一种磨辊故障预测方法、装置、设备及其存储介质

1.本发明涉及磨辊故障预测技术领域，具体涉及一种磨辊故障预测方法、装置、设备及其存储介质。


背景技术：

2.立磨是一种理想的大型粉磨设备，广泛地应用于水泥、电力、冶金、化工、非金属矿等行业；它集破碎、干燥、粉磨、分级输送于一体，生产效率高，可将块状、颗粒状及粉状原料磨成所要求的粉状物料。磨辊作为立磨的关键部件之一，可以直接与物料接触，主要用于物料碾压粉磨，能够直接影响尾矿微粉的质量；磨辊轴承温度及磨辊压力是磨辊非常重要的参数，若两者出现异常，轻则会导致磨辊受损，重则会导致磨辊停滞，进而导致尾矿项目的停滞，使得公司经济效益受到损失。因此，近年来对磨辊故障预测得到众多尾矿公司和相关学者的广泛关注。
3.磨辊故障预测模型的特征变量的处理、模型的选取和故障预警值的选取都会直接影响模型预测的准确性，现有的磨辊故障预测的难点在于如何处理大量时序数据、调整模型参数和实际应用于mes系统中；当前市面上在故障预测研究方面所涉及的研究方法主要有自学习、神经网络、xgboost等等；其中，自学习磨辊故障预测方案，虽不依赖于专家经验，但对于一些特殊部分，例如峭度和均方根却无法预测其故障；现有的som与小包结合，并选取ewma控制图预测滚动直线导轨故障的方法，受实验数据的限制，不具有普适性；现有的基于rnn和var磨辊故障预测方案，是一种改进的循环神经网络和向量自回归的预测方法和xgboost预测模型可以预测出磨故障，但其在实际使用过程中，输出的预测结果会出现存在误差的情况，可能导致系统无法快速做出故障预警，进而造成磨辊受损的问题。
4.有鉴于此，提出本技术。


技术实现要素：

5.有鉴于此，本发明的目的在于提供一种磨辊故障预测方法、装置、设备及其存储介质，能够有效解决现有技术中的磨辊故障预测方法存在无法处理一些特殊数据、不具有普适性、在实际使用过程中输出的预测结果会出现存在误差的情况，可能导致系统无法快速做出故障预警，进而造成磨辊受损的问题。
6.本发明公开了一种磨辊故障预测方法,包括：
7.根据设备使用参数指标对mse系统数据库内的数据进行筛选，生成待处理数据集；
8.利用分段聚合近似算法对所述待处理数据集进行降维处理，生成降维数据；
9.调用训练好的gbdt预测模型对所述降维数据进行处理，以生成预测结果；
10.根据所述预测结果，输出预警信号。
11.优选地，根据设备使用参数指标对mse系统数据库内的数据进行筛选，生成待处理数据集，具体为：
12.根据设备使用参数指标查询mes系统数据库中设备历史数据表中的磨辊部件参数
信息，并将所述磨辊部件参数信息导出，生成磨辊参数文件；
13.过滤掉所述磨辊参数文件内为空值的数据，生成特征变量数据，其中，所述特征变量数据包括多个轴承温度值、以及多个压力值；
14.对所述特征变量数据进行均值处理，并设置与所述特征变量数据相应的故障分类标识，生成待处理数据集。
15.优选地，对所述特征变量数据进行处理，设置与所述特征变量数据相应的故障分类标识，生成待处理数据集，具体为：
16.获取多个所述轴承温度值的平均值，定义所述平均值为磨辊轴承温度值；
17.根据设备使用参数指标、所述磨辊轴承温度值以及与所述磨辊轴承温度值相对应的所述压力值，设置相应的故障分类标识，以生成待处理数据集。
18.优选地，利用分段聚合近似算法对所述待处理数据集进行降维处理，生成降维数据，具体为：
19.根据公式对所述待处理数据集进行计算，生成降维数据，其中，m和n是常量，为压缩比，b
′
＝(b
′1,b
′2,...,b
′m)为降维后的辊轴承温度结果，b＝(b1,b2,...,bn)为降维前的辊轴承温度结果。
20.优选地，m小于等于n，且m被n整除。
21.优选地，调用训练好的gbdt预测模型对所述降维数据进行处理，以生成预测结果，具体为：
22.根据公式t＝{(x1,y1),(x2,y2),...,(xi,yi),...,(xn,yn)}对所述降维数据进行处理，生成训练数据集，其中，xi指代b
′i和p
′i；
23.根据公式对所述训练数据集进行初始化，其中，l(y,f(x))为损失函数，c是常量；
24.根据公式计算损失函数的负梯度在当前gbdt预测模型的值，其中，i＝1,2,...,n，n为样本数，r
mi
为损失函数的负梯度在当前gbdt预测模型的值；
25.对r
mi
进行拟合回归树处理，生成tm(x)；
26.根据公式对所述训练数据集进行计算，生成预测结果，其中，m＝1,2,...,m，且m为决策树得棵树。
27.优选地，在调用训练好的gbdt预测模型对所述降维数据进行处理之前，还包括：
28.获取mse系统数据库内的历史数据，生成训练集以及测试集；
29.对所述训练集数据进行优化，并建立gbdt模型，根据优化后训练集对所述gbdt模型的回归树的深度以及模型的迭代次数进行调整；
30.调用所述测试集对调整后的所述gbdt模型进行测试，生成测试结果，并判断测试结果是否达标；
31.在判断到所述试结果达标时，生成gbdt预测模型。
32.本发明还公开了一种磨辊故障预测装置，包括：
33.数据处理单元，用于根据设备使用参数指标对mse系统数据库内的数据进行筛选，生成待处理数据集；
34.数据降维单元，用于利用分段聚合近似算法对所述待处理数据集进行降维处理，生成降维数据；
35.模型预测单元，用于调用训练好的gbdt预测模型对所述维数据进行处理，以生成预测结果；
36.预警单元，用于根据所述预测结果，输出预警信号。
37.本发明还公开了一种磨辊故障预测设备，包括处理器、存储器以及存储在所述存储器中且被配置由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上任意一项所述的一种磨辊故障预测方法。
38.本发明还公开了一种可读存储介质，其特征在于，存储有计算机程序，所述计算机程序能够被该存储介质所在设备的处理器执行，以实现如上任意一项所述的一种磨辊故障预测方法。
39.综上所述，本实施例提供的一种磨辊故障预测方法、装置、设备及其存储介质，将paa算法与gbdt算法融合，融合为paa-gbdt算法，其从磨辊轴承温度、压力于磨辊故障有着特定的成因出发，基于mes系统实时数据进行故障预测，首先从历史数据库(tbreport)筛选出可以反映磨辊工作状态的特征参数，其次对筛选出来的磨辊轴承温度和压力进行处理，然后将磨辊轴承温度和压力数据集利用paa降维，再根据实际的磨辊轴承温度和压力预警值，设置故障标识label，最后经gbdt建立预测模型，预测磨辊故障，通过预测结果，可提前检查磨辊，避免故障发生，促进尾矿处理效率；该融合算法可以将数据聚合，聚合后的数据更符合磨辊真实运行状况，且paa-gbdt泛化能力强、训练速度快和防止过拟合，可以更好的预测磨辊故障。从而解决现有技术中的磨辊故障预测方法存在无法处理一些特殊数据、不具有普适性、在实际使用过程中输出的预测结果会出现存在误差的情况，可能导致系统无法快速做出故障预警，进而造成磨辊受损的问题。
附图说明
40.图1是本发明实施例提供的一种磨辊故障预测方法的流程示意图。
41.图2是本发明实施例提供的磨辊数据源示意图。
42.图3是本发明实施例提供的磨辊实体示意图。
43.图4是本发明实施例提供的数据处理流程示意图。
44.图5是本发明实施例提供的降维前后磨辊轴承温度对比示意图。
45.图6是本发明实施例提供的降维前后磨辊压力对比示意图。
46.图7是本发明实施例提供的paa-gbdt模型的建模流程示意图。
47.图8是本发明实施例提供的不同树深度下各样本集随迭代次数的变化示意图。
48.图9是本发明实施例提供的一种磨辊故障预测装置的模块示意图。
具体实施方式
49.为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施
方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。
50.以下结合附图对本发明的具体实施例做详细说明。
51.请参阅图1，本发明的第一实施例提供了一种磨辊故障预测方法,其可由故障预测设备(以下简称预测设备)来执行，特别的，由预测设备内的一个或者多个处理器来执行，以实现如下步骤：
52.s101，根据设备使用参数指标对mse系统数据库内的数据进行筛选，生成待处理数据集；
53.具体地，步骤s101包括：根据设备使用参数指标查询mes系统数据库中设备历史数据表中的磨辊部件参数信息，并将所述磨辊部件参数信息导出，生成磨辊参数文件；
54.过滤掉所述磨辊参数文件内为空值的数据，生成特征变量数据，其中，所述特征变量数据包括多个轴承温度值、以及多个压力值；
55.对所述特征变量数据进行均值处理，并设置与所述特征变量数据相应的故障分类标识，生成待处理数据集，具体为：获取多个所述轴承温度值的平均值，定义所述平均值为磨辊轴承温度值；
56.根据设备使用参数指标、所述磨辊轴承温度值以及与所述磨辊轴承温度值相对应的所述压力值，设置相应的故障分类标识，以生成待处理数据集。
57.需要说明的是，所述预测设备可以是终端设备(如智能手机、智能电脑或者其他智能设备)或者服务器，该终测设备可与mes系统建立通讯连接，以实现数据的交互。
58.现市面上的mes系统是尾矿公司设备监控、故障预警、维修管理的重要系统，首先，设备控制系统使用opc(object linking and embedding(ole)for process control)数据采集技术获取spc(statistical process control)和dmcs(data mapping control system)中磨辊、电机、液压站等参数信息。其次，中控系统利用网络接口获取设备控制系统中磨辊轴承温度、磨辊压力等参数。element ui是一套为开发者、设计师和产品经理准备的基于vue.js 2.0的组件库，最后，通过axios技术将中控系统的参数信息传入到mes系统的mysql数据库中，axios是一个基于promise的http库，封装可发送get、post等网络请求，并使用element ui组件库、vue框架结合后端提供的接口设计出故障预测功能模块、设备预警功能模块和设备维修功能模块，以大数据可视化的形式展现磨辊的故障情况，预测未来磨辊的故障率，以及查看设备维修记录；磨辊数据来源如图2所示。其中，磨辊故障预测模型的特征变量的处理、模型的选取和故障预警值的选取都直接影响模型预测的准确性，因此磨辊故障预测的难点在于如何处理大量时序数据、调整模型参数和实际应用于mes系统中。
59.磨辊是直接与物料接触的部件，由磨辊轴承、磨辊辊轴、磨辊套3部分组成，磨辊实体如图3所示，1代表磨辊辊轴，2代表磨辊轴承，3代表磨辊套，磨辊主要用于碾压粉磨，当轴承温度和压力异常升高，会导致磨辊轴承、轴套、轴芯受损，进一步会导致磨辊停滞，影响尾
矿处理进度。在实际情况中，由于尾矿设备处理工作人员的失误、设备网络异常等问题，从现场获取到现场磨辊历史数据，有时会存在字段数据缺失、数据冗余的问题，此时，需要对数据优化处理。
60.请参阅图4，具体地，在本实施例中，首先需要从mes系统数据库中用模糊查询设备历史数据表(tbreport)中的磨辊部件参数信息，随后将上述查询信息导出并存至磨辊参数文件中。此时，需要对磨辊参数文件中的数据进行分析与统计，得到的数据特征有五个，但因为网络、人员等原因，设备会产生一些空值，其中，在上述五个数据特征中有三个特征均为空值，对磨辊故障预测没有起到任何作用，反而会影响故障预测的精确度，因而要删除这三个对预测没有用的磨辊参数，使得数据可以更好的反应磨辊的现实运行状况；而剩下的两个特征参数分别为磨辊轴承温度和压力，当两者数值异常升高时，将会导致润滑油蒸发，从而致使磨辊失去保护，提高磨辊受损风险；故而在所述磨辊故障预测方法中选取轴承温度(b)、压力(p)为特征变量。
61.在本实施例中，因磨辊轴承具有三个感应监测点，所以有三个部位轴承温度，其分别是磨辊轴承温度3(b3)、磨辊轴承温度2(b2)、磨辊轴承温度1(b1)，为简化磨辊轴承温度(b)，需要将3个磨辊轴承温度累加求和再取均值，并将结果赋值给b，其中，计算公式为b＝(b3+b2+b1)/3......(1)，计算结果如表1所示。
62.表1：
63.以磨辊轴承的正常温度范围为80℃以内，磨辊压力的正常范围为10mpa以内的参数指标为例，参数范围如表2所示；依据各参数预警值设置故障分类标识label，当b3、b2、b1、p都在正常范围内时label值为0，其余情况均为1，其中0代表正常，1代表故障。
64.表2：
[0065][0066]
最后，将上述处理过的数据存于表3中，以生成待处理数据集。
[0067]
表3：
[0068][0069]
s102，利用分段聚合近似算法对所述待处理数据集进行降维处理，生成降维数据；
[0070]
具体地，步骤s102包括：根据公式对所述待处理数据集进行计算，生成降维数据，其中，m和n是常量，为压缩比，b
′
＝(b
′1,b
′2,...,b
′m)为降维后的辊轴承温度结果，b＝(b1,b2,...,bn)为降维前的辊轴承温度结果；m小于等于n，且m被n整除。
[0071]
请参阅图5，具体地，在本实施例中，以历史数据库中获取的数据采样频率为30s/次为例，设备除非故障，否则连月运转不停机，所以数据库中存在波动较小的海量参数数据，故存在众多冗余数据，数据查询十分耗时。而分段聚合近似算法(piecewise aggregate approximation,paa)是一种基于分段序列平均值的特征提取方法，可以有效返回满足置信区间的近似聚集结果，降低数据间的冗余性，简化数据的复杂度；同其他降维算法相比，其可以在更短的时间将海量时序大数据实现降维，具有较好的性能优势，可以更好的反应磨辊的真实运行状况，因此所述磨辊故障预测方法选用paa实现磨辊特征参数的降维。其原理如下：
[0072]
设磨辊轴承温度数据为b＝(b1,b2,...,bn)的长度为n，n为2880，将其长度降至m维，m为200，表示为b
′
＝(b
′1,b
′2,...,b
′m)；其表达式为其中m是小于等于n的，且m需要被n整除，压缩比的时间序列降维过程，b
′
为降维后的结果，b为降维前的结果。
[0073]
请参阅图6，同理，磨辊压力的处理同上类似。原先磨辊轴承温度和磨辊压力的数据点为2880，通过降维处理后变为200个，去掉了大量冗余和无效数据，数据访问所需要消耗时间也相应缩短，可见paa算法具有很好的性能。
[0074]
s103，调用训练好的gbdt预测模型对所述降维数据进行处理，以生成预测结果；
[0075]
具体地，步骤s103包括：根据公式t＝{(x1,y1),(x2,y2),...,(xi,yi),...,(xn,yn)}对所述降维数据进行处理，生成训练数据集，其中，xi指代b
′i和p
′i；
[0076]
根据公式对所述训练数据集进行初始化，其中，l(y,f(x))为损失函数，c是常量；
[0077]
根据公式计算损失函数的负梯度在当前gbdt预测模型的值，其中，i＝1,2,...,n，n为样本数，r
mi
为损失函数的负梯度在当前gbdt预测模型的值；
[0078]
对r
mi
进行拟合回归树处理，生成tm(x)；
[0079]
根据公式对所述训练数据集进行计算，生成预测结果，其中，m＝1,2,...,m，且m为决策树得棵树。
[0080]
具体地，在本实施例中，将数据集分为训练集和测试集。首先，将参数进行优化，通过不断调整树的深度和迭代次数得到预测较为精准的预测结果。其次，通过测试集测试预测效果，如果预测效果未达到要求，则需要重新调整树的深度和迭代次数，直到满足要求为止。最后，保存满足要求的gbdt模型和预测结果。gbdt是一种迭代的决策树算法，具有较强的鲁棒能力、强大的拟合能力和泛化能力，其由多棵树组成，每棵树普称为分类回归树(classification and tree,cart)。当模型进行预测时，各个输入特征都将会遍历决策树的各大节点，且各个输入特征都会得到对应的预测值，最后的预测结果是各棵树的预测结果的累加和；其核心思想是在先前建好的模型损失函数的负梯度方向，通过迭代提高预测结果的准确性。其计算过程如下：
[0081]
首先，训练数据集，公式为t＝{(x1,y1),(x2,y2),...,(xi,yi),...,(xn,yn)}......(3)，其中，xi指代b
′i和p
′i。
[0082]
其次，进行初始化处理，公式为其中，l(y,f(x))......(4)为损失函数，c是常量。
[0083]
最后，对以下步骤进行循环，对i＝1,2,...,n，计算r
mi
，具体计算公式为其中r
mi
为损失函数的负梯度在当前模型的值，n为样本数；对r
mi
拟合回归树，得到tm(x)；再根据公式进行更新迭代，得回归树，其中，m＝1,2,...,m，且m为决策树得棵树。
[0084]
s104，根据所述预测结果，输出预警信号。
[0085]
具体地，在本实施例中，当预测到设备可能发生故障时，预警故障就会报警闪烁，并通知维修人员奔赴工作现场检测与试试防止故障发生的措施。
[0086]
综上，所述磨辊故障预测方法因获取的磨辊轴承温度、磨辊压力数据波动小，数据量庞大，为此引入paa算法，目的是去除冗余数据；又因为所获取的数据是连续性、线性、时序化的，且部分磨辊轴承温度和磨辊压力数据缺失，而gbdt算法适合处理具有上述特性的
数据，特此将paa与gbdt融合，以更好的预测磨辊故障。具体实现过程如下：
[0087]
首先，依据上述数据处理流程对特征参数优化处理；其次，将处理后的磨辊轴承温度b和磨辊压力p输入到paa中，通过公式(2)将磨辊轴承温度b和p进行分段聚合近似降维处理，得到b
′
和p
′
；最后，将b
′
、p
′
和故障标识label作为gbdt的输入，通过公式(3)～公式(7)，以及不断的调整模型的迭代次数、树深度实现磨辊的故障预测。
[0088]
请参阅图7在本发明一个可能的实施例中，在调用训练好的gbdt预测模型对所述降维数据进行处理之前，还包括：
[0089]
获取mse系统数据库内的历史数据，生成训练集以及测试集；
[0090]
对所述训练集数据进行优化，并建立gbdt模型，根据优化后训练集对所述gbdt模型的回归树的深度以及模型的迭代次数进行调整；
[0091]
调用所述测试集对调整后的所述gbdt模型进行测试，生成测试结果，并判断测试结果是否达标；
[0092]
在判断到所述试结果达标时，生成gbdt预测模型。
[0093]
具体地，在本实施例中，以利用某公司的历史数据进行建模为例，训练并验证paa-gbdt模型的预测性能；输入特征为磨辊轴承温度和磨辊压力，输出特征为磨辊轴承温度、磨辊压力和磨辊故障标识，实验仿真工具为python；其中，实验所使用的样本集是2021年10月份到12月份以及2022年4月份某尾矿处理系统的真实数据，其中2021年3个月份的数据为磨辊工作数据，2022年4月份数据是磨辊未工作数据中。样本信息如表4所示。
[0094]
并按照7：3的比例将样本集划分训练集和测试集。
[0095][0096]
表4：
[0097]
paa-gbdt算法建模涉及众多参数，参数的设置会影响模型的预测的效果，调参是提高模型预测效果；模型涉及的主要参数如表5所示。经调整，在固定其他参数相同的条件下，改变树的深度(max_depth)和迭代次数(n_estimators)，对比对比不同深度下，预测准确率随迭代次数变化情况。
[0098]
设置树的深度为1到5，最大迭代次数为30，输出各模型的预测结果，如图8所示。由预测结果可知4组样本走势大致相同；样本集1树深度为5，经过21次迭代可以较好预测故障情况，随着树的深度的减少，所需要的迭代次数依次增加。当深度为1时，迭代次数为30还不能达到理想预测效果；样本集2和3与样本集1大致相同，当深度为5时，样本集2、样本集3和样本集4的迭代次数分别为22、21和23。同理树深度为1时，各样本集迭代次数为30也不能达
到良好的预测效果。因此模型的深度应设置为5，迭代次数为23。
[0099]
表5：
[0100][0101]
在本实施例中，各模型所选取的输入特征、训练集、测试集相同和参数均最优，且都具备较好的泛化能力；其中，图8为样本集1到样本集4下各大模型预测结果对比图，展示了各模型的预测准确率。由对比结果可知，各模型训练集结果普遍具有90％以上的准确率，说明各模型可用于磨辊故障预测。但paa-gbdt相比较于其他模型，其具有更高的准确率，样本1训练结果达到99.3％，样本2为99.4％，样本3为98.6％，样本4为99.4％。四个样本集中paa-gbdt模型预测效果最好，说明paa-gbdt模型可以很好的预测磨辊故障，有助于防控故障，促进尾矿的生产。
[0102]
综上，在实际应用中，mse系统中的设备管理功能模块通过swagger接口获取到的某mse系统后台数据库中磨辊参数运行信息，采用element ui和axios技术将paa-gbdt预测模型融入mes系统，作为设备管理的故障预测、设备预警和设备维修子模块，故障预测子模块预测未来磨辊故障情况，预测可能发生故障，预警故障就会报警闪烁，并通知维修人员奔赴工作现场检测与试试防止故障发生的措施，若维修人员不可以处理，则上传上级，由专家进行检查维护，并将维护信息记录到设备维修子模块中的设备维护中，可提高设备的维修速率、设备的利用率和尾矿的处理效率。
[0103]
简单来说，所述磨辊故障预测方法从影响磨辊的重要参数出发，结合磨辊参数的时序性特征，提出一种集成paa和gbdt的磨辊故障预测模型，通过对比gbdt模型、xgboost模型的预测结果，可知集成paa和gbdt的模型具有较好预测性能，可以预测磨辊的故障，将算法投入到mes系统使用，可预测未来磨辊的故障，做到提前检查磨辊，避免故障发生，提高设备利用率，促进尾矿处理的效率，推动尾矿公司经济发展。
[0104]
请参阅图9，本发明的第二实施例提供了一种磨辊故障预测装置，包括：
[0105]
数据处理单元201，用于根据设备使用参数指标对mse系统数据库内的数据进行筛选，生成待处理数据集；
[0106]
数据降维单元202，用于利用分段聚合近似算法对所述待处理数据集进行降维处理，生成降维数据；
[0107]
模型预测单元203，用于调用训练好的gbdt预测模型对所述维数据进行处理，以生成预测结果；
[0108]
预警单元204，用于根据所述预测结果，输出预警信号。
[0109]
本发明的第三实施例提供了一种磨辊故障预测设备，包括处理器、存储器以及存储在所述存储器中且被配置由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上任意一项所述的一种磨辊故障预测方法。
[0110]
本发明的第四实施例提供了一种可读存储介质，其特征在于，存储有计算机程序，
所述计算机程序能够被该存储介质所在设备的处理器执行，以实现如上任意一项所述的一种磨辊故障预测方法。
[0111]
示例性地，本发明第三实施例和第四实施例中所述的计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述实现一种磨辊故障预测设备中的执行过程。例如，本发明第二实施例中所述的装置。
[0112]
所称处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种磨辊故障预测方法的控制中心，利用各种接口和线路连接整个所述实现对一种磨辊故障预测方法的各个部分。
[0113]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现一种磨辊故障预测方法的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、文字转换功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、文字消息数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘、智能存储卡(smart media card,smc)、安全数字(secure digital,sd)卡、闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0114]
其中，所述实现的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一个计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0115]
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置
实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0116]
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。

技术特征：
1.一种磨辊故障预测方法,其特征在于，包括：根据设备使用参数指标对mse系统数据库内的数据进行筛选，生成待处理数据集；利用分段聚合近似算法对所述待处理数据集进行降维处理，生成降维数据；调用训练好的gbdt预测模型对所述降维数据进行处理，以生成预测结果；根据所述预测结果，输出预警信号。2.根据权利要求1所述的一种磨辊故障预测方法,其特征在于，根据设备使用参数指标对mse系统数据库内的数据进行筛选，生成待处理数据集，具体为：根据设备使用参数指标查询mes系统数据库中设备历史数据表中的磨辊部件参数信息，并将所述磨辊部件参数信息导出，生成磨辊参数文件；过滤掉所述磨辊参数文件内为空值的数据，生成特征变量数据，其中，所述特征变量数据包括多个轴承温度值、以及多个压力值；对所述特征变量数据进行均值处理，并设置与所述特征变量数据相应的故障分类标识，生成待处理数据集。3.根据权利要求2所述的一种磨辊故障预测方法,其特征在于，对所述特征变量数据进行处理，设置与所述特征变量数据相应的故障分类标识，生成待处理数据集，具体为：获取多个所述轴承温度值的平均值，定义所述平均值为磨辊轴承温度值；根据设备使用参数指标、所述磨辊轴承温度值以及与所述磨辊轴承温度值相对应的所述压力值，设置相应的故障分类标识，以生成待处理数据集。4.根据权利要求1所述的一种磨辊故障预测方法,其特征在于，利用分段聚合近似算法对所述待处理数据集进行降维处理，生成降维数据，具体为：根据公式对所述待处理数据集进行计算，生成降维数据，其中，m和n是常量，为压缩比，b
′
＝(b
′1,b
′2,...,b
′
m
)为降维后的辊轴承温度结果，b＝(b1,b2,...,b
n
)为降维前的辊轴承温度结果。5.根据权利要求4所述的一种磨辊故障预测方法,其特征在于，m小于等于n，且m被n整除。6.根据权利要求1所述的一种磨辊故障预测方法,其特征在于，调用训练好的gbdt预测模型对所述降维数据进行处理，以生成预测结果，具体为：根据公式t＝{(x1,y1),(x2,y2),...,(x
i
,y
i
),...,(x
n
,y
n
)}对所述降维数据进行处理，生成训练数据集，其中，x
i
指代b
′
i
和p
′
i
；根据公式对所述训练数据集进行初始化，其中，l(y,f(x))为损失函数，c是常量；根据公式计算损失函数的负梯度在当前gbdt预测模型的值，其中，i＝1,2,...,n，n为样本数，r
mi
为损失函数的负梯度在当前gbdt预测模型的值；对r
mi
进行拟合回归树处理，生成t
m
()；
根据公式对所述训练数据集进行计算，生成预测结果，其中，m＝1,2,...,m，且m为决策树得棵树。7.根据权利要求1所述的一种磨辊故障预测方法,其特征在于，在调用训练好的gbdt预测模型对所述降维数据进行处理之前，还包括：获取mse系统数据库内的历史数据，生成训练集以及测试集；对所述训练集数据进行优化，并建立gbdt模型，根据优化后训练集对所述gbdt模型的回归树的深度以及模型的迭代次数进行调整；调用所述测试集对调整后的所述gbdt模型进行测试，生成测试结果，并判断测试结果是否达标；在判断到所述试结果达标时，生成gbdt预测模型。8.一种磨辊故障预测装置，其特征在于，包括：数据处理单元，用于根据设备使用参数指标对mse系统数据库内的数据进行筛选，生成待处理数据集；数据降维单元，用于利用分段聚合近似算法对所述待处理数据集进行降维处理，生成降维数据；模型预测单元，用于调用训练好的gbdt预测模型对所述维数据进行处理，以生成预测结果；预警单元，用于根据所述预测结果，输出预警信号。9.一种磨辊故障预测设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述的一种磨辊故障预测方法。10.一种可读存储介质，其特征在于，存储有计算机程序，所述计算机程序能够被该存储介质所在设备的处理器执行，以实现如权利要求1至7任意一项所述的一种磨辊故障预测方法。

技术总结
本发明提供了一种磨辊故障预测方法、装置、设备及其存储介质，包括：根据设备使用参数指标对MSE系统数据库内的数据进行筛选，生成待处理数据集；利用分段聚合近似算法对所述待处理数据集进行降维处理，生成降维数据；调用训练好的GBDT预测模型对所述降维数据进行处理，以生成预测结果；根据所述预测结果，输出预警信号。旨在解决现有技术中的磨辊故障预测方法存在无法处理一些特殊数据、不具有普适性、在实际使用过程中输出的预测结果会出现存在误差的情况，可能导致系统无法快速做出故障预警，进而造成磨辊受损的问题。进而造成磨辊受损的问题。进而造成磨辊受损的问题。


技术研发人员：黄海鹏 丁兆岚 张国秀
受保护的技术使用者：厦门理工学院
技术研发日：2022.12.09
技术公布日：2023/7/31