CN112926400A - 基于数据驱动的液压缸内泄露故障智能诊断方法及系统 - Google Patents
基于数据驱动的液压缸内泄露故障智能诊断方法及系统 Download PDFInfo
- Publication number
- CN112926400A CN112926400A CN202110128725.9A CN202110128725A CN112926400A CN 112926400 A CN112926400 A CN 112926400A CN 202110128725 A CN202110128725 A CN 202110128725A CN 112926400 A CN112926400 A CN 112926400A
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- hydraulic cylinder
- fault diagnosis
- training
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000002347 injection Methods 0.000 claims abstract description 30
- 239000007924 injection Substances 0.000 claims abstract description 30
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000001746 injection moulding Methods 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000007418 data mining Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 6
- 238000011985 exploratory data analysis Methods 0.000 claims description 5
- 230000008676 import Effects 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 238000010835 comparative analysis Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 1
- 238000013480 data collection Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000001066 destructive effect Effects 0.000 abstract 1
- 239000003921 oil Substances 0.000 description 18
- 238000013178 mathematical model Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013079 data visualisation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 238000012843 least square support vector machine Methods 0.000 description 1
- 239000010721 machine oil Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
-
- 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
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
- G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
本发明涉及基于数据驱动的液压缸内泄露故障智能诊断方法及系统,所述方法包括以下步骤:步骤1、利用各类传感器采集注塑机液压缸运行状态数据,获得故障数据样本;步骤2、对保压阶段的注射压力信号进行特征提取;步骤3、建立故障诊断模型,对故障诊断模型进行训练;步骤4、对注塑机液压缸运行状态的实时数据进行诊断,同时故障诊断模型进行自更新优化。本发明通过非破坏性的人为操作模拟出实际注射过程中的液压缸内泄露状态,获得故障数据样本,使用数据挖掘算法完成故障特征提取以及诊断模型训练,并结合互联网技术实现远程的故障智能诊断。
Description
技术领域
本发明涉及液压系统故障技术领域,具体涉及基于数据驱的液压缸内泄露故障智能诊断方法及系统。
背景技术
这里的陈述仅提供与本发明相关的背景技术,而不必然地构成现有技术。
液压系统具有重量轻、体积小、功率大、工作稳定性强以及能够完成大范围的无极调速等特点,在工业领域中应用广泛。其中,液压缸作为液压伺服系统中的执行部分,在实现直线运动或旋转往复运动上得到十分广泛的运用,其健康状态直接影响整个生产活动。
液压系统的故障诊断方法主要分为三种,包括基于数学模型的方法、基于经验知识和基于数据驱动的方法。基于数学模型的方法利用了数学理论公式、物理平衡方程等逐步推导并构建精确的系统数学模型,但是建立精确的数学模型在实际工况环境中是很难的,不适用于繁杂多变的环境;基于经验知识的方法包含专家系统以及图搜索两种方法,但该方法适用于无法构建精确数学模型的复杂高耦合系统;基于数据驱动的方法主要有基于支持向量机方法和神经网络方法。
中国专利申请号:201610497436.5,专利名称:《液压缸内泄露故障诊断评估方法》,该发明专利采用小波分析法对压力信号进行特征提取,结合BP身居网络,实现液压缸内泄露等级的诊断评估。
文献《基于LS-SVM液压缸泄露故障诊断方法的研究》(期刊名:《机床和液压》,卷号等信息:2017,45(15):184-187)以液压缸泄露为研究对象,对液压缸泄露成都进行分类,采用最小二乘支持向量机方法实现了诊断目标。
虽然现有技术已成功使用数据驱动的方法对液压缸进行故障诊断,但存在故障数据获取困难、诊断模型精度不佳和模型参数选择的问题,本发明通过模拟液压缸内泄露实验,使用XGBoost算法训练诊断模型,最后采取粒子群优化算法(PSO)寻找最佳核参数集合,解决了上述问题。
发明内容
本发明的目的是克服现有技术的不足,提供了基于数据驱动的液压缸内泄露故障智能诊断方法及系统,准确性高,可靠性好。
本发明至少通过如下技术方案之一实现。
基于数据驱动的液压缸内泄露故障智能诊断方法,包括以下步骤:
步骤1、利用各类传感器采集注塑机液压缸运行状态数据,获得故障数据样本;
步骤2、对保压阶段的注射压力信号进行特征提取;
步骤3、建立故障诊断模型,对故障诊断模型进行训练;
步骤4、对注塑机液压缸运行状态的实时数据进行诊断,输出诊断结果,同时故障诊断模型进行自更新优化。
优选的,采集数据之前先搭建故障模拟实验平台,将故障诊断对象设定为出现频次最高的注射油缸内泄露故障。
优选的,具体的搭建过程是:在节流阀安装的过程中,将四通接头替换掉原先的三通接头,再将两根橡胶油缸的一侧串联节流阀,另一侧连接在四通处,从而将节流阀外接并联在注射油缸的附近。
优选的,步骤2是对保压阶段压力信号数据进行时域和频域特征提取。
优选的,所述故障诊断模型包括XGBoost算法分类器模型,所述XGBoost算法采用回归树作为基学习器,多个树的集合通过加权求和最终得出分类或者回归预测的结果,其中的学习模型为:
优选的,故障诊断模型的训练包括以下步骤:
步骤a、对原始数据进行可视化与探索性分析,先对正常与三种故障状态下的注射压力数据曲线、主油路压力实际值、注射位置、油泵转速实际值进行局部可视化对比分析,根据在注射阶段时四种状态下注射位置的变化不同,即注射速度有差异,从里到外依次为严重、一般、轻微、正常;
步骤b、完成数据的预处理,包括对数据的缺失值处理、类别标签处理、数据归一化、划分训练集与测试集,其中训练数据集占70%;
步骤c、完成特征工程,所述特征工程包括特征提取、组合、降维、排序选择操作;
步骤d、利用训练集对机器学习分类器进行训练,将经过预处理的特征变量及其相应的故障状态输入到XGBoost算法分类器中,使用XGBoost算法完成故障诊断模型的训练;
步骤e、对训练好的故障诊断模型进行性能评估与调参优化。
优选的,所述性能评估与调参优化具体为选择用hyperopt调参工具库对训练好的故障诊断模型进行寻优,并采取粒子群优化算法寻找最佳核参数集合。
实施所述的基于数据驱动的液压缸内泄露故障智能诊断方法的系统,所述系统包括硬件层、软件层、用户层;所述硬件层用于采集故障数据,利用各类传感器采集设备运行状态数据,将数据存入数据库管理模块;
软件层在服务器端运行,软件层包括数据预处理、数据挖掘模块、Web模块;所述数据挖掘模块中包括特征提取和故障诊断模型训练两个部分;
用户层为用户端,有诊断需求的用户利用浏览器访问软件层,通过浏览器提交待诊断数据,并从中获取诊断完成的结果数据。
优选的,在用户层中,用户首先登录界面进行身份认证,通过系统后台数据库的认证之后,才能进入系统数据导入界面。
与现有的技术相比,本发明的有益效果为:
1.本发明的方法,通过调整刻度值达到模拟不同泄露程度故障的目的,并使用数据采集系统完成故障样本收集,并对数据进行了预处理,使得故障数据特征提取的误差降低。
2.本发明的方法,结合注塑机工艺过程的特点,将注塑机注射油缸内泄露的故障特征提取划分为两个阶段;分别是对注射阶段的压力、转速、位移信号进行探索性分析,然后对保压阶段的压力信号进行了特征提取,从而更具针对性和准确性。
3.本发明的方法,将提取出的故障诊断数据进行归一化处理,并将样本集划分为训练集和验证集,采用XGBoost算法进行模型训练,经过PSO超参数寻优后的诊断模型训练集,进一步提高准确率。
3.本发明的方法,利用Java Web技术与python数据挖掘算法模块实现了远程故障智能诊断,同时开发了登录注册、待诊断数据导入功能、数据可视化、离线故障特征提取、诊断模型自更新等功能。从而提升了系统诊断识别率、相应速度和稳定性。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成的对本申请的限定。
图1为本发明实施例基于数据驱动的液压缸内泄露故障智能诊断系统架构图;
图2为本发明实施例基于数据驱动的液压缸内泄露故障智能诊断系统模型图;
图3为本发明实施例基于XGBoost的故障诊断模型的训练流程图;
图4为本发明实施例液压缸故障诊断系统时序图。
具体实施方式
应该指出,一下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是描述具体实施方式,而非意图限制根据本事情的示例性方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或:“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
正如背景技术所介绍的,现有的基于经验和模型驱动的液压系统故障诊断方法结果不准确、可靠性差,针对上述问题,本申请提出了基于数据驱动的液压缸内泄露故障智能诊断方法及系统。
如图1所示的基于数据驱动的液压缸内泄露故障智能诊断系统,整个系统分为三层,分别是硬件层、软件层、用户层。
所述硬件层的作用是采集故障数据,利用各类传感器完成对设备运行状态数据的采集,将历史数据存入数据库管理模块进行储存。
软件层在服务器端运行,软件层包括上述数据预处理、数据挖掘模块、Web模块;所述数据挖掘模块中包括特征提取和故障诊断模型训练两个部分。
特征提取是对保压阶段的注射压力信号进行时域统计特征提取与小波包变换能量特征提取;故障诊断模型训练是用XGBoost算法分类器模型训练,然后评估分析模型是否欠存在欠拟合与过拟合等问题,最终确定注塑机内泄露故障诊断模型。
XGBoost的本质是采用回归树作为基学习器,多个树的集合(Tree Ensemble)通过加权求和最终得出分类或者回归预测的结果,其中的学习模型为:
Web模块能够可视化设备运行数据,可调用数据挖掘模块,显示数据挖掘模块返回的诊断结果数据,同时具有启动算法模块自更新的功能;
用户层为用户端,有诊断需求的用户利用浏览器访问软件层,通过浏览器提交待诊断数据,并从中获取诊断完成的结果数据。
如图3所示,基于XGBoost的故障诊断模型训练包括以下步骤:
步骤a、对原始数据进行可视化与探索性分析(EDA),先对正常与三种故障状态下的注射压力数据曲线、主油路压力实际值、注射位置、油泵转速实际值进行局部可视化对比分析,发现在注射阶段时四种状态下注射位置的变化不同,即注射速度有差异,从里到外依次为严重、一般、轻微、正常,初步了解数据的分布以及规律;
步骤b、完成数据的预处理(DP),包括缺失值处理、类别标签处理、数据归一化、划分训练集与测试集等,其中训练数据集占70%。
步骤c、完成特征工程(FE),所述特征工程包括上述特征提取、组合、降维、排序选择等操作。
步骤d、利用训练集对机器学习分类器进行训练(MT),将经过预处理的特征变量及其相应的故障状态输入到分类器中,完成诊断模型的初步训练。
步骤e、对训练好的机器学习分类器进行性能评估与调参优化,具体为:选择用hyperopt调参工具库进行寻优,并采取PSO的搜索算法寻找最佳核参数集合,经过超参数寻优后,故障诊断模型的准确率显著提升,并分析故障诊断模型是否欠存在欠拟合与过拟合等问题。
对实时数据的每一次诊断都会对故障诊断模型进行自更新优化,使得故障诊断模型具备自学习的能力。
利用Java Web与Python脚本开发注塑机液压缸内泄露故障智能诊断系统,实现数据上传、数据可视化、特征提取、远程故障智能诊断、故障诊断模型自更新等多种功能,实现注塑机液压缸内泄露的远程故障智能诊断。在Eclipes开发环境中,创建了Java Web的Maven项目,添加项目所需的依赖jar包,其中Jsp等负责前端页面的展现,Java负责后端逻辑控制以及数据库间的业务逻辑,Python负责数据预处理、特征提取以及智能故障诊断模型的运算。最终系统在实现基于数据驱动的故障智能诊断核心功能的同时,系统还增添了登录注册、数据导入模块、数据可视化模块、故障特征提取模块、系统管理模块以及故障诊断模型自更新功能。
依照用户在使用诊断系统功能时的不同行为顺序设计出如图4的注塑机故障诊断系统时序图,用户首先在系统登录界面进行身份认证,通过系统后台数据库的认证之后,才能顺利进入系统数据导入界面;接着导入待诊断的数据并填写表单,上传至数据库中保存;用户进入到可视化界面,可以查看数据曲线并具备交互性,根据曲线的状态可以得出初步的结论;随后进入特征提取界面,完成对时域及频域小波包特征的提取并显示其数据;下一步进入故障诊断页面,将提取的特征数据上传至已经训练好的故障诊断模型中,在模型完成数据运算后,返回诊断数据,可分析结果数据;诊断完成返回至数据导入页面,并可选择退出诊断系统。
如图2所示,为注塑机油缸内泄露模拟实验,实验通过在注射油缸的油管接口处外接节流阀,并调节节流阀的开口大小模拟密封圈磨损的程度,人为的复现不同程度内泄露的故障状态,从而完成对注塑机注射液压缸在工作状态下多的传感器故障样本数据的采集工作。主要有以下步骤:
步骤1、节流阀在安装过程中,将四通接头替换掉原先系统的三通接头,再将两根橡胶油缸一侧串联节流阀,一侧连接在四通处,从而完成节流阀外接并联在注射油缸的附近。
步骤2、在完成故障模拟实验平台的搭建后,采集的数据有主油路压力实际值,主油路压力设定值、油泵转速实际值、油泵转速设定值、注射油缸实际压力值以及电子尺运动位置值,共有6个信号数据,一并接入至数据采集仪器。
步骤3、调节节流阀的旋钮,不同标定的刻度值对应其阀口开度,从而模拟出四种内泄露故障的状态,分别是正常情况、轻微泄露、一般泄露、严重泄露。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅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做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。
Claims (9)
1.基于数据驱动的液压缸内泄露故障智能诊断方法,其特征在于,包括以下步骤:
步骤1、利用各类传感器采集注塑机液压缸运行状态数据,获得故障数据样本;
步骤2、对保压阶段的注射压力信号进行特征提取;
步骤3、建立故障诊断模型,对故障诊断模型进行训练;
步骤4、对注塑机液压缸运行状态的实时数据进行诊断,输出诊断结果,同时故障诊断模型进行自更新优化。
2.根据权利要求1所述的基于数据驱动的液压缸内泄露故障智能诊断方法,其特征在于,采集数据之前先搭建故障模拟实验平台,将故障诊断对象设定为出现频次最高的注射油缸内泄露故障。
3.根据权利要求2所述的基于数据驱动的液压缸内泄露故障智能诊断方法,其特征在于,具体的搭建过程是:在节流阀安装的过程中,将四通接头替换掉原先的三通接头,再将两根橡胶油缸的一侧串联节流阀,另一侧连接在四通处,从而将节流阀外接并联在注射油缸的附近。
4.根据权利要求3所述的基于数据驱动的液压缸内泄露故障智能诊断方法,其特征在于,步骤2是对保压阶段压力信号数据进行时域和频域特征提取。
6.根据权利要求5所述的基于数据驱动的液压缸内泄露故障智能诊断方法,其特征在于,故障诊断模型的训练包括以下步骤:
步骤a、对原始数据进行可视化与探索性分析,先对正常与三种故障状态下的注射压力数据曲线、主油路压力实际值、注射位置、油泵转速实际值进行局部可视化对比分析,根据在注射阶段时四种状态下注射位置的变化不同,即注射速度有差异,从里到外依次为严重、一般、轻微、正常;
步骤b、完成数据的预处理,包括对数据的缺失值处理、类别标签处理、数据归一化、划分训练集与测试集,其中训练数据集占70%;
步骤c、完成特征工程,所述特征工程包括特征提取、组合、降维、排序选择操作;
步骤d、利用训练集对机器学习分类器进行训练,将经过预处理的特征变量及其相应的故障状态输入到XGBoost算法分类器中,使用XGBoost算法完成故障诊断模型的训练;
步骤e、对训练好的故障诊断模型进行性能评估与调参优化。
7.根据权利要求6所述的基于数据驱动的液压缸内泄露故障智能诊断方法,其特征在于,所述性能评估与调参优化具体为选择用hyperopt调参工具库对训练好的故障诊断模型进行寻优,并采取粒子群优化算法寻找最佳核参数集合。
8.实施权利要求7所述的基于数据驱动的液压缸内泄露故障智能诊断方法的系统,其特征在于,所述系统包括硬件层、软件层、用户层;所述硬件层用于采集故障数据,利用各类传感器采集设备运行状态数据,将数据存入数据库管理模块;
软件层在服务器端运行,软件层包括数据预处理、数据挖掘模块、Web模块;所述数据挖掘模块中包括特征提取和故障诊断模型训练两个部分;
用户层为用户端,有诊断需求的用户利用浏览器访问软件层,通过浏览器提交待诊断数据,并从中获取诊断完成的结果数据。
9.根据权利要求8所述的基于数据驱动的液压缸内泄露故障智能诊断系统,其特征在于,在用户层中,用户首先登录界面进行身份认证,通过系统后台数据库的认证之后,才能进入系统数据导入界面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110128725.9A CN112926400A (zh) | 2021-01-29 | 2021-01-29 | 基于数据驱动的液压缸内泄露故障智能诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110128725.9A CN112926400A (zh) | 2021-01-29 | 2021-01-29 | 基于数据驱动的液压缸内泄露故障智能诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112926400A true CN112926400A (zh) | 2021-06-08 |
Family
ID=76168706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110128725.9A Pending CN112926400A (zh) | 2021-01-29 | 2021-01-29 | 基于数据驱动的液压缸内泄露故障智能诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112926400A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114638384A (zh) * | 2022-05-17 | 2022-06-17 | 四川观想科技股份有限公司 | 一种基于机器学习的故障诊断方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108363896A (zh) * | 2018-05-10 | 2018-08-03 | 南京航空航天大学 | 一种液压缸故障诊断方法 |
CN109829236A (zh) * | 2019-01-31 | 2019-05-31 | 浙江工业大学 | 一种基于XGBoost特征提取的压缩机故障诊断方法 |
CN111523711A (zh) * | 2020-04-08 | 2020-08-11 | 宁波中国科学院信息技术应用研究院 | 一种用于注塑机液压驱动系统泄露故障的诊断方法 |
-
2021
- 2021-01-29 CN CN202110128725.9A patent/CN112926400A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108363896A (zh) * | 2018-05-10 | 2018-08-03 | 南京航空航天大学 | 一种液压缸故障诊断方法 |
CN109829236A (zh) * | 2019-01-31 | 2019-05-31 | 浙江工业大学 | 一种基于XGBoost特征提取的压缩机故障诊断方法 |
CN111523711A (zh) * | 2020-04-08 | 2020-08-11 | 宁波中国科学院信息技术应用研究院 | 一种用于注塑机液压驱动系统泄露故障的诊断方法 |
Non-Patent Citations (1)
Title |
---|
徐勇: "基于数据驱动的注塑机液压故障智能诊断系统研究与设计", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114638384A (zh) * | 2022-05-17 | 2022-06-17 | 四川观想科技股份有限公司 | 一种基于机器学习的故障诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109460618B (zh) | 一种滚动轴承剩余寿命在线预测方法及系统 | |
CN111046945B (zh) | 基于组合卷积神经网络的故障类型及损坏程度诊断方法 | |
CN110657984B (zh) | 一种基于强化胶囊网络的行星齿轮箱故障诊断方法 | |
CN110334764A (zh) | 基于集成深度自编码器的旋转机械智能故障诊断方法 | |
CN108399248A (zh) | 一种时序数据预测方法、装置及设备 | |
CN110363337B (zh) | 一种基于数据驱动的抽油机量油方法及系统 | |
CN110516305A (zh) | 基于注意机制元学习模型的小样本下故障智能诊断方法 | |
CN110110768A (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
CN109781411A (zh) | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 | |
CN111680788B (zh) | 基于深度学习的设备故障诊断方法 | |
CN105678343A (zh) | 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法 | |
CN112132102B (zh) | 一种深度神经网络结合人工蜂群优化的智能故障诊断方法 | |
CN112729834B (zh) | 一种轴承故障的诊断方法、装置和系统 | |
CN111896254A (zh) | 一种变速变载大型滚动轴承故障预测系统及方法 | |
CN106022352A (zh) | 基于支持向量机的潜油柱塞泵故障诊断方法 | |
CN113188794A (zh) | 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置 | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
CN117609836A (zh) | 一种综合模块的电磁敏感预测与健康管理方法 | |
CN112926400A (zh) | 基于数据驱动的液压缸内泄露故障智能诊断方法及系统 | |
CN115614292A (zh) | 一种立式水泵机组振动监测装置及其方法 | |
Wang et al. | A graph neural network-based data cleaning method to prevent intelligent fault diagnosis from data contamination | |
CN110598326A (zh) | 一种基于人工智能的试井解释方法 | |
CN116910513A (zh) | 一种基于cwgan-gp和双流cnn模型的离心泵转子故障诊断方法 | |
CN114925724A (zh) | 一种机械设备故障诊断方法、装置及存储介质 | |
CN118150157A (zh) | 风电机组齿轮箱故障诊断方法、系统、设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210608 |