CN116449204B - 用于对置活塞磁力线性发电机的故障检测方法及相关装置 - Google Patents
用于对置活塞磁力线性发电机的故障检测方法及相关装置 Download PDFInfo
- Publication number
- CN116449204B CN116449204B CN202310718504.6A CN202310718504A CN116449204B CN 116449204 B CN116449204 B CN 116449204B CN 202310718504 A CN202310718504 A CN 202310718504A CN 116449204 B CN116449204 B CN 116449204B
- Authority
- CN
- China
- Prior art keywords
- vector
- magnetic field
- piston
- card
- target
- 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 228
- 239000013598 vector Substances 0.000 claims abstract description 473
- 230000004927 fusion Effects 0.000 claims abstract description 146
- 230000005856 abnormality Effects 0.000 claims abstract description 128
- 230000002159 abnormal effect Effects 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000015654 memory Effects 0.000 claims description 35
- 238000004458 analytical method Methods 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 125000004122 cyclic group Chemical group 0.000 description 9
- 238000003745 diagnosis Methods 0.000 description 8
- 238000013075 data extraction Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000007635 classification algorithm Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000011157 data evaluation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007858 starting material Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Abstract
本发明涉及人工智能领域,公开了一种用于对置活塞磁力线性发电机的故障检测方法及相关装置,用于实现智能对置活塞磁力线性发电机的故障检测并提高故障检测的准确率。方法包括:根据第一磁场数据和第二磁场数据构建目标磁场向量,并对感应电势数据进行向量编码,得到目标电势向量;基于第一预设权重比例进行向量融合,得到第一融合向量,以及基于第二预设权重比例进行向量融合,得到第二融合向量;将第一融合向量输入起始牌和终止牌异常检测模型进行起始牌和终止牌异常检测,得到第一异常检测结果;将第二融合向量输入活塞异常检测模型进行活塞异常检测,得到第二异常检测结果;根据第一异常检测结果和第二异常检测结果生成故障处理方案。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种用于对置活塞磁力线性发电机的故障检测方法及相关装置。
背景技术
对置活塞磁力线性发电机是一种新型的高效能发电设备,被广泛应用于可再生能源领域,其工作原理是利用电磁感应原理,通过磁极移动产生电能。然而,由于对置活塞磁力线性发电机的工作环境恶劣、运行条件苛刻,容易出现多种故障和问题,严重影响了设备的运行安全和可靠性。
现有方案利用传感器对待检测设备存在的故障和问题定位和识别。然而,在现有的技术中,仍然存在一些不足之处。例如,对置活塞磁力线性发电机的故障特征和信号特征尚未得到深入研究和了解,这导致了故障检测的不准确和误判率高;另外,缺少对信号噪声和干扰的处理和过滤,也会对检测的有效性和准确性造成影响。
发明内容
本发明提供了一种用于对置活塞磁力线性发电机的故障检测方法及相关装置,用于实现智能对置活塞磁力线性发电机的故障检测并提高故障检测的准确率。
本发明第一方面提供了一种用于对置活塞磁力线性发电机的故障检测方法,所述用于对置活塞磁力线性发电机的故障检测方法包括:
对待检测的对置活塞磁力线性发电机进行运行测试,并通过预置的传感器组采集运行测试过程中产生的目标磁场数据以及感应电势数据;
根据预设的磁场方向,对所述目标磁场数据进行分类提取,得到起始牌的第一磁场数据以及终止牌的第二磁场数据;
根据所述第一磁场数据和所述第二磁场数据构建目标磁场向量,并对所述感应电势数据进行向量编码,得到目标电势向量;
基于第一预设权重比例,对所述目标磁场向量和所述目标电势向量进行向量融合,得到第一融合向量,以及基于第二预设权重比例,对所述目标磁场向量和所述目标电势向量进行向量融合,得到第二融合向量;
将所述第一融合向量输入预置的起始牌和终止牌异常检测模型进行起始牌和终止牌异常检测,得到第一异常检测结果;
将所述第二融合向量输入预置的活塞异常检测模型进行活塞异常检测,得到第二异常检测结果;
根据所述第一异常检测结果和所述第二异常检测结果,生成所述对置活塞磁力线性发电机的故障处理方案。
结合第一方面,在本发明第一方面的第一实施方式中,所述根据预设的磁场方向,对所述目标磁场数据进行分类提取,得到起始牌的第一磁场数据以及终止牌的第二磁场数据,包括:
获取所述对置活塞磁力线性发电机的发电机结构信息,并根据所述发电机结构信息确定起始牌的第一磁场方向以及终止牌的第二磁场方向;
根据所述第一磁场方向,对所述目标磁场数据进行磁场数据提取,得到起始牌的第一磁场数据;
根据所述第二磁场方向,对所述目标磁场数据进行磁场数据提取,得到终止牌的第二磁场数据。
结合第一方面,在本发明第一方面的第二实施方式中,所述根据所述第一磁场数据和所述第二磁场数据构建目标磁场向量,并对所述感应电势数据进行向量编码,得到目标电势向量,包括:
对所述第一磁场数据进行向量编码,得到第一磁场向量,以及对所述第二磁场数据进行向量编码,得到第二磁场向量;
按照预设的向量拼接顺序,对所述第一磁场向量以及所述第二磁场向量进行向量拼接,得到目标磁场向量;
获取所述感应电势数据的时间戳数据,并根据所述时间戳数据对所述感应电势数据进行向量编码,得到目标电势向量。
结合第一方面,在本发明第一方面的第三实施方式中,所述基于第一预设权重比例,对所述目标磁场向量和所述目标电势向量进行向量融合,得到第一融合向量,以及基于第二预设权重比例,对所述目标磁场向量和所述目标电势向量进行向量融合,得到第二融合向量,包括:
提取所述目标磁场向量中的多个磁场向量元素,以及提取所述目标电势向量中的多个电势向量元素;
基于第一预设权重比例计算所述多个磁场向量元素对应的多个第一加权磁场向量元素,以及计算所述多个电势向量元素对应的多个第一加权电势向量元素;
对所述多个第一加权磁场向量元素以及所述多个第一加权电势向量元素进行向量融合,得到第一融合向量;
基于第二预设权重比例计算所述多个磁场向量元素对应的多个第二加权磁场向量元素,以及计算所述多个电势向量元素对应的多个第二加权电势向量元素;
对所述多个第二加权磁场向量元素以及所述多个第二加权电势向量元素进行向量融合,得到第二融合向量。
结合第一方面,在本发明第一方面的第四实施方式中,所述将所述第一融合向量输入预置的起始牌和终止牌异常检测模型进行起始牌和终止牌异常检测,得到第一异常检测结果,包括:
将所述第一融合向量输入预置的起始牌和终止牌异常检测模型,其中,所述起始牌和终止牌异常检测模型包括:第一长短时记忆层、第二长短时记忆层以及全连接层;
通过所述第一长短时记忆层对所述第一融合向量进行特征维度转换,得到目标维度向量;
将所述目标维度向量输入所述第二长短时记忆层进行特征提取,得到第一特征向量;
通过所述全连接层,对所述第一特征向量进行起始牌和终止牌异常预测,得到第一异常检测结果,其中,所述第一异常检测结果包括:起始牌和终止牌的异常类型以及异常原因。
结合第一方面,在本发明第一方面的第五实施方式中,所述将所述第二融合向量输入预置的活塞异常检测模型进行活塞异常检测,得到第二异常检测结果,包括:
将所述第二融合向量输入预置的活塞异常检测模型,其中,所述活塞异常检测模型包括:两层门限循环网络以及输出层;
通过所述两层门限循环网络对所述第二融合向量进行特征提取,得到第二特征向量;
将所述第二特征向量输入所述输出层进行活塞异常预测分析,得到第二异常检测结果,其中,所述第二异常检测结果包括:活塞的异常类型以及异常原因。
结合第一方面,在本发明第一方面的第六实施方式中,所述根据所述第一异常检测结果和所述第二异常检测结果,生成所述对置活塞磁力线性发电机的故障处理方案,包括:
根据所述第一异常检测结果,对起始牌和终止牌进行损坏分析和松动分析,生成起始牌和终止牌的补偿方案;
根据所述第二异常检测结果,对活塞进行参数补偿计算,得到活塞补偿参数;
根据所述起始牌和终止牌的补偿方案以及活塞补偿参数,生成所述对置活塞磁力线性发电机的故障处理方案。
本发明第二方面提供了一种用于对置活塞磁力线性发电机的故障检测装置,所述用于对置活塞磁力线性发电机的故障检测装置包括:
采集模块,用于对待检测的对置活塞磁力线性发电机进行运行测试,并通过预置的传感器组采集运行测试过程中产生的目标磁场数据以及感应电势数据;
提取模块,用于根据预设的磁场方向,对所述目标磁场数据进行分类提取,得到起始牌的第一磁场数据以及终止牌的第二磁场数据;
构建模块,用于根据所述第一磁场数据和所述第二磁场数据构建目标磁场向量,并对所述感应电势数据进行向量编码,得到目标电势向量;
融合模块,用于基于第一预设权重比例,对所述目标磁场向量和所述目标电势向量进行向量融合,得到第一融合向量,以及基于第二预设权重比例,对所述目标磁场向量和所述目标电势向量进行向量融合,得到第二融合向量;
第一检测模块,用于将所述第一融合向量输入预置的起始牌和终止牌异常检测模型进行起始牌和终止牌异常检测,得到第一异常检测结果;
第二检测模块,用于将所述第二融合向量输入预置的活塞异常检测模型进行活塞异常检测,得到第二异常检测结果;
生成模块,用于根据所述第一异常检测结果和所述第二异常检测结果,生成所述对置活塞磁力线性发电机的故障处理方案。
本发明第三方面提供了一种用于对置活塞磁力线性发电机的故障检测设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述用于对置活塞磁力线性发电机的故障检测设备执行上述的用于对置活塞磁力线性发电机的故障检测方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的用于对置活塞磁力线性发电机的故障检测方法。
本发明提供的技术方案中,根据第一磁场数据和第二磁场数据构建目标磁场向量,并对感应电势数据进行向量编码,得到目标电势向量;基于第一预设权重比例进行向量融合,得到第一融合向量,以及基于第二预设权重比例进行向量融合,得到第二融合向量;将第一融合向量输入起始牌和终止牌异常检测模型进行起始牌和终止牌异常检测,得到第一异常检测结果;将第二融合向量输入活塞异常检测模型进行活塞异常检测,得到第二异常检测结果;根据第一异常检测结果和第二异常检测结果生成故障处理方案,本发明通过采集目标磁场数据和感应电势数据的方式,对目标磁场数据按照预设的磁场方向进行分类提取,得到起始牌和终止牌的第一磁场数据和第二磁场数据,为后续的故障检测和处理提供了基础数据。同时,利用预设的权重比例,将目标磁场向量和目标电势向量进行向量融合,得到第一融合向量和第二融合向量。这些处理手段强化了数据的综合分析和处理能力,提高了故障检测的准确性和可靠性。根据第一异常检测结果和第二异常检测结果,生成对置活塞磁力线性发电机的故障处理方案,进而实现了智能对置活塞磁力线性发电机的故障检测,并且提高了故障检测的准确率。
附图说明
图1为本发明实施例中用于对置活塞磁力线性发电机的故障检测方法的一个实施例示意图;
图2为本发明实施例中向量编码的流程图;
图3为本发明实施例中向量融合的流程图;
图4为本发明实施例中起始牌和终止牌异常检测的流程图;
图5为本发明实施例中用于对置活塞磁力线性发电机的故障检测装置的一个实施例示意图;
图6为本发明实施例中用于对置活塞磁力线性发电机的故障检测设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种用于对置活塞磁力线性发电机的故障检测方法及相关装置,用于实现智能对置活塞磁力线性发电机的故障检测并提高故障检测的准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中用于对置活塞磁力线性发电机的故障检测方法的一个实施例包括:
S101、对待检测的对置活塞磁力线性发电机进行运行测试,并通过预置的传感器组采集运行测试过程中产生的目标磁场数据以及感应电势数据;
可以理解的是,本发明的执行主体可以为用于对置活塞磁力线性发电机的故障检测装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,服务器根据测试方案,准备相应的传感器组。传感器组需要具有高灵敏度、高精度和高可靠性,能够采集与对置活塞磁力线性发电机相关的目标磁场数据和感应电势数据,以便在后续的数据处理和分析中使用。根据测试方案和准备好的传感器组,对待检测的对置活塞磁力线性发电机进行运行测试。测试过程中,按照设备的工作规程进行测试,并记录每个阶段的测试数据和测试参数。在运行测试过程中,传感器组会采集到设备产生的目标磁场数据,这些数据需要进行采集和处理。可以借助于磁场传感器,通过采集磁场强度进而获取目标磁场数据。在运行测试过程中,传感器组还会采集到设备产生的感应电势数据,这些数据也需要进行采集和处理。可以使用电势传感器,通过采集感应电势进而获取目标电势数据。
S102、根据预设的磁场方向,对目标磁场数据进行分类提取,得到起始牌的第一磁场数据以及终止牌的第二磁场数据;
需要说明的是,在进行磁场数据分析之前,需要确定磁场方向。这是因为,在对置活塞磁力线性发电机中,起始牌的磁场方向和终止牌的磁场方向不同,因此需要明确地区分。可以使用磁场传感器,测量磁场在不同方向上的强度,确定起始牌和终止牌的磁场方向。在确定了磁场方向后,对采集到的目标磁场数据进行处理,按照预设的磁场方向进行分类提取,得到起始牌的第一磁场数据以及终止牌的第二磁场数据。在实现磁场数据分类时,需要使用有效的分类算法。常用的分类算法包括最小距离分类法、支持向量机分类法、决策树分类法、朴素贝叶斯分类法等。这些分类算法对磁场数据进行处理和分析,确定起始牌和终止牌的磁场方向,从而得到起始牌的第一磁场数据和终止牌的第二磁场数据。在分类提取了目标磁场数据后,对数据进行预处理、滤波、特征提取、数据建模等操作,以得到与设备故障相关的信息和特征。例如,可以基于磁场数据和感应电势数据,建立故障检测模型,以实现对置活塞磁力线性发电机的故障检测和定位。例如,假设对一台对置活塞磁力线性发电机进行故障检测。首先,确定了起始牌和终止牌的磁场方向,并且利用磁场传感器和信号放大器等组件,采集了设备工作过程中产生的目标磁场数据。然后,可以利用分类算法,对目标磁场数据进行分类提取,得到起始牌的第一磁场数据和终止牌的第二磁场数据。
S103、根据第一磁场数据和第二磁场数据构建目标磁场向量,并对感应电势数据进行向量编码,得到目标电势向量;
需要说明的是,在获取第一磁场数据和第二磁场数据后,将它们融合成为目标磁场向量。目标磁场向量可以用来表示设备故障时磁场的变化情况,按照一定的比例将第一磁场数据和第二磁场数据进行合并,得到目标磁场向量。比如,可以采用等权重合并,即将第一磁场数据和第二磁场数据按照1:1的比例进行融合。在构建目标电势向量之前,先对感应电势数据进行向量编码。在对感应电势数据进行向量编码之前,先设定向量长度,向量长度根据实际需要进行定义。可以采用多种编码方法,比较常见的有one-hot编码、二进制编码等。以one-hot编码为例,对每个感应电势数据编码为含有N个元素的向量,其中只有一个元素为1,其余元素均为0。这样可以将感应电势数据与目标磁场向量合并,构建出目标电势向量。在构建目标磁场向量和目标电势向量后,对数据进行处理和分析。例如,当进行对置活塞磁力线性发电机的故障检测时,可以先通过分类提取得到起始牌的第一磁场数据和终止牌的第二磁场数据。然后,按照预设的权重比例将这两个磁场数据融合为目标磁场向量。再利用电势传感器采集对应的感应电势数据,并对感应电势数据进行向量编码,得到目标电势向量。最后,对目标磁场向量和目标电势向量进行向量融合,得到第一融合向量和第二融合向量。
S104、基于第一预设权重比例,对目标磁场向量和目标电势向量进行向量融合,得到第一融合向量,以及基于第二预设权重比例,对目标磁场向量和目标电势向量进行向量融合,得到第二融合向量;
具体的,在对目标磁场向量和目标电势向量进行向量融合时,指定权重比例。权重比例表示目标磁场向量和目标电势向量在融合过程中的权重分配关系,例如,可以设置第一预设权重比例为0.6,第二预设权重比例为0.4。在确定权重比例后,对目标磁场向量和目标电势向量进行向量融合。按照设定的权重比例,将目标磁场向量和目标电势向量进行加权融合,得到第一融合向量和第二融合向量。例如,对于第一融合向量,可以将目标磁场向量赋予0.6的权重,将目标电势向量赋予0.4的权重,在两个向量之间进行加权融合,得到最终的第一融合向量。例如,当进行对置活塞磁力线性发电机的故障检测时,按照预设的权重比例将目标磁场向量和目标电势向量进行向量融合,得到第一融合向量和第二融合向量。例如,对于第一融合向量,可以将起始牌的第一磁场数据和终止牌的第二磁场数据按照预设的权重比例进行加权融合,得到最终的第一融合向量。同时,还可以将感应电势数据进行向量编码,得到对应的目标电势向量,并按照预设的权重比例将目标磁场向量和目标电势向量进行加权融合,得到第二融合向量。
S105、将第一融合向量输入预置的起始牌和终止牌异常检测模型进行起始牌和终止牌异常检测,得到第一异常检测结果;
具体的,将第一融合向量输入模型中,获得异常检测结果。在输入第一融合向量并运行异常检测模型后,可以得到异常检测结果。根据输出结果,可确定起始牌和终止牌的异常情况。异常检测结果一般包括正常和异常两种状态,通过设定阈值来判断数据是否属于异常范畴,例如,当进行对置活塞磁力线性发电机的故障检测时,可以按照前面介绍的步骤,先得到第一融合向量,再将其输入预置的起始牌和终止牌异常检测模型中,获得第一异常检测结果,以确认起始牌和终止牌的状态。例如,如果第一异常检测结果表明起始牌出现异常,那么就需要进一步对数据进行分析,确定具体的故障类型和故障原因。
S106、将第二融合向量输入预置的活塞异常检测模型进行活塞异常检测,得到第二异常检测结果;
具体的,在输入第二融合向量之前,对第二融合向量进行预处理。因为数据中可能存在噪声、干扰等情况,这会影响数据的质量和准确性。预处理操作包括滤波、降噪、归一化等。其中,滤波操作可以去除信号中的高频噪声,降噪操作可以去除信号中的低频噪声,归一化操作可以将数据缩放到相同的范围内,以便后续的处理。在数据预处理后,对数据进行特征提取。特征通过信号处理、图像处理等技术从原始数据中提取出来。提取的特征应该具有区分性和不变性,以能够区分正常数据和异常数据。例如,对活塞数据进行特征提取时,可以提取轨迹、振动等特征,以判断活塞是否异常。
在得到特征数据后,将其输入到预置的活塞异常检测模型中进行异常检测。模型通常是用机器学习、深度学习等方法构建而成的,通过输入数据,模型可以输出相应的异常检测结果,以判断活塞是否异常。检测结果通常分为正常和异常两种情况,通过设定阈值来判断数据是否属于异常范畴。例如,当进行对置活塞磁力线性发电机的故障检测时,可以按照上述步骤进行数据处理和异常检测。通过对第二融合向量进行预处理和特征提取,可以将提取得到的特征数据输入到预置的活塞异常检测模型中,获得第二异常检测结果。根据检测结果,可确定活塞的状态。
S107、根据第一异常检测结果和第二异常检测结果,生成对置活塞磁力线性发电机的故障处理方案。
具体的,服务器根据第一异常检测结果和第二异常检测结果,对检测结果进行分析和评估,确定活塞磁力线性发电机是否存在故障。在确定故障类型和原因后,需要进行故障诊断,以进一步证实故障类型和确定可能的故障原因。可以利用专业的设备和工具进行故障诊断,例如,核磁共振、声学成像、热成像等。在确定故障类型和原因后,制定相应的处理方案。处理方案通常包括故障排除、维修、替换等。其中,故障排除是通过维护和保养来消除故障,维修是针对具体故障进行修补和更换,替换是将不可修复的部件进行更换。
例如,假设对一台活塞磁力线性发电机进行故障处理时,第一异常检测结果表明出现了活塞温度异常,第二异常检测结果展示了活塞轨迹异常。那么,根据这两个异常检测结果进行分析和评估,并进一步确定可能的故障类型和原因。例如,可能是因为活塞密封不良导致温度升高,并进一步影响活塞的运动轨迹。在进行故障诊断和原因分析后,可以制定相应的处理方案,例如,检查活塞密封情况,修复或更换相应的部件。最后,根据实施结果进行效果评估,以确保故障得到彻底解决。
本发明实施例中,根据第一磁场数据和第二磁场数据构建目标磁场向量,并对感应电势数据进行向量编码,得到目标电势向量;基于第一预设权重比例进行向量融合,得到第一融合向量,以及基于第二预设权重比例进行向量融合,得到第二融合向量;将第一融合向量输入起始牌和终止牌异常检测模型进行起始牌和终止牌异常检测,得到第一异常检测结果;将第二融合向量输入活塞异常检测模型进行活塞异常检测,得到第二异常检测结果;根据第一异常检测结果和第二异常检测结果生成故障处理方案,本发明通过采集目标磁场数据和感应电势数据的方式,对目标磁场数据按照预设的磁场方向进行分类提取,得到起始牌和终止牌的第一磁场数据和第二磁场数据,为后续的故障检测和处理提供了基础数据。同时,利用预设的权重比例,将目标磁场向量和目标电势向量进行向量融合,得到第一融合向量和第二融合向量。这些处理手段强化了数据的综合分析和处理能力,提高了故障检测的准确性和可靠性。根据第一异常检测结果和第二异常检测结果,生成对置活塞磁力线性发电机的故障处理方案,进而实现了智能对置活塞磁力线性发电机的故障检测,并且提高了故障检测的准确率。
在一具体实施例中,执行步骤S102的过程可以具体包括如下步骤:
(1)获取对置活塞磁力线性发电机的发电机结构信息,并根据发电机结构信息确定起始牌的第一磁场方向以及终止牌的第二磁场方向;
(2)根据第一磁场方向,对目标磁场数据进行磁场数据提取,得到起始牌的第一磁场数据;
(3)根据第二磁场方向,对目标磁场数据进行磁场数据提取,得到终止牌的第二磁场数据。
具体的,服务器首先对对置活塞磁力线性发电机的发电机结构进行分析,以获取发电机结构信息。通过图纸、样机、手册等途径获取发电机结构信息。在获取发电机结构信息后,根据结构信息确定起始牌的第一磁场方向以及终止牌的第二磁场方向。具体的,通过计算机模拟、实验验证等方法确定磁场方向。需要注意的是,磁场方向应该是准确、可靠的,并能够与实际磁场数据进行对应。在确定磁场方向后,对目标磁场数据进行磁场数据提取,得到起始牌的第一磁场数据。数据提取通过信号处理、数据分析等技术实现。在数据提取时,需要确定数据的采集位置、采集频率、数据量等参数,以保证数据的质量和准确性。同时,对数据进行预处理、滤波、降噪等,以消除噪声、干扰等对数据质量的影响。
例如,当进行对置活塞磁力线性发电机的磁场数据提取时,首先通过分析发电机结构,确定起始牌的第一磁场方向以及终止牌的第二磁场方向。然后,根据第一磁场方向,对目标磁场数据进行提取,得到起始牌的第一磁场数据。
进而对发电机结构进行分析,确定终止牌的第二磁场方向。通过图纸、样机、手册等途径获取发电机结构信息并进行分析。在确定磁场方向后,对目标磁场数据进行磁场数据提取,得到终止牌的第二磁场数据。数据提取通过信号处理、数据分析等技术实现。例如,当进行对置活塞磁力线性发电机的磁场数据提取时,先分析发电机结构,确定终止牌的第二磁场方向。然后,根据第二磁场方向,对目标磁场数据进行提取,得到终止牌的第二磁场数据。最后,通过对数据的分析和评估,确定数据的特征和趋势,并进一步进行故障诊断和处理,以保证磁力线性发电机的正常运行。
在一具体实施例中,如图2所示,执行步骤S103的过程可以具体包括如下步骤:
S201、对第一磁场数据进行向量编码,得到第一磁场向量,以及对第二磁场数据进行向量编码,得到第二磁场向量;
S202、按照预设的向量拼接顺序,对第一磁场向量以及第二磁场向量进行向量拼接,得到目标磁场向量;
S203、获取感应电势数据的时间戳数据,并根据时间戳数据对感应电势数据进行向量编码,得到目标电势向量。
具体的,服务器通过离散余弦变换对第一磁场数据和第二磁场数据进行向量编码,得到对应的第一磁场向量和第二磁场向量。对第一磁场数据和第二磁场数据进行预处理,以减少噪音、干扰等对数据质量的影响。采用滤波、降噪等技术进行数据预处理。对预处理后的第一磁场数据和第二磁场数据进行离散余弦变换,得到对应的第一磁场向量和第二磁场向量。离散余弦变换可以采用快速离散余弦变换等算法进行实现。在得到第一磁场向量和第二磁场向量之后,采用图像处理、统计分析等方法进行分析和描述,以确定数据的特征和趋势。如果数据异常,需要进一步进行故障诊断和处理。如果数据正常,继续进行后续的工作和运行。例如,当对置活塞磁力线性发电机的第一磁场数据和第二磁场数据进行向量编码时,可以采用离散余弦变换。首先,对第一磁场数据和第二磁场数据进行预处理,以减少噪音、干扰等对数据质量的影响。然后,对预处理后的数据进行离散余弦变换,得到对应的第一磁场向量和第二磁场向量。最后,通过对数据的分析和评估,确定数据的特征和趋势,并进一步进行故障诊断和处理,以保证磁力线性发电机的正常运行。
按照预设的向量拼接顺序,对第一磁场向量和第二磁场向量进行向量拼接,得到目标磁场向量。向量拼接可以采用简单的线性拼接、复杂的非线性拼接、矩阵运算等方法实现。在得到目标磁场向量之后,需要进行数据分析和评估。可以采用图像处理、统计分析等方法对数据进行分析和描述,以确定数据的特征和趋势。例如,当进行对置活塞磁力线性发电机的磁场数据处理时,需要进行向量编码与向量拼接。首先,对第一磁场数据进行向量编码,得到第一磁场向量;同时,对第二磁场数据进行向量编码,得到第二磁场向量。然后,按照预设的向量拼接顺序,对第一磁场向量和第二磁场向量进行向量拼接,得到目标磁场向量。最后,通过对数据的分析和评估,确定数据的特征和趋势,并进一步进行故障诊断和处理,以保证磁力线性发电机的正常运行。
进一步的,首先获取感应电势数据的时间戳数据。时间戳数据通过传感器、数据采集卡等设备进行采集和记录,也可以从其他数据源获取。根据时间戳数据对感应电势数据进行向量编码,得到目标电势向量。向量编码可以采用不同的算法和技术实现,例如,小波变换、奇异值分解、聚类分析等。在编码时,需要根据电势数据的特点和应用需求进行参数选择和优化。在得到目标电势向量之后,需要进行数据分析和评估。可以采用图像处理、统计分析等方法对数据进行分析和描述,以确定数据的特征和趋势。如果数据异常,需要进一步进行故障诊断和处理。如果数据正常,继续进行后续的工作和运行。例如,当进行感应电势数据处理时,先获取时间戳数据,通过传感器等设备进行采集和记录。然后,根据时间戳数据对感应电势数据进行向量编码,得到目标电势向量。
在一具体实施例中,如图3所示,执行步骤S104的过程可以具体包括如下步骤:
S301、提取目标磁场向量中的多个磁场向量元素,以及提取目标电势向量中的多个电势向量元素;
S302、基于第一预设权重比例计算多个磁场向量元素对应的多个第一加权磁场向量元素,以及计算多个电势向量元素对应的多个第一加权电势向量元素;
S303、对多个第一加权磁场向量元素以及多个第一加权电势向量元素进行向量融合,得到第一融合向量;
S304、基于第二预设权重比例计算多个磁场向量元素对应的多个第二加权磁场向量元素,以及计算多个电势向量元素对应的多个第二加权电势向量元素;
S305、对多个第二加权磁场向量元素以及多个第二加权电势向量元素进行向量融合,得到第二融合向量。
具体的,服务器提取目标磁场向量和电势向量中的多个元素。这些元素可能代表不同的物理量,如磁感应强度、磁场方向、电压、电容等。根据第一预设权重比例计算多个磁场向量元素和多个电势向量元素对应的第一加权磁场向量元素和第一加权电势向量元素。这里的第一预设权重比例表示磁场向量元素和电势向量元素之间的重要性比例,可以根据不同的应用需求进行定义。计算第一加权磁场向量元素和第一加权电势向量元素对应的每个向量元素的值。这需要根据具体的计算公式和算法进行实现。
例如,假设要实现对目标磁场向量和电势向量进行处理。目标磁场向量包含三个元素:Bx、By和Bz;目标电势向量包含三个元素:Vx、Vy和Vz。希望按照重要性比例1:2:3来计算加权向量元素。具体的处理过程如下:
从目标磁场向量中提取三个元素Bx、By和Bz,从目标电势向量中提取三个元素Vx、Vy和Vz。
按照重要性比例1:2:3计算第一加权磁场向量元素和第一加权电势向量元素,如下:
第一加权磁场向量元素=1Bx+2By+3*Bz
第一加权电势向量元素=1Vx+2Vy+3*Vz
计算第一加权磁场向量元素和第一加权电势向量元素中每个向量元素的值,如下:
第一加权磁场向量元素的值=1Bx的值+2By的值+3*Bz的值
第一加权电势向量元素的值=1Vx的值+2Vy的值+3*Vz的值
进一步的,对多个第一加权磁场向量元素以及多个第一加权电势向量元素进行向量融合,得到第一融合向量。向量的融合可以根据加权值和向量间距离等因素进行计算。如采用加权欧几里得距离计算融合向量,公式如下:
其中,、/>、…、/>是n个第一加权磁场向量元素;/>、/>、…、/>是n个第一加权电势向量元素;/>、/>、…、/>是各向量元素对应的权重比例。基于第二预设权重比例计算多个磁场向量元素对应的多个第二加权磁场向量元素,以及计算多个电势向量元素对应的多个第二加权电势向量元素。这里的第二预设权重比例表示磁场向量元素和电势向量元素之间的重要性比例,可以根据不同的应用需求进行定义。对多个第二加权磁场向量元素以及多个第二加权电势向量元素进行向量融合,得到第二融合向量。同样可以采用加权欧几里得距离计算融合向量/>,公式如下:
其中,、/>、…、/>是n个第二加权磁场向量元素;/>、/>、…、/>是n个第二加权电势向量元素;/>、/>、…、/>是各向量元素对应的第二预设权重比例。
在一具体实施例中,如图4所示,执行步骤S105的过程可以具体包括如下步骤:
S401、将第一融合向量输入预置的起始牌和终止牌异常检测模型,其中,起始牌和终止牌异常检测模型包括:第一长短时记忆层、第二长短时记忆层以及全连接层;
S402、通过第一长短时记忆层对第一融合向量进行特征维度转换,得到目标维度向量;
S403、将目标维度向量输入第二长短时记忆层进行特征提取,得到第一特征向量;
S404、通过全连接层,对第一特征向量进行起始牌和终止牌异常预测,得到第一异常检测结果,其中,第一异常检测结果包括:起始牌和终止牌的异常类型以及异常原因。
具体的,服务器将第一融合向量输入第一长短时记忆层,通过该层对其进行特征维度转换,得到目标维度向量。其中,将第一融合向量输入第一长短时记忆层,并设置输入向量长度和隐状态值大小等超参数。通过第一长短时记忆层对输入向量进行特征提取和转换操作,输出目标维度向量。将输出向量输入第二长短时记忆层和全连接层进行进一步处理和计算,最终输出异常检测结果。例如,假设起始牌和终止牌异常检测模型具有以下结构:第一长短时记忆层的输入向量长度为10,隐状态值大小为20;第二长短时记忆层的输入向量长度为20,隐状态值大小为10;全连接层负责输出最终检测结果。先将第一融合向量输入第一长短时记忆层进行特征转换,得到目标维度向量。
具体的,将第一融合向量输入第一长短时记忆层,并设置输入向量长度为3(对应磁场向量和电势向量元素的个数),隐状态值大小为20。通过第一长短时记忆层对输入向量进行特征提取和转换操作,输出目标维度向量[1.2,0.5,0.8,-1.5,…,0.3],其长度为10。
进一步的,将目标维度向量输入第二长短时记忆层进行特征提取,得到第一特征向量。第二长短时记忆层是起始牌和终止牌异常检测模型的第二个循环神经网络层,用于进一步提取输入向量的主要特征和信息。通过全连接层,对第一特征向量进行起始牌和终止牌异常预测,得到第一异常检测结果。全连接层是起始牌和终止牌异常检测模型的输出层,其输入为第一特征向量,输出为起始牌和终止牌的异常类型以及异常原因等信息。
其中,将目标维度向量输入第二长短时记忆层,并设置输入向量长度和隐状态值大小等超参数。通过第二长短时记忆层对输入向量进行特征提取和转换操作,输出第一特征向量。将第一特征向量输入全连接层进行异常预测,输出异常类型以及异常原因等信息。
例如,假设起始牌和终止牌异常检测模型具有以下结构:第二长短时记忆层的输入向量长度为10,隐状态值大小为5;全连接层的输入向量长度为5,输出为起始牌和终止牌的异常类型以及异常原因。先将目标维度向量输入第二长短时记忆层进行特征提取,得到第一特征向量,其中,将目标维度向量输入第二长短时记忆层,并设置输入向量长度为10,隐状态值大小为5。通过第二长短时记忆层对输入向量进行特征提取和转换操作,输出第一特征向量,其长度为5,如[0.3,-0.5,0.7,0.2,-0.1],进而将第一特征向量输入全连接层进行异常预测,输出异常类型以及异常原因等信息,例如,异常类型为起始卡片异常,同时输出的异常原因为起始卡片位置偏移导致读卡失败。
在一具体实施例中,执行步骤S106的过程可以具体包括如下步骤:
(1)将第二融合向量输入预置的活塞异常检测模型,其中,活塞异常检测模型包括:两层门限循环网络以及输出层;
(2)通过两层门限循环网络对第二融合向量进行特征提取,得到第二特征向量;
(3)将第二特征向量输入输出层进行活塞异常预测分析,得到第二异常检测结果,其中,第二异常检测结果包括:活塞的异常类型以及异常原因。
具体的,将第二融合向量输入两层门限循环网络进行特征提取,得到第二特征向量。通过这一步操作,可以进一步提取融合向量中的有效信息和特征,以支持后续的活塞异常预测分析。将第二特征向量输入输出层进行活塞异常预测分析,得到第二异常检测结果。输出层是活塞异常检测模型的输出层,其输入为第二特征向量,输出为活塞的异常类型以及异常原因等信息。
其中,将第二融合向量输入两层门限循环网络,并设置输入向量长度和隐状态值大小等超参数。通过两层门限循环网络对输入向量进行特征提取和转换操作,输出第二特征向量。将第二特征向量输入输出层进行活塞异常预测分析,输出异常类型以及异常原因等信息。
例如,假设活塞异常检测模型具有以下结构:两层门限循环网络的输入向量长度为5,隐状态值大小为10;输出层的输入向量长度为10,输出为活塞的异常类型以及异常原因。先将第二融合向量输入两层门限循环网络进行特征提取,得到第二特征向量。具体的实现过程如下:将第二融合向量输入两层门限循环网络,并设置输入向量长度为3(对应振动信号向量元素的个数),隐状态值大小为10。通过两层门限循环网络对输入向量进行特征提取和转换操作,输出第二特征向量,其长度为10,如:[0.2,-0.1,-0.3,…,0.1]将第二特征向量输入输出层进行活塞异常预测分析,输出活塞的异常类型以及异常原因等信息,例如,当异常类型为活塞气缸泄漏时候,输出异常原因:为气缸密封不良导致颗粒进入活塞,磨损严重。
在一具体实施例中,执行步骤S107的过程可以具体包括如下步骤:
(1)根据第一异常检测结果,对起始牌和终止牌进行损坏分析和松动分析,生成起始牌和终止牌的补偿方案;
(2)根据第二异常检测结果,对活塞进行参数补偿计算,得到活塞补偿参数;
(3)根据起始牌和终止牌的补偿方案以及活塞补偿参数,生成对置活塞磁力线性发电机的故障处理方案。
具体的,根据第一异常检测结果,对起始牌和终止牌进行损坏分析和松动分析,生成起始牌和终止牌的补偿方案。具体的操作包括分析起始牌和终止牌的异常类型和异常原因,然后确定相应的补偿方案。例如,如果起始牌位置偏移导致读卡失败,可以通过重新调整起始牌位置来解决问题;如果终止牌位置松动导致摩擦变大,可以通过更换终止牌材料或者加强牵引力等方式来降低摩擦。
根据第二异常检测结果,对活塞进行参数补偿计算,得到活塞补偿参数。具体的操作是根据活塞异常类型和异常原因,通过专业软件对活塞的运行参数进行分析和计算,得到相应的补偿参数。例如,如果活塞气缸泄漏导致输出功率降低,可以通过增加气缸密封性或者更换气缸等方式来恢复功率输出。
根据起始牌和终止牌的补偿方案以及活塞补偿参数,生成对置活塞磁力线性发电机的故障处理方案。具体的操作是将以上两步得到的补偿方案和参数进行综合分析,并生成相应的故障处理方案。例如,如果起始牌位置偏移导致读卡失败,终止牌位置松动导致摩擦变大,活塞气缸泄漏导致输出功率降低,可以通过重新调整起始牌位置,更换终止牌材料并增加牵引力,增加气缸密封性等方式来恢复发电机的正常运行。
上面对本发明实施例中用于对置活塞磁力线性发电机的故障检测方法进行了描述,下面对本发明实施例中用于对置活塞磁力线性发电机的故障检测装置进行描述,请参阅图5,本发明实施例中用于对置活塞磁力线性发电机的故障检测装置一个实施例包括:
采集模块501,用于对待检测的对置活塞磁力线性发电机进行运行测试,并通过预置的传感器组采集运行测试过程中产生的目标磁场数据以及感应电势数据;
提取模块502,用于根据预设的磁场方向,对所述目标磁场数据进行分类提取,得到起始牌的第一磁场数据以及终止牌的第二磁场数据;
构建模块503,用于根据所述第一磁场数据和所述第二磁场数据构建目标磁场向量,并对所述感应电势数据进行向量编码,得到目标电势向量;
融合模块504,用于基于第一预设权重比例,对所述目标磁场向量和所述目标电势向量进行向量融合,得到第一融合向量,以及基于第二预设权重比例,对所述目标磁场向量和所述目标电势向量进行向量融合,得到第二融合向量;
第一检测模块505,用于将所述第一融合向量输入预置的起始牌和终止牌异常检测模型进行起始牌和终止牌异常检测,得到第一异常检测结果;
第二检测模块506,用于将所述第二融合向量输入预置的活塞异常检测模型进行活塞异常检测,得到第二异常检测结果;
生成模块507,用于根据所述第一异常检测结果和所述第二异常检测结果,生成所述对置活塞磁力线性发电机的故障处理方案。
通过上述各个组成部分的协同合作,根据第一磁场数据和第二磁场数据构建目标磁场向量,并对感应电势数据进行向量编码,得到目标电势向量;基于第一预设权重比例进行向量融合,得到第一融合向量,以及基于第二预设权重比例进行向量融合,得到第二融合向量;将第一融合向量输入起始牌和终止牌异常检测模型进行起始牌和终止牌异常检测,得到第一异常检测结果;将第二融合向量输入活塞异常检测模型进行活塞异常检测,得到第二异常检测结果;根据第一异常检测结果和第二异常检测结果生成故障处理方案,本发明通过采集目标磁场数据和感应电势数据的方式,对目标磁场数据按照预设的磁场方向进行分类提取,得到起始牌和终止牌的第一磁场数据和第二磁场数据,为后续的故障检测和处理提供了基础数据。同时,利用预设的权重比例,将目标磁场向量和目标电势向量进行向量融合,得到第一融合向量和第二融合向量。这些处理手段强化了数据的综合分析和处理能力,提高了故障检测的准确性和可靠性。根据第一异常检测结果和第二异常检测结果,生成对置活塞磁力线性发电机的故障处理方案,进而实现了智能对置活塞磁力线性发电机的故障检测,并且提高了故障检测的准确率。
上面图5从模块化功能实体的角度对本发明实施例中的用于对置活塞磁力线性发电机的故障检测装置进行详细描述,下面从硬件处理的角度对本发明实施例中用于对置活塞磁力线性发电机的故障检测设备进行详细描述。
图6是本发明实施例提供的一种用于对置活塞磁力线性发电机的故障检测设备的结构示意图,该用于对置活塞磁力线性发电机的故障检测设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对用于对置活塞磁力线性发电机的故障检测设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在用于对置活塞磁力线性发电机的故障检测设备600上执行存储介质630中的一系列指令操作。
用于对置活塞磁力线性发电机的故障检测设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作系统631,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图6示出的用于对置活塞磁力线性发电机的故障检测设备结构并不构成对用于对置活塞磁力线性发电机的故障检测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种用于对置活塞磁力线性发电机的故障检测设备,所述用于对置活塞磁力线性发电机的故障检测设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述用于对置活塞磁力线性发电机的故障检测方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述用于对置活塞磁力线性发电机的故障检测方法的步骤。
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。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random acceS memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种用于对置活塞磁力线性发电机的故障检测方法,其特征在于,所述用于对置活塞磁力线性发电机的故障检测方法包括:
对待检测的对置活塞磁力线性发电机进行运行测试,并通过预置的传感器组采集运行测试过程中产生的目标磁场数据以及感应电势数据;
根据预设的磁场方向,对所述目标磁场数据进行分类提取,得到起始牌的第一磁场数据以及终止牌的第二磁场数据;
根据所述第一磁场数据和所述第二磁场数据构建目标磁场向量,并对所述感应电势数据进行向量编码,得到目标电势向量;
基于第一预设权重比例,对所述目标磁场向量和所述目标电势向量进行向量融合,得到第一融合向量,以及基于第二预设权重比例,对所述目标磁场向量和所述目标电势向量进行向量融合,得到第二融合向量;
将所述第一融合向量输入预置的起始牌和终止牌异常检测模型进行起始牌和终止牌异常检测,得到第一异常检测结果;
将所述第二融合向量输入预置的活塞异常检测模型进行活塞异常检测,得到第二异常检测结果;
根据所述第一异常检测结果和所述第二异常检测结果,生成所述对置活塞磁力线性发电机的故障处理方案。
2.根据权利要求1所述的用于对置活塞磁力线性发电机的故障检测方法,其特征在于,所述根据预设的磁场方向,对所述目标磁场数据进行分类提取,得到起始牌的第一磁场数据以及终止牌的第二磁场数据,包括:
获取所述对置活塞磁力线性发电机的发电机结构信息,并根据所述发电机结构信息确定起始牌的第一磁场方向以及终止牌的第二磁场方向;
根据所述第一磁场方向,对所述目标磁场数据进行磁场数据提取,得到起始牌的第一磁场数据;
根据所述第二磁场方向,对所述目标磁场数据进行磁场数据提取,得到终止牌的第二磁场数据。
3.根据权利要求1所述的用于对置活塞磁力线性发电机的故障检测方法,其特征在于,所述根据所述第一磁场数据和所述第二磁场数据构建目标磁场向量,并对所述感应电势数据进行向量编码,得到目标电势向量,包括:
对所述第一磁场数据进行向量编码,得到第一磁场向量,以及对所述第二磁场数据进行向量编码,得到第二磁场向量;
按照预设的向量拼接顺序,对所述第一磁场向量以及所述第二磁场向量进行向量拼接,得到目标磁场向量;
获取所述感应电势数据的时间戳数据,并根据所述时间戳数据对所述感应电势数据进行向量编码,得到目标电势向量。
4.根据权利要求1所述的用于对置活塞磁力线性发电机的故障检测方法,其特征在于,所述基于第一预设权重比例,对所述目标磁场向量和所述目标电势向量进行向量融合,得到第一融合向量,以及基于第二预设权重比例,对所述目标磁场向量和所述目标电势向量进行向量融合,得到第二融合向量,包括:
提取所述目标磁场向量中的多个磁场向量元素,以及提取所述目标电势向量中的多个电势向量元素;
基于第一预设权重比例计算所述多个磁场向量元素对应的多个第一加权磁场向量元素,以及计算所述多个电势向量元素对应的多个第一加权电势向量元素;
对所述多个第一加权磁场向量元素以及所述多个第一加权电势向量元素进行向量融合,得到第一融合向量;
基于第二预设权重比例计算所述多个磁场向量元素对应的多个第二加权磁场向量元素,以及计算所述多个电势向量元素对应的多个第二加权电势向量元素;
对所述多个第二加权磁场向量元素以及所述多个第二加权电势向量元素进行向量融合,得到第二融合向量。
5.根据权利要求1所述的用于对置活塞磁力线性发电机的故障检测方法,其特征在于,所述将所述第一融合向量输入预置的起始牌和终止牌异常检测模型进行起始牌和终止牌异常检测,得到第一异常检测结果,包括:
将所述第一融合向量输入预置的起始牌和终止牌异常检测模型,其中,所述起始牌和终止牌异常检测模型包括:第一长短时记忆层、第二长短时记忆层以及全连接层;
通过所述第一长短时记忆层对所述第一融合向量进行特征维度转换,得到目标维度向量;
将所述目标维度向量输入所述第二长短时记忆层进行特征提取,得到第一特征向量;
通过所述全连接层,对所述第一特征向量进行起始牌和终止牌异常预测,得到第一异常检测结果,其中,所述第一异常检测结果包括:起始牌和终止牌的异常类型以及异常原因。
6.根据权利要求1所述的用于对置活塞磁力线性发电机的故障检测方法,其特征在于,所述将所述第二融合向量输入预置的活塞异常检测模型进行活塞异常检测,得到第二异常检测结果,包括:
将所述第二融合向量输入预置的活塞异常检测模型,其中,所述活塞异常检测模型包括:两层门限循环网络以及输出层;
通过所述两层门限循环网络对所述第二融合向量进行特征提取,得到第二特征向量;
将所述第二特征向量输入所述输出层进行活塞异常预测分析,得到第二异常检测结果,其中,所述第二异常检测结果包括:活塞的异常类型以及异常原因。
7.根据权利要求1所述的用于对置活塞磁力线性发电机的故障检测方法,其特征在于,所述根据所述第一异常检测结果和所述第二异常检测结果,生成所述对置活塞磁力线性发电机的故障处理方案,包括:
根据所述第一异常检测结果,对起始牌和终止牌进行损坏分析和松动分析,生成起始牌和终止牌的补偿方案;
根据所述第二异常检测结果,对活塞进行参数补偿计算,得到活塞补偿参数;
根据所述起始牌和终止牌的补偿方案以及活塞补偿参数,生成所述对置活塞磁力线性发电机的故障处理方案。
8.一种用于对置活塞磁力线性发电机的故障检测装置,其特征在于,所述用于对置活塞磁力线性发电机的故障检测装置包括:
采集模块,用于对待检测的对置活塞磁力线性发电机进行运行测试,并通过预置的传感器组采集运行测试过程中产生的目标磁场数据以及感应电势数据;
提取模块,用于根据预设的磁场方向,对所述目标磁场数据进行分类提取,得到起始牌的第一磁场数据以及终止牌的第二磁场数据;
构建模块,用于根据所述第一磁场数据和所述第二磁场数据构建目标磁场向量,并对所述感应电势数据进行向量编码,得到目标电势向量;
融合模块,用于基于第一预设权重比例,对所述目标磁场向量和所述目标电势向量进行向量融合,得到第一融合向量,以及基于第二预设权重比例,对所述目标磁场向量和所述目标电势向量进行向量融合,得到第二融合向量;
第一检测模块,用于将所述第一融合向量输入预置的起始牌和终止牌异常检测模型进行起始牌和终止牌异常检测,得到第一异常检测结果;
第二检测模块,用于将所述第二融合向量输入预置的活塞异常检测模型进行活塞异常检测,得到第二异常检测结果;
生成模块,用于根据所述第一异常检测结果和所述第二异常检测结果,生成所述对置活塞磁力线性发电机的故障处理方案。
9.一种用于对置活塞磁力线性发电机的故障检测设备,其特征在于,所述用于对置活塞磁力线性发电机的故障检测设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述用于对置活塞磁力线性发电机的故障检测设备执行如权利要求1-7中任一项所述的用于对置活塞磁力线性发电机的故障检测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述的用于对置活塞磁力线性发电机的故障检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310718504.6A CN116449204B (zh) | 2023-06-16 | 2023-06-16 | 用于对置活塞磁力线性发电机的故障检测方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310718504.6A CN116449204B (zh) | 2023-06-16 | 2023-06-16 | 用于对置活塞磁力线性发电机的故障检测方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116449204A CN116449204A (zh) | 2023-07-18 |
CN116449204B true CN116449204B (zh) | 2023-08-11 |
Family
ID=87125993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310718504.6A Active CN116449204B (zh) | 2023-06-16 | 2023-06-16 | 用于对置活塞磁力线性发电机的故障检测方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116449204B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5113136A (en) * | 1989-01-20 | 1992-05-12 | Fujitsu Limited | Gradiometer apparatus with compensation coils for measuring magnetic fields |
CN107561462A (zh) * | 2017-09-05 | 2018-01-09 | 重庆金山医疗器械有限公司 | 基于变化磁场的胶囊全姿态测定系统及空间磁场检测装置 |
WO2022061402A1 (en) * | 2020-09-22 | 2022-03-31 | Dius Computing Pty Ltd | Methods, systems and devices for monitoring power consumption and generation |
CN114440871A (zh) * | 2021-12-29 | 2022-05-06 | 宜昌测试技术研究所 | 一种基于自适应互补滤波的九轴磁罗盘数据融合方法 |
CN114755581A (zh) * | 2022-06-16 | 2022-07-15 | 德电北斗电动汽车有限公司 | 对置活塞磁力线性发电机的性能参数测试方法及相关装置 |
CN115456054A (zh) * | 2022-08-28 | 2022-12-09 | 华能新能源股份有限公司 | 基于磁流变调谐质量阻尼器的海上风机振动控制系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8324745B2 (en) * | 2009-07-16 | 2012-12-04 | GM Global Technology Operations LLC | Free-piston linear alternator systems and methods |
-
2023
- 2023-06-16 CN CN202310718504.6A patent/CN116449204B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5113136A (en) * | 1989-01-20 | 1992-05-12 | Fujitsu Limited | Gradiometer apparatus with compensation coils for measuring magnetic fields |
CN107561462A (zh) * | 2017-09-05 | 2018-01-09 | 重庆金山医疗器械有限公司 | 基于变化磁场的胶囊全姿态测定系统及空间磁场检测装置 |
WO2022061402A1 (en) * | 2020-09-22 | 2022-03-31 | Dius Computing Pty Ltd | Methods, systems and devices for monitoring power consumption and generation |
CN114440871A (zh) * | 2021-12-29 | 2022-05-06 | 宜昌测试技术研究所 | 一种基于自适应互补滤波的九轴磁罗盘数据融合方法 |
CN114755581A (zh) * | 2022-06-16 | 2022-07-15 | 德电北斗电动汽车有限公司 | 对置活塞磁力线性发电机的性能参数测试方法及相关装置 |
CN115456054A (zh) * | 2022-08-28 | 2022-12-09 | 华能新能源股份有限公司 | 基于磁流变调谐质量阻尼器的海上风机振动控制系统 |
Non-Patent Citations (1)
Title |
---|
发电机线圈轴线磁场漏洞区域检测方法仿真;陆苗霞;;计算机仿真(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116449204A (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Classifying transformer winding deformation fault types and degrees using FRA based on support vector machine | |
CN111695598B (zh) | 一种基于生成对抗网络的监测数据异常诊断方法 | |
CN101614786B (zh) | 基于frft和ifsvc的功率电子电路在线智能故障诊断方法 | |
CN112766342A (zh) | 一种电气设备的异常检测方法 | |
CN111191740B (zh) | 一种滚动轴承故障诊断方法 | |
CN115688018B (zh) | 一种多工况下轴承的状态监测与故障诊断方法 | |
Liu et al. | A two-stage approach for predicting the remaining useful life of tools using bidirectional long short-term memory | |
Baraldi et al. | Reconstruction of missing data in multidimensional time series by fuzzy similarity | |
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 | |
CN109389325B (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
Wen et al. | A new method for identifying the ball screw degradation level based on the multiple classifier system | |
CN116449204B (zh) | 用于对置活塞磁力线性发电机的故障检测方法及相关装置 | |
CN116552306B (zh) | 直流桩的监控系统及其方法 | |
CN113869339A (zh) | 用于故障诊断的深度学习分类模型及故障诊断方法 | |
CN116520068B (zh) | 一种电力数据的诊断方法、装置、设备及存储介质 | |
CN112541524A (zh) | 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法 | |
Liu et al. | Fault diagnosis of complex industrial systems based on multi-granularity dictionary learning and its application | |
CN113255771B (zh) | 基于多维异构差异分析的故障诊断方法及系统 | |
CN103995528B (zh) | 一种功率变换器主电路的智能自修复技术 | |
CN114117923A (zh) | 基于混沌特征空间的高压并联电抗器状态判断系统及方法 | |
CN114964776A (zh) | 基于mse和pso-svm的轮对轴承故障诊断方法 | |
Römgens et al. | On using autoencoders with non-standardized time series data for damage localization | |
Hu et al. | Fault diagnosis for rotor based on multi-sensor information and progressive strategies |
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 |