CN117469152B - 流体泵异常检测方法、装置、电子设备和存储介质 - Google Patents
流体泵异常检测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN117469152B CN117469152B CN202311814420.9A CN202311814420A CN117469152B CN 117469152 B CN117469152 B CN 117469152B CN 202311814420 A CN202311814420 A CN 202311814420A CN 117469152 B CN117469152 B CN 117469152B
- Authority
- CN
- China
- Prior art keywords
- fluid pump
- data
- feature data
- characteristic data
- 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
- 239000012530 fluid Substances 0.000 title claims abstract description 260
- 238000001514 detection method Methods 0.000 title claims abstract description 96
- 230000005856 abnormality Effects 0.000 title claims abstract description 91
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims abstract description 92
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000007781 pre-processing Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims description 51
- 230000036541 health Effects 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000002547 anomalous effect Effects 0.000 claims description 3
- 230000002035 prolonged effect Effects 0.000 abstract description 2
- 238000000576 coating method Methods 0.000 description 26
- 239000011248 coating agent Substances 0.000 description 20
- 238000004519 manufacturing process Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 7
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 6
- 229910052744 lithium Inorganic materials 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 239000002002 slurry Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000007788 liquid Substances 0.000 description 4
- 230000007257 malfunction Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 206010049040 Weight fluctuation Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 239000011888 foil Substances 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 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
- 230000003449 preventive effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04C—ROTARY-PISTON, OR OSCILLATING-PISTON, POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; ROTARY-PISTON, OR OSCILLATING-PISTON, POSITIVE-DISPLACEMENT PUMPS
- F04C14/00—Control of, monitoring of, or safety arrangements for, machines, pumps or pumping installations
- F04C14/28—Safety arrangements; Monitoring
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Mechanical Engineering (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本申请公开了一种流体泵异常检测方法、装置、电子设备和存储介质。其中,该方法包括:获取流体泵在运行状态下的运行参数,所述运行参数包括扭矩参数和运行速度参数;将所述扭矩参数对应的时域特征数据和统计特征数据、以及所述运行速度参数对应的时域特征数据和统计特征数据进行预处理,得到预处理特征数据;基于所述预处理特征数据获取用于确定流体泵是否异常的目标特征数据;基于所述目标特征数据,确定所述流体泵是否出现异常。本申请实施例中能够提高流体泵异常检测的准确性,及时发现流体泵的异常状况,提升流体泵的使用寿命。
Description
技术领域
本申请涉及工业设备检测技术领域,具体涉及一种流体泵异常检测方法、装置、电子设备和存储介质。
背景技术
螺杆泵作为流体泵中一种常见的工业设备,在各种领域中被广泛使用。然而,由于其运行环境的复杂性和长期使用的磨损,流体泵会存在着各种潜在的故障和异常情况。这些故障可能会导致流体泵设备的损坏、生产效率的下降以及安全隐患的出现。对于一些精度要求高的行业,如锂电池生产制造中的涂布工序来说,需要通过流体泵将浆料均匀涂覆到金属箔表面,涂覆厚度在微米级别,需要非常稳定输出浆料。因此,对流体泵进行异常检测和健康评估变得至关重要。通过实时监测流体泵的状态识别潜在的故障,可以及时采取相应的维修或更换措施,来确保涂布设备的正常运行和生产效率的最大化。
目前,相关技术中主要通过监测流体泵的电流变化情况判断流体泵是否出现异常,然而通过分析监测到的电流数据只能对流体泵进行定性的分析,难以定位出流体泵中实际的故障,而且流体泵还容易受到物料的影响出现误报警的情况,从而导致流体泵的异常检测效率和准确性均较低。
上述的陈述仅用于提供与本申请有关的背景技术信息,而不必然地构成现有技术。
发明内容
鉴于上述问题,本申请提供一种流体泵异常检测方法、装置、电子设备和存储介质,能够解决相关技术中流体泵的异常检测效率和准确性均较低的技术问题。
第一方面,本申请提供了一种流体泵异常检测方法,包括:获取流体泵在运行状态下的运行参数,所述运行参数包括扭矩参数和运行速度参数;将所述扭矩参数对应的时域特征数据和统计特征数据、以及所述运行速度参数对应的时域特征数据和统计特征数据进行预处理,得到预处理特征数据;基于所述预处理特征数据获取用于确定流体泵是否异常的目标特征数据;基于所述目标特征数据,确定所述流体泵是否出现异常。
本发明实施例的技术方案中,基于获取流体泵在运行中的扭矩参数和运行速度参数,获取用于确定流体泵是否异常的目标特征数据;基于该目标特征数据,可以准确的确定出流体泵是否出现异常;相较于相关技术中通过分析监测到的电流数据来定性分析流体泵中出现的异常的方式,本申请不仅能够提高流体泵异常检测的准确性,及时发现流体泵的异常状况,提升流体泵的使用寿命。还能提升利用流体泵进行作业的系统的可靠性和稳定性。
在一些实施例中,所述将所述扭矩参数和运行速度参数进行预处理,基于预处理得到的特征数据获取用于确定流体泵是否异常的目标特征数据之前,还包括:获取预设检测周期内多个数据采集时刻,所述扭矩参数对应的时域特征数据和统计特征数据、以及所述运行速度参数对应的时域特征数据和统计特征数据。
在本申请实施例中,通过获取预设检测周期内多个数据采集时刻对应的时域特征数据和统计特征数据,然后对该时域特征数据和统计特征数据进行预处理,可以获取到用于确定流体泵是否异常的特征数据,提高流体泵异常检测的准确性以及检测效果。
在一些实施例中,所述基于所述预处理特征数据获取用于确定流体泵是否异常的目标特征数据,包括:确定所述预处理特征数据中的各类型的特征数据对应的预测权重;所述预测权重用于表征根据当前类型的特征数据计算所述流体泵的运行状态所占的权重;将预测权重大于预设阈值的特征数据确定为所述目标特征数据。在该实施例中,根据不同类型的特征数据对应的预测权重来选择用于确定流体泵是否异常的目标特征数据,可以提高流体泵异常检测的准确性。
在一些实施例中,所述确定所述预处理特征数据中的各类型的特征数据对应的预测权重,包括:获取根据所述各类型的特征数据评估所述流体泵的运行状态对应的影响指数值;将所述影响指数值进行归一化处理,得到各类型的特征数据对应的预测权重。在本申请实施例中,通过根据所述各类型的特征数据评估所述流体泵的运行状态对应的影响指数值,可以精确的选择用于确定流体泵是否异常的目标特征数据,可以提高流体泵异常检测的准确性。
在一些实施例中,所述基于所述目标特征数据,确定所述流体泵是否出现异常,包括:确定各类型的所述目标特征数据各自对应的判断阈值;在确定任一数据采集时刻对应的至少两个类型的所述目标特征数据,均大于或等于各自对应的判断阈值的情况下,确定所述流体泵出现异常。在本申请实施例中,根据任一数据采集时刻对应的至少两个类型的所述目标特征数据,均大于或等于各自对应的判断阈值的情况下,可以精准的确定出流体泵出现异常,进一步提升流体泵异常检测的效率和准确性。
在一些实施例中,所述基于所述目标特征数据,确定所述流体泵是否出现异常,包括:计算各数据采集时刻的各类型的目标特征数据与各自对应的预测权重的乘积,得到各数据采集时刻的所述各类型的目标特征数据对应的第一乘积值;基于将同一数据采集时刻对应的第一乘积值相加得到的和值,获取各数据采集时刻对应的第一和值;在存在任一所述第一和值未处于目标区间的情况下,确定所述流体泵出现异常。在本申请实施例中,通过获取多个数据采集时刻的多个类型的特征数据与各自的预测权重的乘积,以及通过判断各乘积相加得到的和值与目标区间进行比对的方式,可以精准的确定出流体泵出现异常,进一步提流体泵异常检测的效率和准确性。
在一些实施例中,所述计算各数据采集时刻的各类型的目标特征数据与各自对应的预测权重的乘积之前,还包括:获取历史检测周期内所述流体泵对应的正常特征数据,所述正常特征数据包括所述流体泵未发生异常情况下各数据采集时刻对应的时域特征数据和统计特征数据;计算所述正常特征数据中,各数据采集时刻的各类型的特征数据与各自对应的预测权重的乘积,得到各数据采集时刻各类型的特征数据对应的第二乘积值;基于将同一数据采集时刻对应的第二乘积值相加得到的和值,获取各数据采集时刻对应的第二和值;基于各所述第二和值确定所述目标区间。在本申请实施例中,基于历史周期内流体泵的正常特征数据来获取目标区间,基于该目标区间可以精准的确定出流体泵出现异常,进一步提流体泵异常检测的效率和准确性。
在一些实施例中,所述基于所述目标特征数据,确定所述流体泵是否出现异常之前,还包括:获取目标时间段内的训练样本数据,所述训练样本数据包括与所述目标特征数据中特征类型相同的多个时域特征数据和统计特征数据,以及多个时域特征数据和统计特征数据各自对应的状态标识;所述状态标识用于表征流体泵是否出现异常;训练用于确定流体泵是否异常的异常检测预训练模型,直至达到收敛条件时获得所述异常检测预训练模型。在本申请实施例中,通过对流体泵对应的训练样本数据对异常检测预训练模型进行训练,可以获取到用于精准预测流体泵是否出现异常的检测模型。
在一些实施例中,所述基于所述目标特征数据,确定所述流体泵是否出现异常,包括:将所述目标特征数据输入所述异常检测预训练模型中,获取所述目标特征数据对应的状态标识;根据状态标识确定流体泵是否出现异常。在本申请实施例中,通过对流体泵对应的训练样本数据对异常检测预训练模型进行训练,可以通过异常检测预训练模型精准预测流体泵是否出现异常,且能进一步提流体泵异常检测的效率。
在一些实施例中,将所述各数据采集时刻对应的第一和值,确定为所述流体泵各数据采集时刻对应的健康度值;基于所述各数据采集时刻对应的健康度值,确定所述流体泵的健康度等级。通过实时监测螺杆泵的健康度,可以及时采取相应的维修或更换措施,提升流体泵的使用寿命的同时还能提高生产效率。
第二方面,本发明实施例了一种流体泵异常检测装置,包括:第一获取单元,用于获取流体泵在运行状态下的运行参数,所述运行参数包括扭矩参数和运行速度参数;第二获取单元,用于将所述扭矩参数对应的时域特征数据和统计特征数据、以及所述运行速度参数对应的时域特征数据和统计特征数据进行预处理,得到预处理特征数据;基于所述预处理特征数据获取用于确定流体泵是否异常的目标特征数据;确定单元,用于基于所述目标特征数据,确定所述流体泵是否出现异常。
第三方面,本发明实施例了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如第一方面所述的方法。
第四方面,本发明实施例了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现如第一方面所述的方法。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
通过阅读对下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。而且在全部附图中,用相同的附图标号表示相同的部件。在附图中:
图1为本申请实施例提供的一种流体泵异常检测方法的流程图;
图2为本申请实施例提供的一种流体泵的扭矩原始信号示意图;
图3为本申请实施例提供的另一种流体泵的扭矩原始信号示意图;
图4为本申请实施例提供的一种流体泵实际速度与设定速度差值示意图;
图5是本申请实施例提供的一种流体泵的扭矩参数特征示意图;
图6是本申请实施例提供的另一种流体泵的扭矩参数特征示意图;
图7是本申请实施例提供的另一种流体泵的扭矩参数特征示意图;
图8是本申请实施例提供的又一种流体泵的扭矩参数特征示意图;
图9是本申请实施例提供的另一种流体泵的扭矩参数特征示意图;
图10是本申请实施例提供的另一种流体泵的扭矩参数特征示意图;
图11是本申请实施例提供的一种流体泵的速度参数特征示意图;
图12是本申请实施例提供的另一种流体泵的速度参数特征示意图;
图13是本申请实施例提供的另一种流体泵的速度参数特征示意图;
图14是本申请实施例提供的又一种流体泵的速度参数特征示意图;
图15是本申请实施例提供的另一种流体泵的速度参数特征示意图;
图16是本申请实施例提供的另一种流体泵的速度参数特征示意图;
图17是本申请实施例提供的一种流体泵的异常检测结果展示示意图;
图18是本申请实施例提供的不同的螺杆泵健康值评估示意图;
图19是本申请实施例提供的一种流体泵异常检测装置的结构示意图;
图20为是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合附图对本申请技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本申请的技术方案,因此只作为示例,而不能以此来限制本申请的保护范围。
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申请的技术领域的技术人员通常理解的含义相同;本文中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。
在本发明实施例的描述中,技术术语“第一”“第二”等仅用于区别不同对象,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本发明实施例的描述中,“多个”的含义是两个以上,除非另有明确具体的限定。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
在本发明实施例的描述中,术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
在本发明实施例的描述中,术语“多个”指的是两个以上(包括两个),同理,“多组”指的是两组以上(包括两组),“多片”指的是两片以上(包括两片)。
目前,在电池加工领域,如锂电池生产制造中的涂布工序所需的浆料,通常需要通过螺杆泵将浆料均匀涂覆到金属箔表面,涂覆厚度在微米级别,需要非常稳定输出浆料。因此,对螺杆泵进行异常检测和健康评估变得至关重要。然而,由于其运行环境的复杂性和长期使用的磨损,螺杆泵会存在着各种潜在的故障和异常情况。这些故障可能会导致螺杆泵设备的损坏、生产效率的下降以及安全隐患的出现。通过实时监测螺杆泵的状态识别潜在的故障,可以及时采取相应的维修或更换措施,来确保涂布设备的正常运行和生产效率的最大化。
相关技术中主要通过监测螺杆泵的电流变化情况判断螺杆泵是否出现异常,然而通过分析监测到的电流数据只能对螺杆泵进行定性的分析,难以定位出螺杆泵中实际的故障,而且螺杆泵还容易受到物料的影响出现误报警的情况,从而导致螺杆泵的异常检测效率和准确性均较低。
为了提升导致流体泵的异常检测效率和准确性,本申请设计了一种流体泵异常检测方法,该方法包括:获取流体泵在运行状态下的运行参数,所述运行参数包括扭矩参数和运行速度参数;将所述扭矩参数对应的时域特征数据和统计特征数据、以及所述运行速度参数对应的时域特征数据和统计特征数据进行预处理,得到预处理特征数据;基于所述预处理特征数据获取用于确定流体泵是否异常的目标特征数据;基于所述目标特征数据,确定所述流体泵是否出现异常。
本发明实施例的技术方案中,基于获取流体泵在运行中的扭矩参数和运行速度参数,获取用于确定流体泵是否异常的目标特征数据;基于该目标特征数据,可以准确的确定出流体泵是否出现异常;因此本申请不仅能够提高流体泵异常检测的准确性,及时发现流体泵的异常状况,提升流体泵的使用寿命。还能提升利用流体泵进行作业的系统的可靠性和稳定性。
本申请实施例并不限制于上述列举的应用场景,其他任意需要通过流体泵进行流体输送的应用场景,均可按照本申请实施例提供的方法来检测流体泵是否出现异常。该方法不仅能够实现提升流体泵异常检测的稳定性和准确性,最大化满足客户需求,且具有局限性小、普适性高等优点。
下面通过具体实施例详细描述本申请流体泵异常检测方法的具体过程。参见图1所示的流体泵异常检测方法的流程图,该方法具体包括以下步骤:
S101,获取流体泵在运行状态下的运行参数,所述运行参数包括扭矩参数和运行速度参数;
S102,将所述扭矩参数对应的时域特征数据和统计特征数据、以及所述运行速度参数对应的时域特征数据和统计特征数据进行预处理,得到预处理特征数据;基于所述预处理特征数据获取用于确定流体泵是否异常的目标特征数据;
S103,基于所述目标特征数据,确定所述流体泵是否出现异常。
具体地,在本发明实施例中,上述流体泵包括用于进行流体输送的各种类型的泵,如螺杆泵,叶片泵或齿轮泵等。以下实施例以螺杆泵为例对本申请的方案进行说明,并不对本申请产生任何限定作用。上述的运行参数包括螺杆泵在启动后至停止工作之间的运行参数;以锂电池生产过程中的涂布工序为例,包括涂布操作、待料以及未生产状态,在待料和未生产状态时螺杆泵出现异常的概率较低,为了能够准确检测到流体泵是否出现异常,本申请实施例通过将螺杆泵的工况进行分割,然后获取螺杆泵在涂布工序下的运行参数。如图2所示,锂电池生产过程中的涂布工序在预设时间段内包括涂布操作、待料以及未生产状态的多个阶段的扭矩原始信号特征。对上述各阶段的工况进行分割后,可以得到如图3所示的涂布操作阶段对应的扭矩信号特征;在一示例中,对上述各阶段的工况进行分割后,可以得到如图4所示的涂布操作阶段螺杆泵对应的实际速度与设定速度差值(速度残差)的信号特征。本申请实施例中的运行参数不仅包括扭矩参数和运行速度参数,还包括螺杆泵的运行速度的加速度等参数,本申请对此不作任何限定。
在获取到当前螺杆泵的扭矩参数和运行速度参数之后,可以通过从扭矩参数和运行速度参数获取至少一个类型的特征数据作为目标特征数据,然后根据该目标特征数据,确定所述流体泵是否出现异常。或者对上述扭矩参数和运行速度参数进行预处理,获取用于确定流体泵是否异常的目标特征数据,基于所述目标特征数据,确定所述流体泵是否出现异常。
需要说明的是,本申请实施例检测出流体泵出现的异常状况包括但不限于为液体泄漏,泵体阻塞和螺杆磨损等。液体泄漏是螺杆泵常见的故障之一。当螺杆泵的密封结构或密封件出现磨损或损坏时,液体会从密封处泄漏。这种故障通常会导致螺杆泵的工作效率下降,并且可能会对周围环境造成污染。
当螺杆泵输送的液体中含有固体颗粒时,这些固体颗粒可能会堵塞螺杆泵的进出口或输送管道,导致螺杆泵无法正常工作。阻塞问题通常会导致螺杆泵的输出流量减少甚至中断。
由于长时间使用或其他原因,螺杆泵的螺杆或轴套会发生磨损现象。螺杆的磨损会导致泵的流量和压力下降,进而影响泵的工作效率。
本发明实施例的技术方案中,基于获取流体泵在运行中的扭矩参数和运行速度参数,获取用于确定流体泵是否异常的目标特征数据;基于该目标特征数据,可以准确的确定出流体泵是否出现异常;相较于相关技术中通过分析监测到的电流数据来定性分析流体泵中出现的异常的方式,本申请不仅能够提高流体泵异常检测的准确性,及时发现流体泵的异常状况,提升流体泵的使用寿命。还能提升利用流体泵进行作业的系统的可靠性和稳定性。
在本申请的一个或多个实施方式中,所述将所述扭矩参数对应的时域特征数据和统计特征数据、以及所述运行速度参数对应的时域特征数据和统计特征数据进行预处理之前,还包括:获取预设检测周期内多个数据采集时刻,所述扭矩参数对应的时域特征数据和统计特征数据、以及所述运行速度参数对应的时域特征数据和统计特征数据。
具体地,在本申请实施例中,上述的时域特征数据包括多个数据采集时刻的扭矩参数对应的平均值、方差、标准差、峰值,以及速度参数对应的平均值、方差、标准差、峰值等;统计特征数据包括多个数据采集时刻的扭矩参数对应的峭度、偏度、峰度、峰值因子,以及速度参数对应的峭度、偏度、峰度、峰值因子等。上述的速度参数包括螺杆泵对应的速度残差。在一示例中,上述预设检测周期内多个数据采集时刻的扭矩参数对应的时域特征数据和统计特征数据包括:如图5所示的扭矩对应的峰峰值特征数据,如图6所示的扭矩对应的峭度特征数据,如图7所示的扭矩对应的峰值因子特征数据,如图8所示的扭矩对应的脉冲因子特征数据,如图9所示的扭矩对应的偏度特征数据,如图10所示的扭矩对应的裕度因子特征数据。预设检测周期内多个数据采集时刻的速度残差参数对应的时域特征数据和统计特征数据包括:如图11所示的速度残差对应的峰峰值特征数据,如图12所示的速度残差对应的峭度特征数据,如图13所示的速度残差对应的峰值因子特征数据,如图14所示的速度残差对应的脉冲因子特征数据,如图15所示的速度残差对应的偏度特征数据,如图16所示的速度残差对应的裕度因子特征数据。
为了提高提高流体泵异常检测的准确性以及检测效果,将获取到的上述时域特征数据和统计特征数据进行预处理,得到预处理特征数据;基于所述预处理特征数据获取所述目标特征数据。上述预处理包括数据清洗和异常值处理等,例如将上述每种类型的时域特征数据和统计特征数据按数值大小进行排序后,删除排在前10位以及后10位的数值后得到预处理特征数据。
在本申请实施例中,通过获取预设检测周期内多个数据采集时刻对应的时域特征数据和统计特征数据,然后对该时域特征数据和统计特征数据进行预处理,可以获取到用于确定流体泵是否异常的特征数据,提高流体泵异常检测的准确性以及检测效果。
在本申请的一个或多个实施方式中,所述基于所述预处理特征数据获取所述目标特征数据,包括:确定所述预处理特征数据中的各类型的特征数据对应的预测权重;所述预测权重用于表征根据当前类型的特征数据计算所述流体泵的运行状态所占的权重;将预测权重大于预设阈值的特征数据确定为所述目标特征数据。在该实施例中,根据不同类型的特征数据对应的预测权重来选择用于确定流体泵是否异常的目标特征数据,可以提高流体泵异常检测的准确性。
具体地,在本申请实施例中,假设扭矩参数对应的平均值对应的预测权重为0.15、扭矩参数对应的方差对应的预测权重为0.09、扭矩参数对应的标准差对应的0.05、扭矩参数对应的峰值对应的预测权重为0.05,以及速度参数对应的平均值的预测权重为0.02、方差对应的预测权重为0.12、标准差对应的预测权重为0.08、峰值对应的预测权重为0.05;统计特征数据包括多个数据采集时刻的扭矩参数对应的峭度的预测权重为0.05、偏度的预测权重为0.16、峰度对应的预测权重为0.03、峰值因子对应的预测权重为0.2,以及速度参数对应的峭度的预测权重为0.02、偏度的预测权重为0.01、峰度的预测权重为0.11、峰值因子的预测权重为。
假设预设阈值为0.1,将预测权重大于0.1的特征数据:扭矩参数对应的平均值、扭矩参数对应的偏度、速度参数对应的方差以及速度参数对应的峰度,确定为所述目标特征数据。
在本申请实施例中,根据不同类型的特征数据对应的预测权重来选择用于确定流体泵是否异常的目标特征数据,可以提高流体泵异常检测的准确性。
在本申请的一个或多个实施方式中,所述确定所述预处理特征数据中的各类型的特征数据对应的预测权重,包括:获取根据所述各类型的特征数据评估所述流体泵的运行状态对应的影响指数值;将所述影响指数值进行归一化处理,得到各类型的特征数据对应的预测权重。
具体地,在本申请实施例中,包括但不限于通过费希尔准则,来获取根据所述各类型的特征数据评估所述流体泵的运行状态对应的影响指数值;例如假设扭矩参数对应的平均值对应的预测权重为15、扭矩参数对应的方差对应的预测权重为9,将所述影响指数值进行归一化处理,扭矩参数对应的平均值对应的预测权重为0.15、扭矩参数对应的方差对应的预测权重为0.09。在本申请实施例中,根据获取根据所述各类型的特征数据评估所述流体泵的运行状态对应的影响指数值,可以精确的选择用于确定流体泵是否异常的目标特征数据,可以提高流体泵异常检测的准确性。
在本申请的一个或多个实施方式中,所述基于所述目标特征数据,确定所述流体泵是否出现异常,包括:确定各类型的所述目标特征数据各自对应的判断阈值;在确定任一数据采集时刻对应的至少两个类型的所述目标特征数据,均大于或等于各自对应的判断阈值的情况下,确定所述流体泵出现异常。
具体地,本申请在螺杆泵异常检测中,假设上述目标特征数据包括:速度参数(如速度残差)对应的峰峰值、最小值、最大值、峭度、峰值因子,扭矩参数对应的峰峰值、裕度因子、最小值、最大值、峭度;假设速度残差对应的峰峰值、最小值均大于或等于各自对应的判断阈值的情况下,确定所述流体泵出现异常,或者当速度残差对应的峰峰值以及扭矩参数对应的峰峰值均大于或等于各自对应的判断阈值的情况下,确定所述流体泵出现异常。
在本申请实施例中,根据任一数据采集时刻对应的至少两个类型的所述目标特征数据,均大于或等于各自对应的判断阈值的情况下,可以精准的确定出流体泵出现异常,进一步提升流体泵异常检测的效率和准确性。
在本申请的一个或多个实施方式中,所述基于所述目标特征数据,确定所述流体泵是否出现异常,包括:计算各数据采集时刻的各类型的目标特征数据与各自对应的预测权重的乘积,得到各数据采集时刻的所述各类型的目标特征数据对应的第一乘积值;基于将同一数据采集时刻对应的第一乘积值相加得到的和值,获取各数据采集时刻对应的第一和值;在存在任一所述第一和值未处于目标区间的情况下,确定所述流体泵出现异常。
具体地,假设当前数据采集时刻的扭矩参数对应的平均值为5(牛·米),其对应的预测权重为0.15;扭矩参数的偏度为0.8,其对应的预测权重为0.16;速度残差的方差为1,其对应的预测权重为0.12;速度残差的峰度为3,其对应的预测权重为0.11。扭矩参数的平均值对应第一乘积值为0.75,扭矩参数的偏度对应的第一乘积值为0.128,速度残差的方差对应的第一乘积值为0.12,速度残差的峰度对应的第一乘积值为0.33。当前数据采集时刻的第一和值为1.328。假设目标区间为[1.2,1.5],则确定所述流体泵未出现异常;假设目标区间为[1.1,1.3],则确定所述流体泵出现了异常。
在本申请实施例中,通过获取多个数据采集时刻的多个类型的特征数据与各自的预测权重的乘积,以及通过判断各乘积相加得到的和值与目标区间进行比对的方式,可以精准的确定出流体泵出现异常,进一步提流体泵异常检测的效率和准确性。
在本申请的一个或多个实施方式中,所述计算各数据采集时刻的各类型的目标特征数据与各自对应的预测权重的乘积之前,还包括:获取历史检测周期内所述流体泵对应的正常特征数据,所述正常特征数据包括所述流体泵未发生异常情况下各数据采集时刻对应的时域特征数据和统计特征数据;计算所述正常特征数据中,各数据采集时刻的各类型的特征数据与各自对应的预测权重的乘积,得到各数据采集时刻各类型的特征数据对应的第二乘积值;基于将同一数据采集时刻对应的第二乘积值相加得到的和值,获取各数据采集时刻对应的第二和值;基于各所述第二和值确定所述目标区间。
具体地,在本申请实施例中,包括但不限于通过三西格玛准则和各数据采集时刻对应的第二和值来确定目标区间,本申请基于历史周期内流体泵的正常特征数据来获取目标区间,基于该目标区间可以精准的确定出流体泵出现异常,进一步提流体泵异常检测的效率和准确性。
在本申请的一个或多个实施方式中,所述基于所述目标特征数据,确定所述流体泵是否出现异常之前,还包括:获取目标时间段内的训练样本数据,所述训练样本数据包括与所述目标特征数据中特征类型相同的多个时域特征数据和统计特征数据,以及多个时域特征数据和统计特征数据各自对应的状态标识;所述状态标识用于表征流体泵是否出现异常;训练用于确定流体泵是否异常的异常检测预训练模型,直至达到收敛条件时获得所述异常检测预训练模型。
具体地,在本申请实施例中,例如获取以当前时刻之前的半年时间段内,螺杆泵对应的目标特征数据,将螺杆泵处于正常状态下的目标特征数据的状态标识配置为0,螺杆泵处于异常状态下的目标特征数据的状态标识配置为1。将上述数据作为训练样本,训练用于确定流体泵是否异常的异常检测预训练模型,直至达到收敛条件时获得所述异常检测预训练模型。如图17所示,通过异常检测预训练模型确定螺杆泵在2023年3月到2023年7月的时间段内,在2023年3月到2023年4月运行期间出现了异常。
在本申请实施例中,通过对流体泵对应的训练样本数据对异常检测预训练模型进行训练,可以获取到用于精准预测流体泵是否出现异常的检测模型。
在本申请的一个或多个实施方式中,所述基于所述目标特征数据,确定所述流体泵是否出现异常,包括:将所述目标特征数据输入所述异常检测预训练模型中,获取所述目标特征数据对应的状态标识;根据状态标识确定流体泵是否出现异常。
具体地,在本申请实施例中,将所述目标特征数据输入所述异常检测预训练模型中,当获取到目标特征数据对应的状态标识为1,根据状态标识确定流体泵出现了异常;当获取到目标特征数据对应的状态标识为0,根据状态标识确定流体泵未出现异常。在本申请实施例中,通过对流体泵对应的训练样本数据对异常检测预训练模型进行训练,可以通过异常检测预训练模型精准预测流体泵是否出现异常,且能进一步提流体泵异常检测的效率。
在本申请的一个或多个实施方式中,将所述各数据采集时刻对应的第一和值,确定为所述流体泵各数据采集时刻对应的健康度值;基于所述各数据采集时刻对应的健康度值,确定所述流体泵的健康度等级。
具体地,在本申请实施例中,假设当前数据采集时刻的扭矩参数对应的平均值为5(牛·米),其对应的预测权重为0.15;扭矩参数的偏度为0.8,其对应的预测权重为0.16;速度残差的方差为1,其对应的预测权重为0.12;速度残差的峰度为3,其对应的预测权重为0.11。扭矩参数的平均值对应第一乘积值为0.75,扭矩参数的偏度对应的第一乘积值为0.128,速度残差的方差对应的第一乘积值为0.12,速度残差的峰度对应的第一乘积值为0.33。当前数据采集时刻的第一和值为1.328,将1.328与量化参数值60的乘积,得到量化到区间0-100之间的健康度值79.68。同理可以获取到预设时间段内所有数据采集时刻的对应的健康度值,确定所述流体泵的健康度等级。如图18所示,图18中显示的为五个不同螺杆泵的健康值评估结果,其中,螺杆泵A在2023年3月到4月期间发生了定子磨损故障,健康性能急剧下降,之后更换定子后健康度值恢复正常,健康度等级回复正常状态对应的等级。螺杆泵E健康度值相较其他螺杆泵的将康度值偏低,根据涂布系统的日志可以核查出螺杆泵E在工作过程中的涂布重量波动大,符合实际情况,无需采取维修或更换部件的措施。
在本申请实施例中,通过实时监测螺杆泵的健康度,可以及时采取相应的维修或更换措施,提升流体泵的使用寿命的同时还能提高生产效率。
基于上述实施例,在本申请的一个或多个实施方式中,上述流体泵异常检测方法包括:
1.数据采集和工况分割。
首先收集螺杆泵的相关运行数据,可以通过螺杆泵设备自身的可编程逻辑控制器中的数据获取运行参数,如扭矩、转速等参数,采集到的原始数据会包含螺杆泵不同的工作状态,针对锂电池生产的涂布工序来说,包括涂布,待料,以及未生产状态。如图2所示,锂电池生产过程中的涂布工序在预设时间段内包括涂布操作、待料以及未生产状态的多个阶段的扭矩原始信号特征。由于不同状态模式下扭矩信号差别较大,所以需要分割不同工况下的运行参数对螺杆泵进行分析,由于螺杆泵的异常状态通常出现在工作状态下,所以需要将螺杆泵涂布时的运行参数分割出来以确定螺杆泵是否出现异常。对上述各阶段的工况进行分割后,可以得到如图3所示的涂布操作阶段对应的扭矩信号特征;在一示例中,对上述各阶段的工况进行分割后,可以得到如图4所示的涂布操作阶段螺杆泵对应的实际速度与设定速度差值(速度残差)的信号特征。图3和4中方框中的信号特征指示螺杆泵出现了定子磨损的故障。
通常情况下,分割出的运行参数可能会存在噪声或异常值,因此需要对分割后的各种运行参数进行数据预处理,预处理操作包括数据清洗、异常值处理等步骤,以提高后续特征提取和异常检测的准确性和效果。
2.特征提取和选择。
特征提取步骤包括从工况分割后的运行参数中提取描述螺杆泵的状态和性能的特征数据。这里以工况分割后的扭矩信号(扭矩参数)和速度残差信号(运行速度参数)为数据基础,选取数据窗口大小为10000(10000个数据采集时刻对应的运行参数),提取常用的时域特征包括:平均值、方差、标准差、峰值等,统计特征:如峭度、偏度、峰度、峰值因子等。在一示例中,例如上述预设检测周期(2023年3月到2023年7月)内多个数据采集时刻的扭矩参数对应的时域特征数据和统计特征数据包括:如图5所示的扭矩对应的峰峰值特征数据,如图6所示的扭矩对应的峭度特征数据,如图7所示的扭矩对应的峰值因子特征数据,如图8所示的扭矩对应的脉冲因子特征数据,如图9所示的扭矩对应的偏度特征数据,如图10所示的扭矩对应的裕度因子特征数据。预设检测周期内多个数据采集时刻的速度残差参数对应的时域特征数据和统计特征数据包括:如图11所示的速度残差对应的峰峰值特征数据,如图12所示的速度残差对应的峭度特征数据,如图13所示的速度残差对应的峰值因子特征数据,如图14所示的速度残差对应的脉冲因子特征数据,如图15所示的速度残差对应的偏度特征数据,如图16所示的速度残差对应的裕度因子特征数据。
在特征数据提取之后,使用费希尔准则对特征数据进行排序,根据各特征的相关性、重要性和信息量选择目标类型的特征,可以减少数据维度、提高流体泵异常检测算法的计算效率。
3.流体泵异常检测。
在螺杆泵异常检测中,按照费希尔准则得到的各类型的特征对应的评估值(影响指数值),对评估值进行排序,选择排在前预设位数的特征,例如对速度残差对应的特征评估值排在前五位的特征分别是峰峰值、最小值、最大值、峭度、峰值因子,扭矩对应的特征评估值排在前五位的特征分别是峰峰值、裕度因子、最小值、最大值、峭度,扭矩最大值。这里,可以通过以下方法来判断流体泵是否出现异常:
I.确定各类型的目标特征数据各自对应的判断阈值;在确定任一数据采集时刻对应的至少两个类型的所述目标特征数据,均大于或等于各自对应的判断阈值的情况下,确定所述流体泵出现异常。例如本申请在螺杆泵异常检测中,假设上述目标特征数据包括:速度参数(如速度残差)对应的峰峰值、最小值、最大值、峭度、峰值因子,扭矩参数对应的峰峰值、裕度因子、最小值、最大值、峭度;假设速度残差对应的峰峰值、最小值均大于或等于各自对应的判断阈值的情况下,确定所述流体泵出现异常,或者当速度残差对应的峰峰值以及扭矩参数对应的峰峰值均大于或等于各自对应的判断阈值的情况下,确定所述流体泵出现异常。
II. 获取历史检测周期内流体泵对应的正常特征数据,正常特征数据包括所述流体泵未发生异常情况下各数据采集时刻对应的时域特征数据和统计特征数据;计算所述正常特征数据中,各数据采集时刻的各类型的特征数据与各自对应的预测权重的乘积,得到各数据采集时刻各类型的特征数据对应的第二乘积值;基于将同一数据采集时刻对应的第二乘积值相加得到的和值,获取各数据采集时刻对应的第二和值;通过三西格玛准则和各数据采集时刻对应的第二和值来确定目标区间。确定目标区间之后,假设当前数据采集时刻的扭矩参数对应的平均值为5(牛•米),其对应的预测权重为0.15;扭矩参数的偏度为0.8,其对应的预测权重为0.16;速度残差的方差为1,其对应的预测权重为0.12;速度残差的峰度为3,其对应的预测权重为0.11。扭矩参数的平均值对应第一乘积值为0.75,扭矩参数的偏度对应的第一乘积值为0.128,速度残差的方差对应的第一乘积值为0.12,速度残差的峰度对应的第一乘积值为0.33。当前数据采集时刻的第一和值为1.328。例如当上述目标区间为[1.2,1.5]时,则确定所述流体泵未出现异常;例如当上述目标区间为[1.1,1.3]时,则确定所述流体泵出现了异常。
III. 获取以当前时刻之前的预设时间段内,螺杆泵对应的目标特征数据,将螺杆泵处于正常状态下的目标特征数据的状态标识配置为0,螺杆泵处于异常状态下的目标特征数据的状态标识配置为1。将上述数据作为训练样本,训练用于确定流体泵是否异常的异常检测预训练模型,直至达到收敛条件时获得所述异常检测预训练模型。如图17所示,将螺杆泵在2023年3月到2023年7月的时间段内对应的目标特征数据输入到异常检测预训练模型中,输出结果为螺杆泵在2023年3月到2023年4月运行期间出现了异常。
4. 健康状态指标定义和计算。
I.在螺杆泵健康评估模型中,健康状态指标是评估螺杆泵运行状态的关键指标。对于锂离子的涂布工序来说,螺杆泵为涂布提供稳定持续的浆料,由于工艺要求,对于螺杆泵的响应性能有很高要求,特别是螺杆泵泵速和流量的稳定性,这些指标可以准确描述螺杆泵的工作状态和潜在的故障情况。通过定义并计算健康状态指标,可以实现对螺杆泵健康状态的有效监测和评估。例如速度残差的峰峰值、峭度、均方根等特征可以直接反应螺杆泵工作的健康状态。
在本申请实施例中,假设当前数据采集时刻的扭矩参数对应的平均值为5(牛•米),其对应的预测权重为0.15;扭矩参数的偏度为0.8,其对应的预测权重为0.16;速度残差的方差为1,其对应的预测权重为0.12;速度残差的峰度为3,其对应的预测权重为0.11。扭矩参数的平均值对应第一乘积值为0.75,扭矩参数的偏度对应的第一乘积值为0.128,速度残差的方差对应的第一乘积值为0.12,速度残差的峰度对应的第一乘积值为0.33。当前数据采集时刻的第一和值为1.328,将1.328与量化参数值60的乘积,得到量化到区间0-100之间的健康度值79.68。同理可以获取到预设时间段内所有数据采集时刻的对应的健康度值,确定所述流体泵的健康度等级。如图18所示,图18中显示的为五个不同螺杆泵的健康值评估结果,其中,螺杆泵A在2023年3月到4月期间发生了定子磨损故障,健康性能急剧下降,之后更换定子后健康度值恢复正常,健康度等级回复正常状态对应的等级。螺杆泵E健康度值相较其他螺杆泵的将康度值偏低,根据涂布系统的日志可以核查出螺杆泵E在工作过程中的涂布重量波动大,符合实际情况,无需采取维修或更换部件的措施。
II.模型训练和验证。
在螺杆泵健康评估模型中,模型的训练和验证是确保模型可行性和准确性的重要步骤。模型训练使用已知的正常运行参数和异常故障参数作为样本进行学习和优化,以构建预测准确度较高的螺杆泵健康评估模型。
本申请实施例实现对工业现场流体泵的实时监控,上述流体泵的异常检测方法可用于制定流体泵的预防性维护计划和故障诊断方案,不仅能延长流体泵的使用寿命,还能提高流体泵所在系统的可靠性和稳定性。
本发明实施例还提供了一种流体泵异常检测装置,该装置用于执行上述各实施例提供的流体泵异常检测方法,如图19所示,该装置包括:
第一获取单元1902,用于获取流体泵在运行状态下的运行参数,所述运行参数包括扭矩参数和运行速度参数;
第二获取单元1904,用于将所述扭矩参数对应的时域特征数据和统计特征数据、以及所述运行速度参数对应的时域特征数据和统计特征数据进行预处理,得到预处理特征数据;基于所述预处理特征数据获取用于确定流体泵是否异常的目标特征数据;
第一确定单元1906,用于基于所述目标特征数据,确定所述流体泵是否出现异常。
本发明实施例的技术方案中,基于获取流体泵在运行中的扭矩参数和运行速度参数,获取用于确定流体泵是否异常的目标特征数据;基于该目标特征数据,可以准确的确定出流体泵是否出现异常;相较于相关技术中通过分析监测到的电流数据来定性分析流体泵中出现的异常的方式,本申请不仅能够提高流体泵异常检测的准确性,及时发现流体泵的异常状况,提升流体泵的使用寿命。还能提升利用流体泵进行作业的系统的可靠性和稳定性。
在本申请的一个或多个实施方式中,所述第二获取单元1904,包括:
第一获取模块,用于获取预设检测周期内多个数据采集时刻,所述扭矩参数对应的时域特征数据和统计特征数据、以及所述运行速度参数对应的时域特征数据和统计特征数据。
在本申请的一个或多个实施方式中,所述第二获取单元1904,包括:
第一确定子单元,用于确定所述预处理特征数据中的各类型的特征数据对应的预测权重;所述预测权重用于表征根据当前类型的特征数据计算所述流体泵的运行状态所占的权重;
第二确定子单元,用于将预测权重大于预设阈值的特征数据确定为所述目标特征数据。
在本申请的一个或多个实施方式中,所述第一确定子单元,包括:
第一获取子模块,用于获取根据所述各类型的特征数据评估所述流体泵的运行状态对应的影响指数值;
归一化模块,将所述影响指数值进行归一化处理,得到各类型的特征数据对应的预测权重。
在本申请的一个或多个实施方式中,所述第一确定单元1906,包括:
第一确定模块,用于确定各类型的所述目标特征数据各自对应的判断阈值;
第二确定模块,用于在确定任一数据采集时刻对应的至少两个类型的所述目标特征数据,均大于或等于各自对应的判断阈值的情况下,确定所述流体泵出现异常。
在本申请的一个或多个实施方式中,所述第一确定单元1906,包括:
计算模块,用于计算各数据采集时刻的各类型的目标特征数据与各自对应的预测权重的乘积,得到各数据采集时刻的所述各类型的目标特征数据对应的第一乘积值;
第二获取模块,用于基于将同一数据采集时刻对应的第一乘积值相加得到的和值,获取各数据采集时刻对应的第一和值;
第三获取模块,用于在存在任一所述第一和值未处于目标区间的情况下,确定所述流体泵出现异常。
在本申请的一个或多个实施方式中,所述流体泵异常检测装置,还包括:
第三获取单元,用于获取历史检测周期内所述流体泵对应的正常特征数据,所述正常特征数据包括所述流体泵未发生异常情况下各数据采集时刻对应的时域特征数据和统计特征数据;
计算单元,用于计算所述正常特征数据中,各数据采集时刻的各类型的特征数据与各自对应的预测权重的乘积,得到各数据采集时刻各类型的特征数据对应的第二乘积值;基于将同一数据采集时刻对应的第二乘积值相加得到的和值,获取各数据采集时刻对应的第二和值;
第二确定单元,用于基于各所述第二和值确定所述目标区间。
在本申请的一个或多个实施方式中,所述流体泵异常检测装置,还包括:
第四获取单元,用于获取目标时间段内的训练样本数据,所述训练样本数据包括与所述目标特征数据中特征类型相同的多个时域特征数据和统计特征数据,以及多个时域特征数据和统计特征数据各自对应的状态标识;所述状态标识用于表征流体泵是否出现异常;
训练单元,用于训练用于确定流体泵是否异常的异常检测预训练模型,直至达到收敛条件时获得所述异常检测预训练模型。
在本申请的一个或多个实施方式中,第一确定单元1906,包括:
第四获取模块,用于将所述目标特征数据输入所述异常检测预训练模型中,获取所述目标特征数据对应的状态标识;
第三确定模块,用于根据状态标识确定流体泵是否出现异常。
在本申请的一个或多个实施方式中,所述流体泵异常检测装置,还包括:
第三确定单元,用于将所述各数据采集时刻对应的第一和值,确定为所述流体泵各数据采集时刻对应的健康度值;
第四确定单元,用于基于所述各数据采集时刻对应的健康度值,确定所述流体泵的健康度等级。
图20是根据一示例性实施例示出的一种电子设备的逻辑结构框图。例如,电子设备2000可以是流体泵的控制器、流体泵的电机控制器、域控制器或其他工业生产设备等设置在用电装置内部的电子设备。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器,上述指令可由电池处理器执行以完成上述流体泵异常检测方法,该方法包括:获取流体泵在运行状态下的运行参数,所述运行参数包括扭矩参数和运行速度参数;将所述扭矩参数对应的时域特征数据和统计特征数据、以及所述运行速度参数对应的时域特征数据和统计特征数据进行预处理,得到预处理特征数据;基于所述预处理特征数据获取用于确定流体泵是否异常的目标特征数据;基于所述目标特征数据,确定所述流体泵是否出现异常。可选地,上述指令还可以由电池的处理器执行以完成上述示例性实施例中所涉及的其他步骤。例如,非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供了一种应用程序/计算机程序产品,包括一条或多条指令,该一条或多条指令可以由电池的处理器执行,以完成上述流体泵异常检测方法,该方法包括:获取流体泵在运行状态下的运行参数,所述运行参数包括扭矩参数和运行速度参数;将所述扭矩参数对应的时域特征数据和统计特征数据、以及所述运行速度参数对应的时域特征数据和统计特征数据进行预处理,得到预处理特征数据;基于所述预处理特征数据获取用于确定流体泵是否异常的目标特征数据;基于所述目标特征数据,确定所述流体泵是否出现异常。可选地,上述指令还可以由电池的处理器执行以完成上述示例性实施例中所涉及的其他步骤。图20为电子设备2000的示例图。本领域技术人员可以理解,示意图20仅仅是电子设备2000的示例,并不构成对电子设备2000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,例如电子设备2000还可以包括输入输出设备、网络接入设备、总线等。
所称处理器2002可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器2002也可以是任何常规的处理器等,处理器2002是电子设备2000的控制中心,利用各种接口和线路连接整个电子设备2000的各个部分。
存储器2001可用于存储计算机可读指令,处理器2002通过运行或执行存储在存储器2001内的计算机可读指令或模块,以及调用存储在存储器2001内的数据,实现电子设备2000的各种功能。存储器2001可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备2000的使用所创建的数据等。此外,存储器2001可以包括硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)或其他非易失性/易失性存储器件。
电子设备2000集成的模块如果以软件功能模块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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机可读指令来指令相关的硬件来完成的计算机可读指令可存储于一计算机可读存储介质中,该计算机可读指令在被处理器执行时,可实现上述各个方法实施例的步骤。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准,并提供有相应的操作入口,供用户选择授权或者拒绝。
Claims (12)
1.一种流体泵异常检测方法,其特征在于,包括:
获取流体泵在运行状态下的运行参数,所述运行参数包括扭矩参数和运行速度参数;
将所述扭矩参数对应的时域特征数据和统计特征数据、以及所述运行速度参数对应的时域特征数据和统计特征数据进行预处理,得到预处理特征数据;
基于所述预处理特征数据获取用于确定流体泵是否异常的目标特征数据;
基于所述目标特征数据,确定所述流体泵是否出现异常,包括:计算各数据采集时刻的各类型的目标特征数据与各自对应的预测权重的乘积,得到各数据采集时刻的所述各类型的目标特征数据对应的第一乘积值;基于将同一数据采集时刻对应的第一乘积值相加得到的和值,获取各数据采集时刻对应的第一和值;在存在任一所述第一和值未处于目标区间的情况下,确定所述流体泵出现异常;其中,所述预测权重用于表征根据当前类型的特征数据计算所述流体泵的运行状态所占的权重。
2.根据权利要求1所述的方法,其特征在于,所述将所述扭矩参数对应的时域特征数据和统计特征数据、以及所述运行速度参数对应的时域特征数据和统计特征数据进行预处理之前,还包括:
获取预设检测周期内多个数据采集时刻,所述扭矩参数对应的时域特征数据和统计特征数据、以及所述运行速度参数对应的时域特征数据和统计特征数据。
3.根据权利要求2所述的方法,其特征在于,所述基于所述预处理特征数据获取用于确定流体泵是否异常的目标特征数据,包括:
确定所述预处理特征数据中的各类型的特征数据对应的预测权重;
将预测权重大于预设阈值的特征数据确定为所述目标特征数据。
4.根据权利要求3所述的方法,其特征在于,所述确定所述预处理特征数据中的各类型的特征数据对应的预测权重,包括:
获取根据所述各类型的特征数据评估所述流体泵的运行状态对应的影响指数值;
将所述影响指数值进行归一化处理,得到各类型的特征数据对应的预测权重。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述基于所述目标特征数据,确定所述流体泵是否出现异常,包括:
确定各类型的所述目标特征数据各自对应的判断阈值;
在确定任一数据采集时刻对应的至少两个类型的所述目标特征数据,均大于或等于各自对应的判断阈值的情况下,确定所述流体泵出现异常。
6.根据权利要求1所述的方法,其特征在于,所述计算各数据采集时刻的各类型的目标特征数据与各自对应的预测权重的乘积之前,还包括:
获取历史检测周期内所述流体泵对应的正常特征数据,所述正常特征数据包括所述流体泵未发生异常情况下各数据采集时刻对应的时域特征数据和统计特征数据;
计算所述正常特征数据中,各数据采集时刻的各类型的特征数据与各自对应的预测权重的乘积,得到各数据采集时刻各类型的特征数据对应的第二乘积值;基于将同一数据采集时刻对应的第二乘积值相加得到的和值,获取各数据采集时刻对应的第二和值;
基于各所述第二和值确定所述目标区间。
7.根据权利要求1至4任一项所述的方法,其特征在于,所述基于所述目标特征数据,确定所述流体泵是否出现异常之前,还包括:
获取目标时间段内的训练样本数据,所述训练样本数据包括与所述目标特征数据中特征类型相同的多个时域特征数据和统计特征数据,以及多个时域特征数据和统计特征数据各自对应的状态标识;所述状态标识用于表征流体泵是否出现异常;
训练用于确定流体泵是否异常的异常检测预训练模型,直至达到收敛条件时获得所述异常检测预训练模型。
8.根据权利要求7所述的方法,其特征在于,所述基于所述目标特征数据,确定所述流体泵是否出现异常,包括:
将所述目标特征数据输入所述异常检测预训练模型中,获取所述目标特征数据对应的状态标识;
根据状态标识确定流体泵是否出现异常。
9.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述各数据采集时刻对应的第一和值,确定为所述流体泵各数据采集时刻对应的健康度值;
基于所述各数据采集时刻对应的健康度值,确定所述流体泵的健康度等级。
10.一种流体泵异常检测装置,其特征在于,包括:
第一获取单元,用于获取流体泵在运行状态下的运行参数,所述运行参数包括扭矩参数和运行速度参数;
第二获取单元,用于将所述扭矩参数对应的时域特征数据和统计特征数据、以及所述运行速度参数对应的时域特征数据和统计特征数据进行预处理,得到预处理特征数据;基于所述预处理特征数据获取用于确定流体泵是否异常的目标特征数据;
第一确定单元,用于基于所述目标特征数据,确定所述流体泵是否出现异常,包括:计算各数据采集时刻的各类型的目标特征数据与各自对应的预测权重的乘积,得到各数据采集时刻的所述各类型的目标特征数据对应的第一乘积值;基于将同一数据采集时刻对应的第一乘积值相加得到的和值,获取各数据采集时刻对应的第一和值;在存在任一所述第一和值未处于目标区间的情况下,确定所述流体泵出现异常;其中,所述预测权重用于表征根据当前类型的特征数据计算所述流体泵的运行状态所占的权重。
11.一种电子设备,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行如权利要求1至9任一项中所述的方法。
12.一种计算机可读的存储介质,其特征在于,所述计算机可读的存储介质包括存储的程序,其中,所述程序运行时执行如权利要求1至9任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311814420.9A CN117469152B (zh) | 2023-12-27 | 2023-12-27 | 流体泵异常检测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311814420.9A CN117469152B (zh) | 2023-12-27 | 2023-12-27 | 流体泵异常检测方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117469152A CN117469152A (zh) | 2024-01-30 |
CN117469152B true CN117469152B (zh) | 2024-04-12 |
Family
ID=89631560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311814420.9A Active CN117469152B (zh) | 2023-12-27 | 2023-12-27 | 流体泵异常检测方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117469152B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02309054A (ja) * | 1989-05-23 | 1990-12-25 | Nissan Motor Co Ltd | 自動変速機の制御装置 |
IL124932A0 (en) * | 1998-06-16 | 1999-01-26 | Mea Motor Inspection Ltd | Method and apparatus for testing rotating machines |
DE10156927A1 (de) * | 2001-11-21 | 2003-06-05 | Netzsch Mohnopumpen Gmbh | Pumpencontroller mit Teileidentifikation |
CA2995167A1 (en) * | 2015-08-14 | 2017-02-23 | Itt Manufacturing Enterprises Llc | Apparatus for and method of determining pump flow in twin screw positive displacement pumps |
WO2017030792A1 (en) * | 2015-08-14 | 2017-02-23 | Itt Manufacturing Enterprises Llc | Method for twin screw positive displacement pump protection |
WO2018039078A1 (en) * | 2016-08-25 | 2018-03-01 | Tula Technology, Inc. | Engine torque smoothing |
GB201809995D0 (en) * | 2018-06-19 | 2018-08-01 | Rolls Royce Plc | Methods and systems for controlling machine vibration |
KR20190072165A (ko) * | 2017-12-15 | 2019-06-25 | 주식회사 에이스이앤티 | 모터 고장 진단 시스템 |
CN112431750A (zh) * | 2020-11-10 | 2021-03-02 | 北京昊鹏智能技术有限公司 | 系统状态检测方法、装置、设备、系统及存储介质 |
IT202100003659A1 (it) * | 2021-02-17 | 2022-08-17 | Cnh Ind Italia Spa | Sistema di controllo per un veicolo e relativo metodo di controllo |
CA3208528A1 (en) * | 2021-03-03 | 2022-09-09 | Paul Anders Christensen | Control system for a smart pump located within a lubrication/cooling assembly |
KR20230042644A (ko) * | 2021-09-22 | 2023-03-29 | 가부시키가이샤 스크린 홀딩스 | 기판 처리 장치, 이상 검출 방법 및 이상 검출 프로그램 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10495084B2 (en) * | 2012-04-11 | 2019-12-03 | Itt Manufacturing Enterprises Llc | Method for twin screw positive displacement pump protection |
US9920615B2 (en) * | 2016-08-05 | 2018-03-20 | Caterpillar Inc. | Hydraulic fracturing system and method for detecting pump failure of same |
US10870219B2 (en) * | 2017-10-11 | 2020-12-22 | Caterpillar Inc. | Monitoring system for three-dimensional printing |
US11175973B1 (en) * | 2020-05-11 | 2021-11-16 | International Business Machines Corporation | Prediction of performance degradation with non-linear characteristics |
-
2023
- 2023-12-27 CN CN202311814420.9A patent/CN117469152B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02309054A (ja) * | 1989-05-23 | 1990-12-25 | Nissan Motor Co Ltd | 自動変速機の制御装置 |
IL124932A0 (en) * | 1998-06-16 | 1999-01-26 | Mea Motor Inspection Ltd | Method and apparatus for testing rotating machines |
DE10156927A1 (de) * | 2001-11-21 | 2003-06-05 | Netzsch Mohnopumpen Gmbh | Pumpencontroller mit Teileidentifikation |
CA2995167A1 (en) * | 2015-08-14 | 2017-02-23 | Itt Manufacturing Enterprises Llc | Apparatus for and method of determining pump flow in twin screw positive displacement pumps |
WO2017030792A1 (en) * | 2015-08-14 | 2017-02-23 | Itt Manufacturing Enterprises Llc | Method for twin screw positive displacement pump protection |
WO2018039078A1 (en) * | 2016-08-25 | 2018-03-01 | Tula Technology, Inc. | Engine torque smoothing |
KR20190072165A (ko) * | 2017-12-15 | 2019-06-25 | 주식회사 에이스이앤티 | 모터 고장 진단 시스템 |
GB201809995D0 (en) * | 2018-06-19 | 2018-08-01 | Rolls Royce Plc | Methods and systems for controlling machine vibration |
CN112431750A (zh) * | 2020-11-10 | 2021-03-02 | 北京昊鹏智能技术有限公司 | 系统状态检测方法、装置、设备、系统及存储介质 |
IT202100003659A1 (it) * | 2021-02-17 | 2022-08-17 | Cnh Ind Italia Spa | Sistema di controllo per un veicolo e relativo metodo di controllo |
CA3208528A1 (en) * | 2021-03-03 | 2022-09-09 | Paul Anders Christensen | Control system for a smart pump located within a lubrication/cooling assembly |
KR20230042644A (ko) * | 2021-09-22 | 2023-03-29 | 가부시키가이샤 스크린 홀딩스 | 기판 처리 장치, 이상 검출 방법 및 이상 검출 프로그램 |
Also Published As
Publication number | Publication date |
---|---|
CN117469152A (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109524139B (zh) | 一种基于设备工况变化的实时设备性能监测方法 | |
WO2023071217A1 (zh) | 基于深度迁移学习的多工况流程工业故障检测诊断方法 | |
WO2020052147A1 (zh) | 监测设备故障检测方法及装置 | |
US7275018B2 (en) | Method of condition monitoring | |
US20150346066A1 (en) | Asset Condition Monitoring | |
EP1242923B1 (en) | A process for the monitoring and diagnostics of data from a remote asset | |
WO2015121176A1 (en) | Method of identifying anomalies | |
CN113467420A (zh) | 区域控制器故障检测方法及装置 | |
CN116611712B (zh) | 基于语义推断的电网工作票评估系统 | |
CN110059013B (zh) | 软件升级后正常运行的确定方法及装置 | |
JP5868331B2 (ja) | 圧縮機を診断するための方法およびシステム | |
CN116380496B (zh) | 一种汽车车门疲劳耐久测试方法、系统及介质 | |
CN116292241A (zh) | 一种输油泵机组的故障诊断预警方法及系统 | |
CN115147236A (zh) | 一种处理方法、处理装置和电子设备 | |
CN111814557A (zh) | 动作流检测方法、装置、设备及存储介质 | |
RU2687848C1 (ru) | Способ и система вибромониторинга промышленной безопасности динамического оборудования опасных производственных объектов | |
CN114755036A (zh) | 磁浮列车悬浮系统的故障检测方法、装置、设备及介质 | |
CN117469152B (zh) | 流体泵异常检测方法、装置、电子设备和存储介质 | |
CN115114124A (zh) | 主机风险的评估方法及评估装置 | |
CN116258482B (zh) | 一种自动选择维修方案的方法、服务器、电子设备 | |
KR102303406B1 (ko) | 산업설비의 이상유무 진단장치 및 방법 | |
CN111176931A (zh) | 一种运营监控方法、装置、服务器及存储介质 | |
CN117783795B (zh) | 边缘分析的换流变阀侧套管绝缘状态综合分析方法及系统 | |
CN116997874A (zh) | 用于评估针对机器、尤其是针对泵的必要维护措施的方法和系统 | |
CN117570004A (zh) | 一种输油泵机组的异常判断方法、装置及存储介质 |
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 |