CN114999021A - 用于确定油温异常原因的方法、处理器、装置及存储介质 - Google Patents

用于确定油温异常原因的方法、处理器、装置及存储介质 Download PDF

Info

Publication number
CN114999021A
CN114999021A CN202210541120.7A CN202210541120A CN114999021A CN 114999021 A CN114999021 A CN 114999021A CN 202210541120 A CN202210541120 A CN 202210541120A CN 114999021 A CN114999021 A CN 114999021A
Authority
CN
China
Prior art keywords
oil temperature
historical
construction
determining
parameter
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
CN202210541120.7A
Other languages
English (en)
Inventor
熊慎
李春林
徐浩
赵鑫
康艳卓
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
Original Assignee
Zoomlion Heavy Industry Science and 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 filed Critical Zoomlion Heavy Industry Science and Technology Co Ltd
Priority to CN202210541120.7A priority Critical patent/CN114999021A/zh
Publication of CN114999021A publication Critical patent/CN114999021A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • 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
    • G06F16/903—Querying
    • 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
    • G06F16/904—Browsing; Visualisation therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/006—Indicating maintenance
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请涉及工程机械领域，具体地涉及一种用于确定油温异常原因的方法、处理器、装置及存储介质。方法包括：实时获取工程车辆的油温；在确定油温发生异常的情况下，获取工程车辆在预设时间段内的多个运行参数以及每个运行参数的参数值；对多个运行参数进行预处理，以生成与多个运行参数对应的特征数据；通过案例库包含的多个决策路径对特征数据进行反向推导，以确定出与特征数据匹配成功的目标路径，其中，决策路径是通过对超温诊断模型进行可视化处理后得到的；根据目标路径上包含的故障特征确定油温发生异常的原因。通过上述技术方案，可以在油温异常时，自动判断超温原因，大大减少了工程师的工作量，提供了工程师的工作效率。

Description

用于确定油温异常原因的方法、处理器、装置及存储介质
技术领域
本申请涉及工程机械领域，具体地涉及一种用于确定油温异常原因的方法、处理器、装置及存储介质。
背景技术
在现有技术中，当工程机械出现油温异常时，会进行报警，但是并不会对异常原因进行进一步分析，因此工程师只能在后台或者通过显示屏查看油温异常的报警信息，并不能获知油温异常的原因。
目前工程机械大多使用液压系统，而液压系统本身结构复杂，液压油温超温原因众多，通过工程师对超温原因进行分析需要现场查看工程机械运行状态,并手动去物联网平台下载相关工况明细数据逐条分析,效率低、耗时多,数据审批流程长且需要一定的数据分析能力才能完成。
发明内容
本申请实施例的目的是提供一种可以自行对油温异常的原因进行确定的一种用于确定油温异常原因的方法、处理器、装置及存储介质。
为了实现上述目的，本发明实施例提供一种用于确定油温异常原因的方法，应用于工程车辆，方法包括：
实时获取工程车辆的油温；
在确定油温发生异常的情况下，获取工程车辆在预设时间段内的多个运行参数以及每个运行参数的参数值；
对多个运行参数进行预处理，以生成与多个运行参数对应的特征数据；
通过案例库包含的多个决策路径对特征数据进行反向推导，以确定出与特征数据匹配成功的目标路径，其中，决策路径是通过对超温诊断模型进行可视化处理后得到的；
根据目标路径上包含的故障特征确定油温发生异常的原因。
在本申请的一个实施例中，方法还包括：获取工程车辆的多个历史施工数据；按照预设规则对多个历史施工数据进行预处理，以确定工程车辆在每次施工时所对应的施工数据；依次将每次施工时所对应的施工数据输入至超温诊断模型，以对超温诊断模型进行训练；在超温诊断模型训练完成后，对训练完成后的超温诊断模型进行可视化处理，以获取超温诊断模型的决策树；提取决策树包含的决策路径以生成案例库。
在本申请的一个实施例中，按照预设规则对多个历史施工数据进行预处理，以确定工程车辆在每次施工时所对应的施工数据包括：对施工时的多个历史施工数据进行切片操作，以确定工程车辆针对每次施工时的历史工况参数集，其中，历史工况参数集中包括多个运行参数和历史油温；对历史工况参数集中的运行参数进行相关性分析，以将符合预设条件的运行参数作为目标运行参数；提取目标运行参数的特征，以得到多个参数特征；从历史工况参数集中包括的多个历史油温中确定出与多个参数特征对应的目标油温；根据多个参数特征与目标油温确定工程车辆在每次施工时的施工数据。
在本申请的一个实施例中，对施工时的多个历史施工数据进行切片操作包括：获取任意两个历史施工数据，并确定每个历史施工数据的定位信息；根据定位信息确定任意两个历史施工数据之间的经纬度距离；在经纬度距离小于预设距离的情况下，将两个历史施工数据确定为同一次施工所对应的历史施工数据；依次提取每次施工所对应的历史施工数据，以确定工程车辆针对每次施工时的历史工况参数集；和/或确定每个历史施工数据的工作时间点；在确定工作时间点的间隔小于预设时间间隔的情况下，将历史数据确定为同一次施工时的历史施工数据；依次提取每次施工所对应的历史施工数据，以确定工程车辆针对每次施工时的历史工况参数集。
在本申请的一个实施例中，对历史工况参数集中的运行参数进行相关性分析，以将符合预设条件的运行参数作为目标运行参数包括：
通过公式(1)进行相关性分析，以确定历史工况参数集中每个运行参数的皮尔逊相关性系数：
Figure BDA0003648398140000031
其中，r为进行相关性分析的运行参数的皮尔逊相关性系数；xi为进行相关性分析的运行参数的第i个数据；
Figure BDA0003648398140000032
为运行参数的平均值；yi为与第i个运行参数对应的历史油温；
Figure BDA0003648398140000033
为历史油温的油温平均值；
将大于预设数值的皮尔逊相关性系数对应的运行参数确定为目标运行参数。
在本申请的一个实施例中，提取目标运行参数的特征，以得到多个参数特征包括：提取每个目标运行参数的最大值、平均值以及中位数值，以得到多个参数特征；从历史工况参数集中包括的多个历史油温中确定出与多个参数特征对应的目标油温包括：确定多个历史油温中油温值最大的油温，将油温值最大的油温确定为与多个参数特征对应的目标油温。
在本申请的一个实施例中，依次将每次施工时所对应的施工数据输入至超温诊断模型，以对超温诊断模型进行训练包括：在目标油温大于预设油温值的情况下，确定目标油温对应的油温状态为异常；在目标油温小于或等于预设油温值的情况下，确定目标油温对应的油温状态为正常；依次将每次施工数据对应的多个参数特征输入至超温诊断模型以对超温诊断模型进行训练；获取超温诊断模型输出的针对油温状态的预测值，预测值包括表明为油温正常的第一预测值与表明为油温异常的第二预测值；根据每次施工数据对应的多个参数特征的预测值所表明的油温状态以及每次施工数据对应的目标油温的油温状态确定超温诊断模型的预测准确率；在预测准确率达到预设准确阈值的情况下，确定超温诊断模型训练完成。
本申请第二方面提供了一种处理器，处理器被配置成执行上述中任意一项的用于确定油温异常原因的方法。
本申请第三方面提供了一种用于确定油温异常原因的装置，包括上述的处理器。
本申请第四方面提供了一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得处理器被配置成执行上述中任意一项的用于确定油温异常原因的方法。
通过上述技术方案，通过对超温诊断模型进行可视化以得到决策路径，并将决策路径进行提取以获得案例库。处理器可以实时获取工程车辆的油温时，在确定油温发生异常的情况下，获取工程车辆的运行参数，并对运行参数进行处理以得到特征数据，将特征数据与案例库进行一一比对，从而确定油温发生异常的原因。本申请方案可以在油温异常时，自动判断超温原因，大大减少了工程师的工作量，提供了工程师的工作效率。
本发明实施例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实施例的进一步理解，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实施例，但并不构成对本发明实施例的限制。在附图中：
图1示意性示出了根据本申请实施例的用于确定油温异常原因的方法的流程示意图；
图2示意性示出了根据本申请实施例的用于确定油温异常原因的方法中案例库的建立流程示意图；
图3示意性示出了根据本申请另一实施例的用于确定油温异常原因的方法中案例库的建立的示例图；
图4示意性示出了根据本申请另一实施例的用于确定油温异常原因的方法的示例图；
图5示意性示出了根据本申请实施例的计算机设备的内部结构图。
具体实施方式
以下结合附图对本申请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申请，并不用于限制本申请。
需要说明，若本申请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，若本申请实施例中有涉及“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，也不在本申请要求的保护范围之内。
如图1所示，示意性示出了根据本申请实施例的用于确定油温异常原因的方法的流程示意图。如图1所示，在本申请一实施例中，提供了用于确定油温异常原因的方法，应用于工程车辆，包括以下步骤：
步骤101，实时获取工程车辆的油温。
步骤102，在确定油温发生异常的情况下，获取工程车辆在预设时间段内的多个运行参数以及每个运行参数的参数值。
在工程车辆工作时，处理器可以实时获取工程车辆的油温，当处理器确定获取的油温发生异常的情况下，例如油温超温的情况下，处理器可以获取工程车辆在预设时间段内的多个运行参数以及每个运行参数的参数值。其中，运行参数可以包括工程车辆的发动机转速、流量档位、分配压力、工作时间、泵送压力、泵送状态、减压阀状态、臂架卸荷状态、臂架减振时间、泵送频率、行程到位率、环境温度、冷却系统状态、液压油温等等。
处理器可以将预设时间段设备为工程车辆开始工作至当前时间点的时间段。例如，假设工程车辆是早上6点开始工作，一直处于工作状态，当处理器确定获取到的工程车辆的油温发生异常时，处理器可以获取早上6点至当前时间(也就是确定油温发生异常的时间)内的所有运行参数，以及每个运行参数的参数值。
步骤103，对多个运行参数进行预处理，以生成与多个运行参数对应的特征数据。
处理器在获得工程车辆的多个运行参数后，可以对多个运行参数进行预处理。处理器可以在多个运行参数中，选取与油温有强相关性的运行参数。与油温有强相关性的运行参数可以是处理器通过对历史数据进行计算后，确定的运行参数。处理器根据存储的与油温有强相关性的运行参数对获取的多个运行参数进行选取，并确定被选取的运行参数的特征数据，特征数据可以是运行参数的最大值、平均值、上四分位数值、下四分位数值、最小值以及中位数值。例如，获取的多个运行参数可以包括：发动机转速、流量档位、分配压力、工作时间、泵送压力、泵送状态、减压阀状态、臂架卸荷状态、臂架减振时间、泵送频率、行程到位率、环境温度、冷却系统状态、液压油温等等。处理器可以对获取的多个运行参数进行预处理。首先，处理器可以根据存储的与油温具有强相关性的运行参数对获取的多个运行参数进行筛选，假设，选取了发动机转速、分配压力、泵送压力、泵送状态、减压阀状态、臂架卸荷状态、泵送频率。处理器可以再生成选取出的运行参数的特征数据，针对每个选取的运行参数，处理器可以生成对应的最大值、平均值、上四分位数值、下四分位数值、最小值以及中位数值，例如，发动机转速的最大值、发动机转速的平均值、发动机的上四分位数值、发动机的下四分位数值、发动机的最小值以及发动机转速的中位数值。从而得到多个运行参数对应的特征数据。
步骤104，通过案例库包含的多个决策路径对特征数据进行反向推导，以确定出与特征数据匹配成功的目标路径，其中，决策路径是通过对超温诊断模型进行可视化处理后得到的。
步骤105，根据目标路径上包含的故障特征确定油温发生异常的原因。
处理器通过对获取的多个运行参数进行预处理以得到对应的特征数据后，可以将得到的特征数据与案例库内的特征数据进行匹配。处理器可以通过案例库内包含的多个决策路径对特征数据进行反向推导，从而确定与特征数据匹配成功的目标路径。确定了匹配的目标路径后，可以根据目标路径上包含的故障特征确定油温发生异常的原因。例如，假设匹配的目标路径上包含的故障特征为发动机转速最大值，则处理器可以确定油温发生异常是由发动机转速最大值引起的。
在一个实施例中，方法还包括：获取工程车辆的多个历史施工数据；按照预设规则对多个历史施工数据进行预处理，以确定工程车辆在每次施工时所对应的施工数据；依次将每次施工时所对应的施工数据输入至超温诊断模型，以对超温诊断模型进行训练；在超温诊断模型训练完成后，对训练完成后的超温诊断模型进行可视化处理，以获取超温诊断模型的决策树；提取决策树包含的决策路径以生成案例库。
处理器可以获取工程车辆的多个历史施工数据，并根据预设规则对多个历史施工数据进行预处理，以确定工程车辆在每次施工时对应的施工数据。也就是说，处理器可以对获取的工程车辆的多个历史施工数据通过预设规则进行预处理，确定每次单次施工时工程车辆的施工数据，获得多个单次施工时的施工数据。处理器将每次施工时的施工数据输入至超温诊断模型以对超温诊断模型进行训练。在处理器确定超温诊断模型训练完成后，处理器可以对训练完成的超温诊断模型进行可视化处理。例如，处理器可以利用python中graphviz库对超温诊断模型进行可是化处理，从而得到该超温诊断模型的决策树。并对决策树中的决策路径进行提取，决策路径包含了超温原因。通过提取决策路径生成案例库，也就是将超温诊断结果与导致超温诊断结果的超温原因对应起来，并生成超温案例，将所有案例进行提取以得到案例库。
在一个实施例中，按照预设规则对多个历史施工数据进行预处理，以确定工程车辆在每次施工时所对应的施工数据包括：对施工时的多个历史施工数据进行切片操作，以确定工程车辆针对每次施工时的历史工况参数集，其中，历史工况参数集中包括多个运行参数和历史油温；对历史工况参数集中的运行参数进行相关性分析，以将符合预设条件的运行参数作为目标运行参数；提取目标运行参数的特征，以得到多个参数特征；从历史工况参数集中包括的多个历史油温中确定出与多个参数特征对应的目标油温；根据多个参数特征与目标油温确定工程车辆在每次施工时的施工数据。
处理器在获取工程车辆的多个历史施工数据后，可以根据预设规则对多个历史施工数据进行预处理，以确定工程车辆在每次施工时对应的施工数据。处理器可以首先对施工时的多个历史施工数据进行切片操作，从而确定工程车辆针对每次施工时的历史工况参数集，也就是说，处理器将历史施工数据按单次施工进行切片，以得到每次施工时的历史工况参数。其中，历史工况参数集包括多个运行参数和历史油温。
在一个实施例中，对施工时的多个历史施工数据进行切片操作包括：获取任意两个历史施工数据，并确定每个历史施工数据的定位信息；根据定位信息确定任意两个历史施工数据之间的经纬度距离；在经纬度距离小于预设距离的情况下，将两个历史施工数据确定为同一次施工所对应的历史施工数据；依次提取每次施工所对应的历史施工数据，以确定工程车辆针对每次施工时的历史工况参数集；和/或确定每个历史施工数据的工作时间点；在确定工作时间点的间隔小于预设时间间隔的情况下，将历史数据确定为同一次施工时的历史施工数据；依次提取每次施工所对应的历史施工数据，以确定工程车辆针对每次施工时的历史工况参数集。
处理器可以获取任意两个历史施工数据，对于这两个历史施工数据的定位信息进行确定，通过定位信息确定这两个历史施工数据之间的经纬度距离，当处理器确定这两个历史施工数据的定位信息的经纬度距离小于预设距离的情况下，可以将这两个历史施工数据确定为同一次施工时得到的历史施工数据。处理器依次提取每次施工对应的历史施工数据，以确定工程车辆针对每次施工是的历史工况参数集，也就是每个单次施工时的历史工况参数集。
例如，假设处理器将预设距离设置为500米，处理器获取任意两个历史施工数据，通过对该两个历史施工数据的定位信息判断，若是确定二者的定位信息小于500米，则确定二者是同一次施工时得到的数据。若是确定二者的定位信息大于或等于500米，则确定二者不是同一次施工时的数据。将同一次施工对一个的历史施工数据提取，以获得单次施工时的历史施工数据，处理器可以获取多个单次施工所对应的历史施工数据，以确定针对每次施工是的历史工况参数集。和/或
任意获取两个历史施工数据，处理器还可以确定每个历史施工数据的工作时间点，在工作时间点的间隔小于处理器设备的预设时间间隔的情况下，将这两个历史施工数据确定为同义词施工时的历史施工数据，依次对每次施工所对应的历史施工数据进行提取，以确定多个单次施工时的历史施工数据，从而确定工程车辆针对每个单次施工是的历史工况参数集。历史工况参数集中包括多个运行参数和历史油温。
处理器在获的历史工况参数集后，可以对历史工况参数集中的运行参数进行相关性分析，将符合预设条件的运行参数作为目标运行参数。例如，假设历史工况参数集中包含15个运行参数，处理器可以对每个运行参数进行相关性分析，将15个运行参数中符合预设条件的运行参数选取出来作为目标参数。
在一个实施例中，对历史工况参数集中的运行参数进行相关性分析，以将符合预设条件的运行参数作为目标运行参数包括：通过公式(1)进行相关性分析，以确定历史工况参数集中每个运行参数的皮尔逊相关性系数：
Figure BDA0003648398140000101
其中，r为进行相关性分析的运行参数的皮尔逊相关性系数；xi为进行相关性分析的运行参数的第i个数据；
Figure BDA0003648398140000102
为运行参数的平均值；yi为与第i个运行参数对应的历史油温；
Figure BDA0003648398140000103
为历史油温的油温平均值；将大于预设数值的皮尔逊相关性系数对应的运行参数确定为目标运行参数。
处理器可以通过公式(1)
Figure BDA0003648398140000104
对历史工况参数集中的每个运行参数进行相关性分析，其中r是每个进行相关性分析的运行参数的皮尔逊相关性系数，xi为进行相关性分析的运行参数的第i个数据；
Figure BDA0003648398140000105
为运行参数的平均值；yi为与第i个运行参数对应的历史油温；
Figure BDA0003648398140000106
为历史油温的油温平均值。通过公式(1)确定了每个运行参数的皮尔逊相关系数后，可以将每个运行参数的皮尔逊相关性系数与预设数值进行比较，将大于预设数值的皮尔逊相关性系数对应的运行参数确定为目标运行参数。
确定了目标参数后，处理器可以对每个目标参数进行特征提取，以得到多个参数特征。历史工况参数集包括多个运行参数和历史油温，通过将运行参数进行筛选以及特征提取确定了多个参数特征后，可以在历史工况参数包括的多个历史油温中确定出与多个参数特征对应的目标油温。
在一个实施例中，提取目标运行参数的特征，以得到多个参数特征包括：提取每个目标运行参数的最大值、平均值以及中位数值，以得到多个参数特征；从历史工况参数集中包括的多个历史油温中确定出与多个参数特征对应的目标油温包括：确定多个历史油温中油温值最大的油温，将油温值最大的油温确定为与多个参数特征对应的目标油温。
处理器通过相关性分析确定了目标运行参数后，可以提取历史工况参数集中每个目标运行参数的最大值、平均值、上四分位数值、下四分位数值、最小值以及中位数值，以得到多个参数特征。处理器在确定了多个参数特征后，可以从历史工况参数集中包括的多个历史油温中确定与多个参数特征对应的目标油温，处理器可以确定多个历史油温中油温值最大的油温，将该油温值最大的油温确定为与多个参数特征对应的目标油温。
处理器从历史工况参数集中确定了多个参数特征以及与多个参数特征对应的目标油温后，可以根据多个参数特征以及目标油温确定工程车辆在每次施工时的施工数据。
处理器将确定好的多个每次施工时的施工数据输入至超温诊断模型，以对超温诊断模型进行训练。
在一个实施例中，依次将每次施工时所对应的施工数据输入至超温诊断模型，以对超温诊断模型进行训练包括：在目标油温大于预设油温值的情况下，确定目标油温对应的油温状态为异常；在目标油温小于或等于预设油温值的情况下，确定目标油温对应的油温状态为正常；依次将每次施工数据对应的多个参数特征输入至超温诊断模型以对超温诊断模型进行训练；获取超温诊断模型输出的针对油温状态的预测值，预测值包括表明为油温正常的第一预测值与表明为油温异常的第二预测值；根据每次施工数据对应的多个参数特征的预测值所表明的油温状态以及每次施工数据对应的目标油温的油温状态确定超温诊断模型的预测准确率；在预测准确率达到预设准确阈值的情况下，确定超温诊断模型训练完成。
处理器获得每次施工时对应的施工数据后，可以将施工数据分为训练施工数据与测试施工数据两个部分，处理器可以设置二者的比例为8:2，也就是80％的施工数据作为训练施工数据，20％的施工数据作为测试施工数据。处理器可以将训练施工数据依次输入至超温诊断模型。在目标油温大于处理器设备的预设油温值的情况下，处理器可以确定目标油温对应的油温状态为异常，在目标油温小于或等于处理器设备的预设油温值的情况下，处理器可以确定目标油温对应的油温状态为正常。依次将每个施工数据对应的多个参数特征输入至超温诊断模型以对超温诊断模型进行训练，待训练的超温诊断模型根据接收到的多个参数特征输出针对油温状态的预测值，预测值包括表明为油温正常的第一预测值，与表明油温异常的第二预测值。例如，假设第一预测值为1，第二预测值为0，当超温诊断模型输出的预测值为1时，代表超温诊断模型根据接收的参数特征预测油温正常，当超温诊断模型输出的预测值为0时，代表超温诊断模型根据接收的参数特征预测油温异常。
处理器可以获取超温诊断模型根据每次施工数据对应的多个参数特征输出的预测油温状态，以及每次施工数据对应的多个参数特征所对应的目标油温的油温状态。通过将预测油温状态与目标油温的油温状态进行对比，从而确定超温诊断模型的预测准确率。当处理器通过训练施工数据对超温诊断模型进行训练，以使得超温诊断模型的预测准确率达到处理器设置的预设准确阈值。当超温诊断模型对训练施工数据的预测准确率达到处理器设置的预设准确阈值的情况下，处理器可以将测试施工数据依次输入已经通过训练施工数据训练过后的超温诊断模型，是的超温诊断模型根据接收到的测试施工数据输出对应的预测油温状态，并将预测油温状态与目标油温的油温状态对比，再次确定超温诊断模型的预测准确率，针对测试施工数据，若超温诊断墨香的预测准确率达到处理器设置的预设准确阈值的情况下，处理器可以确定超温诊断模型训练完成。
在一个实施例中，提供了一种处理器，处理器被配置成执行上述的任意一项的用于确定油温异常原因的方法。
在用于确定油温异常原因的方法进行应用前，处理器首先可以建立用于确定油温发生异常的原因的案例库。
如图2所示，示意性示出了根据本申请实施例的用于确定油温异常原因的方法中案例库的建立流程示意图。包括以下步骤：
步骤201，获取工程车辆的多个历史施工数据。
步骤202，按照预设规则对多个历史施工数据进行预处理，以确定工程车辆在每次施工时所对应的施工数据。
处理器可以获取工程车辆的多个历史施工数据，并根据预设规则对多个历史施工数据进行预处理，以确定工程车辆在每次施工时对应的施工数据。
处理器在获取工程车辆的多个历史施工数据后，处理器可以首先对施工时的多个历史施工数据进行切片操作，切片操作为处理器获取任意两个历史施工数据，对于这两个历史施工数据的定位信息进行确定，通过定位信息确定这两个历史施工数据之间的经纬度距离，当处理器确定这两个历史施工数据的定位信息的经纬度距离小于预设距离的情况下，可以将这两个历史施工数据确定为同一次施工时得到的历史施工数据，从而对多个历史施工数据按照单次施工进行切片。处理器依次提取每次施工对应的历史施工数据，以确定工程车辆针对每次施工是的历史工况参数集，也就是每个单次施工时的历史工况参数集。和/或任意获取两个历史施工数据，处理器还可以确定每个历史施工数据的工作时间点，在工作时间点的间隔小于处理器设备的预设时间间隔的情况下，将这两个历史施工数据确定为同义词施工时的历史施工数据，依次对每次施工所对应的历史施工数据进行提取，从而对多个历史施工数据按照单次施工进行切片以确定多个单次施工时的历史施工数据，从而确定工程车辆针对每个单次施工时的历史工况参数集。历史工况参数集中包括多个运行参数和历史油温。
例如，假设处理器获取了200条历史施工数据，处理器根据对这200条历史施工数据进行切片操作，从而确定每个单次施工的数据。假设处理器通过定位信息以及工作时间点，将这200条历史施工数据分为了4个单次施工数据，每一次施工时的历史施工数据有50条，针对每个单次施工的数据确定成一个历史工况参数集。此时可以确定4个历史工况参数集。每一个历史工况参数集包含多个运行参数和历史油温，例如，假设运行参数包括发动机转速、分配压力等等，则一个历史工况参数集包括，发动机转速A1-发动机转速A50、分配压力B1-分配压力B50。每一个运行参数都有对应的运行参数值。每一个历史工况参数集还包含多个历史油温，例如，历史油温1-历史油温50，与之前的运行参数一一对应，其中,发动机转速A1、分配压力B1、历史油温1为同一次获取的历史施工明细数据。
处理器在获得历史工况参数集后，处理器可以通过公式(1)
Figure BDA0003648398140000141
对历史工况参数集中的每个运行参数进行相关性分析，其中r是每个进行相关性分析的运行参数的皮尔逊相关性系数，xi为进行相关性分析的运行参数的第i个数据；
Figure BDA0003648398140000142
为运行参数的平均值；yi为与第i个运行参数对应的历史油温；
Figure BDA0003648398140000143
为历史油温的油温平均值。通过公式(1)确定了每个运行参数的皮尔逊相关系数后，可以将每个运行参数的皮尔逊相关性系数与预设数值进行比较，将大于预设数值的皮尔逊相关性系数对应的运行参数确定为目标运行参数。
例如，假设历史工况参数集中包括的运行参数有：发动机转速、流量档位、分配压力、工作时间、泵送压力、泵送状态、减压阀状态、臂架卸荷状态、臂架减振时间、泵送频率、行程到位率、环境温度、冷却系统状态、液压油温等等。一一对每个运行参数与油温的相关性进行分析，得到每个运行参数的皮尔逊相关系数，并与预设值进行比较，假设处理器将预设值设置为0.5，处理器可以将大于0.5的皮尔逊相关性系数对应的运行参数确定为目标运行参数。例如，筛选后，目标运行参数包括：发动机转速、分配压力、泵送压力、冷却系统状态、等。
确定了目标参数后，处理器可以对每个目标参数进行特征提取，处理器可以提取历史工况参数集中每个目标运行参数的最大值、平均值、上四分位数值、下四分位数值、最小值以及中位数值，以得到多个参数特征。处理器在确定了多个参数特征后，可以从历史工况参数集中包括的多个历史油温中确定与多个参数特征对应的目标油温，处理器可以确定多个历史油温中油温值最大的油温，将该油温值最大的油温确定为与多个参数特征对应的目标油温。
例如，假设每个目标运行参数包含50个参数值，处理器可以针对每个目标运行参数提取他们的最大值、平均值以及中位数值。例如，假设目标运行参数发动机转速有A1-A50总共50个参数值，处理器对50个参数值进行处理，从而获得发动机转速的最大值、平均值、上四分位数值、下四分位数值、最小值以及中位数值，将确定的数值作为参数特征。历史工况参数集包括50个历史油温，处理器可以将50个历史油温中值最大的油温作为参数特征对应的目标油温。
处理器从历史工况参数集中确定了多个参数特征以及与多个参数特征对应的目标油温后，可以根据多个参数特征以及目标油温确定工程车辆在每次施工时的施工数据。
例如，对于其中一次施工，将历史工况参数进行特征提取后，确定了多个参数特征以及与多个参数特征对应的目标油温，例如，假设确定的多个参数特征包括：发动机转速最大值、发动机转速平均值，、发动机转速上四分位数值、发动机转速下四分位数值、发动机转速最小值发，动机转速中位数值，分配压力最大值、分配压力平均值、分配压力上四分位数值、分配压力下四分位数值、分配压力最小值，分配压力中位数值、泵送压力最大值、泵送压力平均值、泵送压力上四分位数值、泵送压力下四分位数值、泵送压力最小值，泵送压力中位数值。与之对应的是历史油温最大值，也就是目标油温。将该条数据确定为每次施工时的施工数据。例如，假设根据切片操作确定了4次施工，则最终可以得到4条施工数据，其中每条施工数据包括多个参数特征以及对应的目标油温。
步骤203，依次将每次施工时所对应的施工数据输入至超温诊断模型，以对超温诊断模型进行训练。
处理器获得每次施工时对应的施工数据后，可以按照设置的比例将施工数据分为训练施工数据与测试施工数据两个部分，依次将训练施工数据输入至超温诊断模型。在目标油温大于处理器设备的预设油温值的情况下，处理器可以确定目标油温对应的油温状态为异常，在目标油温小于或等于处理器设备的预设油温值的情况下，处理器可以确定目标油温对应的油温状态为正常。依次将每个施工数据对应的多个参数特征输入至超温诊断模型以对超温诊断模型进行训练，待训练的超温诊断模型根据接收到的多个参数特征输出针对油温状态的预测值，预测值包括表明为油温正常的第一预测值，与表明油温异常的第二预测值。例如，假设第一预测值为1，第二预测值为0，当超温诊断模型输出的预测值为1时，代表超温诊断模型根据接收的参数特征预测油温正常，当超温诊断模型输出的预测值为0时，代表超温诊断模型根据接收的参数特征预测油温异常。
处理器可以获取超温诊断模型根据每次施工数据对应的多个参数特征输出的预测油温状态，以及每次施工数据对应的多个参数特征所对应的目标油温的油温状态。通过将预测油温状态与目标油温的油温状态进行对比，从而确定超温诊断模型的预测准确率。在使用训练施工数据对超温诊断模型进行训练后，可以使用测试施工数据对训练后的超温诊断模型进行测试，处理器可以将测试施工数据依次输入至超温诊断模型，超温诊断模型可以根据接收到的测试施工数据输出对应的预测油温状态。当与预测准确率达到处理器设置的预设准确阈值的情况下，处理器可以确定超温诊断模型训练完成。
步骤204，在超温诊断模型训练完成后，对训练完成后的超温诊断模型进行可视化处理，以获取超温诊断模型的决策树。
步骤205，提取决策树包含的决策路径以生成案例库。
在处理器确定超温诊断模型训练完成后，处理器可以对训练完成的超温诊断模型进行可视化处理。并对决策树中的决策路径进行提取，决策路径包含了超温原因。通过提取决策路径生成案例库，也就是将超温诊断结果与导致超温诊断结果的超温原因对应起来，并生成超温案例，将所有案例进行提取以得到案例库。
例如，处理器可以利用python中graphviz库对完成训练的超温诊断模型进行可视化处理，从而得到超温诊断模型的决策树，对决策树中的决策路径进行提取，决策路径可以包括油温异常的原因。将决策路径进行提取以得到导致油温异常原因的案例库。
处理器可以首先对超温诊断模型进行建立。具体地，例如图3所示，处理器先获取施工明细数据，可以包括：发动机转速、流量档位、分配压力、工作时间、泵送压力、泵送状态、减压阀状态、臂架卸荷状态、臂架减振时间、泵送频率、行程到位率、环境温度、冷却系统状态、液压油温等等。将获得的数据存入工业物联网平台数据库，并对数据按照单词施工进行划分，以得到每次施工时的数据，再对数据进行相关性分析，通过相关性分析以得到目标参数，例如包括：发动机转速、分配压力、泵送压力、冷却系统状态、液压油温等等。确定目标参数对应的油温状态，并对油温状态进行判断，从而确定油温正常数据与油温超温数据，将油温状态俺正常数据与超温数据进行分类后，基于决策树模型获取参数阈值，从而形成超温诊断模型。
在通过将超温诊断模型可视化处理得到案例库后，在实际应用中可以直接对案例库进行应用。
处理器可以实时获取油温的状态，当油温状态出现异常时，处理器可以获取工程车辆在预设时间段内的多个运行参数以及每个运行参数的参数值。对获取的运行参数进行预处理，以得到需要进行匹配的运行参数。可以根据之前的相关性分析确定哪些运行参数是需要进行匹配的，将确定运行参数进行特征提取，将得到的特征数据与案例库内的特征数据进行匹配。处理器可以通过案例库内包含的多个决策路径对特征数据进行反向推导，从而确定与特征数据匹配成功的目标路径。确定了匹配的目标路径后，可以根据目标路径上包含的故障特征确定油温发生异常的原因。
具体地，例如如图4所示，处理器可以获取实时油温状态，当油温异常时，可以将获取的工况参数进行处理输入案例库，与案例库进行匹配，从而进行油温异常的故障原因报警与推送，将故障原因推送给相关工程师。
通过上述技术方案，本申请通过历史施工数据对决策树模型进行训练，从而形成超温诊断模型，并通过对超温诊断模型进行可视化，以得到判断油温异常的决策路径，通过对决策路径的提取以得到造成油温异常原因的案例库。从而在应用时，当处理器确定油温出现异常，可以获取对应的工况数据，并将工况数据进行处理以得到可以用来对比的特征数据，将特征数据与案例库中包含的数据一一进行对比，从而确定油温异常的原因。在处理器确定油温异常时，自动判断超温原因，大大减少了工程师的工作量，提供了工程师的工作效率。
在一个实施例中，提供了一种用于确定油温异常原因的装置，包括上述的处理器。
在一个实施例中，提供了一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得处理器被配置成执行上述的用于确定油温异常原因的方法。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器A01、网络接口A02、存储器(图中未示出)和数据库(图中未示出)。其中，该计算机设备的处理器A01用于提供计算和控制能力。该计算机设备的存储器包括内存储器A03和非易失性存储介质A04。该非易失性存储介质A04存储有操作系统B01、计算机程序B02和数据库(图中未示出)。该内存储器A03为非易失性存储介质A04中的操作系统B01和计算机程序B02的运行提供环境。该计算机设备的数据库用于存储工程车辆的相关工况数据，以及操作人员输入的相关数据。该计算机设备的网络接口A02用于与外部的终端通过网络连接通信。该计算机程序B02被处理器A01执行时以实现一种用于确定油温异常原因的方法。
图1为一个实施例中用于确定油温异常原因的方法的流程示意图。应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：实时获取工程车辆的油温；在确定油温发生异常的情况下，获取工程车辆在预设时间段内的多个运行参数以及每个运行参数的参数值；对多个运行参数进行预处理，以生成与多个运行参数对应的特征数据；通过案例库包含的多个决策路径对特征数据进行反向推导，以确定出与特征数据匹配成功的目标路径，其中，决策路径是通过对超温诊断模型进行可视化处理后得到的；根据目标路径上包含的故障特征确定油温发生异常的原因。
在一个实施例中，方法还包括：获取工程车辆的多个历史施工数据；按照预设规则对多个历史施工数据进行预处理，以确定工程车辆在每次施工时所对应的施工数据；依次将每次施工时所对应的施工数据输入至超温诊断模型，以对超温诊断模型进行训练；在超温诊断模型训练完成后，对训练完成后的超温诊断模型进行可视化处理，以获取超温诊断模型的决策树；提取决策树包含的决策路径以生成案例库。
在一个实施例中，按照预设规则对多个历史施工数据进行预处理，以确定工程车辆在每次施工时所对应的施工数据包括：对施工时的多个历史施工数据进行切片操作，以确定工程车辆针对每次施工时的历史工况参数集，其中，历史工况参数集中包括多个运行参数和历史油温；对历史工况参数集中的运行参数进行相关性分析，以将符合预设条件的运行参数作为目标运行参数；提取目标运行参数的特征，以得到多个参数特征；从历史工况参数集中包括的多个历史油温中确定出与多个参数特征对应的目标油温；根据多个参数特征与目标油温确定工程车辆在每次施工时的施工数据。
在一个实施例中，对施工时的多个历史施工数据进行切片操作包括：获取任意两个历史施工数据，并确定每个历史施工数据的定位信息；根据定位信息确定任意两个历史施工数据之间的经纬度距离；在经纬度距离小于预设距离的情况下，将两个历史施工数据确定为同一次施工所对应的历史施工数据；依次提取每次施工所对应的历史施工数据，以确定工程车辆针对每次施工时的历史工况参数集；和/或确定每个历史施工数据的工作时间点；在确定工作时间点的间隔小于预设时间间隔的情况下，将历史数据确定为同一次施工时的历史施工数据；依次提取每次施工所对应的历史施工数据，以确定工程车辆针对每次施工时的历史工况参数集。
在一个实施例中，对历史工况参数集中的运行参数进行相关性分析，以将符合预设条件的运行参数作为目标运行参数包括：通过公式(1)进行相关性分析，以确定历史工况参数集中每个运行参数的皮尔逊相关性系数：
Figure BDA0003648398140000211
其中，r为进行相关性分析的运行参数的皮尔逊相关性系数；xi为进行相关性分析的运行参数的第i个数据；
Figure BDA0003648398140000212
为运行参数的平均值；yi为与第i个运行参数对应的历史油温；
Figure BDA0003648398140000213
为历史油温的油温平均值；将大于预设数值的皮尔逊相关性系数对应的运行参数确定为目标运行参数。
在一个实施例中，提取目标运行参数的特征，以得到多个参数特征包括：提取每个目标运行参数的最大值、平均值以及中位数值，以得到多个参数特征；从历史工况参数集中包括的多个历史油温中确定出与多个参数特征对应的目标油温包括：确定多个历史油温中油温值最大的油温，将油温值最大的油温确定为与多个参数特征对应的目标油温。
在一个实施例中，依次将每次施工时所对应的施工数据输入至超温诊断模型，以对超温诊断模型进行训练包括：在目标油温大于预设油温值的情况下，确定目标油温对应的油温状态为异常；在目标油温小于或等于预设油温值的情况下，确定目标油温对应的油温状态为正常；依次将每次施工数据对应的多个参数特征输入至超温诊断模型以对超温诊断模型进行训练；获取超温诊断模型输出的针对油温状态的预测值，预测值包括表明为油温正常的第一预测值与表明为油温异常的第二预测值；根据每次施工数据对应的多个参数特征的预测值所表明的油温状态以及每次施工数据对应的目标油温的油温状态确定超温诊断模型的预测准确率；在预测准确率达到预设准确阈值的情况下，确定超温诊断模型训练完成。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，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，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种用于确定油温异常原因的方法，应用于工程车辆，其特征在于，所述方法包括：
实时获取所述工程车辆的油温；
在确定所述油温发生异常的情况下，获取所述工程车辆在预设时间段内的多个运行参数以及每个运行参数的参数值；
对所述多个运行参数进行预处理，以生成与所述多个运行参数对应的特征数据；
通过案例库包含的多个决策路径对所述特征数据进行反向推导，以确定出与所述特征数据匹配成功的目标路径，其中，所述决策路径是通过对超温诊断模型进行可视化处理后得到的；
根据所述目标路径上包含的故障特征确定所述油温发生异常的原因。
2.根据权利要求1所述的用于确定油温异常原因的方法，其特征在于，所述方法还包括：
获取所述工程车辆的多个历史施工数据；
按照预设规则对所述多个历史施工数据进行预处理，以确定所述工程车辆在每次施工时所对应的施工数据；
依次将每次施工时所对应的施工数据输入至超温诊断模型，以对所述超温诊断模型进行训练；
在所述超温诊断模型训练完成后，对训练完成后的超温诊断模型进行可视化处理，以获取所述超温诊断模型的决策树；
提取所述决策树包含的决策路径以生成所述案例库。
3.根据权利要求2所述的用于确定油温异常原因的方法，其特征在于，所述按照预设规则对所述多个历史施工数据进行预处理，以确定所述工程车辆在每次施工时所对应的施工数据包括：
对施工时的多个历史施工数据进行切片操作，以确定所述工程车辆针对每次施工时的历史工况参数集，其中，历史工况参数集中包括多个运行参数和历史油温；
对历史工况参数集中的运行参数进行相关性分析，以将符合预设条件的运行参数作为目标运行参数；
提取所述目标运行参数的特征，以得到多个参数特征；
从所述历史工况参数集中包括的多个历史油温中确定出与所述多个参数特征对应的目标油温；
根据所述多个参数特征与所述目标油温确定所述工程车辆在每次施工时的施工数据。
4.根据权利要求3所述的用于确定油温异常原因的方法，其特征在于，所述对施工时的多个历史施工数据进行切片操作包括：
获取任意两个历史施工数据，并确定每个历史施工数据的定位信息；
根据所述定位信息确定任意两个历史施工数据之间的经纬度距离；
在所述经纬度距离小于预设距离的情况下，将两个历史施工数据确定为同一次施工所对应的历史施工数据；
依次提取每次施工所对应的历史施工数据，以确定所述工程车辆针对每次施工时的历史工况参数集；和/或
确定每个历史施工数据的工作时间点；
在确定所述工作时间点的间隔小于所述预设时间间隔的情况下，将历史数据确定为同一次施工时的历史施工数据；
依次提取每次施工所对应的历史施工数据，以确定所述工程车辆针对每次施工时的历史工况参数集。
5.根据权利要求3所述的用于确定油温异常原因的方法，其特征在于，所述对历史工况参数集中的运行参数进行相关性分析，以将符合预设条件的运行参数作为目标运行参数包括：
通过公式(1)进行相关性分析，以确定历史工况参数集中每个运行参数的皮尔逊相关性系数：
Figure FDA0003648398130000031
其中，r为进行相关性分析的运行参数的皮尔逊相关性系数；xi为进行相关性分析的运行参数的第i个数据；
Figure FDA0003648398130000032
为所述运行参数的平均值；yi为与第i个运行参数对应的历史油温；
Figure FDA0003648398130000033
为所述历史油温的油温平均值；
将大于预设数值的皮尔逊相关性系数对应的运行参数确定为目标运行参数。
6.根据权利要求5所述的用于确定油温异常原因的方法，其特征在于，所述提取所述目标运行参数的特征，以得到多个参数特征包括：
提取每个目标运行参数的最大值、平均值以及中位数值，以得到多个参数特征；
所述从所述历史工况参数集中包括的多个历史油温中确定出与所述多个参数特征对应的目标油温包括：
确定多个历史油温中油温值最大的油温，将所述油温值最大的油温确定为与所述多个参数特征对应的目标油温。
7.根据权利要求2至6中任意一项所述的用于确定油温异常原因的方法，其特征在于，依次将每次施工时所对应的施工数据输入至超温诊断模型，以对所述超温诊断模型进行训练包括：
在所述目标油温大于预设油温值的情况下，确定所述目标油温对应的油温状态为异常；
在所述目标油温小于或等于所述预设油温值的情况下，确定所述目标油温对应的油温状态为正常；
依次将每次施工数据对应的多个参数特征输入至超温诊断模型以对所述超温诊断模型进行训练；
获取所述超温诊断模型输出的针对油温状态的预测值，所述预测值包括表明为油温正常的第一预测值与表明为油温异常的第二预测值；
根据每次施工数据对应的多个参数特征的预测值所表明的油温状态以及每次施工数据对应的目标油温的油温状态确定所述超温诊断模型的预测准确率；
在所述预测准确率达到预设准确阈值的情况下，确定所述超温诊断模型训练完成。
8.一种处理器，其特征在于，所述处理器被配置成执行根据权利要求1至7中任意一项所述的用于确定油温异常原因的方法。
9.一种用于确定油温异常原因的装置，其特征在于，包括根据权利要求8所述的处理器。
10.一种机器可读存储介质，该机器可读存储介质上存储有指令，其特征在于，该指令在被处理器执行时使得所述处理器被配置成执行根据权利要求1至7中任一项所述的用于确定油温异常原因的方法。
CN202210541120.7A 2022-05-17 2022-05-17 用于确定油温异常原因的方法、处理器、装置及存储介质 Pending CN114999021A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210541120.7A CN114999021A (zh) 2022-05-17 2022-05-17 用于确定油温异常原因的方法、处理器、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210541120.7A CN114999021A (zh) 2022-05-17 2022-05-17 用于确定油温异常原因的方法、处理器、装置及存储介质

Publications (1)

Publication Number Publication Date
CN114999021A true CN114999021A (zh) 2022-09-02

Family

ID=83027118

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210541120.7A Pending CN114999021A (zh) 2022-05-17 2022-05-17 用于确定油温异常原因的方法、处理器、装置及存储介质

Country Status (1)

Country Link
CN (1) CN114999021A (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160116892A1 (en) * 2014-10-22 2016-04-28 Industrial Technology Research Institute Method and system of cause analysis and correction for manufacturing data
US20170091347A1 (en) * 2015-09-29 2017-03-30 Markus Michael Geipel Method for modeling a technical system
CN108596229A (zh) * 2018-04-13 2018-09-28 北京华电智慧科技产业有限公司 在线异常的监测诊断方法和系统
CN108615054A (zh) * 2018-04-18 2018-10-02 清华大学 排水管网节点间相似性衡量的综合指标构建方法
CN109218114A (zh) * 2018-11-12 2019-01-15 西安微电子技术研究所 一种基于决策树的服务器故障自动检测系统及检测方法
US20190034255A1 (en) * 2017-07-25 2019-01-31 Fu Tai Hua Industry (Shenzhen) Co., Ltd. Electronic device and method for diagnosing faults
US20200132011A1 (en) * 2018-10-25 2020-04-30 Toyota Jidosha Kabushiki Kaisha Control support device, vehicle, control support method, recording medium, learned model for causing computer to function, and method of generating learned model
CN112241180A (zh) * 2020-10-22 2021-01-19 北京航空航天大学 一种无人机移动平台降落引导的视觉处理方法
CN112307871A (zh) * 2020-05-29 2021-02-02 北京沃东天骏信息技术有限公司 信息采集方法和装置、关注度检测方法、装置和系统
CN112596964A (zh) * 2020-12-15 2021-04-02 中国建设银行股份有限公司 磁盘故障的预测方法及装置
US20210116905A1 (en) * 2018-04-11 2021-04-22 Siemens Aktiengesellschaft Cause determination of anomalous events
US20210222771A1 (en) * 2020-01-21 2021-07-22 Toyota Jidosha Kabushiki Kaisha Cause identifying device
CN113707326A (zh) * 2021-10-27 2021-11-26 深圳迈瑞软件技术有限公司 临床预警方法及预警系统、存储介质
CN113836129A (zh) * 2021-09-26 2021-12-24 华北电力大学 一种基于经验正交分解的日尺度降尺度预测方法
CN114112409A (zh) * 2021-11-05 2022-03-01 上海中联重科桩工机械有限公司 发动机水温异常诊断方法、终端及计算机可读存储介质
CN114332932A (zh) * 2021-12-29 2022-04-12 新瑞鹏宠物医疗集团有限公司 健康预测方法、装置、电子设备及存储介质

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160116892A1 (en) * 2014-10-22 2016-04-28 Industrial Technology Research Institute Method and system of cause analysis and correction for manufacturing data
US20170091347A1 (en) * 2015-09-29 2017-03-30 Markus Michael Geipel Method for modeling a technical system
US20190034255A1 (en) * 2017-07-25 2019-01-31 Fu Tai Hua Industry (Shenzhen) Co., Ltd. Electronic device and method for diagnosing faults
US20210116905A1 (en) * 2018-04-11 2021-04-22 Siemens Aktiengesellschaft Cause determination of anomalous events
CN108596229A (zh) * 2018-04-13 2018-09-28 北京华电智慧科技产业有限公司 在线异常的监测诊断方法和系统
CN108615054A (zh) * 2018-04-18 2018-10-02 清华大学 排水管网节点间相似性衡量的综合指标构建方法
US20200132011A1 (en) * 2018-10-25 2020-04-30 Toyota Jidosha Kabushiki Kaisha Control support device, vehicle, control support method, recording medium, learned model for causing computer to function, and method of generating learned model
CN109218114A (zh) * 2018-11-12 2019-01-15 西安微电子技术研究所 一种基于决策树的服务器故障自动检测系统及检测方法
US20210222771A1 (en) * 2020-01-21 2021-07-22 Toyota Jidosha Kabushiki Kaisha Cause identifying device
CN112307871A (zh) * 2020-05-29 2021-02-02 北京沃东天骏信息技术有限公司 信息采集方法和装置、关注度检测方法、装置和系统
CN112241180A (zh) * 2020-10-22 2021-01-19 北京航空航天大学 一种无人机移动平台降落引导的视觉处理方法
CN112596964A (zh) * 2020-12-15 2021-04-02 中国建设银行股份有限公司 磁盘故障的预测方法及装置
CN113836129A (zh) * 2021-09-26 2021-12-24 华北电力大学 一种基于经验正交分解的日尺度降尺度预测方法
CN113707326A (zh) * 2021-10-27 2021-11-26 深圳迈瑞软件技术有限公司 临床预警方法及预警系统、存储介质
CN114112409A (zh) * 2021-11-05 2022-03-01 上海中联重科桩工机械有限公司 发动机水温异常诊断方法、终端及计算机可读存储介质
CN114332932A (zh) * 2021-12-29 2022-04-12 新瑞鹏宠物医疗集团有限公司 健康预测方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
熊慎: "基于决策树方法的混凝土泵车液压油超温分析与识别", 建设机械技术与管理, no. 5, pages 103 - 106 *

Similar Documents

Publication Publication Date Title
US7107187B1 (en) Method for modeling system performance
CN112254972B (zh) 挖掘机油温预警方法、装置、服务器及挖掘机
US20200089874A1 (en) Local and global decision fusion for cyber-physical system abnormality detection
CN1201959A (zh) 冷却器压缩机电机过热的预测
CN113048043B (zh) 柱塞泵参数阈值设置方法、装置、电子设备和存储介质
US9612933B2 (en) Method for deterministic stress based risk reduction
CN111897705A (zh) 服务状态处理、模型训练方法、装置、设备和存储介质
US20170176985A1 (en) Method for predicting end of line quality of assembled product
JP2002082713A (ja) 工業プロセスの監視方法及び監視システム
CN113157524A (zh) 基于大数据的异常问题解决方法、系统、设备和存储介质
JP2017102826A (ja) 異常診断装置、異常診断方法、及び、異常診断プログラム
CN115115190A (zh) 一种基于工况的质量监控方法及相关装置和程序介质产品
US10955837B2 (en) Method and system for error detection and monitoring for an electronically closed-loop or open-loop controlled machine part
CN114999021A (zh) 用于确定油温异常原因的方法、处理器、装置及存储介质
CN110866682B (zh) 基于历史数据的地下电缆预警方法和装置
CN116186479A (zh) 用于泵车工况数据的处理方法、处理器、装置及存储介质
CN113123955A (zh) 柱塞泵异常检测方法、装置、存储介质及电子设备
CN114857067B (zh) 一种大型透平压缩机全生命周期监测管理方法及系统
CN115765182A (zh) 基于时序数据库的数字孪生方法及装置
CN110878692A (zh) 故障报警方法及装置
CN112398706B (zh) 数据评估标准确定方法、装置及存储介质、电子设备
CN113529845A (zh) 挖掘机故障诊断方法、挖掘机、电子设备及可读存储介质
CN113778044A (zh) 一种火电厂送风机系统监控方法及装置
Baus et al. LOAD CYCLE INVESTIGATION OF AXIAL PISTON UNITS INTEGRATED INTO A FORWARDER.
CN112512072B (zh) VoLTE网络故障预测方法及设备

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