CN108398249A - 预测密封圈剩余寿命的方法和装置、工程机械及服务器 - Google Patents
预测密封圈剩余寿命的方法和装置、工程机械及服务器 Download PDFInfo
- Publication number
- CN108398249A CN108398249A CN201810102602.6A CN201810102602A CN108398249A CN 108398249 A CN108398249 A CN 108398249A CN 201810102602 A CN201810102602 A CN 201810102602A CN 108398249 A CN108398249 A CN 108398249A
- Authority
- CN
- China
- Prior art keywords
- sequence
- pressure
- piston
- value
- oil cylinder
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000007789 sealing Methods 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000006073 displacement reaction Methods 0.000 claims abstract description 72
- 230000033001 locomotion Effects 0.000 claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000004891 communication Methods 0.000 claims abstract description 15
- 230000008859 change Effects 0.000 claims description 75
- 238000005070 sampling Methods 0.000 claims description 50
- 239000007788 liquid Substances 0.000 claims description 41
- 239000012530 fluid Substances 0.000 claims description 12
- 230000000977 initiatory effect Effects 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 8
- 238000013398 bayesian method Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 208000006011 Stroke Diseases 0.000 claims 16
- 230000011218 segmentation Effects 0.000 description 18
- 230000035882 stress Effects 0.000 description 12
- 230000003862 health status Effects 0.000 description 9
- 238000003745 diagnosis Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 210000003813 thumb Anatomy 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000004171 remote diagnosis Methods 0.000 description 5
- 208000025599 Heat Stress disease Diseases 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 239000004744 fabric Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012856 packing Methods 0.000 description 2
- 230000003746 surface roughness Effects 0.000 description 2
- 238000004381 surface treatment Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 239000003566 sealing material Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000008646 thermal stress Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/005—Sealing rings
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Fluid-Pressure Circuits (AREA)
Abstract
本发明实施例提供一种预测密封圈剩余寿命的方法和装置、工程机械及服务器，属于液压领域。该方法的一个方面包括采集与所述油缸相关的数据，其中数据包括油缸工作过程中的压力、油缸内的油液的温度、与油缸对应的活塞运动的位移，压力为有杆腔压力或无杆腔压力；根据数据确定特征值；以及根据所述特征值确定所述密封圈的剩余寿命。该方法的另一方面包括接收特征值以及分析特征值以确定密封圈的剩余寿命。该装置包括采集模块和处理模块。服务器包括通信模块和分析模块。藉此，实现了预测油缸的密封圈的剩余寿命。
Description
技术领域
本发明涉及液压领域，具体地涉及一种预测密封圈剩余寿命的方法和装置、工程机械及服务器。
背景技术
目前，有多种诊断工程机械液压缸故障的技术。图1示出了一种工程机械液压缸故障诊断及与之适用的故障样本信号采集方法。如图1所示，该工程机械液压缸故障诊断系统包含4个模块，分别是特征参数提取模块2、数据库模块3、人机交互模块4和分类器模块1。其中，特征参数提取模块2用于提取故障特征参数和检验相似度，数据库模块3用于存储样本数据和临时数据，人机交互模块4用于根据用户输入完成相关查询显示功能，分类器模块1用于设计分类器和对未知故障信号进行分类。图2示出了一种油缸泄漏故障诊断方法及系统流程图。如图2所示，该油缸泄漏故障诊断方法包含以下三个步骤：(1)通过长度、角度传感器感测主机工作状态下各工况进行时的大臂的长度信息和角度信息；(2)建立主机在各工况下正常工作时的大臂长度信息和角度信息的变化规律；(3)当长度、角度传感器感测到大臂的长度信息或角度信息不符合主机正常工作时的变化规律时，判定伸缩油缸或变幅油缸存在泄漏故障。图1所示的内容和图2所示的内容均是诊断油缸泄漏故障，诊断油缸泄漏故障是事后诊断，即，只有当油缸发生泄漏故障后，才能通过传感器感测到的数据判定油缸存在故障，不能预测油缸密封圈的剩余寿命。
发明内容
本发明实施例的目的是提供一种预测密封圈剩余寿命的方法和装置、工程机械及服务器，其可实现预测油缸的密封圈的剩余寿命。
为了实现上述目的，本发明实施例的一个方面提供一种用于预测油缸的密封圈的剩余寿命的方法，该方法包括：采集与所述油缸相关的数据，其中所述数据包括所述油缸工作过程中的压力、所述油缸内的油液的温度、与所述油缸对应的活塞运动的位移，所述压力为有杆腔压力或无杆腔压力；根据所述数据确定特征值，其中所述特征值包括以下至少一者：所述压力的变化频次关于所述压力的幅值及变化周期的二维分布、所述油缸的工作时长关于所述压力及所述活塞的速度的二维分布、所述油缸的工作时长关于所述温度的一维分布、所述活塞的运动频次关于所述活塞的行程的一维分布；以及根据所述特征值确定所述密封圈的剩余寿命。
可选地，该方法还包括传输所述特征值至服务器，以使所述服务器根据所述特征值确定所述密封圈的剩余寿命。
可选地，确定所述压力的变化频次关于所述压力的幅值及变化周期的二维分布包括：将采集到的所述压力形成压力序列，其中所述压力序列包括压力值和序列号；根据所述压力序列确定所述压力的峰谷值序列，其中所述峰谷值序列包括所述压力的峰值和谷值以及所述峰值和所述谷值分别对应的所述序列号；根据所述峰谷值序列确定峰谷幅值序列及峰谷变化周期序列，其中所述峰谷幅值序列由所述峰谷值序列中相邻的所述峰值和所述谷值的差值的绝对值组成，所述峰谷变化周期序列由所述峰谷值序列中相邻的峰值和谷值分别对应的所述序列号的差值与所述压力的采样时间间隔的乘积组成；将所述峰谷幅值序列分为第一预设值等分的等间隔的第一范围区间，其中所述第一范围区间的周期间隔为所述峰谷幅值序列中的最大值与最小值的差值的绝对值与所述第一预设值的比值；将所述峰谷变化周期序列分为第二预设值等分的等间隔的第二范围区间，其中所述第二范围区间的周期间隔为所述峰谷变化周期序列中的最大值与最小值的差值的绝对值与所述第二预设值的比值；以及根据所述峰谷幅值序列和所述峰谷变化周期序列统计与所述第一范围区间中的一区间及所述第二范围区间中的一区间对应的所述压力的变化频次，以得到所述压力的变化频次关于所述压力的幅值及变化周期的二维分布。
可选地，确定所述油缸的工作时长关于所述压力及所述活塞的速度的二维分布包括：将采集到的所述压力形成压力序列；将采集到的所述位移形成活塞位移序列；将所述压力序列分为第三预设值等分的等间隔的第三范围区间，其中所述第三范围区间的周期间隔为所述压力序列中的最大值与最小值的差值的绝对值与所述第三预设值的比值；对所述活塞位移序列中的所述位移进行微分以得到所述活塞的活塞速度序列；将所述活塞速度序列分为第四预设值等分的等间隔的第四范围区间，其中所述第四范围区间的周期间隔为所述活塞速度序列中的最大值与最小值的差值的绝对值与所述第四预设值的比值；根据所述压力序列和所述活塞速度序列统计与所述第三范围区间中的一区间及所述第四范围区间中的一区间对应的所述压力和所述速度的采样点数；以及将所述压力和所述速度的采样点数乘以所述压力和所述位移的采样时间间隔以得到所述油缸的工作时长关于所述压力及所述活塞的速度的二维分布。
可选地，确定所述油缸的工作时长关于所述温度的一维分布包括：将采集到的所述温度形成油液温度序列；将所述油液温度序列分为第五预设值等分的等间隔的第五范围区间，其中所述第五范围区间的周期间隔为所述油液温度序列中的最大值与最小值的差值的绝对值与所述第五预设值的比值；根据所述油液温度序列统计与所述第五范围区间中的一区间对应的所述温度的采样点数；以及将所述温度的采样点数乘以所述温度的采样时间间隔以得到所述油缸的工作时长关于所述温度的一维分布。
可选地，确定所述活塞的运动频次关于所述活塞的行程的一维分布包括：将采集到的所述位移形成位移序列；根据所述位移序列确定所述活塞的行程序列；将所述行程序列分为第六预设值等分的等间隔的第六范围区间，其中所述第六范围区间的周期间隔为所述行程序列中的最大值与最小值的差值的绝对值与所述第六预设值的比值；根据所述行程序列统计与所述第六范围区间中的一区间对应的所述活塞的运动频次，以得到所述活塞的运动频次关于所述活塞的行程的一维分布。
此外，本发明实施例的另一方面提供一种由服务器执行的用于预测油缸的密封圈的剩余寿命的方法，该方法包括：接收特征值，其中所述特征值包括以下至少一者：所述压力的变化频次关于所述压力的幅值及变化周期的二维分布、所述油缸的工作时长关于所述压力及所述活塞的速度的二维分布、所述油缸的工作时长关于所述温度的一维分布、所述活塞的运动频次关于所述活塞的行程的一维分布；以及分析所述特征值，以确定所述密封圈的剩余寿命。
可选地，所述分析所述特征值为根据以下任一者进行分析：k近邻法、感知机、朴素贝叶斯法、决策树、逻辑斯谛回归模型、支持向量机、提升方法、贝叶斯网络、神经网络、聚类、线性回归和非线性回归。
另外，本发明实施例的另一方面提供一种用于预测油缸的密封圈的剩余寿命的装置，该装置包括：采集模块，用于采集与所述油缸相关的数据，其中所述数据包括所述油缸工作过程中的压力、所述油缸内的油液的温度、与所述油缸对应的活塞运动的位移，所述压力为有杆腔压力或无杆腔压力；以及处理模块，用于根据所述数据确定特征值，其中所述特征值包括以下至少一者：所述压力的变化频次关于所述压力的幅值及变化周期的二维分布、所述油缸的工作时长关于所述压力及所述活塞的速度的二维分布、所述油缸的工作时长关于所述温度的一维分布、所述活塞的运动频次关于所述活塞的行程的一维分布；以及根据所述特征值确定所述密封圈的剩余寿命。
可选地，该装置还包括通信模块，用于传输所述特征值至服务器，以使所述服务器根据所述特征值确定所述密封圈的剩余寿命。
可选地，所述处理模块确定所述压力的变化频次关于所述压力的幅值及变化周期的二维分布包括：将采集到的所述压力形成压力序列，其中所述压力序列包括压力值和序列号；根据所述压力序列确定所述压力的峰谷值序列，其中所述峰谷值序列包括所述压力的峰值和谷值以及所述峰值和所述谷值分别对应的所述序列号；根据所述峰谷值序列确定峰谷幅值序列及峰谷变化周期序列，其中所述峰谷幅值序列由所述峰谷值序列中相邻的所述峰值和所述谷值的差值的绝对值组成，所述峰谷变化周期序列由所述峰谷值序列中相邻的峰值和谷值分别对应的所述序列号的差值与所述压力的采样时间间隔的乘积组成；将所述峰谷幅值序列分为第一预设值等分的等间隔的第一范围区间，其中所述第一范围区间的周期间隔为所述峰谷幅值序列中的最大值与最小值的差值的绝对值与所述第一预设值的比值；将所述峰谷变化周期序列分为第二预设值等分的等间隔的第二范围区间，其中所述第二范围区间的周期间隔为所述峰谷变化周期序列中的最大值与最小值的差值的绝对值与所述第二预设值的比值；以及根据所述峰谷幅值序列和所述峰谷变化周期序列统计与所述第一范围区间中的一区间及所述第二范围区间中的一区间对应的所述压力的变化频次，以得到所述压力的变化频次关于所述压力的幅值及变化周期的二维分布。
可选地，所述处理模块确定所述油缸的工作时长关于所述压力及所述活塞的速度的二维分布包括：将采集到的所述压力形成压力序列；将采集到的所述位移形成活塞位移序列；将所述压力序列分为第三预设值等分的等间隔的第三范围区间，其中所述第三范围区间的周期间隔为所述压力序列中的最大值与最小值的差值的绝对值与所述第三预设值的比值；对所述活塞位移序列中的所述位移进行微分以得到所述活塞的活塞速度序列；将所述活塞速度序列分为第四预设值等分的等间隔的第四范围区间，其中所述第四范围区间的周期间隔为所述活塞速度序列中的最大值与最小值的差值的绝对值与所述第四预设值的比值；根据所述压力序列和所述活塞速度序列统计与所述第三范围区间中的一区间及所述第四范围区间中的一区间对应的所述压力和所述速度的采样点数；以及将所述压力和所述速度的采样点数乘以所述压力和所述位移的采样时间间隔以得到所述油缸的工作时长关于所述压力及所述活塞的速度的二维分布。
可选地，所述处理模块确定所述油缸的工作时长关于所述温度的一维分布包括：将采集到的所述温度形成油液温度序列；将所述油液温度序列分为第五预设值等分的等间隔的第五范围区间，其中所述第五范围区间的周期间隔为所述油液温度序列中的最大值与最小值的差值的绝对值与所述第五预设值的比值；根据所述油液温度序列统计与所述第五范围区间中的一区间对应的所述温度的采样点数；以及将所述温度的采样点数乘以所述温度的采样时间间隔以得到所述油缸的工作时长关于所述温度的一维分布。
可选地，所述处理模块确定所述活塞的运动频次关于所述活塞的行程的一维分布包括：将采集到的所述位移形成位移序列；根据所述位移序列确定所述活塞的行程序列；将所述行程序列分为第六预设值等分的等间隔的第六范围区间，其中所述第六范围区间的周期间隔为所述行程序列中的最大值与最小值的差值的绝对值与所述第六预设值的比值；根据所述行程序列统计与所述第六范围区间中的一区间对应的所述活塞的运动频次，以得到所述活塞的运动频次关于所述活塞的行程的一维分布。
另外，本发明实施例的另一方面提供一种服务器，该服务器包括：通信模块，用于接收特征值，其中所述特征值包括以下至少一者：所述压力的变化频次关于所述压力的幅值及变化周期的二维分布、所述油缸的工作时长关于所述压力及所述活塞的速度的二维分布、所述油缸的工作时长关于所述温度的一维分布、所述活塞的运动频次关于所述活塞的行程的一维分布；以及分析模块，用于分析所述特征值，以确定所述密封圈的剩余寿命。
可选地，所述分析模块分析所述特征值为根据以下任一者进行分析：k近邻法、感知机、朴素贝叶斯法、决策树、逻辑斯谛回归模型、支持向量机、提升方法、贝叶斯网络、神经网络、聚类、线性回归和非线性回归。
另外，本发明实施例的另一方面提供一种工程机械，该工程机械包括上述的装置。
另外，本发明实施例的另一方面提供一种用于预测油缸密封圈的剩余寿命的系统，该系统包括：上述的装置；上述的服务器；以及终端，用于显示所述剩余寿命。
另外，本发明实施例的另一方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述的用于预测油缸的密封圈的剩余寿命的方法。
另外，本发明实施例的另一方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述的由服务器执行的用于预测油缸的密封圈的剩余寿命的方法。
通过上述技术方案，采集与油缸相关的数据，根据采集到的数据确定特征值，根据特征值确定油缸的密封圈的剩余寿命，如此，实现了预测油缸密封圈的剩余寿命，以使得工作人员了解油缸的健康状态，便于及时采取应对措施。此外，基于油缸工作过程中的压力、油缸内油液的温度、活塞运动的位移预测油缸密封圈的剩余寿命，可以适用于各种油缸，扩大了应用范围。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1是一种工程机械液压缸故障诊断系统及与之适用的故障样本信号采集方法；
图2是油缸泄漏故障诊断方法及系统流程图；
图3是本发明一实施例提供的用于预测油缸的密封圈的剩余寿命的方法的流程图；
图4是本发明另一实施例提供的用于预测油缸的密封圈的剩余寿命的方法的流程图；
图5是本发明另一实施例提供的由服务器执行的用于预测油缸的密封圈的剩余寿命的方法的流程图；
图6是本发明另一实施例提供的用于预测油缸的密封圈的剩余寿命的装置的结构框图；
图7是本发明另一实施例提供的用于预测油缸的密封圈的剩余寿命的装置的结构框图；
图8是本发明另一实施例提供的服务器的结构框图；
图9是本发明另一实施例提供的用于预测油缸的密封圈的剩余寿命的系统的示意图；以及
图10是本发明另一实施例提供的预测油缸的密封圈的剩余寿命的逻辑流程图。
附图标记说明
1 分类器模块 2 特征参数提取模块
3 数据库模块 4 人机交互模块
5 采集模块 6 处理模块
7 第一通信模块 8 第二通信模块
9 分析模块
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
本发明实施例的一个方面提供一种用于预测油缸的密封圈的剩余寿命的方法的流程图。图3是本发明一实施例提供的用于预测油缸的密封圈的剩余寿命的方法的流程图。如图3所示，该方法包括以下步骤。
在步骤S30中，采集与油缸相关的数据，其中数据包括油缸工作过程中的压力、油缸内的油液的温度、与油缸对应的活塞运动的位移，其中压力可以为有杆腔压力或无杆腔压力。
在步骤S31中，根据数据确定特征值，其中特征值包括以下至少一者：压力的变化频次关于压力的幅值及变化周期的二维分布、油缸的工作时长关于压力及活塞的速度的二维分布、油缸的工作时长关于温度的一维分布、活塞的运动频次关于活塞的行程的一维分布。
在步骤S32中，根据特征值确定油缸的密封圈的剩余寿命。
油缸的密封圈失效的原因主要有两类：疲劳和高温，疲劳对密封圈的影响主要与油缸工作过程中的压力和油液温度有关，高温对密封圈的影响主要与油缸工作过程中的压力和活塞的运动位移有关。在油缸的工作过程中，密封圈需要不断的承受油缸往复运动过程中油压对其的反复挤压导致机械疲劳破坏，统计油缸的压力变化关于变化周期和幅值的分布能反映机械疲劳破坏对密封圈寿命的影响；高温产生的热应力对密封圈产生热疲劳，统计油液温度在油缸工作期间的分布能反映热疲劳对密封圈寿命的影响；高温使得密封圈的弹性降低，密封性能下降，高温产生主要与密封圈的粘弹性以及密封圈往复运动过程中的摩擦力有关，油缸的压力、活塞的速度以及活塞行程的分布能反映由于密封圈的粘弹性和摩擦力产生的热量，即产生的高温。因此，根据压力的变化频次关于压力的幅值及变化周期的二维分布、油缸的工作时长关于压力及活塞的速度的二维分布、油缸的工作时长关于温度的一维分布和/或活塞的运动频次关于活塞的行程的一维分布可以确定密封圈的剩余寿命。由此，采集与油缸相关的数据，根据采集到的数据确定特征值，根据特征值确定油缸的密封圈的剩余寿命，如此，实现了预测油缸密封圈的剩余寿命，以使得工作人员了解油缸的健康状态，便于及时采取应对措施。此外，基于油缸工作过程中的压力、油缸内油液的温度、活塞运动的位移预测油缸密封圈的剩余寿命，可以适用于各种油缸，扩大了应用范围。
图4是本发明另一实施例提供的用于预测油缸的密封圈的剩余寿命的方法的流程图。图4所示的方法与图3所示的方法的不同之处在于，图4所示的方法还包括以下步骤。在步骤S43中，传输特征值至服务器，以使服务器根据特征值确定油缸的密封圈的剩余寿命。
将特征值传输至服务器，以使服务器根据特征值确定油缸密封圈的剩余寿命，如此，通过与服务器之间的通信，使得服务器确定油缸的密封圈的剩余寿命，实现了远程诊断油缸的健康状况，提高了工作效率，降低了成本。另外，根据采集的数据确定特征值，以传输特征值至服务器，如此，将庞大的原始数据处理后再进行传输，减轻了数据的传输负担和存储负担，提高了效率。
下面具体描述本发明的理论基础。
针对经常使用在往复作业工况下的液压缸，例如混凝土泵送主油缸、摆缸，挖掘机工作装置油缸(动臂、斗杆、铲斗油缸)，活塞杆密封失效、漏油引起的外泄漏占油缸故障率的70％，活塞密封失效引起的内泄漏占油缸故障率的10％，两者之和超过80％。
密封失效原因主要有两类：疲劳、高温。这两个原因导致的失效机理如下：
1)疲劳
●理论模型
疲劳失效的模型明确指出，疲劳失效的因素来自压力、油液温度。
影响密封圈的影响因素有很多，将这些因素合并成总体影响因素为：
式中，ftot,of—总体影响因素，fST,af—统计学影响因素，fGR,af—应力梯度影响因素，f1,af—表面粗糙度影响因素，fm,af—平均应力影响因素，f2,af—表面处理情况影响因素，fTE,af—温度影响因素，fGS,af—般表面情况影响因素。
在油缸的加工过程中形成的影响因素包括：统计学影响因素、表面粗糙度影响因素、表面处理情况影响因素、一般表面情况影响因素；在油缸工作过程中形成的影响因素包括：应力梯度影响因素、平均应力影响因素、温度影响因素。本发明技术方案侧重考虑油缸工作载荷、工作环境对密封寿命的影响，所以假定油缸加工过程中形成的影响因素使所有油缸的密封性能最佳，只考虑油缸工作过程中形成的影响因素，即应力梯度、平均应力、温度。油缸往复运动中油压对密封圈的反复挤压，导致密封圈的应力变化，密封圈的应力与油缸压力相关。因此，预测油缸密封圈的剩余寿命所需要采集的数据可以包括油缸工作过程中的压力和油液温度。其中压力可以是有杆腔压力，也可以是无杆腔压力。由于密封圈需要不断的承受油缸往复运动中油压对其的反复挤压导致机械疲劳破坏，统计油缸压力变化特征(周期和幅值)的分布能反映机械疲劳破坏对密封圈寿命的影响。另外，高温产生的热应力对密封圈产生热疲劳，统计油液温度在油缸工作期间的分布能反映热疲劳对密封圈寿命的影响。所以，从采集的原始数据中提取有(无)杆腔压力变化频次关于压力变化周期和幅值的二维分布和油缸工作时长关于温度的一维分布，根据有(无)杆腔压力变化频次关于压力变化周期和/或幅值的二维分布和油缸工作时长关于温度的一维分布可以确定密封圈的剩余寿命。
2)高温
●理论分析
a)由于密封材料具有粘弹性，在工作载荷作用下往复运动的密封圈产生应力—应变滞环，造成滞环生热。油缸运动过程中，压力变化是造成密封圈应力变化的原因。
b)密封圈往复运动过程中，存在柔体—刚体摩擦，摩擦力做功将机械能转化为热能，使密封圈温度升高。
Qf＝2μFl＝2μσAl
式中，μ—橡胶密封材料与钢的摩擦因素，σ—密封圈单元轴向接触应力(MPa)，l—往复运动密封长度(m)，A—摩擦副上密封圈的接触面积(m2)。
密封圈单元轴向接触应力与油缸的工作压力有关，往复运动密封长度等于活塞运动的实际行程。
c)活塞运动速度越快，往复运动周期越短，应力-应变滞环和摩擦产生的热量越容易累积，导致密封圈高温。
综上，预测油缸密封圈的剩余寿命所需要采集的数据可以包括油缸工作过程中的压力和活塞的运动位移。其中压力可以是有杆腔压力，也可以是无杆腔压力。高温使密封圈的弹性降低，密封性能下降。根据上述理论分析，油缸压力、活塞速度、活塞行程的分布情况能反映由于密封圈粘弹性和摩擦力产生的热量。所以，从采集的原始数据中提取油缸工作时长关于有(无)杆腔压力及活塞速度的二维分布和/或活塞的运动频次关于活塞的行程的一维分布，根据油缸工作时长关于有(无)杆腔压力及活塞速度的二维分布和/或活塞的运动频次关于活塞的行程的一维分布可以确定密封圈剩余的寿命。
可选地，在本发明实施例中，确定压力的变化频次关于压力的幅值及变化周期的二维分布包括：将采集到的压力形成压力序列，其中压力序列包括压力值和序列号；根据压力序列确定压力的峰谷值序列，其中峰谷值序列包括压力的峰值和谷值以及峰值和谷值分别对应的序列号；根据峰谷值序列确定峰谷幅值序列及峰谷变化周期序列，其中所述峰谷幅值序列由所述峰谷值序列中相邻的所述峰值和所述谷值的差值的绝对值组成，所述峰谷变化周期序列由所述峰谷值序列中相邻的峰值和谷值分别对应的所述序列号的差值与所述压力的采样时间间隔的乘积组成；将峰谷幅值序列分为第一预设值等分的等间隔的第一范围区间，其中第一范围区间的周期间隔为峰谷幅值序列中的最大值与最小值的差值的绝对值与第一预设值的比值；将峰谷变化周期序列分为第二预设值等分的等间隔的第二范围区间，其中第二范围区间的周期间隔为峰谷变化周期序列中的最大值与最小值的差值的绝对值与第二预设值的比值；以及根据峰谷幅值序列和峰谷变化周期序列统计与第一范围区间中的一区间及第二范围区间中的一区间对应的压力的变化频次，以得到压力的变化频次关于压力的幅值及变化周期的二维分布。
下面举例说明如何确定压力的变化频次关于压力的幅值及变化周期的二维分布。其中压力可以是有杆腔压力或无杆腔压力。
ⅰ.根据有(无)杆腔压力序列Prod/rodless{p1,p2,…pi…pn}，统计得到峰谷值序列，该峰谷值序列包括从有(无)杆腔压力序列中的峰值和谷值以及该峰值和谷值所对应的序列号，为便于后续计算，可以将峰谷值序列分为峰谷值点序列Ppole{ppole1,ppole2,…ppolei…ppolem}和峰谷值点序列中的峰值和谷值对应的序列号序列Npole{npole1,npole2,…npolei…npolem}。其中，该有(无)杆腔压力序列由采集到的有(无)杆腔压力形成，并且压力序列包括两个方面的信息，压力值和该压力值对应的序列号。
ⅱ.根据峰谷值序列统计峰谷幅值及峰谷变化周期，形成峰谷幅值序列及峰谷变化周期序列。其中峰谷幅值序列中的值为峰谷值序列中的相邻的峰值和谷值的差值的绝对值。另外，峰谷变化周期序列中的值与峰谷幅值序列中的值对应，由计算峰谷幅值所应用的峰值和谷值所对应的序列号的差值与有(无)杆腔压力的采样时间间隔的乘积组成。峰谷幅值序列中的一峰谷幅值及峰谷变化周期序列中的一变化周期可以根据以下公式进行计算：
P′幅值i＝|ppolei-ppolei-1|
T′i＝Δt×(npolei-npolei-1)
其中，Δt为有(无)杆腔压力的采样时间间隔。
ⅲ.将峰谷变化周期序列中的峰谷变化周期的变化区间分为n1等分，得到等间隔的范围区间，n1根据经验进行选取，周期间隔max(T)为峰谷变化周期序列中的最大值，min(T)为峰谷变化周期序列中的最小值；峰谷幅值序列中的峰谷幅值的变化区间分为n2等分得到等间隔的范围区间，n2根据经验选取，幅值间隔max(P幅值)为峰谷幅值序列中的最大值，min(P幅值)为峰谷幅值序列中的最小值。
ⅳ.统计位于分段周期区间[Tj,Tj+1]且位于分段幅值区间[P幅值i,P幅值(i+1)]范围内的变化频次。峰谷幅值与峰谷变化周期的计算是相对应的，就是峰谷幅值序列中的任一峰谷幅值均对应一峰谷变化周期，确定峰谷幅值序列中的一峰谷幅值及其对应的峰谷变化周期分别位于哪一分段幅值区间及哪一分段周期区间，在所确定分段幅值区间及分段周期区间的交汇处统计一次。统计一次意味着有(无)杆腔压力从峰值到谷值变化一次。如此，统计完峰谷幅值序列中的每一峰谷幅值，得出任一分段周期区间与任一分段幅值区间的所对应的变化频次。
ⅴ.得到有(无)杆腔压力的变化频次关于压力的变化周期和幅值的二维分布F1{T＝ti,P幅值＝pi}。根据得出的任一分段周期区间与任一分段幅值区间的所对应的变化频次得出有(无)杆腔压力的变化频次关于压力的变化周期和幅值的二维分布F1{T＝ti,P幅值＝pi}。
表1有(无)杆腔压力变化频次关于压力的变化周期和幅值的二维分布
可选地，在本发明实施例中，确定油缸的工作时长关于压力及活塞的速度的二维分布包括：将采集到的压力形成压力序列；将采集到的位移形成活塞位移序列；将压力序列分为第三预设值等分的等间隔的第三范围区间，其中第三范围区间的周期间隔为压力序列中的最大值与最小值的差值的绝对值与第三预设值的比值；对活塞位移序列中的位移进行微分以得到活塞的活塞速度序列；将活塞速度序列分为第四预设值等分的等间隔的第四范围区间，其中第四范围区间的周期间隔为活塞速度序列中的最大值与最小值的差值的绝对值与第四预设值的比值；根据压力序列和活塞速度序列统计与第三范围区间中的一区间及第四范围区间中的一区间对应的压力和速度的采样点数；以及将压力和速度的采样点数乘以压力和位移的采样时间间隔以得到油缸的工作时长关于压力及活塞的速度的二维分布。
下面举例说明如何确定油缸的工作时长关于压力及活塞的速度的二维分布。
ⅰ.得到有(无)杆腔压力序列Prod/rodless{p1,p2,…pi…pn}和活塞位移序列S{s1,s2,…si…sn}。其中，该有(无)杆腔压力序列由采集到的有(无)杆腔压力形成，活塞位移序列由采集到的活塞的位移形成。
ⅱ.对活塞位移数值微分得到活塞速度序列V{v1,v2,…vi…vn}。分别对活塞位移序列中的每一活塞位移微分得到活塞速度，并将所得到的活塞速度形成活塞速度序列。
ⅲ.将有(无)杆腔压力序列中的有(无)杆腔压力的变化区间分为n3等分得到等间隔的范围区间，n3根据经验进行选取，间隔max(p)为有(无)杆腔压力序列中的有(无)杆腔压力的最大值，min(p)为有(无)杆腔压力序列中的有(无)杆腔压力的最小值；活塞速度序列中的活塞速度的变化区间分为n4等分得到等间隔的范围区间，n4根据经验选取， 速度间隔 max(v)为活塞速度序列中的活塞速度的最大值，min(v)为活塞速度序列中的活塞速度的最小值。
ⅳ.统计位于分段压力区间[psj,ps(j+1)]且位于分段速度区间[vsi,vs(i+1)]范围内的采样点数。有(无)杆腔的压力与活塞的位移相关，活塞的速度根据活塞的位移得出，因此有(无)杆腔的压力与活塞速度相关，也就是有(无)杆腔压力序列中的每一有(无)杆腔压力一活塞速度，确定有(无)杆腔压力序列中的一有(无)杆腔压力及其对应的活塞速度分别位于哪一分段压力区间及哪一分段速度区间，在所确定分段压力区间及分段速度区间的交汇处统计一次，如此，统计完有(无)杆腔压力序列中的每一有(无)杆腔压力，得出任一分段压力区间与任一分段速度区间的所对应的采样点数，即所采集的有(无)杆腔压力和位移的样本点数。
ⅴ.采样点数乘以采样时间间隔Δt，得出该采样点数所对应的工作时长，根据得出的任一分段压力区间与任一分段速度区间与采样点数的对应关系，得到油缸工作时长关于有(无)杆腔压力和活塞速度的二维分布F2{P＝pi,V＝vi}。
表2油缸工作时长关于有(无)杆腔压力和活塞速度的二维分布
可选地，在本发明实施例中，确定油缸的工作时长关于温度的一维分布包括：将采集到的温度形成油液温度序列；将油液温度序列分为第五预设值等分的等间隔的第五范围区间，其中第五范围区间的周期间隔为油液温度序列中的最大值与最小值的差值的绝对值与第五预设值的比值；根据油液温度序列统计与第五范围区间中的一区间对应的温度的采样点数；以及将温度的采样点数乘以温度的采样时间间隔以得到油缸的工作时长关于温度的一维分布。
下面举例说明如何确定油缸的工作时长关于温度的一维分布。
ⅰ.得到油液温度序列Temp{temp1,temp2,…tempi…tempn}。其中，该油液温度序列由采集到的温度形成。
ⅱ.将油液温度的变化区间分为n5等分得到等间隔的范围区间，n5根据经验进行选取，，温度间隔max(temp)为油液温度序列中的油液温度的最大值，min(temp)为油液温度序列中的油液温度的最小值。
ⅳ.统计位于分段温度区间[tempsi,temps(i+1)]范围内的采样点数。确定油液温度序列中的一油液温度位于哪一分段区间，在所确定分段温度处统计一次，如此，统计完油液温度序列中的每一油液温度，得出任一分段温度区间所对应的采样点数，即每一分段温度区间所对应的采集的油液温度的样本点数。
ⅴ.采样点数乘以采样时间间隔Δt，得出该采样点数所对应的工作时长，根据得出任一分段温度区间与采样点数的对应关系，得到油缸工作时长关于油液温度的一维分布F3{Ttemp＝ttempi}。其中，该采样时间间隔Δt为采集有油液温度的采样时间间隔。
表3油缸工作时长关于油液温度的一维分布
可选地，在本发明实施例中，确定活塞的运动频次关于活塞的行程的一维分布包括：将采集到的位移形成位移序列；根据位移序列确定活塞的行程序列；将行程序列分为第六预设值等分的等间隔的第六范围区间，其中第六范围区间的周期间隔为行程序列中的最大值与最小值的差值的绝对值与第六预设值的比值；根据行程序列统计与第六范围区间中的一区间对应的活塞的运动频次，以得到活塞的运动频次关于活塞的行程的一维分布。
下面举例说明如何确定活塞的运动频次关于活塞的行程的一维分布。
ⅰ.得到活塞位移序列S{s1,s2,…si…sn}。其中，该位移序列由采集到的活塞运动的位移形成。
ⅱ.根据活塞位移序列得到运动的行程序列L{l1,l2,…li…ln}。活塞的位移与活塞的实际行程对应，根据活塞的位移序列可以得到活塞运动的行程序列。
ⅲ.将行程序列中行程的变化区间分为n6等分得到等间隔的范围区间，n6根据经验进行选取，行程间隔max(l)为行程度序列中的行程的最大值，min(l)为行程序列中的行程的最小值。
ⅳ.统计位于分段行程区间[lsi,ls(i+1)]范围内的次数，得到活塞的运动频次关于行程的一维分布F4{L＝li}。确定行程序列中的一行程位于哪一分段行程区间，在所确定分段行程处统计一次，如此，统计完行程序列中的每一行程，得出任一分段行程区间所对应的运动频次，根据得出的分段行程区间与运动频次的对应关系得到活塞的运动频次关于活塞的行程的一维分布F4{L＝li}。
表4活塞的运动频次关于活塞的行程的一维分布
可选地，在本发明实施例中，可以先对采集的与油缸相关的数据进行预处理，然后再根据处理的后数据确定特征值，例如利用中值滤波对采集的数据进行预处理。例如，在确定压力的变化频次关于压力的幅值和变化周期的二维分布时，可以先对压力序列进行滤波，以剔除非峰谷值点后，再进行后续的计算。
此外，本发明实施例的另一方面提供一种由服务器执行的用于预测油缸的密封圈的剩余寿命的方法。图5是本发明另一实施例提供的由服务器执行的用于预测油缸的密封圈的剩余寿命的方法的流程图。如图5所示，该方法包括以下步骤。在步骤S50中，接收特征值，其中，特征值包括以下至少一者：压力的变化频次关于压力的幅值及变化周期的二维分布、油缸的工作时长关于压力及活塞的速度的二维分布、油缸的工作时长关于温度的一维分布、活塞的运动频次关于活塞的行程的一维分布。另外，特征值的确定方法可见上述实施例中的描述。在步骤S51中，分析特征值，以确定密封圈的剩余寿命。
分析接收到的特征值，确定油缸的密封圈的剩余寿命，如此，实现了预测油缸密封圈的剩余寿命，以使得工作人员了解油缸的健康状态，便于及时采取应对措施。此外，通过远程通信接收特征值，进而根据特征值确定密封圈的剩余寿命，实现了远程诊断油缸的健康状况，提高了工作效率，降低了成本。另外，基于接收的特征值判断密封圈的剩余寿命，而特征值可能与油缸工作过程中的压力、油缸内油液的温度、活塞运动的位移相关，如此，扩大了预测密封圈剩余寿命的应用范围，使得该预测方法可以适用于各种油缸。
可选地，在本发明实施例中，分析特征值为根据以下任一者进行分析：k近邻法、感知机、朴素贝叶斯法、决策树、逻辑斯谛回归模型、支持向量机、提升方法、贝叶斯网络、神经网络、聚类、线性回归和非线性回归。
另外，本发明实施例的另一方面提供一种用于预测油缸的密封圈的剩余寿命的装置。图6是本发明另一实施例提供的用于预测油缸的密封圈的剩余寿命的装置的结构框图。如图6所示，该装置包括采集模块5和处理模块6。采集模块5用于采集与油缸相关的数据，其中数据包括油缸工作过程中的压力、油缸内的油液的温度、与油缸对应的活塞运动的位移，压力为有杆腔压力或无杆腔压力。处理模块6用于根据数据确定特征值以及根据特征值确定油缸的密封圈的剩余寿命，其中特征值包括以下至少一者：压力的变化频次关于压力的幅值及变化周期的二维分布、油缸的工作时长关于压力及活塞的速度的二维分布、油缸的工作时长关于温度的一维分布、活塞的运动频次关于活塞的行程的一维分布。其中，采集模块5可以包括压力传感器、位移传感器、温度传感器。处理模块6可以是电子控制单元ECU。
采集与油缸相关的数据，根据采集到的数据确定特征值，根据特征值确定油缸的密封圈的剩余寿命，如此，实现了预测油缸密封圈的剩余寿命，以使得工作人员了解油缸的健康状态，便于及时采取应对措施。此外，基于油缸工作过程中的压力、油缸内油液的温度、活塞运动的位移预测油缸密封圈的剩余寿命，可以适用于各种油缸，扩大了应用范围。
图7是本发明另一实施例提供的用于预测油缸的密封圈的剩余寿命的装置的结构框图。图7所示的装置与图6所示的装置的不同之处在于，图7所示的装置还包括第一通信模块7。第一通信模块7用于传输特征值至服务器，以使服务器根据特征值确定密封圈的剩余寿命。第一通信模块7可以是连接控制单元CCU。
将特征值传输至服务器，以使服务器根据特征值确定油缸密封圈的剩余寿命，如此，通过与服务器之间的通信，使得服务器确定油缸的密封圈的剩余寿命，实现了远程诊断油缸的健康状况，提高了工作效率，降低了成本。另外，根据采集的数据确定特征值，以传输特征值至服务器，如此，将庞大的原始数据处理后再进行传输，减轻了数据的传输负担和存储负担，提高了效率。
另外，关于如何确定压力的变化频次关于压力的幅值及变化周期的二维分布、油缸的工作时长关于压力及活塞的速度的二维分布、油缸的工作时长关于温度的一维分布、活塞的运动频次关于活塞的行程的一维分布可见上述实施例中关于用于预测油缸的密封圈的剩余寿命的方法的描述。
本发明实施例提供的用于预测油缸的密封圈的剩余寿命的装置的具体工作原理及益处与上述本发明实施例提供的用于预测油缸的密封圈的剩余寿命的方法的具体工作原理及益处相似，这里将不再赘述。
此外，本发明实施例的另一方面提供一种服务器。图8是本发明另一实施例提供的服务器的结构框图。如图8所示，该服务器包括第二通信模块8和分析模块9。第二通信模块8用于接收特征值，其中特征值包括以下至少一者：压力的变化频次关于压力的幅值及变化周期的二维分布、油缸的工作时长关于压力及活塞的速度的二维分布、油缸的工作时长关于温度的一维分布、活塞的运动频次关于活塞的行程的一维分布。分析模块9用于分析特征值，以确定密封圈的剩余寿命。
分析接收到的特征值，确定油缸的密封圈的剩余寿命，如此，实现了预测油缸密封圈的剩余寿命，以使得工作人员了解油缸的健康状态，便于及时采取应对措施。此外，通过远程通信接收特征值，进而根据特征值确定密封圈的剩余寿命，实现了远程诊断油缸的健康状况，提高了工作效率，降低了成本。另外，基于接收的特征值判断密封圈的剩余寿命，而特征值可能与油缸工作过程中的压力、油缸内油液的温度、活塞运动的位移相关，如此，扩大了预测密封圈剩余寿命的应用范围，使得该预测方法可以适用于各种油缸。
本发明实施例提供的服务器的具体工作原理及益处与上述本发明实施例提供的由服务器执行的用于预测油缸的密封圈的剩余寿命的方法的具体工作原理及益处相似，这里将不再赘述。
另外，本发明实施例的另一方面提供一种工程机械，该工程机械包括上述实施例中所述的装置。
此外，本发明实施例的另一方面提供一种用于预测油缸的密封圈的剩余寿命的系统。该系统包括上述实施例中所述的装置、上述实施例中所述的服务器以及终端。其中终端用于显示剩余寿命。
图9是本发明的另一实施例提供的用于预测油缸的密封圈的剩余寿命的系统的示意图。其中，各个部分的功能可见表6。在该实施例中，装置中的处理模块采用电子控制单元ECU，装置与服务器之间采用连接控制单元CCU进行通信，服务器采用物联网云平台(IoT)，终端可以是PC、手机、平板等。
表6基于油缸故障智能系统分层
另外，在本发明实施例中，机器学习模型可以根据以下方法得到。如图10所示，采集数据，根据采集的数据提取特征值，生成学习样本，其中学习样本中包括特征值及与特征值对应的预测寿命，利用学习算法对学习样本进行训练，得到机器学习模型，其中该机器学习模型与所利用的学习算法对应。此外，对于预测密封圈的剩余寿命，可以采用以下方法，如图10所示。采集数据，根据采集的数据提取特征值，生成测试样本，该测试样本中仅包括特征值，运用机器学习模型分析测试样本，预测油缸的密封圈的剩余寿命。另外，可以利用测试样本以及基于测试样本得出的密封圈的剩余寿命作为学习样本对机器学习模型进行再训练，优化模型，提高预测精度。
下面具体描述学习样本及模型训练、模型应用及模型迭代优化。
●学习样本及模型训练
1)学习样本：选用数量足够的，工况载荷分布均匀的油缸进行场内台架试验或实车搭载试验，每作业100小时，将当前的特征值作为样本，获得包含m个样例的学习样本集每个样例包括示例和标记yi。每个样例Xi由4个属性描述，其中xi1为压力变化频次关于变化周期和幅值的二维分布，xi2为油缸工作时长关于压力和速度的二维分布，xi3为油缸工作时长关于温度的一维分布，xi4为活塞的运动频次关于活塞的行程的一维分布。yi∈Y是示例的标记，表示油缸密封圈的剩余寿命，Y＝{0,100,200,L}是所有标记的集合，即标记空间。
2)模型选择：针对寿命预测，利用机器学习算法对学习样本进行训练，可采用算法包括：k近邻法、感知机、朴素贝叶斯法、决策树、逻辑斯谛回归模型、支持向量机、提升方法、贝叶斯网络、神经网络、聚类、线性回归和非线性回归等用于分类问题的方法。在此选择支持向量机模型举例说明。
3)模型训练：由于支持向量机主要用于解决二分类的问题，但本发明中的分类问题多于2类，因此将多类问题分解为多个二分类问题，再通过一定的规则确定所属类别。将有向无环图(DAG)与支持向量机结合，实现多类识别，根据样本在属性空间的分布情况构造有向无环图支持向量机模型(DAGSVM)。有向无环图作为层次结构，越是上层的节点，其分类结果对整体分类结果的影响越大，因此应该将最容易分割的2类放在顶层，作为根节点。在此用类别i与类别j之间的可分度Cij和类i与其他类的平均可分度来定义分类的难易程度。
式中：分别为样例Xi和样例Xj映射到高维空间后的样本平均值，为Xi、Xj的欧氏距离，分别为Xi、Xj映射到高维空间后的样本标准差。根据各类之间的可分度，构造有向无环图结构，具体过程如下：步骤1，计算每2类之间的可分度，得到一个m×m的可分度矩阵。取其中可分度最大的2类构成根节点，这2个类分列叶子层最左和最右；步骤2，计算根节点2类的平均可分度，假设根节点右类型平均可分度较小，则去除可分度矩阵中包含左类型的行列，得到一个(m-1)×(m-1)的可分度矩阵，取出新的可分度矩阵中分度最大的2类，构成第2层的右节点，新加入的类别位于叶子层左边的第2个位置；步骤3，计算第2层右节点2类的平均可分度，采用步骤2的方法确定第3层的某一节点，得到一个新的类别在叶子层中的位置；步骤4，根据步骤2、3类推，最终确定所有类别在叶子层的位置顺序，反推即可得到整个有向无环图结构。选择合适的支持向量机的核函数，根据上述步骤，构建有向无环图支持向量机模型(DAGSVM)
●模型应用
将训练好的有向无环图支持向量机模型(DAGSVM)模型部署在物联网云平台上。采集主机油缸的有杆腔压力、无杆腔压力、活塞位移、油液温度，滤波提取特征值，得到反映油缸当前健康状况的测试样本集 用支持向量机模型对样本进行识别，得到预测标记yi(yi∈Y)，即油缸密封圈的剩余寿命。
●模型迭代优化
将油缸工作过程中得到的样本数据作为训练样本对机器学习模型进行训练，提高模型的预测精度。
另外，本发明实施例的另一方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述实施例中所述的用于预测油缸的密封圈的剩余寿命的方法。
另外，本发明实施例的另一方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述实施例中所述的由服务器执行的用于预测油缸的密封圈的剩余寿命的方法。
综上所述，采集与油缸相关的数据，根据采集到的数据确定特征值，根据特征值确定油缸的密封圈的剩余寿命，如此，实现了预测油缸密封圈的剩余寿命，以使得工作人员了解油缸的健康状态，便于及时采取应对措施。此外，基于油缸工作过程中的压力、油缸内油液的温度、活塞运动的位移预测油缸密封圈的剩余寿命，可以适用于各种油缸，扩大了应用范围。将特征值传输至服务器，以使服务器根据特征值确定油缸密封圈的剩余寿命，如此，通过与服务器之间的通信，使得服务器确定油缸的密封圈的剩余寿命，实现了远程诊断油缸的健康状况，提高了工作效率，降低了成本。另外，根据采集的数据确定特征值，以传输特征值至服务器，如此，将庞大的原始数据处理后再进行传输，减轻了数据的传输负担和存储负担，提高了效率。
以上结合附图详细描述了本发明实施例的可选实施方式，但是，本发明实施例并不限于上述实施方式中的具体细节，在本发明实施例的技术构思范围内，可以对本发明实施例的技术方案进行多种简单变型，这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。
Claims (19)
1.一种用于预测油缸的密封圈的剩余寿命的方法，其特征在于，该方法包括：
采集与所述油缸相关的数据，其中所述数据包括所述油缸工作过程中的压力、所述油缸内的油液的温度、与所述油缸对应的活塞运动的位移，所述压力为有杆腔压力或无杆腔压力；
根据所述数据确定特征值，其中所述特征值包括以下至少一者：所述压力的变化频次关于所述压力的幅值及变化周期的二维分布、所述油缸的工作时长关于所述压力及所述活塞的速度的二维分布、所述油缸的工作时长关于所述温度的一维分布、以及所述活塞的运动频次关于所述活塞的行程的一维分布；以及
根据所述特征值确定所述密封圈的剩余寿命。
2.根据权利要求1所述的方法，其特征在于，该方法还包括：
传输所述特征值至服务器，以使所述服务器根据所述特征值确定所述密封圈的剩余寿命。
3.根据权利要求1或2所述的方法，其特征在于，确定所述压力的变化频次关于所述压力的幅值及变化周期的二维分布包括：
将采集到的所述压力形成压力序列，其中所述压力序列包括压力值和序列号；
根据所述压力序列确定所述压力的峰谷值序列，其中所述峰谷值序列包括所述压力的峰值和谷值以及所述峰值和所述谷值分别对应的所述序列号；
根据所述峰谷值序列确定峰谷幅值序列及峰谷变化周期序列，其中所述峰谷幅值序列由所述峰谷值序列中相邻的所述峰值和所述谷值的差值的绝对值组成，所述峰谷变化周期序列由所述峰谷值序列中相邻的峰值和谷值分别对应的所述序列号的差值与所述压力的采样时间间隔的乘积组成；
将所述峰谷幅值序列分为第一预设值等分的等间隔的第一范围区间，其中所述第一范围区间的周期间隔为所述峰谷幅值序列中的最大值与最小值的差值的绝对值与所述第一预设值的比值；
将所述峰谷变化周期序列分为第二预设值等分的等间隔的第二范围区间，其中所述第二范围区间的周期间隔为所述峰谷变化周期序列中的最大值与最小值的差值的绝对值与所述第二预设值的比值；以及
根据所述峰谷幅值序列和所述峰谷变化周期序列统计与所述第一范围区间中的一区间及所述第二范围区间中的一区间对应的所述压力的变化频次，以得到所述压力的变化频次关于所述压力的幅值及变化周期的二维分布。
4.根据权利要求1或2所述的方法，其特征在于，确定所述油缸的工作时长关于所述压力及所述活塞的速度的二维分布包括：
将采集到的所述压力形成压力序列；
将采集到的所述位移形成活塞位移序列；
将所述压力序列分为第三预设值等分的等间隔的第三范围区间，其中所述第三范围区间的周期间隔为所述压力序列中的最大值与最小值的差值的绝对值与所述第三预设值的比值；
对所述活塞位移序列中的所述位移进行微分以得到所述活塞的活塞速度序列；
将所述活塞速度序列分为第四预设值等分的等间隔的第四范围区间，其中所述第四范围区间的周期间隔为所述活塞速度序列中的最大值与最小值的差值的绝对值与所述第四预设值的比值；
根据所述压力序列和所述活塞速度序列统计与所述第三范围区间中的一区间及所述第四范围区间中的一区间对应的所述压力和所述速度的采样点数；以及
将所述压力和所述速度的采样点数乘以所述压力和所述位移的采样时间间隔以得到所述油缸的工作时长关于所述压力及所述活塞的速度的二维分布。
5.根据权利要求1或2所述的方法，其特征在于，确定所述油缸的工作时长关于所述温度的一维分布包括：
将采集到的所述温度形成油液温度序列；
将所述油液温度序列分为第五预设值等分的等间隔的第五范围区间，其中所述第五范围区间的周期间隔为所述油液温度序列中的最大值与最小值的差值的绝对值与所述第五预设值的比值；
根据所述油液温度序列统计与所述第五范围区间中的一区间对应的所述温度的采样点数；以及
将所述温度的采样点数乘以所述温度的采样时间间隔以得到所述油缸的工作时长关于所述温度的一维分布。
6.根据权利要求1或2所述的方法，其特征在于，确定所述活塞的运动频次关于所述活塞的行程的一维分布包括：
将采集到的所述位移形成位移序列；
根据所述位移序列确定所述活塞的行程序列；
将所述行程序列分为第六预设值等分的等间隔的第六范围区间，其中所述第六范围区间的周期间隔为所述行程序列中的最大值与最小值的差值的绝对值与所述第六预设值的比值；
根据所述行程序列统计与所述第六范围区间中的一区间对应的所述活塞的运动频次，以得到所述活塞的运动频次关于所述活塞的行程的一维分布。
7.一种由服务器执行的用于预测油缸的密封圈的剩余寿命的方法，其特征在于，该方法包括：
接收特征值，其中所述特征值包括以下至少一者：所述压力的变化频次关于所述压力的幅值及变化周期的二维分布、所述油缸的工作时长关于所述压力及所述活塞的速度的二维分布、所述油缸的工作时长关于所述温度的一维分布、所述活塞的运动频次关于所述活塞的行程的一维分布；以及
分析所述特征值，以确定所述密封圈的剩余寿命。
8.根据权利要求7中所述的方法，其特征在于，所述分析所述特征值为根据以下任一者进行分析：k近邻法、感知机、朴素贝叶斯法、决策树、逻辑斯谛回归模型、支持向量机、提升方法、贝叶斯网络、神经网络、聚类、线性回归和非线性回归。
9.一种用于预测油缸的密封圈的剩余寿命的装置，其特征在于，该装置包括：
采集模块，用于采集与所述油缸相关的数据，其中所述数据包括所述油缸工作过程中的压力、所述油缸内的油液的温度、与所述油缸对应的活塞运动的位移，所述压力为有杆腔压力或无杆腔压力；以及
处理模块，用于：
根据所述数据确定特征值，其中所述特征值包括以下至少一者：所述压力的变化频次关于所述压力的幅值及变化周期的二维分布、所述油缸的工作时长关于所述压力及所述活塞的速度的二维分布、所述油缸的工作时长关于所述温度的一维分布、所述活塞的运动频次关于所述活塞的行程的一维分布；以及
根据所述特征值确定所述密封圈的剩余寿命。
10.根据权利要求9所述的装置，其特征在于，该装置还包括：
通信模块，用于传输所述特征值至服务器，以使所述服务器根据所述特征值确定所述密封圈的剩余寿命。
11.根据权利要求9或10所述的装置，其特征在于，所述处理模块确定所述压力的变化频次关于所述压力的幅值及变化周期的二维分布包括：
将采集到的所述压力形成压力序列，其中所述压力序列包括压力值和序列号；
根据所述压力序列确定所述压力的峰谷值序列，其中所述峰谷值序列包括所述压力的峰值和谷值以及所述峰值和所述谷值分别对应的所述序列号；
根据所述峰谷值序列确定峰谷幅值序列及峰谷变化周期序列，其中所述峰谷幅值序列由所述峰谷值序列中相邻的所述峰值和所述谷值的差值的绝对值组成，所述峰谷变化周期序列由所述峰谷值序列中相邻的峰值和谷值分别对应的所述序列号的差值与所述压力的采样时间间隔的乘积组成；
将所述峰谷幅值序列分为第一预设值等分的等间隔的第一范围区间，其中所述第一范围区间的周期间隔为所述峰谷幅值序列中的最大值与最小值的差值的绝对值与所述第一预设值的比值；
将所述峰谷变化周期序列分为第二预设值等分的等间隔的第二范围区间，其中所述第二范围区间的周期间隔为所述峰谷变化周期序列中的最大值与最小值的差值的绝对值与所述第二预设值的比值；以及
根据所述峰谷幅值序列和所述峰谷变化周期序列统计与所述第一范围区间中的一区间及所述第二范围区间中的一区间对应的所述压力的变化频次，以得到所述压力的变化频次关于所述压力的幅值及变化周期的二维分布。
12.根据权利要求9或10所述的装置，其特征在于，所述处理模块确定所述油缸的工作时长关于所述压力及所述活塞的速度的二维分布包括：
将采集到的所述压力形成压力序列；
将采集到的所述位移形成活塞位移序列；
将所述压力序列分为第三预设值等分的等间隔的第三范围区间，其中所述第三范围区间的周期间隔为所述压力序列中的最大值与最小值的差值的绝对值与所述第三预设值的比值；
对所述活塞位移序列中的所述位移进行微分以得到所述活塞的活塞速度序列；
将所述活塞速度序列分为第四预设值等分的等间隔的第四范围区间，其中所述第四范围区间的周期间隔为所述活塞速度序列中的最大值与最小值的差值的绝对值与所述第四预设值的比值；
根据所述压力序列和所述活塞速度序列统计与所述第三范围区间中的一区间及所述第四范围区间中的一区间对应的所述压力和所述速度的采样点数；以及
将所述压力和所述速度的采样点数乘以所述压力和所述位移的采样时间间隔以得到所述油缸的工作时长关于所述压力及所述活塞的速度的二维分布。
13.根据权利要求9或10所述的装置，其特征在于，所述处理模块确定所述油缸的工作时长关于所述温度的一维分布包括：
将采集到的所述温度形成油液温度序列；
将所述油液温度序列分为第五预设值等分的等间隔的第五范围区间，其中所述第五范围区间的周期间隔为所述油液温度序列中的最大值与最小值的差值的绝对值与所述第五预设值的比值；
根据所述油液温度序列统计与所述第五范围区间中的一区间对应的所述温度的采样点数；以及
将所述温度的采样点数乘以所述温度的采样时间间隔以得到所述油缸的工作时长关于所述温度的一维分布。
14.根据权利要求9或10所述的装置，其特征在于，所述处理模块确定所述活塞的运动频次关于所述活塞的行程的一维分布包括：
将采集到的所述位移形成位移序列；
根据所述位移序列确定所述活塞的行程序列；
将所述行程序列分为第六预设值等分的等间隔的第六范围区间，其中所述第六范围区间的周期间隔为所述行程序列中的最大值与最小值的差值的绝对值与所述第六预设值的比值；
根据所述行程序列统计与所述第六范围区间中的一区间对应的所述活塞的运动频次，以得到所述活塞的运动频次关于所述活塞的行程的一维分布。
15.一种服务器，其特征在于，该服务器包括：
通信模块，用于接收特征值，其中所述特征值包括以下至少一者：所述压力的变化频次关于所述压力的幅值及变化周期的二维分布、所述油缸的工作时长关于所述压力及所述活塞的速度的二维分布、所述油缸的工作时长关于所述温度的一维分布、所述活塞的运动频次关于所述活塞的行程的一维分布；以及
分析模块，用于分析所述特征值，以确定所述密封圈的剩余寿命。
16.根据权利要求15所述的服务器，其特征在于，所述分析模块分析所述特征值为根据以下任一者进行分析：k近邻法、感知机、朴素贝叶斯法、决策树、逻辑斯谛回归模型、支持向量机、提升方法、贝叶斯网络、神经网络、聚类、线性回归和非线性回归。
17.一种工程机械，其特征在于，该工程机械包括权利要求9-14中任一项所述的装置。
18.一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行权利要求1-6中任一项所述的方法。
19.一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行权利要求7或8所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810102602.6A CN108398249B (zh) | 2018-02-01 | 2018-02-01 | 预测密封圈剩余寿命的方法和装置、工程机械及服务器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810102602.6A CN108398249B (zh) | 2018-02-01 | 2018-02-01 | 预测密封圈剩余寿命的方法和装置、工程机械及服务器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108398249A true CN108398249A (zh) | 2018-08-14 |
| CN108398249B CN108398249B (zh) | 2020-04-03 |
Family
ID=63095780
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810102602.6A Active CN108398249B (zh) | 2018-02-01 | 2018-02-01 | 预测密封圈剩余寿命的方法和装置、工程机械及服务器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108398249B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109597700A (zh) * | 2018-12-03 | 2019-04-09 | 郑州云海信息技术有限公司 | 一种磁盘寿命预测方法及相关装置 |
| CN109815534A (zh) * | 2018-12-17 | 2019-05-28 | 武汉忆数存储技术有限公司 | 一种基于决策树算法的闪存寿命预测方法及装置 |
| CN111237473A (zh) * | 2020-03-06 | 2020-06-05 | 西华大学 | 一种密封装置的密封性能控制系统 |
| CN111258336A (zh) * | 2020-02-28 | 2020-06-09 | 雷沃工程机械集团有限公司 | 一种控制铲斗位置的方法、系统和可读存储介质 |
| CN116451809A (zh) * | 2023-06-16 | 2023-07-18 | 北谷电子股份有限公司 | 基于dagsvm算法的挖掘机工况识别方法及系统 |
| WO2023242055A1 (de) * | 2022-06-14 | 2023-12-21 | Burckhardt Compression Ag | Verfahren zur prognose der restnutzungsdauer einer dichtungsanordnung eines kolbenverdichters |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS59194215A (ja) * | 1983-04-18 | 1984-11-05 | Hitachi Constr Mach Co Ltd | 油圧システムの故障予知装置 |
| JP2005127822A (ja) * | 2003-10-23 | 2005-05-19 | Ishikawajima Harima Heavy Ind Co Ltd | ライダーリングの摩耗計測装置および摩耗寿命予測方法 |
| CN104182602A (zh) * | 2013-05-24 | 2014-12-03 | 上海宇航系统工程研究所 | 气缸寿命预测方法 |
| CN105352815A (zh) * | 2015-10-22 | 2016-02-24 | 广州机械科学研究院有限公司 | 一种静密封氟橡胶o形圈剩余使用寿命的预测方法 |
| CN106124191A (zh) * | 2016-08-31 | 2016-11-16 | 中国兵器工业第五九研究所 | 一种橡胶密封圈的剩余寿命评估方法 |
-
2018
- 2018-02-01 CN CN201810102602.6A patent/CN108398249B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS59194215A (ja) * | 1983-04-18 | 1984-11-05 | Hitachi Constr Mach Co Ltd | 油圧システムの故障予知装置 |
| JP2005127822A (ja) * | 2003-10-23 | 2005-05-19 | Ishikawajima Harima Heavy Ind Co Ltd | ライダーリングの摩耗計測装置および摩耗寿命予測方法 |
| CN104182602A (zh) * | 2013-05-24 | 2014-12-03 | 上海宇航系统工程研究所 | 气缸寿命预测方法 |
| CN105352815A (zh) * | 2015-10-22 | 2016-02-24 | 广州机械科学研究院有限公司 | 一种静密封氟橡胶o形圈剩余使用寿命的预测方法 |
| CN106124191A (zh) * | 2016-08-31 | 2016-11-16 | 中国兵器工业第五九研究所 | 一种橡胶密封圈的剩余寿命评估方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109597700A (zh) * | 2018-12-03 | 2019-04-09 | 郑州云海信息技术有限公司 | 一种磁盘寿命预测方法及相关装置 |
| CN109597700B (zh) * | 2018-12-03 | 2021-10-29 | 郑州云海信息技术有限公司 | 一种磁盘寿命预测方法及相关装置 |
| CN109815534A (zh) * | 2018-12-17 | 2019-05-28 | 武汉忆数存储技术有限公司 | 一种基于决策树算法的闪存寿命预测方法及装置 |
| CN111258336A (zh) * | 2020-02-28 | 2020-06-09 | 雷沃工程机械集团有限公司 | 一种控制铲斗位置的方法、系统和可读存储介质 |
| CN111258336B (zh) * | 2020-02-28 | 2023-08-25 | 雷沃重工集团有限公司 | 一种控制铲斗位置的方法、系统和可读存储介质 |
| CN111237473A (zh) * | 2020-03-06 | 2020-06-05 | 西华大学 | 一种密封装置的密封性能控制系统 |
| WO2023242055A1 (de) * | 2022-06-14 | 2023-12-21 | Burckhardt Compression Ag | Verfahren zur prognose der restnutzungsdauer einer dichtungsanordnung eines kolbenverdichters |
| CN116451809A (zh) * | 2023-06-16 | 2023-07-18 | 北谷电子股份有限公司 | 基于dagsvm算法的挖掘机工况识别方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108398249B (zh) | 2020-04-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108398249A (zh) | 预测密封圈剩余寿命的方法和装置、工程机械及服务器 | |
| CN109447380B (zh) | 油井产量确定方法及装置 | |
| Yan et al. | Towards effective prioritizing water pipe replacement and rehabilitation | |
| Chen et al. | Optimization of inflow performance relationship curves for an oil reservoir by genetic algorithm coupled with artificial neural-intelligence networks | |
| CN113048043B (zh) | 柱塞泵参数阈值设置方法、装置、电子设备和存储介质 | |
| Zhou et al. | Identification of working condition from sucker-rod pumping wells based on multi-view co-training and hessian regularization of SVM | |
| Shevchik et al. | Monitoring of friction-related failures using diffusion maps of acoustic time series | |
| Jaza et al. | Lessons learned using machine learning to link third body particles morphology to interface rheology | |
| Peng | Artificial intelligence applied in sucker rod pumping wells: intelligent dynamometer card generation, diagnosis, and failure detection using deep neural networks | |
| Sun et al. | Prognostic for hydraulic pump based upon DCT-composite spectrum and the modified echo state network | |
| Jiang et al. | A study on dynamic response and diagnosis method of the wear on connecting rod bush | |
| CN116538092B (zh) | 一种压缩机在线监测及诊断方法、装置、设备及存储介质 | |
| CN108510120A (zh) | 一种往复式混输泵排出流率的混合建模与预测方法 | |
| Peng et al. | Innovative Convolutional Neural Networks Applied in Dynamometer Cards Generation | |
| CN114483561B (zh) | 一种通过角度域显示参数信号的方法及装置 | |
| Konieczny et al. | Application of analysis of variance to determine important features of signals for diagnostic classifiers of displacement pumps | |
| Dhandapani et al. | Bearing Faults Diagnosis and Classification Using Generalized Gaussian Distribution Multiscale Dispersion Entropy Features | |
| Yang et al. | A class activation mapping guided adversarial training method for land-use classification and object detection | |
| CN113123765B (zh) | 游梁式抽油机运行控制方法、装置、设备和存储介质 | |
| Ma et al. | Intelligent Monitoring Method of Aircraft Swashplate Plunger Pump Fluidity Based on Different Working Conditions | |
| Massimo et al. | Estimation of mass and lengths of sintered workpieces using machine learning models | |
| Kim et al. | Development of a sdms (Self-diagnostic monitoring system) with prognostics for a reciprocating pump system | |
| Zhang et al. | Physics-Based Machine Learning Hydraulic Piston Pump Performance Degradation and Prognostics | |
| CN112801398B (zh) | 冷却装置故障预测方法、装置、电子设备及存储介质 | |
| Mustafa et al. | FastTopK: A Fast Top-K trajectory similarity query processing algorithm for GPUs |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |