CN115127785A - 电控气动制动机的状态检测方法、装置、设备及存储介质 - Google Patents
电控气动制动机的状态检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115127785A CN115127785A CN202110317676.3A CN202110317676A CN115127785A CN 115127785 A CN115127785 A CN 115127785A CN 202110317676 A CN202110317676 A CN 202110317676A CN 115127785 A CN115127785 A CN 115127785A
- Authority
- CN
- China
- Prior art keywords
- piston
- displacement
- friction block
- moment
- brake cylinder
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- 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
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (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)
- Braking Arrangements (AREA)
Abstract
本申请提供一种电控气动制动机的状态检测方法、装置、设备及存储介质,该方法包括:获取各预设时刻下制动缸体内的气压数据和活塞的位移;根据所述各预设时刻下制动缸体内的气压数据和活塞的位移,确定活塞到达各预设位移处时所述活塞的运动数据和制动缸体内的气压数据,所述运动数据包括移动速度和/或加速度;根据各预设时刻下活塞的位移、活塞到达各预设位移处时所述活塞的运动数据和制动缸体内的气压数据,分析获得所述电控气动制动机的状态信息,所述状态信息用于进行制动故障识别。本申请的方案支持实时状态信息的获取,从而实现电控气动制动机的实时检测和故障分析,提高检测分析的准确性和及时性。
Description
技术领域
本申请实施例涉及电控气动制动机技术领域,尤其涉及一种电控气动制动机的状态检测方法、装置、设备及存储介质。
背景技术
电控气动制动机又称机械制动机、摩擦制动机、气动刹车机,属于工业传动制动器之一,是利用空气动元件气压力做动使机械中的运动件停止或减速的执行元件。电控气动制动机的状态直接关系到安全生产和安全运营,因此需要及时掌握其运行状态,及时准确地诊断并定位故障,进行故障排查,保证生产安全与运营安全。
现有技术中,电控气动制动机带有简单的自检测功能,仅支持通过检测电控气动制动机的气压来判断是否发生故障。关于电控气动制动机的状态信息的检测和获取,仍需依靠人工检查,即在电控气动制动机静态未工作时由人工进行检测,后续这些状态信息可以用于判断是否存在故障以及确定故障的位置。
然而现有技术中,由于人工检测的方法只能检测电控气动制动机静态时的状态,无法获取动态工作时的状态,从而导致故障检测不及时,检测效率低。
发明内容
本申请实施例提供一种电控气动制动机的状态检测方法、装置、设备及存储介质,以解决人工检测电控气动制动机故障不及时且检测效率低、存在安全隐患的问题。
第一方面,本申请实施例提供一种电控气动制动机的状态检测方法,包括:当电控气动制动机处于工作状态时,获取各预设时刻下制动缸体内的气压数据和活塞的位移;根据所述各预设时刻下制动缸体内的气压数据和活塞的位移,确定活塞到达各预设位移处时所述活塞的运动数据和制动缸体内的气压数据,所述运动数据包括移动速度和/或加速度;根据各预设时刻下活塞的位移、活塞到达各预设位移处时所述活塞的运动数据和制动缸体内的气压数据,分析获得所述电控气动制动机在动态工作时的状态信息。
第二方面,本申请提供一种电控气动制动机的状态检测装置,包括:获取模块,用于当电控气动制动机处于工作状态时,获取各预设时刻下制动缸体内的气压数据和活塞的位移;处理模块,用于根据所述各预设时刻下制动缸体内的气压数据和活塞的位移,确定活塞到达各预设位移处时所述活塞的运动数据和制动缸体内的气压数据,所述运动数据包括移动速度和/或加速度;所述处理模块,还用于根据各预设时刻下活塞的位移、活塞到达各预设位移处时所述活塞的运动数据和制动缸体内的气压数据,分析获得所述电控气动制动机在动态工作时的状态信息。
第三方面,本申请提供一种电控气动制动机的状态检测设备,包括:至少一个处理器和存储器;所述存储器存储计算机执行指令;所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如第一方面所述的电控气动制动机的状态检测方法。
第四方面,本申请提供一种计算机程序产品,包括计算机指令,该计算机指令被处理器执行时实现第一方面所述的电控气动制动机的状态检测方法。
第五方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如第一方面所述的电控气动制动机的状态检测方法。
本申请提供的电控气动制动机的状态检测方法、装置、设备及存储介质,通过获取当电控气动制动机处于工作状态下,各预设时刻下制动缸体内的气压数据和活塞的位移,确定活塞到达各预设位移处时所述活塞的运动数据和制动缸体内的气压数据,并分析获得电控气动制动机在动态工作时的状态信息。以上方案通过对电控气动制动机在动态工作时,制动缸体内的气压数据和活塞的位移进行数据处理和分析,获得电控气动制动机在动态工作时的实时状态信息,即本方案支持实时状态信息的获取,从而实现电控气动制动机的实时检测和故障分析,提高检测分析的准确性和及时性。
附图说明
为了更清楚地说明本申请实施例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一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其它的附图。
图1为本申请实施例提供的电控气动制动机的状态检测的应用场景图;
图2为本申请实施例提供的电控气动制动机的状态检测方法的流程示意图;
图3为本申请另一实施例提供的电控气动制动机的状态检测方法的流程示意图;
图4为本申请一实施例提供的一种电控气动制动机的状态检测装置的结构示意图;
图5为本申请一示例性实施例示出的电控气动制动机的状态检测设备的结构示意图;
图6为本申请一实施例提供的电控气动制动机的状态检测设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请的应用场景为电控气动制动机的状态检测场景,电控气动制动机是轨道交通运输、生产制造、采矿、油气开采、化工、给排水以及环保等领域广泛使用的重要设备。电控气动制动机是各种传动系统的重要部件,是利用空气动元件气压力做动使机械中的运动件停止或减速的执行元件,其主要结构包括由供气系统、制动单元(常见的有闸瓦制动与盘形制动)和制动控制单元组成。制动单元由制动缸体、传动杠杆、缓解弹簧、制动缸活塞、扭簧、摩擦块、摩擦块间隙调整器等组成。制动控制单元是空气制动的核心部件,它接受制动控制单元(EBCU)的指令,然后再指示制动执行部件动作气缸/室、活塞或隔膜、弹簧、气动杆,气动杆和负载(比如阀门)连接。其工作原理是:当要实施制动时,控制单元发出指令控制供气阀门打开,总风缸的压缩空气经制动阀进入制动管。压缩空气由制动管进入制动缸,压缩空气推动制动缸活塞移动,并通过活塞带动制动执行部件,使闸瓦(制动轮盘)压紧制动轮盘,产生制动作用。制动力大小,取决于制动缸内压缩空气的压力。制动阀保持总风缸管、制动管和放气口各部相通,可保持制动缸内压力不变。要缓解时,控制单元发出指令,控制制动缸内的压缩空气经制动管从制动阀排气口排入大气,制动缸活塞借助制动缸缓解弹簧的复原力,使活塞回到缓解位,闸瓦(片)离开制动轮盘,实现缓解。电控气动制动机的运行安全直接影响交通运输安全和运营安全,因此,为了保证安全需要经常检测电控气动制动机的运行过程中的状态、故障以及故障出现的位置。
一个示例中,针对电控气动制动机的故障检测为人工检测,比如,轨道交通车辆运维人员定期要测量摩擦块与制动轮盘的间隙和摩擦片剩余厚度,定期要测量制动质量和效果,当电控气动制动机未按照控制指令完成一个完整动作时,相关技术人员还需要人工检测出现故障的原因,以及定位故障位置。但是,这种检测方法不但需要耗费大量的人力成本和时间成本,而且还只能检测静态情况下的状态,因此,制动机状态检测覆盖不全,故障检测的效率低,故障定位的准确率也较低,且无法预测设备运行过程中的故障隐患。
本申请实施例提供一种电控气动制动机的状态检测方法、装置、设备及存储介质,旨在解决上述问题。
图1为本申请实施例提供的电控气动制动机的状态检测的应用场景图。如图1所示,本实施例提供的应用场景图包括:电控气动制动机11,处理器12,显示终端13;处理器12获取电控气动制动机11在运行过程中各预设时刻下制动缸体内的气压数据和活塞的位移,并对获取到的参数进行处理,最后得到状态信息,并将该信息发送至显示终端13进行显示,以供相关技术人员参考。
图2为本申请实施例提供的电控气动制动机的状态检测方法的流程示意图。如图2所示,该方法包括:
S101、获取各预设时刻下制动缸体内的气压数据和活塞的位移。
本实施例的执行主体可以是后台系统,也可以是实施本方法的装置或设备,本实施例以图1所示的处理器12为执行主体进行说明。
示例性的,电控气动制动机中制动单元设置有压力传感器、位移传感器或者温度传感器、气体流速/流量传感器,以同步采集制动缸体内的气体压力、活塞位移数据或者气体温度、气体流速/流量数据。结合场景示例,以电控制动机为例,处理器可以通过读取控制系统发出的控制指令,获取电控气制动机电磁阀的开启或关闭信号,同时通过上述传感器获得各预设时刻下制动缸体内的气压数据和活塞的位移。各预设时刻可以为等时间间隔的时刻,即上述传感器按照预设时间间隔采集数据,可以得到各预设时刻下制动缸体内的气压数据、活塞的位移数据或者气体温度、气体流速/流量数据。上述控制指令用于控制电控气动制动机的电磁阀的开启或关闭,当控制指令包含电磁阀开启信号时,电磁阀根据信号开启,高压气体通过进/排气管进入气缸内产生气压;当控制指令包含气缸排气信号时电磁阀进气口根据信号关闭,此时停止充入气体,同时电磁阀排气口开启,气缸通过进/排气管排气,气缸内气压迅速丧失制动机恢复原位。
S102、根据各预设时刻下制动缸体内的气压数据和活塞的位移,确定活塞到达各预设位移处时活塞的运动数据和制动缸体内的气压数据。
示例性的,根据S101中得到的各预设时刻下活塞的位移可以确定活塞在各预设时刻下的运动数据。运动数据可以包括速度和加速度,进而可以确定活塞到达各预设位移处时活塞的运动数据。需要说明的是,由于活塞和摩擦块为机械连接,所以活塞和摩擦块的运动数据相同,即活塞和摩擦块的移动速度、加速度、以及位移同步变化。另外,也可以根据各预设时刻下制动缸体内的气压数据得到活塞到达各预设位移处时制动缸体内的气压数据。其中,各预设位移可以为等间距下的位移。
在一种实施方式下,S102具体可以包括:采用插值计算的方法,根据各预设时刻下制动缸体内的气压数据和活塞的位移,确定活塞到达各预设位移处时活塞的运动数据和制动缸体内的气压数据。一方面,处理器先根据各预设时刻下活塞的位移,确定各预设时刻下活塞的运动速度,进而通过插值计算的方法确定活塞到达各预设位移处时活塞的运动数据,另一方面,处理器根据各预设时刻下制动缸体内的气压数据,通过插值计算的方法获得活塞到达各预设位移处时制动缸体内的气压数据。
S103、根据活塞到达各预设位移处时活塞的运动数据和制动缸体内的气压数据,分析获得电控气动制动机的状态信息。
其中,电控气动制动机的状态信息可以包括但不限于摩擦块的剩余厚度、摩擦块与轮盘的间隙、以及制动质量等。这些数据可以用于进行故障检测和故障预测。
具体的,处理器首先获取各设定时刻下制动缸体内的气压数据和活塞的位移,然后将各设定时刻的制动缸体内的气压数据和活塞的位移,转化为活塞到达各预设位移处时活塞的运动数据和制动缸体内的气压数据,再利用这些数据进一步分析获得电控气动制动机在动态工作时的状态信息。相较于现有人工检测方法,本方法可以及时检测和预测制动机状态和故障,提高电控气动制动机的检测效率和准确率,便于及时发现电控气动制动机的故障和故障隐患。
本实施例提供的电控气动制动机的状态检测方法、装置及存储介质,通过获取当电控气动制动机处于工作状态下,各预设时刻下制动缸体内的气压数据和活塞的位移,确定活塞到达各预设位移处时活塞的运动数据和制动缸体内的气压数据,并分析获得电控气动制动机在动态工作时的状态信息。以上方案通过对电控气动制动机在动态工作时,制动缸体内的气压数据和活塞的位移进行数据处理和分析,获得电控气动制动机在动态工作时的实时状态信息,即本方案支持实时状态信息的获取,从而实现电控气动制动机的实时检测和故障分析,提高检测分析的准确性和及时性。
图3为本申请另一实施例提供的电控气动制动机的状态检测方法的流程示意图。如图3所示,在图2所示实施例的基础上,活塞的位移可以通过以下一种方式获取,相应的,步骤101具体可以包括以下一种方式:
方式一:步骤201、当电控气动制动机处于工作状态时,通过位移传感器,采集获得各预设时刻下活塞的位移。
具体的,可以在制动单元中设置位移传感器,以采集活塞的位移数据。采集的位移数据可以发送给处理器,处理器根据位移传感器采集的位移数据,获得各预设时刻下活塞的位移。其中,各预设时刻可以为等时间间隔的时刻。本实施方式通过位移传感器采集获得活塞的位移数据,获取方式简便快捷。
方式二:步骤202、当电控气动制动机处于工作状态时,通过温度传感器和气体流量传感器,采集获得各预设时刻下制动缸体内气体的温度和流入/流出制动缸的气体质量,根据各预设时刻下制动缸体内的气压数据、气体温度、气体质量和第一公式,确定各预设时刻下活塞的位移;第一公式为:
其中,Δt表示预设的时间间隔,n表示时间采样点的数量,各预设时刻分别为经过i个时间间隔Δt时对应的时刻,i为0~n的变量;,X(nΔt)表示nΔt时刻下活塞的位移,A表示活塞的有效面积,表示活塞从位移运动到位移X(nΔt)所对应时间段内流入/流出制动缸的气体质量,PL0表示时间为零时制动缸体内的气体压力,P(nΔt)表示nΔt时制动缸体内的气体压力,VL0表示时间为零时制动缸体内的气体体积,TL0表示时间为零时制动缸体内的气体温度,T(nΔt)表示nΔt时刻时制动缸体内的气体温度,C为常数,其中,C的取值与气体种类有关。
结合场景示例,上述参数中的FL(iΔt)表示iΔt时刻下的气体流量,该气体流量可以通过流量传感器直接采集得到,也可以通过计算获得。在计算获得的方式下,处理器需要先获取气体的流速,根据气体流速和FL(iΔt)=S(nΔt)×At,这里S(nΔt)为nΔt时刻的流速,At为进气管的有效内截面积。
具体的,实际应用中电控气动制动机的制动元件精密,其内部空间有限,考虑到不便于设置传感器的场景,本实施方式提供了无需依赖传感器的方式获取活塞的位移。即处理器根据各预设时刻下制动缸体内的气压数据,将其代入上述的第一公式,计算获得各预设时刻下活塞的位移。本实施方式无需设置传感器即可获得活塞的位移,从而简化结构,降低成本。
示例性的,处理器获取各预设时刻下制动缸体内的气压数据和活塞的位移后,进一步确定各预设时刻下活塞的运动数据,进而根据各预设时刻下制动缸体内的气压数据和活塞的运动数据,确定活塞到达各预设位移处时活塞的运动数据和制动缸体内的气压数据,以通过数据分析获得电控气动制动机在动态工作时的状态信息。
可选的,在任一实施方式的基础上,确定各预设时刻下活塞的运动数据的方式有多种,例如通过计算方法确定。一种方案中,移动速度的确定过程具体可以包括:根据各预设时刻下活塞的位移和第二公式,确定各预设时刻下活塞的移动速度,第二公式为 其中,V(nΔt)表示nΔt时刻下活塞的移动速度。一种方案中,加速度的确定过程具体可以包括:根据各预设时刻下活塞的移动速度和第三公式,确定各预设时刻下活塞的加速度,第三公式为其中,a(nΔt)表示nΔt时刻下活塞的加速度。本实施方式同样无需设置传感器,从而实现电控气动制动机的状态检测的同时,节省空间简化结构且降低成本。
示例性的,上述处理器根据各预设时刻下活塞的位移,确定各预设时刻下活塞的运动数据之后,可以采用插值计算的方法,进一步确定活塞到达各预设位移处时活塞的运动数据和制动缸体内的气压数据。
上述插值算法例如,计算活塞到达mΔx处时对应的时刻Tm,Δx为等位移采样间隔,m为位移采样点的数量。如果mΔx位于X((i-1)Δt)和X(iΔt)之间,那么mΔx对应的时刻Tm=(i-1)Δt+Δτ;
具体的,得到活塞或隔膜在位移mΔx处对应的时刻Tm后,结合上述步骤中得到的各预设时刻下制动缸体内的气压数据和活塞的运动数据,可以根据插值公式计算在位移mΔx处活塞的运动速度(记为V(mΔx))、活塞的加速度(记为a(mΔx))和制动缸体内的气压数据(例如气体压力,记为P(mΔx))。其中,活塞在制动缸体内将制动缸体的腔体分成两部分,分别为第一气室和第二气室,相应的,制动缸体内的气体压力包括第一气室的气体压力,记为P1(mΔx),和第二气室的气体压力,记为P2(mΔx)。
一些实施例中,插值计算的方法包括分段线性差值计算方法、Hermite分段差值计算方法、以及三次样条差值计算方法。本实施例中,可以采用高频采样,采样点之间变化较小,所以采用分段线性插值计算公式计算V(mΔx),a(mΔx),P(mΔx),其中,活塞或隔膜的移动速度的等位移间隔采样序列的计算公式为 V(mΔx)表示活塞或隔膜在位移mΔx处的移动速度;活塞或隔膜的移动加速度的等位移间隔采样序列的计算公式为 a(mΔx)表示活塞或隔膜在位移mΔx处的移动加速度;气缸/室内气体压力的等位移间隔采样序列计算公式为
本实施例提供的电控气动制动机的状态检测方法,通过传感器采集或者计算方式获取电控气动制动机的状态检测所需的参数,实现对不同场景下状态检测的支持。
本申请又一实施例提供一种电控气动制动机的状态检测方法,在其它任一实施方式的基础上,本实施例的方案可以用于检测电控气动制动机的摩擦块的剩余厚度,即状态信息包括摩擦块的当前剩余厚度;相应的,S102中根据各预设时刻下活塞的位移,确定活塞到达各预设位移处时活塞的运动数据,包括:
根据各预设时刻下活塞的位移,确定各预设时刻下活塞的运动数据;
根据各预设时刻下活塞的运动数据,确定活塞到达各预设位移处时活塞的运动数据;
相应的,S103具体可以包括:
根据各预设时刻下活塞的位移、各预设时刻下活塞的运动数据以及摩擦块的运动轨迹特征,确定摩擦块的运动时刻,摩擦块的运动时刻包括摩擦块开始向轮盘运动的时刻、摩擦块接触轮盘的时刻、摩擦块脱离轮盘的时刻、摩擦块复位的时刻;
根据各预设时刻下活塞的位移和摩擦块的运动时刻,确定摩擦块的当前剩余厚度。
结合场景示例,处理器获取各预设时刻下制动缸体内的气压数据和活塞的位移后,确定各预设时刻下活塞的运动数据,并根据各预设时刻下活塞的运动数据,确定活塞到达各预设位移处时活塞的运动数据;后续处理器根据各预设时刻下活塞的位移、各预设时刻下活塞的运动数据以及摩擦块的运动轨迹特征,确定摩擦块的运动时刻;最后处理器根据各预设时刻下活塞的位移和摩擦块的运动时刻,确定摩擦块的当前剩余厚度。
关于摩擦块的运动时刻的确定,举例来说:如果某时刻下,摩擦块的加速度从零变正且位移小于规定的阈值,例如0.5厘米,则判定该时刻为摩擦块开始向轮盘运动的时刻。如果某时刻下,摩擦块的速度开始等于零且位移大于规定的阈值,例如3厘米,则判定该时刻为摩擦块接触轮盘的时刻。如果某时刻下,摩擦块的加速度开始从零变负且位移大于规定的阈值,例如3厘米,则判定该时刻为摩擦块脱离轮盘的时刻。如果某时刻下,摩擦块的运动速度开始等于零且位移小于规定阈值,例如0.5厘米,则判定该时刻为摩擦块复位的时刻。
在一种实施方式中,通过计算获得摩擦块的剩余厚度,相应的,S304的具体过程可以如下:
根据各预设时刻下活塞的位移和摩擦块的运动时刻,确定摩擦块接触轮盘的时刻下摩擦块的位移和摩擦块开始向轮盘运动的时刻下摩擦块的位移;根据摩擦块接触轮盘的时刻下摩擦块的位移和摩擦块开始向轮盘运动的时刻下摩擦块的位移,确定摩擦块的当前剩余厚度。
比如,根据摩擦块开始向轮盘运动的时刻和摩擦块接触轮盘的时刻,得到这两个时刻下活塞的位移;再由活塞的位移确定这两个时刻下摩擦块的位移;再由摩擦块接触轮盘的时刻下摩擦块的位移,减去摩擦块开始向轮盘运动的时刻下摩擦块的位移,就得到摩擦块与轮盘间的间隙。根据初始安装时摩擦块与轮盘之间的间隙与当前摩擦块与轮盘间之间的间隙之差,得到摩擦块的剩余厚度。其中,当活塞和摩擦块同步移动时,活塞的位移与摩擦块的位移相同。本实施方式基于已获取的相关数据,通过计算获得摩擦块的剩余厚度,从而实现电控气动制动机的实时检测,提高检测的准确性和及时性。
在另一种实施方式中,通过神经网络模型获得摩擦块的剩余厚度,S304的具体过程可以如下:
根据第一输入数据和预先训练的第一神经网络模型,获得第一神经网络模型输出的摩擦块的当前剩余厚度;第一神经网络模型是基于历史数据中的第一输入数据和对应的摩擦块剩余厚度预先训练获得的;
其中,第一输入数据包括以下至少一种:摩擦块时刻下活塞的位移;摩擦块的运动时刻、制动缸体内的最大气压以及达到最大气压时活塞的位移、制动缸体内的最小气压以及达到最小气压时活塞的位移、摩擦块的最大受力值以及达到最大受力时活塞的位移、摩擦块的最小受力值以及达到最小受力时活塞的位移。
需要说明的是,第一神经网络模型用于表征第一输入数据与摩擦块的剩余厚度之间的关系,可以为长短期记忆网络(Long Short-Term Memory,简称LSTM)深度神经网络模型。这里的第一输入数据有多种,相应的,在训练第一神经网络模型时,采用相同属性的数据进行模型训练。例如,第一输入数据可以包括摩擦块时刻下活塞的位移;再例如,也可以包括摩擦块的运动时刻、制动缸体内的最大气压以及达到最大气压时活塞的位移、制动缸体内的最小气压以及达到最小气压时活塞的位移、摩擦块的最大受力值以及达到最大受力时活塞的位移、摩擦块的最小受力值以及达到最小受力时活塞的位移;又例如,还可以为以上各数据的组合。其中,摩擦块时刻下活塞的位移可以包括摩擦块开始向轮盘运动时的位移、摩擦块接触轮盘时的位移、摩擦块脱离轮盘时的位移、摩擦块复位时的位移。这些数据可以基于摩擦块的运动时刻和据各预设时刻下活塞的位移确定。
实际应用中,第一输入数据可以预先获取。实际应用中,用于训练第一神经网络模型的第一输入数据可以基于电控气动制动机的历史运行数据中获取,输入第一神经网络模型的第一输入数据则可依据本申请提供的方案获得。具体获取的方式与前述实施例的介绍相同。
示例性的,LSTM深度神经网络模型包括:一个300个神经元组成输入层、3个由600个神经元组成的隐层和一个1个输出的输出层。该模型采用预先存储的历史数据作为训练样本对建立好的模型进行训练得到LSTM深度神经网络模型,训练样本包括摩擦块的运动时刻、气室内气体压力的最大值和气压最大时活塞的位移、气室内气体压力的最小值和气压最小时活塞的位移、活塞所受阻力的最大值和阻力最大时对应的位移以及活塞或隔膜所受阻力的最小值和阻力最小时对应的位移,以及每个位移随着电磁阀开闭次数和服役时间的变化关系等。其中,历史数据包括不同电控气动制动机在未出现故障的运行状态下的数据,将这些历史数据输入LSTM深度神经网络模型进行训练。
示例性的,关于第一输入数据中摩擦块的受力情况,例如摩擦块的最大受力值,摩擦块的最小受力值等,可以基于已有数据进行分析计算获得。相应的,在获得摩擦块的当前剩余厚度之前,还包括:根据各预设时刻下制动缸体内的气压数据和活塞的位移,确定制动缸体内的最大气压以及达到最大气压时活塞的位移、制动缸体内的最小气压以及达到最小气压时活塞的位移;根据摩擦块的受力信息,确定摩擦块的最大受力值以及达到最大受力时活塞的位移、摩擦块的最小受力值以及达到最小受力时活塞的位移。
具体的,摩擦块与轮盘接触时的接触力、摩擦块向轮盘运动过程中的力、摩擦块脱离轮盘过程中的力均由活塞施加给摩擦块的推力、活塞及其负载的惯性力和弹簧弹力决定。弹簧弹力由与弹簧性能和设计有关,因此基于活塞施加给摩擦块的推力,就可根据相关技术中的数学关系式求得摩擦块与轮盘的接触力、摩擦块向轮盘运动过程中的力和摩擦块脱离轮盘过程中的力及其随时间和位移的变化。
比如,活塞在将制动缸体分成两部分,分别为第一气室和第二气室。具体的,第一气室对活塞产生的推力记为F1(mΔx),F1(mΔx)=A×P1(mΔx),第二气室对活塞或隔膜产生的推力记为F2(mΔx),F2(mΔx)=A×P2(mΔx),弹簧弹力记为FE,FE=K(mΔx-C),其中,K为弹簧的弹性系数,C为常数,K和C的值均在具体实施时根据弹簧的相关参数确定。负载运动过程中产生的摩擦力为Ma(mΔx),M为负载的质量。根据制动缸体内两个气室中的气体对活塞或隔膜产生的推力、与活塞连接的弹簧的弹力、以及与活塞连接的起动杆连接的负载运动过程中产生的摩擦力和第三公式,计算得到不同位移下活塞所受阻力,第三公式为F(mΔx)=A×[P1(mΔx)-P2(mΔx)]-K(mΔx-C)-Ma(mΔx),其中,Δx表示位移采样间隔,F(mΔx)表示活塞在位移mΔx时所受阻力,P1(mΔx)表示活塞或隔膜在位移mΔx时第一气室内的气体压力,P2(mΔx)表示活塞或隔膜在位移mΔx时第二气室内的气体压力,K表示弹簧的弹性系数,C表示常数,M表示活塞连接的负载的质量,a(mΔx)表示活塞在位移mΔx时的移动加速度,m表示位移采样点的数量。
同理,可求得各设定时刻活塞所受力F(nΔt)=A×[P1(nΔt)-P2(nΔt)]-K(X(nΔt)-C)-Ma(nΔt),其中,Δt表示位移采样间隔,F(nΔt)表示活塞在时刻nΔt时所受阻力,P1(nΔt)表示活塞在时刻nΔt时第一气室内的气体压力,P2(nΔt)表示活塞在时刻nΔt时第二气室内的气体压力,K表示弹簧的弹性系数,C表示常数,M表示活塞连接的负载的质量,a(nΔt)表示活塞在时刻nΔt时的移动加速度,n表示时间采样点的数量,X(nΔt)为时刻nΔt时的活塞的位移。
相应的,关于力随时间的变化,根据活塞在任意时刻和任意位移处的力F(mΔx)和F(nΔt)可获得摩擦块向轮盘运动过程中的力、摩擦块脱离轮盘过程中的力、摩擦块向轮盘运动过程中的力随位移的变化计算公式如下:Fp(mΔx)=fP(mΔx)F(mΔx),其中,关于mΔx对应的时刻Tm,n1Δt≤Tm<n2Δt,其中,n1Δt为摩擦块开始向轮盘运动的时刻,n2Δt为摩擦块开始与轮盘接触的时刻;FR(mΔx)=fR(mΔx)F(mΔx),其中,关于mΔx对应的时刻Tm,n3Δt≤Tm<n4Δt,其中,n3Δt为摩擦块开始脱离轮盘的时刻,n4Δt为摩擦块开始复位的时刻;摩擦块与轮盘接触时的接触力随时间的变化FC(nΔt)=MF(nΔt),其中,n2Δt≤nΔt<n3Δt。
再示例性的,关于摩擦块时刻下活塞的位移,可以基于已有数据进行分析计算获得。具体的,在获得摩擦块的当前剩余厚度之前,还包括:根据各预设时刻下活塞的位移和摩擦块的运动时刻,确定摩擦块的摩擦块时刻下活塞的位移。
通过以上实施方式,能够获得用于输入第一神经网络模型的数据以及用于训练第一神经网络模型的数据,从而通过神经网络技术获得摩擦块的剩余厚度,实现电控气动制动机的实时检测,提高检测的准确性和及时性。
本申请又一实施例提供一种电控气动制动机的状态检测方法,在任一实施方式的基础上,本实施例的方案可以用于检测电控气动制动机的当前制动质量,即状态信息包括电控气动制动机的当前制动质量;相应的,S103具体可以包括:
根据摩擦块的运动时刻、活塞到达各预设位移处时制动缸体内的气压数据和活塞到达各预设位移处时的运动数据,确定摩擦块的受力信息;摩擦块的受力信息包括摩擦块与轮盘接触时的两者的接触力随时间的变化数据、摩擦块向轮盘运动过程中摩擦块的受力随位移的变化数据和摩擦块脱离轮盘过程中摩擦块的受力随位移的变化数据;
根据摩擦块的受力信息,分析获得电控气动制动机的当前制动质量。
结合场景示例,处理器获取摩擦块的运动时刻、活塞到达各预设位移处时制动缸体内的气压数据和活塞到达各预设位移处时的运动数据,并根据这些数据,确定摩擦块的受力信息;后续处理器根据摩擦块的受力信息,获得电控气动制动机的当前制动质量。
关于当前制动质量的分析,在一种实施方式中,可以通过将实际得到的摩擦块的受力信息与原始设计数据进行比较,以确定电控气动制动机的当前制动质量。
举例来说:根据活塞到达各预设位移处时活塞的运动数据和制动缸体内的气压数据,可以计算得到活塞到达各预设位移处时摩擦块的受力,进而得到摩擦块与轮盘接触时的两者的接触力随时间的变化数据,然后,可以将其与原件的设计性能数据进行比较,根据比较结果便可以确定气动元件的制动质量、制动效果和故障状态。比如,摩擦块与轮盘实际最大作用力是1500牛顿(N),而理论设计最大作用力是2000N,这说明制动质量有偏差,制动效果不好。再比如,处理器也可以得到摩擦块向轮盘运动过程中摩擦块的受力随位移的变化数据,假设是波动变化的,而原件设定的摩擦块在向轮盘运动的过程中所受的阻力应是线性变化的,那么,经过比较可知气动制动机可能在存在故障,且故障位置在所受阻力最大处。
其中,将状态信息与设计性能数据进行比较的数据包括但不限于:摩擦块与轮盘的最大作用力和摩擦块的受力随位移的变化。比如,假设基于本方案确定:摩擦块与轮盘接触时接触力随时间的变化为波动变化且最大作用力为1500N;摩擦块向轮盘运动过程中的力随位移的变化呈线性正比变化且最大作用力155N;摩擦块脱离轮盘过程中的力随位移的变化呈线性正比变化且最大作用力108N。假设理论设计中:摩擦块与轮盘接触时最大作用力应为2000N;摩擦块在向轮盘运动的过程中变化模式应是线性变化的;摩擦块向轮盘运动过程中的力随位移的变化线性正比变化且最大作用力150N;摩擦块脱离轮盘过程中力随位移的变化呈线性正比变化且最大作用力110N。经过对上述实际数据和理论设计数据进行比较,可知气动制动机的制动质量和制动效果不好,需要调整但没有故障,可以正常工作。
通过本实施例,能够实时基于采集和计算的数据评估电控气动制动机的制动质量,从而实现电控气动制动机的实时检测,提高检测的准确性和及时性。
本申请又一实施例提供一种电控气动制动机的状态检测方法,在任一实施方式的基础上,本实施例的方案可以用于检测电控气动制动机的当前故障信息;相应的,在任一实施方式的基础上,方法还包括:
根据第二输入数据和预先训练的第二神经网络模型,获得第二神经网络模型输出的故障分析结果;第二神经网络模型是基于历史数据中的第二输入数据和对应的故障分析结果预先训练获得的;
其中,第二输入数据包括以下至少一种:各预设时刻下制动缸体内的气压数据、活塞到达各预设位移处时制动缸体内的气压数据和摩擦块的运动时刻;已知故障出现时制动缸体内的气压数据、已知故障出现时活塞的位移、以及已知故障出现时摩擦块的受力。
需要说明的是,第二神经网络模型用于表征第二输入数据与故障分析结果之间的关系,可以为自适应编码器深度神经网络模型,故障分析结果可以包括但不限于:故障的时间、故障位置、故障严重等级和设备的剩余使用时间。这里的第二输入数据有多种,相应的,在训练第二神经网络模型时,采用相同属性的数据进行模型训练。例如,第二输入数据可以包括各预设时刻下制动缸体内的气压数据、活塞到达各预设位移处时制动缸体内的气压数据和摩擦块的运动时刻;再例如,也可以包括已知故障出现时制动缸体内的气压数据、已知故障出现时活塞的位移、以及已知故障出现时摩擦块的受力;又例如,活塞到达各预设位移处时制动缸体内的气压数据和摩擦块的受力;又例如,还可以为以上各数据的组合。
实际应用中,用于训练第二神经网络模型的第二输入数据可以基于电控气动制动机的历史运行数据中获取,输入第二神经网络模型的第二输入数据则可依据本申请提供的方案获得。具体获取的方式与前述实施例的介绍相同。
在一些实施例中,基于本实施例中的数据还可以获得气体压力和活塞所受阻力的平均值、均方根值、频谱的峭度、歪度、裕度和脉冲度。比如,以电控气动制动机为例,通过上述步骤得到制动机分别在健康状态和故障状态下,两个气室中的气体压力的等位移间隔采样序列,和活塞速度的等位移间隔采样序列,活塞所受阻力的等位移间隔采样序列,以及气体压力、活塞移动速度、和活塞所受阻力各自的最大值和最大值出现的位移,最小值和最小值出现的位移,以及,每个位移采样点的位移值随电磁阀开闭次数和服役时间的变化关系。具体获取方法可以结合相关技术。
示例性的,自适应编码器深度神经网络模型包括:一个100个神经元组成输入层、3个由200个神经元组成的隐层和一个由支持向量机(support vector machine,简称SVM)组成的具有12个输出的输出层。该模型采用预先存储的各电控气动制动机的历史故障信息作为训练样本进行训练。训练样本包括电控气动制动机的历史故障特征值以及历史故障特征值对应的故障位置和故障等级;历史故障特征值包括故障出现时气室内的气体压力和对应的活塞的位移值,活塞所受阻力和对应的位移等。将上述训练样本输入自适应编码器深度神经网络进行训练,得到自适应编码器深度神经网络模型。
通过以上实施方式,能够获得用于输入第二神经网络模型的数据以及用于训练第二神经网络模型的数据,从而通过神经网络技术进行故障分析,实现电控气动制动机的实时检测,提高检测和故障分析的准确性和及时性。
需要说明的是,上述状态信息和故障分析结果可以发送至显示终端。其中,显示终端可以但不限于是手机、电脑等带有显示装置的终端。具体的,可以将状态信息和故障分析结果通过网络发送至显示终端进行显示,并通过声、光、电、图像等方式呈现给相关技术人员,以提示技术人员及时采取相应措施。还可以将状态信息和故障分析结果通过网络发送给数据中心,在由数据中心推送给相关技术人员,以使技术人员及时了解设备的运行状态。
进一步的,本方案中还可以结合数学模型、参数估计、专家系统、人工神经网络和深度神经网路、信息融合、实例比较、模糊理论等故障诊断和模式识别方法对电控气动制动机是否发生故障以及发生故障的位置、故障严重程度和摩擦块剩余厚度等健康状态进行判别;以及根据提取的当前和历史特征值采用失效模型、智能推理算法评估设备的运行状态,预测电控气动制动机发生故障的部位、时间及剩余使用寿命和摩擦块剩余厚度,并给出合理的维修保障建议。
本实施例中,通过不同训练数据作为训练样本训练得到自适应编码器深度神经网络模型、LSTM深度神经网络状态预测模型,然后在根据电控气动制动机当前运行时获取到的数据输入到训练好的自适应编码器深度神经网络模型和LSTM深度神经网络模型中,便可自动输出状态信息和故障分析结果信息,并发送至显示终端进行显示,不仅提高了故障检测的准确率和效率,还实现了提前预警的作用。
图4为本申请一实施例提供的一种电控气动制动机的状态检测装置的结构示意图,如图4所示,本实施例提供的电控气动制动机的状态检测装置包括:获取模块41,以及处理模块42。
其中,获取模块41,用于当电控气动制动机处于工作状态时,获取各预设时刻下制动缸体内的气压数据和活塞的位移;处理模块42,用于根据各预设时刻下制动缸体内的气压数据和活塞的位移,确定活塞到达各预设位移处时活塞的运动数据和制动缸体内的气压数据,运动数据包括移动速度和/或加速度;处理模块42,还用于根据各预设时刻下活塞的位移、活塞到达各预设位移处时活塞的运动数据和制动缸体内的气压数据,分析获得电控气动制动机在动态工作时的状态信息。
可选地,如上的装置,获取模块41包括:数据采集单元,用于当电控气动制动机处于工作状态时,通过位移传感器,采集获得各预设时刻下活塞的位移;或者,处理模块42,还用于当电控气动制动机处于工作状态时,通过温度传感器和气体流量传感器,采集获得各预设时刻下制动缸体内气体的温度和流入/流出制动缸的气体质量,根据各预设时刻下制动缸体内的气压数据、气体温度、气体质量和第一公式,确定各预设时刻下活塞的位移;第一公式为:
其中,Δt表示预设的时间间隔,n表示时间采样点的数量,各预设时刻分别为经过i个时间间隔Δt时对应的时刻,i为0~n的变量,X(nΔt)表示nΔt时刻下活塞的位移,A表示活塞的有效面积,表示活塞从位移运动到位移X(nΔt)所对应时间段内流入/流出制动缸的气体质量,PL0表示时间为零时制动缸体内的气体压力,P(nΔt)表示nΔt时制动缸体内的气体压力,VL0表示时间为零时制动缸体内的气体体积,TL0表示时间为零时制动缸体内的气体温度,T(nΔt)表示nΔt时刻时制动缸体内的气体温度,C为常数。
可选地,如上的装置,处理模块42,具体用于采用插值计算的方法,根据各预设时刻下制动缸体内的气压数据和活塞的位移,确定活塞到达各预设位移处时活塞的运动数据和制动缸体内的气压数据。
可选地,如上的装置,状态信息包括摩擦块的当前剩余厚度;处理模块42,具体用于根据各预设时刻下活塞的位移,确定各预设时刻下活塞的运动数据;处理模块42,还具体用于根据各预设时刻下活塞的位移、各预设时刻下活塞的运动数据以及摩擦块的运动轨迹特征,确定摩擦块的运动时刻,摩擦块的运动时刻包括摩擦块开始向轮盘运动的时刻、摩擦块接触轮盘的时刻、摩擦块脱离轮盘的时刻、摩擦块复位的时刻;处理模块42,还具体用于根据各预设时刻下活塞的位移和摩擦块的运动时刻,确定摩擦块的当前剩余厚度。
可选地,如上的装置,状态信息还包括电控气动制动机的当前制动质量;处理模块42,具体用于根据摩擦块的运动时刻、活塞到达各预设位移处时制动缸体内的气压数据和活塞到达各预设位移处时的运动数据,确定摩擦块的受力信息;摩擦块的受力信息包括摩擦块与轮盘接触时的两者的接触力随时间的变化数据、摩擦块向轮盘运动过程中摩擦块的受力随位移的变化数据和摩擦块脱离轮盘过程中摩擦块的受力随位移的变化数据;处理模块42,还具体用于根据摩擦块的受力信息,分析获得电控气动制动机的当前制动质量。
可选地,如上的装置,处理模块42,具体用于根据各预设时刻下活塞的位移和摩擦块的运动时刻,确定摩擦块接触轮盘的时刻下摩擦块的位移和摩擦块开始向轮盘运动的时刻下摩擦块的位移;根据摩擦块接触轮盘的时刻下摩擦块的位移和摩擦块开始向轮盘运动的时刻下摩擦块的位移,确定摩擦块的当前剩余厚度;或者,处理模块42,具体用于根据第一输入数据和预先训练的第一神经网络模型,获得第一神经网络模型输出的摩擦块的当前剩余厚度;第一神经网络模型是基于历史数据中的第一输入数据和对应的摩擦块剩余厚度预先训练获得的;其中,第一输入数据包括以下至少一种:摩擦块时刻下活塞的位移;摩擦块的运动时刻、制动缸体内的最大气压以及达到最大气压时活塞的位移、制动缸体内的最小气压以及达到最小气压时活塞的位移、摩擦块的最大受力值以及达到最大受力时活塞的位移、摩擦块的最小受力值以及达到最小受力时活塞的位移。
可选地,如上的装置,处理模块42,还用于在根据第一输入数据和预先训练的第一神经网络模型,获得第一神经网络模型输出的摩擦块的当前剩余厚度之前,根据各预设时刻下活塞的位移和摩擦块的运动时刻,确定摩擦块的摩擦块时刻下活塞的位移;和/或,处理模块42,还用于在根据第一输入数据和预先训练的第一神经网络模型,获得第一神经网络模型输出的摩擦块的当前剩余厚度之前,根据各预设时刻下制动缸体内的气压数据和活塞的位移,确定制动缸体内的最大气压以及达到最大气压时活塞的位移、制动缸体内的最小气压以及达到最小气压时活塞的位移;根据摩擦块的受力信息,确定摩擦块的最大受力值以及达到最大受力时活塞的位移、摩擦块的最小受力值以及达到最小受力时活塞的位移。
可选地,如上的装置,处理模块42,还用于根据第二输入数据和预先训练的第二神经网络模型,获得第二神经网络模型输出的故障分析结果;第二神经网络模型是基于历史数据中的第二输入数据和对应的故障分析结果预先训练获得的;其中,第二输入数据包括以下至少一种:各预设时刻下制动缸体内的气压数据、活塞到达各预设位移处时制动缸体内的气压数据和摩擦块的运动时刻;已知故障出现时制动缸体内的气压数据、已知故障出现时活塞的位移、以及已知故障出现时摩擦块的受力。
本申请实施例提供的电控气动制动机的状态检测装置,可用于执行上述的方法实施例的技术方案,其实现原理和技术效果类似,本实施例此处不再赘述。
图5为申请一示例性实施例示出的电控气动制动机的状态检测设备的结构示意图,本实施例将结合前述方法实施例对电控气动制动机的状态检测设备的结构进行说明。
如图5所示,本实施例提供的系统包括:至少一个压力传感器501,至少一个气体流量传感器或气体流速传感器502或者至少一个运动(位移、速度、加速度)传感器503,至少一个温度传感器504,数据采集单元505,控制单元506,状态检测单元507,状态预测单元508,访问单元509;其中,数据采集单元与至少一个压力传感器、一个温度传感器和至少一个气体流量检测传感器或气体流速检测传感器或者一个运动参数传感器连接,并通过无线接口与状态检测单元相连接,控制单元通过CAN总线与数据采集单元连接,状态检测单元还与控制网络连接,并通过无线接口与状态预测单元连接。
其中,控制网络可以是列车控制网络TCN中的MVB也可能是实时以太网如TRDP。
具体实施时,一个电控气动制动机的状态检测设备可能同时监测多个制动机的运行状态,因此,针对每个制动机都需要设置一个状态检测单元。其中的多个压力传感器分别安装于不同设备的气缸/室通路上。
在一个实施例中,压力传感器安装于电控气动制动机的进/排气气管到,以检测活塞驱动侧气腔内的气动元件气压,流量或流速传感器也安装于气腔的进/排气管上,以检测流入/出气腔的气体流量或气体流速;数据采集单元安装于制动机附近,通过以太网与状态检测单元连接,其主要用于按照预设时间采样间隔同步采集压力传感器检测到的压力值、温度传感器检测到的气体温度值和流量或流速传感器检测到的气体流量或气体流速,或者采集运动参数传感器检测到的运动参数,采样频率可以是10Kbps,量化精度采用16比特量化,得到气体压力采样序列、气体温度采样序列和气体流量或气体流速采样序列或者活塞运动数据采样序列,并将采集到的参数存储于数据库或其他存储单元中,同时对采集到的上述参数进行处理;状态检测单元用于根据数据采集单元得到的处理结果完成对电控气动制动机的状态检测和故障分析,状态信息和故障分析结果通过网络发送至显示终端;控制单元用于向电控气动制动机的电磁阀发送控制指令,以及生成阀门的控制信号,数据采集单元实时采集控制单元发送的控制指令和控制信号。
进一步的,不同电控气动制动机的状态检测单元之间通过以太网组成环形局域网,在状态检测单元内设置无线传输网关,采用实时以太网网络实现与云计算中心的状态预测单元的数据通信,状态预测单元主要用于监测电控气动制动机的运行状态,根据运行数据预测电控气动制动机的运行状态;访问单元用于供相关技术人员访问状态预测单元得到的预测结果。
需要说明的是,本实施例中,数据采集单元、状态检测单元和状态预测单元可以是服务器,其由硬件加软件的方式实现。本实施例中各个模块单元的详细功能描述请参考有关该方法的实施例中的描述,此处不做详细阐述说明。
图6为本申请一实施例提供的电控气动制动机的状态检测设备的结构示意图。如图6,本实施例提供的状态检测设备60包括:至少一个处理器601和存储器602。该状态检测设备60还包括通信部件603。其中,处理器601、存储器602以及通信部件603通过总线604连接。
在具体实现过程中,至少一个处理器601执行存储器602存储的计算机执行指令,使得至少一个处理器601执行如上的建表语句生成方法。
处理器601的具体实现过程可参见上述方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
在上述的图6所示的实施例中,应理解,处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application SpecificIntegrated Circuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器。
总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component Interconnect,PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请还提供一种计算机程序产品,计算机程序产品包括计算机指令,该计算机指令被处理器执行时实现上述任一实施例的电控气动制动机的状态检测方法。
本申请还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,当处理器执行计算机执行指令时,实现上述任一实施例的电控气动制动机的状态检测方法。
上述的计算机可读存储介质,上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息。当然,可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits,简称:ASIC)中。当然,处理器和可读存储介质也可以作为分立组件存在于设备中。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,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,或者对其中部分或者全部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申请各实施例技术方案的范围。
Claims (19)
1.一种电控气动制动机的状态检测方法,其特征在于,包括:
当电控气动制动机处于工作状态时,获取各预设时刻下制动缸体内的气压数据和活塞的位移;
根据所述各预设时刻下制动缸体内的气压数据和活塞的位移,确定活塞到达各预设位移处时所述活塞的运动数据和制动缸体内的气压数据,所述运动数据包括移动速度和/或加速度;
根据各预设时刻下活塞的位移、活塞到达各预设位移处时所述活塞的运动数据和制动缸体内的气压数据,分析获得所述电控气动制动机在动态工作时的状态信息。
2.根据权利要求1所述的方法,其特征在于,所述当电控气动制动机处于工作状态时,获取各预设时刻下活塞的位移,包括:
当电控气动制动机处于工作状态时,通过位移传感器,采集获得所述各预设时刻下活塞的位移;或者,
当电控气动制动机处于工作状态时,通过温度传感器和气体流量传感器,采集获得所述各预设时刻下制动缸体内气体的温度、流入/流出制动缸的气体质量,根据所述各预设时刻下制动缸体内的气压数据、气体温度、气体质量和第一公式,确定各预设时刻下活塞的位移;所述第一公式为:
3.根据权利要求1所述的方法,其特征在于,所述根据所述各预设时刻下制动缸体内的气压数据和活塞的位移,确定活塞到达各预设位移处时所述活塞的运动数据和制动缸体内的气压数据,包括:
采用插值计算的方法,根据所述各预设时刻下制动缸体内的气压数据和活塞的位移,确定活塞到达各预设位移处时所述活塞的运动数据和制动缸体内的气压数据。
4.根据权利要求1所述的方法,其特征在于,所述状态信息包括摩擦块的当前剩余厚度;所述根据所述各预设时刻下活塞的位移,确定活塞到达各预设位移处时所述活塞的运动数据,包括:
根据所述各预设时刻下活塞的位移,确定所述各预设时刻下活塞的运动数据;
根据所述各预设时刻下活塞的运动数据,确定活塞到达各预设位移处时所述活塞的运动数据;
所述根据各预设时刻下活塞的位移、活塞到达各预设位移处时所述活塞的运动数据和制动缸体内的气压数据,分析获得所述电控气动制动机在动态工作时的状态信息,包括:
根据所述各预设时刻下活塞的位移、所述各预设时刻下活塞的运动数据以及摩擦块的运动轨迹特征,确定摩擦块的运动时刻,所述摩擦块的运动时刻包括摩擦块开始向轮盘运动的时刻、摩擦块接触轮盘的时刻、摩擦块脱离轮盘的时刻、摩擦块复位的时刻;
根据所述各预设时刻下活塞的位移和所述摩擦块的运动时刻,确定摩擦块的当前剩余厚度。
5.根据权利要求4所述的方法,其特征在于,所述状态信息还包括所述电控气动制动机的当前制动质量;所述根据各预设时刻下活塞的位移、活塞到达各预设位移处时所述活塞的运动数据和制动缸体内的气压数据,分析获得所述电控气动制动机在动态工作时的状态信息,包括:
根据所述摩擦块的运动时刻、所述活塞到达各预设位移处时制动缸体内的气压数据和所述活塞到达各预设位移处时的运动数据,确定摩擦块的受力信息;所述摩擦块的受力信息包括摩擦块与轮盘接触时的两者的接触力随时间的变化数据、摩擦块向轮盘运动过程中摩擦块的受力随位移的变化数据和摩擦块脱离轮盘过程中摩擦块的受力随位移的变化数据;
根据摩擦块的受力信息,分析获得所述电控气动制动机的当前制动质量。
6.根据权利要求5所述的方法,其特征在于,所述根据所述各预设时刻下活塞的位移和所述摩擦块的运动时刻,确定摩擦块的当前剩余厚度,包括:
根据所述各预设时刻下活塞的位移和所述摩擦块的运动时刻,确定摩擦块接触轮盘的时刻下摩擦块的位移和摩擦块开始向轮盘运动的时刻下摩擦块的位移;根据所述摩擦块接触轮盘的时刻下摩擦块的位移和摩擦块开始向轮盘运动的时刻下摩擦块的位移,确定摩擦块的当前剩余厚度;或者,
根据第一输入数据和预先训练的第一神经网络模型,获得所述第一神经网络模型输出的所述摩擦块的当前剩余厚度;所述第一神经网络模型是基于历史数据中的第一输入数据和对应的摩擦块剩余厚度预先训练获得的;
其中,所述第一输入数据包括以下至少一种:摩擦块时刻下活塞的位移;摩擦块的运动时刻、制动缸体内的最大气压以及达到最大气压时活塞的位移、制动缸体内的最小气压以及达到最小气压时活塞的位移、摩擦块的最大受力值以及达到最大受力时活塞的位移、摩擦块的最小受力值以及达到最小受力时活塞的位移。
7.根据权利要求6所述的方法,其特征在于,所述根据第一输入数据和预先训练的第一神经网络模型,获得所述第一神经网络模型输出的所述摩擦块的当前剩余厚度之前,还包括:
根据各预设时刻下活塞的位移和所述摩擦块的运动时刻,确定所述摩擦块的摩擦块时刻下活塞的位移;和/或,
根据各预设时刻下制动缸体内的气压数据和活塞的位移,确定所述制动缸体内的最大气压以及达到最大气压时活塞的位移、所述制动缸体内的最小气压以及达到最小气压时活塞的位移;根据摩擦块的受力信息,确定所述摩擦块的最大受力值以及达到最大受力时活塞的位移、摩擦块的最小受力值以及达到最小受力时活塞的位移。
8.根据权利要求5所述的方法,其特征在于,所述方法还包括:
根据第二输入数据和预先训练的第二神经网络模型,获得所述第二神经网络模型输出的故障分析结果;所述第二神经网络模型是基于历史数据中的第二输入数据和对应的故障分析结果预先训练获得的;
其中,所述第二输入数据包括以下至少一种:各预设时刻下制动缸体内的气压数据、活塞到达各预设位移处时所述制动缸体内的气压数据和所述摩擦块的运动时刻;已知故障出现时所述制动缸体内的气压数据、所述已知故障出现时活塞的位移、以及所述已知故障出现时摩擦块的受力。
9.一种电控气动制动机的状态检测装置,其特征在于,包括:
获取模块,用于当电控气动制动机处于工作状态时,获取各预设时刻下制动缸体内的气压数据和活塞的位移;
处理模块,用于根据所述各预设时刻下制动缸体内的气压数据和活塞的位移,确定活塞到达各预设位移处时所述活塞的运动数据和制动缸体内的气压数据,所述运动数据包括移动速度和/或加速度;
所述处理模块,还用于根据各预设时刻下活塞的位移、活塞到达各预设位移处时所述活塞的运动数据和制动缸体内的气压数据,分析获得所述电控气动制动机在动态工作时的状态信息。
10.根据权利要求9所述的装置,其特征在于,
所述获取模块包括:数据采集单元,用于当电控气动制动机处于工作状态时,通过位移传感器,采集获得所述各预设时刻下活塞的位移;或者,
所述处理模块,还用于当电控气动制动机处于工作状态时,通过温度传感器和气体流量传感器,采集获得所述各预设时刻下制动缸体内气体的温度、流入/流出制动缸的气体质量,根据所述各预设时刻下制动缸体内的气压数据、气体温度、气体质量和第一公式,确定各预设时刻下活塞的位移;所述第一公式为:
11.根据权利要求9所述的装置,其特征在于,
所述处理模块,具体用于采用插值计算的方法,根据所述各预设时刻下制动缸体内的气压数据和活塞的位移,确定活塞到达各预设位移处时所述活塞的运动数据和制动缸体内的气压数据。
12.根据权利要求9所述的装置,其特征在于,所述状态信息包括摩擦块的当前剩余厚度;所述处理模块,具体用于根据所述各预设时刻下活塞的位移,确定所述各预设时刻下活塞的运动数据;
所述处理模块,还具体用于根据所述各预设时刻下活塞的位移、所述各预设时刻下活塞的运动数据以及摩擦块的运动轨迹特征,确定摩擦块的运动时刻,所述摩擦块的运动时刻包括摩擦块开始向轮盘运动的时刻、摩擦块接触轮盘的时刻、摩擦块脱离轮盘的时刻、摩擦块复位的时刻;
所述处理模块,还具体用于根据所述各预设时刻下活塞的位移和所述摩擦块的运动时刻,确定摩擦块的当前剩余厚度。
13.根据权利要求12所述的装置,其特征在于,所述状态信息还包括所述电控气动制动机的当前制动质量;所述处理模块,具体用于根据所述摩擦块的运动时刻、所述活塞到达各预设位移处时制动缸体内的气压数据和所述活塞到达各预设位移处时的运动数据,确定摩擦块的受力信息;所述摩擦块的受力信息包括摩擦块与轮盘接触时的两者的接触力随时间的变化数据、摩擦块向轮盘运动过程中摩擦块的受力随位移的变化数据和摩擦块脱离轮盘过程中摩擦块的受力随位移的变化数据;
所述处理模块,还具体用于根据摩擦块的受力信息,分析获得所述电控气动制动机的当前制动质量。
14.根据权利要求13所述的装置,其特征在于,
所述处理模块,具体用于根据所述各预设时刻下活塞的位移和所述摩擦块的运动时刻,确定摩擦块接触轮盘的时刻下摩擦块的位移和摩擦块开始向轮盘运动的时刻下摩擦块的位移;根据所述摩擦块接触轮盘的时刻下摩擦块的位移和摩擦块开始向轮盘运动的时刻下摩擦块的位移,确定摩擦块的当前剩余厚度;或者,
所述处理模块,具体用于根据第一输入数据和预先训练的第一神经网络模型,获得所述第一神经网络模型输出的所述摩擦块的当前剩余厚度;所述第一神经网络模型是基于历史数据中的第一输入数据和对应的摩擦块剩余厚度预先训练获得的;
其中,所述第一输入数据包括以下至少一种:摩擦块时刻下活塞的位移;摩擦块的运动时刻、制动缸体内的最大气压以及达到最大气压时活塞的位移、制动缸体内的最小气压以及达到最小气压时活塞的位移、摩擦块的最大受力值以及达到最大受力时活塞的位移、摩擦块的最小受力值以及达到最小受力时活塞的位移。
15.根据权利要求14所述的装置,其特征在于,
所述处理模块,还用于在根据第一输入数据和预先训练的第一神经网络模型,获得所述第一神经网络模型输出的所述摩擦块的当前剩余厚度之前,根据各预设时刻下活塞的位移和所述摩擦块的运动时刻,确定所述摩擦块的摩擦块时刻下活塞的位移;和/或,
所述处理模块,还用于在根据第一输入数据和预先训练的第一神经网络模型,获得所述第一神经网络模型输出的所述摩擦块的当前剩余厚度之前,根据各预设时刻下制动缸体内的气压数据和活塞的位移,确定所述制动缸体内的最大气压以及达到最大气压时活塞的位移、所述制动缸体内的最小气压以及达到最小气压时活塞的位移;根据摩擦块的受力信息,确定所述摩擦块的最大受力值以及达到最大受力时活塞的位移、摩擦块的最小受力值以及达到最小受力时活塞的位移。
16.根据权利要求13所述的装置,其特征在于,
所述处理模块,还用于根据第二输入数据和预先训练的第二神经网络模型,获得所述第二神经网络模型输出的故障分析结果;所述第二神经网络模型是基于历史数据中的第二输入数据和对应的故障分析结果预先训练获得的;
其中,所述第二输入数据包括以下至少一种:各预设时刻下制动缸体内的气压数据、活塞到达各预设位移处时所述制动缸体内的气压数据和所述摩擦块的运动时刻;已知故障出现时所述制动缸体内的气压数据、所述已知故障出现时活塞的位移、以及所述已知故障出现时摩擦块的受力。
17.一种电控气动制动机的状态检测设备,其特征在于,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1-8任一项所述的电控气动制动机的状态检测方法。
18.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机指令,该计算机指令被处理器执行时实现权利要求1-8中任一项所述的电控气动制动机的状态检测方法。
19.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1-8任一项所述的电控气动制动机的状态检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110317676.3A CN115127785A (zh) | 2021-03-25 | 2021-03-25 | 电控气动制动机的状态检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110317676.3A CN115127785A (zh) | 2021-03-25 | 2021-03-25 | 电控气动制动机的状态检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115127785A true CN115127785A (zh) | 2022-09-30 |
Family
ID=83374716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110317676.3A Pending CN115127785A (zh) | 2021-03-25 | 2021-03-25 | 电控气动制动机的状态检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115127785A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115356142A (zh) * | 2022-10-21 | 2022-11-18 | 北京科技大学 | 一种液压凿岩机性能检测系统及方法 |
-
2021
- 2021-03-25 CN CN202110317676.3A patent/CN115127785A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115356142A (zh) * | 2022-10-21 | 2022-11-18 | 北京科技大学 | 一种液压凿岩机性能检测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111351664B (zh) | 一种基于lstm模型的轴承温度预测和报警诊断方法 | |
CN106461118B (zh) | 用于执行阀诊断的系统和方法 | |
WO2022206035A1 (zh) | 基于数字孪生的智能线控制动系统及其预测控制方法 | |
RU2668784C1 (ru) | Прогнозирование износа в тормозных накладках | |
CN111272412B (zh) | 电控气动设备的故障检测方法、装置、设备和存储介质 | |
CN113581253A (zh) | 电空道岔转辙机的状态确定方法和装置 | |
CN115840095A (zh) | 用于电气系统中的异常检测的机器学习方法 | |
CN112196784B (zh) | 一种基于elm的高压隔膜泵健康状态预估系统及方法 | |
Thumati et al. | A novel fault diagnostics and prediction scheme using a nonlinear observer with artificial immune system as an online approximator | |
CN114035537B (zh) | 一种燃气轮机控制系统综合诊断平台及方法 | |
CN115127785A (zh) | 电控气动制动机的状态检测方法、装置、设备及存储介质 | |
KR102169791B1 (ko) | 철도차량 주요부품 및 시스템 진단장치 | |
CN107966232A (zh) | 基于机器视觉的起重装备制动器性能监测方法与系统 | |
KR20210150808A (ko) | 브레이크 마찰재의 마찰계수 결정을 위한 장치 및 방법 | |
CN112897267A (zh) | 电梯制动器检测方法、装置、设备和介质 | |
CN115839806A (zh) | 用于气动系统中泄漏检测的机器学习方法 | |
CN109696829B (zh) | 用来控制系统内的过程的方法和装置,特别是研磨装置内的研磨过程 | |
CN112734977B (zh) | 一种基于物联网的设备风险预警系统及算法 | |
KR20200137252A (ko) | 스마트센서 모듈을 이용한 빅데이터 기반 인공지능형 밸브 자동제어 방법 | |
JP2020088703A (ja) | 監視システム | |
CN113460122A (zh) | 电动道岔转辙机系统的状态检测方法、装置、设备及介质 | |
Lehrasab et al. | Industrial fault diagnosis: Pneumatic train door case study | |
CN109883598B (zh) | 一种轨道机车牵引力的检测方法 | |
Sang et al. | Detection of incipient faults in EMU braking system based on data domain description and variable control limit | |
CN113800352B (zh) | 一种电梯制动力矩检测方法及装置 |
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 |