层的参数矩阵和偏置，得到特征数据对应的权重系数。

[0063] 具体地，根据需求标准，即根据预置除铁器滚筒故障信息，定义预置第一矩阵、预置第二矩阵 与第三预置矩阵 。将三个预置矩阵分别与该振动信号对应的特征数据进行乘积计算，以得到预置第一矩阵对应的第一数据，预置第二矩阵对应的第二数据以及第三预置矩阵对应的第三数据。

[0064] 进一步地，基于函数

[0065]

[0066] 将第一数据与第二数据进行转置处理，并基于转置处理后得到的数据与矩阵维度，得到参考矩阵；其中， 为参考矩阵， 为预置第一矩阵， 为预置第二矩阵， 为特征数据， 为转置处理，为矩阵维度， 为第一数据， 为第二数据。

[0067] 进一步地，将得到的参考矩阵与第三数据再次进行乘积计算，即可得到第四数据。本申请实施例预先设置有预置特征数据分配模型，将该第四数据输入该预置特征数据分配模型，经过Softmax计算后得到该特征数据对应的权重系数。

[0068] 步骤104、基于梅尔频谱特征与特征数据对应的权重系数，得到除铁器传送带滚筒对应的参考故障数据，并基于参考故障数据、除铁器传送带滚筒的运行时长以及预置故障检测模型对应的权重，得到除铁器传送带滚筒对应的最终故障数据。

[0069] 在本申请的一个实施例中，将梅尔频谱特征输入第一预置滚筒故障检测模型，以通过第一预置滚筒故障检测模型输出除铁器传送带滚筒对应的第一故障数据。将梅尔频谱特征与特征数据对应的权重系数输入第二预置滚筒故障检测模型，以通过第二预置滚筒故障检测模型输出除铁器传送带滚筒对应的第二故障数据。基于预置模型权重值，对第一故障数据与第二故障数据进行计算，以得到第三故障数据。基于除铁器传送带滚筒预计运行时长与第三故障数据，得到除铁器传送带滚筒对应的最终故障数据。

[0070] 具体地，本申请实施例设有第一预置滚筒故障检测模型。将预置梅尔频谱特征样本作为输入，将该预置梅尔频谱特征样本对应的故障数据作为输出，对预置第二神经网络模型进行训练，可以得到该第一预置滚筒故障检测模型。在获取到当前除铁器滚筒对应的梅尔频谱特征后，将该梅尔频谱特征输入该第一预置滚筒故障检测模型，即可得到该除铁器传送带滚筒对应的第一故障数据。

[0071] 进一步，本申请实施例设有第二预置滚筒故障检测模型。将预置梅尔频谱特征样本、以及预置特征数据对应的权重系数作为输入，将样本数据对应的故障数据作为输出，对预置第三神经网络模型进行训练，可以得到该第二预置滚筒故障检测模型。在获取到当前除铁器滚筒对应的梅尔频谱特征以及权重系数后，将该梅尔频谱特征以及该权重系数输入该第二预置滚筒故障检测模型，即可得到该除铁器传送带滚筒对应的第二故障数据。

[0072] 将获取到的第一故障数据与第二故障数据再次进行权重计算，其中第二故障数据对应的权重值大于第一故障数据对应的权重值，将计算后得到的数据作为第三故障数据。基于获取到的第三故障数据以及该除铁器传送带滚筒预计运行时长，得到除铁器传送带滚筒对应的最终故障数据。

[0073] 图2为本申请实施例提供的一种除铁器传送带滚筒故障识别系统的结构示意图。如图2所示，除铁器传送带滚筒故障识别系统200，包括：

[0074] 振动信号待测数据集单元201，通过设置于除铁器滚筒轴承上的振动加速度传感器，获取除铁器滚筒轴承对应的振动信号，基于时间顺序对振动信号进行排序，以得到振动信号待测数据集；

[0075] 运行时长确定单元202，基于振动信号待测数据集与获取振动信号的时间，确定除铁器传送带滚筒的运行时长；

[0076] 特征提取单元203，对振动信号待测数据集中的振动信号分别进行梅尔频谱特征提取，将获取到的振动信号对应的特征数据与预置矩阵进行转置处理，并基于转置处理后的结果得到特征数据对应的权重系数；其中，预置矩阵中的数据与除铁器传送带滚筒的故障信息相关；

[0077] 故障数据确定单元204，基于梅尔频谱特征与特征数据对应的权重系数，得到除铁器传送带滚筒对应的参考故障数据，并基于参考故障数据、除铁器传送带滚筒的运行时长以及预置故障检测模型对应的权重，得到除铁器传送带滚筒对应的最终故障数据。

[0078] 此外，本申请实施例中的除铁器传送带滚筒故障识别系统，还包括样本数据预处理单元，基于小波变换对预先采集的第一振动信号样本数据集进行信号重构，并对重构后的振动信号样本采取滑移窗分割方法进行数据增强，以得到第二振动信号样本数据集；基于第二振动信号样本数据集与第一振动信号样本数据集之间的相似值，将第一振动信号样本数据集与第二振动信号样本数据集划分为多个集合。

[0079] 还包括样本增强单元，通过预置小波基与预置分解尺度，对振动信号进行分解，并通过通用阈值对分解后的小波系数进行阈值处理；基于近似系数与细节系数对振动信号进行小波变换，以对振动信号进行重构；基于固定长度的窗口在重构后的振动信号波形数据上进行滑动；基于重构后的振动信号波形数据的长度、单个数据长度以及滑动步长得到第二待测数据集所对应的数据数量。

[0080] 还包括样本集合划分单元，对第一振动信号样本数据集中的待测信号数据，与第二振动信号样本数据集中的数据进行时间信息比对；选取时间差值最小的若干个第二振动信号样本数据集中的数据，作为第一振动信号样本数据集中待测信号数据的相邻数据；将相邻数据与第一振动信号样本数据集中的待测信号数据划分至同一集合，以基于不同的集合数据构建除铁器传送带滚筒的运行时长预测模型。

[0081] 还包括特征提取单元，将振动信号待测数据集中的振动信号对应的梅尔频谱特征的能量谱，与梅尔频谱滤波器组进行卷积处理，得到振动信号对应的梅尔频谱特征的对数能量，以根据对数能量生成振动信号对应的对数频谱；通过离散余弦变换确定振动信号对应的对数频谱的梅尔频率倒频系数，将梅尔频率倒频系数进行一阶差分变换，得到振动信号对应的一阶差分特征参数；将梅尔频率倒频系数进行二阶差分变换，得到振动信号对应的二阶差分特征参数；根据振动信号对应的一阶差分特征参数的第一权重值，以及振动信号对应的二阶差分特征参数的第二权重值，对振动信号对应的一阶差分特征参数与二阶差分特征参数进行组合，以得到振动信号对应的特征数据。

[0082] 还包括权重系数分配单元，基于预置第一矩阵与特征数据进行第一计算，得到第一数据；以及基于预置第二矩阵与特征数据进行第二计算，得到第二数据，以及基于预置第三矩阵与特征数据进行第三计算，得到第三数据；将第一数据与第二数据进行转置处理，并基于转置处理后得到的数据与矩阵维度，得到参考矩阵；将参考矩阵与第三数据进行乘积计算，以得到第四数据；将第四数据输入预置特征数据分配模型，基于预置特征数据分配模型所对应的一层全连接层的参数矩阵和偏置，得到特征数据对应的权重系数。

[0083] 还包括，参考矩阵获取单元，基于函数

[0084]

[0085] 得到参考矩阵；其中， 为参考矩阵， 为预置第一矩阵， 为预置第二矩阵，为特征数据， 为转置处理，为矩阵维度， 为第一数据， 为第二数据。

[0086] 还包括故障信号获取单元，确定获取振动信号待测数据集中振动信号的时间，基于时间先后顺序，对获取到的振动信号进行排列；基于获取振动信号的时间，确定除铁器传送带滚筒的运行时长；在振动信号存储数据库中，查询与运行时长相对应的预置参考振动信号；其中，预置参考振动信号为除铁器传送带滚筒正常运行状态下所对应的振动信号；将排序后的振动信号，与预置参考振动信号进行比对；基于比对结果，确定出振动信号中的正常信号，并将正常信号进行剔除，以获取故障信号。

[0087] 还包括最终故障数据确定单元，将梅尔频谱特征输入第一预置滚筒故障检测模型，以通过第一预置滚筒故障检测模型输出除铁器传送带滚筒对应的第一故障数据；将梅尔频谱特征与特征数据对应的权重系数输入第二预置滚筒故障检测模型，以通过第二预置滚筒故障检测模型输出除铁器传送带滚筒对应的第二故障数据；基于预置模型权重值，对第一故障数据与第二故障数据进行计算，以得到第三故障数据；基于除铁器传送带滚筒预计运行时长与第三故障数据，得到除铁器传送带滚筒对应的最终故障数据。

[0088] 本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

[0089] 上述对本申请特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

[0090] 以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请的实施例可以有各种更改和变化。凡在本申请实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。