CN116403605A - 设备故障预测方法、堆垛机故障预测方法及相关装置 - Google Patents
设备故障预测方法、堆垛机故障预测方法及相关装置 Download PDFInfo
- Publication number
- CN116403605A CN116403605A CN202310673692.5A CN202310673692A CN116403605A CN 116403605 A CN116403605 A CN 116403605A CN 202310673692 A CN202310673692 A CN 202310673692A CN 116403605 A CN116403605 A CN 116403605A
- Authority
- CN
- China
- Prior art keywords
- sound
- target
- processed
- sound data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 109
- 230000007246 mechanism Effects 0.000 claims description 209
- 238000010801 machine learning Methods 0.000 claims description 68
- 230000036541 health Effects 0.000 claims description 65
- 230000015654 memory Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 8
- 230000003068 static effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000036961 partial effect Effects 0.000 claims description 5
- 230000002829 reductive effect Effects 0.000 abstract description 10
- 238000004519 manufacturing process Methods 0.000 abstract description 8
- 230000008569 process Effects 0.000 description 35
- 238000012549 training Methods 0.000 description 21
- 238000012423 maintenance Methods 0.000 description 15
- 230000002159 abnormal effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000000306 recurrent effect Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 238000012847 principal component analysis method Methods 0.000 description 5
- 125000004122 cyclic group Chemical group 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提供一种设备故障预测方法、堆垛机故障预测方法及相关装置,该设备故障预测方法包括:获取待处理声音数据,待处理声音数据为采集的目标机器设备在一个运行周期内的声音数据;根据待处理声音数据预测目标机器设备在下一个运行周期内的目标声音特征;根据目标声音特征对目标机器设备进行下一个运行周期的故障预测。通过根据上一个运行周期内的待处理声音数据预测目标机器设备在下一个运行周期内的目标声音特征,并根据目标声音特征对目标机器设备进行下一个运行周期的故障预测,能够在目标机器设备故障发生前预测故障可能性,以便人工核实检修,有效地降低了因发现机器设备故障不及时影响产线正常运行的概率。
Description
技术领域
本申请涉及设备故障预测领域,具体而言,涉及一种设备故障预测方法、堆垛机故障预测方法及相关装置。
背景技术
通常,机器设备运行时会发出声音,而机器设备故障时所发出的声音与正常时不同,因而可以通过机器设备发出的声音发现设备是否为故障的设备。然而,如果由于运维人员疏忽未发现这些异常声音,未及时对机器设备进行维修,设备存在较大的故障风险,一旦机器设备故障,机器设备所在的产线将无法良好运行。
发明内容
本申请实施例的目的在于提供一种设备故障预测方法、堆垛机故障预测方法及相关装置,用于改善上述因发现机器设备故障不及时影响产线正常运行的问题。
本申请实施例提供了一种设备故障预测方法,包括:获取待处理声音数据,待处理声音数据为采集的目标机器设备在一个运行周期内的声音数据;根据待处理声音数据预测目标机器设备在下一个运行周期内的目标声音特征;根据目标声音特征对目标机器设备进行下一个运行周期的故障预测。在上述方案的实现过程中,通过根据上一个运行周期内的待处理声音数据预测目标机器设备在下一个运行周期内的目标声音特征,并根据目标声音特征对目标机器设备进行下一个运行周期的故障预测,能够在目标机器设备故障发生前预测故障可能性,以便人工核实检修,有效地降低了因发现机器设备故障不及时影响产线正常运行的概率。
可选地,在本申请实施例中,根据待处理声音数据预测目标机器设备在下一个运行周期内的目标声音特征,包括:对待处理声音数据进行声音特征提取,获得待处理声音特征;通过机器学习模型对待处理声音特征进行预测,获得目标声音特征;其中,机器学习模型根据样本数据训练形成,样本数据包括:目标机器设备在一个运行周期内的声音数据的声音特征,以及目标机器设备在该运行周期的下一个运行周期内的声音数据的声音特征。在上述方案的实现过程中,通过机器学习模型对待处理声音特征进行预测,获得目标声音特征,并根据目标声音特征对目标机器设备进行下一个运行周期的故障预测,提高利用声音数据预测目标机器设备的故障的准确率。
可选地,在本申请实施例中,目标声音特征的类型包括时域特征、频域特征以及时频特征中至少一项;若目标声音特征的类型包括时域特征,则通过机器学习模型对待处理声音特征进行预测,获得目标声音特征,包括:通过机器学习模型对时域特征类型的待处理声音特征进行预测,获得时域特征类型的目标声音特征;若目标声音特征的类型包括频域特征,则通过机器学习模型对待处理声音特征进行预测,获得目标声音特征,包括:通过机器学习模型对频域特征类型的待处理声音特征进行预测,获得频域特征类型的目标声音特征;若目标声音特征的类型包括时频特征,则通过机器学习模型对待处理声音特征进行预测,获得目标声音特征,包括:通过机器学习模型对时频特征类型的待处理声音特征进行预测,获得时频特征类型的目标声音特征。在上述方案的实现过程中,由于目标声音特征的类型包括时域特征、频域特征以及时频特征中至少一项,使得目标声音特征的种类更加丰富,通过更多种类的声音特征来使得预测结果更加准确,从而提高了故障预测的正确率。
可选地,在本申请实施例中,根据待处理声音数据预测目标机器设备在下一个运行周期内的目标声音特征,包括:根据目标机器设备的控制信号时序数据,将待处理声音数据划分为不同工况的待处理声音数据;根据各工况的待处理声音数据预测该工况的下一个运行周期内的目标声音特征;其中,针对一工况的待处理声音数据所预测的目标声音特征,对目标机器设备在该工况中处于运行状态的机构进行下一个运行周期的故障预测。在上述方案的实现过程中,通过根据目标机器设备的控制信号时序数据,将待处理声音数据划分为不同工况的待处理声音数据,从而便于定位出不同工况中的在下一个运行周期的故障机构,提高故障预测的精准度,提高人工对该故障机构进行检修的效率。
可选地,在本申请实施例中,根据目标机器设备的控制信号时序数据,将待处理声音数据划分为不同工况的待处理声音数据,包括:根据控制信号时序数据从待处理声音数据中划分目标机器设备的第一预设工况的声音数据;根据目标机器设备的各机构单独运行时声音数据的频域特征差异,将从待处理声音数据中除第一预设工况的声音数据之外的声音数据中,划分目标机器设备的第二预设工况的声音数据和第三预设工况的声音数据;其中,目标机器设备在第一预设工况、第二预设工况以及第三预设工况中处于运行状态的机构不同。在上述方案的实现过程中,通过根据频域特征差异将剩余的目标机器设备多种预设工况的声音数据,划分为第二预设工况的声音数据和第三预设工况的声音数据,从而增加了工况划分的颗粒度。
可选地,在本申请实施例中,目标声音特征包括多项声音特征;根据目标声音特征对目标机器设备进行下一个运行周期的故障预测,包括:采用多项声音特征中对目标机器设备的故障敏感的声音特征对目标机器设备进行下一个运行周期的故障预测。在上述方案的实现过程中,通过采用多项声音特征中对目标机器设备的故障敏感的声音特征对目标机器设备进行下一个运行周期的故障预测,从而减少了对故障不敏感的声音特征的干扰和设备的运算量,有效地提高了对目标机器设备进行下一个运行周期的故障预测的正确率。
可选地,在本申请实施例中,对目标机器设备的故障敏感的声音特征是采用主成分分析法从多项声音特征中筛选出来的。在上述方案的实现过程中,通过采用主成分分析法从多项声音特征中筛选出对目标机器设备的故障敏感的声音特征,从而减少了非主成分特征在多项声音特征中的干扰,有效地提高了对目标机器设备进行下一个运行周期的故障预测的正确率。
可选地,在本申请实施例中,根据目标声音特征对目标机器设备进行下一个运行周期的故障预测,包括:根据目标声音特征确定目标机器设备的健康指数;根据健康指数对目标机器设备进行下一个运行周期的故障预测。在上述方案的实现过程中,通过根据声音特征确定的目标机器设备的健康指数对目标机器设备进行下一个运行周期的故障预测,从而让目标机器设备的故障被有效量化为健康指数,提高了故障预测的精准度。在一些场景,还可以根据健康指数对设备进行健康管理,提高设备维护管理能力。
可选地,在本申请实施例中,在根据目标声音特征确定目标机器设备的健康指数之后,还包括:若健康指数位于告警数值区间,则生成告警信息。在上述方案的实现过程中,通过在健康指数位于告警数值区间的情况下,就生成告警信息,从而改善了异常声音较小时难以故障告警的情况,有效地提高了减小了目标机器设备的故障概率。
本申请实施例还提供了一种堆垛机故障预测方法,包括:获取待处理声音数据,待处理声音数据为采集的堆垛机中的水平运行机构、升降运行机构和货叉伸缩机构在一个运行周期内的声音数据;根据待处理声音数据预测堆垛机在下一个运行周期内的目标声音特征;根据目标声音特征对堆垛机的机构进行下一个运行周期的故障预测。在上述方案的实现过程中,通过根据上一个运行周期内的待处理声音数据预测堆垛机在下一个运行周期内的目标声音特征,并根据目标声音特征对堆垛机进行下一个运行周期的故障预测,能够在堆垛机故障发生前预测故障可能性,以便人工核实检修,有效地降低了因发现堆垛机故障不及时影响产线正常运行的概率。
可选地,在本申请实施例中,根据待处理声音数据预测堆垛机在下一个运行周期内的目标声音特征,包括:对待处理声音数据进行声音特征提取,获得待处理声音特征;通过机器学习模型对待处理声音特征进行预测,获得目标声音特征;其中,机器学习模型根据样本数据训练形成,样本数据包括:堆垛机在一个运行周期内的声音数据的声音特征,以及堆垛机在该运行周期的下一个运行周期内的声音数据的声音特征。在上述方案的实现过程中,通过机器学习模型对待处理声音特征进行预测,获得目标声音特征,并根据下一个运行周期的目标声音特征对堆垛机进行下一个运行周期的故障预测,提高利用声音数据预测堆垛机的故障的准确率。
可选地,在本申请实施例中,目标声音特征的类型包括时域特征、频域特征以及时频特征中至少一项;若目标声音特征的类型包括时域特征,则通过机器学习模型对待处理声音特征进行预测,获得目标声音特征,包括:通过机器学习模型对时域特征类型的待处理声音特征进行预测,获得时域特征类型的目标声音特征;若目标声音特征的类型包括频域特征,则通过机器学习模型对待处理声音特征进行预测,获得目标声音特征,包括:通过机器学习模型对频域特征类型的待处理声音特征进行预测,获得频域特征类型的目标声音特征;若目标声音特征的类型包括时频特征,则通过机器学习模型对待处理声音特征进行预测,获得目标声音特征,包括:通过机器学习模型对时频特征类型的待处理声音特征进行预测,获得时频特征类型的目标声音特征。
可选地,在本申请实施例中,根据待处理声音数据预测堆垛机在下一个运行周期内的目标声音特征,包括:根据堆垛机的控制信号时序数据将待处理声音数据划分为不同工况的待处理声音数据;根据各工况的待处理声音数据预测该工况的下一个运行周期内的目标声音特征;其中,不同工况包括:水平运行机构运行工况、升降运行机构运行工况和货叉伸缩机构运行工况;针对一工况的待处理声音数据所预测的目标声音特征,对堆垛机的在该工况中处于运行状态的机构进行下一个运行周期的故障预测。在上述方案的实现过程中,通过根据堆垛机的控制信号时序数据,将待处理声音数据划分为不同工况的声音数据,从而便于定位出不同工况在下一个运行周期的故障机构,提高人工对该故障机构进行检修的效率。
可选地,在本申请实施例中,根据堆垛机的控制信号时序数据将待处理声音数据划分为不同工况的待处理声音数据,包括:从堆垛机的控制信号时序数据中查找满足第一预设条件的采集时刻,其中,第一预设条件包括:货叉伸缩机构处于运行周期中的运动状态,且水平运行机构和升降运行机构处于运行周期中的静止状态;从待处理声音数据中查找满足第一预设条件的采集时刻的声音数据;将满足第一预设条件的采集时刻的声音数据划分为货叉伸缩机构运行工况的声音数据。在上述方案的实现过程中,通过将满足第一预设条件的采集时刻的声音数据划分为货叉伸缩机构运行工况的声音数据,从而增加了工况划分的颗粒度。
可选地,在本申请实施例中,根据堆垛机的控制信号时序数据将待处理声音数据划分为堆垛机的不同工况的待处理声音数据,包括:从堆垛机的控制信号时序数据中查找满足第二预设条件的采集时刻,其中,第二预设条件包括:货叉伸缩机构处于运行周期中的静止状态,且水平运行机构和升降运行机构处于运行周期中的运动状态;从待处理声音数据中查找满足第二预设条件的采集时刻的声音数据;根据堆垛机的各机构单独运行时声音数据的频域特征差异,将满足第二预设条件的采集时刻的声音数据划分为水平运行机构运行工况的声音数据和升降运行机构运行工况的声音数据。
可选地,在本申请实施例中,目标声音特征包括多项声音特征;根据目标声音特征对堆垛机的机构进行下一个运行周期的故障预测,包括:采用多项声音特征中对堆垛机的各机构的故障敏感的声音特征对堆垛机的各机构分别进行下一个运行周期的故障预测。在上述方案的实现过程中,通过采用多项声音特征中对堆垛机的各机构的故障敏感的声音特征对堆垛机的各机构分别进行下一个运行周期的故障预测,从而减少了对故障不敏感的声音特征和设备的运算量,有效地提高了对目标机器设备进行下一个运行周期的故障预测的正确率。
可选地,在本申请实施例中,对堆垛机的各机构的故障敏感的声音特征采用主成分分析法进行筛选。在上述方案的实现过程中,通过采用主成分分析法从多项声音特征中筛选出对目标机器设备的故障敏感的声音特征,从而减少了非主成分特征在多项声音特征中的干扰,有效地提高了对目标机器设备进行下一个运行周期的故障预测的正确率。
可选地,在本申请实施例中,根据目标声音特征对堆垛机的机构进行下一个运行周期的故障预测,包括:根据目标声音特征确定堆垛机的各机构的健康指数;根据健康指数对堆垛机的各机构进行下一个运行周期的故障预测。在上述方案的实现过程中,通过根据声音特征确定的目标机器设备的健康指数对堆垛机的各机构进行下一个运行周期的故障预测,从而让堆垛机的故障被有效量化为健康指数,提高了故障预测的正确率。
可选地,在本申请实施例中,在根据目标声音特征确定堆垛机的各机构的健康指数之后,还包括:若健康指数位于告警数值区间,则生成告警信息。在上述方案的实现过程中,通过在健康指数位于告警数值区间的情况下,就进行告警,从而改善了异常声音较小时难以故障告警的情况,有效地提高了减小了堆垛机的故障概率。
本申请实施例还提供了一种设备故障预测系统,包括:声音传感器和计算设备;声音传感器,用于采集待处理声音数据,待处理声音数据为目标机器设备在一个运行周期内的声音数据;计算设备,用于根据待处理声音数据预测目标机器设备在下一个运行周期内的目标声音特征;根据目标声音特征对目标机器设备进行下一个运行周期的故障预测。
可选地,在本申请实施例中,计算设备包括边缘设备以及服务器;边缘设备用于:对待处理声音数据进行声音特征提取,获得待处理声音特征;服务器用于:通过机器学习模型对待处理声音特征进行预测,获得目标声音特征;根据目标声音特征对目标机器设备进行下一个运行周期的故障预测;其中,机器学习模型根据样本数据训练形成,样本数据包括:目标机器设备在一个运行周期内的声音数据的声音特征,以及目标机器设备在该运行周期的下一个运行周期内的声音数据的声音特征。在上述方案的实现过程中,边缘设备来对待处理声音数据进行声音特征提取,从而减轻了服务器的计算压力和负载。
可选地,在本申请实施例中,边缘设备具体用于:根据目标机器设备的控制信号时序数据,将待处理声音数据划分为不同工况的待处理声音数据;对各工况的待处理声音数据进行声音特征提取,获得待处理声音特征;其中,针对一工况的待处理声音数据所预测的目标声音特征,对目标机器设备的在该工况中处于运行状态的机构进行下一个运行周期的故障预测。
可选地,在本申请实施例中,边缘设备具体用于:根据控制信号时序数据从待处理声音数据中划分出目标机器设备单独机构运行的工况的声音数据;根据目标机器设备的各机构单独运行时声音数据的频域特征差异,将剩余的目标机器设备多机构运行的工况的声音数据,划分为各机构单独运行的工况的待处理声音数据。
可选地,在本申请实施例中,边缘设备具体用于:根据控制信号时序数据从待处理声音数据中划分目标机器设备的第一预设工况的声音数据;根据目标机器设备的各机构单独运行时声音数据的频域特征差异,将从待处理声音数据中除第一预设工况的声音数据之外的声音数据中,划分目标机器设备的第二预设工况的声音数据和第三预设工况的声音数据;其中,目标机器设备在第一预设工况、第二预设工况以及第三预设工况中处于运行状态的机构不同。
可选地,在本申请实施例中,目标声音特征包括多项声音特征;服务器具体用于:采用多项声音特征中对目标机器设备的故障敏感的声音特征对目标机器设备进行下一个运行周期的故障预测。
可选地,在本申请实施例中,根据目标声音特征对目标机器设备进行下一个运行周期的故障预测,包括:根据目标声音特征确定目标机器设备的健康指数;根据健康指数对目标机器设备进行下一个运行周期的故障预测。
可选地,在本申请实施例中,服务器还用于:若健康指数位于告警数值区间,则生成告警信息。
本申请实施例还提供了一种堆垛机,包括:水平运行机构、升降运行机构和货叉伸缩机构以及声音传感器,货叉伸缩机构设置于升降运行机构,升降运行机构设置于水平运行机构;声音传感器设置于水平运行机构、升降运行机构和货叉伸缩机构中的至少一个机构处,声音传感器用于采集堆垛机运行时的声音数据。
可选地,在本申请实施例中,声音传感器包括设置于水平运行机构的第一部分声音传感器;第一部分声音传感器设置于近邻水平运行机构的待监测部件的位置,待监测部件包括:水平电机、齿轮齿条、天轨和地轨中至少一项。
可选地,在本申请实施例中,声音传感器包括设置于升降运行机构的第二部分声音传感器;第二部分声音传感器设置于近邻升降运行机构的待监测部件的位置,待监测部件包括:升降电机和链轮链条中至少一项。
可选地,在本申请实施例中,声音传感器包括设置于货叉伸缩机构的第三部分声音传感器;第三部分声音传感器设置于近邻货叉伸缩机构的待监测部件的位置,待监测部件包括:伸缩电机和伸缩板中至少一项。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上面描述的方法。
本申请实施例的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请实施例了解。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请实施例中的某些实施例,因此不应被看作是对范围的限定,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,还可以根据这些附图获得其他相关的附图。
图1示出的本申请实施例提供的设备故障预测方法的流程示意图;
图2示出的本申请实施例提供的控制信号时序数据的示意图;
图3示出的本申请实施例提供的堆垛机故障预测方法的流程示意图;
图4示出的本申请实施例提供的堆垛机的结构示意图;
图5示出的本申请实施例提供的计算设备的结构示意图。
图标:300-堆垛机;310-水平运行机构;311-天轨;312-齿轮齿条;313-地轨;320-升降运行机构;321-升降电机;322-链轮链条;330-货叉伸缩机构;331-伸缩板;332-伸缩电机;400-计算设备;410-处理器;420-存储器;430-存储介质。
具体实施方式
下面将结合附图对本申请技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本申请的技术方案,因此只作为示例,而不能以此来限制本申请的保护范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。
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,应当理解,本申请实施例中的附图仅起到说明和描述的目的,并不用于限定本申请实施例的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请实施例中使用的流程图示出了根据本申请实施例的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请实施例内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请实施例的一部分,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请实施例的详细描述并非旨在限制要求保护的本申请实施例的范围,而是仅仅表示本申请实施例的选定实施例。
在本申请实施例的描述中,技术术语“第一”“第二”等仅用于区别不同对象,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本申请实施例的描述中,“多个”的含义是两个以上,除非另有明确具体的限定。在本申请实施例的描述中,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A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。术语“多个”指的是两个以上(包括两个),同理,“多组”指的是两组以上(包括两组)。
在相关技术中,设备维护人员可以通过机器设备发出的声音发现设备是否故障。然而,等到机器设备发出故障声音时发现设备故障,进行维修更换,势必会影响产线运行。
例如,在换电站中,使用堆垛机进行电池的存取和搬运,堆垛机运行时,电机、齿轮、链条、轨道等部件均会发出声音,当这些部件损坏或不良时,堆垛机的发出的声音会异常,有经验的运维人员在听到这些异常声音时,可以发现设备故障。但是,如果由于运维人员疏忽未发现这些异常声音,未及时对设备进行维修,设备存在较大的故障风险,一旦设备故障,换电站将无法良好运行。而且,通常运维人员只能在设备声音异常明显的时候才能察觉,而这时设备可能已经处于不良运行较长时间了,长期的不良运行会影响设备的寿命,有些场景还会影响设备所操作的产品的品质。
针对上述问题,本申请实施例中,通过目标机器设备在一个运行周期内的声音数据,预测目标机器设备在下一个运行周期内的目标声音数据特征,进而根据预测的目标声音数据特征预测设备故障,能够更及时地预测出设备在下一个运行周期的故障可能性,降低因目标机器设备故障影响产线正常运行的概率。在一些场景中,还可以在目标机器设备不良运行的早期发现故障风险,可以及时进行不良运行排查,提高目标机器设备的寿命。
需要说明的是,本申请实施例中的目标机器设备不限于前面举例的堆垛机,还可以是其他运行时会发出声音的设备,如包含电机、齿轮齿条、链条、轨道等部件的设备,例如旋转平台、模切机、卷绕机等。
请参见图1示出的本申请实施例提供的设备故障预测方法的流程示意图;该方法可以由计算设备执行,这里的计算设备是指具有执行计算机程序功能的边缘设备(例如边缘工控端)和/或服务器,可以包括三种情况:第一种情况,方法所有步骤都是由边缘设备执行的;第二种情况,方法所有步骤都是由服务器执行的;第三种情况,方法的一部分步骤是由边缘设备执行的,方法的另一部分步骤是由服务器执行的。其中,边缘设备例如:数采盒子、智能手机、个人电脑、平板电脑、个人数字助理、边缘工控端或者移动上网设备等。服务器是指通过网络提供计算服务的设备,服务器例如:x86服务器以及非x86服务器,非x86服务器包括:大型机、小型机和UNIX服务器。
该设备故障预测方法包括以下步骤:
步骤S110:获取待处理声音数据,待处理声音数据为采集的目标机器设备在一个运行周期内的声音数据。
待处理声音数据可以由声音传感器采集,执行本设备故障预测方法的计算设备可以直接从声音传感器获取待处理声音数据,也可以经由中转设备或存储设备获取待处理声音数据。
该声音传感器可以设置在目标机器设备上,也可以设置在目标机器设备运行的环境中,例如,设置在目标机器设备的工作区间内。可选的,声音传感器设置在宜于采集到目标机器设备运行状态下产生的声音的位置,例如,设置在目标机器设备的主要声音来源的部件附近。
应理解,针对一个目标机器设备,可以设置一个声音传感器采集声音数据,也可以设置多个声音传感器采集声音数据。在后一种情况中,不同声音传感器设置的位置可以不同,以便通过多个声音传感器全方位采集到待处理设备的声音数据。或者,多个声音传感器分别针对目标机器设备的不同的产生声音的部件设置,进而能够更准确采集不同部件所产生的声音。
一个运行周期可以指目标机器设备运行的一个时间段,例如目标机器设备每运行一个小时为一个运行周期;一个运行周期还可以是目标机器设备执行一个工作流程的周期,例如:由堆垛机执行取货、存货的一个流程为一个运行周期。当然,一个运行周期还可以是目标机器设备执行连续的多个工作流程的周期。
步骤S120:根据待处理声音数据预测目标机器设备在下一个运行周期内的目标声音特征。
声音特征,是指从声音数据中提取出的特征,声音特征的类型包括但不限于:时域特征、频域特征和/或时频特征等等,其中,时频特征包括但不限于:瞬时频率、幅值特征和熵值特征等等。
下一个运行周期,是指采集的待处理声音数据的运行周期的下一个运行周期,例如:目标机器设备执行首次存货、首次取货、第二次存货、第二次取货,首次存货和首次取货可以为一个运行周期,再次存货和再次取货可以为下一个运行周期。
根据待处理声音数据预测目标机器设备在下一个运行周期内的目标声音特征的方式可以为:
方式1,采用预测算法根据待处理声音数据预测下一个运行周期的目标声音数据,然后,从目标声音数据中提取目标声音特征。
方式2,从待处理声音数据待处理声音特征,采用预测算法根据待处理声音特征预测下一个运行周期的目标声音特征。
应理解,上述不同方式所采用的预测算法不同。
步骤S130:根据目标声音特征对目标机器设备进行下一个运行周期的故障预测。
由于故障设备与非故障设备的声音特征不同,运行良好的设备与运行不良的设备的声音特征也存在差异,因而,根据下一个运行周期的目标声音特征即可对目标机器设备在下一个运行周期出现故障的可能性进行预测。
需要说明的是,上述设备故障预测方法中的各个步骤可以是同一计算设备执行的,例如:该设备故障预测方法中的各个步骤均是由接收待处理声音数据的边缘设备执行的,也可以均是由接收待处理声音数据的服务器执行的。同理地,上述设备故障预测方法中的各个步骤也可以是不同设备执行的,例如:上述的步骤S110和步骤S120由接收待处理声音数据的边缘设备执行的,上述的步骤S130是由提取声音数据的声音特征的服务器执行的。或者,上述步骤S110由边缘设备执行,步骤S120和步骤S130由服务器执行。因此,上述设备故障预测方法中的各个步骤的执行主体不应理解为本申请实施例的限制。
在上述方案的实现过程中,通过根据上一个运行周期内的待处理声音数据预测目标机器设备在下一个运行周期内的目标声音特征,并根据目标声音特征对目标机器设备进行下一个运行周期的故障预测,能够在目标机器设备故障发生前预测故障可能性,以便人工核实检修,有效地降低了因发现机器设备故障不及时影响产线正常运行的概率。
作为上述步骤S120的一种可选实施方式,根据待处理声音数据预测目标机器设备在下一个运行周期内的目标声音特征的实施方式可以包括:
步骤S121:对待处理声音数据进行声音特征提取,获得待处理声音特征。
可以理解的是,在获取到待处理声音数据之后,还可以对待处理声音数据进行滤波降噪,获得滤波降噪后的声音数据。然后,对滤波降噪后的声音数据进行声音特征提取,获得待处理声音特征。
步骤S122:通过机器学习模型对待处理声音特征进行预测,获得目标声音特征。
其中,机器学习模型可以是使用样本数据进行训练形成的,此处的样本数据可以包括:目标机器设备在一个运行周期内的声音数据的声音特征,以及目标机器设备在该运行周期的下一个运行周期内的声音数据的声音特征。
上述样本数据对应的声音数据可以为针对同一目标机器设备采集而来,也可以针对多台同类的目标机器设备采集而来。可选的,在后一种情况中,采集不同的目标机器设备的声音传感器的规格相同或相近,声音传感器的设置位置相同或相近。
可选的,用于采集待处理声音数据的声音传感器的规格与采集上述样本数据的声音传感器的规格相同或相近,采集待处理声音数据的声音传感器的设置位置与采集上述样本数据的声音传感器的设置位置相同或相近。
上述的机器学习模型可以采用循环神经网络(Recurrent Neural Network,RNN),此处的RNN具体例如:长短期记忆(Long Short-Term Memory,LSTM)网络模型或双向长短记忆(Bidirectional Long Short-Term Memory,Bi-LSTM)网络模型等等。机器学习模型还可以采用其他适用于声音领域预测的模型。
在上述机器学习模型的训练过程中,可以将上述的样本数据(可以是包括堆垛机的全生命周期的声音数据)拆分为第一预设比例(例如70%)的训练集、第二预设比例(例如20%)的验证集和第三预设比例(例如10%)的测试集,并使用训练集、验证集和测试集来对上述的机器学习模型进行训练。
以堆垛机为例,介绍样本数据的获取过程。堆垛机的全生命周期可以是实验室中模拟堆垛机加速实验的全生命周期循环,此处的实验可以是堆垛机电池存取加速实验,实验目的是通过模拟正常工况来快速达到堆垛机寿命末期的实验。上述的全生命周期循环可以是两个充电位取放的循环,也可以是多个充电位取放的循环,此处以两个充电位取放的循环为例进行说明,那么堆垛机执行该循环的步骤例如:将电池从电池架的第一充电位上取出,电池是放在第一RGV小车上的,然后,将电池从RGV小车中取出并放在第二充电位上,其次,将电池从第二充电位取出并放在第二RGV小车上,最后,将电池从第二RGV小车取出并放置在电池架的第一充电位上。通过声音传感器采集全生命周期循环过程中堆垛机发出的声音,即可获得样本数据。
应理解,样本数据也可以不必是上述全生命周期的声音数据的声音特征,而是目标机器设备运行过程中的部分运行周期的声音数据的声音特征。
下面以循环神经网络为例,介绍机器学习的训练过程。使用循环神经网络对上一个运行周期内的声音数据的声音特征进行计算,获得计算出的声音特征,然后,根据计算出的声音特征和下一个运行周期内的声音数据的声音特征之间的损失值,更新循环神经网络的网络权重参数,直到循环神经网络的正确率不再升高或者迭代次数(epoch)数量大于预设阈值时,即可获得训练后的循环神经网络模型。其中,上述的预设阈值也可以根据具体情况进行设置,例如设置为100或者1000等等。可选地,在训练循环神经网络模型的过程中,还可以对循环神经网络模型的超参数进行调节,例如调节学习率等超参数的最优化组合来缩短训练循环神经网络模型的训练时长。
在上述机器学习模型(例如训练神经网络模型)的训练过程中,还可以先进行工况划分,例如,可以根据声音数据的频域、频率和/或振幅的组合,将声音数据划分为处于水平运动工况、处于升降运动工况、处于伸缩运动工况等等类型的声音数据。由于不同物体振动产生的声音波形具有独特的频率和振幅组合,通过分析声音信号的频域特征,可以对物体进行识别和分类。借助这一特性,可以借助不同机构单独运行时的声音数据的频域特征差异,将同时运动的两个或两个以上的机构所发出的声音数据区分开。
可选的,在进行工况划分后,可以将数据样本按照工况进行分类,针对每类工况的样本,用其来训练与之对应的机器学习模型,即采用每类工况的样本数据训练出用来预测该类工况的目标声音特征的机器学习模型。当然,也可以采用不同类别工况的样本数据来训练一个统一的机器学习模型,不同类别工况的目标声音特征均可以通过该统一训练的机器学习模型进行预测。
在一些实施方式中,可能部分样本数据没有样本标签,即有些样本数据只有一个运行周期内的声音数据的声音特征,没有下一个运行周期内的声音数据的声音特征。此时可以采用弱监督学习方式来训练循环神经网络,例如使用基于heuristics或者是生成对抗网络(Generative Adversarial Network,GAN)模型根据当前样本数据(例如运行周期内的声音数据的声音特征)生成样本标签(例如下一个运行周期内的声音数据的声音特征)。当然,也可以采用基于启发式规则、使用无监督聚类算法、利用外部知识库等方式来构建具有样本标签的数据集。
可选的,在机器学习模型训练过程中,还可以筛选出对目标机器设备的故障敏感的声音特征。例如:采用主成分分析(PCA)法从多项声音特征中筛选出故障敏感程度超过阈值的声音特征,可以理解为,针对多项声音特征中的每种声音特征,计算出该声音特征的故障敏感程度值,然后,判断该声音特征的故障敏感程度值是否大于预设阈值。若该声音特征的故障敏感程度值大于预设阈值,则将该声音特征确定为对目标机器设备的故障敏感的声音特征。同理地,若该声音特征的故障敏感程度值小于或等于预设阈值,则将该声音特征确定为对目标机器设备的故障不够敏感的声音特征,上述的预设阈值可以根据经验值设置,也可以通过实验确定。
可选地,上述的目标声音特征的类型可以包括时域特征、频域特征以及时频特征中至少一项。在通过机器学习模型预测目标声音特征时,输入一种类型的待处理声音特征,可以得到同类型的目标声音特征。
例如:若目标声音特征的类型包括时域特征,通过机器学习模型对时域特征类型的待处理声音特征进行预测,获得时域特征类型的目标声音特征。
若目标声音特征的类型包括频域特征,通过机器学习模型对频域特征类型的待处理声音特征进行预测,获得频域特征类型的目标声音特征。
若目标声音特征的类型包括时频特征,通过机器学习模型对时频特征类型的待处理声音特征进行预测,获得时频特征类型的目标声音特征。
作为上述步骤S120的一种可选实施方式,根据待处理声音数据预测目标机器设备在下一个运行周期内的目标声音特征的实施方式可包括:
步骤S123:根据目标机器设备的控制信号时序数据,将待处理声音数据划分为不同工况的待处理声音数据。
控制信号时序数据为控制信号的时序数据,根据控制信号可以确定目标机器设备的运动状态的工况,例如,处于水平运动工况、处于升降运动工况、处于伸缩运动工况、处于旋转运动工况等。因而,根据控制信号时序数据的时间信息与待处理声音数据的采集时刻进行匹配,可以确定待处理声音数据的一个时间段为哪一个工况的声音数据,进而能够将待处理声音数据划分为不同工况的待处理声音数据。
步骤S124:根据各工况的待处理声音数据预测该工况的下一个运行周期内的目标声音特征。
可以理解的是,上述的各工况的待处理声音数据可以直接采用同一个统一训练的机器学习模型来进行预测该工况的下一个运行周期内的目标声音特征,当然在具体实践过程中,也可以采用不同的各自训练的机器学习模型来进行预测该工况的下一个运行周期内的目标声音特征。
其中,针对一工况的待处理声音数据所预测的目标声音特征,对目标机器设备在该工况中处于运行状态的机构进行下一个运行周期的故障预测。在上述方案的实现过程中,通过根据目标机器设备的控制信号时序数据,将待处理声音数据划分为不同工况的待处理声音数据,从而便于定位出不同工况在下一个运行周期的故障机构,提高人工对该故障机构进行检修的效率。
作为上述步骤S123的一种可选实施方式,根据目标机器设备的控制信号时序数据,将待处理声音数据划分为不同工况的待处理声音数据的实施方式可以包括:
步骤S123a:根据控制信号时序数据从待处理声音数据中划分目标机器设备的第一预设工况的声音数据。
步骤S123b:根据目标机器设备的各机构单独运行时声音数据的频域特征差异,将从待处理声音数据中除第一预设工况的声音数据之外的声音数据中,划分目标机器设备的第二预设工况的声音数据和第三预设工况的声音数据。
其中,目标机器设备在第一预设工况、第二预设工况以及第三预设工况中处于运行状态的机构是不同的。
以图2示出的堆垛机的控制信号时序数据为例;堆垛机的控制信号时序数据可以包括:堆垛机在运行周期的周期时间以及堆垛机的各个机构(例如X轴的水平运行机构、Z轴的升降运行机构和货叉轴的货叉伸缩机构)所在位置,堆垛机的每个机构在运行周期的预设周期时间对应的运行状态是确定的。在控制信号时序数据的第0至10秒中,堆垛机在X轴、Z轴和货叉轴上的位置均没有运动,说明堆垛机这段时间范围采集的声音数据不属于(水平运行机构运行工况、升降运行机构运行工况和货叉伸缩机构运行工况)三种工况中的任何一种工况的声音数据。同理地,又例如:在控制信号时序数据的第10至15秒中,堆垛机在X轴和Z轴位置均没有运动,但是在货叉轴上的位置有运动,说明堆垛机在这段时间范围采集的声音数据是属于货叉伸缩机构运行工况的声音数据,此处的货叉伸缩机构运行工况可以理解为上面的第一预设工况。由于水平运行机构中的部件(例如齿轮齿条)和升降运行机构中的部件(例如链轮链条)在材质上不一样,两者发出的声音频域特征存在差异,因此,可以根据两者的频域特征差异来区分水平运行机构在X轴运动(即水平运行机构运行工况)发出的声音数据与升降运行机构在Z轴(即升降运行机构运行工况)发出的声音数据;此处的水平运行机构运行工况可以理解为上面的第二预设工况,上述的升降运行机构运行工况可以理解为上面的第三预设工况。
由于不同物体振动产生的声音波形具有独特的频率和振幅组合,通过分析声音信号的时域特征和/或频域特征,可以对物体进行识别和分类。借助这一特性,可以借助不同机构单独运行时的声音数据的时域特征和/或频域特征差异,将同时运动的两个或两个以上的机构所发出的声音数据区分开。
在上述方案的实现过程中,通过根据频域特征差异将目标机器设备多机构运行的工况的声音数据,划分为各机构单独运行的工况的待处理声音数据,从而增加了工况划分的颗粒度。
作为上述设备故障预测方法的一种可选实施方式,目标声音特征包括时域特征、频域特征以及时频特征中至少一项。
其中,时域特征可以为均方根值、波峰因子和/或峭度等时域特征。
频域特征的提取方式可以为:对声音数据进行傅里叶变换,获得频域特征,频域特征是指某个信号在频域上的摘要特征,通常是通过一些特定的分析算法,对声音数据在频域上的特征参数进行提取、计算和分析得到的。该实施方式具体例如:对声音数据进行傅里叶变换,获得重心频率(Centroid Frequency)、频域幅值平均值(Mean Amplitude)和/或频率方差(Frequency Variance)等频域特征。上述的频域特征还可以是声音数据信号的频带、谱密度、峰值、功率等用于描述信号的频域特征和性质的特征参数。
时频特征的提取方式可以为:对声音数据进行分解和变换,获得时频特征;其中,该时频特征可以包括:瞬时频率、幅值特征和熵值特征。该时频特征的具体提取方式例如:使用经验模态分解(Empirical Mode Decomposition,EMD)法对声音数据进行模态分解,从而将声音数据的原始信号分解为多个内涵模态分量(Intrinsic Mode Functions,IMF),还可以对多个内涵模态分量(IMF)进行希尔伯特变换,获得瞬时频率、幅值特征和该工况类别的(EMD)熵值特征。
在上述方案的实现过程中,通过对多个内涵模态分量进行希尔伯特变换,获得瞬时频率、幅值特征和该工况类别的熵值特征,从而使得时频特征的种类更加丰富,通过更多种类的声音特征来使得预测结果更加准确,从而提高了故障预测的正确率。
可选地,在获得上述的时域特征、频域特征和/或时频特征等等多种声音特征之后,还可以将多种声音特征存储至数据库,或者导入到其它信息管理系统(例如健康管理平台系统)中,以便于在机器学习模型(例如循环神经网络模型)的更新迭代时可以使用数据库或信息管理平台中的声音数据。
作为上述步骤S130的一种可选实施方式,上述的目标声音特征包括多项声音特征;根据目标声音特征对目标机器设备进行下一个运行周期的故障预测的实施方式可以包括:
步骤S131:采用多项声音特征中对目标机器设备的故障敏感的声音特征对目标机器设备进行下一个运行周期的故障预测。
上述步骤S131的实施方式例如:可以理解的是,由于对目标机器设备的故障敏感的声音特征已经在机器学习模型的训练过程中确定,因此,此处可以直接从多项声音特征中筛选出对目标机器设备的故障敏感的声音特征,即可获得筛选出的声音特征。然后,根据筛选出的声音特征对目标机器设备进行下一个运行周期的故障预测。
故障敏感的声音特征可以根据目标机器设备的发出声音的部件的特性(如材质、发声特点等)确定,例如电机与轨道的故障敏感的声音特征不同。故障敏感的声音特征还可以在机器学习模型训练阶段,通过对样本数据进行分析确定。
应理解,结合前述步骤S123-步骤S124的方案,此处的故障敏感的声音特征的筛选,可以针对目标机器设备的不同的机构筛选对应的故障敏感的声音特征,不同机构所筛选的故障敏感的声音特征可以不同。
作为上述步骤S130的一种可选实施方式,根据目标声音特征对目标机器设备进行下一个运行周期的故障预测的实施方式可以包括:
步骤S132:根据目标声音特征确定目标机器设备的健康指数。
上述步骤S132的实施方式例如:可以理解的是,上述目标声音特征可以是目标机器设备的故障敏感的多项声音特征,可以使用公式对目标机器设备的故障敏感的多项声音特征进行健康评估,获得健康指数;其中,/>是获得的健康指数,该健康指数的范围可以设置为0-100,/>表示每个筛选后的特征权重参数,该权重参数可以是由人为分析总结的(例如根据专家经验选取的),/>表示特征参数的实时值。
步骤S133:根据健康指数对目标机器设备进行下一个运行周期的故障预测。
上述步骤S133的实施方式例如:判断健康指数是否小于预设阈值,若健康指数小于预设阈值,则确定目标机器设备存在故障;同理的,若健康指数大于或等于预设阈值,则确定目标机器设备不存在故障。此处的存在故障的情况有很多种,具体可以根据目标机器设备的具体结构来确定,下面详细地描述这个过程。
可选地,工作人员可以在信息管理系统(例如健康管理平台系统)中查看接入到该系统的目标机器设备的健康指数,当然,工作人员也可以通过信息管理系统(例如健康管理平台系统)远程查看每个目标机器设备的当前运行状态和健康指数。若健康指数小于预设阈值(例如预先设置的告警值是60),或者健康指数的长期趋势,则可以自动触发生成维护工单,并将维护工单发送给对应的维修人员,以提醒维修人员及时维护和维修。若健康指数大于或等于预设阈值(例如预先设置的告警值是60),则还可以根据健康指数设置下一次进行异常预测的时刻。
在上述方案的实现过程中,通过根据声音特征确定的目标机器设备的健康指数对目标机器设备进行下一个运行周期的故障预测,从而让目标机器设备的故障被有效量化为健康指数,提高了故障预测的精准度。在一些场景,还可以根据健康指数对设备进行健康管理,提高设备维护管理能力。
作为上述步骤S130的一种可选实施方式,在根据目标声音特征确定目标机器设备的健康指数之后,还可以包括:
步骤S134:若健康指数位于告警数值区间,则生成告警信息。
告警数值区间,是指预先设置的且用于告警的区间,该区间可以是根据具体情况设置的,例如:将预先设置的告警数值区间设置为60-80。
上述步骤S134的实施方式例如:若健康指数是70,那么该健康指数是位于告警数值区间的(例如预先设置的告警数值区间是60-80),则将预测结果确定为异常,那么可以自动触发生成告警工单(告警工单是告警信息的其中一种),并将告警工单发送给对应的维修人员,以提醒维修人员及时维护和维修。
应理解,告警数值区间的边界可以与认定设备故障的健康指数数值不同,例如,虽然机器设备的健康指数是高于认定机器设备故障报警的数值,但由于比较接近机器设备故障报警的数值,说明目标机器设备可能存在不良运行,仍然可以生成告警信息来提醒人员注意。
可选的,告警信息中还可以包括一个设备健康程度信息,例如:严重故障、轻型故障、不良运行等。
请参见图3示出的本申请实施例提供的堆垛机故障预测方法的流程示意图;该堆垛机故障预测方法可以用于对堆垛机进行下一个运行周期的故障预测,此处的堆垛机包括水平运行机构、升降运行机构和货叉伸缩机构,货叉伸缩机构设置于升降运行机构,即货叉伸缩机构可以是针对升降运行机构设置的,该升降运行机构可以是针对水平运行机构设置的。上述方法的实施方式可以包括:
步骤S210:获取待处理声音数据,待处理声音数据为采集的堆垛机中的水平运行机构、升降运行机构和货叉伸缩机构在一个运行周期内的声音数据。
例如:水平运行机构在一个运行周期内,其水平电机、齿轮齿条、天轨和地轨等都有可能会发出声音。升降运行机构在一个运行周期内,其升降电机和链轮链条等都有可能会发出声音。货叉伸缩机构在一个运行周期内,其伸缩电机和伸缩板等都有可能会发出声音。可以通过声音传感器采集这些声音。
步骤S220:根据待处理声音数据预测堆垛机在下一个运行周期内的目标声音特征。
步骤S230:根据目标声音特征对堆垛机的机构进行下一个运行周期的故障预测。
其中,该步骤S210至步骤S230的实施原理和实施方式与步骤S110至步骤S130的实施原理和实施方式是类似的,因此,这里不再说明其实施原理和实施方式,可以参考对步骤S110至步骤S130的描述。
作为上述步骤S220的一种可选实施方式,根据待处理声音数据预测堆垛机在下一个运行周期内的目标声音特征的实施方式可以包括:
步骤S221:对待处理声音数据进行声音特征提取,获得待处理声音特征。
步骤S222:通过机器学习模型对待处理声音特征进行预测,获得目标声音特征;其中,机器学习模型是根据样本数据训练形成的,样本数据包括:堆垛机在一个运行周期内的声音数据的声音特征,以及堆垛机在该运行周期的下一个运行周期内的声音数据的声音特征。
其中,该步骤S221至步骤S222的实施原理和实施方式与步骤S121至步骤S122的实施原理和实施方式是类似的,因此,这里不再说明其实施原理和实施方式,可以参考对步骤S121至步骤S122的描述。
作为上述步骤S222的一种可选实施方式,上述的目标声音特征的类型可以包括时域特征、频域特征以及时频特征中至少一项。在通过机器学习模型预测目标声音特征时,输入一种类型的待处理声音特征,可以得到同类型的目标声音特征。例如:若目标声音特征的类型包括时域特征,则通过机器学习模型对时域特征类型的待处理声音特征进行预测,获得时域特征类型的目标声音特征。若目标声音特征的类型包括频域特征,则通过机器学习模型对频域特征类型的待处理声音特征进行预测,获得频域特征类型的目标声音特征。若目标声音特征的类型包括时频特征,则通过机器学习模型对时频特征类型的待处理声音特征进行预测,获得时频特征类型的目标声音特征。
作为上述步骤S220的一种可选实施方式,根据待处理声音数据预测堆垛机在下一个运行周期内的目标声音特征的实施方式可以包括:
步骤S223:根据堆垛机的控制信号时序数据将待处理声音数据划分为不同工况的待处理声音数据。
可以理解的是,由于堆垛机处在水平滑轨工况、垂直滑轨工况和货叉伸缩工况等不同工况下发出声音的时刻和/或频率是有很大差异的,因此,可以根据堆垛机的控制信号时序数据将待处理声音数据进行工况分类,即能够根据堆垛机的控制信号时序数据将待处理声音数据划分为不同工况的待处理声音数据。
步骤S224:根据各工况的待处理声音数据预测该工况的下一个运行周期内的目标声音特征。
其中,不同工况包括:水平运行机构运行工况、升降运行机构运行工况和货叉伸缩机构运行工况;针对一工况的待处理声音数据所预测的目标声音特征,对堆垛机的在该工况中处于运行状态的机构进行下一个运行周期的故障预测。
其中,该步骤S223至步骤S224的实施原理和实施方式与步骤S123至步骤S124的实施原理和实施方式是类似的,因此,这里不再说明其实施原理和实施方式,可以参考对步骤S123至步骤S124的描述。
作为上述步骤S223的一种可选实施方式,根据堆垛机的控制信号时序数据将待处理声音数据划分为不同工况的待处理声音数据的实施方式可以包括:
步骤S223a:从堆垛机的控制信号时序数据中查找满足第一预设条件的采集时刻,其中,第一预设条件包括:货叉伸缩机构处于运行周期中的运动状态,且水平运行机构和升降运行机构处于运行周期中的静止状态。
步骤S223b:从待处理声音数据中查找满足第一预设条件的采集时刻的声音数据。
步骤S223c:将满足第一预设条件的采集时刻的声音数据划分为货叉伸缩机构运行工况的声音数据。
上述步骤S223a至步骤S223c的实施方式例如:参照图2,在控制信号时序数据的第10至15秒中,堆垛机在X轴、Z轴和货叉轴上的位置均没有运动,说明货叉伸缩机构处于运行周期中的运动状态,且水平运行机构和升降运行机构处于运行周期中的静止状态,因此,堆垛机的这部分第10至15秒的控制信号时序数据中是满足第一预设条件的采集时刻,那么可以将满足第一预设条件的采集时刻的声音数据划分为货叉伸缩机构运行工况的声音数据。
作为上述步骤S223的一种可选实施方式,根据堆垛机的控制信号时序数据将待处理声音数据划分为不同工况的待处理声音数据的实施方式可以包括:
步骤S223d:从堆垛机的控制信号时序数据中查找满足第二预设条件的采集时刻,其中,第二预设条件包括:货叉伸缩机构处于运行周期中的静止状态,且水平运行机构和升降运行机构处于运行周期中的运动状态。
步骤S223e:从待处理声音数据中查找满足第二预设条件的采集时刻的声音数据。
步骤S223f:根据堆垛机的各机构单独运行时声音数据的频域特征差异,将满足第二预设条件的采集时刻的声音数据划分为水平运行机构运行工况的声音数据和升降运行机构运行工况的声音数据。
上述步骤S223d至步骤S223f的实施方式与步骤S223a至步骤S223c的实施方式是类似的,因此不再赘述。
作为上述步骤S230的一种可选实施方式,上述的目标声音特征可以包括多项声音特征,上述的根据目标声音特征对堆垛机的机构进行下一个运行周期的故障预测的实施方式可以包括:
步骤S231:采用多项声音特征中对堆垛机的各机构的故障敏感的声音特征对堆垛机的各机构分别进行下一个运行周期的故障预测。
其中,该步骤S231与步骤S131的实施方式是类似的,因此不再赘述。
作为上述堆垛机故障预测方法的一种可选实施方式,上述的对堆垛机的各机构的故障敏感的声音特征可以是采用主成分分析法进行筛选获得的。其中,该实施方式与设备故障预测方法的采用主成分分析法进行筛选的可选实施方式的实施方式是类似的,因此不再赘述。
作为上述步骤S230的一种可选实施方式,根据目标声音特征对堆垛机的机构进行下一个运行周期的故障预测,包括:
步骤S232:根据目标声音特征确定堆垛机的各机构的健康指数。
步骤S233:根据健康指数对堆垛机的各机构进行下一个运行周期的故障预测。
其中,该步骤S232至步骤S233的实施原理和实施方式与步骤S132至步骤S133的实施原理和实施方式是类似的,因此,这里不再说明其实施原理和实施方式,可以参考对步骤S132至步骤S133的描述。
作为上述堆垛机故障预测方法的一种可选实施方式,在根据目标声音特征确定堆垛机的各机构的健康指数之后,还可以包括:
步骤S234:若健康指数位于告警数值区间,则生成告警信息。
其中,该步骤S234与步骤S134的实施方式是类似的,因此不再赘述。
本申请实施例还提供了一种设备故障预测系统,包括:声音传感器和计算设备。
声音传感器,用于采集待处理声音数据,待处理声音数据为目标机器设备在一个运行周期内的声音数据。
计算设备,用于根据待处理声音数据预测目标机器设备在下一个运行周期内的目标声音特征,以及,根据目标声音特征对目标机器设备进行下一个运行周期的故障预测。
可选地,在本申请实施例中,计算设备包括边缘设备以及服务器。
边缘设备用于:对待处理声音数据进行声音特征提取,获得待处理声音特征。
服务器用于:通过机器学习模型对待处理声音特征进行预测,获得目标声音特征。
根据目标声音特征对目标机器设备进行下一个运行周期的故障预测。
其中,机器学习模型根据样本数据训练形成,样本数据包括:目标机器设备在一个运行周期内的声音数据的声音特征,以及目标机器设备在该运行周期的下一个运行周期内的声音数据的声音特征。
可选地,在本申请实施例中,边缘设备具体用于:
根据目标机器设备的控制信号时序数据,将待处理声音数据划分为不同工况的待处理声音数据。
对各工况的待处理声音数据进行声音特征提取,获得待处理声音特征。
其中,针对一工况的待处理声音数据所预测的目标声音特征,对目标机器设备的在该工况中处于运行状态的机构进行下一个运行周期的故障预测。
可选地,在本申请实施例中,边缘设备具体用于:
根据控制信号时序数据从待处理声音数据中划分目标机器设备的第一预设工况的声音数据;
根据目标机器设备的各机构单独运行时声音数据的频域特征差异,将从待处理声音数据中除第一预设工况的声音数据之外的声音数据中,划分目标机器设备的第二预设工况的声音数据和第三预设工况的声音数据;
其中,目标机器设备在第一预设工况、第二预设工况以及第三预设工况中处于运行状态的机构不同。
可选地,在本申请实施例中,目标声音特征包括多项声音特征。
服务器具体用于:采用多项声音特征中对目标机器设备的故障敏感的声音特征对目标机器设备进行下一个运行周期的故障预测。
可选地,在本申请实施例中,上述的服务器具体用于:
根据目标声音特征确定目标机器设备的健康指数。
根据健康指数对目标机器设备进行下一个运行周期的故障预测。
可选地,在本申请实施例中,上述的服务器还用于:
若健康指数位于告警数值区间,则生成告警信息。
上述设备故障预测系统中各部件的实施方式,在前述设备故障预测方法或堆垛机故障预测方法中已有介绍,不再重复。
请参见图4示出的本申请实施例提供的堆垛机的结构示意图;本申请实施例提供了一种堆垛机300可以包括:水平运行机构310、升降运行机构320和货叉伸缩机构330以及声音传感器;
水平运行机构310可以包括:运行在上面的天轨311、运行在下面的地轨313和水平方向的齿轮齿条312,该齿轮齿条312与天轨311的齿轮或地轨313的齿轮活动连接,所以,电机能够带动齿轮齿条312,从而让堆垛机300在水平方向的天轨311和地轨313上水平滑行。
升降运行机构320设置于水平运行机构,也就是说,升降运行机构是针对水平运行机构而设置的,升降运行机构可以与水平运行机构活动连接,以便于可以同时进行升降运动和水平运动。该升降运行机构320包括:升降电机321和链轮链条322,该链轮链条322与货叉伸缩机构330的齿轮或链齿活动连接,因此,该升降电机321可以带动链轮链条322,从而使得堆垛机300的货叉伸缩机构330垂直升降运动。
货叉伸缩机构设置于升降运行机构;货叉伸缩机构330包括:伸缩板331和伸缩电机332,伸缩电机332与伸缩板331可以是活动连接的,因此,伸缩电机332可以带动伸缩板331进行伸缩运动。
在使用堆垛机对电动汽车更换电池的过程中,可以使用堆垛机从电池仓库中取出需要更换的电池,然后将该电池放在自动导引运输车(Automated Guided Vehicle,AGV)或者有轨制导车辆(Rail Guided Vehicle,RGV)上。具体过程例如:货叉伸缩机构中的伸缩电机可以带动伸缩板进行伸缩运动,使得伸缩板可以将电池从电池仓库的货架上取出,然后,经过升降电机带动链轮链条,从而使得伸缩板上的电池进行垂直升降运动,再然后,由电机带动水平方向的齿轮齿条,使得堆垛机在天轨和地轨上进行水平运动(通常是直线运动),最后,由堆垛机将电池运输并放置在自动导引运输车(AGV)或者有轨制导车辆(RGV)上。
而声音传感器设置于水平运行机构、升降运行机构和货叉伸缩机构中的至少一个机构处,声音传感器用于采集堆垛机运行时的声音数据。该声音传感器的数量可以只有一个,例如,将一个声音传感器设置在上述三个机构中一个机构的位置之处,或者,设置在上述三个机构的相对中间位置。该声音传感器也可以有多,不同的声音传感器设置在不同位置处,例如,上述每个机构分别设置一个或更多个声音传感器。
可选的,在针对堆垛机的每个机构都设置声音传感器时,可以使用每个机构设置的传感器采集的待处理声音数据进行该机构的故障预测。
可选地,在本申请实施例中,声音传感器包括设置于水平运行机构的第一部分声音传感器;第一部分声音传感器设置于近邻水平运行机构的待监测部件的位置,待监测部件包括:水平电机、齿轮齿条、天轨和地轨中至少一项。
可选地,在本申请实施例中,声音传感器包括设置于升降运行机构的第二部分声音传感器;第二部分声音传感器设置于近邻升降运行机构的待监测部件的位置,待监测部件包括:升降电机和链轮链条中至少一项。
可选地,在本申请实施例中,声音传感器包括设置于货叉伸缩机构的第三部分声音传感器;第三部分声音传感器设置于近邻货叉伸缩机构的待监测部件的位置,待监测部件包括:伸缩电机和伸缩板中至少一项。
请参见图5示出的本申请实施例提供的计算设备的结构示意图。本申请实施例提供的一种计算设备400,包括:处理器410和存储器420,存储器420存储有处理器410可执行的机器可读指令,机器可读指令被处理器410执行时执行如上的方法。
本申请实施例还提供了一种计算机可读存储介质430,该计算机可读存储介质430上存储有计算机程序,该计算机程序被处理器410运行时执行如上的方法。其中,计算机可读存储介质430可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random Access Memory, 简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory, 简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read Only Memory, 简称EPROM),可编程只读存储器(Programmable Read-Only Memory, 简称PROM),只读存储器(Read-OnlyMemory, 简称ROM),磁存储器,快闪存储器,磁盘或光盘。
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。
本申请实施例提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其他的方式实现。以上所描述的装置实施例仅是示意性的,例如,附图中的流程图和框图显示了根据本申请实施例的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以和附图中所标注的发生顺序不同。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这主要根据所涉及的功能而定。
另外,在本申请实施例中的各个实施例的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。此外,在本说明书的描述中,参考术语“一个实施例”“一些实施例”“示例”“具体示例”“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请实施例的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上的描述,仅为本申请实施例的可选实施方式,但本申请实施例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实施例揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请实施例的保护范围之内。
Claims (30)
1.一种设备故障预测方法,其特征在于,包括:
获取待处理声音数据,所述待处理声音数据为采集的目标机器设备在一个运行周期内的声音数据;
根据所述待处理声音数据预测所述目标机器设备在下一个运行周期内的目标声音特征;
根据所述目标声音特征对所述目标机器设备进行下一个运行周期的故障预测。
2.根据权利要求1所述的方法,其特征在于,所述根据所述待处理声音数据预测所述目标机器设备在下一个运行周期内的目标声音特征,包括:
对所述待处理声音数据进行声音特征提取,获得待处理声音特征;
通过机器学习模型对所述待处理声音特征进行预测,获得所述目标声音特征;
其中,所述机器学习模型根据样本数据训练形成,所述样本数据包括:所述目标机器设备在一个运行周期内的声音数据的声音特征,以及所述目标机器设备在该运行周期的下一个运行周期内的声音数据的声音特征。
3.根据权利要求2所述的方法,其特征在于,所述目标声音特征的类型包括时域特征、频域特征以及时频特征中至少一项;
若目标声音特征的类型包括时域特征,则所述通过机器学习模型对所述待处理声音特征进行预测,获得所述目标声音特征,包括:
通过机器学习模型对时域特征类型的所述待处理声音特征进行预测,获得时域特征类型的所述目标声音特征;
若目标声音特征的类型包括频域特征,则所述通过机器学习模型对所述待处理声音特征进行预测,获得所述目标声音特征,包括:
通过机器学习模型对频域特征类型的所述待处理声音特征进行预测,获得频域特征类型的所述目标声音特征;
若目标声音特征的类型包括时频特征,则所述通过机器学习模型对所述待处理声音特征进行预测,获得所述目标声音特征,包括:
通过机器学习模型对时频特征类型的所述待处理声音特征进行预测,获得时频特征类型的所述目标声音特征。
4.根据权利要求1所述的方法,其特征在于,所述根据所述待处理声音数据预测所述目标机器设备在下一个运行周期内的目标声音特征,包括:
根据所述目标机器设备的控制信号时序数据,将所述待处理声音数据划分为所述目标机器设备的不同工况的待处理声音数据;
根据各工况的待处理声音数据预测该工况的下一个运行周期内的目标声音特征;
其中,针对一工况的待处理声音数据所预测的所述目标声音特征,对所述目标机器设备在该工况中处于运行状态的机构进行下一个运行周期的故障预测。
5.根据权利要求4所述的方法,其特征在于,所述根据所述目标机器设备的控制信号时序数据,将所述待处理声音数据划分为所述目标机器设备的不同工况的待处理声音数据,包括:
根据所述控制信号时序数据从所述待处理声音数据中划分所述目标机器设备的第一预设工况的声音数据;
根据所述目标机器设备的各机构单独运行时声音数据的频域特征差异,将从所述待处理声音数据中除所述第一预设工况的声音数据之外的声音数据中,划分所述目标机器设备的第二预设工况的声音数据和第三预设工况的声音数据;
其中,所述目标机器设备在所述第一预设工况、所述第二预设工况以及所述第三预设工况中处于运行状态的机构不同。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述目标声音特征包括多项声音特征;所述根据所述目标声音特征对所述目标机器设备进行下一个运行周期的故障预测,包括:
采用所述多项声音特征中对所述目标机器设备的故障敏感的声音特征对所述目标机器设备进行下一个运行周期的故障预测。
7.根据权利要求1所述的方法,其特征在于,所述根据所述目标声音特征对所述目标机器设备进行下一个运行周期的故障预测,包括:
根据所述目标声音特征确定所述目标机器设备的健康指数;
根据所述健康指数对所述目标机器设备进行下一个运行周期的故障预测。
8.根据权利要求7所述的方法,其特征在于,在所述根据所述目标声音特征确定所述目标机器设备的健康指数之后,还包括:
若所述健康指数位于告警数值区间,则生成告警信息。
9.一种堆垛机故障预测方法,其特征在于,所述堆垛机包括水平运行机构、升降运行机构和货叉伸缩机构,所述货叉伸缩机构设置于所述升降运行机构,所述升降运行机构设置于所述水平运行机构;所述方法包括:
获取待处理声音数据,所述待处理声音数据为采集的所述堆垛机中的所述水平运行机构、所述升降运行机构和所述货叉伸缩机构在一个运行周期内的声音数据;
根据所述待处理声音数据预测所述堆垛机在下一个运行周期内的目标声音特征;
根据所述目标声音特征对所述堆垛机的机构进行下一个运行周期的故障预测。
10.根据权利要求9所述的方法,其特征在于,所述根据所述待处理声音数据预测所述堆垛机在下一个运行周期内的目标声音特征,包括:
对所述待处理声音数据进行声音特征提取,获得待处理声音特征;
通过机器学习模型对所述待处理声音特征进行预测,获得所述目标声音特征;
其中,所述机器学习模型根据样本数据训练形成,所述样本数据包括:所述堆垛机在一个运行周期内的声音数据的声音特征,以及所述堆垛机在该运行周期的下一个运行周期内的声音数据的声音特征。
11.根据权利要求10所述的方法,其特征在于,所述目标声音特征的类型包括时域特征、频域特征以及时频特征中至少一项;
若目标声音特征的类型包括时域特征,则所述通过机器学习模型对所述待处理声音特征进行预测,获得所述目标声音特征,包括:
通过机器学习模型对时域特征类型的所述待处理声音特征进行预测,获得时域特征类型的所述目标声音特征;
若目标声音特征的类型包括频域特征,则所述通过机器学习模型对所述待处理声音特征进行预测,获得所述目标声音特征,包括:
通过机器学习模型对频域特征类型的所述待处理声音特征进行预测,获得频域特征类型的所述目标声音特征;
若目标声音特征的类型包括时频特征,则所述通过机器学习模型对所述待处理声音特征进行预测,获得所述目标声音特征,包括:
通过机器学习模型对时频特征类型的所述待处理声音特征进行预测,获得时频特征类型的所述目标声音特征。
12.根据权利要求10所述的方法,其特征在于,所述根据所述待处理声音数据预测所述堆垛机在下一个运行周期内的目标声音特征,包括:
根据所述堆垛机的控制信号时序数据将所述待处理声音数据划分为所述堆垛机的不同工况的待处理声音数据;
根据各工况的待处理声音数据预测该工况的下一个运行周期内的目标声音特征;
其中,所述不同工况包括:水平运行机构运行工况、升降运行机构运行工况和货叉伸缩机构运行工况;针对一工况的待处理声音数据所预测的所述目标声音特征,对所述堆垛机的在该工况中处于运行状态的机构进行下一个运行周期的故障预测。
13.根据权利要求12所述的方法,其特征在于,所述根据所述堆垛机的控制信号时序数据将所述待处理声音数据划分为所述堆垛机的不同工况的待处理声音数据,包括:
从所述堆垛机的控制信号时序数据中查找满足第一预设条件的采集时刻,其中,所述第一预设条件包括:所述货叉伸缩机构处于所述运行周期中的运动状态,且所述水平运行机构和所述升降运行机构处于所述运行周期中的静止状态;
从所述待处理声音数据中查找满足所述第一预设条件的采集时刻的声音数据;
将满足所述第一预设条件的采集时刻的声音数据划分为所述货叉伸缩机构运行工况的声音数据。
14.根据权利要求12所述的方法,其特征在于,所述根据所述堆垛机的控制信号时序数据将所述待处理声音数据划分为所述堆垛机的不同工况的待处理声音数据,包括:
从所述堆垛机的控制信号时序数据中查找满足第二预设条件的采集时刻,其中,所述第二预设条件包括:所述货叉伸缩机构处于所述运行周期中的静止状态,且所述水平运行机构和所述升降运行机构均处于所述运行周期中的运动状态;
从所述待处理声音数据中查找满足所述第二预设条件的采集时刻的声音数据;
根据所述水平运行机构和所述升降运行机构单独运行时的声音数据的频域特征差异,将满足所述第二预设条件的采集时刻的声音数据划分为所述水平运行机构运行工况的声音数据和所述升降运行机构运行工况的声音数据。
15.根据权利要求10至14任一项所述的方法,其特征在于,所述目标声音特征包括多项声音特征;
所述根据所述目标声音特征对所述堆垛机的机构进行下一个运行周期的故障预测,包括:
采用所述多项声音特征中对所述堆垛机的各机构的故障敏感的声音特征对所述堆垛机的各机构分别进行下一个运行周期的故障预测。
16.根据权利要求9所述的方法,其特征在于,所述根据所述目标声音特征对所述堆垛机的机构进行下一个运行周期的故障预测,包括:
根据所述目标声音特征确定所述堆垛机的各机构的健康指数;
根据所述健康指数对所述堆垛机的各机构进行下一个运行周期的故障预测。
17.根据权利要求16所述的方法,其特征在于,在所述根据所述目标声音特征确定所述堆垛机的各机构的健康指数之后,还包括:
若所述健康指数位于告警数值区间,则生成告警信息。
18.一种设备故障预测系统,其特征在于,包括:声音传感器和计算设备;
所述声音传感器,用于采集待处理声音数据,所述待处理声音数据为目标机器设备在一个运行周期内的声音数据;
所述计算设备,用于根据所述待处理声音数据预测所述目标机器设备在下一个运行周期内的目标声音特征;
根据所述目标声音特征对所述目标机器设备进行下一个运行周期的故障预测。
19.根据权利要求18所述的系统,其特征在于,所述计算设备包括边缘设备以及服务器;
所述边缘设备用于:对所述待处理声音数据进行声音特征提取,获得待处理声音特征;
所述服务器用于:通过机器学习模型对所述待处理声音特征进行预测,获得所述目标声音特征;
根据所述目标声音特征对所述目标机器设备进行下一个运行周期的故障预测;
其中,所述机器学习模型根据样本数据训练形成,所述样本数据包括:所述目标机器设备在一个运行周期内的声音数据的声音特征,以及所述目标机器设备在该运行周期的下一个运行周期内的声音数据的声音特征。
20.根据权利要求19所述的系统,其特征在于,所述边缘设备具体用于:
根据所述目标机器设备的控制信号时序数据,将所述待处理声音数据划分为所述目标机器设备的不同工况的待处理声音数据;
对各工况的待处理声音数据进行声音特征提取,获得待处理声音特征;
其中,针对一工况的待处理声音数据所预测的所述目标声音特征,对所述目标机器设备的在该工况中处于运行状态的机构进行下一个运行周期的故障预测。
21.根据权利要求20所述的系统,其特征在于,所述边缘设备具体用于:
根据所述控制信号时序数据从所述待处理声音数据中划分所述目标机器设备的第一预设工况的声音数据;
根据所述目标机器设备的各机构单独运行时声音数据的频域特征差异,将从所述待处理声音数据中除所述第一预设工况的声音数据之外的声音数据中,划分所述目标机器设备的第二预设工况的声音数据和第三预设工况的声音数据;
其中,所述目标机器设备在所述第一预设工况、所述第二预设工况以及所述第三预设工况中处于运行状态的机构不同。
22.根据权利要求19所述的系统,其特征在于,所述目标声音特征包括多项声音特征;
所述服务器具体用于:采用所述多项声音特征中对所述目标机器设备的故障敏感的声音特征对所述目标机器设备进行下一个运行周期的故障预测。
23.根据权利要求19所述的系统,其特征在于,所述服务器具体用于:
根据所述目标声音特征确定所述目标机器设备的健康指数;
根据所述健康指数对所述目标机器设备进行下一个运行周期的故障预测。
24.根据权利要求23所述的系统,其特征在于,所述服务器还用于:
若所述健康指数位于告警数值区间,则生成告警信息。
25.一种堆垛机,其特征在于,包括:水平运行机构、升降运行机构和货叉伸缩机构以及声音传感器,所述货叉伸缩机构设置于所述升降运行机构,所述升降运行机构设置于所述水平运行机构;
所述声音传感器设置于所述水平运行机构、所述升降运行机构和所述货叉伸缩机构中的至少一个机构处,所述声音传感器用于采集待处理声音数据,所述待处理声音数据为所述堆垛机在一个运行周期内的声音数据。
26.根据权利要求25所述的堆垛机,其特征在于,所述声音传感器包括设置于所述水平运行机构的第一部分声音传感器;所述第一部分声音传感器设置于近邻所述水平运行机构的待监测部件的位置,所述待监测部件包括:水平电机、齿轮齿条、天轨和地轨中至少一项。
27.根据权利要求25所述的堆垛机,其特征在于,所述声音传感器包括设置于所述升降运行机构的第二部分声音传感器;所述第二部分声音传感器设置于近邻所述升降运行机构的待监测部件的位置,所述待监测部件包括:升降电机和链轮链条中至少一项。
28.根据权利要求25所述的堆垛机,其特征在于,所述声音传感器包括设置于所述货叉伸缩机构的第三部分声音传感器;所述第三部分声音传感器设置于近邻所述货叉伸缩机构的待监测部件的位置,所述待监测部件包括:伸缩电机和伸缩板中至少一项。
29.一种计算设备,其特征在于,包括处理器以及存储器,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,运行如权利要求1-17任一所述的方法。
30.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至17任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310673692.5A CN116403605A (zh) | 2023-06-08 | 2023-06-08 | 设备故障预测方法、堆垛机故障预测方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310673692.5A CN116403605A (zh) | 2023-06-08 | 2023-06-08 | 设备故障预测方法、堆垛机故障预测方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116403605A true CN116403605A (zh) | 2023-07-07 |
Family
ID=87020251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310673692.5A Pending CN116403605A (zh) | 2023-06-08 | 2023-06-08 | 设备故障预测方法、堆垛机故障预测方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116403605A (zh) |
Citations (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160286607A1 (en) * | 2015-02-06 | 2016-09-29 | Google Inc. | Systems, Methods, and Devices for Managing Coexistence of Multiple Transceiver Devices Using Control Signals |
CN205873020U (zh) * | 2016-07-19 | 2017-01-11 | 国网天津市电力公司 | 一种堆垛机夹持分拣装置 |
CN109656236A (zh) * | 2019-01-28 | 2019-04-19 | 中国石油大学(华东) | 一种基于周期性预测神经网络的工业数据故障预测方法 |
CN110107461A (zh) * | 2019-05-22 | 2019-08-09 | 华润新能源(太原)有限公司 | 风机故障预警方法、装置、设备及计算机可读存储介质 |
CN110182507A (zh) * | 2019-05-09 | 2019-08-30 | 盐城品迅智能科技服务有限公司 | 一种自主识别货物的智能堆垛机及准确取货方法 |
CN110346157A (zh) * | 2018-04-04 | 2019-10-18 | 国网安徽省电力有限公司电力科学研究院 | 一种小波奇异熵在堆垛机周期性故障检测的应用方法 |
CN110940539A (zh) * | 2019-12-03 | 2020-03-31 | 桂林理工大学 | 一种基于人工经验及声音识别的机器设备故障诊断方法 |
CN111170214A (zh) * | 2020-01-20 | 2020-05-19 | 广东垒亚安防科技有限公司 | 双叉双伸货叉堆垛机 |
WO2020153934A1 (en) * | 2019-01-21 | 2020-07-30 | Hewlett-Packard Development Company, L.P. | Fault prediction model training with audio data |
CN112633492A (zh) * | 2019-10-08 | 2021-04-09 | 佛山市顺德区美的电热电器制造有限公司 | 故障处理方法、装置、信息处理装置、存储介质和服务器 |
CN213445138U (zh) * | 2020-10-28 | 2021-06-15 | 深圳市纳瑞自动化设备有限公司 | 一种巷道堆垛机 |
CN113140229A (zh) * | 2021-04-21 | 2021-07-20 | 上海泛德声学工程有限公司 | 基于神经网络的声音检测方法、工业声学检测系统及方法 |
CN113205829A (zh) * | 2021-04-29 | 2021-08-03 | 上海智大电子有限公司 | 一种综合监控设备运行状态的方法及系统 |
CN113409818A (zh) * | 2021-08-18 | 2021-09-17 | 宁波帅特龙集团有限公司 | 一种基于声音传感器的生产设备预测性维修方法与系统 |
CN113470694A (zh) * | 2021-04-25 | 2021-10-01 | 重庆市科源能源技术发展有限公司 | 水轮机组遥听监测方法、装置和系统 |
CN113493083A (zh) * | 2021-07-30 | 2021-10-12 | 因格(苏州)智能技术有限公司 | 一种轻型立体仓库及物料自动存取方法 |
CN114360581A (zh) * | 2021-12-30 | 2022-04-15 | 北京百度网讯科技有限公司 | 识别设备故障的方法、装置及电子设备 |
CN114372491A (zh) * | 2021-12-31 | 2022-04-19 | 山东科讯信息科技有限公司 | 转动设备的故障识别方法及相关设备 |
KR102393095B1 (ko) * | 2021-10-06 | 2022-05-02 | 가온플랫폼 주식회사 | 진동, 음향, 이미지 데이터를 활용한 인공지능 기반의 회전설비 고장예지진단시스템 |
CN114528942A (zh) * | 2022-02-23 | 2022-05-24 | 上海华兴数字科技有限公司 | 工程机械的数据样本库的构建、故障预测方法及工程机械 |
CN114639391A (zh) * | 2020-12-24 | 2022-06-17 | 亚信科技(中国)有限公司 | 机械故障提示方法、装置、电子设备及存储介质 |
CN114722866A (zh) * | 2022-03-28 | 2022-07-08 | 杭州中网智慧科技有限公司 | 一种基于工业互联网的设备追踪管控系统 |
CN115165362A (zh) * | 2022-06-24 | 2022-10-11 | 鞍钢集团矿业有限公司 | 一种基于巡检及振动信号的轴承故障智能检测系统和方法 |
CN115169505A (zh) * | 2022-09-06 | 2022-10-11 | 杭州浅水数字技术有限公司 | 特种设备运动部件机械故障预警方法及其预警系统 |
CN115186904A (zh) * | 2022-07-13 | 2022-10-14 | 清华大学 | 基于Transformer的工业设备故障预测方法及装置 |
US20220366931A1 (en) * | 2022-05-06 | 2022-11-17 | Hewlett-Packard Development Company, L.P. | Generating simulated audio samples for predictive model training data |
CN115409094A (zh) * | 2022-08-17 | 2022-11-29 | 中建材智慧工业科技有限公司 | 设备故障的预测方法、装置及存储介质 |
CN115406630A (zh) * | 2021-05-27 | 2022-11-29 | 循声科技(重庆)有限公司 | 一种基于机器学习的无源声信号对风力发电机叶片故障检测方法 |
CN115440249A (zh) * | 2022-09-05 | 2022-12-06 | 广州升久声光科技有限公司 | 一种数字音频处理器的工况预测系统 |
CN115452392A (zh) * | 2021-11-30 | 2022-12-09 | 广州汽车集团股份有限公司 | 一种车辆发动机故障声学诊断方法及系统 |
CN115631765A (zh) * | 2022-09-22 | 2023-01-20 | 南京北新智能科技有限公司 | 一种基于深度学习的皮带托辊声音异常检测方法 |
-
2023
- 2023-06-08 CN CN202310673692.5A patent/CN116403605A/zh active Pending
Patent Citations (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160286607A1 (en) * | 2015-02-06 | 2016-09-29 | Google Inc. | Systems, Methods, and Devices for Managing Coexistence of Multiple Transceiver Devices Using Control Signals |
CN205873020U (zh) * | 2016-07-19 | 2017-01-11 | 国网天津市电力公司 | 一种堆垛机夹持分拣装置 |
CN110346157A (zh) * | 2018-04-04 | 2019-10-18 | 国网安徽省电力有限公司电力科学研究院 | 一种小波奇异熵在堆垛机周期性故障检测的应用方法 |
WO2020153934A1 (en) * | 2019-01-21 | 2020-07-30 | Hewlett-Packard Development Company, L.P. | Fault prediction model training with audio data |
CN109656236A (zh) * | 2019-01-28 | 2019-04-19 | 中国石油大学(华东) | 一种基于周期性预测神经网络的工业数据故障预测方法 |
CN110182507A (zh) * | 2019-05-09 | 2019-08-30 | 盐城品迅智能科技服务有限公司 | 一种自主识别货物的智能堆垛机及准确取货方法 |
CN110107461A (zh) * | 2019-05-22 | 2019-08-09 | 华润新能源(太原)有限公司 | 风机故障预警方法、装置、设备及计算机可读存储介质 |
CN112633492A (zh) * | 2019-10-08 | 2021-04-09 | 佛山市顺德区美的电热电器制造有限公司 | 故障处理方法、装置、信息处理装置、存储介质和服务器 |
CN110940539A (zh) * | 2019-12-03 | 2020-03-31 | 桂林理工大学 | 一种基于人工经验及声音识别的机器设备故障诊断方法 |
CN111170214A (zh) * | 2020-01-20 | 2020-05-19 | 广东垒亚安防科技有限公司 | 双叉双伸货叉堆垛机 |
CN213445138U (zh) * | 2020-10-28 | 2021-06-15 | 深圳市纳瑞自动化设备有限公司 | 一种巷道堆垛机 |
CN114639391A (zh) * | 2020-12-24 | 2022-06-17 | 亚信科技(中国)有限公司 | 机械故障提示方法、装置、电子设备及存储介质 |
CN113140229A (zh) * | 2021-04-21 | 2021-07-20 | 上海泛德声学工程有限公司 | 基于神经网络的声音检测方法、工业声学检测系统及方法 |
CN113470694A (zh) * | 2021-04-25 | 2021-10-01 | 重庆市科源能源技术发展有限公司 | 水轮机组遥听监测方法、装置和系统 |
CN113205829A (zh) * | 2021-04-29 | 2021-08-03 | 上海智大电子有限公司 | 一种综合监控设备运行状态的方法及系统 |
CN115406630A (zh) * | 2021-05-27 | 2022-11-29 | 循声科技(重庆)有限公司 | 一种基于机器学习的无源声信号对风力发电机叶片故障检测方法 |
CN113493083A (zh) * | 2021-07-30 | 2021-10-12 | 因格(苏州)智能技术有限公司 | 一种轻型立体仓库及物料自动存取方法 |
CN113409818A (zh) * | 2021-08-18 | 2021-09-17 | 宁波帅特龙集团有限公司 | 一种基于声音传感器的生产设备预测性维修方法与系统 |
KR102393095B1 (ko) * | 2021-10-06 | 2022-05-02 | 가온플랫폼 주식회사 | 진동, 음향, 이미지 데이터를 활용한 인공지능 기반의 회전설비 고장예지진단시스템 |
CN115452392A (zh) * | 2021-11-30 | 2022-12-09 | 广州汽车集团股份有限公司 | 一种车辆发动机故障声学诊断方法及系统 |
CN114360581A (zh) * | 2021-12-30 | 2022-04-15 | 北京百度网讯科技有限公司 | 识别设备故障的方法、装置及电子设备 |
CN114372491A (zh) * | 2021-12-31 | 2022-04-19 | 山东科讯信息科技有限公司 | 转动设备的故障识别方法及相关设备 |
CN114528942A (zh) * | 2022-02-23 | 2022-05-24 | 上海华兴数字科技有限公司 | 工程机械的数据样本库的构建、故障预测方法及工程机械 |
CN114722866A (zh) * | 2022-03-28 | 2022-07-08 | 杭州中网智慧科技有限公司 | 一种基于工业互联网的设备追踪管控系统 |
US20220366931A1 (en) * | 2022-05-06 | 2022-11-17 | Hewlett-Packard Development Company, L.P. | Generating simulated audio samples for predictive model training data |
CN115165362A (zh) * | 2022-06-24 | 2022-10-11 | 鞍钢集团矿业有限公司 | 一种基于巡检及振动信号的轴承故障智能检测系统和方法 |
CN115186904A (zh) * | 2022-07-13 | 2022-10-14 | 清华大学 | 基于Transformer的工业设备故障预测方法及装置 |
CN115409094A (zh) * | 2022-08-17 | 2022-11-29 | 中建材智慧工业科技有限公司 | 设备故障的预测方法、装置及存储介质 |
CN115440249A (zh) * | 2022-09-05 | 2022-12-06 | 广州升久声光科技有限公司 | 一种数字音频处理器的工况预测系统 |
CN115169505A (zh) * | 2022-09-06 | 2022-10-11 | 杭州浅水数字技术有限公司 | 特种设备运动部件机械故障预警方法及其预警系统 |
CN115631765A (zh) * | 2022-09-22 | 2023-01-20 | 南京北新智能科技有限公司 | 一种基于深度学习的皮带托辊声音异常检测方法 |
Non-Patent Citations (1)
Title |
---|
谭洪卫: "图说公共建筑能耗的数据挖掘与模型方法", 上海交通大学出版社, pages: 129 - 141 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111241154B (zh) | 一种基于大数据的蓄电池故障预警方法及系统 | |
CN100465842C (zh) | 数据分析系统和方法 | |
US20210011457A1 (en) | Online monitoring device and system for a 3D printing device | |
CN104573845B (zh) | 信息系统设备状态检修辅助决策方法 | |
CN102765643A (zh) | 基于数据驱动的电梯故障诊断与预警方法 | |
CN114267178B (zh) | 一种车站的智能运营维护方法及装置 | |
CN114563150B (zh) | 桥梁健康在线检测模块生成方法、检测方法、工具箱及装置 | |
US11604461B2 (en) | Method and apparatus for monitoring the condition of subsystems within a renewable generation plant or microgrid | |
CN110703743A (zh) | 设备故障预测与检测系统和方法 | |
CN116717437A (zh) | 一种风电机组故障监测方法及系统 | |
CN113849774A (zh) | 基于寿命分析和健康监测的设备智能维护平台 | |
CN116380445A (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
KR20210050274A (ko) | 초음파 대역의 음향 신호를 이용한 설비 고장 예측 시스템 및 그 방법 | |
CN117331790A (zh) | 一种用于数据中心的机房故障检测方法及装置 | |
CN116403605A (zh) | 设备故障预测方法、堆垛机故障预测方法及相关装置 | |
JP7062505B2 (ja) | 設備管理支援システム | |
CN114492636B (zh) | 一种变压器绕组状态信号的采集系统 | |
CN109359421A (zh) | 一种实时监测系统及基于实时监测系统的起重设备 | |
CN112816788B (zh) | 机车牵引变流器直流支撑电容器的容值估算方法及其应用系统 | |
CN113516023A (zh) | 设备振动异常诊断方法和系统 | |
Trstenjak et al. | A Decision Support System for the Prediction of Wastewater Pumping Station Failures Based on CBR Continuous Learning Model. | |
EP4325314A2 (en) | Systems and methods for estimating future risk of failure of a wind turbine component using machine learning | |
CN110709789B (zh) | 用于监测可再生发电装置或微电网内的子系统的状况的方法和设备 | |
Trieu | Fault Detection and Prediction In Elevators Using FFT-Based Features | |
CN117087726A (zh) | 一种磁浮巴士的故障预测及诊断系统和方法 |
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 |