CN113722813A - 用于泵车臂架状况监测的方法、装置及泵车 - Google Patents

用于泵车臂架状况监测的方法、装置及泵车 Download PDF

Info

Publication number
CN113722813A
CN113722813A CN202110820988.6A CN202110820988A CN113722813A CN 113722813 A CN113722813 A CN 113722813A CN 202110820988 A CN202110820988 A CN 202110820988A CN 113722813 A CN113722813 A CN 113722813A
Authority
CN
China
Prior art keywords
arm support
data set
theoretical
strain
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
Application number
CN202110820988.6A
Other languages
English (en)
Inventor
刘道星
张保华
李智卓
倪豪华
曹杰
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.)
Zoomlion Heavy Industry Science and Technology Co Ltd
Zhongke Yungu Technology Co Ltd
Original Assignee
Zoomlion Heavy Industry Science and Technology Co Ltd
Zhongke Yungu Technology 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 Zoomlion Heavy Industry Science and Technology Co Ltd, Zhongke Yungu Technology Co Ltd filed Critical Zoomlion Heavy Industry Science and Technology Co Ltd
Priority to CN202110820988.6A priority Critical patent/CN113722813A/zh
Publication of CN113722813A publication Critical patent/CN113722813A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • E—FIXED CONSTRUCTIONS
    • E04—BUILDING
    • E04G—SCAFFOLDING; FORMS; SHUTTERING; BUILDING IMPLEMENTS OR AIDS, OR THEIR USE; HANDLING BUILDING MATERIALS ON THE SITE; REPAIRING, BREAKING-UP OR OTHER WORK ON EXISTING BUILDINGS
    • E04G21/00—Preparing, conveying, or working-up building materials or building elements in situ; Other devices or measures for constructional work
    • E04G21/02—Conveying or working-up concrete or similar masses able to be heaped or cast
    • E04G21/04—Devices for both conveying and distributing
    • 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
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Architecture (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Optimization (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种用于泵车臂架状况监测的方法、装置及泵车。该方法包括：获取泵车臂架的训练数据集和测试数据集；将训练数据集输入至应变理论模型以得到训练理论应变量；对训练理论应变量和训练数据集进行机器学习回归训练，以得到虚拟量测模型；将测试数据集输入至应变理论模型，以得到测试理论应变量；根据测试数据集和测试理论应变量，使用虚拟量测模型，以得到泵车臂架的预测应变量。本发明将应变理论模型用于臂架应变的虚拟传感器，提高了虚拟传感器的精度，提升了机器学习算法的效率，从而使得对于泵车臂架状况监测成本较低且精度较高。

Description

用于泵车臂架状况监测的方法、装置及泵车
技术领域
本发明涉及混凝土泵车技术领域，具体地，涉及一种用于泵车臂架状况监测的方法、装置及泵车。
背景技术
混凝土泵车效率高、自动化程度高、机动性能良好，在施工中应用广泛。泵车臂架的结构失效(如臂架断裂)会造成人员伤亡、财产损失、影响品牌价值等重大不利影响。为检测臂架结构的可靠性，工程技术领域经常采用定期的探伤检测、安装应力传感器等方式以防微杜渐。但是探伤检测方案的检测成本与检测可靠性难以平衡，应力传感器成本高昂且寿命较短、极易损坏和失准。现有技术中对于泵车臂架状况监测的方法成本高昂且检测精度不高。
发明内容
本发明的目的是提供一种用于泵车臂架状况监测的方法、装置及泵车，用以及解决现有技术中对于泵车臂架状况监测的方法成本高昂且监测精度不高的问题。
为了实现上述目的，本发明实施例第一方面提供一种用于泵车臂架状况监测的方法，该方法包括：
获取泵车臂架的训练数据集和测试数据集；
将训练数据集输入至应变理论模型以得到训练理论应变量；
对训练理论应变量和训练数据集进行机器学习回归训练，以得到虚拟量测模型；
将测试数据集输入至应变理论模型，以得到测试理论应变量；
根据测试数据集和测试理论应变量，使用虚拟量测模型，以得到泵车臂架的预测应变量。
在本发明的实施例中，训练数据集包括训练数据集的输入量和训练数据集的响应量；
训练数据集的响应量包括臂架应变数据；
训练数据集的输入量包括臂架倾角数据和以下中的至少一者：
泵送压力数据、泵送状态数据。
在本发明的实施例中，测试数据集包括臂架倾角数据和以下中的至少一者：
泵送压力数据、泵送状态数据。
在本发明的实施例中，将训练数据集输入至应变理论模型以得到训练理论应变量包括：
计算泵车的每个臂架的第一端连接点处的支撑力和所受力矩；
根据支撑力和力矩计算每个臂架所受的弯矩；
计算每个臂架的应变片传感器所在的横截面的惯性矩；
根据弯矩和惯性矩计算每个臂架的应变值；
确定一次线性拟合模型拟合得到的应变值的理论值和实际值的线性关系。
在本发明的实施例中，将测试数据集输入至应变理论模型，以得到测试理论应变量包括：
计算泵车的每个臂架的第一端连接点处的支撑力和所受力矩；
根据支撑力和力矩计算每个臂架所受的弯矩；
计算每个臂架的应变片传感器所在的横截面的惯性矩；
根据弯矩和惯性矩计算每个臂架的应变值；
根据应变值和线性关系得到测试理论应变量。
在本发明的实施例中，支撑力满足以下公式：
Figure BDA0003171971640000031
其中，Fj为第j个臂架所受支撑力；N为泵车的臂架数量，mi为第i个臂架的质量；
力矩满足以下公式：
Figure BDA0003171971640000032
其中，τj为第j个臂架的应变片传感器所在位置的力矩；li为第i个臂架的长度；θi为第i个臂架与地面水平面的夹角；mi为第i个臂架的质量；mk为第k个臂架的质量。
在本发明的实施例中，弯矩满足以下公式：
Mj＝Fjlj传-τj；
其中，Mj为第j个臂架的应变片传感器所在位置的弯矩；Fj为第j个臂架的支撑力；lj传为第j个臂架上的倾角传感器离当前近地臂的第一端的距离；τj为第j个臂架的应变片传感器所在位置的力矩。
在本发明的实施例中，惯性矩满足以下公式：
Figure BDA0003171971640000033
其中，Ij为第j个臂架的惯性矩；Hj和Bj分别为第j个臂架上应变片传感器所在横截面方环外矩形的长和宽；hj和bj分别为第j个臂架上应变片传感器所在横截面方环内矩形的长和宽。
在本发明的实施例中，应变值满足以下公式：
Figure BDA0003171971640000034
其中，
Figure BDA0003171971640000035
为第j个臂架的应变片传感器所在位置的应变值；Mj为第j个臂架的弯矩；yj为第j个臂架上应变片传感器到当前臂横截面中心的垂直距离；Ij为第j个臂架的惯性矩；E为弹性模型。
在本发明的实施例中，对训练理论应变量和训练数据集进行机器学习回归训练，以得到虚拟量测模型包括：
将训练数据集的输入量与对应的训练理论应变量作为输入，将训练数据集的响应量作为输出，对虚拟量测模型进行训练。
在本发明的实施例中，根据测试数据集和测试理论应变量，使用虚拟量测模型，以得到泵车臂架的预测应变量包括：
将测试数据集和测试理论应变量输入至虚拟量测模型，以得到泵车臂架的预测应变量。
在本发明的实施例中，对训练理论应变量和训练数据集进行机器学习回归训练，以得到虚拟量测模型包括：
将训练数据集的输入量作为输入，将训练数据集的响应量和训练理论应变量的残差作为输出，对虚拟量测模型进行训练。
在本发明的实施例中，根据测试数据集和测试理论应变量，使用虚拟量测模型，以得到泵车臂架的预测应变量包括：
将测试数据集输入至虚拟量测模型，得到预测应变量与测试理论应变量的反残差；
将测试理论应变量与反残差相加得到泵车臂架的预测应变量。
本发明实施例第二方面提供一种用于泵车臂架状况监测的装置，被配置成执行根据上述的用于泵车臂架状况监测的方法。
本发明实施例第三方面提供一种泵车，包括根据上述的用于泵车臂架状况监测的装置。
通过上述技术方案，通过材料力学理论，提出一种关于泵车臂架的应变理论模型，结合机器学习，将应变理论模型用于臂架应变的虚拟传感器，提高了虚拟传感器的精度，并且增加先验知识，提升了机器学习算法的效率，从而使得对于泵车臂架状况监测成本较低且精度较高。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：
图1是本发明一实施例提供的一种用于泵车臂架状况监测的方法的流程示意图；
图2是本发明实施例提供的虚拟量测模型的顶层数据流图；
图3是本发明实施例提供的应变理论模型的一层数据流图；
图4是本发明一实施例提供的应变理论模型和虚拟量测模型的一层数据流图；
图5是本发明另一实施例提供的应变理论模型和虚拟量测模型的一层数据流图；
图6是本发明另一实施例提供的一种用于泵车臂架状况监测的方法的流程示意图；
图7是本发明又一实施例提供的一种用于泵车臂架状况监测的方法的流程示意图；
图8是本发明实施例提供的一种用于泵车臂架状况监测的装置的结构框图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
需要说明，若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后……)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，若本发明实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
图1是本发明一实施例提供的一种用于泵车臂架状况监测的方法的流程示意图。如图1所示，本发明实施例提供一种用于泵车臂架状况监测的方法，该方法可以包括下列步骤。
在步骤S11中，获取泵车臂架的训练数据集和测试数据集。在本发明的实施例中，泵车臂架的训练数据集是用于训练与泵车臂架状况监测相关的虚拟量测模型的数据集。虚拟量测不直接量测目标量，而是通过量测其他相关量，再使用预测模型来间接获取目标量的方法。训练数据集包括训练数据集的输入量和训练数据集的响应量，训练数据集的响应量可以包括臂架应变数据，训练数据集的输入量可以包括但不限于泵送压力数据、臂架倾角数据以及泵送状态数据。泵车臂架的测试数据集可以包括但不限于泵送压力数据、臂架倾角数据、泵送状态数据，将测试数据集输入训练好的虚拟量测模型，可以得到泵车臂架对应的预测应变量。具体地，可以通过多个数据传感器分别采集泵送压力数据、臂架倾角数据、泵送状态数据和臂架应变数据。其中，应变片采集的臂架应变数据是预测目标，也是机器学习算法的响应，臂架应变数据只在模型训练时需要采集，用于评判模型的可靠性，在虚拟量测阶段不需要采集。在本发明的实施例中，训练数据集和测试数据集可以通过多个数据传感器采集，数据传感器可以包括但不限于倾角数据采集传感器、应变片传感器、泵送压力传感器、泵送开关传感器等，根据采集数据的不同，可以将各传感器安装在泵车臂架的不同位置。数据传感器与后端数据处理个人计算机(Personal Computer，PC)通信连接，数据处理器用于采集并记录泵车臂架的各项数据，后端数据处理PC在数据采集时可以用于不同数据信息采集器之间的时间对齐，在后端处理数据时，可以搭载高级语言实现模型训练集结果预测。
在步骤S12中，将训练数据集输入至应变理论模型以得到训练理论应变量。在本发明的实施例中，应变理论模型是基于材料力学提出的模型，用于预测泵车臂架的理论应变。材料力学研究材料在各种外力作用下产生的应变、应力和破坏等现象，提供了泵车臂架应变计算的理论支撑。应变理论模型的输入是采集的训练数据集，输出是训练数据集对应的训练理论应变量。在本发明的实施例中，可以将训练数据集输入至应变理论模型计算训练理论应变量，并且计算与响应量的一次线性拟合模型的线性关系，以便后续测试理论应变值的计算。应变理论模型所需要臂架参数可以包括：臂架的质量m，臂架的长度l，臂架与水平面的夹角θ，臂架上传感器所在臂架横截面方环参数H、B、h、b，弹性模型E、倾角传感器离该臂左端的距离l传，应变片传感器到该臂横截面中心的垂直距离y等。由于横截面参数在同一臂架不同位置不同，因此同一臂架的不同位置拥有不同应变值。在一个示例中，理论应变量可以通过下列步骤得出：计算泵车的每个臂架的第一端连接点处的支撑力和所受力矩；计算每个臂架所受的弯矩；计算每个臂架的应变片传感器所在的横截面的惯性矩；计算每个臂架的应变值；采用一次线性拟合模型拟合应变值的理论值和实际值以得到训练理论应变量；进一步可以确定一次线性拟合模型拟合得到的应变值的理论值和实际值的线性关系。
在步骤S13中，对训练理论应变量和训练数据集进行机器学习回归训练，以得到虚拟量测模型。在本发明的实施例中，使用机器学习回归模型拟合模型输入与模型响应，选定模型、评价指标并优化模型参数。本发明实施例中，学习回归模型拟解决的问题是一个多输入多响应的问题。模型训练分为预处理以及模型确定两部分。预处理是由于传感器采集原始数据存在各种各样的数据问题，因此在模型训练前需要进行一系列数据处理工作，使用的流程包括但不限于：数据对齐及缺失值处理、数据异常处理、特征扩展等。数据对齐是由于不同数据并非在同一时刻采集，因此需将多个输入、响应数据一一对应，通常使用插值算法实现。数据异常处理分为数据点异常和数据段异常，数据点异常的主要形式有数据点超量测、数据值突变等，通常由传感器设备不稳定或者信号传输过程异常引起，数据段异常的主要原因是不同时间段数据采集方式不同和人为动作(如传感器数据校准等)引起。特征扩展是指从采集的原始数据生成新的特征，以便发现潜在的、对虚拟量测更有利的特征，例如，本发明实施例中的理论应变量可以视为一项特殊的特征扩展方法，常用的扩展特征包括但不限于：均值、方差、偏度。机器学习回归模型确定包括明确机器学习的输入、响应数据以及模型参数等，主要步骤包括模型选择、特征选择、模型调参与验证。本发明实施例的虚拟量测模型实质是一种数据回归问题，可用的模型可以包括但不限于：lightgbm模型、深度神经网络模型等。模型调参与验证是为了得到一组拥有最优评价值的模型超参数。同时，为了证明模型的结果具有普适性，通常可以使用K-Fold交叉验证。
本发明实施例中，训练理论应变量可以作为机器学习模型的输入也可以作为机器学习模型的响应。在一个示例中，训练理论应变量作为机器学习模型的输入。具体地，可以将训练数据集的输入量与对应的训练理论应变量作为输入，将训练数据集的响应量作为输出，对虚拟量测模型进行训练。在另一个示例中，训练理论应变量作为机器学习模型的响应。具体地，将训练数据集的输入量作为输入，将训练数据集的响应量和训练理论应变量的残差作为输出，对虚拟量测模型进行训练。
在步骤S14中，将测试数据集输入至应变理论模型，以得到测试理论应变量。在本发明的实施例中，应变理论模型是基于材料力学提出的模型，用于预测泵车臂架的理论应变。材料力学研究材料在各种外力作用下产生的应变、应力和破坏等现象，提供了泵车臂架应变计算的理论支撑。在测试数据集输入虚拟量测模型之前，也需要对测试数据集进行理论应变量的计算。应变理论模型的输入是采集的测试数据集，输出是训练数据集对应的测试理论应变量。应变理论模型所需要臂架参数可以包括：臂架的质量m，臂架的长度l，臂架与水平面的夹角θ，臂架上传感器所在臂架横截面方环参数H、B、h、b，弹性模型E、倾角传感器离该臂左端的距离l传，应变片传感器到该臂横截面中心的垂直距离y等。由于横截面参数在同一臂架不同位置不同，因此同一臂架的不同位置拥有不同应变值。在一个示例中，理论应变量可以通过下列方法得出：计算泵车的每个臂架的第一端连接点处的支撑力和所受力矩；计算每个臂架所受的弯矩；计算每个臂架的应变片传感器所在的横截面的惯性矩；计算每个臂架的应变值；采用一次线性拟合模型拟合应变值的理论值和实际值以得到训练理论应变量。
在步骤S15中，根据测试数据集和测试理论应变量，使用虚拟量测模型，以得到泵车臂架的预测应变量。在本发明的实施例中，使用虚拟量测模型也分为预处理以及模型确定两部分，具体参照步骤S13中关于模型训练的预处理方法。训练好虚拟量测模型之后，将测试数据集输入至虚拟量测模型，测试理论应变量也分为两种情况，可以作为虚拟量测模型的输入也可以作为虚拟量测模型的响应。在一个示例中，将测试数据集和测试理论应变量输入至虚拟量测模型，以得到泵车臂架的预测应变量。在另一个示例中，将测试数据集输入至虚拟量测模型，得到预测应变量与测试理论应变量的反残差，再将测试理论应变量与反残差相加可以得到泵车臂架的预测应变量。
通过上述技术方案，通过材料力学理论，提出一种关于泵车臂架的应变理论模型，结合机器学习，将应变理论模型用于臂架应变的虚拟传感器，提高了虚拟传感器的精度，并且增加先验知识，提升了机器学习算法的效率，从而使得对于泵车臂架状况监测成本较低且精度较高。
在本发明的实施例中，训练数据集可以包括训练数据集的输入量和训练数据集的响应量；
训练数据集的响应量可以包括臂架应变数据；
训练数据集的输入量可以包括臂架倾角数据和以下中的至少一者：
泵送压力数据、泵送状态数据。
在本发明的实施例中，测试数据集可以包括臂架倾角数据和以下中的至少一者：
泵送压力数据、泵送状态数据。
具体地，训练数据集包括训练数据集的输入量和训练数据集的响应量，训练数据集的响应量可以包括臂架应变数据，训练数据集的输入量可以包括但不限于泵送压力数据、臂架倾角数据以及泵送状态数据。泵车臂架的测试数据集可以包括但不限于泵送压力数据、臂架倾角数据、泵送状态数据，将测试数据集输入训练好的虚拟量测模型，可以得到泵车臂架对应的预测应变量。具体地，可以通过多个数据传感器分别采集泵送压力数据、臂架倾角数据、泵送状态数据和臂架应变数据。其中，应变片采集的臂架应变数据是预测目标，也是机器学习算法的响应，臂架应变数据只在模型训练时需要采集，用于评判模型的可靠性，在虚拟量测阶段不需要采集。
在本发明的实施例中，将训练数据集输入至应变理论模型以得到训练理论应变量可以包括：
计算泵车的每个臂架的第一端连接点处的支撑力和所受力矩；
根据支撑力和力矩计算每个臂架所受的弯矩；
计算每个臂架的应变片传感器所在的横截面的惯性矩；
根据弯矩和惯性矩计算每个臂架的应变值；
确定一次线性拟合模型拟合得到的应变值的理论值和实际值的线性关系。
本发明的实施例中，将测试数据集输入至应变理论模型，以得到测试理论应变量包括：
计算泵车的每个臂架的第一端连接点处的支撑力和所受力矩；
根据支撑力和力矩计算每个臂架所受的弯矩；
计算每个臂架的应变片传感器所在的横截面的惯性矩；
根据弯矩和惯性矩计算每个臂架的应变值；
根据应变值和线性关系得到测试理论应变量。
具体地，由于原始数据的采集可能存在不正确或者漏掉的情况，从而使得通过公式计算易出现误差。因此，可以通过一次线性拟合训练数据集的应变值的理论值和实际值得到理论值和实际值的线性关系。在测试数据集计算出应变值之后，根据线性关系得到测试理论应变量。在一个示例中，可以通过依次线性拟合得到斜率和节距，将测试数据集的应变值乘以斜率加上节距可以得到测试理论应变量。这样，可以减少测试数据集的理论应变量的误差。
在本发明的实施例中，支撑力可以满足以下公式：
Figure BDA0003171971640000111
其中，Fj为第j个臂架所受支撑力；N为泵车的臂架数量，mi为第i个臂架的质量；
力矩可以满足以下公式：
Figure BDA0003171971640000112
其中，τj为第j个臂架的应变片传感器所在位置的力矩；li为第i个臂架的长度；θi为第i个臂架与地面水平面的夹角；mi为第i个臂架的质量；mk为第k个臂架的质量。
具体地，先计算近地面臂架连接点竖直向上的支撑力、所受力矩。为简化计算，臂架可以简化为铰接连接直杆机构。定义每个臂架上离臂架底座支点较近的一端为该臂架的第一端，相应地，另一端称为第二端。通过受力分析臂架上的力平衡、力矩平衡的条件，可求解第j个臂架第一端的支撑力Fj，力矩τj。在本发明实施例中，最靠近臂架支座的为1臂，以此类推，mi为第i个臂架的质量，li为第i个臂架的长度，θi为第i个臂架与地面水平面的夹角，在本发明的实施例中，假定所有臂架的质心都在该臂架集合位置的中心。
在本发明的实施例中，弯矩可以满足以下公式：
Mj＝Fjlj传-τj；
其中，Mj为第j个臂架的应变片传感器所在位置的弯矩；Fj为第j个臂架的支撑力；lj传为第j个臂架上的倾角传感器离当前臂近地端的距离；τj为第j个臂架的应变片传感器所在位置的力矩。
具体地，力是物体产生应变、形变的原因。在本发明实施例中，仅考虑泵车臂架在自身重力及臂架之间相互作用力，考虑重力及和相互作用力在臂架这一杆件结构所在直线、重力方向线所决定平面内引起的弯曲变形。定义每个臂架上离臂架底座支点较近的一端为该臂架的第一端，相应地，另一端称为第二端，弯矩可以通过上述公式得出，即：
Figure BDA0003171971640000121
其中，τj为第j个臂架所受的力矩；li为第i个臂架的长度；θi为第i个臂架与地面水平面的夹角；mi为第i个臂架的质量；mk为第k个臂架的质量。
在本发明的实施例中，惯性矩可以满足以下公式：
Figure BDA0003171971640000131
其中，Ij为第j个臂架的惯性矩；Hj和Bj分别为第j个臂架上应变片传感器所在横截面方环外矩形的长和宽；hj和bj分别为第j个臂架上应变片传感器所在横截面方环内矩形的长和宽。
具体地，在材料力学中，截面的惯性矩与截面形状有关。不同位置的截面不同，拥有不同的惯性矩。因此，在模型训练中数据的采集阶段，应变片传感器通常需要布置在截面比较规整的位置，便于后续计算。在实际场景中，泵车臂架的横截面形状通常为方环形，则第j个臂架的惯性矩可以由上述公式得出。
在本发明的实施例中，应变值可以满足以下公式：
Figure BDA0003171971640000132
其中，
Figure BDA0003171971640000133
为第j个臂架的应变片传感器所在位置的应变值；Mj为第j个臂架的弯矩；yj为第j个臂架上应变片传感器到当前臂横截面中心的垂直距离；Ij为第j个臂架的惯性矩；E为弹性模型。
具体地，通过杆件弯曲变形理论及上述参数，求解第j个臂架上应变片传感器所在横截面对应深度yj的应变值。最后，通过胡克定律得到对应位置的应变值
Figure BDA0003171971640000135
具体地，第j个臂架的应变值可以通过上述公式得到，即：
Figure BDA0003171971640000134
其中，τj为第j个臂架所受的力矩；li为第i个臂架的长度；θi为第i个臂架与地面水平面的夹角；mi为第i个臂架的质量；mk为第k个臂架的质量；Ij为第j个臂架的惯性矩；Hj和Bj分别为第j个臂架上应变片传感器所在横截面方环外矩形的长和宽；hj和bj分别为第j个臂架上应变片传感器所在横截面方环内矩形的长和宽。
在本发明的实施例中，采用一次线性拟合模型的目的在于削弱参数对实验结果的影响，优化理论模型。在实际数据采集阶段，Hj、Bj、hj、bj、E、yj等参数由于不便测量、精度要求等，会存在不同程度测量误差，导致最终实验结果精度偏低。拟合模型的实质是消除上述测量误差对实验精度的影响。上述方法的理论基础有两点：1)上述参数在同一泵车的不同时刻，数值是稳定值。2)在实验结果中，发现理论值与计算值存在明显的同步变化性，但数值不同。
本发明实施例的数据流图，如图2～图5所示，图2是本发明实施例提供的顶层数据流图，图3是本发明实施例提供的应变理论模型的一层数据流图；图4是本发明一实施例提供的应变理论模型和虚拟量测模型的一层数据流图；图5是本发明另一实施例提供的应变理论模型和虚拟量测模型的一层数据流图。在一个示例中，理论应变量作为模型的输入；在另一个示例中，理论应变作为模型的输出。下面通过不同实施例对两个示例分别进行阐述。
图6是本发明另一实施例提供的一种用于泵车臂架状况监测的方法的流程示意图。如图6所示，在本发明的实施例中，步骤S13、对训练理论应变量和训练数据集进行机器学习回归训练，以得到虚拟量测模型可以包括：
步骤S61、将训练数据集的输入量与对应的训练理论应变量作为输入，将训练数据集的响应量作为输出，对虚拟量测模型进行训练。
结合图4，在本发明的实施例中，模型训练的输入包括训练数据集的输入量(例如应变、倾角、泵送压力、泵送状态)与对应的训练理论应变量(即理论应变)，模型训练的输出为训练数据集的响应量(即实际应变)，通过输入特征和输出特征对虚拟量测模型进行训练，不断优化虚拟量测模型。
如图6所示，在本发明的实施例中，步骤S15、根据测试数据集和测试理论应变量，使用虚拟量测模型，以得到泵车臂架的预测应变量可以包括：
步骤S62、将测试数据集和测试理论应变量输入至虚拟量测模型，以得到泵车臂架的预测应变量。
结合图4和步骤S61，在本发明的实施例中，训练好虚拟量测模型后，可以将测试数据集(例如倾角、泵送压力和泵送状态)与对应的测试理论应变量(即理论应变)输入至虚拟量测模型，以输出对应的泵车臂架的预测应变量(即实际应变)。
图7是本发明又一实施例提供的一种用于泵车臂架状况监测的方法的流程示意图。如图7所示，在本发明的实施例中，步骤S13、对训练理论应变量和训练数据集进行机器学习回归训练，以得到虚拟量测模型可以包括：
步骤S71、将训练数据集的输入量作为输入，将训练数据集的响应量和训练理论应变量的残差作为输出，对虚拟量测模型进行训练。
结合图5，在本发明的实施例中，模型训练的输入包括训练数据集的输入量(例如应变、倾角、泵送压力、泵送状态)，模型训练的输出包括训练数据集的响应量(即实际应变)与对应的训练理论应变量(即理论应变)的计算残差，通过输入特征和输出特征对虚拟量测模型进行训练，不断优化虚拟量测模型。
如图7所示，在本发明的实施例中，步骤S15、根据测试数据集和测试理论应变量，使用虚拟量测模型，以得到泵车臂架的预测应变量可以包括：
步骤S72、将测试数据集输入至虚拟量测模型，得到预测应变量与测试理论应变量的反残差；
步骤S73、将测试理论应变量与反残差相加得到泵车臂架的预测应变量。
结合图4和步骤S71，在本发明的实施例中，训练好虚拟量测模型后，可以将测试数据集(例如倾角、泵送压力和泵送状态)输入至虚拟量测模型，以输出应变残差，再将对应的测试理论应变量(即理论应变)与泵车臂架的预测应变量(即实际应变)相加，即可得到泵车臂架的预测应变量。
上述两个示例都是通过材料力学理论，提出一种关于泵车臂架的应变理论模型，结合机器学习，将应变理论模型用于臂架应变的虚拟传感器，提高了虚拟传感器的精度，并且增加先验知识，提升了机器学习算法的效率，从而使得对于泵车臂架状况监测成本较低且精度较高。
图8是本发明实施例提供的一种用于泵车臂架状况监测的装置的结构框图，如图8所示，本发明实施例提供一种用于泵车臂架状况监测的装置，被配置成执行根据上述的用于泵车臂架状况监测的方法。在本发明的实施例中，该装置可以包括处理器810和存储器820。存储器820可以存储有指令，该指令在被处理器810执行时可以使得处理器810执行之前实施例中描述的图像处理的方法。
具体地，在本发明的实施例中，处理器810被配置成：
获取泵车臂架的训练数据集和测试数据集；
将训练数据集输入至应变理论模型以得到训练理论应变量；
对训练理论应变量和训练数据集进行机器学习回归训练，以得到虚拟量测模型；
将测试数据集输入至应变理论模型，以得到测试理论应变量；
根据测试数据集和测试理论应变量，使用虚拟量测模型，以得到泵车臂架的预测应变量。
在本发明的实施例中，泵车臂架的训练数据集是用于训练与泵车臂架状况监测相关的虚拟量测模型的数据集。虚拟量测不直接量测目标量，而是通过量测其他相关量，再使用预测模型来间接获取目标量的方法。训练数据集包括训练数据集的输入量和训练数据集的响应量，训练数据集的响应量可以包括臂架应变数据，训练数据集的输入量可以包括但不限于泵送压力数据、臂架倾角数据以及泵送状态数据。泵车臂架的测试数据集可以包括但不限于泵送压力数据、臂架倾角数据、泵送状态数据，将测试数据集输入训练好的虚拟量测模型，可以得到泵车臂架对应的预测应变量。具体地，可以通过多个数据传感器分别采集泵送压力数据、臂架倾角数据、泵送状态数据和臂架应变数据。其中，应变片采集的臂架应变数据是预测目标，也是机器学习算法的响应，臂架应变数据只在模型训练时需要采集，用于评判模型的可靠性，在虚拟量测阶段不需要采集。在本发明的实施例中，训练数据集和测试数据集可以通过多个数据传感器采集，数据传感器可以包括但不限于倾角数据采集传感器、应变片传感器、泵送压力传感器、泵送开关传感器等，根据采集数据的不同，可以将各传感器安装在泵车臂架的不同位置。数据传感器与后端数据处理个人计算机(PersonalComputer，PC)通信连接，数据处理器用于采集并记录泵车臂架的各项数据，后端数据处理PC在数据采集时可以用于不同数据信息采集器之间的时间对齐，在后端处理数据时，可以搭载高级语言实现模型训练集结果预测。
在本发明的实施例中，应变理论模型是基于材料力学提出的模型，用于预测泵车臂架的理论应变。材料力学研究材料在各种外力作用下产生的应变、应力和破坏等现象，提供了泵车臂架应变计算的理论支撑。应变理论模型的输入是采集的训练数据集，输出是训练数据集对应的训练理论应变量。在本发明的实施例中，可以将训练数据集输入至应变理论模型计算训练理论应变量，并且计算与响应量的一次线性拟合模型的线性关系，以便后续测试理论应变值的计算。应变理论模型所需要臂架参数可以包括：臂架的质量m，臂架的长度l，臂架与水平面的夹角θ，臂架上传感器所在臂架横截面方环参数H、B、h、b，弹性模型E、倾角传感器离该臂左端的距离l传，应变片传感器到该臂横截面中心的垂直距离y等。由于横截面参数在同一臂架不同位置不同，因此同一臂架的不同位置拥有不同应变值。在一个示例中，理论应变量可以通过下列步骤得出：计算泵车的每个臂架的第一端连接点处的支撑力和所受力矩；计算每个臂架所受的弯矩；计算每个臂架的应变片传感器所在的横截面的惯性矩；计算每个臂架的应变值；采用一次线性拟合模型拟合应变值的理论值和实际值以得到训练理论应变量；进一步可以确定一次线性拟合模型拟合得到的应变值的理论值和实际值的线性关系。
在本发明的实施例中，使用机器学习回归模型拟合模型输入与模型响应，选定模型、评价指标并优化模型参数。本发明实施例中，学习回归模型拟解决的问题是一个多输入多响应的问题。模型训练分为预处理以及模型确定两部分。预处理是由于传感器采集原始数据存在各种各样的数据问题，因此在模型训练前需要进行一系列数据处理工作使用的流程包括但不限于：数据对齐及缺失值处理、数据异常处理、特征扩展等。数据对齐是由于不同数据并非在同一时刻采集，因此需将多个输入、响应数据一一对应，通常使用插值算法实现。数据异常处理分为数据点异常和数据段异常，数据点异常的主要形式有数据点超量测、数据值突变等，通常由传感器设备不稳定或者信号传输过程异常引起，数据段异常的主要原因是不同时间段数据采集方式不同和人为动作(如传感器数据校准等)引起。特征扩展是指从采集的原始数据生成新的特征，以便发现潜在的、对虚拟量测更有利的特征，例如，本发明实施例中的理论应变量可以视为一项特殊的特征扩展方法，常用的扩展特征包括但不限于：均值、方差、偏度。机器学习回归模型确定包括明确机器学习的输入、响应数据以及模型参数等，主要步骤包括模型选择、特征选择、模型调参与验证。本发明实施例的虚拟量测模型实质是一种数据回归问题，可用的模型可以包括但不限于：lightgbm模型、深度神经网络模型等。模型调参与验证是为了得到一组拥有最优评价值的模型超参数。同时，为了证明模型的结果具有普适性，通常可以使用K-Fold交叉验证。
本发明实施例中，训练理论应变量可以作为机器学习模型的输入也可以作为机器学习模型的响应。在一个示例中，训练理论应变量作为机器学习模型的输入。具体地，可以将训练数据集的输入量与对应的训练理论应变量作为输入，将训练数据集的响应量作为输出，对虚拟量测模型进行训练。在另一个示例中，训练理论应变量作为机器学习模型的响应。具体地，将训练数据集的输入量作为输入，将训练数据集的响应量和训练理论应变量的残差作为输出，对虚拟量测模型进行训练。
在本发明的实施例中，应变理论模型是基于材料力学提出的模型，用于预测泵车臂架的理论应变。材料力学研究材料在各种外力作用下产生的应变、应力和破坏等现象，提供了泵车臂架应变计算的理论支撑。在测试数据集输入虚拟量测模型之前，也需要对测试数据集进行理论应变量的计算。应变理论模型的输入是采集的测试数据集，输出是训练数据集对应的测试理论应变量。应变理论模型所需要臂架参数可以包括：臂架的质量m，臂架的长度l，臂架与水平面的夹角θ，臂架上传感器所在臂架横截面方环参数H、B、h、b，弹性模型E、倾角传感器离该臂左端的距离l传，应变片传感器到该臂横截面中心的垂直距离y等。由于横截面参数在同一臂架不同位置不同，因此同一臂架的不同位置拥有不同应变值。在一个示例中，理论应变量可以通过下列方法得出：计算泵车的每个臂架的第一端连接点处的支撑力和所受力矩；计算每个臂架所受的弯矩；计算每个臂架的应变片传感器所在的横截面的惯性矩；计算每个臂架的应变值；采用一次线性拟合模型拟合应变值的理论值和实际值以得到训练理论应变量。
在本发明的实施例中，使用虚拟量测模型也分为预处理以及模型确定两部分，具体参照步骤S13中关于模型训练的预处理方法。训练好虚拟量测模型之后，将测试数据集输入至虚拟量测模型，测试理论应变量也分为两种情况，可以作为虚拟量测模型的输入也可以作为虚拟量测模型的响应。在一个示例中，将测试数据集和测试理论应变量输入至虚拟量测模型，以得到泵车臂架的预测应变量。在另一个示例中，将测试数据集输入至虚拟量测模型，得到预测应变量与测试理论应变量的反残差，再将测试理论应变量与反残差相加可以得到泵车臂架的预测应变量。
通过上述技术方案，通过材料力学理论，提出一种关于泵车臂架的应变理论模型，结合机器学习，将应变理论模型用于臂架应变的虚拟传感器，提高了虚拟传感器的精度，并且增加先验知识，提升了机器学习算法的效率，从而使得对于泵车臂架状况监测成本较低且精度较高。
在本发明的实施例中，训练数据集可以包括训练数据集的输入量和训练数据集的响应量；
训练数据集的响应量可以包括臂架应变数据；
训练数据集的输入量可以包括臂架倾角数据和以下中的至少一者：
泵送压力数据、泵送状态数据。
在本发明的实施例中，测试数据集可以包括臂架倾角数据和以下中的至少一者：
泵送压力数据、泵送状态数据。
具体地，训练数据集包括训练数据集的输入量和训练数据集的响应量，训练数据集的响应量可以包括臂架应变数据，训练数据集的输入量可以包括但不限于泵送压力数据、臂架倾角数据以及泵送状态数据。泵车臂架的测试数据集可以包括但不限于泵送压力数据、臂架倾角数据、泵送状态数据，将测试数据集输入训练好的虚拟量测模型，可以得到泵车臂架对应的预测应变量。具体地，可以通过多个数据传感器分别采集泵送压力数据、臂架倾角数据、泵送状态数据和臂架应变数据。其中，应变片采集的臂架应变数据是预测目标，也是机器学习算法的响应，臂架应变数据只在模型训练时需要采集，用于评判模型的可靠性，在虚拟量测阶段不需要采集。
进一步地，处理器810还被配置成：
将训练数据集输入至应变理论模型以得到训练理论应变量可以包括：
计算泵车的每个臂架的第一端连接点处的支撑力和所受力矩；
根据支撑力和力矩计算每个臂架所受的弯矩；
计算每个臂架的应变片传感器所在的横截面的惯性矩；
根据弯矩和惯性矩计算每个臂架的应变值；
确定一次线性拟合模型拟合得到的应变值的理论值和实际值的线性关系。
在本发明的实施例中，将测试数据集输入至应变理论模型，以得到测试理论应变量包括：
计算泵车的每个臂架的第一端连接点处的支撑力和所受力矩；
根据支撑力和力矩计算每个臂架所受的弯矩；
计算每个臂架的应变片传感器所在的横截面的惯性矩；
根据弯矩和惯性矩计算每个臂架的应变值；
根据应变值和线性关系得到测试理论应变量。
在本发明的实施例中，支撑力满足以下公式：
Figure BDA0003171971640000211
其中，Fj为第j个臂架所受支撑力；N为泵车的臂架数量，mi为第i个臂架的质量；
力矩满足以下公式：
Figure BDA0003171971640000212
其中，τj为第j个臂架的应变片传感器所在位置的力矩；li为第i个臂架的长度；θi为第i个臂架与地面水平面的夹角；mi为第i个臂架的质量；mk为第k个臂架的质量。
在本发明的实施例中，弯矩满足以下公式：
Mj＝Fjlj传-τj；
其中，Mj为第j个臂架的应变片传感器所在位置的弯矩；Ej为第j个臂架的支撑力；lj传为第j个臂架上的倾角传感器离当前臂近地端的距离；τj为第j个臂架的应变片传感器所在位置的力矩。
在本发明的实施例中，惯性矩满足以下公式：
Figure BDA0003171971640000221
其中，Ij为第j个臂架的惯性矩；Hj和Bj分别为第j个臂架上应变片传感器所在横截面方环外矩形的长和宽；hj和bj分别为第j个臂架上应变片传感器所在横截面方环内矩形的长和宽。
在本发明的实施例中，应变值满足以下公式：
Figure BDA0003171971640000222
其中，
Figure BDA0003171971640000223
为第j个臂架的应变片传感器所在位置的应变值；Mj为第j个臂架的弯矩；yj为第j个臂架上应变片传感器到当前臂横截面中心的垂直距离；Ij为第j个臂架的惯性矩；E为弹性模型。
进一步地，处理器810还被配置成：
对训练理论应变量和训练数据集进行机器学习回归训练，以得到虚拟量测模型可以包括：
将训练数据集的输入量与对应的训练理论应变量作为输入，将训练数据集的响应量作为输出，对虚拟量测模型进行训练。
在本发明的实施例中，模型训练的输入包括训练数据集的输入量(例如应变、倾角、泵送压力、泵送状态)与对应的训练理论应变量(即理论应变)，模型训练的输出为训练数据集的响应量(即实际应变)，通过输入特征和输出特征对虚拟量测模型进行训练，不断优化虚拟量测模型。
进一步地，处理器810还被配置成：
根据测试数据集和测试理论应变量，使用虚拟量测模型，以得到泵车臂架的预测应变量可以包括：
将测试数据集和测试理论应变量输入至虚拟量测模型，以得到泵车臂架的预测应变量。
在本发明的实施例中，训练好虚拟量测模型后，可以将测试数据集(例如倾角、泵送压力和泵送状态)与对应的测试理论应变量(即理论应变)输入至虚拟量测模型，以输出对应的泵车臂架的预测应变量(即实际应变)。
进一步地，处理器810还被配置成：
对训练理论应变量和训练数据集进行机器学习回归训练，以得到虚拟量测模型可以包括：
将训练数据集的输入量作为输入，将训练数据集的响应量和训练理论应变量的残差作为输出，对虚拟量测模型进行训练。
在本发明的实施例中，模型训练的输入包括训练数据集的输入量(例如应变、倾角、泵送压力、泵送状态)，模型训练的输出包括训练数据集的响应量(即实际应变)与对应的训练理论应变量(即理论应变)的计算残差，通过输入特征和输出特征对虚拟量测模型进行训练，不断优化虚拟量测模型。
进一步地，处理器810还被配置成：
根据测试数据集和测试理论应变量，使用虚拟量测模型，以得到泵车臂架的预测应变量可以包括：
将测试数据集输入至虚拟量测模型，得到预测应变量与测试理论应变量的反残差；
将测试理论应变量与反残差相加得到泵车臂架的预测应变量。
在本发明的实施例中，训练好虚拟量测模型后，可以将测试数据集(例如倾角、泵送压力和泵送状态)输入至虚拟量测模型，以输出应变残差，再将对应的测试理论应变量(即理论应变)与泵车臂架的预测应变量(即实际应变)相加，即可得到泵车臂架的预测应变量。
上述两个示例都是通过材料力学理论，提出一种关于泵车臂架的应变理论模型，结合机器学习，将应变理论模型用于臂架应变的虚拟传感器，提高了虚拟传感器的精度，并且增加先验知识，提升了机器学习算法的效率，从而使得对于泵车臂架状况监测成本较低且精度较高。
处理器810的示例可以包括但不限于通用处理器、专用处理器、常规处理器、数字信号处理器(DSP)、多个微处理器、与DSP核心关联的一个或多个微处理器、控制器、微控制器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)电路、其他任何类型的集成电路(IC)以及状态机等等。处理器可以执行信号编码、数据处理、功率控制、输入/输出处理。
存储器820的示例可以包括但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被处理器访问的信息。
本发明实施例还提供一种泵车，包括根据上述的用于泵车臂架状况监测的装置。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
以上结合附图详细描述了本发明的优选实施例，但是，本发明并不限于上述实施例中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。
另外需要说明的是，在上述具体实施例中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。
此外，本发明的各种不同的实施例之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。

Claims (15)

1.一种用于泵车臂架状况监测的方法，其特征在于，所述方法包括：
获取所述泵车臂架的训练数据集和测试数据集；
将所述训练数据集输入至应变理论模型以得到训练理论应变量；
对所述训练理论应变量和所述训练数据集进行机器学习回归训练，以得到虚拟量测模型；
将所述测试数据集输入至所述应变理论模型，以得到测试理论应变量；
根据所述测试数据集和所述测试理论应变量，使用所述虚拟量测模型，以得到所述泵车臂架的预测应变量。
2.根据权利要求1所述的方法，其特征在于，所述训练数据集包括训练数据集的输入量和训练数据集的响应量；
所述训练数据集的响应量包括臂架应变数据；
所述训练数据集的输入量包括臂架倾角数据和以下中的至少一者：
泵送压力数据、泵送状态数据。
3.根据权利要求1所述的方法，其特征在于，所述测试数据集臂架倾角数据和包括以下中的至少一者：
泵送压力数据、泵送状态数据。
4.根据权利要求1所述的方法，其特征在于，所述将所述训练数据集输入至应变理论模型以得到训练理论应变量包括：
计算所述泵车的每个臂架的第一端连接点处的支撑力和所受力矩；
根据所述支撑力和所述力矩计算所述每个臂架所受的弯矩；
计算所述每个臂架的应变片传感器所在的横截面的惯性矩；
根据所述弯矩和所述惯性矩计算所述每个臂架的应变值；
确定所述一次线性拟合模型拟合得到的所述应变值的理论值和实际值的线性关系。
5.根据权利要求4所述的方法，其特征在于，所述将所述测试数据集输入至所述应变理论模型，以得到测试理论应变量包括：
计算所述泵车的每个臂架的第一端连接点处的支撑力和所受力矩；
根据所述支撑力和所述力矩计算所述每个臂架所受的弯矩；
计算所述每个臂架的应变片传感器所在的横截面的惯性矩；
根据所述弯矩和所述惯性矩计算所述每个臂架的应变值；
根据所述应变值和所述线性关系得到所述测试理论应变量。
6.根据权利要求4或5所述的方法，其特征在于，所述支撑力满足以下公式：
Figure FDA0003171971630000021
其中，Fj为第j个臂架所受支撑力；N为所述泵车的臂架数量，mi为第i个臂架的质量；
所述力矩满足以下公式：
Figure FDA0003171971630000022
其中，τj为所述第j个臂架的应变片传感器所在位置的力矩；li为所述第i个臂架的长度；θi为所述第i个臂架与地面水平面的夹角；mi为所述第i个臂架的质量；mk为第k个臂架的质量。
7.根据权利要求6所述的方法，其特征在于，所述弯矩满足以下公式：
Mj＝Fjlj传-τj；
其中，Mj为所述第j个臂架的应变片传感器所在位置的弯矩；Fj为所述第j个臂架的支撑力；lj传为所述第j个臂架上的倾角传感器离当前臂近地端的距离；τj为所述第j个臂架的应变片传感器所在位置的力矩。
8.根据权利要求7所述的方法，其特征在于，所述惯性矩满足以下公式：
Figure FDA0003171971630000031
其中，Ij为所述第j个臂架的惯性矩；Hj和Bj分别为所述第j个臂架上应变片传感器所在横截面方环外矩形的长和宽；hj和bj分别为所述第j个臂架上应变片传感器所在横截面方环内矩形的长和宽。
9.根据权利要求8所述的方法，其特征在于，所述应变值满足以下公式：
Figure FDA0003171971630000032
其中，
Figure FDA0003171971630000033
为所述第j个臂架的应变片传感器所在位置的应变值；Mj为所述第j个臂架的弯矩；yj为所述第j个臂架上应变片传感器到当前臂横截面中心的垂直距离；Ij为所述第j个臂架的惯性矩；E为弹性模型。
10.根据权利要求2所述的方法，其特征在于，所述对所述训练理论应变量和所述训练数据集进行机器学习回归训练，以得到虚拟量测模型包括：
将所述训练数据集的输入量与对应的训练理论应变量作为输入，将所述训练数据集的响应量作为输出，对所述虚拟量测模型进行训练。
11.根据权利要求10所述的方法，其特征在于，所述根据所述测试数据集和所述测试理论应变量，使用所述虚拟量测模型，以得到所述泵车臂架的预测应变量包括：
将所述测试数据集和所述测试理论应变量输入至所述虚拟量测模型，以得到所述泵车臂架的预测应变量。
12.根据权利要求2所述的方法，其特征在于，所述对所述训练理论应变量和所述训练数据集进行机器学习回归训练，以得到虚拟量测模型包括：
将所述训练数据集的输入量作为输入，将所述训练数据集的响应量和所述训练理论应变量的残差作为输出，对所述虚拟量测模型进行训练。
13.根据权利要求12所述的方法，其特征在于，所述根据所述测试数据集和所述测试理论应变量，使用所述虚拟量测模型，以得到所述泵车臂架的预测应变量包括：
将所述测试数据集输入至所述虚拟量测模型，得到所述预测应变量与所述测试理论应变量的反残差；
将所述测试理论应变量与所述反残差相加得到所述泵车臂架的预测应变量。
14.一种用于泵车臂架状况监测的装置，其特征在于，被配置成执行根据权利要求1至13中任一项所述的用于泵车臂架状况监测的方法。
15.一种泵车，其特征在于，包括根据权利要求14所述的用于泵车臂架状况监测的装置。
CN202110820988.6A 2021-07-20 2021-07-20 用于泵车臂架状况监测的方法、装置及泵车 Pending CN113722813A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110820988.6A CN113722813A (zh) 2021-07-20 2021-07-20 用于泵车臂架状况监测的方法、装置及泵车

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110820988.6A CN113722813A (zh) 2021-07-20 2021-07-20 用于泵车臂架状况监测的方法、装置及泵车

Publications (1)

Publication Number Publication Date
CN113722813A true CN113722813A (zh) 2021-11-30

Family

ID=78673650

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110820988.6A Pending CN113722813A (zh) 2021-07-20 2021-07-20 用于泵车臂架状况监测的方法、装置及泵车

Country Status (1)

Country Link
CN (1) CN113722813A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060230006A1 (en) * 2003-01-15 2006-10-12 Massimo Buscema System and method for optimization of a database for the training and testing of prediction algorithms
CN104102773A (zh) * 2014-07-05 2014-10-15 山东鲁能软件技术有限公司 一种设备故障预警及状态监测方法
CN104120885A (zh) * 2014-07-15 2014-10-29 三一集团有限公司 泵车及其泵车臂架疲劳健康监控系统、方法
CN109766618A (zh) * 2019-01-02 2019-05-17 大连理工大学 一种基于机器学习的应力应变预测方法
CN110817694A (zh) * 2019-10-25 2020-02-21 湖南中联重科智能技术有限公司 载荷吊重的计算方法、装置及存储介质
CN111813084A (zh) * 2020-07-10 2020-10-23 重庆大学 一种基于深度学习的机械装备故障诊断方法
CN111932024A (zh) * 2020-08-21 2020-11-13 润联软件系统(深圳)有限公司 一种能源负荷预测方法、装置、计算机设备及存储介质
US20210110313A1 (en) * 2019-09-18 2021-04-15 Hartford Steam Boiler Inspection And Insurance Company Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models
CN112685956A (zh) * 2020-12-29 2021-04-20 浙江天行健智能科技有限公司 基于cart回归树的路感模拟方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060230006A1 (en) * 2003-01-15 2006-10-12 Massimo Buscema System and method for optimization of a database for the training and testing of prediction algorithms
CN104102773A (zh) * 2014-07-05 2014-10-15 山东鲁能软件技术有限公司 一种设备故障预警及状态监测方法
CN104120885A (zh) * 2014-07-15 2014-10-29 三一集团有限公司 泵车及其泵车臂架疲劳健康监控系统、方法
CN109766618A (zh) * 2019-01-02 2019-05-17 大连理工大学 一种基于机器学习的应力应变预测方法
US20210110313A1 (en) * 2019-09-18 2021-04-15 Hartford Steam Boiler Inspection And Insurance Company Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models
CN110817694A (zh) * 2019-10-25 2020-02-21 湖南中联重科智能技术有限公司 载荷吊重的计算方法、装置及存储介质
CN111813084A (zh) * 2020-07-10 2020-10-23 重庆大学 一种基于深度学习的机械装备故障诊断方法
CN111932024A (zh) * 2020-08-21 2020-11-13 润联软件系统(深圳)有限公司 一种能源负荷预测方法、装置、计算机设备及存储介质
CN112685956A (zh) * 2020-12-29 2021-04-20 浙江天行健智能科技有限公司 基于cart回归树的路感模拟方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
曾文韬;孔建益;胡晓莉;张华;: "基于BP神经网络混凝土泵车臂架故障预测研究", 机械设计与制造, no. 04, pages 44 - 47 *
胡凡;吴运新;: "软测量技术在泵车臂架结构健康监测中的应用", 计算机工程与应用, no. 03, pages 263 - 266 *

Similar Documents

Publication Publication Date Title
CN101918792B (zh) 用于校准坐标测量装置的方法及其坐标测量机
CN101825440A (zh) 产品零件间隙检测系统及方法
WO2022199713A1 (en) Digital load cell and weighing system
CN112836180B (zh) 传感数据确定方法、装置、电子设备及可读存储介质
CN112462353A (zh) 超声波雷达的测试方法、装置、系统及设备
CN116651971A (zh) 一种汽车冲压模具在线检测方法及系统
CN115994320A (zh) 一种智能摩擦摆隔震支座及状态监测与故障诊断系统
CN108180895A (zh) 一种基于海拔峰值测量相对高度的方法
CN110260918A (zh) 建筑监测方法、装置、电子设备及计算机可读存储介质
CN113722813A (zh) 用于泵车臂架状况监测的方法、装置及泵车
CN115431302B (zh) 机器人关节空程测量方法、装置、电子设备及存储介质
CN112067165A (zh) 温度传感器精度测试系统、测试方法、装置及存储介质
CN113740086A (zh) 用于泵车臂架状况监测的方法、装置、处理器及泵车
KR102435166B1 (ko) 정밀한 변형률-변위 예측을 위한 유전자 알고리즘과 ai 기술을 적용한 구조물의 계측 위치 및 개소 결정 방법
CN210426437U (zh) 一种水下结构光测量标定装置
CN111397525A (zh) 小型悬臂梁的挠曲线检测方法、检测装置及系统
JP6567229B1 (ja) 学習処理装置、データ分析装置、分析手法選択方法、及び分析手法選択プログラム
CN110631634A (zh) 一种完全逆分析的结构监测评估方法、系统以及存储介质
CN114427820B (zh) 一种转轴机构的偏摆测量方法及装置
CN114194058B (zh) 汽车充电机器人的检测装置、检测方法
JP2019203713A (ja) 建物の被災度判定方法及び建物の被災度判定システム
CN115420418B (zh) 气压测量方法、装置、电子设备及可读存储介质
CN116577671B (zh) 电池系统异常检测方法及装置
CN118095110A (zh) 一种燃煤机组炉温获取方法、系统、设备及存储介质
CN117092410B (zh) 检测电路、储能电池、电池采样线阻值确定方法及设备

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