CN117231590A - 液压系统的故障预测系统及其方法 - Google Patents
液压系统的故障预测系统及其方法 Download PDFInfo
- Publication number
- CN117231590A CN117231590A CN202311417988.7A CN202311417988A CN117231590A CN 117231590 A CN117231590 A CN 117231590A CN 202311417988 A CN202311417988 A CN 202311417988A CN 117231590 A CN117231590 A CN 117231590A
- Authority
- CN
- China
- Prior art keywords
- feature
- vector
- convolution
- classification
- vectors
- 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 30
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims description 229
- 239000011159 matrix material Substances 0.000 claims description 42
- 238000006073 displacement reaction Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 230000008901 benefit Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 230000007257 malfunction Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000010720 hydraulic oil Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及液压系统的故障预测领域,其具体地公开了一种液压系统的故障预测系统及其方法,其通过多个传感器分别采集待监测液压系统的历史运行参数和当前运行参数,其中所述历史运行参数和所述当前运行参数均包括:压力、电流、温度、液压流量、液压缸速度、液压泵振动、响应时间,然后通过深度学习中的卷积神经网络分别对所述历史运行参数和所述当前运行参数进行特征提取和分析,从而得到用于表示待监测液压系统是否发生故障的分类结果。这样,根据所述分类结果能够预测出潜在的故障迹象并及时向管理人员发出预警提示,从而确保液压的可靠性和稳定性。
Description
技术领域
本申请涉及液压系统的故障预测领域,且更为具体地,涉及一种液压系统的故障预测系统及其方法。
背景技术
液压系统在工业、农业、建筑、运输、航天航空和机器人等领域中发挥着重要作用,其由多个部件组成,其中一些关键的部件包括液压泵、液压缸、液压阀、液压油箱等。液压系统能够提供大功率、高效率、可靠性和灵活性的动力传输和控制。但是,液压系统在工作过程中经常会发生故障,比如液压油污染、气体混入、液压泵失效等。这些故障的发生可能会导致液压系统的性能下降、动作不准确、速度不稳定或无法正常工作。
因此,期望一种液压系统的故障预测系统及其方法,以基于液压系统的历史运行参数和当前运行参数对液压系统进行故障预测。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种液压系统的故障预测系统及其方法,其通过多个传感器分别采集待监测液压系统的历史运行参数和当前运行参数,其中所述历史运行参数和所述当前运行参数均包括:压力、电流、温度、液压流量、液压缸速度、液压泵振动、响应时间,然后通过深度学习中的卷积神经网络分别对所述历史运行参数和所述当前运行参数进行特征提取和分析,从而得到用于表示待监测液压系统是否发生故障的分类结果。这样,根据所述分类结果能够预测出潜在的故障迹象并及时向管理人员发出预警提示,从而确保液压的可靠性和稳定性。
根据本申请的第一方面,提供了一种液压系统的故障预测系统,其包括:
数据采集单元,用于通过多个传感器分别采集待监测液压系统的历史运行参数和当前运行参数,其中所述历史运行参数和所述当前运行参数均包括:压力、电流、温度、液压流量、液压缸速度、液压泵振动、响应时间;
上下文编码单元,用于将所述历史运行参数排列为多个输入向量后通过基于转换器的上下文编码器以得到多个参数特征向量;
卷积编码单元,用于将所述多个参数特征向量进行二维排列成特征矩阵后通过作为特征提取器的卷积神经网络以得到历史运行特征矩阵;
多尺度编码单元,用于将所述当前运行参数排列为一维输入向量后通过多尺度邻域特征提取模块以得到当前运行特征向量;
特征融合单元,用于将所述历史运行特征矩阵和所述当前运行特征向量进行融合以得到分类特征向量;
特征优化单元,用于对所述分类特征向量进行基于秩序化的位移先验优化以得到优化分类特征向量;
结果生成单元,用于将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待监测液压系统是否发生故障。
结合本申请的第一方面,在本申请的第一方面的一种液压系统的故障预测系统中,所述上下文编码单元,包括:使用所述上下文编码器的基于转换器的Bert模型对所述多个输入向量中各个输入向量进行基于时序全局的上下文语义编码以得到以所述历史运行参数的基于时序全局的所述多个参数特征向量。
结合本申请的第一方面,在本申请的第一方面的一种液压系统的故障预测系统中,所述卷积编码单元,用于:使用所述卷积神经网络的各层在层的正向传递中对输入数据分别进行:使用所述卷积神经网络的各层的卷积单元对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图;使用所述卷积神经网络的各层的池化单元对所述卷积特征图进行沿通道维度的池化处理以得到池化特征图;以及使用所述卷积神经网络的各层的激活单元对所述池化特征图中各个位置的特征值进行非线性激活以得到激活特征图;其中,所述卷积神经网络的最后一层的输出为所述历史运行特征矩阵。
根据本申请的第二方面,提供了一种液压系统的故障预测方法,其包括:
通过多个传感器分别采集待监测液压系统的历史运行参数和当前运行参数,其中所述历史运行参数和所述当前运行参数均包括:压力、电流、温度、液压流量、液压缸速度、液压泵振动、响应时间;
将所述历史运行参数排列为多个输入向量后通过基于转换器的上下文编码器以得到多个参数特征向量;
将所述多个参数特征向量进行二维排列成特征矩阵后通过作为特征提取器的卷积神经网络以得到历史运行特征矩阵;
将所述当前运行参数排列为一维输入向量后通过多尺度邻域特征提取模块以得到当前运行特征向量;
将所述历史运行特征矩阵和所述当前运行特征向量进行融合以得到分类特征向量;
对所述分类特征向量进行基于秩序化的位移先验优化以得到优化分类特征向量;
将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待监测液压系统是否发生故障。
与现有技术相比,本申请提供的一种液压系统的故障预测系统及其方法,其通过多个传感器分别采集待监测液压系统的历史运行参数和当前运行参数,其中所述历史运行参数和所述当前运行参数均包括:压力、电流、温度、液压流量、液压缸速度、液压泵振动、响应时间,然后通过深度学习中的卷积神经网络分别对所述历史运行参数和所述当前运行参数进行特征提取和分析,从而得到用于表示待监测液压系统是否发生故障的分类结果。这样,根据所述分类结果能够预测出潜在的故障迹象并及时向管理人员发出预警提示,从而确保液压的可靠性和稳定性。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的液压系统的故障预测系统的示意性框图。
图2图示了根据本申请实施例的液压系统的故障预测系统中多尺度编码单元的示意性框图。
图3图示了根据本申请实施例的液压系统的故障预测系统中特征优化单元的示意性框图。
图4图示了根据本申请实施例的液压系统的故障预测方法的流程图。
图5图示了根据本申请实施例的液压系统的故障预测方法的系统架构的示意图。
图6图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
示例性系统:图1图示了根据本申请实施例的液压系统的故障预测系统的示意性框图。如图1所示,根据本申请实施例的所述液压系统的故障预测系统100,包括:数据采集单元110,用于通过多个传感器分别采集待监测液压系统的历史运行参数和当前运行参数,其中所述历史运行参数和所述当前运行参数均包括:压力、电流、温度、液压流量、液压缸速度、液压泵振动、响应时间;上下文编码单元120,用于将所述历史运行参数排列为多个输入向量后通过基于转换器的上下文编码器以得到多个参数特征向量;卷积编码单元130,用于将所述多个参数特征向量进行二维排列成特征矩阵后通过作为特征提取器的卷积神经网络以得到历史运行特征矩阵;多尺度编码单元140,用于将所述当前运行参数排列为一维输入向量后通过多尺度邻域特征提取模块以得到当前运行特征向量;特征融合单元150,用于将所述历史运行特征矩阵和所述当前运行特征向量进行融合以得到分类特征向量;特征优化单元160,用于对所述分类特征向量进行基于秩序化的位移先验优化以得到优化分类特征向量;结果生成单元170,用于将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待监测液压系统是否发生故障。
在本申请实施例中,数据采集单元110,用于通过多个传感器分别采集待监测液压系统的历史运行参数和当前运行参数,其中所述历史运行参数和所述当前运行参数均包括:压力、电流、温度、液压流量、液压缸速度、液压泵振动、响应时间。如上述背景技术所述,液压系统在工作过程中经常会发生故障,比如液压油污染、气体混入、液压泵失效等。这些故障的发生可能会导致液压系统的性能下降、动作不准确、速度不稳定或无法正常工作。因此,期望一种液压系统的故障预测系统及其方法,以基于液压系统的历史运行参数和当前运行参数对液压系统进行故障预测。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。深度学习以及神经网络的发展为液压系统的故障预测提供了新的解决思路和方案。
应可以理解,液压系统中包含多个部件,这些部件中任何一个部件发生故障都有可能导致液压系统故障、停机。而且,所述多个部件的各个部件都有其对应的运行参数,当某一部件对应的运行参数出现异常时,可能会导致该部件发生故障。因此,可以将液压系统中各个部件的历史运行参数作为参考,将待监测液压系统中各个部件对应的当前运行参数与其历史运行参数进行对比分析,从而对液压系统进行故障预测。具体地,通过多个传感器分别采集待监测液压系统的历史运行参数和当前运行参数,其中所述历史运行参数和所述当前运行参数均包括:压力、电流、温度、液压流量、液压缸速度、液压泵振动、响应时间。
在本申请实施例中,所述上下文编码单元120,用于将所述历史运行参数排列为多个输入向量后通过基于转换器的上下文编码器以得到多个参数特征向量。考虑到所述历史运行参数是由多组数据组成的数据集,如果直接使用卷积神经网络模型对所述数据集进行特征提取,模型可能需要较大的计算量和存储空间,而且,可能难以提取到所述数据集中各个数据的特征分布以及各个数据之间的关联特征。因此,为了提高特征提取的准确性和高效性,将所述历史运行参数按时间维度排列为多个输入向量。然后通过基于转换器的上下文编码器对所述多个输入向量进行深度卷积编码以得到多个参数特征向量。这样,能够更准确地提取到所述历史运行参数中各个数据的特征分布信息。
在本申请的一个具体实施例中,所述上下文编码单元120,包括:使用所述上下文编码器的基于转换器的Bert模型对所述多个输入向量中各个输入向量进行基于时序全局的上下文语义编码以得到以所述历史运行参数的基于时序全局的所述多个参数特征向量。
在本申请实施例中,所述卷积编码单元130,用于将所述多个参数特征向量进行二维排列成特征矩阵后通过作为特征提取器的卷积神经网络以得到历史运行特征矩阵。考虑到所述多个参数特征向量的各个参数特征向量之间可能存在一定的隐含关系,因此,对所述多个参数特征向量进行关联特征的提取前,首先将所述多个参数特征向量按参数维度进行二维排列成特征矩阵。然后通过作为特征提取器的卷积神经网络对所述特征矩阵进行深度卷积编码以得到所述历史运行特征矩阵。这样,能够全面地提取到待监测液压系统的历史运行参数的基于全局性的高维特征变化信息。
在本申请的一个具体实施例中,所述卷积编码单元130,用于:使用所述卷积神经网络的各层在层的正向传递中对输入数据分别进行:使用所述卷积神经网络的各层的卷积单元对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图;使用所述卷积神经网络的各层的池化单元对所述卷积特征图进行沿通道维度的池化处理以得到池化特征图;以及使用所述卷积神经网络的各层的激活单元对所述池化特征图中各个位置的特征值进行非线性激活以得到激活特征图;其中,所述卷积神经网络的最后一层的输出为所述历史运行特征矩阵。
在本申请实施例中,所述多尺度编码单元140,用于将所述当前运行参数排列为一维输入向量后通过多尺度邻域特征提取模块以得到当前运行特征向量。考虑到待监测液压系统的各个部件中相邻两个部件对应的运行参数之间可能存在一定的关联,而且不同跨度的两个部件对应的运行参数也可能相互影响。因此,为了对所述待监测液压系统的当前运行参数的高维特征变化信息进行更全面、准确的提取,需要提取不同跨度不同域的部件对应的运行参数之间的高维隐含关联特征。具体地,将所述当前运行参数排列为一维输入向量后通过多尺度邻域特征提取模块以得到当前运行特征向量。
图2图示了根据本申请实施例的液压系统的故障预测系统中多尺度编码单元的示意性框图。如图2所示,所述多尺度编码单元140,包括:第一尺度卷积编码单元141,用于使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述一维输入向量分别进行一维卷积编码以得到所述第一尺度特征向量;其中,所述第一卷积公式为:其中,/>为第一卷积核在/>方向上的宽度、/>为第一卷积核参数向量、/>为与第一卷积核函数运算的局部向量矩阵,/>为第一卷积核的尺寸,/>表示所述一维输入向量,/>表示对所述一维输入向量分别进行一维卷积编码以得到所述第一尺度特征向量;第二尺度卷积编码单元142,用于使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述一维输入向量进行一维卷积编码以得到所述第二尺度特征向量;其中,所述第二卷积公式为:/>其中,/>为第二卷积核在/>方向上的宽度、/>为第二卷积核参数向量、/>为与第二卷积核函数运算的局部向量矩阵,/>为第二卷积核的尺寸,/>表示所述一维输入向量,/>表示对所述一维输入向量分别进行一维卷积编码以得到所述第二尺度特征向量;级联单元143,用于将所述第一尺度特征向量和所述第二尺度特征向量进行级联以得到所述当前运行特征向量。
在本申请实施例中,所述特征融合单元150,用于将所述历史运行特征矩阵和所述当前运行特征向量进行融合以得到分类特征向量。考虑到通过所述待监测液压系统的当前运行参数对该液压系统进行故障预测时,需要参考所述待监测液压系统的历史运行参数,因此,将所述历史运行特征矩阵和所述当前运行特征向量进行融合以获得二者的关联特征。具体地,将所述历史运行特征矩阵和所述当前运行特征向量进行融合以得到分类特征向量。
在本申请实施例中,所述特征优化单元160,用于对所述分类特征向量进行基于秩序化的位移先验优化以得到优化分类特征向量。应可以理解,在本申请的技术方案中,首先将所述分类特征向量进行向量切分以得到多个分类特征局部展开特征向量。也就是,所述分类特征向量本质上是多个分类特征局部展开特征向量的集合。这里,在所述分类特征向量的局部特征向量的集合中,所述多个分类特征局部展开特征向量之间存在相对顺序信息,且所述多个分类特征局部展开特征向量对于最终分类判断的贡献度不同,基于此,在本申请的技术方案中,对所述分类特征向量的特征向量集合进行基于秩序化的位移先验优化,以利用所述分类特征向量中各个分类特征局部展开特征向量之间存在相对顺序信息和类概率域的显著性差异来增强其分类性能。
具体地,在将所述分类特征向量进行向量切分以得到所述多个分类特征局部展开特征向量后,将所述多个分类特征局部展开特征向量通过基于转换器的上下文语义关联编码器以得到多个上下文分类特征局部展开特征向量。也就是,利用所述转换器的自注意力编码机制来捕捉所述各个分类特征局部展开特征向量之间的上下文语义关联信息以强化所述各个分类特征局部展开特征向量的信息表达的丰富度和关联度。接着,将所述多个上下文分类特征局部展开特征向量分别通过基于Softmax函数的分类域秩序值转换器以得到多个分类域秩序特征值,也就是,利用所述基于Softmax函数的分类域秩序值转换器来确定所述多个上下文分类特征局部展开特征向量在类概率域的贡献度,即所述多个分类域秩序特征值。并基于所述多个分类域秩序特征值之间的排序,对所述多个分类特征局部展开特征向量进行排序以得到分类特征局部展开特征向量的序列,也就是,基于所述多个分类域秩序特征值的数值大小来对所述多个分类特征局部展开特征向量进行序列化以使得相对更为显著的特征向量能够具有先发优势。同时,将所述多个分类域秩序特征值通过包含一维卷积层和Sigmoid激活函数的秩序化位移先验特征提取器以得到秩序化位移先验特征向量,并以所述秩序化位移先验特征向量中各个位置的特征值作为权重,对所述分类特征局部展开特征向量的序列中的各个分类特征局部展开特征向量进行加权以得到加权后分类特征局部展开特征向量的序列。也就是,利用一维卷积编码和非线性激活来捕捉所述多个分类特征局部展开特征向量在类概率域的高维隐含关联信息,以强化所述多个分类特征局部展开特征向量在类概率域的显著性。最终,将所述加权后分类特征局部展开特征向量的序列进行重构以得到所述优化分类特征向量。
图3图示了根据本申请实施例的液压系统的故障预测系统中特征优化单元的示意性框图。如图3所示,所述特征优化单元160,包括:向量切分子单元161,用于将所述分类特征向量进行向量切分以得到多个分类特征局部展开特征向量;特征关联子单元162,用于将所述多个分类特征局部展开特征向量通过基于转换器的上下文语义关联编码器以得到多个上下文分类特征局部展开特征向量;特征激活子单元163,用于将所述多个上下文分类特征局部展开特征向量分别通过基于Softmax函数的分类域秩序值转换器以得到多个分类域秩序特征值;排序子单元164,用于基于所述多个分类域秩序特征值之间的排序,对所述多个分类特征局部展开特征向量进行排序以得到分类特征局部展开特征向量的序列;特征提取子单元165,用于将所述多个分类域秩序特征值通过包含一维卷积层和Sigmoid激活函数的秩序化位移先验特征提取器以得到秩序化位移先验特征向量;特征向量加权子单元166,用于以所述秩序化位移先验特征向量中各个位置的特征值作为权重,对所述分类特征局部展开特征向量的序列中的各个分类特征局部展开特征向量进行加权以得到加权后分类特征局部展开特征向量的序列;特征向量序列重构子单元167,用于将所述加权后分类特征局部展开特征向量的序列进行重构以得到所述优化分类特征向量。
在本申请实施例中,所述结果生成单元170,用于将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待监测液压系统是否发生故障。为了准确地对待监测液压系统进行故障预测,使用分类器对所述优化分类特征向量进行分类。分类器可以将所述优化分类特征向量映射到两个不同的分类标签中,这两个不同的分类标签分别为:待监测液压系统没有发生故障以及待监测液压系统发生故障。这样,就可以通过分类结果来预测液压系统是否发生故障并及时反馈给管理人员,从而确保液压系统的正常运行。
在本申请的一个具体实施例中,所述结果生成单元170,用于:使用所述分类器以如下分类分类公式对所述优化分类特征向量进行处理以得到所述分类结果;其中,所述分类公式为:,其中/>到/>为权重矩阵,/>到/>为偏置向量,/>为优化分类特征向量,/>表示归一化指数函数,/>表示所述分类结果。
综上,根据本申请实施例的所述液压系统的故障预测系统100被阐明,其通过多个传感器分别采集待监测液压系统的历史运行参数和当前运行参数,其中所述历史运行参数和所述当前运行参数均包括:压力、电流、温度、液压流量、液压缸速度、液压泵振动、响应时间,然后通过深度学习中的卷积神经网络分别对所述历史运行参数和所述当前运行参数进行特征提取和分析,从而得到用于表示待监测液压系统是否发生故障的分类结果。这样,根据所述分类结果能够预测出潜在的故障迹象并及时向管理人员发出预警提示,从而确保液压的可靠性和稳定性。
如上所述,根据本申请实施例的所述液压系统的故障预测系统100可以实现在各种终端设备中,例如部署有液压系统的故障预测算法的服务器等。在一个示例中,根据液压系统的故障预测系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该液压系统的故障预测系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该液压系统的故障预测系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,液压系统的故障预测系统100与该终端设备也可以是分立的设备,并且液压系统的故障预测系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性方法:图4图示了根据本申请实施例的液压系统的故障预测方法的流程图。图5图示了根据本申请实施例的液压系统的故障预测方法的系统架构的示意图。如图4和图5所示,根据本申请实施例的液压系统的故障预测方法,包括:S110,通过多个传感器分别采集待监测液压系统的历史运行参数和当前运行参数,其中所述历史运行参数和所述当前运行参数均包括:压力、电流、温度、液压流量、液压缸速度、液压泵振动、响应时间;S120,将所述历史运行参数排列为多个输入向量后通过基于转换器的上下文编码器以得到多个参数特征向量;S130,将所述多个参数特征向量进行二维排列成特征矩阵后通过作为特征提取器的卷积神经网络以得到历史运行特征矩阵;S140,将所述当前运行参数排列为一维输入向量后通过多尺度邻域特征提取模块以得到当前运行特征向量;S150,将所述历史运行特征矩阵和所述当前运行特征向量进行融合以得到分类特征向量;S160,将所述历史运行特征矩阵和所述当前运行特征向量进行融合以得到分类特征向量;S170,将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待监测液压系统是否发生故障。
这里,本领域技术人员可以理解,上述液压系统的故障预测方法中的各个步骤的具体功能和操作已经在上面参考图1的液压系统的故障预测系统的描述中得到了详细介绍,并因此,将省略其重复描述。
示例性电子设备:下面,参考图6来描述根据本申请实施例的电子设备。
图6图示了根据本申请实施例的电子设备的框图。
如图6所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的液压系统的故障预测系统以及/或者其他期望的功能。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括解码值等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
示例性计算机程序产品和计算机可读存储介质:除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的液压系统的故障预测方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的液压系统的故障预测方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
应理解,本文中的具体的例子只是为了帮助本领域技术人员更好地理解本申请实施例,而非限制本申请实施例的范围。并且,在本申请的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
以上所述,仅为本申请的具体实施方式,但本申请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,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种液压系统的故障预测系统,其特征在于,包括:
数据采集单元,用于通过多个传感器分别采集待监测液压系统的历史运行参数和当前运行参数,其中所述历史运行参数和所述当前运行参数均包括:压力、电流、温度、液压流量、液压缸速度、液压泵振动、响应时间;
上下文编码单元,用于将所述历史运行参数排列为多个输入向量后通过基于转换器的上下文编码器以得到多个参数特征向量;
卷积编码单元,用于将所述多个参数特征向量进行二维排列成特征矩阵后通过作为特征提取器的卷积神经网络以得到历史运行特征矩阵;
多尺度编码单元,用于将所述当前运行参数排列为一维输入向量后通过多尺度邻域特征提取模块以得到当前运行特征向量;
特征融合单元,用于将所述历史运行特征矩阵和所述当前运行特征向量进行融合以得到分类特征向量;
特征优化单元,用于对所述分类特征向量进行基于秩序化的位移先验优化以得到优化分类特征向量;
结果生成单元,用于将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待监测液压系统是否发生故障。
2.根据权利要求1所述的液压系统的故障预测系统,其特征在于,所述上下文编码单元,包括:使用所述上下文编码器的基于转换器的Bert模型对所述多个输入向量中各个输入向量进行基于时序全局的上下文语义编码以得到以所述历史运行参数的基于时序全局的所述多个参数特征向量。
3.根据权利要求2所述的液压系统的故障预测系统,其特征在于,所述卷积编码单元,用于:使用所述卷积神经网络的各层在层的正向传递中对输入数据分别进行:
使用所述卷积神经网络的各层的卷积单元对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图;
使用所述卷积神经网络的各层的池化单元对所述卷积特征图进行沿通道维度的池化处理以得到池化特征图;以及
使用所述卷积神经网络的各层的激活单元对所述池化特征图中各个位置的特征值进行非线性激活以得到激活特征图;
其中,所述卷积神经网络的最后一层的输出为所述历史运行特征矩阵。
4.根据权利要求3所述的液压系统的故障预测系统,其特征在于,所述多尺度编码单元,包括:
第一尺度卷积编码单元,用于使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述一维输入向量分别进行一维卷积编码以得到所述第一尺度特征向量;
其中,所述第一卷积公式为:其中,/>为第一卷积核在/>方向上的宽度、/>为第一卷积核参数向量、/>为与第一卷积核函数运算的局部向量矩阵,/>为第一卷积核的尺寸,/>表示所述一维输入向量,/>表示对所述一维输入向量分别进行一维卷积编码以得到所述第一尺度特征向量;
第二尺度卷积编码单元,用于使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述一维输入向量进行一维卷积编码以得到所述第二尺度特征向量;
其中,所述第二卷积公式为:其中,/>为第二卷积核在/>方向上的宽度、/>为第二卷积核参数向量、/>为与第二卷积核函数运算的局部向量矩阵,/>为第二卷积核的尺寸,/>表示所述一维输入向量,/>表示对所述一维输入向量分别进行一维卷积编码以得到所述第二尺度特征向量;
级联单元,用于将所述第一尺度特征向量和所述第二尺度特征向量进行级联以得到所述当前运行特征向量。
5.根据权利要求4所述的液压系统的故障预测系统,其特征在于,所述特征优化单元,包括:
向量切分子单元,用于将所述分类特征向量进行向量切分以得到多个分类特征局部展开特征向量;
特征关联子单元,用于将所述多个分类特征局部展开特征向量通过基于转换器的上下文语义关联编码器以得到多个上下文分类特征局部展开特征向量;
特征激活子单元,用于将所述多个上下文分类特征局部展开特征向量分别通过基于Softmax函数的分类域秩序值转换器以得到多个分类域秩序特征值;
排序子单元,用于基于所述多个分类域秩序特征值之间的排序,对所述多个分类特征局部展开特征向量进行排序以得到分类特征局部展开特征向量的序列;
特征提取子单元,用于将所述多个分类域秩序特征值通过包含一维卷积层和Sigmoid激活函数的秩序化位移先验特征提取器以得到秩序化位移先验特征向量;
特征向量加权子单元,用于以所述秩序化位移先验特征向量中各个位置的特征值作为权重,对所述分类特征局部展开特征向量的序列中的各个分类特征局部展开特征向量进行加权以得到加权后分类特征局部展开特征向量的序列;
特征向量序列重构子单元,用于将所述加权后分类特征局部展开特征向量的序列进行重构以得到所述优化分类特征向量。
6.根据权利要求5所述的液压系统的故障预测系统,其特征在于,所述结果生成单元,用于:使用所述分类器以如下分类公式对所述优化分类特征向量进行处理以得到所述分类结果;
其中,所述分类公式为:,其中,/>到/>为权重矩阵,/>到/>为偏置向量,/>为优化分类特征向量,/>表示归一化指数函数,/>表示所述分类结果。
7.一种液压系统的故障预测方法,其特征在于,包括:
通过多个传感器分别采集待监测液压系统的历史运行参数和当前运行参数,其中所述历史运行参数和所述当前运行参数均包括:压力、电流、温度、液压流量、液压缸速度、液压泵振动、响应时间;
将所述历史运行参数排列为多个输入向量后通过基于转换器的上下文编码器以得到多个参数特征向量;
将所述多个参数特征向量进行二维排列成特征矩阵后通过作为特征提取器的卷积神经网络以得到历史运行特征矩阵;
将所述当前运行参数排列为一维输入向量后通过多尺度邻域特征提取模块以得到当前运行特征向量;
将所述历史运行特征矩阵和所述当前运行特征向量进行融合以得到分类特征向量;
对所述分类特征向量进行基于秩序化的位移先验优化以得到优化分类特征向量;
将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待监测液压系统是否发生故障。
8.根据权利要求7所述的液压系统的故障预测方法,其特征在于,将所述历史运行参数排列为多个输入向量后通过基于转换器的上下文编码器以得到多个参数特征向量,包括:使用所述上下文编码器的基于转换器的Bert模型对所述多个输入向量中各个输入向量进行基于时序全局的上下文语义编码以得到以所述历史运行参数的基于时序全局的所述多个参数特征向量。
9.根据权利要求8所述的液压系统的故障预测方法,其特征在于,将所述多个参数特征向量进行二维排列成特征矩阵后通过作为特征提取器的卷积神经网络以得到历史运行特征矩阵,用于:使用所述卷积神经网络的各层在层的正向传递中对输入数据分别进行:
使用所述卷积神经网络的各层的卷积单元对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图;
使用所述卷积神经网络的各层的池化单元对所述卷积特征图进行沿通道维度的池化处理以得到池化特征图;以及
使用所述卷积神经网络的各层的激活单元对所述池化特征图中各个位置的特征值进行非线性激活以得到激活特征图;
其中,所述卷积神经网络的最后一层的输出为所述历史运行特征矩阵。
10.根据权利要求9所述的液压系统的故障预测方法,其特征在于,将所述当前运行参数排列为一维输入向量后通过多尺度邻域特征提取模块以得到当前运行特征向量,包括:
第一尺度卷积编码单元,用于使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述一维输入向量分别进行一维卷积编码以得到所述第一尺度特征向量;
其中,所述第一卷积公式为:其中,/>为第一卷积核在/>方向上的宽度、/>为第一卷积核参数向量、/>为与第一卷积核函数运算的局部向量矩阵,/>为第一卷积核的尺寸,/>表示所述一维输入向量,/>表示对所述一维输入向量分别进行一维卷积编码以得到所述第一尺度特征向量;
第二尺度卷积编码单元,用于使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述一维输入向量进行一维卷积编码以得到所述第二尺度特征向量;
其中,所述第二卷积公式为:其中,/>为第二卷积核在/>方向上的宽度、/>为第二卷积核参数向量、/>为与第二卷积核函数运算的局部向量矩阵,/>为第二卷积核的尺寸,/>表示所述一维输入向量,/>表示对所述一维输入向量分别进行一维卷积编码以得到所述第二尺度特征向量;
级联单元,用于将所述第一尺度特征向量和所述第二尺度特征向量进行级联以得到所述当前运行特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311417988.7A CN117231590A (zh) | 2023-10-30 | 2023-10-30 | 液压系统的故障预测系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311417988.7A CN117231590A (zh) | 2023-10-30 | 2023-10-30 | 液压系统的故障预测系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117231590A true CN117231590A (zh) | 2023-12-15 |
Family
ID=89082756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311417988.7A Pending CN117231590A (zh) | 2023-10-30 | 2023-10-30 | 液压系统的故障预测系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117231590A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117759608A (zh) * | 2024-02-22 | 2024-03-26 | 青岛哈尔滨工程大学创新发展中心 | 一种潜器液压故障监测方法及系统 |
-
2023
- 2023-10-30 CN CN202311417988.7A patent/CN117231590A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117759608A (zh) * | 2024-02-22 | 2024-03-26 | 青岛哈尔滨工程大学创新发展中心 | 一种潜器液压故障监测方法及系统 |
CN117759608B (zh) * | 2024-02-22 | 2024-05-17 | 青岛哈尔滨工程大学创新发展中心 | 一种潜器液压故障监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | A fault diagnosis method based on improved convolutional neural network for bearings under variable working conditions | |
Wang et al. | LightLog: A lightweight temporal convolutional network for log anomaly detection on the edge | |
CN116627708B (zh) | 存储故障分析系统及其方法 | |
Ayodeji et al. | Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction | |
Wang et al. | A combination of residual and long–short-term memory networks for bearing fault diagnosis based on time-series model analysis | |
CN115858825B (zh) | 基于机器学习的设备故障诊断知识图谱构建方法和装置 | |
CN116309580B (zh) | 基于磁应力的油气管道腐蚀检测方法 | |
CN116245513B (zh) | 基于规则库的自动化运维系统及其方法 | |
CN115456789B (zh) | 基于交易模式识别的异常交易检测方法及其系统 | |
CN117231590A (zh) | 液压系统的故障预测系统及其方法 | |
CN115834433B (zh) | 基于物联网技术的数据处理方法及系统 | |
CN115859437A (zh) | 基于分布式光纤传感系统的导管架水下应力检测系统 | |
CN116247824B (zh) | 电力设备的控制方法及其系统 | |
CN116257406A (zh) | 用于智慧城市的网关数据管理方法及其系统 | |
Wang et al. | A hybrid intelligent rolling bearing fault diagnosis method combining WKN-BiLSTM and attention mechanism | |
CN115935807B (zh) | 基于图马尔可夫神经网络的诊断模型的训练方法 | |
Lu et al. | Fault diagnosis of industrial robot based on dual-module attention convolutional neural network | |
CN116482524A (zh) | 输配电开关状态检测方法及系统 | |
Gao et al. | Semi-supervised small sample fault diagnosis under a wide range of speed variation conditions based on uncertainty analysis | |
Liu et al. | A novel integration framework for degradation-state prediction via transformer model with autonomous optimizing mechanism | |
CN117036732B (zh) | 一种基于融合模型的机电设备检测系统、方法及设备 | |
CN117787287A (zh) | 基于大模型的事故处理方法、系统及存储介质 | |
CN116975728B (zh) | 用于煤层气钻井工程的安全管理方法及其系统 | |
CN117495421A (zh) | 基于电力通信网建设的电网通信工程造价预测方法 | |
CN117421655A (zh) | 工业互联网数据流异常检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |