CN111289265A - 具有分立工作状态的机械的状态检测方法和电子设备 - Google Patents
具有分立工作状态的机械的状态检测方法和电子设备 Download PDFInfo
- Publication number
- CN111289265A CN111289265A CN202010208964.0A CN202010208964A CN111289265A CN 111289265 A CN111289265 A CN 111289265A CN 202010208964 A CN202010208964 A CN 202010208964A CN 111289265 A CN111289265 A CN 111289265A
- Authority
- CN
- China
- Prior art keywords
- state
- machine
- vibration signal
- fluctuation
- information
- 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.)
- Withdrawn
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
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Pure & Applied Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种具有分立工作状态的机械的状态检测方法和电子设备,其中,方法包括:获取机械的振动信号;计算所述振动信号的分布状态,所述分布状态包括振动信号的波动值分布状态和/或频率分布状态;获取分立工作装置的运动数据;基于所述振动信号的分布状态和所述运动数据确定所述机械的状态信息。结合机械的状态对应的振动信号的属性以及分立装置的运动数据,可以基于所述振动信号的分布状态和运动数据确定所述机械的状态信息。可以针对具有分立工作状态的机械提供多维度状态的信息,进而直观准确的检查机械目前的状态。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及到一种具有分立工作状态的机械的机械状态检测方法及和电子设备。
背景技术
随着社会的不断发展和科技的不断进步,机械化、自动化生产已经逐渐成为发展趋势。例如,在工程建设中采用工程机械,出行采用汽车,生产采用生产机械。而机械自动化的发展与实现将机械生产引领向了一个新的领域,通过自动控制系统,真正达到了大工业生产及减少劳动强度,提高了劳动效率。
以工程机械为例,工程机械主要用于各种建设工程,其通常工作于各种机械行业施工环境中。由于施工场地往往地广人稀,例如高速公路、高铁等施工现场,难以有效的实现对机械的工作状态进行监控,从而导致难实现施工人员的工作量统计,也难以有效的对工程器械的油耗信息的统计以及监控等。
现有的对于机械工作状态的监控,可以通过位置变化信息、油耗信息等进行监控,但是对于具有分立工作状态的机械,由于除了机械本身的工作状态,其分立的装置也具有独立的工作状态,因此,基于现有的方式进行监控难以实现对具有分立工作状态的机械进行监控,例如,对于混凝土搅拌车的工作状态的监控,由于搅拌车通过运输混凝土等材料工作.一般运输材料中因为不让材料凝固,圆筒型搅拌桶需要不停地转动。简单的通过该车辆在原定不动就判定其为非工作状态,处于移动状态就判定为工作状态是不合理的,因此,如何准确的判定具有分立工作状态的机械的状态成为亟待解决的问题。
发明内容
本发明实施例要解决的技术问题为如何准确的判定具有分立工作状态的机械的状态。
根据第一方面,本发明实施例提供了一种具有分立工作状态的机械的状态检测方法,适用于具有分立工作装置的机械,包括:获取机械的振动信号;计算所述振动信号的分布状态,所述分布状态包括振动信号的波动值分布状态和/或频率分布状态;获取分立工作装置的运动数据;基于所述振动信号的分布状态和所述运动数据确定所述机械的状态信息。
可选地,所述运动数据包括运动速度和运动方向。
可选地,所述计算所述振动信号的分布状态包括:计算所述振动信号的波动值;基于所述波动值得到波动阈值;根据所述波动值和所述波动阈值确定所述振动信号的分布状态。
可选地,所述计基于所述波动值得到所述波动阈值包括:统计所述振动信号的波动值的百分位数曲线;基于所述百分位数曲线确定所述波动阈值。
可选地,所述基于所述百分位数曲线确定所述波动阈值包括:计算所述百分位数曲线中预设百分位区间内最早稳定区间点;基于所述早稳定区间点线性拟合所述波动阈值。
可选地,所述状态信息包括活动状态和静止状态;基于所述振动信号的分布状态和所述运动数据确定所述机械的状态信息包括:判断所述振动信号的波动值是否大于所述波动阈值,且所述运动数据是否为转动状态;当所述振动信号的波动值大于所述波动阈值时,且所述运动数据为转动状态数据时,确定所述机械的状态信息为活动状态;当所述振动信号大于所述波动阈值时,且所述运动数据为非转动状态时,确定所述机械的状态信息为空载状态;当所述振动信号的波动值小于或等于所述波动阈值,且所述运动数据为非转动状态时,确定所述机械的状态信息为静止状态。
可选地,当所述机械的状态信息为活动状态时,检测所述运动数据的运动方向;当所述运动方向为第一方向时,确定所述机械为第一工作状态;当所述运动方向为第二方向时,确定所述机械为第二工作状态。
可选地,所述计算所述振动信号的分布状态包括:对所述振动信号进行频域分析,得到振动信号的频谱。
可选地,所述活动状态包括怠速状态和运行状态;所述基于所述振动信号的分布状态确定所述机械的状态信息包括:基于所述频谱得到所述振动信号的频谱稳定度;判断所述频谱稳定度是否高于或等于预设稳定度;当所述频谱稳定度高于或等于所述预设稳定度时,确定所述活动状态为所述怠速状态;当所述稳定度低于所述预设稳定度时,确定所述活动状态为所述运行状态。
根据第二方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行上述第一方面任意一项所述的具有分立工作状态的机械的状态检测方法。
根据第三方面,本发明实施例提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器执行上述第一方面任一项所述的具有分立工作状态的机械的状态检测方法。
本申请通过对振动信号的分布状态进行分析,得到振动信号的波动值分布状态和/或频率分布状态,结合机械的状态对应的振动信号的属性以及分立装置的运动数据,可以基于所述振动信号的分布状态和运动数据确定所述机械的状态信息。可以针对具有分立工作状态的机械提供多维度状态的信息,进而直观准确的检查机械目前的状态。相比于人工检查更为方便直观和准确。并且,可以为机械的状态对应的油耗信息,工作时长信息以及工作量等信息提供可靠数据支持。
在判断出具有分立工作状态的机械的状态后,可以结合其他信息确定机械操作人员的工作信息,例如,在确认搅拌车为卸载状态,可以通过结合地理位置信息和时间信息确认机械操作人员在何时何地进行卸载。再例如,再确定搅拌车处于运输搅拌状态,可以结合GPS信息可以确定在运输过程中机械操作人员是否按照正确的路线行驶,在行驶过程中是否存在违停、违规操作等,可以实现对机械的全流程监控。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本实施例的机械状态检测方法的示意图;
图2示出了本发明实施例的机械状态检测装置的示意图;
图3示出了本发明实施例的电子设备的示意图。
具体实施方式
下面将结合附图对本发明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。
正如背景技术所述,通常的机械的工作状态可以通过其位置变化信息,通过其油耗信息等判断机械的工作状态,由于同一型号的机械的油耗可能相差很大,采用油耗无法准确的判断出机械的工作状态;对于挖掘机、吊车等在工作时无需位置移动或无需大范围转移的机械,单纯的采用位置信息也难以判断出机械的工作状态;因此,发明人发现通过机械的振动状态可以确认其是否处于工作状态,具体的,可以通过机械的振动信号的波动值分布状态和频率分布状态对机械的工作状态进行判断。在发明人将上述方法应用于具有分立工作状态的机械时,发现利用该方法对于具有分立工作状态的机械的工作状态的判断并不准确,经发明人研究发现,对于由于具有分立工作状态的机械具有两套以上的独立工作系统,两种以上的工作状态之间可能存在干扰,并且,单独判断一种独立的工作状态并不能证明该机械的实际工作状态,例如,混凝土搅拌车,通过振动信号判断出车辆处于运行状态,并不能说明该搅拌车就是工作状态,也需要判断搅拌桶是否为在转动,也需判断搅拌桶转动方向,才能最终判断出该混凝土运输车的准确的工作状态。因此,单纯的通过机械的振动信号进行判断其工作状态可能会导致结果判断不准。难以实现通过机械的工作状态对机械操作人员的工作量的统计。
本发明实施例提供了一种具有分立工作状态的机械的状态检测方法,具体的可以参见图1,该机械的状态检测方法可以包括如下步骤:
S11.获取机械的振动信号。在本实施例中,可以,通过安装在机械上的传感器采集发动机的原始振动信号,其中传感器可以包括加速度传感器,示例性的,可以采用六轴传感器,其中六轴传感器包含了三轴加速度计和三轴陀螺仪,利用三轴加速度计采集发动机的原始振动信号。在本实施例中,可以以预设采样频率进行采样,例如,每秒采集X点,间隔Y s采集一次。在实际的实现中,可以任何的采样频率对采集得到的数据进行采样,在本实施例中并不做具体的限定,通过分析可知,采样频率越高,发动机转速的还原度越准确,综合考虑终端功耗等信息,实际采样频率可以根据实际状况而调整。作为可选的实施例,如将传感器安装在发动机上,或发动机附近,直接对发动机的原始振动信号进行采样,在本实施例中,对原始振动信号的采样可以按照奈奎斯特采样定理,即为了不失真地恢复模拟信号,采样频率应该不小于发动机振动最大频率的2倍。通常情况下,发动机振动的最大频率小于300HZ,根据奈奎斯特采样定理,只需要采样频率大于600HZ就能准确得到频谱信息。当然,本领域技术人员应当理解,上述采样频率只是为了对采样率进行解释而做出的示例性的说明,并不代表本实施例的所限定的范围,对于机械的振动信号的采集,采用任何采样率均在本实施例的保护范围内。
S12.计算所述振动信号的分布状态,所述分布状态包括振动信号的波动值分布状态和/或频率分布状态。在本实施例中,可以对振动信号进行幅值和频率的分析,进而得到振动信号波动程度和频率分布状态。可以基于机械静止与活动的属性特征,在静止状态下六轴波动极小,活动状态下六轴波动急剧增大,波动程度随着活动的剧烈程度。因此,可以通过计算的振动信号波动程度对机械处于活动或静止的状态进行判断。另外,由于当机械处于活动状态时,机械的怠速状态相比于运行状态,机械的振动中比较稳定。因此,可以通过对获取的振动信号进行波动程度和频率的分析,得到振动信号的波动程度分布和频率分布。
S13.获取独立工作装置的运动数据。作为示例性的实施例,该独立工作装置可以为混凝土搅拌车的搅拌桶。在本实施例中,可以采集搅拌桶的加速度和/或角速度作为独立工作装置的运动数据,具体的,以加速度为例,可以采用加速度传感器进行采集,该加速度传感器可以安装在搅拌桶上,在搅拌桶转动时,采集搅拌桶转动的运动数据。作为示例性的实施例,该加速度传感器可以为三轴传感器、六轴传感器也可以为九轴传感器,也可以是现有技术中的任何类型的加速度传感器,本领域技术人员可以根据实际需求灵活选择,在此不做具体限定。通过加速度传感器可以采集搅拌罐的运动数据包括运动速度和运动方向等。基于所述分立工作装置的特性在所述振动信号中分离所述运动数据(运动速度和运动方向);可以对振动信号状态(振动频谱、运动方向),振动信号包括多维数据,振动频谱、振动幅值,加速度等,可以基于多维数据分立工作装置的运动数据,例如,分立装置为搅拌车的搅拌罐,可以依据搅拌罐的运行特性,在所述振动信号中分离出搅拌罐加速度,进而可以依据加速度计算搅拌罐的运动方向和运动速度。
S14.基于所述振动信号的分布状态和运动数据确定所述机械的状态信息。作为示例性的实施例,由于在静止状态下机械的振动信号波动极小,活动状态下振动信号的波动急剧增大,波动程度随着活动的剧烈程度,静止状态的最大的波动程度与活动状态的最小的波动程度存在大的差距,即波动程度的值非常难落入静止状态的最大的波动程度与活动状态的最小的波动程度之间。因此通过统计计算方式找到波动程度阈值,使其落入该区间,大于该阈值的就是活动状态,小于阈值为静止状态。另外,通过统计振动信号的频率分布状态,提取怠速状态下振动信号的频率分布的特征和运行状态下振动信号频率的分布特征,进而根据计算得到的振动信号的分布状态确定所述机械的活动状态时是运行状态还是怠速状态。在对具有分立工作状态的机械的状态进行判断时,由于机械具有两套以上的独立工作系统,两种以上的工作状态之间可能存在干扰,并且,单独判断一种独立的工作状态并不能证明该机械的实际工作状态,例如,混凝土搅拌车,通过振动信号判断出车辆处于运行状态,并不能说明该搅拌车就是工作状态,也需要判断搅拌桶是否为在转动,也需判断搅拌桶转动方向。因此,对于具有分立工作状态的机械的状态进行判断时,需要结合振动信号的分布状态和运动数据确定机械的状态信息。
本申请通过对振动信号的分布状态进行分析,得到振动信号的波动值分布状态和/或频率分布状态,结合机械的状态对应的振动信号的属性以及分立装置的运动数据,可以基于所述振动信号的分布状态和运动数据确定所述机械的状态信息。进而直观准确的检查机械目前的状态。相比于人工检查更为方便直观和准确。并且,可以为机械的状态对应的油耗信息,工作时长信息以及工作量等信息提供可靠数据支持。
作为示例性的实施例,振动信号的波动剧烈程度使用信号的标准差SD进行度量,计算振动信号的波动值即计算振动信号的标准差,在计算得到标准差后,可以根据波动阈值对获取到的振动信号进行判断,大于阈值的振动信号对应的状态为活动状态,小于或等于阈值的振动信号对应的状态为静止状态。对于振动信号的频率分布可以采用快速傅里叶变换对信号进行频域分析,计算每秒的频谱峰值。基于频谱峰值分辨运行状态和怠速状态。具体的,可以基于所述频谱得到所述振动信号的频谱稳定度;判断所述频谱稳定度是否高于预设稳定度;当所述频谱稳定度高于所述预设稳定度时,确定所述活动状态为所述怠速状态;当所述稳定度低于所述预设稳定度时,确定所述活动状态为所述运行状态。
上述实施例中是对于机械的工作状态的判断,可以判断出该机械是否处于活动状态或静止状态,在处于活动状态时,通过对于振动信号的频域进行分析可以判断出机械处于运行状态或处于怠速状态。对于具有分立工作状态的机械而言,具有至少两套分立的运行(运动)系统,在对具有分立工作状态的机械状态进行判断之前,需要判断该机械的分立装置的动力源,当机械的多套分立装置为同一动力源时,例如常见的混凝土运输车,其搅拌罐的动力来源于发动机,其行进的动力也来源于发动机,因此,针对同一动力源的具有分立工作状态的机械而言,可以判断所述振动信号的波动值是否大于所述波动阈值,且所述运动数据是否为转动状态;当所述振动信号的波动值大于所述波动阈值时,且所述运动数据为转动状态数据时,确定所述机械的状态信息为活动状态;例如车辆在行进过程中,车辆发动机为启动状态,振动信号的波动值大于波动阈值,并且,搅拌桶的为转动状态(顺时针转动或逆时针转动),则可以判断该机械为运输混凝土状态或卸载混凝土状态。为更为精确的判断该机械的状态,排出周围振动或车辆被其他车辆运输的干扰,可以结合其他辅助手段,例如,可以通过GPS信号,油耗信息、车辆电路电压或车辆产热部件的温度等判断车辆是否处于启动运行状态。可以更为精确的判断出车辆的工作状态。
当所述振动信号大于所述波动阈值时,且所述运动数据为非转动状态时,确定所述机械的状态信息为空载状态。车辆的振动信号大于预设波动阈值时,但是分立装置的运动数据为非转动状态,但是混凝土在运输过程中搅拌桶必须为转动状态,如果运动数据为非转动状态,则可以确认该运输车辆处于空载状态或故障状态。本领域技术人员应当理解,本实施例中所称的费转动状态可以为分立装置不转的状态,或者传感器检测不到分立装置检测,或者转动状态为非正常状态,例如,转动方向时而顺时针、时而逆时针;或者检测到的转动角度较小,发生轻微转动后停止。在本实施例中,上述实施例汇总描述的转动方向不正常或者转动速度不正常均可属于非转动状态。当所述振动信号的波动值小于或等于所述波动阈值,且所述运动数据为非转动状态时,确定所述机械的状态信息为静止状态。当车辆的振动信号小于波动阈值,并且搅拌桶也处于静止状态,则该混凝土运输车辆处于静止状态。
在判断出机械处于活动状态时,可以结合分立装置的运动方向最终确定该机械处于何种状态,具体的,当所述运动方向为第一方向时,确定所述机械为第一工作状态;当所述运动方向为第二方向时,确定所述机械为第二工作状态。示例性的,混凝土运输车,通常搅拌桶顺时钟方向运动是搅拌状态,逆时针为卸载状态(在其他实施例中,可能为顺时针方向时卸载状态,逆时针方向为搅拌状态,在本实施例中不做限定)。
作为示例性的实施例,在判断出具有分立工作状态的机械的状态后,可以结合其他信息确定机械操作人员的工作信息,例如,在确认搅拌车为卸载状态,可以通过结合地理位置信息和时间信息确认机械操作人员在何时何地进行卸载。再例如,再确定搅拌车处于运输搅拌状态,可以结合GPS信息可以确定在运输过程中机械操作人员是否按照正确的路线行驶,在行驶过程中是否存在违停、违规操作等,可以实现对机械的全流程监控。
作为示例性的实施例,如果具有分立工作状态的机械具有多个动力源,则振动信号波动值大于波动阈值时,若分立装置的为运动状态,则该机械处于活动状态,若分立装置处于静止状态,则该机械为空载状态或故障状态。当振动信号的波动值小于或等于波动阈值,若分立装置为静止状态,则该机械为静止状态,若分立装置为运动状态,则该机械处于单一动作状态,例如搅拌车量为静止下的搅拌或卸载状态。
作为示例性的实施例,还可以获取机械的位置信息,通过位置信息可以时刻对司机的不良行为进行约束,具体的,可以通过位置信息、运动数据和振动信号的分布状态记录机械处于不同位置的状态信息。示例性的,可以实时监测搅拌车的形式轨迹,并可以记录搅拌车在不同位置、车辆的不同状态下搅拌桶的运动情况等数据,可以为对搅拌车的运行状况、司机的工作情况的分析提供数据支持。
作为示例性的实施例,可以判断所述机械处于卸料状态时是否在预设位置;当所述机械处于卸料状态时不在预设位置时,输出第一报警信息。通过对搅拌车的状态信息进行检测,在检测到搅拌车为卸料状态时,可以对比卸料位置是否在预设的卸料位置处,当当前搅拌车在预设卸料位置上时,则可以确认搅拌车工作正常,当搅拌车处于卸料状态时,不在预设卸料位置时,输出报警信息。具体的,可以通过上述实施例中机械状态的确定方法确定搅拌桶是否处于正常卸料状态。
作为示例性的实施例,还可以通过对机械的运动数据中的转速进行监控,以监控机械/操作人员是否处于正常工作状态,例如,可以通过角速度传感器获取分立装置的转速。对比转速是否在预设的转速范围内,当转速超出预设范围,机械可能处于故障状态,可以输出故障报警信息。
作为示例性的实施例,为了实现对机械更为全面的监控,在本实施例中,可以实时监测机械的行驶轨迹,并结合机械的状态信息,记录机械在各个时间点和/或各个位置点的状态,以便回溯车辆在完整工作周期中的状态信息,具体的,可以实时获取车辆的位置信息,基于车辆位置信息、运动数据和振动信号的分布状态记录机械处于不同位置的状态信息。作为可选的实施例,在对车辆完整工作周期进行监控时,还可以加入时间参数,从而使的对机械的状态信息的监控更为全面。
作为示例性的实施例,还可以通过对机械状态监控为施工行业对于行业存在的共通的问题提供可靠的数据支持,以搅拌车为例,如何约束司机的不良行为,例如怠工、故意绕行等;如何准确的得知搅拌车到达预设位置的时间、卸料时间、以及卸料完成时间。如何减少司机在路上长时间停留。因此,最对上述行业内关注的问题,本申请实施例中可以通过对机械的状态的检测,提供可靠的数据支撑。例如,在通过运动数据和振动信号的分布得到机械的状态信息后,可以通过统计机械处于第一工作状态和/或第二工作状态的时长,可以确认司机是否存在怠工,是否在预设时间内达到预设位置,以及卸料时间、完成时间等均可以清楚的进行监测。示例性的,第一工作状态为运输状态,通过统计运输状态的时长与预设运输时长进行比较,再结合线路上的路况可以为确认司机是否在路上进行长时间停留,是否存在怠工等提供可靠的数据支持。示例性的,第二工作状态可以为卸料状态,通过对第二工作状态的时长的统计,可以较为明确的得知卸料时间、完成时间等,在卸料时长超过预设时长时,也可以输出报警信号。
综上,通过获取机械的振动信号的分布状态以及分立装置的运动数据,得到机械的状态信息,通过机械的状态信息可以为解决施工行业存在的问题提供可靠的数据支持,例如,通过统计记录机械的位置信息,统计机械在不同位置、不同时间点的状态可以为监控司机的行为提供可靠的数据支持,通过统计各个工作状态的持续时长、某种状态发声时间点可以为监控工作是否正常进行提供可靠数据支持。
作为示例性的实施例,针对上述实施例中的阈值的确定,在应用初始,可以先根据经验,例如根据机械的类型、型号等,确定一个初始阈值,后续可以根据实际应用过程中的情况,需要对初始阈值进行调整。
具体的,在对振动信号进行采集时,可能会引起采集的信号的特征发声变化,例如,对于振动信号均值的影响,在振动信号采集频率较大时,导致噪声增大,标准差整体增大,六轴姿态对标准差影响增大,容易引起均值浮动增大,中心偏移。对于振动信号频率的影响,由于标准差整体增大,六轴姿态倾斜程度对标准差均值影响更大,容易造成原来频率统计的单峰分裂成双峰。因此,在实际应用过程中,可能会导致阈值变化,具体的,可以统计所述振动信号的波动值的百分位数曲线;基于所述百分位数曲线确定所述波动阈值。作为具体的实施例,可以统计机械静止状态下的标准差范围内频率统计曲线,利用曲线计算百分位数曲线,计算百分位数曲线幅度在0.95~1范围内的最早稳定区间点(SDvalue,Percent),用线性拟合计算SdThreshold,计算的自变量是Percent距离1的距离,SdThreshold=SDvalue(1+(1-Percent)*Z)。其中,SdThreshold为波动阈值,SDvalue为最早稳定区间点中对应的波动值,Percent为最早稳定区间点中对应的百分位数,Z为缩放常数因子。
具体的,可以采用机器学习的方式对运行状态和怠速状态进行分辨,具体的,可以对大量的机械采集数据做标定,得到训练样本,通过监督学习算法得到机器学习模型,在分辨运行状态和怠速状态进行时,将经过快速傅里叶变换得到的频谱峰值作为输入,将运行状态和怠速状态作为输出。
作为示例性的实施例,可以通过如下方式建立机器学习模型。决策树是运用于分类的一种树结构,每个内部节点代表对某一属性的一次测试,叶节点则代表某个分类。决策过程从根节点开始,将待测数据与决策树中的特征节点进行比较,并按照比较结果选择选择下一比较分支,直到叶节点作为最终的决策结果,常见的决策树算法包括ID3算法、C4.5算法和CART算法。本申请通过服务器采用CART算法建立机器学习模型。
将标定得到的数据随机分为训练集和测试集,其中训练集的数据量为总数据量的80%,设定分类数量为频谱峰值数量,决策树的最大深度为峰值数量,迭代次数为5,以建立决策树。在确定训练模型后,通过测试集中的数据对所述模型进行测试,并计算结果的误差比率,当误差比率小于6%时,则认为成功建立学习模型。
上述确定样本以及建立机器学习模型的算法为可选的实施方式,在实际的计算过程中,可以采用先用技术中已有的各种方式确定训练样本以及通过相应的学习算法确定机器学习模型。
在获取到振动信号的频率分布状态后,将频率分布状态输入训练好的机器学习模型,对机械的活动状态进行分类,最终确认活动状态为运行状态或怠速状态。
本发明实施例提供了一种具有分立工作状态的机械的状态检测装置,如图2所示,该装置可以包括:第一获取模块10,用于获取机械的振动信号;计算模块20,用于计算所述振动信号的分布状态,所述分布状态包括振动信号的波动值分布状态和/或频率分布状态;第二获取模块30,用于获取分立工作装置的运动数据;判定模块40,用于基于所述振动信号的分布状态确定所述机械的状态信息。
可选地,计算模块包括:计算单元,用于计算所述振动信号的波动值;第一波动阈值确定单元,用于基于所述波动值得到波动阈值;分布状态确定单元,用于根据所述波动值和所述波动阈值确定所述振动信号的分布状态。
可选地,所述计基于所述波动值得到所述波动阈值包括:统计单元,用于统计所述振动信号的波动值的百分位数曲线;第二波动阈值确定单元,用于基于所述百分位数曲线确定所述波动阈值。
可选地,第二波动阈值确定单元还用于计算所述百分位数曲线中预设百分位区间内最早稳定区间点;基于所述早稳定区间点线性拟合所述波动阈值。
可选地,所述状态信息包括活动状态和静止状态;所述判定模块包括:第一判断单元,用于判断所述振动信号的波动值是否大于所述波动阈值,且所述运动数据是否为转动状态;当所述振动信号的波动值大于所述波动阈值时,且所述运动数据为转动状态数据时,确定所述机械的状态信息为活动状态;当所述振动信号大于所述波动阈值时,且所述运动数据为非转动状态时,确定所述机械的状态信息为空载状态;当所述振动信号的波动值小于或等于所述波动阈值,且所述运动数据为非转动状态时,确定所述机械的状态信息为静止状态。
可选地,还包括检测单元,用于检测所述运动数据的运动方向;当所述运动方向为第一方向时,确定所述机械为第一工作状态;当所述运动方向为第二方向时,确定所述机械为第二工作状态。当所述运动方向为NULL时,确定所述机械为第三工作状态
可选地,计算模块包括:频域分析单元,用于对所述振动信号进行频域分析,得到振动信号的频谱。
可选地,活动状态包括怠速状态;所述判定模块还用于判断所述频谱稳定度是否高于预设稳定度;当所述频谱稳定度高于所述预设稳定度时,确定所述活动状态为所述怠速状态;当所述稳定度低于所述预设稳定度时,确定所述活动状态为所述运行状态。
本发明实施例提供了一种机械相关信息统计方法,该相关信息可以为机械的油耗信息也可以为机械操作人员的工作量信息,具体可以通过具体的机械的状态信息进行计算,在对操作人员的工作量信息进行统计时,可以通过检测机械的状态为运行状态,计算处于运行状态的时长,通过统计运行状态的时长,可以较为有效的统计操作人员的工作量。在对油耗进行统计时,可以结合运行状态时长,可以结合怠速状态时长以及静止状态时长和当前机械的平均油耗,可以计算出当前机械预设时间段内的油耗,例如可以统计每天的油耗,每周的油耗,可以为监控偷油/盗油等行为提供数据支持。
本发明实施例提供了一种电子设备,如图3所示,该电子设备包括一个或多个处理器31以及存储器32,图3中以一个处理器33为例。
该控制器还可以包括:输入装置33和输出装置34。
处理器31、存储器32、输入装置33和输出装置34可以通过总线或者其他方式连接,图3中以通过总线连接为例。
处理器31可以为中央处理器(CentralProcessingUnit,CPU)。处理器31还可以为其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现场可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。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。
存储器32作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本申请实施例中的控制方法对应的程序指令/模块。处理器31通过运行存储在存储器32中的非暂态软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例的具有分立工作状态的机械的状态检测。
存储器32可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据服务器操作的处理装置的使用所创建的数据等。此外,存储器32可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器32可选包括相对于处理器31远程设置的存储器,这些远程存储器可以通过网络连接至网络连接装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置33可接收输入的数字或字符信息,以及产生与服务器的处理装置的用户设置以及功能控制有关的键信号输入。输出装置34可包括显示屏等显示设备。
一个或者多个模块存储在存储器32中,当被一个或者多个处理器31执行时,执行如图1所示的方法。
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流程,是可以通过计算机程序来指令相关的硬件来完成,的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各电机控制方法的实施例的流程。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,ROM)、随机存储记忆体(RandomAccessMemory,RAM)、快闪存储器(FlashMemory)、硬盘(HardDiskDrive,缩写:HDD)或固态硬盘(Solid-StateDrive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施方式,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种具有分立工作状态的机械的状态检测方法,适用于具有分立工作装置的机械,其特征在于,包括:
获取机械的振动信号;
计算所述振动信号的分布状态,所述分布状态包括振动信号的波动值分布状态和/或频率分布状态;
获取分立工作装置的运动数据;
基于所述振动信号的分布状态和所述运动数据确定所述机械的状态信息。
2.如权利要求1所述的检测方法,其特征在于,所述计算所述振动信号的分布状态包括:
计算所述振动信号的波动值;
基于所述波动值得到波动阈值;
根据所述波动值和所述波动阈值确定所述振动信号的分布状态。
3.如权利要求2所述的检测方法,其特征在于,所述计基于所述波动值得到所述波动阈值包括:
统计所述振动信号的波动值的百分位数曲线;
计算所述百分位数曲线中预设百分位区间内最早稳定区间点;
基于所述早稳定区间点线性拟合所述波动阈值。
4.如权利要求2或3所述的检测方法,其特征在于,所述状态信息包括活动状态和静止状态;基于所述振动信号的分布状态和所述运动数据确定所述机械的状态信息包括:
判断所述振动信号的波动值是否大于所述波动阈值,且所述运动数据是否为转动状态;
当所述振动信号的波动值大于所述波动阈值时,且所述运动数据为转动状态数据时,确定所述机械的状态信息为活动状态;
当所述振动信号大于所述波动阈值时,且所述运动数据为非转动状态时,确定所述机械的状态信息为空载状态和/或故障状态;
当所述振动信号的波动值小于或等于所述波动阈值,且所述运动数据为非转动状态时,确定所述机械的状态信息为静止状态。
5.如权利要求4所述的检测方法,其特征在于,所述运动数据包括运动方向,当所述机械的状态信息为活动状态时,
检测所述运动数据的运动方向;
当所述运动方向为第一方向时,确定所述机械为第一工作状态;
当所述运动方向为第二方向时,确定所述机械为第二工作状态。
6.如权利要求1所述的检测方法,其特征在于,还包括:
获取机械的位置信息;
基于所述位置信息、所述运动数据和所述振动信号的分布状态记录机械处于不同位置的状态信息。
7.如权利要求5所述的检测方法,其特征在于,所述第二工作状态包括卸料状态,所述检测方法还包括:
获取机械的位置信息;
判断所述机械处于卸料状态时是否在预设位置;
当所述机械处于卸料状态时不在预设位置时,输出第一报警信息。
8.如权利要求5所述的检测方法,其特征在于,还包括:
获取机械处于第一工作状态和/或第二工作状态的时长;
判断所述时长是否大于预设时长;
当所述时长大于所述预设时长时,输出第二报警信息。
9.如权利要求5所述的检测方法,其特征在于,所述活动状态包括怠速状态和运行状态,所述振动信号的分布状态包括振动信号的频谱;
所述基于所述振动信号的分布状态确定所述机械的状态信息包括:
基于所述频谱得到所述振动信号的频谱稳定度;
判断所述频谱稳定度是否高于或等于预设稳定度;
当所述频谱稳定度高于或等于所述预设稳定度时,确定所述活动状态为所述怠速状态;
当所述稳定度低于所述预设稳定度时,确定所述活动状态为所述运行状态。
10.一种电子设备,其特征在于,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器执行权利要求1-9任一项所述的具有分立工作状态的机械的状态检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010208964.0A CN111289265A (zh) | 2020-03-23 | 2020-03-23 | 具有分立工作状态的机械的状态检测方法和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010208964.0A CN111289265A (zh) | 2020-03-23 | 2020-03-23 | 具有分立工作状态的机械的状态检测方法和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111289265A true CN111289265A (zh) | 2020-06-16 |
Family
ID=71022136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010208964.0A Withdrawn CN111289265A (zh) | 2020-03-23 | 2020-03-23 | 具有分立工作状态的机械的状态检测方法和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111289265A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112082796A (zh) * | 2020-09-14 | 2020-12-15 | 贵州大学 | 一种工程机械设备工作状态判断方法 |
CN112329825A (zh) * | 2020-10-23 | 2021-02-05 | 贵州电网有限责任公司 | 基于信息分维及提升决策树的变压器机械故障诊断方法 |
CN112665710A (zh) * | 2020-12-21 | 2021-04-16 | 陕西宝光集团有限公司 | 设备运行状态的检测方法、装置、电子设备及存储介质 |
CN113696839A (zh) * | 2021-10-29 | 2021-11-26 | 南京易砼科技有限公司 | 一种混凝土泵送车辆的泵送状态检测方法和装置 |
-
2020
- 2020-03-23 CN CN202010208964.0A patent/CN111289265A/zh not_active Withdrawn
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112082796A (zh) * | 2020-09-14 | 2020-12-15 | 贵州大学 | 一种工程机械设备工作状态判断方法 |
CN112082796B (zh) * | 2020-09-14 | 2022-11-15 | 六盘水师范学院 | 一种工程机械设备工作状态判断方法 |
CN112329825A (zh) * | 2020-10-23 | 2021-02-05 | 贵州电网有限责任公司 | 基于信息分维及提升决策树的变压器机械故障诊断方法 |
CN112329825B (zh) * | 2020-10-23 | 2022-12-06 | 贵州电网有限责任公司 | 基于信息分维及提升决策树的变压器机械故障诊断方法 |
CN112665710A (zh) * | 2020-12-21 | 2021-04-16 | 陕西宝光集团有限公司 | 设备运行状态的检测方法、装置、电子设备及存储介质 |
CN113696839A (zh) * | 2021-10-29 | 2021-11-26 | 南京易砼科技有限公司 | 一种混凝土泵送车辆的泵送状态检测方法和装置 |
CN113696839B (zh) * | 2021-10-29 | 2021-12-28 | 南京易砼科技有限公司 | 一种混凝土泵送车辆的泵送状态检测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111289265A (zh) | 具有分立工作状态的机械的状态检测方法和电子设备 | |
CN111272456A (zh) | 基于位置变化数据的机械状态检测方法和电子设备 | |
Zhang et al. | Fault detection and isolation in nonlinear dynamic systems: A combined input–output and local approach | |
EP0573357B1 (fr) | Procédé de diagnostic d'un processus évolutif | |
CN1249412C (zh) | 异常声音评估系统、声音记录设备以及异常声音评估设备 | |
Lederman et al. | A data fusion approach for track monitoring from multiple in-service trains | |
WO2016086792A1 (zh) | 一种驾驶行为分析方法及设备 | |
CN111435557A (zh) | 用于检测机器部件问题的故障检测装置 | |
EP2863282A1 (en) | System and method for detecting anomaly associated with driving a vehicle | |
CN113723338B (zh) | 传感器异常检测方法、装置及计算机可读存储介质 | |
EP3588078A1 (en) | Inspection apparatus and inspection method for inspection target | |
CN111145572B (zh) | 卡口设备的异常检测方法、设备及计算机存储介质 | |
CN115081963B (zh) | 一种地下水质风险分析方法及系统 | |
CN110736926A (zh) | 电机运行状态的特征参数提取方法和装置 | |
CN111122191A (zh) | 一种基于ewma控制的设备安康报警阈值设定方法 | |
Mathur et al. | Automated cycle time measurement and analysis of excavator’s loading operation using smart phone-embedded IMU sensors | |
KR102579985B1 (ko) | 가공 환경 측정 장치 | |
KR20210006832A (ko) | 기계고장 진단 방법 및 장치 | |
US10338089B2 (en) | System and method for determining speed of a vehicle based on GPS speed | |
CN111340079A (zh) | 机械终端状态检测方法、装置及电子设备 | |
CN111337094A (zh) | 基于油位的机械状态检测方法和电子设备 | |
CN114136342B (zh) | 里程篡改判断方法及系统 | |
CN111047160A (zh) | 污染原因分析方法、装置、可读存储介质及电子设备 | |
CN103472392A (zh) | 电动执行机构寿命预测方法 | |
JP2019035585A (ja) | 代表データ選択装置、機器診断装置、プログラム及び代表データ選択方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200616 |