CN115795740A - 一种复杂工况下的工程机械液压油缸失效模式分析方法 - Google Patents

一种复杂工况下的工程机械液压油缸失效模式分析方法 Download PDF

Info

Publication number
CN115795740A
CN115795740A CN202310044782.8A CN202310044782A CN115795740A CN 115795740 A CN115795740 A CN 115795740A CN 202310044782 A CN202310044782 A CN 202310044782A CN 115795740 A CN115795740 A CN 115795740A
Authority
CN
China
Prior art keywords
hydraulic oil
oil cylinder
failure mode
working condition
engineering machinery
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.)
Granted
Application number
CN202310044782.8A
Other languages
English (en)
Other versions
CN115795740B (zh
Inventor
任家东
陈善功
石鹏
郝晓冰
黄国言
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.)
Yanshan University
Original Assignee
Yanshan University
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 Yanshan University filed Critical Yanshan University
Priority to CN202310044782.8A priority Critical patent/CN115795740B/zh
Publication of CN115795740A publication Critical patent/CN115795740A/zh
Application granted granted Critical
Publication of CN115795740B publication Critical patent/CN115795740B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

Abstract

本发明公开了一种复杂工况下的工程机械液压油缸失效模式分析方法，包括：考虑液压油缸服役过程中存在机械载荷、服役强度和服役环境的复杂工况条件的交互影响，基于工程机械液压油缸质量状态监测数据，建立复杂工况条件下失效特征多维向量的组合表征方法，设计了一种基于CART决策回归树的液压油缸失效模式智能分析模型，进行液压油缸质量状态的动态推理与预测，通过准确解析复杂服役工况条件下的液压油缸质量退化与失效演变关系函数，实现工程机械液压油缸质量状态动态分析和故障失效模式判别，支持液压油缸产品的质量状态评估、制定维护维修预案，以及优化产品设计与制造工艺等工程实践。

Description

一种复杂工况下的工程机械液压油缸失效模式分析方法
技术领域
本发明属于工程机械领域，特别是涉及一种复杂工况下的工程机械液压油缸失效模式分析方法。
背景技术
工程机械产品失效机理复杂，特别受到服役强度和所处复杂工况环境等因素的影响，引起系统的“多症并发”，其失效模式呈现出多样性和不确定性特点，进而威胁整个系统的可靠运行。机械产品监测数据蕴含了丰富的失效模式和质量状态退化信息，为产品失效分析提供了很好的数据支撑。目前国、内外工程机械企业越来越注重长期监测数据和典型案例，通过收集机械装备质量状态和失效数据，不断丰富产品质量检测和失效模式数据库。同时，国内一些工程机械企业利用可靠性分析试验平台，模拟复杂工况条件进行疲劳和寿命加速试验等，积累了大量质量状态监测数据，这些为数据挖掘技术的应用提供可能。我国工程机械产业正处在向高端、高质和高效方向发展的重要转型期，如何有效利用服役工况数据、产品质量检测和故障失效模式数据，系统性地分析故障的失效约束及影响关系，揭示工程机械产品失效机理和演变规律，成为我国工程机械行业成长过程中不断提升产品服务质量、优化产品设计和制造工艺亟待解决的重要问题。
针对具有多种失效模式的机械零部件，由于不同失效模式之间存在不同程度的相关性，其失效关系分析极其复杂。当前工程机械液压产品失效研究常采用理化分析方法和系统工程分析方法，理化分析方法分为产品失效强度分析方法、产品生产工艺分析方法、产品服役条件分析方法和失效产品类别分析方法等；系统工程分析方法分为故障树分析法（FTA）、特征因素分析法、失效模式及影响分析法（FMEA或FMECA）、时序树分析法（ETA）等。虽然，国、内外对机械产品失效研究取得了一定的进展，但由于失效机理的复杂性，目前采用的材料和应力特性等分析模型方法，难以反映工程机械多维特征之间的耦合关系和整体效应，影响了分析准确性。同时，数据挖掘作为失效模式分析和预测有效方法，没有与失效机理有效结合，均是针对退化数据本身寻找单个零部件的失效规律，没有充分考虑外部服役强度和工况环境的作用影响，导致其故障失效识别精度低、泛化能力弱。为此，基于工程机械产品多工况交替、多故障信息耦合的质量监测数据，已经逐步转向以机理为基础、数据为中心、计算为手段、智能数据解析的新思路，以准确分析产品故障和质量状态。
针对以上问题，在工程机械液压油缸产品质量检测数据基础上，建立了一种基于CART决策回归树的失效模式分析方法，实现工程机械液压油缸典型产品在不同工况条件耦合作用下的失效状态关系分析。提出了复杂工况下的产品失效特征多维向量的组合表征方法，设计了基于CART决策回归树的液压油缸质量状态演变关系的数据挖掘算法，实现复杂工况下的工程机械液压油缸失效模式分析，为工程机械液压油缸产品的质量控制提供有效支撑。
发明内容
本发明的目的是提供一种复杂工况下的工程机械液压油缸失效模式分析方法，以解决上述现有技术存在的问题。
为实现上述目的，本发明提供了一种复杂工况下的工程机械液压油缸失效模式分析方法，包括以下步骤：
一、建立工程机械液压油缸工况条件描述方法：
二、建立所述液压油缸失效模式描述方法；
三、基于所述工况条件描述方法和所述失效模式描述方法，将机械液压油缸产品失效特征空间X看作为n个特征向量的组合，由此构建工程机械液压油缸失效模式分析矩阵：
四、利用CART监督学习算法，递归地将特征空间分割成若干部分，基于复杂工况下的特征变量组合，针对不同工况环境建立最优的CART决策分析树，基于所述决策分析树，实现液压油缸质量状态的分析与预测。
五、采用交叉验证方法选择最优参数。
进一步，所述条件描述方法即定义所述工况条件，包括：载荷强度、服役强度、工作环境。
进一步， 所述工作环境包括：城市道路、地下施工、矿山条件、沿海地域、沙地地域、高原地域；
进一步，所述失效模式描述方法即定义所述失效模式，包括：几何特征、外观特征、内部缺陷；
几何特征
Figure SMS_1
；
外观特征
Figure SMS_2
；
内部缺陷
Figure SMS_3
；
进一步，步骤三中，所述矩阵具体为：
Figure SMS_4
，其中，H 表征工作环境特征，Z 表征载荷强度特征，F 表征服役强度特征，G(t) 表征几何特征，S (t) 表征外观特征，I (t) 表征内部缺陷特征。
进一步，步骤四中，根据平方误差最小化准则，进行特征选择，生成CART决策分析树；
进一步，步骤四具体为：
在CART 决策分析树建立过程中，将液压油缸失效模式分析矩阵数据的
Figure SMS_5
列特征属性值按照从小到大的顺序排列，排列后的n个属性值从小到大的序列为
Figure SMS_6
，并取相邻两样本值的中位数，一共取得n-1个划分点
Figure SMS_7
；
Figure SMS_8
对于
Figure SMS_10
特征列，对应的任意划分点
Figure SMS_13
将数据集D划分成的数据集
Figure SMS_16
和
Figure SMS_9
，其中
Figure SMS_12
和
Figure SMS_15
在CART树中分别代表左子树和右子树，
Figure SMS_18
的选择需满足：
Figure SMS_11
和
Figure SMS_14
的均方误差MSE之和最小；
Figure SMS_17
和
Figure SMS_19
各自的均方误差MSE最小；
Figure SMS_20
，
Figure SMS_21
其中，
Figure SMS_25
表示数据集
Figure SMS_27
的相应工况下的性能退化平均值，
Figure SMS_31
表示数据集
Figure SMS_24
中的平均值，
Figure SMS_28
表示对应取
Figure SMS_32
特征列中第
Figure SMS_34
个样本对应的产品质量状态特征检测值，当得到
Figure SMS_23
特征列中的划分点
Figure SMS_29
后，依次计算其它特征列
Figure SMS_33
，
Figure SMS_35
，...，
Figure SMS_22
各自的划分点
Figure SMS_26
，然后选取所有划分点中使得
Figure SMS_30
最小的划分点所在的特征列，作为回归的根节点；
对每一次分裂后的数据集
Figure SMS_36
和
Figure SMS_37
，分别重复上述过程继续进行建树，直到CART树达到稳定状态，在此基础上，实现液压油缸质量状态的分析与预测，
Figure SMS_38
其中，
Figure SMS_39
代表了不同工况条件的失效状态演化函数关系。
进一步，步骤七中，所述选择最优参数具体为：
将训练集D分为L个等大的集合，然后选出L-1个作为模型的训练集，训练模型TreeModel0，并结合余下的一个集合
Figure SMS_40
作为验证集，测试TreeModel0的准确性，设定通过计算accuracy，分别对CART树回归模型寻找最优的参数，
Figure SMS_41
设定y i 表示第i 个样本的真实值，m i 表示第i 个样本的预测值，p 表示样本真实值的平均值，循环执行上述过程L次，确保没有重复，然后对于所有的score 求平均值，即对应的准确度accuracy。
本发明的技术效果为：
本发明基于工程机械液压油缸质量状态监测数据，建立了复杂工况条件下失效特征多维向量的组合表征方法，设计了一种基于CART决策回归树的液压油缸失效模式智能分析模型，进行液压油缸质量状态的动态推理与预测，包括故障产生、故障发展、故障劣化和故障失效。通过准确解析复杂服役工况条件下的液压油缸质量退化与失效演变关系函数，实现工程机械液压油缸质量状态动态分析和故障失效模式判别。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例中的工程机械液压产品失效模式分析方法示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了更好的实施工程机械液压油缸产品质量控制，本发明提出了一种工程机械液压油缸典型产品失效模式分析方法，考虑外部服役强度和工况环境的作用影响，建立多工况条件下的产品失效特征的组合表征方法，设计基于CART决策回归树的液压油缸质量退化与失效模式的动态解析算法，支持液压油缸产品的质量状态评估、制定维护维修预案，以及优化产品设计与制造工艺等工程实践。
为实现上述目的，本发明所述的主要步骤如下：
步骤1，建立工程机械液压油缸工况条件描述方法，服役工况条件主要指机械零部件在服役中所承受的工作载荷和工作环境，内容包括：载荷强度（承载重量）、服役强度（包括日均工作时长）、工作环境（包括温度、湿度和干燥度等条件）等。由于上述工况条件的综合影响，催生各种失效模式的衍生。例如：机械构件处于高温及潮湿环境下工作，加速了液压油缸疲劳与蠕变、疲劳与腐蚀（蚀坑，晶间腐蚀等）的故障失效进程。
其中，工作环境是造成工程机械液压油缸失效的重要因素，定义6种环境条件。
H={ 城市道路-1，地下施工-2，矿山条件-3，沿海地域-4，沙地地域-5，高原地域-6 }
步骤2，基于液压油缸结构形式与质量状态变化，建立工程机械液压油缸失效模式描述方法，包括：几何特征、外观特征与内部缺陷3个方面。
几何特征：
Figure SMS_42
外观特征：
Figure SMS_43
内部缺陷：
Figure SMS_44
在此基础上，将机械液压油缸产品失效特征空间X看作为n个特征向量的组合，由此构建工程机械液压油缸失效模式分析矩阵。
Figure SMS_45
其中，H 表征环境特征，Z 表征载荷特征，F 表征服役强度特征，G(t) 表征几何特征，S (t) 表征外观特征，I (t) 表征内部缺陷特征，液压油缸在不同工况条件作用下的G(t)，S (t)，I (t)性能会随时间逐步退化，甚至失效。
步骤3，采用CART监督学习算法，递归地将特征空间分割成几部分（或节点）。基于复杂工况下的产品特征变量组合，针对不同工况环境建立最优的CART决策分析树，CART树生成就是递归地构建二叉决策树的过程，在此过程中，根据平方误差最小化准则（失效拟合偏差），进行特征选择，生成二叉树。
步骤4，在CART 树建立过程，将液压油缸失效模式分析矩阵数据的
Figure SMS_46
列特征属性值按照从小到大的顺序排列，排列后的n个属性值从小到大的序列为
Figure SMS_47
，并取相邻两样本值的中位数，一共取得n-1个划分点
Figure SMS_48
。
Figure SMS_49
对于
Figure SMS_52
特征列，对应的任意划分点
Figure SMS_53
将数据集D 划分成的数据集
Figure SMS_56
和
Figure SMS_50
，其中
Figure SMS_54
和
Figure SMS_57
在CART树中分别代表左子树和右子树，
Figure SMS_59
的选择需满足：
Figure SMS_51
和
Figure SMS_55
的均方误差（MSE）之和最小；
Figure SMS_58
和
Figure SMS_60
各自的均方误差（MSE）最小。
Figure SMS_61
，
Figure SMS_62
其中，
Figure SMS_66
表示数据集
Figure SMS_70
的相应工况下的性能退化平均值，
Figure SMS_73
表示数据集
Figure SMS_65
中的平均值。
Figure SMS_68
表示对应取
Figure SMS_72
特征列中第
Figure SMS_75
个样本对应的产品质量状态特征检测值。当得到
Figure SMS_63
特征列中的划分点
Figure SMS_69
后，依次计算其它特征列
Figure SMS_74
，
Figure SMS_76
，...，
Figure SMS_64
各自的划分点
Figure SMS_67
，然后选取所有划分点中使得
Figure SMS_71
最小的划分点所在的特征列，作为回归的根节点。
步骤5，对每一次分裂后的数据集
Figure SMS_77
和
Figure SMS_78
，分别重复上述过程继续进行建树，直到CART树达到稳定状态。在此基础上，实现液压油缸质量状态的分析与预测。
Figure SMS_79
其中，
Figure SMS_80
代表了不同工况条件的失效状态演化函数关系。
步骤6，采用交叉验证方法来选择最优参数。将训练集D分为L个等大的集合，然后选出L-1个作为模型的训练集，训练模型TreeModel0，并结合余下的一个集合D i 作为验证集，测试TreeModel0的准确性。设定通过计算accuracy，分别对CART树回归模型寻找最优的参数。
Figure SMS_81
设定y i 表示第i 个样本的真实值，m i 表示第i 个样本的预测值，p 表示样本真实值的平均值。循环执行上述过程L次，确保没有重复。然后对于所有的score 求平均值，即对应的准确度accuracy。
实施例一
如图1所示，本实施例中提供一种复杂工况下的工程机械液压油缸失效模式分析方法，包括：
工程机械液压油缸产品服役过程中存在机械载荷、服役强度和服役环境等复杂工况条件的交互影响，造成失效状态的多样性和不确定性。对于多工况交替、多故障信息耦合及多变的工程机械质量监测数据，考虑外部服役强度和工况环境的作用影响，建立复杂工况下的产品失效约束条件、多工况条件和产品失效特征向量的组合表征方法，设计了基于CART分类回归树的服役工况与失效模式关系的数据挖掘算法，计算液压油缸失效状态的演变关系。
工程机械液压油缸典型服役工况条件定义如下：
服役工况条件主要指油缸产品在服役中所承受的工作载荷和工作环境，主要内容包括：1）载荷强度；2）服役强度（包括日均工作时长）；3）工作环境（包括温度、湿度和干燥度等条件）等。由于上述工况条件的综合影响，催生各种失效模式。例如：机械构件处于高温及潮湿环境下工作，加速了疲劳与蠕变、疲劳与腐蚀（蚀坑，晶间腐蚀等）的失效进程。
表1 液压油缸典型服役环境条件
Figure SMS_82
工程机械液压油缸失效模式定义如下：
失效模式研究需要识别故障种类以及损伤程度，从而分析产品失效状态的发生与及演化。以工程机械液压油缸为例，在复杂工况条件下，液压油缸质量状态与失效主要体现在几何特征、外观特征与内部缺陷几个方面，其典型失效模式如表2所示。
表2 液压油缸典型失效模式
Figure SMS_83
例如：液压缸失效位置为活塞杆靠近耳环位置，因为液压油缸活塞杆外观涂层为镀铬层，其表面存在细小的微裂纹，平常由液压油填充，在外在恶劣工况下，因长期外漏导致其与工作粉尘、泥沙等腐蚀介质接触，液压油难以完全填充，发生锈蚀、麻点等失效模式。
工程机械液压油缸失效模式关联分析模型如下：
基于模型与数据驱动手段建立一种失效关联分析方法，在工程机械产品检测数据库基础上，按照时间维度进行数据融合，建立产品失效状态分析矩阵和权重矩阵。根据复杂服役工况机械产品失效非线性演变特点，采用CART决策树作为基模型，进行失效模式特性关系的分类回归，实现复杂服役工况下失效模式关联分析。
工程机械液压油缸退役产品失效模式分析方法，包括：
步骤1，建立工程机械液压油缸工况条件描述方法，服役工况条件主要指机械零部件在服役中所承受的工作载荷和工作环境，内容包括：载荷强度（承载重量）、服役强度（包括日均工作时长）、工作环境（包括温度、湿度和干燥度等条件）等。由于上述工况条件的综合影响，催生各种失效模式的衍生。例如：机械构件处于高温及潮湿环境下工作，加速了液压油缸疲劳与蠕变、疲劳与腐蚀（蚀坑，晶间腐蚀等）的故障失效进程。
其中，工作环境是造成工程机械液压油缸失效的重要因素，定义6种环境条件。
H={ 城市道路-1，地下施工-2，矿山条件-3，沿海地域-4，沙地地域-5，高原地域-6 }
步骤2，基于液压油缸结构形式与质量状态变化，建立工程机械液压油缸失效模式描述方法，包括：几何特征、外观特征与内部缺陷3个方面。
几何特征：
Figure SMS_84
外观特征：
Figure SMS_85
内部缺陷：
Figure SMS_86
在此基础上，将机械液压油缸产品失效特征空间X看作为n个特征向量的组合，由此构建工程机械液压油缸失效模式分析矩阵。
Figure SMS_87
其中，H 表征环境特征，Z 表征载荷特征，F 表征服役强度特征，G(t) 表征几何特征，S (t) 表征外观特征，I (t) 表征内部缺陷特征，液压油缸在不同工况条件作用下的G(t)，S (t)，I (t)性能会随时间逐步退化，甚至失效。
步骤3，采用CART监督学习算法，递归地将特征空间分割成几部分（或节点）。基于复杂工况下的产品特征变量组合，针对不同工况环境建立最优的CART决策分析树，CART树生成就是递归地构建二叉决策树的过程，在此过程中，根据平方误差最小化准则（失效拟合偏差），进行特征选择，生成二叉树。
步骤4，在CART 树建立过程，将液压油缸失效模式分析矩阵数据的
Figure SMS_88
列特征属性值按照从小到大的顺序排列，排列后的n个属性值从小到大的序列为
Figure SMS_89
，并取相邻两样本值的中位数，一共取得n-1个划分点
Figure SMS_90
。
Figure SMS_91
对于
Figure SMS_93
特征列，对应的任意划分点
Figure SMS_97
将数据集D 划分成的数据集
Figure SMS_100
和
Figure SMS_92
，其中
Figure SMS_95
和
Figure SMS_98
在CART树中分别代表左子树和右子树，
Figure SMS_101
的选择需满足：
Figure SMS_94
和
Figure SMS_96
的均方误差（MSE）之和最小；
Figure SMS_99
和
Figure SMS_102
各自的均方误差（MSE）最小。
Figure SMS_103
，
Figure SMS_104
其中，
Figure SMS_106
表示数据集
Figure SMS_109
的相应工况下的性能退化平均值，
Figure SMS_113
表示数据集
Figure SMS_107
中的平均值。
Figure SMS_112
表示对应取
Figure SMS_116
特征列中第
Figure SMS_118
个样本对应的产品质量状态特征检测值。当得到
Figure SMS_105
特征列中的划分点
Figure SMS_110
后，依次计算其它特征列
Figure SMS_114
，
Figure SMS_117
，...，
Figure SMS_108
各自的划分点
Figure SMS_111
，然后选取所有划分点中使得
Figure SMS_115
最小的划分点所在的特征列，作为回归的根节点。
步骤5，对每一次分裂后的数据集
Figure SMS_119
和
Figure SMS_120
，分别重复上述过程继续进行建树，直到CART树达到稳定状态。在此基础上，实现液压油缸质量状态的分析与预测。
Figure SMS_121
其中，
Figure SMS_122
代表了不同工况条件的失效状态演化函数关系。
本发明实施例还包含：
工程数据库：记录工程机械液压油缸产品的服役工况条件、质量状态检测数据、以及失效数据等。其中，服役工况条件包括液压油缸在服役中所承受的工作载荷和工作环境数据，质量状态与失效检测数据包括几何特征、外观特征与内部缺陷，为液压油缸产品质量状态与故障失效分析提供基础数据支撑；
多维数据矩阵：将机械液压油缸产品失效特征空间X看作为n个特征向量的组合，选取环境特征参数、工作载荷特征参数、产品质量特征参数（包括拉伤、磨损等质量状态）、构造多维数据分析矩阵，即：X i ={H，Z，F，G(t)，S(t)，I(t) }。在此基础上，采用CART决策回归树模型进行液压油缸故障失效模式分析。
分析模型算法：采用CART监督学习模型，进行工程机械液压油缸产品的工况条件数据、产品质量检测数据的迭代学习，子树迭代分裂与构造，实现环境特征、工作载荷特征与产品质量特征之间耦合关联关系的最优拟合，建立产品质量状态退化函数，有效计算液压油缸目标质量状态，包括故障产生、故障发展、故障劣化和故障失效，实现工程机械液压油缸产品失效模式的动态解析，支持液压油缸产品的质量状态评估、制定维护维修预案，以及优化产品设计与制造工艺等工程实践。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.一种复杂工况下的工程机械液压油缸失效模式分析方法，其特征在于，包括以下步骤：
一、建立工程机械液压油缸工况条件描述方法：
二、建立所述液压油缸失效模式描述方法；
三、基于所述工况条件描述方法和所述失效模式描述方法，构建工程机械液压油缸失效模式分析矩阵：
四、利用CART监督学习算法，递归地将特征空间分割成若干部分，基于复杂工况下的特征变量组合，针对不同工况环境建立最优的CART决策分析树，基于所述决策分析树，实现液压油缸质量状态的分析与预测；
五、采用交叉验证方法选择最优参数。
2.根据权利要求1所述的复杂工况下的工程机械液压油缸失效模式分析方法，其特征在于，
所述条件描述方法即定义所述工况条件，包括：载荷强度、服役强度、工作环境。
3.根据权利要求2所述的复杂工况下的工程机械液压油缸失效模式分析方法，其特征在于，
所述工作环境包括：城市道路、地下施工、矿山条件、沿海地域、沙地地域、高原地域。
4.根据权利要求1所述的复杂工况下的工程机械液压油缸失效模式分析方法，其特征在于，
所述失效模式描述方法即定义所述失效模式，包括：几何特征、外观特征、内部缺陷；
几何特征
Figure QLYQS_1
；
外观特征
Figure QLYQS_2
；
内部缺陷
Figure QLYQS_3
。
5.根据权利要求1所述的复杂工况下的工程机械液压油缸失效模式分析方法，其特征在于，
步骤三中，所述矩阵具体为：
X i ={ H，Z，F，G(t)，S(t)，I(t) }，其中，H 表征工作环境特征，Z 表征载荷强度特征，F 表征服役强度特征，G(t) 表征几何特征，S (t) 表征外观特征，I (t) 表征内部缺陷特征。
6.根据权利要求1所述的复杂工况下的工程机械液压油缸失效模式分析方法，其特征在于，
步骤四中，根据平方误差最小化准则，进行特征选择，生成CART决策分析树。
7.根据权利要求6所述的复杂工况下的工程机械液压油缸失效模式分析方法，其特征在于，
步骤四具体为：
在CART 决策分析树建立过程中，将液压油缸失效模式分析矩阵数据的
Figure QLYQS_4
列特征属性值按照从小到大的顺序排列，排列后的n个属性值从小到大的序列为
Figure QLYQS_5
，并取相邻两样本值的中位数，一共取得n-1个划分点
Figure QLYQS_6
；
Figure QLYQS_7
对于
Figure QLYQS_8
特征列，对应的任意划分点
Figure QLYQS_11
将数据集D划分成的数据集
Figure QLYQS_14
和
Figure QLYQS_9
，其中
Figure QLYQS_13
和
Figure QLYQS_16
在CART树中分别代表左子树和右子树，
Figure QLYQS_18
的选择需满足：
Figure QLYQS_10
和
Figure QLYQS_12
的均方误差MSE之和最小；
Figure QLYQS_15
和
Figure QLYQS_17
各自的均方误差MSE最小；
Figure QLYQS_19
，
Figure QLYQS_20
，
其中，
Figure QLYQS_24
表示数据集
Figure QLYQS_28
的相应工况下的性能退化平均值，
Figure QLYQS_32
表示数据集
Figure QLYQS_22
中的平均值，
Figure QLYQS_25
表示对应取
Figure QLYQS_29
特征列中第
Figure QLYQS_33
个样本对应的产品质量状态特征检测值，当得到
Figure QLYQS_21
特征列中的划分点
Figure QLYQS_27
后，依次计算其它特征列
Figure QLYQS_31
，
Figure QLYQS_34
，..
Figure QLYQS_23
各自的划分点
Figure QLYQS_26
，然后选取所有划分点中使得
Figure QLYQS_30
最小的划分点所在的特征列，作为回归的根节点；
对每一次分裂后的数据集
Figure QLYQS_35
和
Figure QLYQS_36
，分别重复上述过程继续进行建树，直到CART树达到稳定状态，在此基础上，实现液压油缸质量状态的分析与预测，
Figure QLYQS_37
，
其中，
Figure QLYQS_38
代表了不同工况条件的失效状态演化函数关系。
8.根据权利要求1所述的复杂工况下的工程机械液压油缸失效模式分析方法，其特征在于，
步骤七中，所述选择最优参数具体为：
将训练集D分为L个等大的集合，然后选出L-1个作为模型的训练集，训练模型TreeModel0，并结合余下的一个集合D i 作为验证集，测试TreeModel0的准确性，设定通过计算accuracy，分别对CART树回归模型寻找最优的参数，
Figure QLYQS_39
，
设定 y i 表示第i 个样本的真实值，m i 表示第i 个样本的预测值，p 表示样本真实值的平均值，循环执行上述过程L次，确保没有重复，然后对于所有的score 求平均值，即对应的准确度accuracy。
CN202310044782.8A 2023-01-30 2023-01-30 一种复杂工况下的工程机械液压油缸失效模式分析方法 Active CN115795740B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310044782.8A CN115795740B (zh) 2023-01-30 2023-01-30 一种复杂工况下的工程机械液压油缸失效模式分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310044782.8A CN115795740B (zh) 2023-01-30 2023-01-30 一种复杂工况下的工程机械液压油缸失效模式分析方法

Publications (2)

Publication Number Publication Date
CN115795740A true CN115795740A (zh) 2023-03-14
CN115795740B CN115795740B (zh) 2023-05-12

Family

ID=85429167

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310044782.8A Active CN115795740B (zh) 2023-01-30 2023-01-30 一种复杂工况下的工程机械液压油缸失效模式分析方法

Country Status (1)

Country Link
CN (1) CN115795740B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109147949A (zh) * 2018-08-16 2019-01-04 辽宁大学 一种基于分类回归树来用于检测教师亚健康状态的方法
CN109919574A (zh) * 2019-01-28 2019-06-21 江苏徐工工程机械研究院有限公司 一种基于数据融合的工程机械失效模式分析系统及方法
CN113757223A (zh) * 2021-09-06 2021-12-07 徐工集团工程机械有限公司 液压部件可靠性分析方法和系统、计算机装置和存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109147949A (zh) * 2018-08-16 2019-01-04 辽宁大学 一种基于分类回归树来用于检测教师亚健康状态的方法
CN109919574A (zh) * 2019-01-28 2019-06-21 江苏徐工工程机械研究院有限公司 一种基于数据融合的工程机械失效模式分析系统及方法
CN113757223A (zh) * 2021-09-06 2021-12-07 徐工集团工程机械有限公司 液压部件可靠性分析方法和系统、计算机装置和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
沈阳 等: "考虑风险因素耦合的超高层施工预警方法研究", 郑州大学学报（工学版） *

Also Published As

Publication number Publication date
CN115795740B (zh) 2023-05-12

Similar Documents

Publication Publication Date Title
CN111444940A (zh) 风机关键部位故障诊断方法
Prabha et al. Software defect prediction using machine learning techniques
CN111259947A (zh) 一种基于多模态学习的电力系统故障预警方法和系统
Krupitzer et al. A survey on predictive maintenance for industry 4.0
CN115578015A (zh) 基于物联网的污水处理全过程监管方法、系统及存储介质
CN108920609A (zh) 基于多维度分析的电力实验数据挖掘方法
CN110555058A (zh) 基于改进决策树的电力通信设备状态的预测方法
CN112668802A (zh) 一种基于设计参数的施工碳排放预测方法
Zhang et al. A generic data analytics system for manufacturing production
CN114397526A (zh) 状态全息感知数据驱动的电力变压器故障预测方法及系统
CN107122907B (zh) 一种机电产品符号化质量特性的分析与故障原因追溯方法
CN115688581A (zh) 油气集输站设备参数预警方法、系统、电子设备及介质
Leukel et al. Machine learning-based failure prediction in industrial maintenance: improving performance by sliding window selection
CN110850837A (zh) 基于长短时记忆神经网络的系统寿命分析与故障诊断方法
CN115795740B (zh) 一种复杂工况下的工程机械液压油缸失效模式分析方法
CN113157732A (zh) 一种基于pso-bp神经网络的地下铲运机故障诊断方法
Gu et al. Research on prediction of remaining useful life of underwater turntable based on slow feature analysis
Lorenti et al. Cuad-mo: Continuos unsupervised anomaly detection on machining operations
CN113448840A (zh) 基于预测缺陷率和模糊综合评价模型的软件质量评价方法
CN115186860A (zh) 基于压力数据聚类的供水管网复杂多漏损识别方法、设备、介质、产品
CN113887049A (zh) 一种基于机器学习的石油钻井的钻速预测方法及系统
Kim et al. Feasibility Study of an Explainable AI-based Anomaly Detection for Nuclear Reactor Core Operation in PWRs
CN113191556A (zh) 一种核电Loca事件故障预测与诊断方法
CN112052952A (zh) 基于遗传算法的柴油机故障诊断中监测参数优化选取方法
CN112184037A (zh) 一种基于加权svdd的多模态过程故障检测方法

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
GR01 Patent grant
GR01 Patent grant