CN114706902A - 一种基于知识图谱的减速机数据共享方法 - Google Patents
一种基于知识图谱的减速机数据共享方法 Download PDFInfo
- Publication number
- CN114706902A CN114706902A CN202210251890.8A CN202210251890A CN114706902A CN 114706902 A CN114706902 A CN 114706902A CN 202210251890 A CN202210251890 A CN 202210251890A CN 114706902 A CN114706902 A CN 114706902A
- Authority
- CN
- China
- Prior art keywords
- shared
- information
- speed reducer
- sharing
- knowledge
- 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
Images
Classifications
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2282—Tablespace storage structures; Management thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
- G06F3/0482—Interaction with lists of selectable items, e.g. menus
-
- 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Human Computer Interaction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的一种基于知识图谱的减速机数据共享方法,提出了基于深度迁移卷积神经网络的旋转机械故障诊断模型和基于深度迁移卷积神经网络和极限共享机的故障诊断方法,提升了故障识别和分类的有效性和效率性,本发明由服务器根据标签信息和各用户的共享知识图谱生成待共享用户列表,可将该减速机共享信息共享给需要的用户,实现共享内容共享的便捷性和精准性,降低工作人员获取所需要的共享内容的难度。基于知识图谱对机械传动结构共享数据进行整合,通过知识推理模型对已有知识进行推理,发现传动结构实体之间的潜在关联关系。基于已构建的知识图谱实现知识检索,从庞大的数据资源中快速地获取准确信息,以提供更便捷的传动结构共享服务。
Description
技术领域
本发明属于智能产品技术领域,具体的,涉及一种基于知识图谱的减速机数据共享方法。
背景技术
随着现代工业的迅速发展和机械运行设备的不断升级,对旋转机械进行及时有效的故障诊断能避免经济损失和安全事故的发生。传统的故障诊断方法依赖专家经验和先验知识,已不满足复杂机械设备的故障诊断需求,需要不断研究和开发出更为高效、智能的故障诊断方法。申请人研发的减速机拥有自主知识产权,具有外观美、低噪音、不漏油、快交付、智能化于无故障等亮点,包括JRTR齿轮减速电机、JRTF平行轴-齿轮减速电机、JRTK锥齿轮-齿轮减速电机、JRTS蜗杆副-齿轮减速电机等全系列产品。
随着智能终端及网络技术的迅速发展,使用智能终端进行移动共享的方式也逐渐被人们所重视,而且移动共享作为一种新的共享方式将成为现代社会的一种重要的共享方式与手段。工作人员在共享时,一般具有共享信息及获取共享信息的需求。而目前的智能终端无法做到将需要共享的共享信息准确地共享给需要的人。当工作人员需要共享信息时,只能将共享信息发布在互联网上,该共享信息则会被淹没在互联网的海量信息中,而需要获取该共享信息的人只能从互联网上的海量信息中进行搜索,且无法保证能准确搜索到该共享信息,使得工作人员之间无法进行更好的共享交流和互动。
尤其针对当前机械操作系统过程中,缺乏行之有效的互动监管信息和方法和系统,本申请面向机械传动减速机操作的信息化管理,公开了一种基于知识图谱的减速机数据共享方法,用于解决减速机等传动结构的全生命周期的数据管理问题。
发明内容
为了解决当前机械操作减速机结构的信息管理问题,本发明公开了一种基于知识图谱的减速机数据共享方法,其特征在于,包括:
获取用户提供的减速机共享信息和所述减速机共享信息对应的标签信息;
将所述减速机共享信息和所述标签信息发送给服务器;
接收所述服务器返回的待共享用户列表,所述待共享用户列表由所述服务器根据所述标签信息和存储的各用户的共享知识图谱生成,所述共享知识图谱由所述服务器根据用户的历史共享日志和历史共享标签生成;
获取用户从所述待共享用户列表中选择的目标用户;
将所述目标用户发送给所述服务器,使所述服务器将所述减速机共享信息发送给所述目标用户对应的智能终端。
具体的,所述获取用户提供的减速机共享信息和所述减速机共享信息对应的标签信息,包括:
所述减速机共享信息包括所述减速机的结构设计信息、故障诊断信息、运维保养信息;
所述减速机共享信息为故障诊断信息时,基于时频分析和卷积神经网络的故障诊断方法,利用连续小波变换将原始振动信号转换为二维时频图像;
利用卷积神经网络的特征共享能力,从转化后的时频图像中自动共享有利于故障分类任务的特征信息,经Softmax后完成故障的分类,所述分类信息为所述故障诊断信息的标签信息。
具体的,所述减速机共享信息为结构设计信息时,确定减速机除积碳装备应具有工件主轴回转,外壁积碳抛光清理、内壁积碳抛光清理和内壁可视观测功能;
确定装备的结构形式、主要设计参数和除积碳工作流程。
具体的,所述减速机共享信息为运维保养信息时,建立比例故障率模型:建立威布尔PHM函数以及建立可靠度函数以及极大似然函数,并通过极大似然函数估计出威布尔PHM函数中的参数;
收集数据:收集历史寿命数据和实时监测数据;
对收集好的数据进行分析处理:将实时监测数据进行处理得到协变量,对历史寿命数据进行统计处理,得到正确的历史寿命数据;将协变量和正确的历史寿命数据以及通过极大似然函数估计出来的威布尔PHM函数的参数分别带入建立好的可靠度函数内,得到测试时刻的可靠度并和预设可靠度阈值进行比较,求得维护时间,根据维护时间来判断机械系统是否需要维护或更换。
具体的,所述接收所述服务器返回的待共享用户列表,所述待共享用户列表由所述服务器根据所述标签信息和存储的各用户的共享知识图谱生成,所述共享知识图谱由所述服务器根据用户的历史共享日志和历史共享标签生成,还包括:
所述共享知识图谱的生成包括:
传动结构共享多源数据的获取及预处理;
机械传动结构共享领域本体的构建;
机械传动结构共享知识图谱的存储;
所述待共享用户列表的生成为基于知识推理的机械传动结构知识图谱关系挖掘,包括:
获取基于表示共享的知识推理模型,推理模型的定义、构建负样本、模型训练;
基于推理模型的传动结构知识图谱关系挖掘,进行数据说明及参数设置、模型验证、减速机传动结构共享知识图谱的推理结果分析、其他传动结构共享知识图谱的推理结果分析。
具体的,所述将所述目标用户发送给所述服务器,使所述服务器将所述减速机共享信息发送给所述目标用户对应的智能终端之后,还包括:
执行基于知识图谱的传动结构共享智能问答和基于知识图谱的传动结构共享查询服务。
本发明提供的一种基于知识图谱的减速机数据共享方法,提出了基于深度迁移卷积神经网络的旋转机械故障诊断模型和基于深度迁移卷积神经网络和极限共享机的故障诊断方法,提升了故障识别和分类的有效性和效率性,本发明由服务器根据标签信息和各用户的共享知识图谱生成待共享用户列表,可将该减速机共享信息共享给需要的用户,实现共享内容共享的便捷性和精准性,降低工作人员获取所需要的共享内容的难度。基于知识图谱对机械传动结构共享数据进行整合,通过知识推理模型对已有知识进行推理,发现传动结构实体之间的潜在关联关系。基于已构建的知识图谱实现知识检索,从庞大的数据资源中快速地获取准确信息,以提供更便捷的传动结构共享服务。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明所涉及的一种基于知识图谱的减速机数据共享方法的工作流程图;
图2为本发明所涉及的一种基于知识图谱的减速机数据共享方法的实施例一的工作流程图;
图3为本发明所涉及的一种基于知识图谱的减速机数据共享方法的实施例二的工作流程图;
图4为本发明所涉及的一种基于知识图谱的减速机数据共享方法的实施例三的工作流程图。
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技术人员。
参照附图1,本发明公开了一种基于知识图谱的减速机数据共享方法,其特征在于,包括:
获取用户提供的减速机共享信息和所述减速机共享信息对应的标签信息;
将所述减速机共享信息和所述标签信息发送给服务器;
接收所述服务器返回的待共享用户列表,所述待共享用户列表由所述服务器根据所述标签信息和存储的各用户的共享知识图谱生成,所述共享知识图谱由所述服务器根据用户的历史共享日志和历史共享标签生成;
获取用户从所述待共享用户列表中选择的目标用户;
将所述目标用户发送给所述服务器,使所述服务器将所述减速机共享信息发送给所述目标用户对应的智能终端。
具体的,参照附图2,所述获取用户提供的减速机共享信息和所述减速机共享信息对应的标签信息,包括:
所述减速机共享信息包括所述减速机的结构设计信息、故障诊断信息、运维保养信息;
所述减速机共享信息为故障诊断信息时,基于时频分析和卷积神经网络的故障诊断方法,利用连续小波变换将原始振动信号转换为二维时频图像;
利用卷积神经网络的特征共享能力,从转化后的时频图像中自动共享有利于故障分类任务的特征信息,经Softmax后完成故障的分类,所述分类信息为所述故障诊断信息的标签信息。
所述减速机共享信息为故障诊断信息时,首先,进行基于时频分析和 CNN 的电机轴承故障诊断方法,本发明通过安装在机器上的传感器来采集原始振动信号,通过连续小波变换将一维原始振动信号转换为二维的灰度时频图,以适合卷积神经网络的输入;然后,把时频图随机分为训练样本和测试样本,将训练样本放进设计好的卷积神经网络中进行训练,利用误差反向传播和梯度下降算法对模型进行参数更新以将误差最小化,最终获得训练好的最优模型;最后,将测试样本输入训练好的模型中进行测试,以验证模型的有效性。
同时,所设计和构建的卷积神经网络模型应用于电机轴承故障数据集,验证模型的精度和泛化性。
进行数据预处理,利用连续小波变换,把原始数据转换为灰度时频图像,实现了从一维时间序列变换为二维图像,以适用于卷积神经网络的输入。cmor3-3是一种复Morlet小波,具有优秀的时频分析能力,因此本实验选用cmor3-3小波作为母小波函数来进行连续小波变换,尺度因子设置为256,并将由连续小波变换得到的时频图进一步压缩为64*64大小的灰度图像。
为选取最优模型,采用三种不同层数的卷积神经网络,分别为 CNN1、CNN2 和CNN3,Conv 代表卷积层,FC 代表全连接层。CNN1 模型是“卷积-池化-卷积-池化-全连接-Softmax”的形式,有两个卷积层;
CNN2 模型是“卷积-池化-卷积-池化-卷积-池化-全连接-Softmax”的形式,有三个卷积层;
CNN3模型是“卷积-池化-卷积-池化-卷积-池化-卷积-池化-全连接-全连接-Softmax”的形式,有四个卷积层
数据集 I 的训练集和测试集经过数据预处理后,将训练集输入到本实验所设计的三个卷积神经网络模型中(CNN1、CNN2 和 CNN3)进行训练,其中 25%的训练集用作训练过程中的验证集,也就是说,训练集中有 3000 个样本用来训练,有 1000 个样本用作验证集。值得注意的是,验证集是不参与训练,仅用来验证训练过程中模型的效果。将数据集 I的测试集输入到训练完的三个模型中,得到各种的分类准确率。通过训练集、验证集和测试集所表现出来的效果,分析并比较模型各自的性能表现,以选取本实验最优的卷积神经网络模型。在整个训练过程中,优化器选择 Adam 优化器,损失函数选择交叉熵损失函数,批次大小(Batchsize)为64,迭代次数(Epoch)为 30,共享率固定为 0.0001。为了减少实验误差,保证结果的可靠性,所有实验均在相同环境下重复进行10 次,并以其 10 次实验结果的平均值作为参考。整个实验由 Python3.6 和以Tensorflow为后端的Keras实现,且均在64 GB 运行内存的 Ubuntu 18.04 平台上运行,使用 8 GB的 NVIDIA Quadro P4000 GPU。
其次,进行基于深度迁移卷积神经网络的旋转机械故障诊断方法,包括:
数据预处理:利用连续小波变换把原始振动信号转换为二维时频图,由于DTCNN的输入是格式为 224*224*3 的RGB 图像,而时频图是通道数为 1 的灰度图像,所以需要将时频图复制到 3 个通道里,形成 R=G=B 伪彩色图像。然后把时频图压缩成224*224 大小的图片,并进行归一化操作。最后把数据集随机划分为训练集和测试集。
第 2 步DTCNN模型的建立与微调:由于预训练ResNet-50 在ImageNet上的原任务是对 1000 种不同的自然图像进行分类,所以需要移除 DTCNN(ResNet-50)的Softmax输出层,并添加一个新的Softmax输出层,它的神经元个数取决于故障的分类数。由于故障时频图与自然图像的有一定的差异,还需要微调靠近输出层的最后 3 个残差块(1个 ConvBlock 和 2 个 Identity Block),以进一步提取高级的故障特征。
第 3 步DTCNN 模型的训练:用于故障诊断的 DTCNN(ResNet-50)只对模型的最后3 个残差块和输出层进行参数更新,而其余层仍使用在ImageNet 训练好的参数。值得注意的是,测试集不参与训练,仅用来验证模型的精度和泛化能力。
第 4 步DTCNN 模型的应用:将训练好的模型应用于旋转机械故障诊断中。
具体的,参照附图3,所述减速机共享信息为结构设计信息时,确定减速机除积碳装备应具有工件主轴回转,外壁积碳抛光清理、内壁积碳抛光清理和内壁可视观测功能;
确定装备的结构形式、主要设计参数和除积碳工作流程。
减速机抛光去除减速机内壁和外壁积碳的基本原理,基本运动包括减速机旋转运动、减速机旋转运动,减速机沿减速机径向和轴向的进给运动。减速机在进给机构的驱动下压附在减速机内、外壁产生弹性压缩变形,在减速机和减速机高速旋转过程中,刷毛上裸露的磨料对积碳进行微量切削并高频冲击积碳层,实现减速机内外壁积碳的去除。
减速机抛光去除减速机法兰端面积碳原理,将外壁减速机更换为端面减速机,减速机沿减速机的轴向进给压附在减速机法兰端面,配合减速机和减速机的高速旋转运动,实现减速机法兰端面积碳去除。
磁性磨料抛光去除减速机外壁积碳原理,外壁磁性磨料抛光的磁极固定在磁极架上,并沿减速机的径向和轴向进给,在减速机自身旋转运动下,吸附在磁极和减速机外壁间隙中的磁性磨料实对减速机外壁。
磁性磨料抛光去除减速机内壁积碳原理,内壁磁性磨料抛光的磁极安装在抛光杆前端电机的旋转轴上,磁极在抛光杆的带动下沿减速机的径向和轴向进给,在减速机和磁极旋转运动下,吸附在磁极和减速机内壁间隙中的磁性磨料完成对减速机内壁积碳的去除加工。
根据减速机表面积碳清理需求,及减速机抛光和磁性磨料抛光去除减速机积碳技术方案,减速机除积碳装备应具备以下功能。①满足三种不同型号减速机表面积碳去除;②满足减速机抛光除积碳技术方案;③满足磁性磨料抛光除积碳技术方案;④减速机抛光去除减速机内、外壁和法兰端面积碳;⑤磁性磨料抛光去除减速机内外壁积碳;⑥减速机内壁积碳去除加工可视化;
减速机除积碳装备机械系统总体组成,装备的机械系统由工件主轴单元、中心架、外壁积碳抛光单元、内壁积碳抛光单元、内壁可视观测单元、床身及其它附件等组成。
减速机除积碳装备的工作流程,将减速机安装在三爪卡盘上并通过中心架辅助支撑,在减速机抛光和磁性磨料抛光作用下,实现内外壁和法兰端面积碳去除加工,获得光洁表面的减速机。在减速机抛光完成内外壁积碳去除加工后,对内外壁积碳残留情况进行检查,检查合格则进入下一道工序;若检查结果不合格,则重复行减速机抛光去除内外壁积碳工序,直至检查合格。下一道工序为磁性磨料抛光加工,在完成内外壁积碳磁性磨料抛光去除加工后,检测表面粗糙度和积碳去除加工质量是否合格,若两项均检测合格则加工结束;若有一项检测不合格,则重复上述磁性磨料抛光工序,直至积碳去除加工质量和表面粗糙度合格。由于减速机法兰端面结构复杂,因此该部位只能通过减速机抛光完成积碳去除加工,将外壁减速机更换为端面减速机,利用外壁积碳抛光单元进行法兰端面积碳去除加工,加工后检测积碳去除质量是否合格,若检测合格则结束加工;若检测不合格则重复上述减速机抛光工序,直至检测合格。
本方案实施例所涉及的减速机包括:
JRT齿轮减速电机,包括JRTR齿轮减速电机、JRTF平行轴-齿轮减速电机、JRTK锥齿轮-齿轮减速电机、JRTS蜗杆副-齿轮减速电机等全系列产品;所述JRT齿轮减速电机,遵循模块化和最优化设计理念,全系列产品包括减速电机、变频一体减速电机、AD型实心轴输入接口、AM型IEC电机输入接口、AQS型伺服电机输入加快、AN型NEMA电机输入接口,实心轴输出模块、花键空心轴输出模块、锁紧盘输出模块、法兰输出模块,底脚安装、法兰安装、扭矩臂安装等多种输入接口、输出模块和安装型式,同时支持多级减速机和不同型号规格减速机的模块化和集成,并可根据客户需要进行个性化的设计与制造。全新涂层选用符合国家环保要求的绿色油漆产品。油漆中不含VOC、TDI、苯/甲苯、二甲苯、重金属等有毒有害物质。且具有超强的附着力、耐候性、耐腐蚀性。能适用普通室外中等腐蚀环境和各类室内工况。并有增强型涂层体系适应重腐蚀环境。
JRW蜗杆减速机,包括JRW蜗杆减速机、JRW+精密蜗杆减速机等全系列产品,遵循模块化和最优化设计理念,全系列产品包括蜗杆减速机、实心轴输入接口、IEC电机输入接口、伺服电机输入接口、NEMA电机输入接口,实心轴输出模块、空心轴输出模块、法兰输出模块,底脚安装、法兰安装、扭矩臂安装等输入接口、输出模块和安装型式,同时支持多级减速机和不同型号规格减速机的模块化组合和集成,并可根据客户需要进行个性化的设计和制造。
具体的,所述减速机共享信息为运维保养信息时,建立比例故障率模型:建立威布尔PHM函数以及建立可靠度函数以及极大似然函数,并通过极大似然函数估计出威布尔PHM函数中的参数;
收集数据:收集历史寿命数据和实时监测数据;
对收集好的数据进行分析处理:将实时监测数据进行处理得到协变量,对历史寿命数据进行统计处理,得到正确的历史寿命数据;将协变量和正确的历史寿命数据以及通过极大似然函数估计出来的威布尔PHM函数的参数分别带入建立好的可靠度函数内,得到测试时刻的可靠度并和预设可靠度阈值进行比较,求得维护时间,根据维护时间来判断机械系统是否需要维护或更换。
所述建立比例故障率模型的具体过程为:通过原始比例故障模型h(t,Z(t))=h0(t)λ(βZ(t)) (1),
其中h0(t)是确定的基本失效率,与失效时间有关,λ(βZ(t))为调整性的反映设备特征的变化的正函数,β是回归协变量系数向量,Z(t)是时间相关的协变量向量,得到现有比率故障模型即威布尔PHM:其中α>0,是形状参数,θ>0,是尺度参数,t指的是运行时间或者工作时间;
根据现有比率故障模型求出设备在测试时刻t的可靠度为
其中m是在测试时刻t之前的监测次数,ti是测试时间点,i=1,2,…,m;公式(3)中,Z(s)的值只有在测试时间点是已知的,即在t0<t1<t2<…<tm这m个时间点处是已知的,而在每两个测试时间点之间的数值可以用常数来表示;
其中f指的是失效时间,c指的是失效时间和截止时间,通过极大似然函数估计出威布尔PHM的形状参数和尺度参数。
所述收集数据表示为以下数据集(Ti,Zi,δi),其中,i=1,2,…,m,表示的是m个相互独立的历史寿命数据,Ti是失效或截止时间,Zi=(Zi(t),0<t<Ti)是协变量的监测值,δi表示截止时间的指标。
将实时监测数据进行处理得到协变量,所述分析的具体过程为:
对所述监测数据进行错误数据剔除,所述监测数据由工作台水平、竖直和垂直三个方向上振动幅值组成,对每一个方向的原始振动数据进行特征提取,得到时域数据和频域数据,将时域数据和频域数据作为协变量,对所述协变量进行主分量分析,最终得到协变量。
步骤“将协变量和正确的历史寿命数据以及通过极大似然函数估计出来的威布尔PHM函数的参数分别带入建立好的可靠度函数内,得到测试时刻的可靠度并和预设可靠度阈值进行比较,求得维护时间,根据维护时间来判断机械系统是否需要维护或更换”之前,将协变量带入威布尔PHM函数之前,还包括拟合度检验过程,将所有协变量带入威布尔PHM函数内,得到威布尔PHM函数的拟合优度检验值,通过拟合优度检验值确定最优协变量。
根据维护时间来判断机械系统是否需要维护或更换的具体判断过程为:倘若在测试时刻t的可靠度大于预先设定好的可靠度阈值,求得维修时间tx,此维修时间tx大于检查时间t时,则设备不需要维修或更换。
具体的,所述接收所述服务器返回的待共享用户列表,所述待共享用户列表由所述服务器根据所述标签信息和存储的各用户的共享知识图谱生成,所述共享知识图谱由所述服务器根据用户的历史共享日志和历史共享标签生成,还包括:
所述共享知识图谱的生成包括:
传动结构共享多源数据的获取及预处理;
Step1:首先需要构建传入的参数,主要包括 Key 值、机械编码、机械名称,参数经过 URL 编码后,向目标网站的接口发起请求,即发送一个请求(Request)。
Step2:接收超文本传输协议(Hypertext Transfer Protocol,HTTP)返回的响应(Response),解析返回的数据,数据格式为Json。
Step3: 将解析好的数据存储至PostgreSQL 数据库中,存储数据包括线路及站点的编号、站点经纬度、经过此站点的线路等信息。
机械传动结构共享领域本体的构建;
第一步:确定本体的领域,明确领域本体的目的,本文的本体涉及领域为机械传动结构共享,完成对机械传动结构领域相关知识的抽象,进而实现领域知识图谱的构建;第二步:查看是否有他人已构建好的,可重复使用的本体,调研是否有相关的本体已经构建好,如果有的话可直接导入节省构建成本和时间;第三步:确定重要术语,在列举所有的术语是需保证全面性;第四步:定义类及其层次结构,本文采用自顶向下的方法,即先定义领域中最宽泛的概念,然后进行细化;第五步:确定类的属性,仅依靠类无法提供充足的信息,因此还需要定义类的属性来进一步描述类;第六步:定义属性的约束,如对属性值的类型、属性值的数量范围等进行限制;第七步:通过质量评估后创建类的具体实例。
机械传动结构共享知识图谱的存储;
将经过预处理后的数据,导入至数据库中以完成数据存储,Neo4j提供了多种导入数据的方法,Cypher 的Create 语句,类似于关系型数据库中的 Insert,每一条数据都需要单独写一个 Create 语句;Cypher 的 Load csv 语句,将数据存储为 csv 格式,用Load csv 语句读写数据;官方提供的 Neo4j-admin-import 工具,将每种类型的实体和关系都保存为 csv 文件;Neo4j 社区成员编写的Batch-import 工具,实现批量导入数据;Neo4j 的Apoc (A Package of Components)插件,用 Apoc.load.csv 和Apoc.load.relationship语句分别导入实体和关系
所述待共享用户列表的生成为基于知识推理的机械传动结构知识图谱关系挖掘,包括:
获取基于表示共享的知识推理模型,推理模型的定义、构建负样本、模型训练;
使用TransD模型,该模型的主要思想为利用投影向量构建的动态映射矩阵将实体编码为关系空间中的低维嵌入向量。同时考虑了实体和关系具有不同的类型和属性,所以不同类型的关系定义了不同的语义空间,不同的关系下关注实体不同的属性;
构造错误的三元组作为负样本。TransE模型使用的方法是,对于任意的三元组(h,r,t) ,从包含所有实体的集合 E 中随机地抽取一个实体将原先三元组中的头实体或者尾实体替换掉,便得到一个错误的三元组,即负三元组。利用关系类型约束,提高了在构建负样本时抽取到相同类型实体来替换原有三元组的概率。模型在训练时用类似于支持向量机(SVM)的最大化分类间隔的思想,将正样本与负样本分离开,即拉大两者之间的间隔距离。因此该模型可将相同类型实体间的距离拉大,即加大实体的向量表示之间的区别。
模型使用小批量随机梯度下降法(Mini-batch Gradient Descent)来实现参数更新,求得损失函数的最小值。在训练过程中随机选择小批量的正样本,并构建其对应的负样本,一个批次结束后计算梯度并更新模型参数。模型通过不断迭代来更新向量表示,直到模型的损失值收敛,或者模型已训练至最大次数,训练完成后得到实体和关系的嵌入表示。
基于推理模型的传动结构知识图谱关系挖掘,进行数据说明及参数设置、模型验证、减速机传动结构共享知识图谱的推理结果分析、其他传动结构共享知识图谱的推理结果分析。
具体的,所述将所述目标用户发送给所述服务器,使所述服务器将所述减速机共享信息发送给所述目标用户对应的智能终端之后,还包括:
执行基于知识图谱的传动结构共享智能问答和基于知识图谱的传动结构共享查询服务。
服务器将用户需要共享的减速机共享信息发送给目标用户(被共享者)对应的智能终端后,被共享者可以查阅该减速机共享信息,并针对该减速机共享信息给出反馈信息。该反馈信息可以是对该减速机共享信息的评分,或者是对该减速机共享信息的意见或回复。例如,当减速机共享信息是共享日志时,该反馈信息可以是对该共享日志的评分;当减速机共享信息是用户提的问题时,该反馈信息可以是针对该问题的回答内容。
服务器在接收到被共享的智能终端发送的反馈信息后,当反馈信息是对减速机共享信息的评分时,可根据该反馈信息生成共享者(共享减速机共享信息的用户)的奖励信息,然后将反馈信息和奖励信息一起发送给共享者的智能终端,以激励共享者多进行共享。该奖励信息可以是积分奖励,积分奖励可在积分商城兑换共享用品,同时还可根据每个用户的积分进行排名,以提高工作人员的竞争心里,以激励工作人员。当反馈信息是回答减速机共享信息的答案时,服务器还可根据该反馈信息该予被共享者(回答者)奖励,以激励工作人员多回答问题。
本实施例中,根据反馈信息给予共享者和被共享者奖励,可提高共享者和被共享者的积极性,以实现工作人员之间的共享信息共享,增加工作人员之间的共享互动,以提高工作人员的共享标签。
接收所述服务器返回的待共享用户列表,所述待共享用户类别由所述服务器根据所述减速机共享信息的类别信息和各用户的共享知识图谱生成;所述减速机共享信息的类别信息由所述服务器根据所述标签信息得到。
具体地,服务器在接收到减速机共享信息和减速机共享信息对应的标签信息后,先根据标签信息分析该减速机共享信息的类别,判断该减速机共享信息是属于提问类,还是共享日志、易错点、难点共享、或某个知识点讲解等。
当该减速机共享信息是提问类时,服务器根据标签信息获取需要提问的知识点,然后根据各用户的共享知识图谱分析出哪些用户对该知识点掌握的比较好,可以回答该提问中的内容,然后将这些用户挑选出来,生成待共享用户列表。
当该减速机共享信息是某个科目的共享日志时,服务器根据各用户的共享知识图谱分析出哪些用户对该科目掌握的不好,需要加强时,将这些用户挑选出来,生成待共享用户列表。然后将待共享用户列表发送给共享者的智能终端。以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于知识图谱的减速机数据共享方法,其特征在于,包括:
获取用户提供的减速机共享信息和所述减速机共享信息对应的标签信息;
将所述减速机共享信息和所述标签信息发送给服务器;
接收所述服务器返回的待共享用户列表,所述待共享用户列表由所述服务器根据所述标签信息和存储的各用户的共享知识图谱生成,所述共享知识图谱由所述服务器根据用户的历史共享日志和历史共享标签生成;
获取用户从所述待共享用户列表中选择的目标用户;
将所述目标用户发送给所述服务器,使所述服务器将所述减速机共享信息发送给所述目标用户对应的智能终端。
2.如权利要求1所述的一种基于知识图谱的减速机数据共享方法,其特征在于,所述获取用户提供的减速机共享信息和所述减速机共享信息对应的标签信息,包括:
所述减速机共享信息包括所述减速机的结构设计信息、故障诊断信息、运维保养信息;
所述减速机共享信息为故障诊断信息时,基于时频分析和卷积神经网络的故障诊断方法,利用连续小波变换将原始振动信号转换为二维时频图像;
利用卷积神经网络的特征共享能力,从转化后的时频图像中自动共享有利于故障分类任务的特征信息,经Softmax后完成故障的分类,所述分类信息为所述故障诊断信息的标签信息。
3.如权利要求2所述的一种基于知识图谱的减速机数据共享方法,其特征在于,
所述减速机共享信息为结构设计信息时,确定减速机除积碳装备应具有工件主轴回转,外壁积碳抛光清理、内壁积碳抛光清理和内壁可视观测功能;
确定装备的结构形式、主要设计参数和除积碳工作流程。
4.如权利要求2所述的一种基于知识图谱的减速机数据共享方法,其特征在于,
所述减速机共享信息为运维保养信息时,建立比例故障率模型:建立威布尔PHM函数以及建立可靠度函数以及极大似然函数,并通过极大似然函数估计出威布尔PHM函数中的参数;
收集数据:收集历史寿命数据和实时监测数据;
对收集好的数据进行分析处理:将实时监测数据进行处理得到协变量,对历史寿命数据进行统计处理,得到正确的历史寿命数据;
将协变量和正确的历史寿命数据以及通过极大似然函数估计出来的威布尔PHM函数的参数分别带入建立好的可靠度函数内,得到测试时刻的可靠度并和预设可靠度阈值进行比较,求得维护时间,根据维护时间来判断机械系统是否需要维护或更换。
5.如权利要求1所述的一种基于知识图谱的减速机数据共享方法,其特征在于,所述接收所述服务器返回的待共享用户列表,所述待共享用户列表由所述服务器根据所述标签信息和存储的各用户的共享知识图谱生成,所述共享知识图谱由所述服务器根据用户的历史共享日志和历史共享标签生成,还包括:
所述共享知识图谱的生成包括:
传动结构共享多源数据的获取及预处理;
机械传动结构共享领域本体的构建;
机械传动结构共享知识图谱的存储;
所述待共享用户列表的生成为基于知识推理的机械传动结构知识图谱关系挖掘,包括:
获取基于表示共享的知识推理模型,推理模型的定义、构建负样本、模型训练;
基于推理模型的传动结构知识图谱关系挖掘,进行数据说明及参数设置、模型验证、减速机传动结构共享知识图谱的推理结果分析、其他传动结构共享知识图谱的推理结果分析。
6.如权利要求1所述的一种基于知识图谱的减速机数据共享方法,其特征在于,所述将所述目标用户发送给所述服务器,使所述服务器将所述减速机共享信息发送给所述目标用户对应的智能终端之后,还包括:
执行基于知识图谱的传动结构共享智能问答和基于知识图谱的传动结构共享查询服务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210251890.8A CN114706902A (zh) | 2022-03-15 | 2022-03-15 | 一种基于知识图谱的减速机数据共享方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210251890.8A CN114706902A (zh) | 2022-03-15 | 2022-03-15 | 一种基于知识图谱的减速机数据共享方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114706902A true CN114706902A (zh) | 2022-07-05 |
Family
ID=82169304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210251890.8A Pending CN114706902A (zh) | 2022-03-15 | 2022-03-15 | 一种基于知识图谱的减速机数据共享方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114706902A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117236446A (zh) * | 2023-09-26 | 2023-12-15 | 中国科学院沈阳自动化研究所 | 一种利用事理图谱推理3d模型结构的方法与系统 |
-
2022
- 2022-03-15 CN CN202210251890.8A patent/CN114706902A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117236446A (zh) * | 2023-09-26 | 2023-12-15 | 中国科学院沈阳自动化研究所 | 一种利用事理图谱推理3d模型结构的方法与系统 |
CN117236446B (zh) * | 2023-09-26 | 2024-06-07 | 中国科学院沈阳自动化研究所 | 一种利用事理图谱推理3d模型结构的方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102520697B (zh) | 一种远程协同诊断的现场信息预处理方法 | |
CN110044554A (zh) | 一种基于声发射信号的金属压力容器泄漏的在线检测方法 | |
CN104407589A (zh) | 面向车间制造过程的实时生成性能主动感知与异常分析方法 | |
CN111325403B (zh) | 一种公路隧道机电设备剩余寿命预测方法 | |
CN107473036A (zh) | 电梯曳引机远程在线检测与诊断系统及其检测诊断方法 | |
Jiao et al. | A mixed adversarial adaptation network for intelligent fault diagnosis | |
CN114706902A (zh) | 一种基于知识图谱的减速机数据共享方法 | |
CN103971133A (zh) | 基于案例推理的钢板表面缺陷的自动识别方法 | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
Xu et al. | Review of condition monitoring and fault diagnosis for marine power systems | |
CN112288334A (zh) | 一种基于lightgbm的车联网风险因子的提取方法 | |
CN114662712A (zh) | 基于Wasserstein深度数字孪生模型的旋转机械状态监测方法 | |
Ren et al. | Fault detection and classification with feature representation based on deep residual convolutional neural network | |
Chaolong et al. | Study of railway track irregularity standard deviation time series based on data mining and linear model | |
Techane et al. | Rotating machinery prognostics and application of machine learning algorithms: Use of deep learning with similarity index measure for health status prediction | |
CN114550460B (zh) | 轨道交通异常检测方法、装置及存储介质 | |
Amar Bouzid et al. | CNC milling cutters condition monitoring based on empirical wavelet packet decomposition | |
Luo et al. | A novel method for remaining useful life prediction of roller bearings involving the discrepancy and similarity of degradation trajectories | |
CN112084598B (zh) | 一种离心泵叶轮可再制造性评估方法 | |
CN111813830B (zh) | 一种基于轨道交通工业互联网的工业时序数据检索方法 | |
CN114187005A (zh) | 一种面向传动系统订单的全生命周期追溯系统与方法 | |
Hennebold et al. | Cooperation of Human and Active Learning based AI for Fast and Precise Complaint Management | |
CN112231360A (zh) | 一种基于大数据的经济趋势分析系统 | |
CN114912846B (zh) | 在线学习的综合能源客户价值挖掘能效评估方法和装置 | |
CN112069621A (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 |
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 |