CN115096378A - 一种橡胶垫错位故障智能识别方法 - Google Patents

一种橡胶垫错位故障智能识别方法 Download PDF

Info

Publication number
CN115096378A
CN115096378A CN202211038128.8A CN202211038128A CN115096378A CN 115096378 A CN115096378 A CN 115096378A CN 202211038128 A CN202211038128 A CN 202211038128A CN 115096378 A CN115096378 A CN 115096378A
Authority
CN
China
Prior art keywords
rubber pad
pressure
vibration
degree
sequence
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
CN202211038128.8A
Other languages
English (en)
Inventor
邵志强
张秋华
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.)
Yuyi Seiko Technology Nantong Co ltd
Original Assignee
Yuyi Seiko Technology Nantong 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 Yuyi Seiko Technology Nantong Co ltd filed Critical Yuyi Seiko Technology Nantong Co ltd
Priority to CN202211038128.8A priority Critical patent/CN115096378A/zh
Publication of CN115096378A publication Critical patent/CN115096378A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • 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
    • G06N3/08—Learning methods
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种橡胶垫错位故障智能识别方法，该方法根据机械设备在工作过程中的振动强度、橡胶垫的受力情况和物料重量对机械设备的重量分布，获取机械设备每次工作过程中橡胶垫的错位程度，将橡胶垫在时序上的多个工作过程中的错位程度通过预测神经网络得到下次工作过程时的错位程度预测值，根据错位程度预测值进行预警，以及时调整橡胶垫位置，保证橡胶垫的减振低噪音效果，同时也能减少设备损害。

Description

一种橡胶垫错位故障智能识别方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种橡胶垫错位故障智能识别方法。
背景技术
在机械设备的工作过程中一般会产生振动或噪声，例如搅拌机，生产设备等，振动过大会对机械设备造成损害，降低机械设备的使用寿命，噪声过大会影响周围环境，因此会使用橡胶垫来减缓这些现象。
随着橡胶垫的长时间使用，会出现橡胶垫错位或移位的情况，而橡胶垫错位会降低减振和低噪音的效果。传统方式是通过人为检测来识别橡胶垫错位，而目前利用图像采集设备采集现场图像，对现场图像进行分析处理直接检测物体的偏移错位，但是当机械设备的橡胶垫处于内部时，无法通过分析采集的图像来检测出橡胶垫的错位，使得识别结果不准确。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种橡胶垫错位故障智能识别方法，所采用的技术方案具体如下：
在机械设备的当前工作过程中，根据橡胶垫的各位置的受力数据获取橡胶垫的受力均匀程度，采集机械设备的振动幅度数据以计算该机械设备的振动强度，将所述受力均匀程度与所述振动强度之间的乘积作为橡胶垫的偏移因子；获取机械设备的振动频率，计算所述振动频率和所述偏移因子之间的乘积以作为橡胶垫的偏移速率；
采集机械设备在当前工作过程中的物料重量；获取物料重量对机械设备的各承重位置的压力值，结合所述物料重量和所述压力值获取物料重量分布差异程度；结合所述偏移速率和所述物料重量分布差异程度得到橡胶垫的错位程度，其中所述错位程度分别与所述偏移速率、所述物料重量分布差异程度呈正相关关系；
获取时序上机械设备在多次工作过程中橡胶垫的所述错位程度，构成一个错位程度序列，将所述错位程度序列通过错位预测神经网络得到下次工作过程中的错位程度预测值。
进一步地，所述根据橡胶垫的各位置的受力数据获取橡胶垫的受力均匀程度的方法，包括：
基于设定的采样频率获取橡胶垫的N个位置的压力，得到当前工作过程中每个位置对应的压力序列，N为大于0的正整数；分别计算每个压力序列的压力总和，以得到平均压力总和，由每个压力总和与平均压力总和计算压力总和的方差，将压力总和的方差作为橡胶垫的受力均匀程度。
进一步地，所述振动强度的获取方法，包括：
基于设定的采样频率获取机械设备的振动幅度，得到当前工作过程中所构成的振动幅度序列；
根据振动幅度序列计算平均振动幅度，由平均振动幅度和振动幅度序列中的每个振动幅度计算振动幅度方差；获取振动幅度序列中最大振动幅度和最小振动幅度以计算振动幅度极差；
结合振动幅度极差和振动幅度方差得到机械设备的振动强度，其中，振动强度与振动幅度极差呈正相关关系、振动强度与振动幅度方差呈正相关关系。
进一步地，所述结合所述物料重量和所述压力值获取物料重量分布差异程度的方法，包括：
基于设定的采样频率获取每个承重位置的压力值，得到当前工作过程中每个承重位置的压力数据序列；
分别计算每个采样时刻下所有承重位置对应压力值之间的压力差值，将压力数据序列中对应每个采样时刻的压力差值进行累加得到压力差值总和，结合所述压力差值总和与所述物料重量得到所述物料重量分布差异程度，所述物料重量分布差异程度与所述物料重量呈正相关关系，所述物料重量分布差异程度与所述压力差值总和呈正相关关系。
进一步地，所述错位预测神经网络采用均方差损失函数，所述均方差损失是根据每个训练样本的输入和输出数据之间的均方差损失的加权求和所计算的损失均值，每个训练样本的权重与对应工作过程中的振动强度呈正相关关系。
进一步地，所述权重的获取方法，包括：
将每次工作过程中的振动强度构成振动强度序列，对振动强度序列归一化，将归一化后的振动强度作为相应训练样本的所述权重。
本发明实施例至少具有如下有益效果：根据机械设备在工作过程中的振动强度、橡胶垫的受力情况和物料重量对机械设备的重量分布，获取机械设备每次工作过程中橡胶垫的错位程度，将橡胶垫在时序上的多个工作过程中的错位程度通过预测神经网络得到下次工作过程时的错位程度预测值，根据错位程度预测值进行预警，以及时调整橡胶垫位置，保证橡胶垫的减振低噪音效果，同时也能减少设备损害。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，显而易见地，下面描述中的附图仅仅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它附图。
图1为本发明一个实施例提供的一种橡胶垫错位故障智能识别方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种橡胶垫错位故障智能识别方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种橡胶垫错位故障智能识别方法的具体方案。
本发明实施例所针对的具体场景为：对搅拌机的工作过程进行数据采集，根据数据分析来检测搅拌机的任意一个橡胶垫错位或偏移现象。
请参阅图1，其示出了本发明一个实施例提供的一种橡胶垫错位故障智能识别方法的步骤流程图，该方法包括以下步骤：
步骤S001，在机械设备的当前工作过程中，根据橡胶垫的各位置的受力数据获取橡胶垫的受力均匀程度，采集机械设备的振动幅度数据以计算该机械设备的振动强度，将受力均匀程度与振动强度之间的乘积作为橡胶垫的偏移因子；获取机械设备的振动频率，计算振动频率和偏移因子之间的乘积以作为橡胶垫的偏移速率。
具体的，将贴片式压力传感器安装在橡胶垫的各个位置，以直接采集橡胶垫各位置的受力数据。为了分析搅拌机设备中的一个橡胶垫的整体受力情况，本发明实施例中将橡胶垫均匀划分为4个区域，然后将贴片压力传感器分别安装在4个区域中。以1秒为采样频率、30分钟为搅拌机设备的一次工作时长，记录每个贴片压力传感器的示数
Figure 608377DEST_PATH_IMAGE001
，分别得到每个贴片压力传感器在一次工作过程中的压力序列，即第一个贴片压力传感器对应的压力序列
Figure 552062DEST_PATH_IMAGE002
，其中，
Figure 111220DEST_PATH_IMAGE003
为第1秒采集的示数，
Figure 823961DEST_PATH_IMAGE004
为第
Figure 46257DEST_PATH_IMAGE005
秒采集的示数；同理，第二个贴片压力传感器对应的压力序列为
Figure 477238DEST_PATH_IMAGE006
、第二个贴片压力传感器对应的压力序列为
Figure 574507DEST_PATH_IMAGE007
、第二个贴片压力传感器对应的压力序列为
Figure 141755DEST_PATH_IMAGE008
。
分别计算每个压力序列的压力总和，以表征橡胶垫的每个区域的受力情况，根据每个压力总和计算平均压力总和，由每个压力总和与平均压力总和得到压力总和的方差，进而将压力总和的方差作为橡胶垫的受力均匀程度，其中受力均匀程度越大，说明橡胶垫与搅拌机设备之间的贴合位置偏移错位越小。
由于搅拌机设备在工作过程中，正常搅拌物料或是异常转动都会产生一定程度的振动现象，而一般在减震橡胶垫的作用下，会有一定程度的消除振动的效果。但是当减震橡胶垫发生错位时，则减震效果会发生变化，也即橡胶垫偏移错位会导致振动变大。考虑到搅拌机设备振动时，会离开平衡位置，因此使用测振仪采集搅拌机设备在工作过程中的振动幅度数据，且以1秒为采样频率，得到一次工作过程中搅拌机设备的振动幅度序列
Figure 33487DEST_PATH_IMAGE010
，其中
Figure 951765DEST_PATH_IMAGE012
为第1秒的振动幅度，
Figure 852725DEST_PATH_IMAGE014
为第
Figure 274479DEST_PATH_IMAGE016
秒的振动幅度。
根据振动幅度序列计算平均振动幅度，由平均振动幅度和振动幅度序列中的各个振动幅度计算振动幅度方差，振动幅度方差能够表示搅拌机设备振动的离散程度；获取振动幅度序列中最大振动幅度和最小振动幅度以计算振动幅度极差，结合振动幅度极差和振动幅度方差得到搅拌机设备的振动强度，则振动强度的计算公式为：
Figure 101227DEST_PATH_IMAGE018
其中，
Figure 241221DEST_PATH_IMAGE020
为振动强度；
Figure 945872DEST_PATH_IMAGE022
为振动幅度序列中的第
Figure DEST_PATH_IMAGE023
个振动幅度；
Figure DEST_PATH_IMAGE025
为平均振动幅度；
Figure 550029DEST_PATH_IMAGE016
为振动幅度序列的长度；
Figure DEST_PATH_IMAGE027
为最大振动幅度；
Figure DEST_PATH_IMAGE029
为最小振动幅度。
需要说明的是，振动幅度方差越大，振动强度越大，振动幅度极差越大，振动强度越大。
橡胶垫的受力均匀程度越小，橡胶垫偏移错位的情况越严重，同时搅拌机涉设备的振动强度越大，造成橡胶垫偏移错位的概率越大，因此计算橡胶垫的受力均匀程度和搅拌机设备的振动强度之间的乘积，将该乘积作为橡胶垫的偏移因子。
进一步地，搅拌机设备的振动快慢对橡胶垫的偏移错位影响不同，当振动越快时，搅拌机设备对橡胶垫造成的偏移错位速度越大，因此利用测振仪采集搅拌机设备在工作过程中的振动频率，结合搅拌机设备的振动频率和橡胶垫的偏移因子计算橡胶垫的偏移速率，其中偏移速率分别与振动频率、偏移因子呈正相关关系。
优选的，本发明实施例中将振动频率与偏移因子之间的乘积作为橡胶垫的偏移速率。
步骤S002，采集机械设备在当前工作过程中的物料重量；获取物料重量对机械设备的各承重位置的压力值，结合物料重量和压力值获取物料重量分布差异程度；结合偏移速率和物料重量分布差异程度得到橡胶垫的错位程度，其中错位程度分别与偏移速率、物料重量分布差异程度呈正相关关系。
具体的，搅拌机设备在工作过程中，由于物料重量分布不均匀会导致搅拌机设备的重心出现变化，进而影响搅拌机设备的稳定性，使得搅拌机设备与橡胶垫之间的受力不均匀，会导致橡胶垫出现偏移错位，因此统计搅拌机设备所搅拌的物料重量
Figure 612925DEST_PATH_IMAGE030
，该物料重量可在放入搅拌机设备之前通过电测重仪上进行测量。同时根据搅拌机设备对物料重量
Figure 240216DEST_PATH_IMAGE030
进行搅拌过程中的重量分布情况，对搅拌机设备的每个承重脚进行压力数据采集，具体为：将压力传感器分别安装在每个承重脚与地面的接触点，对每个压力传感器的示数以5S的采样频率进行记录，进而获取搅拌机设备的一次工作过程中的压力数据序列，一个压力传感器对应一个压力数据序列。
本发明实施例中以搅拌机设备的4个承重脚为例，得到每个承重脚对应的压力数据序列，即第1个承重脚的压力数据序列为
Figure 279716DEST_PATH_IMAGE031
其中，
Figure 676062DEST_PATH_IMAGE032
为第1个压力值，
Figure 346078DEST_PATH_IMAGE033
为第
Figure 460664DEST_PATH_IMAGE023
个压力值，第2个承重脚的压力数据序列为
Figure 241539DEST_PATH_IMAGE034
，第3个承重脚的压力数据序列为
Figure 961233DEST_PATH_IMAGE035
，第4个承重脚的压力数据序列为
Figure 97423DEST_PATH_IMAGE036
，进而结合物料重量和搅拌机设备的各个承重脚的压力数据序列获取物料重量分布差异程度，则物料重量分布差异程度的计算公式为：
Figure 902568DEST_PATH_IMAGE037
其中，
Figure 283870DEST_PATH_IMAGE038
为物料重量分布差异程度；
Figure 654809DEST_PATH_IMAGE039
为第1个压力数据序列中的第
Figure 666627DEST_PATH_IMAGE023
个压力值；
Figure 490227DEST_PATH_IMAGE040
为第2个压力数据序列中的第
Figure 878483DEST_PATH_IMAGE023
个压力值；
Figure 339813DEST_PATH_IMAGE041
为第3个压力数据序列中的第
Figure 319271DEST_PATH_IMAGE023
个压力值；
Figure 895746DEST_PATH_IMAGE042
为第4个压力数据序列中的第
Figure 822113DEST_PATH_IMAGE023
个压力值。
需要说明的是，物料重量分布差异程度越大，说明物料重量对搅拌机设备的稳定性影响越大，稳定性越差对橡胶垫的偏移错位越快。
进一步地，橡胶垫的错位程度随着橡胶垫的偏移速率以及搅拌机设备内的物料重量分布差异程度的变化而变化，即当橡胶垫的偏移速率越大，物料重量分布差异程度越大时，导致橡胶垫的错位程度越大，因此结合物料重量分布差异程度和橡胶垫的偏移速率得到橡胶垫的错位程度，其中错位程度分别与偏移速率、物料重量分布差异程度呈正相关关系。
优选的，本发明实施例中将偏移速率和物料重量分布差异程度之间的乘积作为橡胶垫的错位程度。
步骤S003，获取时序上机械设备在多次工作过程中橡胶垫的错位程度，构成一个错位程度序列，将错位程度序列通过错位预测神经网络得到下次工作过程中的错位程度预测值。
具体的，由步骤S001和步骤S002的方法分别获取时序上搅拌机设备在多次工作过程中橡胶垫的错位程度，构成一个错位程度序列，将错位程度序列输入错位预测神经网络中得到下一次工作过程中的错位程度预测值。
优选的，本发明实施例中错位预测神经网络采用TCN神经网络，其中，TCN神经网络的训练过程包括：首先获取训练集，该训练集包括多个训练样本，每个训练样本为一个错位程度序列，将每个训练样本中的错位程度序列作为特征序列输入TCN神经网络中，并将该特征序列的下一值作为标签，以使TCN神经网络能够学习到当前序列模式下的下一个预测值，进而得到剩余的特征序列，以此进行重复训练；TCN神经网络的损失函数采用均方差损失函数。
为了提高错位预测神经网络的预测准确性，对错位预测神经网络的损失函数进行改进，改进后的均方差损失是根据每个训练样本的输入和输出数据之间的均方差损失的加权求和所计算的损失均值，其中，每个训练样本的权重与对应工作过程中的振动强度呈正相关关系，具体的：根据搅拌机设备在每次工作过程中对应的振动强度为其均方差损失分配权重，即将所有振动强度构成振动强度序列，对振动强度序列归一化，将归一化后的振动强度作为相应训练样本的权重，则改进后的损失函数为：
Figure 902065DEST_PATH_IMAGE043
，其中，
Figure 521265DEST_PATH_IMAGE045
为第
Figure 53877DEST_PATH_IMAGE023
个输出数据；
Figure 305909DEST_PATH_IMAGE047
为第
Figure 240367DEST_PATH_IMAGE023
个输入数据；
Figure 30468DEST_PATH_IMAGE049
为对应输入数据的权重；
Figure 581535DEST_PATH_IMAGE051
为输入数据的总数量。
需要说明的是，将每次工作过程中的振动强度作为权重，其目的是确保损失函数的收敛，通过不断训练使得损失变小，提高预测趋势的精度。
设置错位程度阈值，当错位程度预测值大于或等于错位程度阈值时，进行预警，以提醒操作人员及时摆正。
综上所述，本发明实施例提供了一种橡胶垫错位故障智能识别方法，该方法根据机械设备在工作过程中的振动强度、橡胶垫的受力情况和物料重量对机械设备的重量分布，获取机械设备每次工作过程中橡胶垫的错位程度，将橡胶垫在时序上的多个工作过程中的错位程度通过预测神经网络得到下次工作过程时的错位程度预测值，根据错位程度预测值进行预警，以及时调整橡胶垫位置，保证橡胶垫的减振低噪音效果，同时也能减少设备损害。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (6)

1.一种橡胶垫错位故障智能识别方法，其特征在于，该方法包括以下步骤：
在机械设备的当前工作过程中，根据橡胶垫的各位置的受力数据获取橡胶垫的受力均匀程度，采集机械设备的振动幅度数据以计算该机械设备的振动强度，将所述受力均匀程度与所述振动强度之间的乘积作为橡胶垫的偏移因子；获取机械设备的振动频率，计算所述振动频率和所述偏移因子之间的乘积以作为橡胶垫的偏移速率；
采集机械设备在当前工作过程中的物料重量；获取物料重量对机械设备的各承重位置的压力值，结合所述物料重量和所述压力值获取物料重量分布差异程度；结合所述偏移速率和所述物料重量分布差异程度得到橡胶垫的错位程度，其中所述错位程度分别与所述偏移速率、所述物料重量分布差异程度呈正相关关系；
获取时序上机械设备在多次工作过程中橡胶垫的所述错位程度，构成一个错位程度序列，将所述错位程度序列通过错位预测神经网络得到下次工作过程中的错位程度预测值。
2.如权利要求1所述的一种橡胶垫错位故障智能识别方法，其特征在于，所述根据橡胶垫的各位置的受力数据获取橡胶垫的受力均匀程度的方法，包括：
基于设定的采样频率获取橡胶垫的N个位置的压力，得到当前工作过程中每个位置对应的压力序列，N为大于0的正整数；分别计算每个压力序列的压力总和，以得到平均压力总和，由每个压力总和与平均压力总和计算压力总和的方差，将压力总和的方差作为橡胶垫的受力均匀程度。
3.如权利要求1所述的一种橡胶垫错位故障智能识别方法，其特征在于，所述振动强度的获取方法，包括：
基于设定的采样频率获取机械设备的振动幅度，得到当前工作过程中所构成的振动幅度序列；
根据振动幅度序列计算平均振动幅度，由平均振动幅度和振动幅度序列中的每个振动幅度计算振动幅度方差；获取振动幅度序列中最大振动幅度和最小振动幅度以计算振动幅度极差；
结合振动幅度极差和振动幅度方差得到机械设备的振动强度，其中，振动强度与振动幅度极差呈正相关关系、振动强度与振动幅度方差呈正相关关系。
4.如权利要求1所述的一种橡胶垫错位故障智能识别方法，其特征在于，所述结合所述物料重量和所述压力值获取物料重量分布差异程度的方法，包括：
基于设定的采样频率获取每个承重位置的压力值，得到当前工作过程中每个承重位置的压力数据序列；
分别计算每个采样时刻下所有承重位置对应压力值之间的压力差值，将压力数据序列中对应每个采样时刻的压力差值进行累加得到压力差值总和，结合所述压力差值总和与所述物料重量得到所述物料重量分布差异程度，所述物料重量分布差异程度与所述物料重量呈正相关关系，所述物料重量分布差异程度与所述压力差值总和呈正相关关系。
5.如权利要求1所述的一种橡胶垫错位故障智能识别方法，其特征在于，所述错位预测神经网络采用均方差损失函数，所述均方差损失是根据每个训练样本的输入和输出数据之间的均方差损失的加权求和所计算的损失均值，每个训练样本的权重与对应工作过程中的振动强度呈正相关关系。
6.如权利要求5所述的一种橡胶垫错位故障智能识别方法，其特征在于，所述权重的获取方法，包括：
将每次工作过程中的振动强度构成振动强度序列，对振动强度序列归一化，将归一化后的振动强度作为相应训练样本的所述权重。
CN202211038128.8A 2022-08-29 2022-08-29 一种橡胶垫错位故障智能识别方法 Pending CN115096378A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211038128.8A CN115096378A (zh) 2022-08-29 2022-08-29 一种橡胶垫错位故障智能识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211038128.8A CN115096378A (zh) 2022-08-29 2022-08-29 一种橡胶垫错位故障智能识别方法

Publications (1)

Publication Number Publication Date
CN115096378A true CN115096378A (zh) 2022-09-23

Family

ID=83300388

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211038128.8A Pending CN115096378A (zh) 2022-08-29 2022-08-29 一种橡胶垫错位故障智能识别方法

Country Status (1)

Country Link
CN (1) CN115096378A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106706754A (zh) * 2016-12-30 2017-05-24 中国石油天然气集团公司 机械式振动水泥浆的实验系统及实验方法
CN209841008U (zh) * 2019-04-16 2019-12-24 中交公规土木大数据信息技术（北京）有限公司 桥梁钢砼结合段错位监测装置
CN111079822A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法
CN113511592A (zh) * 2021-06-30 2021-10-19 三一海洋重工有限公司 一种岸桥监控方法、系统及岸桥
CN114154226A (zh) * 2022-02-10 2022-03-08 济宁明珠建筑工程有限公司 一种基坑稳定性监测方法
CN114429060A (zh) * 2021-12-02 2022-05-03 中国兵器科学研究院宁波分院 考核疲劳振动中结构错位失效及寿命预测的方法
CN114580071A (zh) * 2022-04-28 2022-06-03 江苏南通冠仟新材料科技有限公司 基于计算机辅助设计的相邻楼层隔震阻尼舒适度评估方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106706754A (zh) * 2016-12-30 2017-05-24 中国石油天然气集团公司 机械式振动水泥浆的实验系统及实验方法
CN209841008U (zh) * 2019-04-16 2019-12-24 中交公规土木大数据信息技术（北京）有限公司 桥梁钢砼结合段错位监测装置
CN111079822A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法
CN113511592A (zh) * 2021-06-30 2021-10-19 三一海洋重工有限公司 一种岸桥监控方法、系统及岸桥
CN114429060A (zh) * 2021-12-02 2022-05-03 中国兵器科学研究院宁波分院 考核疲劳振动中结构错位失效及寿命预测的方法
CN114154226A (zh) * 2022-02-10 2022-03-08 济宁明珠建筑工程有限公司 一种基坑稳定性监测方法
CN114580071A (zh) * 2022-04-28 2022-06-03 江苏南通冠仟新材料科技有限公司 基于计算机辅助设计的相邻楼层隔震阻尼舒适度评估方法

Similar Documents

Publication Publication Date Title
CN101944231B (zh) 小麦穗部形态参数提取方法
CN116186634A (zh) 一种建筑工程施工数据智能管理系统
CN100593705C (zh) 一种喷灌机喷洒雨量分布信息动态测试方法及系统
CN109932333B (zh) 声学振动和近红外光谱融合的水果坚实度测量系统和方法
CN103099615A (zh) 一种消除运动心电信号干扰的方法和装置
CN103713051B (zh) 一种球形水果质地预测模型的建模方法
CN203942803U (zh) 用于检测谷物产量的装置
CN111881864A (zh) 一种智慧农业种植农作物生长全周期全动态监测管理系统
CN115511219A (zh) 一种小麦作物生长状态智能预测方法及系统
CN115096378A (zh) 一种橡胶垫错位故障智能识别方法
CN114608678A (zh) 一种基于脉冲法的水表校准方法及装置
CN117172958B (zh) 一种豆芽生长实时数据管理方法
CN117437277A (zh) 一种果蔬脱水液面检测方法及装置
CN116128382B (zh) 一种芯片质量检测系统及方法
CN116366756A (zh) 一种手机智能化测试运行监控系统
CN107908133B (zh) 一种频率自适应采集分发方法
CN102735929B (zh) Apd测定器的检查装置及检查方法
CN111860562B (zh) 一种基于微波链路多统计量的自适应干湿区分方法
CN112491486B (zh) 一种无线通讯设备的干扰检测系统
CN115032376B (zh) 一种驱蚊止痒组合物成分检测方法
CN110200634A (zh) 一种修正频率影响的足底压力传感器及相应的修正方法
CN112491486A (zh) 一种无线通讯设备的干扰检测系统
CN113748945B (zh) 一种薯类作物精细化测产方法和系统
CN112755433B (zh) 跳绳稳定性评估方法及装置
CN111844581A (zh) 排水板生产用工艺参数在线检测动态调整方法及其系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220923

RJ01 Rejection of invention patent application after publication