CN115508089A - 一种主轴承的工况识别方法、装置及介质 - Google Patents
一种主轴承的工况识别方法、装置及介质 Download PDFInfo
- Publication number
- CN115508089A CN115508089A CN202211121572.6A CN202211121572A CN115508089A CN 115508089 A CN115508089 A CN 115508089A CN 202211121572 A CN202211121572 A CN 202211121572A CN 115508089 A CN115508089 A CN 115508089A
- Authority
- CN
- China
- Prior art keywords
- working condition
- parameters
- main bearing
- judgment standard
- working
- 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
- 238000000034 method Methods 0.000 title claims abstract description 99
- 230000002159 abnormal effect Effects 0.000 claims abstract description 78
- 238000003909 pattern recognition Methods 0.000 claims description 35
- 238000004458 analytical method Methods 0.000 claims description 23
- 238000007621 cluster analysis Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000005641 tunneling Effects 0.000 abstract description 6
- 230000009977 dual effect Effects 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000010276 construction Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000012216 screening Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000001050 lubricating effect Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 208000022971 Tuberculous meningitis Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 208000001223 meningeal tuberculosis Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000002002 slurry Substances 0.000 description 2
- 238000005452 bending Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G01M13/04—Bearings
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种主轴承的工况识别方法、装置及介质,适用于盾构机主轴承技术领域。该方法通过对工作参数进行影响因素的评判分为绝对判断标准参数和相对判断标准参数,进而根据专家系统构建工况模式识别分类器,避免现有的工况识别方法仅是通过工作参数自身的变化导致的识别片面不准确的问题,在绝对判断标准参数通过工况模式识别分类器得到的分类结果的基础上,对于非正常工况继续通过相对判断标准参数进一步通过工况模式识别分类器分类识别得到最终分类结果。综上,经过绝对判断、相对判断的双重判断,结合工况模式识别分类器进行分类识别,提升盾构机主轴承的工况识别结果的可靠性。
Description
技术领域
本发明涉及盾构机主轴承技术领域,特别是涉及一种主轴承的工况识别方法、装置及介质。
背景技术
隧道掘进机刀盘主轴承是驱动刀盘转动的核心部件,安装于隧道掘进机主驱动壳体内,在施工过程中伴随掘进作业的不同工况,始终承受多向的压、弯、扭的联合作用,局部承载轻度会显著增强且变化频繁,轴承温度场和润滑流场的不均匀进一步恶化轴承工作状态。在非线性、多耦合的变化过程,复杂工况使主轴承故障剩余寿命缩短,导致主轴承过早出现局部磨损、损伤乃至失效,为此研究盾构机主轴承工况识别方法对于预判主轴承使用寿命、降低因轴承损坏带来的损失具有至关重要的意义。
目前的主轴承识别方法大多基于载荷信号模拟以及振动信号本身信号的单一影响因素下的工况分析,由于缺少结合实际情况、联系工况之间影响关系的分析,导致的工况识别较为片面,降低盾构机主轴承的工况识别结果的可靠性。
因此,寻求一种主轴承的工况识别方法是本领域技术人员亟需要解决的。
发明内容
本发明的目的是提供一种主轴承的工况识别方法、装置及介质,提升盾构机主轴承的工况识别结果的可靠性。
为解决上述技术问题,本发明提供一种主轴承的工况识别方法,包括:
获取表征主轴承的工作参数,其中工作参数为多个变量;
根据主轴承的影响因素判断标准将工作参数分为绝对判断标准参数和相对判断标准参数;
将绝对判断标准参数输入至工况模式识别分类器进行分类得到初始分类结果,其中工况模式识别分类器由专家系统与聚类分析方法构建得到,初始分类结果包括正常工况和非正常工况;
根据初始分类结果的非正常工况将相对判断标准参数输入至工况模式识别分类器进行分类得到最终分类结果。
优选地,根据主轴承的影响因素判断标准将工作参数分为绝对判断标准参数和相对判断标准参数,包括:
根据主轴承的影响因素判断标准对工作参数进行优先级排序;
根据预设要求将优先级排序内的前N个影响因素对应的工作参数作为绝对判断标准参数;
根据预设要求将优先级排序内的除前N个影响因素之外的影响因素对应的工作参数作为相对判断标准参数。
优选地,工况模式识别分类器的构建过程包括以下步骤:
获取表征主轴承的样本参数、专家系统内的多个工况的描述信息以及对应的工况特征参数;
根据多个工况的描述信息之间的关系构建关系网络;
根据工况特征参数对样本参数进行聚类分析得到当前聚类结果,其中聚类分析通过设定预设条件对样本参数进行聚类得到;
统计聚类分析的次数;
判断当前聚类结果对应的聚类分析的次数是否超出阈值;
若否,则返回至将样本参数进行聚类分析得到当前聚类结果的步骤;
若是,则将当前聚类结果作为最终聚类结果;
根据关系网络与最终聚类结果的对应关系构建工况模式识别分类器。
优选地,将绝对判断标准参数输入至工况模式识别分类器进行分类得到初始分类结果,包括:
获取工况模式识别分类器的多个分类对应的参数正常范围和参数警告范围,其中参数正常范围低于参数警告范围;
当绝对判断标准参数超出参数正常范围时,则确定主轴承的初始分类结果为非正常工况,其中非正常工况包括异常工况和极端工况;
当绝对判断标准参数处于参数正常范围内时,则确定主轴承的初始分类结果为正常工况;
其中,异常工况和极端工况的确定过程具体包括:
当绝对判断标准参数超出参数正常范围且处于参数警告范围内时,则确定主轴承的初始分类结果对应的非正常工况为异常工况;
当绝对判断标准参数超出参数警告范围时,则确定主轴承的初始分类结果对应的非正常工况为极端工况。
优选地,根据初始分类结果的非正常工况将相对判断标准参数输入至工况模式识别分类器进行分类得到最终分类结果,包括:
当相对判断标准参数处于参数正常范围内或相对判断标准参数中至少一个参数超出参数正常范围且处于参数警告范围内时,则确定主轴承的初始分类结果对应的非正常工况为异常工况;
当相对判断标准参数中至少一个参数超出参数警告范围时,则确定主轴承的初始分类结果对应的非正常工况为极端工况。
优选地,获取表征主轴承的工作参数,包括:
获取表征主轴承的初始工作参数;
将初始工作参数进行预处理得到工作参数。
优选地,还包括:
当主轴承对应的工况为异常工况时,则输出第一提示信息;
当主轴承对应的工况为极端工况时,则输出第二提示信息。
为解决上述技术问题,本发明还提供一种主轴承的工况识别装置,包括:
获取模块,用于获取表征主轴承的工作参数,其中工作参数为多个变量;
处理模块,用于根据主轴承的影响因素判断标准将工作参数分为绝对判断标准参数和相对判断标准参数;
第一分类模块,用于将绝对判断标准参数输入至工况模式识别分类器进行分类得到初始分类结果,其中工况模式识别分类器由专家系统与聚类分析方法构建得到,初始分类结果包括正常工况和非正常工况;
第二分类模块,用于根据初始分类结果的非正常工况将相对判断标准参数输入至工况模式识别分类器进行分类得到最终分类结果。
为解决上述技术问题,本发明还提供一种主轴承的工况识别装置,包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序时实现如上述主轴承的工况识别方法的步骤。
为解决上述技术问题,本发明提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上述主轴承的工况识别方法的步骤。
本发明提供的一种主轴承的工况识别方法,包括获取表征主轴承的工作参数,其中工作参数为多个变量;根据主轴承的影响因素判断标准将工作参数分为绝对判断标准参数和相对判断标准参数;将绝对判断标准参数输入至工况模式识别分类器进行分类得到初始分类结果,其中工况模式识别分类器由专家系统与聚类分析方法构建得到,初始分类结果包括正常工况和非正常工况;根据初始分类结果的非正常工况将相对判断标准参数输入至工况模式识别分类器进行分类得到最终分类结果。该方法通过对工作参数进行影响因素的评判分为绝对判断标准参数和相对判断标准参数,进而根据专家系统构建工况模式识别分类器,避免现有的工况识别方法仅是通过工作参数自身的变化导致的识别片面不准确的问题,在绝对判断标准参数通过工况模式识别分类器得到的分类结果的基础上,对于非正常工况继续通过相对判断标准参数进一步通过工况模式识别分类器分类识别得到最终分类结果。综上,经过绝对判断、相对判断的双重判断,结合工况模式识别分类器进行分类识别,提升盾构机主轴承的工况识别结果的可靠性。
另外,本发明还提供了一种主轴承的工况识别装置及介质,具有如上述主轴承的工况识别方法相同的有益效果。
附图说明
为了更清楚地说明本发明实施例,下面将对实施例中所需要使用的附图做简单的介绍,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他的附图。
图1为本发明实施例提供的一种主轴承的工况识别方法的流程图;
图2为本发明实施例提供的一种主轴承的识别方法的应用示意图;
图3为本发明实施例提供的一种主轴承的工况识别装置的结构图;
图4为本发明实施例提供的另一种主轴承的工况识别装置的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下,所获得的所有其他实施例,都属于本发明保护范围。
本发明的核心是提供一种主轴承的工况识别方法、装置及介质,提升盾构机主轴承的工况识别结果的可靠性。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。
需要说明的是,由于国内外缺乏针对性的隧道掘进机主轴承现场测试和检测方法,盾构机主轴承工况模拟实验具有较大的探索空间,呈现出理论分析缺乏真实数据支撑、实验数据缺乏可靠方法分析的现象。本发明提供的主轴承的工况识别方法,适用于主轴承的工况下的不同参数的识别,同时也针对不同的应用场景的盾构机,包括但不限于包括但不限于泥水平衡盾构机、土压平衡盾构机、全断面隧道硬岩掘进机、斜井全断面隧道掘进机(Tunnel Boring Machine,TBM)、竖井等。
图1为本发明实施例提供的一种主轴承的工况识别方法的流程图,如图1所示,该方法包括:
S11:获取表征主轴承的工作参数,其中工作参数为多个变量;
S12:根据主轴承的影响因素判断标准将工作参数分为绝对判断标准参数和相对判断标准参数;
S13:将绝对判断标准参数输入至工况模式识别分类器进行分类得到初始分类结果,其中工况模式识别分类器由专家系统与聚类分析方法构建得到,初始分类结果包括正常工况和非正常工况;
S14:根据初始分类结果的非正常工况将相对判断标准参数输入至工况模式识别分类器进行分类得到最终分类结果。
具体地,获取表征主轴承的工作参数,可以是盾构机主轴承工作过程中的任意一种参数,例如盾构机主轴承润滑泵工作压力值、内部元件温度值、设备振动信号值、主轴承工况载荷、油品在线检测结果,还可以包括轴向载荷、径向载荷、倾覆力矩等能表征主轴承的不同工况下的参数。需要说明的是,主轴承的工作参数在采集过程后,进行初步预处理等操作以确保后续的数据处理减少非工况因素的干扰。预处理操作可以是针对不同变量的工作参数转换为相同维度的数据,或者在频率筛选以及降噪处理,剥离干扰信息等。本发明实施例对于预处理的具体内容不做限定,只要能将采集到的数据进行预处理剥离干扰信息即可。
另外,工作参数为多个变量,由于后续根据多种变量下的工作参数进行工况识别,若仅有一种变量的工作参数,导致后续的工况识别的判断标准单一,并没有解决背景技术中提到的问题,故对应采取多种工作参数,并依据多种变量的工作参数分为不同的判断参数以供后续的分类识别。
在步骤S11中得到的工作参数,进而根据主轴承的影响因素判断标准将获取到的多种变量的工作参数进行分类,主要分为绝对判断标准参数和相对判断标准参数。绝对判断标准参数和相对判断标准参数仅是对于影响因素进行说明,例如工作参数的变量为盾构机主轴承润滑泵工作压力值、内部元件温度值、设备振动信号值、主轴承工况载荷、油品在线检测结果五种,对应影响因素判断标准根据影响因素的权重进行排序,将盾构机主轴承润滑泵工作压力值、内部元件温度值两个变量作为绝对判断标准参数,则剩余的三种变量作为相对判断标准参数,对应各个判断标准参数中也可以进一步根据影响因素的重要性分为不同的梯队,变量种类越多,则工况识别的准确度越准确。对应各个判断标准参数内的变量个数不做要求,但是任意一种变量仅能存在一个判断标准参数中,即绝对或相对,在此剥离偏差较大的,会对结果造成干扰的参数。当然对于盾构机主轴承的工作参数的分类可以根据实际的工况识别内容进行划分,在此不做具体限定,
根据步骤S12中的绝对判断标准参数和相对判断标准参数,进行双重判断识别,依次先将绝对判断标准参数的一个变量或者多个变量下的工作参数进行初步的工况识别,得到初始分类结果。本实施例提供的工况模式识别分类器由专家系统与聚类分析方法构建得到,专家系统内部含有大量关于盾构机施工领域专家水平的主轴承的相关知识与经验。聚类分析方法为多变量统计技术,主要有分层聚类法和迭代聚类法,是研究分类的一种多元统计方法。
专家系统是一个或一组能在某些特定领域内,应用大量的专家知识和推理方法求解复杂问题的一种人工智能计算机程序,属于人工智能的一个发展分支,专家系统的研究目标是模拟人类专家的推理思维过程,一般是将领域专家的知识和经验,用一种知识表达模式存入计算机,系统对输入的事实进行推理,做出判断和决策。
由于聚类分析法包括多种,可以有划分法、层次法、基于密度的方法,基于网格的方法,基于模型的方法等,聚类分析法根据实际的工作参数选择实际的聚类方法,本发明不做具体限定。可以根据工作参数量的多少以及具体的呈现方式等选择合适的聚类分析方法。
初始分类结果主要分为两种,正常工况和非正常工况,对于正常工况下不作进一步的识别内容,对于非正常工况下的情况继续通过相对判断标准参数进行分类识别,以便双重识别,对非正常工况作精准的工况识别分类。
将相对判断标准参数继续输入至工况模式识别分类器内进行分类识别,由于主要针对非正常工况下的数据进行分类识别,对应的最终分类结果为非正常工况,仅是根据其他工作参数(相对判断标准参数)作进一步的识别提高当前主轴承的工况识别下的识别精准。
本发明提供的一种主轴承的工况识别方法,包括获取表征主轴承的工作参数,其中工作参数为多个变量;根据主轴承的影响因素判断标准将工作参数分为绝对判断标准参数和相对判断标准参数;将绝对判断标准参数输入至工况模式识别分类器进行分类得到初始分类结果,其中工况模式识别分类器由专家系统与聚类分析方法构建得到,初始分类结果包括正常工况和非正常工况;根据初始分类结果的非正常工况将相对判断标准参数输入至工况模式识别分类器进行分类得到最终分类结果。该方法通过对工作参数进行影响因素的评判分为绝对判断标准参数和相对判断标准参数,进而根据专家系统构建工况模式识别分类器,避免现有的工况识别方法仅是通过工作参数自身的变化导致的识别片面不准确的问题,在绝对判断标准参数通过工况模式识别分类器得到的分类结果的基础上,对于非正常工况继续通过相对判断标准参数进一步通过工况模式识别分类器分类识别得到最终分类结果。综上,经过绝对判断、相对判断的双重判断,结合工况模式识别分类器进行分类,提升盾构机主轴承的工况识别结果的可靠性。
在上述实施例的基础上,步骤S12中的根据主轴承的影响因素判断标准将工作参数分为绝对判断标准参数和相对判断标准参数,包括:
根据主轴承的影响因素判断标准对工作参数进行优先级排序;
根据预设要求将优先级排序内的前N个影响因素对应的工作参数作为绝对判断标准参数;
根据预设要求将优先级排序内的除前N个影响因素之外的影响因素对应的工作参数作为相对判断标准参数。
需要说明的是,主轴承的影响因素判断标准依据工作参数的变量对其主轴承的正常工作的影响大小进行判断,因此,需要将获取到的工作参数进行优先级排序。
对应地,主轴承的影响因素判断标准可以为生产厂家测试生产或者经验者总结的标准名单,也可以根据当前采集的工作参数根据实际工况情况自动设置排序规则等。将当前采集的工作参数涉及到的变量进行排序,例如依据影响因素的大小排序生成的20个变量的影响因素的标准名单,其中前5个作为影响因素的绝对判断标准参数,后续的15个影响因素作为相对判断标准参数。当前采集的有5个影响因素,其中2个变量的影响因素在绝对判断标准参数的名单中,则可以将该2个变量对应的工作参数作为绝对判断标准参数,即N为2,后续的3个变量的影响因素作为相对判断标准参数。
若当前采集的有5个影响因素,5个都在绝对判断标准参数,可以将绝对标准参数的部分变量设置在相对判断标准参数中,但优先级的排序不能乱。当根据实际工况情况自动设置的排序规则,可以选择前N各作为绝对判断标准参数,后续的作为相对判断标准参数,本实施例不做具体限定,只要能将采集的工作参数进行完整的区分,并且根据影响因素的判断标准进行区分即可。
本发明实施例提供的根据主轴承的影响因素判断标准将工作参数分为绝对判断标准参数和相对判断标准参数,便于后续进行双重判断以确保识别结果的可靠性。
在上述实施例的基础上,步骤S13中的工况模式识别分类器的构建过程包括以下步骤:
获取表征主轴承的样本参数、专家系统内的多个工况的描述信息以及对应的工况特征参数;
根据多个工况的描述信息之间的关系构建关系网络;
根据工况特征参数对样本参数进行聚类分析得到当前聚类结果,其中聚类分析通过设定预设条件对样本参数进行聚类得到;
统计聚类分析的次数;
判断当前聚类结果对应的聚类分析的次数是否超出阈值;
若否,则返回至将样本参数进行聚类分析得到当前聚类结果的步骤;
若是,则将当前聚类结果作为最终聚类结果;
根据关系网络与最终聚类结果的对应关系构建工况模式识别分类器。
需要说明的是,工况模式识别分类器的构建需要反复训练和测试,因此,获取表征主轴承的样本参数,还要获取专家系统内的工况的描述信息以及对应的工况特征参数,其中工况的描述信息主要是表征不同工况下主轴承的参数,与工况特征参数可以相同,也可以不同。工况特征参数主要区分不同工况下的特征,通过不同工况下主轴承的参数提取得到。为了便于建立工况模式识别分类器的权威公平性,需要获取专家系统内的多个工况的描述信息,通过多个工况的描述信息之间的关系构建特征关系网络。
基于专家系统,将不同工况下的工况特征参数作为聚类模型的取值,不同样本参数作为输入变量,利用聚类分析算法进行模型训练,聚类结果中每一簇代表一种工况状态,同一种状态对应相同的工况模式,由于每次聚类分析后得到簇与簇之间的聚类效果在不断的改善,故需要对该模型进行训练、测试,以得到工况模式识别分类器。
将样本参数进行聚类分析得到当前聚类结果,需要说明的是,聚类分析通过设定预设条件对样本进行聚类,其预设条件可以为将聚类的参数最终分为几类,或者类别的筛选关系、筛选条件、筛选次数,或者样本之间的相似度、类与类之间的相似度等作为预设条件,得到聚类结果。本实施例对于预设条件的设定不做具体限定,可根据实际情况进行设定。
当聚类完成一次后,统计当前以及过去的聚类分析的次数,若当前次数未超出阈值,则说明训练测试次数未达到,需要继续训练测试。若当前次数超出阈值,则说明当前聚类的参数已经测试训练达到相应的次数,其聚类的结果可以作为最终聚类结果,也就是工况模式识别分类器的分类情况。例如,聚类结果分为三类:正常工况、异常工况和极端工况,则工况模式识别分类器的分类情况相同。
将最终聚类结果和构建的关系网络结合得到具有当前工况下的工况模式识别分类器。本实施例中构建的工况模式识别分类器,可以针对不同应用场景的盾构机,建立相应的专家系统,设置不同的工况模式识别分类器,增减工况特征原因追溯关系网络。
本发明实施例提供的工况模式识别分类器的构建过程,结合专家系统的关系网络,有效解决了现有盾构机主轴承工况试验数据、施工数据短缺的问题,且复杂条件下盾构机主轴承工况进行识别,且具备较强的拓展性,针对不同的工况模式识别分类器和专家经验系统网络,可增减工况特征关系网络结构。结合实际情况以及工况之间影响关系便于后续的工况识别分类。
在上述实施例的基础上,步骤S13中的将绝对判断标准参数输入至工况模式识别分类器进行分类得到初始分类结果,包括:
获取工况模式识别分类器的多个分类对应的参数正常范围和参数警告范围,其中参数正常范围低于参数警告范围;
当绝对判断标准参数超出参数正常范围时,则确定主轴承的初始分类结果为非正常工况,其中非正常工况包括异常工况和极端工况;
当绝对判断标准参数处于参数正常范围内时,则确定主轴承的初始分类结果为正常工况;
其中,异常工况和极端工况的确定过程具体包括:
当绝对判断标准参数超出参数正常范围且处于参数警告范围内时,则确定主轴承的初始分类结果对应的非正常工况为异常工况;
当绝对判断标准参数超出参数警告范围时,则确定主轴承的初始分类结果对应的非正常工况为极端工况。
具体地,由于工况模式识别分类器分为三类,正常工况、异常工况和极端工况,实则为两大类,正常工况和非正常工况。对应不同工况其采取参数正常范围和参数警告范围,当绝对判断标准参数大于正常阈值时,则确定主轴承当前的工况为非正常工况。当绝对判断标准参数处于参数正常范围内时,则确定主轴承的当前工况为正常工况。
对应地,异常工况和极端工况的确定过程具体包括:
当绝对判断标准参数超出参数正常范围且处于参数警告范围内时,则确定为异常工况。
当绝对判断标准参数超出参数警告范围时,则确定为极端工况。具体的参数范围根据实际情况设定,需要说明的是,参数正常范围低于参数警告范围。
本发明实施例提供的将绝对判断标准参数输入至工况模式识别分类器进行分类得到初始分类结果,通过绝对判断标准进行初步判断,输入至工况模式识别分类器对整体情况进行分析,实现绝对标准判断识别工况。
在上述实施例的基础上,步骤S14中的根据初始分类结果的非正常工况将相对判断标准参数输入至工况模式识别分类器进行分类得到最终分类结果,包括:
当相对判断标准参数处于参数正常范围内或相对判断标准参数中至少一个参数超出参数正常范围且处于参数警告范围时,则确定主轴承的初始分类结果对应的非正常工况为异常工况;
当相对判断标准参数中至少一个参数超出参数警告范围时,则确定主轴承的初始分类结果对应的非正常工况为极端工况。
图2为本发明实施例提供的一种主轴承的识别方法的应用示意图,如图2所示,在异常工况和极端工况的情况下,继续将相对判断标准参数输入至工况模式识别分类器进行分类得到最终分类结果,由于参数具有多个,则当相对判断标准参数处于参数正常范围或相对判断标准参数中至少一个参数超出参数正常范围且处于参数警告范围时,则可以确定为异常工况,本实施例提供的异常工况是基于初始分类结果内的非正常工况下进行的识别,故当处于正常线的情况下,无异常,其工作参数均符合标准范围,也是类归于异常工况。
当相对判断标准参数中至少一个参数超出参数警告范围时,则确定主轴承的初始分类结果对应的非正常工况为极端工况。如图2所示,当多个相对判断标准参数中的任意一个工作参数达到危险线,也就是超出参数警告范围时,则都为极端工况。
如图2所示,压力和温度为绝对判断标准参数,结合专家系统,进行分类识别,当处于异常工况和极端工况的非正常工况时,将振动信号、载荷和油品作为相对判断标准参数,结合专家系统,进行分类识别。
本发明实施例提供的根据初始分类结果的非正常工况将相对判断标准参数输入至工况模式识别分类器进行分类得到最终分类结果,针对非异常工况下的情况,进一步结合相对判断标准参数,进行工况识别。相较于单一影响因素工况的识别,具备较强的可靠性。
在上述实施例的基础上,步骤S11中的获取表征主轴承的工作参数,包括:
获取表征主轴承的初始工作参数;
将初始工作参数进行预处理得到工作参数。
需要说明的是,主轴承的工作参数在采集过程后,进行初步预处理等操作以确保后续的数据处理减少非工况因素的干扰。预处理操作可以是针对不同变量的工作参数转换为相同维度的数据,或者在频率筛选以及降噪处理,剥离干扰信息等。
本发明实施例提供的获取表征主轴承的初始工作参数;将初始工作参数进行预处理得到工作参数,剥离干扰信息,便于后续进行识别。
在上述实施例的基础上,该方法还包括:
当主轴承对应的工况为异常工况时,则输出第一提示信息;
当主轴承对应的工况为极端工况时,则输出第二提示信息。
具体地,当工况类别为非正常工况时,输出提示信息,需要说明的是,异常工况和极端工况两种工况的紧急程度不同,异常工况可以继续维持当前工作,但是极端工况可能直接导致其他设备受损,故输出的提示信息可以相同也可以不同。作为一种优选地实施例,两种提示信息不同,极端工况的提示信息较异常工况的提示信息输出频率较高,响度或者提示声音较大等。
本发明实施例提供的当主轴承对应的工况为异常工况时,则输出第一提示信息;当主轴承对应的工况为极端工况时,则输出第二提示信息,及时提醒工作人员进行检修维护。
上述详细描述了主轴承的工况识别方法对应的各个实施例,在此基础上,本发明还公开与上述方法对应的主轴承的工况识别装置,图3为本发明实施例提供的一种主轴承的工况识别装置的结构图。如图3所示,主轴承的工况识别装置包括:
获取模块11,用于获取表征主轴承的工作参数,其中工作参数为多个变量;
处理模块12,用于根据主轴承的影响因素判断标准将工作参数分为绝对判断标准参数和相对判断标准参数;
第一分类模块13,用于将绝对判断标准参数输入至工况模式识别分类器进行分类得到初始分类结果,其中工况模式识别分类器由专家系统与聚类分析方法构建得到,初始分类结果包括正常工况和非正常工况;
第二分类模块14,用于根据初始分类结果的非正常工况将相对判断标准参数输入至工况模式识别分类器进行分类得到最终分类结果。由于装置部分的实施例与上述的实施例相互对应,因此装置部分的实施例请参照上述装置部分的实施例描述,在此不再赘述。
对于本发明提供的一种主轴承的工况识别装置的介绍请参照上述方法实施例,本发明在此不再赘述,其具有上述主轴承的工况识别方法相同的有益效果。
图4为本发明实施例提供的另一种主轴承的工况识别装置的结构图,如图4所示,该装置包括:
存储器21,用于存储计算机程序;
处理器22,用于执行计算机程序时实现主轴承的工况识别方法的步骤。
本实施例提供的主轴承的工况识别装置可以包括但不限于泥水平衡盾构机、土压平衡盾构机、全断面隧道硬岩掘进机、斜井TBM、竖井等。
其中,处理器22可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器22可以采用数字信号处理器(Digital Signal Processor,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable LogicArray,PLA)中的至少一种硬件形式来实现。处理器22也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称中央处理器(CentralProcessing Unit,CPU);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器22可以集成有图像处理器(Graphics Processing Unit,GPU),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器22还可以包括人工智能(Artificial Intelligence,AI)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器21可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器21还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。本实施例中,存储器21至少用于存储以下计算机程序211,其中,该计算机程序被处理器22加载并执行之后,能够实现前述任一实施例公开的主轴承的工况识别方法的相关步骤。另外,存储器21所存储的资源还可以包括操作系统212和数据213等,存储方式可以是短暂存储或者永久存储。其中,操作系统212可以包括Windows、Unix、Linux等。数据213可以包括但不限于主轴承的工况识别方法所涉及到的数据等等。
在一些实施例中,主轴承的工况识别装置还可包括有显示屏23、输入输出接口24、通信接口25、电源26以及通信总线27。
领域技术人员可以理解,图4中示出的结构并不构成对主轴承的工况识别装置的限定,可以包括比图示更多或更少的组件。
处理器22通过调用存储于存储器21中的指令以实现上述任一实施例所提供的主轴承的工况识别方法。
对于本发明提供的一种主轴承的工况识别装置的介绍请参照上述方法实施例,本发明在此不再赘述,其具有上述主轴承的工况识别方法相同的有益效果。
进一步的,本发明还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器22执行时实现如上述主轴承的工况识别方法的步骤。
可以理解的是,如果上述实施例中的方法以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
对于本发明提供的一种计算机可读存储介质的介绍请参照上述方法实施例,本发明在此不再赘述,其具有上述主轴承的工况识别方法相同的有益效果。
以上对本发明所提供的一种主轴承的工况识别方法、主轴承的工况识别装置及介质进行了详细介绍。说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种主轴承的工况识别方法,其特征在于,包括:
获取表征所述主轴承的工作参数,其中所述工作参数为多个变量;
根据所述主轴承的影响因素判断标准将所述工作参数分为绝对判断标准参数和相对判断标准参数;
将所述绝对判断标准参数输入至工况模式识别分类器进行分类得到初始分类结果,其中所述工况模式识别分类器由专家系统与聚类分析方法构建得到,所述初始分类结果包括正常工况和非正常工况;
根据所述初始分类结果的所述非正常工况将所述相对判断标准参数输入至所述工况模式识别分类器进行分类得到最终分类结果。
2.根据权利要求1所述的主轴承的工况识别方法,其特征在于,所述根据所述主轴承的影响因素判断标准将所述工作参数分为绝对判断标准参数和相对判断标准参数,包括:
根据所述主轴承的影响因素判断标准对所述工作参数进行优先级排序;
根据预设要求将所述优先级排序内的前N个影响因素对应的工作参数作为所述绝对判断标准参数;
根据所述预设要求将所述优先级排序内的除所述前N个影响因素之外的影响因素对应的工作参数作为所述相对判断标准参数。
3.根据权利要求2所述的主轴承的工况识别方法,其特征在于,所述工况模式识别分类器的构建过程包括以下步骤:
获取表征所述主轴承的样本参数、所述专家系统内的多个工况的描述信息以及对应的工况特征参数;
根据多个所述工况的所述描述信息之间的关系构建关系网络;
根据所述工况特征参数对所述样本参数进行聚类分析得到当前聚类结果,其中所述聚类分析通过设定预设条件对所述工作参数进行聚类得到;
统计聚类分析的次数;
判断所述当前聚类结果对应的聚类分析的次数是否超出阈值;
若否,则返回至所述将所述样本参数进行聚类分析得到当前聚类结果的步骤;
若是,则将所述当前聚类结果作为最终聚类结果;
根据所述关系网络与所述最终聚类结果的对应关系构建所述工况模式识别分类器。
4.根据权利要求3所述的主轴承的工况识别方法,其特征在于,所述将所述绝对判断标准参数输入至工况模式识别分类器进行分类得到初始分类结果,包括:
获取所述工况模式识别分类器的多个分类对应的参数正常范围和参数警告范围,其中所述参数正常范围低于所述参数警告范围;
当所述绝对判断标准参数超出所述参数正常范围时,则确定所述主轴承的初始分类结果为所述非正常工况,其中所述非正常工况包括异常工况和极端工况;
当所述绝对判断标准参数处于所述参数正常范围内时,则确定所述主轴承的初始分类结果为所述正常工况;
其中,所述异常工况和所述极端工况的确定过程具体包括:
当所述绝对判断标准参数超出所述参数正常范围且处于所述参数警告范围内时,则确定所述主轴承的初始分类结果对应的所述非正常工况为所述异常工况;
当所述绝对判断标准参数超出所述参数警告范围时,则确定所述主轴承的初始分类结果对应的所述非正常工况为所述极端工况。
5.根据权利要求4所述的主轴承的工况识别方法,其特征在于,所述根据所述初始分类结果的所述非正常工况将所述相对判断标准参数输入至所述工况模式识别分类器进行分类得到最终分类结果,包括:
当所述相对判断标准参数处于所述参数正常范围内或所述相对判断标准参数中至少一个参数超出所述参数正常范围且处于所述参数警告范围内时,则确定所述主轴承的初始分类结果对应的所述非正常工况为所述异常工况;
当所述相对判断标准参数中至少一个参数超出所述参数警告范围时,则确定所述主轴承的初始分类结果对应的所述非正常工况为所述极端工况。
6.根据权利要求1所述的主轴承的工况识别方法,其特征在于,所述获取表征所述主轴承的工作参数,包括:
获取表征所述主轴承的初始工作参数;
将所述初始工作参数进行预处理得到所述工作参数。
7.根据权利要求1至6任意一项所述的主轴承的工况识别方法,其特征在于,还包括:
当所述主轴承对应的工况为所述异常工况时,则输出第一提示信息;
当所述主轴承对应的工况为所述极端工况时,则输出第二提示信息。
8.一种主轴承的工况识别装置,其特征在于,包括:
获取模块,用于获取表征所述主轴承的工作参数,其中所述工作参数为多个变量;
处理模块,用于根据所述主轴承的影响因素判断标准将所述工作参数分为绝对判断标准参数和相对判断标准参数;
第一分类模块,用于将所述绝对判断标准参数输入至工况模式识别分类器进行分类得到初始分类结果,其中所述工况模式识别分类器由专家系统与聚类分析方法构建得到,所述初始分类结果包括正常工况和非正常工况;
第二分类模块,用于根据所述初始分类结果的所述非正常工况将所述相对判断标准参数输入至所述工况模式识别分类器进行分类得到最终分类结果。
9.一种主轴承的工况识别装置,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述的主轴承的工况识别方法的步骤。
10.一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上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的主轴承的工况识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211121572.6A CN115508089A (zh) | 2022-09-15 | 2022-09-15 | 一种主轴承的工况识别方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211121572.6A CN115508089A (zh) | 2022-09-15 | 2022-09-15 | 一种主轴承的工况识别方法、装置及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115508089A true CN115508089A (zh) | 2022-12-23 |
Family
ID=84503761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211121572.6A Pending CN115508089A (zh) | 2022-09-15 | 2022-09-15 | 一种主轴承的工况识别方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115508089A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116304843A (zh) * | 2023-05-22 | 2023-06-23 | 湖南大学 | 基于振动响应实时识别盾构机前方地质条件的方法及系统 |
-
2022
- 2022-09-15 CN CN202211121572.6A patent/CN115508089A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116304843A (zh) * | 2023-05-22 | 2023-06-23 | 湖南大学 | 基于振动响应实时识别盾构机前方地质条件的方法及系统 |
CN116304843B (zh) * | 2023-05-22 | 2023-08-18 | 湖南大学 | 基于振动响应实时识别盾构机前方地质条件的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Feature trend extraction and adaptive density peaks search for intelligent fault diagnosis of machines | |
CN113361663B (zh) | 基于人工智能的电网事件诊断自主学习方法及系统 | |
CN108011367B (zh) | 一种基于深度决策树算法的电力负荷特性挖掘方法 | |
CN110232499A (zh) | 一种配电网信息物理侧风险预警方法及系统 | |
CN108304567B (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
CN111444471B (zh) | 一种基于多元高斯分布的电缆生产质量异常检测方法和系统 | |
CN107843745A (zh) | 风力发电机组的风速仪的故障诊断方法和装置、存储介质 | |
CN110348683A (zh) | 电能质量扰动事件主成因分析方法、装置设备及存储介质 | |
CN115981984A (zh) | 一种设备故障检测方法、装置、设备及存储介质 | |
CN110297207A (zh) | 智能电表的故障诊断方法、系统及电子装置 | |
CN110388315A (zh) | 基于多源信息融合的输油泵故障识别方法、装置及系统 | |
CN111796957A (zh) | 基于应用日志的交易异常根因分析方法及系统 | |
CN115408925A (zh) | 用于隧道施工的岩体参数预测方法和装置 | |
CN115508089A (zh) | 一种主轴承的工况识别方法、装置及介质 | |
CN111612149A (zh) | 一种基于决策树的主网线路状态检测方法、系统及介质 | |
CN111931334A (zh) | 一种用于评估电缆设备运行可靠性的方法及系统 | |
CN114202243A (zh) | 一种基于随机森林的工程项目管理风险预警方法及系统 | |
CN116124398A (zh) | 旋转机械故障检测方法及装置、设备、存储介质 | |
CN106846170B (zh) | 一种发电机组跳闸监测方法及其监测装置 | |
CN113313304A (zh) | 一种基于大数据决策树的电网事故异常分析方法及系统 | |
CN111062827B (zh) | 一种基于人工智能模式的工程监理方法 | |
CN117110794A (zh) | 一种电缆故障智能诊断系统及方法 | |
CN111352820A (zh) | 一种高性能应用运行状态预测和监控方法、设备和装置 | |
CN113268419B (zh) | 测试用例优化信息的生成方法、装置、设备和存储介质 | |
CN111209158B (zh) | 服务器集群的挖矿监控方法及集群监控系统 |
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 |