CN116658413B - 一种液压泵故障检测方法 - Google Patents
一种液压泵故障检测方法 Download PDFInfo
- Publication number
- CN116658413B CN116658413B CN202310954217.5A CN202310954217A CN116658413B CN 116658413 B CN116658413 B CN 116658413B CN 202310954217 A CN202310954217 A CN 202310954217A CN 116658413 B CN116658413 B CN 116658413B
- Authority
- CN
- China
- Prior art keywords
- sample
- hydraulic pump
- time period
- working time
- 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 abstract description 33
- 238000001228 spectrum Methods 0.000 claims abstract description 111
- 239000013598 vector Substances 0.000 claims abstract description 91
- 238000011156 evaluation Methods 0.000 claims abstract description 76
- 238000000034 method Methods 0.000 claims description 51
- 239000000203 mixture Substances 0.000 claims description 26
- 230000005236 sound signal Effects 0.000 claims description 15
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 239000002828 fuel tank Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 12
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
Abstract
本发明属于数据处理技术领域,涉及一种液压泵故障检测方法。包括:获得进油稳定性、油箱温度评价指标、频谱向量和工作状态指标;根据进油稳定性、油箱温度评价指标、工作状态指标和频谱向量,构建各样本液压泵在各样本工作时间段的特征向量;根据油箱温度评价指标和进油稳定性,得到各状态类别对应的各特征向量;根据特征向量,得到各状态类别对应的标准高斯概率密度函数;获得各待判断高斯概率密度函数,根据各待判断高斯概率密度函数与各状态类别对应的标准高斯概率密度函数之间的差异程度,得到待判断液压泵的状态类别。本发明能够提高液压泵故障检测的准确度。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种液压泵故障检测方法。
背景技术
液压泵是液压系统中的关键部件,液压泵一旦出现故障可能会导致液压泵无法使用或者导致液压泵的工作效率降低,因此液压泵的故障检测在工业应用中十分重要。
现有技术中一般基于单一信息或者神经网络和支持向量机来实现对液压泵的故障检测;但是单一信息所反映的液压泵的状态不完整,如仅仅基于液压泵油箱内的温度来实现对液压泵的故障检测时会导致对液压泵故障检测或者识别的准确性较低;而使用神经网络和支持向量机很容易陷入局部最优的情况,即不能保证全局收敛性,因此利用神经网络和支持向量机对液压泵故障检测或者识别的准确性也较低。
发明内容
本发明提供一种液压泵故障检测方法,用于解决现有方法对液压泵的故障进行检测时准确性较低的问题,所采用的技术方案具体如下:
第一方面,本发明实施例提供了一种液压泵故障检测方法,该方法包括如下步骤:
获取各样本液压泵在各样本工作时间段的样本进油速率序列、样本油温序列以及样本频谱信号;
根据所述样本进油速率序列,得到各样本液压泵在各样本工作时间段的进油稳定性;根据所述样本油温序列,得到各样本液压泵在各样本工作时间段的油箱温度评价指标;
根据所述进油稳定性、油箱温度评价指标和样本频谱信号,得到各样本液压泵在各样本工作时间段的工作状态指标;
根据所述样本频谱信号,得到各样本液压泵在各样本工作时间段的频谱向量;
根据各样本液压泵在各样本工作时间段的进油稳定性、油箱温度评价指标、工作状态指标和频谱向量,构建各样本液压泵在各样本工作时间段的特征向量;
根据所述油箱温度评价指标和进油稳定性,得到各状态类别对应的各特征向量;
根据所述特征向量,得到各状态类别对应的标准高斯概率密度函数;
获取待判断液压泵在当前工作时间段的特征向量以及待判断液压泵在各历史工作时间段的历史特征向量;根据待判断液压泵在当前工作时间段的特征向量和各历史特征向量,得到待判断液压泵在当前工作时间段的待判断高斯混合模型和待判断高斯混合模型对应的各待判断高斯概率密度函数;
计算得到各待判断高斯概率密度函数与各状态类别对应的标准高斯概率密度函数之间的差异程度;根据所述差异程度,得到待判断液压泵在当前工作时间段的状态类别。
优选的,对于任一样本液压泵,根据如下公式计算该样本液压泵在任一样本工作时间段的进油稳定性:
其中,Q为该样本液压泵在该样本工作时间段的进油稳定性,mean( )为取均值函数,abs( )为取绝对值函数,e为自然常数,为该样本液压泵在该样本工作时间段的样本进油速率序列中的第i个采集时刻对应的样本进油速率,/>为该样本液压泵在该样本工作时间段的样本进油速率序列中的第i-1个采集时刻对应的样本进油速率,I为样本进油速率序列中的采集时刻总数量。
优选的,得到各样本液压泵在各样本工作时间段的油箱温度评价指标的方法,包括:
对于任一样本液压泵,根据如下公式计算该样本液压泵在任一样本工作时间段的油箱温度评价指标:
其中,为该样本液压泵在该样本工作时间段的油箱温度评价指标,tanh( )为双曲正切函数,/>为该样本液压泵在该样本工作时间段的特征评价指标,I为样本油温序列中的采集时刻总数量,/>为该样本液压泵在该样本工作时间段的样本油温序列中的第i个采集时刻对应的样本油温,/>为液压泵的标准油温。
优选的,根据如下公式计算该样本液压泵在任一样本工作时间段的工作状态指标:
其中,为该样本液压泵在该样本工作时间段的工作状态指标,Similarity( )为余弦相似度函数,mean( )为取均值函数,Max( )为取最大值函数,/>为该样本液压泵在该样本工作时间段的样本频谱信号,/>为液压泵的标准频谱信号,/>为该样本液压泵在该样本工作时间段的进油稳定性,/>为该样本液压泵在该样本工作时间段的油箱温度评价指标,/>为该样本液压泵在该样本工作时间段的样本进油速率序列,/>为该样本液压泵在该样本工作时间段的样本频谱信号与液压泵的标准频谱信号之间的余弦相似度,为该样本液压泵在该样本工作时间段的样本进油速率序列中的最大值,/>为该样本液压泵在该样本工作时间段的样本进油速率序列的均值。
优选的,得到各样本液压泵在各样本工作时间段的频谱向量的方法,包括:
对于任一样本频谱信号:
按照幅值从大到小的顺序对该样本频谱信号上的各数据点进行排序,并将排序后前预设数量的数据点对应的频谱信号记为该样本频谱信号对应的目标频谱信号;
根据该样本频谱信号对应的目标频谱信号上的各数据点的频率和幅值,构建得到该样本频谱信号对应的频谱向量。
优选的,得到各状态类别对应的各特征向量的方法,包括:
根据油箱温度评价指标和进油稳定性的取值范围,划分得到各油箱温度评价指标区间和各进油稳定性区间;根据各油箱温度评价指标区间和各进油稳定性区间,得到各状态类别对应的油箱温度评价指标区间和进油稳定性区间;
对于任一样本液压泵和任一样本工作时间段:
当该样本液压泵在该样本工作时间段的油箱温度评价指标和进油稳定性均处于任一状态类别对应的油箱温度评价指标区间和进油稳定性区间时,则该样本液压泵在该样本工作时间段的状态类别为对应的状态类别,并将该样本液压泵在该样本工作时间段的特征向量记为该状态类别对应的特征向量。
优选的,得到各状态类别对应的标准高斯概率密度函数的方法,包括:
对各状态类别对应的各特征向量进行高斯混合模型训练,得到各状态类别对应的基本高斯概率密度函数;
选用最大期望迭代法对高斯混合模型进行参数估计,将利用最大期望迭代法对高斯混合模型进行参数估计后的各基本高斯密度函数记为标准高斯概率密度函数。
优选的,得到待判断液压泵在当前工作时间段的状态类别的方法,包括:
对于任意一个待判断高斯概率密度函数和任意一个状态类别对应的标准高斯概率密度函数:计算该待判断高斯概率密度函数与该状态类别对应的标准高斯概率密度函数之间的KL散度,并记为该待判断高斯概率密度函数与该状态类别对应的标准高斯概率密度函数之间的差异程度;
选取所述差异程度最小的标准高斯概率密度函数对应的状态类别作为当前工作时间段对应的待判断液压泵的状态类别。
优选的,获取各样本液压泵在各样本工作时间段的样本频谱信号的方法,包括:
利用传感器采集各样本液压泵在各样本工作时间段的声音信号;
通过傅里叶变换,将所述声音信号转化为频谱信号,得到所述声音信号对应的频谱信号,记为样本频谱信号,所述频谱信号的横坐标为频率,纵坐标为幅值。
本发明首先获取各样本液压泵在各样本工作时间段的样本进油速率序列、样本油温序列以及样本频谱信号,并通过对样本进油速率序列、样本油温序列以及样本频谱信号进行分析,得到各样本液压泵在各样本工作时间段的进油稳定性、油箱温度评价指标、工作状态指标和频谱向量;所述进油稳定性、油箱温度评价指标、工作状态指标和频谱向量主要用于各样本液压泵在各样本工作时间段的状态类别的判定和特征向量的构建。然后根据进油稳定性、油箱温度评价指标、工作状态指标和频谱向量,构建各样本液压泵在各样本工作时间段的特征向量,并依据油箱温度评价指标和进油稳定性,得到各状态类别对应的各特征向量;并且构建特征向量的多个参数均能反映液压泵的工作状态,因此基于多维度数据构建的特征向量参考价值更高。紧接着基于大量的特征向量获取标准高斯概率密度函数,基于大量的样本数据获取的标准高斯概率密度函数更加可靠,能够提高后续对当前工作时间段对应的待判断液压泵故障的检测精度。最后依据待判断液压泵在当前工作时间段的各待判断高斯概率密度函数与各状态类别对应的标准高斯概率密度函数之间的差异程度实现了待判断液压泵在当前工作时间段的状态类别的判定,进而实现了待判断液压泵的故障检测。本发明提供的液压泵故障检测方法是通过多维度的信息来分析液压泵故障,进而避免了现有技术中基于单一信息对液压泵故障进行检测时准确度和可靠度较低的问题,并且本发明是基于高斯混合模型来实现对液压泵故障的识别,进而避免了现有技术中神经网络和支持向量机很容易陷入局部最优而导致的对液压泵的故障进行检测时准确度和可靠度较低的问题,因此本发明提供的液压泵故障方法能够提高对液压泵故障检测的准确度和可靠度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一种液压泵故障检测方法的流程图;
图2为本发明的各状态类别对应的区间范围示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,基于本发明实施例,本领域普通技术人员所获得的所有其它实施例,都属于本发明实施例保护的范围。
除非另有定义,本文所使用的所有的技术和科学技术术语与属于本发明的技术人员通常理解的含义相同。
本实施例提供了一种液压泵故障检测方法,详细说明如下:
如图1所示,该液压泵故障检测方法,包括以下步骤:
步骤S001,获取各样本液压泵在各样本工作时间段的样本进油速率序列、样本油温序列以及样本频谱信号。
由于液压泵的故障检测在工业应用中十分重要,而现有技术中的液压泵的故障检测存在准确性和可靠性较低的问题,因此本实施例提供了一种液压泵故障检测方法,该方法主要根据各样本液压泵在各样本工作时间段的样本进油速率序列、样本油温序列以及样本频谱信号得到各标准高斯概率密度函数,后续依据待判断液压泵的高斯概率密度函数与各标准高斯概率密度函数之间的差异,确定待判断液压泵的状态类别,所述状态类别包括第一状态类别、第二状态类别、第三状态类别、第四状态类别、第五状态类别和第六状态类别,第一状态类别为正常状态,即液压泵处于正常的工作状态;第二状态类别为内泄故障,即液压泵工作过程中存在内泄故障;第三状态类别为配流盘故障,即液压泵工作过程中存在配流盘故障;第四状态类别为漏气状态,即液压泵工作过程中存在漏气异常;第五状态类别为吸空状态,即液压泵工作过程中存在吸空状态;第六状态类别为其它故障。因此该方法克服了基于单一信息以及使用神经网络和支持向量机对液压泵故障或者异常进行识别时可靠性和准确性较低的问题,即该方法能提高检测的精度,能够及时检测到液压泵是否发生故障,并能够识别出故障类型。
本实施例为了保证最后得到的标准高斯概率密度函数的准确度和可靠度,需要采集大量的样本数据,即本实施例将采集各样本液压泵在各样本工作时间段的样本进油速率序列、样本油温序列以及样本频谱信号;所述各样本液压泵均为同一种液压泵;具体获取过程为:
由于液压泵在工作时,其进油速度稳定于一个值,如果小于稳定状态,在一定程度上可以说明液压泵的滤油器或者进油管道出现了堵塞,因此液压泵的进油速率能反映液压泵的状态。
本实施例在各样本液压泵进油处安装液体流量计,然后利用液体流量计测量各样本液压泵在各样本工作时间段中的各采集时刻的进油速率,记为样本进油速率;根据各样本液压泵在各样本工作时间段中的各采集时刻的进油速率,构建得到各样本液压泵在各样本工作时间段的样本进油速率序列;具体应用中采集频率和样本工作时间段的时间长度可以根据实际情况设置,本实施例中设置采集频率为5Hz,即0.2s采集一次,设置样本工作时间段的时间长度为10s;利用液体流量计采集进油速率为公知技术,因此不再详细描述。
由于当油箱内的油温比较低时,油液粘稠度比较高,进油会比较缓慢,会导致液压泵的滤油器或者进油管道出现堵塞的情况,即会使液压泵出现异常;当油箱内的油温比较高时,油液黏度下降,导致泄漏增加,从而降低了容积效率,甚至会影响工作机构的正常运动,即也会使液压泵出现异常;因此油箱内的油温也可以反映液压泵的状态。
因此本实施例利用温度传感器采集各样本液压泵在各样本工作时间段中的各采集时刻的样本液压泵油箱内的温度,记为样本油温;根据各样本液压泵在各样本工作时间段中的各采集时刻的样本油温,构建得到各样本液压泵在各样本工作时间段的样本油温序列;采集频率与上述进油速率的采集频率相同,样本工作时间段均为10s;利用温度传感器采集温度为公知技术,因此不再详细描述。
由于当液压泵的滤油器发生堵塞时,会出现液压泵供油不足,形成气体空穴,发出噪声的现象,因此可以依据液压泵工作时的声音信号,反映滤油器的堵塞状况,即液压泵工作时的声音信号能反映液压泵的异常状况,并且本实施例中不考虑其它因素对声音信号的影响;因此本实施例在液压泵上安装MEMS麦克风传感器,利用MEMS麦克风传感器采集各样本液压泵在各样本工作时间段的声音信号,所述声音信号的时间长度与样本进油速率序列和样本油温序列的时间长度相同,即声音信号对应的样本工作时间段也为10s;然后通过快速傅里叶变化,将声音信号转化为频谱信号,得到声音信号对应的频谱信号,记为样本频谱信号,所述频谱信号的横坐标为频率,纵坐标为幅值;依据声音信号得到频谱信号为公知技术,因此不再详细描述。
至此,完成了对各样本液压泵在各样本工作时间段的样本进油速率序列、样本油温序列以及样本频谱信号的获取。
步骤S002,根据所述样本进油速率序列,得到各样本液压泵在各样本工作时间段的进油稳定性;根据所述样本油温序列,得到各样本液压泵在各样本工作时间段的油箱温度评价指标。
紧接着对样本进油速率序列、样本油温序列以及样本频谱信号进行分析,分析的结果为后续构建特征向量的依据;具体为:
由于液压泵在工作时,其进油速度稳定于一个值,因此样本进油速率序列中相邻采集时刻之间的差异能反映样本液压泵的进油稳定性;进而本实施例根据各样本液压泵在各样本工作时间段的样本进油速率序列中各采集时刻对应的样本进油速率,得到各样本液压泵在各样本工作时间段的进油稳定性;对于任一样本液压泵,根据如下公式计算该样本液压泵在任一样本工作时间段的进油稳定性:
其中,Q为该样本液压泵在该样本工作时间段的进油稳定性,mean( )为取均值函数,abs( )为取绝对值函数,e为自然常数,为该样本液压泵在该样本工作时间段的样本进油速率序列中的第i个采集时刻对应的样本进油速率,/>为该样本液压泵在该样本工作时间段的样本进油速率序列中的第i-1个采集时刻对应的样本进油速率,I为样本进油速率序列中的采集时刻总数量;Q越大,即Q越接近于1,表明该样本液压泵在该样本工作时间段的进油状态越稳定,出现故障的概率越小;Q越小,表明该样本液压泵在该样本工作时间段的进油状态越不稳定;/>与/>之间的差异越大,/>越小。
由于液压泵油箱内的温度也能反映液压泵的工作状态,因此本实施例首先获取液压泵油箱内的正常温度区间,所述正常温度一般在15摄氏度到65摄氏度之间,本实施例将40摄氏度作为液压泵油箱内的正常温度,记为液压泵的标准油温;当采集的各样本油温与标准油温差异越大时,表明油箱内的温度越异常,液压泵出现故障的概率越大;因此本实施例根据各样本液压泵在各样本工作时间段的样本油温序列和液压泵的标准油温,得到各样本液压泵在各样本工作时间段的油箱温度评价指标;对于任一样本液压泵,根据如下公式计算该样本液压泵在任一样本工作时间段的油箱温度评价指标:
其中,为该样本液压泵在该样本工作时间段的油箱温度评价指标,tanh( )为双曲正切函数,/>为该样本液压泵在该样本工作时间段的特征评价指标,I为样本油温序列中的采集时刻总数量,/>为该样本液压泵在该样本工作时间段的样本油温序列中的第i个采集时刻对应的样本油温,/>为液压泵的标准油温,I为样本进油速率序列中的采集时刻总数量。
当的取值范围在[0,25]时,表明/>在正常范围内,当/>的取值范围不属于[0,25]时,表明/>不在正常范围内,因此tanh( )函数是为了使得取值范围在[0,25]范围内的P值对应W的值趋近于1,使得取值范围不在[0,25]范围内的P值对应W的值趋近于0;因此当W的值越趋近于1时,表明该样本液压泵在该样本工作时间段的油箱温度处于正常范围内;当W的值越趋近于0时,表明该样本液压泵在该样本工作时间段的油箱温度不处于正常范围内,即该样本工作时间段内该样本液压泵出现故障的概率更大;/>与/>之间的差异越大,表明/>的值越大,即表明液压泵油箱内的温度越不正常,即液压泵出现故障的概率越大。
至此,得到了各样本液压泵在各样本工作时间段的进油稳定性和油箱温度评价指标;且进油稳定性和油箱温度评价指标主要用于后续特征向量的构建和状态类别的获取。
步骤S003,根据所述进油稳定性、油箱温度评价指标和样本频谱信号,得到各样本液压泵在各样本工作时间段的工作状态指标。
紧接着对进油稳定性、油箱温度评价指标和样本频谱信号进行分析,得到各样本液压泵在各样本工作时间段的工作状态指标,所述工作状态指标可以反应样本液压泵在对应的样本工作时间段内的状态类别,且所述工作状态指标也将用于后续特征向量的构建;具体过程为:
由于进油稳定性、油箱温度评价指标和样本频谱信号均能反映液压泵的工作状态,且当样本频谱信号与液压泵处于正常状态时的频谱信号越相似,表明状态越正常,因此本实施例首先获取液压泵处于正常状态时的频谱信号,记为液压泵的标准频谱信号;根据各样本液压泵在各样本工作时间段的进油稳定性、油箱温度评价指标、样本频谱信号和液压泵的标准频谱信号,得到各样本液压泵在各样本工作时间段的工作状态指标;对于任一样本液压泵,根据如下公式计算该样本液压泵在任一样本工作时间段的工作状态指标:
其中,为该样本液压泵在该样本工作时间段的工作状态指标,Similarity( )为余弦相似度函数,mean( )为取均值函数,Max( )为取最大值函数,/>为该样本液压泵在该样本工作时间段的样本频谱信号,/>为液压泵的标准频谱信号,/>为该样本液压泵在该样本工作时间段的进油稳定性,/>为该样本液压泵在该样本工作时间段的油箱温度评价指标,/>为该样本液压泵在该样本工作时间段的样本进油速率序列,/>为该样本液压泵在该样本工作时间段的样本频谱信号与液压泵的标准频谱信号之间的余弦相似度,为该样本液压泵在该样本工作时间段的样本进油速率序列中的最大值,/>为该样本液压泵在该样本工作时间段的样本进油速率序列的均值。
越小,即越接近于0,表明该样本液压泵在该样本工作时间段的工作状态越正常,反之,表明该样本液压泵在该样本工作时间段的工作状态越异常,即液压泵出现故障的概率越大;/>越大,/>越大,/>越大,/>越大,则/>越小。
至此,得到了各样本液压泵在各样本工作时间段的工作状态指标,所述工作状态指标将用于特征向量的构建。
步骤S004,根据所述样本频谱信号,得到各样本液压泵在各样本工作时间段的频谱向量;根据各样本液压泵在各样本工作时间段的进油稳定性、油箱温度评价指标、工作状态指标和频谱向量,构建各样本液压泵在各样本工作时间段的特征向量。
为了使得后续获取的标准高斯概率密度函数的可靠性更高,本实施例基于多种信息,构建特征向量,基于多种信息构建的特征向量可以使得后续得到的各状态类别对应的标准高斯概率密度函数的可靠性更高;由于采集的频谱信号所包含的信息比较多,并且部分信息对后续的分析价值较小,因此为了减少计算量,需要对样本频谱信号进行分析,去除一些无用的信息;对于任一样本频谱信号:按照幅值从大到小的顺序对该样本频谱信号中的各数据点进行排序,并将排序后前预设数量的数据点对应的频谱信号记为该样本频谱信号对应的目标频谱信号,每个数据点分别对应一个频率和该频率对应的幅值;根据该样本频谱信号对应的目标频谱信号中各数据点的频率和幅值,构建得到该样本频谱信号对应的频谱向量,所述频谱向量中的奇数位为频率,偶数位为幅值,如该样本频谱信号对应的频谱向量中的第1个参数为该样本频谱信号上的第1个数据点的频率,该样本频谱信号频谱向量中的第2个参数为该样本频谱信号上的第1个数据点的幅值,所述频谱向量能表征液压泵工作时的声音特征,因此频谱向量既能减少后续获取高斯概率密度函数的计算量,还能提高判断速率;具体应用中可以根据实际情况的不同来设置预设数量的值,本实施例将预设数量的值设置为10,则频谱向量中参数的数量为20。
因此通过上述过程可知任一样本液压泵在任一样本工作时间段会对应一个进油稳定性、一个油箱温度评价指标、一个工作状态指标以及一个频谱向量;接下来根据各样本液压泵在各样本工作时间段的进油稳定性、油箱温度评价指标、工作状态指标和频谱向量,构建各样本液压泵在各样本工作时间段的特征向量;所述特征向量主要用于后续标准高斯概率密度函数的获取。
步骤S005,根据所述油箱温度评价指标和进油稳定性,得到各状态类别对应的各特征向量。
紧接着分析各样本液压泵在各样本工作时间段的状态类别,根据分析的结果确定各状态类别对应的各特征向量,目的是为了后续获取标准高斯概率密度函数;并且本实施例对不同样本工作时间段的多个样本液压泵进行分析获取的标准高斯概率密度函数准确性更高,且参考价值也更大;具体为:
由于油箱温度评价指标和进油稳定性均能反映各样本液压泵在各样本工作时间段的状态类别,因此本实施例首先根据进油稳定性和油箱温度评价指标的取值范围,划分得到各油箱温度评价指标区间和各进油稳定性区间;并根据各油箱温度评价指标区间和各进油稳定性区间,得到各状态类别对应的油箱温度评价指标区间和进油稳定性区间;所述油箱温度评价指标和进油稳定性的取值范围均为0到1;并且具体应用中可以根据实际情况划分区间,以及可以根据实际情况确定各状态类别对应的区间范围;本实施例设置第一状态类别对应的进油稳定性区间和油箱温度评价指标区间分别为(0.6,1]和(0.9,1];设置第二状态类别对应的进油稳定性区间和油箱温度评价指标区间分别为[0,0.4)和[0.7,0.8);设置第三状态类别对应的进油稳定性区间和油箱温度评价指标区间分别为[0.4,0.5)和[0,0.7);设置第四状态类别对应的进油稳定性区间和油箱温度评价指标区间分别为[0.5,1]和[0,0.9],[0.4,0.5]和[0.7,0.9],[0,0.4]和[0.8,0.9];设置第五状态类别对应的进油稳定性区间和油箱温度评价指标区间分别为[0,0.6]和(0.9,1];设置第六状态类别对应的进油稳定性区间和油箱温度评价指标区间分别为[0,0.7)和[0,0.4);如图2所示,图2为各状态类别对应的区间范围示意图,图中的横坐标为油箱温度评价指标,纵坐标为进油稳定性。
对于任一样本液压泵和任一样本工作时间段:
当该样本液压泵在该样本工作时间段的进油稳定性和油箱温度评价指标均处于任一状态类别对应的进油稳定性区间和油箱温度评价指标区间时,则该样本液压泵在该样本工作时间段的状态类别为对应的状态类别,并将该样本液压泵在该样本工作时间段的特征向量记为该状态类别对应的特征向量。
至此,得到了各状态类别对应的各特征向量。
步骤S006,根据所述特征向量,得到各状态类别对应的标准高斯概率密度函数;获取待判断液压泵在当前工作时间段的特征向量以及待判断液压泵在各历史工作时间段的历史特征向量;根据待判断液压泵在当前工作时间段的特征向量和各历史特征向量,得到待判断液压泵在当前工作时间段的待判断高斯混合模型和待判断高斯混合模型对应的各待判断高斯概率密度函数;计算得到各待判断高斯概率密度函数与各状态类别对应的标准高斯概率密度函数之间的差异程度;根据所述差异程度,得到待判断液压泵在当前工作时间段的状态类别。
由于本实施例主要基于各状态类别对应的标准高斯概率密度函数与待判断液压泵在当前工作时间段的各待判断高斯概率密度函数之间的差异来获取待判断液压泵在当前工作时间段的状态类别,并依据待判断液压泵在当前工作时间段的状态类别可以判断待判断液压泵在当前工作时间段内是否出现了故障,以及出现的故障类别;具体为:
基于各状态类别对应的各特征向量进行高斯混合模型训练,在m维的特征空间内,每个基本高斯概率密度函数为:
其中,为基本高斯概率密度函数,/>为均值向量,/>为协方差矩阵,/>为特征向量,T为矩阵的转置;需要说明的是,高斯混合模型为将观测到的数据视为若干个高斯密度函数的线性组合,如下式所示:
其中,为高斯混合模型,k表示基本高斯密度函数的个数,/>为高斯混合模型对应的第j个基本高斯概率密度函数,/>为第j个高斯成分的混合系数,也为权重,且权重的和为1。
由于本实施例中仅仅对6种状态类别进行分析,因此高斯混合模型为6个基本高斯概率密度函数线性组合,即k=6,一种状态类别对应一个高斯概率密度函数;然后选用最大期望迭代法对上述高斯混合模型进行参数估计,采用最大期望迭代法的目的是得到均值μ、协方差Σ和混合系数α等参数的最大化似然估计,此过程为公知技术,因此不再详细描述。
然后将利用最大期望迭代法对高斯混合模型进行参数估计后的各基本高斯密度函数记为标准高斯概率密度函数。因此得到了各状态类别对应的标准高斯概率密度函数;后续将利用标准高斯概率密度函数来实现待判断液压泵在当前工作时间段的故障检测,并且本实施例利用标准高斯概率密度函数对待判断液压泵进行故障识别,而不是仅仅通过液压泵的进油稳定性和油箱温度评价指标来实现故障的识别,是因为进油稳定性和油箱温度评价指标只能对比较明显的状态进行判断,或者只能对比较明显的异常类型进行识别,对于不太明显的状态类型会出现检测错误的现象,而高斯混合模型是一个概率统计模型,是通过大量的数据训练得到的模型,可以避免上述存在的问题,因此基于高斯混合模对液压泵的故障进行识别更加可靠。
紧接着按照上述获取各样本液压泵在各样本工作时间段的特征向量的过程获取待判断液压泵在当前工作时间段的特征向量以及待判断液压泵在各历史工作时间段的历史特征向量;根据待判断液压泵在当前工作时间段的特征向量和各历史特征向量,得到待判断液压泵在当前工作时间段的待判断高斯混合模型和待判断高斯混合模型对应的各待判断高斯概率密度函数;基于向量拟合得到高斯混合模型的过程为公知技术,因此本实施例不再详细描述。
然后计算各待判断高斯概率密度函数与各状态类别对应的标准高斯概率密度函数之间的KL散度,即计算任意一个待判断高斯概率密度函数与任意一个状态类别对应的标准高斯概率密度函数之间的KL散度,将结果记为该待判断高斯概率密度函数与该状态类别对应的标准高斯概率密度函数之间的差异程度;且高斯概率密度函数之间的KL散度的计算过程为公知技术,因此不再详细描述;由于KL散度可以表明待判断高斯概率密度函数与各状态类别对应的标准高斯概率密度函数之间的差异,且KL距离的值越大表明两个概率密度函数之间越不相似,因此选取差异程度最小的标准高斯概率密度函数对应的状态类别作为当前工作时间段对应的待判断液压泵的状态类别;如第一个状态类别(正常状态)对应的标准高斯概率密度函数与待判断高斯概率密度函数之间的差异最小,则表明待判断液压泵在当前工作时间段内处于正常运行,没有出现故障;因此本实施例实现了对待判断液压泵的故障检测。
本实施例首先获取各样本液压泵在各样本工作时间段的样本进油速率序列、样本油温序列以及样本频谱信号,并通过对样本进油速率序列、样本油温序列以及样本频谱信号进行分析,得到各样本液压泵在各样本工作时间段的进油稳定性、油箱温度评价指标、工作状态指标和频谱向量;所述进油稳定性、油箱温度评价指标、工作状态指标和频谱向量主要用于各样本液压泵在各样本工作时间段的状态类别的判定和特征向量的构建。然后根据进油稳定性、油箱温度评价指标、工作状态指标和频谱向量,构建各样本液压泵在各样本工作时间段的特征向量,并依据油箱温度评价指标和进油稳定性,得到各状态类别对应的各特征向量;并且构建特征向量的多个参数均能反映液压泵的工作状态,因此基于多维度数据构建的特征向量参考价值更高。紧接着基于大量的特征向量获取标准高斯概率密度函数,基于大量的样本数据获取的标准高斯概率密度函数更加可靠,能够提高后续对当前工作时间段对应的待判断液压泵故障的检测精度。最后依据待判断液压泵在当前工作时间段的各待判断高斯概率密度函数与各状态类别对应的标准高斯概率密度函数之间的差异程度实现了待判断液压泵在当前工作时间段的状态类别的判定,进而实现了待判断液压泵的故障检测。本实施例提供的液压泵故障检测方法是通过多维度的信息来分析液压泵故障,进而避免了现有技术中基于单一信息对液压泵故障进行检测时准确度和可靠度较低的问题,并且本实施例是基于高斯混合模型来实现对液压泵故障的识别,进而避免了现有技术中神经网络和支持向量机很容易陷入局部最优而导致的对液压泵的故障进行检测时准确度和可靠度较低的问题,因此本发明提供的液压泵故障方法能够提高对液压泵故障检测的准确度和可靠度。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (6)
1.一种液压泵故障检测方法,其特征在于,该方法包括如下步骤:
获取各样本液压泵在各样本工作时间段的样本进油速率序列、样本油温序列以及样本频谱信号;
根据所述样本进油速率序列,得到各样本液压泵在各样本工作时间段的进油稳定性;根据所述样本油温序列,得到各样本液压泵在各样本工作时间段的油箱温度评价指标;
根据所述进油稳定性、油箱温度评价指标和样本频谱信号,得到各样本液压泵在各样本工作时间段的工作状态指标;
根据所述样本频谱信号,得到各样本液压泵在各样本工作时间段的频谱向量;
根据各样本液压泵在各样本工作时间段的进油稳定性、油箱温度评价指标、工作状态指标和频谱向量,构建各样本液压泵在各样本工作时间段的特征向量;
根据所述油箱温度评价指标和进油稳定性,得到各状态类别对应的各特征向量;
根据所述特征向量,得到各状态类别对应的标准高斯概率密度函数;
获取待判断液压泵在当前工作时间段的特征向量以及待判断液压泵在各历史工作时间段的历史特征向量;根据待判断液压泵在当前工作时间段的特征向量和各历史特征向量,得到待判断液压泵在当前工作时间段的待判断高斯混合模型和待判断高斯混合模型对应的各待判断高斯概率密度函数;
计算得到各待判断高斯概率密度函数与各状态类别对应的标准高斯概率密度函数之间的差异程度;根据所述差异程度,得到待判断液压泵在当前工作时间段的状态类别;
对于任一样本液压泵,根据如下公式计算该样本液压泵在任一样本工作时间段的进油稳定性:
其中,Q为该样本液压泵在该样本工作时间段的进油稳定性,mean( )为取均值函数,abs( )为取绝对值函数,e为自然常数,为该样本液压泵在该样本工作时间段的样本进油速率序列中的第i个采集时刻对应的样本进油速率,/>为该样本液压泵在该样本工作时间段的样本进油速率序列中的第i-1个采集时刻对应的样本进油速率,I为样本进油速率序列中的采集时刻总数量;
得到各样本液压泵在各样本工作时间段的油箱温度评价指标的方法,包括:
对于任一样本液压泵,根据如下公式计算该样本液压泵在任一样本工作时间段的油箱温度评价指标:
其中,为该样本液压泵在该样本工作时间段的油箱温度评价指标,tanh( )为双曲正切函数,/>为该样本液压泵在该样本工作时间段的特征评价指标,I为样本油温序列中的采集时刻总数量,/>为该样本液压泵在该样本工作时间段的样本油温序列中的第i个采集时刻对应的样本油温,/>为液压泵的标准油温,I为样本进油速率序列中的采集时刻总数量;
对于任一样本液压泵,根据如下公式计算该样本液压泵在任一样本工作时间段的工作状态指标:
其中,为该样本液压泵在该样本工作时间段的工作状态指标,Similarity( )为余弦相似度函数,mean( )为取均值函数,Max( )为取最大值函数,/>为该样本液压泵在该样本工作时间段的样本频谱信号,/>为液压泵的标准频谱信号,/>为该样本液压泵在该样本工作时间段的进油稳定性,/>为该样本液压泵在该样本工作时间段的油箱温度评价指标,/>为该样本液压泵在该样本工作时间段的样本进油速率序列,/>为该样本液压泵在该样本工作时间段的样本频谱信号与液压泵的标准频谱信号之间的余弦相似度,为该样本液压泵在该样本工作时间段的样本进油速率序列中的最大值,/>为该样本液压泵在该样本工作时间段的样本进油速率序列的均值。
2.如权利要求1所述的一种液压泵故障检测方法,其特征在于,得到各样本液压泵在各样本工作时间段的频谱向量的方法,包括:
对于任一样本频谱信号:
按照幅值从大到小的顺序对该样本频谱信号上的各数据点进行排序,并将排序后前预设数量的数据点对应的频谱信号记为该样本频谱信号对应的目标频谱信号;
根据该样本频谱信号对应的目标频谱信号上的各数据点的频率和幅值,构建得到该样本频谱信号对应的频谱向量。
3.如权利要求1所述的一种液压泵故障检测方法,其特征在于,得到各状态类别对应的各特征向量的方法,包括:
根据油箱温度评价指标和进油稳定性的取值范围,划分得到各油箱温度评价指标区间和各进油稳定性区间;根据各油箱温度评价指标区间和各进油稳定性区间,得到各状态类别对应的油箱温度评价指标区间和进油稳定性区间;
对于任一样本液压泵和任一样本工作时间段:
当该样本液压泵在该样本工作时间段的油箱温度评价指标和进油稳定性均处于任一状态类别对应的油箱温度评价指标区间和进油稳定性区间时,则该样本液压泵在该样本工作时间段的状态类别为对应的状态类别,并将该样本液压泵在该样本工作时间段的特征向量记为该状态类别对应的特征向量。
4.如权利要求1所述的一种液压泵故障检测方法,其特征在于,得到各状态类别对应的标准高斯概率密度函数的方法,包括:
对各状态类别对应的各特征向量进行高斯混合模型训练,得到各状态类别对应的基本高斯概率密度函数;
选用最大期望迭代法对高斯混合模型进行参数估计,将利用最大期望迭代法对高斯混合模型进行参数估计后的各基本高斯密度函数记为标准高斯概率密度函数。
5.如权利要求1所述的一种液压泵故障检测方法,其特征在于,得到待判断液压泵在当前工作时间段的状态类别的方法,包括:
对于任意一个待判断高斯概率密度函数和任意一个状态类别对应的标准高斯概率密度函数:计算该待判断高斯概率密度函数与该状态类别对应的标准高斯概率密度函数之间的KL散度,并记为该待判断高斯概率密度函数与该状态类别对应的标准高斯概率密度函数之间的差异程度;
选取所述差异程度最小的标准高斯概率密度函数对应的状态类别作为当前工作时间段对应的待判断液压泵的状态类别。
6.如权利要求1所述的一种液压泵故障检测方法,其特征在于,获取各样本液压泵在各样本工作时间段的样本频谱信号的方法,包括:
利用传感器采集各样本液压泵在各样本工作时间段的声音信号;
通过傅里叶变换,将所述声音信号转化为频谱信号,得到所述声音信号对应的频谱信号,记为样本频谱信号,所述频谱信号的横坐标为频率,纵坐标为幅值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310954217.5A CN116658413B (zh) | 2023-08-01 | 2023-08-01 | 一种液压泵故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310954217.5A CN116658413B (zh) | 2023-08-01 | 2023-08-01 | 一种液压泵故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116658413A CN116658413A (zh) | 2023-08-29 |
CN116658413B true CN116658413B (zh) | 2023-10-03 |
Family
ID=87722878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310954217.5A Active CN116658413B (zh) | 2023-08-01 | 2023-08-01 | 一种液压泵故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116658413B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018193896A (ja) * | 2017-05-16 | 2018-12-06 | コベルコ建機株式会社 | 油圧ポンプ異常診断装置 |
CN111931827A (zh) * | 2020-07-22 | 2020-11-13 | 上海交通大学 | 基于多传感器信息融合的液压泵健康状况检测系统 |
CN111963415A (zh) * | 2020-07-15 | 2020-11-20 | 国营芜湖机械厂 | 一种液压柱塞泵的故障诊断方法及系统 |
CN112049787A (zh) * | 2019-10-25 | 2020-12-08 | 华北电力大学(保定) | 一种非接触式水泵故障检测方法及系统 |
CN114239161A (zh) * | 2021-11-29 | 2022-03-25 | 武汉欧格莱液压动力设备有限公司 | 一种液压元件的机械状态检测方法 |
CN114934898A (zh) * | 2022-07-25 | 2022-08-23 | 启东市申力高压油泵厂 | 基于多模态参数的液压泵故障诊断分析系统 |
CN114936722A (zh) * | 2022-07-21 | 2022-08-23 | 启东万惠机械制造有限公司 | 基于计算机辅助的液压泵滤油器清洗时间预测方法 |
CN115326147A (zh) * | 2022-10-17 | 2022-11-11 | 江苏煵笙重工有限公司 | 一种船舶用脱硫塔实时监测方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4542819B2 (ja) * | 2004-05-21 | 2010-09-15 | 株式会社小松製作所 | 油圧機械、油圧機械の健康状態を監視するためのシステム及び方法 |
KR20230072255A (ko) * | 2021-11-17 | 2023-05-24 | 엔셀 주식회사 | 진공펌프의 고장 진단 시스템 |
-
2023
- 2023-08-01 CN CN202310954217.5A patent/CN116658413B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018193896A (ja) * | 2017-05-16 | 2018-12-06 | コベルコ建機株式会社 | 油圧ポンプ異常診断装置 |
CN112049787A (zh) * | 2019-10-25 | 2020-12-08 | 华北电力大学(保定) | 一种非接触式水泵故障检测方法及系统 |
CN111963415A (zh) * | 2020-07-15 | 2020-11-20 | 国营芜湖机械厂 | 一种液压柱塞泵的故障诊断方法及系统 |
CN111931827A (zh) * | 2020-07-22 | 2020-11-13 | 上海交通大学 | 基于多传感器信息融合的液压泵健康状况检测系统 |
CN114239161A (zh) * | 2021-11-29 | 2022-03-25 | 武汉欧格莱液压动力设备有限公司 | 一种液压元件的机械状态检测方法 |
CN114936722A (zh) * | 2022-07-21 | 2022-08-23 | 启东万惠机械制造有限公司 | 基于计算机辅助的液压泵滤油器清洗时间预测方法 |
CN114934898A (zh) * | 2022-07-25 | 2022-08-23 | 启东市申力高压油泵厂 | 基于多模态参数的液压泵故障诊断分析系统 |
CN115326147A (zh) * | 2022-10-17 | 2022-11-11 | 江苏煵笙重工有限公司 | 一种船舶用脱硫塔实时监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116658413A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107228913B (zh) | 一种变压器故障类型的状态诊断系统 | |
CN113569338B (zh) | 一种基于时间扩张卷积网络的压气机旋转失速预警方法 | |
CN111144435B (zh) | 基于lof和验证过滤框架的电能量异常数据监测方法 | |
KR20140092385A (ko) | 자원망 모니터링 시스템에서 관련된 이벤트들을 식별하는 시스템 및 방법 | |
CN109854953B (zh) | 一种特殊工况下的原油输送管线泄漏检测系统及方法 | |
CN115290316B (zh) | 一种偏心旋转阀故障诊断方法 | |
WO2023103268A1 (zh) | 泵阀故障检测方法 | |
EP1960853A1 (en) | Evaluating anomaly for one-class classifiers in machine condition monitoring | |
CN112380992B (zh) | 一种加工过程监控数据准确性评估与优化方法及装置 | |
CN108022058A (zh) | 一种风力机状态可靠性评估方法 | |
CN110175353A (zh) | 电梯运行指标趋势分析方法 | |
CN116066343A (zh) | 一种输油泵机组故障模型的智能预警方法及系统 | |
CN110046651B (zh) | 一种基于监测数据多属性特征融合的管道状态识别方法 | |
CN113579851B (zh) | 一种基于自适应分段pca的非平稳钻削过程监测方法 | |
CN112613186A (zh) | 一种基于统计分布特征的航空发动机气路故障融合诊断方法 | |
Celis et al. | Steady state detection in industrial gas turbines for condition monitoring and diagnostics applications | |
CN103842659B (zh) | 用于确定压缩机的结垢水平的系统和方法 | |
CN116658413B (zh) | 一种液压泵故障检测方法 | |
CN116804412B (zh) | 一种液压系统的监测数据处理方法 | |
CN114186337A (zh) | 一种基于多源数据融合的压气机旋转失速预测方法 | |
KR20160039078A (ko) | 발전소 배관 운전신호 분석 방법 | |
CN108168612A (zh) | 基于差压信号波动的气液两相流体积含气率测量方法 | |
EP3959572B1 (en) | Method and system for fault detection using correlation of noise signals | |
CN117145752B (zh) | 用于空压机的过滤故障识别方法及系统 | |
CN116609052B (zh) | 基于无线传感器的蝶阀运行数据采集分析方法 |
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 |