CN115388970A - 用于识别油耗异常泵车的方法及分析泵车油耗异常的方法 - Google Patents
用于识别油耗异常泵车的方法及分析泵车油耗异常的方法 Download PDFInfo
- Publication number
- CN115388970A CN115388970A CN202210983576.9A CN202210983576A CN115388970A CN 115388970 A CN115388970 A CN 115388970A CN 202210983576 A CN202210983576 A CN 202210983576A CN 115388970 A CN115388970 A CN 115388970A
- Authority
- CN
- China
- Prior art keywords
- oil consumption
- consumption
- pump truck
- square
- pumping
- 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
- 239000000446 fuel Substances 0.000 title claims abstract description 264
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 157
- 238000000034 method Methods 0.000 title claims abstract description 95
- 238000005086 pumping Methods 0.000 claims abstract description 246
- 239000000463 material Substances 0.000 claims description 82
- 238000009826 distribution Methods 0.000 claims description 30
- 238000003860 storage Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 6
- 238000007635 classification algorithm Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 239000003921 oil Substances 0.000 description 593
- 238000004364 calculation method Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 11
- 238000003745 diagnosis Methods 0.000 description 9
- 230000009471 action Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 239000000295 fuel oil Substances 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- OIGNJSKKLXVSLS-VWUMJDOOSA-N prednisolone Chemical compound O=C1C=C[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 OIGNJSKKLXVSLS-VWUMJDOOSA-N 0.000 description 3
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003756 stirring Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 108010074864 Factor XI Proteins 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000004035 construction material Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000010705 motor oil Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F9/00—Measuring volume flow relative to another variable, e.g. of liquid fuel for an engine
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Fluid Mechanics (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本发明实施例提供一种用于识别油耗异常泵车的方法及分析泵车油耗异常的方法,属于工程机械领域。用于识别油耗异常泵车的方法包括:获取同一类型的泵车机群中各泵车在预设时间段内的工况数据,其中,工况数据包括泵送方量和油耗;根据工况数据确定泵车的方量油耗;将方量油耗与方量油耗均值进行比较,其中,方量油耗均值为泵车机群的方量油耗的均值;在方量油耗与方量油耗均值的差值大于预设数值的情况下,确定泵车为油耗异常泵车。本发明实施例可以提高识别准确度。
Description
技术领域
本发明涉及工程机械技术领域,具体地涉及一种用于识别油耗异常泵车的方法及分析泵车油耗异常的方法。
背景技术
在工程机械领域中,泵车属于高油耗工程机械,油耗是衡量泵车工作性能的重要参数。目前衡量泵车油耗的重要指标为方量油耗,现有技术通常是在得到泵车的方量油耗之后,将方量油耗与根据用户经验确定的方量油耗范围进行比较,若方量油耗不在该方量油耗范围,则识别该泵车为油耗异常泵车。然而,由于泵车施工工况的多样性和施工环境的不可预测性,导致依靠固有的用户经验进行的油耗异常判断,容易出现误判或漏判等情况,故存在识别准确度不高的问题。
发明内容
本发明实施例的目的是提供一种用于识别油耗异常泵车的方法及处理器及装置、用于分析泵车油耗异常的方法及处理器及装置、泵车以及存储介质,以解决现有技术存在的识别准确度不高的问题。
为了实现上述目的,本发明实施例第一方面提供一种用于识别油耗异常泵车的方法,方法包括:
获取同一类型的泵车机群中各泵车在预设时间段内的工况数据,其中,工况数据包括泵送方量和油耗;
根据工况数据确定泵车的方量油耗;
将方量油耗与方量油耗均值进行比较,其中,方量油耗均值为泵车机群的方量油耗的均值;
在方量油耗与方量油耗均值的差值大于预设数值的情况下,确定泵车为油耗异常泵车。
在本发明实施例中,预设数值为泵车机群的方量油耗的标准差的第一预设倍数或泵车机群的方量油耗的四分位距离的第二预设倍数,其中,第一预设倍数大于第二预设倍数。
在本发明实施例中,油耗包括泵车的总油耗,方量油耗包括总方量油耗;根据工况数据确定泵车的方量油耗,包括:确定总油耗与泵送方量的比值,以得到泵车的总方量油耗。
在本发明实施例中,油耗包括泵车的总油耗和泵车在行驶状态下的行驶油耗,方量油耗包括行驶方量油耗和作业方量油耗;根据工况数据确定泵车的方量油耗,包括:确定总油耗与行驶油耗的差值,以得到泵车在作业状态下的作业油耗;确定行驶油耗与泵送方量的比值、作业油耗与泵送方量的比值,以分别得到行驶方量油耗和作业方量油耗;方量油耗均值包括行驶方量油耗均值和作业方量油耗均值;将方量油耗与方量油耗均值进行比较,包括:将行驶方量油耗与行驶方量油耗均值进行比较;和/或将作业方量油耗与作业方量油耗均值进行比较;在方量油耗与方量油耗均值的差值大于预设数值的情况下,确定泵车为油耗异常泵车,包括:在行驶方量油耗与行驶方量油耗均值的差值大于第一预设数值的情况下,和/或在作业方量油耗与作业方量油耗均值的差值大于第二预设数值的情况下,确定泵车为油耗异常泵车。
在本发明实施例中,第一预设数值为泵车机群的行驶方量油耗的标准差的第一预设倍数或泵车机群的行驶方量油耗的四分位距离的第二预设倍数;第二预设数值为泵车机群的作业方量油耗的标准差的第一预设倍数或泵车机群的作业方量油耗的四分位距离的第二预设倍数,其中,第一预设倍数大于第二预设倍数。
在本发明实施例中,泵车包括泵送系统、臂架系统以及待料系统,待料系统为作业状态时泵车上除了泵送系统和臂架系统之外的其他需要消耗燃油的系统;作业油耗包括泵送系统的泵送油耗、臂架系统的臂架油耗以及待料系统的待料油耗;作业方量油耗包括泵送方量油耗、臂架方量油耗以及待料方量油耗;工况数据还包括待料状态下的发动机转速和发动机扭矩、总作业时长、各油泵对应的泵送流量、泵送压力以及作业时长;根据工况数据确定泵车的方量油耗,包括:将待料状态下的发动机转速和发动机扭矩、总作业时长、各油泵对应的泵送流量、泵送压力以及作业时长输入至预存储的油耗分配模型,以得到泵送油耗、臂架油耗以及待料油耗;确定泵送油耗与泵送方量的比值、臂架油耗与泵送方量的比值以及待料油耗与泵送方量的比值,以分别得到泵送方量油耗、臂架方量油耗以及待料方量油耗;作业方量油耗均值包括泵送方量油耗均值、臂架方量油耗均值以及待料方量油耗均值;将作业方量油耗与作业方量油耗均值进行比较,包括:将泵送方量油耗与泵送方量油耗均值进行比较;和/或将臂架方量油耗与臂架方量油耗均值进行比较;和/或将待料方量油耗与待料方量油耗均值进行比较;在作业方量油耗与作业方量油耗均值的差值大于第二预设数值的情况下,确定泵车为油耗异常泵车,包括:在泵送方量油耗与泵送方量油耗均值的差值大于第三预设数值的情况下,和/或在臂架方量油耗与臂架方量油耗均值的差值大于第四预设数值的情况下,和/或待料方量油耗与待料方量油耗均值的差值大于第五预设数值的情况下,确定泵车为油耗异常泵车。
在本发明实施例中,第三预设数值为泵车机群的泵送方量油耗的标准差的第一预设倍数或泵车机群的泵送方量油耗的四分位距离的第二预设倍数;第四预设数值为泵车机群的臂架方量油耗的标准差的第一预设倍数或泵车机群的臂架方量油耗的四分位距离的第二预设倍数;第五预设数值为泵车机群的待料方量油耗的标准差的第一预设倍数或泵车机群的待料方量油耗的四分位距离的第二预设倍数,其中,第一预设倍数大于第二预设倍数。
在本发明实施例中,油泵包括主油泵、分配泵以及臂架泵;将待料状态下的发动机转速和发动机扭矩、总作业时长、各油泵对应的泵送流量、泵送压力以及作业时长输入至预存储的油耗分配模型,以得到泵送油耗、臂架油耗以及待料油耗,包括:根据主油泵和分配泵对应的泵送流量、泵送压力以及作业时长,确定泵送功耗;根据臂架泵对应的泵送流量、泵送压力以及作业时长,确定臂架功耗;根据待料状态下的发动机转速和发动机扭矩以及总作业时长,确定待料功耗;根据作业油耗、泵送功耗、臂架功耗以及待料功耗确定泵送油耗、臂架油耗以及待料油耗。
本发明实施例第二方面提供一种用于分析泵车油耗异常的方法,方法包括:
识别油耗异常泵车,其中,油耗异常泵车通过根据上述的用于识别油耗异常泵车的方法识别得到;
获取油耗异常泵车所属类型的泵车机群中各泵车在预设时间段内的油耗影响因素指标值;
将油耗异常泵车的油耗影响因素指标值与油耗影响因素指标均值进行比较,其中,油耗影响因素指标均值为泵车机群的油耗影响因素指标的均值;
在油耗影响因素指标值与油耗影响因素指标均值的差值的绝对值大于预设阈值的情况下,确定油耗影响因素指标值对应的油耗影响因素为油耗异常泵车的油耗异常原因。
在本发明实施例中,预设阈值为泵车机群的油耗影响因素指标值的标准差的第一预设倍数或泵车机群的油耗影响因素指标值的四分位距离的第二预设倍数,第一预设倍数大于第二预设倍数。
在本发明实施例中,油耗影响因素的确定包括:获取同一类型的泵车机群中各泵车在预设时间段内的历史工况数据;对历史工况数据进行初步筛选,以筛选出与方量油耗相关的第一工况数据;对第一工况数据进行统计学处理,以得到第二工况数据;基于机器学习分类算法对第二工况数据进行训练,以得到油耗模型;确定油耗模型的输入特征为油耗影响因素。
在本发明实施例中,油耗影响因素的数量为多个,方法还包括:获取油耗模型中各个输入特征对应的特征系数;对特征系数的数值进行排序,以得到多个油耗影响因素的重要程度顺序。
在本发明实施例中,油耗影响因素包括单位发动机工作时间泵送方量、单位泵送时间泵送方量、待料方量油耗、行驶方量油耗、待料时间占比、泵送频率均值、分配压力均值、泵送压力均值、油温标准差以及发动机转速波动中的至少一者。
本发明实施例第三方面提供一种处理器,被配置成执行根据上述的用于识别油耗异常泵车的方法。
本发明实施例第四方面提供一种处理器,被配置成执行根据上述的用于分析泵车油耗异常的方法。
本发明实施例第五方面提供一种用于识别油耗异常泵车的装置,包括:工况数据检测设备,用于检测泵车的工况数据;以及根据上述的处理器。
本发明实施例第六方面提供一种用于分析泵车油耗异常的装置,包括:根据上述的处理器。
本发明实施例第七方面提供一种泵车,包括:根据上述的用于识别油耗异常泵车的装置或者根据上述的用于分析泵车油耗异常的装置。
本发明实施例第八方面提供一种机器可读存储介质,机器可读存储介质上存储程序或指令,程序或指令被处理器执行时实现根据上述的用于识别油耗异常泵车的方法或者根据上述的用于分析泵车油耗异常的方法。
上述技术方案,通过获取同一类型的泵车机群中各泵车在预设时间段内的工况数据,根据工况数据确定泵车的方量油耗,并将方量油耗与方量油耗均值进行比较,在方量油耗与方量油耗均值的差值大于预设数值的情况下,确定泵车为油耗异常泵车。上述方案通过获取泵车机群的工况数据,并将泵车的方量油耗与泵车机群的方量油耗均值进行对比,基于大量的数据进行油耗异常泵车的识别,不需要依靠用户经验进行判断,解决了现有技术需要依靠固有的用户经验来识别油耗异常泵车所存在的准确度不高的问题,提高了油耗异常泵车的识别准确度。
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示意性示出了本发明一实施例中用于识别油耗异常泵车的方法的流程示意图;
图2示意性示出了本发明另一实施例中用于识别油耗异常泵车的方法的流程示意图;
图3示意性示出了本发明一实施例中用于分析泵车油耗异常的方法的流程示意图;
图4示意性示出了本发明一实施例中油耗影响因素的挖掘算法的流程示意图;
图5示意性示出了本发明另一实施例中用于分析泵车油耗异常的方法的流程示意图;
图6示意性示出了本发明一实施例中泵车机群和云平台进行数据传输的示意图。
具体实施方式
以下结合附图对本发明实施例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发明实施例,并不用于限制本发明实施例。
图1示意性示出了本发明一实施例中用于识别油耗异常泵车的方法的流程示意图。如图1所示,在本发明实施例中,提供了一种用于识别油耗异常泵车的方法,该方法可以包括以下步骤:
步骤S102,获取同一类型的泵车机群中各泵车在预设时间段内的工况数据,其中,工况数据包括泵送方量和油耗。
可以理解,预设时间段为预先设置的工况数据采集周期,例如一个月。工况数据为表征泵车实际工作状态的数据,可以包括泵送方量和油耗,油耗为消耗燃油的量,可以包括发动机总油耗,单位可以为L,泵送方量为泵车泵送混凝土的体积,单位可以为m3,具体可以通过底盘控制单元或者车辆控制单元获取得到。
具体地,处理器可以获取相同类型的泵车机群中各个泵车在预设时间段内(例如,一个月内)的工况数据(包括泵送方量和油耗)。
步骤S104,根据工况数据确定泵车的方量油耗。
可以理解,方量油耗为泵车泵送每1方混凝土所消耗的燃油量。
具体地,处理器可以根据各个泵车的工况数据中的油耗和泵送方量计算确定各个泵车的方量油耗,即通过计算预设时间段内的油耗与预设时间段内的泵送方量的比值来得到各个泵车在预设时间段内的方量油耗。
步骤S106,将方量油耗与方量油耗均值进行比较,其中,方量油耗均值为泵车机群的方量油耗的均值。
可以理解,方量油耗均值为同一类型的泵车机群中所有泵车的方量油耗的均值。
具体地,处理器在得到各泵车的方量油耗之后,可以计算泵车机群中所有泵车的方量油耗的均值,并将各泵车的方量油耗与方量油耗均值进行比较。
步骤S108,在方量油耗与方量油耗均值的差值大于预设数值的情况下,确定泵车为油耗异常泵车。
可以理解,预设数值为预先设置的方量油耗与方量油耗均值的差值的阈值,具体可以为与泵车机群的方量油耗的标准差相关的数值。
具体地,处理器可以确定各泵车的方量油耗与方量油耗均值的差值,在该差值大于预设数值的时候,即方量油耗大于方量油耗均值且两者的差值大于预设数值,确定该方量油耗对应的泵车为油耗异常泵车。
上述用于识别油耗异常泵车的方法,通过获取同一类型的泵车机群中各泵车在预设时间段内的工况数据,根据工况数据确定泵车的方量油耗,并将方量油耗与方量油耗均值进行比较,在方量油耗与方量油耗均值的差值大于预设数值的情况下,确定泵车为油耗异常泵车。上述方法通过获取泵车机群的工况数据,并将泵车的方量油耗与泵车机群的方量油耗均值进行对比,基于大量的数据进行油耗异常泵车的识别,不需要依靠用户经验进行判断,解决了现有技术需要依靠固有的用户经验来识别油耗异常泵车所存在的准确度不高的问题,提高了油耗异常泵车的识别准确度。
在一个实施例中,预设数值为泵车机群的方量油耗的标准差的第一预设倍数或泵车机群的方量油耗的四分位距离的第二预设倍数,其中,第一预设倍数大于第二预设倍数。
可理解地,当样本数据量足够大时,方量油耗的分布必然是符合正态分布规律的,小于或者大于方量油耗均值所在的某一范围的方量油耗占比较少,因此可以通过采用方量油耗均值加上方量油耗的标准差的第一预设倍数或者方量油耗均值加上方量油耗的四分位距离的第二预设倍数来筛选出方量油耗异常的数值,即可以识别方量油耗的异常值和离群点,从而识别油耗异常泵车。在一个实施例中,第一预设倍数和第二预设倍数的取值范围可以包括0~6,更进一步地,第一预设倍数的取值范围可以包括3~6,第二预设倍数可以取值为1.5。
在本发明实施例中,预设数值的选取方式也可以高效筛选出方量油耗的异常值和离群点,从而可以精准识别出油耗异常泵车,进一步提高了油耗异常泵车的识别准确率。
在一个实施例中,油耗包括泵车的总油耗,方量油耗包括总方量油耗;根据工况数据确定泵车的方量油耗,包括:确定总油耗与泵送方量的比值,以得到泵车的总方量油耗。
可以理解,油耗可以包括各个泵车的总油耗,方量油耗可以包括各个泵车的总方量油耗,总方量油耗为泵车的总油耗与泵送方量的比值。
具体地,处理器可以确定各个泵车的总油耗与各个泵车的泵送方量的比值,从而可以得到各个泵车的总方量油耗。
在一个实施例中,油耗包括泵车的总油耗和泵车在行驶状态下的行驶油耗,方量油耗包括行驶方量油耗和作业方量油耗;根据工况数据确定泵车的方量油耗,包括:确定总油耗与行驶油耗的差值,以得到泵车在作业状态下的作业油耗;确定行驶油耗与泵送方量的比值、作业油耗与泵送方量的比值,以分别得到行驶方量油耗和作业方量油耗。
可以理解,泵车可以包括多个工作状态,例如行驶状态和作业状态,泵车的总油耗可以分成两部分,分别是泵车在行驶状态下的行驶油耗和泵车在作业状态下的作业油耗,行驶油耗具体可以通过计算行程开始时的燃油消耗值与行程结束时的燃油消耗值之间的差值来确定,行驶方量油耗即泵车在行驶阶段每泵送1方混凝土所消耗的燃油量,具体可以通过计算行驶油耗与泵送方量的比值来确定,作业方量油耗即泵车在作业阶段每泵送1方混凝土所消耗的燃油量,具体可以通过计算作业油耗与泵送方量的比值来确定。
具体地,处理器在已知总油耗和行驶油耗之后,可以确定总油耗与行驶油耗的差值,从而得到泵车在作业状态下的作业油耗,进而可以确定行驶油耗与泵送方量的比值以得到行驶方量油耗,确定作业油耗与泵送方量的比值以得到作业方量油耗。
进一步地,方量油耗均值包括行驶方量油耗均值和作业方量油耗均值;将方量油耗与方量油耗均值进行比较,包括:将行驶方量油耗与行驶方量油耗均值进行比较;和/或将作业方量油耗与作业方量油耗均值进行比较。
可以理解,行驶方量油耗均值为同一类型的泵车机群中各个泵车的行驶方量油耗的均值,作业方量油耗均值为同一类型的泵车机群中各个泵车的作业方量油耗的均值。
具体地,处理器可以将各个泵车的行驶方量油耗与行驶方量油耗均值进行比较,也可以将各个泵车的作业方量油耗与作业方量油耗均值进行比较,也可以同时将各个泵车的行驶方量油耗与行驶方量油耗均值、作业方量油耗与作业方量油耗均值进行比较。
再进一步地,在方量油耗与方量油耗均值的差值大于预设数值的情况下,确定泵车为油耗异常泵车,包括:在行驶方量油耗与行驶方量油耗均值的差值大于第一预设数值的情况下,和/或在作业方量油耗与作业方量油耗均值的差值大于第二预设数值的情况下,确定泵车为油耗异常泵车。
可以理解,第一预设数值为预先设置的行驶方量油耗与行驶方量油耗均值的差值的阈值,具体可以为与泵车机群的行驶方量油耗的标准差相关的数值。第二预设数值为预先设置的作业方量油耗与作业方量油耗均值的差值的阈值,具体可以为与泵车机群的作业方量油耗的标准差相关的数值。
具体地,处理器可以在行驶方量油耗与行驶方量油耗均值的差值大于第一预设数值的时候,识别该行驶方量油耗对应的泵车为油耗异常泵车,也可以在作业方量油耗与作业方量油耗均值的差值大于第二预设数值的时候,识别该作业方量油耗对应的泵车为油耗异常泵车,还可以在同时满足行驶方量油耗与行驶方量油耗均值的差值大于第一预设数值且作业方量油耗与作业方量油耗均值的差值大于第二预设数值的时候,识别该行驶方量油耗和该作业方量油耗对应的泵车为油耗异常泵车。
在一个实施例中,第一预设数值为泵车机群的行驶方量油耗的标准差的第一预设倍数或泵车机群的行驶方量油耗的四分位距离的第二预设倍数;第二预设数值为泵车机群的作业方量油耗的标准差的第一预设倍数或泵车机群的作业方量油耗的四分位距离的第二预设倍数,其中,第一预设倍数大于第二预设倍数。
可理解地,第一预设倍数和第二预设倍数的取值范围可以参见上述实施例。
在本发明实施例中,通过将总方量油耗拆分成行驶方量油耗和作业方量油耗,可以更加精准地实现油耗异常泵车的识别,从而可以更加详细地了解泵车的油耗异常情况,以便后续进行泵车油耗异常原因的具体分析。
在一个实施例中,泵车包括泵送系统、臂架系统以及待料系统,待料系统为作业状态时泵车上除了泵送系统和臂架系统之外的其他需要消耗燃油的系统;作业油耗包括泵送系统的泵送油耗、臂架系统的臂架油耗以及待料系统的待料油耗;作业方量油耗包括泵送方量油耗、臂架方量油耗以及待料方量油耗;工况数据还包括待料状态下的发动机转速和发动机扭矩、总作业时长、各油泵对应的泵送流量、泵送压力以及作业时长;根据工况数据确定泵车的方量油耗,包括:将待料状态下的发动机转速和发动机扭矩、总作业时长、各油泵对应的泵送流量、泵送压力以及作业时长输入至预存储的油耗分配模型,以得到泵送油耗、臂架油耗以及待料油耗;确定泵送油耗与泵送方量的比值、臂架油耗与泵送方量的比值以及待料油耗与泵送方量的比值,以分别得到泵送方量油耗、臂架方量油耗以及待料方量油耗。
可以理解,泵车的作业状态可以包括泵送系统动作、臂架系统动作以及待料系统动作中的至少一者。其中,臂架系统可以包括支腿系统,也就是说,臂架系统可以用于实现臂架的动作和/或支腿的动作,即臂架系统可以实现臂架动作,也可以实现支腿动作,也可以同时实现臂架和支腿的动作。待料系统可以是作业状态时除了泵送系统和臂架系统(含支腿)以外的泵车上其他需要消耗燃油的系统,例如,待料系统可以包括底盘自身、冷却系统以及搅拌系统等。泵送系统的油耗即为泵送油耗,臂架系统的油耗即为臂架油耗,待料系统的油耗即为待料油耗。泵送方量油耗即泵车在泵送系统动作时每泵送1方混凝土所消耗的燃油量,具体可以通过计算泵送油耗与泵送方量的比值来确定。臂架方量油耗即泵车在臂架系统动作时每泵送1方混凝土所消耗的燃油量,具体可以通过计算臂架油耗与泵送方量的比值来确定。待料方量油耗即泵车在待料系统动作时每泵送1方混凝土所消耗的燃油量,具体可以通过计算待料油耗与泵送方量的比值来确定。待料状态下的发动机转速和发动机扭矩、总作业时长(即泵车在作业状态下的总时长)、各油泵对应的泵送流量、泵送压力以及作业时长等工况数据具体可以通过读取底盘控制器和车辆控制单元数据获取。预存储的油耗分配模型为预先通过训练得到的有关泵车油耗分布的模型,通过输入泵车的实际工况数据,该模型可以输出泵车的各个子系统的油耗预测值。
具体地,处理器可以在获取到待料状态下的发动机转速和发动机扭矩、总作业时长、各油泵对应的泵送流量、泵送压力以及作业时长等工况数据之后,将待料状态下的发动机转速和发动机扭矩、总作业时长、各油泵对应的泵送流量、泵送压力以及作业时长输入至预存储的油耗分配模型,以得到油耗分配模型输出的结果,即泵送油耗、臂架油耗以及待料油耗,从而可以确定泵送油耗与泵送方量的比值以得到泵送方量油耗,确定臂架油耗与泵送方量的比值以得到臂架方量油耗,确定待料油耗与泵送方量的比值以得到待料方量油耗。
进一步地,作业方量油耗均值包括泵送方量油耗均值、臂架方量油耗均值以及待料方量油耗均值;将作业方量油耗与作业方量油耗均值进行比较,包括:将泵送方量油耗与泵送方量油耗均值进行比较;和/或将臂架方量油耗与臂架方量油耗均值进行比较;和/或将待料方量油耗与待料方量油耗均值进行比较。
可以理解,泵送方量油耗均值为同一类型的泵车机群中各个泵车的泵送方量油耗的均值,臂架方量油耗均值为同一类型的泵车机群中各个泵车的臂架方量油耗的均值,待料方量油耗均值为同一类型的泵车机群中各个泵车的待料方量油耗的均值。
具体地,处理器可以只将各个泵车的泵送方量油耗与泵送方量油耗均值进行比较,也可以只将各个泵车的臂架方量油耗与臂架方量油耗均值进行比较,也可以只将各个泵车的待料方量油耗与待料方量油耗均值进行比较,还可以比较泵送方量油耗与泵送方量油耗均值、臂架方量油耗与臂架方量油耗均值以及待料方量油耗与待料方量油耗均值中的任意两者,还可以比较三者,以提高油耗异常泵车的识别准确度。
更进一步地,在作业方量油耗与作业方量油耗均值的差值大于第二预设数值的情况下,确定泵车为油耗异常泵车,包括:在泵送方量油耗与泵送方量油耗均值的差值大于第三预设数值的情况下,和/或在臂架方量油耗与臂架方量油耗均值的差值大于第四预设数值的情况下,和/或待料方量油耗与待料方量油耗均值的差值大于第五预设数值的情况下,确定泵车为油耗异常泵车。
可以理解,第三预设数值为预先设置的泵送方量油耗与泵送方量油耗均值的差值的阈值,具体可以为与泵车机群的泵送方量油耗的标准差相关的数值。第四预设数值为预先设置的臂架方量油耗与臂架方量油耗均值的差值的阈值,具体可以为与泵车机群的臂架方量油耗的标准差相关的数值。第五预设数值为预先设置的待料方量油耗与待料方量油耗均值的差值的阈值,具体可以为与泵车机群的待料方量油耗的标准差相关的数值。
具体地,处理器可以在泵送方量油耗与泵送方量油耗均值的差值大于第三预设数值的时候,识别该泵送方量油耗对应的泵车为油耗异常泵车,也可以在臂架方量油耗与臂架方量油耗均值的差值大于第四预设数值的时候,识别该臂架方量油耗对应的泵车为油耗异常泵车,也可以在待料方量油耗与待料方量油耗均值的差值大于第五预设数值的时候,识别该待料方量油耗对应的泵车为油耗异常泵车,还可以在满足泵送方量油耗与泵送方量油耗均值的差值大于第三预设数值、臂架方量油耗与臂架方量油耗均值的差值大于第四预设数值、待料方量油耗与待料方量油耗均值的差值大于第五预设数值三种情况中的至少两者的时候,识别该泵车为油耗异常泵车。
在一个实施例中,第三预设数值为泵车机群的泵送方量油耗的标准差的第一预设倍数或泵车机群的泵送方量油耗的四分位距离的第二预设倍数;第四预设数值为泵车机群的臂架方量油耗的标准差的第一预设倍数或泵车机群的臂架方量油耗的四分位距离的第二预设倍数;第五预设数值为泵车机群的待料方量油耗的标准差的第一预设倍数或泵车机群的待料方量油耗的四分位距离的第二预设倍数,其中,第一预设倍数大于第二预设倍数。
可理解地,第一预设倍数和第二预设倍数的取值范围可以参见上述实施例。
在本发明实施例中,通过将作业油耗进一步分解成泵送油耗、臂架油耗以及待料油耗,从而可以根据泵车的各个子系统的油耗和方量油耗来精准地实现油耗异常泵车的识别,从而可以较为全面地了解泵车的油耗异常情况,以便后续进行泵车油耗异常原因的精准分析。
在一个实施例中,油泵包括主油泵、分配泵以及臂架泵;将待料状态下的发动机转速和发动机扭矩、总作业时长、各油泵对应的泵送流量、泵送压力以及作业时长输入至预存储的油耗分配模型,以得到泵送油耗、臂架油耗以及待料油耗,包括:根据主油泵和分配泵对应的泵送流量、泵送压力以及作业时长,确定泵送功耗;根据臂架泵对应的泵送流量、泵送压力以及作业时长,确定臂架功耗;根据待料状态下的发动机转速和发动机扭矩以及总作业时长,确定待料功耗;根据作业油耗、泵送功耗、臂架功耗以及待料功耗确定泵送油耗、臂架油耗以及待料油耗。
具体地,处理器可以根据主油泵对应的泵送流量、泵送压力以及作业时长确定主油泵对应的主油泵功耗,根据分配泵对应的泵送流量、泵送压力以及作业时长确定分配泵对应的分配泵功耗,并将主油泵功耗和分配泵功耗的和值确定为泵送功耗,进而根据臂架泵对应的泵送流量、泵送压力以及作业时长确定臂架功耗,以主油泵功耗为例进行说明,具体的计算公式可以是以下公式(1)和(2):
Wmo=Pmo·Tmo 公式(1)
Pmo=Qmo·Δρmo/(60·η) 公式(2)
其中,Wmo为主油泵功耗,Pmo为主油泵功率,Tmo为主油泵的作业时长,Qmo为主油泵的泵送流量,Δρmo为主油泵的泵送压力,η为预设效率(例如,可以取经验值0.95)。
同样地,分配泵功耗和臂架功耗的计算方式同上述主油泵功耗的计算方式类似,在此不再赘述。
待料功耗的计算具体可以是先根据待料状态下的发动机转速和发动机扭矩确定待料功率,进而根据待料功率和泵车的总作业时长确定待料功耗,具体地,据待料状态下的发动机转速和发动机扭矩确定待料功率可以通过以下公式(3)计算:
Pi=ni·Mi/9550 公式(3)
其中,Pi为待料功率,ni为发动机转速,Mi为发动机扭矩。
可理解地,通过事先根据泵车在待料状态下的发动机转速和发动机扭矩来确定待料系统对应的附件功率,可以减少不必要的计算量,加快计算进程。
根据作业油耗、泵送功耗、臂架功耗以及待料功耗确定泵送油耗、臂架油耗以及待料油耗,可以包括:确定泵送功耗、臂架功耗以及待料功耗的和值,以得到泵车在作业状态下的作业功耗;确定泵送功耗与作业功耗的第一比值、臂架功耗与作业功耗的第二比值以及待料功耗与作业功耗的第三比值;将第一比值与作业油耗的乘积值确定为泵送油耗;将第二比值与作业油耗的乘积值确定为臂架油耗;将第三比值与作业油耗的乘积值确定为待料油耗。
可以理解,通过根据泵送功耗、臂架功耗以及待料功耗计算泵车在作业状态下的作业功耗,从而计算各个子系统的功耗占作业功耗的占比,该占比即为各个子系统油耗占比,从而可以确定各个子系统对应的油耗。
在一个具体的实施例中,如图2所示,用于识别油耗异常泵车的方法可以包括以下步骤:
步骤S201:基于云平台原始数据,提取同型号所有设备在时间段T内的方量、油耗等数据。
步骤S202:将获取的数据进行清洗,完成数据预处理后,计算同一型号下每一台设备的在时间段T内的综合方量油耗F(和/或子系统的方量油耗(泵送方量油耗、臂架方量油耗、待料方量油耗、行驶方量油耗)
步骤S203:计算同车型下所有设备的综合方量油耗的均值μ(以下简称车型方量油耗)、方差σ(以下简称车型方量油耗方差)以及四分位距离IQR。
步骤S204:针对单台设备,识别其所属车型,然后计算其在时间段T内的综合方量油耗f,并计算其与车型油耗均值的差值Δf。
步骤S205:比较Δf与n1*σ(或者n2*IQR)的大小(n1和n2可以取0~6之间的任意实数,且n1>n2)。
步骤S206:如果Δf>n1*σ(或Δf>n2*IQR),则判定该设备油耗偏高,转入下一步的油耗异常偏高原因诊断,反之则继续判断下一台设备。
现有技术中,分析泵车油耗异常原因的方法通常是:当发现某设备总方量油耗偏高时,一般是根据专家经验,挨个查看泵送压力、发动机转速等实时工况数据的均值,再结合现场的施工料况等情况和经验,判定油耗异常的大概原因。因此,现有技术对于油耗异常原因的诊断分析存在过于依赖用户经验、准确度不高的问题。
为了解决上述问题,图3示意性示出了本发明一实施例中用于分析泵车油耗异常的方法的流程示意图,如图3所示,在本发明实施例中,提供了一种用于分析泵车油耗异常的方法,该方法可以包括以下步骤:
步骤S302,识别油耗异常泵车。
具体地,油耗异常泵车可以通过上述实施方式中的用于识别油耗异常泵车的方法识别得到。
步骤S304,获取油耗异常泵车所属类型的泵车机群中各泵车在预设时间段内的油耗影响因素指标值。
可以理解,油耗影响因素指标值为影响泵车油耗的主要因素的相应指标值,例如待料时间占比、单位发动机工作时间泵送方量、单位泵送时间泵送方量等。
具体地,处理器可以获取油耗异常泵车所属类型的泵车机群中各泵车在预设时间段内的工况数据,通过对工况数据进行预处理,以得到油耗影响因素指标值,具体可以先进行工况数据清洗,除去错误数据,进而根据清洗后的工况数据计算油耗影响因素指标值。
步骤S306,将油耗异常泵车的油耗影响因素指标值与油耗影响因素指标均值进行比较,其中,油耗影响因素指标均值为泵车机群的油耗影响因素指标的均值。
可以理解,油耗影响因素指标均值为同一类型的泵车机群中所有泵车的各个油耗影响因素指标值的均值。
具体地,处理器在得到各泵车的油耗影响因素指标值之后,可以计算泵车机群中所有泵车的油耗影响因素指标值的均值,并将各泵车的油耗影响因素指标值与油耗影响因素指标均值进行比较。
步骤S308,在油耗影响因素指标值与油耗影响因素指标均值的差值的绝对值大于预设阈值的情况下,确定油耗影响因素指标值对应的油耗影响因素为油耗异常泵车的油耗异常原因。
可以理解,预设阈值为预先设置的油耗影响因素指标值与油耗影响因素指标均值的差值的阈值,具体可以为与泵车机群的油耗影响因素指标值的标准差相关的数值。
具体地,处理器可以确定各泵车的油耗影响因素指标值与油耗影响因素指标均值的差值,在该差值的绝对值大于预设阈值的时候,确定该油耗影响因素指标值对应的油耗影响因素为油耗异常泵车的油耗异常原因。
上述用于分析泵车油耗异常的方法,在识别油耗异常泵车之后,通过获取油耗异常泵车所属类型的泵车机群中各泵车在预设时间段内的油耗影响因素指标值,并将油耗异常泵车的油耗影响因素指标值与油耗影响因素指标均值进行比较,在油耗影响因素指标值与油耗影响因素指标均值的差值的绝对值大于预设阈值的情况下,确定油耗影响因素指标值对应的油耗影响因素为油耗异常泵车的油耗异常原因。上述方法通过获取泵车机群的油耗影响因素指标值,并将油耗异常泵车的油耗影响因素指标值与泵车机群的油耗影响因素指标均值进行对比,基于大量的数据进行油耗异常原因的识别分析,不需要依靠用户经验进行判断,解决了现有技术需要依靠固有的用户经验来分析泵车油耗异常原因导致的分析准确度不高的问题,降低了对用户经验的依赖程度,提高了油耗异常泵车的油耗异常原因的诊断分析的准确度,以便后续根据异常原因进行改进,以降低设备油耗。
在一个实施例中,预设阈值为泵车机群的油耗影响因素指标值的标准差的第一预设倍数或泵车机群的油耗影响因素指标值的四分位距离的第二预设倍数,第一预设倍数大于第二预设倍数。
可理解地,当样本数据量足够大时,油耗影响因素指标值的分布必然是符合正态分布规律的,小于或者大于油耗影响因素指标均值所在的某一范围的油耗影响因素指标值占比较少,因此可以通过采用油耗影响因素指标均值加上油耗影响因素指标值的标准差的第一预设倍数或者油耗影响因素指标均值加上油耗影响因素指标值的四分位距离的第二预设倍数来筛选出油耗影响因素指标值异常的数值,即可以识别油耗影响因素指标值的异常值和离群点,从而分析泵车油耗异常的原因。在一个实施例中,第一预设倍数和第二预设倍数的取值范围可以包括0~6,更进一步地,第一预设倍数的取值范围可以包括3~6,第二预设倍数可以取值为1.5。
在本发明实施例中,预设阈值的选取方式也可以高效筛选出油耗影响因素指标值的异常值和离群点,从而可以精准诊断分析出油耗异常泵车的异常原因。
在一个实施例中,油耗影响因素的确定包括:获取同一类型的泵车机群中各泵车在预设时间段内的历史工况数据;对历史工况数据进行初步筛选,以筛选出与方量油耗相关的第一工况数据;对第一工况数据进行统计学处理,以得到第二工况数据;基于机器学习分类算法对第二工况数据进行训练,以得到油耗模型;确定油耗模型的输入特征为油耗影响因素。
可以理解,油耗影响因素为影响泵车油耗异常的主要因素。历史工况数据为泵车在过去某一段时间内的工况数据,具体可以包括但不限于泵送方量、发动机总油耗、泵送油耗、待料油耗、臂架油耗、行驶油耗、工作时间、泵送时间等累计数据和泵送状态、泵送压力、发动机转速、泵送档位、分配压力、转速波动等实时数据。第一工况数据为历史工况数据中与方量油耗相关的数据。第二工况数据为对第一工况数据进行统计学处理后得到的数据,其中,统计学处理具体可以包括但不限于计算平均值、中位数、偏态系数、最值、标准差、上下四分位等统计值的处理过程。
具体地,处理器可以获取同一类型的泵车机群中各泵车在预设时间段内(例如,3个月内)的历史工况数据,并对这些历史工况数据进行初步筛选,以筛选出与方量油耗相关的第一工况数据,进而对第一工况数据进行统计学处理,例如计算平均值处理或者计算标准差处理,从而得到第二工况数据,并基于机器学习分类算法,将第二工况数据输入至预设的初步模型进行训练,在训练后的模型的准确度达到预设准确度的时候,该训练后的模型即为油耗模型,该油耗模型的输入特征即为油耗影响因素。
在一个实施例中,油耗影响因素的数量为多个,用于分析泵车油耗异常的方法还可以包括:获取油耗模型中各个输入特征对应的特征系数;对特征系数的数值进行排序,以得到多个油耗影响因素的重要程度顺序。
可理解地,油耗模型的输入特征即为油耗影响因素,特征系数为油耗模型中输入特征对应的模型参数,故若要对油耗影响因素的重要性进行排名,则可以获取油耗模型中各个输入特征对应的特征系数,并对特征系数的数值进行从大到小的排序,即可得到多个油耗影响因素的重要程度顺序。
进一步地,在一些实施例中,将油耗异常泵车的油耗影响因素指标值与油耗影响因素指标均值进行比较,包括:按照多个油耗影响因素的重要程度顺序,依次将油耗异常泵车的油耗影响因素指标值与油耗影响因素指标均值进行比较。
可理解地,将异常指标对应的原因按照油耗影响因素的重要性顺序进行排序,以便后续根据重要性排序依次解决异常原因。
在一个实施例中,油耗影响因素包括单位发动机工作时间泵送方量、单位泵送时间泵送方量、待料方量油耗、行驶方量油耗、待料时间占比、泵送频率均值、分配压力均值、泵送压力均值、油温标准差以及发动机转速波动中的至少一者。
在一个具体的实施例中,如图4所示,油耗影响因素的挖掘算法的流程如下:
步骤S401:基于设备上传到云平台的原始数据,提取同型号设备的泵送方量、发动机总油耗、泵送油耗、待料油耗、臂架油耗、行驶油耗、工作时间、泵送时间等累计数据和泵送状态、泵送压力、发动机转速、泵送档位、分配压力、转速波动等实时数据。
步骤S402:将获取的数据进行清洗,完成数据预处理后,取实时数据在时间段T内的平均数、中位数、偏态系数、最值、标准差、上下四分位等统计值,将累计数据按时间段T进行分段汇总。
步骤S403:提取同型号设备的上述泵送方量、发动机总油耗、泵送油耗、待料油耗、臂架油耗、行驶油耗、工作时间、泵送时间等累计数据和泵送状态、泵送压力、分配压力、泵送档位、发动机转速、发动机转速波动等实时数据,并计算总方量油耗、泵送方量油耗、待料方量油耗、臂架方量油耗、行驶方量油耗、待料时间占比、泵送速度等数据。
步骤S404:利用相关性分析、独立性假设检验等方法对Step3中的相关数据进行初步关联分析,筛选出与总方量油耗相关的工况数据作为油耗模型输入特征。
步骤S405:将总方量油耗按不同的划分区间进行划分,并对落在不同区间的值进行命名(如油耗高、中、低),作为分类模型的标签。
步骤S406:基于机器学习分类算法对油耗模型的输入特征以及标签数据进行训练,挖掘出对总方量油耗最重要的影响因素,并根据影响因素的重要性从大到小进行排名。
步骤S407:输出总油耗影响因素的top10重要性排名:单位发动机工作时间泵送方量、单位泵送时间泵送方量、待料方量油耗、行驶方量油耗、待料时间占比、泵送频率均值、分配压力均值、泵送压力均值、油温标准差、发动机转速波动。例如,总方量油耗=一段时间内的油耗/一段时间的泵送方量,即每泵送每方混凝土所需的油耗;泵送压力均值=一段时间内的泵送状态下的泵送压力的平均值,其他工况值计算方法类似。
在一个具体的实施例中,判断油耗异常偏高之后,基于油耗异常影响因素挖掘模型挖掘出来的油耗主要影响因素,建立油耗异常诊断模型,诊断油耗异常的原因,如图5所示,用于分析泵车油耗异常的方法可以包括以下步骤:
步骤S501:基于云平台原始数据,提取同型号所有设备在时间段T内的油耗影响因素指标数据。
步骤S502:将获取的数据进行清洗,完成数据预处理后,计算同一型号下每一台设备的在时间段T内的油耗影响因素指标数据。
步骤S503:计算同车型下所有设备的各油耗影响因素指标数据均值X、标准差σ以及四分位距离IQR。
步骤S504:针对油耗异常设备,识别其所属车型,然后计算其在时间段T内的各油耗影响因素指标x,并将其与车型指标均值X依次进行对比,进行原因诊断。
步骤S505:按影响因素重要性排名,依次计算该油耗异常设备的各影响因素xi与车型指标均值Xi的差值绝对值|Δxi|。
步骤S506:比较|Δxi|与n1*σ(或者n2*IQR)的大小(n1和n2可取0~6之间的任意实数,且n1>n2)。
步骤S507:如果|Δxi|>n1*σ(或|Δxi|>n2*IQR),则判定该影响因素为该设备油耗偏高的影响因素之一,继续转入下一个影响因素的判断,直至判定完所有的影响因素。
步骤S508:所有异常影响因素对比完毕后,输出该设备在时间段T内的油耗高异常的指标和原因。
步骤S509:将异常指标对应的原因按油耗影响因素的重要性排名,自动输出建议措施和解决方案,指导技改,最终降低设备油耗。
在一个具体的实施例中,以混凝土泵车为例,图6示意性示出了本发明一实施例中泵车机群和云平台进行数据传输的示意图。如图6所示,每台泵车可以包括通信单元、计算单元和传输单元,通信单元通过现场总线读取底盘ECU和车辆控制单元数据,底盘ECU数据有:发动机总油耗F、发动机转速W、行驶里程数S。车辆控制单元的数据有:泵送状态、臂架状态、泵送压力、泵送档位、分配压力、泵送方量、泵送时间、待料时间、臂架时间、作业时间、油泵流量等。计算单元根据通信单元接收的数据,对该泵车的发动机总油耗进行计算和拆分,将油耗拆分成泵送油耗、待料油耗、行驶油耗以及臂架油耗4个子系统的方量油耗,各个子系统的方量油耗可以通过计算各个子系统的做功消耗获得,具体地,泵送油耗、臂架油耗以及待料油耗的具体计算过程可以如下;
1)泵送功耗计算
泵送系统由主油泵和分配泵驱动,因此计算两个油泵的功率。
主油泵功率(KW):Pmo=Qmo·Δρmo/(60·η);其中,Qmo流量L/min,Δρmo主泵压力MPa,η为效率,行业经验值取0.95。
主油泵功耗:Wmo=Pmo·Tmo;其中,Tmo为主油泵作业时间(单位S)。
分配泵功率(KW):Pao=Qao·Δρao/(60·η);其中,Qao流量L/min,Δρao分配压力MPa,η为效率,行业经验值取0.95。
分配泵功耗:Wao=Pao·Tao;其中,Tao为分配泵作业时间(单位S),油泵流量和压力均可以通过传感器检测。
2)臂架功耗计算
功率和功耗公式同理为:
臂架泵功率(KW):Pbo=Qbo·Δρbo/(60·η);其中,Qbo流量L/min,Δρbo主泵压力MPa,η为效率,行业经验值取0.95。
臂架泵功耗:Wbo=Pbo·Tbo;其中,Tbo为臂架泵的作业时间(单位S),油泵流量和压力均可通过传感器检测。
3)待料功耗计算
待料功耗涉及系统较多,包括底盘自身、冷却、搅拌等,属于长期消耗功率,但计算复杂,因此常用测定方式,即在待料状态下(非臂架和泵送状态),读取发动机的转速、扭矩进行计算,待料功率Pi=ni·Mi/9550,ni待料状态下的发动机转速RPM,Mi待料状态下的发动机扭矩N·m。
因此待料功耗:Wi=Pi·Ti,Ti为作业时间(单位S)。
由于泵送系统、臂架系统和待料系统经常同时工作,同步消耗燃油,因此如何将总的燃油消耗分解到不同工作状态,本发明实施例提供了基于功耗分解的计算方法。
假设发动机总的燃油消耗值为Lall(单位L,可以从发动机ECU直接读取),则不同工作状态下油耗计算如下:
1)行驶油耗Ld:即泵送设备在行驶状态下的耗油,可以直接从发动机ECU(控制器)读取(计算方法,设行驶开始阶段燃油消耗值为Lall-1,行驶结束阶段燃油消耗值为Lall-2,则行驶油耗Ld=Lall-2-Lall-1)
2)作业油耗:即发动机总油耗减去行驶油耗,LW=Lall-Ld
3)泵送油耗:Lp=(Wmo+Wao)·Lw/(Wmo+Wao+Wbo+Wi),
4)臂架油耗:Lb=Wbo·Lw/(Wmo+Wao+Wbo+Wi),
5)待料油耗:Li=(Wi)·Lw/(Wmo+Wao+Wbo+Wi)
计算单元还根据发动机转速,计算每个泵送周期内的发动机转速波动。然后,车辆控制单元将各分量油耗数据、转速波动值以及原有的发动机转速、泵送状态、泵送压力、泵送档位、分配压力、泵送方量等数据传递给传输单元,传输单元将接收到的相关数据及车辆位置信息传输给云平台进行存储。
在一些实施例中,油耗影响因素的挖掘算法可以采用其他回归类算法、分类算法以及树模型等算法。
在一些实施例中,相关油耗异常偏高检测与识别方法,除了使用单设备油耗减去同型号均值油耗的差值大于n1倍的标准差或者n2倍的四分位距IQR之外(Δf=f-F>n1*σ(或Δf>n2*IQR)),还可以采用其他的阈值来判断。
在一些实施例中,相关影响因素的诊断,除了使用单设备油耗减去同型号均值油耗的差值大于n1倍的标准差或者n2倍的四分位距IQR之外(|Δxi|>n1*σ(或|Δxi|>n2*IQR)),还可以采用其他的阈值判断。
本发明实施例提供的技术方案,通过获取当前设备在某一段时间内的油耗、方量、发动机转速等相关工况数据,然后基于机器学习分类、回归以及相关性分析等算法,挖掘影响混凝土泵车油耗的主要影响因素。并基于相关油耗影响因素以及单设备油耗、机群设备平均油耗等相关数据,建立单设备油耗异常监控与诊断模型。基于该模型,当设备在某一段时间内的方量油耗和/或子系统的方量油耗(泵送方量油耗、臂架方量油耗、待料方量油耗、行驶方量油耗)与该设备同车型在该段时间内的所有设备方量油耗(和/或各子系统的方量油耗)的均值之差大于阈值ΔF时,则判断该设备在这段时间内的油耗存在偏高异常。如果油耗高异常,则进一步查看各相关影响因素值与该车型在这段时间内的影响因素值的差值绝对值是否大于阈值ΔXi,如果高于,则可判定相应的影响因素为该设备在这段时间内油耗偏高的主要原因。进而可以针对相关原因,给出相关解决措施和建议,推送给设备管理人员(服务工程师或者客户的设备管理员、机手、老板等),促进设备正常使用,降低油耗。
因此,与现有技术相比,本发明实施例提供的技术方案具有以下优点:
1、通过机器学习、相关性分析以及假设检验等方法,挖掘出影响油耗异常偏高的TOP影响因素,作为油耗诊断分析的原因。这些原因除了设备本身造成的异常之外,还有一些是由于操作人员使用设备不合理、设备带病作业等原因造成的,而这部分原因现有技术并未发现。
2、基于大数据和云计算等平台和手段,同时结合单设备与车型设备差值的阈值条件,建立油耗异常偏高监控与预警系统,并结合挖掘的相关油耗影响因素,建立油耗异常偏高诊断系统,实时监控设备油耗,并可以在油耗偏离机群设备时,发出警告,并给出油耗异常诊断原因,进而指导技改,降低设备油耗。同时,也间接降低了设备带病作业的概率,减少设备宕机时间。
3、油耗分配模型,将发动机总油耗拆分成各子系统油耗(泵送油耗、待料油耗、臂架油耗、行驶油耗)并上传,辅助油耗诊断分析。
本发明实施例提供了一种处理器,被配置成执行根据上述实施方式中的用于识别油耗异常泵车的方法。
本发明实施例提供了一种处理器,被配置成执行根据上述实施方式中的用于分析泵车油耗异常的方法。
本发明实施例提供了一种用于识别油耗异常泵车的装置,包括:工况数据检测设备,用于检测泵车的工况数据;以及根据上述实施方式中的处理器。
本发明实施例提供了一种用于分析泵车油耗异常的装置,包括:根据上述实施方式中的处理器。
本发明实施例提供了一种泵车,包括:根据上述实施方式中的用于识别油耗异常泵车的装置或者根据上述实施方式中的用于分析泵车油耗异常的装置。
本发明实施例提供了一种机器可读存储介质,机器可读存储介质上存储程序或指令,程序或指令被处理器执行时实现根据上述实施方式中的用于识别油耗异常泵车的方法或者根据上述实施方式中的用于分析泵车油耗异常的方法。
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 (19)
1.一种用于识别油耗异常泵车的方法,其特征在于,所述方法包括:
获取同一类型的泵车机群中各泵车在预设时间段内的工况数据,其中,所述工况数据包括泵送方量和油耗;
根据所述工况数据确定所述泵车的方量油耗;
将所述方量油耗与方量油耗均值进行比较,其中,所述方量油耗均值为所述泵车机群的方量油耗的均值;
在所述方量油耗与所述方量油耗均值的差值大于预设数值的情况下,确定所述泵车为油耗异常泵车。
2.根据权利要求1所述的方法,其特征在于,所述预设数值为所述泵车机群的方量油耗的标准差的第一预设倍数或所述泵车机群的方量油耗的四分位距离的第二预设倍数,其中,所述第一预设倍数大于所述第二预设倍数。
3.根据权利要求1所述的方法,其特征在于,所述油耗包括所述泵车的总油耗,所述方量油耗包括总方量油耗;所述根据所述工况数据确定所述泵车的方量油耗,包括:
确定所述总油耗与所述泵送方量的比值,以得到所述泵车的总方量油耗。
4.根据权利要求1所述的方法,其特征在于,
所述油耗包括所述泵车的总油耗和所述泵车在行驶状态下的行驶油耗,所述方量油耗包括行驶方量油耗和作业方量油耗;所述根据所述工况数据确定所述泵车的方量油耗,包括:
确定所述总油耗与所述行驶油耗的差值,以得到所述泵车在作业状态下的作业油耗;
确定所述行驶油耗与所述泵送方量的比值、所述作业油耗与所述泵送方量的比值,以分别得到所述行驶方量油耗和所述作业方量油耗;
所述方量油耗均值包括行驶方量油耗均值和作业方量油耗均值;所述将所述方量油耗与方量油耗均值进行比较,包括:
将所述行驶方量油耗与所述行驶方量油耗均值进行比较;和/或
将所述作业方量油耗与所述作业方量油耗均值进行比较;
所述在所述方量油耗与所述方量油耗均值的差值大于预设数值的情况下,确定所述泵车为油耗异常泵车,包括:
在所述行驶方量油耗与所述行驶方量油耗均值的差值大于第一预设数值的情况下,和/或在所述作业方量油耗与所述作业方量油耗均值的差值大于第二预设数值的情况下,确定所述泵车为油耗异常泵车。
5.根据权利要求4所述的方法,其特征在于,所述第一预设数值为所述泵车机群的行驶方量油耗的标准差的第一预设倍数或所述泵车机群的行驶方量油耗的四分位距离的第二预设倍数;
所述第二预设数值为所述泵车机群的作业方量油耗的标准差的第一预设倍数或所述泵车机群的作业方量油耗的四分位距离的第二预设倍数,其中,所述第一预设倍数大于所述第二预设倍数。
6.根据权利要求4所述的方法,其特征在于,
所述泵车包括泵送系统、臂架系统以及待料系统,所述待料系统为作业状态时所述泵车上除了所述泵送系统和所述臂架系统之外的其他需要消耗燃油的系统;所述作业油耗包括所述泵送系统的泵送油耗、所述臂架系统的臂架油耗以及所述待料系统的待料油耗;所述作业方量油耗包括泵送方量油耗、臂架方量油耗以及待料方量油耗;所述工况数据还包括待料状态下的发动机转速和发动机扭矩、总作业时长、各油泵对应的泵送流量、泵送压力以及作业时长;
所述根据所述工况数据确定所述泵车的方量油耗,包括:
将所述待料状态下的发动机转速和发动机扭矩、总作业时长、各油泵对应的泵送流量、泵送压力以及作业时长输入至预存储的油耗分配模型,以得到所述泵送油耗、所述臂架油耗以及所述待料油耗;
确定所述泵送油耗与所述泵送方量的比值、所述臂架油耗与所述泵送方量的比值以及所述待料油耗与所述泵送方量的比值,以分别得到所述泵送方量油耗、所述臂架方量油耗以及所述待料方量油耗;
所述作业方量油耗均值包括泵送方量油耗均值、臂架方量油耗均值以及待料方量油耗均值;所述将所述作业方量油耗与所述作业方量油耗均值进行比较,包括:
将所述泵送方量油耗与所述泵送方量油耗均值进行比较;和/或
将所述臂架方量油耗与所述臂架方量油耗均值进行比较;和/或
将所述待料方量油耗与所述待料方量油耗均值进行比较;
所述在所述作业方量油耗与所述作业方量油耗均值的差值大于第二预设数值的情况下,确定所述泵车为油耗异常泵车,包括:
在所述泵送方量油耗与所述泵送方量油耗均值的差值大于第三预设数值的情况下,和/或在所述臂架方量油耗与所述臂架方量油耗均值的差值大于第四预设数值的情况下,和/或所述待料方量油耗与所述待料方量油耗均值的差值大于第五预设数值的情况下,确定所述泵车为油耗异常泵车。
7.根据权利要求6所述的方法,其特征在于,所述第三预设数值为所述泵车机群的泵送方量油耗的标准差的第一预设倍数或所述泵车机群的泵送方量油耗的四分位距离的第二预设倍数;
所述第四预设数值为所述泵车机群的臂架方量油耗的标准差的第一预设倍数或所述泵车机群的臂架方量油耗的四分位距离的第二预设倍数;
所述第五预设数值为所述泵车机群的待料方量油耗的标准差的第一预设倍数或所述泵车机群的待料方量油耗的四分位距离的第二预设倍数,其中,所述第一预设倍数大于所述第二预设倍数。
8.根据权利要求6所述的方法,其特征在于,所述油泵包括主油泵、分配泵以及臂架泵;所述将所述待料状态下的发动机转速和发动机扭矩、总作业时长、各油泵对应的泵送流量、泵送压力以及作业时长输入至预存储的油耗分配模型,以得到所述泵送油耗、所述臂架油耗以及所述待料油耗,包括:
根据所述主油泵和所述分配泵对应的泵送流量、泵送压力以及作业时长,确定泵送功耗;
根据所述臂架泵对应的泵送流量、泵送压力以及作业时长,确定臂架功耗;
根据所述待料状态下的发动机转速和发动机扭矩以及所述总作业时长,确定所述待料功耗;
根据所述作业油耗、所述泵送功耗、所述臂架功耗以及所述待料功耗确定所述泵送油耗、所述臂架油耗以及所述待料油耗。
9.一种用于分析泵车油耗异常的方法,其特征在于,所述方法包括:
识别油耗异常泵车,其中,所述油耗异常泵车通过根据权利要求1至8中任意一项所述的用于识别油耗异常泵车的方法识别得到;
获取所述油耗异常泵车所属类型的泵车机群中各泵车在预设时间段内的油耗影响因素指标值;
将所述油耗异常泵车的油耗影响因素指标值与油耗影响因素指标均值进行比较,其中,所述油耗影响因素指标均值为所述泵车机群的油耗影响因素指标的均值;
在所述油耗影响因素指标值与所述油耗影响因素指标均值的差值的绝对值大于预设阈值的情况下,确定所述油耗影响因素指标值对应的油耗影响因素为所述油耗异常泵车的油耗异常原因。
10.根据权利要求9所述的方法,其特征在于,所述预设阈值为所述泵车机群的油耗影响因素指标值的标准差的第一预设倍数或所述泵车机群的油耗影响因素指标值的四分位距离的第二预设倍数,所述第一预设倍数大于所述第二预设倍数。
11.根据权利要求9所述的方法,其特征在于,所述油耗影响因素的确定包括:
获取同一类型的泵车机群中各泵车在预设时间段内的历史工况数据;
对所述历史工况数据进行初步筛选,以筛选出与方量油耗相关的第一工况数据;
对所述第一工况数据进行统计学处理,以得到第二工况数据;
基于机器学习分类算法对所述第二工况数据进行训练,以得到油耗模型;
确定所述油耗模型的输入特征为所述油耗影响因素。
12.根据权利要求11所述的方法,其特征在于,所述油耗影响因素的数量为多个,所述方法还包括:
获取所述油耗模型中各个所述输入特征对应的特征系数;
对所述特征系数的数值进行排序,以得到所述多个油耗影响因素的重要程度顺序。
13.根据权利要求9所述的方法,其特征在于,所述油耗影响因素包括单位发动机工作时间泵送方量、单位泵送时间泵送方量、待料方量油耗、行驶方量油耗、待料时间占比、泵送频率均值、分配压力均值、泵送压力均值、油温标准差以及发动机转速波动中的至少一者。
14.一种处理器,其特征在于,被配置成执行根据权利要求1至8中任意一项所述的用于识别油耗异常泵车的方法。
15.一种处理器,其特征在于,被配置成执行根据权利要求9至13中任意一项所述的用于分析泵车油耗异常的方法。
16.一种用于识别油耗异常泵车的装置,其特征在于,包括:
工况数据检测设备,用于检测泵车的工况数据;以及
根据权利要求14所述的处理器。
17.一种用于分析泵车油耗异常的装置,其特征在于,包括:
根据权利要求15所述的处理器。
18.一种泵车,其特征在于,包括:
根据权利要求16所述的用于识别油耗异常泵车的装置或者根据权利要求17所述的用于分析泵车油耗异常的装置。
19.一种机器可读存储介质,所述机器可读存储介质上存储程序或指令,其特征在于,所述程序或指令被处理器执行时实现根据权利要求1至8中任意一项所述的用于识别油耗异常泵车的方法或者根据权利要求9至13中任意一项所述的用于分析泵车油耗异常的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210983576.9A CN115388970A (zh) | 2022-08-16 | 2022-08-16 | 用于识别油耗异常泵车的方法及分析泵车油耗异常的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210983576.9A CN115388970A (zh) | 2022-08-16 | 2022-08-16 | 用于识别油耗异常泵车的方法及分析泵车油耗异常的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115388970A true CN115388970A (zh) | 2022-11-25 |
Family
ID=84120600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210983576.9A Pending CN115388970A (zh) | 2022-08-16 | 2022-08-16 | 用于识别油耗异常泵车的方法及分析泵车油耗异常的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115388970A (zh) |
-
2022
- 2022-08-16 CN CN202210983576.9A patent/CN115388970A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109524139B (zh) | 一种基于设备工况变化的实时设备性能监测方法 | |
CN108460144B (zh) | 一种基于机器学习的煤炭设备故障预警系统及方法 | |
US7275018B2 (en) | Method of condition monitoring | |
US10768188B2 (en) | Diagnostic device and method for monitoring operation of a technical system | |
CN112727965B (zh) | 采煤机制动器的故障监测方法及装置 | |
US10963797B2 (en) | System for analyzing machine data | |
US11170332B2 (en) | Data analysis system and apparatus for analyzing manufacturing defects based on key performance indicators | |
KR102343752B1 (ko) | 프로세스 장치에서 전체 프로세스 섹션의 상태를 자동 모니터링하고 측정하는 컴퓨터 실행 방법 및 시스템 | |
CN109507992B (zh) | 一种机车制动系统部件的故障预测方法、装置及设备 | |
CN113931258A (zh) | 自我诊断方法和无负压叠压供水设备 | |
CN113221455A (zh) | 一种设备的健康状态检测方法和装置 | |
CN110696990B (zh) | 一种基于数据驱动的船舶发电机部件影响识别方法及系统 | |
US8224690B2 (en) | Graphical risk-based performance measurement and benchmarking system and method | |
RU2687848C1 (ru) | Способ и система вибромониторинга промышленной безопасности динамического оборудования опасных производственных объектов | |
CN112486136B (zh) | 故障预警系统及方法 | |
CN115388970A (zh) | 用于识别油耗异常泵车的方法及分析泵车油耗异常的方法 | |
CN117010549A (zh) | 基于大数据管理体系的信息溯源方法及终端 | |
CN110991779A (zh) | 抽油机井的异常检测方法及装置 | |
CN114487848A (zh) | 一种蓄电池的状态计算方法和装置 | |
CN109894476B (zh) | 一种冷轧硅钢生产线液压设备故障诊断方法和装置 | |
RU2782634C1 (ru) | Способ определения количества выходящих из строя объектов с использованием данных о наработках эксплуатируемых технических объектов | |
US20240125675A1 (en) | Anomaly detection for industrial assets | |
CN117469152B (zh) | 流体泵异常检测方法、装置、电子设备和存储介质 | |
EP4300393A1 (en) | Method for loss detection | |
CN115327083A (zh) | 油液监测方法、装置和系统 |
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 |