本發(fā)明涉及機械設備故障診斷，具體而言，涉及一種基于輥筒設備的故障診斷系統(tǒng)及方法。

背景技術：

1、隨著工業(yè)自動化的深入發(fā)展，分揀設備的運行效率和可靠性已成為物流行業(yè)的核心需求。作為設備關鍵部件的輥筒，其磨損、裂紋和變形等故障會直接影響分揀設備的性能，甚至導致停機。傳統(tǒng)的設備維護方式多依賴于定期人工巡檢和經(jīng)驗判斷，但這種方法不僅耗時耗力，還難以及時發(fā)現(xiàn)隱蔽性或早期的故障。為此，基于聲學和視覺監(jiān)測的智能診斷技術逐漸受到關注。聲學監(jiān)測技術已廣泛應用于工業(yè)設備的狀態(tài)監(jiān)測中，例如通過振動噪聲分析判斷電機或軸承的運行狀態(tài)。利用麥克風或振動傳感器捕捉設備運行時的聲波信號，通過頻譜分析判斷故障。然而，聲學監(jiān)測僅能檢測內(nèi)部或振動相關的故障，對表面裂紋或磨損無檢測能力。視覺監(jiān)測技術則依賴高清攝像頭和圖像處理算法，能夠精準捕捉設備表面裂紋或磨損情況。通過攝像頭采集設備表面圖像，結合圖像處理算法識別裂紋和磨損。但是攝像設備容易受光照、灰塵等環(huán)境因素影響，難以穩(wěn)定工作。盡管現(xiàn)有的聲學和視覺監(jiān)測技術各自具有一定的優(yōu)勢，但目前大多數(shù)應用僅關注單一數(shù)據(jù)源(聲學或視覺)，對復雜運行環(huán)境中的設備診斷仍存在局限性，難以達到精準、高效的故障定位。具體來說，現(xiàn)有技術主要存在以下缺點：單一數(shù)據(jù)源無法覆蓋設備可能出現(xiàn)的所有故障類型(如內(nèi)外部同時發(fā)生的故障)。獨立的聲學或視覺數(shù)據(jù)易受環(huán)境干擾，導致誤報率或漏報率較高。傳統(tǒng)方法的分析和處理流程復雜，無法滿足高效分揀設備的實時診斷需求。綜上所述，為了提高分揀設備的運行效率和可靠性，亟需開發(fā)一種融合聲學和視覺監(jiān)測數(shù)據(jù)的智能診斷系統(tǒng)，以實現(xiàn)對設備故障的全面、準確和實時監(jiān)測。

技術實現(xiàn)思路

1、鑒于此，本發(fā)明針對現(xiàn)有技術的不足，提出了一種基于輥筒設備的故障診斷系統(tǒng)及方法，旨在解決上述背景技術提出問題中的至少一項。

2、第一方面

3、本發(fā)明提供了一種基于輥筒設備的故障診斷系統(tǒng)，包括：微型麥克風，所述微型麥克風設置在安裝有輥筒的支撐架上，所述微型麥克風的安裝端與所述支撐架固定連接，所述微型麥克風的收音端朝向所述輥筒設置；

4、攝像頭，所述攝像頭設置于所述支撐架上，且所述攝像頭的安裝端與所述支撐架固定連接，所述攝像頭的攝像端朝向所述輥筒設置。

5、在一些實施例中，所述攝像頭為高清攝像頭。

6、第二方面

7、本發(fā)明提供了一種基于輥筒設備的故障診斷方法，包括以下步驟：

8、s1、通過微型麥克風以及高清攝像頭實時采集輥筒設備運行過程中的聲波信號和表面圖像；

9、s2、根據(jù)聲波信號提取異常聲學特征；

10、s3、根據(jù)表面圖像數(shù)據(jù)識別設備表面異常特征；

11、s4、通過聲波信號及表面圖像數(shù)據(jù)構建聲學與視覺信息之間的相關性模型。

12、在一些實施例中，所述步驟s2中根據(jù)聲波信號提取異常聲學特征包括：通過頻譜分析和信號處理技術提取聲波信號中的異常聲學特征。

13、在一些實施例中，所述異常聲學特征包括：裂紋聲、振動聲或摩擦聲，使用帶通濾波器去除環(huán)境噪聲和低頻干擾，對聲學信號進行傅里葉變換，提取頻譜特征，頻譜特征包括：頻率峰值、諧波分量。

14、在一些實施例中，所述步驟s3中根據(jù)表面圖像數(shù)據(jù)識別設備表面異常特征包括：通過ai模型分析圖像數(shù)據(jù)識別設備表面異常特征。

15、在一些實施例中，所述設備表面異常特征包括：裂紋、磨損或形變。

16、在一些實施例中，所述ai模型為卷積神經(jīng)網(wǎng)絡。

17、在一些實施例中，所述步驟4中通過聲波信號及表面圖像數(shù)據(jù)構建聲學與視覺信息之間的相關性模型包括：將聲學數(shù)據(jù)的頻譜特征向量與視覺數(shù)據(jù)的cnn特征向量進行拼接，形成聯(lián)合特征向量，使用主成分分析對拼接后的特征向量進行降維，分別對聲學和視覺數(shù)據(jù)進行分類或回歸分析，得到各自的診斷結果，使用加權平均將兩個結果組合，得到最終的診斷結果。

18、在一些實施例中，使用皮爾遜相關系數(shù)計算聲學特征與視覺特征之間的線性相關性，使用隨機森林或支持向量機算法計算聲學特征與視覺特征之間的非線性關系，基于收集的聲學數(shù)據(jù)與視覺數(shù)據(jù)訓練一個多模態(tài)融合模型，將訓練好的多模態(tài)融合模型部署到實際的設備監(jiān)測系統(tǒng)中，實時處理新采集的聲學和視覺數(shù)據(jù)，并輸出故障診斷結果。

19、與現(xiàn)有技術相比，本發(fā)明的有益效果在于：通過同時監(jiān)測設備運行中的聲學信號和視覺信息，系統(tǒng)能夠涵蓋內(nèi)部振動異常與表面損傷等多種故障特征，確保沒有遺漏任何潛在的故障源。結合聲學和視覺數(shù)據(jù)，利用先進的ai算法進行智能分析，系統(tǒng)能夠顯著減少誤報和漏報，從而提高故障檢測的準確性和可靠性。通過快速采集與分析設備運行數(shù)據(jù)，系統(tǒng)能夠實現(xiàn)高效分揀設備的實時故障定位，及時響應和處理故障，避免因延遲處理導致的進一步損失。無需拆卸設備，系統(tǒng)即可快速判斷故障點并提供維護建議，大大縮短了設備停機時間，減少了維修周期對設備正常運行的影響，提高了生產(chǎn)效率。系統(tǒng)能夠提前識別潛在的故障隱患，避免設備長期帶病運行，從而減少了因設備故障延誤帶來的高昂維修費用，延長了設備的使用壽命。通過顯著減少誤報和漏報，提高故障檢測的準確性，系統(tǒng)有效降低了不必要的維護操作和維護成本，提升了設備的運行穩(wěn)定性和可靠性。實時監(jiān)測與診斷功能確保設備在出現(xiàn)故障時能夠迅速得到修復，減少了因設備停機導致的生產(chǎn)中斷，從而提升了整體生產(chǎn)效率。借助先進的ai算法和多模態(tài)數(shù)據(jù)融合技術，系統(tǒng)實現(xiàn)了設備管理的智能化和自動化，減少了對人工巡檢和維護的依賴，提高了設備管理的科學性和效率。本發(fā)明通過多模態(tài)數(shù)據(jù)融合技術和高效的ai算法，全面提升了設備故障監(jiān)測的精度、實時性和可靠性，顯著降低了維護成本，并增強了設備的運行穩(wěn)定性和生產(chǎn)效率，為工業(yè)自動化領域帶來了重要的技術創(chuàng)新和應用價值。

20、以上的一般描述和后文的細節(jié)描述僅是示例性和解釋性的，而非限制本公開。

21、根據(jù)下面參考附圖對示例性實施例的詳細說明，本公開的其它特征及方面將更清楚。

技術特征：

1.一種基于輥筒設備的故障診斷系統(tǒng)，其特征在于，包括：

2.根據(jù)權利要求1所述的一種基于輥筒設備的故障診斷系統(tǒng)，其特征在于，所述攝像頭為高清攝像頭。

3.一種基于輥筒設備的故障診斷方法，其特征在于，應用于權利要求1至2任一項所述的一種基于輥筒設備的故障診斷系統(tǒng)，包括以下步驟：

4.根據(jù)權利要求3所述的一種基于輥筒設備的故障診斷方法，其特征在于，所述步驟s2中根據(jù)聲波信號提取異常聲學特征包括：通過頻譜分析和信號處理技術提取聲波信號中的異常聲學特征。

5.根據(jù)權利要求4所述的一種基于輥筒設備的故障診斷方法，其特征在于，所述異常聲學特征包括：裂紋聲、振動聲或摩擦聲，使用帶通濾波器去除環(huán)境噪聲和低頻干擾，對聲學信號進行傅里葉變換，提取頻譜特征，所述頻譜特征包括：頻率峰值、諧波分量。

6.根據(jù)權利要求3所述的一種基于輥筒設備的故障診斷方法，其特征在于，所述步驟s3中根據(jù)表面圖像數(shù)據(jù)識別設備表面異常特征包括：通過ai模型分析圖像數(shù)據(jù)識別設備表面異常特征。

7.根據(jù)權利要求6所述的一種基于輥筒設備的故障診斷方法，其特征在于，所述設備表面異常特征包括：裂紋、磨損或形變。

8.根據(jù)權利要求6所述的一種基于輥筒設備的故障診斷方法，其特征在于，所述ai模型為卷積神經(jīng)網(wǎng)絡。

9.根據(jù)權利要求8所述的一種基于輥筒設備的故障診斷方法，其特征在于，所述步驟4中通過聲波信號及表面圖像數(shù)據(jù)構建聲學與視覺信息之間的相關性模型包括：將聲學數(shù)據(jù)的頻譜特征向量與視覺數(shù)據(jù)的cnn特征向量進行拼接，形成聯(lián)合特征向量，使用主成分分析對拼接后的特征向量進行降維，分別對聲學和視覺數(shù)據(jù)進行分類或回歸分析，得到各自的診斷結果，使用加權平均將兩個結果組合，得到最終的診斷結果。

10.根據(jù)權利要求9所述的一種基于輥筒設備的故障診斷方法，其特征在于，使用皮爾遜相關系數(shù)計算聲學特征與視覺特征之間的線性相關性，使用隨機森林或支持向量機算法計算聲學特征與視覺特征之間的非線性關系，基于收集的聲學數(shù)據(jù)與視覺數(shù)據(jù)訓練一個多模態(tài)融合模型，將訓練好的多模態(tài)融合模型部署到實際的設備監(jiān)測系統(tǒng)中，實時處理新采集的聲學和視覺數(shù)據(jù)，并輸出故障診斷結果。

技術總結
本發(fā)明涉及機械設備故障診斷技術領域，具體涉及一種基于輥筒設備的故障診斷系統(tǒng)及方法，包括：微型麥克風，攝像頭，微型麥克風設置在安裝有輥筒的支撐架上，微型麥克風的安裝端與支撐架固定連接，微型麥克風的收音端朝向輥筒設置，攝像頭設置于支撐架上，且攝像頭的安裝端與支撐架固定連接，攝像頭的攝像端朝向輥筒設置，本發(fā)明通過多模態(tài)數(shù)據(jù)融合技術和高效的AI算法，全面提升了設備故障監(jiān)測的精度、實時性和可靠性，顯著降低了維護成本，并增強了設備的運行穩(wěn)定性和生產(chǎn)效率，為工業(yè)自動化領域帶來了重要的技術創(chuàng)新和應用價值。

技術研發(fā)人員：薛力峰,于浩,譚宇碩,邢鵬,韓瀚,趙劍偉,潘春霞
受保護的技術使用者：石家莊郵電職業(yè)技術學院（中國郵政集團有限公司培訓中心）
技術研發(fā)日：
技術公布日：2025/5/15