CN112231352B - 一种多路阀失效数据管理及失效模式自动诊断系统 - Google Patents
一种多路阀失效数据管理及失效模式自动诊断系统 Download PDFInfo
- Publication number
- CN112231352B CN112231352B CN202011102007.6A CN202011102007A CN112231352B CN 112231352 B CN112231352 B CN 112231352B CN 202011102007 A CN202011102007 A CN 202011102007A CN 112231352 B CN112231352 B CN 112231352B
- Authority
- CN
- China
- Prior art keywords
- failure
- way valve
- valve
- mode
- failure mode
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2468—Fuzzy queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种多路阀失效数据管理及失效模式自动诊断系统,包括用户信息登录管理模块、失效案例信息管理模块、失效信息查询模块、零件信息管理模块、失效模式自动诊断模块、失效案例规律库模块;本发明通过先进的网络和数据库技术把之前零散的多路阀失效案例数据结合归类,在数据库中按照一定的方式存储数据,可以在众多的失效案例中总结发现规律并以此为依据预判故障的可能性,让工程师在处理多路阀失效时能够有所参考,简化故障案例分析过程,提高分析、处理故障的效率,缩短工作时间,避免不必要的浪费和工作的重复,也可以做到提前预防故障的发生。
Description
技术领域
本发明涉及数据管理技术领域,尤其涉及一种多路阀失效数据管理及失效模式自动诊断系统。
背景技术
随着建筑行业的不断发展和工程机械设备事故的频发,同时由于工程机械工作环境恶劣,液压系统换向频繁、负载变动剧烈,多路阀发生故障的可能性也越来越大。因此,多路阀的安全性和可靠性逐渐成为人们关注的焦点。多路阀的技术状况会随着使用及内部零件故障的发生而变化,当零部件损坏,丧失原设计所应有的功能后,工程师会展开故障排查、失效分析并提出改进措施,预防未来同类事故的再发生。
常见的多路阀失效原因主要包括压力类失效、流量类失效、泄露类失效,故障的表现形式有以下几个方面:整机无动作、系统无压力、系统压力高且无法调节、单片工作阀无压力或压力低、输出流量不足、输出流量不稳定、单片工作阀无流量或流量低、内泄漏、外泄露、噪声故障,此外还有外观不合格、安装尺寸不合格、零件损坏、零件锈蚀、清洁度不合格等。
故障排查、失效分析等工作效率的提升需要在企业对已发生过的失效案例进行归纳总结的基础上进行。同时,由于多路阀内部零件众多,失效形式多种多样,当前的故障记录和诊断技术已经不能够满足企业发展的需要。而且传统的数据库数据录入模式效率较低,单纯的人工录入费时费力且容易产生重复录入、录入错误数据等不当操作。
因此,建立一个多路阀数据管理及失效模式自动诊断系统成为了工程机械行业一个亟需解决的问题。利用先进的网络和数据库技术把之前零散的案例数据结合归类,通过模糊神经网络对多路阀进行实时数据采集并诊断故障,在众多失效案例里发现规律并从总结的规律里面预判故障发生的可能性,可以更好的预防、减少未来失效的发生。同时降低企业在数据管理成本方面的投入,提高多路阀的安全性和可靠性。
发明内容
发明目的:本发明目的是为了解决现有技术的不足,解决故障诊断不准确,人机交互不便,失效库不完善等问题,提出一种多路阀失效数据管理及失效模式自动诊断系统,包括:失效模式自动诊断模块。由于多路阀的失效模式多种多样,有些失效模式通过对数据的采集及分析可以实现自动诊断如压力类、流量类失效等,而有些失效模式需要人工去诊断并进行数据的记录如多路阀阀杆卡死、内部零件损坏等。因此该系统的多路阀失效数据录入分为两部分,一部分为人工录入,另一部分为失效自动诊断并录入。其中:
所述失效模式自动诊断模块用于,通过模糊神经网络将从多路阀中提取到的失效信号进行处理,建立失效模型,采用模糊理论对可能引起多路阀失效的原因和现象进行分析,对测试的数据进行失效模式自动诊断,将得到的故障信息反模糊化,得到失效诊断结论。反模糊化是将推论得到的模糊值转换为明确的控制讯号,常用的有最大隶属度法、重心法和加权平均法,本发明中使用的是最大隶属度原则进行判决,同时还可以通过深度学习,不断的积累多路阀失效案例处理知识,进一步提高诊断效率。
所述失效模式自动诊断模块具体执行如下步骤:
步骤1将多路阀失效模式分为压力类失效模式、流量类失效模式、泄露类失效模式、噪声类失效模式,采集压力类失效模式、流量类失效模式、泄露类失效模式、噪声类失效模式的失效数据,
步骤1中,通过在多路阀内部安装流量传感器、压力传感器进行数据采集,提取状态参量模拟量(包括流量和压力),状态参量模拟量能够反映出多路阀的工作状态,例如当多路阀失效时压力会出现随机信号,正常工作时则是周期性波形,再通过数据采集卡将模拟量转化为数字量存入计算机,当多路阀出现如系统无压力、系统无动作之类的失效现象时,此时采集到的数据作为失效现象集X和失效模式集A的元素,建立相对应的失效现象集X和失效模式集A,采集的失效现象有9种,包括:系统无压力、系统无动作、工作阀无压力、压力过高、流量不足、流量不稳定、工作阀无流量、内泄漏、压力冲击,则失效现象集X表示为X={x1,x2,x3,...,x9};所有的失效现象能够表征的失效模式共有17种,包括:主安全阀密封损坏、LC单向阀密封损坏、LC减压阀损坏、减压阀阀芯卡滞、LC单向阀阀芯卡滞、补油阀密封损坏、LS减压阀油路憋坏,堵塞、LC单向阀油路憋坏,堵塞、系统回油背压高、主阀芯开度小、主阀芯卡滞、单片工作阀先导压力不稳定、LS减压阀压力波动、先导压力低、LC单向阀卡滞、先导式溢流阀导阀部分压力不均、产生气穴,失效模式集A表示为A={a1,a2,a3,...,a17},x9表示第9种失效现象,a17表示第17种失效模式;多路阀后续获得的参数用对应集合X和A的隶属度表示,得到对应于失效现象X的失效现象向量V和对应于失效模式A的失效模式向量U,这些向量可以采用二值逻辑表示,当失效现象达到指标时用“1”表示,没有达到用“0”表示,指标的确定由专家判定。例如:某次失效现象只有x1和x2达到指标则这次失效现象向量可记{1,1,0,0,0,0,0,0,0},通过这样对数据的处理可以将复杂的参数转化为简单的向量。
数据转化:传感器采集到的数据通过数据采集卡将模拟量转化为数字量。
失效模型建立:失效模型即为失效现象集X和失效模式集A的建立过程。失效现象共9种,失效模式共17种,分别用符号v1~v9,u1~u17表示,并将这些现象和集合组成向量的形式表示出来。失效现象和失效模式之间使用模糊关系矩阵表征之间的联系。
步骤2,失效现象X和故障模式A之间也存在隶属度rij,隶属度rij的确定要综合专家打分和模糊统计综合判定;根据失效现象集X和失效模式集A对采集的多路阀数据进行筛选,确定失效特征的最大隶属度函数,将特征参数(特征参数即为多路阀失效时的参数)模糊化;确定系统模糊关系矩阵R,通过模糊矩阵表征多路阀失效和各种失效征兆之间的关系;设计系统推理机,利用公式模糊诊断方程对失效进行诊断,确定模糊算子M(∧,∨),最终改进模糊判决得到失效诊断结论。
步骤2包括:利用传感器得到的多路阀失效数据的处理共分为三层,分别是输入层、隐含层、输出层,选取堆叠自编码网络对数据深度学习,在输入层、隐含层、输出层之间先进行编码将输入转换为隐含层不同维度表示形式,在解码时使用反模糊化将数据形式映射回原始表示。
步骤2中,输入层进行如下数据处理:采集到的每一个多路阀信号作为一个节点,每一个节点都代表一个输入变量,在集合中元素和集合的关系使用隶属度的方式来描述。隶属度本身是在0到1之间的实数。(0,1)之间表示元素部分的属于该集合。如果集合A是某一域U的子集,uA(x)是隶属度函数,域U中的集合A可由隶属函数uA(x)表示,uA(x)的取值范围是[0,1],数值越大则表示x对A的隶属程度越高,x表示从多路阀中获取得到的多路阀失效信息,代表失效现象,以数字量形式呈现;元素对集合A的隶属度函数为uA(x),A表示为
A=uA(x1)/x1+uA(x2)/x2+…uA(xn)/xn,xn为采集到的的所有多路阀失效信息,n的取值为[1,9]。隶属度函数uA(xi)的确立此处采用根据专家经验的人为评判法;
步骤2中,隐含层进行如下数据处理:多路阀每一个失效现象对失效模式都有对应的隶属度,通过专家经验确定隶属度,得到失效现象集合V:V={v1,v2,v3,...,v9}和失效模式集合U:U={u1,u2,u3,...,u17}其中,V和U指的是:由多路阀失效参数对模糊现象集合的隶属度所代表参数组成的失效现象向量;V表示向量集,失效现象X通过隶属度可以将多路阀参数用向量V表示,失效现象有9种,若通过隶属度表示的向量V={1,1,0,0,0,0,0,0,0}则表示失效现象为前两种;若通过隶属度表示的向量U={1,1,0,0,0,0,0,0,0}则表示失效模式为前两种;
第i个失效现象xi对应于第j种失效模式aj的隶属度为rij,失效现象集和失效模式集之间的模糊关系矩阵为其中,m指的是多路阀所有能够列出的失效模式,此处取值范围是[1,17],n指的是路阀所有可列出的失效模式现象,此处取值范围是[1,9];i=1,2,...,n,j=1,2,...,m;rij表示第i个失效现象和第j个失效模式之间的关系,模糊关系矩阵R的确定需要结合专家打分和模糊统计的方法,专家打分分数/>表示第i个故障对应第j个失效模式的隶属度模糊统计分数/>其中kj表示第j种失效模式出现的总次数,kij表示第i种失效现象在第j种失效模式中出现的次数;
专家打分和模糊统计打分需要结合具体情况分别给不同的权重S1、S2,S1+S2=1,通过专家打分和模糊统计两种方式最终得到隶属度rij:
设每个失效现象xi的权值vi是:
其中vij是第j个失效现象对失效模式集合U中第i个元素的权重,则权重矩阵Vi为:
步骤2中,输出层进行如下数据处理:在进行失效诊断时,建立如下失效模式诊断方程:
其中是模糊算子,模糊算子取M(∧,∨)算子,通过比较采取最大隶属度原则进行判决,如果一次多路阀失效现象向量V经过方程诊断运算得到U,如果uk=max{u1,u2,...,u17},则uk对应的失效模式ak即是这次失效的失效模式。
本发明系统还包括用户信息登录管理模块、失效案例信息管理模块、失效信息查询模块、零件信息管理模块、失效案例规律库模块;
所述用户信息登录管理模块,主要有用户信息管理、修改密码等功能,如果多次输入密码错误,系统将自动退出,用户信息登录管理模块能自动识别用户的类型,通过给工程师分配不同的权限来登录不同的零件系统,如:安全溢流阀零件系统、单向阀零件系统系统、减压阀零件系统、补油阀零件系统、换向阀零件系统、滑阀零件系统等。这样系统可以更加高效的管理用户,用户能够分工明确,选取自己所负责的零件失效信息;
所述失效案例信息管理模块通过搭建失效数据库框架,编辑SQL语句录入、修改、删除、新增失效案例,实现对已有案例的数据管理;
所述失效信息查询模块通过编辑SELECT语句实现对已有的多路阀失效数据的查询,并自动对查询结果按要求排序输出;使用模糊查询和精确查询相结合的方式对所需要的数据进行查询,模糊查询方式按照某一失效特征相关度按相似度排序输出,为工程师提供失效分析的思路,精确查询方式能够更快速的查询到需要的失效形式,这种查询方式能够大大缩短查询时间提高工作效率;
所述零件信息管理模块根据不同的零件制定关键词并搭建数据库框架,管理多路阀零件的失效信息;
所述失效案例规律库模块将之前诊断得到的失效信息和其他类失效信息人工添加汇总,制作成一张失效风险表,失效风险表包括失效现象、失效形式、失效原因、失效率、检测难易程度和失效严重程度。通过该表格能够得到多路阀容易发生的失效形式,对日后的多路阀故障诊断和维护具有一定的指导意义。诊断得到的失效信息通过数据的分析与建立的模型比较进行自动诊断得到,其他类的失效信息指的是不能通过自动诊断模块得到的失效类型,比如:外观不合格、安装尺寸不合格、零件损坏、零件锈蚀、清洁度不合格。这类信息通过人工汇总得到。
本发明具有如下有益效果:
1、本发明多路阀失效数据管理及失效模式自动诊断系统,采用面向对象的程序设计技术,适用于多路阀零部件工厂及工程机械企业对失效零件信息的管理。选择的系统开发环境是微软公司的Microsoft Windows,用来存储多路阀失效案例的数据容器选用Oracle数据库,Oracle的流复制技术能够在数据传递时完成自动同步,相关失效数据的调用、添加与删除等操作通过使用Visual Studio2019搭载SQL语句制作的界面层来实现。系统的运维和管理易于实现,极大的降低了企业在数据管理方面的投入。
2、本发明多路阀失效数据管理及失效模式自动诊断系统,与已有技术比较,界面更清晰简洁、系统服务稳定性能卓越、操作简单容易上手,便于工程师的使用和维护。系统本身的数据存储方式简单明了,失效模式自动诊断技术能够对多路阀进行实时的数据采集、分析及失效的自动诊断。
3、多路阀失效数据库的建立能够通过先进的网络和数据库技术把之前零散的多路阀失效案例数据结合归类,在数据库中按照一定的方式存储数据,可以在众多的失效案例中总结发现规律并以此为依据预判故障的可能性,让工程师在处理多路阀失效时能够有所参考,简化故障案例分析过程,提高分析、处理故障的效率,缩短工作时间,避免不必要的浪费和工作的重复,也可以做到提前预防故障的发生。
4、在建立数据库时,结合人工数据录入和模糊神经网络失效诊断法,通过对多路阀系统的故障自动诊断并辅以人工录入补充不能自动诊断的部分失效形式。
5、将模糊神经网络与数据库相结合进行多路阀的失效诊断和数据的记录,采用深度学习对采集的数据进行处理,使函数能够不断更新得到最优参数。在数据库中建立知识库,能够在某种程度上实现知识的自动化处理。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述和/或其他方面的优点将会变得更加清楚。
图1为本发明系统数据库结构示意图;
图2为本发明系统诊断流程图;
图3为本发明系统失效类型图;
图4为本发明系统失效现象和失效模式关系图;
图5为本发明系统规则表。
具体实施方式
实施例
本实施例中,本发明系统采用面向对象的程序设计技术,选择的系统开发环境是微软公司的Microsoft Windows,用来存储多路阀失效案例的数据容器选用Oracle数据库,相关失效数据的调用、添加与删除等操作通过使用Visual Studio2019搭载SQL语句制作的界面层来实现。
本实施例提出一种多路阀失效数据管理及失效模式自动诊断系统,包括用户信息登录管理模块、失效案例信息管理模块、失效信息查询模块、零件信息管理模块、失效模式自动诊断模块、失效案例规律库模块。
用户信息登录管理模块,该模块包括用户信息管理、登录退出系统、密码修改等功能,如果用户多次输入错误密码,系统将自动退出,登录模块能够自动识别用户的类型,不同的工程师将会分配到相应的权限,登录自己负责的零件系统;这样做可以更加高效的管理用户,保证各司其职,零件的失效信息也能够得到妥善、合理的分类。同时,系统的使用范围也得到扩大,不在局限于某一工程师,而是多位工程师共同管理,提高整个多路阀失效信息的管理效率;
失效案例信息管理模块,通过搭建失效数据库框架,编辑SQL语句录入、修改、删除、新增多路阀的失效案例,实现对已有案例的数据管理,并对新发现的失效案例进行不断归纳入库将已有的数据不断扩大,为失效分析提供大量的数据基础,为后续的失效规律总结提供数据支持;此模块分为企业内部失效案例和国内外失效案例,企业内部失效案例为发生在企业已有多路阀上,并且通过失效分析及后续试验验证的案例,企业外部失效案例为国内外存在的多路阀失效并通过验证完成失效分析的案例;
失效信息查询模块,通过编辑SELECT语句实现对已有的多路阀失效数据的查询,并自动对查询结果按要求排序输出;使用模糊查询和精确查询相结合的方式对所需要的数据进行查询,模糊查询方式按照某一失效特征相关度按相似度排序输出,为工程师提供失效分析的思路,精确查询方式能够更快速的查询到需要的失效形式,这种查询方式能够大大缩短查询时间提高工作效率;
零件信息管理模块,根据不同的零件制定特征关键词并搭建数据库框架,将多路阀的失效零件按照失效类型进行分类同时总结失效原因,为下面的规律库的制作提供数据支持;
失效模式自动诊断模块,该模块专家系统的建立基于模糊综合评判方法。通过模糊神经网络将从多路阀中提取到的失效信号进行处理,建立失效模型,将故障数据分为训练集、测试集,采用模糊理论对可能引起多路阀失效的现象和模式进行分析,对测试的数据进行失效模式自动诊断,将得到的失效信息反模糊化得到容易识别的形式并记录入数据库。同时还可以通过深度学习,不断的积累多路阀失效案例处理知识,进一步提高诊断效率。
失效案例规律库模块,该模块将之前采集得到的失效信息和其他类失效信息的人工添加汇总,制作成一张失效风险表,改表格包括失效形式、失效率、失效原因、检测难易程度和失效严重程度。通过该表格能够得到多路阀容易发生的失效形式,对日后的多路阀故障诊断和维护具有一定的指导意义。
所述失效案例信息管理模块通过搭建失效数据库框架,数据库结构图如图1所示,选择的系统开发环境是微软公司的Microsoft Windows,用来存储多路阀失效案例的数据容器选用Oracle数据库,相关失效数据的调用、添加与删除等操作通过使用VisualStudio2019搭载SQL语句制作的界面层来实现。在使用SQL调取已通过验证的数据库数据时使用的语句如下:
需要向数据库中新增数据时可以编辑“INSERT INTO‘AAA’VALUES‘BBB’”实现往“AAA”字段后添加“BBB”字段;
按条件对数据库中数据进行精确查找时可以输入关键词=‘字段值’:编辑“SELECT*FROM已验证数据库where零件编号=‘XXX’”实现对已储存在数据库中零件编号为‘XXX’的零件相关失效信息的调用;
按条件对数据库中数据进行模糊查找时可以通过输入关键字like‘字段值’:编辑“SELECT*FROM已验证数据库where零件损坏like‘阀体’”实现对已储存在数据库中零件损坏部分包含“阀体”字样的零件失效信息的调用;
对数据库中数据进行排序查询时可以通过top筛选进行,编辑“SELET top 5*FROM已验证数据库where失效形式=‘泄露’”实现对已储存在数据库中泄露类零件失效信息的排序查询;
需要将新产生的失效案例录入已验证数据库中时可以通过编辑UNION语句:编辑“SELECT*FROM新产生失效案例库UNION SELECT*FROM已验证数据库”实现对数据库内容的添加;
需要将已有案例从已验证数据库中删除时可以通过编辑:“DELETE FROM已验证数据库where零件编号=‘XXX’”实现对已有零件编号为“XXX”的失效信息的删除;
需要对已有案例从已验证数据库中进行修改时可以通过编辑:“UPDATE已验证数据库SET故障类型=‘部件漏油’where故障类型=‘换向阀泄露’”实现对已有故障换向阀泄露转换为部件漏油。
本发明系统,根据不同的失效模式制定特征关键词并建立数据库字段;由于导致多路阀失效的原因不同,所以将多路阀根据失效模式的不同分为压力类失效模式、流量类失效模式、泄露类失效模式、噪声类失效模式。以压力类失效为例,多路阀的压力类失效可以分为系统无压力、系统无动作、工作阀无压力、系统压力过高且无法调节。
失效模式自动诊断模块具体方法如下:
1.提取能够反映多路阀状态的参数;
2.建立失效方式对应的失效库,对提取的多路阀参数分析处理,反映多路阀运行状态的特征;
3.建立故障诊断知识库,结合已有的多路阀失效数据、多路阀失效模式从专家那里获取知识;将获取的知识编排成计算机能够识别的数据模式存入计算机形成失效模式诊断知识库。
失效模式自动诊断模块中失效模式自动诊断按以下步骤进行:
步骤1、根据多路阀不同的失效模式要提取能够反应多路阀失效的相关参数数据,该模块所针对的失效模式有压力类失效、流量类失效、泄露类失效、噪声类失效。其中,压力类失效包括整机无动作、系统无压力,单片工作阀无压力、压力低,系统无压力且调节无效;流量类故障包括输出流量与需求不符,输出流量不稳定,单片工作阀无流量或流量很少;泄露类故障主要是内泄漏。失效模式数据的获取通过在多路阀内部安装流量传感器、压力传感器,通过数据采集卡存入计算机使用隶属度函数模糊化将之转化为计算机能够识别的数据类型并建立相对应的失效库,挑选典型失效模型通过失效训练制作成失效样本再对新采集的数据进行实时的分析并将得到的失效数据记录入库。
压力类失效模式中:系统无压力导致失效,原因有:主安全阀密封损坏、LC单向阀密封损坏、LC减压阀损坏,数据采集时分别测量LC单向阀压力、LS减压阀压力、主安全阀进出口压力;系统无动作导致失效,原因有:减压阀阀芯卡滞,数据采集时测量P口与LS减压阀之间的压力;单片工作阀无压力导致失效,原因有:LC单向阀阀芯卡滞、补油阀密封损坏,数据采集时测量LC单向阀反馈压力通道处压力、过载补油阀处压力;系统压力过高且调节无效,原因有:LS减压阀和LC单向阀油路憋坏、堵塞,系统本身的回油背压过高,数据采集时测量LS减压阀、LC单向阀及多路阀T口处压力;
流量类失效模式中:输出流量与需求不符导致失效,原因有:先导压力较低造成主阀芯开度小、主阀芯卡滞,流量无法按需输出,数据采集时测量主阀芯处流量;流量不稳定导致的失效,原因有:单片工作阀先导压力不稳定、LS减压阀压力波动,数据采集时测量工作阀和LS阀口处的压力波动;单片工作阀无流量或流量小导致失效,原因有:先导压力低、LC单向阀卡滞,数据采集时测量先导压力大小及LC单向阀反馈通道处压力;
泄露类失效模式中:多路阀的泄露可分为内泄漏和外泄露,外泄露类失效较为直观此处对该类失效不再赘述。内泄漏的发生是由于压力差的存在使得元件内部的液压油从高压处流向低压处,数据采集时通过安装在相应位置的压力传感器得到;
噪声类故障导致失效,多路阀噪声的来源包括液压回路压力骤降产生压力冲击、先导式溢流阀导阀部分压力不均、气穴的产生,数据采集时可以通过安装真空表及采集导阀压力数据得到;
以上为多路阀失效特征数据的采集方式,其中某些失效数据的采集方法有类似之处,但不同的失效形式所对应的压力、流量类数据不同,同时相同部件的数据可能对应不同的失效形式,需要通过专家对不同失效方式建立对应的失效诊断阀值来确定。
多路阀失效形式除以上方法可以测得,还有一些如阀体断裂、外观类故障,这类失效形式的记录需要人工进行。
步骤2,对多路阀的失效数据收集结束之后,需要对这些信息进行处理分析,根据失效现象和失效模式制作成失效数据集,后续根据数据集对采集的多路阀数据进行筛选,剔除与失效无关的数据,通过数据标准化的方法做成典型多路阀失效数据集。包括确定失效特征的隶属函数类型,将特征参数模糊化;确定系统模糊关系矩阵,通过模糊矩阵表征多路阀故障和各种失效征兆之间的关系;确定模糊算子;设计系统推理机,利用算法得到模糊向量,进一步得到待诊断的失效模糊向量。数据的处理共分为三层,分别是输入层、隐含层、输出层。选取堆叠自编码网络对数据深度学习,在输入、隐含、输出层之间先进行编码将输入转换为隐含层不同维度表示形式,在解码时使用类似的方式将数据形式映射回原始表示。
输入层:采集到的每一个失效状态信号作为一个节点,每一个节点都代表一个输入变量,在本系统中所采集的失效现象有9种,所以在这里现象集X表示为X={x1,x2,x3,...,x9};所有的失效现象可以表征的失效模式共有17种,所以在这里失效模式集A可表示为A={a1,a2,a3,...,a17}。
隐含层:多路阀每一个参数数据对应于模糊现象集X和模糊失效集A都有其对应的隶属度,根据专家知识确定其隶属度,则我们可以得到失效现象向量V:V={v1,v2,v3,...,v9}和失效模式向量U:U={u1,u2,u3,...,u17}。采集到失效现象向量和失效模式向量之后,失效现象xi(i=1,2,...,n)对应于失效模式aj(j=1,2,...,m)的隶属度为rij,失效现象集和失效模式集之间的模糊关系矩阵为其中,rij表示第i个失效现象和第j个失效模式之间的关系。rij越大则表示失效现象和失效模式之间的关系越密切。而模糊关系矩阵R的确定需要结合专家打分和模糊统计的方法。专家打分分数/>表示第i个故障对应第j个故障模式的隶属度,该分数完全依靠专家的个人经验给出。模糊统计分数/>其中kj表示第j种失效模式出现的总次数,kij表示第i种失效现象在第j种失效模式中出现的次数。专家打分和模糊统计打分需要结合具体情况分别给不同的权重S1,S2(S1+S2=1)通过专家打分和模糊统计两种方式最终可以得到隶属度/>若统计的数据较大,S2应该适当多分配一些权重值。设每个失效现象xi的权值V是:/>其中vij是第j个失效现象对失效集U中第i个元素的权重,则权重矩阵为:/>
第三层输出层,在进行失效诊断时,需要确定失效模式诊断方程,模糊失效诊断方程式:其中/>是模糊算子,这里的模糊算子取M(∧,∨)算子。进行失效模式判决时,需要确定使用的模糊判决方式,通过比较采取最大隶属度原则进行判决。若某次多路阀失效现象向量V,经过方程诊断运算得到U。若uk=max{u1,u2,...,u17},则uk对应的失效模式ak即是这次失效的失效模式。
通过上述处理,从数据库中可以得到多路阀失效数据,按照失效形式、失效现象对其归类,同时给出每一种失效所对应的失效原因。结合已有的数据和专家的经验知识,对每一种失效的失效率、失效严重程度、失效检测难易程度分别打分,分值为1~10分,失效率越高、程度越严重、失效形式越难检测则分值越高,最后将三者做乘积得到RPN值,该数值的大小表示风险程度的高低,数值越大则风险越大。最终的得到的风险表能够给多路阀的维修及管理工作具有一定的指导效果。
本发明提供了一种多路阀失效数据管理及失效模式自动诊断系统,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (3)
1.一种多路阀失效数据管理及失效模式自动诊断系统,其特征在于,包括失效模式自动诊断模块;
所述失效模式自动诊断模块用于,将从多路阀中提取到的失效信号进行处理,建立失效模型,采用模糊理论对可能引起多路阀失效的原因和现象进行分析,对测试的数据进行失效模式自动诊断,将得到的故障信息反模糊化,得到失效诊断结论;
所述失效模式自动诊断模块具体执行如下步骤:
步骤1将多路阀失效模式分为压力类失效模式、流量类失效模式、泄露类失效模式、噪声类失效模式,采集压力类失效模式、流量类失效模式、泄露类失效模式、噪声类失效模式的失效数据;
步骤2,确定系统模糊关系矩阵R,通过模糊矩阵表征多路阀失效和各种失效征兆之间的关系;设计系统推理机,对失效进行诊断,确定模糊算子M(∧,∨),最终改进模糊判决得到失效诊断结论;
步骤1中,通过在多路阀内部安装流量传感器、压力传感器进行数据采集,提取状态参量模拟量,再通过数据采集卡将模拟量转化为数字量存入计算机,当多路阀出现失效现象时,此时采集到的数据作为失效现象集X和失效模式集A的元素,建立相对应的失效现象集X和失效模式集A,采集的失效现象有9种,包括:系统无压力、系统无动作、工作阀无压力、压力过高、流量不足、流量不稳定、工作阀无流量、内泄漏、压力冲击,则失效现象集X表示为X={x1,x2,x3,...,x9};所有的失效现象能够表征的失效模式共有17种,包括:主安全阀密封损坏、LC单向阀密封损坏、LC减压阀损坏、减压阀阀芯卡滞、LC单向阀阀芯卡滞、补油阀密封损坏、LS减压阀油路憋坏,堵塞、LC单向阀油路憋坏,堵塞、系统回油背压高、主阀芯开度小、主阀芯卡滞、单片工作阀先导压力不稳定、LS减压阀压力波动、先导压力低、LC单向阀卡滞、先导式溢流阀导阀部分压力不均、产生气穴,失效模式集A表示为A={a1,a2,a3,...,a17},x9表示第9种失效现象,a17表示第17种失效模式;多路阀后续获得的参数用对应集合X和A的隶属度表示,得到对应于失效现象X的失效现象向量V和对应于失效模式A的失效模式向量U;
步骤2包括:利用传感器得到的多路阀失效数据的处理共分为三层,分别是输入层、隐含层、输出层,选取堆叠自编码网络对数据深度学习,在输入层、隐含层、输出层之间先进行编码将输入转换为隐含层不同维度表示形式,在解码时使用反模糊化将数据形式映射回原始表示;
步骤2中,输入层进行如下数据处理:采集到的每一个多路阀信号作为一个节点,每一个节点都代表一个输入变量,在集合中元素和集合的关系使用隶属度的方式来描述,隶属度本身是在0到1之间的实数,(0,1)之间表示元素部分的属于该集合,如果集合A是某一域U的子集,uA(x)是隶属度函数,域U中的集合A由隶属函数uA(x)表示,uA(x)的取值范围是[0,1],数值越大则表示x对A的隶属程度越高,x表示从多路阀中获取得到的多路阀失效信息,代表失效现象,以数字量形式呈现;元素对集合A的隶属度函数为uA(x),A表示为A=uA(x1)/x1+uA(x2)/x2+…uA(xn)/xn,xn为采集到的所有多路阀失效信息,n的取值为[1,9];
步骤2中,隐含层进行如下数据处理:多路阀每一个失效现象对失效模式都有其对应的隶属度,确定多路阀参数隶属度,得到失效现象向量集合V:V={v1,v2,v3,...,v9}和失效模式向量集合U:U={u1,u2,u3,...,u17},第i个失效现象xi对应于第j种失效模式aj的隶属度为rij,失效现象集和失效模式集之间的模糊关系矩阵为其中,m指的是多路阀所有能够列出的失效模式,此处取值范围是[1,17],n指的是路阀所有可列出的失效模式现象,此处取值范围是[1,9];i=1,2,...,n,j=1,2,...,m;rij表示第i个失效现象和第j个失效模式之间的关系,模糊关系矩阵R的确定需要结合专家打分和模糊统计的方法,专家打分分数/>表示第i个故障对应第j个失效模式的隶属度模糊统计分数/> 其中kj表示第j种失效模式出现的总次数,kij表示第i种失效现象在第j种失效模式中出现的次数;
专家打分和模糊统计打分需要结合具体情况分别给不同的权重S1、S2,S1+S2=1,通过专家打分和模糊统计两种方式最终得到隶属度rij:
设每个失效现象xi的权值vi是:
其中vij是第j个失效现象对失效模式集合U中第i个元素的权重,则权重矩阵Vi为:
2.根据权利要求1所述的系统,其特征在于,步骤2中,输出层进行如下数据处理:在进行失效诊断时,建立如下失效模式诊断方程:
其中是模糊算子,模糊算子取M(∧,∨)算子,通过比较采取最大隶属度原则进行判决,如果一次多路阀失效现象向量V经过方程诊断运算得到U,如果uk=max{u1,u2,...,u17},则uk对应的失效模式ak即是这次失效的失效模式。
3.根据权利要求2所述的系统,其特征在于,还包括用户信息登录管理模块、失效案例信息管理模块、失效信息查询模块、零件信息管理模块、失效案例规律库模块;
所述用户信息登录管理模块能自动识别用户的类型,通过分配不同的权限来登录不同的零件系统;
所述失效案例信息管理模块通过搭建失效数据库框架,编辑SQL语句录入、修改、删除、新增失效案例,实现对已有案例的数据管理;
所述失效信息查询模块用于对已有的多路阀失效数据的查询,并自动对查询结果按要求排序输出;
所述零件信息管理模块根据不同的零件制定关键词并搭建数据库框架,管理多路阀零件的失效信息;
所述失效案例规律库模块将诊断得到的失效信息和其他类失效信息汇总,制作成一张失效风险表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011102007.6A CN112231352B (zh) | 2020-10-15 | 2020-10-15 | 一种多路阀失效数据管理及失效模式自动诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011102007.6A CN112231352B (zh) | 2020-10-15 | 2020-10-15 | 一种多路阀失效数据管理及失效模式自动诊断系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112231352A CN112231352A (zh) | 2021-01-15 |
CN112231352B true CN112231352B (zh) | 2023-08-22 |
Family
ID=74113152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011102007.6A Active CN112231352B (zh) | 2020-10-15 | 2020-10-15 | 一种多路阀失效数据管理及失效模式自动诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112231352B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505573B (zh) * | 2021-06-30 | 2024-05-14 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 航电通信模块失效分析报表自动引导填报工具 |
CN113757223B (zh) * | 2021-09-06 | 2023-11-03 | 江苏徐工工程机械研究院有限公司 | 液压部件可靠性分析方法和系统、计算机装置和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1736829A (zh) * | 2004-08-21 | 2006-02-22 | 山东临工工程机械有限公司 | 装载机工作液压系统嵌入式故障诊断装置 |
CN104750742A (zh) * | 2013-12-31 | 2015-07-01 | 南京理工大学常熟研究院有限公司 | 一种掘进机液压系统故障诊断方法和系统 |
CN110886743A (zh) * | 2019-12-10 | 2020-03-17 | 无锡华瀚能源装备科技有限公司 | 一种掘进机液压系统故障自诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103843015A (zh) * | 2011-07-14 | 2014-06-04 | 沙特阿拉伯石油公司 | 使用模糊逻辑检测和分类过程缺陷 |
-
2020
- 2020-10-15 CN CN202011102007.6A patent/CN112231352B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1736829A (zh) * | 2004-08-21 | 2006-02-22 | 山东临工工程机械有限公司 | 装载机工作液压系统嵌入式故障诊断装置 |
CN104750742A (zh) * | 2013-12-31 | 2015-07-01 | 南京理工大学常熟研究院有限公司 | 一种掘进机液压系统故障诊断方法和系统 |
CN110886743A (zh) * | 2019-12-10 | 2020-03-17 | 无锡华瀚能源装备科技有限公司 | 一种掘进机液压系统故障自诊断方法 |
Non-Patent Citations (1)
Title |
---|
安全阀失效模糊综合评价方法的研究;何世权;孟静华;李斌;;中国安全科学学报(第01期);第145-148页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112231352A (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022105266A1 (zh) | 电梯故障预测方法、系统、装置、计算机设备和存储介质 | |
CN104454785B (zh) | 一种工程机械液压缸故障诊断系统及与之适用的故障样本信号采集方法 | |
CN103870659B (zh) | 一种数控机床故障分析方法 | |
CN112231352B (zh) | 一种多路阀失效数据管理及失效模式自动诊断系统 | |
CN105825342A (zh) | 一种管道失效可能性评价方法及系统 | |
CN112817280A (zh) | 一种用于火电厂智慧监盘报警系统实现方法 | |
CN110929918A (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
CN105678481A (zh) | 一种基于随机森林模型的管线健康状态评估方法 | |
CN112990656B (zh) | 一种it设备监测数据的健康评价系统及健康评价方法 | |
CN106021545A (zh) | 用于车辆远程诊断与备件检索的方法 | |
CN103049365B (zh) | 信息与应用资源运行状态监控及评价方法 | |
CN110580492A (zh) | 一种基于小幅波动检测的轨道电路故障前兆发现方法 | |
CN117035513A (zh) | 一种智慧工业园区能源运行智能监测管理系统及方法 | |
CN110853744A (zh) | 一种大数据下医院质控管理系统 | |
CN113157732A (zh) | 一种基于pso-bp神经网络的地下铲运机故障诊断方法 | |
CN108446202B (zh) | 一种机房设备的安全状况的判断方法 | |
CN110415136B (zh) | 一种电力调度自动化系统服务能力评估系统与方法 | |
CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
CN114428775A (zh) | 油田实时数据质量监控处理方法及系统 | |
CN112084332A (zh) | 一种基于深度双向语言文本处理网络的违章分类方法 | |
CN116451056B (zh) | 端特征洞察方法、装置以及设备 | |
CN117560300B (zh) | 一种智能物联网流量预测与优化系统 | |
CN118014373B (zh) | 一种基于数据质量监测的风险识别模型及其构建方法 | |
Sun | Fault Diagnosis Design Mechanism of Communication System Based on Bayesian Networks | |
Meananeatra et al. | Modeling code analyzability at method level in j2ee applications |
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 |