CN111765075B - 一种锻造液压机泵源故障预测方法及系统 - Google Patents

一种锻造液压机泵源故障预测方法及系统 Download PDF

Info

Publication number
CN111765075B
CN111765075B CN202010430430.2A CN202010430430A CN111765075B CN 111765075 B CN111765075 B CN 111765075B CN 202010430430 A CN202010430430 A CN 202010430430A CN 111765075 B CN111765075 B CN 111765075B
Authority
CN
China
Prior art keywords
pump
fault
pump source
neural network
failure
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
Application number
CN202010430430.2A
Other languages
English (en)
Other versions
CN111765075A (zh
Inventor
潘高峰
方旭
杜丽峰
计鑫
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.)
Wuxi Xuelang Shuzhi Technology Co ltd
Tianjin Tianduan Press Group Co ltd
Original Assignee
Wuxi Xuelang Shuzhi Technology Co ltd
Tianjin Tianduan Press Group Co ltd
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 Wuxi Xuelang Shuzhi Technology Co ltd, Tianjin Tianduan Press Group Co ltd filed Critical Wuxi Xuelang Shuzhi Technology Co ltd
Priority to CN202010430430.2A priority Critical patent/CN111765075B/zh
Publication of CN111765075A publication Critical patent/CN111765075A/zh
Application granted granted Critical
Publication of CN111765075B publication Critical patent/CN111765075B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
    • F04B51/00—Testing machines, pumps, or pumping installations
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Forging (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及一种锻造液压机泵源故障预测方法及系统，属于锻造液压机技术领域，包括：S1、选取某锻造液压机的泵源系统为故障预测评估对象；S2、通过长寿命试验，获得多个泵的全生命周期的试验数据；S3、使用试验数据训练合适的神经网络模型；S4、获取当前时刻运行装备泵源系统的每个泵的特征参数；S5、将要预测的每个泵的特征参数输入到已训练好的神经网络模型中，得到在当前时刻的每个泵的剩余故障间隔时间的预测量；S6、确定每台泵的平均维修间隔时间，计算故障泵的修复率；S7、绘制出泵源系统的马尔科夫链的状态转移图；S8、实现故障的预测；S9、当到达故障概率更新计算时间点后，故障概率开始更新计算。

Description

一种锻造液压机泵源故障预测方法及系统
技术领域
本发明属于锻造液压机技术领域，具体涉及一种锻造液压机泵源故障预测方法及系 统。
背景技术
“高档数控机床和机器人”，其加工对象价值高，设备故障造成产品报废导致的经济损 失巨大，如航空发动机上某高温关键零件，单件产值就达数百万元，加工装备健康保障重要 且迫切。锻造液压机的主要功能部件滑块、工作台、顶出装置、摆臂机构、对中机构、工作 台起落装置、棘轮机构等均需要电机+液压泵组成的泵源作为动力来源。功能部件工作过程中 将使用到一台、多台泵源，控制系统匹配正常(无故障)的泵源驱动功能部件。为了保障泵 源的正常工作，需要研发一种基于神经网络迭代马尔科夫状态转移矩阵的锻造液压机泵源故 障预测方法。
发明内容
本发明为解决公知技术中存在的技术问题，提供一种锻造液压机泵源故障预测方法 及系统，用于模锻、等温锻和自由锻等锻造液压机设备的泵源(电机+液压泵)系统的故障预测。
本发明的第一目的是提供一种锻造液压机泵源故障预测方法，包括：
S1、选取某锻造液压机的泵源系统为故障预测评估对象，该泵源系统包括M台泵同时工作，当所有泵全坏时整个系统无法工作；M为自然数；
S2、在泵壳上安装振动传感器，通过长寿命试验，定期记录振动能量谱、振动烈度、振动幅值、谐波频率、工作时间特征参数，获得多个泵的全生命周期的试验数据；
S3、使用上述试验数据训练合适的神经网络模型，模型输出为泵在对应时刻的剩余 故障间隔时间，采用3层BP神经网络，对原始数据进行神经网络训练，建立相应的映射关系；对神经网络模型结构修改后进行循环训练，直到模型的预测精度在给定的精度要 求范围内；
S4、获取当前时刻运行装备泵源系统的每个泵的振动能量谱、振动烈度、振动幅值、 谐波频率、工作时间特征参数；
S5、将要预测的每个泵的特征参数输入到已训练好的神经网络模型中，得到在当前 时刻的每个泵的剩余故障间隔时间的预测量，再计算每个泵的故障概率；假设剩余故障间隔时间的预测量为T1，则单个故障泵的故障率为1/T1；
S6、根据系统的维修工人数量和经验，确定一个修理工或一个修理机构修理每台泵 的平均维修间隔时间，再计算故障泵的修复率；假设平均维修间隔时间为T2，则故障泵的修复率为1/T2；
S7、根据最新的每个泵的故障率和修复率，绘制出泵源系统的马尔科夫链的状态转 移图，计算马尔科夫状态转移矩阵，如下式所示：
Figure BDA0002500345130000021
S8、根据泵源系统马尔科夫状态转移矩阵计算系统在目前和未来时刻t的可靠度，即故障概率，再根据已制定的故障诊断标准，评估设备目前及未来的运行状态，实现故 障的预测；
S9、当到达故障概率更新计算时间点后，故障概率开始更新计算，重复S4至S8，更新计算系统的故障概率。
进一步，M＝4。
本发明的第二目的是提供一种锻造液压机泵源故障预测系统，至少包括：
对象选取模块：选取某锻造液压机的泵源系统为故障预测评估对象，该泵源系统包 括M台泵同时工作，当所有泵全坏时整个系统无法工作；M为自然数；
试验数据获取模块：在泵壳上安装振动传感器，通过长寿命试验，定期记录振动能量谱、振动烈度、振动幅值、谐波频率、工作时间特征参数，获得多个泵的全生命周期 的试验数据；
模型建立模块、使用上述试验数据训练合适的神经网络模型，模型输出为泵在对应 时刻的剩余故障间隔时间，采用3层BP神经网络，对原始数据进行神经网络训练，建立相应的映射关系；对神经网络模型结构修改后进行循环训练，直到模型的预测精度在给 定的精度要求范围内；
当下数据获取模块：获取当前时刻运行装备泵源系统的每个泵的振动能量谱、振动 烈度、振动幅值、谐波频率、工作时间特征参数；
故障率计算模块：将要预测的每个泵的特征参数输入到已训练好的神经网络模型中， 得到在当前时刻的每个泵的剩余故障间隔时间的预测量，再计算每个泵的故障概率；假 设剩余故障间隔时间的预测量为T1，则单个故障泵的故障率为1/T1；
修复率计算模块：根据系统的维修工人数量和经验，确定一个修理工或一个修理机 构修理每台泵的平均维修间隔时间，再计算故障泵的修复率；假设平均维修间隔时间为T2，则故障泵的修复率为1/T2；
马尔科夫状态转移矩阵计算模块：根据最新的每个泵的故障率和修复率，绘制出泵 源系统的马尔科夫链的状态转移图，计算马尔科夫状态转移矩阵，如下式所示：
Figure BDA0002500345130000031
故障预测模块：根据泵源系统马尔科夫状态转移矩阵计算系统在目前和未来时刻t 的可靠度，即故障概率，再根据已制定的故障诊断标准，评估设备目前及未来的运行状态，实现故障的预测；
更新模块：当到达故障概率更新计算时间点后，故障概率开始更新计算，重复S4至S8，更新计算系统的故障概率。
进一步，M＝4。
本发明的第三目的是提供一种实现上述锻造液压机泵源故障预测方法的信息数据处 理终端。
本发明的第四目的是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，使得计算机执行上述的锻造液压机泵源故障预测方法。
本发明具有的优点和积极效果是：
1)本发明所提出的基于神经网络预测更新马尔科夫状态转移矩阵的锻造液压机泵 源故障诊断算法，是基于数据驱动的思想，利用神经网络预测来更新马尔科夫状态转移矩阵，实现故障诊断结果的快速更新，尤其是重型锻造装备泵源系统的故障诊断。
2)本发明利用更新计算系统的实时马尔科夫状态转移矩阵的思想，适用于复杂的锻 造液压机泵源系统，克服了传统锻造液压机泵源系统故障预测诊断精度低、算法复杂、耦合性强、不能有效反应装备实时状态等问题，能够简单快速且精确地完成诊断任务。
3)本发明采用神经网络来构建各个泵的剩余故障间隔时间的预测模型，通过多维特 征的融合，达到采用较少的泵试验数据就能实现较高精度的剩余故障间隔时间预测精度 的目的，大大减少了对前期试验的依赖程度。
附图说明
图1为本发明优选实施例的流程图；
图2为本发明优选实施例中马尔科夫链的状态转移图；
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下：
如图1至图2所示，本发明的技术方案为：剩余故障间隔时间为平均无故障间隔时间减去已正常运行时间，而平均无故障间隔时间是指两次连续故障的时间间隔的数学期望值，所以剩余故障间隔时间即为装备运行一段时间之后还剩余的正常运行时间的数学期望值。
故障率为装备在马尔柯夫过程中从正常状态变成故障状态的状态转移概率。
修复率为装备在马尔柯夫过程中从故障状态修复成正常状态的状态转移概率。
通过采集泵源试验数据中的振动能量谱、振动烈度、振动幅值、谐波频率、工作时间等特征参数来训练构建各个泵的剩余故障间隔时间的神经网络预测模型，使用当前运行装备的特征数据输入到所述神经网络预测模型中实现剩余故障间隔时间的预测，根据预测结果和人员配置更新计算系统的故障率和修复率，再根据故障率和修复率更新计算系统的马尔科夫状态转移矩阵，最后通过更新后的马尔科夫状态转移矩阵计算泵源系统整体故障概率，并通过定时触发更新计算实现重型锻造装备泵源系统的定时或实时故障预测诊断
一种锻造液压机泵源故障预测方法，包括：
第一步：选取某锻造液压机的泵源系统为故障预测评估对象，假设其泵源系统有四 台泵同时工作，当所有泵全坏时整个系统无法工作。
第二步：在泵壳振动较强烈部位附近安装振动传感器，通过长寿命试验，定期记录振动能量谱、振动烈度、振动幅值、谐波频率、工作时间等特征参数，获得多个泵的全 生命周期的上述数据。
第三步：使用上述试验数据训练合适的神经网络模型，模型输出为泵在对应时刻的 剩余故障间隔时间，采用3层BP神经网络，对原始数据进行神经网络训练，建立相应的映射关系。对神经网络模型结构修改后进行循环训练，直到模型的预测精度在给定的精 度要求范围内，从而完成神经网络结构的训练。
第四步：获取当前时刻运行装备泵源系统的每个泵的振动能量谱、振动烈度、振动幅值、谐波频率、工作时间等特征参数。
第五步：将要预测的每个泵的特征参数输入到已训练好的神经网络模型中，即可得 到具有相当精度的在当前时刻的每个泵的剩余故障间隔时间的预测量，再计算每个泵的 故障概率；假设剩余故障间隔时间的预测量为T1，则单个故障泵的故障率为1/T1。
第六步：根据系统的维修工人数量和经验，确定一个修理工或一个修理机构修理每 台泵的平均维修间隔时间，再计算故障泵的修复率；假设平均维修间隔时间为T2，则故障泵的修复率为1/T2。
第七步：根据最新的每个泵的故障率和修复率，绘制出泵源系统的马尔科夫链的状 态转移图，如附图2所示，计算马尔科夫状态转移矩阵，如下式所示：
Figure BDA0002500345130000051
第八步：根据泵源系统马尔科夫状态转移矩阵计算系统在目前和未来时刻t的可靠 度，即故障概率，再根据已制定的故障诊断标准，评估设备目前及未来的运行状态，实现其故障的预测。
第九步：当到达故障概率更新计算时间点后，故障概率开始更新计算，重复第四步- 第八步，更新计算系统的故障概率。重型锻造装备的液压泵源系统在运行时，每隔特定时间更新计算一次泵源系统的故障概率，间隔时间可以自定义。
一种锻造液压机泵源故障预测系统，包括：
对象选取模块：选取某锻造液压机的泵源系统为故障预测评估对象，该泵源系统包 括M台泵同时工作，当所有泵全坏时整个系统无法工作；M为自然数；
试验数据获取模块：在泵壳上安装振动传感器，通过长寿命试验，定期记录振动能量谱、振动烈度、振动幅值、谐波频率、工作时间特征参数，获得多个泵的全生命周期 的试验数据；
模型建立模块、使用上述试验数据训练合适的神经网络模型，模型输出为泵在对应 时刻的剩余故障间隔时间，采用3层BP神经网络，对原始数据进行神经网络训练，建立相应的映射关系；对神经网络模型结构修改后进行循环训练，直到模型的预测精度在给 定的精度要求范围内；
当下数据获取模块：获取当前时刻运行装备泵源系统的每个泵的振动能量谱、振动 烈度、振动幅值、谐波频率、工作时间特征参数；
故障率计算模块：将要预测的每个泵的特征参数输入到已训练好的神经网络模型中， 得到在当前时刻的每个泵的剩余故障间隔时间的预测量，再计算每个泵的故障概率；假 设剩余故障间隔时间的预测量为T1，则单个故障泵的故障率为1/T1；
修复率计算模块：根据系统的维修工人数量和经验，确定一个修理工或一个修理机 构修理每台泵的平均维修间隔时间，再计算故障泵的修复率；假设平均维修间隔时间为T2，则故障泵的修复率为1/T2；
马尔科夫状态转移矩阵计算模块：根据最新的每个泵的故障率和修复率，绘制出泵 源系统的马尔科夫链的状态转移图，计算马尔科夫状态转移矩阵，如下式所示：
Figure BDA0002500345130000061
故障预测模块：根据泵源系统马尔科夫状态转移矩阵计算系统在目前和未来时刻t 的可靠度，即故障概率，再根据已制定的故障诊断标准，评估设备目前及未来的运行状态，实现故障的预测；
更新模块：当到达故障概率更新计算时间点后，故障概率开始更新计算，重复S4至S8，更新计算系统的故障概率。
一种实现锻造液压机泵源故障预测方法的信息数据处理终端，所述锻造液压机泵源 故障预测方法包括：
第一步：选取某锻造液压机的泵源系统为故障预测评估对象，假设其泵源系统有四 台泵同时工作，当所有泵全坏时整个系统无法工作。
第二步：在泵壳振动较强烈部位附近安装振动传感器，通过长寿命试验，定期记录振动能量谱、振动烈度、振动幅值、谐波频率、工作时间等特征参数，获得多个泵的全 生命周期的上述数据。
第三步：使用上述试验数据训练合适的神经网络模型，模型输出为泵在对应时刻的 剩余故障间隔时间，采用3层BP神经网络，对原始数据进行神经网络训练，建立相应的映射关系。对神经网络模型结构修改后进行循环训练，直到模型的预测精度在给定的精 度要求范围内，从而完成神经网络结构的训练。
第四步：获取当前时刻运行装备泵源系统的每个泵的振动能量谱、振动烈度、振动幅值、谐波频率、工作时间等特征参数。
第五步：将要预测的每个泵的特征参数输入到已训练好的神经网络模型中，即可得 到具有相当精度的在当前时刻的每个泵的剩余故障间隔时间的预测量，再计算每个泵的 故障概率；假设剩余故障间隔时间的预测量为T1，则单个故障泵的故障率为1/T1。
第六步：根据系统的维修工人数量和经验，确定一个修理工或一个修理机构修理每 台泵的平均维修间隔时间，再计算故障泵的修复率；假设平均维修间隔时间为T2，则故障泵的修复率为1/T2。
第七步：根据最新的每个泵的故障率和修复率，绘制出泵源系统的马尔科夫链的状 态转移图，如附图2所示，计算马尔科夫状态转移矩阵，如下式所示：
Figure BDA0002500345130000071
第八步：根据泵源系统马尔科夫状态转移矩阵计算系统在目前和未来时刻t的可靠 度，即故障概率，再根据已制定的故障诊断标准，评估设备目前及未来的运行状态，实现其故障的预测。
第九步：当到达故障概率更新计算时间点后，故障概率开始更新计算，重复第四步- 第八步，更新计算系统的故障概率。重型锻造装备的液压泵源系统在运行时，每隔特定时间更新计算一次泵源系统的故障概率，间隔时间可以自定义。
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，使得计算机执行锻造液压机泵源故障预测方法，所述锻造液压机泵源故障预测方法包括：
第一步：选取某锻造液压机的泵源系统为故障预测评估对象，假设其泵源系统有四 台泵同时工作，当所有泵全坏时整个系统无法工作。
第二步：在泵壳振动较强烈部位附近安装振动传感器，通过长寿命试验，定期记录振动能量谱、振动烈度、振动幅值、谐波频率、工作时间等特征参数，获得多个泵的全 生命周期的上述数据。
第三步：使用上述试验数据训练合适的神经网络模型，模型输出为泵在对应时刻的 剩余故障间隔时间，采用3层BP神经网络，对原始数据进行神经网络训练，建立相应的映射关系。对神经网络模型结构修改后进行循环训练，直到模型的预测精度在给定的精 度要求范围内，从而完成神经网络结构的训练。
第四步：获取当前时刻运行装备泵源系统的每个泵的振动能量谱、振动烈度、振动幅值、谐波频率、工作时间等特征参数。
第五步：将要预测的每个泵的特征参数输入到已训练好的神经网络模型中，即可得 到具有相当精度的在当前时刻的每个泵的剩余故障间隔时间的预测量，再计算每个泵的 故障概率；假设剩余故障间隔时间的预测量为T1，则单个故障泵的故障率为1/T1。
第六步：根据系统的维修工人数量和经验，确定一个修理工或一个修理机构修理每 台泵的平均维修间隔时间，再计算故障泵的修复率；假设平均维修间隔时间为T2，则故障泵的修复率为1/T2。
第七步：根据最新的每个泵的故障率和修复率，绘制出泵源系统的马尔科夫链的状 态转移图，如附图2所示，计算马尔科夫状态转移矩阵，如下式所示：
Figure BDA0002500345130000081
第八步：根据泵源系统马尔科夫状态转移矩阵计算系统在目前和未来时刻t的可靠 度，即故障概率，再根据已制定的故障诊断标准，评估设备目前及未来的运行状态，实现其故障的预测。
第九步：当到达故障概率更新计算时间点后，故障概率开始更新计算，重复第四步- 第八步，更新计算系统的故障概率。重型锻造装备的液压泵源系统在运行时，每隔特定时间更新计算一次泵源系统的故障概率，间隔时间可以自定义。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。 当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多 个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机 网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者 从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令 可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字 用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器 或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用 介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可 用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体 介质(例如固态硬盘Solid State Disk(SSD))等。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡 是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (6)

1.一种锻造液压机泵源故障预测方法，其特征在于，至少包括：
S1、选取某锻造液压机的泵源系统为故障预测评估对象，该泵源系统包括M台泵同时工作，当所有泵全坏时整个系统无法工作；M为自然数；
S2、在泵壳上安装振动传感器，通过长寿命试验，定期记录振动能量谱、振动烈度、振动幅值、谐波频率、工作时间特征参数，获得多个泵的全生命周期的试验数据；
S3、使用上述试验数据训练合适的神经网络模型，模型输出为泵在对应时刻的剩余故障间隔时间，采用3层BP神经网络，对原始数据进行神经网络训练，建立相应的映射关系；对神经网络模型结构修改后进行循环训练，直到模型的预测精度在给定的精度要求范围内；
S4、获取当前时刻运行装备泵源系统的每个泵的振动能量谱、振动烈度、振动幅值、谐波频率、工作时间特征参数；
S5、将要预测的每个泵的特征参数输入到已训练好的神经网络模型中，得到在当前时刻的每个泵的剩余故障间隔时间的预测量，再计算每个泵的故障概率；假设剩余故障间隔时间的预测量为T1，则单个故障泵的故障概率为1/T1；
S6、根据系统的维修工人数量和经验，确定一个修理工或一个修理机构修理每台泵的平均维修间隔时间，再计算故障泵的修复率；假设平均维修间隔时间为T2，则故障泵的修复率为1/T2；
S7、根据最新的每个泵的故障率和修复率，绘制出泵源系统的马尔科夫链的状态转移图，计算马尔科夫状态转移矩阵，如下式所示：
Figure FDA0003538172250000011
S8、根据泵源系统马尔科夫状态转移矩阵计算系统在目前和未来时刻t的可靠度，即故障概率，再根据已制定的故障诊断标准，评估设备目前及未来的运行状态，实现故障的预测；
S9、当到达故障概率更新计算时间点后，故障概率开始更新计算，重复S4至S8，更新计算系统的故障概率。
2.根据权利要求1所述的锻造液压机泵源故障预测方法，其特征在于，M＝4。
3.一种锻造液压机泵源故障预测系统，其特征在于，至少包括：
对象选取模块：选取某锻造液压机的泵源系统为故障预测评估对象，该泵源系统包括M台泵同时工作，当所有泵全坏时整个系统无法工作；M为自然数；
试验数据获取模块：在泵壳上安装振动传感器，通过长寿命试验，定期记录振动能量谱、振动烈度、振动幅值、谐波频率、工作时间特征参数，获得多个泵的全生命周期的试验数据；
模型建立模块、使用上述试验数据训练合适的神经网络模型，模型输出为泵在对应时刻的剩余故障间隔时间，采用3层BP神经网络，对原始数据进行神经网络训练，建立相应的映射关系；对神经网络模型结构修改后进行循环训练，直到模型的预测精度在给定的精度要求范围内；
当下数据获取模块：获取当前时刻运行装备泵源系统的每个泵的振动能量谱、振动烈度、振动幅值、谐波频率、工作时间特征参数；
故障率计算模块：将要预测的每个泵的特征参数输入到已训练好的神经网络模型中，得到在当前时刻的每个泵的剩余故障间隔时间的预测量，再计算每个泵的故障概率；假设剩余故障间隔时间的预测量为T1，则单个故障泵的故障概率为1/T1；
修复率计算模块：根据系统的维修工人数量和经验，确定一个修理工或一个修理机构修理每台泵的平均维修间隔时间，再计算故障泵的修复率；假设平均维修间隔时间为T2，则故障泵的修复率为1/T2；
马尔科夫状态转移矩阵计算模块：根据最新的每个泵的故障率和修复率，绘制出泵源系统的马尔科夫链的状态转移图，计算马尔科夫状态转移矩阵，如下式所示：
Figure FDA0003538172250000021
故障预测模块：根据泵源系统马尔科夫状态转移矩阵计算系统在目前和未来时刻t的可靠度，即故障概率，再根据已制定的故障诊断标准，评估设备目前及未来的运行状态，实现故障的预测；
更新模块：当到达故障概率更新计算时间点后，故障概率开始更新计算，依次重复执行当下数据获取模块、故障率计算模块、修复率计算模块、马尔科夫状态转移矩阵计算模块和故障预测模块，更新计算系统的故障概率。
4.根据权利要求3所述的锻造液压机泵源故障预测系统，其特征在于：M＝4。
5.一种实现权利要求1所述锻造液压机泵源故障预测方法的信息数据处理终端。
6.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1所述的锻造液压机泵源故障预测方法。
CN202010430430.2A 2020-05-20 2020-05-20 一种锻造液压机泵源故障预测方法及系统 Active CN111765075B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010430430.2A CN111765075B (zh) 2020-05-20 2020-05-20 一种锻造液压机泵源故障预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010430430.2A CN111765075B (zh) 2020-05-20 2020-05-20 一种锻造液压机泵源故障预测方法及系统

Publications (2)

Publication Number Publication Date
CN111765075A CN111765075A (zh) 2020-10-13
CN111765075B true CN111765075B (zh) 2022-05-03

Family

ID=72719278

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010430430.2A Active CN111765075B (zh) 2020-05-20 2020-05-20 一种锻造液压机泵源故障预测方法及系统

Country Status (1)

Country Link
CN (1) CN111765075B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114862064B (zh) * 2022-07-05 2022-11-22 天津市天锻压力机有限公司 一种锻造液压机的系统性失效预测方法及系统
CN115907104B (zh) * 2022-11-03 2023-12-26 重庆忽米网络科技有限公司 基于物联网大数据与机器学习的液压泵故障预测方法
CN118153919B (zh) * 2024-05-10 2024-08-13 江苏中天互联科技有限公司 设备维护排配方法及相关设备

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101520651B (zh) * 2009-03-03 2011-06-29 华中科技大学 一种基于隐马尔科夫链的数控装备可靠性分析方法
CN104636823B (zh) * 2015-01-23 2018-02-16 中国农业大学 一种风电功率预测方法
US10444748B2 (en) * 2016-06-30 2019-10-15 Ge Aviation Systems Llc In-situ measurement logging by wireless communication unit for communicating engine data
CN107133181B (zh) * 2017-06-13 2018-06-01 北京航空航天大学 一种差分小波神经网络软件故障预测技术的构建方法
CN107797537A (zh) * 2017-11-10 2018-03-13 上海第二工业大学 一种应用于自动化生产线的故障预测与健康管理方法
CN109061341A (zh) * 2018-07-10 2018-12-21 杭州安脉盛智能技术有限公司 基于神经网络的卡尔曼滤波变压器故障预测方法和系统
CN109189834A (zh) * 2018-09-04 2019-01-11 温州大学 基于无偏灰色模糊马尔科夫链模型的电梯可靠性预测方法
CN109253494B (zh) * 2018-09-05 2020-07-14 东北大学 一种基于热负荷预测的电蓄热装置的控制方法
CN110276416B (zh) * 2019-07-02 2023-04-28 广东省智能机器人研究院 一种滚动轴承故障预测方法
CN110702418A (zh) * 2019-10-10 2020-01-17 山东超越数控电子股份有限公司 航空发动机故障预测方法
CN110874616A (zh) * 2019-11-18 2020-03-10 苏文电能科技股份有限公司 基于lstm网络与马尔科夫链修正误差的变压器运行预测方法

Also Published As

Publication number Publication date
CN111765075A (zh) 2020-10-13

Similar Documents

Publication Publication Date Title
CN111765075B (zh) 一种锻造液压机泵源故障预测方法及系统
CN111230887B (zh) 一种基于数字孪生技术的工业涂胶机器人运行状态监测方法
CN111911483B (zh) 基于数字孪生的液压系统融合型故障诊断预测方法
CN107423414B (zh) 一种基于信息传递模型的流程工业复杂机电系统故障溯源方法
CN114118224B (zh) 一种基于神经网络的全系统遥测参数异常检测系统
CN110806743A (zh) 基于人工智能的设备故障检测与预警系统及方法
CN106228270B (zh) 一种大数据驱动的挤压设备的能耗预测方法及其系统
CN111460728A (zh) 一种工业设备剩余寿命预测方法、装置、存储介质及设备
CN112254972B (zh) 挖掘机油温预警方法、装置、服务器及挖掘机
CN113048043B (zh) 柱塞泵参数阈值设置方法、装置、电子设备和存储介质
CN113339204B (zh) 一种基于混合神经网络的风力发电机故障识别方法
CN116186946B (zh) 一种基于诊断模型的液压系统故障诊断方法及系统
CN113870046A (zh) 电力设备故障诊断方法及设备
CN110750455B (zh) 基于系统日志分析的智能在线自更新故障诊断方法和系统
CN116562158A (zh) 基于可解释注意力机制的航空发动机气路部件剩余寿命估计方法
CN109656229B (zh) 基于ga-rbf网络的机器人末端性能预测模型的构建方法
Li et al. Research on digital twin and collaborative cloud and edge computing applied in operations and maintenance in wind turbines of wind power farm
CN112580169A (zh) 一种基于机器学习的谐波减速器健康评估方法
CN115979622A (zh) 带式输送机减速器异常振动故障诊断方法、系统及介质
CN112783740B (zh) 一种基于时间序列特征的服务器性能预测方法及系统
CN110262465B (zh) 一种基于故障码分类的飞控故障诊断方法
CN115774847A (zh) 一种柴油机性能评估及预测方法和系统
CN112988529B (zh) 一种基于机器学习进行数据库系统性能预测的方法及系统
CN112884170A (zh) 一种综合管廊预测性智能运维系统及方法
CN114183299B (zh) 一种双回路型式的风力发电站scada系统的运行方法

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
GR01 Patent grant
GR01 Patent grant