CN113847305A - 作业机械液压系统的预警方法、预警系统及作业机械 - Google Patents
作业机械液压系统的预警方法、预警系统及作业机械 Download PDFInfo
- Publication number
- CN113847305A CN113847305A CN202111038085.9A CN202111038085A CN113847305A CN 113847305 A CN113847305 A CN 113847305A CN 202111038085 A CN202111038085 A CN 202111038085A CN 113847305 A CN113847305 A CN 113847305A
- Authority
- CN
- China
- Prior art keywords
- real
- early warning
- time
- working
- machine
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000036541 health Effects 0.000 claims abstract description 62
- 238000012549 training Methods 0.000 claims description 22
- 238000004891 communication Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000003745 diagnosis Methods 0.000 abstract description 9
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F15—FLUID-PRESSURE ACTUATORS; HYDRAULICS OR PNEUMATICS IN GENERAL
- F15B—SYSTEMS ACTING BY MEANS OF FLUIDS IN GENERAL; FLUID-PRESSURE ACTUATORS, e.g. SERVOMOTORS; DETAILS OF FLUID-PRESSURE SYSTEMS, NOT OTHERWISE PROVIDED FOR
- F15B19/00—Testing; Calibrating; Fault detection or monitoring; Simulation or modelling of fluid-pressure systems or apparatus not otherwise provided for
- F15B19/005—Fault detection or monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Fluid Mechanics (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种作业机械液压系统的预警方法、预警系统及作业机械,包括:获取作业机械的实时工况数据和所述作业机械所在区域的实时天气信息;根据所述实时工况数据、所述实时天气信息和故障预警模型,获取所述作业机械液压系统的健康状况;根据所述健康状况,对所述作业机械液压系统进行故障预警。本发明实施例融合作业机械的工况数据和天气信息,可以有效融合作业机械多种工况特征属性,能对作业机械的故障进行更加全面的检测,提高了作业机械智能故障诊断准确率和覆盖率。
Description
技术领域
本发明涉及作业机械技术领域,尤其涉及一种作业机械液压系统的预警方法、预警系统及作业机械。
背景技术
作业机械作业场所大多为比较恶劣的露天环境,工作负载变化大,持续作业时间长,而液压系统作为作业机械设备的核心部件,比一般设备的液压系统更容易发生故障。由于作业机械设备液压系统的组成复杂,导致故障的原因又多种多样,具有很多不确定性因素,使得作业机械液压系统的故障诊断变得困难。
因此,利用先进的故障诊断方法,提高作业机械设备液压系统故障诊断的速度和准确性,减少不必要事故的发生,它能够实现作业机械设备工作状态的实时检测,缩短故障停机时间,大大提高作业机械设备的经济效益。
作业机械设备液压系统有很多种故障诊断方法。但是目前的方法只是利用作业机械设备液压系统的传感器数据进行预警,利用专家知识判断作业机械设备是否出现故障,未能充分考虑作业机械设备的工况信息如海拔高度、工作时所处区域的天气信息等。因此,无法对作业机械设备的液压系统的漏油、无力等故障进行提前预警。
综上,传统的作业机械液压系统预警方法无法全面的对液压系统进行预警。
发明内容
本发明提供一种作业机械液压系统的预警方法、预警系统及作业机械,用以解决现有技术中无法全面对作业机械液压系统的故障进行预警的缺陷,实现全面地故障预警。
本发明提供一种作业机械液压系统的预警方法,包括:
获取作业机械的实时工况数据和所述作业机械所在区域的实时天气信息;
根据所述实时工况数据、所述实时天气信息和故障预警模型,获取所述作业机械液压系统的健康状况,所述故障预警模型通过样本和标签进行训练得到,所述样本包括所述作业机械的历史工况数据和历史天气信息;
根据所述健康状况,对所述作业机械液压系统进行故障预警。
根据本发明提供的一种作业机械液压系统的预警方法,还包括:
若所述健康状况判断错误,则对所述健康状况进行修正,并利用所述实时工况数据和所述实时天气信息更新所述样本,利用修正后的健康状况更新所述标签;
利用更新后的样本和更新后的标签重新对所述故障预警模型进行训练。
根据本发明提供的一种作业机械液压系统的预警方法,所述对所述健康状况进行修正,包括:
利用K-近邻算法,对所述实时工况数据、所述实时天气信息和所述样本进行分类,获取所述实时工况数据和所述实时天气信息所属类别;
将所述所属类别对应的标签作为修正后的健康状况。
根据本发明提供的一种作业机械液压系统的预警方法,所述实时工况数据和所述实时天气信息通过以下方式获得:
获取所述作业机械的实时工况数据,所述实时工况数据包括所述作业机械的经纬度信息;
根据所述经纬度信息,获取所述作业机械所在区域;
根据所述作业机械所在区域,获取所述实时天气信息。
根据本发明提供的一种作业机械液压系统的预警方法,所述实时工况数据包括所述作业机械的经纬度信息、发动机转速和档位,和/或,所述实时天气信息包括温度、风速和天气状况。
根据本发明提供的一种作业机械液压系统的预警方法,所述获取作业机械的实时工况数据和所述作业机械所在区域的实时天气信息,包括:
通过5G通信网络,接收所述实时工况数据和所述实时天气信息。
本发明还提供一种作业机械液压系统的预警系统,包括:
参数获取模块,用于获取作业机械的实时工况数据和所述作业机械所在区域的实时天气信息;
健康预测模块,用于根据所述实时工况数据、所述实时天气信息和故障预警模型,获取所述作业机械液压系统的健康状况,所述故障预警模型通过样本和标签进行训练得到,所述样本包括所述作业机械的历史工况数据和历史天气信息;
故障预警模块,用于根据所述健康状况,对所述作业机械液压系统进行故障预警。
本发明还提供一种作业机械,包括上述的预警系统,所述预警系统设置于所述作业机械。
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作业机械液压系统的预警方法的步骤。
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作业机械液压系统的预警方法的步骤。
本发明实施例提供一种作业机械液压系统的预警方法、预警系统及作业机械,融合作业机械的工况数据和天气信息,可以有效融合作业机械多种工况特征属性,能对作业机械的故障进行更加全面的检测,提高了作业机械智能故障诊断准确率和覆盖率。
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为本发明提供的一种作业机械液压系统的预警方法的流程图;
图2为本发明提供的一种作业机械液压系统的预警系统的结构示意图;
图3为本发明提供的一种电子设备的实体结构示意图。
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。
目前,作业机械液压系统的故障分析更多依赖于设备自带传感器的故障预警,通过单个传感器自带的判别软件进行设备故障的判别,无法关联其他数据,并且是对当前时刻的判别,不考虑历史数据。
传统利用故障树法进行故障预警的方法中,在故障树应用中对于处理大型冗余结构难度很大,对分析人员的要求也很高,反向传播(Back Propagation,简称BP)神经网络被广泛使用,但BP神经网络和概率神经网络需要调整时长,容易陷入局部最优解,并且收敛速度慢。结合小波包分解和灰色关联分析的故障诊断方法具有较高的诊断速度和诊断效率,但判别系数P的选择仅基于实验和经验,如何更好地选择P仍有待进一步研究。
本发明提供一种作业机械液压系统的预警方法,充分利用5G通信低延迟短、高带宽的优势,将作业机械设备的异构多源传感器数据回传到服务器,并且利用接入的地理环境信息,关联该作业机械设备的历史传感器数据,采用机器学习算法,实现对作业机械设备液压系统故障的判别与预警。
本发明实施例提供一种作业机械液压系统的预警方法,该方法包括:
本发明实施例的执行主体为作业机械,相应地,服务器和作业机械之间通过通信网络建立链接,实现数据信息的相互传输,此处,通信网络包括但不限于5G网络、4G网络和有线传输网络。
110,获取作业机械的实时工况数据和所述作业机械所在区域的实时天气信息;
本发明实施例中,通过作业机械上安装的各种传感器获取作业机械的实时工况数据,该实时工况数据能反映作业机械设备的实时运行状况,实时运行状况可以从不同层面反映作业机械的健康状况;同时获取作业机械所在区域的实时天气信息,空气中的含氧量会影响到作业机械液压系统中燃料燃烧情况,这也会影响到作业机械的健康状况。
因此,本发明实施例中通过考虑实时工况数据和实时天气信息对作业机械运行过程中健康状况的影响,可以更全面更准确的预测出作业机械的健康状况。
120,根据所述实时工况数据、所述实时天气信息和故障预警模型,获取所述作业机械液压系统的健康状况,所述故障预警模型通过样本和标签进行训练得到,所述样本包括所述作业机械的历史工况数据和历史天气信息;
将实时工况数据和实时天气信息输入到故障预警模型中,得到作业机械液压系统的健康状况,故障预警模型可以是神经网络模型,在应用过程中可以分为模型训练和模型应用阶段,模型训练是指通过样本和标签对故障预警模型进行训练,即可得到训练后的神经网络模型,模型应用是指利用训练后的神经网络模型对新数据进行预测。本发明实施例样本中包含作业机械的历史工况数据和作业机械所在区域的历史天气信息。
在一具体的实施例中,当作业机械本身的处理器数据处理能力足够强大时,每次作业机械采集到历史工况数据和历史天气信息时,存储起来作为训练样本,并将此种情况下作业机械液压系统的健康状况作为标签,利用样本和标签对故障预警模型进行训练,即可得到训练后的故障预警模型。
在另一具体的实施例中,如果作业机械自身处理器的数据处理能力不足以应对这些强大的数据处理量,则需要将历史工况数据和历史天气信息通过通信网络回传到服务器中。每次作业机械采集到历史工况数据和历史天气信息后,即通过通信网络将历史工况数据和历史天气信息回传给故障预警模型,在服务器中对故障预警模型进行训练,得到训练后的故障预警模型,再将故障预警模型通过通信网络回传给作业机械,作业机械接收故障预警模型后,将实时工况数据和实时天气信息输入到故障预警模型中,即可得到作业机械液压系统的健康状况。通过在服务器端进行故障预警模型的训练,降低了对作业机械本身的硬件要求,从而降低了方案的实施成本。
本发明实施例中,故障预警模型具体可以为高斯混合模型、卷积神经网络(Convolutional Neural Networks,简称CNN),也可以为循环神经网络(Recurrent NeuralNetworks,简称RNN),还可以为其它类型的神经网络,本发明实施例对此不做具体的限定。
本发明实施例中,故障预警模型的训练方法为有监督学习或者无监督学习的训练方法,可以从标签化训练数据集中推断出函数的机器学习任务。常见的机器学习算法包括:支持向量机(Support Vector Machines)、线性回归(Linear Regression)、逻辑回归(Logistic Regression)、朴素贝叶斯(Naive Bayes)、决策树(Decision Trees)和K-近邻(K-Nearest Neighbor Algorithm)等,本发明实施例对此不做具体的限定。
130,根据所述健康状况,对所述作业机械液压系统进行故障预警。
然后根据预测出的健康状况,如果健康状况为液压系统故障,则发出故障预警,提醒相应的工作人员。
综上,本发明实施例提供一种作业机械液压系统的预警方法,融合作业机械的工况数据和天气信息,可以有效融合作业机械多种工况特征属性,能对作业机械的故障进行更加全面的检测,提高了作业机械智能故障诊断准确率和覆盖率。
在上述实施例的基础上,优选地,还包括:
140,若所述健康状况判断错误,则对所述健康状况进行修正,并利用所述实时工况数据和所述实时天气信息更新所述样本,利用修正后的健康状况更新所述标签;
如果上述健康状况预测是错误的,则需要对预测出来的健康状况进行修正,此处,具体的修正方法可以是通过人工输入真实的健康状况,以此来更正预测的健康状况,得到修正后的健康状况;也可以是结合训练集中的样本数据和标签数据,对预测的健康状况进行修正,本发明实施例对此不做具体的限定。
将此时的实时工况数据和实时天气信息加入到样本数据中,得到更新后的样本数据;将此时修正后的健康状况加入到标签中,得到更新后的标签。
150,利用更新后的样本和更新后的标签重新对所述故障预警模型进行训练。
利用更新后的样本和更新后的标签对故障预警模型重新进行训练,以对故障预警模型进行更新。训练方法与上述实施例相同,详情请参考上述实施例。
本发明实施例通过反馈预测的健康状况,实现故障预警模型的自学习和升级,提高了故障预警模型的训练精度,从而进一步提高了预警的准确性。
在上述实施例的基础上,优选地,所述对所述健康状况进行修正,包括:
利用K-近邻算法,对所述实时工况数据、所述实时天气信息和所述样本进行分类,获取所述实时工况数据和所述实时天气信息所属类别;
将所述所属类别对应的标签作为修正后的健康状况。
本发明实施例中,将实时工况数据和实时天气信息加入到样本中,利用K-近邻算法,对样本进行分类,找到属于实时工况数据和实时天气信息最接近的类别,将最接近的类别对应的标签作为修正后的健康状况。
本发明实施例通过K-近邻算法,自动对预测错误的健康状况进行修正,自动更新故障预警模型,实现故障预警模型的自学习和升级。
在上述实施例的基础上,优选地,所述实时工况数据和所述实时天气信息通过以下方式获得:
获取所述作业机械的实时工况数据,所述实时工况数据包括所述作业机械的经纬度信息;
根据所述经纬度信息,获取所述作业机械所在区域;
根据所述作业机械所在区域,获取所述实时天气信息。
本发明实施例中,实时工况数据和实时天气信息的获取方式具体包括:
首先通过传感器获取作业机械的实时工况数据,该实时工况数据中包含了作业机械的经纬度信息,还包括作业机械的其它实时工况信息。
接着根据所获取的经纬度信息,得到作业机械所在的区域,然后根据作业机械所在的区域,确定实时天气信息,具体的方法可以是根据作业机械所在的区域,结合百度地图、高德地图、墨迹天气和/或气象台官网等,查询当地的实时天气信息。
当然,还可以通过温度传感器、湿度传感器、雨滴传感器、氧含量传感器或者风速传感器等各种天气状态传感器来获取实时天气信息。
在上述实施例的基础上,优选地,所述实时工况数据包括所述作业机械的经纬度信息、发动机转速和档位,和/或,所述实时天气信息包括温度、风速和天气状况。
具体地,实时工况数据包含作业机械的经纬度信息、发动机转速和档位等信息,通过经纬度信息可以确定作业机械所在的区域位置,发动机档位和转速可以反映发动机运转的健康状况。
优选地,该实时工况数据还可以包括作业机械设备的海拔高度等信息,从而可以对作业机械液压系统的漏油、无力等故障进行提前预警。
实时天气信息包括温度、风速和天气状况,此处,天气状况可以是晴天、雨天或者其它天气,温度和风速均可以影响作业机械液压系统的燃料燃烧情况。
相应地,历史工况数据同样可以包括作业机械的经纬度信息、发动机档位和发动机转速,历史天气信息同样可以包括温度、风速和天气状况。
在上述实施例的基础上,优选地,所述获取作业机械的实时工况数据和所述作业机械所在区域的实时天气信息,包括:
通过5G通信网络,接收所述实时工况数据和所述实时天气信息。
随着5G移动通信网络的普及,基于5G网络的高带宽、低延迟及精准定位的优势,可以大大提升作业机械设备工况数据的快速回传,获得更精准的位置信息。
本发明一优选实施例提供一种作业机械液压系统的方法,该方法具体包括:
步骤一:通过5G通信网络,建立服务器和作业机械之间的通信链路。
步骤二:作业机械上的传感器采集作业机械的实时工况数据X,X是作业机械工况数据的向量,包括作业机械设备的经纬度信息X1、发送机转速X2和档位X3等信息。并将实时工况数据发送给服务器。
步骤三:服务器接收到实时工况数据,并根据经纬度信息获取作业机械设备所在的区域,通过百度地图或者高德地图查询当天的实时天气信息,实时天气信息包括温度、风速和天气状况等信息。
步骤四:服务器基于机器学习算法,比如高斯混合模型,构建基于X的故障预警模型。
步骤五:服务器利用历史工况数据和历史天气信息对故障预警模型进行训练,得到训练后的故障预警模型。
步骤六:将训练后的故障预警模型通过5G网络回传到作业机械上,将实时工况数据和实时天气信息输入到故障预警模型中,预测出该作业机械设备的健康状况。当作业机械设备出现故障时及时发出预警。
步骤七:当健康状况预测错误后,将数据回传给服务器。服务器利用有监督学习算法KNN或者无监督学习算法KNN实现对健康状况的修正,并以此更新样本和标签,利用更新后的样本和更新后的标签对故障预警模型进行重新训练,实现对故障预警模型的自学习和升级。
综上,本发明实施例主要有如下优点:
(1)融合作业机械设备工况数据与工作环境信息实现液压系统的故障预测。针对基于作业机械设备的经纬度信息,获得作业机械设备工作时的工况场景及天气信息,将工况场景和环境信息作为作业机械设备故障预警的考虑因素。
(2)通过反馈的维修结果,实现预警模型的自学习与升级。基于回传的错误预警数据,利用机器学习算法KNN进行数据的自动分类并训练故障预警模型,实现模型的自学习和升级。
本发明实施例提供一种作业机械液压系统的预警系统,如图2所示,该系统包括参数获取模块201、健康预测模块202和故障预警模块203,其中:
参数获取模块201用于获取作业机械的实时工况数据和所述作业机械所在区域的实时天气信息;
健康预测模块202用于根据所述实时工况数据、所述实时天气信息和故障预警模型,获取所述作业机械液压系统的健康状况,所述故障预警模型通过样本和标签进行训练得到,所述样本包括所述作业机械的历史工况数据和历史天气信息;
故障预警模块203用于根据所述健康状况,对所述作业机械液压系统进行故障预警。
本实施例为与上述方法相对应的系统实施例,其具体实现方式与方法的实施例中记载的实施方式一致,详情请参考上述方法实施例,本系统实施例在此不再赘述。
本发明实施例还提供一种作业机械,该作业机械包括上述预警系统,所述预警系统设置于所述作业机械。
具体地,本发明实施例中作业机械包括上述实施例中的预警系统,该预警系统设置于作业机械上,该预警系统的具体实施方法与上述实施方式一致,详情请参考上述实施例方法。
该作业机械可以是起重机、挖掘机、桩机等,本发明实施例对此不做具体的限定。
本发明实施例提供一种电子设备,如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行一种作业机械液压系统的预警方法,该方法包括:
获取作业机械的实时工况数据和所述作业机械所在区域的实时天气信息;
根据所述实时工况数据、所述实时天气信息和故障预警模型,获取所述作业机械液压系统的健康状况,所述故障预警模型通过样本和标签进行训练得到,所述样本包括所述作业机械的历史工况数据和历史天气信息;
根据所述健康状况,对所述作业机械液压系统进行故障预警。
此外,上述的存储器330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一种作业机械液压系统的预警方法,该方法包括:
获取作业机械的实时工况数据和所述作业机械所在区域的实时天气信息;
根据所述实时工况数据、所述实时天气信息和故障预警模型,获取所述作业机械液压系统的健康状况,所述故障预警模型通过样本和标签进行训练得到,所述样本包括所述作业机械的历史工况数据和历史天气信息;
根据所述健康状况,对所述作业机械液压系统进行故障预警。
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一种作业机械液压系统的预警方法,该方法包括:
获取作业机械的实时工况数据和所述作业机械所在区域的实时天气信息;
根据所述实时工况数据、所述实时天气信息和故障预警模型,获取所述作业机械液压系统的健康状况,所述故障预警模型通过样本和标签进行训练得到,所述样本包括所述作业机械的历史工况数据和历史天气信息;
根据所述健康状况,对所述作业机械液压系统进行故障预警。
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)
1.一种作业机械液压系统的预警方法,其特征在于,包括:
获取作业机械的实时工况数据和所述作业机械所在区域的实时天气信息;
根据所述实时工况数据、所述实时天气信息和故障预警模型,获取所述作业机械液压系统的健康状况,所述故障预警模型通过样本和标签进行训练得到,所述样本包括所述作业机械的历史工况数据和历史天气信息;
根据所述健康状况,对所述作业机械液压系统进行故障预警。
2.根据权利要求1所述的作业机械液压系统的预警方法,其特征在于,还包括:
若所述健康状况判断错误,则对所述健康状况进行修正,并利用所述实时工况数据和所述实时天气信息更新所述样本,利用修正后的健康状况更新所述标签;
利用更新后的样本和更新后的标签重新对所述故障预警模型进行训练。
3.根据权利要求2所述的作业机械液压系统的预警方法,其特征在于,所述对所述健康状况进行修正,包括:
利用K-近邻算法,对所述实时工况数据、所述实时天气信息和所述样本进行分类,获取所述实时工况数据和所述实时天气信息所属类别;
将所述所属类别对应的标签作为修正后的健康状况。
4.根据权利要求1至3任一所述的作业机械液压系统的预警方法,其特征在于,所述实时工况数据和所述实时天气信息通过以下方式获得:
获取所述作业机械的实时工况数据,所述实时工况数据包括所述作业机械的经纬度信息;
根据所述经纬度信息,获取所述作业机械所在区域;
根据所述作业机械所在区域,获取所述实时天气信息。
5.根据权利要求1至3任一所述的作业机械液压系统的预警方法,其特征在于,所述实时工况数据包括所述作业机械的经纬度信息、发动机转速和档位,和/或,所述实时天气信息包括温度、风速和天气状况。
6.根据权利要求1至3任一所述的作业机械液压系统的预警方法,其特征在于,所述获取作业机械的实时工况数据和所述作业机械所在区域的实时天气信息,包括:
通过5G通信网络,接收所述实时工况数据和所述实时天气信息。
7.一种作业机械液压系统的预警系统,其特征在于,包括:
参数获取模块,用于获取作业机械的实时工况数据和所述作业机械所在区域的实时天气信息;
健康预测模块,用于根据所述实时工况数据、所述实时天气信息和故障预警模型,获取所述作业机械液压系统的健康状况,所述故障预警模型通过样本和标签进行训练得到,所述样本包括所述作业机械的历史工况数据和历史天气信息;
故障预警模块,用于根据所述健康状况,对所述作业机械液压系统进行故障预警。
8.一种作业机械,其特征在于,包括如权利要求7中所述的预警系统,所述预警系统设置于所述作业机械。
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6任一项所述作业机械液压系统的预警方法的步骤。
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6任一项所述作业机械液压系统的预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111038085.9A CN113847305A (zh) | 2021-09-06 | 2021-09-06 | 作业机械液压系统的预警方法、预警系统及作业机械 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111038085.9A CN113847305A (zh) | 2021-09-06 | 2021-09-06 | 作业机械液压系统的预警方法、预警系统及作业机械 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113847305A true CN113847305A (zh) | 2021-12-28 |
Family
ID=78973404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111038085.9A Pending CN113847305A (zh) | 2021-09-06 | 2021-09-06 | 作业机械液压系统的预警方法、预警系统及作业机械 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113847305A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460144A (zh) * | 2018-03-14 | 2018-08-28 | 西安华光信息技术有限责任公司 | 一种基于机器学习的煤炭设备故障预警系统及方法 |
CN108510153A (zh) * | 2018-02-08 | 2018-09-07 | 同济大学 | 一种多工况旋转机械故障诊断方法 |
CN110458405A (zh) * | 2019-07-10 | 2019-11-15 | 清华大学 | 一种基于电力-微气象特征数据的电力系统安全预警方法 |
CN111340238A (zh) * | 2020-03-12 | 2020-06-26 | 中南大学 | 一种工业系统的故障诊断方法、装置、设备及存储介质 |
WO2021027213A1 (zh) * | 2019-08-13 | 2021-02-18 | 北京国双科技有限公司 | 检测方法、装置、电子设备和计算机可读介质 |
CN112749904A (zh) * | 2021-01-14 | 2021-05-04 | 国网湖南省电力有限公司 | 基于深度学习的配电网故障风险预警方法及系统 |
CN112924205A (zh) * | 2021-01-27 | 2021-06-08 | 上海三一重机股份有限公司 | 作业机械故障诊断方法、装置、作业机械和电子设备 |
CN113062398A (zh) * | 2021-04-12 | 2021-07-02 | 三一重机有限公司 | 作业机械的热机控制方法、控制装置和作业机械 |
CN113341920A (zh) * | 2021-05-31 | 2021-09-03 | 三一重机有限公司 | 作业机械故障预警方法、装置、作业机械及电子设备 |
-
2021
- 2021-09-06 CN CN202111038085.9A patent/CN113847305A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510153A (zh) * | 2018-02-08 | 2018-09-07 | 同济大学 | 一种多工况旋转机械故障诊断方法 |
CN108460144A (zh) * | 2018-03-14 | 2018-08-28 | 西安华光信息技术有限责任公司 | 一种基于机器学习的煤炭设备故障预警系统及方法 |
CN110458405A (zh) * | 2019-07-10 | 2019-11-15 | 清华大学 | 一种基于电力-微气象特征数据的电力系统安全预警方法 |
WO2021027213A1 (zh) * | 2019-08-13 | 2021-02-18 | 北京国双科技有限公司 | 检测方法、装置、电子设备和计算机可读介质 |
CN111340238A (zh) * | 2020-03-12 | 2020-06-26 | 中南大学 | 一种工业系统的故障诊断方法、装置、设备及存储介质 |
CN112749904A (zh) * | 2021-01-14 | 2021-05-04 | 国网湖南省电力有限公司 | 基于深度学习的配电网故障风险预警方法及系统 |
CN112924205A (zh) * | 2021-01-27 | 2021-06-08 | 上海三一重机股份有限公司 | 作业机械故障诊断方法、装置、作业机械和电子设备 |
CN113062398A (zh) * | 2021-04-12 | 2021-07-02 | 三一重机有限公司 | 作业机械的热机控制方法、控制装置和作业机械 |
CN113341920A (zh) * | 2021-05-31 | 2021-09-03 | 三一重机有限公司 | 作业机械故障预警方法、装置、作业机械及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114585983B (zh) | 用于检测设备的异常运行状态的方法、装置和系统 | |
US20080177683A1 (en) | Method and apparatus for mobile intelligence | |
KR20190107080A (ko) | 클라우드 기반 차량 고장 진단 방법, 장치 및 시스템 | |
WO2022174679A1 (zh) | 单体电池电压不一致故障预测方法、装置及服务器 | |
CN106165345A (zh) | 标识用于化解网络故障的故障排除选项 | |
US11396825B2 (en) | Turbine diagnostic feature selection system | |
CN111651530B (zh) | 一种智能化港口监测系统 | |
CN116940956A (zh) | 用于设备功能下降型故障预警的工业物联网、方法及介质 | |
CN113516244B (zh) | 一种智能运维方法、装置、电子设备及存储介质 | |
CN112241606A (zh) | 基于cps决策模块的船舶智能设备运维的协同决策方法 | |
AU2019254105A1 (en) | Diagnostic system and method for processing data of a motor vehicle | |
CN116597693B (zh) | 一种内河航运监控系统及方法 | |
CN118297363B (zh) | 一种基于数据分析的智能化船队管理系统 | |
WO2018149901A1 (en) | Route planning of a vessel | |
Mandala | Integrating AWS IoT and Kafka for Real-Time Engine Failure Prediction in Commercial Vehicles Using Machine Learning Techniques | |
CN112415977B (zh) | 用于机动车辆的自适应故障诊断系统 | |
CN116308304A (zh) | 基于元学习概念漂移检测的新能源智慧运维方法及系统 | |
CN118183216A (zh) | 带式输送机的故障诊断方法以及系统 | |
CN113847305A (zh) | 作业机械液压系统的预警方法、预警系统及作业机械 | |
CN113177629A (zh) | 一种联合收获机作业中堵塞故障诊断方法及系统 | |
CN116774050A (zh) | 电池的故障处理方法、装置、云服务器及存储介质 | |
CN116629839A (zh) | 一种船艇主机保障信息集成与维修决策系统 | |
CN113420646B (zh) | 一种基于深度学习的锁站连接锁检测系统及方法 | |
CN111615713A (zh) | 压载水处理装置的远程诊断预测系统及其方法 | |
CN117395630B (zh) | 基于4g网络通信技术的车联网智能终端及方法 |
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 |