CN113239998A - 一种抱桩机状态故障分析系统及方法 - Google Patents
一种抱桩机状态故障分析系统及方法 Download PDFInfo
- Publication number
- CN113239998A CN113239998A CN202110494830.4A CN202110494830A CN113239998A CN 113239998 A CN113239998 A CN 113239998A CN 202110494830 A CN202110494830 A CN 202110494830A CN 113239998 A CN113239998 A CN 113239998A
- Authority
- CN
- China
- Prior art keywords
- pile
- neural network
- oil cylinder
- information
- deep neural
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 48
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000010606 normalization Methods 0.000 claims abstract description 9
- 239000003921 oil Substances 0.000 claims description 67
- 238000006073 displacement reaction Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000011478 gradient descent method Methods 0.000 claims description 10
- 239000007788 liquid Substances 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 6
- 239000010727 cylinder oil Substances 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 238000010276 construction Methods 0.000 abstract description 9
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000011160 research Methods 0.000 abstract description 2
- 238000009434 installation Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 18
- 229910000831 Steel Inorganic materials 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 239000010959 steel Substances 0.000 description 9
- 238000003745 diagnosis Methods 0.000 description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 4
- 230000009977 dual effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
-
- 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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/06—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
- G06Q10/06395—Quality analysis or management
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种抱桩机状态故障分析系统及方法,涉及故障分析技术领域。所述方法包括:获取抱桩机的原始数据集;对原始数据集进行数据增强和归一化的预处理,得到预处理数据;预处理数据输入基于深度神经网络的双层次分类器,输出得到抱桩机的故障状态。本发明针对现有神经网络研究的预测精度不高,无法区分故障程度等问题,构建基于深度神经网络的双层分类器,进行故障的预测与分析,将抱桩机的状态监测转化为设备故障类型分析及预测,依据监测数据进行故障预测及分析,能够确保打桩安装质量,避免抱桩机抱臂变形,降低弃桩率,提高施工综合效率。
Description
技术领域
本发明涉及故障分析技术领域,尤其涉及一种抱桩机状态故障分析系统及方法。
背景技术
海洋平台的建设存在诸多困难,其中钢桩的打桩施工就是海上风电、石油平台构建中面临的一个难点,尤其是在工作水深大、钢桩直径大、风疾浪高等条件下的钢桩基础施工难度更大。抱桩器是解决海上平台基础钢管桩打桩施工难点的专业设备,该设备用于风机钢桩下桩过程中的位置调整、抱紧导向以保持钢桩的适当位置不变;钢桩着底沉桩工况时,能够对钢桩的垂直度进行调整;打桩工况时能够导向、辅助扶正及垂直度调节。
现有的抱桩器能实现抱臂开合、抱桩夹持与导向、位置调整及钢桩着底后垂直度调整功能。但其打桩过程中会出现打桩故障,影响打桩质量,易造成弃桩,对设备也有一定的损坏。因此需要针对抱桩机打桩过程中会出现打桩故障进行深入分析,为抱桩机运行状态的监控提供预警分析。
发明内容
本发明目的在于,提供一种抱桩机状态故障分析系统及方法,依据监测数据进行故障预测及分析,确保打桩安装质量,降低弃桩率和避免抱桩机抱臂变形,提高施工综合效率。
为实现上述目的,本发明实施例提供一种抱桩机状态故障分析系统,包括:数据获取模块,用于获取抱桩机的原始数据集;预处理模块,用于对所述原始数据集进行数据增强和归一化的预处理,得到预处理数据;分类模块,用于将所述预处理数据输入基于深度神经网络的双层次分类器,输出得到抱桩机的故障状态。
优选地,所述原始数据集包括油箱油温信息、油箱液位信息、开合油缸位移信息、开合油缸速度信息、开合油缸压力信息、伸缩辊轮油缸位移信息、伸缩辊轮油缸速度信息、左右抱臂铰接点抱臂形变信息、主副油泵电机动力信息、十字滑移油缸位移信息、十字滑移油缸液位信息、十字滑移油缸压力信息和伸缩辊轮油缸油压信息。
优选地,所述深度神经网络的模型表达式为:
z=∑WiXi+b
y(Xi)=σ(z)
其中,Wi为模型的权值矩阵,b为偏倚向量,y(Xi)为输出数据,Xi为输入数据,σ(z)为激活函数。
优选地,所述分类模块还包括优化单元,所述优化单元用于通过梯度下降法对所述深度神经网络进行最优化求解;其中,所述梯度下降法采用的梯度公式为:
优选地,所述分类模块还包括训练单元,所述训练单元用于通过反向传播法对所述深度神经网络进行深度训练;其中,所述反向传播法采用的公式为:
其中,W(l)表示所述深度神经网络第l层权值,b(l)表示所述深度神经网络第l层偏置值的矩阵,η表示步长,Ltotal表示损失函数,表示各层权值关于损失函数的偏导数,表示各层偏置值关于损失函数的偏导数。
本发明实施例还提供一种抱桩机状态故障分析方法,包括:获取抱桩机的原始数据集;对所述原始数据集进行数据增强和归一化的预处理,得到预处理数据;将所述预处理数据输入基于深度神经网络的双层次分类器,输出得到抱桩机的故障状态。
优选地,所述原始数据集包括油箱油温信息、油箱液位信息、开合油缸位移信息、开合油缸速度信息、开合油缸压力信息、伸缩辊轮油缸位移信息、伸缩辊轮油缸速度信息、左右抱臂铰接点抱臂形变信息、主副油泵电机动力信息、十字滑移油缸位移信息、十字滑移油缸液位信息、十字滑移油缸压力信息和伸缩辊轮油缸油压信息。
优选地,所述深度神经网络的模型表达式为:
z=∑WiXi+b
y(Xi)=σ(z)
其中,Wi为模型的权值矩阵,b为偏倚向量,y(Xi)为输出,Xi为输入,σ(z)为激活函数。
优选地,所述将所述预处理数据输入基于深度神经网络的双层次分类器,输出得到抱桩机的故障状态,包括通过梯度下降法对所述深度神经网络进行最优化求解;其中,所述梯度下降法采用的梯度公式为:
优选地,所述将所述预处理数据输入基于深度神经网络的双层次分类器,输出得到抱桩机的故障状态,包括通过反向传播法对所述深度神经网络进行深度训练;其中,所述反向传播法采用的公式为:
其中,W(l)表示所述深度神经网络第l层权值,b(l)表示所述深度神经网络第l层偏置值的矩阵。
与现有技术相比,本发明具有以下有益效果:
本发明提供一种抱桩机状态故障分析系统,包括:数据获取模块,用于获取抱桩机的原始数据集;预处理模块,用于对所述原始数据集进行数据增强和归一化的预处理,得到预处理数据;分类模块,用于将所述预处理数据输入基于深度神经网络的双层次分类器,输出得到抱桩机的故障状态。本发明针对现有神经网络研究的预测精度不高,无法区分故障程度等问题,构建基于深度神经网络的双层分类器,进行故障的预测与分析。首先是分类器识别出设备出现故障的类型,再识别出现故障的原因,无需主动提取特征,利用神经网络自动提取特征,将抱桩机的状态监测转化为设备故障类型分析及预测。依据监测数据进行故障预测及分析,确保打桩安装质量,降低弃桩率和避免抱桩机抱臂变形,提高施工综合效率。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,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为本发明某一实施例提供的抱桩机状态故障分析系统的结构示意图;
图2为本发明另一实施例提供的抱桩机状态故障分析系统的结构示意图;
图3为本发明某一实施例提供的抱桩机状态故障分析方法的流程示意图;
图4为本发明某一实施例提供的基于深度神经网络的双层次分类器的故障诊断分析示意图;
图5为本发明某一实施例提供的基于深度神经网络的双层次分类器的故障诊断模型示意图;
图6为本发明某一实施例提供的计算机终端设备的结构示意图。
具体实施方式
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。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1,图1为本发明某一实施例提供的抱桩机状态故障分析系统的结构示意图。本实施例提供的抱桩机状态故障分析系统,包括:
数据获取模块110,用于获取抱桩机的原始数据集;
预处理模块120,用于对所述原始数据集进行数据增强和归一化的预处理,得到预处理数据;
分类模块130,用于将所述预处理数据输入基于深度神经网络的双层次分类器,输出得到抱桩机的故障状态。
在本发明实施例中,所述原始数据集包括油箱油温信息、油箱液位信息、开合油缸位移信息、开合油缸速度信息、开合油缸压力信息、伸缩辊轮油缸位移信息、伸缩辊轮油缸速度信息、左右抱臂铰接点抱臂形变信息、主副油泵电机动力信息、十字滑移油缸位移信息、十字滑移油缸液位信息、十字滑移油缸压力信息和伸缩辊轮油缸油压信息。
在某一具体实施例中,将一部分抱桩机原始数据作为训练集输入,将另一部分抱桩机原始数据作为测试样本,并对其进行数据增强和归一化的预处理;通过反向传播算法得到基于深度神经网络的双层次分类器。
在双层次分类器中,输入和输出的数据变量列表如表1-3所示。
表1双层次分类器输入数据列表
表2双层次分类器第一层输出数据列表
表3双层次分类器第二层输出数据列表
在本发明实施例中,所述深度神经网络的模型表达式为:
z=∑WiXi+b
y(Xi)=σ(z)
其中,Wi为模型的权值矩阵,b为偏倚向量,y(Xi)为输出数据,Xi为输入数据,σ(z)为激活函数。
请参阅图2,图2为本发明另一实施例提供的抱桩机状态故障分析系统的结构示意图。为了得到模型最优的权值矩阵和偏倚向量,本实施例提供的抱桩机状态故障分析系统的分类模块130还包括优化单元131,所述优化单元131用于通过梯度下降法对所述深度神经网络进行最优化求解;其中,所述梯度下降法采用的梯度公式为:
进一步地,为了得到模型最优的权值矩阵和偏倚向量,本实施例提供的抱桩机状态故障分析系统的分类模块130还包括训练单元132,所述训练单元132用于通过反向传播法对所述深度神经网络进行深度训练;其中,所述反向传播法采用的公式为:
其中,W(l)表示所述深度神经网络第l层权值,b(l)表示所述深度神经网络第l层偏置值的矩阵,η表示步长,Ltotal表示损失函数,表示各层权值关于损失函数的偏导数,表示各层偏置值关于损失函数的偏导数。
L是i层得权值,i是第i层,那个不是a,是偏导符号,j表示列;δi (l)的另一个作用是,可通过l+1层的δ(l+1)来求解第l的δi (l),利用已求得的信息来简化计算,即:
式(7)是反向传播公式算法的核心。
为简化表示,用矩阵表示式(7),即:
δ(l)=((W(l+1))Tδ(l+1))⊙f’(z(l)) (8)
⊙表示Hadamard乘积
反向传播计算代价函数对参数和偏导数,并通过梯度下降更新参数的算法流程如下:
第一步:随机初始化参数W和b,通常将参数和权值初始化为一个接近于0的数。
第二步:通过正向传播公式,计算出各层神经元的状态和激活值。
第三步:计算出输出层的δ(l),随后利用公式(7)计算出从L-1层到第二层各隐藏层的δ(l)值,(l=L-1,L-2,...,2)。
第四步:根据公式(5)及(6)依次求得代价函数对参数和偏置值的偏导数。
第五步:更新各神经元的参数。
第六步:迭代执行前四步计算偏导数,与第五步更新参数,直到相邻两次迭代的误差很小,或达到设定迭代次数上限。
3)对深度神经网络的优化方法,本发明实施例采用Adam(Adaptive MomentEstimation)算法,此算法整合了动量和RMSprop算法,是自适应学习率梯度下降算法中性能较好的一个,其计算所需内存小,效率高,是当前深度学习中最常用的优化算法。Adam算法以损失函数对各参数的一阶矩估计。
以及二阶矩估计为基准,动态调整各参数的学习速率,并且不同的参数有不同的动量,使得每个参数更具有独特性,深度神经网络模型更具有稳定性,提升了训练速度。具体算法如下:
Vdw=β1Vdw+(1-β1)dW,Vdb=β1Vdb+(1-β1)db (9)
Sdw=β2Sdw+(1-β2)dW2,Sdb=β2Sdb+(1-β2)db2 (10)
β1为一阶矩估计的指数衰减率,β2为二阶矩估计的指数衰减率,ε是很小的数,防止除以零。
式(9)是动量部分表示指数加权平均称为第一矩,式(10)是RMSprop部分表示二次指数加权平均称为第二矩,公式(13)中α表示学习速率。本发明实施例采用Adam作为优化函数,在Adam优化算法中,参数β1设置为0.9,β2设置为0.99,ε为10-8。
请参阅图3,图3为本发明某一实施例提供的抱桩机状态故障分析方法的流程示意图。在本实施例中与上述实施例相同的部分,在此不再赘述。本实施例提供的抱桩机状态故障分析方法包括以下步骤:
S210,获取抱桩机的原始数据集;
S220,对所述原始数据集进行数据增强和归一化的预处理,得到预处理数据;
S230,将所述预处理数据输入基于深度神经网络的双层次分类器,输出得到抱桩机的故障状态。
请结合图4-5,图4为本发明某一实施例提供的基于深度神经网络的双层次分类器的故障诊断分析示意图,图5为本发明某一实施例提供的基于深度神经网络的双层次分类器的故障诊断模型示意图。本发明实施例中,作为故障诊断分类器的双层次分类器,第一层用于诊断抱桩机故障的区域,可能故障的区域包括油箱、开合油缸、伸缩辊轮油缸、十字滑移系统、左右抱臂铰接点和主副油泵电机;第二层用于对诊断出故障的区域的进一步细诊断,详细分类可参见图4-5,在此不作赘述。
本发明实施例提供的抱桩机状态故障分析系统及方法,对数据进行处理时,无需手动进行数据特征的提取,采用基于深度神经网络的双层次分类器实现自动特征提取,智能分析故障可能发生的区域,能够提前规避故障的发生,确保打桩安装质量,降低低弃桩率,提高施工综合效率。
请参阅图6,本发明实施例提供一种计算机终端设备,包括一个或多个处理器和存储器。存储器与所述处理器耦接,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述任意一个实施例中的抱桩机状态故障分析方法。
处理器用于控制该计算机终端设备的整体操作,以完成上述的抱桩机状态故障分析方法的全部或部分步骤。存储器用于存储各种类型的数据以支持在该计算机终端设备的操作,这些数据例如可以包括用于在该计算机终端设备上操作的任何应用程序或方法的指令,以及应用程序相关的数据。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-OnlyMemory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
在一示例性实施例中,计算机终端设备可以被一个或多个应用专用集成电路(Application Specific 1ntegrated Circuit,简称AS1C)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的抱桩机状态故障分析方法,并达到如上述方法一致的技术效果。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述任意一个实施例中的抱桩机状态故障分析方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器,上述程序指令可由计算机终端设备的处理器执行以完成上述的抱桩机状态故障分析方法,并达到如上述方法一致的技术效果。
以上所述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,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种抱桩机状态故障分析系统,其特征在于,包括:
数据获取模块,用于获取抱桩机的原始数据集;
预处理模块,用于对所述原始数据集进行数据增强和归一化的预处理,得到预处理数据;
分类模块,用于将所述预处理数据输入基于深度神经网络的双层次分类器,输出得到抱桩机的故障状态。
2.根据权利要求1所述的抱桩机状态故障分析系统,其特征在于,所述原始数据集包括油箱油温信息、油箱液位信息、开合油缸位移信息、开合油缸速度信息、开合油缸压力信息、伸缩辊轮油缸位移信息、伸缩辊轮油缸速度信息、左右抱臂铰接点抱臂形变信息、主副油泵电机动力信息、十字滑移油缸位移信息、十字滑移油缸液位信息、十字滑移油缸压力信息和伸缩辊轮油缸油压信息。
3.根据权利要求1所述的抱桩机状态故障分析系统,其特征在于,所述深度神经网络的模型表达式为:
z=∑WiXi+b
y(Xi)=σ(z)
其中,Wi为模型的权值矩阵,b为偏倚向量,y(Xi)为输出数据,Xi为输入数据,σ(z)为激活函数。
6.一种抱桩机状态故障分析方法,其特征在于,包括:
获取抱桩机的原始数据集;
对所述原始数据集进行数据增强和归一化的预处理,得到预处理数据;
将所述预处理数据输入基于深度神经网络的双层次分类器,输出得到抱桩机的故障状态。
7.根据权利要求6所述的抱桩机状态故障分析方法,其特征在于,所述原始数据集包括油箱油温信息、油箱液位信息、开合油缸位移信息、开合油缸速度信息、开合油缸压力信息、伸缩辊轮油缸位移信息、伸缩辊轮油缸速度信息、左右抱臂铰接点抱臂形变信息、主副油泵电机动力信息、十字滑移油缸位移信息、十字滑移油缸液位信息、十字滑移油缸压力信息和伸缩辊轮油缸油压信息。
8.根据权利要求6所述的抱桩机状态故障分析方法,其特征在于,所述深度神经网络的模型表达式为:
z=∑WiXi+b
y(Xi)=σ(z)
其中,Wi为模型的权值矩阵,b为偏倚向量,y(Xi)为输出,Xi为输入,σ(z)为激活函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110494830.4A CN113239998A (zh) | 2021-05-07 | 2021-05-07 | 一种抱桩机状态故障分析系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110494830.4A CN113239998A (zh) | 2021-05-07 | 2021-05-07 | 一种抱桩机状态故障分析系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113239998A true CN113239998A (zh) | 2021-08-10 |
Family
ID=77132278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110494830.4A Pending CN113239998A (zh) | 2021-05-07 | 2021-05-07 | 一种抱桩机状态故障分析系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113239998A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115328062A (zh) * | 2022-08-31 | 2022-11-11 | 济南永信新材料科技有限公司 | 水刺布生产线智能控制系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150084613A (ko) * | 2014-01-14 | 2015-07-22 | 주식회사 트라콤 | 데이터 마이닝을 이용한 타워크레인 고장예측방법 |
CN109033505A (zh) * | 2018-06-06 | 2018-12-18 | 东北大学 | 一种基于深度学习的超快冷温度控制方法 |
CN112747011A (zh) * | 2020-12-29 | 2021-05-04 | 广东精铟海洋工程股份有限公司 | 基于抱桩器液压系统的故障预测方法及抱桩器液压系统 |
-
2021
- 2021-05-07 CN CN202110494830.4A patent/CN113239998A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150084613A (ko) * | 2014-01-14 | 2015-07-22 | 주식회사 트라콤 | 데이터 마이닝을 이용한 타워크레인 고장예측방법 |
CN109033505A (zh) * | 2018-06-06 | 2018-12-18 | 东北大学 | 一种基于深度学习的超快冷温度控制方法 |
CN112747011A (zh) * | 2020-12-29 | 2021-05-04 | 广东精铟海洋工程股份有限公司 | 基于抱桩器液压系统的故障预测方法及抱桩器液压系统 |
Non-Patent Citations (2)
Title |
---|
李玉峰,刘玫: "基于动量BP网络的柴油机故障诊断", 控制工程, vol. 14, no. 05, pages 518 - 521 * |
袁冰清,程功,郑柳刚: "BP神经网络基本原理", 数字通信世界, vol. 08, pages 28 - 29 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115328062A (zh) * | 2022-08-31 | 2022-11-11 | 济南永信新材料科技有限公司 | 水刺布生产线智能控制系统 |
US11853019B1 (en) | 2022-08-31 | 2023-12-26 | Jinan Winson New Materials Technology Co., Ltd. | Intelligent control of spunlace production line using classification of current production state of real-time production line data |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110516305B (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 | |
Gao et al. | Bearing fault diagnosis based on adaptive convolutional neural network with Nesterov momentum | |
CN111680788A (zh) | 基于深度学习的设备故障诊断方法 | |
CN112734130B (zh) | 一种双馈型风机主轴的故障预警方法 | |
CN112052871B (zh) | 一种基于支持向量机的火箭发动机健康诊断方法及系统 | |
CN112016097B (zh) | 一种预测网络安全漏洞被利用时间的方法 | |
Cardoso et al. | Improve irrigation timing decision for agriculture using real time data and machine learning | |
CN115017945A (zh) | 基于增强型卷积神经网络的机械故障诊断方法和诊断系统 | |
CN113239998A (zh) | 一种抱桩机状态故障分析系统及方法 | |
CN113567131A (zh) | 基于s变换与微型卷积神经网络模型的轴承故障诊断方法 | |
CN114037478A (zh) | 广告异常流量检测方法、系统、电子设备及可读存储介质 | |
CN113961424A (zh) | 分布式系统的故障预测方法以及故障预测装置 | |
CN114962390A (zh) | 液压系统故障诊断方法、系统及作业机械 | |
CN108763418A (zh) | 一种文本的分类方法及装置 | |
CN115481565A (zh) | 一种基于lstm和蚁群算法的土压平衡盾构机掘进参数预测方法 | |
CN115643193A (zh) | 一种网络流量异常检测方法、装置、设备及介质 | |
CN116625686A (zh) | 一种航空发动机轴承故障在线诊断方法 | |
US9613316B2 (en) | Method for improving efficiency in an optimizing predictive model using stochastic gradient descent | |
Zhang et al. | Robust rotating machinery diagnosis using a dynamic-weighted graph updating strategy | |
CN114152442A (zh) | 基于迁移卷积神经网络的滚动轴承跨工况故障检测方法 | |
Zhang et al. | A pruned-optimized weighted graph convolutional network for axial flow pump fault diagnosis with hydrophone signals | |
CN117150882A (zh) | 发动机油耗预测方法、系统、电子设备及存储介质 | |
CN111066562A (zh) | 一种葡萄霜霉病预测方法及系统 | |
Jia et al. | Bearing fault diagnosis method based on CNN-LightGBM | |
CN113920124B (zh) | 基于分割和误差引导的脑神经元迭代分割方法 |
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 |