CN110806327A

CN110806327A - 故障检测方法、装置、电子设备及存储介质

Info

Publication number: CN110806327A
Application number: CN201911087707.XA
Authority: CN
Inventors: 李鲲鹏; 李雅婧
Original assignee: Beijing Haopeng Intelligent Technology Co Ltd
Current assignee: Beijing Haopeng Intelligent Technology Co Ltd
Priority date: 2019-11-08
Filing date: 2019-11-08
Publication date: 2020-02-18
Anticipated expiration: 2039-11-08
Also published as: CN110806327B

Abstract

本发明提供一种故障检测方法、装置、电子设备及存储介质，该方法，包括：采集气动元件在各设定时刻的气压和运动数据，将在各设定时刻的气压和运动数据转化到各设定位移处的气压和运动数据，再利用在各设定位移处的气压和运动数据计算各设定位移处的性能数据，以便将各设定位移处的性能数据与设计性能数据比较，确定气动元件的健康状态，相较于现有人工检测方法，本方法可以及时检测故障状态，为电控气动设备运行提供依据。另外，本方法也可以实现故障预测。

Description

故障检测方法、装置、电子设备及存储介质

技术领域

本发明涉及故障检测技术领域，尤其涉及一种故障检测方法、装置、电子设备及存储介质。

背景技术

电控气动设备是轨道交通、公路交通、化工、石油、甚至航空航天等领域广泛采用的重要部件，电控气动设备控制方式为电控，驱动方式为气动。电控气动设备的运行状态直接关系安全生产。因此，电控气动设备运行安全一直受到全社会的高度关注，需要及时发现其故障，及时准确地检测并定位故障，进行故障排查，保证生产安全。

目前，虽然少部分电控气动设备带有简单的自检测功能，但电控气动设备主要故障检测和定位还依靠人工检查。这种人工的故障检测的方法虽然在一定程度上能够发现一些电控气动设备的故障，但发现不够及时，因而，现有的故障检测无法实现实时对电控气动设备的进行故障检测，更无法实现电控气动设备寿命预测。

发明内容

本发明提供一种故障检测方法、装置、电子设备及存储介质，以解决现有的故障检测方法无法实现实时对电控气动设备的进行故障检测的技术问题。

第一方面，本发明提供一种故障检测方法，用于检测电控气动设备中气动元件的故障，方法包括：

以等时间间隔采集气动元件的气压及运动数据，以获得各设定时刻的气压和运动数据；

根据各设定时刻的气压和运动数据获得各个设定位移处的气压和运动数据；

根据各个设定位移处的气压和运动数据获得各个设定位移处的性能数据；

将各个设定位移处的性能数据与气动元件的设计性能数据进行比较，根据比较结果确定气动元件的故障状态。

可选地，根据各设定时刻的气压和运动数据获得各个设定位移处的气压和运动数据，具体包括：

根据各时刻的运动数据确定气动元件运动至第一位移处对应的第一时刻；其中，第一位移为气动元件位于任意处的位移；

将第一时刻的气压和运动数据分别作为第一位移处的气压和运动数据。

可选地，将第一时刻的气压和运动数据分别作为第一位移处的气压和运动数据，具体包括：

利用插值法获得第一时刻的气压和运动数据，以将第一时刻的气压和运动数据分别作为第一位移处的气压和运动数据输出。

可选地，将各个设定位移处的性能数据与气动元件的设计性能数据进行比较，具体包括：

利用已经训练的神经网络对性能数据进行识别处理，以根据识别结果确定气动元件的故障状态；

其中，利用设计性能数据训练神经网络。

可选地，方法还包括：

利用各个设定位移处的性能数据预测气动元件发生故障时刻及故障点。

第二方面，本发明提供一种故障检测装置，用于检测电控气动设备中气动元件的故障，装置包括：

采集模块，用于以等时间间隔采集气动元件的气压及运动数据，以获得各设定时刻的气压和运动数据；

获得模块，用于根据各设定时刻的气压和运动数据获得各个设定位移处的气压和运动数据；

获得模块还用于根据各个设定位移处的气压和运动数据获得各个设定位移处的性能数据；

确定模块，用于将各个设定位移处的性能数据与气动元件的设计性能数据进行比较，根据比较结果确定气动元件的故障状态。

可选地，获得模块具体用于：

根据各设定时刻的运动数据确定气动元件运动至第一位移处对应的第一时刻；其中，第一位移为气动元件位于任意处的位移；

可选地，获得模块具体用于：

可选地，确定模块具体用于：

其中，利用设计性能数据训练神经网络。

可选地，还包括预测模块；

预测模块用于利用各个设定位移处的性能数据预测气动元件发生故障时刻及故障点。

第三方面，本发明提供一种定位设备，包括：

存储器，用于存储程序；

处理器，用于执行存储器存储的程序，当程序被执行时，处理器用于执行第一方面及可选方案涉及的故障检测方法。

第四方面，本发明提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行第一方面及可选方案涉及的故障检测方法。

本发明提供的一种故障检测方法、装置、电子设备及存储介质，故障检测方法包括，先采集各个设定时刻的气动元件的气压和运动数据，再将各个设定时刻的气压和运动数据转化到各设定位移处的气压和运动数据，以便根据各设定位移处的气压和运动数据获得性能数据，让各设定位移处的性能数据与设计性能数据比较，进而根据比较结果判定气动元件的状态。相较于现有的人工检测，本方法能够实现自动故障监测，及时发现故障。另外，也可以根据各设定位移处的性能数据预测故障点和故障发生时间，进而预测气动元件的使用寿命，便于提前更换气动元件。

附图说明

图1为本发明根据一示例性实施例示出的故障检测方法的流程示意图；

图2为本发明根据另一示例性实施例示出的故障检测方法的流程示意图；

图3为本发明根据一示例性实施例示出的故障检测装置的结构示意图；

图4为本发明根据一示例性实施例示出的故障检测系统的结构示意图；

图5为本发明实施例一提供的电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

针对电控气动设备，现有的故障检测方法是通过人工检查，然而，人工检查不能及时发现故障，对于电控气动设备的生产运营十分不利。因此，本申请提供一种故障检测方法，通过采集电控气动设备中气动元件的基础数据，即气压和运动数据，以根据上述气压和运动数据判断气动元件的故障状态，另外，由于气动元件的设计气压和运动数据都是基于位移，设计气压是各设定位移处的气压，运动数据是各设定位移处的运动数据，本方法还将采集到的气压和运动数据转化为各个设定位移处气压和运动数据。通过以上发明构思，本方法能够实现自动检测气动元件故障状态。下面对本方法详细说明。

本发明提供的故障检测方法用于检测电控气动设备中气动元件的故障。气动元件为电控气动设备的驱动元件。例如：铁路列车电控气动塞拉门系统(以下简称：门系统)。门系统由机械部分、气路部分和电路部分组成。机械部分由门扇、门框、承载驱动装置、导向装置、锁闭装置、内外操纵装置、翻转脚蹬等组成。气路部分主要有无杆气缸、脚蹬气缸、开锁气缸、闭锁气缸、气管、调压阀、节流阀等部分组成；电路部分主要有双工电源箱、门控器、电磁阀、各种开关锁、指示灯、蜂鸣器、脚蹬伴热、防滑器及导线组成。门系统中气动元件为无杆气缸、脚蹬气缸、开锁气缸及闭锁气缸。

上述门系统的工作过程为：门控器给电磁阀信号，控制气缸进气、排气，实现门扇的开、闭和脚蹬的放、收；防滑器通过其速度传感器，给门控器信号，在列车速度大于5Km/h，实现车门的自动关闭。气缸与承载驱动装置连接，由电磁阀控制进排气，门的运动速度由气缸两端的节流阀调整。由内外操作锁、紧急锁、压力波开关、98％开关、100％开关、隔离开关、集控操作、5Km/h信号向门控器发出信号，门控器处理信号，然后向开、关门电磁阀、状态指示灯、蜂鸣器发出信号，开、关门电磁阀接到信号后导通或切断气缸气路。气缸通气后动作，带动门板在驱动装置长、短导柱上的运动实现车门的摆塞运动。

图1为本发明根据一示例性实施例示出的故障检测方法的流程示意图。如图1所示，故障检测方法包括如下步骤：

S101、采集气动元件的气压及运动数据，以获得各设定时刻的气压和运动数据。

更具体地，运动数据包括气动元件的速度、加速度以及位移。利用压力传感器检测气动元件的气压，利用位移传感器采集气动元件的位移，进而计算出气动元件的速度和加速度。也可以利用速度传感器采集气动元件的速度，进而计算出位移和加速度。也可以为利用加速度传感器采集气动元件的加速度，进而计算出速度和位移。

在本实施例中，利用时钟信号触发采集设备对压力传感器、位移传感器等传感器信号进行采集，实现等时间间隔采集气动元件的气压及运动数据。

例如：针对上述门系统，以等时间间隔同步采集脚蹬气缸的活塞左侧气室气压和右侧气室气压、无杆气缸活塞的左侧气室气压和右侧气室气压、开锁气缸活塞的与负载连接侧的气室气压、闭锁气缸活塞的与负载连接侧气室气压。

以等时间间隔同步采集无杆气缸活塞相对于气缸套的位移、脚蹬气缸活塞相对于气缸套的位移、开锁气缸活塞相对于气缸套的位移、闭锁气缸活塞相对于气缸套的位移，得到气压和位移的等时间间隔采样序列。

S102、根据各时刻的气压和运动数据获得各个设定位移处的气压和运动数据。

更具体地，将基于时刻的气压转换为基于该时刻对应的位移的气压，将基于时刻的运动数据转换为基于该时刻对应的位移的运动数据。其中，根据各设定时刻的气压和运动数据获得各个设定位移处的气压和运动数据，具体包括：

根据各设定时刻的运动数据确定气动元件运动至第一位移处对应的第一时刻。根据气动元件在某个时刻的位移、速度和加速度即可反推出位于某个设定位移处对应的时刻。

在本实施例中，第一位移为第m个位移点mΔx，可以根据如下公式计算第一时刻T_m。其中，Δx为位移间隔。

若第m个位移点mΔx刚好对应第i个时刻iΔt的位移X(iΔt)，则T_m＝iΔt。

若第m个位移点mΔx位于第i个时刻iΔt的位移X(iΔt)和第i-1个时刻(i-1)Δt的位移X((i-1)Δt)之间，则T_m＝(i-1)Δt+Δτ。

其中，Δt为时间间隔。当第i-1个时刻的加速度大于或等于预设值时，

V((i-1)Δt)表示第i-1个时刻(i-1)Δt的速度，a((i-1)Δt)表示第i-1个时刻(i-1)Δt的加速度。当第i-1个时刻的加速度小于预设值时，

X((i-1)Δt)表示第i-1个时刻(i-1)Δt的位移。

将第一时刻的气压和运动数据分别作为第一位移处的气压和运动数据。在本实施例中，以插值算法计算出第一时刻的气压和运动数据，进而得到第一位移处的气压和运动数据。具体过程如下：

若第m个位移点mΔx刚好对应第i个时刻iΔt的位移X(iΔt)，则P(mΔx)＝P(iΔt)，a(mΔx)＝a(iΔt)，V(mΔx)＝V(iΔt)。

若第m个位移点mΔx位于第i个时刻iΔt的位移X(iΔt)和第i-1个时刻(i-1)Δt的位移X((i-1)Δt)，则根据如下公式计算气压、加速度和速度。

例如：在获得无杆气缸、脚蹬气缸、开锁气缸及闭锁气缸在各设定时刻的气压和运动数据后，可以截取气缸一个行程的数据，实时检测门控器接收的外操作锁、紧急锁、压力波开关、98％开关、100％开关、隔离开关、集控操作、5Km/h信号和门控器向电磁阀发出的开门指令、关门指令，根据上述指令、上述信号、运动数据确定气缸的动作开始时刻和结束时刻，以便截取气缸一个行程的数据。也可以对采集到的气缸和运动数据进行低通滤波，以去除干扰信号。若气缸在运动一个行程前就已经发生故障，则将故障点和故障时间记录，以作为故障预测的历史数据。再根据上述公式计算无杆气缸、脚蹬气缸、开锁气缸及闭锁气缸在各设定位移处的加速度、速度及气压。

S103、根据各个设定位移处的气压和运动数据获得各个设定位移处的性能数据。

更具体地，性能数据包括气压、活塞与负载的阻力及功率等数据。此处以活塞与负载的阻力详细说明，并以无杆气缸、脚蹬气缸、开锁气缸及闭锁气缸为例。

针对无杆气缸和脚蹬气缸，其结构相同，因此，计算公式也相同，具体计算公式如下：

F(mΔx)＝A×[P_L(mΔx)-P_R(mΔx)]-Ma(mΔx)

其中，F(mΔx)为第m个位移点mΔx处的气缸活塞与负载所受阻力，F_L(mΔx)为气缸的活塞左侧气室气体推力，F_R(mΔx)为气缸的活塞右侧气室气体推力。F_L(mΔx)＝A×P_L(mΔx)，F_R(mΔx)＝A×P_R(mΔx)，M为活塞所带负载的质量，A表示活塞面积。

针对开锁气缸及闭锁气缸，其结构相同，因此，计算公式也相同，具体计算公式如下：

F(mΔx)＝A×[P_L(mΔx)-P_R(mΔx)]-K(mΔx-C)-Ma(mΔx)

其中，F_E表示回程弹簧的弹力F_E＝K(mΔx-C)，C是常数，K为弹簧弹性系数。

S104、将各个设定位移处的性能数据与气动元件的设计性能数据进行比较，根据比较结果确定气动元件的故障状态。

更具体地，气动元件的设计性能数据是电控气动设备的基本数据，在设计电控气动设备时就已经确定。

利用已经训练的神经网络对性能数据进行识别处理，以根据识别结果确定气动元件的故障状态。

在训练神经网络时，利用设计性能数据训练神经网络，为了获得更精确的故障状态，例如：发生故障点、故障类型等。可以采集更多的历史故障数据，对神经网络进行训练，以便利用已训练的神经网络对性能数据进行识别，获得精确的故障状态。本实施例不限制训练数据，通过用不同的训练数据训练神经网络，以使网络达到相应的识别能力，也会落到本发明保护范围内。

可选地，可以对各个设定位移处的性能数据进行傅里叶变换，以获得频域性能数据，再利用频域性能数据确定气动元件的故障状态。其中，频域性能数据包括特征频率的幅值、相位或功率谱幅值。

可选地，可以利用数学模型、参数估计、专家系统、人工神经网络、深度神经网路、信息融合、实例比较、模糊理论等故障检测和模式识别方法对气动元件的故障状态进行识别，例如识别气动元件是否发生故障、发生故障的位置、故障严重程度等故障状态。

可选地，通过提取气压或者活塞与负载所受阻力随位移的变化关系、气压的最大值和最小值、活塞与负载所受阻力的最大值和最小值、最大值出现的位置、最小值以及最小值出现的位置、活塞与负载所受阻力的均值、气压均值等特征，利用特征与气压或活塞与负载所受阻力的理论特征值比较，获得比较结果。

例如：采用自适应编码器深度神经网络模型作为检测当前门系统故障状态的检测模型，检测模型共5层，一个100个神经元组成输入层、3个由200个神经元组成的隐层和一个由SVM支持向量机组成的具有12个输出的输出层。深度神经网络模型建立后采用门系统故障样本训练、测试检测神模型。

在本实施例提供的故障检测方法，采集不同时刻的气动元件的气压以及运动数据，并将不同时刻的气压和运动数据转换到不同位移处的气压和运动数据，以便计算不同位移处的性能数据，进而比较不同位移处的性能数据与设计性能数据，再获得比较结果后，根据比较结果确定气动元件的故障状态。

图2为本发明根据另一示例性实施例示出的故障检测方法的流程示意图。如图2所示，故障检测方法包括如下步骤：

S201至S204与图1所示实施例的S101至S104相同，在此处不再赘述。

在S203之后，包括如下步骤：

S205、利用各个设定位移处的性能数据预测气动元件发生故障时刻及故障点。

更具体地，利用各个设定位移处的性能数据预测气动元件发生故障时刻及故障点，具体为：利用已训练的神经网络模型对各个设定位移处的性能数据进行拟合，以预测述气动元件发生故障时刻及故障点。

在本实施例中，性能数据为气压或者活塞与负载所受阻力，以气压为例，训练数据为：最大值和最小值、最大值和最小值所在位移处、每个位移随活塞运动次数的变化。

作为可选方案，采用失效模型、智能的推理算法预测气动元件的故障状态，故障状态包括发生故障的部位、时间及剩余使用寿命，以便给出合理的维修保障建议。

例如：采用基于长短期记忆网络(Long Short-Term Memory，简称：LSTM)的深度神经网络模型作为预测模型，预测模型共5层，一个300个神经元组成输入层、3个由600个神经元组成的隐层和一个1个输出的输出层。LSTM深度神经网络模型建立后采用历史数据样本训练、测试预测模型。

在本实施例提供的方法中，可以利用各个设定位移处的性能数据预测气动元件发生故障时刻及故障点，以便给出合理的维修保障建议。

图3为本发明根据一示例性实施例示出的故障检测装置的结构示意图。如图3所示，本发明提供一种故障检测装置300，用于检测电控气动设备中气动元件的故障，装置300包括：

采集模块301，用于以等时间间隔采集气动元件的气压及运动数据，以获得各时刻的气压和运动数据；

获得模块302，用于根据各设定时刻的气压和运动数据获得各个设定位移处的气压和运动数据；

获得模块302还用于根据各个设定位移处的气压和运动数据获得各个设定位移处的性能数据；

确定模块303，用于将各个设定位移处的性能数据与气动元件的设计性能数据进行比较，根据比较结果确定气动元件的故障状态。

可选地，获得模块302具体用于：

根据各设定时刻的运动数据确定气动元件运动至第一位移处对应的第一时刻；

可选地，获得模块302具体用于：

利用差值法获得第一时刻的气压和运动数据，以将第一时刻的气压和运动数据分别作为第一位移处的气压和运动数据输出。

可选地，确定模块303具体用于：

其中，利用设计性能数据训练神经网络。

可选地，还包括预测模块304；

图4为本发明根据一示例性实施例示出的故障检测系统400的结构示意图。如图4所示，故障检测系统400包括至少一个传感器401、至少一个数据采集单元402、故障检测装置403、以及显示单元404。其中，每个数据采集单元402与一组传感器401连接，数据采集单元402通过无线接口与故障检测装置403或者其他数据采集单元402连接。传感器401用于采集气动元件的气压检测或者采集气动元件的位移检测，数据采集单元402用于获取气压数据、位移数据、电控信号以及存储数据、对数据预处理。显示单元404可以用于用户与故障检测装置进行交互。故障检测装置403将检测结果或者预测结果通过显示单元呈现给用户。

例如，当该故障检测系统用于门系统时，无杆气缸活塞两侧气缸各安装一个气体压力传感器，在活塞和缸套之间安装拉绳位移传感器，在脚蹬气缸活塞两侧气缸各安装一个气体压力传感器，在脚蹬气缸活塞与缸套之间安装激光位移传感器，在开锁气缸负载侧气缸安装气体压力传感器，在气缸活塞与缸套之间安装拉绳位移传感器，在闭锁气缸负载侧气缸安装气体压力传感器，在气缸活塞与缸套之间安装拉绳位移传感器。

在每个客车门上安装一个数据采集单元，四个车门共安装四个采集单元，数据采集单元的功能是完成数据采集、数据存储、数据传输和数据预处理。数据采集单元通过TRDP实时以太网与门系统状态检测单元连接。数据采集单元对传感器输入的信号进行同步采集，采样率10Kbps，量化精度采用16比特量化。

故障检测装置分布式的布置车辆和地面上，也可以将故障检测装置集中安装在车辆上，采集单元与车辆上故障检测装置之间采用无线WiFi连接。数据采集单元采用CAN总线与门控单元进行通信，实时采集门控单元获取的门状态信号和发送给电磁阀的指令。不同车辆上的故障检测装置之间通过TRDP(全称Train Real-time Data Protocol)实时以太网组成环形列车车载局域网，在列车两端的故障检测装置设置无线传输网关，采用WiFi和GSM-R/LTE-R/5G网络联合传输的方式实现与地面故障检测装置的数据通信。本实施例中，数据采集单元、故障检测装置都由硬件加软件的方式实现。

图5为本发明根据一示例性实施例示出的电子设备的结构示意图。如图5所示，本实施例的电子设备500包括：处理器501以及存储器502，其中，

存储器502，用于存储计算机执行指令；

处理器501，用于执行存储器存储的计算机执行指令，以实现上述实施例中接收设备所执行的各个步骤。具体可以参见前述方法实施例中的相关描述。

可选的，存储器502既可以是独立的，也可以跟处理器501集成在一起。

当存储器502独立设置时，该电子设备500还包括总线503，用于连接存储器502和处理器501。

本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当处理器执行计算机执行指令时，实现上述的故障检测方法。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims

1.一种故障检测方法，其特征在于，用于检测电控气动设备中气动元件的故障，所述方法包括：

采集所述气动元件的气压及运动数据，以获得各设定时刻的气压和运动数据；

根据所述各设定时刻的气压和运动数据获得各个设定位移处的气压和运动数据；

根据所述各个设定位移处的气压和运动数据获得各个设定位移处的性能数据；

将所述各个设定位移处的性能数据与所述气动元件的设计性能数据进行比较，根据比较结果确定所述气动元件的故障状态。

2.根据权利要求1所述的方法，其特征在于，所述根据所述各设定时刻的气压和运动数据获得各个设定位移处的气压和运动数据，具体包括：

根据所述各设定时刻的运动数据确定所述气动元件运动至第一位移处对应的第一时刻；其中，所述第一位移为所述气动元件位于任意处的位移；

将所述第一时刻的气压和运动数据分别作为所述第一位移处的气压和运动数据。

3.根据权利要求2所述的方法，其特征在于，所述将所述第一时刻的气压和运动数据分别作为所述第一位移处的气压和运动数据，具体包括：

利用插值法获得所述第一时刻的气压和运动数据，以将所述第一时刻的气压和运动数据分别作为所述第一位移处的气压和运动数据输出。

4.根据权利要求1至3任一项所述的方法，其特征在于，所述将所述各个设定位移处的性能数据与所述气动元件的设计性能数据进行比较，具体包括：

利用已经训练的神经网络对所述性能数据进行识别处理，以根据所述识别结果确定所述气动元件的故障状态；

其中，利用所述设计性能数据训练所述神经网络。

5.根据权利要求1至3任一项所述的方法，其特征在于，所述方法还包括：

利用所述各个设定位移处的性能数据预测所述气动元件发生故障的时刻及故障点。

6.一种故障检测装置，其特征在于，用于检测电控气动设备中气动元件的故障，所述装置包括：

采集模块，用于采集所述气动元件的气压及运动数据，以获得各设定时刻的气压和运动数据；

获得模块，用于根据所述各设定时刻的气压和运动数据获得各个设定位移处的气压和运动数据；

所述获得模块还用于根据所述各个设定位移处的气压和运动数据获得各个设定位移处的性能数据；

确定模块，用于将所述各个设定位移处的性能数据与所述气动元件的设计性能数据进行比较，根据比较结果确定所述气动元件的故障状态。

7.根据权利要求6所述的装置，其特征在于，所述获得模块具体用于：

8.根据权利要求7所述的装置，其特征在于，所述获得模块具体用于：

9.一种定位设备，其特征在于，包括：

存储器，用于存储程序；

处理器，用于执行所述存储器存储的所述程序，当所述程序被执行时，所述处理器用于执行如权利要求1至5中任一所述的故障检测方法。

10.一种计算机可读存储介质，其特征在于，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1至5中任一所述的故障检测方法。