CN109165695A - 基于故障树和迁移学习的堆垛机故障诊断方法 - Google Patents
基于故障树和迁移学习的堆垛机故障诊断方法 Download PDFInfo
- Publication number
- CN109165695A CN109165695A CN201811082562.XA CN201811082562A CN109165695A CN 109165695 A CN109165695 A CN 109165695A CN 201811082562 A CN201811082562 A CN 201811082562A CN 109165695 A CN109165695 A CN 109165695A
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- failure
- piler
- imf component
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了基于故障树和迁移学习的堆垛机故障诊断方法,包括如下步骤:采集堆垛机的故障信息;将所述故障信息分类为数字信息及文字信息;对所述数字信息进行预处理得到故障数据有效IMF分量的瞬时振幅;利用迁移学习故障诊断模型对故障数据有效IMF分量的瞬时振幅进行分析,生成第一故障原因信息;利用故障树模型对文字信息进行分析,生成第二故障原因信息。本发明公开的基于故障树和迁移学习的堆垛机故障诊断方法能够实时采集堆垛机的数据,及时发现故障,且能够准确判断引起故障的原因。
Description
技术领域
本发明涉及故障检测技术领域,尤其涉及基于故障树和迁移的堆垛机故障诊断方法。
背景技术
随着科技水平的不断提高,物流业、存储业、管理业在市场扮演着必不可少的角色,而这也推动了自动化立体仓库在汽车、电子、医药、烟草、建材、邮电等行业的应用越来越广泛,使得自动化成为实现物流系统合理化的关键,在加快物流速度、提高劳动生产率、降低生产成本都有重要意义。其中,堆垛机必是自动化立体仓库中最重要的搬运、起重、堆垛设备,对立体仓库的工作效率有重要影响。在堆垛机工作的过程中不可避免产生一系列故障问题,而在这些故障中,必然存在由一个原因引起的故障,也会存在由多个原因引发的故障。现有技术中,堆垛机故障检测方法一直处于传统的定时检修模式,不能及时发现故障,且难以准确判断引起故障的原因。
因此,本发明公开了基于故障树和迁移的堆垛机故障诊断方法及系统,能够实时采集堆垛机的数据,及时发现故障,且能够准确判断引起故障的原因。
发明内容
针对现有技术存在的上述不足,本发明公开了基于故障树和迁移学习的堆垛机故障诊断方法,能够实时采集堆垛机的数据,及时发现故障,且能够准确判断引起故障的原因。
为解决上述技术问题,本发明采用了如下的技术方案:
基于故障树和迁移学习的堆垛机故障诊断方法,包括如下步骤:
采集堆垛机的故障信息;
将所述故障信息分类为数字信息及文字信息;
对所述数字信息进行预处理得到故障数据有效IMF分量的瞬时振幅;
利用迁移学习故障诊断模型对故障数据有效IMF分量的瞬时振幅进行分析,生成第一故障原因信息;
利用故障树模型对文字信息进行分析,生成第二故障原因信息。
优选地,所述数字信息为使用堆垛机上安装的霍尔电流传感器测量得到的堆垛机运行电流信息。
优选地,获取的数字信息存储在excel文件内,对数字信息进行预处理包括如下步骤:
利用区间均值平滑算法对获得的数字信息进行处理,使得数据在每一个距离区间内分布均衡;
利用插值算法对区间均值平滑后的数字信息进行插值,获得完整的故障数据;
对完整的故障数据进行EEMD分解,计算分解后的故障数据与未分解的故障数据的相关系数,获取相关系数最大的预设个数个故障数据,将所述故障数据分解后的IMF分量作为所述故障数据有效IMF分量;
利用希尔伯特变换获得所述故障数据有效IMF分量的瞬时振幅。
优选地,对数字信息进行区间均值平滑的过程如下所示:
利用MTALAB软件中的xlsread函数读取保存数字信息的excel文件中的data数据;
在data数据中搜索等于NAN的元素,并将其去除;
设置均值区间,均值区间内的数据点集为DI(t),其中,DI(t)=[d1(t)d2(t)…dM(t)],I表示第I个距离区间,M表示距离区间里的数据点个数,第I个距离区间的数据点的均值为 DI'(t),其中,j1=1,2,3,…,M,dj1(t)表示第I个距离区间里的第j1 个数据点。
优选地,建立迁移学习故障诊断模型的步骤如下:
获取源数据及辅助数据,所述源数据为堆垛机历史运行数据,所述辅助数据为实验室中的堆垛机运行数据;
对源数据进行EEMD分解,计算分解后的源数据与未分解的源数据的相关系数,获取相关系数最大的m个分解后的源数据的IMF分量作为源数据有效IMF分量;
利用希尔伯特变换获得所述源数据有效IMF分量的瞬时振幅;
基于有效IMF分量的瞬时振幅生成源数据样本Ta,其中,i1=1,2,...,m,是第i1个源数据有效IMF分量的瞬时振幅,是第i1个源数据有效IMF分量对应的故障类别;
对辅助数据进行EEMD分解,计算分解后的辅助数据与未分解的辅助数据的相关系数,获取相关系数最大的n个分解后的辅助数据的IMF分量作为辅助数据有效IMF分量;
利用希尔伯特变换获得所述辅助数据有效IMF分量的瞬时振幅;
基于有效IMF分量的瞬时振幅生成辅助数据样本Tb,其中,j2=1,2,...,n,是第j2个辅助数据有效IMF分量的瞬时振幅,是第j2 个辅助数据有效IMF分量对应的故障类别;
利用迁移学习中的TrAdaBoost算法基于源数据样本Ta及辅助数据样本Tb训练迁移学习故障诊断模型。
优选地,训练迁移学习故障诊断模型的方法包括:
步骤1:将数据集T={Ta,Tb}作为训练样本,将数据集作为测试样本,设置迭代总次数为N,设置当前迭代次数t为0,其中k为训练样本中的样本个数;
步骤2:初始化权重向量其中,m+n为训练样本总数, 是每个样本的权重;设置
步骤3:将当前迭代次数t的值加1,计算q为第q个训练样本;
步骤4:利用朴素贝叶斯分类算法,得到测试集S上的分类器ht;
步骤5:计算分类器ht在数据集Ta上的错误率εt,其中其中表示第t次迭代的第l2个样本的权重;
步骤6:计算βt=εt/(1-εt),设置分类器ht的权重参数为
步骤7:更新权重,即若t<N,执行步骤3,若t=N,执行步骤8;
步骤8:得到最终分类器
优选地,故障树的根节点为堆垛机故障,堆垛机故障的下一层节点包括运行机构故障、通信故障及任务中断故障;运行机构故障的下一层节点包括水平运行机构故障、起升机构故障及货叉伸缩机构故障;水平运行机构故障的下一层节点包括水平导向轮故障、激光测距仪故障、水平变频器故障及运行轨道故障;起升机构故障的下一层节点包括货物超载、起升变频器故障及载货台导向轮故障;货叉伸缩机构故障的下一层节点包括货叉轴承故障及检测器故障;通信故障的下一层节点包括PLC控制器故障及光通信故障;PLC控制器故障的下一层节点包括PLC硬件损坏及PLC存储卡损坏;光通信故障的下一层节点包括通信链路断及通信模块电源故障;通信链路断的下一层节点包括通信硬件接口损坏及通信线缆损坏;任务中断故障的下一层节点包括非法任务地址、满入及空出;满入的下一层节点包括放货货位被占用及放货通道被占用;放货货位被占用的下一层节点包括探货检测安装位置偏差及放货货位被占用误报;空出的下一层节点包括取货货位被占用及取货通道被占用;取货货位被占用的下一层节点包括探货检测安装位置偏差及取货货位被占用误报。
优选地,采用Fussell算法对故障树进行从上到下的搜寻,计算故障树的最小割集,将故障树的最小割集作为第二故障原因信息。
综上所述,本发明公开了基于故障树和迁移学习的堆垛机故障诊断方法,包括如下步骤:采集堆垛机的故障信息;将所述故障信息分类为数字信息及文字信息;对所述数字信息进行预处理得到故障数据有效IMF分量的瞬时振幅;利用迁移学习故障诊断模型对故障数据有效 IMF分量的瞬时振幅进行分析,生成第一故障原因信息;利用故障树模型对文字信息进行分析,生成第二故障原因信息。本发明公开的基于故障树和迁移学习的堆垛机故障诊断方法能够实时采集堆垛机的数据,及时发现故障,且能够准确判断引起故障的原因。
附图说明
图1为本发明公开的基于故障树和迁移学习的堆垛机故障诊断方法的流程图;
图2为本发明中故障树的示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述说明。
如图1所示,本发明公开了基于故障树和迁移学习的堆垛机故障诊断方法,包括如下步骤:
S101、采集堆垛机的故障信息;
S102、将故障信息分类为数字信息及文字信息;
S103、对数字信息进行预处理得到故障数据有效IMF分量的瞬时振幅;
S104、利用迁移学习故障诊断模型对数字信息矩阵进行分析,生成第一故障原因信息;
S105、利用故障树模型对文字信息进行分析,生成第二故障原因信息。
现有技术中,很多故障诊断模型都是假设训练数据和测试数据的分布相同,但是在大多数情况下二者并不满足同分布假设,进而造成训练数据中的很多数据被丢弃,故利用迁移学习和故障诊断模型相结合,充分利用旧数据中的有效数据或者不同环境下的实验数据训练模型,使得模型的测试效果更好
本申请中的文字信息是由现场维修人员收集到的堆垛机运行时的状态信息,如货叉不能精确地存取货物,载货台不能正常升降等。数字信息和文字信息采用不同的保存形式传输到故障诊断系统中,数字信息可以运用.xls/.xlsx方式存储,文字信息可以运用.doc/.docx方式存储,通过不同保存形式的后缀名来对故障信息进行分类。本申请中的故障树模型如图2 所示。在本申请中,能够根据运行数据实时比较分析,如若发现运行异常,实时提醒,相对于固定时间检修的传统方法,发现故障更加及时,能够避免出现进一步的损失。故障树和迁移学习结合,既充分利用了专家的经验知识,又发挥了迁移学习在不确定性处理上的优势,二者具有明显的互补性,能够提高诊断推理的准确性。
具体实施时,数字信息为使用堆垛机上安装的霍尔电流传感器测量得到的堆垛机运行电流信息。
具体实施时,获取的数字信息存储在excel文件内,对数字信息进行预处理包括如下步骤:
利用区间均值平滑算法对获得的数字信息进行处理,使得数据在每一个距离区间内分布均衡;
利用插值算法对区间均值平滑后的数字信息进行插值,获得完整的故障数据;
为解决数据区间均值平滑后出现的某些距离区间没有数据的问题,采用三次Hermite插值算法进行补充插值获得完整的故障数据。
对完整的故障数据进行EEMD(Ensemble Empirical Mode Decomposition)分解,是一种噪声辅助数据分析方法,计算分解后的故障数据与未分解的故障数据的相关系数,获取相关系数最大的预设个数个故障数据,将所述故障数据分解后的IMF分量作为所述故障数据有效 IMF分量;
对故障数据进行EEMD分解可以得到多个IMF分量,为提高后续故障诊断模型的性能,利用相关系数法选取与原信号相关性较大的IMF分量,并且每个故障数据选取的IMF分量个数要一致,根据实际情况调整选取的个数。
利用希尔伯特变换获得故障数据有效IMF分量的瞬时振幅。
IMF分量的瞬时振幅能够描述堆垛机在运行过程中能量的变化,即能量越大,信号的瞬时振幅也就越大,通过能量的变化可以发现堆垛机运行中的故障,故选取该特征作为后续迁移学习故障诊断模型的判断标准;在选取IMF分量时并没有选择使用全部的IMF分量,是为了避免存在虚假的IMF分量对后续的分析造成影响。
具体实施时,对数字信息进行区间均值平滑的过程如下所示:
利用MTALAB软件中的xlsread函数读取保存数字信息的excel文件中的data数据;
在data数据中搜索等于NAN的元素,并将其去除;
设置均值区间,均值区间内的数据点集为DI(t),其中,DI(t)=[d1(t) d2(t)…dM(t)],I表示第I个距离区间,M表示距离区间里的数据点个数,第I个距离区间的数据点的均值为 D'I(t),其中,j1=1,2,3,…,M,dj1(t)表示第I个距离区间里的第j1 个数据点。
在data数据中搜索等于NAN的元素,并将其去除后,剩余数据序列一定程度上存在杂乱无序,分布不均衡的问题,如果不对这些数据进行处理,很难进行下一步的故障诊断。以堆垛机在堆垛机的轨道上运动时采集的数据为例。在进行区间均值平滑时,首先确定均值区间,为了避免均值区间过大丢失部分数据特征,并根据实际情况选择区间标准为100毫米,堆垛机的轨道长为L毫米,起始采样点为0毫米,由此轨道可以划分为以下区间 [0100],[101200],…,[L-99L]。均值区间内的数据点集为DI(t),其中, DI(t)=[d1(t) d2(t)…dM(t)],I表示第I个距离区间,M表示距离区间里的数据点个数,第I 个距离区间的数据点的均值为D'I(t),其中,j1=1,2,3,…,M,dj1(t) 表示第I个距离区间里的第j1个数据点。
最后用每个距离区间内的数据均值来代表该区间的值,经过以上操作数据在每个距离区间都能均匀分布,不会出现某些距离区间数据点分布很多,而某些距离区间数据点分布很少的问题,同样也利于后续的故障诊断。在区间均值平滑后会出现某些距离区间没有数据的问题,所以利用插值算法获得完整的故障数据。
具体实施时,建立迁移学习故障诊断模型的步骤如下:
获取源数据及辅助数据,源数据为堆垛机历史运行数据,辅助数据为实验室中的堆垛机运行数据;
对源数据进行EEMD分解,计算分解后的源数据与未分解的源数据的相关系数,获取相关系数最大的m个分解后的源数据的IMF分量作为源数据有效IMF分量;
利用希尔伯特变换获得源数据有效IMF分量的瞬时振幅;
基于有效IMF分量的瞬时振幅生成源数据样本Ta,其中,i1=1,2,...,m,是第i1个源数据有效IMF分量的瞬时振幅,是第i1个源数据有效IMF分量对应的故障类别;
对辅助数据进行EEMD分解,计算分解后的辅助数据与未分解的辅助数据的相关系数,获取相关系数最大的n个分解后的辅助数据的IMF分量作为辅助数据有效IMF分量;
利用希尔伯特变换获得辅助数据有效IMF分量的瞬时振幅;
基于有效IMF分量的瞬时振幅生成辅助数据样本Tb,其中,j2=1,2,...,n,是第j2个辅助数据有效IMF分量的瞬时振幅,是第j2 个辅助数据有效IMF分量对应的故障类别;
利用迁移学习中的TrAdaBoost算法基于源数据样本Ta及辅助数据样本Tb训练迁移学习故障诊断模型。
利用迁移学习中的TrAdaBoost算法,最大程度地利用辅助数据来帮助源数据进行训练,其中算法中包含自动调整权重的机制,在迭代过程中,重要的辅助数据的权重会增加,次要的辅助数据的权重将会减少,从而达到对测试数据集更好的诊断效果。
具体实施时,训练迁移学习故障诊断模型的方法包括:
步骤1:将数据集T={Ta,Tb}作为训练样本,将数据集作为测试样本,设置迭代总次数为N,设置当前迭代次数t为0,其中k为训练样本中的样本个数;
步骤2:初始化权重向量其中,m+n为训练样本总数, 是每个样本的权重;设置
步骤3:将当前迭代次数t的值加1,计算q为第q个训练样本;
步骤4:利用朴素贝叶斯分类算法,得到测试集S上的分类器ht;
步骤5:计算分类器ht在数据集Ta上的错误率εt,其中其中表示第t次迭代的第l2个样本的权重;
步骤6:计算βt=εt/(1-εt),设置分类器ht的权重参数为
步骤7:更新权重,即若t<N,执行步骤3,若t=N,执行步骤8;
步骤8:得到最终分类器
具体实施时,如图2所示,故障树的根节点为堆垛机故障,堆垛机故障的下一层节点包括运行机构故障、通信故障及任务中断故障;运行机构故障的下一层节点包括水平运行机构故障、起升机构故障及货叉伸缩机构故障;水平运行机构故障的下一层节点包括水平导向轮故障、激光测距仪故障、水平变频器故障及运行轨道故障;起升机构故障的下一层节点包括货物超载、起升变频器故障及载货台导向轮故障;货叉伸缩机构故障的下一层节点包括货叉轴承故障及检测器故障;通信故障的下一层节点包括PLC控制器故障及光通信故障;PLC控制器故障的下一层节点包括PLC硬件损坏及PLC存储卡损坏;光通信故障的下一层节点包括通信链路断及通信模块电源故障;通信链路断的下一层节点包括通信硬件接口损坏及通信线缆损坏;任务中断故障的下一层节点包括非法任务地址、满入及空出;满入的下一层节点包括放货货位被占用及放货通道被占用;放货货位被占用的下一层节点包括探货检测安装位置偏差及放货货位被占用误报;空出的下一层节点包括取货货位被占用及取货通道被占用;取货货位被占用的下一层节点包括探货检测安装位置偏差及取货货位被占用误报。
具体实施时,采用Fussell算法对故障树进行从上到下的搜寻,计算故障树的最小割集,将故障树的最小割集作为第二故障原因信息。
故障树模型是通过对堆垛机的故障异常状态进行分类分层,确定从上而下逐级分布的原因事件;将原因事件用图形化模型路径的方法绘制故障树图,路径交叉处的事件和状态用逻辑符号表示,建立以逻辑门的原因事件为基础构造单元的故障树。在本方法中,采用Fussell 算法对故障树进行从上到下的搜寻方法,计算故障树的最小割集,即导致故障树顶层故障事件发生的基本事件的最小集合,确定导致系统故障的各个基本原因。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管通过参照本发明的优选实施例已经对本发明进行了描述,但本领域的普通技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离所附权利要求书所限定的本发明的精神和范围。
Claims (8)
1.基于故障树和迁移学习的堆垛机故障诊断方法,其特征在于,包括如下步骤:
采集堆垛机的故障信息;
将所述故障信息分类为数字信息及文字信息;
对所述数字信息进行预处理得到故障数据有效IMF分量的瞬时振幅;
利用迁移学习故障诊断模型对故障数据有效IMF分量的瞬时振幅进行分析,生成第一故障原因信息;
利用故障树模型对文字信息进行分析,生成第二故障原因信息。
2.如权利要求1所述的基于故障树和迁移学习的堆垛机故障诊断方法,其特征在于,所述数字信息为使用堆垛机上安装的霍尔电流传感器测量得到的堆垛机运行电流信息。
3.如权利要求1所述的基于故障树和迁移学习的堆垛机故障诊断方法,其特征在于,获取的数字信息存储在excel文件内,对数字信息进行预处理包括如下步骤:
利用区间均值平滑算法对获得的数字信息进行处理,使得数据在每一个距离区间内分布均衡;
利用插值算法对区间均值平滑后的数字信息进行插值,获得完整的故障数据;
对完整的故障数据进行EEMD分解,计算分解后的故障数据与未分解的故障数据的相关系数,获取相关系数最大的预设个数个故障数据,将所述故障数据分解后的IMF分量作为所述故障数据有效IMF分量;
利用希尔伯特变换获得所述故障数据有效IMF分量的瞬时振幅。
4.如权利要求3所述的基于故障树和迁移学习的堆垛机故障诊断方法,其特征在于,对数字信息进行区间均值平滑的过程如下所示:
利用MTALAB软件中的xlsread函数读取保存数字信息的excel文件中的data数据;
在data数据中搜索等于NAN的元素,并将其去除;
设置均值区间,均值区间内的数据点集为DI(t),其中,DI(t)=[d1(t) d2(t)…dM(t)],I表示第I个距离区间,M表示距离区间里的数据点个数,第I个距离区间的数据点的均值为D'I(t),其中,dj1(t)表示第I个距离区间里的第j1个数据点。
5.如权利要求1所述的基于故障树和迁移学习的堆垛机故障诊断方法,其特征在于,建立迁移学习故障诊断模型的步骤如下:
获取源数据及辅助数据,所述源数据为堆垛机历史运行数据,所述辅助数据为实验室中的堆垛机运行数据;
对源数据进行EEMD分解,计算分解后的源数据与未分解的源数据的相关系数,获取相关系数最大的m个分解后的源数据的IMF分量作为源数据有效IMF分量;
利用希尔伯特变换获得所述源数据有效IMF分量的瞬时振幅;
基于有效IMF分量的瞬时振幅生成源数据样本Ta,其中, 是第i1个源数据有效IMF分量的瞬时振幅,是第i1个源数据有效IMF分量对应的故障类别;
对辅助数据进行EEMD分解,计算分解后的辅助数据与未分解的辅助数据的相关系数,获取相关系数最大的n个分解后的辅助数据的IMF分量作为辅助数据有效IMF分量;
利用希尔伯特变换获得所述辅助数据有效IMF分量的瞬时振幅;
基于有效IMF分量的瞬时振幅生成辅助数据样本Tb,其中, 是第j2个辅助数据有效IMF分量的瞬时振幅,是第j2个辅助数据有效IMF分量对应的故障类别;
利用迁移学习中的TrAdaBoost算法基于源数据样本Ta及辅助数据样本Tb训练迁移学习故障诊断模型。
6.如权利要求5所述的基于故障树和迁移学习的堆垛机故障诊断方法,其特征在于,训练迁移学习故障诊断模型的方法包括:
步骤1:将数据集T={Ta,Tb}作为训练样本,将数据集作为测试样本,设置迭代总次数为N,设置当前迭代次数t为0,其中k为训练样本中的样本个数;
步骤2:初始化权重向量其中,m+n为训练样本总数, 是每个样本的权重;设置
步骤3:将当前迭代次数t的值加1,计算q为第q个训练样本;
步骤4:利用朴素贝叶斯分类算法,得到测试集S上的分类器ht;
步骤5:计算分类器ht在数据集Ta上的错误率εt,其中其中表示第t次迭代的第l2个样本的权重;
步骤6:计算βt=εt/(1-εt),设置分类器ht的权重参数为
步骤7:更新权重,即若t<N,执行步骤3,若t=N,执行步骤8;
步骤8:得到最终分类器
7.如权利要求1所述的基于故障树和迁移学习的堆垛机故障诊断方法,其特征在于,故障树的根节点为堆垛机故障,堆垛机故障的下一层节点包括运行机构故障、通信故障及任务中断故障;运行机构故障的下一层节点包括水平运行机构故障、起升机构故障及货叉伸缩机构故障;水平运行机构故障的下一层节点包括水平导向轮故障、激光测距仪故障、水平变频器故障及运行轨道故障;起升机构故障的下一层节点包括货物超载、起升变频器故障及载货台导向轮故障;货叉伸缩机构故障的下一层节点包括货叉轴承故障及检测器故障;通信故障的下一层节点包括PLC控制器故障及光通信故障;PLC控制器故障的下一层节点包括PLC硬件损坏及PLC存储卡损坏;光通信故障的下一层节点包括通信链路断及通信模块电源故障;通信链路断的下一层节点包括通信硬件接口损坏及通信线缆损坏;任务中断故障的下一层节点包括非法任务地址、满入及空出;满入的下一层节点包括放货货位被占用及放货通道被占用;放货货位被占用的下一层节点包括探货检测安装位置偏差及放货货位被占用误报;空出的下一层节点包括取货货位被占用及取货通道被占用;取货货位被占用的下一层节点包括探货检测安装位置偏差及取货货位被占用误报。
8.如权利要求1所述的基于故障树和迁移学习的堆垛机故障诊断方法,其特征在于,采用Fussell算法对故障树进行从上到下的搜寻,计算故障树的最小割集,将故障树的最小割集作为第二故障原因信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811082562.XA CN109165695B (zh) | 2018-09-17 | 2018-09-17 | 基于故障树和迁移学习的堆垛机故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811082562.XA CN109165695B (zh) | 2018-09-17 | 2018-09-17 | 基于故障树和迁移学习的堆垛机故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109165695A true CN109165695A (zh) | 2019-01-08 |
CN109165695B CN109165695B (zh) | 2020-12-01 |
Family
ID=64879554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811082562.XA Active CN109165695B (zh) | 2018-09-17 | 2018-09-17 | 基于故障树和迁移学习的堆垛机故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109165695B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109947086A (zh) * | 2019-04-11 | 2019-06-28 | 清华大学 | 基于对抗学习的机械故障迁移诊断方法及系统 |
CN110543860A (zh) * | 2019-09-05 | 2019-12-06 | 燕山大学 | 基于tjm迁移学习的机械故障诊断方法及系统 |
CN113361358A (zh) * | 2021-05-31 | 2021-09-07 | 国网上海市电力公司 | 一种高压架空线走板及导向轮状态的监测及故障预警系统 |
CN117330816A (zh) * | 2023-12-01 | 2024-01-02 | 南京中旭电子科技有限公司 | 一种用于霍尔电流传感器的监测数据优化方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105300693A (zh) * | 2015-09-25 | 2016-02-03 | 东南大学 | 一种基于迁移学习的轴承故障诊断方法 |
CN108414226A (zh) * | 2017-12-25 | 2018-08-17 | 哈尔滨理工大学 | 基于特征迁移学习的变工况下滚动轴承故障诊断方法 |
-
2018
- 2018-09-17 CN CN201811082562.XA patent/CN109165695B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105300693A (zh) * | 2015-09-25 | 2016-02-03 | 东南大学 | 一种基于迁移学习的轴承故障诊断方法 |
CN108414226A (zh) * | 2017-12-25 | 2018-08-17 | 哈尔滨理工大学 | 基于特征迁移学习的变工况下滚动轴承故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
H. MATSUO 等: "A Knowledge-Based System for Stacker Crane Control in a Manufacturing Environment", 《 IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS》 * |
吕婷: "基于故障树和贝叶斯网络的堆垛机故障建模与推理方法研究", 《中国优秀硕士学位论文全文数据库-工程科技Ⅱ辑》 * |
赵保伟: "基于电流与振动的异步电机断条故障诊断研究", 《中国优秀硕士学位论文全文数据库-工程科技Ⅱ辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109947086A (zh) * | 2019-04-11 | 2019-06-28 | 清华大学 | 基于对抗学习的机械故障迁移诊断方法及系统 |
CN109947086B (zh) * | 2019-04-11 | 2020-07-28 | 清华大学 | 基于对抗学习的机械故障迁移诊断方法及系统 |
CN110543860A (zh) * | 2019-09-05 | 2019-12-06 | 燕山大学 | 基于tjm迁移学习的机械故障诊断方法及系统 |
CN113361358A (zh) * | 2021-05-31 | 2021-09-07 | 国网上海市电力公司 | 一种高压架空线走板及导向轮状态的监测及故障预警系统 |
CN117330816A (zh) * | 2023-12-01 | 2024-01-02 | 南京中旭电子科技有限公司 | 一种用于霍尔电流传感器的监测数据优化方法 |
CN117330816B (zh) * | 2023-12-01 | 2024-01-26 | 南京中旭电子科技有限公司 | 一种用于霍尔电流传感器的监测数据优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109165695B (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109165695A (zh) | 基于故障树和迁移学习的堆垛机故障诊断方法 | |
CN114118224B (zh) | 一种基于神经网络的全系统遥测参数异常检测系统 | |
CN106874483A (zh) | 一种基于大数据技术的图形化的数据质量评测的装置及方法 | |
CN112508105A (zh) | 一种采油机故障检测与检索方法 | |
CN108090628A (zh) | 一种基于pso-lssvm算法的粮情安全检测分析方法 | |
CN111898867B (zh) | 一种基于深度神经网络的飞机总装生产线产能预测方法 | |
CN116467674B (zh) | 一种配电网智能故障处理融合更新系统及其方法 | |
CN115547466B (zh) | 基于大数据的医疗机构登记评审系统及其方法 | |
CN116523181B (zh) | 一种基于大数据的智慧绿色能源监测分析方法及系统 | |
KR101888637B1 (ko) | 제조 특화형 알고리즘 템플릿 기반 데이터 분석 방법 및 플랫폼 구조 시스템 | |
CN116703303A (zh) | 基于多层感知机与rbf的仓储可视化监管系统及方法 | |
CN114662712A (zh) | 基于Wasserstein深度数字孪生模型的旋转机械状态监测方法 | |
CN111949646A (zh) | 基于大数据的设备运行状况分析方法、装置、设备及介质 | |
CN113723637B (zh) | 一种面向船舶维修体系的经济性修理级别分析方法及系统 | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
CN101256646A (zh) | 轿车客户需求信息聚类分析系统 | |
CN107544895A (zh) | Hadoop大数据平台测试系统及方法 | |
Wickramarachchi et al. | Towards population-based structural health monitoring, Part V: Networks and databases | |
CN115689407A (zh) | 账户异常检测方法、装置以及终端设备 | |
CN117058451A (zh) | 基于二维卷积神经网络的结构加速度数据异常检测方法 | |
CN114814973B (zh) | 一种人机混合决策的智能安检系统及方法 | |
EP3620997A1 (en) | Transfer learning of machine-learning models using knowledge graph database | |
CN116129182A (zh) | 一种基于知识蒸馏和近邻分类的多维度医疗图像分类方法 | |
CN115378000A (zh) | 基于区间二型模糊聚类分析的配电网运行状态评估方法 | |
CN105606353A (zh) | 一种机械故障诊断方法及系统 |
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 |