CN115795740B - 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 PDFInfo
- Publication number
- CN115795740B CN115795740B CN202310044782.8A CN202310044782A CN115795740B CN 115795740 B CN115795740 B CN 115795740B CN 202310044782 A CN202310044782 A CN 202310044782A CN 115795740 B CN115795740 B CN 115795740B
- Authority
- CN
- China
- Prior art keywords
- hydraulic cylinder
- failure
- failure mode
- feature
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 52
- 230000015556 catabolic process Effects 0.000 claims abstract description 12
- 238000006731 degradation reaction Methods 0.000 claims abstract description 12
- 230000007547 defect Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 239000011248 coating agent Substances 0.000 claims description 2
- 238000000576 coating method Methods 0.000 claims description 2
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims description 2
- 101100001669 Emericella variicolor andD gene Proteins 0.000 claims 2
- 208000034656 Contusions Diseases 0.000 claims 1
- 208000034526 bruise Diseases 0.000 claims 1
- 239000003973 paint Substances 0.000 claims 1
- 238000012795 verification Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 238000012938 design process Methods 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 abstract description 3
- 230000008439 repair process Effects 0.000 abstract description 3
- 239000010720 hydraulic oil Substances 0.000 description 10
- 238000001514 detection method Methods 0.000 description 7
- 230000007797 corrosion Effects 0.000 description 6
- 238000005260 corrosion Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000007418 data mining Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009614 chemical analysis method Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000001212 derivatisation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004940 physical analysis method Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical group [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000012097 association analysis method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000011058 failure modes and effects analysis Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 238000007747 plating Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
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;
外观特征;
内部缺陷;
进一步,步骤三中,所述矩阵具体为:
,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 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,并取相邻两样本值的中位数,一共取得
n-1个划分点;
对于特征列,对应的任意划分点将数据集
D划分成的数据集 和,其中 和 在CART树中分别代表左子树和右子树,的选择需满足:和的均方误差
MSE之和最小;和各自的均方误差
MSE最小;
,
其中,表示数据集的相应工况下的性能退化平均值, 表示数据集 中的平均值,表示对应取特征列中第个样本对应的产品质量状态特征检测值,当得到特征列中的划分点后,依次计算其它特征列,,...,各自的划分点,然后选取所有划分点中使得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和,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,
其中,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,
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:
外观特征:
内部缺陷:
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。
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 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,并取相邻两样本值的中位数,一共取得
n-1个划分点。
对于特征列,对应的任意划分点将数据集
D 划分成的数据集 和,其中和 在CART树中分别代表左子树和右子树, 的选择需满足:和的均方误差(
MSE)之和最小;和各自的均方误差(
MSE)最小。
,
其中,表示数据集的相应工况下的性能退化平均值,表示数据集中的平均值。表示对应取特征列中第个样本对应的产品质量状态特征检测值。当得到特征列中的划分点 后,依次计算其它特征列,,...,各自的划分点,然后选取所有划分点中使得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和,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。
其中,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。
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
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
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:
外观特征:
内部缺陷:
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。
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,并取相邻两样本值的中位数,一共取得
n-1个划分点。
对于特征列,对应的任意划分点将数据集
D 划分成的数据集 和,其中 和 在CART树中分别代表左子树和右子树,的选择需满足:和的均方误差(
MSE)之和最小;和各自的均方误差(
MSE)最小。
,
其中,表示数据集的相应工况下的性能退化平均值,表示数据集中的平均值。表示对应取 特征列中第 个样本对应的产品质量状态特征检测值。当得到 特征列中的划分点后,依次计算其它特征列,,...,各自的划分点,然后选取所有划分点中使得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和,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。
其中,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 (2)
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;
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;
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 G ={ ε 1 ,ε 2 ,ε 3 ,ε 4 ,ε 5 },其中,ε 1 表示几何特征中的直径,ε 2 表示几何特征中的圆度,ε 3 表示几何特征中的圆跳动度,ε 4 表示几何特征中的直线度,ε 5 表示几何特征中的粗糙度;
外观特征S ={ α 1 ,α 2 ,α 3 ,α 4 ,α 5 ,α 6 ,α 7 },其中,α 1 表示外观特征中的拉伤因子,α 2 表示外观特征中的锈蚀因子,α 3 表示外观特征中的碰伤因子,α 4 表示外观特征中的麻点因子,α 5 表示外观特征中的镀层脱落因子,α 6 表示外观特征中的脱漆因子,α 7 表示外观特征中的杆花因子;
内部缺陷I = {β 1 ,β 2 },其中,β 1 表示内部缺陷中的焊缝缺陷程度,β 2 表示内部缺陷中的基体缺陷程度;
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;
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;
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X 11 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a 1,a 2,...,a n ,并取相邻两样本值的中位数,一共取得n-1个划分点T i, ;
对于X 11特征列,对应的任意划分点T 1i 将数据集D划分成的数据集D i 和 D i+1,其中D i 和D i+1 在CART树中分别代表左子树和右子树,T 1i 的选择需满足:D i 和D i+1的均方误差MSE之和最小;D i 和D i+1各自的均方误差MSE最小; ;
其中,c 1表示数据集D i 的相应工况下的性能退化平均值,c 2 表示数据集D i+1 中的平均值,y i 表示对应取X 11 特征列中第X i 个样本对应的产品质量状态特征检测值,当得到X 11 特征列中的划分点T1i 后,依次计算其它特征列 X 12,X 13,...,X 1(m-1)各自的划分点T ji (1<j<m),然后选取所有划分点中使得MSE(T ji )(1<j<m)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D i 和D i+1,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,其中,f 1 (x),f 2 (x),f 3 (x),…, f n (x)代表了不同工况条件的失效状态演化函数关系;
步骤五中,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,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。
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。
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 CN115795740A (zh) | 2023-03-14 |
CN115795740B true 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) |
Family Cites Families (3)
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 |
CN113757223B (zh) * | 2021-09-06 | 2023-11-03 | 江苏徐工工程机械研究院有限公司 | 液压部件可靠性分析方法和系统、计算机装置和存储介质 |
-
2023
- 2023-01-30 CN CN202310044782.8A patent/CN115795740B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115795740A (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111596604B (zh) | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 | |
CN111444940A (zh) | 风机关键部位故障诊断方法 | |
Krupitzer et al. | A survey on predictive maintenance for industry 4.0 | |
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 | |
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 | |
CN114048600A (zh) | 一种数字孪生驱动的多模型融合工业系统异常检测方法 | |
CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
CN110555058A (zh) | 基于改进决策树的电力通信设备状态的预测方法 | |
CN111832624A (zh) | 一种基于对抗迁移学习的刀具剩余寿命预测方法 | |
CN110766222A (zh) | 基于粒子群参数优化和随机森林的pm2.5浓度预测方法 | |
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 | |
CN112434390B (zh) | 基于多层网格搜索的pca-lstm轴承剩余寿命预测方法 | |
CN114169254A (zh) | 基于短期建筑能耗预测模型的异常能耗诊断方法及系统 | |
CN115688581A (zh) | 油气集输站设备参数预警方法、系统、电子设备及介质 | |
CN116821774A (zh) | 一种基于人工智能的发电故障诊断方法 | |
CN114741844A (zh) | 静设备腐蚀监控方法、装置、设备及存储介质 | |
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 | |
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 | |
Ding et al. | A clustering-based framework for performance degradation prediction of slewing bearing using multiple physical signals | |
Gu et al. | Research on prediction of remaining useful life of underwater turntable based on slow feature analysis | |
Jiang et al. | A novel ensemble fuzzy model for degradation prognostics of rolling element bearings | |
CN114219157B (zh) | 一种基于最优决策和动态分析的烷烃气体红外光谱测量方法 | |
CN114943328A (zh) | 基于bp神经网络非线性组合的sarima-gru时序预测模型 | |
Zhang et al. | Gas pipeline corrosion prediction based on modified support vector machine and unequal interval model | |
CN114880818A (zh) | 一种面向全局燃气管网结构的神经网络监测方法和系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |