CN112801199B - 挖掘机动臂寿命预测方法、装置、电子设备及存储介质 - Google Patents

挖掘机动臂寿命预测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112801199B
CN112801199B CN202110169043.2A CN202110169043A CN112801199B CN 112801199 B CN112801199 B CN 112801199B CN 202110169043 A CN202110169043 A CN 202110169043A CN 112801199 B CN112801199 B CN 112801199B
Authority
CN
China
Prior art keywords
excavator
movable arm
life prediction
life
vibration
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
CN202110169043.2A
Other languages
English (en)
Other versions
CN112801199A (zh
Inventor
艾贵辰
李春静
王志群
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.)
Shengjing Intelligent Technology Jiaxing Co ltd
Original Assignee
Shengjing Intelligent Technology Jiaxing 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 Shengjing Intelligent Technology Jiaxing Co ltd filed Critical Shengjing Intelligent Technology Jiaxing Co ltd
Priority to CN202110169043.2A priority Critical patent/CN112801199B/zh
Publication of CN112801199A publication Critical patent/CN112801199A/zh
Application granted granted Critical
Publication of CN112801199B publication Critical patent/CN112801199B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Component Parts Of Construction Machinery (AREA)

Abstract

本发明提供一种挖掘机动臂寿命预测方法、装置、电子设备及存储介质，其中方法包括：获取挖掘机动臂的振动信息；将所述振动信息输入至寿命预测模型，得到所述寿命预测模型输出的剩余寿命预测值；其中，所述寿命预测模型是基于样本挖掘机动臂的振动信息和样本挖掘机动臂的剩余寿命实际值训练得到的。本发明提供的方法、装置、电子设备及存储介质，可以对挖掘机动臂的剩余使用寿命进行预测，使得工程技术人员可以提前了解挖掘机动臂的使用状态，合理安排挖掘机的作业工期，以便及时对挖掘机动臂进行检修和维护，延长了挖掘机动臂的使用寿命。

Description

挖掘机动臂寿命预测方法、装置、电子设备及存储介质
技术领域
本发明涉及机械工程技术领域，尤其涉及一种挖掘机动臂寿命预测方法、装置、电子设备及存储介质。
背景技术
挖掘机动臂为挖掘机核心装置，斗杆和铲斗的动作都需要依托于动臂的稳定运行。大部分挖掘机工作环境恶劣，高强度工作也会导致动臂疲劳损耗加快，而且操作人员的误操作也会加速动臂的损伤。动臂发生的故障多为开裂，一旦动臂开裂将造成施工中断，还可能造成人员伤亡。一般而言，工程技术人员都希望挖掘机动臂具有更长的使用寿命。
如何对挖掘机动臂进行寿命预测是目前业界亟待解决的课题。
发明内容
本发明提供一种挖掘机动臂寿命预测方法、装置、电子设备及存储介质，用以实现对挖掘机动臂进行寿命预测。
本发明提供一种挖掘机动臂寿命预测方法，包括：
获取挖掘机动臂的振动信息；
将所述振动信息输入至寿命预测模型，得到所述寿命预测模型输出的剩余寿命预测值；
其中，所述寿命预测模型是基于样本挖掘机动臂的振动信息和样本挖掘机动臂的剩余寿命实际值训练得到的。
根据本发明提供的一种挖掘机动臂寿命预测方法，所述获取挖掘机动臂的振动信息，包括：
采集挖掘机动臂的至少一个轴向的原始振动信号；
对所述至少一个轴向的原始振动信号进行时域分析和/或频域分析，得到所述振动信息。
根据本发明提供的一种挖掘机动臂寿命预测方法，所述采集挖掘机动臂的至少一个轴向的原始振动信号，包括：
基于安装在所述挖掘机动臂末端的振动传感器，采集所述原始振动信号。
根据本发明提供的一种挖掘机动臂寿命预测方法，所述对所述至少一个轴向的原始振动信号进行频域分析，得到所述振动信息，包括：
对至少一个轴向的原始振动信号进行快速傅立叶变换，得到所述至少一个轴向的振动信息。
根据本发明提供的一种挖掘机动臂寿命预测方法，所述寿命预测模型是基于如下步骤确定的：
基于样本挖掘机动臂的任一轴向的振动信息，以及所述样本挖掘机动臂的剩余寿命实际值对初始模型进行训练，得到与所述任一轴向对应的寿命预测子模型；
对每一轴向对应的寿命预测子模型进行融合，得到所述寿命预测模型。
根据本发明提供的一种挖掘机动臂寿命预测方法，所述寿命预测模型与所述挖掘机的类型一一对应。
根据本发明提供的一种挖掘机动臂寿命预测方法，所述将所述振动信息输入至寿命预测模型，得到所述寿命预测模型输出的剩余寿命预测值，之后包括：
若所述剩余寿命预测值满足预设预警条件，则对所述挖掘机发出动臂故障预警信号。
本发明还提供一种挖掘机动臂寿命预测装置，包括：
获取单元，用于获取挖掘机动臂的振动信息；
预测单元，用于将所述振动信息输入至寿命预测模型，得到所述寿命预测模型输出的剩余寿命预测值；
其中，所述寿命预测模型是基于样本挖掘机动臂的振动信息和样本挖掘机动臂的剩余寿命实际值训练得到的。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述挖掘机动臂寿命预测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述挖掘机动臂寿命预测方法的步骤。
本发明提供的挖掘机动臂寿命预测方法、装置、电子设备及存储介质，根据样本挖掘机动臂的振动信息和样本挖掘机动臂的剩余寿命实际值训练得到寿命预测模型，寿命预测模型可以根据挖掘机动臂的振动信息得到挖掘机动臂的剩余寿命预测值，所得到的剩余寿命预测值可以对挖掘机动臂的剩余使用寿命进行预测，使得工程技术人员可以提前了解挖掘机动臂的使用状态，合理安排挖掘机的作业工期，以便及时对挖掘机动臂进行检修和维护，延长了挖掘机动臂的使用寿命。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本发明提供的挖掘机动臂寿命预测方法的流程示意图；
图2为本发明提供的挖掘机动臂寿命预测和故障预警方法的流程示意图；
图3为本发明提供的挖掘机动臂寿命预测装置的结构示意图；
图4为本发明提供的电子设备的结构示意图。
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作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。
挖掘机，又称挖掘机械或者挖土机，是用铲斗挖掘高于或低于承机面的物料，并装入运输车辆或卸至堆料场的工程机械。动臂、斗杆是指挖掘机的工作装置，通常也叫大臂、小臂，主要作用是用来支配铲斗的挖掘、装车等动作。动臂与机架相连，较长，所以俗称为大臂；斗杆与铲斗相连，较小，所以俗称为小臂。
图1为本发明提供的挖掘机动臂寿命预测方法的流程示意图，如图1所示，该方法包括：
步骤110，获取挖掘机动臂的振动信息。
具体地，挖掘机动臂为挖掘机的核心装置。斗杆和铲斗的动作都需要依托于动臂的稳定运行。动臂不是实心的，而是采用箱型结构，即截面是由4块钢板焊接成的矩形。高强度的挖掘工作使得挖掘机动臂疲劳损耗加快。当动臂损耗过度时，通常会出现开裂等现象，使得动臂报废，使用寿命终结。振动强度用于衡量挖掘机动臂在工作过程中振动强烈程度。振动强度越大，挖掘机动臂的疲劳损耗程度越大，设备健康状态越差；振动强度越小，挖掘机动臂的疲劳损耗程度越小，设备健康状态越好。
振动信息可以用于计算挖掘机动臂的振动强度。因此，可以通过获取挖掘机动臂的振动信息来对挖掘机动臂的设备健康状态进行预测。
振动信息用于表征挖掘机动臂的振动强度。振动信息可以包括振动位移、振动速度、振动加速度、振动频率和振动持续时间等。振动位置反映了挖掘机动臂的振动幅度大小，振动速度反映了挖掘机动臂振动能量的大小，振动加速度反映了挖掘机动臂所承受的冲击力大小，振动频率反映了挖掘机动臂的振动快慢，振动持续时间反映了挖掘机动臂处于振动状态的时间。振动信息还可以为振动时域信息或者振动频域信息等。
例如，在低频范围内，振动强度与振动位移成正比；在中频范围内，振动强度与振动速度成正比；在高频范围内，振动强度与振动加速度成正比。
步骤120，将振动信息输入至寿命预测模型，得到寿命预测模型输出的剩余寿命预测值；其中，寿命预测模型是基于样本挖掘机动臂的振动信息和样本挖掘机动臂的剩余寿命实际值训练得到的。
具体地，剩余寿命是指挖掘机动臂从当前使用状态到完全不能使用状态的时间。一般地，剩余寿命的长短与挖掘机动臂工作时所承受的振动强度成反比关系。动臂的振动强度越大，则剩余寿命越短，动臂的振动强度越小，则剩余寿命越长。
可以将挖掘机动臂的振动信息输入至寿命预测模型，对挖掘机动臂的剩余寿命进行预测，得到剩余寿命预测值。剩余寿命预测值用于衡量挖掘机动臂的剩余使用时间的长短，可以为挖掘机的维修和保养提供参考依据。
可以预先训练得到寿命预测模型，具体可以通过如下训练方式得到寿命预测模型：首先，收集大量的样本挖掘机动臂的振动信息。其次，采用人工方式对每一样本挖掘机动臂的使用状态进行检测，确定每一样本挖掘机动臂的剩余寿命实际值。随即，根据大量的样本挖掘机动臂的振动信息，以及每一样本挖掘机动臂的剩余寿命实际值对初始模型进行训练，以提高初始模型对于挖掘机动臂的剩余寿命的预测能力，得到寿命预测模型。
初始模型可以选择卷积神经网络(Convolutional Neural Networks，CNN)、全卷积神经网络(Fully Convolutional Networks，FCN)和循环神经网络(Recurrent NeuralNetwork，RNN)等，本发明实施例对于初始模型的选择不作具体限定。
还可以将振动强度与振动持续时间的乘积作为挖掘机动臂的寿命消耗值，将挖掘机动臂的预期使用寿命与寿命消耗值之间的差值作为剩余寿命预测值，据此关系建立寿命预测模型。收集大量的样本挖掘机动臂的振动信息，以及每一样本挖掘机动臂的剩余寿命实际值，对寿命预测模型进行拟合。数据拟合的方法包括最小二乘法等。
还可以采用统计学方法，对大量的样本挖掘机动臂的振动信息，以及每一样本挖掘机动臂的剩余寿命实际值进行统计，得到寿命预测模型，统计学方法包括感知机、k近邻法、朴素贝叶斯法、决策树和支持向量机等方法。
本发明实施例提供的挖掘机动臂寿命预测方法，根据样本挖掘机动臂的振动信息和样本挖掘机动臂的剩余寿命实际值训练得到寿命预测模型，寿命预测模型可以根据挖掘机动臂的振动信息得到挖掘机动臂的剩余寿命预测值，所得到的剩余寿命预测值可以对挖掘机动臂的剩余使用寿命进行预测，使得工程技术人员可以提前了解挖掘机动臂的使用状态，合理安排挖掘机的作业工期，以便及时对挖掘机动臂进行检修和维护，延长了挖掘机动臂的使用寿命。
基于上述实施例，步骤110包括：
采集挖掘机动臂的至少一个轴向的原始振动信号；
对至少一个轴向的原始振动信号进行时域分析和/或频域分析，得到振动信息。
具体地，例如，可以以动臂和斗杆所在的方向为X轴，以驾驶室相对与动臂的方向为Y轴，以回转平台所在水平面的垂直方向建立Z轴，三个轴向相互垂直。当挖掘机动臂工作时，分别采集挖掘机动臂在三个轴向上的原始振动信号。
原始振动信号包括位移、速度和加速度等，由于在通常的频率范围内振动位移幅值很小，且位移、速度和加速度之间都可以相互转换，因此在实际使用中振动量的大小一般用加速度的值来度量。常用单位为：米/秒2(m/s2)，或重力加速度(g)。
此处的振动信息可以为原始振动信号经过处理后得到的时域信息和频域信息等。
例如，可以根据预设时间内采集得到原始振动信号进行时域分析，得到振动时域信息。振动时域信息的连续信号长度可以根据预设时间确定。可以将预设时间设置为1分钟或者1小时等。
又例如，可以对原始振动信号进行频域变换，得到振动频域信息。对振动频域信息进行分析，可以得到振动频域信息中的各个频点，将各个频点的频率分布与挖掘机正常运行时的动臂的频谱进行对比，可以确定挖掘机动臂在当前工作状态下的异常频点，从而对挖掘机动臂进行故障诊断和预警。
本发明实施例提供的挖掘机动臂寿命预测方法，对挖掘机动臂的至少一个轴向的原始振动信号进行时域分析和/或频域分析，得到振动信息，提高了对挖掘机动臂的原始振动信号的利用率。
基于上述任一实施例，采集挖掘机动臂的至少一个轴向的原始振动信号，包括：
基于安装在挖掘机动臂末端的振动传感器，采集原始振动信号。
具体地，此处的振动传感器可以为三个单轴振动传感器的组合，也可以为一体化的三轴振动传感器。三轴振动传感器主要用于三个轴向的振动速度和加速度的监测。可以采用三轴振动传感器对挖掘机动臂的原始振动信号进行采集。
对于振动传感器的安装位置，一般可以实际情况进行选择。例如，可以将振动传感器安装在挖掘机动臂末端、挖掘机动臂中部或者挖掘机动臂根部。一般地，动臂与挖掘机回转平台连接的部位为根部，与斗杆连接的部位为末端。
振动传感器的设置数量可以根据实际情况进行选择。可以在一个安装位置至少三个单轴振动传感器，也可以在多个安装位置设置各设置一个三轴振动传感器。
例如，挖掘机动臂末端的振动幅度较大，因此，可以将三轴振动传感器优先安装在挖掘机动臂末端。
本发明实施例提供的挖掘机动臂寿命预测方法，通过安装在挖掘机动臂末端的振动传感器采集原始振动信号，提高了原始振动信号的准确度。
基于上述任一实施例，对至少一个轴向的原始振动信号进行频域分析，得到振动信息，包括：
对至少一个轴向的原始振动信号进行快速傅立叶变换，得到至少一个轴向的振动信息。
具体地，傅立叶变换能将满足一定条件的某个函数表示成三角函数(正弦和/或余弦函数)或者它们的积分的线性组合。在不同的研究领域，傅立叶变换具有多种不同的变体形式，如连续傅立叶变换和离散傅立叶变换。
快速傅里叶变换(fast Fourier transform)，是利用计算机计算离散傅里叶变换(DFT)的高效、快速计算方法的统称，简称FFT。采用这种算法能使计算机计算离散傅里叶变换所需要的乘法次数大为减少，特别是被变换的抽样点数越多，FFT算法计算量的节省就越显著。
因此，将至少一个轴向的原始振动信号进行频域分析时，可以采用快速傅立叶变换，得到原始振动信号对应的振动信息，此处振动信息为原始振动信号对应的频域信息。
基于上述任一实施例，寿命预测模型是基于如下步骤确定的：
基于样本挖掘机动臂的任一轴向的振动信息，以及样本挖掘机动臂的剩余寿命实际值对初始模型进行训练，得到与该轴向对应的寿命预测子模型；
对每一轴向对应的寿命预测子模型进行融合，得到寿命预测模型。
具体地，寿命预测模型可以根据三个轴向中的任意一轴、任意两轴或者三轴的振动信息对挖掘机动臂的剩余寿命进行预测。
根据样本挖掘机动臂的任一轴向的振动信息，以及样本挖掘机动臂的剩余寿命实际值对初始模型进行训练，得到与该轴向对应的寿命预测子模型。初始模型可以选择为神经网络模型，也可以选择为线性函数，本发明实施例对此不作具体限定。
在得到三个轴向分别对应的寿命预测子模型后，可以对寿命预测子模型进行模型融合。
模型融合为训练多个模型，按照一定的方法对多个模型进行融合成一个模型。模型融合的方法包括线性加权融合法、交叉融合法、瀑布融合法、特征融合法和预测融合法等。
本发明实施例提供的挖掘机动臂寿命预测方法，通过对每一轴向的寿命预测子模型进行融合，能够充分地利用各个寿命预测子模型的优点，提高寿命预测模型对不同轴向的振动信息的分析能力，提高寿命预测模型的整体性能。
基于上述任一实施例，寿命预测模型与挖掘机的类型一一对应。
具体地，挖掘机已经成为工程建设中最主要的作业机械之一，其种类繁多，且大小不一。
常见的挖掘机按驱动方式有内燃机驱动挖掘机和电力驱动挖掘机两种。其中电动挖掘机主要应用在高原缺氧与地下矿井和其它一些易燃易爆的场所。按照规模大小的不同，挖掘机可以分为大型挖掘机、中型挖掘机和小型挖掘机。按照行走方式的不同，挖掘机可分为履带式挖掘机和轮式挖掘机。按照传动方式的不同，挖掘机可分为液压挖掘机和机械挖掘机。机械挖掘机主要用在一些大型矿山上。按照用途来分，挖掘机又可以分为通用挖掘机，矿用挖掘机，船用挖掘机，特种挖掘机等不同的类别。按照铲斗来分，挖掘机又可以分为正铲挖掘机、反铲挖掘机、拉铲挖掘机和抓铲挖掘机。正铲挖掘机多用于挖掘地表以上的物料，反铲挖掘机多用于挖掘地表以下的物料。
因此，在建立挖掘机动臂的寿命预测模型时，可以将寿命预测模型与挖掘机的类型一一对应起来，使用与挖掘机相同类型的样本数据对寿命预测模型进行训练，能够提高寿命预测模型的准确度。
基于上述任一实施例，步骤120之后包括：
若剩余寿命预测值满足预设预警条件，则对挖掘机发出动臂故障预警信号。
具体地，预设预警条件用于衡量挖掘机动臂的剩余寿命预测值是否超越正常使用范围。若剩余寿命预测值满足预设预警条件，则表明挖掘机动臂处于工作异常状态，则发出动臂故障预警信号，以提示工程技术人员及时进行检修，或者改进施工方法，避免挖掘机动臂工作在异常状态或者超负荷状态。
预设预警条件可以根据实际情况进行设置，例如，预设预警条件可以为剩余寿命预测值小于正常使用寿命的一半，也可以为剩余寿命预测值小于100小时等。
基于上述实施例，图2为本发明提供的挖掘机动臂寿命预测和故障预警方法的流程示意图，如图2所示，该方法包括：
步骤一、采集挖掘机动臂相互垂直的三轴振动信号；
步骤二、对每一轴的振动信号选取一定长度进行快速傅里叶变换，得到每一轴的振动信息；
步骤三、将任意一轴、任意两轴或者三轴的振动信息输入模型，进行寿命预测，得到剩余寿命预测值，该模型是根据大量的样本挖掘机动臂的振动信息和剩余寿命实际值确定的；
步骤四、将得到的剩余寿命预测值与预先设定的阈值进行比较，如果剩余寿命预测值超出了阈值，则确定故障预警结果，对该挖掘机动臂进行故障预警；
步骤五、对故障预警结果进行评判，并根据评判结果对模型进行参数优化。
本发明实施例提供的挖掘机动臂寿命预测和故障预警方法，通过挖掘机动臂三轴振动信息，计算挖掘机动臂的剩余寿命预测值，进而进行故障预警。较传统方法的事后维修相比，可以提前了解动臂健康状态合理安排工期以及更换动臂时间。
基于上述任一实施例，图3为本发明提供的挖掘机动臂寿命预测装置的结构示意图，如图3所示，该装置包括：
获取单元310，用于获取挖掘机动臂的振动信息；
预测单元320，用于将振动信息输入至寿命预测模型，得到寿命预测模型输出的剩余寿命预测值；其中，寿命预测模型是基于样本挖掘机动臂的振动信息和样本挖掘机动臂的剩余寿命实际值训练得到的。
具体地，获取单元310用于获取挖掘机动臂的振动信息。预测单元320用于将振动信息输入至寿命预测模型，得到寿命预测模型输出的剩余寿命预测值。
本发明实施例提供的挖掘机动臂寿命预测装置，根据样本挖掘机动臂的振动信息和样本挖掘机动臂的剩余寿命实际值训练得到寿命预测模型，寿命预测模型可以根据挖掘机动臂的振动信息得到挖掘机动臂的剩余寿命预测值，所得到的剩余寿命预测值可以对挖掘机动臂的剩余使用寿命进行预测，使得工程技术人员可以提前了解挖掘机动臂的使用状态，合理安排挖掘机的作业工期，以便及时对挖掘机动臂进行检修和维护，延长了挖掘机动臂的使用寿命。
基于上述任一实施例，获取单元310包括：
采集子单元，用于采集挖掘机动臂的至少一个轴向的原始振动信号；
分析子单元，用于对至少一个轴向的原始振动信号进行时域分析和/或频域分析，得到振动信息。
基于上述任一实施例，采集子单元具体用于：
基于安装在挖掘机动臂末端的振动传感器，采集原始振动信号。
基于上述任一实施例，分析子单元具体用于：
对至少一个轴向的原始振动信号进行快速傅立叶变换，得到至少一个轴向的振动信息。
基于上述任一实施例，寿命预测模型是基于如下步骤确定的：
基于样本挖掘机动臂的任一轴向的振动信息，以及样本挖掘机动臂的剩余寿命实际值对初始模型进行训练，得到与任一轴向对应的寿命预测子模型；
对每一轴向对应的寿命预测子模型进行融合，得到寿命预测模型。
基于上述任一实施例，寿命预测模型与挖掘机的类型一一对应。
基于上述任一实施例，该装置还包括：
预警单元，用于若剩余寿命预测值满足预设预警条件，则对挖掘机发出动臂故障预警信号。
基于上述任一实施例，图4为本发明提供的电子设备的结构示意图，如图4所示，该电子设备可以包括：处理器(Processor)410、通信接口(Communications Interface)420、存储器(Memory)430和通信总线(Communications Bus)440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑命令，以执行如下方法：
获取挖掘机动臂的振动信息；将振动信息输入至寿命预测模型，得到寿命预测模型输出的剩余寿命预测值；其中，寿命预测模型是基于样本挖掘机动臂的振动信息和样本挖掘机动臂的剩余寿命实际值训练得到的。
此外，上述的存储器430中的逻辑命令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干命令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例提供的电子设备中的处理器可以调用存储器中的逻辑指令，实现上述方法，其具体的实施方式与前述方法实施方式一致，且可以达到相同的有益效果，此处不再赘述。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的方法，例如包括：
获取挖掘机动臂的振动信息；将振动信息输入至寿命预测模型，得到寿命预测模型输出的剩余寿命预测值；其中，寿命预测模型是基于样本挖掘机动臂的振动信息和样本挖掘机动臂的剩余寿命实际值训练得到的。
本发明实施例提供的非暂态计算机可读存储介质上存储的计算机程序被执行时，实现上述方法，其具体的实施方式与前述方法实施方式一致，且可以达到相同的有益效果，此处不再赘述。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干命令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上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精神和范围。

Claims (8)

1.一种挖掘机动臂寿命预测方法，其特征在于，包括：
获取挖掘机动臂的振动信息；
将所述振动信息输入至寿命预测模型，得到所述寿命预测模型输出的剩余寿命预测值；
其中，所述寿命预测模型是基于样本挖掘机动臂的振动信息和样本挖掘机动臂的剩余寿命实际值训练得到的；
所述获取挖掘机动臂的振动信息，包括：
采集挖掘机动臂的至少一个轴向的原始振动信号；
对所述至少一个轴向的原始振动信号进行时域分析和/或频域分析，得到所述振动信息；
所述寿命预测模型是基于如下步骤确定的：
基于样本挖掘机动臂的任一轴向的振动信息，以及所述样本挖掘机动臂的剩余寿命实际值对初始模型进行训练，得到与所述任一轴向对应的寿命预测子模型；
对每一轴向对应的寿命预测子模型进行融合，得到所述寿命预测模型。
2.根据权利要求1所述的挖掘机动臂寿命预测方法，其特征在于，所述采集挖掘机动臂的至少一个轴向的原始振动信号，包括：
基于安装在所述挖掘机动臂末端的振动传感器，采集所述原始振动信号。
3.根据权利要求1所述的挖掘机动臂寿命预测方法，其特征在于，所述对所述至少一个轴向的原始振动信号进行频域分析，得到所述振动信息，包括：
对至少一个轴向的原始振动信号进行快速傅立叶变换，得到所述至少一个轴向的振动信息。
4.根据权利要求1至3任一项所述的挖掘机动臂寿命预测方法，其特征在于，所述寿命预测模型与所述挖掘机的类型一一对应。
5.根据权利要求1至3任一项所述的挖掘机动臂寿命预测方法，其特征在于，所述将所述振动信息输入至寿命预测模型，得到所述寿命预测模型输出的剩余寿命预测值，之后包括：
若所述剩余寿命预测值满足预设预警条件，则对所述挖掘机发出动臂故障预警信号。
6.一种挖掘机动臂寿命预测装置，其特征在于，包括：
获取单元，用于获取挖掘机动臂的振动信息；
预测单元，用于将所述振动信息输入至寿命预测模型，得到所述寿命预测模型输出的剩余寿命预测值；
其中，所述寿命预测模型是基于样本挖掘机动臂的振动信息和样本挖掘机动臂的剩余寿命实际值训练得到的；
所述获取单元包括：
采集子单元，用于采集挖掘机动臂的至少一个轴向的原始振动信号；
分析子单元，用于对所述至少一个轴向的原始振动信号进行时域分析和/或频域分析，得到所述振动信息；
所述寿命预测模型是基于如下步骤确定的：
基于样本挖掘机动臂的任一轴向的振动信息，以及所述样本挖掘机动臂的剩余寿命实际值对初始模型进行训练，得到与所述任一轴向对应的寿命预测子模型；
对每一轴向对应的寿命预测子模型进行融合，得到所述寿命预测模型。
7.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述挖掘机动臂寿命预测方法的步骤。
8.一种非暂态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5任一项所述挖掘机动臂寿命预测方法的步骤。
CN202110169043.2A 2021-02-07 2021-02-07 挖掘机动臂寿命预测方法、装置、电子设备及存储介质 Active CN112801199B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110169043.2A CN112801199B (zh) 2021-02-07 2021-02-07 挖掘机动臂寿命预测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110169043.2A CN112801199B (zh) 2021-02-07 2021-02-07 挖掘机动臂寿命预测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN112801199A CN112801199A (zh) 2021-05-14
CN112801199B true CN112801199B (zh) 2023-06-16

Family

ID=75814758

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110169043.2A Active CN112801199B (zh) 2021-02-07 2021-02-07 挖掘机动臂寿命预测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112801199B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114440284A (zh) * 2022-03-21 2022-05-06 杭州老板电器股份有限公司 一种中央吸油烟机系统及其控制方法和控制装置
CN114781762B (zh) * 2022-06-21 2022-09-23 四川观想科技股份有限公司 一种基于寿命消耗的装备故障预测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102402727A (zh) * 2011-11-10 2012-04-04 中联重科股份有限公司 工程机械的部件剩余寿命预测系统及方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
PL3309529T3 (pl) * 2016-10-11 2022-06-13 Abb Schweiz Ag Przewidywanie pozostałej użytecznej żywotności łożysk
CN110119789A (zh) * 2019-05-28 2019-08-13 湃方科技(北京)有限责任公司 一种旋转型机械设备启停判断方法及系统
CN111090944B (zh) * 2019-12-19 2023-07-21 三一重机有限公司 挖掘机工作装置的疲劳预测分析方法、装置及计算机设备
CN112231902A (zh) * 2020-10-13 2021-01-15 三一重机有限公司 挖掘机工作装置的寿命分析方法和装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102402727A (zh) * 2011-11-10 2012-04-04 中联重科股份有限公司 工程机械的部件剩余寿命预测系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
挖掘机故障诊断方法研究;gfdhhfh;《https://www.wenmi.com/article/pvcg4k055ech.html》;第1-2页 *

Also Published As

Publication number Publication date
CN112801199A (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
CN111435557B (zh) 用于检测机器部件问题的故障检测装置
CN112801199B (zh) 挖掘机动臂寿命预测方法、装置、电子设备及存储介质
US7689394B2 (en) System and method for remotely analyzing machine performance
JP5887405B2 (ja) 作業機械の応力演算システム
US11680388B2 (en) System and method for collecting operational vibration data for a mining machine
CN105275043A (zh) 挖土机支援装置
CN202347549U (zh) 挖掘机的工作姿态的测量单元、防倾翻装置和挖掘机
WO2023040400A1 (zh) 一种挖掘机故障的预测方法、装置、电子设备及存储介质
WO2016044249A1 (en) Machine operation classifier
CN111435464A (zh) 用于检测和识别机器行为的目标测试和机器学习系统
CN111080015A (zh) 盾构设备及其实时寿命的预测系统和预测方法
CN111091310A (zh) 挖掘设备健康监测系统及方法
CN111311872A (zh) 一种船体结构应力长期监测报警系统
CN113508282B (zh) 工程机械的履带张力监测方法及系统
CN117703883A (zh) 液压系统的性能监控方法、装置和系统
CN113340601B (zh) 发动机掉速检测方法及装置
CN113006191B (zh) 一种挖掘机、挖掘机的操作控制方法、装置及存储介质
CN114580282A (zh) 工程机械寿命确定方法、装置、设备及存储介质
CN118036251A (zh) 一种海洋结构物结构健康状态监测评估方法及系统
Chen et al. Big Data Analysis Method of Random Stress Spectrum for Crane Equipment
Roquet Fernández et al. Hydraulic components fatigue assessment based on real-life load histories.
CN114418238A (zh) 油温异常预测方法、装置及作业机械
CN114048876A (zh) 螺杆采样机检测分析方法、系统、设备及存储介质
CN117309396A (zh) 一种基于自编码器的球磨机轴承故障预测方法和系统
KR20230134578A (ko) 성능 진단 장치, 성능 진단 방법

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230116

Address after: 314506 room 116, building 4, No. 288, development avenue, Tongxiang Economic Development Zone, Tongxiang City, Jiaxing City, Zhejiang Province

Applicant after: Shengjing Intelligent Technology (Jiaxing) Co.,Ltd.

Address before: 102206 5th floor, building 6, 8 Beiqing Road, Changping District, Beijing

Applicant before: SANY HEAVY INDUSTRY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant