CN111078966B - 液压机远程故障诊断方法、装置和存储介质 - Google Patents
液压机远程故障诊断方法、装置和存储介质 Download PDFInfo
- Publication number
- CN111078966B CN111078966B CN201911197730.4A CN201911197730A CN111078966B CN 111078966 B CN111078966 B CN 111078966B CN 201911197730 A CN201911197730 A CN 201911197730A CN 111078966 B CN111078966 B CN 111078966B
- Authority
- CN
- China
- Prior art keywords
- fault
- feature
- knowledge
- hydraulic machine
- value
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9038—Presentation of query results
Abstract
本发明公开了一种液压机远程故障诊断方法。该方法包括:获得液压机中设置的测量点的采集数据;对所述采集数据进行处理,获得故障分析数据;根据所述故障分析数据利用专家系统对液压机进行故障诊断。本发明还公开了一种液压机远程故障诊断装置及计算机可读存储介质。本发明能够实现能远程的对液压机进行故障诊断,快速实现液压机的故障检测。
Description
技术领域
本发明涉及液压机故障诊断领域,尤其涉及一种液压机远程故障诊断方法、装置和计算机可读存储介质。
背景技术
液压机是一种以液体为工作介质,根据帕斯卡原理制成的用于传递能量以实现各种工艺的机器。当前,液压机在工业上的应用非常广泛,如应用于钢铁行业、大型设备制造行业、军事行业、船舶行业等,是重要的工业发展应用技术。
目前,液压机的种类多样,如四柱式、单柱式(C型)、卧式等,但无论哪种形式的液压机都结构复杂,故障诊断困难,故障诊断都无法实现远程自动化故障诊断,需要依靠专业的故障检测人员进行长时间的查找,费时费力,且故障诊断效果不好。
发明内容
本发明的主要目的在于提供一种液压机远程故障诊断方法、装置和计算机可读存储介质,旨在实现能远程的对液压机进行故障诊断,快速实现液压机的故障检测。
为实现上述目的,本发明提供一种液压机远程故障诊断方法,所述液压机远程故障诊断方法包括以下步骤:
获得液压机中设置的测量点的采集数据;
对所述采集数据进行处理,获得故障分析数据;
根据所述故障分析数据利用专家系统对液压机进行故障诊断。
可选地,所述对所述采集数据进行处理,获得故障分析数据的步骤包括:
对所述采集数据进行提取处理,获得数据特征值;
对所述数据特征值按照预设的数据处理模型进行计算,获得故障分析数据。
可选地,所述根据所述故障分析数据利用专家系统对液压机进行故障诊断的步骤包括:
对所述故障分析数据进行特征表达,获得特征表达结果;
对所述特征表达结果进行知识模型建设,获得知识模型表示;
对所述知识模型表示利用推理机进行推理,获得所述故障分析数据对应的故障诊断结果。
可选地,所述对所述故障分析数据进行特征表达,获得特征表达结果的步骤包括:
对所述故障分析数据利用三元组表达式进行特征表达,获得特征表达结果;
所述三元组表达式为:
Fcs={Ai,Vi,δi}(+,-,*,/)
其中,Fcs为特征表达结果,i表示特征序号,i∈{1,2,3…n},Ai为特征名称,Vi为特征对应的数值,δi为特征的允许误差,(+,-,*,/)表示特征可以按照该运算组成新的特征。
可选地,所述对所述特征表达结果进行知识模型建设,获得知识模型表示的步骤包括:
对所述特征表达结果利用知识表示公式进行知识模型建设,获得知识模型表示;
所述知识表示公式为:
IF{FNi,{Aij,Vij,δij,wij,CFij}(OR,AND)}
THEN{(FAUD i,FCF i,λi)i=1,2,3,…,m;j=1,2,3…n}
其中,FNi为第i个故障的名称,Aij为第i个故障的第j个特征名称,Vij为第i个故障的第j个特征的特征值,δij为接近度,wij为客观可信度,CFij为Aij特征的学习可信度,(OR,AND)表示这些特征可以进行“或”运算或者“与”运算,FAUD i为符合特征Fcs的故障编号,FCFi为在特征Fcs下,故障FAUD i所取得的可信度,λi为可信度阈值,m为故障数量,n为故障的特征数。
可选地,所述对所述知识模型表示利用推理机进行推理,获得所述故障分析数据对应的故障诊断结果的步骤包括:
对所述知识模型表示进行故障匹配,获得每个故障的总可信度值;
对所述每个故障的总可信度值与预设知识库中的每条知识进行一一匹配,获得每条知识的总可信度值;
对所述每条知识的总可信度值进行计算,获得所述故障分析数据对应的故障诊断结果。
可选地,所述对所述知识模型表示进行故障匹配,获得每个故障的总可信度值的步骤包括:
对所述知识模型表示进行故障匹配,获得每个故障每个特征的可信度值;
对所述每个故障每个特征的可信度值进行计算,获得每个故障的总可信度值。
可选地,所述对所述每条知识的总可信度值进行计算,获得所述故障分析数据对应的故障诊断结果的步骤包括:
对所述每条知识的总可信度值利用利用最大值公式进行计算,获得所述每条知识的总可信度值的最大值;
根据所述每条知识的总可信度值的最大值进行分析,获得所述故障分析数据对应的故障诊断结果。
此外,为实现上述目的,本发明还提供一种液压机远程故障诊断装置,所述液压机远程故障诊断装置包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的液压机远程故障诊断程序,所述液压机远程故障诊断程序被所述处理器执行时实现如上所述的液压机远程故障诊断方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有液压机远程故障诊断程序,所述液压机远程故障诊断程序被处理器执行时实现上述的液压机远程故障诊断方法的步骤。
本发明提供一种液压机远程故障诊断方法、装置和计算机存储介质。在该方法中,获得液压机中设置的测量点的采集数据;对所述采集数据进行处理,获得故障分析数据;根据所述故障分析数据利用专家系统对液压机进行故障诊断。通过上述方式,本发明能自动的采集故障数据,通过专家系统将故障数据与专家知识库中的知识进行对比分析,进而确定液压机的故障,实现实时自动分析,解决了许多的故障数据智只能通过人工的检查、筛选,找出故障,而不能自动智能进行分析的问题,该方法减少了人工劳动量,并具有较高准确性,不需依赖专家技术人员。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的装置结构示意图;
图2为本发明液压机远程故障诊断方法第一实施例的流程示意图;
图3为本发明液压机远程故障诊断方法第二实施例的流程示意图;
图4为本发明液压机远程故障诊断方法第三实施例的流程示意图;
图5为本发明液压机远程故障诊断方法第四实施例的流程示意图;
图6为本发明液压机远程故障诊断方法第五实施例的流程示意图;
图7为本发明液压机远程故障诊断方法第六实施例的流程示意图;
图8为本发明液压机远程故障诊断方法第七实施例的流程示意图;
图9为本发明液压机远程故障诊断方法第八实施例的流程示意图;
图10为本发明液压机远程故障诊断方法第一实施例的远程监控传输过程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,图1是本发明实施例方案涉及的硬件运行环境的装置结构示意图。
本发明实施例终端可以是PC,也可以是智能手机、平板电脑、便携计算机等具有数据处理功能的终端设备。
如图1所示,该终端可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地,终端还可以包括摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、Wi-Fi模块等等。其中,传感器比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示屏的亮度,接近传感器可在移动终端移动到耳边时,关闭显示屏和/或背光。作为运动传感器的一种,重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;当然,移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
本领域技术人员可以理解,图1中示出的终端结构并不构成对终端的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及液压机远程故障诊断程序。
在图1所示的终端中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的液压机远程故障诊断程序,并执行以下操作:
获得液压机中设置的测量点的采集数据;
对所述采集数据进行处理,获得故障分析数据;
根据所述故障分析数据利用专家系统对液压机进行故障诊断。
进一步地,处理器1001可以调用存储器1005中存储的液压机远程故障诊断程序,还执行以下操作:
所述对所述采集数据进行处理,获得故障分析数据的步骤包括:
对所述采集数据进行提取处理,获得数据特征值;
对所述数据特征值按照预设的数据处理模型进行计算,获得故障分析数据。
进一步地,处理器1001可以调用存储器1005中存储的液压机远程故障诊断程序,还执行以下操作:
所述根据所述故障分析数据利用专家系统对液压机进行故障诊断的步骤包括:
对所述故障分析数据进行特征表达,获得特征表达结果;
对所述特征表达结果进行知识模型建设,获得知识模型表示;
对所述知识模型表示利用推理机进行推理,获得所述故障分析数据对应的故障诊断结果。
进一步地,处理器1001可以调用存储器1005中存储的液压机远程故障诊断程序,还执行以下操作:
所述对所述故障分析数据进行特征表达,获得特征表达结果的步骤包括:
对所述故障分析数据利用三元组表达式进行特征表达,获得特征表达结果;
所述三元组表达式为:
Fcs={Ai,Vi,δi}(+,-,*,/)
其中,Fcs为特征表达结果,i表示特征序号,i∈{1,2,3…n},Ai为特征名称,Vi为特征对应的数值,δi为特征的允许误差,(+,-,*,/)表示特征可以按照该运算组成新的特征。
进一步地,处理器1001可以调用存储器1005中存储的液压机远程故障诊断程序,还执行以下操作:
所述对所述特征表达结果进行知识模型建设,获得知识模型表示的步骤包括:
对所述特征表达结果利用知识表示公式进行知识模型建设,获得知识模型表示;
所述知识表示公式为:
IF{FNi,{Aij,Vij,δij,wij,CFij}(OR,AND)}
THEN{(FAUD i,FCF i,λi)i=1,2,3,…,m;j=1,2,3…n}
其中,FNi为第i个故障的名称,Aij为第i个故障的第j个特征名称,Vij为第i个故障的第j个特征的特征值,δij为接近度,wij为客观可信度,CFij为Aij特征的学习可信度,(OR,AND)表示这些特征可以进行“或”运算或者“与”运算,FAUD i为符合特征Fcs的故障编号,FCFi为在特征Fcs下,故障FAUD i所取得的可信度,λi为可信度阈值,m为故障数量,n为故障的特征数。
进一步地,处理器1001可以调用存储器1005中存储的液压机远程故障诊断程序,还执行以下操作:
所述对所述知识模型表示利用推理机进行推理,获得所述故障分析数据对应的故障诊断结果的步骤包括:
对所述知识模型表示进行故障匹配,获得每个故障的总可信度值;
对所述每个故障的总可信度值与预设知识库中的每条知识进行一一匹配,获得每条知识的总可信度值;
对所述每条知识的总可信度值进行计算,获得所述故障分析数据对应的故障诊断结果。
进一步地,处理器1001可以调用存储器1005中存储的液压机远程故障诊断程序,还执行以下操作:
所述对所述知识模型表示进行故障匹配,获得每个故障的总可信度值的步骤包括:
对所述知识模型表示进行故障匹配,获得每个故障每个特征的可信度值;
对所述每个故障每个特征的可信度值进行计算,获得每个故障的总可信度值。
进一步地,处理器1001可以调用存储器1005中存储的液压机远程故障诊断程序,还执行以下操作:
所述对所述每条知识的总可信度值进行计算,获得所述故障分析数据对应的故障诊断结果的步骤包括:
对所述每条知识的总可信度值利用利用最大值公式进行计算,获得所述每条知识的总可信度值的最大值;
根据所述每条知识的总可信度值的最大值进行分析,获得所述故障分析数据对应的故障诊断结果。
本发明液压机远程故障诊断设备的具体实施例与下述液压机远程故障诊断方法各实施例基本相同,在此不作赘述。
参照图2,图2为本发明液压机远程故障诊断方法第一实施例的流程示意图,所述液压机远程故障诊断方法包括:
步骤S100,获得液压机中设置的测量点的采集数据;
在本实施例中,首先获得液压机中设置的测量点的采集数据,液压机中设置的测量点可以为主要控制及主回路上的测量点,也可以为考虑各种故障可能性而选择的其他测量点。测量点的采集数据可以通过与测量点连接的采集卡进行采集。
步骤S200,对所述采集数据进行处理,获得故障分析数据;
在获得测量点的采集数据后,对采集数据进行传输,传输到现场工作站,现场工作站对采集数据处理后,并提取特征值后送入到工程师站,工程师站设计了故障分类及性能评估算法,会将采集数据存入企业服务器的数据库中,并通过相关的数据处理模型,对提取特征值后的数据进一步的处理,并将处理后获得的故障分析数据通过网络传送到远程服务器。
步骤S300,根据所述故障分析数据利用专家系统对液压机进行故障诊断。
处理后获得的故障分析数据通过网络传送到远程服务器后,远程服务器会利用专家系统进行故障诊断。专家系统由知识库、推理机、数据库组成,,本发明采用CLIPS人工智能语言编写推理机,用VC++编写人机界面,知识库与推理机独立运行,改变知识库不需要改变推理机。液压机故障分析识别专家系统包括特征表达、知识模型表示与推理机的设计三个部分,能实现将故障分析数据与专家知识库中的知识进行对比分析,进而确定故障,实现实时自动分析故障原因。具体地,远程监控传输过程见图10,在线检测通过现场控制网络数据传输给现场工作站,同时现场控制网络数据传输还连接显示装置、执行器、传感器等设备,工程师可以通过现场工作站对数据进行处理,并将数据传输给企业服务总线,企业服务总线并与工程师站、MIS、ERP系统交互连接,同时将数据传输给企业服务器,企业服务器包括诊断模型和运维模型,能将数据通过标准数据接口存入与大数据技术连接的数据库,并能通过人工接口将数据传输给工程师和管理者,并通过互联网将数据发送远程服务器上的专家系统进行故障分析名专家系统连接电脑、手机等设备,还连接数据管理、预测管理等。本发明能构建大型液压机现场数据的实时传输系统,确保数据的可靠传输,实现远程对液压系统的监控。并根据液压数据特征,设计了液压数据知识表达模型,运用人工智能语言设计推理机,通过不断的干预知识库,逐步构建完善知识库,实现复杂数据、大量数据的数据分析、异动提醒、统计报表等,最终实现大型液压机数据的分析、处理、故障分类、性能评估的系统。
本发明提供一种液压机远程故障诊断方法、装置和计算机存储介质。在该方法中,获得液压机中设置的测量点的采集数据;对所述采集数据进行处理,获得故障分析数据;根据所述故障分析数据利用专家系统对液压机进行故障诊断。通过上述方式,本发明能自动的采集故障数据,通过专家系统将故障数据与专家知识库中的知识进行对比分析,进而确定液压机的故障,实现实时自动分析,解决了许多的故障数据智只能通过人工的检查、筛选,找出故障,而不能自动智能进行分析的问题,该方法减少了人工劳动量,并具有较高准确性,不需依赖专家技术人员。
请参阅图3,图3为本发明液压机远程故障诊断方法第二实施例的流程示意图。
基于上述实施例,本实施例中,步骤S200包括:
步骤S210,对所述采集数据进行提取处理,获得数据特征值;
在本实施例中,对所述采集数据进行处理,获得故障分析数据。首先,对所述采集数据进行提取处理,获得数据特征值。具体地,获得数据特征值可以采用多种特征提取算法,例如,神经网络算法、特征匹配算法和分类算法等,通过特征提取,获得符合预设数据要求的数据特征值。
步骤S220,对所述数据特征值按照预设的数据处理模型进行计算,获得故障分析数据。
对所述数据特征值按照预设的数据处理模型进行计算,获得故障分析数据。具体的,可以利用大数据分析模型进行处理,也可以利用空间数据分析模型进行处理,还可以利用其它数据类型进行处理,本申请对数据处理模型不作限定。
请参阅图4,图4为本发明液压机远程故障诊断方法第三实施例的流程示意图。
基于上述实施例,本实施例中,步骤S300包括:
步骤S310,对所述故障分析数据进行特征表达,获得特征表达结果;
在本实施例中,在获得故障分析数据后,可以先对故障分析数据进行特征表达,获得特征表达结果。特征表达为液压机故障分析识别专家系统包括特征表达、知识模型表示与推理机的设计三个部分中的第一个部分。采用公式进行表达,一般能很好的进行特征表达,获得特征表达结果。
步骤S320,对所述特征表达结果进行知识模型建设,获得知识模型表示;
获取特征表达结果后,可以进行液压机故障分析识别专家系统的第二部分:知识模型表示。即建立知识模型,获得知识模型表示,用于故障特征的表征与推理。
步骤S330,对所述知识模型表示利用推理机进行推理,获得所述故障分析数据对应的故障诊断结果。
在获得知识模型表示后,可以对知识模型表示利用推理机进行推理,获得所述故障分析数据对应的故障诊断结果。具体的,推理机进行推理的过程可分为四个阶段:模式匹配、冲突消解、激活规则、动作。在本实施例中,推理机是专家系统的关键,也就是整个过程的关键,CLIPS是用C语言实现的高效产生式系统,为构成专家系统的主要部分,因效率高、可移植性强而得到广泛的应用。CLIPS构成的专家系统包括:规则defrule、事实deffacts、推理。CLIPS的推理循环可分为四个阶段:模式匹配、冲突消解、激活规则、动作。
请参阅图5,图5为本发明液压机远程故障诊断方法第四实施例的流程示意图。
基于上述实施例,本实施例中,步骤S310包括:
步骤S311,对所述故障分析数据利用三元组表达式进行特征表达,获得特征表达结果。
所述三元组表达式为:
Fcs={Ai,Vi,δi}(+,-,*,/)
其中,Fcs为特征表达结果,i表示特征序号,i∈{1,2,3…n},Ai为特征名称,Vi为特征对应的数值,δi为特征的允许误差,(+,-,*,/)表示特征可以按照该运算组成新的特征。
在本实施例中,一般采用三元组表达式对故障分析数据进行特征表达,获得特征表达结果。
具体地,所述三元组表达式为:
Fcs={Ai,Vi,δi}(+,-,*,/)
其中,Fcs为特征表达结果,i表示特征序号,i∈{1,2,3…n},Ai为特征名称,Vi为特征对应的数值,δi为特征的允许误差,(+,-,*,/)表示特征可以按照该运算组成新的特征。
在该公式中,δ表示允许误差,即当前采样值与知识库中知识的特征值的差。
请参阅图6,图6为本发明液压机远程故障诊断方法第五实施例的流程示意图。
基于上述实施例,本实施例中,步骤S320包括:
步骤S321,对所述特征表达结果利用知识表示公式进行知识模型建设,获得知识模型表示。
所述知识表示公式为:
IF{FNi,{Aij,Vij,δij,wij,CFij}(OR,AND)}
THEN{(FAUD i,FCF i,λi)i=1,2,3,…,m;j=1,2,3…n}
其中,FNi为第i个故障的名称,Aij为第i个故障的第j个特征名称,Vij为第i个故障的第j个特征的特征值,δij为接近度,wij为客观可信度,CFij为Aij特征的学习可信度,(OR,AND)表示这些特征可以进行“或”运算或者“与”运算,FAUD i为符合特征Fcs的故障编号,FCFi为在特征Fcs下,故障FAUD i所取得的可信度,λi为可信度阈值,m为故障数量,n为故障的特征数。
在本实施例中,通过知识表示公式对特征表达结果进行知识模型建设,获得知识模型表示。
所述知识表示公式为:
IF{FNi,{Aij,Vij,δij,wij,CFij}(OR,AND)}
THEN{(FAUD i,FCF i,λi)i=1,2,3,…,m;j=1,2,3…n}
其中,FNi为第i个故障的名称,Aij为第i个故障的第j个特征名称,Vij为第i个故障的第j个特征的特征值,δij为接近度,wij为客观可信度,CFij为Aij特征的学习可信度,(OR,AND)表示这些特征可以进行“或”运算或者“与”运算,FAUD i为符合特征Fcs的故障编号,FCFi为在特征Fcs下,故障FAUD i所取得的可信度,λi为可信度阈值,m为故障数量,n为故障的特征数。
在该公式中,m为故障数量,n为某一个故障的特征数,w1+w2+…wn=1,λ为阈值,范围[0,1]。其中,FNi表示第i个故障的名称,Aij表示第i个故障的第j个特征名称,Vij表示第i个故障的第j个特征的特征值。δij为接近度,即第i个特征的采样值与知识特征值的差值。(Aij,Vij,δij)构成了故障的特征表达Fcs。(OR,AND)表示这些特征可以进行“或”运算或者“与”运算。wij为客观可信度,是由领域专家确定。CFij为Aij特征的学习可信度,在学习的过程中,可以改变自身的值。其CFij值随着学习不断的加强,支持度小的CFij值则不断的减小和弱化,其随着学习更加趋近合理。λi为可信度阈值。FAUD i为符合特征Fcs的故障编号,FCFi为在特征Fcs下,故障FAUD i所取得的可信度,可信度越大,说明推理结果越可靠。建立故障的知识模型,可以用于故障特征的表征与推理。
请参阅图7,图7为本发明液压机远程故障诊断方法第六实施例的流程示意图。
基于上述实施例,本实施例中,步骤S330包括:
步骤S331,对所述知识模型表示进行故障匹配,获得每个故障的总可信度值;
本实施例对知识模型表示利用推理机进行推理。先获得某个故障的特征值V={v1,v2,v3,…vn,n为特征数},其对应的特征名称为A={A1,A2,A3,…An}。再推理机启动,打开并搜索知识库,与所有知识进行匹配。首先,对所述知识模型表示进行故障匹配,获得每个故障的总可信度值。具体地,每个故障的总可信度值由每个故障每个特征的可信度值构成,每个故障每个特征的可信度值通过计算,可以获得每个故障的总可信度值。每个故障每个特征的可信度值由特征名、特征值、允许误差、客观可信度、学习可信度等知识模型表示中的参数数据通过计算比较获得,然后通过汇总获得每个故障的总可信度值。例如,假设匹配故障F11,则根据特征名A,可以匹配得到:特征值VB={VB1,VB2,VB3,…VBn,n为特征数}、允许误差δ={δ1,δ2,δ3,…δn,n为特征数}、客观可信度w={w1,w2,w3,…wn,n为特征数}、学习可信度CF={CF1,CF2,CF3,…CFn,n为特征数},然后计算VB与V的差值并与δ比较,凡是小于δ的特征被保留,并计算出每一个特征的可信度,则故障F11的总可信度FCF1为下式:
步骤S332,对所述每个故障的总可信度值与预设知识库中的每条知识进行一一匹配,获得每条知识的总可信度值;
在获得每个故障的总可信度值后,将每个故障的总可信度值匹配知识库中所有知识,获得每条知识的总可信度值。具体,利用如下公式:
其中,FCFj为知识j的总可信度,m为知识库中“知识”的数量。
步骤S333,对所述每条知识的总可信度值进行计算,获得所述故障分析数据对应的故障诊断结果。
最后,对所述每条知识的总可信度值进行计算,获得所述故障分析数据对应的故障诊断结果。具体地,利用如下公式:
期望识别的第k个故障的总可信度为FCFk,确定识别成功的故障。
请参阅图8,图8为本发明液压机远程故障诊断方法第七实施例的流程示意图。
基于上述实施例,本实施例中,步骤S331包括:
步骤S3311,对所述知识模型表示进行故障匹配,获得每个故障每个特征的可信度值;
在本实施例中,对所述知识模型表示进行故障匹配,获得每个故障每个特征的可信度值。对所述知识模型表示进行故障匹配,获得每个故障每个特征的可信度值;例如,匹配故障F11,则根据特征名A,可以匹配得到:特征值VB={VB1,VB2,VB3,…VBn,n为特征数}、允许误差δ={δ1,δ2,δ3,…δn,n为特征数}、客观可信度w={w1,w2,w3,…wn,n为特征数}、学习可信度CF={CF1,CF2,CF3,…CFn,n为特征数},然后计算VB与V的差值并与δ比较,凡是小于δ的特征被保留,并计算出每一个特征的可信度。
步骤S3312,对所述每个故障每个特征的可信度值进行计算,获得每个故障的总可信度值。
在获得每个故障每个特征的可信度值后,对每个故障每个特征的可信度值进行计算,获得每个故障的总可信度值。具体地,每个故障的总可信度值通过如下公式获得:
请参阅图9,图9为本发明液压机远程故障诊断方法第八实施例的流程示意图。
基于上述实施例,本实施例中,步骤S333包括:
步骤S3331,对所述每条知识的总可信度值利用利用最大值公式进行计算,获得所述每条知识的总可信度值的最大值;
在本实施例中,对所述每条知识的总可信度值利用利用最大值公式进行计算,获得所述每条知识的总可信度值的最大值。具体,利用如下公式:
FCFk为期望识别的第k个故障的总可信度。
步骤S3332,根据所述每条知识的总可信度值的最大值进行分析,获得所述故障分析数据对应的故障诊断结果。
最后,根据每条知识的总可信度值的最大值进行分析,获得所述故障分析数据对应的故障诊断结果,确定识别成功的故障。具体地,根据每条知识的总可信度值的最大值所对应的故障确定最终故障,最后获得故障诊断结果。
此外,本发明实施例还提出一种计算机可读存储介质。
本发明计算机可读存储介质上存储有液压机远程故障诊断程序,所述液压机远程故障诊断程序被处理器执行时实现如上所述的液压机远程故障诊断方法的步骤。
其中,在所述处理器上运行的液压机远程故障诊断程序被执行时所实现的方法可参照本发明液压机远程故障诊断方法各个实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种液压机远程故障诊断方法,其特征在于,所述液压机远程故障诊断方法包括以下步骤:
获得液压机中设置的测量点的采集数据;
对所述采集数据进行处理,获得故障分析数据,其中,所述故障分析数据用于对液压机进行故障诊断;
对所述故障分析数据进行特征表达,获得特征表达结果;
对所述特征表达结果进行知识模型建设,获得知识模型表示;
对所述知识模型表示进行故障匹配,获得每个故障的总可信度值;
对所述每个故障的总可信度值与预设知识库中的每条知识进行一一匹配,获得每条知识的总可信度值;
对所述每条知识的总可信度值进行计算,获得所述故障分析数据对应的故障诊断结果,其中,所述每个故障的总可信度值的计算公式如下:
所述每条知识的总可信度值的计算公式如下:
2.如权利要求1所述的液压机远程故障诊断方法,其特征在于,所述对所述采集数据进行处理,获得故障分析数据的步骤包括:
对所述采集数据进行提取处理,获得数据特征值;
对所述数据特征值按照预设的数据处理模型进行计算,获得故障分析数据。
3.如权利要求1所述的液压机远程故障诊断方法,其特征在于,所述对所述故障分析数据进行特征表达,获得特征表达结果的步骤包括:
对所述故障分析数据利用三元组表达式进行特征表达,获得特征表达结果;
所述三元组表达式为:
Fcs={Ai,Vi,δi}(+,-,*,/)
其中,Fcs为特征表达结果,i表示特征序号,i∈{1,2,3…n},Ai为特征名称,Vi为特征对应的数值,δi为特征的允许误差,(+,-,*,/)表示特征可以按照该运算组成新的特征。
4.如权利要求1所述的液压机远程故障诊断方法,其特征在于,所述对所述特征表达结果进行知识模型建设,获得知识模型表示的步骤包括:
对所述特征表达结果利用知识表示公式进行知识模型建设,获得知识模型表示;
所述知识表示公式为:
IF { FNi,{ Aij,Vij,δij,wij,CFij }(OR,AND)}
THEN {(FAUD i,FCF i,λi)i=1,2,3,…,m;j=1,2,3…n}
其中,FNi为第i个故障的名称,Aij为第i个故障的第j个特征名称,Vij为第i个故障的第j个特征的特征值,δij为接近度,wij为客观可信度,CFij为Aij特征的学习可信度,(OR,AND)表示这些特征可以进行“或”运算或者“与”运算,FAUD i为符合特征Fcs的故障编号,FCFi为在特征Fcs下,故障FAUD i所取得的可信度,λi为可信度阈值,m为故障数量,n为故障的特征数。
5.如权利要求1所述的液压机远程故障诊断方法,其特征在于,所述对所述知识模型表示进行故障匹配,获得每个故障的总可信度值的步骤包括:
对所述知识模型表示进行故障匹配,获得每个故障每个特征的可信度值;
对所述每个故障每个特征的可信度值进行计算,获得每个故障的总可信度值。
6.如权利要求1所述的液压机远程故障诊断方法,其特征在于,所述对所述每条知识的总可信度值进行计算,获得所述故障分析数据对应的故障诊断结果的步骤包括:
对所述每条知识的总可信度值利用最大值公式进行计算,获得所述每条知识的总可信度值的最大值;
根据所述每条知识的总可信度值的最大值进行分析,获得所述故障分析数据对应的故障诊断结果。
7.一种液压机远程故障诊断装置,其特征在于,所述液压机远程故障诊断装置包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的液压机远程故障诊断程序,所述液压机远程故障诊断程序被所述处理器执行时实现如权利要求1至6中任一项所述液压机远程故障诊断方法的步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有液压机远程故障诊断程序,所述液压机远程故障诊断程序被处理器执行时实现如权利要求1至6中任一项所述液压机远程故障诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911197730.4A CN111078966B (zh) | 2019-11-28 | 2019-11-28 | 液压机远程故障诊断方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911197730.4A CN111078966B (zh) | 2019-11-28 | 2019-11-28 | 液压机远程故障诊断方法、装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111078966A CN111078966A (zh) | 2020-04-28 |
CN111078966B true CN111078966B (zh) | 2023-03-28 |
Family
ID=70312329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911197730.4A Active CN111078966B (zh) | 2019-11-28 | 2019-11-28 | 液压机远程故障诊断方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111078966B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376486A (zh) * | 2018-12-04 | 2019-02-22 | 中国软件与技术服务股份有限公司 | 一种提升齿轮箱故障诊断准确性的方法 |
-
2019
- 2019-11-28 CN CN201911197730.4A patent/CN111078966B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376486A (zh) * | 2018-12-04 | 2019-02-22 | 中国软件与技术服务股份有限公司 | 一种提升齿轮箱故障诊断准确性的方法 |
Non-Patent Citations (1)
Title |
---|
基于证据组合的数控滚齿机诊断专家系统构建;何彦虎等;《设备管理与维修》;20170625(第07期);第114-117页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111078966A (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103246265B (zh) | 机电设备检测维护方法 | |
CN109523752B (zh) | 一种设备故障预警方法、装置、电子设备和介质 | |
US20230152187A1 (en) | Fault signal locating and identifying method of industrial equipment based on microphone array | |
CN110570544A (zh) | 飞机燃油系统故障识别方法、装置、设备和存储介质 | |
CN111399464A (zh) | 一种车辆质量智能检验方法及系统 | |
CN115114448B (zh) | 智能多模态融合用电检查方法、装置、系统、设备及介质 | |
CN115640698A (zh) | 一种水电站运行设备故障预警系统 | |
CN115204536A (zh) | 楼宇设备故障预测方法、装置、设备及存储介质 | |
CN113052295A (zh) | 一种神经网络的训练方法、物体检测方法、装置及设备 | |
CN114151293B (zh) | 风机变桨系统的故障预警方法、系统、设备及存储介质 | |
CN117112336B (zh) | 智能通信设备异常检测方法、设备、存储介质及装置 | |
CN111078966B (zh) | 液压机远程故障诊断方法、装置和存储介质 | |
CN116561588B (zh) | 电力文本识别模型构建方法、电力设备维修方法和装置 | |
CN113450827A (zh) | 基于压缩神经网络的设备异常工况声纹分析算法 | |
CN117388893A (zh) | 一种基于gps的多设备定位系统 | |
CN112055837A (zh) | 一种工业设备匹配方法和装置 | |
CN113065634A (zh) | 一种图像处理方法、神经网络的训练方法以及相关设备 | |
CN113570070B (zh) | 流式数据采样与模型更新方法、装置、系统与存储介质 | |
CN114584585A (zh) | 一种基于物联网的工业设备自诊断系统及方法 | |
CN114021759A (zh) | 基于aiot和mr技术在数字工厂设备管理方法 | |
CN113435753A (zh) | 高危行业中企业风险判定方法、装置、设备及介质 | |
CN115496120A (zh) | 物联网设备异常检测方法、装置、设备及存储介质 | |
CN114139589A (zh) | 故障诊断方法、装置、设备与计算机可读存储介质 | |
CN115544202A (zh) | 告警处理方法、装置及存储介质 | |
CN114077663A (zh) | 应用日志的分析方法及装置 |
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 |