CN116379043B - 一种旋装式油液过滤器的故障检测方法及系统 - Google Patents
一种旋装式油液过滤器的故障检测方法及系统 Download PDFInfo
- Publication number
- CN116379043B CN116379043B CN202310375925.3A CN202310375925A CN116379043B CN 116379043 B CN116379043 B CN 116379043B CN 202310375925 A CN202310375925 A CN 202310375925A CN 116379043 B CN116379043 B CN 116379043B
- Authority
- CN
- China
- Prior art keywords
- oil filter
- fault
- working
- information
- oil
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000003745 diagnosis Methods 0.000 claims abstract description 81
- 238000004458 analytical method Methods 0.000 claims abstract description 70
- 238000001914 filtration Methods 0.000 claims abstract description 51
- 238000012423 maintenance Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000005070 sampling Methods 0.000 claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 17
- 239000002245 particle Substances 0.000 claims description 29
- 238000005299 abrasion Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 13
- 239000012535 impurity Substances 0.000 claims description 11
- 230000010354 integration Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000003921 particle size analysis Methods 0.000 claims description 5
- 238000011418 maintenance treatment Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 239000003921 oil Substances 0.000 description 266
- 230000005856 abnormality Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000003749 cleanliness Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000002923 metal particle Substances 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009411 base construction Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 239000010720 hydraulic oil Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 239000002244 precipitate Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004071 soot Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F15—FLUID-PRESSURE ACTUATORS; HYDRAULICS OR PNEUMATICS IN GENERAL
- F15B—SYSTEMS ACTING BY MEANS OF FLUIDS IN GENERAL; FLUID-PRESSURE ACTUATORS, e.g. SERVOMOTORS; DETAILS OF FLUID-PRESSURE SYSTEMS, NOT OTHERWISE PROVIDED FOR
- F15B19/00—Testing; Calibrating; Fault detection or monitoring; Simulation or modelling of fluid-pressure systems or apparatus not otherwise provided for
- F15B19/005—Fault detection or monitoring
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F15—FLUID-PRESSURE ACTUATORS; HYDRAULICS OR PNEUMATICS IN GENERAL
- F15B—SYSTEMS ACTING BY MEANS OF FLUIDS IN GENERAL; FLUID-PRESSURE ACTUATORS, e.g. SERVOMOTORS; DETAILS OF FLUID-PRESSURE SYSTEMS, NOT OTHERWISE PROVIDED FOR
- F15B20/00—Safety arrangements for fluid actuator systems; Applications of safety devices in fluid actuator systems; Emergency measures for fluid actuator systems
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F15—FLUID-PRESSURE ACTUATORS; HYDRAULICS OR PNEUMATICS IN GENERAL
- F15B—SYSTEMS ACTING BY MEANS OF FLUIDS IN GENERAL; FLUID-PRESSURE ACTUATORS, e.g. SERVOMOTORS; DETAILS OF FLUID-PRESSURE SYSTEMS, NOT OTHERWISE PROVIDED FOR
- F15B21/00—Common features of fluid actuator systems; Fluid-pressure actuator systems or details thereof, not covered by any other group of this subclass
- F15B21/04—Special measures taken in connection with the properties of the fluid
- F15B21/041—Removal or measurement of solid or liquid contamination, e.g. filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Fluid Mechanics (AREA)
- Mechanical Engineering (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Fluid-Pressure Circuits (AREA)
- Lubrication Details And Ventilation Of Internal Combustion Engines (AREA)
Abstract
本申请涉及数据处理技术领域，提供一种旋装式油液过滤器的故障检测方法及系统。所述方法包括：利用传感器组对旋装式油液过滤器进行实时监测，获得多维工作运行整合数据流；将多维工作运行整合数据流输入至油液过滤器故障分析模型中进行分析，获得油液过滤器故障诊断信息；对油液过滤器的工作油液进行采样分析，获得油液过滤器工作性能特征；根据油液过滤器故障诊断信息和油液过滤器工作性能特征进行运行故障定位，获得油液过滤器故障位置信息，进而基于故障诊断信息、工作性能特征和故障位置信息对油液过滤器进行故障预警运维。采用本方法能够全面精准分析故障诊断信息，实现故障定位准确性和预警及时性，进而保证油液过滤器的滤油应用效果。
Description
技术领域
本申请涉及数据处理技术领域，特别是涉及一种旋装式油液过滤器的故障检测方法及系统。
背景技术
旋装式油液过滤器是一种管路过滤器，用于液压系统回油过滤或低压供油系统过滤，清除油液中由于元件磨损产品生产生的金属颗粒，以及其他杂质等污染物，提高油液清洁度，减少元件磨损和液压故障，具有过滤效率高、过滤精度准、耐腐蚀、压差小、使用寿命长等特点。油液过滤器使用频繁，长期使用会出现各种类型故障，影响过滤性能，因此对油液过滤器进行故障及时预警具有重要应用意义。
然而，现有技术存在故障异常诊断智能化程度低，无法对油液过滤器进行及时预警定位，导致影响滤油应用效果的技术问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够全面精准分析故障诊断信息，实现故障定位准确性和预警及时性，进而保证油液过滤器的滤油应用效果的一种旋装式油液过滤器的故障检测方法及系统。
一种旋装式油液过滤器的故障检测方法，所述方法包括：利用传感器组对旋装式油液过滤器进行实时监测，获得多维工作运行数据流；对所述多维工作运行数据流进行属性标记，获得工作运行数据属性信息；将所述多维工作运行数据流按照所述工作运行数据属性信息进行整合处理，获得多维工作运行整合数据流；将所述多维工作运行整合数据流输入至油液过滤器故障分析模型中进行分析，获得油液过滤器故障诊断信息；对所述旋装式油液过滤器的工作油液进行采样分析，获得油液过滤器工作性能特征；根据所述油液过滤器故障诊断信息和所述油液过滤器工作性能特征进行运行故障定位，获得油液过滤器故障位置信息；基于所述油液过滤器故障诊断信息、所述油液过滤器工作性能特征和所述油液过滤器故障位置信息对所述旋装式油液过滤器进行故障预警运维。
一种旋装式油液过滤器的故障检测系统，所述系统包括：传感器监测模块，用于利用传感器组对旋装式油液过滤器进行实时监测，获得多维工作运行数据流；数据属性标记模块，用于对所述多维工作运行数据流进行属性标记，获得工作运行数据属性信息；数据整合处理模块，用于将所述多维工作运行数据流按照所述工作运行数据属性信息进行整合处理，获得多维工作运行整合数据流；过滤器故障分析模块，用于将所述多维工作运行整合数据流输入至油液过滤器故障分析模型中进行分析，获得油液过滤器故障诊断信息；油液采样分析模块，用于对所述旋装式油液过滤器的工作油液进行采样分析，获得油液过滤器工作性能特征；运行故障定位模块，用于根据所述油液过滤器故障诊断信息和所述油液过滤器工作性能特征进行运行故障定位，获得油液过滤器故障位置信息；故障预警运维模块，用于基于所述油液过滤器故障诊断信息、所述油液过滤器工作性能特征和所述油液过滤器故障位置信息对所述旋装式油液过滤器进行故障预警运维。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
利用传感器组对旋装式油液过滤器进行实时监测，获得多维工作运行数据流；
对所述多维工作运行数据流进行属性标记，获得工作运行数据属性信息；
将所述多维工作运行数据流按照所述工作运行数据属性信息进行整合处理，获得多维工作运行整合数据流；
将所述多维工作运行整合数据流输入至油液过滤器故障分析模型中进行分析，获得油液过滤器故障诊断信息；
对所述旋装式油液过滤器的工作油液进行采样分析，获得油液过滤器工作性能特征；
根据所述油液过滤器故障诊断信息和所述油液过滤器工作性能特征进行运行故障定位，获得油液过滤器故障位置信息；
基于所述油液过滤器故障诊断信息、所述油液过滤器工作性能特征和所述油液过滤器故障位置信息对所述旋装式油液过滤器进行故障预警运维。
一种计算机可读存储介质，其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以下步骤：
利用传感器组对旋装式油液过滤器进行实时监测，获得多维工作运行数据流；
对所述多维工作运行数据流进行属性标记，获得工作运行数据属性信息；
将所述多维工作运行数据流按照所述工作运行数据属性信息进行整合处理，获得多维工作运行整合数据流；
将所述多维工作运行整合数据流输入至油液过滤器故障分析模型中进行分析，获得油液过滤器故障诊断信息；
对所述旋装式油液过滤器的工作油液进行采样分析，获得油液过滤器工作性能特征；
根据所述油液过滤器故障诊断信息和所述油液过滤器工作性能特征进行运行故障定位，获得油液过滤器故障位置信息；
基于所述油液过滤器故障诊断信息、所述油液过滤器工作性能特征和所述油液过滤器故障位置信息对所述旋装式油液过滤器进行故障预警运维。
上述一种旋装式油液过滤器的故障检测方法及系统，解决了现有技术故障异常诊断智能化程度低，无法对油液过滤器进行及时预警定位，导致影响滤油应用效果的技术问题，达到了通过传感器组智能化实时监测获取油液过滤器工作数据流，全面精准分析故障诊断信息，实现故障定位准确性和预警及时性，进而保证油液过滤器的滤油应用效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为一个实施例中一种旋装式油液过滤器的故障检测方法的流程示意图；
图2为一个实施例中一种旋装式油液过滤器的故障检测方法中获得多维工作运行数据流的流程示意图；
图3为一个实施例中一种旋装式油液过滤器的故障检测系统的结构框图；
图4为一个实施例中计算机设备的内部结构图；
附图标记说明：传感器监测模块11，数据属性标记模块12，数据整合处理模块13，过滤器故障分析模块14，油液采样分析模块15，运行故障定位模块16，故障预警运维模块17。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
如图1所示，本申请提供了一种旋装式油液过滤器的故障检测方法，所述方法包括：
步骤S100：利用传感器组对旋装式油液过滤器进行实时监测，获得多维工作运行数据流；
在一个实施例中，如图2所示，所述获得多维工作运行数据流，本申请步骤S100还包括：
步骤S110：搭建传感器组，所述传感器组包括温度传感器、压力传感器、振动传感器、流量传感器；
步骤S120：通过所述温度传感器、所述压力传感器、所述流量传感器分别获得所述旋装式油液过滤器的工作运行温度信息、工作运行液压信息和油通流量信息；
步骤S130：基于所述振动传感器获取所述旋装式油液过滤器的声音振动波形信息；
步骤S140：对所述声音振动波形信息进行波形信号分析，获得工作振动特征信息；
步骤S150：基于所述工作运行温度信息、工作运行液压信息、油通流量信息和所述声音振动特征信息，获得所述多维工作运行数据流。
在一个实施例中，所述获得工作振动特征信息，本申请步骤S140还包括：
步骤S141：对所述声音振动波形信息进行滤波处理，获得标准声音振动波形信息；
步骤S142：构建油液过滤器故障波形数据库；
步骤S143：将所述标准声音振动波形信息和所述油液过滤器故障波形数据库进行波形匹配，获得故障类型特征；
步骤S144：获得所述故障类型特征的故障位置信息和故障波形幅度；
步骤S145：基于所述故障类型特征、所述故障位置信息和故障波形幅度，获得所述工作振动特征信息。
在一个实施例中，所述获得标准声音振动波形信息，申请步骤S141还包括：
步骤S1411：获得波形信号预处理要求；
步骤S1412：基于所述波形信号预处理要求和所述声音振动波形信息进行分析，获得滤波器参数；
步骤S1413：根据所述滤波器参数，确定数字滤波器；
步骤S1414：基于所述数字滤波器对所述声音振动波形信息进行滤波处理，获得所述标准声音振动波形信息。
具体而言，旋装式油液过滤器是一种管路过滤器，用于液压系统回油过滤或低压供油系统过滤，清除油液中由于元件磨损产品生产生的金属颗粒，以及其他杂质等污染物，提高油液清洁度，减少元件磨损和液压故障，具有过滤效率高、过滤精度准、耐腐蚀、压差小、使用寿命长等特点。油液过滤器使用频繁，长期使用会出现各种类型故障，影响过滤性能，因此对油液过滤器进行故障及时预警具有重要应用意义。
为实现智能化诊断油液过滤器故障异常，利用传感器组对旋装式油液过滤器进行实时监测，首先搭建传感器组，所述传感器组包括温度传感器、压力传感器、振动传感器、流量传感器等。通过所述温度传感器、所述压力传感器、所述流量传感器分别对旋装式油液过滤器的工作运行状态进行实时监测，分别获取油液过滤器的工作运行温度信息、工作运行液压信息以及油通流量信息。基于所述振动传感器获取所述旋装式油液过滤器工作时的声音振动波形信息，再对所获取的声音振动波形信息进行波形信号分析，由于采集的波形信号存在噪声，因此对所述声音振动波形信息进行滤波处理。
滤波处理具体过程为首先设置波形信号预处理要求，所述波形信号预处理要求为波形信号处理预先设置确定的信噪比、截止频率等信号去噪要求信息。基于所述波形信号预处理要求和所述声音振动波形信息进行分析，确定滤波器参数，包括滤波器阶数、中心频率、频率间隔等。根据所述滤波器参数，确定数字滤波器，数字滤波器是满足滤波器参数的任意数字信号去噪装置，基于所述数字滤波器对所述声音振动波形信息进行滤波处理，获得去噪滤波后的标准声音振动波形信息。可通过大数据方式构建油液过滤器故障波形数据库，所述油液过滤器故障波形数据库是油液过滤器出现各类型工作故障时的对应的振动波形数控库。将所述标准声音振动波形信息和所述油液过滤器故障波形数据库进行波形匹配，获得出现故障波形时所对应的故障类型特征，例如真空度过低、温度过高、漏气阻塞等故障。
同时获取所出现故障类型特征的故障位置信息，用以判断故障出现时间和发生频率，和故障波形幅度，波形幅度越大，表明该故障类型发生情况越严重。基于所述故障类型特征、所述故障位置信息和故障波形幅度，结合确定油液过滤器的工作振动特征信息。基于所述工作运行温度信息、工作运行液压信息、油通流量信息和所述声音振动特征信息，组成获得多维工作运行数据流，作为故障分析监测数据。通过传感器组智能化实时监测获取油液过滤器工作数据流，全面精准分析故障诊断信息，提高油液过滤器故障分析准确性。
步骤S200：对所述多维工作运行数据流进行属性标记，获得工作运行数据属性信息；
步骤S300：将所述多维工作运行数据流按照所述工作运行数据属性信息进行整合处理，获得多维工作运行整合数据流；
具体而言，对所述多维工作运行数据流进行属性标记，即对数据流的来源类型属性进行标记，获得对应的工作运行数据属性信息，包括温度数据属性、压力数据属性、振动数据属性以及流量数据属性等。将所述多维工作运行数据流按照所述工作运行数据属性信息进行整合处理，即将所采集多维数据流按照数据属性类型进行分类整合，获得整合后的多维工作运行整合数据流，以便数据分析处理，提高数据处理效率。
步骤S400：将所述多维工作运行整合数据流输入至油液过滤器故障分析模型中进行分析，获得油液过滤器故障诊断信息；
在一个实施例中，所述获得油液过滤器故障诊断信息，本申请步骤S400还包括：
步骤S410：搭建油液过滤器故障分析模型，所述油液过滤器故障分析模型包括输入层、故障数据识别层、故障诊断分析层和输出层；
步骤S420：将所述多维工作运行整合数据流通过所述输入层，输入至所述故障数据识别层中，获得工作故障特征数据；
步骤S430：基于所述故障诊断分析层对所述工作故障特征数据进行分析，获得油液过滤器故障诊断信息；
步骤S440：基于所述输出层将所述油液过滤器故障诊断信作为模型输出结果进行输出。
具体而言，将所述多维工作运行整合数据流输入至油液过滤器故障分析模型中进行分析，所述油液过滤器故障分析模型用于对工作数据流进行故障智能化诊断分析。搭建油液过滤器故障分析模型，所述油液过滤器故障分析模型包括输入层、故障数据识别层、故障诊断分析层和输出层，首先将所述多维工作运行整合数据流通过所述输入层，输入至所述故障数据识别层中，所述故障数据识别层优选为通过历史数据训练获得的支持向量机，用于进行故障数据识别，输出获得工作故障特征数据。再基于所述故障诊断分析层对所述工作故障特征数据进行分析，所述故障诊断分析层优选为历史数据训练获得的前馈神经网络，用于对工作故障特征数据分析诊断，获得油液过滤器故障诊断信息，包括故障诊断类型以及故障严重等级。并基于所述输出层将所述油液过滤器故障诊断信作为模型输出结果进行输出，智能化提高数据流分析效率，进而提高油液过滤器故障诊断分析准确性。
步骤S500：对所述旋装式油液过滤器的工作油液进行采样分析，获得油液过滤器工作性能特征；
在一个实施例中，所述获得油液过滤器工作性能特征，本申请步骤S500还包括：
步骤S510：对所述工作油液进行采样、油液检测，获得油品检测性能信息；
步骤S520：基于所述工作油液进行杂质颗粒提取，获得油样滤过磨粒；
步骤S530：对所述油样滤过磨粒进行粒度分析，获得磨粒粒度分布信息；
步骤S540：获得所述旋装式油液过滤器的过滤精度指标，基于过滤精度指标对所述磨粒粒度分布信息进行过滤性能评价、工作磨损分析，获得工作过滤性能系数和工作磨损参数；
步骤S550：基于所述工作过滤性能系数和工作磨损参数，确定所述油液过滤器工作性能特征。
具体而言，对所述旋装式油液过滤器的工作油液进行采样、油液检测，包括外观检测、色度、密度、粘度、水分、酸值、抗氧化性、组分等理化油品检测性能信息。基于所述工作油液进行杂质颗粒提取，获得工作油液中的油样滤过磨粒，即油液过滤器未过滤的杂质颗粒物，包括尘土、金属材料颗粒物、碳沉淀和碳烟颗粒物等。对所述油样滤过磨粒进行粒度尺寸分析，获得各颗粒物的磨粒粒度分布信息。获取所述旋装式油液过滤器的过滤精度指标，过滤精度是油液过滤器从液压油中所过滤掉的杂质颗粒的最大尺寸，以污物颗粒平均直径表示，粒度越小，精度越高。
基于过滤精度指标对所述磨粒粒度分布信息进行过滤性能评价，即统计分布于过滤器过滤精度之外的颗粒物占比，获得所对应的工作过滤性能系数，系数越高，表明油液过滤器的工作过滤性能越好，其满足预定油液使用要求。同时对所述磨粒粒度分布信息进行工作磨损分析，分析获得工作磨损参数，用以表明该油液过滤器各摩擦副的磨损状况：包括磨损部位、磨损机理以及磨损程度等方面的信息。基于所述工作过滤性能系数和工作磨损参数，确定油液过滤器工作性能特征，当工作过滤性能高、工作磨损低时，油液过滤器工作性能越好。通过对工作油液采样进行辅助性能分析，提高油液过滤器的分析故障诊断精确度和分析全面性。
步骤S600：根据所述油液过滤器故障诊断信息和所述油液过滤器工作性能特征进行运行故障定位，获得油液过滤器故障位置信息；
步骤S700：基于所述油液过滤器故障诊断信息、所述油液过滤器工作性能特征和所述油液过滤器故障位置信息对所述旋装式油液过滤器进行故障预警运维。
在一个实施例中，所述基于所述电池损耗异常诊断信息和所述储能箱异常位置信息，对所述锂电池储能箱进行运维管理，本申请步骤S700还包括：
步骤S710：根据所述油液过滤器故障诊断信息和所述油液过滤器工作性能特征和所述油液过滤器故障位置信息，生成油液过滤器故障诊断报告；
步骤S720：构建油液过滤器运维知识库；
步骤S730：基于所述油液过滤器运维知识库对所述油液过滤器故障诊断报告进行分析，获得油液过滤器故障运维方案；
步骤S740：基于所述油液过滤器故障运维方案对所述旋装式油液过滤器进行故障运维处理。
具体而言，根据所述油液过滤器故障诊断信息和所述油液过滤器工作性能特征进行运行故障定位，即通过工作故障发生诊断信息确定油液过滤器故障位置信息。基于所述油液过滤器故障诊断信息、所述油液过滤器工作性能特征和所述油液过滤器故障位置信息对所述旋装式油液过滤器进行故障预警运维。首先根据所述油液过滤器故障诊断信息和所述油液过滤器工作性能特征和所述油液过滤器故障位置信息，生成油液过滤器故障诊断报告，用于向运维人员展示。再通过大数据方式构建油液过滤器运维知识库，所述油液过滤器运维知识库为旋装式油液过滤器出现故障时的运维方案数据库。
基于所述油液过滤器运维知识库对所述油液过滤器故障诊断报告进行分析，获得油液过滤器故障运维方案，示例性的，油液过滤器在运行中出压力过大，可能是过滤器含有过多杂质，导致吸油困难，应对过滤器进行清洗处理，或更过滤器滤芯。基于所述油液过滤器故障运维方案对所述旋装式油液过滤器进行故障运维处理，实现故障定位准确性和预警及时性，保证油液过滤器的滤油应用效果，进而保证油液使用品质。
在一个实施例中，如图3所示，提供了一种旋装式油液过滤器的故障检测系统，包括：传感器监测模块11，数据属性标记模块12，数据整合处理模块13，过滤器故障分析模块14，油液采样分析模块15，运行故障定位模块16，故障预警运维模块17，其中：
传感器监测模块11，用于利用传感器组对旋装式油液过滤器进行实时监测，获得多维工作运行数据流；
数据属性标记模块12，用于对所述多维工作运行数据流进行属性标记，获得工作运行数据属性信息；
数据整合处理模块13，用于将所述多维工作运行数据流按照所述工作运行数据属性信息进行整合处理，获得多维工作运行整合数据流；
过滤器故障分析模块14，用于将所述多维工作运行整合数据流输入至油液过滤器故障分析模型中进行分析，获得油液过滤器故障诊断信息；
油液采样分析模块15，用于对所述旋装式油液过滤器的工作油液进行采样分析，获得油液过滤器工作性能特征；
运行故障定位模块16，用于根据所述油液过滤器故障诊断信息和所述油液过滤器工作性能特征进行运行故障定位，获得油液过滤器故障位置信息；
故障预警运维模块17，用于基于所述油液过滤器故障诊断信息、所述油液过滤器工作性能特征和所述油液过滤器故障位置信息对所述旋装式油液过滤器进行故障预警运维。
在一个实施例中，所述系统还包括：
传感器组搭建单元，用于搭建传感器组，所述传感器组包括温度传感器、压力传感器、振动传感器、流量传感器；
传感器信息采集单元，用于通过所述温度传感器、所述压力传感器、所述流量传感器分别获得所述旋装式油液过滤器的工作运行温度信息、工作运行液压信息和油通流量信息；
声音振动波形获得单元，用于基于所述振动传感器获取所述旋装式油液过滤器的声音振动波形信息；
波形信号分析单元，用于对所述声音振动波形信息进行波形信号分析，获得工作振动特征信息；
多维工作运行数据流获得单元，用于基于所述工作运行温度信息、工作运行液压信息、油通流量信息和所述声音振动特征信息，获得所述多维工作运行数据流。
在一个实施例中，所述系统还包括：
滤波处理单元，用于对所述声音振动波形信息进行滤波处理，获得标准声音振动波形信息；
故障波形数据库构建单元，用于构建油液过滤器故障波形数据库；
故障波形匹配单元，用于将所述标准声音振动波形信息和所述油液过滤器故障波形数据库进行波形匹配，获得故障类型特征；
故障波形信息获得单元，用于获得所述故障类型特征的故障位置信息和故障波形幅度；
工作振动特征获得单元，用于基于所述故障类型特征、所述故障位置信息和故障波形幅度，获得所述工作振动特征信息。
在一个实施例中，所述系统还包括：
预处理要求获得单元，用于获得波形信号预处理要求；
滤波器参数获得单元，用于基于所述波形信号预处理要求和所述声音振动波形信息进行分析，获得滤波器参数；
数字滤波器获得单元，用于根据所述滤波器参数，确定数字滤波器；
标准声音振动波形获得单元，用于基于所述数字滤波器对所述声音振动波形信息进行滤波处理，获得所述标准声音振动波形信息。
在一个实施例中，所述系统还包括：
故障分析模型搭建单元，用于搭建油液过滤器故障分析模型，所述油液过滤器故障分析模型包括输入层、故障数据识别层、故障诊断分析层和输出层；
故障数据识别单元，用于将所述多维工作运行整合数据流通过所述输入层，输入至所述故障数据识别层中，获得工作故障特征数据；
故障诊断分析单元，用于基于所述故障诊断分析层对所述工作故障特征数据进行分析，获得油液过滤器故障诊断信息；
模型输出单元，用于基于所述输出层将所述油液过滤器故障诊断信作为模型输出结果进行输出。
在一个实施例中，所述系统还包括：
油液采样检测单元，用于对所述工作油液进行采样、油液检测，获得油品检测性能信息；
杂质颗粒提取单元，用于基于所述工作油液进行杂质颗粒提取，获得油样滤过磨粒；
磨粒粒度分析单元，用于对所述油样滤过磨粒进行粒度分析，获得磨粒粒度分布信息；
过滤性能评价、工作磨损分析单元，用于获得所述旋装式油液过滤器的过滤精度指标，基于过滤精度指标对所述磨粒粒度分布信息进行过滤性能评价、工作磨损分析，获得工作过滤性能系数和工作磨损参数；
过滤器工作性能特征确定单元，用于基于所述工作过滤性能系数和工作磨损参数，确定所述油液过滤器工作性能特征。
在一个实施例中，所述系统还包括：
故障诊断报告生成单元，用于根据所述油液过滤器故障诊断信息和所述油液过滤器工作性能特征和所述油液过滤器故障位置信息，生成油液过滤器故障诊断报告；
运维知识库构建单元，用于构建油液过滤器运维知识库；
故障诊断报告分析单元，用于基于所述油液过滤器运维知识库对所述油液过滤器故障诊断报告进行分析，获得油液过滤器故障运维方案；
故障运维处理单元，用于基于所述油液过滤器故障运维方案对所述旋装式油液过滤器进行故障运维处理。
关于一种旋装式油液过滤器的故障检测系统的具体实施例可以参见上文中对于一种旋装式油液过滤器的故障检测方法的实施例，在此不再赘述。上述一种旋装式油液过滤器的故障检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储新闻数据以及时间衰减因子等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种旋装式油液过滤器的故障检测方法。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：利用传感器组对旋装式油液过滤器进行实时监测，获得多维工作运行数据流；对所述多维工作运行数据流进行属性标记，获得工作运行数据属性信息；将所述多维工作运行数据流按照所述工作运行数据属性信息进行整合处理，获得多维工作运行整合数据流；将所述多维工作运行整合数据流输入至油液过滤器故障分析模型中进行分析，获得油液过滤器故障诊断信息；对所述旋装式油液过滤器的工作油液进行采样分析，获得油液过滤器工作性能特征；根据所述油液过滤器故障诊断信息和所述油液过滤器工作性能特征进行运行故障定位，获得油液过滤器故障位置信息；基于所述油液过滤器故障诊断信息、所述油液过滤器工作性能特征和所述油液过滤器故障位置信息对所述旋装式油液过滤器进行故障预警运维。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：利用传感器组对旋装式油液过滤器进行实时监测，获得多维工作运行数据流；对所述多维工作运行数据流进行属性标记，获得工作运行数据属性信息；将所述多维工作运行数据流按照所述工作运行数据属性信息进行整合处理，获得多维工作运行整合数据流；将所述多维工作运行整合数据流输入至油液过滤器故障分析模型中进行分析，获得油液过滤器故障诊断信息；对所述旋装式油液过滤器的工作油液进行采样分析，获得油液过滤器工作性能特征；根据所述油液过滤器故障诊断信息和所述油液过滤器工作性能特征进行运行故障定位，获得油液过滤器故障位置信息；基于所述油液过滤器故障诊断信息、所述油液过滤器工作性能特征和所述油液过滤器故障位置信息对所述旋装式油液过滤器进行故障预警运维。以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种旋装式油液过滤器的故障检测方法，其特征在于，所述方法包括：
利用传感器组对旋装式油液过滤器进行实时监测，获得多维工作运行数据流；
对所述多维工作运行数据流进行属性标记，获得工作运行数据属性信息；
将所述多维工作运行数据流按照所述工作运行数据属性信息进行整合处理，获得多维工作运行整合数据流；
将所述多维工作运行整合数据流输入至油液过滤器故障分析模型中进行分析，获得油液过滤器故障诊断信息；
对所述旋装式油液过滤器的工作油液进行采样分析，获得油液过滤器工作性能特征；
根据所述油液过滤器故障诊断信息和所述油液过滤器工作性能特征进行运行故障定位，获得油液过滤器故障位置信息；
基于所述油液过滤器故障诊断信息、所述油液过滤器工作性能特征和所述油液过滤器故障位置信息对所述旋装式油液过滤器进行故障预警运维。
2.如权利要求1所述的方法，其特征在于，所述获得多维工作运行数据流，包括：
搭建传感器组，所述传感器组包括温度传感器、压力传感器、振动传感器、流量传感器；
通过所述温度传感器、所述压力传感器、所述流量传感器分别获得所述旋装式油液过滤器的工作运行温度信息、工作运行液压信息和油通流量信息；
基于所述振动传感器获取所述旋装式油液过滤器的声音振动波形信息；
对所述声音振动波形信息进行波形信号分析，获得工作振动特征信息；
基于所述工作运行温度信息、工作运行液压信息、油通流量信息和所述声音振动特征信息，获得所述多维工作运行数据流。
3.如权利要求2所述的方法，其特征在于，所述获得工作振动特征信息，包括：
对所述声音振动波形信息进行滤波处理，获得标准声音振动波形信息；
构建油液过滤器故障波形数据库；
将所述标准声音振动波形信息和所述油液过滤器故障波形数据库进行波形匹配，获得故障类型特征；
获得所述故障类型特征的故障位置信息和故障波形幅度；
基于所述故障类型特征、所述故障位置信息和故障波形幅度，获得所述工作振动特征信息。
4.如权利要求3所述的方法，其特征在于，所述获得标准声音振动波形信息，包括：
获得波形信号预处理要求；
基于所述波形信号预处理要求和所述声音振动波形信息进行分析，获得滤波器参数；
根据所述滤波器参数，确定数字滤波器；
基于所述数字滤波器对所述声音振动波形信息进行滤波处理，获得所述标准声音振动波形信息。
5.如权利要求1所述的方法，其特征在于，所述获得油液过滤器故障诊断信息，包括：
搭建油液过滤器故障分析模型，所述油液过滤器故障分析模型包括输入层、故障数据识别层、故障诊断分析层和输出层；
将所述多维工作运行整合数据流通过所述输入层，输入至所述故障数据识别层中，获得工作故障特征数据；
基于所述故障诊断分析层对所述工作故障特征数据进行分析，获得油液过滤器故障诊断信息；
基于所述输出层将所述油液过滤器故障诊断信作为模型输出结果进行输出。
6.如权利要求1所述的方法，其特征在于，所述获得油液过滤器工作性能特征，包括：
对所述工作油液进行采样、油液检测，获得油品检测性能信息；
基于所述工作油液进行杂质颗粒提取，获得油样滤过磨粒；
对所述油样滤过磨粒进行粒度分析，获得磨粒粒度分布信息；
获得所述旋装式油液过滤器的过滤精度指标，基于过滤精度指标对所述磨粒粒度分布信息进行过滤性能评价、工作磨损分析，获得工作过滤性能系数和工作磨损参数；
基于所述工作过滤性能系数和工作磨损参数，确定所述油液过滤器工作性能特征。
7.如权利要求1所述的方法，其特征在于，所述方法包括：
根据所述油液过滤器故障诊断信息和所述油液过滤器工作性能特征和所述油液过滤器故障位置信息，生成油液过滤器故障诊断报告；
构建油液过滤器运维知识库；
基于所述油液过滤器运维知识库对所述油液过滤器故障诊断报告进行分析，获得油液过滤器故障运维方案；
基于所述油液过滤器故障运维方案对所述旋装式油液过滤器进行故障运维处理。
8.一种旋装式油液过滤器的故障检测系统，其特征在于，所述系统包括：
传感器监测模块，用于利用传感器组对旋装式油液过滤器进行实时监测，获得多维工作运行数据流；
数据属性标记模块，用于对所述多维工作运行数据流进行属性标记，获得工作运行数据属性信息；
数据整合处理模块，用于将所述多维工作运行数据流按照所述工作运行数据属性信息进行整合处理，获得多维工作运行整合数据流；
过滤器故障分析模块，用于将所述多维工作运行整合数据流输入至油液过滤器故障分析模型中进行分析，获得油液过滤器故障诊断信息；
油液采样分析模块，用于对所述旋装式油液过滤器的工作油液进行采样分析，获得油液过滤器工作性能特征；
运行故障定位模块，用于根据所述油液过滤器故障诊断信息和所述油液过滤器工作性能特征进行运行故障定位，获得油液过滤器故障位置信息；
故障预警运维模块，用于基于所述油液过滤器故障诊断信息、所述油液过滤器工作性能特征和所述油液过滤器故障位置信息对所述旋装式油液过滤器进行故障预警运维。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
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，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310375925.3A CN116379043B (zh) | 2023-04-11 | 2023-04-11 | 一种旋装式油液过滤器的故障检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310375925.3A CN116379043B (zh) | 2023-04-11 | 2023-04-11 | 一种旋装式油液过滤器的故障检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116379043A CN116379043A (zh) | 2023-07-04 |
| CN116379043B true CN116379043B (zh) | 2024-03-08 |
Family
ID=86970752
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310375925.3A Active CN116379043B (zh) | 2023-04-11 | 2023-04-11 | 一种旋装式油液过滤器的故障检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116379043B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016009932A1 (ja) * | 2014-07-18 | 2016-01-21 | Ntn株式会社 | 機械部品診断システムおよびそのサーバ |
| CN108507787A (zh) * | 2018-06-28 | 2018-09-07 | 山东大学 | 基于多特征融合的风电齿轮增速箱故障诊断试验平台及方法 |
| CN112343890A (zh) * | 2019-08-09 | 2021-02-09 | 上海堃锐电力科技发展有限公司 | 一种液压系统在线监测系统 |
| KR102264773B1 (ko) * | 2020-11-30 | 2021-06-15 | 주식회사 국제기술인증원 | 센서를 이용한 변압기의 온도, 부분방전 및 소음의 진단 및 제어를 위한 고장진단시스템 |
| CN114576236A (zh) * | 2020-11-30 | 2022-06-03 | 北京机械设备研究所 | 一种液压系统的状态监测与故障诊断方法及装置 |
| CN115559890A (zh) * | 2022-11-04 | 2023-01-03 | 江苏省水利科学研究院 | 一种水泵机组运行故障预测调整方法及系统 |
| CN115840676A (zh) * | 2022-12-13 | 2023-03-24 | 河南理工大学 | 一种基于多维数据的计算机硬件故障预警方法及系统 |
-
2023
- 2023-04-11 CN CN202310375925.3A patent/CN116379043B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016009932A1 (ja) * | 2014-07-18 | 2016-01-21 | Ntn株式会社 | 機械部品診断システムおよびそのサーバ |
| CN108507787A (zh) * | 2018-06-28 | 2018-09-07 | 山东大学 | 基于多特征融合的风电齿轮增速箱故障诊断试验平台及方法 |
| CN112343890A (zh) * | 2019-08-09 | 2021-02-09 | 上海堃锐电力科技发展有限公司 | 一种液压系统在线监测系统 |
| KR102264773B1 (ko) * | 2020-11-30 | 2021-06-15 | 주식회사 국제기술인증원 | 센서를 이용한 변압기의 온도, 부분방전 및 소음의 진단 및 제어를 위한 고장진단시스템 |
| CN114576236A (zh) * | 2020-11-30 | 2022-06-03 | 北京机械设备研究所 | 一种液压系统的状态监测与故障诊断方法及装置 |
| CN115559890A (zh) * | 2022-11-04 | 2023-01-03 | 江苏省水利科学研究院 | 一种水泵机组运行故障预测调整方法及系统 |
| CN115840676A (zh) * | 2022-12-13 | 2023-03-24 | 河南理工大学 | 一种基于多维数据的计算机硬件故障预警方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 油液监测振动监测联合预警风电齿轮箱故障;梁培沛;丁显;陈铁等;设备管理与维修;20151106(11);第14-20页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116379043A (zh) | 2023-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116796907A (zh) | 一种基于物联网的水环境动态监测系统及其方法 | |
| CN108399277B (zh) | 一种基于温度与应变关联性的桥梁损伤识别方法 | |
| US7085675B2 (en) | Subband domain signal validation | |
| CN116292246B (zh) | 一种真空泵的故障监测方法及系统 | |
| CN105626502B (zh) | 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法 | |
| CN111898068B (zh) | 一种基于pert算法及仪表用量分析的异常检测方法 | |
| CN109615126A (zh) | 一种轴承剩余寿命预测方法 | |
| CN113551765A (zh) | 设备故障声谱分析诊断方法 | |
| CN102607641A (zh) | 一种燃气轮机的聚类异常检测方法 | |
| CN106323664A (zh) | 空调机组的振动测试及诊断方法、装置及空调机组 | |
| CN115409131A (zh) | 基于spc过程管控系统的生产线异常检测方法 | |
| CN116861369A (zh) | 工业互联网异构数据融合的空压机健康评估方法及系统 | |
| CN109115271B (zh) | 一种数控机床远程监测系统 | |
| CN116379043B (zh) | 一种旋装式油液过滤器的故障检测方法及系统 | |
| CN113837591A (zh) | 一种面向多工况运行条件的装备健康评估方法 | |
| US20140032079A1 (en) | Diagnostic and control system and method | |
| CN112016193B (zh) | 一种盾构机系统的润滑失效在线预测方法及系统 | |
| CN108615018A (zh) | 基于时域直方图特征提取的对象物状态识别方法 | |
| CN117370879A (zh) | 一种风力机齿轮箱的实时在线故障诊断方法及系统 | |
| CN116108376A (zh) | 一种反窃电的监测系统、方法、电子设备及介质 | |
| CN116168019A (zh) | 基于机器视觉技术的电网故障检测方法及系统 | |
| CN117536872B (zh) | 一种罗茨风机状态监测系统与故障预测方法 | |
| CN117591507B (zh) | 一种用于测控装备的数据质量特性自动化构建方法和系统 | |
| CN113029242B (zh) | 结构健康监测系统中光纤光栅传感器异常诊断方法 | |
| CN114637793B (zh) | 一种基于大数据分析的装备故障频发区域定位方法 |
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 |