權(quán)利要求書(shū)： 1.一種基于數(shù)字孿生系統(tǒng)的高爐鼓風(fēng)機(jī)和TRT機(jī)組故障診斷方法，其特征在于，包括以下步驟：S1：構(gòu)建高爐鼓風(fēng)機(jī)和TRT機(jī)組系統(tǒng)的三維模型；

S2：通過(guò)采集現(xiàn)場(chǎng)實(shí)時(shí)數(shù)據(jù)和計(jì)算虛擬數(shù)據(jù)，搭建高爐鼓風(fēng)機(jī)和TRT機(jī)組數(shù)字孿生系統(tǒng)；

S3：基于數(shù)字孿生系統(tǒng)對(duì)數(shù)據(jù)進(jìn)行異常數(shù)據(jù)剔除；

S4：利用改進(jìn)的振動(dòng)頻譜占比提取方法進(jìn)行時(shí)頻域特征提?。?br />
S5：根據(jù)時(shí)頻域特征以及設(shè)備的運(yùn)行參數(shù)構(gòu)建基于Adam算法的神經(jīng)網(wǎng)絡(luò)故障診斷算法；

S6：神經(jīng)網(wǎng)絡(luò)輸出結(jié)果保存在數(shù)字孿生系統(tǒng)，形成設(shè)備故障部件的故障信息的三維動(dòng)態(tài)展示，生成診斷報(bào)告，并推送給現(xiàn)場(chǎng)管理人員；

步驟S4所述的改進(jìn)的振動(dòng)頻譜占比提取方法，具體包括如下步驟：S41：獲取設(shè)備的振動(dòng)時(shí)域波形信號(hào)x(n)＝[x1,x2,x3…xN]，其中xN為振動(dòng)加速度值，N為采樣點(diǎn)數(shù)；

S42：對(duì)振動(dòng)時(shí)域波形信號(hào)進(jìn)行快速傅里葉變換FFT，根據(jù)傅里葉變換公式：其中0≤k≤N?1,n為第n個(gè)采樣數(shù)據(jù)，k為頻域上的第k個(gè)數(shù)據(jù)，WN?j*2*π/N r

＝e 是旋轉(zhuǎn)因子，設(shè)N＝2 ，將x(n)分為前后各一半，得到兩個(gè)長(zhǎng)為N/2的序列，經(jīng)整合計(jì)算得到：S43：得到FFT后的振動(dòng)信號(hào)頻域值[f1,|X(1)|；f2,|X(2)；…fN,|X(N)|]，其中，f1,f2,…,fN為FFT后的頻率值，|X(1)|,|X(2)|,…,,|X(N)|為對(duì)應(yīng)頻率下頻率幅值；

S44：計(jì)算設(shè)備的特征頻率，分別為0.5倍頻、1倍頻、1.5倍頻、2倍頻、2.5倍頻、3倍頻、

3.5倍頻、4倍頻、高倍頻，記為：[f0.5X,f1x,f1.5X,f2X,f2.5X,f3X,f3.5X,f4X,fnX]，倍頻為基頻的倍數(shù)，基頻等于1倍頻；

其中，fnX為高倍頻的頻率，即大于4倍頻的頻率， 其中f1X為1倍頻的頻率，r為設(shè)備的轉(zhuǎn)速，得到設(shè)備的特征頻率為：此處n為高倍頻，表示大于4倍頻的所有頻率；

S45：計(jì)算特征頻率的頻譜占比：

①fi為第i個(gè)頻率值，如果 則選取所有的fi對(duì)應(yīng)幅值綜合作為0.5倍頻的幅值，得到0.5倍頻的幅值占比為：

②同理，如果 fj為第j個(gè)頻率值，得到1倍頻的幅值占比為：③同理，如果 fa為第a個(gè)頻率值，得到1.5倍頻的幅值占比為：④同理，如果 fb為第b個(gè)頻率值，得到2倍頻的幅值占比為：⑤同理，如果 fc為第c個(gè)頻率值，得到2.5倍頻的幅值占比為：⑥同理，如果 fd為第d個(gè)頻率值，得到3倍頻的幅值占比為：⑦同理，如果 fg為第g個(gè)頻率值，得到3.5倍頻的幅值占比為：⑧同理，如果 fe為第e個(gè)頻率值，得到4倍頻的幅值占比為：⑨最后，如果 fn為第n個(gè)頻率值，得到高倍頻的幅值占比為：其中，sum(|X(n)|)為 中前t個(gè)最大值幅值的總和，t＝e/8。

2.根據(jù)權(quán)利要求1所述的一種基于數(shù)字孿生系統(tǒng)的高爐鼓風(fēng)機(jī)和TRT機(jī)組故障診斷方法，其特征在于，所述的步驟S1中，基于Unity3D進(jìn)行三維建模，包括高爐鼓風(fēng)機(jī)和TRT機(jī)組整條生產(chǎn)線(xiàn)的三維建模，復(fù)現(xiàn)現(xiàn)場(chǎng)的設(shè)備實(shí)景，與現(xiàn)場(chǎng)工藝流程一致。

3.根據(jù)權(quán)利要求1所述的一種基于數(shù)字孿生系統(tǒng)的高爐鼓風(fēng)機(jī)和TRT機(jī)組故障診斷方法，其特征在于，步驟S2所述的高爐鼓風(fēng)機(jī)和TRT機(jī)組數(shù)字孿生系統(tǒng)用于進(jìn)行現(xiàn)場(chǎng)實(shí)時(shí)數(shù)據(jù)的采集以及數(shù)據(jù)建模虛擬數(shù)據(jù)的預(yù)測(cè)，實(shí)現(xiàn)與現(xiàn)場(chǎng)同步運(yùn)行的實(shí)時(shí)系統(tǒng)和當(dāng)現(xiàn)場(chǎng)停機(jī)時(shí)繼續(xù)運(yùn)行的虛擬孿生系統(tǒng)兩種場(chǎng)景，并對(duì)每種場(chǎng)景的故障數(shù)據(jù)進(jìn)行標(biāo)記。

4.根據(jù)權(quán)利要求1所述的一種基于數(shù)字孿生系統(tǒng)的高爐鼓風(fēng)機(jī)和TRT機(jī)組故障診斷方法，其特征在于，步驟S3中，通過(guò)滑動(dòng)平均算法剔除異常數(shù)據(jù)，具體方法如下：剔除異常數(shù)據(jù)后t時(shí)刻的運(yùn)行參數(shù)變量X記為Xt，θt為剔除異常數(shù)據(jù)前運(yùn)行參數(shù)變量X在t時(shí)刻的取值，β為滑動(dòng)平均系數(shù)，β∈[0,1)，在β＝0時(shí)，不使用滑動(dòng)平均，Xt＝θt；使用滑動(dòng)平均后：Xt＝β*Xt?1+(1?β)*θt。

5.根據(jù)權(quán)利要求1所述的一種基于數(shù)字孿生系統(tǒng)的高爐鼓風(fēng)機(jī)和TRT機(jī)組故障診斷方法，其特征在于，步驟S5所述的構(gòu)建基于Adam算法的神經(jīng)網(wǎng)絡(luò)故障診斷算法包括以下步驟：S51：確定神經(jīng)網(wǎng)絡(luò)的輸入和輸出，其中輸入為設(shè)備的運(yùn)行參數(shù)變量和振動(dòng)時(shí)頻域數(shù)據(jù)，包括電流、電壓、功率、溫度、流量、三軸向振動(dòng)有效值、三軸向振動(dòng)時(shí)域指標(biāo)、三軸向頻域指標(biāo)；輸出為設(shè)備的故障類(lèi)型，包括設(shè)備轉(zhuǎn)子磨損、不平衡、不對(duì)中、基座松動(dòng)、軸承內(nèi)圈故障、軸承外圈故障、動(dòng)靜件摩擦故障；

S52：確定該神經(jīng)網(wǎng)絡(luò)的參數(shù)：輸入層節(jié)點(diǎn)數(shù)目為8，輸出層節(jié)點(diǎn)數(shù)目為1，隱含層有1個(gè)，且每個(gè)隱含層的節(jié)點(diǎn)數(shù)為26個(gè)，網(wǎng)絡(luò)學(xué)習(xí)率為0.21，動(dòng)量系數(shù)為0.01；

S53：利用Adam算法優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)重，具體方法為：在帶動(dòng)量的梯度下降法的基礎(chǔ)上，引入平方梯度，并對(duì)速率進(jìn)行偏差糾正；

S54：構(gòu)建完整的正向和反向計(jì)算神經(jīng)網(wǎng)絡(luò)模型，讀取數(shù)字孿生系統(tǒng)中有故障標(biāo)記的數(shù)據(jù)，進(jìn)行訓(xùn)練和測(cè)試；

S55：讀取實(shí)時(shí)運(yùn)行數(shù)據(jù)進(jìn)行故障診斷和輸出。

說(shuō)明書(shū)： 基于數(shù)字孿生系統(tǒng)的高爐鼓風(fēng)機(jī)和TRT機(jī)組故障診斷方法技術(shù)領(lǐng)域[0001] 本發(fā)明涉及數(shù)字孿生系統(tǒng)、故障診斷等領(lǐng)域，特別涉及一種基于數(shù)字孿生系統(tǒng)的高爐鼓風(fēng)機(jī)和TRT機(jī)組故障診斷方法。背景技術(shù)[0002] 高爐鼓風(fēng)和TRT系統(tǒng)是高爐煉鐵的重要工藝流程，不但能利用高爐煤氣的余壓進(jìn)行高效發(fā)電，而且還有效地解決了減壓閥組產(chǎn)生的噪聲污染和管道振動(dòng)，也為高爐頂壓穩(wěn)定控制有著重要作用。實(shí)踐證明TRT發(fā)電量約為高爐鼓風(fēng)機(jī)所耗電量的40％左右，因此高爐鼓風(fēng)機(jī)和TRT機(jī)組的健康情況及其運(yùn)行的狀態(tài)直接影響著煉鐵的產(chǎn)量和安全性，對(duì)其進(jìn)行故障診斷極其重要。但是在高爐煉鐵過(guò)程中，高爐鼓風(fēng)機(jī)和TRT機(jī)組往往處于工況惡劣、不穩(wěn)定、功率大、負(fù)載重且連續(xù)運(yùn)行狀態(tài)，由于運(yùn)行故障導(dǎo)致的惡性事故屢見(jiàn)不鮮。[0003] 隨著各種智能算法的研究和深入，運(yùn)用于故障診斷的算法越來(lái)越多，但是由于高爐鼓風(fēng)機(jī)和TRT機(jī)組運(yùn)行工況復(fù)雜多變，運(yùn)行參數(shù)繁多，故障特征提取也成為故障診斷領(lǐng)域的一大難點(diǎn)。發(fā)明內(nèi)容[0004] 本發(fā)明克服了高爐鼓風(fēng)機(jī)和TRT機(jī)組運(yùn)行工況復(fù)雜多變，運(yùn)行參數(shù)繁多，故障特征提取困難的問(wèn)題，提出了一種基于數(shù)字孿生系統(tǒng)的高爐鼓風(fēng)機(jī)和TRT機(jī)組故障診斷方法。[0005] 為了實(shí)現(xiàn)上述目的，本發(fā)明提供了以下解決方案：[0006] 一種基于數(shù)字孿生系統(tǒng)的高爐鼓風(fēng)機(jī)和TRT機(jī)組故障診斷方法，首先構(gòu)建高爐鼓風(fēng)機(jī)和TRT機(jī)組系統(tǒng)的三維模型；通過(guò)采集現(xiàn)場(chǎng)實(shí)時(shí)數(shù)據(jù)和計(jì)算虛擬數(shù)據(jù)，搭建高爐鼓風(fēng)機(jī)和TRT機(jī)組數(shù)字孿生系統(tǒng)；基于數(shù)字孿生系統(tǒng)對(duì)數(shù)據(jù)進(jìn)行異常數(shù)據(jù)剔除；利用改進(jìn)的振動(dòng)頻譜占比提取方法，進(jìn)行時(shí)頻域特征提??；根據(jù)時(shí)頻域特征以及其他的運(yùn)行參數(shù)構(gòu)建基于Adam算法的神經(jīng)網(wǎng)絡(luò)故障診斷算法；最后神經(jīng)網(wǎng)絡(luò)輸出結(jié)果保存在數(shù)字孿生系統(tǒng)，形成設(shè)備故障部件的故障信息的三維動(dòng)態(tài)展示，生成診斷報(bào)告，并推送給現(xiàn)場(chǎng)管理人員。[0007] 上述技術(shù)方案中，優(yōu)選地，所述的步驟S1中，基于Unity3D進(jìn)行三維建模，包括高爐鼓風(fēng)機(jī)和TRT機(jī)組整條生產(chǎn)線(xiàn)的三維建模，復(fù)現(xiàn)現(xiàn)場(chǎng)的設(shè)備實(shí)景，與現(xiàn)場(chǎng)工藝流程一致。[0008] 優(yōu)選地，所述的高爐鼓風(fēng)機(jī)和TRT機(jī)組數(shù)字孿生系統(tǒng)可進(jìn)行現(xiàn)場(chǎng)實(shí)時(shí)數(shù)據(jù)的采集以及數(shù)據(jù)建模虛擬數(shù)據(jù)的預(yù)測(cè)，實(shí)現(xiàn)與現(xiàn)場(chǎng)同步運(yùn)行的實(shí)時(shí)系統(tǒng)和當(dāng)現(xiàn)場(chǎng)停機(jī)時(shí)也能運(yùn)行的虛擬孿生系統(tǒng)兩種場(chǎng)景，并對(duì)每種場(chǎng)景的故障數(shù)據(jù)進(jìn)行標(biāo)記。[0009] 優(yōu)選地，所述的異常數(shù)據(jù)剔除，為通過(guò)滑動(dòng)平均算法剔除傳輸異常的數(shù)據(jù)或因環(huán)境中偶然變動(dòng)因素引起的異常數(shù)據(jù)，以免影響故障診斷的精確性。具體方法如下：[0010] 剔除異常數(shù)據(jù)后t時(shí)刻的運(yùn)行參數(shù)變量X記為Xt，θt為剔除異常數(shù)據(jù)前運(yùn)行參數(shù)變量X在t時(shí)刻的取值，β為滑動(dòng)平均系數(shù)，β∈[0,1)，在β＝0時(shí)，不使用滑動(dòng)平均，Xt＝θt；使用滑動(dòng)平均后：[0011] Xt＝β*Xt?1+(1?β)*θt[0012] 優(yōu)選地，步驟S4中所述的改進(jìn)的振動(dòng)頻譜占比提取方法，包括如下步驟：[0013] (1)獲取設(shè)備的振動(dòng)時(shí)域波形信號(hào)x(n)＝[x1,x2,x3…xN]，其中xN為振動(dòng)加速度值，N為采樣點(diǎn)數(shù)；[0014] (2)對(duì)振動(dòng)時(shí)域波形信號(hào)進(jìn)行快速傅里葉變換FFT，根據(jù)傅里葉變換公式：?j*2*π/N

其中0≤k≤N?1,n為第n個(gè)數(shù)據(jù)，k為頻域上第k個(gè)值，WN＝e

r

是旋轉(zhuǎn)因子，設(shè)N＝2，將x(n)分為前后各一半，得到兩個(gè)長(zhǎng)為N/2的序列，經(jīng)整合計(jì)算得到：

[0015][0016] (3)得到FFT后的振動(dòng)信號(hào)頻域值[f1,|X(1)|；f2,|X(2)；…fN,|X(N)|]，其中，f1,f2,…,fN為FFT后的頻率值，|X(1)|,|X(2)|,…,,|X(N)|為對(duì)應(yīng)頻率下頻率幅值；[0017] (4)計(jì)算設(shè)備的特征頻率，分別為0.5倍頻、1倍頻、1.5倍頻、2倍頻、2.5倍頻、3倍頻、3.5倍頻、4倍頻、高倍頻，記為：[f0.5X,f1X,f1.5X,f2X,f2.5X,f3X,f3.5X,f4X,fnX]，倍頻為基頻的倍數(shù)，基頻等于1倍頻；[0018] 其中，fnX為高倍頻的頻率，即大于4倍頻的頻率， 其中f1X為1倍頻的頻率，r為設(shè)備的轉(zhuǎn)速，得到設(shè)備的特征頻率為：[0019][0020] 此處n為高倍頻，表示大于4倍頻的所有頻率；[0021] (5)計(jì)算特征頻率的頻譜占比：[0022] ①如果 fi為第i個(gè)頻率值，則選取所有的fi對(duì)應(yīng)幅值綜合作為0.5倍頻的幅值，得到0.5倍頻的幅值占比為：(i為第i個(gè)頻率，或第i個(gè)頻率對(duì)應(yīng)的幅值)

[0023][0024] ②同理，如果 fj為第j個(gè)頻率值，得到1倍頻的幅值占比為：[0025][0026] ③同理，如果 fa為第a個(gè)頻率值，得到1.5倍頻的幅值占比為：[0027][0028] ④同理，如果 fb為第b個(gè)頻率值，得到2倍頻的幅值占比為：[0029][0030] ⑤同理，如果 fc為第c個(gè)頻率值，得到2.5倍頻的幅值占比為：[0031][0032] ⑥同理，如果 fd為第d個(gè)頻率值，得到3倍頻的幅值占比為：[0033][0034] ⑦同理，如果 fg為第g個(gè)頻率值，得到3.5倍頻的幅值占比為：[0035][0036] ⑧同理，如果 fe為第e個(gè)頻率值，得到4倍頻的幅值占比為：[0037][0038] ⑨最后，如果 fn為第n個(gè)頻率值，得到高倍頻的幅值占比為：[0039][0040] 其中，sum(|X(n)|)為( |X(N)|)中前t個(gè)最大值幅值的總和，t＝e/8。[0041] 優(yōu)選地，所述的構(gòu)建基于Adam算法的神經(jīng)網(wǎng)絡(luò)故障診斷算法包括以下步驟：[0042] (1)確定神經(jīng)網(wǎng)絡(luò)的輸入和輸出，其中輸入為設(shè)備的運(yùn)行參數(shù)變量和振動(dòng)時(shí)頻域數(shù)據(jù)，包括電流、電壓、功率、溫度、流量、三軸向振動(dòng)有效值、三軸向振動(dòng)時(shí)域指標(biāo)、三軸向頻域指標(biāo)；輸出為設(shè)備的故障類(lèi)型，包括設(shè)備轉(zhuǎn)子磨損、不平衡、不對(duì)中、基座松動(dòng)、軸承內(nèi)圈故障、軸承外圈故障、動(dòng)靜件摩擦故障。[0043] (2)確定該神經(jīng)網(wǎng)絡(luò)的下述參數(shù)：輸入層節(jié)點(diǎn)數(shù)目為8，輸出層節(jié)點(diǎn)數(shù)目為1，隱含層有1個(gè)，且每個(gè)隱含層的節(jié)點(diǎn)數(shù)為26個(gè)，網(wǎng)絡(luò)學(xué)習(xí)率為0.21，動(dòng)量系數(shù)為0.01；[0044] (3)利用加速梯度算法(Adam算法)優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)重，具體方法為：在帶動(dòng)量的梯度下降法的基礎(chǔ)上，引入平方梯度，并對(duì)速率進(jìn)行偏差糾正；[0045] (4)構(gòu)建完整的正向和反向計(jì)算神經(jīng)網(wǎng)絡(luò)模型，讀取數(shù)字孿生系統(tǒng)中有故障標(biāo)識(shí)的數(shù)據(jù)，進(jìn)行訓(xùn)練和測(cè)試；[0046] (5)讀取實(shí)時(shí)運(yùn)行數(shù)據(jù)進(jìn)行故障診斷和輸出。[0047] 本發(fā)明的有益效果為：[0048] 本發(fā)明構(gòu)建了鼓風(fēng)機(jī)和TRT三維模型，利用改進(jìn)的頻譜占比方法構(gòu)建鼓風(fēng)機(jī)和TRT神經(jīng)網(wǎng)絡(luò)故障診斷算法，可以實(shí)現(xiàn)鼓風(fēng)機(jī)和TRT的實(shí)時(shí)監(jiān)測(cè)和故障診斷，并以三維直觀的形式展現(xiàn)，因此可有效解決高爐鼓風(fēng)機(jī)和TRT機(jī)組運(yùn)行工況復(fù)雜多變，運(yùn)行參數(shù)繁多，故障特征難以提取這一問(wèn)題。本發(fā)明方法可有效的實(shí)現(xiàn)高爐鼓風(fēng)機(jī)和TRT機(jī)組的故障診斷和健康分析，并通過(guò)與數(shù)字孿生系統(tǒng)結(jié)合，直觀展現(xiàn)設(shè)備的故障三維信息，對(duì)現(xiàn)場(chǎng)操作進(jìn)行指導(dǎo)，從而保證了現(xiàn)場(chǎng)設(shè)備的安全高效運(yùn)行，具有很高的實(shí)際生產(chǎn)價(jià)值。附圖說(shuō)明[0049] 圖1為本發(fā)明一種基于數(shù)字孿生系統(tǒng)的高爐鼓風(fēng)機(jī)和TRT機(jī)組故障診斷方法流程圖。[0050] 圖2為本發(fā)明高爐鼓風(fēng)機(jī)和TRT數(shù)字孿生系統(tǒng)結(jié)構(gòu)框架圖。[0051] 圖3為本發(fā)明神經(jīng)網(wǎng)絡(luò)輸入輸出結(jié)構(gòu)示意圖。具體實(shí)施方式[0052] 如圖1所示，本發(fā)明提供一種基于數(shù)字孿生系統(tǒng)的高爐鼓風(fēng)及和TRT機(jī)組故障診斷方法，首先構(gòu)建高爐鼓風(fēng)機(jī)和TRT機(jī)組系統(tǒng)的三維模型；通過(guò)采集現(xiàn)場(chǎng)實(shí)時(shí)數(shù)據(jù)和計(jì)算虛擬數(shù)據(jù)，搭建高爐鼓風(fēng)機(jī)和TRT機(jī)組數(shù)字孿生系統(tǒng)；基于數(shù)字孿生系統(tǒng)對(duì)數(shù)據(jù)進(jìn)行異常數(shù)據(jù)剔除；利用改進(jìn)的振動(dòng)頻譜占比提取方法，進(jìn)行時(shí)頻域特征提?。桓鶕?jù)時(shí)頻域特征以及其他的運(yùn)行參數(shù)構(gòu)建基于Adam算法的神經(jīng)網(wǎng)絡(luò)故障診斷算法；最后神經(jīng)網(wǎng)絡(luò)輸出結(jié)果保存在數(shù)字孿生系統(tǒng)，形成設(shè)備故障部件的故障信息的三維動(dòng)態(tài)展示，生成診斷報(bào)告，并推送給現(xiàn)場(chǎng)管理人員。[0053] 其中，高爐鼓風(fēng)機(jī)和TRT機(jī)組三維模型構(gòu)建是基于Unity3D進(jìn)行三維建模，包括高爐鼓風(fēng)機(jī)和TRT機(jī)組整條生產(chǎn)線(xiàn)的三維建模，復(fù)現(xiàn)現(xiàn)場(chǎng)的設(shè)備實(shí)景，與現(xiàn)場(chǎng)工藝流程一致。[0054] 其中，高爐鼓風(fēng)機(jī)和TRT機(jī)組數(shù)字孿生系統(tǒng)如圖2所示，包括三維模型實(shí)時(shí)場(chǎng)景漫游、三維模型虛擬場(chǎng)景漫游、實(shí)時(shí)運(yùn)行數(shù)據(jù)采集和保存、虛擬數(shù)據(jù)實(shí)時(shí)預(yù)測(cè)和保存、故障前數(shù)據(jù)標(biāo)記和分類(lèi)、故障結(jié)果保存和報(bào)警推送等功能，實(shí)現(xiàn)與現(xiàn)場(chǎng)同步運(yùn)行的實(shí)時(shí)系統(tǒng)和當(dāng)現(xiàn)場(chǎng)停機(jī)時(shí)也能運(yùn)行的虛擬孿生系統(tǒng)兩種場(chǎng)景。[0055] 高爐鼓風(fēng)機(jī)和TRT機(jī)組數(shù)字孿生系統(tǒng)包括運(yùn)行和仿真兩大模塊，運(yùn)行模塊主要通過(guò)智能傳感器和現(xiàn)場(chǎng)數(shù)據(jù)庫(kù)的通訊實(shí)現(xiàn)現(xiàn)場(chǎng)實(shí)時(shí)數(shù)據(jù)的采集，具體包括高爐頂壓和鼓風(fēng)機(jī)的控制性能評(píng)估模塊、鼓風(fēng)機(jī)和高爐頂壓的控制參數(shù)優(yōu)化模塊、鼓風(fēng)機(jī)喘振辨識(shí)模塊、機(jī)組能效分析模塊、機(jī)組能流模塊、透平機(jī)葉片積灰模塊、機(jī)組健康診斷模塊，來(lái)實(shí)現(xiàn)高爐鼓風(fēng)機(jī)和TRT機(jī)組實(shí)時(shí)監(jiān)測(cè)和狀態(tài)分析；仿真模塊通過(guò)設(shè)定相關(guān)的現(xiàn)場(chǎng)的工況條件，實(shí)現(xiàn)鼓風(fēng)機(jī)控制仿真模塊、高爐頂壓控制仿真模塊、鼓風(fēng)機(jī)防喘振控制仿真模塊、TRT啟機(jī)流程控制仿真模塊、TRT停機(jī)流程控制仿真模塊、TRT緊急停機(jī)流程控制仿真模塊的建立。[0056] 本發(fā)明通過(guò)滑動(dòng)平均算法剔除傳輸異常的數(shù)據(jù)或因環(huán)境中偶然變動(dòng)因素引起的異常數(shù)據(jù)，以免影響故障診斷的精確性。具體方法如下：[0057] 剔除異常數(shù)據(jù)后t時(shí)刻的運(yùn)行參數(shù)變量X記為Xt，θt為剔除異常數(shù)據(jù)前運(yùn)行參數(shù)變量X在t時(shí)刻的取值，β為滑動(dòng)平均系數(shù)，β∈[0,1)，在β＝0時(shí)，不使用滑動(dòng)平均，Xt＝θt；使用滑動(dòng)平均后：[0058] Xt＝β*Xt?1+(1?β)*θt[0059] 其中，改進(jìn)的振動(dòng)頻譜占比提取方法，包括如下步驟：[0060] (1)獲取設(shè)備的振動(dòng)時(shí)域波形信號(hào)x(n)＝[x1,x2,x3…xN]，其中，xN為振動(dòng)加速度值，N為采樣點(diǎn)數(shù)；[0061] (2)對(duì)振動(dòng)時(shí)域波形信號(hào)進(jìn)行快速傅里葉變換FFT，根據(jù)傅里葉變換公式：?j*2*π/N

其中0≤k≤N?1,n為第n個(gè)數(shù)據(jù)，k為頻域上第k個(gè)值，WN＝e

r

是旋轉(zhuǎn)因子，設(shè)N＝2，將x(n)分為前后各一半，得到兩個(gè)長(zhǎng)為N/2的序列，經(jīng)整合計(jì)算得到：

[0062][0063] (3)最后得到FFT后的振動(dòng)信號(hào)頻域值[f1,|X(1)|；f2,|X(2)；…fN,|X(N)|]，其中，f1,f2,…,fN為FFT后的頻率值，|X(1)|,|X(2)|,…,,|X(N)|為對(duì)應(yīng)頻率下頻率幅值；[0064] (4)計(jì)算設(shè)備的特征頻率，分別為0.5倍頻、1倍頻、1.5倍頻、2倍頻、2.5倍頻、3倍頻、3.5倍頻、4倍頻、高倍頻(大于4倍頻的頻率統(tǒng)稱(chēng)為高倍頻)，記為：[f0.5X,f1X,f1.5X,f2X,f2.5X,f3X,f3.5X,f4X,fnX]，[0065] 其中，fnX為高倍頻的頻率，即大于4倍頻的頻率， 其中f1X為1倍頻的頻率，r為設(shè)備的轉(zhuǎn)速，得到設(shè)備的特征頻率為：[0066][0067] 此處n為高倍頻，表示大于4倍頻的所有頻率；[0068] (5)計(jì)算特征頻率的頻譜占比：[0069] ①如果 fi為第i個(gè)頻率值，則選取所有的fi對(duì)應(yīng)幅值綜合作為0.5倍頻的幅值，得到0.5倍頻的幅值占比為：(i為第i個(gè)頻率，或第i個(gè)頻率對(duì)應(yīng)的幅值)

[0070][0071] ②同理，如果 fj為第j個(gè)頻率值，得到1倍頻的幅值占比為：[0072][0073] ③同理，如果 fa為第a個(gè)頻率值，得到1.5倍頻的幅值占比為：[0074][0075] ④同理，如果 fb為第b個(gè)頻率值，得到2倍頻的幅值占比為：[0076][0077] ⑤同理，如果 fc為第c個(gè)頻率值，得到2.5倍頻的幅值占比為：[0078][0079] ⑥同理，如果 fs為第d個(gè)頻率值，得到3倍頻的幅值占比為：[0080][0081] ⑦同理，如果 fg為第g個(gè)頻率值，得到3.5倍頻的幅值占比為：[0082][0083] ⑧同理，如果 fe為第e個(gè)頻率值，得到4倍頻的幅值占比為：[0084][0085] ⑨最后，如果 fn為第n個(gè)頻率值，得到高倍頻的幅值占比為：[0086][0087] 其中，sum(|X(n)|)為( |X(N)|)中前t個(gè)最大值幅值的總和，t＝e/8。[0088] 其中，構(gòu)建基于Adam算法的神經(jīng)網(wǎng)絡(luò)故障診斷算法包括以下步驟：[0089] (1)確定神經(jīng)網(wǎng)絡(luò)的輸入和輸出，如圖3所示，其中輸入為設(shè)備的運(yùn)行參數(shù)變量和振動(dòng)時(shí)頻域數(shù)據(jù)，包括電流、電壓、功率、溫度、流量、三軸向振動(dòng)有效值、三軸向振動(dòng)時(shí)域指標(biāo)、三軸向頻域指標(biāo)；輸出為設(shè)備的故障類(lèi)型，包括設(shè)備轉(zhuǎn)子磨損、不平衡、不對(duì)中、基座松動(dòng)、軸承內(nèi)圈故障、軸承外圈故障、動(dòng)靜件摩擦故障。[0090] 其中，時(shí)域指標(biāo)包括峰值指標(biāo)、峭度指標(biāo)、歪度指標(biāo)、裕度指標(biāo)、脈沖指標(biāo)；頻域指標(biāo)包括0.5倍頻、1倍頻、1.5倍頻、2倍頻、2.5倍頻、3倍頻、3.5倍頻、4倍頻、高倍頻(大于4倍頻的頻率統(tǒng)稱(chēng)為高倍頻)。[0091] (2)確定該神經(jīng)網(wǎng)絡(luò)的下述參數(shù)：輸入層節(jié)點(diǎn)數(shù)目為8，輸出層節(jié)點(diǎn)數(shù)目為1，隱含層有1個(gè)，且每個(gè)隱含層的節(jié)點(diǎn)數(shù)為26個(gè)，網(wǎng)絡(luò)學(xué)習(xí)率為0.21，動(dòng)量系數(shù)為0.01；[0092] (3)利用加速梯度算法(Adam算法)優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)重，具體方法為在帶動(dòng)量的梯度下降法的基礎(chǔ)上，引入平方梯度，并對(duì)速率進(jìn)行偏差糾正；[0093] (4)構(gòu)建完整的正向和反向計(jì)算神經(jīng)網(wǎng)絡(luò)模型，讀取數(shù)字孿生系統(tǒng)中有故障標(biāo)識(shí)的數(shù)據(jù)，進(jìn)行訓(xùn)練和測(cè)試；[0094] (5)讀取實(shí)時(shí)運(yùn)行數(shù)據(jù)進(jìn)行故障診斷，并輸出保存在數(shù)字孿生系統(tǒng)相應(yīng)模塊。