CN114609372A - 基于最大熵的工程机械油液监测系统及方法 - Google Patents

基于最大熵的工程机械油液监测系统及方法 Download PDF

Info

Publication number
CN114609372A
CN114609372A CN202210150713.0A CN202210150713A CN114609372A CN 114609372 A CN114609372 A CN 114609372A CN 202210150713 A CN202210150713 A CN 202210150713A CN 114609372 A CN114609372 A CN 114609372A
Authority
CN
China
Prior art keywords
index
oil
data
maximum entropy
database
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.)
Granted
Application number
CN202210150713.0A
Other languages
English (en)
Other versions
CN114609372B (zh
Inventor
曹泽辉
李辉
徐磊
林强
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.)
Jiangsu Xugong Construction Machinery Research Institute Co ltd
Xuzhou XCMG Excavator Machinery Co Ltd
Original Assignee
Jiangsu XCMG Construction Machinery Institute 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 Jiangsu XCMG Construction Machinery Institute Co Ltd filed Critical Jiangsu XCMG Construction Machinery Institute Co Ltd
Priority to CN202210150713.0A priority Critical patent/CN114609372B/zh
Publication of CN114609372A publication Critical patent/CN114609372A/zh
Application granted granted Critical
Publication of CN114609372B publication Critical patent/CN114609372B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/26—Oils; Viscous liquids; Paints; Inks
    • G01N33/28—Oils, i.e. hydrocarbon liquids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • General Chemical & Material Sciences (AREA)
  • Medicinal Chemistry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • Biochemistry (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Analytical Chemistry (AREA)
  • Algebra (AREA)
  • Food Science & Technology (AREA)
  • Software Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于最大熵的工程机械油液监测系统及方法，所述系统包括顺次相连的数据采集模块、数据分析模块和数据库；所述数据采集模块用于采集油液指标数据；所述数据分析模块基于数据库中的油液指标数据计算出指标清洗范围，并基于所述指标清洗范围判断是否将采集到的油液指标更新至数据库，对异常离群数据进行判断并报警；基于数据库中油液指标，采用最大熵算法求解得到指标阈值；基于所述指标阈值，判断出采集到的油液指标的状态。本发明能够在不添加主观因素的条件下客观反映指标数据的概率密度分布，并排除异常数据或离群数据的干扰，提高工程机械油液监测指标阈值制定的合理性。

Description

基于最大熵的工程机械油液监测系统及方法
技术领域
本发明属于工程机械在线监测技术领域，具体涉及一种基于最大熵的工程机械油液监测系统及方法。
背景技术
开展工程机械设备的油液监测是提升设备可靠性和实现按质换油的重要手段，能够有效的减少设备非正常停机、避免严重故障发生，从而提升设备工作效率并降低客户的总拥有成本。油液监测的指标包括运动粘度、色度、酸值、碱值、水分、清洁度、红外、添加剂元素分析、污染物元素分析、磨粒分析等测试项目，这些指标的变化和组合反映了油液老化、油液污染和设备磨损程度的信息，监测指标阈值是建立换油标准和状态评估模型的基础，也是在油液监测技术中最基本和重要的评价方法。
目前油液监测系统的指标阈值通常参照国内外或行业标准规范制定，难以满足工程机械实际工况特点的需求。现有的油液监测系统指标阈值制定方法主要有以下几类：
1)根据专家经验设定指标阈值，但是依据专家经验设定阈值存在较大的主观性，往往需要大量的数据经验积累，易出现判断边界模糊或难以判断的问题；
2)参考国内外及行业、企业标准或规范设定指标阈值，但是现有国内外及行业、企业标准或规范未考虑工程机械工况，存在指标阈值过于宽泛或苛刻的情况，难以实际应用；
3)采用三线值的方法设定指标阈值，常用的三线值法基于指标数据属于正态分布的假设对阈值进行判定，实际应用中并非所有测试指标均满足上述假设，致使阈值制定不合理。
4)基于数据统计的方法判定指标阈值，但是异常数据或离群数据会严重影响指标数据的概率密度，导致数据污染和阈值偏离。
发明内容
针对上述问题，本发明提出一种基于最大熵的工程机械油液监测系统及方法，能够在不添加主观因素的条件下客观反映指标数据的概率密度分布，并排除异常数据或离群数据的干扰，提高工程机械油液监测指标阈值制定的合理性。
为了实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：
第一方面，本发明提供了一种基于最大熵的工程机械油液监测系统，包括：顺次相连的数据采集模块、数据分析模块和数据库；
所述数据采集模块用于采集油液指标数据；
所述数据分析模块基于数据库中的油液指标数据计算出指标清洗范围，并基于所述指标清洗范围判断是否将采集到的油液指标更新至数据库，对异常离群数据进行判断和报警；基于数据库中油液指标，采用最大熵算法求解得到指标阈值；基于所述指标阈值，判断出采集到的油液指标的状态。
可选地，所述指标清洗范围的计算方法包括：
计算数据库中所有油液指标数据[X1,X2,…Xn-1,Xn]的平均值Xmean和标准差σ；
基于所述平均值Xmean和标准差σ，计算出指标清洗范围U＝[Xmean-4σ,Xmean+4σ]。
可选地，所述基于所述指标清洗范围判断是否将采集到的油液指标更新至数据库，对异常离群数据进行判断和报警，包括以下步骤：
若采集到的油液指标Xn+1超出指标清洗范围，则判定该油液指标失效，不参与指标清洗范围计算；
若采集到的油液指标Xn+1未超出指标清洗范围，则将该油液指标更新至数据库，得到新的油液数据矩阵[X1,X2,…Xn,Xn+1]，同时更新指标清洗范围U。
可选地，所述指标阈值的求解方法包括：
基于数据库中所有油液指标数据的平均值和最大值，对数据库中油液指标数据进行归一化处理；
基于最大熵原理，以及最大熵函数约束条件，应用拉格朗日求极值的方法建立拉格朗日乘子式L[p(x),λ]，利用非线性最小二乘法迭代求解λi，λi为第i阶拉格朗日乘子，并建立概率密度函数p(x)；
基于所述概率密度函数，获得累计概率密度函数；
设定指标预警值和失效值对应的累计概率限值Z1和Z2，基于所述累计概率密度函数，求解出指标阈值。
可选地，所述归一化采用的计算公式为：
Figure BDA0003510348110000021
式中，Xi为第i个油液指标数据，xi为归一化后的第i个油液指标数据，i＝1，2，...n，Xmean为所有油液指标数据的平均值，Xmax为所有油液指标数据的最大值。
可选地，所述最大熵的计算公式的表达式为：
H(x)＝-∫p(x)ln[p(x)]dx→MAX
所述最大熵函数约束条件的表达式为：
∫p(x)dx＝1
Figure BDA0003510348110000031
Figure BDA0003510348110000032
式中，mj为数据第j阶中心矩，j＝1,2,…,k，k根据数据进行选择取值；λj为第j阶拉格朗日乘子，
Figure BDA0003510348110000033
为第i个归一化数据的j次幂；p(x)为指标概率密度函数；
所述拉格朗日乘子式为：
L[p(x),λ]＝-∫p(x)ln[p(x)]dx+λ0(∫p(x)dx-1)+λ1(∫x·p(x)dx-m1)+…+λj(∫xj·p(x)dx-mj)(λj为拉格朗日乘子，j＝1,2,…,k)
所述概率密度函数的表达式为：
o(x)＝exp(λ0+λ1·x+λ2·x2+…+λk·xk)
Figure BDA0003510348110000034
可选地，所述累计概率密度函数phi(x)的表达式为：
phi(x)＝∫p(x)dx＝∫exp(λ0+λ1·x+λ2·x2+…+λk·xk)dx
phi(x′1)＝Z1
phi(x′2)＝Z2
X′1＝x′1·(Xmax-Xmean)+Xmean
X′2＝x′2·(Xmax-Xmean)+Xmean
式中，Z1为预警值累计概率限值，Z2为失效值累计概率限值；x′1、x′2分别为归一化的指标预警值和失效值；X′1、X′2为指标数据的预警值和失效值。
可选地，所述基于最大熵的工程机械油液监测系统还包括移动终端，所述移动终端与数据分析模通信相连，用于获取数据分析结果并进行设备维护。
第二方面，本发明提供了一种基于最大熵的工程机械油液监测方法，包括：
利用数据采集模块用于采集油液指标；
利用数据分析模块基于数据库中的油液指标数据计算出指标清洗范围，并基于所述指标清洗范围判断是否将采集到的油液指标更新至数据库，对异常离群数据进行判断并报警；基于数据库中油液指标，采用最大熵算法求解得到指标阈值；基于所述指标阈值，判断出采集到的油液指标的状态。
可选地，所述方法还包括：利用移动终端与数据分析模块通信，获取数据分析结果并进行设备维护。
与现有技术相比，本发明的有益效果：
(1)本发明的工程机械油液监测系统及方法利用最大信息熵的原理求解监测指标的阈值，能够在不添加主观因素的条件下反映指标数据的概率密度分布，进而制定合理的指标预警值和失效值，判断油液的状态。
(2)本发明的工程机械油液监测系统及方法包含指标清洗过程，能够排除异常数据或离群数据对阈值制定的干扰，增加阈值制定的合理性。
(3)本发明的工程机械油液监测系统及方法能够随数据的补充进行更新迭代，具有更好的适应性和泛化能力。
(4)本发明的工程机械油液监测系统及方法能够将判断结果发送至移动终端，指导维保人员完成润滑管理，提升工程机械设备的可靠性。
附图说明
为了使本发明的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本发明作进一步详细的说明，其中：
图1为本发明一种实施例中工程机械油液监测系统示意图；
图2为本发明一种实施例中指标状态判定流程示意图；
图3为本发明一种实施例中最大熵求解阈值算法流程示意图；
图4为本发明一种实施例中概率密度曲线示意图；
图5为本发明一种实施例中累计概率曲线及阈值设定示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明的保护范围。
下面结合附图对本发明的应用原理作详细的描述。
实施例1
本发明实施例中提供了一种基于最大熵的工程机械油液监测系统，包括：顺次相连的数据采集模块、数据分析模和数据库；
所述数据采集模块用于采集油液指标；
所述数据分析模块基于数据库中的油液指标数据计算出指标清洗范围，并基于所述指标清洗范围判断是否将采集到的油液指标更新至数据库，对异常离群数据进行判断并报警；基于数据库中油液指标，采用最大熵算法求解得到指标阈值；基于所述指标阈值，判断出采集到的油液指标的状态。
在本发明实施例的一种具体实施方式中，所述指标清洗范围的计算方法包括：
计算数据库中所有油液指标数据[X1,X2,…Xn-1,Xn]的平均值Xmean和标准差σ；其中，
Figure BDA0003510348110000051
基于所述平均值Xmean和标准差σ，计算出指标清洗范围U＝[Xmean-4σ,Xmean+4σ]。
所述基于所述指标清洗范围判断是否将采集到的油液指标更新至数据库，包括以下步骤：
若采集到的油液指标Xn+1超出指标清洗范围，则判定该油液指标失效，不参与指标清洗范围计算，用于保证指标阈值的准确性；
若采集到的油液指标Xn+1未超出指标清洗范围，则将该油液指标更新至数据库，得到新的油液数据矩阵[X1,X2,…Xn,Xn+1]，同时更新指标清洗范围U。
在本发明实施例的一种具体实施方式中，所述指标阈值的求解方法包括：
基于数据库中所有油液指标数据的平均值和最大值，对数据库中油液指标进行归一化处理，归一化到[-1,1]范围；所述归一化采用的计算公式为：
Figure BDA0003510348110000052
式中，Xi为第i个油液指标数据，xi为归一化后的第i个油液指标数据，i＝1，2，...n。Xmean为所有油液指标数据的平均值，Xmax为所有油液指标数据的最大值。
基于指标数据最大熵的计算公式，以及最大熵函数约束条件，应用拉格朗日求极值的方法建立拉格朗日乘子式L[p(x),λ]，利用非线性最小二乘法迭代求解λi，建立求解残差表达式，设定求解参数N和ε，若求解次数≤N且残差|Ri|≤ε则计算过程收敛，得到λi值并建立概率密度函数p(x)。
所述最大熵的计算公式的表达式为：
H(x)＝-∫p(x)ln[p(x)]dx→MAX
所述最大熵函数约束条件的表达式为：
∫p(x)dx＝1
Figure BDA0003510348110000053
Figure BDA0003510348110000054
式中，mj为数据第j阶中心矩，j＝1,2,…,k，k根据数据进行选择取值，一般的，k＝5；λj为第j阶拉格朗日乘子，
Figure BDA0003510348110000061
为第i个归一化数据的j次幂；p(x)为指标概率密度函数。
所述拉格朗日乘子式为：
L[p(x),λ]＝-∫p(x)ln[p(x)]dx+λ0(∫p(x)dx-1)+λ1(∫x·p(x)dx-m1)+…+λj(∫xj·p(x)dx-mj)(λj为第j阶拉格朗日乘子，j＝1,2,…,k)
所述求解残差表达式为：
Figure BDA0003510348110000062
所述概率密度函数的表达式为：
Figure BDA0003510348110000063
所述累计概率密度函数的表达式为：
phi(x)＝∫p(x)dx＝∫exp(λ0+λ1·x+λ2·x2+…+λk·xk)dx
phi(x′1)＝Z1
phi(x′2)＝Z2
X′1＝x′1·(Xmax-Xmean)+Xmean
X′2＝x′2·(Xmax-Xmean)+Xmean
Z1为预警值累计概率限值，Z2为失效值累计概率限值；x′1、x′2分别为归一化的指标预警值和失效值；X′1、X′2为指标数据的预警值和失效值。
设定指标预警值和失效值对应的累计概率限值Z1和Z2，基于所述累计概率密度函数，求解出指标阈值。
在本发明实施例的一种具体实施方式中，所述基于最大熵的工程机械油液监测系统还包括移动终端，所述移动终端与数据分析模块通信相连，用于获取数据分析结果并进行设备维护。
具体的实施例如下：
行车试验液压油水分含量阈值计算
(1)统计2021.03-2021.11期间挖掘机液压油水分含量数据，共收集164组含水量数据，见表1。
表5挖掘机液压油含水量数据
Figure BDA0003510348110000064
Figure BDA0003510348110000071
(2)指标清洗。计算数据平均值Xmean＝378.5和数据标准差σ＝302.5，因水分指标为非负值，则指标清洗范围U＝[0,1588.5],数据3080超出清洗范围，判断该指标失效，其余163项指标数据进入下一步计算。
(3)指标归一化。指标数据Xmax＝1324，进行指标归一化处理，得到归一化指标数据，见表2。
序号 含水量/ppm
1 0.131
2 -0.240
3 -0.153
4 -0.095
5 0.208
6 -0.194
7 0.219
8 0.113
9 -0.197
10 -0.080
… …
163 -0.102
(4)建立最大熵函数约束条件。以指标数据的五阶矩建立约束条件，m1＝0，m2＝0.0502，m3＝0.0073，m4＝0.0109，m5＝0.0067。得到6个约束条件：
∫p(x)dx＝1
∫x·p(x)dx＝0
∫x2·p(x)dx＝0.0502
∫x3·p(x)dx＝0.0073
∫x4·p(x)dx＝0.0109
∫x5·p(x)dx＝0.0067
(5)求解概率密度函数。求解得到λ0＝-0.5061，λ1＝-1.0814，λ2＝7.8499，λ3＝24.0289，λ4＝-18.0359，λ5＝-10.7635，则指标的概率密度函数为p(x)＝exp(-0.5061-1.0814·x+7.8499·x2+24.0289·x3-18.0359·x4-10.7635·x5)，概率密度曲线见图4。
(6)求解阈值。累计概率密度曲线见图5，设定指标预警值和失效值对应的累计概率限值Z1＝0.9772和Z2＝0.9987，求解得到指标预警值为782ppm，指标失效值为1318ppm。
实施例2
本发明实施例中提供了一种基于最大熵的工程机械油液监测方法，包括：
利用数据采集模块用于采集油液指标；
利用数据分析模块基于数据库中的油液指标数据计算出指标清洗范围，并基于所述指标清洗范围判断是否将采集到的油液指标更新至数据库，对异常离群数据进行判断并报警；基于数据库中油液指标，采用最大熵算法求解得到指标阈值；基于所述指标阈值，判断出采集到的油液指标的状态。
在本发明实施例的一种具体实施方式中，所述指标清洗范围的计算方法包括：
计算数据库中所有油液指标数据[X1,X2,…Xn-1,Xn]的平均值Xmean和标准差σ；其中，
Figure BDA0003510348110000081
基于所述平均值Xmean和标准差σ，计算出指标清洗范围U＝[Xmean-4σ,Xmean+4σ]。
所述基于所述指标清洗范围判断是否将采集到的油液指标更新至数据库，包括以下步骤：
若采集到的油液指标Xn+1超出指标清洗范围，则判定该油液指标失效，不参与指标清洗范围计算，用于保证指标阈值的准确性；
若采集到的油液指标Xn+1未超出指标清洗范围，则将该油液指标更新至数据库，得到新的油液数据矩阵[X1,X2,…Xn,Xn+1]，同时更新指标清洗范围U。
在本发明实施例的一种具体实施方式中，所述指标阈值的求解方法包括：
基于数据库中所有油液指标数据的平均值和最大值，对数据库中油液指标进行归一化处理，归一化到[-1,1]范围；所述归一化采用的计算公式为：
Figure BDA0003510348110000082
式中，Xi为第i个油液指标数据，xi为归一化后的第i个油液指标数据，i＝1，2，...n。Xmean为所有油液指标数据的平均值，Xmax为所有油液指标数据的最大值。
基于指标数据最大熵的计算公式，以及最大熵函数约束条件，应用拉格朗日求极值的方法建立拉格朗日乘子式L[p(x),λ]，利用非线性最小二乘法迭代求解λi，建立求解残差表达式，设定求解参数N和ε，若求解次数≤N且残差|Ri|≤ε则计算过程收敛，得到λi值并建立概率密度函数p(x)。
所述最大熵的计算公式的表达式为：
H(x)＝-∫p(x)ln[p(x)]dx→MAX
所述最大熵函数约束条件的表达式为：
∫p(x)dx＝1
Figure BDA0003510348110000091
Figure BDA0003510348110000092
式中，mj为数据第j阶中心矩，j＝1,2,…,k，k根据数据进行选择取值，一般的，k＝5；λj为第j阶拉格朗日乘子，
Figure BDA0003510348110000093
为第i个归一化数据的j次幂；p(x)为指标概率密度函数。
所述拉格朗日乘子式为：
L[p(x),λ]＝-∫p(x)ln[p(x)]dx+λ0(∫p(x)dx-1)+λ1(∫x·p(x)dx-m1)+…+λj(∫xj·p(x)dx-mj)(λj为第j阶拉格朗日乘子，j＝1,2,…,k)
所述求解残差表达式为：
Figure BDA0003510348110000094
所述概率密度函数的表达式为：
Figure BDA0003510348110000095
所述累计概率密度函数的表达式为：
phi(x)＝∫p(x)dx＝∫exp(λ0+λ1·x+λ2·x2+…+λk·xk)dx
phi(x′1)＝Z1
phi(x′2)＝Z2
X′1＝x′1·(Xmax-Xmean)+Xmean
X′2＝x′2·(Xmax-Xmean)+Xmean
Z1为预警值累计概率限值，Z2为失效值累计概率限值；x′1、x′2分别为归一化的指标预警值和失效值；X′1、X′2为指标数据的预警值和失效值。
设定指标预警值和失效值对应的累计概率限值Z1和Z2，基于所述累计概率密度函数，求解出指标阈值。
在本发明实施例的一种具体实施方式中，所述方法还包括：利用移动终端与数据分析模块通信，获取数据分析结果并进行设备维护。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种基于最大熵的工程机械油液监测系统，其特征在于，包括：顺次相连的数据采集模块、数据分析模块和数据库；
所述数据采集模块用于采集油液指标数据；
所述数据分析模块基于数据库中的油液指标数据计算出指标清洗范围，并基于所述指标清洗范围判断是否将采集到的油液指标更新至数据库，对异常离群数据进行判断和报警；基于数据库中油液指标，采用最大熵算法求解得到指标阈值；基于所述指标阈值，判断出采集到的油液指标的状态。
2.根据权利要求1所述的一种基于最大熵的工程机械油液监测系统，其特征在于：所述指标清洗范围的计算方法包括：
计算数据库中所有油液指标数据[X1，X2，…Xn-1，Xn]的平均值Xmean和标准差σ；
基于所述平均值Xmean和标准差σ，计算出指标清洗范围U＝[Xmean-4σ，Xmean+4σ]。
3.根据权利要求1或2所述的一种基于最大熵的工程机械油液监测系统，其特征在于：所述基于所述指标清洗范围判断是否将采集到的油液指标更新至数据库，对异常离群数据进行判断和报警，包括以下步骤：
若采集到的油液指标Xn+1超出指标清洗范围，则判定该油液指标失效，不参与指标清洗范围计算；
若采集到的油液指标Xn+1未超出指标清洗范围，则将该油液指标更新至数据库，得到新的油液数据矩阵[X1，X2，…Xn，Xn+1]，同时更新指标清洗范围U。
4.根据权利要求1或2所述的一种基于最大熵的工程机械油液监测系统，其特征在于，所述指标阈值的求解方法包括：
基于数据库中所有油液指标数据的平均值和最大值，对数据库中油液指标数据进行归一化处理；
基于最大熵原理，以及最大熵函数约束条件，应用拉格朗日求极值的方法建立拉格朗日乘子式L[p(x)，λ]，利用非线性最小二乘法迭代求解λi，λi为第i阶拉格朗日乘子，并建立概率密度函数p(x)；
基于所述概率密度函数，获得累计概率密度函数；
设定指标预警值和失效值对应的累计概率限值Z1和Z2，基于所述累计概率密度函数，求解出指标阈值。
5.根据权利要求4所述的一种基于最大熵的工程机械油液监测系统，其特征在于：所述归一化采用的计算公式为：
Figure FDA0003510348100000021
式中，Xi为第i个油液指标数据，xi为归一化后的第i个油液指标数据，i＝1，2，...n，Xmean为所有油液指标数据的平均值，Xmax为所有油液指标数据的最大值。
6.根据权利要求4所述的一种基于最大熵的工程机械油液监测系统，其特征在于：所述最大熵的计算公式的表达式为：
H(x)＝-∫p(x)ln[p(x)]dx→MAX
所述最大熵函数约束条件的表达式为：
∫p(x)dx＝1
Figure FDA0003510348100000022
Figure FDA0003510348100000023
式中，mj为数据第j阶中心矩，j＝1，2，...，k，k根据数据进行选择取值；λj为第j阶拉格朗日乘子，
Figure FDA0003510348100000024
为第i个归一化数据的j次幂；p(x)为指标概率密度函数；
所述拉格朗日乘子式为：
L[p(x)，λ]＝-∫p(x)ln[p(x)]dx+λ0(∫p(x)dx-1)+λ1(∫x·p(x)dx-m1)+…+λj(∫xj·p(x)dx-mj)(λj为拉格朗日乘子，j＝1，2，...，k)
所述概率密度函数的表达式为：
p(x)＝exp(λ0+λ1·x+λ2·x2+…+λk·xk)
Figure FDA0003510348100000025
7.根据权利要求4所述的一种基于最大熵的工程机械油液监测系统，其特征在于：所述累计概率密度函数phi(x)的表达式为：
phi(x)＝∫p(x)dx＝∫exp(λ0+λ1·x+λ2·x2+…+λk·xk)dx
phi(x′1)＝Z1
phi(x′2)＝Z2
X′1＝x′1·(Xmax-Xmean)+Xmean
X′2＝x′2·(Xmax-Xmean)+Xmean
式中，Z1为预警值累计概率限值，Z2为失效值累计概率限值；x′1、x′2分别为归一化的指标预警值和失效值；X′1、X′2为指标数据的预警值和失效值。
8.根据权利要求4所述的一种基于最大熵的工程机械油液监测系统，其特征在于：所述基于最大熵的工程机械油液监测系统还包括移动终端，所述移动终端与数据分析模通信相连，用于获取数据分析结果并进行设备维护。
9.一种基于最大熵的工程机械油液监测方法，其特征在于，包括：
利用数据采集模块用于采集油液指标；
利用数据分析模块基于数据库中的油液指标数据计算出指标清洗范围，并基于所述指标清洗范围判断是否将采集到的油液指标更新至数据库，对异常离群数据进行判断并报警；基于数据库中油液指标，采用最大熵算法求解得到指标阈值；基于所述指标阈值，判断出采集到的油液指标的状态。
10.根据权利要求9所述的一种基于最大熵的工程机械油液监测方法，其特征在于，所述方法还包括：利用移动终端与数据分析模块通信，获取数据分析结果并进行设备维护。
CN202210150713.0A 2022-02-18 2022-02-18 基于最大熵的工程机械油液监测系统及方法 Active CN114609372B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210150713.0A CN114609372B (zh) 2022-02-18 2022-02-18 基于最大熵的工程机械油液监测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210150713.0A CN114609372B (zh) 2022-02-18 2022-02-18 基于最大熵的工程机械油液监测系统及方法

Publications (2)

Publication Number Publication Date
CN114609372A true CN114609372A (zh) 2022-06-10
CN114609372B CN114609372B (zh) 2023-10-03

Family

ID=81858962

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210150713.0A Active CN114609372B (zh) 2022-02-18 2022-02-18 基于最大熵的工程机械油液监测系统及方法

Country Status (1)

Country Link
CN (1) CN114609372B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115327083A (zh) * 2022-08-30 2022-11-11 江苏徐工工程机械研究院有限公司 油液监测方法、装置和系统

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101078030A (zh) * 2007-05-28 2007-11-28 东北农业大学 一种预示和鉴定鸡腹脂量的微卫星分子标记方法
US20080065427A1 (en) * 2003-09-04 2008-03-13 Hartford Fire Insurance Company Systems and methods for analyzing sensor data
US20150317284A1 (en) * 2014-04-30 2015-11-05 International Business Machines Corporation Sensor output change detection
CN107093013A (zh) * 2017-04-12 2017-08-25 山东大学 一种考虑水文指标分布规律的水文情势评价方法
US20180144389A1 (en) * 2016-11-22 2018-05-24 Paul Fredrich Adaptive scheduling of electronic messaging based on predictive consumption of the sampling of items via a networked computing platform
CN109063379A (zh) * 2018-09-11 2018-12-21 东北电力大学 基于最大熵原理的电-气综合能源系统概率能流计算方法
CN110598181A (zh) * 2019-08-30 2019-12-20 华中科技大学 一种基于最大熵的极端水文事件风险分析方法和系统
CN110658409A (zh) * 2019-10-15 2020-01-07 深圳供电局有限公司 一种敏感设备电压暂降故障水平评估方法、计算机设备和存储介质
CN110969356A (zh) * 2019-12-03 2020-04-07 浪潮软件股份有限公司 一种基于正态分布设定指标阈值的方法及系统
CN111224399A (zh) * 2020-02-25 2020-06-02 山东大学 一种用于分析电网不确定性潮流的方法及系统
CN111859710A (zh) * 2020-07-31 2020-10-30 中国汽车工程研究院股份有限公司 一种量化安全的累计风险模型建模方法
CN113361186A (zh) * 2021-04-28 2021-09-07 山东大学 一种基于完全数据风电机组故障诊断方法
CN113919107A (zh) * 2021-10-09 2022-01-11 湖南铁路科技职业技术学院 基于最大熵原理与交叉熵重要抽样的电网可靠性评估方法
CN113984833A (zh) * 2021-10-29 2022-01-28 江苏徐工工程机械研究院有限公司 一种环境温度等效及加速试验方法
CN114048624A (zh) * 2021-11-19 2022-02-15 云南电网有限责任公司电力科学研究院 一种基于高斯驱动的绝缘子污秽预警方法及系统
CN114048808A (zh) * 2021-11-09 2022-02-15 国能陕西水电有限公司 针对监测数据的粗差识别及剔除方法、系统、服务器及计算机可读存储介质

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080065427A1 (en) * 2003-09-04 2008-03-13 Hartford Fire Insurance Company Systems and methods for analyzing sensor data
CN101078030A (zh) * 2007-05-28 2007-11-28 东北农业大学 一种预示和鉴定鸡腹脂量的微卫星分子标记方法
US20150317284A1 (en) * 2014-04-30 2015-11-05 International Business Machines Corporation Sensor output change detection
US20180144389A1 (en) * 2016-11-22 2018-05-24 Paul Fredrich Adaptive scheduling of electronic messaging based on predictive consumption of the sampling of items via a networked computing platform
CN107093013A (zh) * 2017-04-12 2017-08-25 山东大学 一种考虑水文指标分布规律的水文情势评价方法
CN109063379A (zh) * 2018-09-11 2018-12-21 东北电力大学 基于最大熵原理的电-气综合能源系统概率能流计算方法
CN110598181A (zh) * 2019-08-30 2019-12-20 华中科技大学 一种基于最大熵的极端水文事件风险分析方法和系统
CN110658409A (zh) * 2019-10-15 2020-01-07 深圳供电局有限公司 一种敏感设备电压暂降故障水平评估方法、计算机设备和存储介质
CN110969356A (zh) * 2019-12-03 2020-04-07 浪潮软件股份有限公司 一种基于正态分布设定指标阈值的方法及系统
CN111224399A (zh) * 2020-02-25 2020-06-02 山东大学 一种用于分析电网不确定性潮流的方法及系统
CN111859710A (zh) * 2020-07-31 2020-10-30 中国汽车工程研究院股份有限公司 一种量化安全的累计风险模型建模方法
CN113361186A (zh) * 2021-04-28 2021-09-07 山东大学 一种基于完全数据风电机组故障诊断方法
CN113919107A (zh) * 2021-10-09 2022-01-11 湖南铁路科技职业技术学院 基于最大熵原理与交叉熵重要抽样的电网可靠性评估方法
CN113984833A (zh) * 2021-10-29 2022-01-28 江苏徐工工程机械研究院有限公司 一种环境温度等效及加速试验方法
CN114048808A (zh) * 2021-11-09 2022-02-15 国能陕西水电有限公司 针对监测数据的粗差识别及剔除方法、系统、服务器及计算机可读存储介质
CN114048624A (zh) * 2021-11-19 2022-02-15 云南电网有限责任公司电力科学研究院 一种基于高斯驱动的绝缘子污秽预警方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
GUARDIOLA-ALBERT ET AL: "Compositional Bayesian indicator estimation", 《 STOCHASTIC ENVIRONMENTAL RESEARCH AND RISK ASSESSMENT》, vol. 25, no. 6, pages 835 - 849, XP019919192, DOI: 10.1007/s00477-011-0455-y *
LI HS ET AL: "Developing an entropy and copula-based approach for precipitation monitoring network expansion", 《JOURNAL OF HYDROLOGY》, vol. 598, pages 1 - 11 *
OMADESALA: "最大熵方法求概率密度函数", pages 38 - 8 *
王普健等: "油液监测黏度传感器的误差补偿校正", 《润滑油》, vol. 37, no. 5, pages 61 - 64 *
颜永龙等: "采用信息熵和组合模型的风电机组异常检测方法", 《电网技术》, vol. 39, no. 3, pages 737 - 743 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115327083A (zh) * 2022-08-30 2022-11-11 江苏徐工工程机械研究院有限公司 油液监测方法、装置和系统

Also Published As

Publication number Publication date
CN114609372B (zh) 2023-10-03

Similar Documents

Publication Publication Date Title
CN109766334B (zh) 用于电力设备在线监测异常数据的处理方法及系统
CN106777603B (zh) 智能变电站继电保护装置寿命预测方法
CN116566050A (zh) 一种基于人工智能的综合配电管理系统
CN110264112B (zh) 基于双向加权灰色关联的配电网可靠性影响因素分析方法
CN110208019A (zh) 一种动设备状态监测动态阈值预警方法
CN112149986A (zh) 基于多层次模糊综合评判的高压开关柜评估方法
CN110097209A (zh) 一种基于参数残差的设备劣化分析方法
CN111160791A (zh) 一种基于gbdt算法及因素融合的异常用户识别方法
CN111669123B (zh) 用于对光伏组串进行故障诊断的方法和装置
CN103576050A (zh) 一种电容式电压互感器的运行状态评估方法
CN113036913B (zh) 一种综合能源设备状态监测方法及装置
CN114609372A (zh) 基于最大熵的工程机械油液监测系统及方法
CN103617447A (zh) 智能变电站的评价系统及评价方法
CN116976557A (zh) 一种节能减碳的园区能源控制方法及系统
CN112084678A (zh) 一种基于多元回归的配线线损率处理方法及装置
CN116972910A (zh) 一种火电厂电气设备的监测方法及系统
CN117196120A (zh) 一种用户用水行为分析算法
CN106325258B (zh) 一种基于在线监测信息的继电保护装置状态评估方法
CN116961226A (zh) 一种变电站中变压器的监控方法和系统
CN113822587B (zh) 一种基于总线电流数据的工厂产能评估方法
CN107133674B (zh) 一种确定换流阀整体状态的方法和系统
CN214122337U (zh) 能源介质计量偏差预警系统
CN113406537B (zh) 一种电力设备故障程度的定量评估方法
CN112183997A (zh) 一种用能单位异常状态的监测分析系统
CN105868830B (zh) 一种多台变压器检修顺序的确定方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20221213

Address after: No.26 tuolanshan Road, Xuzhou Economic and Technological Development Zone, Xuzhou City, Jiangsu Province

Applicant after: Jiangsu Xugong Construction Machinery Research Institute Co.,Ltd.

Applicant after: XCMG EXCAVATOR MACHINERY Co.,Ltd.

Address before: No.26 tuolanshan Road, Xuzhou Economic and Technological Development Zone, Xuzhou City, Jiangsu Province

Applicant before: Jiangsu Xugong Construction Machinery Research Institute Co.,Ltd.

GR01 Patent grant
GR01 Patent grant