本发明属于皮带机故障预测，具体涉及一种基于ectimemixer的皮带机故障预测方法及系统。
背景技术：
1、随着贸易的不断扩大和科技的迅猛发展，现代港口的机械设备正经历着前所未有的变革。设备的大型化、高效化、自动化、数字化、智能化以及对环保和“绿色”技术的追求，共同推动了港口行业的进步。港口吞吐量及海运船队规模的快速增长，也对港口机械设备提出了更高的要求和挑战。在这样的背景下，皮带输送机作为港口装船过程中的关键设备，其稳定可靠的运行对于保证港口吞吐效率至关重要。然而，由于扰动、强冲击等恶劣工况的频繁出现，以及复杂的服役环境，皮带输送机面临着严峻的故障风险。一旦发生故障，不仅会降低港口的装船效率，还可能导致显著的经济损失。在港口自动化和高效化的大趋势下，对皮带输送机的故障诊断技术进行深入研究变得尤为迫切。皮带输送机的故障类型多样，且与其物理结构和工作环境密切相关。故障通常会遵循一定的发展趋势，从初始的微小异常逐渐演变为设备或部件的完全失效，最终导致整个系统的停机。
2、由于设备系统的复杂性日益增加，传统的故障预测方法面临着故障信息难以透明化、故障识别准确率偏低等问题。因此，港口皮带输送机故障预测的研究趋向于采用先进的监测技术和智能算法，以便更准确地识别和预测潜在故障。当前，利用物联网(iot)技术集成的传感器网络可以实时监控皮带输送机的运行状态，收集关键性能参数。而大数据分析和机器学习算法的应用，则能够处理这些海量数据，识别出故障发生的早期信号。这些技术的结合，不仅提高了故障预测的准确性，也为预测性维护提供了可能，这意味着可以在故障发生之前进行干预，从而显著降低维修成本，减少停机时间，并延长设备的使用寿命。
3、综上所述，皮带输送机的故障预测技术是确保港口高效运营的关键，同时也是现代港口向智能化、数字化转型过程中不可或缺的一部分。随着技术的不断进步，未来港口皮带输送机的故障预测系统将更加智能化，能够自动调整维护计划，并实时响应各种运行状况，进一步提升港口的整体运营效率和安全性。
技术实现思路
1、针对传统的故障预测方法面临着故障信息难以透明化、故障识别准确率偏低等问题，本发明提供一种基于ectimemixer的皮带机故障预测方法及系统，以有效地提前发现皮带机的潜在故障，减少停机时间，降低维修成本，并提高设备的可靠性和生产效率，其应用可以提前发现潜在故障，可为企业做出正确的维修决策提供指导。
2、按照本发明的第一方面，提供了一种基于ectimemixer的皮带机故障预测方法，该方法包括：
3、获取皮带机零件的振动、声音和温度数据；
4、利用降维技术融合皮带机零件的振动、声音和温度数据，得到一维时间序列数据；
5、对一维时间序列数据进行下采样，得到多尺度时间序列数据；
6、构建ectimemixer网络模型，ectimemixer网络模型包括multiscaleseasonmixing模块、multiscaletrendmixing模块、eaapastdecomposablemixing模块和future_multi_mixing模块；
7、eaapastdecomposablemixing模块将多尺度时间序列数据分解为季节性成分和趋势成分，并利用eaa注意力机制进行处理，将处理后的季节性成分输入到multiscaleseasonmixing模块，将处理后的趋势成分输入到multiscaletrendmixing模块，以合并来自不同时间尺度的特征；
8、multiscaleseasonmixing模块将高尺度的季节性信息逐步合并到低尺度，得到一个多尺度的时间序列季节性表示列表；multiscaletrendmixing模块将低分辨率的趋势信号逐步转化为更高分辨率的趋势表示，生成一个多尺度的时间序列趋势表示列表；
9、future_multi_mixing模块将多尺度的时间序列季节性表示列表与多尺度的时间序列趋势表示列表混合，得到多尺度序列；生成多尺度序列的预测，并沿着最后一个维度求和，得到预测结果。
10、进一步的，该方法还包括：通过基于时变滤波经验模态分解tvfemd和本征模函数imf能量熵增量的数据降噪方法，对获取的皮带机零件的振动、声音和温度数据进行滤波和降噪处理，如下：
11、利用基于时变滤波经验模态分解tvfemd分离振动数据x(t)的多尺度信息，确定其瞬时幅值a(t)和瞬时相位即：
12、
13、式中，为x(t)的希尔伯特变换；
14、定义解析信号z(t)为：
15、
16、式中，e为自然常数，j为虚数；
17、将解析信号z(t)定义为两个分量的组合：
18、
19、计算局部截止频率
20、
21、式中，a1(t)和a2(t)分别为双分量信号的瞬时幅值，和分别为瞬时相位；
22、利用时变滤波器对未计算的信号进行滤波，得到局部均值，计算信号h(t)，并将最后的逼近结果记为m(t)，即：
23、
24、式中，为局部截止频率；
25、停止条件为：
26、
27、其中，bloughlin(t)为loughlin瞬时带宽，为加权均值瞬时频率；
28、持续更新x(t)，若信号满足θ(t)≤ξ，则认为x(t)此时为imf分量；否则，重复上述步骤直到分解完成；其中，ξ为带宽阈值；
29、利用imf分量的能量熵增量的方法来判断虚假的imf分量；即计算第t个imf分量的信号能量以及分解信号能量的总和，即：
30、ei(t)＝i(t)2
31、
32、式中，ei(t)为能量值，i(t)为第t个imf分量，n为总的imf分量个数；
33、分别对各imf分量进行归一化处理和能量谱求取：
34、
35、q(i)＝log[p(i)]
36、式中，p(i)为imf分量的能量占比，q(i)为imf分量的熵值；
37、对各imf分量计算能量熵增量δq(i)：
38、δq(i)＝-p(i)log[p(i)]
39、δq(i)值越大，代表imf分量的真实性越高，反之为干扰imf分量；为防止有效信号被过度剔除，将判别阈值设为δq(i)/μ≥0.85，其中μ＝0.2。
40、进一步的，利用降维技术融合皮带机零件的振动、声音和温度数据，包括：
41、将皮带机零件的振动、声音和温度数据组合为三维数据，并标准化；
42、计算三维数据的协方差矩阵，求解特征值和特征向量；
43、选择特征值最大的特征向量作为第一主成分，将三维数据投影到第一主成分，得到降维融合后的一维时间序列数据。
44、进一步的，multiscaleseasonmixing模块通过层级化的方式综合考虑了时间序列数据不同尺度上的特性，通过从高尺度到低尺度层层融合信息的方法，将高尺度的模式信息逐步合并到低尺度，使网络在不同层次上综合季节性特征；
45、multiscaleseasonmixing模块定义了两个变量out_high和out_low并对其进行初始化，用于保存当前处理的高低尺度时间序列数据，再通过out_season_list存储每个尺度处理完毕后的时间序列数据，在循环过程中，通过下采样层将高尺度的数据out_high下采样，然后将其结果加到低尺度的数据out_low上，并将out_high更新为当前的out_low以在下个循环步骤中使用；
46、multiscaleseasonmixing有多个层次，每个层次都会进行数据的下采样，即减少数据点的数量来捕捉较长周期的季节性模式，每一个下采样层包括两个线性变linear和一个激活函数gelu，在每个层次上，都执行下采样并将结果与下一个层级中的数据合并，将较高分辨率的季节信号和较低分辨率的季节信号混合，让每一级都包含不同时间尺度上的信息；
47、multiscaleseasonmixing模块开始时拿到序列的最高分辨率数据，然后依次逐层处理，每个层次都将当前分辨率的数据与之前层次的数据混合，不断加入不同尺度上的季节信息，最终得到了一个包含了数据所有可能季节性周期的嵌套层次列表，即为out_season_list。
48、进一步的，multiscaletrendmixing模块通过上采样和混合的方式将捕获的低分辨率趋势信号，逐步转化为更高分辨率的趋势表示，整合所有分辨率上的信息，生成一个多尺度的时间序列趋势表示列表；
49、输入的trend_list包含了不同下采样级别的时间序列趋势表示，从最高分辨率的趋势到最低分辨率的趋势，利用copy()来复制这个列表，并反转reverse()，使trend_list_reverse从最低分辨率开始至最高分辨率结束，定义out_low和out_high分别作为当前最低级趋势信号和下一个更高级趋势信号，将out_trend_list初始化为只含有最低级趋势信号；
50、multiscaletrendmixing有多个层次，每个层次都会进行数据的上采样，从模型最底部层次的最低分辨率的趋势信号开始，逐渐上采样，以便在最后能够反映出最高分辨率的原始趋势信号，上采样即在时间序列或图像的原有数据点之间插入新的数据点，从而增加数据的分辨率，每一个上采样层包括两个线性变linear和一个激活函数gelu。
51、进一步的，利用eaa注意力机制进行处理，包括：
52、自关注分别以季节性成分和趋势成分x作为输入，其中x∈rn×d，包含n个令牌和d维嵌入向量；将输入的x投影为查询q、键k和值v，使用三个矩阵wq、wk和wv，每个自注意层包括h个头部，允许模型关注输入的不同视图，自注意力描述为：
53、
54、最终输出的是经过处理的时间序列数据即处理后的季节性成分和趋势成分。
55、进一步的，future_multi_mixing模块用于进行多模态混合处理，即将编码后的时间序列数据结合起来，以生成未来时间点上的故障预测；先初始化一个名为dec_out_list的列表，用于存储解码输出，取出输入x_list列表中的第一个元素，忽略剩余成分，一次只处理一个时间序列成分，将其输入到predict_layers预测层得到结果后将其利用permute将维度转化为(0,2,1)维度并输入到projection_laye投影层，projection_laye层的目的是将一个维度的数据映射到另一个维度将数据的输出转换成一定形状以进行后续步骤，将结果调整形状以匹配输出配置，并添加到dec_out_list列表中；future_multi_mixing模块表示为：
56、
57、其中，表示第m个尺度序列对未来的预测，最终输出为predictorm()表示第m个尺度序列的预测器，m表示多尺度信息的长度，表示多尺度过去信息，f×c表示第m个尺度序列对未来的预测。
58、进一步的，该方法还包括：
59、训练时，创建两个空列表x_list和x_mark_list，用于存储处理后的数据，遍历所有输入数据，如果数据的时间标记不为空，则按索引一一取出对应的时间序列x和标记x_mark；接下来对每个时间序列执行以下步骤：
60、获取其批大小b、时间长度t以及特征数n，通过crossnorm进行标准归一化，在2dcnn中，每个实例有c个大小为h×w的特征映射，给定一个特征映射a×rh×w，实例归一化首先对特征映射进行归一化，然后进行仿射变换：
61、
62、式中，μa、σa为平均值和标准差；γ和β表示可学习的仿射参数；
63、crossnorm将通道a的μa和σa与通道b的μb和σb交换，即将β和γ相互转化为μ和σ，如下所示：
64、
65、其中，通道a和通道b分别指季节性成分和趋势成分特征；crossnorm在训练中交换特征图channel-wise的均值和方差，使得模型对风格变化更加鲁棒；将处理后的时间序列和时间标记添加到之前创建的列表中；
66、将处理后的数据x_list通过pre_enc函数进行进一步预处理，pre_enc方法在模型中的作用是进行数据预处理和嵌入层的准备，接着对预处理后的每组数据和标记，使用enc_embedding进行嵌入转换，以便将其转换成适合神经网络处理的形式，这个过程对每一个输入的片段都进行，结果被添加到enc_out_list列表中，接着进入一个循环，每次循环都将eaapastdecomposablemixing模块应用于当前的enc_out_list，负责提取时间序列中的特征，eaapastdecomposablemixing编码块数量由self.layer超参数决定，每个块对enc_out_list进行处理，编码后的输出enc_out_list被传递给解码器块future_multi_mixing，future_multi_mixing根据编码器收集的历史信息生成未来的预测，解码过的输出dec_out_list利用stack函数堆叠起来，并沿着最后一个维度求和，以合并来自各个隐状态的信息，使用归一化层crossnorm对预测结果进行去归一化处理，恢复其原始的规模和分布，处理后的预测数据dec_out被返回，这就是模型基于输入的历史数据点预测的皮带机未来故障时间以及故障类型。
67、按照本发明的第二方面，提供了一种用于实现上述中任意一项所述的基于ectimemixer的皮带机故障预测方法的基于ectimemixer的皮带机故障预测系统，该系统包括多源信息采集系统和故障预测系统；
68、多源信息采集系统包括温度传感器、声音传感器、振动传感器和数据采集单元；温度传感器、声音传感器和振动传感器分别连接数据采集单元；温度传感器用于获取皮带机零件的温度数据，声音传感器用于获取皮带机零件的声音数据，振动传感器用于获取皮带机零件的振动数据，数据采集单元用于将温度传感器、声音传感器和振动传感器的原始信号输入至故障预测系统；
69、故障预测系统包括数据降噪单元、数据融合单元和故障预测单元；数据降噪单元用于对原始信号进行滤波和降噪处理；数据融合单元用于利用降维技术融合皮带机零件的振动、声音和温度数据，得到一维时间序列数据；故障预测单元使用ectimemixer模型预测故障发生的时间和故障类型。
70、进一步的，故障预测系统还包括数据库单元，用于存储数据采集单元输入的原始信号。
71、总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得以下有益效果：
72、本发明通过应用多种传感器(如温度传感器、振动传感器和声音传感器)收集数据，并通过深度神经网络训练皮带机故障预测模型。这使得皮带机能够在故障发生之前检测到潜在问题，从而提前进行维护和修复，避免设备在关键时刻出现故障，通过对皮带机进行故障预测和预防性维护，可以提高设备的可靠性和稳定性，延长设备的使用寿命解决了设备系统复杂度增加、设备状态难以透明化的问题。因此，通过ectimemixer神经网络对皮带机进行故障预测可以帮助提前发现潜在故障，减少停机时间，降低维修成本，并提高设备的可靠性和生产效率。
73、本发明通过使用时变滤波经验模态分解tvfemd和本征模函数imf对数据库中的多源数据进行降噪等操作。接着，通过降维技术融合相同部位零件的相同类型的数据并进行归一化处理。结合ectimemixer的学习能力，通过eaapastdecomposablemixing自动提取数据中的特征将分解应用于多尺度序列，将分解后的季节分量和趋势分量分别在细到粗和粗到细方向上混合，依次聚合微观季节和宏观趋势信息。future_multi_mixingg进一步集成多个预测器，以利用多尺度观测的互补预测能力，从而顺利预测出皮带机的故障。
1.一种基于ectimemixer的皮带机故障预测方法，其特征在于，该方法包括：
2.根据权利要求1所述的基于ectimemixer的皮带机故障预测方法，其特征在于，该方法还包括：通过基于时变滤波经验模态分解tvfemd和本征模函数imf能量熵增量的数据降噪方法，对获取的皮带机零件的振动、声音和温度数据进行滤波和降噪处理，如下：
3.根据权利要求1所述的基于ectimemixer的皮带机故障预测方法，，其特征在于，利用降维技术融合皮带机零件的振动、声音和温度数据，包括：
4.根据权利要求1所述的基于ectimemixer的皮带机故障预测方法，其特征在于，multiscaleseasonmixing模块通过层级化的方式综合考虑了时间序列数据不同尺度上的特性，通过从高尺度到低尺度层层融合信息的方法，将高尺度的模式信息逐步合并到低尺度，使网络在不同层次上综合季节性特征；
5.根据权利要求1所述的基于ectimemixer的皮带机故障预测方法，其特征在于，multiscaletrendmixing模块通过上采样和混合的方式将捕获的低分辨率趋势信号，逐步转化为更高分辨率的趋势表示，整合所有分辨率上的信息，生成一个多尺度的时间序列趋势表示列表；
6.根据权利要求1所述的基于ectimemixer的皮带机故障预测方法，其特征在于，利用eaa注意力机制进行处理，包括：
7.根据权利要求1所述的基于ectimemixer的皮带机故障预测方法，其特征在于，future_multi_mixing模块用于进行多模态混合处理，即将编码后的时间序列数据结合起来，以生成未来时间点上的故障预测；先初始化一个名为dec_out_list的列表，用于存储解码输出，取出输入x_list列表中的第一个元素，忽略剩余成分，一次只处理一个时间序列成分，将其输入到predict_layers预测层得到结果后将其利用permute将维度转化为(0,2,1)维度并输入到projection_laye投影层，projection_laye层的目的是将一个维度的数据映射到另一个维度将数据的输出转换成一定形状以进行后续步骤，将结果调整形状以匹配输出配置，并添加到dec_out_list列表中；future_multi_mixing模块表示为：
8.根据权利要求1所述的基于ectimemixer的皮带机故障预测方法，其特征在于，该方法还包括：
9.一种用于实现权利要求1至8中任意一项所述的基于ectimemixer的皮带机故障预测方法的基于ectimemixer的皮带机故障预测系统，其特征在于，该系统包括多源信息采集系统和故障预测系统；
10.根据权利要求9所述的基于ectimemixer的皮带机故障预测方法，其特征在于，故障预测系统还包括数据库单元，用于存储数据采集单元输入的原始信号。
