本發明涉及工業設備監控與安全防護，具體為一種基于大數據平臺的煤機設備數據分析方法及系統。

背景技術：

1、隨著工業自動化和信息化的發展，煤機設備的監控和維護成為保障煤礦生產安全和效率的重要環節。傳統的設備監控主要依賴于定期的人工檢查和單一傳感器數據的監測。然而，隨著傳感器技術和數據采集能力的提升，煤機設備可以生成大量多源數據，包括振動、溫度、電流等多種參數。這些數據能夠提供豐富的信息，有助于更全面地了解設備的運行狀態。然而，由于傳統監控方法缺乏對多源數據的有效整合和分析能力，往往難以實時、準確地識別設備的異常狀態。這種情況導致設備故障難以及時發現和預防，增加了設備的停機時間和維修成本。

2、現有的煤機設備數據分析技術存在多個不足之處。首先，大多數方法僅限于處理單一傳感器的數據，未能充分利用多源數據的互補信息，從而無法提供全面的設備運行狀態評估。其次，現有技術在數據處理和分析過程中，通常依賴于簡單的統計分析或規則基方法，這些方法對于復雜的異常模式識別能力有限，難以應對設備在多變工況下的異常情況。此外，由于傳統數據分析方法缺乏自適應能力，無法根據設備的運行狀態變化動態調整模型參數，導致異常檢測的精度不高。此外，很多現有方法缺乏對設備運行狀態的深度學習模型應用，這使得它們在面對大量非結構化數據時顯得力不從心，無法挖掘數據中的深層次特征。因此，現有技術在設備健康狀態評估和異常檢測方面的不足，限制了其在實際應用中的有效性和廣泛應用。

3、現有煤機設備數據分析技術主要面臨數據整合不充分、異常檢測精度低、模型自適應能力差等問題。我方發明的基于大數據平臺的煤機設備數據分析方法，通過采集和預處理多源數據，提取并融合不同特征，形成統一的設備運行狀態特征集，并利用深度學習模型進行持續優化和異常檢測，有效解決了上述問題，屬于工業設備監控與安全防護技術領域。該方法不僅提高了設備狀態評估的準確性，還能及時發現潛在的設備故障，優化維護策略，從而顯著提升煤礦生產的安全性和經濟性。

技術實現思路

1、鑒于上述存在的問題，提出了本發明。

2、因此，本發明解決的技術問題是：如何充分利用煤機設備的多源數據，通過有效的數據預處理和特征提取，結合深度學習模型對設備運行狀態進行全面評估，及時檢測和識別異常狀態，優化設備的維護策略，從而提高設備故障檢測的準確性和維護效率，減少停機時間，保障煤礦生產的安全性和經濟性。

3、為解決上述技術問題，本發明提供如下技術方案：一種基于大數據平臺的煤機設備數據分析方法，包括：采集煤機設備的多源數據，并對數據進行預處理；

4、從預處理后的數據中提取特征，融合不同數據源的特征，形成統一的設備運行狀態特征集；

5、構建并訓練深度學習模型，通過持續學習優化模型參數和結構，以識別設備的正常和異常狀態；

6、根據異常狀態，進行維護動作。

7、作為本發明所述的基于大數據平臺的煤機設備數據分析方法的一種優選方案，其中：所述采集煤機設備的多源數據包括，振動數據、溫度數據、聲學數據、電流數據和歷史運行數據；

8、所述預處理包括，數據清洗、去噪、標準化和時間同步處理。

9、作為本發明所述的基于大數據平臺的煤機設備數據分析方法的一種優選方案，其中：所述從預處理后的數據中提取特征包括，通過頻域分析獲取煤機設備振動信號的頻域特征x(f)，其表達式為：

10、

11、其中，x[n]表示時間域信號，n表示信號長度，f表示頻率，j表示虛數單位，將x(f)加權后作為特征集的一部分，權重矩陣為w1；

12、通過時序分析獲取溫度數據的趨勢特征t，其表達式為：

13、

14、其中，t0和tn分別表示時間區間的起點和終點，t表示時間變量，φi表示自回歸模型系數，p表示自回歸模型的滯后階數，xt-i表示滯后時間點的溫度數據，∈t表示白噪聲，α表示時序特征的衰減系數；將t加入特征集中；

15、通過聲紋識別獲取聲學數據的梅爾頻率倒譜系數特征mfcc(n)，其表達式為：

16、

17、其中，k表示梅爾濾波器的總數量，ek表示第k個濾波器的能量；將mfcc(n)加權后加入特征集，權重矩陣為w2.

18、最終的特征集f表示為：

19、f＝{x(f)，t，mfcc(n)}

20、其中，β表示特征衰減系數。

21、作為本發明所述的基于大數據平臺的煤機設備數據分析方法的一種優選方案，其中：所述構建并訓練深度學習模型包括，進行前向傳播計算，利用特征集f作為輸入，其公式為：

22、z(l)＝g(w(l)f+b(l))

23、其中，z(l)表示第l層的激活值，l為1到l的任一層數，w(l)表示第l層的權重矩陣，b(l)表示第l層的偏置向量，g(·)表示激活函數；

24、進行損失函數的計算，其公式為：

25、

26、其中，表示損失值，m表示樣本數量，yi表示實際值，表示最終預測值；

27、進行參數優化和特征融合，其公式為：

28、

29、其中，z表示優化后的綜合特征，λ和μ表示正則化系數；表示正則化項，控制權重矩陣隨時間的變化。

30、作為本發明所述的基于大數據平臺的煤機設備數據分析方法的一種優選方案，其中：所述識別設備的正常和異常狀態包括，在設備運行過程中，若優化后的綜合特征z處于正常狀態范圍內，即z∈[0，zhigh]，系統采用基于歷史數據的正常運行模式，對設備進行持續監測；

31、正常狀態閾值zhigh通過特征聚類和密度估計方法確定，系統對所有采集到的傳感器數據進行實時遙測，并通過遠程控制功能對設備的關鍵部件進行狀態監控和調整，保持設備在最優運行狀態；

32、若綜合特征z大于異常狀態閾值zthreshold，zthreshold＜zhigh，系統切換至預警模式，增加對關鍵特征的監控頻率；

33、當綜合特征z超出正常狀態范圍，即z>zhigh，系統進入異常處理模式，啟動異常識別和隔離機制，利用多層次異常檢測算法對異常點進行分析和分類，確定異常類型和嚴重程度。

34、作為本發明所述的基于大數據平臺的煤機設備數據分析方法的一種優選方案，其中：所述利用多層次異常檢測算法對異常點進行分析和分類包括，對綜合特征表示z進行初步異常檢測，篩選出偏離正常范圍的異常點具體公式為：

35、

36、其中，zi表示第i個特征值，μz和σz分別表示特征集z的均值和標準差；

37、若anomalyi超過預設閾值θ，則判定為初步異常點；

38、對于初步篩選出的異常點，使用多層次聚類算法進行分林和分類；

39、應用dbscan算法對異常點進行密度聚類，識別高密度的異常群體和噪聲點，其公式為：

40、

41、其中，∈表示聚類半徑參數，clusteri表示以點xi為中心的聚類結果，對于無法歸類到任何密度簇中的點，標記為噪聲點；x表示數據空間中的任意數據點，表示d維實數空間，d表示數據的維度；

42、根據聚類結果，使用gmm對異常點的嚴重程度進行概率評估，gmm對每個聚類結果進行擬合，計算每個異常點屬于不同類別的概率，并根據最大似然估計判斷異常類型，具體公式為：

43、

44、其中，p(xi)表示點xi的概率密度，πk表示第k個高斯分布的混合系數，表示均值為μk、協方差為∑k的高斯分布；根據最大概率密度的類別確定異常類型；當p(xi)超過設定閾值pθ，則視為當前設備的故障狀態為嚴重異常。

45、作為本發明所述的基于大數據平臺的煤機設備數據分析方法的一種優選方案，其中：所述進行維護動作包括，當觸發預警模式時，系統自動增加對設備的遠程控制力度，通過調節設備運行參數來預防異常狀態的發生，同時，預警信息通過遠程通信模塊實時反饋給管理人員；

46、當設備為嚴重異常時，自動觸發設備保護程序，執行遠程停機或隔離操作，此過程中，使用遠程故障指示器和多模態傳感器融合技術對故障位置進行精確定位，并將異常報告發送至維護團隊，系統記錄并分析異常發生的全過程，通討對數據的深度學習和模型的持續優化，不斷提升系統的故障檢測和處理能力，當異常狀態解除后，系統自動進行自愈過程，恢復設備正常運行。

47、一種基于大數據平臺的煤機設備數據分析系統，其特征在于：包括，

48、數據采集模塊：采集煤機設備的多源數據，并對數據進行預處理；

49、數據特征融合模塊：從預處理后的數據中提取特征，融合不同數據源的特征，形成統一的設備運行狀態特征集；

50、模型構建模塊：構建并訓練深度學習模型，通過持續學習優化模型參數和結構，以識別設備的正常和異常狀態；

51、異常報警模塊：根據異常狀態，進行報警和維護動作。

52、本發明的有益效果：本發明所有效整合多源數據，提供全面的設備運行狀態評估；利用深度學習模型提高異常檢測的準確性；動態調整模型參數以適應設備狀態變化；及時發現潛在故障并優化維護策略，從而減少停機時間，提高煤礦生產的安全性和經濟性。