CN111272412A - 电控气动设备的故障检测方法、装置、设备和存储介质 - Google Patents
电控气动设备的故障检测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111272412A CN111272412A CN202010206110.9A CN202010206110A CN111272412A CN 111272412 A CN111272412 A CN 111272412A CN 202010206110 A CN202010206110 A CN 202010206110A CN 111272412 A CN111272412 A CN 111272412A
- Authority
- CN
- China
- Prior art keywords
- displacement
- air
- diaphragm
- piston
- air pressure
- 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
Images
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
- G01M13/003—Machine valves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Fluid-Pressure Circuits (AREA)
Abstract
本发明实施例提供一种电控气动设备的故障检测方法和装置,所述方法包括:采集气动元件在各设定时刻的气压、气体温度和气体气量数据;将在各设定时刻的气压、气体温度和气体气量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
技术领域
本发明实施例涉及电控气动设备技术领域,尤其涉及一种电控气动设备的故障检测方法、装置、设备和存储介质。
背景技术
电控气动设备是轨道交通运输、生产制造、采矿、油气开采、化工、供排水以及环保等领域广泛使用的重要设备。且电控气动设备的控制方式为电控,驱动方式为气动。比如,电控气动阀门是各种输送管道的重要部件,其主要结构包括气动元件(比如气缸)、活塞或隔膜、弹簧、气动杆,气动杆和负载(比如阀门)连接。其工作原理是,当电控气动阀门接收到阀门开启指令时,气缸进气管处的电磁阀开启,高压气体通过进气管进入气缸,气缸内气压升高,迫使活塞或隔膜克服弹簧作用力向弹簧作用力反向滑动,与气缸产生相对位移,带动气动杆转动,从而达到开关或调节阀门的目的,至此完成一个阀门开启的完整动作;当电控气动阀门接收到阀门关闭指令时,电磁阀关闭,气缸内气压迅速降低,活塞或隔膜受弹簧作用力迅速回到原始位置,从而通过气动杆带动阀门回到安全位置,至此完成一个阀门关闭的完整动作。电控气动设备的运行安全直接影响交通运输安全和运营安全,因此,为了保证安全需要经常检测电控气动设备的运行过程中出现的故障以及故障出现的位置。
目前,常用的检测方法都是人工检测,比如,当电控气动设备未按照控制指令完成一个完整动作时,相关技术人员需要人工检测出现故障的原因,以及定位故障位置。
但是,这种检测方法需要耗费大量的人力成本和时间成本,因此,故障检测的效率低,故障定位的准确率也较低。
发明内容
本发明实施例提供一种电控气动设备的故障检测方法、装置、设备和存储介质,以解决现有技术中人工检测设备故障导致的故障检测的效率低以及故障定位的准确率也较低的问题。
本发明实施例的第一方面提供一种电控气动设备的故障检测方法,包括:
采集气动元件的气压、气体温度及气体气量数据,以获得各设定时刻的气压、气体温度和气体气量数据;
根据所述各设定时刻的气压、气体温度和气体气量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。
可选地,所述根据所述各设定时刻的气压、气体温度和气体气量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气压、气体温度和气体气量数据确定所述气动元件在设定时刻的位移;其中,所述设定时刻的位移为所述气动元件位于任意处的位移;
根据所述各设定时刻的位移确定所述气动元件在设定时刻的运动数据;
将所述设定时刻的气压和运动数据分别作为所述设定位移处的气压和运动数据。
可选地,所述运动数据包括活塞或隔膜的位移、移动速度和加速度;
所述根据所述各设定时刻的气压、气体温度和气体气量数据确定所述气动元件在设定时刻的位移,包括:
根据所述设定时刻的气压、所述气体气量以及第一公式,确定所述活塞或隔膜在设定时刻的位移,所述第一公式为其中,Δt表示预设时间间隔,X(nΔt)表示nΔt时刻活塞或隔膜的位移,Q(nΔt)表示nΔt时刻气缸中气体气量,A表示所述活塞或隔膜的有效面积,PL0表示位移为零时气缸内的气压,P(nΔt)表示nΔt时气缸内的气压,QL0表示位移为零时气缸内的气体气量,n表示时间采样点的数量,TL0表示位移为零时气缸内气体温度,T(nΔt)表示nΔt时刻时气缸内气体温度;
所述根据所述各设定时刻的位移确定所述气动元件在设定时刻的运动数据,包括:
可选地,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。
可选地,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。
本发明实施例的第二方面提供一种电控气动设备的故障检测装置,包括:
采集模块,用于采集气动元件的气压、气体温度及气体气量,以获得各设定时刻的气压、气体温度和气体气量;
获得模块,用于根据所述各设定时刻的气压、气体温度和气体气量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。
可选地,所述获得模块具体用于:
根据所述各设定时刻的气压、气体温度和气体气量确定所述气动元件在设定时刻的位移;其中,所述设定时刻的位移为所述气动元件位于任意处的位移;
根据所述各设定时刻的位移确定所述气动元件在设定时刻的运动数据;
将所述设定时刻的气压和运动参数分别作为所述设定时刻位移处的气压和运动数据。
可选地,所述获得模块具体用于:
利用插值法获得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第一位移处的气压和运动数据输出。
本发明实施例的第三方面提供一种定位设备,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行本发明实施例第一方面提供的电控气动设备的故障检测方法。
本发明实施例的第四方面提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现本发明实施例的第一方面提供的电控气动设备的故障检测方法。
本发明实施例提供一种电控气动设备的检测方法、装置、设备和存储介质,通过采集气动元件在各设定时刻的气压、气体温度和气体气量数据;将在各设定时刻的气压、气体温度和气体气量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,提高了电控气动设备的检测效率和准确率,便于及时发现电控气动设备的故障和故障隐患,为电控气动设备运行提供依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一示例性实施例示出的电控气动设备的故障检测方法的应用场景图;
图2是本发明一示例性实施例示出的电控气动设备的故障检测方法的流程示意图;
图3是本发明另一示例性实施例示出的电控气动设备的故障检测方法的流程示意图;
图4是本发明一示例性实施例示出的电控气动设备的故障检测装置的结构示意图;
图5是本发明一示例性实施例示出的电控气动设备的故障检测系统的结构示意图;
图6是本发明一示例性实施例示出的定位设备的结构示意图。
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,所描述的实施例仅仅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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
相关技术中,电控气动设备是轨道交通运输、生产制造、采矿、油气开采、化工、供排水以及环保等领域广泛使用的重要设备。且电控气动设备的控制方式为电控,驱动方式为气动。比如,电控气动阀门是各种输送管道的重要部件,其主要结构包括气缸、活塞或隔膜、弹簧、气动杆,气动杆和负载(比如阀门)连接。其工作原理是,当电控气动阀门接收到阀门开启指令时,气缸进气管处的电磁阀开启,高压气体通过进气管进入气缸,气缸内气压升高,迫使活塞或隔膜克服弹簧作用力向弹簧作用力反向滑动,与气缸产生相对位移,带动气动杆转动,从而达到开关或调节阀门的目的,至此完成一个阀门开启的完整动作;当电控气动阀门接收到阀门关闭指令时,电磁阀关闭,气缸内气压迅速降低,活塞或隔膜受弹簧作用力迅速回到原始位置,从而通过气动杆带动阀门回到安全位置,至此完成一个阀门关闭的完整动作。电控气动设备的运行安全直接影响交通运输安全和运营安全,因此,为了保证安全需要经常检测电控气动设备的运行过程中出现的故障以及故障出现的位置。
目前,常用的检测方法都是人工检测,比如,当电控气动设备未按照控制指令完成一个完整动作时,相关技术人员需要人工检测出现故障的原因,以及定位故障位置。但是,这种检测方法需要耗费大量的人力成本和时间成本,因此,故障检测的效率低,故障定位的准确率也较低,并且,无法预测设备运行过程中的故障隐患。
针对此缺陷,本发明的技术方案主要在于:通过采集气动元件在各设定时刻的气压、气体温度和气体气量数据;将在各设定时刻的气压、气体温度和气体气量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,提高了电控气动设备的检测效率和准确率,便于及时发现电控气动设备的故障和故障隐患,为电控气动设备运行提供依据。
图1是本发明一示例性实施例示出的电控气动设备的故障检测方法的应用场景图。
如图1所示,本实施例提供的应用场景图的主要架构包括:电控气动设备101,处理器102,显示终端103;处理器102获取电控气动设备101在运行过程中气动元件内的气压、气体温度和气缸中的气体气量,并对获取到的参数进行处理,最后得到故障检测结果和故障预测结果,并将故障检测结果和故障预测结果发送至显示终端103进行显示,以供相关技术人员参考。
图2是本发明一示例性实施例示出的电控气动设备的故障检测方法的流程示意图,本实施例提供的方法的执行主体可以是图1所示实施例中的处理器。
如图2所示,本实施例提供的方法可以包括以下步骤。
S201,采集气动元件的气压、气体温度及气体气量数据,以获得各设定时刻的气压、气体温度和气体气量数据。
其中,气动元件是电控气动设备中的气缸,气压为气缸内的气压。
具体的,各设定时刻可以是等时间间隔的时刻,按照预设时间间隔,利用压力传感器、温度传感器和气体流速/流量传感器同步采集气缸内的气体压力、气体温度和气缸气体气量,得到各设定时刻的气压、气体温度和气体气量。
S202,根据所述各设定时刻的气压、气体温度和气体气量数据获得各个设定位移处的气压和运动数据。
其中,运动数据包括气缸内活塞或者隔膜的位移、移动速度和移动加速度。
本步骤中,可以采用插值计算的方法,根据各设定时刻的气压和运动数据,计算得到各设定位移处的气压和运动数据。
S203,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。
具体的,根据各设定位移处的气压、活塞活隔膜的移动速度和移动加速度,可以计算得到各设定位移处活塞或隔膜所受的阻力值。
S204,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。
具体的,得到各设定位移处的气压、活塞活隔膜所受阻力大小后,可以将其与该原件的设计性能数据进行比较,根据比较结果便可以确定气动元件的故障状态。比如,活塞或隔膜在第一位移处实际所受的阻力是800N,而其设定的活塞或隔膜在第一位移处所受阻力应当为1000N,那么,经过比较可知,气动设备可能在第一位移处出现故障。
本实施例中,通过采集气动元件在各设定时刻的气压、气体温度和气体气量数据;将在各设定时刻的气压、气体温度和气体气量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,提高了电控气动设备的检测效率和准确率,便于及时发现电控气动设备的故障和故障隐患,为电控气动设备运行提供依据。
在一个实施例中,所述根据所述各设定时刻的气压、气体温度和气体气量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气压、气体温度和气体气量数据确定所述气动元件在设定时刻的位移;其中,所述设定时刻的位移为所述气动元件位于任意处的位移;根据所述各设定时刻的位移确定所述气动元件在设定时刻的运动数据;将所述设定时刻的气压和运动数据分别作为所述设定位移处的气压和运动数据。
其中,所述运动数据包括活塞或隔膜的移动速度和加速度。
具体的,根据所述设定时刻的气体压力、气体温度、所述气体气量以及第一公式,确定所述活塞或隔膜在设定时刻的位移,所述第一公式为其中,Δt表示预设时间间隔,X(nΔt)表示nΔt时刻活塞或隔膜的位移,W(nΔt)表示nΔt时刻气缸中气体气量,A表示所述活塞或隔膜的有效面积,PL0表示位移为零时气缸内的气体压力,P(nΔt)表示nΔt时气缸内的气体压力,QL0表示位移为零时气缸内的气体气量,n表示时间采样点的数量,TL0表示位移为零时气缸内气体温度,T(nΔt)表示nΔt时刻时气缸内气体温度。然后根据所述活塞或隔膜的位移和第二公式,确定所述活塞或隔膜的移动速度的采样序列,所述第二公式为其中,V(nΔt)表示nΔt时刻活塞或隔膜的移动速度;最后,根据所述活塞活隔膜的移动速度和第三公式,确定所述活塞或隔膜的移动加速度,所述第三公式为其中,a(nΔt)表示Δt时刻活塞或隔膜的移动加速度。
在一个实施例中,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。
具体的,采集电控气动设备的历史运行数据,包括气体压力和活塞或隔膜所受阻力与位移的变化关系以及对应的运行状态等数据,将采集到的数据输入到神经网络模型中进行训练,得到训练好的神经网络模型。当电控气动设备运行时,实时采集运行数据,比如,气压、气体流速等,进而得到各设定位移处的气压和活塞或隔膜所受阻力,将得到的各设定位移处的气压和活塞或隔膜所受阻力输入训练好的神经网络模型,该模型可以直接输出检测结果。
比如,利用电控气动设备的历史运行数据训练得到自适应编码器深度神经网络模型,自适应编码器深度神经网络模型用于表征各设定位移处的气压和活塞或隔膜所受阻力到故障检测结果的对应关系,其中的故障检测结果包括故障的位置和故障严重等级。
本实施例中,通过利用神经网络模型,自动判断设备是否发生故障、发生故障的位置以及故障等级,大大提高了故障的检测效率和准确率。
在一个实施例中,还可以利用各设定位移处的性能数据预测气动元件发生故障的时刻和故障点。
具体的,利用电控气动设备的历史运行数据,包括各设定位移处的气压、各设定位移处活塞或隔膜所受的阻力,以及对应的设备发生故障的时刻和故障点,训练得到LSTM深度神经网络模型,该模型用于表征特征值到故障预测结果的对应关系,故障预测结果包括发生故障的时间、故障点和设备的剩余使用时间等。将得到的各设定位移处的气压和活塞或隔膜所受阻力输入训练好的LSTM深度神经网络模型,该模型可以直接输出预测结果。
本实施例中,通过利用神经网络模型,根据各设定位移处的性能数据自动预测气动元件发生故障的时刻、故障点和设备的剩余使用寿命,便于相关技术人员及时了解电控气动设备的运行状态。
图3是本发明另一示例性实施例示出的电控气动设备的故障检测方法的流程示意图,本实施例在图2所示实施例的基础上结合具体实例对电控气动设备的故障检测方法进一步详细描述。
如图3所示,本实施例提供的方法可以包括以下步骤。
S301,按照预设时间采样间隔,同步采集气缸内气体压力、气体温度和气缸中气体气量,得到气体压力的采样序列、气体温度的采样序列和气体气量的采样序列;同时,获取电控气动设备的控制系统发出的控制指令。
其中,气体压力的采样序列、气体温度采样序列和气体气量的采样序列均为等时间间隔采样序列。控制指令用于控制电控气动设备电磁阀的开启或关闭,当控制指令包含电磁阀开启信号时,电磁阀根据信号开启,高压气体通过气缸的进气管进入气缸内产生气压;当控制指令包含电磁阀关闭信号时,电磁阀根据信号关闭,此时停止通过气缸的进气管像气缸内充入气体,同时气缸的放气口开启,气腔内气压迅速丧失。
S302,根据所述气体压力的采样序列、所述气体温度采样序列、所述气体气量的采样序列以及第一公式,确定所述活塞或隔膜的位移的采样序列。
具体的,第一公式为其中,Δt表示预设时间间隔,X(nΔt)表示nΔt时刻活塞或隔膜的位移,Q(nΔt)表示nΔt时刻气缸中气体气量,A表示所述活塞或隔膜的有效面积,PL0表示位移为零时气缸内的气体压力,P(nΔt)表示nΔt时气缸内的气体压力,QL0表示位移为零时气缸内的气体气量,n表示时间采样点的数量,TL0表示位移为零时气缸内气体温度,T(nΔt)表示nΔt时刻时气缸内气体温度。
一些实施例中,可以采用传感器直接测量得到气缸进气管中的气体流量的采样序列,如果直接测量得到气体流量的采样序列,则活塞或隔膜的位移的计算公式为 其中,FL(iΔt)表示iΔt时刻测得的气体流量,这里有Δt表示预设时间间隔,X(nΔt)表示nΔt时刻活塞或隔膜的位移,A表示所述活塞或隔膜的有效面积,PL0表示位移为零时气缸内的气体压力,P(nΔt)表示nΔt时气缸内的气体压力,VL0表示位移为零时气缸内的气体体积,n表示时间采样点的数量,TL0表示位移为零时气缸内气体温度,T(nΔt)表示nΔt时刻时气缸内气体温度。
在一些实施例中,如果监测的是流速,则FL(iΔt)=S(nΔt)×At,这里S(nΔt)为nΔt时刻的流速,At充气管有效内截面积。
比如,以电控气动阀门为例,通过读取控制系统发出的控制指令,获取电控气动阀门电磁阀的开启或关闭信号,同时,以等时间采样间隔同步测量电控气动阀门气动头气腔内的气体压力,和通过进气管流入气腔内的气体气量、气体流速或气体流量,得到气体压力的等时间间隔采样序列和气体气量或气体流速或气体流量的等时间间隔采样序列;然后通过上述计算公式计算出任意一个时间采样点时刻(nΔt)对应的活塞或隔膜的位移,得到阀门起动杆的理论运动轨迹和理论位置X(nΔt)。
S303,根据所述活塞或隔膜的位移和第二公式,确定所述活塞或隔膜的移动速度的采样序列。
S304,根据所述活塞或隔膜的移动速度的采样序列,确定活塞或隔膜的移动加速度的采样序列。
S305,根据控制指令、活塞或隔膜的位移的采样序列以及活塞或隔膜的移动速度的采样序列,判断电控气动设备的执行动作是否完成;若判断结果为是则执行步骤S3061;若判断结果为否,则执行步骤S3071。
具体的,控制系统会向电磁阀发出开启或关闭指令,根据控制指令、所述活塞或隔膜的位移和移动速度,确定所述电控气动设备的动作开始时刻和动作结束时刻;该开始时刻和结束时刻为理论上执行动作的开始时刻和结束时刻,将理论执行动作的开始时刻和结束时刻与实际执行该动作时的开始时刻和结束时刻进行比较,如果理论时刻和实际时刻相同,则判定该执行动作完成,否则判定该执行动作失败。
S3061,获取完成所述执行动作占用的时间段内的目标参数采样序列,所述目标参数采样序列包括气缸内气体压力的采样序列和活塞或隔膜的移动加速度的采样序列。
S3062,对所述气缸内气体压力的采样序列和活塞或隔膜的移动加速度的采样序列进行低通滤波,得到滤波后的气缸内气体压力的采样序列和活塞或隔膜的移动加速度的采样序列。
本步骤中,对气缸内气体压力的采样序列和活塞或隔膜的移动加速度的采样序列进行低通滤波,可以防止后续进行插值重构时产生混叠。
S3063,根据预设位移采样间隔和预设时间采样间隔,确定所述活塞或隔膜移动到任意位移采样点时对应的时间。
具体的,计算活塞或隔膜运动到mΔx处时对应的时刻Tm,Δx为等位移采样间隔,m为位移采样点的数量。如果mΔx位于X((i-1)Δt)和X(iΔt)之间那么,mΔx对应的时刻Tm=(i-1)Δt+Δτ,其中,当a((i-1)Δt)≥δ时,当a((i-1)Δt)<δ时,其中,δ为预设阈值,m的取值为0,1,…N。
S3064,采用插值计算的方法,分别根据滤波后的气体压力的采样序列、活塞或隔膜的移动加速度的采样序列与所述活塞或隔膜移动到任意位移采样点时对应的时间,确定气体压力的等位移间隔采样序列和所述活塞或隔膜的移动加速度的等位移间隔采样序列。
具体的,得到活塞或隔膜在位移mΔx处对应的时刻Tm后,结合上述步骤中得到的气体压力的等时间间隔采样序列、活塞或隔膜的移动速度的等时间间隔采样序列和移动加速度的等时间间采样序列,可以根据插值公式计算位移mΔx处的活塞或隔膜的运动速度(记为V(mΔx))、活塞或隔膜的运动加速度(记为a(mΔx))和气缸内气体压力(记为P(mΔx)),其中。气缸内气体压力包括气缸第一气室中的气体压力,记为P1(mΔx),和第二气室中的气体压力,记为P2(mΔx)。
一些实施例中,插值计算的方法包括分段线性差值计算方法、Hermite分段差值计算方法、以及三次样条差值计算方法。
本实施例中,由于采用高频采样,采样点之间变化较小,所以采用分段线性插值计算公式计算V(mΔx),a(mΔx),P(mΔx),其中,活塞或隔膜的移动速度的等位移间隔采样序列的计算公式为 V(mΔx)表示活塞或隔膜在位移mΔx处的移动速度;活塞或隔膜的移动加速度的等位移间隔采样序列的计算公式为a(mΔx)表示活塞或隔膜在位移mΔx处的移动加速度;气缸内气体压力的等位移间隔采样序列计算公式为
S3065,根据所述气体压力的等位移间隔采样序列和所述活塞或隔膜的移动加速度的等位移间隔采样序列,确定所述活塞或隔膜所受阻力的等位移间隔采样序列。
其中,活塞或隔膜在气缸内将气缸腔体分成两部分,分别为第一气室和第二气室,活塞或隔膜所受阻力有三部分,分别是气缸内两个气室中的气体对活塞或隔膜产生的推力、与活塞或隔膜连接的弹簧的弹力、以及与活塞或隔膜连接的起动杆连接的负载运动过程中产生的摩擦力。
具体的,第一气室对活塞或隔膜产生的推力记为F1(mΔx),F1(mΔx)=A×P1(mΔx),第二气室对活塞或隔膜产生的推力记为F2(mΔx),F2(mΔx)=A×P2(mΔx),弹簧弹力记为FE,FE=K(mΔx-C),其中,K为弹簧的弹性系数,C为常数,K和C的值均在具体实施时根据弹簧的相关参数确定,负载运动过程中产生的摩擦力为Ma(mΔx),M为负载的质量。根据气缸内两个气室中的气体对活塞或隔膜产生的推力、与活塞或隔膜连接的弹簧的弹力、以及与活塞或隔膜连接的起动杆连接的负载运动过程中产生的摩擦力和第三公式,计算得到活塞或隔膜所受阻力的等位移间隔采样序列,第三公式为F(mΔx)=A×[P1(mΔx)-P2(mΔx)]-K(mΔx-C)-Ma(mΔx),其中,Δx表示位移采样间隔,F(mΔx)表示活塞或隔膜在位移mΔx时所受阻力,P1(mΔx)表示活塞或隔膜在位移mΔx时第一气室内的气体压力,P2(mΔx)表示活塞或隔膜在位移mΔx时第二气室内的气体压力,K表示弹簧的弹性系数,C表示常数,M表示隔膜或活塞连接的负载的质量,a(mΔx)表示活塞或隔膜在位移mΔx时的移动加速度,m表示位移采样点的数量。
S3066,对所述气体压力的等位移间隔采样序列和活塞或隔膜所受阻力的等位移间隔采样序列进行傅里叶变换或频谱处理,得到气体压力的频谱和活塞或隔膜所受阻力的频谱。
S3067,根据所述气体压力的频谱和活塞或隔膜所受阻力的频谱,提取特征值,所述特征值包括气体压力的最大值和气体压力最大值时所述活塞或隔膜的位移值、气体压力的最小值和气体压力最小值时所述活塞或隔膜的位移值、活塞或隔膜所受阻力的最大值和阻力最大时对应的位移值、以及活塞或隔膜所受阻力的最小值和阻力最小时对应的位移值。
一些实施例中,还可以从气体压力的频谱和活塞或隔膜所受阻力的频谱中提取得到气体压力和活塞或隔膜所受阻力的平均值、均方根值、频谱的峭度、歪度、裕度和脉冲度。
比如,以电控气动阀门为例,通过上述步骤得到不同阀门分别在健康状态和故障状态下气动头隔膜上下两个气室中的气体压力的等位移间隔采样序列,和隔膜移动速度的等位移间隔采样序列,隔膜所受阻力的等位移间隔采样序列,以及气体压力、隔膜移动速度、和隔膜所受阻力各自的最大值和最大值出现的位置,最小值和最小值出现的位置,以及,每个位移采样点的位移值随电磁阀开闭次数和服役时间的变化关系。
S3068,将所述特征值分别输入预先训练得到的自适应编码器深度神经网络模型和LSTM深度神经网络模型,得到故障检测结果和故障预测结果。
其中,自适应编码器深度神经网络模型用于根据特征值判断设备是否出现故障,以及故障出现的位置;LSTM深度神经网络模型用于根据特征值预测设备的运行状态,比如设备的剩余使用寿命等健康状态。
具体的,自适应编码器深度神经网络模型包括: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。该模型采用预先存储的所有电控气动设备的历史故障信息作为训练样本进行训练。训练样本包括电控气动设备的历史故障特征值以及所述历史故障特征值对应的故障位置和故障等级;历史故障特征值包括故障出现时气缸内气体压力的值和对应的活塞或隔膜的位移值,活塞或隔膜所受阻力的值和对应的位移值等。将上述训练样本输入自适应编码器深度神经网络进行训练,得到自适应编码器深度神经网络模型。
LSTM深度神经网络模型包括: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。该模型采用预先存储的历史数据作为训练样本对建立好的模型进行训练得到LSTM深度神经网络模型,训练样本包括气缸内气体压力的最大值和气体压力最大时活塞或隔膜的位移值、气缸内气体压力的最小值和气体压力最小时活塞或隔膜的位移值、活塞或隔膜所受阻力的最大值和阻力最大时对应的位移值以及活塞或隔膜所受阻力的最小值和阻力最小时对应的位移值,以及每个位移值随着电磁阀开闭次数和服役时间的变化关系等。其中,历史数据包括不同电控气动设备在未出现故障的运行状态下的数据,将这些历史数据输入LSTM深度神经网络模型进行训练。
本步骤中,通过将上述步骤中提取得到的特征值输入预先训练得到的自适应编码器深度神经网络模型和LSTM深度神经网络模型,可以得到各自输出的设备故障位置、故障等级和发生故障的时间,对于未发生故障的设备可以得到预测的剩余使用寿命等运行状态信息。
S3069,将所述故障检测结果和所述故障预测结果发送至显示终端。
其中,显示终端可以但不限于是手机、电脑等带有显示装置的终端。
具体的,可以将故障检测结果通过网络发送至显示终端进行显示,并通过声、光、电、图像等方式呈现给相关技术人员,以提示技术人员及时采取相应措施。还可以将故障预测结果,即电控气动设备的当前运行状态和预测的使用寿命(或者说电控气动设备在未来时间点的运行状态)通过网络发送给数据中心,在由数据中心推送给相关技术人员,以使技术人员及时了解设备的运行状态。
S3071,记录执行动作失败时活塞或隔膜的位置和失败次数。
本步骤中,如果设备未完成一个执行动作,记录动作失败时活塞或隔膜的位置,以及失败的次数,其可作为诊断电控气动设备运行状态的依据。
进一步的,根据提取的特征值采用基于数学模型、参数估计、专家系统、人工神经网络和深度神经网路、信息融合、实例比较、模糊理论等故障诊断和模式识别方法对电控气动设备是否发生故障以及发生故障的位置、故障严重程度等健康状态进行判别;以及根据提取的当前和历史特征值采用失效模型、智能推理算法评估设备的运行状态,预测电控气动设备发生故障的部位、时间及剩余使用寿命,并给出合理的维修保障建议。
本实施例中,通过不同电控气动设备的在出现故障时的故障信息和未出现故障时的历史运行数据作为训练样本训练得到自适应编码器深度神经网络模型和LSTM深度神经网络模型,然后在根据电控气动设备当前运行时获取到的气缸内气体压力和进气管中的气体流速或气体流量得到气体压力和活塞或隔膜所受阻力与活塞或隔膜相对于气缸筒产生的位移之间的变化关系,即气体压力的位移采样序列和活塞或隔膜所受阻力的位移采样序列;并从变化关系中提取出特征值,将特征值直接输入到训练好的自适应编码器深度神经网络模型和LSTM深度神经网络模型中,便自动可以输出特征值对应的故障信息,以及预测设备未来的运行状态,并将检测和预测结果发送至显示终端进行显示,不仅提高了故障检测的准确率和效率,还实现了提前预警的作用。
图4是本发明一示例性实施例示出的电控气动设备的故障检测装置的结构示意图。
如图4所示,本实施例提供一种故障检测装置,用于检测电控气动设备的故障,其包括:采集模块41,用于采集气动元件的气压、气体温度及气体气量,以获得各设定时刻的气压、气体温度和气体气量;获得模块42,用于根据所述各设定时刻的气压、气体温度和气体气量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43,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。
进一步的,所述获得模块具体用于:根据所述各设定时刻的气压和进气管中气体流速数据确定所述气动元件在设定时刻的位移;其中,所述设定时刻的位移为所述气动元件位于任意处的位移;根据所述各设定时刻的位移确定所述气动元件在设定时刻的运动数据;将所述设定时刻的气压和运动参数分别作为所述设定时刻位移处的气压和运动数据。
进一步的,所述获得模块具体用于:利用插值法获得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第一位移处的气压和运动数据输出。
进一步的,所述确定模块具体用于: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。
进一步的,所述确定模块还用于: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。
本实施例中各个模块的详细功能描述请参考有关该方法的实施例中的描述,此处不做详细阐述说明。
图5是本发明一示例性实施例示出的电控气动设备的故障检测系统的结构示意图,本实施例将结合图2和图3所示的方法实施例对电控气动设备的检测系统的结构进行说明。
如图5所示,本实施例提供的系统包括:至少一个压力传感器501,至少一个气体流量传感器或气体流速传感器502,数据采集单元503,控制单元504,状态检测单元505,状态预测单元506,访问单元507;其中,数据采集单元与至少一个压力传感器和至少一个气体流量检测传感器或气体流速检测传感器连接,并通过无线接口与状态检测单元相连接,控制单元通过CAN总线与数据采集单元连接,状态检测单元还与控制网络连接,并通过无线接口与状态预测单元连接。
其中,控制网络可以是数据采集与监视控制系统(Supervisory Control AndData Acquisition,SCADA)。
具体实施时,一个电控气动设备的检测系统可能同时监测多个设备的运行状态,因此,针对每个设备都需要设置一个状态检测单元。其中的多个压力传感器分别安装于不同设备的气缸内,以及安装于同一个设备的气缸内的不同气腔中
在一个实施例中,压力传感器安装于电控气动阀门的进气气腔内,以检测活塞或隔膜驱动侧气腔内的气压,流量或流速传感器安装于气腔的进气管上,以检测流入气腔的气体流量或气体流速;数据采集单元安装于阀门上,通过以太网与状态检测单元连接,其主要用于按照预设时间采样间隔同步采集压力传感器检测到的压力值和流量或流速传感器检测到的气体流量或气体流速,采样频率可以是10Kbps,量化精度采用16比特量化,得到气体压力采样序列和气体流量或气体流速采样序列,并将采集到的参数存储于数据库或其他存储单元中,同时对采集到的上述参数进行处理;状态检测单元用于根据数据采集单元得到的处理结果完成对电控气动阀门的故障检测和状态判别,故障检测结果通过控制网络发送至显示终端;控制单元用于向电控气动阀门的电磁阀发送控制指令,以及生成阀门的控制信号,数据采集单元实时采集控制单元发送的控制指令和控制信号。
进一步的,不同电控气动阀门的状态检测单元之间通过以太网组成环形局域网,在故障检测单元内设置无线传输网关,采用WiFi+3G/4G/5G网络联合传输的方式实现与地面门系统状态预测单元的数据通信,状态预测单元主要用于监测电控气动阀门的运行状态,根据运行数据预测电控气动阀门的运行状态;访问单元用于供相关技术人员访问状态预测单元得到的预测结果。
需要说明的是,本实施例中,数据采集单元、状态检测单元和状态预测单元可以是服务器,其都是由硬件加软件的方式实现。
本实施例中各个模块单元的详细功能描述请参考有关该方法的实施例中的描述,此处不做详细阐述说明。
图6为本发明实施例提供的定位设备的硬件结构示意图。如图6所示,本实施例提供的定位设备600包括:至少一个处理器601和存储器602。其中,处理器601、存储器602通过总线603连接。
在具体实现过程中,至少一个处理器601执行所述存储器602存储的计算机执行指令,使得至少一个处理器601执行上述方法实施例中的电控气动设备的故障检测方法。
本实施例中,定位设备可以是一种终端,比如,手机、电脑等。
处理器601的具体实现过程可参见上述方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
在上述的图6所示的实施例中,应理解,处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application SpecificIntegrated Circuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器。
总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component Interconnect,PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请的另一实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现上述方法实施例中电控气动设备的故障检测方法。
上述的计算机可读存储介质,上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息。当然,可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits,简称:ASIC)中。当然,处理器和可读存储介质也可以作为分立组件存在于设备中。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
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 (10)
1.一种电控气动设备的故障检测方法,其特征在于,包括:
采集气动元件的气压、气体温度及气体气量数据,以获得各设定时刻的气压、气体温度和气体气量数据;
根据所述各设定时刻的气压、气体温度和气体气量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、气体温度和气体气量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气压、气体温度和气体气量数据确定所述气动元件在设定时刻的位移;其中,所述设定时刻的位移为所述气动元件位于任意处的位移;
根据所述各设定时刻的位移确定所述气动元件在设定时刻的运动数据;
将所述设定时刻的气压和运动数据分别作为所述设定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,所述运动数据包括活塞或隔膜的位移、移动速度和加速度;
所述根据所述各设定时刻的气压、气体温度和气体气量数据确定所述气动元件在设定时刻的位移,包括:
根据所述设定时刻的气压、气体温度、所述气体气量以及第一公式,确定所述活塞或隔膜在设定时刻的位移,所述第一公式为其中,Δt表示预设时间间隔,X(nΔt)表示nΔt时刻活塞或隔膜的位移,Q(nΔt)表示nΔt时刻气缸中气体气量,A表示所述活塞或隔膜的有效面积,PL0表示位移为零时气缸内的气压,P(nΔt)表示nΔt时气缸内的气压,QL0表示位移为零时气缸内的气体气量,n表示时间采样点的数量,TL0表示位移为零时气缸内气体温度,T(nΔt)表示nΔt时刻时气缸内气体温度;
所述根据所述各设定时刻的位移确定所述气动元件在设定时刻的运动数据,包括:
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。
6.一种电控气动设备的故障检测装置,其特征在于,包括:
采集模块,用于采集气动元件的气压、气体温度及气体气量,以获得各设定时刻的气压、气体温度和气体气量;
获得模块,用于根据所述各设定时刻的气压、气体温度和气体气量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:
根据所述各设定时刻的气压、气体温度和气体气量数据确定所述气动元件在设定时刻的位移;其中,所述设定时刻的位移为所述气动元件位于任意处的位移;
根据所述各设定时刻的位移确定所述气动元件在设定时刻的运动数据;
将所述设定时刻的气压和运动参数分别作为所述设定时刻位移处的气压和运动数据。
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:
利用插值法获得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第一位移处的气压和运动数据输出。
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中任一所述的电控气动设备的故障检测方法。
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中任一所述的电控气动设备的故障检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010206110.9A CN111272412B (zh) | 2020-03-23 | 2020-03-23 | 电控气动设备的故障检测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010206110.9A CN111272412B (zh) | 2020-03-23 | 2020-03-23 | 电控气动设备的故障检测方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111272412A true CN111272412A (zh) | 2020-06-12 |
CN111272412B CN111272412B (zh) | 2022-02-22 |
Family
ID=70996002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010206110.9A Active CN111272412B (zh) | 2020-03-23 | 2020-03-23 | 电控气动设备的故障检测方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111272412B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113049281A (zh) * | 2021-03-10 | 2021-06-29 | 北京昊鹏智能技术有限公司 | 故障检测方法和装置 |
CN113295399A (zh) * | 2021-06-16 | 2021-08-24 | 中国南方电网有限责任公司超高压输电公司广州局 | 换流阀元件状态评估方法、装置、电子设备和存储介质 |
CN115041544A (zh) * | 2022-08-11 | 2022-09-13 | 深圳市信润富联数字科技有限公司 | 冲压件的异常检测方法、装置及存储介质 |
EP4124529A1 (en) * | 2021-07-29 | 2023-02-01 | Volvo Truck Corporation | Method for detecting a failure in a vehicle pneumatic system |
CN117967862A (zh) * | 2024-03-29 | 2024-05-03 | 艾坦姆流体控制技术(山东)有限公司 | 一种油气输送用防泄漏阀门 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101059130A (zh) * | 2007-03-07 | 2007-10-24 | 江苏工业学院 | 往复压缩机在线远程状态监测与故障分析诊断系统 |
CN103008040A (zh) * | 2012-09-05 | 2013-04-03 | 罗耿荣 | 自动修正精度的电动移液器及其精度修正方法 |
US20130239669A1 (en) * | 2012-03-19 | 2013-09-19 | Hideki Hagari | Estimation device for cylinder intake air amount in an internal combustion engine |
CN103984816A (zh) * | 2014-05-12 | 2014-08-13 | 湖北航天技术研究院总体设计所 | 一种气动分离速度设计方法 |
CN106404333A (zh) * | 2016-12-05 | 2017-02-15 | 中国航天空气动力技术研究院 | 气体弹射牵引装置 |
CN109710983A (zh) * | 2018-12-04 | 2019-05-03 | 北京大学 | 一种基于关键性能指标的柴油机气缸分层故障诊断方法 |
CN109779894A (zh) * | 2018-12-29 | 2019-05-21 | 西安交通大学 | 一种基于神经网络算法的往复式压缩机故障诊断系统及方法 |
CN110806327A (zh) * | 2019-11-08 | 2020-02-18 | 北京昊鹏智能技术有限公司 | 故障检测方法、装置、电子设备及存储介质 |
-
2020
- 2020-03-23 CN CN202010206110.9A patent/CN111272412B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101059130A (zh) * | 2007-03-07 | 2007-10-24 | 江苏工业学院 | 往复压缩机在线远程状态监测与故障分析诊断系统 |
US20130239669A1 (en) * | 2012-03-19 | 2013-09-19 | Hideki Hagari | Estimation device for cylinder intake air amount in an internal combustion engine |
CN103008040A (zh) * | 2012-09-05 | 2013-04-03 | 罗耿荣 | 自动修正精度的电动移液器及其精度修正方法 |
CN103984816A (zh) * | 2014-05-12 | 2014-08-13 | 湖北航天技术研究院总体设计所 | 一种气动分离速度设计方法 |
CN106404333A (zh) * | 2016-12-05 | 2017-02-15 | 中国航天空气动力技术研究院 | 气体弹射牵引装置 |
CN109710983A (zh) * | 2018-12-04 | 2019-05-03 | 北京大学 | 一种基于关键性能指标的柴油机气缸分层故障诊断方法 |
CN109779894A (zh) * | 2018-12-29 | 2019-05-21 | 西安交通大学 | 一种基于神经网络算法的往复式压缩机故障诊断系统及方法 |
CN110806327A (zh) * | 2019-11-08 | 2020-02-18 | 北京昊鹏智能技术有限公司 | 故障检测方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
周雨青 等: "《大学物理.核心知识》", 31 January 2019, 东南大学出版社 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113049281A (zh) * | 2021-03-10 | 2021-06-29 | 北京昊鹏智能技术有限公司 | 故障检测方法和装置 |
CN113295399A (zh) * | 2021-06-16 | 2021-08-24 | 中国南方电网有限责任公司超高压输电公司广州局 | 换流阀元件状态评估方法、装置、电子设备和存储介质 |
CN113295399B (zh) * | 2021-06-16 | 2023-05-30 | 中国南方电网有限责任公司超高压输电公司广州局 | 换流阀元件状态评估方法、装置、电子设备和存储介质 |
EP4124529A1 (en) * | 2021-07-29 | 2023-02-01 | Volvo Truck Corporation | Method for detecting a failure in a vehicle pneumatic system |
CN115041544A (zh) * | 2022-08-11 | 2022-09-13 | 深圳市信润富联数字科技有限公司 | 冲压件的异常检测方法、装置及存储介质 |
CN117967862A (zh) * | 2024-03-29 | 2024-05-03 | 艾坦姆流体控制技术(山东)有限公司 | 一种油气输送用防泄漏阀门 |
Also Published As
Publication number | Publication date |
---|---|
CN111272412B (zh) | 2022-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111272412B (zh) | 电控气动设备的故障检测方法、装置、设备和存储介质 | |
CN110647133B (zh) | 轨道交通设备状态检测维护方法及系统 | |
CN110738360B (zh) | 一种设备剩余寿命预测方法及系统 | |
CA2920224C (en) | Method for determining hydraulic parameters in a displacement pump | |
CN112431750B (zh) | 系统状态检测方法、装置、设备、系统及存储介质 | |
CN108227676A (zh) | 阀控缸电液伺服系统在线故障检测、估计及定位方法 | |
CN113581253B (zh) | 电空道岔转辙机的状态确定方法和装置 | |
CA2921877C (en) | Method for determining a physical variable in a positive displacement pump | |
CN104568446A (zh) | 一种发动机故障诊断方法 | |
Thumati et al. | A novel fault diagnostics and prediction scheme using a nonlinear observer with artificial immune system as an online approximator | |
CN114297909A (zh) | 基于神经网络的水泵故障诊断方法及系统 | |
KR102169791B1 (ko) | 철도차량 주요부품 및 시스템 진단장치 | |
CN115840095A (zh) | 用于电气系统中的异常检测的机器学习方法 | |
CN108035941A (zh) | 基于大数据的蓄能器预充压力异常在线检测系统及方法 | |
CN115507309A (zh) | 一种燃气泄露报警方法和系统 | |
CN112709690B (zh) | 电驱压气机系统的故障检测方法、装置、设备及介质 | |
KR20200137252A (ko) | 스마트센서 모듈을 이용한 빅데이터 기반 인공지능형 밸브 자동제어 방법 | |
Daigle et al. | Application of model-based prognostics to a pneumatic valves testbed | |
CA2922313C (en) | Method for improving metering profiles of displacement pumps | |
CN113460122A (zh) | 电动道岔转辙机系统的状态检测方法、装置、设备及介质 | |
CN113049281B (zh) | 故障检测方法和装置 | |
CN115127785A (zh) | 电控气动制动机的状态检测方法、装置、设备及存储介质 | |
CN113049281A (zh) | 故障检测方法和装置 | |
CN110806327B (zh) | 故障检测方法、装置、电子设备及存储介质 | |
CN113421017A (zh) | 系统状态检测方法、装置、设备、系统及存储介质 |
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 |