CN117743877B - 用于喷胶机的部件故障智能检测方法 - Google Patents
用于喷胶机的部件故障智能检测方法 Download PDFInfo
- Publication number
- CN117743877B CN117743877B CN202410189843.4A CN202410189843A CN117743877B CN 117743877 B CN117743877 B CN 117743877B CN 202410189843 A CN202410189843 A CN 202410189843A CN 117743877 B CN117743877 B CN 117743877B
- Authority
- CN
- China
- Prior art keywords
- data
- cluster
- correlation
- membership
- historical
- 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
- 239000003292 glue Substances 0.000 title claims abstract description 89
- 238000005507 spraying Methods 0.000 title claims abstract description 67
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims description 19
- 230000000694 effects Effects 0.000 claims description 15
- 239000012530 fluid Substances 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010219 correlation analysis Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 239000007788 liquid Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- 210000003437 trachea Anatomy 0.000 description 2
- 229910000975 Carbon steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000010962 carbon steel Substances 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Examining Or Testing Airtightness (AREA)
Abstract
本发明涉及流体密封性处理技术领域，具体涉及用于喷胶机的部件故障智能检测方法，该方法包括：采集喷胶机气管气密性相关的数据并进行聚类得到两个聚类簇；根据所有历史漏气数据、所有历史数据中任意两个参数之间的数据相似差异得到任意两个参数之间的相关性程度；根据各聚类簇中各种参数组合方式下的相关性程度、各聚类簇内历史漏气数据数量得到隶属度修正必要性；根据各聚类簇内各参数组合下的相关性程度得到各数据点在各聚类簇的隶属度修正参考值；根据隶属度修正参考值以及隶属度修正必要性优化FCM聚类算法，完成当前数据的气管气密性故障检测。本发明可实现更精准的喷胶机气管的气密性检测。
Description
技术领域
本申请涉及流体密封性处理技术领域，具体涉及用于喷胶机的部件故障智能检测方法。
背景技术
自动喷胶机的工作原理主要是将混合好的胶水储存在碳钢压力桶中，然后利用气压压力将胶水挤压成双液点胶阀，再利用双液点胶阀的混胶能力将胶水混合。之后，利用电磁阀将混合好的胶水挤至双液点胶阀，流入静态混合管，由于混合管的性质使胶水可以再次混合，最后执行喷胶任务。
其中，气管漏气会导致喷胶机无法提供足够的压力来正常喷涂胶水，也会导致喷胶机在运行过程中消耗更多的胶水，同时，当喷胶机发生气管漏气故障时，系统需要不断工作以保持压力稳定，这将导致额外的能源消耗，增加运行成本。并且，气管漏气可能是喷胶机其他问题的先兆，如果不及时修复，可能导致更严重的设备故障，甚至损坏其他部件。故需要及时对喷胶机气管部件的气密性进行智能检测。
发明内容
为了解决上述技术问题，本发明提供用于喷胶机的部件故障智能检测方法，以解决现有的问题。
本发明的用于喷胶机的部件故障智能检测方法采用如下技术方案：
本发明一个实施例提供了用于喷胶机的部件故障智能检测方法，该方法包括以下步骤：
采集喷胶机气管气密性相关的各历史数据和当前数据，其中，每个数据包含三个参数：喷涂均匀程度、胶水使用量、电力消耗，且历史数据分为历史漏气数据和历史不漏气数据；
对所有数据进行聚类得到两个聚类簇；根据所有历史漏气数据中任意两个参数之间的数据相似情况得到任意两个参数之间的相关性；根据任意两个参数在所有历史数据以及所有历史漏气数据之间的相关性差异得到任意两个参数之间的相关性程度；根据各聚类簇中各种参数组合方式下的相关性以及相关性程度得到修正必要性因子；
根据修正必要性因子以及各聚类簇内历史漏气数据数量得到隶属度修正必要性；根据各聚类簇内各参数组合下的综合相关性、相关性程度得到各数据点在各聚类簇的隶属度修正参考值；根据隶属度修正参考值以及隶属度修正必要性优化FCM聚类算法得到两个优化后的聚类簇；
根据当前数据在优化后的聚类簇内的喷胶机气管状态完成当前数据的气管气密性故障检测。
优选的，所述根据所有历史漏气数据中任意两个参数之间的数据相似情况得到任意两个参数之间的相关性，包括：
将任意两个参数分别记为第一目标参数、第二目标参数；
分别获取第一、第二目标参数的所有历史漏气数据的均值；计算第一目标参数与第二目标参数的所述均值的比值作为第一比值；
对于各历史漏气数据，计算第一目标参数与第二目标参数的数值之间的比值作为第二比值；
将第一比值与第二比值的差值绝对值作为历史漏气数据的差异；
计算所有历史漏气数据的所述差异的和值，将1减去所述和值的归一化值的差值结果作为任意两个参数之间的相关性。
优选的，所述根据任意两个参数在所有历史数据以及所有历史漏气数据之间的相关性差异得到任意两个参数之间的相关性程度，包括：
采用与所有历史漏气数据计算任意两个参数之间的相关性相同的方法获取所有历史数据的任意两个参数之间的相关性；
计算任意两个参数在所有历史数据与所有历史漏气数据的相关性之间的差值绝对值，将所述差值绝对值作为任意两个参数的重要性指标；
获取所有参数组合的所述重要性指标的和值，将任意两个参数的重要性指标与所述和值的比值作为任意两个参数的相关性程度。
优选的，所述根据各聚类簇中各种参数组合方式下的相关性以及相关性程度得到修正必要性因子，包括：
对于各聚类簇中各种参数组合方式，获取聚类簇中所有数据在该参数组合下的综合相关性；
聚类簇中所有历史漏气数据在该参数组合下的综合相关性的获取方法与所有数据在该参数组合下的综合相关性相同；
计算所有历史漏气数据在该参数组合下的相关性与综合相关性的差值绝对值，计算所有历史数据在该参数组合下的相关性与综合相关性的差值绝对值，获取两个差值绝对值中的最小值；
计算最小值与该参数组合下的相关性程度的乘积，将所有聚类簇中所有参数组合方式下的所述乘积的和值作为修正必要性因子。
优选的，所述获取聚类簇中所有数据在该参数组合下的综合相关性，包括：
对于各数据，获取数据在聚类簇的隶属度，获取数据在该参数组合下的差异，所述差异的获取方法与历史漏气数据的差异相同；
计算所述隶属度与所述差异的乘积；
将所有数据的所述乘积的和值进行归一化得到归一化值，将1减去所述归一化值的差值结果作为聚类簇中所有数据在该参数组合下的综合相关性。
优选的，所述根据修正必要性因子以及各聚类簇内历史漏气数据数量得到隶属度修正必要性，包括：
对于各聚类簇，获取聚类簇内的元素数量、历史漏气数据数量；
计算所述历史漏气数据数量与所述元素数量的比值；
计算所述比值与0.5的差值绝对值，将所有聚类簇的所述差值绝对值的和值的归一化值作为当前聚类效果的可靠性；
将修正必要性与所述可靠性的比值的归一化值作为隶属度修正必要性。
优选的，所述根据各聚类簇内各参数组合下的综合相关性、相关性程度得到各数据点在各聚类簇的隶属度修正参考值，包括：
对于各聚类簇内各数据点，获取数据点在该聚类簇的修正隶属度；
将数据点在所有聚类簇中的修正隶属度的归一化值作为数据点在该聚类簇的隶属度修正参考值。
优选的，所述获取数据点在该聚类簇的修正隶属度，包括：
将任意两个参数分别记为第三目标参数、第四目标参数，计算数据点在第三目标参数与第四目标参数的数值之间的比值；
获取第三、第四目标参数的所有数据的平均值，计算第三目标参数与第四目标参数的所述平均值的比值；
将两个比值的差值绝对值作为第一差值绝对值；
将第三、第四目标参数在该聚类簇下的综合相关性与所述第一差值绝对值的差值绝对值作为第二差值绝对值，计算第三、第四目标参数之间的相关性程度与所述第二差值绝对值的乘积；
计算所有参数组合方式下所述乘积的和值，将1减去所述和值的归一化值的差值结果作为数据点在该聚类簇的修正隶属度。
优选的，所述根据隶属度修正参考值以及隶属度修正必要性优化FCM聚类算法得到两个优化后的聚类簇，包括：
对于各聚类簇内各数据点，获取数据点在该聚类簇的隶属度；
计算所述隶属度与1减去隶属度修正必要性的差值的乘积，计算隶属度修正参考值与隶属度修正必要性的乘积；
将两个乘积的和值作为各数据点在该聚类簇的隶属度修正值，将所述隶属度修正值在所有聚类簇中的归一化值作为数据点在该聚类簇的真实隶属度；
将各数据点在各聚类簇的真实隶属度作为FCM聚类算法中各数据点在各聚类簇中的隶属度，对FCM聚类算法进行优化，得到两个优化后的聚类簇。
优选的，所述根据当前数据在优化后的聚类簇内的喷胶机气管状态完成当前数据的气管气密性故障检测，包括：
对于当前数据所属的优化后的聚类簇，统计聚类簇内所有历史数据中喷胶机气管漏气数量与喷胶机气管不漏气数量；
当漏气数量大于等于不漏气数量时，则当前数据对应的喷胶机气管气密性存在故障；
反之，当前数据对应的喷胶机气管气密性不存在故障。
本发明至少具有如下有益效果：
本发明通过根据所得数据参数相关性进行分析，基于相关性分析获取参数相关性重要性指标，进而获取聚类结果修正必要性，同时根据数据参数相关性分析获取隶属度修正参考值，从而对所得聚类结果数据隶属度进行修正，既避免了由于FCM聚类算法对初始聚类中心敏感而导致最终聚类效果不好的情况，也通过数据参数的相关性分析，使得聚类距离方式的计算更加丰富，增加聚类结果的可靠性，从而可以达到更精准的喷胶机气管的气密性检测，及时减少喷胶机气管漏气故障带来的经济损失。
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为本发明提供的用于喷胶机的部件故障智能检测方法的流程图；
图2为各数据点在各聚类簇内的真实隶属度的指标构建流程图。
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用于喷胶机的部件故障智能检测方法，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用于喷胶机的部件故障智能检测方法的具体方案。
本发明一个实施例提供的用于喷胶机的部件故障智能检测方法。
具体的，提供了如下的用于喷胶机的部件故障智能检测方法，请参阅图1，该方法包括以下步骤：
步骤S001，采集喷胶机气管部件运行过程中的数据。
由于气管漏气会导致喷胶机无法提供足够的压力来正常喷涂胶水，从而导致胶水无法均匀喷射，影响涂覆的质量和效果，且气管漏气也会导致喷胶机在运行过程中消耗更多的胶水；同时，当喷胶机发生气管漏气故障时，系统需要不断工作以保持压力稳定，这将导致额外的能源消耗，增加运行成本，另外气管漏气还会造成其它影响从而使得喷涂机喷涂效果参数发生变化。
因此，本实施例选择上述三个参数作为示例进行分析，通过检测胶水使用量以及电力消耗数据对喷胶机气管气密性进行检测，同时使用工业相机获取喷胶机喷涂图像，采用神经网络获取对应喷涂的均匀程度。其中，神经网络本实施例使用ResNet神经网络，神经网络的输入为采集得到的图像，神经网络的输出为喷涂均匀程度，网络打标签方式为：人为根据所得喷涂图像进行喷涂均匀程度的标记，网络损失函数为交叉熵损失函数。其中，ResNet神经网络为公知技术，本实施例不再赘述。
将采集所得的数据中的喷涂均匀程度记为F,对应喷胶机的胶水使用量记为V，每分钟喷胶机的电力消耗为W。
获取当前数据以及各历史数据的三个参数数据，三个参数数据包含喷涂均匀程度、胶水消耗速度以及电力消耗，具体实际分析时可根据实际情况分析其它参数。
步骤S002，根据喷胶机气管对历史数据各参数之间的相关性进行分析，对各数据在各聚类簇中的隶属度进行优化。
本实施例通过对当前数据与各历史数据进行聚类分析，从而根据历史数据对应的设备状态，判断当前数据是否能体现设备出现了气管漏气故障。
本实施例首先使用FCM聚类算法进行聚类，聚类簇数量K=2，其中FCM算法会由于不同初始聚类簇对聚类结果产生不同的影响，故本实施例通过对所得聚类结果进行分析，从而基于该聚类结果进行修正，进而增加对应聚类结果的可信性以及可靠性。其中，FCM聚类算法为公知技术，本实施例不再赘述。
本实施例通过分析各数据之间的相关性，从而根据所得聚类簇内各数据的相关性对所得聚类簇的聚类效果进行分析，进而获取较为可信的聚类结果。
首先获取对应历史数据中出现喷胶机气管漏气时的各项参数数据进行分析，即分析历史漏气数据的各项参数数据之间的相关性：
；
；
其中，Rq(a,b)表示历史漏气数据中参数a与参数b之间的相关性，norm( )表示归一化函数，m表示历史漏气数据数量，A(a,b,i)表示第i个历史漏气数据的参数a与参数b之间的差异，q(a,i)表示第i个历史漏气数据的第a个参数的数值，q(b,i)表示第i个历史漏气数据的第b个参数的数值，表示所有历史漏气数据中参数a的平均值，/>表示所有历史漏气数据参数b的平均值，其中，/>为第一比值，/>为第二比值，将参数a记为第一目标参数，将参数b记为第二目标参数。
即当所求各历史漏气数据中的参数a与参数b的比值与该历史漏气数据中所有的参数a与参数b的平均值的比值的差异越小，则说明参数a与参数b在历史漏气数据中喷胶机气管密封漏气时的数据相关性越强。
进而使用相同方法对所得的全部历史数据进行分析，从而获取对应数据参数之间的相关性，并将得到的历史数据的参数之间相关性与历史漏气数据的参数之间相关性进行分析，从而获取参数之间的相关性程度：
；
；
其中，im(a,b)表示参数a与参数b的重要性指标，Rq(a,b)表示历史漏气数据中的参数a与参数b的相关性，表示所有历史数据中的参数a与参数b的相关性，即所求当喷胶机发生气管漏气时监测所得数据参数a与参数b的相关性与喷胶机所有时刻监测所得参数a与参数b的相关性的差异越大，则说明参数a与参数b的相关性在喷胶机出现气管漏气时变化更大，则说明其对应相关性越重要。
其中，U表示参数组合的种类数量，本实施例中参数组合的种类为3种，即参数组合的种类数量U=3，imp表示第p种参数组合对应的参数之间的重要性指标，imp(a,b)表示参数a与参数b的相关性程度。
同时，通过根据聚类结果中各簇所得数据参数之间的关系进行分析，构建聚类结果修正必要性因子：
;
;
其中，表示第j个聚类簇中第p组参数组合方式中的参数之间的综合相关性，norm( )表示归一化函数，m表示历史数据数量，u(o,j)表示第o个数据属于第j个聚类簇的隶属度，A(p,o)表示第o个数据中的第p组参数组合方式之间的差异。
即当所求属于第j个聚类簇的第p组参数组合方式中的参数之间的差异越小，则说明在第j个聚类簇中的第p组参数组合方式中的参数之间的相关性越强。
其中，Kc表示修正必要性，K表示聚类簇的数量，U表示所有参数组合种类数，impp表示第p种参数组合方式对应参数之间的相关性程度，min{}表示最小值函数，Rqp表示历史漏气数据在第p种参数组合方式下的相关性，表示历史数据在第p种参数组合方式下的相关性。
即由于本实施例场景中K=2，当所得聚类结果中聚类簇所得数据中参数相关性与喷胶机气管漏气或不漏气时对应相关性差异越小时，则说明当前聚类簇修正必要性越小。
通过对当前聚类结果进行分析，获取当前聚类簇中各个标记为历史出现喷胶机气管出现漏气时对应数据所在聚类簇的分布情况，从而判断当前聚类效果的可靠性：
;
其中，Pos表示当前聚类效果的可靠性，norm( )表示归一化函数，K表示聚类簇的数量，ei表示第i个聚类簇的元素数量，ti表示第i个聚类簇包含的数据为历史漏气数据数量。
即当所求聚类簇内包含喷胶机气管漏气时数据的数量与聚类簇内一半元素得到数量差异越大，即说明聚类结果中越能体现出喷胶机气管漏气特征，即说明当前聚类效果越可靠。
则对应的根据上述分析获取当前聚类簇内数据点的隶属度修正必要性：
;
其中，Lsd表示隶属度修正必要性，norm( )表示归一化函数，Kc表示修正必要性因子，Pos表示当前聚类效果的可靠性。
即当所求的当前聚类效果的修正必要性因子越大，并且所得聚类效果可靠程度越小时，则说明聚类簇内数据点的隶属度就有越大的修正必要性。
本实施例根据参数相关性变化进行分析，从而获取数据点的隶属度修正参考值：
;
;
其中，Rce(o,j)表示第o个数据属于第j个聚类簇的修正隶属度，norm( )表示归一化函数，U表示所有参数组合种类数，impp表示第p种参数组合方式对应参数之间的相关-性程度，q(a,o)表示第p组参数组合方式中参数a在数据o中的数值，q(b,o)表示第p组参数组合方式中参数b在数据o中的数值，表示所有数据中参数a的平均值，/>表示所有数据中参数b的平均值，/>表示在第j个聚类簇中第p种参数组合方式中参数之间的综合相关性，其中，为第一差值绝对值，/>为第二差值绝对值，将参数a记为第三目标参数，将参数b记为第四目标参数。K表示聚类簇的数量，/>为第o个数据属于第j个聚类簇的隶属度修正参考值。
即当所求聚类簇内数据第p种参数组合方式对应参数所得比值与喷胶机所有数据中参数a的平均值与参数b的平均值比值的差异绝对值，即，与聚类簇j所得聚类簇内数据所得参数相关性的差异越小，则说明当前数据越可能属于第j个聚类簇。公式中是对第o个数据属于第j个聚类簇的修正隶属度进行归一化处理，得到第o个数据属于第j个聚类簇的隶属度修正参考值。
则对应隶属度修正方法如下：
;
;
其中，为隶属度修正值，Lsd表示隶属度修正必要性，u(o,j)表示第o个数据点属于第j个聚类簇的隶属度，/>为第o个数据属于第j个聚类簇的隶属度修正参考值，U(o,j)为第o个数据属于第j个聚类簇的真实隶属度，K表示聚类簇的数量。
至此可以得到各数据点在各聚类簇内的真实隶属度。其中，各数据点在各聚类簇内的真实隶属度的指标构建流程图如图2所示。
步骤S003，根据优化后的聚类结果，对当前数据的喷胶机气管气密性故障进行检测。
将各数据点在各聚类簇内的真实隶属度作为FCM聚类算法中各数据点在各聚类簇中的隶属度进行聚类，得到两个优化后的聚类簇。
根据当前数据与各历史数据的聚类结果，将当前数据所在聚类簇内的所有历史数据中喷胶机气管的漏气结果中的众数作为当前数据所反应的喷胶机气管气密性故障检测结果。即如果喷胶机气管漏气数量大于等于不漏气数量，则当前数据的喷胶机气管气密性存在故障，反之则不存在故障。
至此，本发明完成。
本发明实施例通过根据所得数据参数相关性进行分析，基于相关性分析获取参数相关性重要性指标，进而获取聚类结果修正必要性，同时根据数据参数相关性分析获取隶属度修正参考值，从而对所得聚类结果数据隶属度进行修正，即避免了由于FCM聚类算法对初始聚类中心敏感而导致最终聚类效果不好的情况，也通过根据数据参数相关性分析，使得聚类距离方式更加丰富，增加聚类结果的可靠性，从而可以达到更精准的喷胶机气管的气密性检测，及时减少喷胶机气管漏气故障带来的经济损失。
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 (9)
1.用于喷胶机的部件故障智能检测方法，其特征在于，该方法包括以下步骤：
采集喷胶机气管气密性相关的各历史数据和当前数据，其中，每个数据包含三个参数：喷涂均匀程度、胶水使用量、电力消耗，且历史数据分为历史漏气数据和历史不漏气数据；
对所有数据进行聚类得到两个聚类簇；根据所有历史漏气数据中任意两个参数之间的数据相似情况得到任意两个参数之间的相关性；根据任意两个参数在所有历史数据以及所有历史漏气数据之间的相关性差异得到任意两个参数之间的相关性程度；根据各聚类簇中各种参数组合方式下的相关性以及相关性程度得到修正必要性因子；
根据修正必要性因子以及各聚类簇内历史漏气数据数量得到隶属度修正必要性；根据各聚类簇内各参数组合下的综合相关性、相关性程度得到各数据点在各聚类簇的隶属度修正参考值；根据隶属度修正参考值以及隶属度修正必要性优化FCM聚类算法得到两个优化后的聚类簇；
根据当前数据在优化后的聚类簇内的喷胶机气管状态完成当前数据的气管气密性故障检测；
所述根据各聚类簇中各种参数组合方式下的相关性以及相关性程度得到修正必要性因子，包括：
对于各聚类簇中各种参数组合方式，获取聚类簇中所有数据在该参数组合下的综合相关性；
聚类簇中所有历史漏气数据在该参数组合下的综合相关性的获取方法与所有数据在该参数组合下的综合相关性相同；
计算所有历史漏气数据在该参数组合下的相关性与综合相关性的差值绝对值，计算所有历史数据在该参数组合下的相关性与综合相关性的差值绝对值，获取两个差值绝对值中的最小值；
计算最小值与该参数组合下的相关性程度的乘积，将所有聚类簇中所有参数组合方式下的所述乘积的和值作为修正必要性因子。
2.如权利要求1所述的用于喷胶机的部件故障智能检测方法，其特征在于，所述根据所有历史漏气数据中任意两个参数之间的数据相似情况得到任意两个参数之间的相关性，包括：
将任意两个参数分别记为第一目标参数、第二目标参数；
分别获取第一、第二目标参数的所有历史漏气数据的均值；计算第一目标参数与第二目标参数的所述均值的比值作为第一比值；
对于各历史漏气数据，计算第一目标参数与第二目标参数的数值之间的比值作为第二比值；
将第一比值与第二比值的差值绝对值作为历史漏气数据的差异；
计算所有历史漏气数据的所述差异的和值，将1减去所述和值的归一化值的差值结果作为任意两个参数之间的相关性。
3.如权利要求2所述的用于喷胶机的部件故障智能检测方法，其特征在于，所述根据任意两个参数在所有历史数据以及所有历史漏气数据之间的相关性差异得到任意两个参数之间的相关性程度，包括：
采用与所有历史漏气数据计算任意两个参数之间的相关性相同的方法获取所有历史数据的任意两个参数之间的相关性；
计算任意两个参数在所有历史数据与所有历史漏气数据的相关性之间的差值绝对值，将所述差值绝对值作为任意两个参数的重要性指标；
获取所有参数组合的所述重要性指标的和值，将任意两个参数的重要性指标与所述和值的比值作为任意两个参数的相关性程度。
4.如权利要求1所述的用于喷胶机的部件故障智能检测方法，其特征在于，所述获取聚类簇中所有数据在该参数组合下的综合相关性，包括：
对于各数据，获取数据在聚类簇的隶属度，获取数据在该参数组合下的差异，所述差异的获取方法与历史漏气数据的差异相同；
计算所述隶属度与所述差异的乘积；
将所有数据的所述乘积的和值进行归一化得到归一化值，将1减去所述归一化值的差值结果作为聚类簇中所有数据在该参数组合下的综合相关性。
5.如权利要求1所述的用于喷胶机的部件故障智能检测方法，其特征在于，所述根据修正必要性因子以及各聚类簇内历史漏气数据数量得到隶属度修正必要性，包括：
对于各聚类簇，获取聚类簇内的元素数量、历史漏气数据数量；
计算所述历史漏气数据数量与所述元素数量的比值；
计算所述比值与0.5的差值绝对值，将所有聚类簇的所述差值绝对值的和值的归一化值作为当前聚类效果的可靠性；
将修正必要性与所述可靠性的比值的归一化值作为隶属度修正必要性。
6.如权利要求4所述的用于喷胶机的部件故障智能检测方法，其特征在于，所述根据各聚类簇内各参数组合下的综合相关性、相关性程度得到各数据点在各聚类簇的隶属度修正参考值，包括：
对于各聚类簇内各数据点，获取数据点在该聚类簇的修正隶属度；
将数据点在所有聚类簇中的修正隶属度的归一化值作为数据点在该聚类簇的隶属度修正参考值。
7.如权利要求6所述的用于喷胶机的部件故障智能检测方法，其特征在于，所述获取数据点在该聚类簇的修正隶属度，包括：
将任意两个参数分别记为第三目标参数、第四目标参数，计算数据点在第三目标参数与第四目标参数的数值之间的比值；
获取第三、第四目标参数的所有数据的平均值，计算第三目标参数与第四目标参数的所述平均值的比值；
将两个比值的差值绝对值作为第一差值绝对值；
将第三、第四目标参数在该聚类簇下的综合相关性与所述第一差值绝对值的差值绝对值作为第二差值绝对值，计算第三、第四目标参数之间的相关性程度与所述第二差值绝对值的乘积；
计算所有参数组合方式下所述乘积的和值，将1减去所述和值的归一化值的差值结果作为数据点在该聚类簇的修正隶属度。
8.如权利要求7所述的用于喷胶机的部件故障智能检测方法，其特征在于，所述根据隶属度修正参考值以及隶属度修正必要性优化FCM聚类算法得到两个优化后的聚类簇，包括：
对于各聚类簇内各数据点，获取数据点在该聚类簇的隶属度；
计算所述隶属度与1减去隶属度修正必要性的差值的乘积，计算隶属度修正参考值与隶属度修正必要性的乘积；
将两个乘积的和值作为各数据点在该聚类簇的隶属度修正值，将所述隶属度修正值在所有聚类簇中的归一化值作为数据点在该聚类簇的真实隶属度；
将各数据点在各聚类簇的真实隶属度作为FCM聚类算法中各数据点在各聚类簇中的隶属度，对FCM聚类算法进行优化，得到两个优化后的聚类簇。
9.如权利要求8所述的用于喷胶机的部件故障智能检测方法，其特征在于，所述根据当前数据在优化后的聚类簇内的喷胶机气管状态完成当前数据的气管气密性故障检测，包括：
对于当前数据所属的优化后的聚类簇，统计聚类簇内所有历史数据中喷胶机气管漏气数量与喷胶机气管不漏气数量；
当漏气数量大于等于不漏气数量时，则当前数据对应的喷胶机气管气密性存在故障；
反之，当前数据对应的喷胶机气管气密性不存在故障。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410189843.4A CN117743877B (zh) | 2024-02-20 | 2024-02-20 | 用于喷胶机的部件故障智能检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410189843.4A CN117743877B (zh) | 2024-02-20 | 2024-02-20 | 用于喷胶机的部件故障智能检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117743877A CN117743877A (zh) | 2024-03-22 |
| CN117743877B true CN117743877B (zh) | 2024-05-03 |
Family
ID=90251205
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410189843.4A Active CN117743877B (zh) | 2024-02-20 | 2024-02-20 | 用于喷胶机的部件故障智能检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117743877B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118068228B (zh) * | 2024-04-24 | 2024-06-21 | 山东泰开电力电子有限公司 | 一种特高压电抗器短路的高效检测方法及系统 |
| CN118078328B (zh) * | 2024-04-29 | 2024-08-02 | 哈尔滨医科大学 | 一种胃肠外科超声波仪器故障智能检测方法及系统 |
| CN118656755A (zh) * | 2024-08-12 | 2024-09-17 | 西安高商智能科技有限责任公司 | 一种面向激光导引头的故障智能检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108073551A (zh) * | 2017-12-14 | 2018-05-25 | 国网辽宁省电力有限公司大连供电公司 | 一种基于多Agent协同的高压开关柜在线故障诊断方法 |
| CN110119518A (zh) * | 2018-02-06 | 2019-08-13 | 洛阳中科晶上智能装备科技有限公司 | 一种采用神经网络模型诊断发动机故障原因的方法 |
| CN112561230A (zh) * | 2020-11-06 | 2021-03-26 | 国网浙江慈溪市供电有限公司 | 基于电气特征的环保设备状态监测方法 |
| CN115130578A (zh) * | 2022-06-29 | 2022-09-30 | 南京邮电大学 | 一种基于增量式粗糙聚类的配电设备状态在线评估方法 |
| CN117557415A (zh) * | 2023-11-13 | 2024-02-13 | 保利和悦生活科技服务有限公司 | 一种基于智慧物业的社区资源管理方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8886574B2 (en) * | 2012-06-12 | 2014-11-11 | Siemens Aktiengesellschaft | Generalized pattern recognition for fault diagnosis in machine condition monitoring |
| US10948377B2 (en) * | 2018-10-18 | 2021-03-16 | Aquarius Spectrum Ltd. | Methods circuits assemblies devices systems and functionally associated machine executable code for mechanical failure classification condition assessment and remediation recommendation |
-
2024
- 2024-02-20 CN CN202410189843.4A patent/CN117743877B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108073551A (zh) * | 2017-12-14 | 2018-05-25 | 国网辽宁省电力有限公司大连供电公司 | 一种基于多Agent协同的高压开关柜在线故障诊断方法 |
| CN110119518A (zh) * | 2018-02-06 | 2019-08-13 | 洛阳中科晶上智能装备科技有限公司 | 一种采用神经网络模型诊断发动机故障原因的方法 |
| CN112561230A (zh) * | 2020-11-06 | 2021-03-26 | 国网浙江慈溪市供电有限公司 | 基于电气特征的环保设备状态监测方法 |
| CN115130578A (zh) * | 2022-06-29 | 2022-09-30 | 南京邮电大学 | 一种基于增量式粗糙聚类的配电设备状态在线评估方法 |
| CN117557415A (zh) * | 2023-11-13 | 2024-02-13 | 保利和悦生活科技服务有限公司 | 一种基于智慧物业的社区资源管理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117743877A (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117743877B (zh) | 用于喷胶机的部件故障智能检测方法 | |
| CN107025338B (zh) | 一种基于递归rbf神经网络的污泥膨胀故障辨识方法 | |
| CN102662040B (zh) | 一种动态模块化神经网络的氨氮在线软测量方法 | |
| CN114581428B (zh) | 一种基于光学手段的粉末涂料粘合度检测方法 | |
| CN113090959A (zh) | 一种智慧燃气监测系统 | |
| CN117406685B (zh) | 适用于绿色低碳建筑的建筑设备智能控制优化管理系统 | |
| CN115931354A (zh) | 基于多级决策融合的阀冷系统主循环泵轴承故障识别方法 | |
| CN101556458A (zh) | 自来水混凝投矾自动化控制算法 | |
| CN113959071B (zh) | 基于机器学习辅助的集中式冷水机组空调系统运行控制优化方法 | |
| CN102853836A (zh) | 一种基于航迹质量的反馈加权融合方法 | |
| Gao et al. | How to improve the application potential of deep learning model in HVAC fault diagnosis: Based on pruning and interpretable deep learning method | |
| CN109403425B (zh) | 供水管网的优化调度系统 | |
| CN110033181B (zh) | 一种基于自编码器的发电设备状态评估方法 | |
| Amin-Naseri et al. | Neural network approach to lumpy demand forecasting for spare parts in process industries | |
| de Andrade et al. | An outliers processing module based on artificial intelligence for substations metering system | |
| CN114879485A (zh) | 一种基于rbf神经网络的无人机喷涂质量监控系统及其方法 | |
| CN112559969A (zh) | 一种基于累积和算法的小泄漏检测方法 | |
| Du et al. | Mode Substitution and Constraint Implementation in Complex Dynamic Process Regulation: A Solution for Performance Self-Recovery | |
| CN113723708B (zh) | 一种基于机器学习的城市日用水量预测方法 | |
| Arsene et al. | Consumer profile evaluation in a water distribution network using clustering and classification methods | |
| CN114969068A (zh) | 城市压力管网实时流量监测数据分析方法及系统 | |
| CN109165859A (zh) | 一种基于物联网的压缩空气能效管理的节能分享商业方法 | |
| Liu et al. | Use clustering to improve neural network in financial time series prediction | |
| CN114234053A (zh) | 一种含压缩机输气干线阀室自动截断条件识别方法 | |
| CN118586562B (zh) | 基于大数据分析驱动的生产调度优化方法及系统 |
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 |