CN111323663A - 一种基于电流特征提取的电磁阀寿命预测方法及装置 - Google Patents

一种基于电流特征提取的电磁阀寿命预测方法及装置 Download PDF

Info

Publication number
CN111323663A
CN111323663A CN202010119757.8A CN202010119757A CN111323663A CN 111323663 A CN111323663 A CN 111323663A CN 202010119757 A CN202010119757 A CN 202010119757A CN 111323663 A CN111323663 A CN 111323663A
Authority
CN
China
Prior art keywords
electromagnetic valve
current
service life
solenoid valve
time
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.)
Pending
Application number
CN202010119757.8A
Other languages
English (en)
Inventor
彭军
汤晅恒
杨迎泽
黄志武
张晓勇
李恒
刘伟荣
蒋富
顾欣
程亦君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN202010119757.8A priority Critical patent/CN111323663A/zh
Publication of CN111323663A publication Critical patent/CN111323663A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01MTESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00Testing of machine parts

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Magnetically Actuated Valves (AREA)

Abstract

本发明提供了一种基于电流特征提取的电磁阀寿命预测方法及装置,所述方法包括:步骤S1:获取电磁阀在开关过程中其线圈的电流数据;步骤S2:从步骤S1获取的电流数据中提取物理特征;步骤S3:基于提取的物理特征计算相应的电磁阀健康指标;步骤S4:构建电磁阀老化模型,基于电磁阀健康指标历史数据确定模型参数;步骤S5:利用参数确定后的电磁阀老化模型预测电磁阀的剩余使用寿命。本发明可用于高速电磁阀剩余使用寿命预测,易于实现,准确度高。

Description

一种基于电流特征提取的电磁阀寿命预测方法及装置
技术领域
本发明涉及健康预测与故障诊断领域,尤其涉及一种基于电流特征提取的电磁阀寿命预测方法及装置。
背景技术
在高速列车制动系统中,高速开关电磁阀(高速电磁阀)作为重要的执行部件,用来控制均衡风缸的充排风,间接控制列车管的气压,以此来实现列车的制动功能。由此可见,高速电磁阀的健康直接影响制动系统的正常运行,一旦高速电磁阀发生故障,便会造成重大的安全事故和经济损失。目前对于高速电磁阀的维修策略是定期替换,如此一来确实避免了由于电磁阀故障造成制动系统的安全事故,但在电磁阀性能未降至最低时便对其进行替换,不仅会造成维护成本过高的问题,资源利用率可不高。剩余使用寿命预测是降低维修成本,提高资源利用率的有效方法。
现有的电磁阀剩余使用寿命预测的方法有两类:基于物理模型的方法和基于数据驱动的方法。基于物理模型的方法常用于故障机理简单,容易建模的部件与系统,依赖于其故障机理,虽然模型建立比较复杂,但寿命预测的准确度较高;而数据驱动的方法常用于系统故障机理复杂、状态数据容易获取的场合,通过挖掘系统状态数据与剩余寿命之间的内在联系来实现对寿命的预测,实现起来比较简便,但需要大量完备的系统退化数据和寿命数据。但对于高速电磁阀,一方面故障机理复杂,建立准确的物理退化模型较为困难,一方面由于其极高的可靠性,想要获取大量完备的退化数据和寿命数据也极为困难。
发明内容
本发明针对上述存在的现有问题,提出了一种基于电流特征提取的电磁阀寿命预测方法及装置,可用于高速电磁阀剩余使用寿命预测,易于实现,准确度高。
本发明所提供的技术方案为:
一方面,提供一种基于电流特征提取的电磁阀寿命预测方法,包括以下步骤:
步骤S1:获取电磁阀在开关过程中其线圈的电流数据;
步骤S2:从步骤S1获取的电流数据中提取物理特征;
步骤S3:基于提取的物理特征计算相应的电磁阀健康指标;
步骤S4:构建电磁阀老化模型,基于电磁阀健康指标历史数据确定模型参数;
步骤S5:利用参数确定后的电磁阀老化模型预测电磁阀的剩余使用寿命。
进一步地,所述步骤S2中,先对步骤S1获取的电流数据进行预处理,再从预处理后的电流数据中提取物理特征;预处理措施为:对于任一时刻,首先对其最近一段时间内每次开关过程中的电流数据分别进行平滑处理,再将平滑处理后的该段时间内多次开关过程中的电流数据按采样点进行平均,得到该段时间内经过平均融合处理后的电流数据,即该段时间内预处理后的电流数据,用于计算该时刻对应的电磁阀健康指标。
进一步地,所述步骤S2中,对于一段时间内的电流数据,从中提取以下物理特征:触动电流i1,稳定电流i2,反应时间t1,动作时间t2,电流降落Δi;其中触动电流i1为开关过程中电流数据(电流曲线)第一个拐点对应的电流值,反映了阀芯克服阻力开始运动所需的电磁力大小和电流大小;稳定电流i2为开关过程中最终稳定后的电流值大小,是电磁阀保持开启状态的稳定电流大小;反应时间t1是电磁阀通电后到电磁阀阀芯开始运动之间的时间间隔;动作时间t2是开关过程中电磁阀阀芯运动的时间,即阀芯位移从零到最大处所需的时间;电流降落Δi是阀芯运动过程中由于阀芯运动而产生的反电动势造成的电流降落值大小,反映了阀芯运动的快慢程度。
进一步地,所述步骤S3中,电磁阀健康指标的计算公式为:
Figure BDA0002392604220000021
其中,HI为电磁阀的健康指标值,pi为提取的物理特征向量P中第i个物理特征的值,pi_new为在全新电磁阀上测量提取到的第i个物理特征的值;物理特征向量P=(p1,p2,…,pZ,Z为物理特征个数。
进一步地,所述步骤S4中,由于电磁阀的健康指标随其老化呈指数型增长,构建指数形式的电磁阀老化模型:
Figure BDA0002392604220000022
其中,HI(t)表示电磁阀t时刻的健康指标,
Figure BDA0002392604220000023
为常量,σ表示电磁阀老化过程的固定参数,
Figure BDA0002392604220000024
和σ可根据人为经验设定,θ和β是随机变量,表示电磁阀的个体差异,B(t)是标准布朗运动。
进一步地,所述步骤S4中,由于电磁阀的个体差异和老化过程的不确定性,采用粒子滤波对电磁阀老化模型的参数θ和β进行自动调整,以最终确定其参数,方法为:
对电磁阀老化模型的参数进行初始化,利用历史采集的电流数据和计算得到的电磁阀历史健康指标序列HI(t-Nt-1),HI(t-Nt),HI(t-Nt+1),…,HI(t-1)对参数进行调整,其中Nt+1为历史数据组数,具体调整方法如下:
(1)粒子集初始化,k=t-Nt-1:
按重要性概率密度函数进行采样,生成θ和β粒子集
Figure BDA0002392604220000031
其中
Figure BDA0002392604220000032
为k时刻第i个θ粒子,
Figure BDA0002392604220000033
为k时刻的第i个β粒子,i=1,2,...,Ns,Ns为粒子数;
(2)对于k=t-Nt,t-Nt+1,…,t-1,循环执行以下步骤①~⑤:
①重要性采样:按重要性概率密度函数进行采样,生成θ和β粒子集
Figure BDA0002392604220000034
②计算k时刻的第i对粒子
Figure BDA0002392604220000035
粒子权重
Figure BDA0002392604220000036
i=1,2,...,Ns;粒子权重
Figure BDA0002392604220000037
可由健康指标HI(k)进行计算:
Figure BDA0002392604220000038
Figure BDA0002392604220000039
其中,
Figure BDA00023926042200000310
是由k-1时刻的第i对粒子
Figure BDA00023926042200000311
预测出电磁阀k时刻的健康指标值;τ为健康指标的测量方差,为经验参数。上式的通俗含义为粒子对
Figure BDA00023926042200000312
预测出的健康指标值
Figure BDA00023926042200000313
与实际值HI(k)越接近,计算后其对应的粒子权重
Figure BDA00023926042200000314
越大,多次循环后,更新后的参数值就越接近参数的真实值;
③计算归一化粒子权重
Figure BDA00023926042200000315
④重采样:基于
Figure BDA00023926042200000316
根据重采样算法对粒子集
Figure BDA00023926042200000317
进行重采样,重采样后的粒子集记为
Figure BDA00023926042200000318
其中每个粒子的权重都是1/Ns
⑤输出:计算k时刻的更新参数值:
Figure BDA00023926042200000319
Figure BDA00023926042200000320
(3)将
Figure BDA00023926042200000321
Figure BDA00023926042200000322
作为最终确定的参数θ和β的值。
进一步地,所述步骤S5中,利用参数确定后的电磁阀老化模型及以下寿命预测模型计算电磁阀t时刻的剩余使用寿命RUL:
RUL=min{T}
{T}=arg(HI(t+T)>HIth)
其中,HIth为电磁阀正常情况下健康指标能达到的阈值;arg()是求使括号中条件满足的所有自变量的值的集合,上式中用于求满足HI(t+T)>HIth的所有T的集合{T};min{T}表示求集合{T}中的最小元素。
另一方面,提供一种基于电流特征提取的寿命预测装置,包括以下模块:
电流数据获取模块,用于获取电磁阀在开关过程中其线圈的电流数据;
物理特征提取模块,用于从电流数据获取模块获取的电流数据中提取物理特征;
电磁阀健康指标计算模块,用于基于物理特征提取模块提取的物理特征计算相应的电磁阀健康指标;
电磁阀老化模型构建模块,用于构建电磁阀老化模型,并基于电磁阀健康指标历史数据确定模型参数;
寿命预测模块,用于利用参数确定后的电磁阀老化模型预测电磁阀的剩余使用寿命。
所述寿命预测装置中各模块的具体工作原理参见上述寿命预测方法中各相应步骤的描述。
另一方面,提供一种电子设备,包括处理器和存储器,所述存储器上存储有计算机程序;所述计算机程序被处理器执行时,使得处理器实现上述寿命预测方法。
进一步地,所述处理器同时可以作为电磁阀控制模块,所述电子设备也可以配置单独的电磁阀控制模块,用于控制电磁阀进行开关动作。
进一步地,所述装置还包括电流采集模块,用于采集电磁阀开关过程中的电流数据。
进一步地,所述电子设备还包括电源模块,通过导线与电子设备中其它模块(电磁阀控制模块、电流采集模块、处理器)相连接,为电子设备中其它模块提供工作电源;
所述电源模块将220V常用电压转化为适合电磁阀控制模块、电流采集模块和处理器正常运行的工作电压,包括220V转24V的第一电源转换模块和220V转5V的第二电源转换模块;其中,220V转24V的第一电源转换模块为电磁阀控制模块和处理器提供工作电源,220V转5V的第二电源转换模块为电流变送器和电流采集模块提供工作电源。
进一步地,所述电磁阀控制模块包括:
逻辑控制模块,用于控制电磁阀开关的周期和占空比;
模拟信号输出模块,用于输出一定周期和占空比的PWM信号。
进一步地,所述电子设备还包括电流变送器;电磁阀控制模块通过导线与电流变送器和高速开关电磁阀的线圈串联,构成电流回路;电流变送器将电磁阀线圈上的实时电流信号转换为0-5V标准电压信号,以便电流采集模块采集。
进一步地,所述电流采集模块包括:
模拟量输入模块,通过导线与电流变送器线连接,用于获取电流变送器将电磁阀线圈上的实时电流信号转换成的0-5V标准电压信号;
逻辑控制与缓存模块,用于处理模拟量输入模块获取的模拟信号(0-5V标准电压信号),并将其转为数字信号存储在缓存区;其中逻辑控制模块用于控制模拟量输入模块信号输入与数字信号写入缓存区的逻辑,包括模拟输入与写缓存区的时序控制,A/D转换的分辨率、频率、时长控制等;缓存模块用于临时存储电流数字信号,大小约为4Mb。
USB接口模块,与寿命预测模块相连,用于将缓存区的数据通过USB传输到寿命预测模块。
进一步地,所述电子设备还包括数据存储模块,用于存储电流采集模块获取的电磁阀开关过程中的电流数据。
另一方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现上述寿命预测方法。
有益效果:
本发明上述技术方案提供的基于电流特征提取的电磁阀寿命预测方法及装置,通过实时采集电磁阀线圈上的电流来预测电磁阀的剩余使用寿命,可用于高速电磁阀剩余使用寿命预测,易于实现,准确度高,可为电磁阀的及时维修和替换提供及时的决策支持和依据,,降低维修成本并提高电磁阀利用效率,避免定期更换造成的资源浪费保障制动系统的安全运行。通过物理退化模型和数据驱动方法相结合方法,降低模型建立的复杂程度,同时又利用数据提高模型对于寿命预测的准确度。首先,利用电磁阀加速老化实验获得的电流数据建立初始退化模型。但由于电磁阀的个体差异性和退化过程的不确定性,使用粒子滤波调整模型的参数使其更为贴合受测电磁阀的退化特性。最后使用修正后的退化模型对电磁阀的剩余使用寿命进行预测。上述技术方案相比于现有的寿命预测算法不仅模型建立简单,而且对数据数量和完备性的要求低。同时对电磁阀寿命预测的准确度高。
附图说明
图1是本发明实施例提供的基于电流特征提取的电磁阀寿命预测方法的流程示意图;
图2是本发明实施例中电磁阀平均融合后的电流曲线及相应物理特征示例图;
图3是本发明实施例提供的一种电子设备的结构示意图;
图4是本发明实施例提供的一种电子设备的电源模块示意图;
图5是本发明实施例提供的一种电子设备的电磁阀控制模块示意图;
图6是本发明实施例提供的一种电子设备的电流采集模块示意图;
图7是本发明实施例提供的一种电子设备的寿命预测模块示意图。
具体实施方式
为了方便更好地理解本发明的内容,下面结合具体实施例进行进一步阐述。
实施例1:
本实施例中通过电磁阀控制模块输出周期为30ms,占空比为80%的PWM信号,控制电磁阀进行周期性的开关动作;通过电流采集模块采集电磁阀开关过程中的电流数据,采集频率为100000Hz,分辨率为12bit。
本实施例公开了一种基于电流特征提取的电磁阀寿命预测方法,包括以下步骤:
步骤S1:获取电磁阀在开关过程中其线圈的电流数据;具体为:读取电流采集模块缓存的最近1s内电磁阀33次开关过程的电流数据,以csv文件格式存储;
步骤S2:从步骤S1获取的电流数据中提取物理特征;具体为:读取csv文件,从中提取物理特征;
步骤S3:基于提取的物理特征计算相应的电磁阀健康指标;
步骤S4:构建电磁阀老化模型,基于电磁阀健康指标历史数据确定模型参数;
步骤S5:利用参数确定后的电磁阀老化模型预测电磁阀的剩余使用寿命。
实施例2:
本实施例在实施例1的基础上,所述步骤S3中,所述步骤S2中,先对步骤S1获取的电流数据进行预处理,再从预处理后的电流数据中提取物理特征;预处理措施为:对于任一时刻,首先对其最近一段时间内(最近1s内)每次开关过程中的电流数据分别进行平滑处理,再将平滑处理后的该段时间内多次开关过程中的电流数据按采样点进行平均,得到该段时间内经过平均融合处理后的电流数据,即该段时间内预处理后的电流数据,用于计算该时刻对应的电磁阀健康指标。
具体预处理措施为:截取最近1s内每次开关过程中从电磁阀得电后24ms内的一组电流数据,对其进行7点线性平滑处理,然后将最近1s内33组电流数据平均融合成1条电流数据,预处理目的是为了消除电流采集系统的测量噪声;对一组电流数据进行7点线性平滑处理的计算公式为:
Figure BDA0002392604220000061
其中,ins为该组电流数据中第n个采样点(离散采样点)经过平滑处理后的电流值,N为该组电流数据中的采样点总个数,此处为2400。
33条电流数据平均融合的计算公式为:
Figure BDA0002392604220000071
其中
Figure BDA0002392604220000072
为经过平均融合处理后的电流数据中第n个采样点的电流值,
Figure BDA0002392604220000073
为第m条电流曲线组电流数据中第t个采样点经过平滑处理后的的电流值。
实施例3:
本实施例在实施例2的基础上,所述步骤S2中,对于一段时间内的电流数据(经过平均融合处理后的电流数据),从中提取以下物理特征:触动电流i1,稳定电流i2,反应时间t1,动作时间t2,电流降落Δi;其中触动电流i1为开关过程中电流数据(电流曲线)第一个拐点对应的线圈电流值,反映了阀芯克服阻力开始运动所需的电磁力大小和电流大小;稳定电流i2为开关过程中最终稳定后的电流值大小,是电磁阀保持开启状态的稳定电流大小;反应时间t1是电磁阀通电后到电磁阀阀芯开始运动之间的时间间隔;动作时间t2是开关过程中电磁阀阀芯运动的时间,即阀芯位移从零到最大处所需的时间;电流降落Δi是阀芯运动过程中由于阀芯运动而产生的反电动势造成的电流降落值大小,反映了阀芯运动的快慢程度。示例图如图2所示。
实施例4:
本实施例在实施例3的基础上,所述步骤S3中,电磁阀健康指标的计算公式为:
Figure BDA0002392604220000074
其中,HI为电磁阀的健康指标值,pi为提取的物理特征向量P中第i个物理特征的值,pi_new为在全新电磁阀上测量提取到的第i个物理特征的值;物理特征向量P=(p1,p2,…,pZ),Z为物理特征个数;本实施例中,Z=5,P=(p1,p2,p3,p4,p5)=(i1,i2,t1,t2,Δi)。
实施例5:
本实施例在实施例1的基础上,基于电磁阀健康指标,所述步骤S4中,由于电磁阀的健康指标随其老化呈指数型增长,构建指数形式的电磁阀老化模型:
Figure BDA0002392604220000075
其中,HI(t)表示电磁阀t时刻的健康指标,
Figure BDA0002392604220000076
为常量(通常设为0),σ表示电磁阀老化过程的固定参数(本实施例中设置
Figure BDA0002392604220000077
为0,σ为1,
Figure BDA0002392604220000078
和σ的值并不影响模型的准确程度,只对θ和β的大小有所影响,设置不同的
Figure BDA0002392604220000079
和σ,最后估计出来的θ和β不同,但模型本身并无区别),θ和β是随机变量,表示电磁阀的个体差异,B(t)是标准布朗运动。
实施例6:
本实施例在实施例5的基础上,所述步骤S4中,由于电磁阀的个体差异和老化过程的不确定性,采用粒子滤波对电磁阀老化模型的参数θ和β进行自动调整以最终确定其参数,方法为:
对电磁阀老化模型的参数进行初始化,利用历史采集的电流数据和计算得到的电磁阀历史健康指标序列HI(t-Nt-1),HI(t-Nt),HI(t-Nt+1),…,HI(t-1)对参数进行调整,其中Nt+1为历史数据组数,本实施例中Nt=50,具体调整方法如下:
(1)粒子集初始化,k=t-Nt-1:
按重要性概率密度函数进行采样,生成θ和β粒子集
Figure BDA0002392604220000081
其中
Figure BDA0002392604220000082
为k时刻第i个θ粒子,
Figure BDA0002392604220000083
为k时刻的第i个β粒子,i=1,2,…,Ns,Ns为粒子数;
在本实施例中,按照SIR(Sampling Importance Resampling Filter)的重要性概率密度函数选取方法选取先验概率θ~N(μθ,σθ)和β~N(μβ,σβ)作为粒子的重要性概率密度函数,其中μθ,σθ,μβ,σβ均为已知数据,由同款电磁阀历史数据得到,即若有C个电磁阀的历史数据,对于每个电磁阀来说其老化模型曲线都对应一个θ和β,μθ和μβ分别为C个θ和C个β的平均值,σθ和σβ分别为C个θ和C个β的方差;本实施例中设置粒子数Ns=1000;
(2)对于k=t-Nt,t-Nt+1,…,t-1,循环执行以下步骤①~⑤:
①重要性采样:按重要性概率密度函数进行采样,生成θ和β粒子集
Figure BDA0002392604220000084
②计算k时刻的第i对粒子
Figure BDA0002392604220000085
粒子权重
Figure BDA0002392604220000086
i=1,2,...,Ns;粒子权重
Figure BDA0002392604220000087
可由健康指标HI(k)进行计算:
Figure BDA0002392604220000088
Figure BDA0002392604220000089
其中,
Figure BDA00023926042200000810
是由k-1时刻的第i对粒子
Figure BDA00023926042200000811
预测出电磁阀k时刻的健康指标值;τ为健康指标的测量方差,本实施例中设定为HI(t-Nt-1)的2%。上式的通俗含义为粒子对
Figure BDA00023926042200000812
预测出的健康指标值
Figure BDA00023926042200000813
与实际值HI(k)越接近,计算后其对应的粒子权重
Figure BDA00023926042200000814
越大,多次循环后,更新后的参数值就越接近参数的真实值;
③计算归一化粒子权重
Figure BDA0002392604220000091
④重采样:基于
Figure BDA0002392604220000092
根据重采样算法对粒子集
Figure BDA0002392604220000093
进行重采样,重采样后的粒子集记为
Figure BDA0002392604220000094
其中每个粒子的权重都是1/Ns
⑤输出:计算k时刻的更新参数值:
Figure BDA0002392604220000095
Figure BDA0002392604220000096
(3)将
Figure BDA0002392604220000097
Figure BDA0002392604220000098
作为最终确定的参数θ和β的值。
实施例7:
本实施例在实施例5的基础上,所述步骤S5中,利用参数调整后电磁阀老化模型及以下寿命预测模型计算电磁阀t时刻的剩余使用寿命RUL:
RUL=min{T}
{T]=arg(HI(t+T)>HIth)
其中,HIth为电磁阀正常情况下健康指标能达到的阈值;arg()是求使括号中条件满足的所有自变量的值的集合,上式中用于求满足HI(t+T)>HIth的所有T的集合{T};min{T}表示求集合{T}中的最小元素。
图6是本实施例提供的一种基于电流特征提取和粒子滤波的电磁阀寿命预测方法的流程示意图。
实施例8:
本实施例公开了一种基于电流特征提取的寿命预测装置,包括以下模块:
电流数据获取模块,用于获取电磁阀在开关过程中其线圈的电流数据;
物理特征提取模块,用于从电流数据获取模块获取的电流数据中提取物理特征;
电磁阀健康指标计算模块,用于基于物理特征提取模块提取的物理特征计算相应的电磁阀健康指标;
电磁阀老化模型构建模块,用于构建电磁阀老化模型,并基于电磁阀健康指标历史数据确定模型参数;
寿命预测模块,用于利用参数确定后的电磁阀老化模型预测电磁阀的剩余使用寿命。
所述寿命预测装置中各模块的具体工作原理参见上述寿命预测方法中各相应步骤的描述。
实施例9:
本实施例公开了一种电子设备,包括处理器和存储器,所述存储器上存储有计算机程序;所述计算机程序被处理器执行时,使得处理器实现上述实施例1~7中任一项所述的寿命预测方法。
本实施例中电子设备结构如图3所示,其包括:电源模块100,用于将AC220V常用电压转化为适合电磁阀控制模块、电流采集模块和寿命预测模块正常运行的工作电压;
电磁阀控制模块200,用于输出周期为30ms,占空比为80%的PWM信号,控制电磁阀的周期性开关动作;
电流采集模块300,用于将电磁阀的电流信号转化为数字信号存入缓存区;
寿命预测模块400(即处理器),用于电流数据的存储与读取、健康指标的计算以及电磁阀当前剩余使用寿命的预测。
其中,所述电源模块通过导线与电磁阀控制模块、电流采集模块、寿命预测模块相连接,包括AC220V转DC24V电源模块和AC220V转DC5V电源模块;
所述电磁阀控制模块通过导线与电流变送器和高速开关电磁阀的线圈串联,构成电流回路;
所述电流采集模块包括模拟量输入模块、逻辑控制与缓存模块,其中模拟量输入模块通过导线与电流变送器线连接,逻辑控制与缓存模块通过USB接口与寿命预测模块相连。电流变送器的输入量程为0-5A,输出信号为0-5V标准电压信号。
具体而言,如图4所示,电源模块的输入电压为AC220V,输出电压为DC24V和DC5V,主要由四个子模块组成:EMI滤波子模块101,用于滤除外部电源中的高频干扰信号得到稳定的输入电源;交流/直流转换子模块102,用于将外部电源电压转换成所述电磁阀控制模块、电流变送器、电流采集模块和寿命预测模块正常运转的工作电压;短路保护模块103,用于为所述寿命预测装置提供短路保护。输出的DC24V电压为电磁阀控制模块和寿命预测模块提供工作电源,输出的DC5V电压为电流变送器和电流采集模块提供工作电压。
如图5所示,电磁阀控制模块主要由三个子模块组成:电源模块201,用于给各子模块提供工作电源;逻辑控制模块202,主控芯片采用FET335xD核心板,基于TI的AM335X处理器,支持Linux,WinCE,Android三大操作系统,运行主频最高达1G,用于设定电磁阀的开关周期和占空比;模拟量输出模块203,包含4路模拟信号输出通道,用于输出一定周期和占空比的PWM信号。
如图6所示,电流采集模块主要由四个子模块组成:信号接口模块301,用于外部模拟信号的输入;模拟量输入通道302,用于将输入的模拟信号转换为数字信号,通道数为16,ADC分辨率为12-bit,采样率最高可达250kSa/s;逻辑控制和缓存模块,用于设定模拟输入采集和A/D转换的具体参数,缓存转换后的数字信号,最大缓存空间为16k采样点;USB接口模块,用于连接电流采集模块和寿命预测模块,将FIFO缓存区的数据通过USB传输给寿命预测模块,接口规范为USB2.0高速接口(480Mb/s),接口连接器为USB系列B型连接器。
如图7所示,所述寿命采集模块包括:数据存储模块401,用于读取电流采集模块缓存区的电流数据,并以csv文件格式进行存储;特征提取和指标计算模块402,用于处理存储的csv文件,计算电磁阀当前的健康指标值;模型参数调整模块403,用于调整电磁阀老化模型的随机参数;寿命预测子模块404,用于预测电磁阀当前的剩余使用寿命。
关于上述电子设备中各个模块的具体工作原理可参照上述方法实施例中相应的各个步骤的具体实施细节和描述部分,此处不再赘述。
实施例10:
本实施例公开了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现上述实施例1~7中任一项所述的寿命预测方法。
综上所述,本发明提供的一种基于电流特征提取和粒子滤波的电磁阀寿命预测方法、装置、电子设备及,通过采集电磁阀线圈上的实时电流来预测高速开关电磁阀的剩余使用寿命,为电磁阀的及时维修提供决策支持和依据,保障制动系统的安全运行。本发明相比于现有的寿命预测算法不仅模型建立简单,而且对数据数量和完备性的要求低。同时,考虑到电磁阀的个体差异性和退化过程的不确定性,通过电磁阀的实时电流对老化模型的参数进行自适应调整,可以提高模型对电磁阀寿命预测的准确度。
以上所述仅为本发明的实施例而已,并不用以限制本发明,凡在本发明精神和原则之内,所作任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于电流特征提取的电磁阀寿命预测方法,其特征在于,包括以下步骤:
步骤S1:获取电磁阀在开关过程中其线圈的电流数据;
步骤S2:从步骤S1获取的电流数据中提取物理特征;
步骤S3:基于提取的物理特征计算相应的电磁阀健康指标;
步骤S4:构建电磁阀老化模型,基于电磁阀健康指标历史数据确定模型参数;
步骤S5:利用参数确定后的电磁阀老化模型预测电磁阀的剩余使用寿命。
2.一种基于电流特征提取的电磁阀寿命预测方法,其特征在于,所述步骤S2中,先对步骤S1获取的电流数据进行预处理,再从预处理后的电流数据中提取物理特征;预处理措施为:对于任一时刻,首先对其最近一段时间内每次开关过程中的电流数据分别进行平滑处理,再将平滑处理后的该段时间内多次开关过程中的电流数据按采样点进行平均,得到该段时间内经过平均融合处理后的电流数据,即该段时间内预处理后的电流数据,用于计算该时刻对应的电磁阀健康指标。
3.根据权利要求1所述的基于电流特征提取的电磁阀寿命预测方法,其特征在于,所述步骤S2中,对于一段时间内的电流数据,从中提取以下物理特征:触动电流i1,稳定电流i2,反应时间t1,动作时间t2,电流降落Δi;其中触动电流i1为开关过程中电流数据第一个拐点对应的电流值;稳定电流i2为开关过程中最终稳定后的电流值大小;反应时间t1是电磁阀通电后到电磁阀阀芯开始运动之间的时间间隔;动作时间t2是开关过程中电磁阀阀芯运动的时间;电流降落Δi是阀芯运动过程中由于阀芯运动而产生的反电动势造成的电流降落值大小。
4.根据权利要求1所述的基于电流特征提取的电磁阀寿命预测方法,其特征在于,所述步骤S3中,电磁阀健康指标的计算公式为:
Figure FDA0002392604210000011
其中,HI为电磁阀的健康指标值,pi为提取的物理特征向量P中第i个物理特征的值,pi_new为在全新电磁阀上测量提取到的第i个物理特征的值;物理特征向量P=(p1,p2,…,pZ),Z为物理特征个数。
5.根据权利要求1所述的基于电流特征提取的电磁阀寿命预测方法,其特征在于,所述步骤S4中,由于电磁阀的健康指标随其老化呈指数型增长,构建指数形式的电磁阀老化模型:
Figure FDA0002392604210000012
其中,HI(t)表示电磁阀t时刻的健康指标,
Figure FDA0002392604210000013
为常量,σ表示电磁阀老化过程的固定参数,θ和β是随机变量,表示电磁阀的个体差异,B(t)是标准布朗运动。
6.根据权利要求5所述的基于电流特征提取的电磁阀寿命预测方法,其特征在于,所述步骤S4中,采用粒子滤波对电磁阀老化模型的参数θ和β进行自动调整,以最终确定其参数,方法为:
对电磁阀老化模型的参数进行初始化,利用历史采集的电流数据和计算得到的电磁阀历史健康指标序列HI(t-Nt-1),HI(t-Nt),HI(t-Nt+1),…,HI(t-1)对参数进行调整,其中Nt+1为历史数据组数,具体调整方法如下:
(1)粒子集初始化,k=t-Nt-1:
按重要性概率密度函数进行采样,生成θ和β粒子集
Figure FDA0002392604210000021
其中
Figure FDA0002392604210000022
为k时刻第i个θ粒子,
Figure FDA0002392604210000023
为k时刻的第i个β粒子,i=1,2,...,Ns,Ns为粒子数;
(2)对于k=t-Nt,t-Nt+1,…,t-1,循环执行以下步骤①~⑤:
①重要性采样:按重要性概率密度函数进行采样,生成θ和β粒子集
Figure FDA0002392604210000024
②计算k时刻的第i对粒子
Figure FDA0002392604210000025
粒子权重
Figure FDA0002392604210000026
粒子权重
Figure FDA0002392604210000027
可由健康指标HI(k)进行计算:
Figure FDA0002392604210000028
Figure FDA0002392604210000029
其中,
Figure FDA00023926042100000210
是由k-1时刻的第i对粒子
Figure FDA00023926042100000211
预测出电磁阀k时刻的健康指标值;τ为健康指标的测量方差;
③计算归一化粒子权重
Figure FDA00023926042100000212
④重采样:基于
Figure FDA00023926042100000213
根据重采样算法对粒子集
Figure FDA00023926042100000214
进行重采样,重采样后的粒子集记为
Figure FDA00023926042100000215
其中每个粒子的权重都是1/Ns
⑤输出:计算k时刻的更新参数值:
Figure FDA00023926042100000216
Figure FDA00023926042100000217
(3)将
Figure FDA00023926042100000218
Figure FDA00023926042100000219
作为最终确定的参数θ和β的值。
7.根据权利要求5所述的基于电流特征提取的电磁阀寿命预测方法,其特征在于,所述步骤S5中,利用参数确定后的电磁阀老化模型及以下寿命预测模型预测电磁阀t时刻的剩余使用寿命RUL:
RUL=min{T}
{T}=arg(HI(t+T)>HIth)
其中,HIth为电磁阀正常情况下健康指标能达到的阈值;arg()是求使括号中条件满足的所有自变量的值的集合,上式中用于求满足HI(t+T)>HIth的所有T的集合{T};min{T}表示求集合{T}中的最小元素。
8.一种基于电流特征提取的电磁阀寿命预测装置,其特征在于,包括以下模块:
电流数据获取模块,用于获取电磁阀在开关过程中其线圈的电流数据;
物理特征提取模块,用于从电流数据获取模块获取的电流数据中提取物理特征;
电磁阀健康指标计算模块,用于基于物理特征提取模块提取的物理特征计算相应的电磁阀健康指标;
电磁阀老化模型构建模块,用于构建电磁阀老化模型,并基于电磁阀健康指标历史数据确定模型参数;
寿命预测模块,用于利用参数确定后的电磁阀老化模型预测电磁阀的剩余使用寿命。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器上存储有计算机程序;所述计算机程序被处理器执行时,使得处理器实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1至7中任一项所述的方法。
CN202010119757.8A 2020-02-26 2020-02-26 一种基于电流特征提取的电磁阀寿命预测方法及装置 Pending CN111323663A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010119757.8A CN111323663A (zh) 2020-02-26 2020-02-26 一种基于电流特征提取的电磁阀寿命预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010119757.8A CN111323663A (zh) 2020-02-26 2020-02-26 一种基于电流特征提取的电磁阀寿命预测方法及装置

Publications (1)

Publication Number Publication Date
CN111323663A true CN111323663A (zh) 2020-06-23

Family

ID=71169055

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010119757.8A Pending CN111323663A (zh) 2020-02-26 2020-02-26 一种基于电流特征提取的电磁阀寿命预测方法及装置

Country Status (1)

Country Link
CN (1) CN111323663A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111832226A (zh) * 2020-07-13 2020-10-27 中国南方电网有限责任公司超高压输电公司柳州局 一种基于辅助粒子滤波的igbt剩余寿命估算方法
CN112763825A (zh) * 2020-12-24 2021-05-07 深圳市宗泰电机有限公司 一种电磁阀垫片检测方法和装置
CN113654977A (zh) * 2021-08-17 2021-11-16 苏州布鲁比科技有限公司 预测分合闸线圈剩余寿命的方法及其装置
CN114684096A (zh) * 2022-03-08 2022-07-01 中南大学 一种基于多源数据融合的电磁阀寿命预测装置及方法
CN117738975A (zh) * 2024-02-06 2024-03-22 中科云谷科技有限公司 用于电磁阀的标定方法、标定装置及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104598736A (zh) * 2015-01-22 2015-05-06 西安交通大学 一种自适应多核组合相关向量机的滚动轴承寿命预测模型
CN104792529A (zh) * 2015-04-12 2015-07-22 北京化工大学 基于状态空间模型的滚动轴承寿命预测方法
CN104869389A (zh) * 2015-05-15 2015-08-26 北京邮电大学 离轴式虚拟摄像机参数确定方法及系统
CN105928690A (zh) * 2016-04-18 2016-09-07 浙江大学 电磁阀寿命测试的测试系统和测试方法
CN106291199A (zh) * 2016-09-08 2017-01-04 厦门理工学院 基于粒子滤波的赝电容型超级电容器寿命预测方法
CN106878612A (zh) * 2017-01-05 2017-06-20 中国电子科技集团公司第五十四研究所 一种基于在线全变差优化的视频稳定方法
CN108734332A (zh) * 2018-03-29 2018-11-02 浙江长兴笛卡尔科技有限公司 利用机器学习预测电气参数的方法及装置
CN109917205A (zh) * 2019-03-13 2019-06-21 中南大学 一种基于特征提取和多层感知机的电磁阀故障诊断装置及方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104598736A (zh) * 2015-01-22 2015-05-06 西安交通大学 一种自适应多核组合相关向量机的滚动轴承寿命预测模型
CN104792529A (zh) * 2015-04-12 2015-07-22 北京化工大学 基于状态空间模型的滚动轴承寿命预测方法
CN104869389A (zh) * 2015-05-15 2015-08-26 北京邮电大学 离轴式虚拟摄像机参数确定方法及系统
CN105928690A (zh) * 2016-04-18 2016-09-07 浙江大学 电磁阀寿命测试的测试系统和测试方法
CN106291199A (zh) * 2016-09-08 2017-01-04 厦门理工学院 基于粒子滤波的赝电容型超级电容器寿命预测方法
CN106878612A (zh) * 2017-01-05 2017-06-20 中国电子科技集团公司第五十四研究所 一种基于在线全变差优化的视频稳定方法
CN108734332A (zh) * 2018-03-29 2018-11-02 浙江长兴笛卡尔科技有限公司 利用机器学习预测电气参数的方法及装置
CN109917205A (zh) * 2019-03-13 2019-06-21 中南大学 一种基于特征提取和多层感知机的电磁阀故障诊断装置及方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
GEORGES TOD 等: "A convolutional neural network aided physical model improvement for AC solenoid valves diagnosis", 《2019 PROGNOSTICS AND SYSTEM HEALTH MANAGEMENT CONFERENCE》 *
XILANG TANG 等: "Application of particle filter technique to online prognostics for solenoid valve", 《JOURNAL OF INTELLIGENT & FUZZY SYSTEMS》 *
XUANHENG TANG 等: "A parameter adaptive data-driven approach for remaining useful life prediction of solenoid valves", 《2019 IEEE INTERNATIONAL CONFERENCE ON PROGNOSTICS AND HEALTH MANAGEMENT》 *
范瑞溪 等: "《微机在分析化学中的应用》", 31 August 1989 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111832226A (zh) * 2020-07-13 2020-10-27 中国南方电网有限责任公司超高压输电公司柳州局 一种基于辅助粒子滤波的igbt剩余寿命估算方法
CN111832226B (zh) * 2020-07-13 2024-04-26 中国南方电网有限责任公司超高压输电公司柳州局 一种基于辅助粒子滤波的igbt剩余寿命估算方法
CN112763825A (zh) * 2020-12-24 2021-05-07 深圳市宗泰电机有限公司 一种电磁阀垫片检测方法和装置
CN113654977A (zh) * 2021-08-17 2021-11-16 苏州布鲁比科技有限公司 预测分合闸线圈剩余寿命的方法及其装置
CN113654977B (zh) * 2021-08-17 2024-04-30 苏州布鲁比科技有限公司 预测分合闸线圈剩余寿命的方法及其装置
CN114684096A (zh) * 2022-03-08 2022-07-01 中南大学 一种基于多源数据融合的电磁阀寿命预测装置及方法
CN114684096B (zh) * 2022-03-08 2023-02-17 中南大学 一种基于多源数据融合的电磁阀寿命预测装置及方法
CN117738975A (zh) * 2024-02-06 2024-03-22 中科云谷科技有限公司 用于电磁阀的标定方法、标定装置及存储介质
CN117738975B (zh) * 2024-02-06 2024-04-26 中科云谷科技有限公司 用于电磁阀的标定方法、标定装置及存储介质

Similar Documents

Publication Publication Date Title
CN111323663A (zh) 一种基于电流特征提取的电磁阀寿命预测方法及装置
CN106250305B (zh) 云计算环境下监控系统数据采集周期的自适应控制方法
CN110318947B (zh) 风力发电机组的偏航控制方法、设备及系统
CN104828062B (zh) 一种基于驾驶员制动意图识别的制动控制方法
CN112666464A (zh) 电池健康状态预测方法、装置、电子设备和可读存储介质
CN105443840B (zh) 一种电磁阀智能控制系统及其方法
CN104443427A (zh) 飞行器颤振预测系统及方法
CN116244159B (zh) 一种训练时长预测方法、装置、多元异构计算设备及介质
CN111396248A (zh) 一种基于短期风向预测的风电机组智能偏航控制方法
CN110990950A (zh) 基于混合运行模式的多目标列车节能优化方法
CN110758359B (zh) 用于电动摩托车的电子刹车控制方法
CN115495315A (zh) 一种大型医疗设备的故障预警系统
CN109613442B (zh) 电池内阻动态测算方法及电池管理系统
KR101956530B1 (ko) Mpc 기반의 풍력 터빈 요 제어 방법
CN113722656A (zh) 一种火力发电机组实时健康度评价方法及系统
CN117812123A (zh) 一种基于物联网的阀门调控方法及系统
CN112943557B (zh) 风电场、风力发电机组及其运行状态的预测方法和设备
CN110208688A (zh) 一种断路器储能电机的故障预判方法
CN109241639A (zh) 基于双时间尺度粒子滤波的机电系统剩余寿命预测方法
CN116388279B (zh) 太阳能光伏发电系统中的电网并网控制方法及其控制系统
CN114198267A (zh) 用于极端阵风的风力发电机组的运行控制方法及系统
KR102010147B1 (ko) 중소건물용 마이크로그리드에서 유연 타임 스케일링과 멀티 레벨링에 의한 부하 추종 스케줄링 방법 및 시스템
CN114263565B (zh) 风力发电机组的偏航控制设备及方法
CN117411081A (zh) 一种绿能消纳控制方法、装置、设备及存储介质
CN106006250A (zh) 电梯节能装置控制方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200623