CN115839344A - 一种用于渣浆泵的磨损监管方法、装置、设备及存储介质 - Google Patents
一种用于渣浆泵的磨损监管方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115839344A CN115839344A CN202310125785.4A CN202310125785A CN115839344A CN 115839344 A CN115839344 A CN 115839344A CN 202310125785 A CN202310125785 A CN 202310125785A CN 115839344 A CN115839344 A CN 115839344A
- Authority
- CN
- China
- Prior art keywords
- wear
- data
- grinding
- information
- node
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 125
- 239000002002 slurry Substances 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000007405 data analysis Methods 0.000 claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims abstract description 9
- 239000000463 material Substances 0.000 claims description 157
- 239000011159 matrix material Substances 0.000 claims description 130
- 238000005299 abrasion Methods 0.000 claims description 58
- 238000012545 processing Methods 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000000737 periodic effect Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims 2
- 238000012806 monitoring device Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 7
- 238000005498 polishing Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 239000013049 sediment Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000002457 bidirectional effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013101 initial test Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 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
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
本申请涉及渣浆泵管控的领域,尤其是涉及一种用于渣浆泵的磨损监管方法、装置、设备及存储介质。方法包括:获取历史工作信息以及磨损监测标准,然后对历史工作信息以及磨损监测标准进行数据分析,得到磨损节点信息以及与磨损节点信息对应的磨损校准值,然后基于磨损节点信息以及磨损校准值对磨损监测标准进行更新,得到节点磨损标准,然后基于节点磨损标准中的磨损节点对磨损监测数据进行校正,得到实际磨损数据,判断实际磨损数据是否符合预设磨损数据,若不符合,则生成磨损异常信息,本申请具有提高渣浆泵的磨损测量准确度效果。
Description
技术领域
本申请涉及渣浆泵管控的领域,尤其是涉及一种用于渣浆泵的磨损监管方法、装置、设备及存储介质。
背景技术
渣浆泵是指讲指通过借助离心力(泵的叶轮的旋转)的作用使固、液混合介质能量增加的一种机械,将电能转换成介质的动能和势能的设备。主要适用于:矿山、电厂、疏浚、冶金、化工、建材及石油等行业领域。
目前,渣浆泵在使用中最大的消耗是过流件的磨损,过流件一般为壳体,壳体的磨损的程度通常具有不可预见性,即在不打开泵壳的情况下难以得知壳体的磨损程度,这就常常导致在渣浆泵壳体磨损严重或磨损穿透泄露后,工作人员才得知渣浆泵由于壳体磨损严重导致损坏。为了能够降低因未及时更换渣浆泵壳体而导致的渣浆泵损坏的情况,相关技术采用监测装置、传感器、中继器、云平台以及终端设备对渣浆泵壳体的磨损进行实时监测。其中,监测装置包括监测探头和二芯线,泵体包括前泵壳和后泵壳,后泵壳外壁上设有盲孔,前泵壳上设有通孔,通孔与盲孔位置对应监测探头设置在盲孔内,二芯线一端穿过通孔与盲孔内的监测探头连接,另一端与传感器连接,传感器与中继器通信连接,中继器与云平台通信连接,云平台与终端设备通信连接,工作人员通过观察终端设备确定当前渣浆泵壳体的磨损高度,从而在壳体达到磨损要求时,及时更换渣浆泵壳体,避免内部流体的泄漏以及重大事故的发生。
针对于上述相关技术,发明人认为在监测装置以及传感器使用的过程中,监测装置以及传感器会随着使用的时长,监测的精度逐渐下降,从而导致终端设备显示的磨损度准确度降低。
发明内容
为了提高渣浆泵的磨损测量准确度,本申请提供了一种用于渣浆泵的磨损监管方法、装置、设备及存储介质。
第一方面,本申请提供一种用于渣浆泵的磨损监管方法,采用如下的技术方案:
一种用于渣浆泵的磨损监管方法,包括:
获取历史工作信息以及磨损监测标准,所述历史工作信息用于表示在历史时间段内渣浆泵的研磨材质以及与所述研磨材质对应的研磨时长,所述磨损监测标准用于表示渣浆泵在所述历史时间段内磨损监测仪器的磨损监测标准以及磨损监测数据;
对所述历史工作信息以及所述磨损监测标准进行数据分析,得到磨损节点信息以及与所述磨损节点信息对应的磨损校准值;
基于所述磨损节点信息以及所述磨损校准值对所述磨损监测标准进行更新,得到节点磨损标准;
基于所述节点磨损标准中的磨损节点对所述磨损监测数据进行校正,得到实际磨损数据;
判断所述实际磨损数据是否符合预设磨损数据,若不符合,则生成磨损异常信息。
在另一种可能实现的方式中,所述对所述历史工作信息以及所述磨损监测标准进行数据分析,得到磨损节点信息以及与所述磨损节点信息对应的磨损校准值,包括:
调取所述历史工作信息中的初始研磨材质、剩余研磨材质、与所述初始研磨材质相对应的初始研磨时长以及与所述剩余研磨材质相对应的剩余研磨时长,所述初始研磨材质用于表示所述渣浆泵首次研磨不同材质类别的研磨材质,所述剩余研磨材质用于表示所述渣浆泵非首次研磨不同材质类别的研磨材质,所述初始研磨时长用于表示所述渣浆泵首次研磨不同类别的研磨材质的研磨时长,所述剩余研磨时长用于表示所述渣浆泵非首次研磨不同类别的研磨材质的研磨时长;
基于所述磨损监测数据确定与所述初始研磨材质相对应的第一磨损数据,并将所述初始研磨材质、初始研磨时长以及所述第一磨损数据按照研磨时间点进行数据规划,得到第一研磨信息;
基于所述磨损监测数据确定与所述剩余研磨材质相对应的第二磨损数据,并将所述剩余研磨材质、剩余研磨时长以及所述第二磨损数据按照所述研磨时间点进行数据规划,得到第二研磨信息;
将所述第一研磨信息以及所述第二研磨信息按照单位时间进行整合均差计算,得到磨损节点信息以及与所述磨损节点信息对应的磨损校准值。
在另一种可能实现的方式中,所述基于所述磨损节点信息以及所述磨损校准值对所述磨损监测标准进行更新,得到节点磨损标准,包括:
基于所述磨损监测标准确定与所述磨损节点信息具有对照关系的磨损初始值;
根据所述磨损校准值对所述磨损初始值进行替换更新,得到节点磨损标准。
在另一种可能实现的方式中,所述判断所述实际磨损数据是否符合预设磨损数据,包括:
若所述实际磨损数据符合预设磨损数据,则获取未来工作信息,所述未来工作信息用于表示在未来周期时间段内渣浆泵的研磨材质以及与所述研磨材质对应的研磨时长;
根据所述未来工作信息、所述历史工作信息以及所述磨损节点信息对磨损数据进行预测,得到所述未来周期时间段内的未来磨损数据;
检测所述未来磨损数据不符合所述预设磨损数据的初始节点数据,并根据所述初始节点数据生成截止使用信息。
在另一种可能实现的方式中,所述根据所述未来工作信息、所述历史工作信息以及所述磨损节点信息对磨损数据进行预测,得到所述未来周期时间段内的未来磨损数据,包括:
对所述历史工作信息以及所述磨损节点信息进行分析,确定所述历史工作信息中不同研磨材质的磨损节点以及所述磨损节点对应的磨损数据,并基于所述磨损节点以及所述磨损数据对所述历史工作信息进行无监督时间序列数据整理,得到第一磨损矩阵数据;
将所述第一磨损矩阵数据输入至训练好的磨损模型进行向量特征提取,得到磨损特征维度数量,并将得到的所述磨损特征维度数量与所述第一磨损矩阵数据进行数据结合处理,生成第二磨损矩阵数据;
对所述第二磨损矩阵数据中所包含的数据进行数据处理,得到磨损综合数据,并将得到的所述磨损综合数据输入至预设算法模型中进行数据推算,生成所述研磨材质的磨损节点在所述未来周期时间段内的磨损数据;
按照所述未来工作信息中的研磨次序对应的研磨材质与所述历史工作信息中的研磨材质进行匹配,得到未来磨损数据。
在另一种可能实现的方式中,所述将得到的所述磨损特征维度数量与所述第一磨损矩阵数据进行数据结合处理,生成第二磨损矩阵数据,包括:
将所述磨损特征维度数量与所述第一磨损矩阵数据进行整合,生成磨损维度矩阵数据;
对所述磨损维度矩阵数据进行基本数据分布探查,获取所述历史工作信息中不同类别的研磨材质在不同研磨时长下的磨损数据的相对周期性规律,并基于所述相对周期性规律确定时间周期长度;
基于所述时间周期长度对所述磨损维度矩阵数据进行有监督时间序列数据整理,得到磨损预测矩阵数据;
基于所述磨损预测矩阵数据对所述未来周期时间段内的所述研磨材质的变化趋势进行预测,生成第二磨损矩阵数据。
在另一种可能实现的方式中,所述对所述第二磨损矩阵数据中所包含的数据进行数据处理,得到磨损综合数据,包括:
计算所述第二磨损矩阵数据中所包含数据的正态分布均值以及正态分布方差,并基于所述正态分布均值以及所述正态分布方差确定所述第二磨损矩阵数据的3σ范围;
判断所述数据是否在所述3σ范围之外,若所述数据在所述3σ范围之外,则确定所述数据所在所述第二磨损矩阵数据的第一矩阵序列;
根据所述第一矩阵序列计算序列平均值,用所述序列平均值对所述数据进行替换,得到替换后的第二矩阵序列;
对所述第二矩阵序列进行缺失值以及归一化处理,得到磨损综合数据。
第二方面,本申请提供一种用于渣浆泵的磨损监管装置,采用如下的技术方案:
一种用于渣浆泵的磨损监管装置,包括:
信息获取模块,用于获取历史工作信息以及磨损监测标准,所述历史工作信息用于表示在历史时间段内渣浆泵的研磨材质以及与所述研磨材质对应的研磨时长,所述磨损监测标准用于表示渣浆泵在所述历史时间段内磨损监测仪器的磨损监测标准以及磨损监测数据;
数据分析模块,用于对所述历史工作信息以及所述磨损监测标准进行数据分析,得到磨损节点信息以及与所述磨损节点信息对应的磨损校准值;
标准更新模块,用于基于所述磨损节点信息以及所述磨损校准值对所述磨损监测标准进行更新,得到节点磨损标准;
数据校正模块,用于基于所述节点磨损标准中的磨损节点对所述磨损监测数据进行校正,得到实际磨损数据;
磨损判断模块,用于判断所述实际磨损数据是否符合预设磨损数据,若不符合,则生成磨损异常信息。
在一种可能的实现方式中,所述数据分析模块在对所述历史工作信息以及所述磨损监测标准进行数据分析,得到磨损节点信息以及与所述磨损节点信息对应的磨损校准值时,具体用于:
调取所述历史工作信息中的初始研磨材质、剩余研磨材质、与所述初始研磨材质相对应的初始研磨时长以及与所述剩余研磨材质相对应的剩余研磨时长,所述初始研磨材质用于表示所述渣浆泵首次研磨不同材质类别的研磨材质,所述剩余研磨材质用于表示所述渣浆泵非首次研磨不同材质类别的研磨材质,所述初始研磨时长用于表示所述渣浆泵首次研磨不同类别的研磨材质的研磨时长,所述剩余研磨时长用于表示所述渣浆泵非首次研磨不同类别的研磨材质的研磨时长;
基于所述磨损监测数据确定与所述初始研磨材质相对应的第一磨损数据,并将所述初始研磨材质、初始研磨时长以及所述第一磨损数据按照研磨时间点进行数据规划,得到第一研磨信息;
基于所述磨损监测数据确定与所述剩余研磨材质相对应的第二磨损数据,并将所述剩余研磨材质、剩余研磨时长以及所述第二磨损数据按照所述研磨时间点进行数据规划,得到第二研磨信息;
将所述第一研磨信息以及所述第二研磨信息按照单位时间进行整合均差计算,得到磨损节点信息以及与所述磨损节点信息对应的磨损校准值。
在另一种可能的实现方式中,所述标准更新模块在基于所述磨损节点信息以及所述磨损校准值对所述磨损监测标准进行更新,得到节点磨损标准时,具体用于:
基于所述磨损监测标准确定与所述磨损节点信息具有对照关系的磨损初始值;
根据所述磨损校准值对所述磨损初始值进行替换更新,得到节点磨损标准。
在另一种可能的实现方式中,所述磨损判断模块在判断所述实际磨损数据是否符合预设磨损数据时,具体用于:
若所述实际磨损数据符合预设磨损数据,则获取未来工作信息,所述未来工作信息用于表示在未来周期时间段内渣浆泵的研磨材质以及与所述研磨材质对应的研磨时长;
根据所述未来工作信息、所述历史工作信息以及所述磨损节点信息对磨损数据进行预测,得到所述未来周期时间段内的未来磨损数据;
检测所述未来磨损数据不符合所述预设磨损数据的初始节点数据,并根据所述初始节点数据生成截止使用信息。
在另一种可能的实现方式中,所述根据所述未来工作信息、所述历史工作信息以及所述磨损节点信息对磨损数据进行预测,得到所述未来周期时间段内的未来磨损数据,具体用于:
对所述历史工作信息以及所述磨损节点信息进行分析,确定所述历史工作信息中不同研磨材质的磨损节点以及所述磨损节点对应的磨损数据,并基于所述磨损节点以及所述磨损数据对所述历史工作信息进行无监督时间序列数据整理,得到第一磨损矩阵数据;
将所述第一磨损矩阵数据输入至训练好的磨损模型进行向量特征提取,得到磨损特征维度数量,并将得到的所述磨损特征维度数量与所述第一磨损矩阵数据进行数据结合处理,生成第二磨损矩阵数据;
对所述第二磨损矩阵数据中所包含的数据进行数据处理,得到磨损综合数据,并将得到的所述磨损综合数据输入至预设算法模型中进行数据推算,生成所述研磨材质的磨损节点在所述未来周期时间段内的磨损数据;
按照所述未来工作信息中的研磨次序对应的研磨材质与所述历史工作信息中的研磨材质进行匹配,得到未来磨损数据。
在另一种可能的实现方式中,所述将得到的所述磨损特征维度数量与所述第一磨损矩阵数据进行数据结合处理,生成第二磨损矩阵数据,具体用于:
将所述磨损特征维度数量与所述第一磨损矩阵数据进行整合,生成磨损维度矩阵数据;
对所述磨损维度矩阵数据进行基本数据分布探查,获取所述历史工作信息中不同类别的研磨材质在不同研磨时长下的磨损数据的相对周期性规律,并基于所述相对周期性规律确定时间周期长度;
基于所述时间周期长度对所述磨损维度矩阵数据进行有监督时间序列数据整理,得到磨损预测矩阵数据;
基于所述磨损预测矩阵数据对所述未来周期时间段内的所述研磨材质的变化趋势进行预测,生成第二磨损矩阵数据。
在另一种可能的实现方式中,所述对所述第二磨损矩阵数据中所包含的数据进行数据处理,得到磨损综合数据,具体用于:
计算所述第二磨损矩阵数据中所包含数据的正态分布均值以及正态分布方差,并基于所述正态分布均值以及所述正态分布方差确定所述第二环线矩阵数据的3σ范围;
判断所述数据是否在所述3σ范围之外,若所述数据在所述3σ范围之外,则确定所述数据所在所述第二磨损矩阵数据的第一矩阵序列;
根据所述第一矩阵序列计算序列平均值,用所述序列平均值对所述数据进行替换,得到替换后的第二矩阵序列;
对所述第二矩阵序列进行缺失值以及归一化处理,得到磨损综合数据。
第三方面,本申请提供一种电子设备,采用如下的技术方案:
一种电子设备,该电子设备包括:
至少一个处理器;
存储器;
至少一个应用程序,其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行,所述至少一个应用程序配置用于:执行上述用于渣浆泵的磨损监管方法。
第四方面,提供了一种计算机可读存储介质,存储介质存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如第一方面中任一可能的实现方式所示的用于渣浆泵的磨损监管方法。
综上所述,本申请包括以下至少一种有益技术效果:
本申请提供了一种用于渣浆泵的磨损监管方法、装置、设备及存储介质,与相关技术相比,在本申请中,在对渣浆泵进行磨损监测时,获取历史工作信息以及磨损监测标准,其中,历史工作信息用于表示在历史时间段内渣浆泵的研磨材质以及与研磨材质对应的研磨时长,磨损监测标准用于表示渣浆泵在历史时间段内磨损监测仪器的磨损监测标准以及磨损监测数据,然后对历史工作信息以及磨损监测标准进行数据分析,得到磨损节点信息以及与磨损节点信息对应的磨损校准值,然后基于磨损节点信息以及磨损校准值对磨损监测标准进行更新,得到节点磨损标准,然后基于节点磨损标准中的磨损节点对磨损监测数据进行校正,得到实际磨损数据,然后判断实际磨损数据是否符合预设磨损数据,若不符合,则生成磨损异常信息,从而在监测装置以及传感器随着使用监测的精度下降时,通过数据分析出磨损校正值,对存在精确度问题的数据进行校准,得到实际磨损数据,从而提高渣浆泵的磨损测量准确度。
附图说明
图1是本申请实施例一种用于渣浆泵的磨损监管方法的流程示意图;
图2是本申请实施例一种用于渣浆泵的磨损监管装置的方框示意图;
图3是本申请实施例电子设备的示意图。
具体实施方式
以下结合附图1-3对本申请作进一步详细说明。
领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本申请的权利要求范围内都受到专利法的保护。
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。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,一种用于渣浆泵的磨损监管方法、装置、设备及存储介质和/或B,可以表示:单独存在一种用于渣浆泵的磨损监管方法、装置、设备及存储介质,同时存在一种用于渣浆泵的磨损监管方法、装置、设备及存储介质和B,单独存在B这三种情况。另外,本文中字符“/”,如无特殊说明,一般表示前后关联对象是一种“或”的关系。
下面结合说明书附图对本申请实施例作进一步详细描述。
本申请实施例提供了一种用于渣浆泵的磨损监管方法,由电子设备执行,该电子设备可以为服务器也可以为终端设备,其中,该服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云计算服务的云服务器。终端设备可以是智能手机、平板电脑、笔记本电脑、台式计算机等,但并不局限于此,该终端设备以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请实施例在此不做限制,如图1所示,该方法包括:
步骤S10,获取历史工作信息以及磨损监测标准。
其中,历史工作信息用于表示在历史时间段内渣浆泵的研磨材质以及与研磨材质对应的研磨时长,磨损监测标准用于表示渣浆泵在历史时间段内磨损监测仪器的磨损监测标准以及磨损监测数据。
在本申请实施例中,历史周期是工作人员通过电子设备设置的时间周期,例如:历史周期为一个月时间。
在本申请实施例中,渣浆泵在每次进行作业时,会对研磨目标的研磨材质以及研磨时长进行绑定,然后将绑定后的数据按照研磨时间点存储至数据表中,每隔一个月获取一次渣浆泵在这一个月内的工作信息进行磨损数据监测。
具体地,磨损是零部件失效的一种基本类型。通常意义上来讲,磨损是指零部件几何尺寸(体积)变小。 零部件失去原有设计所规定的功能称为失效。失效包括完全丧失原定功能;功能降低和有严重损伤或隐患,继续使用会失去可靠性及安全性和安全性。在本申请实施例中,磨损监测标准包括磨损度标准以及磨损率标准,其中磨损度标准中的磨损度是以单位滑移距离内材料的磨损量来表示,即磨损度E=dV/dL(V为磨损量,L为滑移距离),磨损度标准在渣浆泵对研磨材质进行研磨时,为了确定每次研磨对渣浆泵的磨损损耗而制定的,磨损度的初始值为0,每隔一个月对初始值进行更新,更新后的初始值覆盖原初始值;磨损率标准中的磨损率是以单位时间内材料的磨损量表示,即磨损率I=dV/dt(V为磨损量,t为时间),磨损率标准是为了确定渣浆泵是否符合耐磨标准而制定的,随着渣浆泵设备的使用老化,磨损率会逐渐升高,当磨损率无法满足磨损率标准中的磨损率范围时,则需更换渣浆泵。
步骤S11,对历史工作信息以及磨损监测标准进行数据分析,得到磨损节点信息以及与磨损节点信息对应的磨损校准值。
具体地,根据历史工作信息可以确定每次渣浆泵的研磨材质以及对应的研磨时长,根据磨损检测标准可以确定每次渣浆泵的磨损度,在本申请实施例中,将渣浆泵每次的研磨作为一个磨损节点,同时将每次的研磨材质、磨损度以及研磨时长以信息的形式保存至该节点。
步骤S12,基于磨损节点信息以及磨损校准值对磨损监测标准进行更新,得到节点磨损标准。
具体地,将步骤S11中得到的磨损校准值与磨损监测标准中初始磨损度标准的磨损度进行累加,得到渣浆泵每个磨损节点的节点磨损标准,例如:初始的磨损检测标准中的磨损度标准为0,磨损校准值为3,那么更新后的节点磨损标准即为3。
步骤S13,基于节点磨损标准中的磨损节点对磨损监测数据进行校正,得到实际磨损数据。
具体地,在节点磨损标准的背景下,对磨损监测数据进行校正,得到实际磨损数据,例如:在磨损监测标准下监测得到的磨损监测数据为5,那么在对磨损监测标准更新后,节点磨损标准为3,实际磨损数据即为8。
步骤S14,判断实际磨损数据是否符合预设磨损数据,若不符合,则生成磨损异常信息。
本申请实施例提供了一种用于渣浆泵的磨损监管方法,在本申请中,在对渣浆泵进行磨损监测时,获取历史工作信息以及磨损监测标准,其中,历史工作信息用于表示在历史时间段内渣浆泵的研磨材质以及与研磨材质对应的研磨时长,磨损监测标准用于表示渣浆泵在历史时间段内磨损监测仪器的磨损监测标准以及磨损监测数据,然后对历史工作信息以及磨损监测标准进行数据分析,得到磨损节点信息以及与磨损节点信息对应的磨损校准值,然后基于磨损节点信息以及磨损校准值对磨损监测标准进行更新,得到节点磨损标准,然后基于节点磨损标准中的磨损节点对磨损监测数据进行校正,得到实际磨损数据,然后判断实际磨损数据是否符合预设磨损数据,若不符合,则生成磨损异常信息,从而在监测装置以及传感器随着使用监测的精度下降时,通过数据分析出磨损校正值,对存在精确度问题的数据进行校准,得到实际磨损数据,从而提高渣浆泵的磨损测量准确度。
本申请实施例的一种可能的实现方式,步骤S11具体包括步骤S111(图中未示出)、步骤S112(图中未示出)、步骤S113(图中未示出)以及步骤S114(图中未示出),其中,
步骤S111,调取历史工作信息中的初始研磨材质、剩余研磨材质、与初始研磨材质相对应的初始研磨时长以及与剩余研磨材质相对应的剩余研磨时长。
其中,初始研磨材质用于表示渣浆泵首次研磨不同材质类别的研磨材质,剩余研磨材质用于表示渣浆泵非首次研磨不同材质类别的研磨材质,初始研磨时长用于表示渣浆泵首次研磨不同类别的研磨材质的研磨时长,剩余研磨时长用于表示渣浆泵非首次研磨不同类别的研磨材质的研磨时长。
步骤S112,基于磨损监测数据确定与初始研磨材质相对应的第一磨损数据,并将初始研磨材质、初始研磨时长以及第一磨损数据按照研磨时间点进行数据规划,得到第一研磨信息。
在本申请实施例中,为了准确得知不同研磨材质对渣浆泵的磨损度,采用初始研磨材质测试,即在渣浆泵没有使用过的前提下,放入不同研磨材质的物体进行不同研磨时长的测试,准确的测定出每一种研磨材质在不同研磨时间下对渣浆泵的磨损度。
具体地,建立第一数据坐标系,其中X轴为时间线,Y轴为时间线对应的不同研磨材质与对应的研磨时长的磨损度,时间线的单位时间是以每时为单位进行划分,在渣浆泵没有使用的前提下,首次对研磨材质、研磨时长以及渣浆泵的磨损度进行检测记录,然后磨损度与Y轴的数值进行对应标记,再将每个标记按照时间线规律进行连接,得到第一研磨信息。
步骤S113,基于磨损监测数据确定与剩余研磨材质相对应的第二磨损数据,并将剩余研磨材质、剩余研磨时长以及第二磨损数据按照研磨时间点进行数据规划,得到第二研磨信息。
具体地,建立第二数据坐标系,其中X轴为第一数据坐标系中X轴所对应的时间线的时间线,Y轴为时间线对应的不同研磨材质与对应的研磨时长的磨损度,按照步骤S112中的标记连接的方式进行连接,得到第二研磨信息。
步骤S114,将第一研磨信息以及第二研磨信息按照单位时间进行整合均差计算,得到磨损节点信息以及与磨损节点信息对应的磨损校准值。
具体地,分别计算第一研磨信息以及第二研磨信息中的研磨度按照研磨时长进行均值计算,即磨损均值=磨损度/研磨时长,然后将第一研磨信息与第二研磨信息中具有相同研磨材质的磨损均值进行差值计算,得到磨损校准均值,然后将磨损校准均值与研磨时长进行乘法运算,得到磨损校准值。
本申请实施例的一种可能的实现方式,步骤S12具体包括:基于磨损监测标准确定与磨损节点信息具有对照关系的磨损初始值。根据磨损校准值对磨损初始值进行替换更新,得到节点磨损标准。
本申请实施例的一种可能的实现方式,步骤S14具体包括步骤S141(图中未示出)、步骤S142(图中未示出)以及步骤S143(图中未示出),其中,
步骤S141,若实际磨损数据符合预设磨损数据,则获取未来工作信息。
其中,未来工作信息用于表示在未来周期时间段内渣浆泵的研磨材质以及与研磨材质对应的研磨时长。
具体地,未来周期时间段为未来一个月的时间段,根据渣浆泵未来一个月的工作登记表,得知在未来时间段内的研磨材质以及研磨时长。
步骤S142,根据未来工作信息、历史工作信息以及磨损节点信息对磨损数据进行预测,得到未来周期时间段内的未来磨损数据。
具体地,通过得知历史工作信息中不同研磨材质对应不同研磨时长的,磨损均值后,将未来工作信息与历史工作信息的研磨材质进行匹配预测,从而得到未来周期时间段内的未来磨损数据。
步骤S143,检测未来磨损数据不符合预设磨损数据的初始节点数据,并根据初始节点数据生成截止使用信息。
本申请实施例的一种可能的实现方式,步骤S142(图中未示出)具体包括:步骤S421(图中未示出)、步骤S422(图中未示出)、步骤S423(图中未示出)以及步骤S424(图中未示出),其中,
步骤S421,对历史工作信息以及磨损节点信息进行分析,确定历史工作信息中不同研磨材质的磨损节点以及磨损节点对应的磨损数据,并基于磨损节点以及磨损数据对历史工作信息进行无监督时间序列数据整理,得到第一磨损矩阵数据。
具体地,磨损节点为步骤S14中所阐述的节点,节点中包含研磨材质、研磨时长以及磨损度。
根据磨损节点以及磨损数据对历史工作信息进行无监督时间序列数据整理,得到以下第一磨损矩阵数据:
步骤S422,将第一磨损矩阵数据输入至训练好的磨损模型进行向量特征提取,得到磨损特征维度数量,并将得到的磨损特征维度数量与第一磨损矩阵数据进行数据结合处理,生成第二磨损矩阵数据。
具体地,在将第一磨损矩阵数据输入至磨损模型中进行向量特征提取,需要预先获取矩阵数据样本,矩阵数据样本包括历史工作信息所形成的第一默算矩阵数据以及第一磨损矩阵数据中的向量特征,然后创建磨损模型,并基于第一磨损矩阵数据以及第一磨损矩阵数据中的向量特征对磨损模型进行训练,得到训练好的磨损模型。
具体地,磨损模型为预先训练好的神经网络模型,神经网络(Neural Networks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力,特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。神经网络的发展与神经科学、数理科学、认知科学、计算机科学、人工智能、信息科学、控制论、机器人学、微电子学、心理学、光计算、分子生物学等有关。
具体地,将第一磨损矩阵数据输入至磨损模型中进行向量特征提取,并将提取到的向量特征进行统计,得到特征维度数量,其中,向量特征包括历史工作信息中的材质向量特征、时长向量特征以及磨损度特征等,然后将特征维度数量与第一磨损矩阵数据进行数据结合,得到第二磨损矩阵数据。
步骤S423,对第二磨损矩阵数据中所包含的数据进行数据处理,得到磨损综合数据,并将得到的磨损综合数据输入至预设算法模型中进行数据推算,生成研磨材质的磨损节点在未来周期时间段内的磨损数据;
对于本申请实施例来说,采用双向LSTM模型为预设算法模型进行举例说明,包括但不仅限于双向LSTM模型。
具体地,预设算法模型构建,模型主体采用双向LSTM作为趋势预测模型,LSTM主要有遗忘门,输入门,输出门构成;
经过遗忘门和输入门的信息过滤后,将历史的记忆和当前阶段的记忆内容合并,生成的值为:
在上面描述的LSTM之后,在反向接入一层LSTM网络层,通过该过程可以得到BI-LSTM层,由于是若干组微生物物种组合共同训练;添加物种空间特征联合学习层,初始化关联向量矩阵大小为M*V*K,取LSTM最后一层的输出向量,转置乘关联向量参数矩阵,最终连接回归损失函数,完成预设算法模型的构建。
步骤S424,按照未来工作信息中的研磨次序对应的研磨材质与历史工作信息中的研磨材质进行匹配,得到未来磨损数据。
本申请实施例的一种可能的实现方式,步骤S422(图中未示出)具体包括:步骤Sa(图中未示出)、步骤Sb(图中未示出)、步骤Sc(图中未示出)以及步骤Sd(图中未示出),其中,
步骤Sa,将磨损特征维度数量与第一磨损矩阵数据进行整合,生成磨损维度矩阵数据。
具体地,将磨损特征维度数量作为维度与第一磨损矩阵数据进行整合,本申请实施例采用pytorch技术进行举例说明,包括但不局限于pytorch技术一种可实现方式。
通过pytorch中的指令“out.unsqueeze(-1)”将磨损特征维度数量以维度的方式添加到第一磨损矩阵数据中,实现维度整合。
具体地,PyTorch是一个基于Torch的Python开源机器学习库,用于自然语言处理等应用程序。它主要由Facebookd的人工智能小组开发,不仅能够实现强大的GPU加速,同时还支持动态神经网络,这一点是现在很多主流框架如TensorFlow都不支持的。PyTorch提供了两个高级功能:1.具有强大的GPU加速的张量计算(如Numpy);2.包含自动求导系统的深度神经网络除了Facebook之外,Twitter、GMU和Salesforce等机构都采用了PyTorch。
将磨损特征维度数量与第一磨损矩阵数据进行整合完毕后,得到以下磨损维度矩阵数据:
步骤Sb,对磨损维度矩阵数据进行基本数据分布探查,获取历史工作信息中不同类别的研磨材质在不同研磨时长下的磨损数据的相对周期性规律,并基于相对周期性规律确定时间周期长度。
具体地,将磨损维度矩阵数据导入到Excel表格中,并且配置Python集成jupyter环境,针对磨损维度矩阵数据中n时间序列做基本数据分布探查,主要目的在于找到对应序列的的相对周期性规律,然后根据相周期性规律确定时间周期长度。
步骤Sc,基于时间周期长度对磨损维度矩阵数据进行有监督时间序列数据整理,得到磨损预测矩阵数据。
具体地,用t来代替时间周期性长度,并将磨损维度矩阵数据中的n替换为t,得到磨损预测矩阵数据:
步骤Sd,基于磨损预测矩阵数据对未来周期时间段内的研磨材质的变化趋势进行预测,生成第二磨损矩阵数据。
具体地,假设预设未来预设时间段为k,即移动步长为k步预测,得到第二磨损矩阵数据:
本申请实施例的一种可能的实现方式,步骤S423(图中未示出)具体包括:步骤S231(图中未示出)、步骤S232(图中未示出)、步骤S233(图中未示出)以及步骤S234(图中未示出),其中,
步骤S231,计算第二磨损矩阵数据中所包含数据的正态分布均值以及正态分布方差,并基于正态分布均值以及正态分布方差确定第二环线矩阵数据的3σ范围。
步骤S232,判断数据是否在3σ范围之外,若数据在3σ范围之外,则确定数据所在第二磨损矩阵数据的第一矩阵序列。
具体地,3σ范围是建立在正态分布的等精度重复测量基础上而造成奇异数据的干扰或噪声难以满足正态分布。如果一组测量数据中某个测量值的残余误差的绝对值νi>3σ,则该测量值为坏值,应剔除。通常把等于±3σ的误差作为极限误差,对于正态分布的随机误差,落在±3σ以外的概率只有0.27%,它在有限次测量中发生的可能性很小,故存在3σ准则。3σ准则是最常用也是最简单的粗大误差判别准则,它一般应用于测量次数充分多(n≥30)或当n>10做粗略判别时的情况。
具体地,缺失值是指矩阵序列中由于缺少信息而造成的数据聚类、分组、删失或截断,对于缺失值的处理,从总体上来说分为删除存在缺失值的个案和缺失值插补,本申请实施例采用删除存在缺失值的个案对矩阵序列进行处理,删除存在缺失值的个案主要有简单删除法和权重法。简单删除法是对缺失值进行处理的最原始方法。它将存在缺失值的个案删除。如果数据缺失问题可以通过简单的删除小部分样本来达到目标,那么这个方法是最有效的。当缺失值的类型为非完全随机缺失的时候,可以通过对完整的数据加权来减小偏差。把数据不完全的个案标记后,将完整的数据个案赋予不同的权重,个案的权重可以通过logistic或probit回归求得。
步骤S233,根据第一矩阵序列计算序列平均值,用序列平均值对数据进行替换,得到替换后的第二矩阵序列。
步骤S234,对第二矩阵序列进行缺失值以及归一化处理,得到磨损综合数据。
具体地,归一化方法有两种形式,一种是把数变为(0,1)之间的小数,一种是把有量纲表达式变为无量纲表达式。主要是为了数据处理方便提出来的,把数据映射到0~1范围之内处理,更加便捷快速。
上述实施例从方法流程的角度介绍一种用于渣浆泵的磨损监管方法,下述实施例从虚拟模块或者虚拟单元的角度介绍了一种用于渣浆泵的磨损监管装置,具体详见下述实施例。
本申请实施例提供一种用于渣浆泵的磨损监管装置,如图2所示,该用于渣浆泵的磨损监管装置20具体可以包括:信息获取模块21、数据分析模块22、标准更新模块23、数据校正模块24以及磨损判断模块25,其中,
信息获取模块21,用于获取历史工作信息以及磨损监测标准,历史工作信息用于表示在历史时间段内渣浆泵的研磨材质以及与研磨材质对应的研磨时长,磨损监测标准用于表示渣浆泵在历史时间段内磨损监测仪器的磨损监测标准以及磨损监测数据;
数据分析模块22,用于对历史工作信息以及磨损监测标准进行数据分析,得到磨损节点信息以及与磨损节点信息对应的磨损校准值;
标准更新模块23,用于基于磨损节点信息以及磨损校准值对磨损监测标准进行更新,得到节点磨损标准;
数据校正模块24,用于基于节点磨损标准中的磨损节点对磨损监测数据进行校正,得到实际磨损数据;
磨损判断模块25,用于判断实际磨损数据是否符合预设磨损数据,若不符合,则生成磨损异常信息。
本申请实施例的一种可能的实现方式,数据分析模块22在对历史工作信息以及磨损监测标准进行数据分析,得到磨损节点信息以及与磨损节点信息对应的磨损校准值时,具体用于:
调取历史工作信息中的初始研磨材质、剩余研磨材质、与初始研磨材质相对应的初始研磨时长以及与剩余研磨材质相对应的剩余研磨时长,初始研磨材质用于表示渣浆泵首次研磨不同材质类别的研磨材质,剩余研磨材质用于表示渣浆泵非首次研磨不同材质类别的研磨材质,初始研磨时长用于表示渣浆泵首次研磨不同类别的研磨材质的研磨时长,剩余研磨时长用于表示渣浆泵非首次研磨不同类别的研磨材质的研磨时长;
基于磨损监测数据确定与初始研磨材质相对应的第一磨损数据,并将初始研磨材质、初始研磨时长以及第一磨损数据按照研磨时间点进行数据规划,得到第一研磨信息;
基于磨损监测数据确定与剩余研磨材质相对应的第二磨损数据,并将剩余研磨材质、剩余研磨时长以及第二磨损数据按照研磨时间点进行数据规划,得到第二研磨信息;
将第一研磨信息以及第二研磨信息按照单位时间进行整合均差计算,得到磨损节点信息以及与磨损节点信息对应的磨损校准值。
本申请实施例的另一种可能的实现方式,标准更新模块23在基于磨损节点信息以及磨损校准值对磨损监测标准进行更新,得到节点磨损标准时,具体用于:
基于磨损监测标准确定与磨损节点信息具有对照关系的磨损初始值;
根据磨损校准值对磨损初始值进行替换更新,得到节点磨损标准。
本申请实施例的另一种可能的实现方式,磨损判断模块25在判断实际磨损数据是否符合预设磨损数据时,具体用于:
若实际磨损数据符合预设磨损数据,则获取未来工作信息,未来工作信息用于表示在未来周期时间段内渣浆泵的研磨材质以及与研磨材质对应的研磨时长;
根据未来工作信息、历史工作信息以及磨损节点信息对磨损数据进行预测,得到未来周期时间段内的未来磨损数据;
检测未来磨损数据不符合预设磨损数据的初始节点数据,并根据初始节点数据生成截止使用信息。
本申请实施例的另一种可能的实现方式,根据未来工作信息、历史工作信息以及磨损节点信息对磨损数据进行预测,得到未来周期时间段内的未来磨损数据,具体用于:
对历史工作信息以及磨损节点信息进行分析,确定历史工作信息中不同研磨材质的磨损节点以及磨损节点对应的磨损数据,并基于磨损节点以及磨损数据对历史工作信息进行无监督时间序列数据整理,得到第一磨损矩阵数据;
将第一磨损矩阵数据输入至训练好的磨损模型进行向量特征提取,得到磨损特征维度数量,并将得到的磨损特征维度数量与第一磨损矩阵数据进行数据结合处理,生成第二磨损矩阵数据;
对第二磨损矩阵数据中所包含的数据进行数据处理,得到磨损综合数据,并将得到的磨损综合数据输入至预设算法模型中进行数据推算,生成研磨材质的磨损节点在未来周期时间段内的磨损数据;
按照未来工作信息中的研磨次序对应的研磨材质与历史工作信息中的研磨材质进行匹配,得到未来磨损数据。
本申请实施例的另一种可能的实现方式,将得到的磨损特征维度数量与第一磨损矩阵数据进行数据结合处理,生成第二磨损矩阵数据,具体用于:
将磨损特征维度数量与第一磨损矩阵数据进行整合,生成磨损维度矩阵数据;
对磨损维度矩阵数据进行基本数据分布探查,获取历史工作信息中不同类别的研磨材质在不同研磨时长下的磨损数据的相对周期性规律,并基于相对周期性规律确定时间周期长度;
基于时间周期长度对磨损维度矩阵数据进行有监督时间序列数据整理,得到磨损预测矩阵数据;
基于磨损预测矩阵数据对未来周期时间段内的研磨材质的变化趋势进行预测,生成第二磨损矩阵数据。
本申请实施例的另一种可能的实现方式,对第二磨损矩阵数据中所包含的数据进行数据处理,得到磨损综合数据,具体用于:
计算第二磨损矩阵数据中所包含数据的正态分布均值以及正态分布方差,并基于正态分布均值以及正态分布方差确定第二环线矩阵数据的3σ范围;
判断数据是否在3σ范围之外,若数据在3σ范围之外,则确定数据所在第二磨损矩阵数据的第一矩阵序列;
根据第一矩阵序列计算序列平均值,用序列平均值对数据进行替换,得到替换后的第二矩阵序列;
对第二矩阵序列进行缺失值以及归一化处理,得到磨损综合数据。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还从实体装置的角度介绍了一种电子设备,如图3所示,图3所示的电子设备30除常规配置装置外包括:处理器301和存储器303。其中,处理器301和存储器303相连,如通过总线302相连。可选地,电子设备30还可以包括收发器304。需要说明的是,实际应用中收发器304不限于一个,该电子设备30的结构并不构成对本申请实施例的限定。
处理器301可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器301也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线302可包括一通路,在上述组件之间传送信息。总线302可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线302可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器303可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器303用于存储执行本申请方案的应用程序代码,并由处理器301来控制执行。处理器301用于执行存储器303中存储的应用程序代码,以实现前述方法实施例所示的内容。
其中,电子设备包括但不限于:移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。还可以为服务器等。图3示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种用于渣浆泵的磨损监管方法,其特征在于,包括:
获取历史工作信息以及磨损监测标准,所述历史工作信息用于表示在历史时间段内渣浆泵的研磨材质以及与所述研磨材质对应的研磨时长,所述磨损监测标准用于表示渣浆泵在所述历史时间段内磨损监测仪器的磨损监测标准以及磨损监测数据;
对所述历史工作信息以及所述磨损监测标准进行数据分析,得到磨损节点信息以及与所述磨损节点信息对应的磨损校准值;
基于所述磨损节点信息以及所述磨损校准值对所述磨损监测标准进行更新,得到节点磨损标准;
基于所述节点磨损标准中的磨损节点对所述磨损监测数据进行校正,得到实际磨损数据;
判断所述实际磨损数据是否符合预设磨损数据,若不符合,则生成磨损异常信息。
2.根据权利要求1所述的一种用于渣浆泵的磨损监管方法,其特征在于,所述对所述历史工作信息以及所述磨损监测标准进行数据分析,得到磨损节点信息以及与所述磨损节点信息对应的磨损校准值,包括:
调取所述历史工作信息中的初始研磨材质、剩余研磨材质、与所述初始研磨材质相对应的初始研磨时长以及与所述剩余研磨材质相对应的剩余研磨时长,所述初始研磨材质用于表示所述渣浆泵首次研磨不同材质类别的研磨材质,所述剩余研磨材质用于表示所述渣浆泵非首次研磨不同材质类别的研磨材质,所述初始研磨时长用于表示所述渣浆泵首次研磨不同类别的研磨材质的研磨时长,所述剩余研磨时长用于表示所述渣浆泵非首次研磨不同类别的研磨材质的研磨时长;
基于所述磨损监测数据确定与所述初始研磨材质相对应的第一磨损数据,并将所述初始研磨材质、初始研磨时长以及所述第一磨损数据按照研磨时间点进行数据规划,得到第一研磨信息;
基于所述磨损监测数据确定与所述剩余研磨材质相对应的第二磨损数据,并将所述剩余研磨材质、剩余研磨时长以及所述第二磨损数据按照所述研磨时间点进行数据规划,得到第二研磨信息;
将所述第一研磨信息以及所述第二研磨信息按照单位时间进行整合均差计算,得到磨损节点信息以及与所述磨损节点信息对应的磨损校准值。
3.根据权利要求2所述的一种用于渣浆泵的磨损监管方法,其特征在于,所述基于所述磨损节点信息以及所述磨损校准值对所述磨损监测标准进行更新,得到节点磨损标准,包括:
基于所述磨损监测标准确定与所述磨损节点信息具有对照关系的磨损初始值;
根据所述磨损校准值对所述磨损初始值进行替换更新,得到节点磨损标准。
4.根据权利要求2所述的一种用于渣浆泵的磨损监管方法,其特征在于,所述判断所述实际磨损数据是否符合预设磨损数据,包括:
若所述实际磨损数据符合预设磨损数据,则获取未来工作信息,所述未来工作信息用于表示在未来周期时间段内渣浆泵的研磨材质以及与所述研磨材质对应的研磨时长;
根据所述未来工作信息、所述历史工作信息以及所述磨损节点信息对磨损数据进行预测,得到所述未来周期时间段内的未来磨损数据;
检测所述未来磨损数据不符合所述预设磨损数据的初始节点数据,并根据所述初始节点数据生成截止使用信息。
5.根据权利要求4所述的一种用于渣浆泵的磨损监管方法,其特征在于,所述根据所述未来工作信息、所述历史工作信息以及所述磨损节点信息对磨损数据进行预测,得到所述未来周期时间段内的未来磨损数据,包括:
对所述历史工作信息以及所述磨损节点信息进行分析,确定所述历史工作信息中不同研磨材质的磨损节点以及所述磨损节点对应的磨损数据,并基于所述磨损节点以及所述磨损数据对所述历史工作信息进行无监督时间序列数据整理,得到第一磨损矩阵数据;
将所述第一磨损矩阵数据输入至训练好的磨损模型进行向量特征提取,得到磨损特征维度数量,并将得到的所述磨损特征维度数量与所述第一磨损矩阵数据进行数据结合处理,生成第二磨损矩阵数据;
对所述第二磨损矩阵数据中所包含的数据进行数据处理,得到磨损综合数据,并将得到的所述磨损综合数据输入至预设算法模型中进行数据推算,生成所述研磨材质的磨损节点在所述未来周期时间段内的磨损数据;
按照所述未来工作信息中的研磨次序对应的研磨材质与所述历史工作信息中的研磨材质进行匹配,得到未来磨损数据。
6.根据权利要求5所述的一种用于渣浆泵的磨损监管方法,其特征在于,所述将得到的所述磨损特征维度数量与所述第一磨损矩阵数据进行数据结合处理,生成第二磨损矩阵数据,包括:
将所述磨损特征维度数量与所述第一磨损矩阵数据进行整合,生成磨损维度矩阵数据;
对所述磨损维度矩阵数据进行基本数据分布探查,获取所述历史工作信息中不同类别的研磨材质在不同研磨时长下的磨损数据的相对周期性规律,并基于所述相对周期性规律确定时间周期长度;
基于所述时间周期长度对所述磨损维度矩阵数据进行有监督时间序列数据整理,得到磨损预测矩阵数据;
基于所述磨损预测矩阵数据对所述未来周期时间段内的所述研磨材质的变化趋势进行预测,生成第二磨损矩阵数据。
7.根据权利要求5所述的一种用于渣浆泵的磨损监管方法,其特征在于,所述对所述第二磨损矩阵数据中所包含的数据进行数据处理,得到磨损综合数据,包括:
计算所述第二磨损矩阵数据中所包含数据的正态分布均值以及正态分布方差,并基于所述正态分布均值以及所述正态分布方差确定所述第二磨损矩阵数据的3σ范围;
判断所述数据是否在所述3σ范围之外,若所述数据在所述3σ范围之外,则确定所述数据所在所述第二磨损矩阵数据的第一矩阵序列;
根据所述第一矩阵序列计算序列平均值,用所述序列平均值对所述数据进行替换,得到替换后的第二矩阵序列;
对所述第二矩阵序列进行缺失值以及归一化处理,得到磨损综合数据。
8.一种用于渣浆泵的磨损监管装置,其特征在于,包括:
信息获取模块,用于获取历史工作信息以及磨损监测标准,所述历史工作信息用于表示在历史时间段内渣浆泵的研磨材质以及与所述研磨材质对应的研磨时长,所述磨损监测标准用于表示渣浆泵在所述历史时间段内磨损监测仪器的磨损监测标准以及磨损监测数据;
数据分析模块,用于对所述历史工作信息以及所述磨损监测标准进行数据分析,得到磨损节点信息以及与所述磨损节点信息对应的磨损校准值;
标准更新模块,用于基于所述磨损节点信息以及所述磨损校准值对所述磨损监测标准进行更新,得到节点磨损标准;
数据校正模块,用于基于所述节点磨损标准中的磨损节点对所述磨损监测数据进行校正,得到实际磨损数据;
磨损判断模块,用于判断所述实际磨损数据是否符合预设磨损数据,若不符合,则生成磨损异常信息。
9.一种电子设备,其特征在于,该电子设备包括:
至少一个处理器;
存储器;
至少一个应用程序,其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行,所述至少一个应用程序配置用于:执行权利要求1~7任一项所述的用于渣浆泵的磨损监管方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,当所述计算机程序在计算机中执行时,令所述计算机执行权利要求1~7任一项所述的用于渣浆泵的磨损监管方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310125785.4A CN115839344B (zh) | 2023-02-17 | 2023-02-17 | 一种用于渣浆泵的磨损监管方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310125785.4A CN115839344B (zh) | 2023-02-17 | 2023-02-17 | 一种用于渣浆泵的磨损监管方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115839344A true CN115839344A (zh) | 2023-03-24 |
CN115839344B CN115839344B (zh) | 2023-05-12 |
Family
ID=85579780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310125785.4A Active CN115839344B (zh) | 2023-02-17 | 2023-02-17 | 一种用于渣浆泵的磨损监管方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115839344B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117421679A (zh) * | 2023-10-08 | 2024-01-19 | 宁波创基机械股份有限公司 | 一种注塑机周期管控方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA246175A (en) * | 1925-01-20 | Ferry Moody Lewis | Hydraulic pump | |
CA247076A (en) * | 1925-02-24 | A. Schlemp Paul | Lock | |
CN102052288A (zh) * | 2010-11-22 | 2011-05-11 | 湖南泰通电力科技有限公司 | 多级泵平衡盘磨损红外监测报警器及其红外监测方法 |
CN109075563A (zh) * | 2016-04-12 | 2018-12-21 | 阿特拉斯·科普柯空气动力股份有限公司 | 用于保护具有含连续容量控制系统的电机驱动用电设备的装置的电动机的方法及这种电机的选择 |
CN115014747A (zh) * | 2022-07-26 | 2022-09-06 | 山西大嘉汇机械设备有限公司 | 一种井下煤采设备损耗检测方法、装置、电子设备及介质 |
CN115045844A (zh) * | 2022-04-07 | 2022-09-13 | 山东省章丘鼓风机股份有限公司 | 一种带智能磨损监测报警的渣浆泵 |
CN115544874A (zh) * | 2022-09-27 | 2022-12-30 | 上海市隧道工程轨道交通设计研究院 | 一种盾构滚刀磨损量实时监测系统、方法、终端及介质 |
-
2023
- 2023-02-17 CN CN202310125785.4A patent/CN115839344B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA246175A (en) * | 1925-01-20 | Ferry Moody Lewis | Hydraulic pump | |
CA247076A (en) * | 1925-02-24 | A. Schlemp Paul | Lock | |
CN102052288A (zh) * | 2010-11-22 | 2011-05-11 | 湖南泰通电力科技有限公司 | 多级泵平衡盘磨损红外监测报警器及其红外监测方法 |
CN109075563A (zh) * | 2016-04-12 | 2018-12-21 | 阿特拉斯·科普柯空气动力股份有限公司 | 用于保护具有含连续容量控制系统的电机驱动用电设备的装置的电动机的方法及这种电机的选择 |
CN115045844A (zh) * | 2022-04-07 | 2022-09-13 | 山东省章丘鼓风机股份有限公司 | 一种带智能磨损监测报警的渣浆泵 |
CN115014747A (zh) * | 2022-07-26 | 2022-09-06 | 山西大嘉汇机械设备有限公司 | 一种井下煤采设备损耗检测方法、装置、电子设备及介质 |
CN115544874A (zh) * | 2022-09-27 | 2022-12-30 | 上海市隧道工程轨道交通设计研究院 | 一种盾构滚刀磨损量实时监测系统、方法、终端及介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117421679A (zh) * | 2023-10-08 | 2024-01-19 | 宁波创基机械股份有限公司 | 一种注塑机周期管控方法、装置、电子设备及存储介质 |
CN117421679B (zh) * | 2023-10-08 | 2024-06-18 | 宁波创基机械股份有限公司 | 一种注塑机周期管控方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115839344B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210011791A1 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
CN109631997B (zh) | 工程设备健康检测方法、装置以及电子设备 | |
Ayodeji et al. | Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction | |
CN114565196B (zh) | 基于政务热线的多事件趋势预判方法、装置、设备及介质 | |
CN117110362A (zh) | 一种基于物联网的管道热损监测方法、装置、设备及介质 | |
CN115964668A (zh) | 一种基于大数据的供热监控分析方法、装置、设备及介质 | |
CN112086144B (zh) | 分子生成方法、装置、电子设备及存储介质 | |
CN115238969A (zh) | 一种白蚁预防的趋势预测方法、装置、电子设备及介质 | |
CN115839344A (zh) | 一种用于渣浆泵的磨损监管方法、装置、设备及存储介质 | |
Ge et al. | An improved PF remaining useful life prediction method based on quantum genetics and LSTM | |
CN115484112A (zh) | 支付大数据安全防护方法、系统及云平台 | |
CN115272257A (zh) | 桥梁图像检测的方法、装置、电子设备及可读存储介质 | |
CN113988676B (zh) | 一种水处理设备的安全管理方法及系统 | |
CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
Li et al. | Stochastic fractal search-optimized multi-support vector regression for remaining useful life prediction of bearings | |
Tabassum et al. | Performance analysis of machine learning techniques for predicting water quality index using physiochemical parameters | |
CN116090710B (zh) | 一种企业排污许可的管理方法、系统、电子设备及介质 | |
CN116587062A (zh) | 一种数控锯床的监管方法、装置、电子设备及存储介质 | |
CN117424227A (zh) | 一种地形风电场出力预测方法、装置及存储介质 | |
CN116628444A (zh) | 一种基于改进元学习的水质预警方法 | |
CN116168403A (zh) | 医疗数据分类模型训练方法、分类方法、装置及相关介质 | |
CN111276248B (zh) | 状态确定系统和电子设备 | |
JP2020139914A (ja) | 物質構造分析装置、方法及びプログラム | |
CN112686330B (zh) | Kpi异常数据检测方法及装置、存储介质及电子设备 | |
CN118094248B (zh) | 大坝运行工况相似度匹配方法、系统及存储介质 |
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 |