CN112907114A - 漏油故障检测方法、装置、电子设备和存储介质 - Google Patents

漏油故障检测方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN112907114A
CN112907114A CN202110292048.4A CN202110292048A CN112907114A CN 112907114 A CN112907114 A CN 112907114A CN 202110292048 A CN202110292048 A CN 202110292048A CN 112907114 A CN112907114 A CN 112907114A
Authority
CN
China
Prior art keywords
oil leakage
fault detection
leakage fault
detection result
environment information
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
CN202110292048.4A
Other languages
English (en)
Inventor
焦继超
卢向前
周庆亮
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 CN202110292048.4A priority Critical patent/CN112907114A/zh
Publication of CN112907114A publication Critical patent/CN112907114A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Examining Or Testing Airtightness (AREA)

Abstract

本发明提供一种漏油故障预测方法、装置、电子设备和存储介质，所述方法包括：确定待检测的作业机械的位置数据和运行数据，以及所述作业机械监测部位的影像数据；基于作业机械的位置数据，确定作业机械的工作环境信息；将工作环境信息、运行数据和影像数据输入至漏油故障检测模型，得到漏油故障检测模型输出的漏油故障检测结果；其中，漏油故障检测模型用于基于工作环境信息和运行数据得到第一检测结果，基于影像数据得到第二检测结果，并对第一检测结果和第二检测结果进行融合，确定漏油故障检测结果。本发明综合作业机械的位置数据、运行数据和监测部位的影像数据，从而能够全面考虑导致漏油故障的影响因素，进而准确获取漏油故障检测结果。

Description

漏油故障检测方法、装置、电子设备和存储介质
技术领域
本发明涉及漏油检测技术领域，尤其涉及一种漏油故障检测方法、装置、电子设备和存储介质。
背景技术
漏油故障是作业机械的液压系统存在的共性问题，漏油时油液从油缸高压腔泄漏到低压腔或泄漏到缸体外面去，从而会造成工作机构运动不稳定和定位不准确，严重时会导致液压系统无法工作，因此需要及时判断作业机械是否存在漏油故障。
目前，多通过传感器检测是否存在漏油故障，但由于液压系统漏油故障的特征不明显，导致传感器无法准确检测是否存在漏油故障。
发明内容
本发明提供一种漏油故障检测方法、装置、电子设备和存储介质，用以解决现有技术中无法准确检测是否存在漏油故障的缺陷。
本发明提供一种漏油故障检测方法，包括：
确定待检测的作业机械的位置数据和运行数据，以及所述作业机械监测部位的影像数据；
基于所述作业机械的位置数据，确定所述作业机械的工作环境信息；
将所述工作环境信息、所述运行数据和所述影像数据输入至漏油故障检测模型，得到所述漏油故障检测模型输出的漏油故障检测结果；
其中，所述漏油故障检测模型是基于样本工作环境信息、样本运行数据、样本影像数据以及样本漏油结果训练得到的；所述漏油故障检测模型用于基于所述工作环境信息和所述运行数据得到第一检测结果，基于所述影像数据得到第二检测结果，并对所述第一检测结果和所述第二检测结果进行融合，确定所述漏油故障检测结果。
根据本发明提供的一种漏油故障检测方法，所述将所述工作环境信息、运行数据和影像数据输入至漏油故障检测模型，得到所述漏油故障检测模型输出的漏油故障检测结果，包括：
将所述工作环境信息和所述运行数据输入至所述漏油故障检测模型的谱图卷积网络层，得到所述谱图卷积网络层输出的所述第一检测结果；
将所述影像数据输入至所述漏油故障检测模型的空域图卷积网络层，得到所述空域图卷积网络层输出的所述第二检测结果；
将所述第一检测结果和所述第二检测结果输入至所述漏油故障检测模型的结果融合层，由所述结果融合层对所述第一检测结果和所述第二检测结果进行加权融合，得到所述结果融合层输出的所述漏油故障检测结果。
根据本发明提供的一种漏油故障检测方法，所述基于所述作业机械的位置数据，确定所述作业机械的工作环境信息，包括：
基于所述作业机械的位置数据，确定预设范围内目标建筑物的数量；
基于所述目标建筑物的数量，确定所述作业机械的工作环境信息。
根据本发明提供的一种漏油故障检测方法，所述基于所述目标建筑物的数量，确定所述作业机械的工作环境信息，包括：
若所述目标建筑物的数量大于等于第一阈值，则确定所述作业机械的工作环境为城区；
若所述目标建筑物的数量小于等于第二阈值，则确定所述作业机械的工作环境为矿区；
否则，确定所述作业机械的工作环境为郊区；
所述第一阈值大于所述第二阈值。
根据本发明提供的一种漏油故障检测方法，在将所述工作环境信息输入至所述漏油故障检测模型之前，还包括：对所述工作环境信息进行独热编码处理。
根据本发明提供的一种漏油故障检测方法，所述漏油故障检测结果包括柱塞泵漏油、大臂漏油、发动机漏油、支重轮漏油、液压油箱漏油和不漏油中的任一种。
根据本发明提供的一种漏油故障检测方法，所述作业机械的运行数据包括设备型号、设备压力、设备温度以及设备噪声中的一种或多种。
本发明还提供一种漏油故障检测装置，包括：
数据确定单元，用于确定待检测的作业机械的位置数据和运行数据，以及所述作业机械监测部位的影像数据；
工况确定单元，用于基于所述作业机械的位置数据，确定所述作业机械的工作环境信息；
故障检测单元，用于将所述工作环境信息、所述运行数据和所述影像数据输入至漏油故障检测模型，得到所述漏油故障检测模型输出的漏油故障检测结果；
其中，所述漏油故障检测模型是基于样本工作环境信息、样本运行数据、样本影像数据以及样本漏油结果训练得到的；所述漏油故障检测模型用于基于所述工作环境信息和所述运行数据得到第一检测结果，基于所述影像数据得到第二检测结果，并对所述第一检测结果和所述第二检测结果进行融合，确定所述漏油故障检测结果。
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漏油故障检测方法的步骤。
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漏油故障检测方法的步骤。
本发明提供的漏油故障检测方法、装置、电子设备和存储介质，确定待检测的作业机械的位置数据和运行数据，以及所述作业机械监测部位的影像数据；基于作业机械的位置数据，确定作业机械的工作环境信息；将工作环境信息、运行数据和影像数据输入至漏油故障检测模型，得到漏油故障检测模型输出的漏油故障检测结果；其中，漏油故障检测模型用于基于工作环境信息和运行数据得到第一检测结果，基于影像数据得到第二检测结果，并对第一检测结果和第二检测结果进行融合，确定漏油故障检测结果。由此可见，本发明实施例综合作业机械的位置数据、运行数据和监测部位的影像数据，从而能够全面考虑导致漏油故障的影响因素，进而准确获取漏油故障检测结果。
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是本发明提供的漏油故障检测方法的流程示意图；
图2是本发明提供的又一漏油故障检测方法的流程示意图；
图3是本发明提供的漏油故障检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。
漏油故障是作业机械的液压系统存在的共性问题，例如挖掘机的工况环境复杂恶劣，工作频繁，要求实现的动作很复杂，导致液压系统的工作负荷较大，进而导致挖掘机液压系统漏油，严重时甚至会导致突发停机故障。因此，为了保持作业机械的稳定运行，需要对作业机械进行漏油故障检测。
目前，多通过单一传感器检测液压系统是否存在漏油故障，但由于作业机械液压系统漏油故障的特征不明显，导致单一传感器无法有效判别液压系统漏油故障。
对此，本发明提供一种漏油故障检测方法。图1是本发明提供的漏油故障检测的流程示意图，如图1所示，该方法包括如下步骤：
步骤110、确定待检测的作业机械的位置数据和运行数据，以及所述作业机械监测部位的影像数据。
具体地，待检测作业机械是指待进行判别是否存在漏油故障的机械，待检测作业机械的位置数据是指作业机械运行时的位置信息，该位置数据可以通过作业机械的经纬度信息，并结合地图(如百度地图、高德地图等)确定。作业机械的运行数据是指作业机械在运行过程中实时回传的工程数据，如噪声、温度、压力、作业机械的型号等。作业机械监测部位可以指作业机械的关重件部位，也可以指可能存在漏油现象的部位，影像数据包括图像数据或视频数据。
步骤120、基于作业机械的位置数据，确定作业机械的工作环境信息。
具体地，作业机械的工作环境会影响作业机械的零部件工作状态，例如工作环境越恶劣，作业机械所要实现的动作越复杂，导致液压系统的工作负荷较大，进而导致液压系统漏油，严重时甚至会导致突发停机故障。由此可见，作业机械的工作环境也是导致漏油故障的重要因素之一，本发明实施例基于作业机械运行时的位置数据，可以确定作业机械的工作环境信息，例如，基于作业机械运行时的位置数据可以确定在预设范围内是否存在目标建筑物，或目标建筑物的数量，目标建筑物的数量越多，表明作业机械的运行位置越靠近城区，工况条件越好，作业机械各零部件的损坏概率越小，进而存在漏油故障的可能性越小。其中，目标建筑物可以指能够表征处于较优环境的建筑物，如银行、写字楼、超市等。
步骤130、将工作环境信息、运行数据和影像数据输入至漏油故障检测模型，得到漏油故障检测模型输出的漏油故障检测结果；
其中，漏油故障检测模型是基于样本工作环境信息、样本运行数据、样本影像数据以及样本漏油结果训练得到的；漏油故障检测模型用于基于工作环境信息和运行数据得到第一检测结果，基于影像数据得到第二检测结果，并对第一检测结果和第二检测结果进行融合，确定漏油故障检测结果。
具体地，工作环境信息可以表征作业机械所处的工况条件，工况条件越好(如作业机械位于城区工作)，则零部件损坏概率越小，进而存在漏油故障的可能性越小；工况条件越差(如作业机械位于矿区工作)，则零部件损坏概率越大，进而存在漏油故障的可能性越大。运行数据可以表征作业机械各零部件当前的性能，例如运行数据温度异常，则表明相应的零部件可能存在损坏，进而增加漏油故障的概率；又如作业机械的型号不同，所采用零部件规格也不同，进而零部件的质量也不同，零部件的质量越好存在漏油故障的可能性越小。若仅通过工作环境信息和运行数据判断是否存在漏油故障，可能会存在误检或漏检，因此为了进一步准确检测漏油故障，还需结合监测部位的影像数据进行判断，即影像数据可以准确表征作业机械的相关零部件实际是否存在漏油现象。若仅通过影像数据判断是否存在漏油故障，则当零部件已经损坏时，但获取的影像数据中还不存在漏油现象，则可能会认为不存在漏油故障，进而导致误判。
因此，将工作环境信息、运行数据和影像数据输入至漏油故障检测模型，漏油故障检测模型基于工作环境信息和运行数据得到第一检测结果，基于影像数据得到第二检测结果，并对第一检测结果和第二检测结果进行融合，结合了1D信息(工作环境信息和运行数据)和2D信息(影像数据)，从而能够全面考虑导致漏油故障的影响因素，进而准确获取漏油故障检测结果。
在执行步骤130之前，可以通过训练得到漏油故障检测模型，具体可以通过如下步骤训练漏油故障检测模型：首先，收集大量样本工作环境信息、样本运行数据以及样本影像数据，通过人工标注确定样本漏油结果。随即，基于样本工作环境信息、样本运行数据、样本影像数据及样本漏油结果对初始模型进行训练，从而得到漏油故障检测模型。
本发明实施例提供的漏油故障检测方法，确定待检测的作业机械的位置数据和运行数据，以及所述作业机械监测部位的影像数据；基于作业机械的位置数据，确定作业机械的工作环境信息；将工作环境信息、运行数据和影像数据输入至漏油故障检测模型，得到漏油故障检测模型输出的漏油故障检测结果；其中，漏油故障检测模型用于基于工作环境信息和运行数据得到第一检测结果，基于影像数据得到第二检测结果，并对第一检测结果和第二检测结果进行融合，确定漏油故障检测结果。由此可见，本发明实施例综合作业机械的位置数据、运行数据和监测部位的影像数据，从而能够全面考虑导致漏油故障的影响因素，进而准确获取漏油故障检测结果。
基于上述实施例，步骤130包括：
将工作环境信息和运行数据输入至漏油故障检测模型的谱图卷积网络层，得到谱图卷积网络层输出的第一检测结果；
将影像数据输入至漏油故障检测模型的空域图卷积网络层，得到空域图卷积网络层输出的第二检测结果；
将第一检测结果和第二检测结果输入至漏油故障检测模型的结果融合层，由结果融合层对第一检测结果和第二检测结果进行加权融合，得到结果融合层输出的漏油故障检测结果。
具体地，谱图卷积网络层用于基于1D信息(如工作环境信息和运行数据)进行漏油故障检测，得到第一检测结果；其中，谱图卷积网络层可以基于谱图卷积神经网络构建。空域图卷积网络层用于基于2D信息(如影像数据)进行漏油故障检测，得到第二检测结果；其中，空域图卷积网络层可以基于空域图卷积神经网络构建。
在得到第一检测结果和第二检测结果之后，基于漏油故障检测模型的结果融合层对第一检测结果和第二检测结果进行加权融合，得到结果融合层测输出的漏油故障检测结果。其中，漏油故障结果可以为判断作业机械是否存在漏油故障(如存在故障和不存在故障)，也可以为漏油的具体部位(如柱塞泵漏油、大臂漏油等)，本实施例对此不作具体限定。
由此可见，漏油故障检测结果融合有第一检测结果和第二检测结果，全面考虑了导致漏油故障的相关因素(如作业机械的工况、作业机械的型号、作业机械的运行状态、作业机械监测部位的实际状态)，从而使得获取的漏油故障检测结果准确度更高，且具有较高的鲁棒性。
如图2所示，将1D数据(传感器数据)输入谱图卷神经网络，将2D数据(图像/视频)输入空域图神经网络，最后对谱图卷神经网络和空域图神经网络输出的结果进行融合，从而可以准确获取漏油故障检测结果。
基于上述任一实施例，基于作业机械的位置数据，确定作业机械的工作环境信息，包括：
基于作业机械的位置数据，确定预设范围内目标建筑物的数量；
基于目标建筑物的数量，确定作业机械的工作环境信息。
具体地，作业机械的工作环境会影响作业机械的零部件工作状态，例如工作环境越恶劣，作业机械所要实现的动作越复杂，导致液压系统的工作负荷较大，进而导致液压系统漏油，严重时甚至会导致突发停机故障。由此可见，作业机械的工作环境也是导致漏油故障的重要因素之一，基于作业机械运行时的位置数据可以确定在预设范围内目标建筑物的数量，目标建筑物的数量越多，表明作业机械的运行工况条件越好(如在城区运行时目标建筑物数量会较多)，作业机械各零部件的损坏概率越小，进而存在漏油故障的可能性越小；目标建筑物的数量越少，表明作业机械的运行工况条件越差(如在矿区运行时目标建筑物数量会较少)，作业机械各零部件的损坏概率越大，进而存在漏油故障的可能性越大。其中，目标建筑物可以指处于较优环境的建筑物，如银行、写字楼、超市等。
基于上述任一实施例，基于目标建筑物的数量，确定作业机械的工作环境信息，包括：
若目标建筑物的数量大于等于第一阈值，则确定作业机械的工作环境为城区；
若目标建筑物的数量小于等于第二阈值，则确定作业机械的工作环境为矿区；
否则，确定所述作业机械的工作环境为郊区；
所述第一阈值大于所述第二阈值。
具体地，目标建筑物的数量可以表征作业机械的工况，即目标建筑物数量越多，表明作业机械的工况越好。若将作业机械的工作环境分为城区、矿区和郊区，则可以建立如下判别模型对作业机械的工作环境进行判别：
Figure BDA0002982590790000101
其中，WS表示作业机械的工作环境，N(POI)表示目标建筑物的数量，D表示根据实际情况设置的阈值，d表示以作业机械所在位置为中心，选取预设范围的半径。
由上述判别模型可知，以作业机械的位置为圆心，以d为半径确定的预设范围内(其中d＜D)，目标建筑物的数量N(POI)≥5时，作业机械的工作环境为城区；目标建筑物的数量3＜N(POI)＜5时，作业机械的工作环境为郊区；目标建筑物的数量N(POI)≤3时，作业机械的工作环境为矿区。
基于上述任一实施例，在将工作环境信息输入至漏油故障检测模型之前，还包括：对工作环境信息进行独热编码处理。
具体地，由于工作环境信息为离散型数据，离散型数据是指其数值只能用自然数或整数单位计算的数据，例如：档位只能用1挡、2挡、3挡等自然数计算。
在机器学习算法中，特征之间距离的计算或相似度的计算是非常重要的，通常采用的距离或相似度的计算都是在欧式空间的相似度计算，计算余弦相似性，基于的就是欧式空间。对于离散型数据，使用独热编码(one-hot编码)，将离散特征的取值扩展到了欧式空间，离散特征的某个取值就对应欧式空间的某个点。离散型数据进行one-hot编码后，每一维度的特征都可以看作是连续的特征，就可以与连续型数据的归一化方法一样，对每一维特征进行归一化，比如归一化到[-1，1]，或归一化到均值为0，方差为1。
本发明实施例通过对工作环境信息进行独热编码处理，从而使得漏油故障检测模型在对工作环境信息进行分析时，消除了其与运行数据之间的量纲影响，进而准确获取漏油故障检测测结果。
基于上述任一实施例，漏油故障检测结果包括柱塞泵漏油、大臂漏油、发动机漏油、支重轮漏油、液压油箱漏油和不漏油中的任一种。
具体地，在获取漏油故障检测结果之后，为了避免作业机械由于漏油故障发生停机，影响工程进度，需要及时对漏油故障部位进行检修和维护。因此，通过漏油故障检测模型输出的漏油检测结果(柱塞泵漏油、大臂漏油、发动机漏油、支重轮漏油、液压油箱漏油和不漏油中的任一种)，不但可以判断作业机械是否存在漏油故障，而且在确认存在漏油故障中，还可以输出具体漏油部位，避免对逐个作业机械的零部件进行拆卸检修，大幅度提高了检修效率，节约检修成本。
基于上述任一实施例，作业机械的运行数据包括设备型号、设备压力、设备温度以及设备噪声中的一种或多种。
具体地，作业机械的运行数据可以表征作业机械各零部件当前的性能；设备型号不同，则作业机械所采用零部件规格也不同，进而零部件的质量也不同，零部件的质量越好存在漏油故障的可能性越小。设备压力和/或设备温度异常，则表明相应的零部件可能存在损坏，进而增加漏油故障的概率；设备噪声过大，则表明相应的零部件可能存在异常工作的情况，进而增加漏油故障的概率。
基于上述任一实施例，本发明还提供一种漏油故障检测方法，该方法包括如下步骤：
首先，基于作业机械的经纬度信息，通过调用百度地图，获取作业机械运行时的位置信息。
接着，基于该位置信息确定作业机械的工作环境信息，并对该工作环境信息进行one-hot编码。
随即，将one-hot编码后的工作环境信息、作业机械实时的运行数据以及作业机械监测部位的影像数据输入至双层并行的图卷积神经网络，具体为将one-hot编码后的工作环境信息和运行数据输入至谱图卷积神经网络中，将影像数据输入至空域图神经网络中，最后由全连接层实现对谱图卷积神经网络和空域图神经网络的结果进行融合，获取漏油故障检测结果。其中，漏油故障检测结果为柱塞泵漏油、大臂漏油、发动机漏油、支重轮漏油、液压油箱漏油和不漏油中的任一种。
下面对本发明提供的漏油故障检测装置进行描述，下文描述的漏油故障检测装置与上文描述的漏油故障检测方法可相互对应参照。
基于上述任一实施例，如图3所示，本发明提供一种漏油故障检测装置，该装置包括：
数据确定单元310，用于确定待检测的作业机械的位置数据和运行数据，以及所述作业机械监测部位的影像数据；
工况确定单元320，用于基于所述作业机械的位置数据，确定所述作业机械的工作环境信息；
故障检测单元330，用于将所述工作环境信息、所述运行数据和所述影像数据输入至漏油故障检测模型，得到所述漏油故障检测模型输出的漏油故障检测结果；
其中，所述漏油故障检测模型是基于样本工作环境信息、样本运行数据、样本影像数据以及样本漏油结果训练得到的；所述漏油故障检测模型用于基于所述工作环境信息和所述运行数据得到第一检测结果，基于所述影像数据得到第二检测结果，并对所述第一检测结果和所述第二检测结果进行融合，确定所述漏油故障检测结果。
基于上述任一实施例，所述故障检测单元330，包括：
第一检测单元，用于将所述工作环境信息和所述运行数据输入至所述漏油故障检测模型的谱图卷积网络层，得到所述谱图卷积网络层输出的所述第一检测结果；
第二检测单元，用于将所述影像数据输入至所述漏油故障检测模型的空域图卷积网络层，得到所述空域图卷积网络层输出的所述第二检测结果；
结果融合单元，用于将所述第一检测结果和所述第二检测结果输入至所述漏油故障检测模型的结果融合层，由所述结果融合层对所述第一检测结果和所述第二检测结果进行加权融合，得到所述结果融合层输出的所述漏油故障检测结果。
基于上述任一实施例，所述工况确定单元320，包括：
统计单元，用于基于所述作业机械的位置数据，确定预设范围内目标建筑物的数量；
确定单元，用于基于所述目标建筑物的数量，确定所述作业机械的工作环境信息。
基于上述任一实施例，所述确定单元，具体用于：
若所述目标建筑物的数量大于等于第一阈值，则确定所述作业机械的工作环境为城区；
若所述目标建筑物的数量小于等于第二阈值，则确定所述作业机械的工作环境为矿区；
否则，确定所述作业机械的工作环境为郊区；
所述第一阈值大于所述第二阈值。
基于上述任一实施例，还包括编码单元，用于在将所述工作环境信息输入至所述漏油故障检测模型之前，对所述工作环境信息进行独热编码处理。
基于上述任一实施例，所述漏油故障检测结果包括柱塞泵漏油、大臂漏油、发动机漏油、支重轮漏油、液压油箱漏油和不漏油中的任一种。
基于上述任一实施例，所述作业机械的运行数据包括设备型号、设备压力、设备温度以及设备噪声中的一种或多种。
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(Communications Interface)420、存储器(memory)830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可以调用存储器430中的逻辑指令，以执行漏油故障检测方法，该方法包括：确定待检测的作业机械的位置数据和运行数据，以及所述作业机械监测部位的影像数据；基于所述作业机械的位置数据，确定所述作业机械的工作环境信息；将所述工作环境信息、所述运行数据和所述影像数据输入至漏油故障检测模型，得到所述漏油故障检测模型输出的漏油故障检测结果；其中，所述漏油故障检测模型是基于样本工作环境信息、样本运行数据、样本影像数据以及样本漏油结果训练得到的；所述漏油故障检测模型用于基于所述工作环境信息和所述运行数据得到第一检测结果，基于所述影像数据得到第二检测结果，并对所述第一检测结果和所述第二检测结果进行融合，确定所述漏油故障检测结果。
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-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。
另一方面，本发明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所提供的漏油故障检测方法，该方法包括：确定待检测的作业机械的位置数据和运行数据，以及所述作业机械监测部位的影像数据；基于所述作业机械的位置数据，确定所述作业机械的工作环境信息；将所述工作环境信息、所述运行数据和所述影像数据输入至漏油故障检测模型，得到所述漏油故障检测模型输出的漏油故障检测结果；其中，所述漏油故障检测模型是基于样本工作环境信息、样本运行数据、样本影像数据以及样本漏油结果训练得到的；所述漏油故障检测模型用于基于所述工作环境信息和所述运行数据得到第一检测结果，基于所述影像数据得到第二检测结果，并对所述第一检测结果和所述第二检测结果进行融合，确定所述漏油故障检测结果。
又一方面，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以执行上述各提供的漏油故障检测方法，该方法包括：确定待检测的作业机械的位置数据和运行数据，以及所述作业机械监测部位的影像数据；基于所述作业机械的位置数据，确定所述作业机械的工作环境信息；将所述工作环境信息、所述运行数据和所述影像数据输入至漏油故障检测模型，得到所述漏油故障检测模型输出的漏油故障检测结果；其中，所述漏油故障检测模型是基于样本工作环境信息、样本运行数据、样本影像数据以及样本漏油结果训练得到的；所述漏油故障检测模型用于基于所述工作环境信息和所述运行数据得到第一检测结果，基于所述影像数据得到第二检测结果，并对所述第一检测结果和所述第二检测结果进行融合，确定所述漏油故障检测结果。
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)

1.一种漏油故障检测方法，其特征在于，包括：
确定待检测的作业机械的位置数据和运行数据，以及所述作业机械监测部位的影像数据；
基于所述位置数据，确定所述作业机械的工作环境信息；
将所述工作环境信息、所述运行数据和所述影像数据输入至漏油故障检测模型，得到所述漏油故障检测模型输出的漏油故障检测结果；
其中，所述漏油故障检测模型是基于样本工作环境信息、样本运行数据、样本影像数据以及样本漏油结果训练得到的；所述漏油故障检测模型用于基于所述工作环境信息和所述运行数据得到第一检测结果，基于所述影像数据得到第二检测结果，并对所述第一检测结果和所述第二检测结果进行融合，确定所述漏油故障检测结果。
2.根据权利要求1所述的漏油故障检测方法，其特征在于，所述将所述工作环境信息、运行数据和影像数据输入至漏油故障检测模型，得到所述漏油故障检测模型输出的漏油故障检测结果，包括：
将所述工作环境信息和所述运行数据输入至所述漏油故障检测模型的谱图卷积网络层，得到所述谱图卷积网络层输出的所述第一检测结果；
将所述影像数据输入至所述漏油故障检测模型的空域图卷积网络层，得到所述空域图卷积网络层输出的所述第二检测结果；
将所述第一检测结果和所述第二检测结果输入至所述漏油故障检测模型的结果融合层，由所述结果融合层对所述第一检测结果和所述第二检测结果进行加权融合，得到所述结果融合层输出的所述漏油故障检测结果。
3.根据权利要求1所述的漏油故障检测方法，其特征在于，所述基于所述作业机械的位置数据，确定所述作业机械的工作环境信息，包括：
基于所述作业机械的位置数据，确定预设范围内目标建筑物的数量；
基于所述目标建筑物的数量，确定所述作业机械的工作环境信息。
4.根据权利要求3所述的漏油故障检测方法，其特征在于，所述基于所述目标建筑物的数量，确定所述作业机械的工作环境信息，包括：
若所述目标建筑物的数量大于等于第一阈值，则确定所述作业机械的工作环境为城区；
若所述目标建筑物的数量小于等于第二阈值，则确定所述作业机械的工作环境为矿区；
否则，确定所述作业机械的工作环境为郊区；
所述第一阈值大于所述第二阈值。
5.根据权利要求1至4任一项所述的漏油故障检测方法，其特征在于，在将所述工作环境信息输入至所述漏油故障检测模型之前，还包括：对所述工作环境信息进行独热编码处理。
6.根据权利要求1至4任一项所述的漏油故障检测方法，其特征在于，所述漏油故障检测结果包括柱塞泵漏油、大臂漏油、发动机漏油、支重轮漏油、液压油箱漏油和不漏油中的任一种。
7.根据权利要求1至4任一项所述的漏油故障检测方法，其特征在于，所述作业机械的运行数据包括设备型号、设备压力、设备温度以及设备噪声中的一种或多种。
8.一种漏油故障检测装置，其特征在于，包括：
数据确定单元，确定待检测的作业机械的位置数据和运行数据，以及所述作业机械监测部位的影像数据；
工况确定单元，用于基于所述作业机械的位置数据，确定所述作业机械的工作环境信息；
故障检测单元，用于将所述工作环境信息、所述运行数据和所述影像数据输入至漏油故障检测模型，得到所述漏油故障检测模型输出的漏油故障检测结果；
其中，所述漏油故障检测模型是基于样本工作环境信息、样本运行数据、样本影像数据以及样本漏油结果训练得到的；所述漏油故障检测模型用于基于所述工作环境信息和所述运行数据得到第一检测结果，基于所述影像数据得到第二检测结果，并对所述第一检测结果和所述第二检测结果进行融合，确定所述漏油故障检测结果。
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任一项所述漏油故障检测方法的步骤。
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任一项所述漏油故障检测方法的步骤。
CN202110292048.4A 2021-03-18 2021-03-18 漏油故障检测方法、装置、电子设备和存储介质 Pending CN112907114A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110292048.4A CN112907114A (zh) 2021-03-18 2021-03-18 漏油故障检测方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110292048.4A CN112907114A (zh) 2021-03-18 2021-03-18 漏油故障检测方法、装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN112907114A true CN112907114A (zh) 2021-06-04

Family

ID=76105449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110292048.4A Pending CN112907114A (zh) 2021-03-18 2021-03-18 漏油故障检测方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN112907114A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113589789A (zh) * 2021-07-28 2021-11-02 盛景智能科技(嘉兴)有限公司 设备检测方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130073260A1 (en) * 2010-04-20 2013-03-21 Shunji Maeda Method for anomaly detection/diagnosis, system for anomaly detection/diagnosis, and program for anomaly detection/diagnosis
CN109669087A (zh) * 2019-01-31 2019-04-23 国网河南省电力公司 一种基于多源信息融合的电力变压器故障诊断方法
CN110471376A (zh) * 2019-07-10 2019-11-19 深圳市乾行达科技有限公司 一种工业现场故障检测方法及设备
CN111738086A (zh) * 2020-05-22 2020-10-02 上海交通大学 用于点云分割的构图方法、系统及点云分割系统、装置
CN111899211A (zh) * 2020-03-26 2020-11-06 中国铁建电气化局集团第二工程有限公司 基于图像和气味的变压器漏油故障检测系统及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130073260A1 (en) * 2010-04-20 2013-03-21 Shunji Maeda Method for anomaly detection/diagnosis, system for anomaly detection/diagnosis, and program for anomaly detection/diagnosis
CN109669087A (zh) * 2019-01-31 2019-04-23 国网河南省电力公司 一种基于多源信息融合的电力变压器故障诊断方法
CN110471376A (zh) * 2019-07-10 2019-11-19 深圳市乾行达科技有限公司 一种工业现场故障检测方法及设备
CN111899211A (zh) * 2020-03-26 2020-11-06 中国铁建电气化局集团第二工程有限公司 基于图像和气味的变压器漏油故障检测系统及方法
CN111738086A (zh) * 2020-05-22 2020-10-02 上海交通大学 用于点云分割的构图方法、系统及点云分割系统、装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113589789A (zh) * 2021-07-28 2021-11-02 盛景智能科技(嘉兴)有限公司 设备检测方法及装置

Similar Documents

Publication Publication Date Title
US9394899B2 (en) System and method for fault detection in an electrical device
CN111435557A (zh) 用于检测机器部件问题的故障检测装置
CN113467420A (zh) 区域控制器故障检测方法及装置
CN115526515B (zh) 一种水利水电用闸门的安全监测系统
Brandsæter et al. An application of sensor-based anomaly detection in the maritime industry
CN112907114A (zh) 漏油故障检测方法、装置、电子设备和存储介质
CN116665421A (zh) 机械设备的预警处理方法、装置及计算机可读存储介质
CN115546628A (zh) 一种水利工程堤坝裂缝监测方法、装置、设备及介质
CN115186701A (zh) 轴承寿命预测方法、装置、电子设备及存储介质
CN112577664A (zh) 传感器故障检测方法、装置及相关产品
CN109990803B (zh) 检测系统异常的方法、装置及传感器处理的方法、装置
CN112964470A (zh) 一种基于轴承健康指标检测滚动轴承早期故障的方法
CN114322446B (zh) 冷却系统故障预警方法、装置、冷却系统及作业机械
CN116186479A (zh) 用于泵车工况数据的处理方法、处理器、装置及存储介质
CN110991779A (zh) 抽油机井的异常检测方法及装置
CN111192358A (zh) 基于三维的管道裂痕检测方法、装置、设备和存储介质
CN116380496A (zh) 一种汽车车门疲劳耐久测试方法、系统及介质
CN116089891A (zh) 一种诊断桩基结构的安全状况的方法及系统
CN115239774A (zh) 一种轮胎鼓包检测方法、装置、设备及介质
CN113920547A (zh) 一种基于神经网络的手套检测方法及其系统
KR101971553B1 (ko) 사물인터넷 기반 기기 관리 시스템 및 방법
Jia et al. Defect Severity Assessment Model for Sewer Pipeline Based on Automated Pipe Calibration
CN111176931A (zh) 一种运营监控方法、装置、服务器及存储介质
CN116664521A (zh) 一种发动机叶片的缺陷检测方法、装置、设备及存储介质
CN117469152B (zh) 流体泵异常检测方法、装置、电子设备和存储介质

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: 20230106

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.