矿山机械设备异常状态分析与检测模型研究及应用

作     者：潘庆杰 

作者单位：西安建筑科技大学 

学位级别：硕士

导师姓名：边根庆

授予年度：2024年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081901[工学-采矿工程] 0819[工学-矿业工程] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：设备异常检测 引导正则化随机森林 卷积神经网络 循环神经网络 减法平均优化器 

摘      要：随着“智慧矿山政策的持续推进,矿山机械设备的信息化运行、智能异常检测以及预防性维护变得更加重要。机械设备的突发性故障常常导致重大安全事故和经济损失。工业物联网的发展使得传感器能够采集大量的设备运行数据,为设备异常检测提供了数据支持。然而传感器采集的数据存在冗余度高、噪声大以及相互之间关联密切的问题。近年来,基于深度学习的设备异常检测方法因其在噪声环境中强大的特征提取能力而备受关注,但仍然面临着网络调参过程复杂且耗时等问题,设备异常检测工作的实施依旧面临诸多困难。本文通过分析并处理设备传感器数据,优化深度学习模型来提高异常检测准确率。主要内容包括以下四部分: (1)提出了一种基于Bi LSTM-Attention模型的设备异常检测方法。首先详细介绍了本文使用的数据集并通过引导正则化随机森林方法对数据进行重要性分析和相关性分析,选择出强相关和非冗余的特征。然后利用双向LSTM网络同时学习数据的正向和反向特征并针对设备会因为内在或外在因素导致运行数据产生波动和噪声的问题,通过引入注意力机制,对特征维度信息进行挖掘,将重要的特征变量分配更多注意力以突出关键特征对预测结果的影响。通过对比实验分析验证了该模型在异常检测上的效果优于其他对比模型。 (2)提出了一种基于GSABO-CNN-Bi LSTM-Attention模型的设备异常检测方法。首先利用1DCNN从设备传感器数据中抽取经特征选择处理的整体特征,通过卷积和池化层对这些特征进行进一步的提取和降维处理。然后利用改进的减法平均优化器对模型中CNN的卷积核尺寸与数量以及Bi LSTM层的神经元数量等参数进行优化以得到最佳参数组合并节省人工调参时间,经对比实验验证该方法的异常检测率达到了98.16%,准确率达到了98.78%,体现了该模型的优越性。 (3)针对传统减法平均优化器收敛速度较慢且容易陷入局部最优的问题,本文对减法平均优化器进行了改进,采用Piecewise混沌映射生成随机数值替换搜索代理影响因素值,然后利用黄金正弦方法在全局寻优的优势,帮助减法平均优化器跳出局部最优解,提高了收敛速度,降低了出现局部极值的概率。 (4)异常检测系统开发。开发了一套矿山机械设备异常检测与预警的系统。系统内置了上述的GSABO-CNN-Bi LSTM-Attention模型来实现机械设备故障的提前准确预警,从而通知维护人员及时维护,其主要功能包括:用户管理模块、数据管理模块、异常检测模块和异常预警模块。