一种提升系统关键部件多状态健康监测装置及监测方法

摘要

本发明涉及一种提升系统关键部件多状态健康监测装置及监测方法，包括机架，所述的机架由多个矩形钢焊接形成方形结构，围绕方形结构外围布设有钢丝绳，在方形结构的底层由左向右依次安装动力系统、摩擦磨损装置、制损装置和张紧装置，在方形结构的顶层由左向右依次安装轴承信号采集系统、张力传感器、励磁装置和钢丝绳图像采集系统，钢丝绳顺次穿过前述所有装置或系统，在动力系统的带动下进行环绕运行，通过前述所有装置或系统实现钢丝绳运行状态的监测；本发明利用健康监测装置模拟矿井提升系统钢丝绳及轴承的故障状况并采集相关信息，应用深度学习方法进行智能故障诊断，从而实现矿井提升系统中钢丝绳及轴承的多状态健康监测。

说明书

技术领域

本发明涉及一种提升系统关键部件多状态健康监测装置及监测方法，属于机械健康监测领域。

背景技术

矿井提升系统是集机、电、液于一体的大型复杂设备，担负提升煤炭、矸石，下放材料，升降人员与设备的任务，被称为“矿山生产的咽喉”。一旦某一部位发生故障，对煤矿生产和人员安全都极为不利。钢丝绳和轴承作为提升系统的关键部件，在提升系统的安全运行中起着至关重要的作用。所以，有必要采取先进的技术和手段对矿井提升系统关键部件的健康状况进行实时监测和评估，以预防故障和恶性事故的发生。

钢丝绳因重量轻、抗弯刚度小、抗拉强度高等优点，被广泛用作矿山机械的提升缆绳。钢丝绳作为矿井提升中的易坏和易耗品，其安全可靠性是保障矿井提升系统稳定、高效和安全运行的基础。然而钢丝绳在实际使用中为防止故障而更换频繁，且报废的钢丝绳在运行过程中并未发生显著的故障特征。由此可见，对钢丝绳运行状态进行实时监测，科学更换故障绳、延长钢丝绳使用寿命和实现健康预警具有重要的意义。

轴承作为旋转机械的重要部件，在矿井提升系统中应用广泛，例如动力电机、减速器、天轮装置、主轴装置等，其缺陷会导致设备异常振动和噪声，甚至造成设备损坏，所以其健康状况也直接影响着提升系统的安全可靠性。然而，现有故障诊断技术如快速傅里叶变换(FFT)、小波变换和经典模态分解(EMD)等故障特征建模及表征能力较差，严重依赖人为提取故障特征，在机械故障诊断中存在着较大不足。所以，采用先进智能诊断技术对旋转机械中轴承的运行状态进行实时监测，对提升系统的安全运行具有重要的意义。

深度学习作为机器学习的一个新的分支，目前处于快速发展当中，在图像和语音处理等领域取得了丰硕的研究成果。深度学习具有强大的故障特征建模及表征能力，其能够摆脱对大量信号处理技术及诊断经验的依赖，完成故障特征的自适应提取与健康状况的智能诊断。深度学习在机械装备健康监测领域具有广阔的应用前景，而应用在矿山机械装备健康监测领域，对煤矿的安全生产意义重大。

发明内容

本发明提供一种提升系统关键部件多状态健康监测装置及监测方法，利用健康监测装置模拟矿井提升系统钢丝绳及轴承的故障状况并采集相关信息，应用深度学习方法进行智能故障诊断，从而实现矿井提升系统中钢丝绳及轴承的多状态健康监测。

本发明解决其技术问题所采用的技术方案是：

一种提升系统关键部件多状态健康监测装置，包括机架，所述的机架由多个矩形钢焊接形成方形结构，围绕方形结构外围布设有钢丝绳，在方形结构的底层由左向右依次安装动力系统、摩擦磨损装置、制损装置和张紧装置，在方形结构的顶层由左向右依次安装轴承信号采集系统、张力传感器、励磁装置和钢丝绳图像采集系统，钢丝绳顺次穿过前述所有装置或系统，在动力系统的带动下进行环绕运行，通过前述所有装置或系统实现钢丝绳运行状态的监测；

作为本发明的进一步优选，所述的动力系统包括电机、皮带、小带轮、大带轮和摩擦导向轮组件，前述的摩擦导向轮组件包括摩擦导向轮、横轴和轴承座，其中，电机安装在机架底层端部处，轴承座与电机相邻安装在机架上，横轴固定在轴承座上，大带轮安装固定在横轴端头，摩擦导向轮安装固定在横轴中间部位，小带轮安装在电机的输出轴上，小带轮和大带轮通过皮带进行连接；

所述的摩擦磨损装置包括压紧缸、动作缸、上衬垫、下衬垫和衬垫安装板，动作缸水平安装在机架底层上，在机架内部包括与机架底层相垂直的矩形钢，矩形钢上水平安装压紧缸，其中，上衬垫固定安装在压紧缸的活塞杆上，在机架上还安装可移动的摩擦磨损滑座，摩擦磨损滑座位于压紧缸下方，摩擦磨损滑座上安装有衬垫安装板，下衬垫安装在衬垫安装板上；

所述的制损装置包括制损缸、制损头和支撑衬垫，制损缸水平安装在与机架底层相垂直的矩形钢上，制损头可活动安装在制损缸的活塞杆上，支撑衬垫水平固定在位于制损头正下方的机架底层上；

所述的张紧装置包括张紧缸、拉压传感器、平移板、安装架、直线导轨和张紧滑座，张紧滑座可滑动安装在机架底层上，在张紧滑座的下方同时设有固定在机架底层上的直线导轨，张紧滑座上固定安装架，平移板安装在安装架上，前述的张紧缸与安装架相邻固定安装在机架底层上，拉压传感器的一端与张紧缸的活塞杆连接，其另一端与平移板相连接；在平移板表面设有导向轮组件，钢丝绳穿过导向轮组件，在张紧缸作用下实现张紧与放松动作；

所述的钢丝绳图像采集系统包括相机安装架和多个CCD工业相机，所述的相机安装架为圆柱体结构，其内固定安装内六角体，多个CCD工业相机均匀分布安装在内六角体内，前述的钢丝绳由圆柱体结构中心穿过；

所述的轴承信号采集系统包括隔音箱、噪声传感器、加速度传感器和天轮，隔音箱安装固定在机架顶层端头，天轮安装在隔音箱内部，噪声传感器安装在隔音箱内部，且其底部固定在机架上，加速度传感器安装在可更换故障轴承的外侧轴承座上，钢丝绳穿过隔离箱并缠绕在天轮上；

作为本发明的进一步优选，横轴通过键和螺钉固定在轴承座上；摩擦导向轮通过键和螺钉安装固定在横轴中央；

作为本发明的进一步优选，在摩擦导向轮的一侧安装有用于测量摩擦导向轮在钢丝绳故障状态下表面材料与钢丝绳摩擦磨损温度变化的第一热成像仪；

作为本发明的进一步优选，上衬垫通过螺纹孔固定安装在压紧缸的活塞杆上；在摩擦磨损滑座下方安装有固定在机架上的直线导轨，使摩擦磨损滑座在机架上移动；

作为本发明的进一步优选，前述的摩擦磨损装置还设有用于监测在磨损过程中摩擦磨损状况与温度变化间关系的第二热成像仪；

作为本发明的进一步优选，前述的钢丝绳图像采集系统包括三个CCD工业相机，以内六角中心为圆心，三个CCD工业相机两两呈120度安装均匀分布安装在内六角体内；

作为本发明的进一步优选，钢丝绳穿过隔离箱并缠绕在天轮上，前述的天轮表面含有摩擦材料；在轴承信号采集系统的隔音箱内安装第三热成像仪；

一种通过提升系统关键部件多状态健康监测装置对钢丝绳进行监测的方法，首先安装含锈蚀故障的钢丝绳，将含锈蚀故障的钢丝绳依次穿过大带轮、摩擦磨损装置、制损装置、张紧装置、内六角体中心位置处、励磁装置、张力传感器以及天轮，形成完整回路；先第一次启动电机，使整个健康监测装置进行缓慢匀速运行，使钢丝绳的锈蚀部分运行到与摩擦磨损装置和制损装置的不接触处；关闭电机，启动摩擦磨损装置和制损装置，在钢丝绳上分别制造磨损、凹痕以及断丝故障，并且使各种故障等间距分开；二次启动电机，使整个监测装置再次进行缓慢匀速运行，此时开启钢丝绳图像采集系统，通过三个CCD工业相机进行多角度提取图片数据信息；钢丝绳图像采集系统将采集到的图片传入上位机，对图像预处理后输入事先训练好的CNN深度神经网络模型中，上位机对数据进行并行计算，实现图像中故障的快速识别和分类；最后输出结果，得到钢丝绳的故障类型；

一种通过提升系统关键部件多状态健康监测装置对轴承进行监测的方法，首先在轴承信号采集系统的外侧轴承座上安装正常或者故障的轴承；将健康的钢丝绳依次穿过大带轮、摩擦磨损装置、制损装置、张紧装置、内六角体中心位置处、励磁装置、张力传感器以及天轮，形成完整回路，同时调整张紧缸的张紧力；启动电机，使整个健康监测装置匀速运行，通过第三热成像仪与加速度传感器共同配合提取噪声和温度数据信息；将采集到的噪声和温度数据信息传入上位机，对噪声信号预处理后输入事先训练完毕的RNN深度神经网络模型中，上位机对数据进行并行计算，实现轴承噪声信号中故障特征的快速识别和分类；最后结果输出，得到轴承的故障类型。

通过以上技术方案，相对于现有技术，本发明具有以下有益效果：

本发明的提升系统关键部件多状态健康监测装置，结构简单，操作方便，可模拟出提升系统中钢丝绳及轴承故障状况，并实现相关信息的采集，无需深入现场采集数据；

本发明采用深度学习方法，能够摆脱对大量信号处理技术及诊断经验的依赖，完成故障特征的自适应提取与健康状况的智能诊断，具有较高的诊断精度；

本发明使用CNN(卷积神经网络)深度神经网络模型处理钢丝绳图像数据，使用RNN(递归神经网络)深度神经网络模型处理轴承噪声数据，使用DBN(深度置信神经网络)深度神经网络模型处理轴承异常振动数据，研究方法涵盖了几种经典深度学习算法，方法和结论可推广到其他矿山机械装备健康监测与故障诊断当中。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1为本发明的整体结构示意图；

图2为本发明的整体结构的主视图；

图3为本发明的摩擦磨损装置及制损装置结构示意图；

图4为本发明的张紧装置结构示意图；

图5为本发明的整体结构的右视图；

图6为本发明的健康监测方法流程图；

图7为本发明基于深度学习的故障诊断方法流程图。

图中：1为动力系统，1-1为电机，1-2为皮带，1-3为小带轮，1-4为大带轮，1-5为摩擦导向轮，1-6为横轴，1-7为轴承座，2为摩擦磨损装置，2-1为压紧缸，2-2为动作缸，2-3为上衬垫，2-4为下衬垫，2-5为衬垫安装板，3为制损装置，3-1为制损缸，3-2为制损头，3-3为支撑衬垫，4为张紧装置，4-1为张紧缸，4-2为拉压传感器，4-3为平移板，4-4为安装架，4-5为直线导轨，4-6为滑座，5为钢丝绳图像采集系统，5-1为相机安装架，5-2为CCD工业相机，6为励磁装置，7为轴承信号采集系统，7-1为隔音箱，7-2为噪声传感器，7-3为加速度传感器，7-4为天轮，8为张力传感器，9为钢丝绳，10为机架，11-1为第一热成像仪，11-2为第二热成像仪，11-3为第三热成像仪。

具体实施方式

现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

如图1-图7所示，本发明包括以下技术特征：动力系统1，电机1-1，皮带1-2，小带轮1-3，大带轮1-4，摩擦导向轮1-5，横轴1-6，轴承座1-7，摩擦磨损装置2，压紧缸2-1，动作缸2-2，上衬垫2-3，下衬垫2-4，衬垫安装板2-5，制损装置3，制损缸3-1，制损头3-2，支撑衬垫3-3，张紧装置4，张紧缸4-1，拉压传感器4-2，平移板4-3，安装架4-4，直线导轨4-5，滑座4-6，钢丝绳图像采集系统5，相机安装架5-1，CCD工业相机5-2，励磁装置6，轴承信号采集系统7，隔音箱7-1，噪声传感器7-2，加速度传感器7-3，天轮7-4，张力传感器8，钢丝绳9，机架10，第一热成像仪11-1，第二热成像仪11-2，第三热成像仪11-3。

本发明的一种提升系统关键部件多状态健康监测装置，包括机架，所述的机架由多个矩形钢焊接形成方形结构，围绕方形结构外围布设有钢丝绳，在方形结构的底层由左向右依次安装动力系统、摩擦磨损装置、制损装置和张紧装置，在方形结构的顶层由左向右依次安装轴承信号采集系统、张力传感器、励磁装置和钢丝绳图像采集系统，钢丝绳顺次穿过前述所有装置或系统，在动力系统的带动下进行环绕运行，通过前述所有装置或系统实现钢丝绳运行状态的监测；

图1、图2所示，作为本发明的进一步优选，所述的动力系统包括电机、皮带、小带轮、大带轮和摩擦导向轮组件，前述的摩擦导向轮组件包括摩擦导向轮、横轴和轴承座，其中，电机安装在机架底层端部处，轴承座与电机相邻安装在机架上，横轴固定在轴承座上，大带轮安装固定在横轴端头，摩擦导向轮安装固定在横轴中间部位，小带轮安装在电机的输出轴上，小带轮和大带轮通过皮带进行连接，从而将电机的动力传递到摩擦导向轮组件上；需要注意的是，动力系统中其他导向组件与摩擦导向轮组件的组成和安装方式均一致；

图1、图2和图3所示，所述的摩擦磨损装置包括压紧缸、动作缸、上衬垫、下衬垫和衬垫安装板，动作缸水平安装在机架底层上，在机架内部包括与机架底层相垂直的矩形钢，矩形钢上水平安装压紧缸，其中，上衬垫固定安装在压紧缸的活塞杆上，在机架上还安装可移动的摩擦磨损滑座，摩擦磨损滑座位于压紧缸下方，摩擦磨损滑座上安装有衬垫安装板，衬垫安装板可随着摩擦磨损滑座一起左右移动，下衬垫安装在衬垫安装板上；

摩擦磨损装置在一定的压紧力下，模拟钢丝绳与称垫间的摩擦磨损状况：当模拟高速磨损时，动作缸不动且处于原位，动力系统带动钢丝绳高速运行，压紧缸根据程序加载和卸载以使同一段钢丝绳磨损；当模拟微动磨损时，动力系统不动，压紧缸保持加载状态，动作缸往复运动，以使同一段钢丝绳磨损。磨损过程中，同时使用第二热成像仪进行测温，以得到摩擦磨损状况与温度变化间的关系。

图1、图2和图3所示，所述的制损装置包括制损缸、制损头和支撑衬垫，制损缸水平安装在与机架底层相垂直的矩形钢上，制损头可活动安装在制损缸的活塞杆上，制损头角度可调、型号可更换，支撑衬垫水平固定在位于制损头正下方的机架底层上，以在制损头冲压钢丝绳时提供支撑；

制损装置用于模拟钢丝绳表面的实际故障状况，如凹痕、断丝等：在不同冲击力或压力下，制造不同角度和不同深度的凹痕，并结合人工方法，制造不同根数和位置的断丝，以供钢丝绳图像采集系统采集图像信息，并供励磁装置检测有效金属截面积；

图1、图2和图4所示，所述的张紧装置包括张紧缸、拉压传感器、平移板、安装架、直线导轨和张紧滑座，张紧滑座可滑动安装在机架底层上，在张紧滑座的下方同时设有固定在机架底层上的直线导轨，张紧滑座上固定安装架，平移板安装在安装架上，前述的张紧缸与安装架相邻固定安装在机架底层上，拉压传感器的一端与张紧缸的活塞杆连接，其另一端与平移板相连接；在平移板表面设有导向轮组件，钢丝绳穿过导向轮组件，在张紧缸作用下实现张紧与放松动作，并可通过拉压传感器测出张紧力；

图1、图2和图5所示，所述的钢丝绳图像采集系统包括相机安装架和多个CCD工业相机，所述的相机安装架为圆柱体结构，其内固定安装内六角体，多个CCD工业相机均匀分布安装在内六角体内，前述的钢丝绳由圆柱体结构中心穿过，全方位拍取钢丝绳表面图片信息，为图像处理进而进行故障诊断和识别做准备；

图1和图2所示，所述励磁装置通过基座安装在机架上，可对钢丝绳进行励磁，以检测钢丝绳的有效金属截面积，进一步可得到钢丝绳的剩余强度(最大破断力)。

图1和图2所示，所述的轴承信号采集系统包括隔音箱、噪声传感器、加速度传感器和天轮，隔音箱安装固定在机架顶层端头，天轮安装在隔音箱内部，噪声传感器安装在隔音箱内部，且其底部固定在机架上，加速度传感器安装在可更换故障轴承的外侧轴承座上，钢丝绳穿过隔离箱并缠绕在天轮上；轴承信号采集系统在进行轴承的噪声和振动信号采集过程中，模拟正常和故障轴承在旋转运行状态下的噪声和振动信号变化情况；同时第三热成像仪安装在轴承信号采集系统的隔音箱内，用于测量轴承在故障状态下由磨损引起的温度变化。

图1和图2所示，所述的张力传感器安装在机架上，如图2所示的I位置处，增加安装一个张力传感器时，可测轴承信号采集系统中天轮上的张力大小，如图2所示的I和II位置处，分别增加安装一个张力传感器时，可测量摩擦导向轮上的张力大小；

作为本发明的进一步优选，横轴通过键和螺钉固定在轴承座上；摩擦导向轮通过键和螺钉安装固定在横轴中央；

作为本发明的进一步优选，在摩擦导向轮的一侧安装有用于测量摩擦导向轮在钢丝绳故障状态下表面材料与钢丝绳摩擦磨损温度变化的第一热成像仪；

作为本发明的进一步优选，上衬垫通过螺纹孔固定安装在压紧缸的活塞杆上；在摩擦磨损滑座下方安装有固定在机架上的直线导轨，使摩擦磨损滑座在机架上移动；

作为本发明的进一步优选，前述的摩擦磨损装置还设有用于监测在磨损过程中摩擦磨损状况与温度变化间关系的第二热成像仪；

作为本发明的进一步优选，前述的钢丝绳图像采集系统包括三个CCD工业相机，以内六角中心为圆心，三个CCD工业相机两两呈120度安装均匀分布安装在内六角体内；

作为本发明的进一步优选，钢丝绳穿过隔离箱并缠绕在天轮上，前述的天轮表面含有摩擦材料；在轴承信号采集系统的隔音箱内安装第三热成像仪；

如图6所示，通过上述健康监测装置，可以对系统的关键零部件进行多状态健康监测，如：初始设置、故障状态模拟、故障信息采集与处理、基于深度学习方法的并行计算、故障识别及分类等等；具体实施方式如下：

实施例一：通过提升系统关键部件多状态健康监测装置对钢丝绳进行监测的方法，首先安装含锈蚀故障的钢丝绳，将含锈蚀故障的钢丝绳依次穿过大带轮、摩擦磨损装置、制损装置、张紧装置、内六角体中心位置处、励磁装置、张力传感器以及天轮，形成完整回路；先第一次启动电机，使整个健康监测装置进行缓慢匀速运行，使钢丝绳的锈蚀部分运行到指定位置即避开摩擦磨损装置和制损装置的任意位置；关闭电机，调节压紧缸和动作缸的压力，并设置动作缸的活塞运动范围，启动摩擦磨损装置，上称垫在压紧缸的作用力压紧钢丝绳，动作缸往复动作一定时间，使钢丝绳表面产生一定的磨损故障；关闭并复位摩擦磨损装置，启动电机，使任意段的健康钢丝绳运行到制损装置处；关闭电机，调节制损缸的压力，并设置冲头安装角度，启动制损装置，在钢丝绳上冲压出不同角度及深度的凹痕故障；关闭并复位制损装置，启动电机，使任意段的健康钢丝绳运行到制损装置处；关闭电机，更换冲头类型(此类型冲头头部相比于制造凹痕的冲头头部更加尖锐)，并使其角度与钢丝绳轴线垂直，调节制损缸的压力，启动制损装置，结合人工方式制造不同根数和位置的断丝故障；当钢丝绳上同时拥有锈蚀、磨损、凹痕、断丝故障后二次启动电机，使整个监测装置再次进行缓慢匀速运行，此时开启钢丝绳图像采集系统，通过三个CCD工业相机进行多角度提取图片数据信息；钢丝绳图像采集系统将采集到的图片传入上位机，对图像预处理后输入事先训练好的CNN深度神经网络模型中，上位机对数据进行并行计算，实现图像中故障的快速识别和分类；最后输出结果，得到钢丝绳的故障类型；

实施例二：通过提升系统关键部件多状态健康监测装置对轴承进行监测的方法，首先在轴承信号采集系统的外侧轴承座上安装正常或者故障的轴承(多种故障轴承可选择，模拟不同故障，包括内圈、滚动体、保持架和内圈故障)；将健康的钢丝绳依次穿过大带轮、摩擦磨损装置、制损装置、张紧装置、内六角体中心位置处、励磁装置、张力传感器以及天轮，形成完整回路，同时调整张紧缸的张紧力(多种张紧力可选择，模拟不同负载下钢丝绳的张力)；启动电机，使整个健康监测装置匀速运行(多种速度可选，模拟不同运行速度)，通过第三热成像仪与加速度传感器共同配合提取噪声和温度数据信息；将采集到的噪声和温度数据信息传入上位机，对噪声信号预处理后输入事先训练完毕的RNN深度神经网络模型中，上位机对数据进行并行计算，实现轴承噪声信号中故障特征的快速识别和分类；最后结果输出，得到轴承的故障类型。

实施例三：通过提升系统关键部件多状态健康监测装置对轴承进行监测的方法，首先在轴承信号采集系统的外侧轴承座上安装正常或者故障的轴承(多种故障轴承可选择，模拟不同故障，包括内圈、滚动体、保持架和内圈故障)；将健康的钢丝绳依次穿过大带轮、摩擦磨损装置、制损装置、张紧装置、内六角体中心位置处、励磁装置、张力传感器以及天轮，形成完整回路，同时调整张紧缸的张紧力(多种张紧力可选择，模拟不同负载下钢丝绳的张力)；启动电机，使整个健康监测装置匀速运行(多种速度可选，模拟不同运行速度)，通过第三热成像仪与加速度传感器共同配合提取轴承座振动信号和温度数据信息；将采集到的轴承座振动信号传入上位机，对振动信号预处理后输入事先训练好的DBN深度神经网络模型中，上位机对数据进行并行计算，实现振动信号中故障特征的快速识别和分类；最后结果输出，得到轴承的故障类型。

如图7所示，上位机中基于深度学习的故障诊断方法，以钢丝绳表面图像故障诊断为例：首先，进行已知工况下钢丝绳表面图像故障信息的深度学习，以得到训练样本重构信号；然后，进行待测工况下钢丝绳表面图像故障信息的深度学习，以得到测试样本重构信号；最后，采用分类器(如支持向量机、浅层神经网络等)对测试样本重构信号与训练样本重构信号进行匹配，根据重构信号相似度进行故障识别与分类，从而得到故障诊断结果。深度学习过程中采用GPU并行加速计算，以提高计算效率。

进一步的，如图6和7所示，一种提升系统关键部件多状态健康监测方法，通过CNN深度神经网络模型完成钢丝绳表面的故障类型判断后，结合励磁装置测得的故障处的剩余强度和张力传感器测得的故障处的实时张力(故障处两侧张力传感器差值)，可求得钢丝绳的动态安全系数，以全绳最小安全系数作为其安全性评价标准，与规定的安全系数进行比较，从而对钢丝绳的安全性作出评价：当全绳最小安全系数不小于规定的安全系数时，钢丝绳处于健康状况中。

动态安全系数：

式中，F_Ri为第i处钢丝绳故障处的剩余强度，前述的剩余强度是通过励磁装置对钢丝绳进行励磁，以检测钢丝绳的有效金属截面积，进一步得到钢丝绳的最大破断力，这个破断力就是剩余强度，F_i为第i处钢丝绳故障处的实测张力，以全绳最小安全系数作为其安全性评价标准：

式中，min{F_Ri}为全钢丝绳最小剩余强度，max{F_i}为全绳最大的实测张力，[k_a]为规程规定的安全系数，其值为设计破断力总和与最大静载荷的比值，根据这个公式，找出i处中最小剩余强度和最大实测张力，它们的比值若大于或等于规程规定的安全系数，则说明钢丝绳是健康的。

如图6和7所示，一种提升系统关键部件多状态健康监测方法，通过RNN和DBN深度神经网络模型分别完成轴承故障类型的判断，可对诊断过程及结果进行对比分析，以为实际工程中提升系统旋转机械健康监测方法及深度神经网络模型的选择提供依据。

如图1至图7所示，一种提升系统关键零部件多状态健康监测装置及方法，还可用以研究以下参数之间的关系：钢丝绳故障状况及故障程度与摩擦温度、张力、剩余强度、天轮接触应力等参数间的相互关系；轴承故障状况及故障程度与磨损温度、噪声、径向载荷、转速等参数间的相互关系等。上述参数间的关系对钢丝绳及轴承健康状态的评估起到了一定的指导作用，可在明确了故障类型的基础上判断故障程度的大小。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

本申请中所述的“和/或”的含义指的是各自单独存在或两者同时存在的情况均包括在内。

本申请中所述的“连接”的含义可以是部件之间的直接连接也可以是部件间通过其它部件的间接连接。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。