CN113433925B - 掘进机电机设备的预测性控制方法及装置 - Google Patents
掘进机电机设备的预测性控制方法及装置 Download PDFInfo
- Publication number
- CN113433925B CN113433925B CN202110674312.0A CN202110674312A CN113433925B CN 113433925 B CN113433925 B CN 113433925B CN 202110674312 A CN202110674312 A CN 202110674312A CN 113433925 B CN113433925 B CN 113433925B
- Authority
- CN
- China
- Prior art keywords
- control
- fault diagnosis
- heading machine
- model
- condition data
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种掘进机电机设备的预测性控制方法及装置,涉及机械控制技术领域,主要目的在于解决现有掘进机电机设备的预测性控制效率低的问题。包括:获取掘进机电机设备的运行工况数据;通过已完成模型训练的孤立森林故障诊断模型对所述运行工况数据进行故障诊断处理,得到故障诊断结果;若所述故障诊断结果对应为异常运行状态,则基于所述故障诊断结果调整所述掘进机电机设备的控制参数,反馈至掘进机中央控制子系统中。
Description
技术领域
本发明涉及一种机械控制技术领域,特别是涉及一种掘进机电机设备的预测性控制方法及装置。
背景技术
掘进机是用于开凿平直地下巷道的专用设备,是由机械、电气和液压等构成组成的复杂系统,掘进机可以有效的提高安全性和劳动生产率,然而,由于掘进机的工作环境恶劣,一旦故障停机,会导致巨大的经济损失。因此,需要对掘进机电机设备进行预测性分析,实现在感知故障之前,进行有效地机械控制,从而避免停机等异常情况的发生。
目前,现有对大型机械的电机设备进行的预测性控制仅仅是适用于地上机械设备的无线数据传输,电机设备的预测性判断通常基于专家经验预先配置故障诊断算法,进而进行自动控制,但是,地上的无线传输方法无法适用于掘进机的地下挖掘环境,导致数据传输障碍,并且,基于专家经验配置的故障诊断算法无法实时满足设备工况发生变化而产生的适配性需求,从而使得无法实现掘进机电机设备的预测性控制。
发明内容
有鉴于此,本发明提供一种掘进机电机设备的预测性控制方法及装置,主要目的在于解决现有掘进机电机设备的预测性控制效率低的问题。
依据本发明一个方面,提供了一种掘进机电机设备的预测性控制方法,包括:
获取掘进机电机设备的运行工况数据;
通过已完成模型训练的孤立森林故障诊断模型对所述运行工况数据进行故障诊断处理,得到故障诊断结果,所述孤立森林故障诊断模型为基于所述运行工况数据的变化比重确定切割点完成模型训练的;
若所述故障诊断结果对应为异常运行状态,则基于所述故障诊断结果调整所述掘进机电机设备的控制参数,反馈至掘进机中央控制子系统中。
进一步地,所述基于所述故障诊断结果调整所述掘进机电机设备的控制参数,反馈至掘进机中央控制子系统中包括:
解析所述故障诊断结果中存在控制变量超调量超出预设控制阈值的调整目标;
响应于输出的所述调整目标以及所述控制变量超调量,接收基于所述调整目标、所述控制变量超调量更新的控制参数;
将所述控制参数发送至所述掘进机中央控制子系统中,以使所述掘进机电机设备基于所述控制参数对所述掘进机电机设备进行控制。
进一步地,所述通过已完成模型训练的孤立森林故障诊断模型对所述运行工况数据进行故障诊断处理,得到故障诊断结果之后,所述方法还包括:
若所述故障诊断结果对应为正常运行状态,则通过完成模型训练的故障预测模型对所述运行工况数据进行故障预测处理,调取并输出与故障预测处理得到的故障预测结果匹配的控制策略,以确定是否基于所述控制策略对所述掘进机电机设备进行控制操作。
进一步地,所述通过完成模型训练的故障预测模型对所述运行工况数据进行故障预测处理,调取并输出与故障预测处理得到的故障预测结果匹配的控制策略包括:
解析故障预测处理得到的故障预测结果中的预测控制目标;
从控制策略库中查找与所述预测控制目标匹配的控制策略,所述控制策略为根据不同预测控制目标的控制特征以及匹配的控制函数生成;
输出所述控制策略,以指示选取所述控制策略中对所述预测控制目标进行控制参数的确定。
进一步地,所述通过已完成模型训练的孤立森林故障诊断模型对所述运行工况数据进行故障诊断处理,得到故障诊断结果之前,所述方法还包括:
按照所述运行工况数据的工况分类个数选取训练样本个数;
根据所述运行工况数据在预设时间间隔内的数值变化区间计算所述运行工况数据的变化比重,按照所述变化比重在预设空间维度中的极值之间选取初始切割点,并结合训练样本训练孤立森林故障诊断模型;
在训练所述孤立森林故障诊断模型过程中,通过所述变化比重占与所述极值之间的相对大小关系对初始切割点进行递归更新,完成所述孤立森林故障诊断模型的模型训练。
进一步地,所述结合训练样本训练孤立森林故障诊断模型之前,所述方法还包括:
基于主成分分析算法对所述训练样本进行特征提取,并计算完成特征提取的所述训练样本的空间距离;
当所述空间距离小于预设距离阈值,则将完成特征提取的所述训练样本作为对所述孤立森林故障诊断模型进行模型训练的训练样本。
进一步地,所述方法还包括:
按照预设时间间隔统计所述控制参数与所述控制策略的调整次数,并构建所述掘进机电机设备的虚拟物理模型,所述虚拟物理模型用于表征所述掘进机电机设备中各硬件模块之间的连接结构以及控制关系;
将所述调整次数结合所述运行工况数据标注于所述虚拟物理模型中,并输出完成标注的所述虚拟物理模型。
进一步地,所述获取掘进机电机设备的运行工况数据包括:
向掘进机数据采集子系统发送数据获取请求,以使所述数据采集子系统指示掘进机中央控制子系统通过CAN总线采集所述掘进机电机设备传输的运行参数;
响应于所述数据获取请求,接收所述数据采集子系统完成对所述运行参数进行数据转换处理后得到的运行工况数据,所述运行工况数据包括截割高速电机三相电流、截割低速电机三相电流、油泵电机三相电流、截割电机温度、电机绝缘电阻、电机振动频率、油温。
依据本发明另一个方面,提供了一种掘进机电机设备的预测性控制装置,包括:
获取模块,用于获取掘进机电机设备的运行工况数据;
处理模块,用于通过已完成模型训练的孤立森林故障诊断模型对所述运行工况数据进行故障诊断处理,得到故障诊断结果,所述孤立森林故障诊断模型为基于所述运行工况数据的变化比重确定切割点完成模型训练的;
调整模块,用于若所述故障诊断结果对应为异常运行状态,则基于所述故障诊断结果调整所述掘进机电机设备的控制参数,反馈至掘进机中央控制子系统中。
进一步地,调整模块包括:
解析单元,用于解析所述故障诊断结果中存在控制变量超调量超出预设控制阈值的调整目标;
接收单元,用于响应于输出的所述调整目标以及所述控制变量超调量,接收基于所述调整目标、所述控制变量超调量更新的控制参数;
发送单元,用于将所述控制参数发送至所述掘进机中央控制子系统中,以使所述掘进机电机设备基于所述控制参数对所述掘进机电机设备进行控制。
进一步地,所述装置还包括:
输出模块,用于若所述故障诊断结果对应为正常运行状态,则通过完成模型训练的故障预测模型对所述运行工况数据进行故障预测处理,调取并输出与故障预测处理得到的故障预测结果匹配的控制策略,以确定是否基于所述控制策略对所述掘进机电机设备进行控制操作。
进一步地,所述输出模块包括:
解析单元,用于解析故障预测处理得到的故障预测结果中的预测控制目标;
查找单元,用于从控制策略库中查找与所述预测控制目标匹配的控制策略,所述控制策略为根据不同预测控制目标的控制特征以及匹配的控制函数生成;
输出单元,用于输出所述控制策略,以指示选取所述控制策略中对所述预测控制目标进行控制参数的确定。
进一步地,所述装置还包括:
选取单元,用于按照所述运行工况数据的工况分类个数选取训练样本个数;
训练单元,用于根据所述运行工况数据在预设时间间隔内的数值变化区间计算所述运行工况数据的变化比重,按照所述变化比重在预设空间维度中的极值之间选取初始切割点,并结合训练样本训练孤立森林故障诊断模型;
更新单元,用于在训练所述孤立森林故障诊断模型过程中,通过所述变化比重占与所述极值之间的相对大小关系对初始切割点进行递归更新,完成所述孤立森林故障诊断模型的模型训练。
进一步地,所述装置还包括:
提取模块,用于基于主成分分析算法对所述训练样本进行特征提取,并计算完成特征提取的所述训练样本的空间距离;
确定模块,用于当所述空间距离小于预设距离阈值,则将完成特征提取的所述训练样本作为对所述孤立森林故障诊断模型进行模型训练的训练样本。
进一步地,所述装置还包括:
构建模块,用于按照预设时间间隔统计所述控制参数与所述控制策略的调整次数,并构建所述掘进机电机设备的虚拟物理模型,所述虚拟物理模型用于表征所述掘进机电机设备中各硬件模块之间的连接结构以及控制关系;
标注模块,用于将所述调整次数结合所述运行工况数据标注于所述虚拟物理模型中,并输出完成标注的所述虚拟物理模型。
进一步地,所述获取模块包括:
发送单元,用于向掘进机数据采集子系统发送数据获取请求,以使所述数据采集子系统指示掘进机中央控制子系统通过CAN总线采集所述掘进机电机设备传输的运行参数;
接收单元,用于响应于所述数据获取请求,接收所述数据采集子系统完成对所述运行参数进行数据转换处理后得到的运行工况数据,所述运行工况数据包括截割高速电机三相电流、截割低速电机三相电流、油泵电机三相电流、截割电机温度、电机绝缘电阻、电机振动频率、油温。
根据本发明的又一方面,提供了一种存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如上述掘进机电机设备的预测性控制方法对应的操作。
根据本发明的再一方面,提供了一种终端,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行上述掘进机电机设备的预测性控制方法对应的操作。
借由上述技术方案,本发明实施例提供的技术方案至少具有下列优点:
本发明提供了一种掘进机电机设备的预测性控制方法及装置,与现有技术相比,本发明实施例通过获取掘进机电机设备的运行工况数据;通过已完成模型训练的孤立森林故障诊断模型对所述运行工况数据进行故障诊断处理,得到故障诊断结果,所述孤立森林故障诊断模型为基于所述运行工况数据的变化比重确定切割点完成模型训练的;若所述故障诊断结果对应为异常运行状态,则基于所述故障诊断结果调整所述掘进机电机设备的控制参数,反馈至掘进机中央控制子系统中,实现自适应的计时调整故障出现后对掘进机电机设备的控制目的,大大提高了掘进机电机设备的故障诊断准确性,以及极大的避免了因故障出现导致的设备损坏或者操作失误,并且在无故障的情况下,实现了预测性的故障排除,满足了重工业生产中对掘进机电机设备的预测性控制需求。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通操作人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的第一种掘进机电机设备的预测性控制方法流程图;
图2示出了本发明实施例提供的第二种掘进机电机设备的预测性控制方法流程图;
图3示出了本发明实施例提供的第三种掘进机电机设备的预测性控制方法流程图;
图4示出了本发明实施例提供的第四种掘进机电机设备的预测性控制方法流程图;
图5示出了本发明实施例提供的第五种掘进机电机设备的预测性控制方法流程图;
图6示出了本发明实施例提供的一种掘进机电机设备的预测性控制界面可视化示意图;
图7示出了本发明实施例提供的一种掘进机控制系统结构示意图;
图8示出了本发明实施例提供的一种掘进机电机设备的预测性控制装置组成框图;
图9示出了本发明实施例提供的一种终端的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的操作人员。
本发明实施例提供了一种掘进机电机设备的预测性控制方法,如图1所示,该方法包括:
101、获取掘进机电机设备的运行工况数据。
本发明实施例中,作为当前端的执行主体为可以为与掘进机设备主体有线或无线连接的数据分析处理子系统,安装在掘进机配套的上位机内,掘进机电机设备在地下执行掘进操作时,由于掘进机工作环境恶劣,为了保证对掘进机电机设备的运行工况数据准确采集,掘进机电机设备通过CAN总线将运行工况数据传输至掘进机中央控制子系统,从而当前执行端从掘进机中央控制子系统中获取到运行工况数据。其中,运行工况数据包括截割高速电机三相电流、截割低速电机三相电流、油泵电机三相电流、截割电机温度、电机绝缘电阻、电机振动频率、油温,其中,各三相电流包括A相、B相、C相,即截割高速电机A相、B相、C相电流,截割低速电机A相、B相、C相电流,油泵电机A相、B相、C相电流,并且,获取的运行工况数据为实时采集到的,即每个特征对应一个数据值,本发明实施例不做具体限定。
需要说明的是,本发明实施例中的掘进机中针对电机设备实现控制所搭建的结构至少包括电机设备、掘进机中央控制子系统、数据分析处理子系统,掘进机电机上安装的掘进机传感子系统采集运行工况数据后通过CAN总线将运行工况数据传输至掘进机中央控制子系统中。
102、通过已完成模型训练的孤立森林故障诊断模型对所述运行工况数据进行故障诊断处理,得到故障诊断结果。
本发明实施例中,为了准确地基于运行工况数据进行故障诊断,结合运行工况数据维度高,难以基于机理建模方式描述数据之间的关联关系,所以需要通过基于数据驱动的机器学习算法来诊断故障,从而不能有效的得到故障诊断结果,因此,预先采用孤立森林故障诊断模型进行模型训练,从而通过完成模型训练的孤立森林故障诊断模型对运行工况数据进行故障诊断。其中,所述孤立森林故障诊断模型为基于所述运行工况数据的变化比重确定切割点完成模型训练的,切割点用于生成一个超平面,从而将节点数据空间划分为2个子空间,来区分构建的二叉树结构中的左、右子叶子,在基于切割点进行空间切割时,需要通过递归方式不断构造分支的叶子,直至无法切割,完成模型训练。
需要说明的是,通过孤立森林故障诊断模型进行故障诊断处理得到的故障诊断结果包括基于出现异常运行工况数据对应的异常运行状态以及基于未出现异常运行工况数据对应的正常运行状态,从而针对不同的运行状态进行对应的预测性控制方法。
103、若所述故障诊断结果对应为异常运行状态,则基于所述故障诊断结果调整所述掘进机电机设备的控制参数,反馈至掘进机中央控制子系统中。
本发明实施例中,当故障诊断结果为异常运行状态时,说明此时电机设备已经出现了故障情况,因此,需要及时对电机设备进行控制调整,来停止故障的持续。其中,控制参数用于表征对电机设备进行控制调整的参数,包括但不限于电机设备的电压、电流、频率、转速等,以便将调整的控制参数反馈至掘进机中央控制子系统中,从而使掘进机中央控制子系统基于控制参数将电机设备调整为正常运行状态。
需要说明的是,掘进机中央控制子系统中预预先配置有针对不同控制参数进行控制的控制函数,例如比例、积分、微分函数中任一组合得到的函数,从而对掘进机电机设备进行控制操作。当然的,控制函数还可以包括先进控制算法等,以对掘进机电机设备实现精准控制,本发明实施例不做具体限定。
在一个本发明实施例中,为了进一步限定及说明,如图2所示,步骤103基于所述故障诊断结果调整所述掘进机电机设备的控制参数,反馈至掘进机中央控制子系统中包括:1031、解析所述故障诊断结果中存在控制变量超调量超出预设控制阈值的调整目标;1032、响应于输出的所述调整目标以及所述控制变量超调量,接收基于所述调整目标、所述控制变量超调量更新的控制参数;1033、将所述控制参数发送至所述掘进机中央控制子系统中,以使所述掘进机电机设备基于所述控制参数对所述掘进机电机设备进行控制。
本发明实施例中,为了实现针对出现故障的有效控制方法,从而满足掘进机电机设备的有效控制需求,对故障诊断结果中的调整目标进行解析。具体的,调整目标为故障诊断中出现故障的目标,因此需要对此目标对应的参数进行调整,其中,由于孤立森林故障诊断模型中包括对各个运行工况数据的二叉树分类,从而确定是否存在故障,因此,对应于被分类为故障的运行工况数据,可以确定出需要调整的目标,即基于运行工况数据构建的一维向量中,每行向量代表一个特征所对应的数值,当某个数值被分类为故障后,可以准确的差值到此数值对应的特征,从而确定是运行工况数据中的哪个特征作为调整目标。本发明实施例中,由于掘进机的中央控制子系统中预先配置有控制函数,从而可以在出现超调、失真等异常情况而被分类为故障时进行反馈调整,因此,预先设定一个控制阈值,作为判断当前控制变量超调量是否超过控制函数进行调整的阈值范围,即当前控制变量超调量超过预设控制阈值,则需要重新调整控制函数中的控制参数,从而改变控制策略,本发明实施例中的控制变量超调量为控制变量的目标值与当前控制变量(获取的运行工况数据)的差值。
需要说明的是,当存在超过预设控制阈值的调整目标,说明当前控制函数中的控制参数无法及时对故障进行控制以恢复正常状态,因此,本发明实施例中,通过输出调整目标、以及控制变量超调量,以指示操作人员重新对控制参数进行更新。当计算人员调整了控制参数后,当前执行端接收操作人员录入的控制参数,并将控制参数发送至掘进机中央控制子系统中,以使掘进机电机设备基于控制参数对掘进机电机设备进行控制。
在一个本发明实施例中,为了进一步限定及说明,如图3所示,所述通过已完成模型训练的孤立森林故障诊断模型对所述运行工况数据进行故障诊断处理,得到故障诊断结果之后,还包括与步骤103并列的步骤:104、若所述故障诊断结果对应为正常运行状态,则通过完成模型训练的故障预测模型对所述运行工况数据进行故障预测处理,调取并输出与故障预测处理得到的故障预测结果匹配的控制策略。
本发明实施例中,若故障诊断结果为正常运行状态时,说明此时电机设备未出现故障情况,为了实现对电机设备的预测性监控,从而确保电机设备的健康运行,通过预先建立的故障预测模型对运行工况数据进行故障预测处理,并通过处理得到的故障预测结果匹配控制策略。其中,故障预测模型为根据历史运行工况数据的采样数据结合机理模型计算输出的电机设备中运行的三相电流不平衡度值,从而确定大量的基于时序的电机三相电流不平衡度散点数据,再由泰勒定理,即一切函数均可展开成多项式函数的线性组合形式的特点,将这些散点数据进行高阶多项式拟合,将拟合后的多项式函数可视化,进而得到的故障预测模型进行故障预测的趋势。完成故障预测模型后,结合训练数据集完成模型训练,以便在确定正常运行状态后,进行故障预测处理。
需要说明的是,由于确定为正常运行状态,即说明当前电机设备无故障,而本发明实施例中为了实现预测性控制的目的,基于故障预测结果调取匹配的控制策略,并输出给操作人员,以确定是否基于所述控制策略对所述掘进机电机设备进行控制操作。其中,控制策略用于表征需要对故障预测结果做出预期调整的内容,包括但不限于对电机设备的电压、电流、频率、转速等控制参数的参数调整,以及人工控制、停机、控制参数的变更等方案,以实现对预测故障的控制。
在一个本发明实施例中,为了进一步限定及说明,步骤104通过完成模型训练的故障预测模型对所述运行工况数据进行故障预测处理,调取并输出与故障预测处理得到的故障预测结果匹配的控制策略包括:解析故障预测处理得到的故障预测结果中的预测控制目标;从控制策略库中查找与所述预测控制目标匹配的控制策略,所述控制策略为根据不同预测控制目标的控制特征以及匹配的控制函数生成;输出所述控制策略,以指示选取所述控制策略中对所述预测控制目标进行控制参数的确定。
本发明实施例中,在孤立森林故障诊断模型未诊断出故障时,为了仍然可以实现对掘进机电机设备的预测性控制,从而保证掘进机在地下环境中正常运行,根据预先训练的故障预测模型进行故障预测处理,并根据故障预测结果调取匹配的控制策略进行输出。具体的,故障预测结果中包括可能出现故障的运行工况数据所对应的目标,作为预测控制目标,例如,截割高速电机三相电流或截割低速电机三相电流确定出预测的故障目标,则将截割高速电机三相电流、截割低速电机三相电流作为预测控制目标。其中,掘进机中央控制子系统中预先配置的控制函数可以组成多个控制策略,从而形成一个控制策略库,并且,针对不同预测控制预测的控制特征,例如,截割高速电机三相电流的控制特征为控制幅度在2-10A等,截割电机温度的控制特征为电机温度保证在40-70度之间等,本发明实施例不做具体限定。另外,控制函数为至少包括比例函数、积分函数、微分函数任一或任两个、三个之间的组合,通过对控制函数中的控制参数的设定来达到不同的控制效果。当确定出预测控制目标后,将与此预测控制目标所对应的且包含有对应控制函数的控制策略输出给操作人员,以便操作人员对控制函数的选取或者对控制参数的确定。另外,针对掘进机电机设备的控制目标现在,不同的故障预测结果对应的预测控制目标可能与故障预测结果中的预测对象不同,例如故障预测结果中出现故障的预测对象为截割电机温度,但是,对应的预测控制目标则为截割高速电机三相电流、截割低速电机三相电流,因此,可以基于预设的预测对象与预测控制目标之间的对应关系确定预测控制目标,此对应关系为操作人员预先设定,本发明实施例不做具体限定。另外,本发明实施例中的故障预测模型可以为任意一种神经网络模型,并结合训练样本完成训练,从而提高对故障预测的智能性,本发明实施例不做具体限定。
在一个本发明实施例中,为了进一步限定及说明,如图4所示,步骤102所述通过已完成模型训练的孤立森林故障诊断模型对所述运行工况数据进行故障诊断处理,得到故障诊断结果之前,所述方法还包括:201、按照所述运行工况数据的工况分类个数选取训练样本个数;202、根据所述运行工况数据在预设时间间隔内的数值变化区间计算所述运行工况数据的变化比重,按照所述变化比重在预设空间维度中的极值之间选取初始切割点,并结合训练样本训练孤立森林故障诊断模型;203、在训练所述孤立森林故障诊断模型过程中,通过所述变化比重占与所述极值之间的相对大小关系对初始切割点进行递归更新,完成所述孤立森林故障诊断模型的模型训练。
本发明实施例中,对于孤立森林故障诊断模型的构建,基于样本数据集中的n个数据,然后构建一个孤立的树,从n个数据中均匀抽样,一般为无放回抽样,得到n个样本,作为这棵树的训练样本。在这些训练样本中,选取一个特征,并在这个特征的空间维度的所有值范围内,即最小值和最大值之间,选取一个值作为切割点,从而对样本进行二叉划分,将样本中小于该切割点值的划分到节点的左边,大于等于该切割点值的划分到节点的右边。由此得到一个分裂条件和左右两边的数据集,然后分别在左右两边的数据集上迭代切割划分的过程,直到数据集只有一条记录或者达到了树的限定高度,完成模型训练。其中,按照运行工况数据的工况分类个数选取训练样本个数,工况分类个数即为运行工况数据按照特征属性进行分类的个数,例如,按照电流、电压、温度等进行分类,工况分类个数为3,在选取训练样本时,则每个分类选取10个,得到30个训练样本个数。同时,根据运行工况数据在预设时间间隔内的数值变化区间计算运行工况数据的变化比重,其中,预设时间间隔可以为1周、3天等,使得运行工况数据在预设时间间隔内的数值变化区间即为在预设时间间隔内运行工况数据中每个特征所对应最大值与最小值的差,作为数值变化区间,对应的,变化比重即为每个特征的数值变化区间除以全部特征变化区间之和,例如,截割低速电机三相电流的最大值与最小值之差为0.3,截割低速电机三相电流的变化比重为0.3除以截割高速电机三相电流、截割低速电机三相电流、油泵电机三相电流、截割电机温度、电机绝缘电阻、电机振动频率、油温的各变化比重之和,本发明实施例不做具体限定。另外,按照所述变化比重在预设空间维度中的极值之间选取初始切割点,即为根据变化比重,从预设维度空间中的极值之间按照变化比重进行计算比例,作为初始切割点,例如,预设维度空间中的极值为a至b,则计算公式为Q=a+p|b-a|,其中,a为预设维度空间中的极小值,b为预设维度空间中的极大值,p为变化比重值,从而得到作为初始切割点的Q。
为了提高模型的训练准确性,从而使得孤立森林故障诊断模型可以适用于掘进机电机设备的故障检测,本发明实施例中针对孤立森林故障诊断模型的训练包括:1、从训练样本集中选取n个样本节点作为孤立森林中树的根节点;2、指定一个空间维度,在当前节点数据中按照步骤201、202得到一个切割点Q;3、以此切割点生成了一个超平面,然后将当前节点数据空间划分为2个子空间:把指定空间维度里面小于Q的数据放在当前节点的左叶子节点中,把大于等于Q的数据放在当前节点的右叶子节点中;4、在各子节点中递归步骤2和3,不断构造新的叶子的子节点,直到叶子节点中只有一个数据,即无法再继续切割或者叶子节点已达限定高度,完成训练。其中,在上述的步骤3中,通过变化比重占与所述极值之间的相对大小关系对初始切割点进行递归更新,即在重新迭代的过程中,对应切割点的更新为结合最新的切割后的空间维度的极值进行确定,从而完成模型训练的递归。
在一个本发明实施例中,为了进一步限定及说明,如图5所示,步骤202所述结合训练样本训练孤立森林故障诊断模型之前,所述方法还包括:301、基于主成分分析算法对所述训练样本进行特征提取,并计算完成特征提取的所述训练样本的空间距离;302、当所述空间距离小于预设距离阈值,则将完成特征提取的所述训练样本作为对所述孤立森林故障诊断模型进行模型训练的训练样本。
为了提高模型训练的精度,并避免模型训练过程中产生故障诊断误差,提高数据处理准确性,本发明实施例中,首先基于主成分分析算法对实时采集到的运行工况数据信息特征提取,然后通过计算完成特征提取的运行工况数据进行空间距离计算。将计算出的空间距离与预设距离阈值进行比较,若空间距离小于预设距离阈值,则说明特征提取后的运行工况数据作为故障诊断的数据依据是准确的,从而将此运行工况数据作为待进行故障诊断处理的运行工况数据。
需要说明的是,主成分分析算法为通过少数几个主成分来揭示多个变量间的内部结构,即从原始变量中导出少数几个主成分,使它们尽可能多地保留原始变量的信息,且彼此间互不相关。通常数学上的处理就是将原来P个指标作线性组合,作为新的综合指标。其中,主成分分析算法借助于一个正交变换,将其分量相关的原随机向量转化成其分量不相关的新随机向量,即为将原随机向量的协方差阵变换成对角形阵,然后对多维变量系统进行降维处理,使之能以一个较高的精度转换成低维变量系统,本发明实施例中,低维变量系统优先选取为二维变量系统。另外,空间距离的计算可以通过公式(x1,y1)、(x2,y2)分别为特征提取后的二维变量系统中相同行或相同列中的2个变量参数。当计算出的空间距离小于预设距离阈值,则说明作为训练样本的数据在进行主成分分析的过程中,数据仍然保持关联性,因此,可以将完成特征提取的训练样本直接作为对孤立森林故障诊断模型进行模型训练的训练样本,本发明实施例不做具体限定。
在一个本发明实施例中,为了进一步限定及说明,所述方法还包括:按照预设时间间隔统计所述控制参数与所述控制策略的调整次数,并构建所述掘进机电机设备的虚拟物理模型,所述虚拟物理模型用于表征所述掘进机电机设备中各硬件模块之间的连接结构以及控制关系;将所述调整次数结合所述运行工况数据标注于所述虚拟物理模型中,并输出完成标注的所述虚拟物理模型。
为了使操作人员可以准确、及时地了解掘进机的运行状态以及控制操作情况,当前执行端按照预设时间间隔统计控制参数以及控制策略的调整次数,通过构建的虚拟物理模型进行输出。其中,对于调整次数,即为对控制参数以及控制策略或控制策略中的控制参数进行调整的次数,电机设备的虚拟物理模型为在计算机中用于表征电机设备的各个硬件模块的物理模型,用于表征所述掘进机电机设备中各硬件模块之间的连接结构以及控制关系。进一步地,为了便于操作人员进行全方位的观测,将调整次数结合运行工况数据标注于虚拟物理模型中,并输出完成标注的虚拟物理模型,即为将每个运行工况数据以及出现控制参数调整次数的文字内容标注于此虚拟物理模型中,如图6所示,从而提高预测性控制的可视化效果。
在一个本发明实施例中,为了进一步限定及说明,步骤101所述获取掘进机电机设备的运行工况数据包括:向掘进机数据采集子系统发送数据获取请求,以使所述数据采集子系统指示掘进机中央控制子系统通过CAN总线采集所述掘进机电机设备传输的运行参数;响应于所述数据获取请求,接收所述数据采集子系统完成对所述运行参数进行数据转换处理后得到的运行工况数据,所述运行工况数据包括截割高速电机三相电流、截割低速电机三相电流、油泵电机三相电流、截割电机温度、电机绝缘电阻、电机振动频率、油温。
本发明实施例中,为了提高当前设备对掘进机电机设备的运行工况数据的高效获取,并结合掘进机传感子系统才采集数据时不同数据类型、结构等不同的特点,针对电机设备实现控制所搭建的结构还包括掘进机数据采集子系统,如图7所示的掘进机控制系统结构示意图。掘进机数据采集子系统将通过掘进机中央控制子系统采集的运行参数进行数据转换处理,例如,对电平数据转换为数值数据,对模拟信号转换为数值数据等,当前执行端向掘进机数据采集子系统发送数据获取请求,以获取到数据采集子系统对运行参数进行数据转换处理后得到的运行工况数据,本发明实施例不做具体限定。
本发明实施例提供了一种掘进机电机设备的预测性控制方法,与现有技术相比,本发明实施例通过获取掘进机电机设备的运行工况数据;通过已完成模型训练的孤立森林故障诊断模型对所述运行工况数据进行故障诊断处理,得到故障诊断结果,所述孤立森林故障诊断模型为基于所述运行工况数据的变化比重确定切割点完成模型训练的;若所述故障诊断结果对应为异常运行状态,则基于所述故障诊断结果调整所述掘进机电机设备的控制参数,反馈至掘进机中央控制子系统中,实现自适应的计时调整故障出现后对掘进机电机设备的控制目的,大大提高了掘进机电机设备的故障诊断准确性,以及极大的避免了因故障出现导致的设备损坏或者操作失误,并且在无故障的情况下,实现了预测性的故障排除,满足了重工业生产中对掘进机电机设备的预测性控制需求。
进一步的,作为对上述图1所示方法的实现,本发明实施例提供了一种掘进机电机设备的预测性控制装置,如图8所示,该装置包括:
获取模块41,用于获取掘进机电机设备的运行工况数据;
处理模块42,用于通过已完成模型训练的孤立森林故障诊断模型对所述运行工况数据进行故障诊断处理,得到故障诊断结果,所述孤立森林故障诊断模型为基于所述运行工况数据的变化比重确定切割点完成模型训练的;
调整模块43,用于若所述故障诊断结果对应为异常运行状态,则基于所述故障诊断结果调整所述掘进机电机设备的控制参数,反馈至掘进机中央控制子系统中。
进一步地,调整模块包括:
解析单元,用于解析所述故障诊断结果中存在控制变量超调量超出预设控制阈值的调整目标;
接收单元,用于响应于输出的所述调整目标以及所述控制变量超调量,接收基于所述调整目标、所述控制变量超调量更新的控制参数;
发送单元,用于将所述控制参数发送至所述掘进机中央控制子系统中,以使所述掘进机电机设备基于所述控制参数对所述掘进机电机设备进行控制。
进一步地,所述装置还包括:
输出模块,用于若所述故障诊断结果对应为正常运行状态,则通过完成模型训练的故障预测模型对所述运行工况数据进行故障预测处理,调取并输出与故障预测处理得到的故障预测结果匹配的控制策略,以确定是否基于所述控制策略对所述掘进机电机设备进行控制操作。
进一步地,所述输出模块包括:
解析单元,用于解析故障预测处理得到的故障预测结果中的预测控制目标;
查找单元,用于从控制策略库中查找与所述预测控制目标匹配的控制策略,所述控制策略为根据不同预测控制目标的控制特征以及匹配的控制函数生成;
输出单元,用于输出所述控制策略,以指示选取所述控制策略中对所述预测控制目标进行控制参数的确定。
进一步地,所述装置还包括:
选取单元,用于按照所述运行工况数据的工况分类个数选取训练样本个数;
训练单元,用于根据所述运行工况数据在预设时间间隔内的数值变化区间计算所述运行工况数据的变化比重,按照所述变化比重在预设空间维度中的极值之间选取初始切割点,并结合训练样本训练孤立森林故障诊断模型;
更新单元,用于在训练所述孤立森林故障诊断模型过程中,通过所述变化比重占与所述极值之间的相对大小关系对初始切割点进行递归更新,完成所述孤立森林故障诊断模型的模型训练。
进一步地,所述装置还包括:
提取模块,用于基于主成分分析算法对所述训练样本进行特征提取,并计算完成特征提取的所述训练样本的空间距离;
确定模块,用于当所述空间距离小于预设距离阈值,则将完成特征提取的所述训练样本作为对所述孤立森林故障诊断模型进行模型训练的训练样本。
进一步地,所述装置还包括:
构建模块,用于按照预设时间间隔统计所述控制参数与所述控制策略的调整次数,并构建所述掘进机电机设备的虚拟物理模型,所述虚拟物理模型用于表征所述掘进机电机设备中各硬件模块之间的连接结构以及控制关系;
标注模块,用于将所述调整次数结合所述运行工况数据标注于所述虚拟物理模型中,并输出完成标注的所述虚拟物理模型。
进一步地,所述获取模块包括:
发送单元,用于向掘进机数据采集子系统发送数据获取请求,以使所述数据采集子系统指示掘进机中央控制子系统通过CAN总线采集所述掘进机电机设备传输的运行参数;
接收单元,用于响应于所述数据获取请求,接收所述数据采集子系统完成对所述运行参数进行数据转换处理后得到的运行工况数据,所述运行工况数据包括截割高速电机三相电流、截割低速电机三相电流、油泵电机三相电流、截割电机温度、电机绝缘电阻、电机振动频率、油温。
本发明实施例提供了一种掘进机电机设备的预测性控制装置,与现有技术相比,本发明实施例通过获取掘进机电机设备的运行工况数据;通过已完成模型训练的孤立森林故障诊断模型对所述运行工况数据进行故障诊断处理,得到故障诊断结果,所述孤立森林故障诊断模型为基于所述运行工况数据的变化比重确定切割点完成模型训练的;若所述故障诊断结果对应为异常运行状态,则基于所述故障诊断结果调整所述掘进机电机设备的控制参数,反馈至掘进机中央控制子系统中,实现自适应的计时调整故障出现后对掘进机电机设备的控制目的,大大提高了掘进机电机设备的故障诊断准确性,以及极大的避免了因故障出现导致的设备损坏或者操作失误,并且在无故障的情况下,实现了预测性的故障排除,满足了重工业生产中对掘进机电机设备的预测性控制需求。
根据本发明一个实施例提供了一种存储介质,所述存储介质存储有至少一可执行指令,该计算机可执行指令可执行上述任意方法实施例中的掘进机电机设备的预测性控制方法。
图9示出了根据本发明一个实施例提供的一种终端的结构示意图,本发明具体实施例并不对终端的具体实现做限定。
如图9所示,该终端可以包括:处理器(processor)502、通信接口(CommunicationsInterface)504、存储器(memory)506、以及通信总线508。
其中:处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。
通信接口504,用于与其它设备比如客户端或其它服务器等的网元通信。
处理器502,用于执行程序510,具体可以执行上述掘进机电机设备的预测性控制方法实施例中的相关步骤。
具体地,程序510可以包括程序代码,该程序代码包括计算机操作指令。
处理器502可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。终端包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器506,用于存放程序510。存储器506可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序510具体可以用于使得处理器502执行以下操作:
获取掘进机电机设备的运行工况数据;
通过已完成模型训练的孤立森林故障诊断模型对所述运行工况数据进行故障诊断处理,得到故障诊断结果,所述孤立森林故障诊断模型为基于所述运行工况数据的变化比重确定切割点完成模型训练的;
若所述故障诊断结果对应为异常运行状态,则基于所述故障诊断结果调整所述掘进机电机设备的控制参数,反馈至掘进机中央控制子系统中。
显然,本领域的操作人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的操作人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (8)
1.一种掘进机电机设备的预测性控制方法,其特征在于,包括:
获取掘进机电机设备的运行工况数据;
通过已完成模型训练的孤立森林故障诊断模型对所述运行工况数据进行故障诊断处理,得到故障诊断结果,所述孤立森林故障诊断模型为基于所述运行工况数据的变化比重确定切割点完成模型训练的;
若所述故障诊断结果对应为异常运行状态,则基于所述故障诊断结果调整所述掘进机电机设备的控制参数,反馈至掘进机中央控制子系统中,以使所述掘进机电机设备基于所述控制参数对所述掘进机电机设备进行控制,其中,所述掘进机中央控制子系统中预置有针对不同控制参数进行控制的控制函数;
所述基于所述故障诊断结果调整所述掘进机电机设备的控制参数,反馈至掘进机中央控制子系统中包括:
解析所述故障诊断结果中存在控制变量超调量超出预设控制阈值的调整目标;
响应于输出的所述调整目标以及所述控制变量超调量,接收基于所述调整目标、所述控制变量超调量更新的控制参数;
所述通过已完成模型训练的孤立森林故障诊断模型对所述运行工况数据进行故障诊断处理,得到故障诊断结果之后,所述方法还包括:
若所述故障诊断结果对应为正常运行状态,则通过完成模型训练的故障预测模型对所述运行工况数据进行故障预测处理,调取并输出与故障预测处理得到的故障预测结果匹配的控制策略,以确定是否基于所述控制策略对所述掘进机电机设备进行控制操作。
2.根据权利要求1所述的方法,其特征在于,所述通过完成模型训练的故障预测模型对所述运行工况数据进行故障预测处理,调取并输出与故障预测处理得到的故障预测结果匹配的控制策略包括:
解析故障预测处理得到的故障预测结果中的预测控制目标;
从控制策略库中查找与所述预测控制目标匹配的控制策略,所述控制策略为根据不同预测控制目标的控制特征以及匹配的控制函数生成;
输出所述控制策略,以指示选取所述控制策略中对所述预测控制目标进行控制参数的确定。
3.根据权利要求1所述的方法,其特征在于,所述通过已完成模型训练的孤立森林故障诊断模型对所述运行工况数据进行故障诊断处理,得到故障诊断结果之前,所述方法还包括:
按照所述运行工况数据的工况分类个数选取训练样本个数;
根据所述运行工况数据在预设时间间隔内的数值变化区间计算所述运行工况数据的变化比重,按照所述变化比重在预设空间维度中的极值之间选取初始切割点,并结合训练样本训练孤立森林故障诊断模型;
在训练所述孤立森林故障诊断模型过程中,通过所述变化比重占与所述极值之间的相对大小关系对初始切割点进行递归更新,完成所述孤立森林故障诊断模型的模型训练。
4.根据权利要求3所述的方法,其特征在于,所述结合训练样本训练孤立森林故障诊断模型之前,所述方法还包括:
基于主成分分析算法对所述训练样本进行特征提取,并计算完成特征提取的所述训练样本的空间距离;
当所述空间距离小于预设距离阈值,则将完成特征提取的所述训练样本作为对所述孤立森林故障诊断模型进行模型训练的训练样本。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
按照预设时间间隔统计所述控制参数与所述控制策略的调整次数,并构建所述掘进机电机设备的虚拟物理模型,所述虚拟物理模型用于表征所述掘进机电机设备中各硬件模块之间的连接结构以及控制关系;
将所述调整次数结合所述运行工况数据标注于所述虚拟物理模型中,并输出完成标注的所述虚拟物理模型。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述获取掘进机电机设备的运行工况数据包括:
向掘进机数据采集子系统发送数据获取请求,以使所述数据采集子系统指示掘进机中央控制子系统通过CAN总线采集所述掘进机电机设备传输的运行参数;
响应于所述数据获取请求,接收所述数据采集子系统完成对所述运行参数进行数据转换处理后得到的运行工况数据,所述运行工况数据包括截割高速电机三相电流、截割低速电机三相电流、油泵电机三相电流、截割电机温度、电机绝缘电阻、电机振动频率、油温。
7.一种掘进机电机设备的预测性控制装置,其特征在于,包括:
获取模块,用于获取掘进机电机设备的运行工况数据;
处理模块,用于通过已完成模型训练的孤立森林故障诊断模型对所述运行工况数据进行故障诊断处理,得到故障诊断结果,所述孤立森林故障诊断模型为基于所述运行工况数据的变化比重确定切割点完成模型训练的;
调整模块,用于若所述故障诊断结果对应为异常运行状态,则基于所述故障诊断结果调整所述掘进机电机设备的控制参数,反馈至掘进机中央控制子系统中,以使所述掘进机电机设备基于所述控制参数对所述掘进机电机设备进行控制,其中,所述掘进机中央控制子系统中预置有针对不同控制参数进行控制的控制函数;
所述调整模块,包括:
解析单元,用于解析所述故障诊断结果中存在控制变量超调量超出预设控制阈值的调整目标;
接收单元,用于响应于输出的所述调整目标以及所述控制变量超调量,接收基于所述调整目标、所述控制变量超调量更新的控制参数;
所述装置还包括:
输出模块,用于若所述故障诊断结果对应为正常运行状态,则通过完成模型训练的故障预测模型对所述运行工况数据进行故障预测处理,调取并输出与故障预测处理得到的故障预测结果匹配的控制策略,以确定是否基于所述控制策略对所述掘进机电机设备进行控制操作。
8.一种终端,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-6中任一项所述的掘进机电机设备的预测性控制方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110674312.0A CN113433925B (zh) | 2021-06-17 | 2021-06-17 | 掘进机电机设备的预测性控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110674312.0A CN113433925B (zh) | 2021-06-17 | 2021-06-17 | 掘进机电机设备的预测性控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113433925A CN113433925A (zh) | 2021-09-24 |
CN113433925B true CN113433925B (zh) | 2022-10-25 |
Family
ID=77756365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110674312.0A Active CN113433925B (zh) | 2021-06-17 | 2021-06-17 | 掘进机电机设备的预测性控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113433925B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105134510A (zh) * | 2015-09-18 | 2015-12-09 | 北京中恒博瑞数字电力科技有限公司 | 一种风力发电机组变桨系统的状态监测和故障诊断方法 |
CN107831438A (zh) * | 2017-10-25 | 2018-03-23 | 上海交通大学 | 一种电机故障的预测方法及预测系统 |
CN211235413U (zh) * | 2019-11-12 | 2020-08-11 | 中铁华隧联合重型装备有限公司 | 用于隧道掘进机的齿轮油状态在线检测装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3848829B2 (ja) * | 2000-11-09 | 2006-11-22 | 三菱重工業株式会社 | トンネル掘削機の制御装置及び駆動モータの異常検出装置 |
CN204269780U (zh) * | 2014-11-25 | 2015-04-15 | 中铁五局(集团)有限公司 | 一种挖掘装载机电气故障诊断装置 |
CN109506963B (zh) * | 2018-11-29 | 2019-09-03 | 中南大学 | 一种智能列车牵引故障大数据异常检测辨识方法 |
CN110210169B (zh) * | 2019-06-14 | 2023-08-18 | 中铁高新工业股份有限公司 | 一种基于lstm的盾构机故障预测方法 |
CN111044901A (zh) * | 2019-12-27 | 2020-04-21 | 中铁山河工程装备股份有限公司 | 一种用于双模盾构机的故障预警方法及系统 |
-
2021
- 2021-06-17 CN CN202110674312.0A patent/CN113433925B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105134510A (zh) * | 2015-09-18 | 2015-12-09 | 北京中恒博瑞数字电力科技有限公司 | 一种风力发电机组变桨系统的状态监测和故障诊断方法 |
CN107831438A (zh) * | 2017-10-25 | 2018-03-23 | 上海交通大学 | 一种电机故障的预测方法及预测系统 |
CN211235413U (zh) * | 2019-11-12 | 2020-08-11 | 中铁华隧联合重型装备有限公司 | 用于隧道掘进机的齿轮油状态在线检测装置 |
Non-Patent Citations (1)
Title |
---|
全断面岩石掘进机故障诊断;刘大鹏;《建筑机械》;20150331;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113433925A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102016008987B4 (de) | Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt | |
EP3547057A1 (en) | Abnormality detection system, support device, and abnormality detection method | |
DE102016015017B4 (de) | Steuervorrichtung mit Lernfunktion zum Erfassen einer Rauschursache | |
EP3540544A1 (en) | Abnormality detection system, support device, and model generation method | |
SE533230C2 (sv) | Arbetsmaskin samt metod för att diagnotisera ett styrsystem för en arbetsmaskin | |
CN112598172A (zh) | 一种风电机组轴承温度预警方法 | |
EP1958034B1 (en) | Use of sequential clustering for instance selection in machine condition monitoring | |
CN114861788A (zh) | 一种基于dbscan聚类的负荷异常检测方法及系统 | |
CN115994308B (zh) | 基于元学习的数控机床故障识别方法、系统、设备及介质 | |
CN116086537A (zh) | 一种设备状态监测方法、装置、设备及存储介质 | |
CN113433925B (zh) | 掘进机电机设备的预测性控制方法及装置 | |
CN112783138B (zh) | 生产线设备加工稳定性智能监控和异常诊断方法及装置 | |
CN116030955B (zh) | 基于物联网的医疗设备状态监测方法及相关装置 | |
JP7251955B2 (ja) | 検出装置及び機械学習方法 | |
CN116010833B (zh) | 基于缺失数据补全的数控机床健康状态评估方法及装置 | |
CN116150666B (zh) | 储能系统故障检测方法、装置及智能终端 | |
CN117707050B (zh) | 基于云计算的数控机床实时监控与数据分析系统及方法 | |
CN115576205B (zh) | 反馈控制方法、通用反馈控制器、训练方法、可读存储介质、计算机程序产品及系统 | |
CN114037012B (zh) | 基于相关性分析与深度学习的飞行数据异常检测方法 | |
CN118171199A (zh) | 一种数控机床故障与特征值字典学习方法及系统 | |
WO2022059183A1 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
CN116049727A (zh) | 一种电站风机故障预警方法及系统 | |
EP3835977A1 (en) | Method for generating triples from log entries | |
CN117668579A (zh) | 基于mest多旋翼无人机故障诊断方法、设备及存储介质 | |
CN114201853A (zh) | 玉米淀粉工艺参数与淀粉乳de值的关联度分析方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |