CN116335930A - 砂泵性能的检测方法、装置、设备及存储介质 - Google Patents
砂泵性能的检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116335930A CN116335930A CN202310226130.6A CN202310226130A CN116335930A CN 116335930 A CN116335930 A CN 116335930A CN 202310226130 A CN202310226130 A CN 202310226130A CN 116335930 A CN116335930 A CN 116335930A
- Authority
- CN
- China
- Prior art keywords
- discharge pressure
- sand pump
- sand
- vehicle
- end data
- 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
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本申请提供了砂泵性能的检测方法、装置、设备及存储介质,具体实现方案为:获取混砂车中的砂泵的当前排出压力和混砂车的车端数据;其中,所述车端数据是用于表示所述砂泵工况的数据;根据所述车端数据确定所述混砂车中砂泵的预测排出压力;在所述当前排出压力和所述预测排出压力之间的对比结果不满足预设误差范围的情况下,确定所述砂泵工作异常。根据本申请的技术方案,能够有效监测砂泵的性能。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种砂泵性能的检测方法、装置、设备及存储介质。
背景技术
现有技术中,砂泵作为混砂车的核心部件,主要用于输送清水与支撑剂的混合液。一般是在砂泵无法工作时才发现砂泵性能异常,对于突发的砂泵性能异常没有判断能力,导致砂泵造成磨损,进而使得混砂车故障。
发明内容
为了解决上述问题,本申请提出一种砂泵性能的检测方法、装置、设备及存储介质,能够及时监测出砂泵工作异常。
根据本申请实施例的第一方面,提供了一种砂泵性能的检测方法,包括:
获取混砂车中的砂泵的当前排出压力和混砂车的车端数据;其中,所述车端数据是用于表示所述砂泵工况的数据;
根据所述车端数据确定所述混砂车中砂泵的预测排出压力;
在所述当前排出压力和所述预测排出压力之间的对比结果不满足预设误差范围的情况下,确定所述砂泵工作异常。
根据本申请实施例的第二方面,提供了一种砂泵性能的检测装置,包括:
获取模块,用于获取混砂车中的砂泵的当前排出压力和混砂车的车端数据;其中,所述车端数据是用于表示所述砂泵工况的数据;
预测模块,用于根据所述车端数据确定所述混砂车中砂泵的预测排出压力;
检测模块,用于在所述当前排出压力和所述预测排出压力之间的对比结果不满足预设误差范围的情况下,确定所述砂泵工作异常。
本申请第三方面提供了一种电子设备,包括:
存储器和处理器;
所述存储器与所述处理器连接,用于存储程序;
所述处理器,通过运行所述存储器中的程序,实现上述的砂泵性能的检测方法。
本申请第四方面提供了一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时,实现上述的砂泵性能的检测方法。
上述申请中的一个实施例具有如下优点或有益效果:
获取混砂车中的砂泵的当前排出压力和混砂车的车端数据,根据车端数据确定混砂车中砂泵的预测排出压力,在当前排出压力和预测排出压力之间的对比结果不满足预设误差范围的情况下,检测出砂泵工作异常。由此可见,利用预测排出压力对当前排出压力进行检测,通过分析当前排出压力能够及时监测出砂泵工作异常,从而及时对砂泵进行检修,避免混砂车故障。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种砂泵性能的检测方法的流程示意图;
图2为本申请实施例提供的预设排出压力模型的示意图;
图3为本申请实施例提供的一种砂泵性能的检测方法中步骤S130的流程示意图;
图4为本申请实施例提供的另一种砂泵性能的检测方法的流程示意图;
图5为本申请实施例提供的一种砂泵性能的检测装置的结构示意图;
图6为本申请实施例提供的一种控制设备的结构示意图。
具体实施方式
本申请实施例技术方案适用于应用在各种车辆工程场景中。采用本申请实施例技术方案,能够检测砂泵的性能。
本申请实施例技术方案可示例性地应用于处理器、电子设备、服务器(包括云服务器)等硬件设备,或包装成软件程序被运行,当硬件设备执行本申请实施例技术方案的处理过程,或上述软件程序被运行时,可以实现通过分析当前排出压力能够及时监测出砂泵工作异常的目的。本申请实施例只对本申请技术方案的具体处理过程进行示例性介绍,并不对本申请技术方案的具体实现形式进行限定,任意的可以执行本申请技术方案处理过程的技术实现形式,都可以被本申请实施例所采用。
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,所描述的实施例仅仅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,都属于本申请保护的范围。
示例性方法
图1是根据本申请一实施例的砂泵性能的检测方法的流程图。在一示例性实施例中,提供了一种砂泵性能的检测方法,包括:
S110、获取混砂车中的砂泵的当前排出压力和混砂车的车端数据;其中,所述车端数据是用于表示所述砂泵工况的数据;
S120、根据所述车端数据确定所述混砂车中砂泵的预测排出压力;
S130、在所述当前排出压力和所述预测排出压力之间的对比结果不满足预设误差范围的情况下,确定所述砂泵工作异常。
在步骤S110中,示例性地,混砂车是用于油、水井压裂作业中的混砂及配制、输送、灌注等作业的特种结构专用作业汽车。当前排出压力用于表示混砂车中的砂泵的实际排出压力,可选地,当前排出压力是通过压力传感器采集到的。混砂车的车端数据可以是直接采集到的数据,还可以是通过传感器采集到的数据,在此不作限定。可选地,混砂车的车端数据可以包括以下至少一项:入口流速、砂比、叶轮转速。其中,入口流速的单位是m/s,入口流速对应的范围是(0,4.5];砂比对应的范围是(0,60];叶轮转速的单位是Mpa,叶轮转速对应的范围[900,1700]。
在步骤S120中,示例性地,预测排出压力用于表示根据车端数据预测出的期望的排出压力。可选地,可以是根据入口流速或砂比或叶轮转速确定砂泵的预测排出压力。可选地,可以是根据入口流速、砂比、叶轮转速中任意两种的组合确定砂泵的预测排出压力。可选地,还可以是根据入口流速、砂比和叶轮转速确定砂泵的预测排出压力。
具体地,可以预先存储有车端数据与预测排出压力的映射关系,其中,上述映射关系是根据大量数据确定的。可选地,车端数据与预测排出压力的映射关系可以是入口流速或砂比或叶轮转速与预测排出压力的映射关系,还可以是入口流速、砂比、叶轮转速中任意两种的组合与预测排出压力的映射关系,也可以是入口流速、砂比、叶轮转速的组合与预测排出压力的映射关系。例如,在获取到当前入口流速、当前砂比和当前叶轮转速后,在入口流速、砂比、叶轮转速的组合与预测排出压力的映射关系中查找当前入口流速、当前砂比和当前叶轮转速的组合所对应的预测排出压力。这样,在获取车端数据后,就可以根据车端数据与预测排出压力的映射关系,确定出对应的预测排出压力。
在步骤S130中,示例性地,当前排出压力和预测排出压力之间的对比结果用于表示当前排出压力和预测排出压力之间的误差。可选地,对比结果可以是当前排出压力和预测排出压力的差值,还可以是当前排出压力和预测排出压力的比值,亦可以是确定当前排出压力和预测排出压力的差值,再取差值与当前排出压力的比值或差值与预测排出压力的比值。砂泵工作异常表示砂泵能够工作,但属于非正常工作。
预设误差范围可以是一直变化的,可选地,可以是根据每次输出的预测排出压力设置不同的误差系数,根据误差系数和预测排出压力形成误差范围。预设误差范围也可以是不变的,其可以是根据大量的实验结果确定的固定范围,可以根据实际情况进行设定,在此不作限定。
具体地,由于当前排出压力表示实际采集到的砂泵的排出压力,而预测排出压力表示期望砂泵的排出压力,那么若当前排出压力和预测排出压力之间的对比结果不满足预设误差范围时,说明砂泵工作异常;反之,若当前排出压力和预测排出压力之间的对比结果满足预设误差范围时,说明砂泵工作正常。
在本申请的技术方案中,获取混砂车中的砂泵的当前排出压力和混砂车的车端数据,根据车端数据确定混砂车中砂泵的预测排出压力,在当前排出压力和预测排出压力之间的对比结果不满足预设误差范围的情况下,检测出砂泵工作异常。由此可见,利用预测排出压力对当前排出压力进行检测,通过分析当前排出压力能够及时监测出砂泵工作异常,从而及时对砂泵进行检修,降低砂泵的故障率,进而避免混砂车故障。
在一种实施方式中,所述根据所述车端数据确定所述混砂车中砂泵的预测排出压力,步骤S120包括:
根据预设排出压力模型对所述车端数据进行预测,得到所述预测排出压力;其中,预设排出压力模型是根据不同工况下的仿真车端数据训练集进行训练得到的。
示例性地,预设排出压力模型可以采用任意神经网络模型,例如,Kriging模型。不同工况下的仿真车端数据训练集包括多个车端训练数据,其中,针对不同型号的混砂车统计在不同时段、不同工况下采集的车端统计数据集,从上述统计得到的车端统计数据集中抽样得到车端训练数据。可选地,车端训练数据包括以下至少一项:入口流速、砂比、叶轮转速。
具体地,在现有技术中一般通过机理仿真模拟整个混砂车的砂泵的排出压力,由于仿真时间过长,但是无法做到实时异常检测。
而,在本实施例中,通过抽样得到车端训练数据对Kriging模型进行训练,得到训练好的预设排出压力模型。如此,可以保证训练数据的真实性,使得训练好的预设排出压力模型能够准确且快速地预测出期望的排出压力,从而做到对砂泵的实时异常检测。
优选地,预设排出压力模型是根据不同工况下的仿真车端数据训练集进行训练得到的,包括:
根据不同工况下的仿真车端数据训练集对神经网络模型进行训练,得到预训练模型;
利用车端数据测试集及其对应的测试排出压力值对所述预训练模型进行优化,得到预设排出压力模型。
示例性地,车端数据测试集包括多个车端测试数据,其中,车端测试数据可以是在车端统计数据集中排除车端训练数据后,对其进行抽样得到的。还可以是随机构建的车端测试数据。可选地,车端测试数据包括以下至少一项:入口流速、砂比、叶轮转速。可以理解的是,车端测试数据与车端训练数据中包括的参数相同。测试排出压力值用于表示车端数据测试集中的车端测试数据对应的理论排出压力值。可选地,可以是通过对车端测试数据进行仿真模拟,确定对应的理论排出压力值作为测试排出压力。
具体地,如图2所示,针对不同型号的混砂车统计在不同时段、不同工况下采集的车端统计数据集,从上述统计得到的车端统计数据集中抽样得到车端训练数据。根据抽样得到车端训练数据对Kriging模型进行训练,得到预训练模型。利用搜索加点准则,将车端数据测试集输入至预训练模型中得到多个预测值,直至预测值的精度达到预设精度值,停止模型训练。其中,预设精度值可以是根据实际需要设置的,在此不作限定。例如,86%。如此,训练好的模型可以以Matlab文件格式在数字孪生平台调用,用于开发虚拟传感器。即虚拟传感器可以根据车端数据输出对应的预测排出压力,再利用预测排出压力对真实传感器采集到的当前排出压力进行分析,从而做到砂泵健康状况的实时监测,提高砂泵的智能化。
可选地,精度计算方式如下:计算每个预测值与其对应的测试排出压力值的差值的绝对值得到第一计算结果,再将第一计算结果除以测试排出压力值得到每个车端测试数据对应的误差,取车端数据测试集对应的所有误差的均值为平均相对误差,再用1减去平均相对误差即为精度。
在一种实施方式中,如图3所示,所述在所述当前排出压力和所述预测排出压力之间的对比结果不满足预设误差范围的情况下,确定所述砂泵工作异常,步骤S130包括:
S1310、确定所述当前排出压力和所述预测排出压力的差值;
S1320、在所述差值与所述预测排出压力的比值不满足预设误差范围的情况下,确定所述砂泵工作异常。
示例性地,当前排出压力和预测排出压力的差值可以是当前排出压力预测排出压力减预测排出压力得到的差值;还可以是预测排出压力减当前排出压力预测排出压力得到的差值。针对上述两种情况可以设置不同的预设误差范围,具体数值可以是根据实际情况进行设定。
可选地,在当前排出压力和预测排出压力的差值是当前排出压力预测排出压力减预测排出压力得到的第一差值的情况下,第一预设误差范围可以设置为(-∞,10]。若第一差值与预测排出压力的比值大于10,确定砂泵工作异常;反之,第一差值与预测排出压力的比值不大于10,确定砂泵工作正常。
可选地,在当前排出压力和预测排出压力的差值是预测排出压力减当前排出压力预测排出压力得到的第二差值的情况下,第二预设误差范围可以设置为[0.2,+∞)。若第一差值与预测排出压力的比值小于0.2,确定砂泵工作异常;反之,第一差值与预测排出压力的比值不小于0.2,确定砂泵工作正常。如此,可以通过多种条件对当前排出压力进行分析,从而能够跟准确地确定出砂泵的工作情况。
在一种实施方式中,获取混砂车中的砂泵的当前排出压力和混砂车的车端数据,步骤S110包括:
在所述当前排出压力不小于预设第一阈值的情况下,获取所述混砂车的车端数据。
示例性地,预设第一阈值是根据实际情况进行设置的,在此不作限定。可选地,可以是根据混砂车的车型确定的,即根据混砂车的车型可以确定出排出压力的最小值,可以直接将最小值作为预设第一阈值。
具体地,在获取混砂车中的砂泵的当前排出压力后,直接将当前排出压力与预设第一阈值进行对比,若当前排出压力不小于预设第一阈值,再将当前排出压力与预测压力进行对比。如此,可以对砂泵的当前排出压力进行初步判断,减轻了后续的计算压力,同时还保证了对当前排出压力分析的准确性。
进一步地,在获取混砂车中的砂泵的当前排出压力之后,所述方法还包括:
在所述当前排出压力小于预设第一阈值的情况下,确定所述砂泵工作异常。
具体地,在获取混砂车中的砂泵的当前排出压力后,直接将当前排出压力与预设第一阈值进行对比,若当前排出压力小于预设第一阈值,说明砂泵工作异常,则无需获取当前排出压力所对应的车端数据,继续获取下一个排出压力并将其与预设第一阈值进行对比。如此,可以对砂泵的当前排出压力进行初步判断,从多个维度对当前排出压力进行分析,能够有效地检测砂泵的性能。
在一种实施方式中,如图4所示,在所述当前排出压力和所述预测排出压力之间的对比结果不满足预设误差范围的情况下,确定所述砂泵工作异常之后,所述方法还包括:
S140、在预设的时间区间内连续检测出所述砂泵工作异常的情况下,确定所述砂泵故障。
示例性地,预设的时间区间内可以是根据混砂车的实际工作情况设置的时间范围,在此不作限定。可选地,可以是每一时刻接收一次传感器采集到的当前排出压力,然后对车端数据进行一次计算;还可以是在传感器每次采集到的当前排出压力后均对车端数据进行一次计算。
在本实施例中,传感器实时采集砂泵的当前排出压力,在每次采集到的当前排出压力后均对车端数据进行一次计算。若预设的时间区间内输出的当前排出压力均反映砂泵工作异常,则说明砂泵确实存在故障。例如,每100个连续的当前排出压力反映砂泵工作异常,判断以一次砂泵情况,如此,即保证了砂泵的工作效率,有保证了对砂泵性能诊断的准确性。
示例性装置
相应的,图5是根据本申请一实施例的砂泵性能的检测装置的结构示意图。在一示例性实施例中,提供了一种砂泵性能的检测装置,包括:
获取模块510,用于获取混砂车中的砂泵的当前排出压力和混砂车的车端数据;其中,所述车端数据是用于表示所述砂泵工况的数据;
预测模块520,用于根据所述车端数据确定所述混砂车中砂泵的预测排出压力;
检测模块530,用于在所述当前排出压力和所述预测排出压力之间的对比结果不满足预设误差范围的情况下,确定所述砂泵工作异常。
在一种实施方式中,所述预测模块520,包括:
根据预设排出压力模型对所述车端数据进行预测,得到所述预测排出压力;其中,预设排出压力模型是根据不同工况下的仿真车端数据训练集进行训练得到的。
在一种实施方式中,预设排出压力模型是根据不同工况下的仿真车端数据训练集进行训练得到的,包括:
根据不同工况下的仿真车端数据训练集对神经网络模型进行训练,得到预训练模型;
利用车端数据测试集及其对应的测试排出压力值对所述预训练模型进行优化,得到预设排出压力模型。
在一种实施方式中,所述检测模块530,包括:
第一处理模块530,用于确定所述当前排出压力和所述预测排出压力的差值;
第二处理模块,用于在所述差值与所述预测排出压力的比值不满足预设误差范围的情况下,检测出所述砂泵工作异常。
在一种实施方式中,所述获取模块510,还用于在所述当前排出压力不小于预设第一阈值的情况下,获取所述混砂车的车端数据。
在一种实施方式中,在获取混砂车中的砂泵的当前排出压力之后,所述方法还包括:
在所述当前排出压力小于预设第一阈值的情况下,确定所述砂泵工作异常。
在一种实施方式中,所述装置还包括:
第三处理模块,用于在预设的时间区间内连续检测出所述砂泵工作异常的情况下,确定所述砂泵故障。
本实施例提供的砂泵性能的检测装置,与本申请上述实施例所提供的砂泵性能的检测方法属于同一申请构思,可执行本申请上述任意实施例所提供的砂泵性能的检测方法,具备执行砂泵性能的检测方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请上述实施例提供的砂泵性能的检测方法的具体处理内容,此处不再加以赘述。
示例性设备
本申请另一实施例还提出一种混砂车,该设备包括:上装电机和控制设备,所述控制设备用于实现上述的砂泵性能的检测方法。
在本申请的技术方案中,混砂车由于采用砂泵性能的检测方法,能够对混砂车中的砂泵性能进行检测,能够对砂泵的异常进行预判,从而可以避免混砂车出现故障。
如图6所示,控制设备可以包括:存储器600和处理器610;
其中,所述存储器600与所述处理器610连接,用于存储程序;
所述处理器610,用于通过运行所述存储器600中存储的程序,实现上述任一实施例公开的砂泵性能的检测方法。
具体的,上述控制设备还可以包括:总线、通信接口620、输入设备630和输出设备640。
处理器610、存储器600、通信接口620、输入设备630和输出设备640通过总线相互连接。其中:
总线可包括一通路,在计算机系统各个部件之间传送信息。
处理器610可以是通用处理器,例如通用中央处理器(CPU)、微处理器等,也可以是特定应用集成电路(application-specific integrated circuit,ASIC),或一个或多个用于控制本发明方案程序执行的集成电路。还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
处理器610可包括主处理器,还可包括基带芯片、调制解调器等。
存储器600中保存有执行本发明技术方案的程序,还可以保存有操作系统和其他关键业务。具体地,程序可以包括程序代码,程序代码包括计算机操作指令。更具体的,存储器600可以包括只读存储器(read-only memory,ROM)、可存储静态信息和指令的其他类型的静态存储设备、随机存取存储器(random access memory,RAM)、可存储信息和指令的其他类型的动态存储设备、磁盘存储器、flash等等。
输入设备630可包括接收用户输入的数据和信息的装置,例如键盘、鼠标、摄像头、扫描仪、光笔、语音输入装置、触摸屏、计步器或重力感应器等。
输出设备640可包括允许输出信息给用户的装置,例如显示屏、打印机、扬声器等。
通信接口620可包括使用任何收发器一类的装置,以便与其他设备或通信网络通信,如以太网,无线接入网(RAN),无线局域网(WLAN)等。
处理器610执行存储器600中所存放的程序,以及调用其他设备,可用于实现本申请上述实施例所提供的任意一种砂泵性能的检测方法的各个步骤。
示例性计算机程序产品和存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的砂泵性能的检测方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是存储介质,其上存储有计算机程序,计算机程序被处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的砂泵性能的检测方法中的步骤,上述的电子设备的具体工作内容,以及上述的计算机程序产品和存储介质上的计算机程序被处理器运行时的具体工作内容,均可以参见上述的方法实施例的内容,此处不再赘述。
对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
需要说明的是,本说明书中的各个实施例均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的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请各实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减,各实施例中记载的技术特征可以进行替换或者组合。
本申请各实施例种装置及终端中的模块和子模块可以根据实际需要进行合并、划分和删减。
本申请所提供的几个实施例中,应该理解到,所揭露的终端,装置和方法,可以通过其它的方式实现。例如,以上所描述的终端实施例仅仅是示意性的,例如,模块或子模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个子模块或模块可以结合或者可以集成到另一个模块,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的模块或子模块可以是或者也可以不是物理上分开的,作为模块或子模块的部件可以是或者也可以不是物理模块或子模块,即可以位于一个地方,或者也可以分布到多个网络模块或子模块上。可以根据实际的需要选择其中的部分或者全部模块或子模块来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能模块或子模块可以集成在一个处理模块中,也可以是各个模块或子模块单独物理存在,也可以两个或两个以上模块或子模块集成在一个模块中。上述集成的模块或子模块既可以采用硬件的形式实现,也可以采用软件功能模块或子模块的形式实现。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件单元,或者二者的结合来实施。软件单元可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,在本文中,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。
对所公开的实施例的上述说明,使本领域技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种砂泵性能的检测方法,其特征在于,包括:
获取混砂车中的砂泵的当前排出压力和混砂车的车端数据;其中,所述车端数据是用于表示所述砂泵工况的数据;
根据所述车端数据确定所述混砂车中砂泵的预测排出压力;
在所述当前排出压力和所述预测排出压力之间的对比结果不满足预设误差范围的情况下,确定所述砂泵工作异常。
2.根据权利要求1所述的方法,其特征在于,所述根据所述车端数据确定所述混砂车中砂泵的预测排出压力,包括:
根据预设排出压力模型对所述车端数据进行预测,得到所述预测排出压力;其中,预设排出压力模型是根据不同工况下的仿真车端数据训练集进行训练得到的。
3.根据权利要求2所述的方法,其特征在于,预设排出压力模型是根据不同工况下的仿真车端数据训练集进行训练得到的,包括:
根据不同工况下的仿真车端数据训练集对神经网络模型进行训练,得到预训练模型;
利用车端数据测试集及其对应的测试排出压力值对所述预训练模型进行优化,得到预设排出压力模型。
4.根据权利要求1所述的方法,其特征在于,所述在所述当前排出压力和所述预测排出压力之间的对比结果不满足预设误差范围的情况下,确定所述砂泵工作异常,包括:
确定所述当前排出压力和所述预测排出压力的差值;
在所述差值与所述预测排出压力的比值不满足预设误差范围的情况下,确定所述砂泵工作异常。
5.根据权利要求1所述的方法,其特征在于,所述获取混砂车中的砂泵的当前排出压力和混砂车的车端数据,包括:
在所述当前排出压力不小于预设第一阈值的情况下,获取所述混砂车的车端数据。
6.根据权利要求5所述的方法,其特征在于,在所述获取混砂车中的砂泵的当前排出压力之后,所述方法还包括:
在所述当前排出压力小于所述预设第一阈值的情况下,确定所述砂泵工作异常。
7.根据权利要求1-6中任一项所述的方法,其特征在于,在所述当前排出压力和所述预测排出压力之间的对比结果不满足预设误差范围的情况下,确定所述砂泵工作异常之后,所述方法还包括:
在预设的时间区间内连续检测出所述砂泵工作异常的情况下,确定所述砂泵故障。
8.一种砂泵性能的检测装置,其特征在于,包括:
获取模块,用于获取混砂车中的砂泵的当前排出压力和混砂车的车端数据;其中,所述车端数据是用于表示所述砂泵工况的数据;
预测模块,用于根据所述车端数据确定所述混砂车中砂泵的预测排出压力;
检测模块,用于在所述当前排出压力和所述预测排出压力之间的对比结果不满足预设误差范围的情况下,确定所述砂泵工作异常。
9.一种混砂车,其特征在于,包括:
上装电机和控制设备,所述控制设备用于执行如权利要求1至7中任意一项砂泵性能的检测方法。
10.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时,实现如权利要求1至7中任意一项砂泵性能的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310226130.6A CN116335930A (zh) | 2023-03-02 | 2023-03-02 | 砂泵性能的检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310226130.6A CN116335930A (zh) | 2023-03-02 | 2023-03-02 | 砂泵性能的检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116335930A true CN116335930A (zh) | 2023-06-27 |
Family
ID=86888724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310226130.6A Pending CN116335930A (zh) | 2023-03-02 | 2023-03-02 | 砂泵性能的检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116335930A (zh) |
-
2023
- 2023-03-02 CN CN202310226130.6A patent/CN116335930A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112148577A (zh) | 数据异常检测方法、装置、电子设备及存储介质 | |
CN107426013B (zh) | 设备信息监测方法、装置及系统 | |
CN110149653B (zh) | 一种云手机故障监控方法和系统 | |
CN111598346A (zh) | 故障检测方法、装置、检测设备、旋挖机及存储介质 | |
CN110134611B (zh) | 内存泄漏分析方法、装置、终端和存储介质 | |
US11055382B2 (en) | Methods and systems that estimate a degree of abnormality of a complex system | |
CN112395179B (zh) | 一种模型训练方法、磁盘预测方法、装置及电子设备 | |
CN111062642A (zh) | 对象的行业风险程度识别方法、装置以及电子设备 | |
CN111930603A (zh) | 服务器性能检测方法、装置、系统及介质 | |
CN112434260A (zh) | 一种公路的交通状态检测方法、装置、存储介质及终端 | |
CN116136950A (zh) | 芯片验证方法、装置、系统、电子设备及存储介质 | |
CN113962253B (zh) | 基于深度小波极限学习机的轴承剩余寿命预测方法及系统 | |
CN116335930A (zh) | 砂泵性能的检测方法、装置、设备及存储介质 | |
CN116448219B (zh) | 油位异常检测方法、装置、设备及计算机可读存储介质 | |
CN117591860A (zh) | 一种数据异常检测方法及装置 | |
CN112524077A (zh) | 检测风机故障的方法及装置、系统 | |
CN115114124A (zh) | 主机风险的评估方法及评估装置 | |
CN117149565A (zh) | 云平台关键性能指标的状态检测方法、装置、设备及介质 | |
CN111623993A (zh) | 挖掘机的发动机健康度评估方法、装置及电子设备 | |
CN114157486B (zh) | 通信流量数据异常检测方法、装置、电子设备及存储介质 | |
CN114938339A (zh) | 一种数据处理方法和相关装置 | |
CN114819619A (zh) | 车联网系统服务健康分析方法和装置 | |
CN114116128A (zh) | 容器实例的故障诊断方法、装置、设备和存储介质 | |
CN111045875B (zh) | 车辆事故检测方法及相关设备 | |
CN114676012A (zh) | 一种服务链路监控方法、装置、电子设备及存储介质 |
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 |