CN116953415A - 基于数据驱动的导电滑环疲劳寿命预测方法 - Google Patents
基于数据驱动的导电滑环疲劳寿命预测方法 Download PDFInfo
- Publication number
- CN116953415A CN116953415A CN202311196192.3A CN202311196192A CN116953415A CN 116953415 A CN116953415 A CN 116953415A CN 202311196192 A CN202311196192 A CN 202311196192A CN 116953415 A CN116953415 A CN 116953415A
- Authority
- CN
- China
- Prior art keywords
- slip ring
- conductive slip
- sequence
- data
- audio
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000002159 abnormal effect Effects 0.000 claims description 67
- 230000035772 mutation Effects 0.000 claims description 30
- 230000000737 periodic effect Effects 0.000 claims description 15
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000010998 test method Methods 0.000 abstract description 5
- 238000005299 abrasion Methods 0.000 description 5
- 230000032683 aging Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000001050 lubricating effect Effects 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 208000024891 symptom Diseases 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及数据处理领域,具体涉及基于数据驱动的导电滑环疲劳寿命预测方法,本发明通过对导电滑环进行动态接触电阻、工作音频异常数据以及整体工作温度数据进行分析,获取内部配件完好度及外部结构强度,融合两者获得导电滑环的崭新程度,从而构建导电滑环崭新度的数据序列,将其输入到ARIMA模型中预测导电滑环的崭新度,基于崭新度计算导电滑环的剩余使用寿命,实现导电滑环疲劳寿命预测。从而实现基于数据驱动的导电滑环疲劳寿命预测,解决了传统加速寿命测试方法对不同部件的影响不同导致预测结果不准确的问题,提高了预测结果的准确性,具有较高导电滑环疲劳寿命预测准确性。
Description
技术领域
本申请涉及数据处理技术领域,具体涉及基于数据驱动的导电滑环疲劳寿命预测方法。
背景技术
随着工业的快速发展,工业生产设备对电力数据传输的要求越来越高,某些工业设备由于其本身的特殊需要,静态电力信号传输无法满足其生产需求,而导电滑环的出现解决了这一难题,实现静态的固定电力和信号传输接口转换成旋转的动态电力和信号输出。其原理主要为通过内部的滑环与旋转的电刷接触,并在接触过程中建立信号电力连接,最后电刷在滑环的滑动过程中传输信号和电力,进而实现从固定的输入转换成动态的输出。
为确认导电滑环的剩余使用寿命,厂家一般采用加速寿命测试,即在短时间内对导电滑环施加更严苛的工作条件以及更高负荷的运转模式,模拟正常使用期间的老化过程,通过在这一过程中记录导电滑环的老化数据最终确认该导电滑环的剩余使用寿命。然而这种办法虽然比较节省时间,但是高负荷和更严苛的工作条件对原本导电滑环中抗疲劳性较差的部件影响较大,对抗疲劳性较强的部件影响较轻,导致对导电滑环整体的剩余寿命计算产生较大的误差,造成剩余寿命计算结果不准确。
综上所述,本发明提出基于数据驱动的导电滑环疲劳寿命预测方法,采集导电滑环的电阻、音频、温度数据,根据各时间区间采集的数据进行分析,构建各时间区间的导电滑环崭新度,将各时间区间的导电滑环崭新度组成的序列输入到ARIMA模型中进行崭新度的预测,实现导电滑环疲劳寿命预测。
发明内容
为了解决上述技术问题,本发明提供基于数据驱动的导电滑环疲劳寿命预测方法,以解决现有的问题。
本发明的基于数据驱动的导电滑环疲劳寿命预测方法采用如下技术方案:
本发明一个实施例提供了基于数据驱动的导电滑环疲劳寿命预测方法,该方法包括以下步骤:
采集导电滑环的电阻、音频、温度数据;根据电阻、音频及温度数据分别得到第一电阻序列、第一音频序列及第一温度序列;
根据第一电阻序列内各电阻值的分布得到导电滑环的接触损耗度;将第一音频序列中数据进行等分得到第一音频序列的各周期音频序列;根据各周期音频序列中元素变化得到各周期音频序列的工作突变指数;根据各周期音频序列的工作突变指数得到导电滑环的内部异常系数;根据导电滑环的接触损耗度及内部异常系数得到导电滑环的内部配件完好度;根据第一温度序列得到导电滑环的异常温度持续长度序列;根据异常温度持续长度序列得到导电滑环的外部结构强度;
根据导电滑环的内部配件完好度及外部结构强度得到导电滑环的第一崭新度;获取导电滑环的各崭新度;将导电滑环的各崭新度组成的序列作为导电滑环的崭新度序列;将导电滑环的崭新度序列输入至ARIMA模型中进行崭新度预测,实现导电滑环疲劳寿命的预测。
优选的,所述采集导电滑环的电阻、音频、温度数据的具体步骤为:
设定采集时间区间;采集各时间区间内导电滑环的电阻、音频及温度数据。
优选的,所述根据电阻、音频及温度数据分别得到第一电阻序列、第一音频序列及第一温度序列的具体步骤为:
将各时间区间内导电滑环的电阻数据组成的序列作为各时间区间内导电滑环的电阻序列;将第一时间区间内导电滑环的电阻序列作为第一电阻序列;获取第一音频序列;获取第一温度序列。
优选的,所述根据第一电阻序列内各电阻值的分布得到导电滑环的接触损耗度,具体包括:
导电滑环的接触损耗度与第一电阻序列中电阻均值及各电阻值的差值成正比,与第一电阻序列中元素个数成反比。
优选的,所述根据各周期音频序列中元素变化得到各周期音频序列的工作突变指数,具体包括:
各周期音频序列的工作突变指数与各周期音频数据中大于异常音频阈值的数据个数成正比。
优选的,所述根据各周期音频序列的工作突变指数得到导电滑环的内部异常系数,具体包括:
导电滑环的内部异常系数与周期音频序列的工作突变指数均值成正比,与相邻两个周期音频序列的工作突变指数的差值成反比。
优选的,所述根据导电滑环的接触损耗度及内部异常系数得到导电滑环的内部配件完好度的具体步骤为:
将导电滑环的接触损耗度与内部异常系数的乘积作为导电滑环的内部配件完好度。
优选的,所述根据第一温度序列得到导电滑环的异常温度持续长度序列的具体步骤为:
设定异常温度阈值;将第一温度序列中大于异常温度阈值的数据作为异常温度数据;将异常温度数据按对应采集时刻进行排序得到异常温度变化序列;若异常温度变化序列中相邻数据差值大于1,则将所述相邻数据中的前一数据作为分割点,将异常温度变化序列分割为各分序列;各分序列中元素个数作为异常温度持续长度序列。
优选的,所述根据异常温度持续长度序列得到导电滑环的外部结构强度,具体包括:
导电滑环的外部结构强度与异常温度持续长度序列中各元素之和成反比,与异常温度持续长度序列中元素个数成正比。
优选的,所述根据导电滑环的内部配件完好度及外部结构强度得到导电滑环的第一崭新度的具体步骤为:
将导电滑环的内部配件完好度与外部结构强度的乘积作为导电滑环的第一崭新度。
本发明至少具有如下有益效果:
本发明结合导电滑环的三种外部信息数据进行崭新度构建及崭新度预测,实现导电滑环疲劳寿命预测。通过对导电滑环的三种外部信息数据整合进行崭新度预测,解决了传统加速寿命测试方法对不同部件的影响不同导致预测结果不准确的问题,提高了预测结果的准确性,具有较高导电滑环疲劳寿命预测准确性。
为了避免传统加速寿命测试方法对不同部件的影响不同导致预测结果不准确的问题,本发明通过对导电滑环进行动态接触电阻、工作音频异常数据以及整体工作温度数据进行分析,获取内部配件完好度及外部结构强度,融合两者最终获得导电滑环的崭新程度,从而构建导电滑环崭新度的数据序列,将其输入到ARIMA模型中预测导电滑环的崭新度,基于崭新度计算导电滑环的剩余使用寿命,实现导电滑环疲劳寿命预测,增加了预测结果的可靠性。
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为本发明提供的基于数据驱动的导电滑环疲劳寿命预测方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于数据驱动的导电滑环疲劳寿命预测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
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发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于数据驱动的导电滑环疲劳寿命预测方法的具体方案。
本发明一个实施例提供的基于数据驱动的导电滑环疲劳寿命预测方法。
具体的,提供了如下的基于数据驱动的导电滑环疲劳寿命预测方法,请参阅图1,该方法包括以下步骤:
步骤S001,采集导电滑环电阻、音频及温度数据。
在相对安静的空间内,将数字微欧表接入导电滑环,采集导电滑环内电刷与滑环产生的动态接触电阻数据;在导电滑环一侧放置声音传感器,采集导电滑环工作时的声音频率数据;在导电滑环的实验运行空间中放置温度传感器,导电滑环工作时的实验空间温度数据。
其中,开始采集时间为导电滑环工作10min后开始采集,采集时间区间为30min,采集时间间隔为3.6s,即每隔30min分别采集500个动态接触电阻数据、工作时的声音频率数据及实验空间温度数据,需要说明的是,开始采集时间、采集时间区间及采集时间间隔实施者可自行设定,本实施例不做具体限制。将上述数据按对应采集时间进行排序,分别得到各时间区间的电阻序列、音频序列及温度序列。由于在数据采集和传输的过程中会出现部分数据丢失的情况,本发明采用均值数据填充法对缺失的数据进行填补,得到完整的各时间区间的电阻序列、音频序列及温度序列。
步骤S002,根据各时间区间的电阻序列、音频数据序列、温度数据序列得到导电滑环的崭新度序列。
为了能够准确预测导电滑环的剩余使用寿命,本发明针对导电滑环的内部配件以及外部结构强度分别进行分析,若导电滑环内部配件情况良好,外部结构较为完整,则导电滑环整体的工件状况较好,其剩余的可使用寿命较长;若导电滑环内部的配件情况不佳,外部结构完好程度较低,则该导电滑环的整体工件状况较差,其剩余的可使用寿命较短。
基于导电滑环的工作原理,导电滑环中的电刷与滑环接触摩擦时,会产生动态接触电阻。而当导电滑环的电刷或滑环部件接触状况较为良好时,所产生的动态接触电阻较为均衡,电阻数据波动幅度较小。但由于导电滑环工作时电刷与滑环的不断摩擦,电刷与滑环部件难免会产生一定的磨损,磨损后的电刷与滑环接触摩擦则产生的动态接触电阻会产生较大的改变,进而整体动态接触电阻数据会产生较大波动。
导电滑环的磨损程度会随运行时间变化而变化,运行时间越长,导电滑环的磨损程度越长,为获取不同时间区间内导电滑环的磨损程度,以第一时间区间的电阻序列为例,导电滑环的接触损耗度的表达式为:
式中,为导电滑环的接触损耗度,/>为第一电阻序列中第/>个电阻值,/>为第一电阻序列中所有数据的均值,/>为第一电阻序列中元素个数。导电滑环每个动态接触电阻值与整体动态接触电阻均值差距越小,则说明导电滑环的电刷与滑环损耗程度越小,导电滑环的状态越为健康,可继续使用的时间越长;反之,则说明导电滑环中的电刷与滑环损耗程度相对较大,滑动过程中产生的电阻越不均衡,导电滑环损耗越为严重,可继续使用的时间相较越短。
为了进一步确认导电滑环内部电刷与滑环的损耗状态,对导电滑环运作时产生的工作声音频率序列进行分析。具体的,导电滑环工作时发出的声音主要是因为电刷在旋转过程中与滑环接触并摩擦振动产生的,在电刷与滑环都处于正常状态及润滑效果较好时,导电滑环工作声音在音频时域图上变化较为均匀且上下振幅差异较小,但当电刷或滑环出现磨损或润滑程度下降时,电刷与滑环由于存在磨损,磨损处在与电刷接触摩擦时会产生噪声,在音频时域图中会呈现部分区域振幅突然变大的情况,并且呈现一定的周期性。通过分析这些突然变大的振幅的变化规律,可以进一步得到导电滑环的磨损程度,因此,首先以第一时间区间的音频序列为例,将电刷转动一圈所需的时间作为一个周期,将第一音频序列中各周期内的音频分序列作为各周期音频序列,然后根据各周期音频序列中振幅突变情况分析各周期音频序列的工作突变指数的表达式为:
式中,为第一个周期音频序列的工作突变指数,/>为第一个周期音频序列中第个数据异常值,/>为第一个周期音频序列中元素个数,/>为第一个周期音频序列中第/>个音频值,/>为第一个周期音频序列中所有元素的均值,将其作为异常音频阈值,/>为调节因子。需要说明的是,/>及/>的取值实施者可根据实际情况自行设定,本实施例将/>设定为10,将/>设定为1.2,/>的目的是调高异常音频阈值,避免获取到因外部噪音产生的相对较低的突变音频。工作突变指数越大,则说明各周期音频序列中数据突变次数越多;音频突变指数越小,则说明该各周期内数据突变次数越少。
通过上述方法获取各周期音频序列的工作突变指数。
根据各周期音频序列的工作突变指数,对第一音频序列整体进行分析。具体的,若各周期音频序列的工作突变指数之间的差异较小(即每个周期内的突变情况相似),则说明导电滑环工作时的音频突变情况呈周期性变化,有可能是内部电刷或滑环磨损造成的。为获取这些音频突变情况的周期性变化程度从而对工作突变指数进行修正,因此计算导电滑环的内部异常系数的表达式为:
式中,为导电滑环的内部异常系数,/>为周期音频序列的工作突变指数均值,为第/>个周期音频序列的工作突变指数,/>为第/>个周期音频序列的工作突变指数,/>为周期数。/>越大,音频突变情况越不成周期性变化,/>的值应相对减小;/>越大,导电滑环的工作声音越异常,导电滑环磨损情况越严重;综上,/>的值越大,说明导电滑环磨损情况越严重;/>的值越小,说明导电滑环内部情况越好,磨损程度越低。
根据导电滑环的接触损耗度及内部异常系数得到导电滑环的内部配件完好度的表达式为:
式中,为导电滑环的内部配件完好度,/>为导电滑环的接触损耗度,/>为导电滑环的内部异常系数。导电滑环内部配件完好度越大,说明导电滑环内部的配件状况越好,其可持续使用寿命越长;当导电滑环内部配件完好度越小,说明导电滑环内部的配件状况较差,其可持续使用的寿命越短。
想要进一步分析导电滑环整体的健康状态,除了需要分析内部的配件的完好程度,还需要结合导电滑环外部进行分析。具体的,导电滑环在其工作期间会产生热量,而在正常状态下导电滑环产生的热量是较为恒定的,且处于一个安全的温度区间内,整个导电滑环的工作温度较为均衡,但若导电滑环外部结构发生异变,整体结构强度下降,导致导电滑环工作不稳定,所产生的热量增加,整体工作温度较高且持续。
针对上述特点,利用温度传感器获取的导电滑环工作温度数据,对导电滑环外部强度进行分析。为获取超出正常工作温度范围的异常温度,设定异常温度阈值,需要说明的是,温度阈值的设定实施者可自行选取,本实施例将异常温度阈值设定为80℃;将第一温度序列中大于异常温度阈值的数据作为异常温度数据。当异常温度数据序列两项之间的差值为1时,则说明该异常温度数据序列锁对应的的温度在原序列中连续,若连续多项之间差值都为1,则该连续序列长度越长。为获取异常温度的持续变化情况,将异常温度数据的序列号按对应采集时刻先后进行排序得到异常温度变化序列;若异常温度变化序列中第个元素与第/>个元素的差值大于1,则将第/>个元素作为分割点;根据各分割点对异常温度变化序列进行分割得到各分序列;获取各分序列中元素个数作为各分序列长度;将各分序列长度组成的序列作为异常温度持续长度序列。
当异常温度的持续时间越长,异常温度持续长度越长,说明该导电滑环的工作长时间处于异常温度,越可能存在结构强度问题,根据异常温度持续长度序列计算导电滑环的外部结构强度的表达式为:
式中,为导电滑环的外部结构强度,/>为以/>为底的指数函数,/>为异常温度持续长度序列中第/>个元素值,/>为异常温度持续长度序列中元素个数,/>为防止分母为0的常数,实施者可自行设定,本实施例将/>设定为1。当导电滑环外部结构强度越小,说明该导电滑环在工作时处于异常温度的平均时间越长,存在外部结构的损伤的可能性越大;当导电滑环外部结构强度越大,说明该导电滑环在工作时处于异常温度的平均时间越短,其外部结构越完好。
结合导电滑环的内部配件完好度及外部结构强度得到导电滑环的第一崭新度的表达式为:
式中,为导电滑环的第一崭新度,/>为导电滑环的内部配件完好度,/>为导电滑环的外部结构强度。导电滑环崭新度越大,说明导电滑环内部配件完好度越高,外部结构强度越大,导电滑环整体的健康状态越好,其剩余的使用寿命越长;反之,说明导电滑环内部的配件完好度越低,外部结构强度越低,导电滑环整体健康状况越差,其剩余使用寿命越短。
根据上述步骤获取各时间区间内导电滑环的崭新度;将导电滑环的各崭新度组成的序列作为导电滑环的崭新度序列。
步骤S003,将导电滑环的崭新度序列输入至ARIMA模型中进行崭新度预测,实现导电滑环疲劳寿命的预测。
将导电滑环的崭新度序列输入至ARIMA模型中进行崭新度预测,由于导电滑环的崭新度直接影响导电滑环的剩余使用寿命,当ARIMA模型预测出崭新度时,基于崭新度以及崭新度对导电滑环的剩余寿命的影响进行计算,即间接预测了导电滑环的剩余使用寿命,实现了基于数据驱动的导电滑环疲劳寿命的预测。
综上所述,本发明实施例通过结合导电滑环的三种信息数据进行崭新度构建及崭新度预测,实现导电滑环疲劳寿命预测。通过对导电滑环的三种信息数据整合进行崭新度预测,解决了传统加速寿命测试方法对不同部件的影响不同导致预测结果不准确的问题,提高了预测结果的准确性,具有较高导电滑环疲劳寿命预测准确性。
为了避免传统加速寿命测试方法对不同部件的影响不同导致预测结果不准确的问题,本实施例通过对导电滑环进行动态接触电阻、工作音频异常数据以及整体工作温度数据进行分析,获取内部配件完好度及外部结构强度,融合两者最终获得导电滑环的崭新程度,从而构建导电滑环崭新度的数据序列,将其输入到ARIMA模型中预测导电滑环的崭新度,基于崭新度计算导电滑环的剩余使用寿命,实现导电滑环疲劳寿命预测,增加了预测结果的可靠性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
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;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,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范围,均应包含在本申请的保护范围之内。
Claims (10)
1.基于数据驱动的导电滑环疲劳寿命预测方法,其特征在于,该方法包括以下步骤:
采集导电滑环的电阻、音频、温度数据;根据电阻、音频及温度数据分别得到第一电阻序列、第一音频序列及第一温度序列;
根据第一电阻序列内各电阻值的分布得到导电滑环的接触损耗度;将第一音频序列中数据进行等分得到第一音频序列的各周期音频序列;根据各周期音频序列中元素变化得到各周期音频序列的工作突变指数;根据各周期音频序列的工作突变指数得到导电滑环的内部异常系数;根据导电滑环的接触损耗度及内部异常系数得到导电滑环的内部配件完好度;根据第一温度序列得到导电滑环的异常温度持续长度序列;根据异常温度持续长度序列得到导电滑环的外部结构强度;
根据导电滑环的内部配件完好度及外部结构强度得到导电滑环的第一崭新度;获取导电滑环的各崭新度;将导电滑环的各崭新度组成的序列作为导电滑环的崭新度序列;将导电滑环的崭新度序列输入至ARIMA模型中进行崭新度预测,实现导电滑环疲劳寿命的预测。
2.如权利要求1所述的基于数据驱动的导电滑环疲劳寿命预测方法,其特征在于,所述采集导电滑环的电阻、音频、温度数据的具体步骤为:
设定采集时间区间;采集各时间区间内导电滑环的电阻、音频及温度数据。
3.如权利要求1所述的基于数据驱动的导电滑环疲劳寿命预测方法,其特征在于,所述根据电阻、音频及温度数据分别得到第一电阻序列、第一音频序列及第一温度序列的具体步骤为:
将各时间区间内导电滑环的电阻数据组成的序列作为各时间区间内导电滑环的电阻序列;将第一时间区间内导电滑环的电阻序列作为第一电阻序列;获取第一音频序列;获取第一温度序列。
4.如权利要求1所述的基于数据驱动的导电滑环疲劳寿命预测方法,其特征在于,所述根据第一电阻序列内各电阻值的分布得到导电滑环的接触损耗度,具体包括:
导电滑环的接触损耗度与第一电阻序列中电阻均值及各电阻值的差值成正比,与第一电阻序列中元素个数成反比。
5.如权利要求1所述的基于数据驱动的导电滑环疲劳寿命预测方法,其特征在于,所述根据各周期音频序列中元素变化得到各周期音频序列的工作突变指数,具体包括:
各周期音频序列的工作突变指数与各周期音频数据中大于异常音频阈值的数据个数成正比。
6.如权利要求1所述的基于数据驱动的导电滑环疲劳寿命预测方法,其特征在于,所述根据各周期音频序列的工作突变指数得到导电滑环的内部异常系数,具体包括:
导电滑环的内部异常系数与周期音频序列的工作突变指数均值成正比,与相邻两个周期音频序列的工作突变指数的差值成反比。
7.如权利要求1所述的基于数据驱动的导电滑环疲劳寿命预测方法,其特征在于,所述根据导电滑环的接触损耗度及内部异常系数得到导电滑环的内部配件完好度的具体步骤为:
将导电滑环的接触损耗度与内部异常系数的乘积作为导电滑环的内部配件完好度。
8.如权利要求1所述的基于数据驱动的导电滑环疲劳寿命预测方法,其特征在于,所述根据第一温度序列得到导电滑环的异常温度持续长度序列的具体步骤为:
设定异常温度阈值;将第一温度序列中大于异常温度阈值的数据作为异常温度数据;将异常温度数据按对应采集时刻进行排序得到异常温度变化序列;若异常温度变化序列中相邻数据差值大于1,则将所述相邻数据中的前一数据作为分割点,将异常温度变化序列分割为各分序列;各分序列中元素个数作为异常温度持续长度序列。
9.如权利要求1所述的基于数据驱动的导电滑环疲劳寿命预测方法,其特征在于,所述根据异常温度持续长度序列得到导电滑环的外部结构强度,具体包括:
导电滑环的外部结构强度与异常温度持续长度序列中各元素之和成反比,与异常温度持续长度序列中元素个数成正比。
10.如权利要求1所述的基于数据驱动的导电滑环疲劳寿命预测方法,其特征在于,所述根据导电滑环的内部配件完好度及外部结构强度得到导电滑环的第一崭新度的具体步骤为:
将导电滑环的内部配件完好度与外部结构强度的乘积作为导电滑环的第一崭新度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311196192.3A CN116953415B (zh) | 2023-09-18 | 2023-09-18 | 基于数据驱动的导电滑环疲劳寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311196192.3A CN116953415B (zh) | 2023-09-18 | 2023-09-18 | 基于数据驱动的导电滑环疲劳寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116953415A true CN116953415A (zh) | 2023-10-27 |
CN116953415B CN116953415B (zh) | 2023-12-22 |
Family
ID=88454816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311196192.3A Active CN116953415B (zh) | 2023-09-18 | 2023-09-18 | 基于数据驱动的导电滑环疲劳寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116953415B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080015827A1 (en) * | 2006-01-24 | 2008-01-17 | Tryon Robert G Iii | Materials-based failure analysis in design of electronic devices, and prediction of operating life |
US20080141072A1 (en) * | 2006-09-21 | 2008-06-12 | Impact Technologies, Llc | Systems and methods for predicting failure of electronic systems and assessing level of degradation and remaining useful life |
JP2011102700A (ja) * | 2009-11-10 | 2011-05-26 | Ihi Corp | 疲労損傷評価方法及びその装置 |
CN106646221A (zh) * | 2016-06-16 | 2017-05-10 | 北京卫星环境工程研究所 | 超声电机磨损失效寿命的快速确定方法 |
CN114498942A (zh) * | 2022-04-15 | 2022-05-13 | 山东汇能电气有限公司 | 一种基于大数据分析的变压器监控管理系统 |
CN115166406A (zh) * | 2022-08-19 | 2022-10-11 | 深圳市森瑞普电子有限公司 | 一种导电滑环疲劳寿命检测装置及其检测方法 |
CN217900908U (zh) * | 2022-07-25 | 2022-11-25 | 国能大渡河大岗山发电有限公司 | 碳刷状态监测装置和系统 |
CN115879245A (zh) * | 2023-02-21 | 2023-03-31 | 南通市中吕齿轮有限公司 | 一种中碳钢齿轮长寿命传动疲劳可靠性评价方法 |
DE102022000970B3 (de) * | 2022-03-21 | 2023-04-20 | Joachim Otschik | Verfahren zur Bestimmung des Verschleißvolumens einer Gleitringdichtung bei singulären Verschleißereignissen mittels zeitlich hochaufgelöster Temperaturmessung |
CN116224064A (zh) * | 2023-03-30 | 2023-06-06 | 芜湖天航装备技术有限公司 | 一种便携式航空发电机寿命检测装置 |
CN116628893A (zh) * | 2023-06-30 | 2023-08-22 | 重庆长安汽车股份有限公司 | 一种针对螺旋弹簧的疲劳寿命分析方法、装置、电子设备 |
-
2023
- 2023-09-18 CN CN202311196192.3A patent/CN116953415B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080015827A1 (en) * | 2006-01-24 | 2008-01-17 | Tryon Robert G Iii | Materials-based failure analysis in design of electronic devices, and prediction of operating life |
US20080141072A1 (en) * | 2006-09-21 | 2008-06-12 | Impact Technologies, Llc | Systems and methods for predicting failure of electronic systems and assessing level of degradation and remaining useful life |
JP2011102700A (ja) * | 2009-11-10 | 2011-05-26 | Ihi Corp | 疲労損傷評価方法及びその装置 |
CN106646221A (zh) * | 2016-06-16 | 2017-05-10 | 北京卫星环境工程研究所 | 超声电机磨损失效寿命的快速确定方法 |
DE102022000970B3 (de) * | 2022-03-21 | 2023-04-20 | Joachim Otschik | Verfahren zur Bestimmung des Verschleißvolumens einer Gleitringdichtung bei singulären Verschleißereignissen mittels zeitlich hochaufgelöster Temperaturmessung |
CN114498942A (zh) * | 2022-04-15 | 2022-05-13 | 山东汇能电气有限公司 | 一种基于大数据分析的变压器监控管理系统 |
CN217900908U (zh) * | 2022-07-25 | 2022-11-25 | 国能大渡河大岗山发电有限公司 | 碳刷状态监测装置和系统 |
CN115166406A (zh) * | 2022-08-19 | 2022-10-11 | 深圳市森瑞普电子有限公司 | 一种导电滑环疲劳寿命检测装置及其检测方法 |
CN115879245A (zh) * | 2023-02-21 | 2023-03-31 | 南通市中吕齿轮有限公司 | 一种中碳钢齿轮长寿命传动疲劳可靠性评价方法 |
CN116224064A (zh) * | 2023-03-30 | 2023-06-06 | 芜湖天航装备技术有限公司 | 一种便携式航空发电机寿命检测装置 |
CN116628893A (zh) * | 2023-06-30 | 2023-08-22 | 重庆长安汽车股份有限公司 | 一种针对螺旋弹簧的疲劳寿命分析方法、装置、电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116953415B (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107423414B (zh) | 一种基于信息传递模型的流程工业复杂机电系统故障溯源方法 | |
Qiu et al. | Selective health indicator for bearings ensemble remaining useful life prediction with genetic algorithm and Weibull proportional hazards model | |
CN110866314B (zh) | 多层双向门控循环单元网络的旋转机械剩余寿命预测方法 | |
CN107315138B (zh) | 功率mosfet的故障预测和健康处理方法及测试系统 | |
CN102809493B (zh) | 异常音诊断装置 | |
CN110232249B (zh) | 一种滚动轴承剩余寿命预测方法 | |
US10852357B2 (en) | System and method for UPS battery monitoring and data analysis | |
JP2015529813A (ja) | 遺伝的プログラミングを用いて発見された前兆的特徴からの、残存耐用寿命の推定 | |
CN109992895B (zh) | 一种设备性能退化趋势提取及预测方法 | |
CN117390591B (zh) | 基于电参量分析的输煤皮带采样机运行监测方法及系统 | |
CN112836361A (zh) | 多级循环载荷作用下材料疲劳寿命预测方法 | |
CN110569623A (zh) | 一种细纱机电机使用寿命预测方法 | |
CN116953415B (zh) | 基于数据驱动的导电滑环疲劳寿命预测方法 | |
CN115879245A (zh) | 一种中碳钢齿轮长寿命传动疲劳可靠性评价方法 | |
CN117371215A (zh) | 一种基于多维度信息融合的机电设备健康评估算法 | |
Sheng et al. | Data-driven channel modeling using spectrum measurement | |
CN113533995B (zh) | 一种动力电池一致性检测方法 | |
CN113673115A (zh) | 一种基于数字孪生的锂电池循环寿命预测及可靠性评估方法 | |
CN113240099A (zh) | 基于lstm的旋转机械健康状态的预测方法和装置 | |
CN111618655B (zh) | 一种数控机床滚珠丝杆健康程度量化评价方法 | |
CN116124460B (zh) | 一种基于健康指标构建的轴承寿命预测方法及系统 | |
CN114200888A (zh) | 特征量筛选方法以及健康状态评价方法 | |
CN115684833A (zh) | 一种基于谐波诊断的电缆线路劣化监测方法、系统及存储介质 | |
CN116070368A (zh) | 一种海上风电机组高速轴承剩余寿命预测方法 | |
CN111382946B (zh) | 设备健康状态的自主评估方法、系统及工业互联网设备 |
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 |