CN116804412B - 一种液压系统的监测数据处理方法 - Google Patents
一种液压系统的监测数据处理方法 Download PDFInfo
- Publication number
- CN116804412B CN116804412B CN202311055372.XA CN202311055372A CN116804412B CN 116804412 B CN116804412 B CN 116804412B CN 202311055372 A CN202311055372 A CN 202311055372A CN 116804412 B CN116804412 B CN 116804412B
- Authority
- CN
- China
- Prior art keywords
- hydraulic pressure
- data
- hydraulic
- pressure data
- sequence
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 48
- 238000003672 processing method Methods 0.000 title abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims abstract description 88
- 230000035945 sensitivity Effects 0.000 claims abstract description 64
- 239000010720 hydraulic oil Substances 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 24
- 239000003921 oil Substances 0.000 claims description 26
- 238000010606 normalization Methods 0.000 claims description 7
- 230000007774 longterm Effects 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 abstract description 13
- 238000004364 calculation method Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 230000000737 periodic effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
Landscapes
- Fluid-Pressure Circuits (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种液压系统的监测数据处理方法。本发明应用于数据处理技术领域,该方法包括:采集液压系统的状态监测数据;根据状态监测数据,确定一周期内液压压力数据序列中每个液压压力数据的异常敏感度;根据每个液压压力数据的异常敏感度,确定存在异常的液压压力数据;根据液压压力数据,确定液压系统的运行指标。通过对液压压力数据、液压油温数据和液压流量数据之间的关系确定存在异常的液压压力数据。本发明提高对液压压力数据异常检测的准确性,从而提高对液压系统运行状态检测的精度。
Description
技术领域
本发明涉及数据处理技术领域,具体为一种液压系统的监测数据处理方法。
背景技术
为了提高生产效率,目前对内高压成型设备模具的更换可采用液压系统和转运系统相结合,采用液压系统将模具推出以及将新的模具回位。
然而,在使用液压推进时,由于存在各种因素的影响使液压系统出现故障,不同时刻液压系统的运行状态不同,传统的异常检测算法之HBOS异常监测未考虑不同时刻液压系统运行状态的不同,以及不同数据异常的反映存在时滞性的特性,因此对液压系统运行状态的检测精度较低,影响设备的正常运转。
发明内容
针对现有技术中存在的问题,本发明提供一种液压系统的监测数据处理方法。
本发明是通过以下技术方案来实现:
本发明提供一种液压系统的监测数据处理方法,包括:
采集液压系统的状态监测数据,所述状态监测数据包括一周期内同时刻采集的液压油温数据序列、液压压力数据序列和液压流量数据序列,所述液压油温数据序列包括一周期内采集的液压油温数据,所述液压压力数据序列包括一周期内采集的液压压力数据,所述液压流量数据序列包括一周期内采集的液压流量数据;
根据所述状态监测数据,确定一周期内液压压力数据序列中每个液压压力数据的异常敏感度;
根据每个液压压力数据的所述异常敏感度,确定存在异常的液压压力数据;
根据所述存在异常的液压压力数据,确定所述液压系统的运行指标。
进一步的,所述根据所述状态监测数据,确定一周期内液压压力数据序列中每个液压压力数据的异常敏感度,包括:
根据第个时刻的液压压力序列/>对应的油温和流量浮动敏感序列/>,以及第/>个周期内第/>个时刻的液压压力变化敏感系数/>,确定第/>个周期液压压力数据中第/>个液压压力数据的异常敏感度/>。
进一步的,所述根据每个液压压力数据的所述异常敏感度,确定存在异常的液压压力数据,包括:
根据公式,确定第/>个周期液压压力数据的区间划分调整参数/>表示采集第/>个周期液压压力数据中第/>个液压压力数据的异常敏感度,/>表示采集第/>个周期液压压力数据异常敏感度的均值,/>为采集第/>个周期液压压力数据的数量,/>个周期的压力波动程度;
根据公式,确定区间划分的数量H,其中,/>和/>为区间数量的控制参数;
根据所述数量H以及HBOS算法,确定存在异常的液压压力数据。
进一步的,所述采集液压系统的状态监测数据之后,还包括:
根据公式,确定第/>个周期的压力波动程度,其中,/>表示第/>个周期内液压压力数据序列的熵,/>表示第/>个周期内液压油温数据序列的熵,,y为参考周期范围,v为正整数。
进一步的,所述获取液压系统的状态监测数据之后,还包括:
根据液压压力数据序列中液压压力数据、均值/>以及判断圆内数据的数量/>,确定第/>个周期内第/>个时刻的液压压力变化敏感系数/>,所述判断圆包括根据以第/>个周期内第/>个时刻的液压压力数据为中心,以离散判断半径/>为半径确定的圆,所述离散判断半径/>包括根据每个液压压力数据与K个近邻数据的欧式距离的均值,所述均值/>包括液压压力序列/>内数据的平均值。
进一步的,所述根据所述状态监测数据,确定一周期内液压压力数据中每个液压压力数据的异常敏感度之后,还包括:
根据第个周期内第/>个时刻的油温和流量浮动敏感序列/>的长期相关性以及参考周期,确定不同周期相同时刻的液压油温和流量的影响程度/>;
根据第个周期液压压力数据中第/>个数据判断圆内数据的敏感系数/>,以及影响程度/>,确定第/>个周期液压压力数据中第/>个液压压力数据的异常敏感度/>。
进一步的,所述根据第个周期内第/>个时刻的油温和流量浮动敏感序列的长期相关性以及参考周期,确定不同周期相同时刻的液压油温和流量的影响程度,包括:
根据公式,确定液压油温和流量的影响程度,其中,/>为根据液压压力序列/>得到的第/>个周期内第/>个时刻液压压力数据对应的油温和流量浮动敏感序列,/>是根据采集第/>周期液压压力数据中第/>个数据的判断圆内数据得到的序列,参考周期/>。
进一步的,所述根据第个周期液压压力数据中第/>个数据判断圆内数据的敏感系数/>,以及影响程度/>,确定第/>个周期液压压力数据中第/>个液压压力数据的异常敏感度/>,包括:
根据公式,确定所述异常敏感度/>,其中,/>表示采集第/>个周期液压压力数据中第/>个数据判断圆内数据的敏感系数。
进一步的,所述根据所述存在异常的液压压力数据,确定所述液压系统的运行指标,包括:
将一周期内所述存在异常的液压压力数据分别与额定液压压力数值差值的平方进行累加求和,并将求和结果进行归一化处理的结果确定为所述液压系统的运行指标。
进一步的,所述根据所述存在异常的液压压力数据,确定所述液压系统的运行指标,包括:
根据公式,确定所述液压系统的运行指标,其中,/>表示一个周期内异常数据集合中第/>个值,/>表示液压系统的运行过程中额定液压压力数值。
与现有技术相比,本发明具有以下有益的技术效果:
本发明提供的一种液压系统的监测数据处理方法。本发明应用于数据处理技术领域,该方法,包括:采集液压系统的状态监测数据;根据状态监测数据,确定一周期内液压压力数据序列中每个液压压力数据的异常敏感度;根据每个液压压力数据的异常敏感度,确定存在异常的液压压力数据;根据存在异常的液压压力数据,确定液压系统的运行指标。通过液压压力数据、液压油温数据和液压流量数据之间的关系计算液压压力数据的每个周期的区间划分的调整参数。区间划分的调整参数考虑了液压系统运行异常时压力异常造成的油温和流量的变化的时滞性,基于区间划分的调整参数计算液压压力数据划分的区间数量,其有益效果在于液压压力数据的区间划分的调整参数更加准确反映数据异常波动情况,避免直接通过液压压力数据计算一个周期内数据波动情况误差较大情况,根据计算结果可以得到液压压力数据合适的区间划分数量,提高对液压压力数据异常检测的准确性,从而提高对液压系统运行状态检测的精度。
附图说明
图1是本发明一实施例液压系统的监测数据处理方法的流程示意图;
图2是本发明另一实施例液压系统的监测数据处理方法的流程示意图。
具体实施方式
下面结合具体的实施例对本发明做进一步的详细说明,所述是对本发明的解释而不是限定。
本发明实施例提供的一种液压系统的监测数据处理方法,适用于对液压系统的运行状态进行检测时,以保证模具更换的稳定进行。
也就是说,液压系统在将模具推出和新模具的回位时,需对液压系统的运行状态进行检测,保证模具更换的稳定进行。采集液压系统工作过程中的液压油温数据、液压压力数据和液压流量数据,通过各数据之间的关系,分析液压系统数据的特征,采用HBOS算法计算,以确定检测异常值时对液压压力数据划分区间的数量,提高采用HBOS算法对液压系统数据异常监测的精度,进而提高液压系统运行状态监测的准确性。
图1是本发明一实施例液压系统的监测数据处理方法的流程示意图;如图1所示,本发明实施例提供的液压系统的监测数据处理方法,包括:
步骤101、采集液压系统的状态监测数据。
本实施例中的所述状态监测数据包括一周期内同时刻采集的液压油温数据序列、液压压力数据序列和液压流量数据序列,所述液压油温数据序列包括一周期内采集的液压油温数据,所述液压压力数据序列包括一周期内采集的液压压力数据,所述液压流量数据序列包括一周期内采集的液压流量数据。
具体的,采用液压系统对内高压成型设备模具进行更换时,在该系统中更换效率直接相关的是液压压力数据,压力不足时会降低模具装卸的效率,而液压压力影响较大的是液压油温和液压流量。本发明中采用温度传感器、压力传感器和流量传感器对液压系统工作时的液压油温数据、液压压力数据和液压流量数据进行采集,具体传感器的型号可根据实际情况选择。一个周期内相同时刻采集上述3种数据,每种数据构成一个序列,每次检测设定的数据序列的长度为,具体的数据序列长度实施者可自行确定。
步骤102、根据所述状态监测数据,确定一周期内液压压力数据序列中每个液压压力数据的异常敏感度;
具体的,本实施例可以根据第个时刻的液压压力序列/>对应的油温和流量浮动敏感序列/>,以及第/>个周期内第/>个时刻的液压压力变化敏感系数/>,确定第/>个周期液压压力数据中第/>个液压压力数据的异常敏感度/>。其中,/>为自然常数。
举例来讲,液压系统运行状态异常时,液压压力异常增大,液压油经过阀门、管道时的阻力增大,产生较多的摩擦热,因此会使油温升高;而在液压压力异常增大的同时,液压泵需要克服更大的系统阻力才能将液压油输送出去,此时液压流量会减小。
因此在分析液压系统运行状态异常时,可检测液压压力的异常变化,只通过压力数据的分析不足以准确反映液压系统的运行状态,而在液压压力变化时,液压油温和液压流量会相应发生变化,但这种变化会存在时滞性,根据不同数据之间的关系可对液压压力数据的检测进一步进行分析,计算液压压力数据的异常变化情况。
由上述步骤可以得到液压压力数据、液压油温数据和液压流量数据,由于在压力异常增大时,油温变化与流量的变化分别是增大和减小,其中液压油温数据为,液压流量数据为/>。在液压系统不同的运行阶段,压力大小的范围不同,液压压力存在异常的程度可能不同,在每个采集周期内,采集的液压压力数据的受干扰的程度不同,油温和流量的变化也不同。根据每个周期内采集的液压压力数据,获取每个周期内液压压力数据序列的熵。
进一步,根据公式,确定第/>个周期的压力波动程度/>,其中,/>表示第/>个周期内液压压力数据序列的熵,/>表示第/>个周期内液压油温数据序列的熵,,y为参考周期范围,优选的,/>,即第/>个周期与之后三个周期数据序列熵的变化,v为正整数。当熵的值越大,即、/>和/>的值越大,则周期数据中的数据波动性越明显,压力变化的可能性越大;当熵的值越小,即/>、/>和/>的值越小,则周期序列中的数据越平稳,压力变化的可能性越小。上述过程计算一个周期内的液压压力数据波动程度的变化,根据液压温度和液压流量发生变化的时滞性,考虑不同周期相同时刻的数据的敏感度。
进一步在,在上述实施例的基础上,所述获取液压系统的状态监测数据之后,还包括:
根据液压压力数据序列中液压压力数据/>、均值以及判断圆内数据的数量/>,确定第/>个周期内第/>个时刻的液压压力变化敏感系数/>,所述判断圆包括根据以第/>个周期内第/>个时刻的液压压力数据为中心,以离散判断半径/>为半径确定的圆,所述离散判断半径/>包括根据每个液压压力数据与K个近邻数据的欧式距离的均值,所述均值/>包括液压压力序列/>内数据的平均值。
具体的,根据液压温度数据序列和液压流量数据序列/>,可以计算对应的油温和流量浮动敏感序列/>。因液压系统正常运行状态下,油温和流量的数据较稳定,在运行异常时油温和流量的变化是相反的,因此可以计算油温和流量数据的差值的指数,目的是放大压力异常时数值波动的敏感性,得到的序列/>可以作为油温和流量浮动敏感序列。
采用K近邻算法得到液压压力数据中每个数据的K个邻域数据,其中,K近邻算法的具体计算过程为公知技术,不再进行赘述。计算每个数据与其K个近邻数据的欧式距离,得到距离序列/>。根据距离序列/>计算其数值的均值作为数据的离散判断半径/>,以一个周期内第/>个时刻的压力数据为中心,/>为半径的圆内可以得到对应的液压压力数据序列/>,第/>个时刻压力数据的判断圆内有/>个数据。根据上述计算每个数据与近邻数据的欧氏距离的均值作为半径划分判断圆,分析圆内数据的变化情况。
上式中表示序列/>中第/>个数据的值,序列/>中有/>个数据,/>为序列/>内数据的均值,计算得到的/>表示第/>个周期内第/>个时刻数据的液压压力变化敏感系数。
进一步的,所述根据所述状态监测数据,确定一周期内液压压力数据中每个液压压力数据的异常敏感度之后,还包括:
根据第个周期内第/>时刻的油温和流量浮动敏感序列/>的长期相关性以及参考周期,确定不同周期相同时刻的液压油温和流量的影响程度/>;
具体的,根据每个数据对应划分的判断圆,计算其圆内数据的变化情况可以更准确的反映数据的受异常影响的敏感程度。考虑不同周期相同时刻数据的变化情况,由于每个液压压力数据都有对应时刻的液压油温和液压流量数据,因此可以根据第个时刻的液压压力序列/>得到对应的序列/>,序列/>是由序列/>中数据对应的油温和流量浮动敏感序列构成,根据序列/>和/>计算数据的敏感度。本实施例所述的数据为液压压力数据。
优选的,根据公式,确定液压油温和流量的影响程度/>,其中,上式中/>表示计算序列的长期相关性,/>为根据液压压力序列/>得到的第/>个周期内第/>个时刻液压压力数据对应的油温和流量浮动敏感序列,/>是根据采集第/>液压压力数据中第/>个数据的判断圆内数据得到的序列,参考周期/>。计算不同周期相同时刻的液压油温和流量的影响程度/>;
进一步的,根据第个周期液压压力数据中第/>个数据判断圆内数据的敏感系数,以及影响程度/>,确定第/>个周期液压压力数据中第/>个液压压力数据的异常敏感度/>。
优选的,根据公式,确定所述异常敏感度/>,其中,/>表示采集第/>个周期液压压力数据中第/>个数据判断圆内数据的敏感系数。
具体的,当液压系统运行异常时,油温和流量浮动敏感序列中的数值异常,计算得到的不同周期相同时刻的油温和流量浮动敏感序列中的数值反映的长期相关性的值较小,即/>的值较大,相应的液压压力异常增大,液压压力数据的均方差/>和均值/>越大,即/>的值较大,计算得到的/>的值较大,表示该数据反映运行异常的敏感度较大;在液压系统运行正常时,油温和流量的数据差值较稳定,得到的不同周期相同时刻的差值的长期相关性/>较大,即/>较小,相应的液压压力数据正常,液压压力数据的均方差/>和均值/>较小,即/>的值较小,计算得到的/>的值相对较小。
步骤103、根据每个液压压力数据的所述异常敏感度,确定存在异常的液压压力数据;
本实施例中,异常敏感度将液压压力数据之间的波动情况放大,根据异常敏感度,可以更加准确的计算液压系统运行过程中一个周期内的整体异常波动情况,由于采用HBOS算法时对采集的数据由大到小进行排序,需对数据进行划分,划分区间的数量与异常数据的检测精度直接相关,可根据压力,参数的整体异常波动程度,计算划分区间的数量H。
也就是说,在上述实施例的基础上,所述根据每个液压压力数据的所述异常敏感度,确定存在异常的液压压力数据,包括:
根据公式,确定第/>个周期液压压力数据的区间划分调整参数/>表示采集第/>个周期液压压力数据中第/>个液压压力数据的异常敏感度,/>表示采集第/>个周期液压压力数据异常敏感度的均值,/>表示对计算的结果进行归一化计算,/>为采集第/>个周期液压压力数据的数量/>个周期的压力波动程度;
根据公式,确定区间划分的数量H,其中,/>和/>为区间数量的控制参数;本发明中取/>,/>,因此划分区间的数量范围为[10,15]。
根据所述数量H以及HBOS算法,确定存在异常的液压压力数据。
具体的,根据划分的区间,统计每个区间内样本点的数量生成直方图,根据直方图可计算每个数据的异常得分,具体的计算过程可参考HBOS算法,得到每个数据的异常得分。设定异常阈值,最终可以得到液压压力数据集合。
步骤104、根据所述存在异常的液压压力数据,确定所述液压系统的运行指标。
具体的,将一周期内所述存在异常的存在异常的液压压力数据分别与额定液压压力数值差值的平方进行累加求和,并将求和结果进行归一化处理的结果确定为所述液压系统的运行指标。
优选的,根据公式,确定所述液压系统的运行指标/>,其中,/>表示对计算的结果进行归一化处理,/>表示一个周期内异常数据集合中第/>个值,/>表示液压系统的运行过程中额定液压压力数值。设定正常运行指标范围为[0,0.1]。由此可对液压系统的运行状态进行监测。
在本实施例中,通过采集液压系统的状态监测数据,所述状态监测数据包括一周期内同时刻采集的液压油温数据序列、液压压力数据序列和液压流量数据序列,所述液压油温数据序列包括一周期内采集的液压油温数据,所述液压压力数据序列包括一周期内采集的液压压力数据,所述液压流量数据序列包括一周期内采集的液压流量数据;根据所述状态监测数据,确定一周期内液压压力数据序列中每个液压压力数据的异常敏感度;根据每个液压压力数据的所述异常敏感度,确定存在异常的液压压力数据;根据所述液压压力数据,确定所述液压系统的运行指标。通过对液压压力数据、液压油温数据和液压流量数据之间的关系确定存在异常的液压压力数据,提高对液压压力数据异常检测的准确性,从而提高对液压系统运行状态检测的精度。
图2是本发明另一实施例液压系统的监测数据处理方法的流程示意图;如图2所示,本发明实施例提供的液压系统的监测数据处理方法,包括:
步骤201、采集液压系统的状态监测数据。
本实施例中的所述状态监测数据包括一周期内同时刻采集的液压油温数据序列、液压压力数据序列和液压流量数据序列,所述液压油温数据序列包括一周期内采集的液压油温数据,所述液压压力数据序列包括一周期内采集的液压压力数据,所述液压流量数据序列包括一周期内采集的液压流量数据。
步骤202、根据所述状态监测数据,确定一周期内液压压力数据序列中每个液压压力数据的异常敏感度。
本实施例可以根据第个时刻的液压压力序列/>对应的油温和流量浮动敏感序列,以及第/>个周期内第/>个时刻的液压压力变化敏感系数/>,确定第/>个周期液压压力数据中第/>个液压压力数据的异常敏感度/>。
具体的,根据公式,确定所述异常敏感度/>,其中,/>表示采集第/>个周期液压压力数据中第/>个数据判断圆内数据的敏感系数。
步骤203、根据采集一个周期液压压力数据中液压压力数据的异常敏感度、一个周期液压压力数据的数量,以及一个周期液压压力数据异常敏感度的均值,确定一个周期液压压力数据的区间划分调整参数。
具体的,根据公式,确定第/>个周期液压压力数据的区间划分调整参数/>表示采集第/>个周期液压压力数据中第/>个液压压力数据的异常敏感度,/>表示采集第/>个周期液压压力数据异常敏感度的均值,表示对计算的结果进行归一化计算,/>为采集第/>个周期液压压力数据的数量,个周期的压力波动程度。
步骤204、根据一个周期液压压力数据的区间划分调整参数以及区间数量的控制参数,确定区间划分的数量。
具体的,根据公式,确定区间划分的数量H,其中,和/>为区间数量的控制参数;本发明中取/>,/>,因此划分区间的数量范围为[10,15]。
步骤205、根据所述数量H以及HBOS算法,确定存在异常的液压压力数据。
具体的,根据划分的区间,统计每个区间内样本点的数量生成直方图,根据直方图可计算每个数据的异常得分,具体的计算过程可参考HBOS算法,得到每个数据的异常得分。设定异常阈值,最终可以得到存在异常的液压压力数据集合。
步骤206、根据所述存在异常的液压压力数据,确定所述液压系统的运行指标。
根据公式,确定所述液压系统的运行指标/>,其中,/>表示对计算的结果进行归一化处理,/>表示一个周期内异常数据集合中第个值,/>表示液压系统的运行过程中额定液压压力数值。设定正常运行指标范围为[0,0.1]。由此可对液压系统的运行状态进行监测。
本发明实施例提供一种液压系统的监测数据处理方法,通过液压压力数据、液压油温数据和液压流量数据之间的关系计算液压压力数据的每个周期的区间划分的调整参数。区间划分的调整参数考虑了液压系统运行异常时压力异常造成的油温和流量的变化的时滞性,基于区间划分的调整参数计算液压压力数据划分的区间数量,其有益效果在于液压压力数据的区间划分的调整参数更加准确反映数据异常波动情况,避免直接通过液压压力数据计算一个周期内数据波动情况误差较大情况,根据计算结果可以得到液压压力数据合适的区间划分数量,提高对液压压力数据异常检测的准确性,从而提高对液压系统运行状态检测的精度。
Claims (1)
1.一种液压系统的监测数据处理方法,其特征在于,包括:
采集液压系统的状态监测数据,所述状态监测数据包括一周期内采集的液压油温数据序列、液压压力数据序列和液压流量数据序列,所述液压油温数据序列包括一周期内采集的液压油温数据,所述液压压力数据序列包括一周期内采集的液压压力数据,所述液压流量数据序列包括一周期内采集的液压流量数据;
根据所述状态监测数据,确定一周期内液压压力数据序列中每个液压压力数据的异常敏感度;
根据每个液压压力数据的所述异常敏感度,确定存在异常的液压压力数据;
根据所述存在异常的液压压力数据,确定所述液压系统的运行指标;
所述根据所述状态监测数据,确定一周期内液压压力数据序列中每个液压压力数据的异常敏感度,包括:
根据第个周期内第/>个时刻的液压压力序列/>对应的油温和流量浮动敏感序列/>,以及第/>个周期内第/>个时刻的液压压力变化敏感系数/>,确定第/>个周期液压压力数据中第/>个液压压力数据的异常敏感度/>;
所述根据每个液压压力数据的所述异常敏感度,确定存在异常的液压压力数据,包括:
根据公式,确定第/>个周期液压压力数据的区间划分调整参数/>表示采集第/>个周期液压压力数据中第/>个液压压力数据的异常敏感度,/>表示采集第/>个周期液压压力数据异常敏感度的均值,/>为采集第/>个周期液压压力数据的数量,/>个周期的压力波动程度;
根据公式,确定区间划分的数量H,其中,/>和/>为区间数量的控制参数;
根据所述数量H以及HBOS算法,确定存在异常的液压压力数据;
所述采集液压系统的状态监测数据之后,还包括:
根据公式,确定第/>个周期的压力波动程度/>,其中,/>表示第/>个周期内液压压力数据序列的熵,/>表示第/>个周期内液压油温数据序列的熵,/>,y为参考周期范围,v为整数;
所述采集液压系统的状态监测数据之后,还包括:
根据液压压力序列中液压压力数据、均值/>以及判断圆内数据的数量/>,确定第/>个周期内第/>个时刻的液压压力变化敏感系数/>,所述判断圆包括根据以第/>个周期内第/>个时刻的液压压力数据为中心,以离散判断半径/>为半径确定的圆,所述离散判断半径/>包括根据每个液压压力数据与K个近邻数据的欧式距离的均值,所述均值/>包括液压压力序列内数据的平均值;
所述根据所述状态监测数据,确定一周期内液压压力数据中每个液压压力数据的异常敏感度之后,还包括:
根据第个周期内第/>个时刻的油温和流量浮动敏感序列/>的长期相关性以及参考周期,确定不同周期相同时刻的液压油温和流量的影响程度/>;
根据第个周期液压压力数据中第/>个数据判断圆内数据的敏感系数/>,以及影响程度,确定第/>个周期液压压力数据中第/>个液压压力数据的异常敏感度/>;
所述根据第个时刻的油温和流量浮动敏感序列/>的长期相关性以及参考周期,确定不同周期相同时刻的液压油温和流量的影响程度/>,包括:
根据公式,确定液压油温和流量的影响程度/>,其中,/>为根据液压压力序列/>得到的第/>个周期内第/>个时刻液压压力数据对应的油温和流量浮动敏感序列,/>是根据采集第/>液压压力数据中第/>个数据的判断圆内数据得到的序列,参考周期/>;
所述根据第个周期液压压力数据中第/>个数据判断圆内数据的敏感系数/>,以及影响程度/>,确定第/>个周期液压压力数据中第/>个液压压力数据的异常敏感度/>,包括:
根据公式,确定所述异常敏感度/>,其中,/>表示采集第/>个周期液压压力数据中第/>个数据判断圆内数据的敏感系数;
所述根据所述存在异常的液压压力数据,确定所述液压系统的运行指标,包括:
将一周期内所述存在异常的液压压力数据分别与额定液压压力数值差值的平方进行累加求和,并将求和结果进行归一化处理的结果确定为所述液压系统的运行指标;
所述根据所述存在异常的液压压力数据,确定所述液压系统的运行指标,包括:
根据公式,确定所述液压系统的运行指标,其中,/>表示一个周期内异常数据集合中第/>个值,/>表示液压系统的运行过程中额定液压压力数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311055372.XA CN116804412B (zh) | 2023-08-22 | 2023-08-22 | 一种液压系统的监测数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311055372.XA CN116804412B (zh) | 2023-08-22 | 2023-08-22 | 一种液压系统的监测数据处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116804412A CN116804412A (zh) | 2023-09-26 |
CN116804412B true CN116804412B (zh) | 2023-12-01 |
Family
ID=88079660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311055372.XA Active CN116804412B (zh) | 2023-08-22 | 2023-08-22 | 一种液压系统的监测数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116804412B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117889121B (zh) * | 2024-03-15 | 2024-05-31 | 徐州金鼎恒立液压件有限公司 | 一种液压油缸辅助锁紧装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6409663B1 (en) * | 1999-11-12 | 2002-06-25 | Steven F. Mercereau | Apparatus and method for monitoring the vital status of biological materials |
CN110895526A (zh) * | 2019-11-29 | 2020-03-20 | 南京信息工程大学 | 一种大气监测系统中数据异常的修正方法 |
CN111598438A (zh) * | 2020-05-14 | 2020-08-28 | 哈尔滨工业大学(威海) | 基于分段拟合分析及评估的民航发动机气路异常检测方法 |
CN115931055A (zh) * | 2023-01-06 | 2023-04-07 | 长江信达软件技术(武汉)有限责任公司 | 一种基于大数据分析的农村供水运行诊断方法及系统 |
CN116484488A (zh) * | 2022-01-13 | 2023-07-25 | 上海桔晟科技有限公司 | 数据处理方法和数据处理装置 |
CN116608904A (zh) * | 2023-07-19 | 2023-08-18 | 尚宁智感(北京)科技有限公司 | 一种储氢罐安全状态实时监控方法及系统 |
-
2023
- 2023-08-22 CN CN202311055372.XA patent/CN116804412B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6409663B1 (en) * | 1999-11-12 | 2002-06-25 | Steven F. Mercereau | Apparatus and method for monitoring the vital status of biological materials |
CN110895526A (zh) * | 2019-11-29 | 2020-03-20 | 南京信息工程大学 | 一种大气监测系统中数据异常的修正方法 |
CN111598438A (zh) * | 2020-05-14 | 2020-08-28 | 哈尔滨工业大学(威海) | 基于分段拟合分析及评估的民航发动机气路异常检测方法 |
CN116484488A (zh) * | 2022-01-13 | 2023-07-25 | 上海桔晟科技有限公司 | 数据处理方法和数据处理装置 |
CN115931055A (zh) * | 2023-01-06 | 2023-04-07 | 长江信达软件技术(武汉)有限责任公司 | 一种基于大数据分析的农村供水运行诊断方法及系统 |
CN116608904A (zh) * | 2023-07-19 | 2023-08-18 | 尚宁智感(北京)科技有限公司 | 一种储氢罐安全状态实时监控方法及系统 |
Non-Patent Citations (2)
Title |
---|
严英杰 ; 盛戈 ; 刘亚东 ; 杜修明 ; 王辉 ; 江秀臣.基于滑动窗口和聚类算法的变压器状态异常检测.高电压技术.2016,第42卷(第12期),第4020-4025页. * |
彭喜元 ; 庞景月 ; 彭宇 ; 刘大同.航天器遥测数据异常检测综述.仪器仪表学报.2016,第37卷(第9期),第1929-1945页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116804412A (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116804412B (zh) | 一种液压系统的监测数据处理方法 | |
CN116881745B (zh) | 基于大数据的压力变送器异常监测方法 | |
CN105651325A (zh) | 在变送器中实现的劣化传感器检测 | |
CN117708748B (zh) | 一种用于离心风机的运行监测系统及方法 | |
CN116772285B (zh) | 一种智能楼宇供暖负载安全实时监控方法 | |
CN117556714B (zh) | 一种用于铝金属冶炼的预热管路温度数据异常分析方法 | |
CN112418517B (zh) | 一种用于冻害短临预警的预测方法 | |
CN116662111B (zh) | 一种列车智能网络管理控制系统 | |
CN116662767B (zh) | 基于多传感器的蒸发冷却机组系统温度数据智能采集方法 | |
CN116881673B (zh) | 基于大数据分析的盾构机运维方法 | |
CN117235462B (zh) | 基于时序数据分析的袋式包装机故障智能预测方法 | |
CN111637068A (zh) | 一种在线监测密封环间隙的方法 | |
US7841825B2 (en) | Method for predicting surge in compressor | |
CN116878886A (zh) | 一种用于冷却塔水泵轴承磨损的监测方法 | |
CN112525336A (zh) | 一种机械设备振动连续增长的自动化检测方法 | |
CN110146267B (zh) | 一种全封闭制冷压缩机阀片颤振的检测方法 | |
CN116658413B (zh) | 一种液压泵故障检测方法 | |
CN117554109B (zh) | 一种换热器故障数据信息智能监测方法及系统 | |
CN112943639A (zh) | 一种机泵汽蚀故障检测方法 | |
CN112328590A (zh) | 一种热力设备运行数据深度清洗方法 | |
KR20160039078A (ko) | 발전소 배관 운전신호 분석 방법 | |
CN114839495B (zh) | 基于人工智能的变压器局部放电异常检测方法 | |
CN113988480B (zh) | 一种燃气设备过滤器寿命预测方法及计算机可读存储介质 | |
CN117556274B (zh) | 一种热管背板的温度数据异常分析方法 | |
CN118211082B (zh) | 基于数据分析的油液滤芯剩余寿命预测方法及系统 |
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 |