CN112819083A - 液压泵故障预测方法、装置、电子设备及存储介质 - Google Patents

液压泵故障预测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112819083A
CN112819083A CN202110180074.8A CN202110180074A CN112819083A CN 112819083 A CN112819083 A CN 112819083A CN 202110180074 A CN202110180074 A CN 202110180074A CN 112819083 A CN112819083 A CN 112819083A
Authority
CN
China
Prior art keywords
hydraulic pump
characteristic data
vibration
data
fault
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.)
Granted
Application number
CN202110180074.8A
Other languages
English (en)
Other versions
CN112819083B (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
Sany Heavy Industry 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 Sany Heavy Industry Co Ltd filed Critical Sany Heavy Industry Co Ltd
Priority to CN202110180074.8A priority Critical patent/CN112819083B/zh
Publication of CN112819083A publication Critical patent/CN112819083A/zh
Application granted granted Critical
Publication of CN112819083B publication Critical patent/CN112819083B/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
    • G06F18/24—Classification techniques
    • 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
    • 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
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Mechanical Engineering (AREA)
  • Control Of Positive-Displacement Pumps (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供一种液压泵故障预测方法、装置、电子设备及存储介质，其中，该方法包括：根据液压泵的三轴振动数据，获取液压泵的振动特征数据；根据液压泵的振动特征数据，获取液压泵的故障预测结果；其中，振动特征数据包括时域特征数据和频域特征数据。本发明实施例提供的液压泵故障预测方法、装置、电子设备及存储介质，通过将基于液压泵的三轴振动数据获取的液压泵的振动特征数据作为特征，通过对液压泵的振动特征数据进行分析，获取故障预测结果，能在故障发生前预测未来可能发生的故障，使得工程技术人员能提前获知液压泵的使用状态以及可能发生的故障，合理安排液压泵的作业工期，以便及时对液压泵进行检修和维护，延长了液压泵的使用寿命。

Description

液压泵故障预测方法、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，尤其涉及一种液压泵故障预测方法、装置、电子设备及存储介质。
背景技术
液压泵是液压系统的动力元件，是靠发动机或电动机驱动，从液压油箱中吸入油液，形成压力油排出，送到执行元件的一种元件。液压泵的健康状态直接影响整台作业机械的装作效率。
现有技术中，通常采用温度或者压力信号等对液压泵进行故障检测，上述信号体现的都是在液压泵已经发生故障之后的状态参数，只能用于事后维修，无法实现事前预警，从而错过故障排除的有利时机。
发明内容
本发明提供一种液压泵故障预测方法、装置、电子设备及存储介质，用以解决现有技术中的故障检测方法只能用于事后维修，无法实现事前预警的技术问题。
本发明提供一种液压泵故障预测方法，包括：
根据液压泵的三轴振动数据，获取所述液压泵的振动特征数据；
根据所述液压泵的振动特征数据，获取所述液压泵的故障预测结果；
其中，所述振动特征数据包括时域特征数据和频域特征数据。
根据本发明提供的一种液压泵故障预测方法，所述根据液压泵的三轴振动数据，获取所述液压泵的振动特征数据的具体步骤包括：
分别将每一轴的振动数据进行时频变换，获取所述每一轴的频域数据；
根据所述三轴振动数据，获取所述时域特征数据，并根据三轴的所述频域数据，获取所述频域特征数据。
根据本发明提供的一种液压泵故障预测方法，所述根据所述三轴振动数据，获取所述时域特征数据，并根据三轴的所述频域数据，获取所述频域特征数据的具体步骤包括：
对所述三轴振动数据进行统计分析，获取所述时域特征数据，并对所述三轴的所述频域数据进行统计分析，获取所述频域特征数据。
根据本发明提供的一种液压泵故障预测方法，所述根据所述液压泵的振动特征数据，获取所述液压泵的故障预测结果的具体步骤包括：
将所述液压泵的振动特征数据与预设的特征阈值进行比较，获取所述液压泵的故障预测结果。
根据本发明提供的一种液压泵故障预测方法，所述根据所述液压泵的振动特征数据，获取所述液压泵的故障预测结果的具体步骤包括：
将所述液压泵的振动特征数据与预设的特征阈值进行比较，获取所述液压泵的健康度；
将所述液压泵的健康度与预设的健康度阈值进行比较，获取所述液压泵的故障预测结果。
根据本发明提供的一种液压泵故障预测方法，所述根据所述液压泵的振动特征数据，获取所述液压泵的故障预测结果的具体步骤包括：
将所述液压泵的振动特征数据输入至故障预测模型，获取所述故障预测模型输出的故障预测结果；
其中，所述故障预测模型是基于样本液压泵的振动特征数据和样本液压泵的故障检测结果进行训练得到的。
根据本发明提供的一种液压泵故障预测方法，所述根据所述液压泵的振动特征数据，获取所述液压泵的故障预测结果的具体步骤包括：
将所述液压泵的振动特征数据输入至健康度评估模型，获取所述健康度评估模型输出的健康度评估结果；
将所述健康度评估结果与预设的健康度阈值进行比较，获取所述液压泵的故障预测结果；
其中，所述健康度评估模型是基于样本液压泵的振动特征数据和样本液压泵的健康度进行训练得到的。
本发明还提供一种液压泵故障预测装置，包括：
获取模块，用于根据液压泵的三轴振动数据，获取所述液压泵的振动特征数据；
预测模块，用于根据所述液压泵的振动特征数据，获取所述液压泵的故障预测结果；
其中，所述振动特征数据包括时域特征数据和频域特征数据。
本发明还提供一种电子设备，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，所述处理器执行所述计算机程序时实现如上述任一种所述液压泵故障预测方法的步骤。
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，所述计算机程序被处理器执行时实现如上述任一种所述液压泵故障预测方法的步骤。
本发明提供的液压泵故障预测方法、装置、电子设备及存储介质，通过将基于液压泵的三轴振动数据获取的液压泵的振动特征数据作为特征，通过对液压泵的振动特征数据进行分析，获取故障预测结果，能在故障发生前预测未来可能发生的故障，使得工程技术人员能提前获知液压泵的使用状态以及可能发生的故障，合理安排液压泵的作业工期，以便及时对液压泵进行检修和维护，延长了液压泵的使用寿命。
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是本发明提供的液压泵故障预测方法的流程示意图；
图2为本发明提供的挖掘机液压泵故障预测方法的流程示意图；
图3是本发明提供的液压泵故障预测装置的结构示意图；
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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。
在本发明实施例的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明实施例的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性，且不涉及顺序。
在本发明实施例的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明实施例中的具体含义。
为了克服现有技术的上述问题，本发明提供一种液压泵故障预测方法、装置、电子设备及存储介质，其发明构思是，基于液压泵的三轴振动数据，对液压泵是否存在故障进行预测，从而能及时进行故障预警，较传统方法的事后维修相比，可以在故障前期对液压泵进行保养维护，延长设备使用寿命。
液压泵是液压系统的动力元件，是靠发动机或电动机驱动，从液压油箱中吸入油液，形成压力油排出，送到执行元件的一种元件。液压泵按结构分为齿轮泵、柱塞泵、叶片泵和螺杆泵。对于作业机械而言，液压泵是重要的动力来源。它的功能是把动力机的机械能转换成液体的压力能。影响液压泵的使用寿命因素很多，除了泵自身设计、制造因素外，还包括作业机械的运行状态。
运行过程中，液压泵的常见故障有油管堵塞、噪声过大、液压油泄露和液压泵发热等。
挖掘机的液压系统就是按照挖掘机工作装置和各个机构的传动要求，把各种液压元件用管路有机地连接起来的组合体。主要包含了液压油箱、液压泵、多路阀、各管路及执行各动作的油缸、马达等部件。其功能是以油液为工作介质，利用液压泵将发动机的机械能转变为液压能并进行传送，然后通过液压缸和液压马达等将液压能转返为机械能，实现挖掘机的各种动作。因此，液压泵为挖掘机的核心装置。本发明实施例以挖掘机液压泵为例对液压泵故障预测方法进行说明。
图1是本发明提供的一种液压泵故障预测方法的流程示意图。下面结合图1描述本发明实施例的液压泵故障预测方法。如图1所示，该方法包括：步骤101、根据液压泵的三轴振动数据，获取液压泵的振动特征数据。
其中，振动特征数据包括时域特征数据和频域特征数据。
具体地，可以通过安装在液压泵上的三轴振动传感器采集挖掘机运行过程中液压泵运行时的原始振动数据。
原始振动数据包括互相垂直的三个方向的振动数据。每个方向为一个轴。
优选地，上述三个方向，可以包括水平面上互相垂直的两个方向(x轴方向和y轴方向)和竖直方向(z轴方向)。水平面上互相垂直的两个方向，可以为液压泵的正视方向和左视方向。
基于预设的时长，截取预设的时长的原始振动数据，可以获得液压泵的三轴振动数据。
预设的时长，可以根据实际情况进行设置。对于该时长的具体值，本发明实施例不进行限定。
具体可以预先设定原始振动数据的采样频率，基于该采样频率获得原始振动数据；根据预设的采样点个数n，选择连续n个采样点的原始振动数据，作为液压泵的三轴振动数据。
可以理解的是，连续n个采样点形成的时长，即预设的时长。
为了便于进行时频变换，n可以为2的正整数次幂。
例如，原始振动数据的采样频率为51.2k，采样点个数n可以为16384或32768。
获取三轴振动数据之后，可以采用统计学方法、时频变换方法和机器学习方法等(例如人工神经网络)中的任一种或任意多种的组合，对三轴振动数据中至少一轴的振动数据进行处理，得到振动特征数据。
振动特征数据可以包括至少一个轴的时域特征数据和频域特征数据。振动特征数据可以由某一轴的时域特征数据和频域特征数据构成，也可以由某两个轴的时域特征数据和频域特征数据构成，还可以由三个轴的时域特征数据和频域特征数据构成。
某一轴的时域特征数据和频域特征数据，是根据三轴振动数据中该轴的振动数据获取的。
时域特征数据，可以包括各采样点的振幅的最大值、平均值、方差、标准差和波动范围，以及能量等中的至少一个。
频域特征数据，可以包括目标频点的幅值和特征频点的信息等中的至少一个。
目标频点为预设的频率。目标频点的数量可以为一个或多个。
例如，目标频点的频率至为2kHz。
特征频点，一般为频谱中峰值对应的频点。
步骤102、根据液压泵的振动特征数据，获取液压泵的故障预测结果。
具体地，可以采用统计学方法和机器学习方法等(例如人工神经网络)中的任一种或任意多种的组合，对液压泵的振动特征数据进行处理，获取液压泵的故障预测结果。
统计学方法，可以包括感知机、k近邻法、朴素贝叶斯法、决策树和支持向量机等方法。
故障预测结果，可以指是否存在故障，也可以指液压泵可能出现的故障类型，例如进油管堵塞、出油管堵塞、油液泄露、油量不足、油压过低和齿轮摩擦等。
故障预测结果，可以为液压泵的维修和保养提供参考依据。
一般地，每一种故障类型对应的振动特征数据的特征都是完全不同的。例如，液压泵出现齿轮摩擦时，某一轴的平均振幅会显著增大。
本发明实施例通过将基于液压泵的三轴振动数据获取的液压泵的振动特征数据作为特征，通过对液压泵的振动特征数据进行分析，获取故障预测结果，能在故障发生前预测未来可能发生的故障，使得工程技术人员能提前获知液压泵的使用状态以及可能发生的故障，合理安排液压泵的作业工期，以便及时对液压泵进行检修和维护，延长了液压泵的使用寿命。
基于上述任一实施例的内容，根据液压泵的三轴振动数据，获取液压泵的振动特征数据的具体步骤包括：分别将每一轴的振动数据进行时频变换，获取每一轴的频域数据。
具体地，对于三轴振动数据中每一轴的振动数据，可以采用快速傅里叶变换(FFT，fast Fourier transform)等时频变换方法，对该轴的振动数据进行时频变换，获得该轴的频域数据。
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。
根据三轴振动数据，获取时域特征数据，并根据三轴的频域数据，获取频域特征数据。
具体地，可以基于三轴振动数据，根据预先确定的时域特征指标，获取对应的若干个轴的振动数据中上述时域特征指标的值，作为时域特征数据。
可以基于上述三个轴的频域数据，根据预先确定的频域特征指标，获取对应的若干个轴的频域数据中上述频域特征指标的值，作为频域特征数据。
本发明实施例通过三轴振动数据，获取时域特征数据，并根据对每一轴的振动数据进行时频变换，获得的频域数据，获取频域特征数据，能获取更合适的振动特征数据，从而能基于振动特征数据获得更准确的故障预测结果。
基于上述任一实施例的内容，根据三轴振动数据，获取时域特征数据，并根据三轴的频域数据，获取频域特征数据的具体步骤包括：对三轴振动数据进行统计分析，获取时域特征数据，并对三轴的频域数据进行统计分析，获取频域特征数据。
具体地，对应的若干个轴的振动数据中上述时域特征指标的值，可以通过统计学方法获取。
对应的若干个轴的频域数据中上述频域特征指标的值，也可以通过统计学方法获取。
本发明实施例中，统计学方法可以为数理统计方法。
本发明实施例通过对三轴振动数据和三轴的频域数据进行统计分析，获取液压泵的振动特征数据，能获取更合适的振动特征数据，从而能基于振动特征数据获得更准确的故障预测结果。
基于上述任一实施例的内容，根据液压泵的振动特征数据，获取液压泵的故障预测结果的具体步骤包括：将液压泵的振动特征数据与预设的特征阈值进行比较，获取液压泵的故障预测结果。
具体地，可以将液压泵的振动特征数据与预设的特征阈值进行比较，根据比较结果获取故障预测结果。
特征阈值可以为点值或范围。
例如，液压泵正常运行时振幅的最大值不超过10mm，因而振幅的最大值的特征阈值可以为10mm，若振动特征数据中的振幅的最大值为16mm，大于10mm，说明液压泵的振动存在超过正常范围的现象，则故障预测结果为存在故障。
特征阈值，可以根据实际情况设置。对于特征阈值的具体值，本发明实施例不进行具体限定。
本发明实施例通过将液压泵的振动特征数据与预设的特征阈值进行比较，获取液压泵的故障预测结果，能在故障发生前预测未来可能发生的故障，使得工程技术人员能提前获知液压泵的使用状态以及可能发生的故障，合理安排液压泵的作业工期，以便及时对液压泵进行检修和维护，延长了液压泵的使用寿命。
基于上述任一实施例的内容，根据液压泵的振动特征数据，获取液压泵的故障预测结果的具体步骤包括：将液压泵的振动特征数据与预设的特征阈值进行比较，获取液压泵的健康度。
具体地，可以将液压泵的振动特征数据与预设的特征阈值进行比较，根据比较结果获取液压泵的健康度。
可以理解的是，振动特征数据可以包括多个特征指标。可以将振动特征数据中每一特征指标的值和该特征指标的特征阈值进行比较，根据大小关系和偏离幅度等，获取该特征指标对应的健康度评分；根据振动特征数据包括的各特征指标对应的健康度评分，进行数理统计(例如可以进行累加或加权平均等)，获取液压泵的健康度。
特征阈值可以为点值或范围。
特征阈值，可以根据实际情况设置。对于特征阈值的具体值，本发明实施例不进行具体限定。
将液压泵的健康度与预设的健康度阈值进行比较，获取液压泵的故障预测结果。
具体地，可以将液压泵的健康度与预设的健康度阈值进行比较，若液压泵的健康度大于或等于健康度阈值，则可以将故障预测结果确定为正常；若液压泵的健康度小于健康度阈值，则可以将故障预测结果确定为存在故障。
健康度阈值可以根据实际情况设置，例如健健康度阈值为60或80等。对于特征阈值的具体值，本发明实施例不进行具体限定。
本发明实施例通过将液压泵的振动特征数据与预设的特征阈值进行比较，获取液压泵的健康度，基于液压泵的健康度与健康度阈值的比较结果，获取液压泵的故障预测结果，能在故障发生前预测未来可能发生的故障，使得工程技术人员能提前获知液压泵的使用状态以及可能发生的故障，合理安排液压泵的作业工期，以便及时对液压泵进行检修和维护，延长了液压泵的使用寿命。
基于上述任一实施例的内容，根据液压泵的振动特征数据，获取液压泵的故障预测结果的具体步骤包括：将液压泵的振动特征数据输入至故障预测模型，获取故障预测模型输出的故障预测结果。
其中，故障预测模型是基于样本液压泵的振动特征数据和样本液压泵的故障检测结果进行训练得到的。
具体地，可以将液压泵的振动特征数据作为训练好的故障预测模型的输入，输入至该故障预测模型，对液压泵可能出现的故障类型进行预测，得到故障预测结果。
可以预先训练得到故障预测模型，具体可以通过如下训练方式得到故障预测模型：首先，收集大量的样本液压泵的振动特征数据。其次，采用人工方式对每一样本液压泵的使用状态进行检测，确定每一样本液压泵的故障检测结果。根据不同的情况，故障检测结果为对液压泵进行检测得到的真实故障类型，也可以为是否存在故障。随即，根据大量的样本液压泵的振动特征数据，以及每一样本液压泵的故障检测结果对初始模型进行训练，以提高初始模型对于液压泵的故障的预测能力，得到故障预测模型。
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。
还可以采用模型融合的方法得到故障预测模型。可以根据样本液压泵的故障检测结果进行分类，将相同故障检测结果的样本液压泵划分为同一类，对初始模型进行训练后得到该故障检测结果对应的故障预测子模型。按照上述方法，可以训练得到多个故障检测结果对应的故障预测子模型。然后对多个故障预测子模型进行融合后，得到故障预测模型。
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。
融合后的故障预测模型，能够充分地利用各个故障预测子模型的优点，提高故障预测模型对不同故障类型的振动特征数据的分析能力，提高故障预测模型的整体性能和适用性。
本发明实施例根据样本液压泵的振动特征数据和样本液压泵的故障检测结果训练得到故障预测模型，故障预测模型根据液压泵的振动特征数据进行预测得到故障预测结果，能在故障发生前预测未来可能发生的故障，使得工程技术人员能提前获知液压泵的使用状态以及可能发生的故障，合理安排液压泵的作业工期，以便及时对液压泵进行检修和维护，延长了液压泵的使用寿命。
基于上述任一实施例的内容，根据液压泵的振动特征数据，获取液压泵的故障预测结果的具体步骤包括：将液压泵的振动特征数据输入至健康度评估模型，获取健康度评估模型输出的健康度评估结果。
其中，健康度评估模型是基于样本液压泵的振动特征数据和样本液压泵的健康度进行训练得到的。
具体地，可以将液压泵的振动特征数据作为训练好的健康度评估模型的输入，输入至该健康度评估模型，对液压泵的健康度进行评估，得到健康度评估结果。
可以预先训练得到健康度评估模型，具体可以通过如下训练方式得到健康度评估模型：首先，收集大量的样本液压泵的振动特征数据。其次，采用人工方式对每一样本液压泵的健康度进行评估，确定每一样本液压泵的健康度。随即，根据大量的样本液压泵的振动特征数据，以及每一样本液压泵的健康度对初始模型进行训练，以提高初始模型对于液压泵的健康度的评估能力，得到健康度评估模型。
本发明实施例中，液压泵的健康度，可以为剩余寿命或剩余寿命的等级。余寿命，可以表示剩余的使用时间与理论使用寿命之比。可以直接将该比例作为健康度，也可以将该比例对应的百分点的数量作为健康度，但不限于上述情况。
例如，若表示剩余的使用时间与理论使用寿命之比为0.75，则健康度可以为0.75或75。
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。
还可以采用模型融合的方法得到健康度评估模型。可以根据样本液压泵的健康度进行分类，将相同健康度的样本液压泵划分为同一类，对初始模型进行训练后得到该健康度对应的健康度评估子模型。按照上述方法，可以训练得到多个健康度对应的健康度评估子模型。然后对多个健康度评估子模型进行融合后，得到健康度评估模型。
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。
融合后的健康度评估模型，能够充分地利用各个健康度评估子模型的优点，提高健康度评估模型对不同健康度的液压泵的振动特征数据的分析能力，提高健康度评估模型的整体性能和适用性。
将健康度评估结果与预设的健康度阈值进行比较，获取液压泵的故障预测结果。
具体地，可以将液压泵的健康度与预设的健康度阈值进行比较，若液压泵的健康度大于或等于健康度阈值，则可以将故障预测结果确定为正常；若液压泵的健康度小于健康度阈值，则可以将故障预测结果确定为存在故障。
健康度阈值可以根据实际情况设置，例如健健康度阈值为60或80等。对于特征阈值的具体值，本发明实施例不进行具体限定。
本发明实施例通过根据样本液压泵的振动特征数据和样本液压泵的健康度训练得到健康度评估模型，健康度评估模型根据液压泵的振动特征数据进行评估得到健康度评估结果，基于健康度评估结果与健康度阈值的比较结果，获取液压泵的故障预测结果，能在故障发生前预测未来可能发生的故障，使得工程技术人员能提前获知液压泵的使用状态以及可能发生的故障，合理安排液压泵的作业工期，以便及时对液压泵进行检修和维护，延长了液压泵的使用寿命。
基于上述实施例，图2为本发明提供的挖掘机液压泵故障预测方法的流程示意图，如图2所示，该方法包括：
步骤一、采集挖掘机液压泵的原始振动数据；
步骤二、将挖掘机液压泵的原始振动数据选取一定长度进行快速傅里叶变换，得到振动特征数据；
步骤三、将振动特征数据输入模型，进行故障预测，得到故障预测结果，该模型是根据大量的样本挖掘机液压泵的振动特征数据和故障检测结果确定的；
步骤四、将连续多个周期的振动特征数据输入至模型，得到模型输出的多个故障预测结果，若多个故障预测结果一致，则认为故障预测结果有效，发出挖掘机液压泵故障预警信号；
步骤五、结合实际情况对故障预测结果进行评判，并根据评判结果对模型进行参数优化。
本发明提供的挖掘机液压泵故障预测方法，通过挖掘机液压泵振动特征数据对液压泵的设备状态进行评估，进而进行故障预警，较传统方法的事后维修相比，可以在故障前期对设备进行保养维护，延长设备使用寿命。
下面对本发明提供的液压泵故障预测装置进行描述，下文描述的液压泵故障预测装置与上文描述的液压泵故障预测方法可相互对应参照。
图3是根据本发明实施例提供的液压泵故障预测装置的结构示意图。基于上述任一实施例的内容，如图3所示，该装置包括获取模块301和预测模块302，其中：
获取模块301，用于根据液压泵的三轴振动数据，获取液压泵的振动特征数据；
预测模块302，用于根据液压泵的振动特征数据，获取液压泵的故障预测结果；
其中，振动特征数据包括时域特征数据和频域特征数据。
具体地，获取模块301与预测模块302电连接。
获取模块301可以获取安装在液压泵上的三轴振动传感器采集挖掘机运行过程中液压泵运行时的原始振动数据；基于预设的时长，截取预设的时长的原始振动数据，可以获得液压泵的三轴振动数据；获取三轴振动数据之后，可以采用统计学方法、时频变换方法和机器学习方法等(例如人工神经网络)中的任一种或任意多种的组合，对三轴振动数据中至少一轴的振动数据进行处理，得到振动特征数据。
预测模块302可以采用统计学方法和机器学习方法等(例如人工神经网络)中的任一种或任意多种的组合，对液压泵的振动特征数据进行处理，获取液压泵的故障预测结果。
获取模块301可以包括：
时频变换子模块，用于分别将每一轴的振动数据进行时频变换，获取每一轴的频域数据；
特征提取子模块，用于根据三轴振动数据，获取时域特征数据，并根据三轴的频域数据，获取频域特征数据。
特征提取子模块，具体用于对三轴振动数据进行统计分析，获取时域特征数据，并对三轴的频域数据进行统计分析，获取频域特征数据。
预测模块302可以具体用于将液压泵的振动特征数据与预设的特征阈值进行比较，获取液压泵的故障预测结果。
预测模块302可以包括：
第一评估子模块，用于将液压泵的振动特征数据与预设的特征阈值进行比较，获取液压泵的健康度；
第一预测子模块，用于将液压泵的健康度与预设的健康度阈值进行比较，获取液压泵的故障预测结果。
预测模块302可以具体用于将液压泵的振动特征数据输入至故障预测模型，获取故障预测模型输出的故障预测结果；
其中，故障预测模型是基于样本液压泵的振动特征数据和样本液压泵的故障检测结果进行训练得到的。
预测模块302可以包括：
第二评估子模块，将液压泵的振动特征数据输入至健康度评估模型，获取健康度评估模型输出的健康度评估结果；
第二预测子模块，将健康度评估结果与预设的健康度阈值进行比较，获取液压泵的故障预测结果；
其中，健康度评估模型是基于样本液压泵的振动特征数据和样本液压泵的健康度进行训练得到的。
本发明实施例提供的液压泵故障预测装置，用于执行本发明上述液压泵故障预测方法，其实施方式与本发明提供的液压泵故障预测方法的实施方式一致，且可以达到相同的有益效果，此处不再赘述。
该液压泵故障预测装置用于前述各实施例的液压泵故障预测方法。因此，在前述各实施例中的液压泵故障预测方法中的描述和定义，可以用于本发明实施例中各执行模块的理解。
本发明实施例通过将基于液压泵的三轴振动数据获取的液压泵的振动特征数据作为特征，通过对液压泵的振动特征数据进行分析，获取故障预测结果，能在故障发生前预测未来可能发生的故障，使得工程技术人员能提前获知液压泵的使用状态以及可能发生的故障，合理安排液压泵的作业工期，以便及时对液压泵进行检修和维护，延长了液压泵的使用寿命。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(CommunicationsInterface)420、存储器(memory)430和通信总线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可以调用存储在存储器430中并可在处理器410上运行的逻辑指令，以执行上述各方法实施例提供的液压泵故障预测方法，该方法包括：根据液压泵的三轴振动数据，获取液压泵的振动特征数据；根据液压泵的振动特征数据，获取液压泵的故障预测结果；其中，振动特征数据包括时域特征数据和频域特征数据。
此外，上述的存储器430中的逻辑指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，包括若干指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-OnlyMemory)、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410可以调用存储器430中的逻辑指令，其实施方式与本发明提供的液压泵故障预测方法的实施方式一致，且可以达到相同的有益效果，此处不再赘述。
另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的液压泵故障预测方法，该方法包括：根据液压泵的三轴振动数据，获取液压泵的振动特征数据；根据液压泵的振动特征数据，获取液压泵的故障预测结果；其中，振动特征数据包括时域特征数据和频域特征数据。
本发明实施例提供的计算机程序产品被执行时，实现上述液压泵故障预测方法，其具体的实施方式与前述方法的实施例中记载的实施方式一致，且可以达到相同的有益效果，此处不再赘述。
又一方面，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液压泵故障预测方法，该方法包括：根据液压泵的三轴振动数据，获取液压泵的振动特征数据；根据液压泵的振动特征数据，获取液压泵的故障预测结果；其中，振动特征数据包括时域特征数据和频域特征数据。
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，实现上述液压泵故障预测方法，其具体的实施方式与前述方法的实施例中记载的实施方式一致，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，包括若干指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 (10)

1.一种液压泵故障预测方法，其特征在于，包括：
根据液压泵的三轴振动数据，获取所述液压泵的振动特征数据；
根据所述液压泵的振动特征数据，获取所述液压泵的故障预测结果；
其中，所述振动特征数据包括时域特征数据和频域特征数据。
2.根据权利要求1所述的液压泵故障预测方法，其特征在于，所述根据液压泵的三轴振动数据，获取所述液压泵的振动特征数据的具体步骤包括：
分别将每一轴的振动数据进行时频变换，获取所述每一轴的频域数据；
根据所述三轴振动数据，获取所述时域特征数据，并根据三轴的所述频域数据，获取所述频域特征数据。
3.根据权利要求2所述的液压泵故障预测方法，其特征在于，所述根据所述三轴振动数据，获取所述时域特征数据，并根据三轴的所述频域数据，获取所述频域特征数据的具体步骤包括：
对所述三轴振动数据进行统计分析，获取所述时域特征数据，并对所述三轴的所述频域数据进行统计分析，获取所述频域特征数据。
4.根据权利要求1至3任一所述的液压泵故障预测方法，其特征在于，所述根据所述液压泵的振动特征数据，获取所述液压泵的故障预测结果的具体步骤包括：
将所述液压泵的振动特征数据与预设的特征阈值进行比较，获取所述液压泵的故障预测结果。
5.根据权利要求1至3任一所述的液压泵故障预测方法，其特征在于，所述根据所述液压泵的振动特征数据，获取所述液压泵的故障预测结果的具体步骤包括：
将所述液压泵的振动特征数据与预设的特征阈值进行比较，获取所述液压泵的健康度；
将所述液压泵的健康度与预设的健康度阈值进行比较，获取所述液压泵的故障预测结果。
6.根据权利要求1至3任一所述的液压泵故障预测方法，其特征在于，所述根据所述液压泵的振动特征数据，获取所述液压泵的故障预测结果的具体步骤包括：
将所述液压泵的振动特征数据输入至故障预测模型，获取所述故障预测模型输出的故障预测结果；
其中，所述故障预测模型是基于样本液压泵的振动特征数据和样本液压泵的故障检测结果进行训练得到的。
7.根据权利要求1至3任一所述的液压泵故障预测方法，其特征在于，所述根据所述液压泵的振动特征数据，获取所述液压泵的故障预测结果的具体步骤包括：
将所述液压泵的振动特征数据输入至健康度评估模型，获取所述健康度评估模型输出的健康度评估结果；
将所述健康度评估结果与预设的健康度阈值进行比较，获取所述液压泵的故障预测结果；
其中，所述健康度评估模型是基于样本液压泵的振动特征数据和样本液压泵的健康度进行训练得到的。
8.一种液压泵故障预测装置，其特征在于，包括：
获取模块，用于根据液压泵的三轴振动数据，获取所述液压泵的振动特征数据；
预测模块，用于根据所述液压泵的振动特征数据，获取所述液压泵的故障预测结果；
其中，所述振动特征数据包括时域特征数据和频域特征数据。
9.一种电子设备，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7任一项所述的液压泵故障预测方法的步骤。
10.一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7任一项所述的液压泵故障预测方法的步骤。
CN202110180074.8A 2021-02-07 2021-02-07 液压泵故障预测方法、装置、电子设备及存储介质 Active CN112819083B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110180074.8A CN112819083B (zh) 2021-02-07 2021-02-07 液压泵故障预测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110180074.8A CN112819083B (zh) 2021-02-07 2021-02-07 液压泵故障预测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN112819083A true CN112819083A (zh) 2021-05-18
CN112819083B CN112819083B (zh) 2023-08-18

Family

ID=75864925

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110180074.8A Active CN112819083B (zh) 2021-02-07 2021-02-07 液压泵故障预测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112819083B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114912686A (zh) * 2022-05-17 2022-08-16 北京健帆医疗设备有限公司 设备故障预测方法、计算机设备和存储介质
CN116241451A (zh) * 2023-03-02 2023-06-09 徐州徐工矿业机械有限公司 一种基于决策树的泵的风险评估方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103291600A (zh) * 2013-03-18 2013-09-11 北京航空航天大学 一种基于emd-ar和mts的液压泵故障诊断方法
US20160096518A1 (en) * 2014-10-07 2016-04-07 GM Global Technology Operations LLC Hydraulic pump failure detection for transmission with normally engaged clutch
CN108825482A (zh) * 2018-04-25 2018-11-16 中国航空工业集团公司北京长城航空测控技术研究所 一种飞机轴向柱塞泵的故障检测方法及检测系统
CN109026647A (zh) * 2018-08-14 2018-12-18 东华大学 一种basa优化grbf-svm的液压泵故障检测方法及系统
US20200003237A1 (en) * 2018-06-29 2020-01-02 The Boeing Company Fault prediction in hydraulic systems

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103291600A (zh) * 2013-03-18 2013-09-11 北京航空航天大学 一种基于emd-ar和mts的液压泵故障诊断方法
US20160096518A1 (en) * 2014-10-07 2016-04-07 GM Global Technology Operations LLC Hydraulic pump failure detection for transmission with normally engaged clutch
CN108825482A (zh) * 2018-04-25 2018-11-16 中国航空工业集团公司北京长城航空测控技术研究所 一种飞机轴向柱塞泵的故障检测方法及检测系统
US20200003237A1 (en) * 2018-06-29 2020-01-02 The Boeing Company Fault prediction in hydraulic systems
CN109026647A (zh) * 2018-08-14 2018-12-18 东华大学 一种basa优化grbf-svm的液压泵故障检测方法及系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
D.SIANO等: "Diagnostic method by using vibration analysis for pump fault detection", 《ENERGY PROCEDIA》 *
WANLU JIANG等: "Study on a Fault Identification Method of the Hydraulic Pump Based on a Combination of Voiceprint Characteristics and Extreme Learning Machine", 《PROCESSES》 *
刘振宇等: "面向多层级信息融合的液压泵故障诊断系统设计", 《机械设计与制造工程》 *
杜名喆等: "基于经验小波分解和卷积神经网络的液压泵故障诊断", 《液压与气动》 *
杨小强等: "基于多传感器数据融合的液压泵故障诊断", 《机械制造》 *
田海雷等: "基于集总经验模式分解和支持向量机的液压泵故障预测研究", 《中国机械工程》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114912686A (zh) * 2022-05-17 2022-08-16 北京健帆医疗设备有限公司 设备故障预测方法、计算机设备和存储介质
CN116241451A (zh) * 2023-03-02 2023-06-09 徐州徐工矿业机械有限公司 一种基于决策树的泵的风险评估方法

Also Published As

Publication number Publication date
CN112819083B (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
CN104866632B (zh) 家电设备的故障数据获取方法、装置及终端
US7499777B2 (en) Diagnostic and prognostic method and system
CN112819083A (zh) 液压泵故障预测方法、装置、电子设备及存储介质
CN107765658B (zh) 一种基于物联网的压缩机控制方法、装置及系统
CN108731921B (zh) 一种设备连接件故障监测方法及系统
CN112943595A (zh) 液压泵故障预测方法、装置、电子设备及存储介质
KR102444442B1 (ko) 설비 고장 진단 장치 및 방법
CN110134571A (zh) 旋转型机械设备健康状态监测方法及装置
CN113552840A (zh) 一种机械加工控制系统
CN110688617B (zh) 风机振动异常检测方法及装置
CN111441864A (zh) 发动机健康诊断方法及发动机诊断系统
CN105041631A (zh) 一种气体压缩机的驱动轴振动信号的检测方法和系统
CN111896254A (zh) 一种变速变载大型滚动轴承故障预测系统及方法
CN110469461B (zh) 一种风机齿带的断裂预估方法、其装置及可读存储介质
CN109270921A (zh) 一种故障诊断方法及装置
CN111191838A (zh) 一种集成人工智能算法的工业设备状态管控方法和装置
CN112443479A (zh) 压缩机故障诊断方法、装置、存储介质及电子设备
CN115327990A (zh) 一种基于ai的电气设备状态监测预警模型及其方法
CN112711850A (zh) 一种基于大数据的机组在线监测方法
CN110056427A (zh) 一种发动机检测方法、装置及系统
CN113268835A (zh) 基于扩展隔离林和云模型的抽水蓄能水电机组健康评估方法和装置
CN109894476B (zh) 一种冷轧硅钢生产线液压设备故障诊断方法和装置
CN111766514B (zh) 一种设备检测点的数据分析方法
CN105677534A (zh) 一种基于服务总线的变电站站控层设备状态评估方法
CN114165430B (zh) 基于边缘计算的机泵健康监测方法、系统、设备及介质

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: 20221230

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