CN117927535A - 伺服液压系统故障确定方法、装置及设备 - Google Patents
伺服液压系统故障确定方法、装置及设备 Download PDFInfo
- Publication number
- CN117927535A CN117927535A CN202410123911.7A CN202410123911A CN117927535A CN 117927535 A CN117927535 A CN 117927535A CN 202410123911 A CN202410123911 A CN 202410123911A CN 117927535 A CN117927535 A CN 117927535A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- data set
- hydraulic system
- servo hydraulic
- 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 71
- 238000003745 diagnosis Methods 0.000 claims abstract description 150
- 238000012545 processing Methods 0.000 claims abstract description 27
- 230000008859 change Effects 0.000 claims description 77
- 230000002159 abnormal effect Effects 0.000 claims description 37
- 238000004590 computer program Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 14
- 238000004458 analytical method Methods 0.000 abstract description 8
- 238000001514 detection method Methods 0.000 abstract description 6
- 230000002035 prolonged effect Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 239000003921 oil Substances 0.000 description 3
- 238000012731 temporal analysis Methods 0.000 description 3
- 238000000700 time series analysis Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000010720 hydraulic oil Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005259 measurement Methods 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
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Landscapes
- Fluid-Pressure Circuits (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请适用于伺服液压系统故障检测技术领域,尤其涉及伺服液压系统故障确定方法、装置及设备,伺服液压系统故障确定方法包括:通过获取伺服液压系统运行数据,伺服液压系统运行数据包括设备运行环境数据与设备多个运行数据,来了解伺服液压系统运行状态。基于伺服液压系统运行数据,通过数据处理得到第一故障诊断数据集和第二故障诊断数据集。基于第一故障诊断数据集和第二故障诊断数据集的分析,来对伺服液压系统进行故障诊断。基于对伺服液压系统进行故障诊断的结果,确定伺服液压系统故障情况,做到对故障情况有效的检测和诊断,提升设备性能、减少设备停机时间,延长设备使用寿命,降低维修成本和安全风险。
Description
技术领域
本申请属于伺服液压系统故障检测技术领域,尤其涉及一种伺服液压系统故障确定方法、装置及设备。
背景技术
伺服液压系统是一种利用液压力进行力量和运动控制的系统,广泛应用于各种重工业设备和机械中。它由液压泵、伺服阀(或比例阀)、执行元件(如液压缸或液压马达)、油箱、油路、控制器等组成。
现有技术中,伺服液压系统可能会出现各种故障,如泄漏、阀门故障、泵故障、控制器故障等。由于伺服液压系统的复杂性,难以对伺服液压系统出现的故障进行有效的检测和诊断,导致设备性能下降、设备停机,缩短设备使用寿命、影响生产进度,增加维修成本和安全风险。
发明内容
本申请实施例提供了一种伺服液压系统故障确定方法、装置及设备,可以解决难以对伺服液压系统出现的故障进行有效的检测和诊断,导致设备性能下降、设备停机,缩短设备使用寿命、影响生产进度,增加维修成本和安全风险的问题。
第一方面,本申请实施例提供了一种伺服液压系统故障确定方法,包括:
获取伺服液压系统运行数据;其中,所述伺服液压系统运行数据包括设备运行环境数据与设备多个运行数据;
基于所述伺服液压系统运行数据,得到第一故障诊断数据集和第二故障诊断数据集;其中,所述第一故障诊断数据集和所述第二故障诊断数据集不同;
基于所述第一故障诊断数据集和所述第二故障诊断数据集,对伺服液压系统进行故障诊断;
基于所述对伺服液压系统进行故障诊断的结果,确定伺服液压系统故障情况。
本申请实施例中上述的技术方案,至少具有如下技术效果:
本申请实施例提供的伺服液压系统故障确定方法,通过获取伺服液压系统运行数据,伺服液压系统运行数据包括设备运行环境数据与设备多个运行数据,来了解伺服液压系统运行状态。基于伺服液压系统运行数据,通过数据处理得到第一故障诊断数据集和第二故障诊断数据集。第一故障诊断数据集和第二故障诊断数据集反映不同的伺服液压系统运行情况。基于第一故障诊断数据集和第二故障诊断数据集的分析,来对伺服液压系统进行故障诊断。基于对伺服液压系统进行故障诊断的结果,确定伺服液压系统故障情况,做到对故障情况有效的检测和诊断,提升设备性能、减少设备停机时间,延长设备使用寿命,降低维修成本和安全风险。
在第一方面的一种可能实现方式,所述基于所述伺服液压系统运行数据,得到所述第一故障诊断数据集和所述第二故障诊断数据集,包括:
基于所述设备多个运行数据和所述设备运行环境数据,模拟设备运行过程中的故障生成数据;
对所述故障生成数据进行分析,得到所述第一故障诊断数据集和所述第二故障诊断数据集;
所述对所述故障生成数据进行分析,得到所述第一故障诊断数据集和所述第二故障诊断数据集,包括:
根据所述故障生成数据,得到第一故障数据集和第二故障数据集;其中,所述第一故障数据集包括故障生成前用于反映伺服液压系统运行状态的多个类型的数据;所述第二故障数据集包括故障生成后用于反映伺服液压系统运行状态的多个类型的数据;
根据所述第一故障数据集和所述第二故障数据集进行数据处理,得到所述第一故障诊断数据集和所述第二故障诊断数据集;
所述根据所述第一故障数据集和所述第二故障数据集进行数据处理,得到所述第一故障诊断数据集和所述第二故障诊断数据集,包括:
根据所述第一故障数据集,得到第一数据集变化趋势;其中,所述第一数据集变化趋势用于反映故障生成前的数据变化趋势;
根据所述第一数据集变化趋势,得到第一数据集特征信息;其中,所述第一数据集特征信息用于反映伺服液压系统故障生成前的异常数据情况;
根据所述第一数据集特征信息,得到第一故障诊断数据集。
在第一方面的一种可能实现方式,所述根据所述第一故障数据集,得到第一数据变化趋势,包括:
对所述第一故障数据集按预设时间间隔分段至故障时刻,并对每段故障数据计算数据中心值;
根据每段故障数据的数据中心值,得到第一数据集变化趋势。
在第一方面的一种可能实现方式,所述根据所述第一数据集变化趋势,得到第一数据集特征信息,包括:
根据所述第一数据集变化趋势,得到每段数据中心值的变化量;
基于每段数据中心值的变化量,得到多个候选故障变化量;其中,所述每段数据中心值的变化量与所述候选故障变化量一一对应;
根据所述多个候选故障变化量,得到故障变化量的中位数和绝对中位差;
基于所述故障变化量的中位数和绝对中位差,确定故障变化段数据;
根据所述故障变化段数据,得到第一数据集特征信息。
在第一方面的一种可能实现方式,所述根据所述第一故障数据集和所述第二故障数据集进行数据处理,得到所述第一故障诊断数据集和所述第二故障诊断数据集,包括:
根据所述第二故障数据集,得到第二数据集特征信息;其中,所述第二数据集特征信息用于反映伺服液压系统故障生成后的异常数据情况;
根据所述第二数据集特征信息,得到第二故障诊断数据集。
在第一方面的一种可能实现方式,所述根据所述第二故障数据集,得到第二数据集特征信息,包括:
将所述第二故障数据集按数据类型划分为多个故障指标数据;
将所述多个故障指标数据与正常的系统状态数据进行对比;
根据所述多个故障指标数据与正常的系统状态数据进行对比的结果,得到第二数据集特征信息;
所述根据所述多个故障指标数据与正常的系统状态数据进行对比的结果,得到第二数据集特征信息,包括:
如果任一故障指标与正确的系统状态相同,则为该故障指标添加第一标签,所述第一标签用于表示该部分正常;
如果任一故障指标与正确的系统状态不同,则为该故障指标添加第二标签,所述第二标签用于表示该部分可能存在故障;
基于所述第一标签的数目以及所述第二标签的数目,确定第二数据集特征信息。
在第一方面的一种可能实现方式,所述基于所述第一故障诊断数据集和所述第二故障诊断数据集,对伺服液压系统进行故障诊断,包括:
根据所述第一故障诊断数据集,得到故障前存在数据异常变化的数据类型信息;
根据所述第二故障诊断数据集,得到故障后可能存在故障的数据类型信息;
基于所述故障前存在数据异常变化的数据类型信息和所述故障后可能存在故障的数据类型信息,确定故障数据类型;
基于所述故障数据类型,对伺服液压系统进行故障诊断;
所述基于所述故障前存在数据异常变化的数据类型信息和所述故障后存在数据异常的数据类型信息,确定故障数据类型,包括:
筛选所述故障前存在数据异常变化的数据类型信息和所述故障后可能存在故障的数据类型信息;
对筛选的故障前存在数据异常变化且故障后可能存在故障的数据类型信息,确认为故障数据类型。
在第一方面的一种可能实现方式,所述基于所述故障数据类型,对伺服液压系统进行故障诊断,包括:
根据所述故障数据类型,按预设规则匹配对应的伺服液压系统单元;
根据所述按预设规则匹配对应的伺服液压系统单元的结果,确定伺服液压系统故障单元。
第二方面,本申请实施例提供了一种伺服液压系统故障确定装置,包括:
获取单元,用于获取伺服液压系统运行数据;其中,所述伺服液压系统运行数据包括设备运行环境数据与设备多个运行数据;
处理单元,用于基于所述伺服液压系统运行数据,得到所述第一故障诊断数据集和所述第二故障诊断数据集;其中,所述第一故障诊断数据集和所述第二故障诊断数据集不同;
诊断单元,用于基于所述第一故障诊断数据集和所述第二故障诊断数据集,对伺服液压系统进行故障诊断;
确认单元,用于基于所述对伺服液压系统进行故障诊断的结果,确定伺服液压系统故障情况。
第三方面,本申请实施例提供了一种伺服液压系统故障确定设备,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上述第一方面任一项所述的方法。
第四方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面中任一项的所述方法。
可以理解的是,上述第二方面至第四方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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他的附图。
图1是本申请一实施例提供的伺服液压系统故障确定方法的流程示意图;
图2是本申请一实施例提供的伺服液压系统故障确定方法中步骤S200的流程示意图;
图3是本申请一实施例提供的伺服液压系统故障确定方法的步骤S220的流程示意图;
图4是本申请一实施例提供的伺服液压系统故障确定方法的步骤S222的流程示意图;
图5是本申请一实施例提供的伺服液压系统故障确定方法的步骤S2221的流程示意图;
图6是本申请一实施例提供的伺服液压系统故障确定方法的步骤S2222的流程示意图;
图7是本申请一实施例提供的伺服液压系统故障确定方法的步骤S222的另一流程示意图;
图8是本申请一实施例提供的伺服液压系统故障确定方法的步骤S2224的流程示意图;
图9是本申请一实施例提供的伺服液压系统故障确定方法的步骤S22243的流程示意图;
图10是本申请一实施例提供的伺服液压系统故障确定方法的步骤S300的流程示意图;
图11是本申请一实施例提供的伺服液压系统故障确定方法的步骤S330的流程示意图;
图12是本申请一实施例提供的伺服液压系统故障确定方法的步骤S330的另一流程示意图;
图13是本申请一实施例提供的伺服液压系统故障确定方法的步骤S340的流程示意图;
图14是本申请一实施例提供的伺服液压系统故障确定装置的结构示意图;
图15是本申请一实施例提供的伺服液压系统故障确定设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
现有技术中,伺服液压系统可能会出现各种故障,如泄漏、阀门故障、泵故障、控制器故障等。由于伺服液压系统的复杂性,难以对伺服液压系统出现的故障进行有效的检测和诊断,导致设备性能下降、设备停机,缩短设备使用寿命、影响生产进度,增加维修成本和安全风险。
为解决上述问题,本申请实施例提供了一种伺服液压系统故障确定方法、装置及设备。该方法中,通过获取伺服液压系统运行数据,伺服液压系统运行数据包括设备运行环境数据与设备多个运行数据,来了解伺服液压系统运行状态。基于伺服液压系统运行数据,通过数据处理得到第一故障诊断数据集和第二故障诊断数据集。第一故障诊断数据集和第二故障诊断数据集反映不同的伺服液压系统运行情况。基于第一故障诊断数据集和第二故障诊断数据集的分析,来对伺服液压系统进行故障诊断。基于对伺服液压系统进行故障诊断的结果,确定伺服液压系统故障情况,做到对故障情况有效的检测和诊断,提升设备性能、减少设备停机时间,延长设备使用寿命,降低维修成本和安全风险。
本申请实施例提供的伺服液压系统故障确定方法可以应用于终端设备上,此时伺服液压系统故障确定设备即为本申请实施例提供的伺服液压系统故障确定方法的执行主体,本申请实施例对伺服液压系统故障确定设备的具体类型不作任何限制。
例如,伺服液压系统故障确定设备可以是手机、平板电脑、可穿戴设备、车载设备、增强现实(augmented reality,AR)/虚拟现实(virtual reality,VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本、个人数字助理(personal digital assistant,PDA)、桌上型计算机、智慧大屏、智能电视、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、车载设备、车联网终端、电脑、膝上型计算机、手持式通信设备、手持式计算设备、卫星无线设备等。
为了更好地理解本申请实施例提供的伺服液压系统故障确定方法,下面对本申请实施例提供的伺服液压系统故障确定方法的具体实现过程进行示例性介绍。
图1示出了本申请实施例提供的伺服液压系统故障确定方法的示意性流程图,伺服液压系统故障确定方法包括:
S100,获取伺服液压系统运行数据;其中,伺服液压系统运行数据包括设备运行环境数据与设备多个运行数据。
可以理解,可以对伺服液压系统配备数据采集设备,可以将伺服液压系统的各个设备的运行数据记录下来并存储在数据库或其他存储介质中。可以通过访问数据采集设备来获取所需的运行数据。通过监测伺服液压系统的运行数据,可以及时了解设备的运行状态和性能。通过分析伺服液压系统的运行数据,可以评估设备的工作效率和性能。如果发现设备在某些方面存在问题或故障,可以根据数据进行优化和改进,以提高设备的工作效率和生产能力。
设备运行环境数据:指的是设备在运行过程中所处的环境条件的数据。这些数据可能包括设备所在的温度、湿度、气压等环境参数。设备的运行环境对其性能和寿命有重要影响,因此监测和记录设备运行环境数据可以了解设备在不同环境条件下的运行状况,并作出相应的调整和优化。
设备多个运行数据:指的是设备在运行过程中多个方面的运行数据。这些运行数据可以是各种参数的测量值,如温度、压力、电流、速度等。设备的不同部件和功能可能需要监测和记录不同的运行数据。通过分析设备多个运行数据,可以评估设备的工作效率、性能和健康状况,发现潜在的问题或故障,并根据数据作出相应的调整和维护。
S200,基于伺服液压系统运行数据,得到第一故障诊断数据集和第二故障诊断数据集;其中,第一故障诊断数据集和第二故障诊断数据集不同。
可以理解,可以基于伺服液压系统的运行数据,分析得到第一故障诊断数据集和第二故障诊断数据集。第一故障诊断数据集主要是针对伺服液压系统的故障生成前的数据诊断而生成的。通过分析故障生成前的设备运行数据,可以检测和识别可能存在的故障,并生成相应的故障诊断数据。这些数据可以提供有关故障原因、位置和可能的解决办法的信息,以帮助维修人员进行故障排查和修复。第二故障诊断与第一故障诊断数据集不同,第二故障诊断数据集是基于故障生成后的数据分析,旨在提供更准确和详细的故障诊断结果。这些数据集为设备故障的诊断和分析提供了重要的信息,可帮助操作人员和维修人员准确、及时地处理设备故障,提高设备的可靠性和运行效率。
在一种可能的实现方式中,请参阅图2,S200,基于所述伺服液压系统运行数据,得到所述第一故障诊断数据集和所述第二故障诊断数据集,包括:
S210,基于设备多个运行数据和设备运行环境数据,模拟设备运行过程中的故障生成数据。
可以理解,可以根据获取的设备的多个运行数据和设备运行时的环境数据,通过将故障参数应用于设备运行数据和环境数据中,可以生成模拟设备故障时的数据。这些数据可以包括故障时的异常数值、异常行为等信息。
S220,对故障生成数据进行分析,得到第一故障诊断数据集和第二故障诊断数据集。
可以理解,可以根据对故障生成前的数据进行分析,提取出有关故障的特征、模式和相关信息,形成第一故障诊断数据集。根据对故障生成后的数据进行分析,提取出有关故障的特征、模式和相关信息,形成第二故障诊断数据集。
可选地,请参阅图3,S220,对故障生成数据进行分析,得到第一故障诊断数据集和第二故障诊断数据集,包括:
S221,根据故障生成数据,得到第一故障数据集和第二故障数据集;其中,第一故障数据集包括故障生成前用于反映伺服液压系统运行状态的多个类型的数据;第二故障数据集包括故障生成后用于反映伺服液压系统运行状态的多个类型的数据。
可以理解,可以将故障生成数据按故障时刻为数据进行数据的划分截取,将故障生成数据中故障生成时刻前的数据划分为第一故障数据集,将故障生成数据中故障生成时刻后的数据划分为第二故障数据集。例如第一故障数据集和第二故障数据集中多个类型的数据可以是:
压力数据:包括伺服液压系统中各个部件的压力数据,如油箱压力、液压泵压力、液压缸压力等。
流量数据:包括伺服液压系统中流体的流量数据,如液压泵的流量、油管的流量等。
温度数据:包括伺服液压系统中各个部件的温度数据,如液压油的温度、液压泵的温度、液压缸的温度等。
位置数据:包括伺服液压系统中执行器或阀门的位置数据。
速度数据:包括伺服液压系统中执行器或阀门的速度数据。
加速度数据:包括伺服液压系统中执行器或阀门的加速度数据。
电流数据:涉及到电动伺服液压系统时,可能包括电机电流数据。
传感器数据:涉及到伺服液压系统中安装的传感器时,可能包括传感器采集的数据,如位移传感器、压力传感器、温度传感器等。
控制器状态数据:包括伺服液压系统控制器的状态数据,如控制信号、控制模式、控制指令等。
S222,根据第一故障数据集和第二故障数据集进行数据处理,得到第一故障诊断数据集和第二故障诊断数据集。
可以理解,可以通过第一故障数据集和第二故障数据集的数据按预设规则或算法处理,得到的第一故障诊断数据集和第二故障诊断数据集。数据处理采用一系列的数据处理技术和方法,如数据清洗、数据预处理、特征提取等。这些数据集能够帮助预测设备的故障发生概率、判断故障的严重程度、提供故障定位等信息,为设备维护和故障处理提供支持和依据。
示例性地,请参阅图4,S222,根据第一故障数据集和第二故障数据集进行数据处理,得到第一故障诊断数据集和第二故障诊断数据集,包括:
S2221,根据第一故障数据集,得到第一数据集变化趋势;其中,第一数据集变化趋势用于反映故障生成前的数据变化趋势。
可以理解,可以通过预设一系列的数据处理规则,对第一数据集分析数据的变化趋势来反映故障生成前的数据变化趋势。可以通过预设规则对数据进行预处理,包括数据清洗、去除异常值、填充缺失值等。确保数据的准确性和完整性。可以预设使用统计方法,如回归分析、时间序列分析等,来分析数据的趋势性。根据分析结果,解释数据的变化趋势,并与故障生成前的数据变化进行对比。可以得出故障生成前的数据变化趋势。
示例性地,请参阅图5,S2221,根据第一故障数据集,得到第一数据集变化趋势,包括:
S22211,对第一故障数据集按预设时间间隔分段至故障时刻,并对每段故障数据计算数据中心值。
可以理解,对第一故障数据集中每种不同类型的参数数据都进行时间序列分析,在伺服液压系统出现故障的过程中,对第一故障数据集每种不同类型的参数数据进行按预设时间间隔的分段处理,然后在每一个时间段内计算数据的中心值。所谓的数据中心值,一般是指数据的平均值或者中位数,是对一组数据中心趋势的度量,可以反映数据集的一种典型特性。这样可以更好的描绘出数据在各个时间段的变化趋势。
S22212,根据每段故障数据的数据中心值,得到第一数据集变化趋势。
可以理解,通过对第一故障数据集中的每种不同类型的参数数据都进行时间序列分析,通过预设算法计算每一段的中心值,然后用这些中心值来绘制出变化趋势,可以得到每种数据故障数据的数据中心值在连续时段的变化情况,这种变化情况即是第一数据集变化趋势。
S2222,根据第一数据集变化趋势,得到第一数据集特征信息;其中,第一数据集特征信息用于反映伺服液压系统故障生成前的异常数据情况。
可以理解,第一数据集变化趋势特征,可以是数据的统计量、频域特征、时域特征等。可以根据伺服液压系统的特点和故障生成前的异常情况,选择合适的特征进行提取。对第一数据集进行特征提取,可以使用主成分分析(PCA)、线性判别分析(LDA)或者其他任何有效的特征提取方法,其中各种方法的选择可以根据需求和数据集特性进行选择并预设到终端设备。
示例性地,请参阅图6,S2222,根据第一数据集变化趋势,得到第一数据集特征信息。包括:
S22221,根据第一数据集变化趋势,得到每段数据中心值的变化量。
可以理解,可以预设的规则算法得到每种数据类型的每段数据中心值的变化量。可以预设使用差分算法来计算每段数据中心值的变化量。差分是一种常见的时间序列数据的处理方式,主要是通过计算相邻两个数据中心值的差,得到每一段数据的变化量。这种方式的优点是可以消除数据的影响,能够更专注于数据的变化趋势,而不是数据的绝对值大小。通过下面的公式来计算差分:差分=当前数据中心值-上一段数据中心值。这样就可以得到每一段数据中心值的变化量。可以进一步分析这些变化量,比如计算它们的均值、标准差,或者使用它们绘制图形等,以便更好地理解数据的变化趋势和模式。后续的数据分析工作也会依据这个变化量进行。
S22222,基于每段数据中心值的变化量,得到多个候选故障变化量;其中,每段数据中心值的变化量与候选故障变化量一一对应。
可以理解,对于每段数据的差分值,都是每段时间间隔内的数据变化量,这些得到的数据变化量。每段数据中心值的变化量都将作为一个候选故障变化量,以变后续对变化进行分析,进而确定故障情况。
S22223,根据多个候选故障变化量,得到故障变化量的中位数和绝对中位差。
可以理解,根据多个候选的故障变化量,可以通过预设算法来计算故障变化量的中位数和绝对中位差。中位数是一种统计量,它代表了一个数据集中的中间值。计算方法是将所有的候选故障变化量按照大小排列,然后选择中间的那个数作为中位数。如果候选故障变化量的数量是偶数,那么中位数就是中间两个数的平均值。绝对中位差是一种用来度量数据集中的离散程度的统计量。计算绝对中位差,首先需要计算出每个故障变化量与中位数的绝对差,然后将这些绝对差值重新排序后找到中间的那个值,即为绝对中位差。这两个统计量都能了解故障变化量的整体分布情况,以便进行后续的分析和预测。
S22224,基于故障变化量的中位数和绝对中位差,确定故障变化段数据。
可以理解,故障变化量的中位数代表了数据的中心趋势,也就是说,它反映了一组数据的中心或典型值。而绝对中位差则是一种数据分布的度量,它描述了数据波动或变化的程度。基于中位数和绝对中位差,可以设定一些规则或阈值来确定故障变化段。具体来说,可以检查每一个数据点(或变化量)是否超过了中位数加减绝对中位差的范围。如果一个数据点的值超过了这个范围,那么就可以认为它可能属于故障变化段,即认为该种数据的这段数据存在异常。
S22225,根据故障变化段数据,得到第一数据集特征信息。
可以理解,可以通过预设的统计算法规则基于故障变化段数据以获取一些重要的特征信息,如均值、最大值、最小值、标准差、变化趋势等。
均值:故障变化段数据的平均值,它反映了这个段落中数据的平均水平。
最大值和最小值:故障变化段数据的最高值和最低值,它们展示了数据在此段时间内的极值。
标准差:故障变化段数据的标准差,它表示数据的离散程度。
变化趋势:故障变化段的整体变化方向和程度,比如这段时间内数据是持续上升、下降,或者波动变化。
通过这些特征信息,可以对故障变化段数据有一个更深入的理解,也为后续的故障预测和决策提供了依据。
S2223,根据第一数据集特征信息,得到第一故障诊断数据集。
可以理解,可以将识别到的在故障发生前存在数据异常变化数据的数据类型的数据特征信息都统一的归化存储起来,得到故障发生前存在数据异常变化数据的数据类型的数据特征信息集群,即第一故障诊断数据集。
示例性地,请参阅图7,S222,根据第一故障数据集和第二故障数据集进行数据处理,得到第一故障诊断数据集和第二故障诊断数据集,包括:
S2224,根据第二故障数据集,得到第二数据集特征信息;其中,第二数据集特征信息用于反映伺服液压系统故障生成后的异常数据情况。
可以理解,可以从第二故障数据集提取一些重要的特征,以反映伺服液压系统故障生成后的异常数据情况。例如,这些特征包括但不限于以下几点:
液压系统压力数据:在伺服液压系统中,液压系统的压力数据是一个非常重要的指标,它可以直接反映系统的工作状态。在系统出现故障后,液压系统的压力数据可能会出现异常,如压力过高或过低。
液压系统流量数据:流量数据也是伺服液压系统的重要参数之一,它可以反映液体在单位时间内通过某一截面的体积。同样,在系统出现故障后,流量数据可能也会出现异常。
液压系统温度数据:伺服液压系统在运行过程中,会因为液体的压缩和运动产生热量,使得系统的温度升高。如果系统的冷却功能出现问题,那么可能会导致系统温度异常升高。
液压系统位置或运动数据:这些数据可以反映伺服液压系统的动态变化情况。如果系统出现故障,那么系统的位置或运动数据可能也会出现异常,如运动速度过快或过慢、运动过程中出现抖动等。
示例性地,请参阅图8,S2224,根据第二故障数据集,得到第二数据集特征信息,包括:
S22241,将第二故障数据集按数据类型划分为多个故障指标数据。
可以理解,将第二故障数据集进一步将其按照数据类型划分为多个故障指标数据。这些故障指标数据可以更精细地反映服务液压系统的状态。
S22242,将多个故障指标数据与正常的系统状态数据进行对比。
可以理解,可以依据正常的系统状态数据,设定一些阈值或者规则,然后将故障指标数据与之进行比较,以便于检测出潜在的系统故障。定正常的系统状态数据。这些数据可以是在没有故障发生时,系统的标准运行参数,如液压系统的正常压力、流量、温度和位置参数等。规定这些标准的数据可以使终端设备更好地理解系统在正常运行状态下应该保持的数据状况。基于正常运行参数和预先设定的一些故障阈值进行对比。阈值考虑到系统的误差容忍度,以确保系统在一定程度的异常情况下仍可以正常运行。获取到故障指标数据后,可以将其阈值对比。如果某个故障指标数据超出了设定的阈值,那么就可能代表系统出现了故障。
S22243,根据多个故障指标数据与正常的系统状态数据进行对比的结果,得到第二数据集特征信息。
可以理解,在分析对比结果时,可以选择那些在故障状态和正常状态下有显著差异的数据作为特征。例如,流量异常、液压系统压力过高、系统工作温度过高等都可以成为有效的特征。大量的故障指标数据中,提取出影响系统正常工作的关键特征。这一步的结果,就是得到的第二数据集特征信息。
示例性地,请参阅图9,S22243,根据多个故障指标数据与正常的系统状态数据进行对比的结果,得到第二数据集特征信息,包括:
S222431,如果任一故障指标与正确的系统状态相同,则为该故障指标添加第一标签,第一标签用于表示该部分正常。
可以理解,如果任一故障指标与正常的系统状态相同,那么为了使标签化过程更加清晰,可以为这种情况添加特定的标签。这个标签可以被称为“第一标签”。“第一标签”的含义是表示这个故障指标实际上是正常的,没有显现出任何故障迹象。对于在故障检测和诊断过程中,结果显示系统运行情况正常的故障指标,都可以给它们打上这个标签。例如,液压系统有一个故障指标是压力,这个压力指标与正常的压力值相同,就可以给这次的检查结果添加“第一标签”,提示这个压力指标是正常的。通过这样的方式,可以更直观更方便的对检查结果进行评估和分类。“第一标签”成为了标记和识别正常故障指标的重要工具。
S222432,如果任一故障指标与正确的系统状态不同,则为该故障指标添加第二标签,第二标签用于表示该部分可能存在故障。
可以理解,如果任一故障指标与正常的系统状态不同,那意味着可能存在故障。对此,可以为这个可能存在问题的故障指标标注一个特别的标签,称之为“第二标签”。“第二标签”的主要目的是用来标识可能存在问题,需要予以更进一步的检查和处理。比如,如果一个特定的指标,比如液压系统的压力,超过了设定的正常范围,就为其添加“第二标签”,说明该指标可能存在故障。简单来说,“第二标签”在整理和分析数据时,能够快速识别出哪些指标可能存在问题。从而能够针对性地进行进一步的检查,早日找出并解决可能存在的问题。
S222433,基于第一标签的数目以及第二标签的数目,确定第二数据集特征信息。
可以理解,统计第一标签和第二标签的数量。其中,第一标签代表正常运行的部分,第二标签则代表可能存在故障的部分。在通过统计第一标签和第二标签的数量后,可以得出这些数据的特征和表现形式,包括得出特定数据集的统计特性。例如,可以计算第一标签和第二标签的比例,如果第二标签的占比较大,则可能会预示系统存在大范围的故障。根据这些信息,后续可以制定更有效的维修策略和决策。
S2225,根据第二数据集特征信息,得到第二故障诊断数据集。
可以理解,据第二数据集的特征信息,可以生成第二故障诊断数据集。这个数据集将会包含所有第二标签的故障指标,这些是在审查过程中确定可能存在故障的系统部分。从第二数据集中提取所有带有第二标签的故障指标。对于每个提取的故障指标,记录其具体的数值或者状态,得到第二故障诊断数据集。第二故障诊断数据集将包括每个第二标签指标的详细信息,例如其记录的值,这个值与正常范围的偏移量等等。最重要的是,它将专注于那些被标记为第二标签的故障指标,这是因为这些标记表明了哪些系统部分可能存在故障。
S300,基于第一故障诊断数据集和第二故障诊断数据集,对伺服液压系统进行故障诊断。
可以理解,基于第一故障诊断数据集和第二故障诊断数据集比对和整合两个故障诊断数据集,找出两个数据集中的共同故障,以及各自特有的故障。分析每一个故障指标的详细情况,如它的值以及与正常值的偏差程度。此步骤的目的是判定故障的严重程度和可能的根源。基于故障的分析结果,尝试确定故障可能的原因。例如,如果某个液压部件频繁出现在故障指标中,那么它可能就是故障的源头。
在一种可能的实现方式中,请参阅图10,S300,基于第一故障诊断数据集和第二故障诊断数据集,对伺服液压系统进行故障诊断,包括:
S310,根据第一故障诊断数据集,得到故障前存在数据异常变化的数据类型信息。
可以理解,第一故障诊断数据集故障发生前存在数据异常变化数据的数据类型的数据特征信息集群。可以根据第一故障诊断数据集得到故障前每种的发生异常变化的数据的类型信息。异常变化的数据可以包括突然的数据跳变、数据的激增或激减,或者是数据的不稳定波动。
S320,根据第二故障诊断数据集,得到故障后可能存在故障的数据类型信息。
可以理解,可以根据第二故障诊断数据集的含有第二标签的故障指标,得到该故障指标对应的数据类型信息,该类型信息即是故障后可能存在故障的数据类型信息。
S330,基于故障前存在数据异常变化的数据类型信息和故障后可能存在故障的数据类型信息,确定故障数据类型。
可选地,请参阅图11,S330,基于故障前存在数据异常变化的数据类型信息和故障后可能存在故障的数据类型信息,确定故障数据类型,包括:
S331,筛选故障前存在数据异常变化的数据类型信息和故障后可能存在故障的数据类型信息。
可以理解,故障前存在数据异常变化的数据类型信息和故障后可能存在故障的数据类型信息即是在第一诊断数据集和第二故障诊断数据集都存在的数据类型信息,可以通过预设的算法规则,将其筛选出来。
S332,对筛选的故障前存在数据异常变化且故障后可能存在故障的数据类型信息,确认为故障数据类型。
可以理解,筛选出的故障前存在数据异常变化且故障后可能存在故障的数据类型信息是对比了系统正常运行时的该数据类型数据值,确认的在故障生成前后都存在异常的数据类型。这些数据类型可以被确认为故障数据类型。
可选地,请参阅图12,S330,基于故障前存在数据异常变化的数据类型信息和故障后可能存在故障的数据类型信息,确定故障数据类型,还包括:
S333,对筛选的只在故障前存在数据异常变化的数据类型信息和只在故障后可能存在故障的数据类型信息,按预设规则匹配对应的伺服液压系统单元。
可以理解,可以使用只在故障前产生异常变化的数据类型信息,通过预设规则寻找与这些数据类型匹配的液压系统单元。例如,如果某个数据类型是压力传感器的读数,那么对应的伺服液压系统单元可能是液压泵或液压控制单元。对于只在故障后可能存在故障的数据类型信息,也可以使用预设规则找出对应的系统单元。例如,如果某个数据类型是流量传感器的读数,那么它对应的系统单元可能是液压阀或液压管道。
S334,根据按预设规则匹配对应的伺服液压系统单元的结果,确定伺服液压系统故障人工判断单元。
可以理解,根据只在故障前产生异常变化的数据类型信息或故障后可能存在故障的数据类型信息匹配到的结果,可以确定为伺服液压系统的故障人工判断单元。通过设置人工判断单元,可以依靠人工经验和专业知识来判断故障的具体原因和解决方案,从而提高故障诊断的准确性和效率。
S340,基于故障数据类型,对伺服液压系统进行故障诊断。
可选地,请参阅图13,S340,基于故障数据类型,对伺服液压系统进行故障诊断,包括:
S341,根据故障数据类型,按预设规则匹配对应的伺服液压系统单元。
可以理解,可以通过预设规则寻找与故障数据类型匹配的液压系统单元。例如,如果某个数据类型是压力传感器的读数,那么对应的伺服液压系统单元可能是液压泵或液压控制单元。例如,如果某个数据类型是流量传感器的读数,那么它对应的系统单元可能是液压阀或液压管道。
S342,根据按预设规则匹配对应的伺服液压系统单元的结果,确定伺服液压系统故障单元。
可以理解,对于匹配到的伺服液压系统单元的结果,可以初步认定该单元是伺服液压系统的故障单元。通过故障诊断的过程,可以确定具体哪个部件或组件出现了问题,并进一步进行修复和维护。
S400,基于对伺服液压系统进行故障诊断的结果,确定伺服液压系统故障情况。
可以理解,根据对伺服液压系统进行故障诊断的结果,可以确定伺服液压系统的故障单元和故障人工判断单元。这样可以有效地检测和诊断故障情况,提升设备性能,减少设备停机时间,延长设备使用寿命,降低维修成本和安全风险。根据故障诊断结果,可以确定伺服液压系统的故障单元,即具体哪个部件或组件出现了问题。这有助于快速定位和修复故障,减少设备的停机时间。同时,通过人工判断单元,可以依靠人工经验和专业知识来判断故障的具体原因和解决方案。这可以提高故障诊断的准确性和效率。综上所述,通过对伺服液压系统进行故障诊断,可以有效地检测和诊断故障情况,提升设备性能,减少停机时间,延长设备寿命,并降低维修成本和安全风险。
应理解,上述实施例中各步骤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。
对应于上文实施例所述的伺服液压系统故障确定方法,本申请实施例还提供了一种伺服液压系统故障确定装置,该装置的各个单元可以实现伺服液压系统故障确定方法的各个步骤。图14示出了本申请实施例提供的伺服液压系统故障确定装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图14,该伺服液压系统故障确定装置包括:
获取单元,用于获取伺服液压系统运行数据;其中,所述伺服液压系统运行数据包括设备运行环境数据与设备多个运行数据;
处理单元,用于基于所述伺服液压系统运行数据,得到所述第一故障诊断数据集和所述第二故障诊断数据集;其中,所述第一故障诊断数据集和所述第二故障诊断数据集不同;
诊断单元,用于基于所述第一故障诊断数据集和所述第二故障诊断数据集,对伺服液压系统进行故障诊断;
确认单元,用于基于所述对伺服液压系统进行故障诊断的结果,确定伺服液压系统故障情况。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元模块单独物理存在,也可以两个或两个以上单元模块集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种伺服液压系统故障确定设备,图15为本申请一实施例提供的伺服液压系统故障确定设备的结构示意图。如图15所示,该实施例的伺服液压系统故障确定设备6包括:至少一个处理器60(图15中仅示出一个)、至少一个存储器61(图15中仅示出一个)以及存储在所述至少一个存储器61中并可在所述至少一个处理器60上运行的计算机程序62,所述处理器60执行所述计算机程序62时,使所述伺服液压系统故障确定设备6实现上述任意各个伺服液压系统故障确定方法实施例中的步骤,或者使所述伺服液压系统故障确定设备6实现上述各装置实施例中各单元的功能。
示例性地,所述计算机程序62可以被分割成一个或多个单元,所述一个或者多个单元被存储在所述存储器61中,并由所述处理器60执行,以完成本申请。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序62在所述伺服液压系统故障确定设备6中的执行过程。
所述伺服液压系统故障确定设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该伺服液压系统故障确定设备可包括,但不仅限于,处理器60、存储器61。本领域技术人员可以理解,图15仅仅是伺服液压系统故障确定设备6的举例,并不构成对伺服液压系统故障确定设备6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,例如还可以包括输入输出设备、网络接入设备、总线等。
所述处理器60可以是中央处理单元(Central Processing Unit,CPU),该处理器60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)、现成可编程门阵列(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也可以是任何常规的处理器等。
所述存储器61在一些实施例中可以是所述伺服液压系统故障确定设备6的内部存储单元,例如伺服液压系统故障确定设备6的硬盘或内存。所述存储器61在另一些实施例中也可以是所述伺服液压系统故障确定设备6的外部存储设备,例如所述伺服液压系统故障确定设备6上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(SecureDigital, SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器61还可以既包括所述伺服液压系统故障确定设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供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上述任意各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在电子设备上运行时,使得电子设备实现上述任意各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元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,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的伺服液压系统故障确定装置/伺服液压系统故障确定设备和方法,可以通过其它的方式实现。例如,以上所描述的伺服液压系统故障确定装置/伺服液压系统故障确定设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
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;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以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;而这些修改或者替换,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精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种伺服液压系统故障确定方法,其特征在于,包括:
获取伺服液压系统运行数据;其中,所述伺服液压系统运行数据包括设备运行环境数据与设备多个运行数据;
基于所述伺服液压系统运行数据,得到第一故障诊断数据集和第二故障诊断数据集;其中,所述第一故障诊断数据集和所述第二故障诊断数据集不同;
基于所述第一故障诊断数据集和所述第二故障诊断数据集,对伺服液压系统进行故障诊断;
基于所述对伺服液压系统进行故障诊断的结果,确定伺服液压系统故障情况。
2.如权利要求1所述的伺服液压系统故障确定方法,其特征在于,所述基于所述伺服液压系统运行数据,得到所述第一故障诊断数据集和所述第二故障诊断数据集,包括:
基于所述设备多个运行数据和所述设备运行环境数据,模拟设备运行过程中的故障生成数据;
对所述故障生成数据进行分析,得到所述第一故障诊断数据集和所述第二故障诊断数据集;
其中,所述对所述故障生成数据进行分析,得到所述第一故障诊断数据集和所述第二故障诊断数据集,包括:
根据所述故障生成数据,得到第一故障数据集和第二故障数据集;其中,所述第一故障数据集包括故障生成前用于反映伺服液压系统运行状态的多个类型的数据;所述第二故障数据集包括故障生成后用于反映伺服液压系统运行状态的多个类型的数据;
根据所述第一故障数据集和所述第二故障数据集进行数据处理,得到所述第一故障诊断数据集和所述第二故障诊断数据集;
所述根据所述第一故障数据集和所述第二故障数据集进行数据处理,得到所述第一故障诊断数据集和所述第二故障诊断数据集,包括:
根据所述第一故障数据集,得到第一数据集变化趋势;其中,所述第一数据集变化趋势用于反映故障生成前的数据变化趋势;
根据所述第一数据集变化趋势,得到第一数据集特征信息;其中,所述第一数据集特征信息用于反映伺服液压系统故障生成前的异常数据情况;
根据所述第一数据集特征信息,得到第一故障诊断数据集。
3.如权利要求2所述的伺服液压系统故障确定方法,其特征在于,所述根据所述第一故障数据集,得到第一数据变化趋势,包括:
对所述第一故障数据集按预设时间间隔分段至故障时刻,并对每段故障数据计算数据中心值;
根据每段故障数据的数据中心值,得到第一数据集变化趋势。
4.如权利要求3所述的伺服液压系统故障确定方法,其特征在于,所述根据所述第一数据集变化趋势,得到第一数据集特征信息,包括:
根据所述第一数据集变化趋势,得到每段数据中心值的变化量;
基于每段数据中心值的变化量,得到多个候选故障变化量;其中,所述每段数据中心值的变化量与所述候选故障变化量一一对应;
根据所述多个候选故障变化量,得到故障变化量的中位数和绝对中位差;
基于所述故障变化量的中位数和绝对中位差,确定故障变化段数据;
根据所述故障变化段数据,得到第一数据集特征信息。
5.如权利要求3所述的伺服液压系统故障确定方法,其特征在于,所述根据所述第一故障数据集和所述第二故障数据集进行数据处理,得到所述第一故障诊断数据集和所述第二故障诊断数据集,包括:
根据所述第二故障数据集,得到第二数据集特征信息;其中,所述第二数据集特征信息用于反映伺服液压系统故障生成后的异常数据情况;
根据所述第二数据集特征信息,得到第二故障诊断数据集。
6.如权利要求5所述的伺服液压系统故障确定方法,其特征在于,所述根据所述第二故障数据集,得到第二数据集特征信息,包括:
将所述第二故障数据集按数据类型划分为多个故障指标数据;
将所述多个故障指标数据与正常的系统状态数据进行对比;
根据所述多个故障指标数据与正常的系统状态数据进行对比的结果,得到第二数据集特征信息;
其中,所述根据所述多个故障指标数据与正常的系统状态数据进行对比的结果,得到第二数据集特征信息,包括:
如果任一故障指标与正确的系统状态相同,则为该故障指标添加第一标签,所述第一标签用于表示该部分正常;
如果任一故障指标与正确的系统状态不同,则为该故障指标添加第二标签,所述第二标签用于表示该部分可能存在故障;
基于所述第一标签的数目以及所述第二标签的数目,确定第二数据集特征信息。
7.如权利要求1所述的伺服液压系统故障确定方法,其特征在于,所述基于所述第一故障诊断数据集和所述第二故障诊断数据集,对伺服液压系统进行故障诊断,包括:
根据所述第一故障诊断数据集,得到故障前存在数据异常变化的数据类型信息;
根据所述第二故障诊断数据集,得到故障后可能存在故障的数据类型信息;
基于所述故障前存在数据异常变化的数据类型信息和所述故障后可能存在故障的数据类型信息,确定故障数据类型;
基于所述故障数据类型,对伺服液压系统进行故障诊断;
其中,所述基于所述故障前存在数据异常变化的数据类型信息和所述故障后存在数据异常的数据类型信息,确定故障数据类型,包括:
筛选所述故障前存在数据异常变化的数据类型信息和所述故障后可能存在故障的数据类型信息;
对筛选的故障前存在数据异常变化且故障后可能存在故障的数据类型信息,确认为故障数据类型。
8.如权利要求7所述的伺服液压系统故障确定方法,其特征在于,所述基于所述故障数据类型,对伺服液压系统进行故障诊断,包括:
根据所述故障数据类型,按预设规则匹配对应的伺服液压系统单元;
根据所述按预设规则匹配对应的伺服液压系统单元的结果,确定伺服液压系统故障单元。
9.一种伺服液压系统故障确定装置,其特征在于,包括:
获取单元,用于获取伺服液压系统运行数据;其中,所述伺服液压系统运行数据包括设备运行环境数据与设备多个运行数据;
处理单元,用于基于所述伺服液压系统运行数据,得到第一故障诊断数据集和第二故障诊断数据集;其中,所述第一故障诊断数据集和所述第二故障诊断数据集不同;
诊断单元,用于基于所述第一故障诊断数据集和所述第二故障诊断数据集,对伺服液压系统进行故障诊断;
确认单元,用于基于所述对伺服液压系统进行故障诊断的结果,确定伺服液压系统故障情况。
10.一种伺服液压系统故障确定设备,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,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410123911.7A CN117927535A (zh) | 2024-01-26 | 2024-01-26 | 伺服液压系统故障确定方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410123911.7A CN117927535A (zh) | 2024-01-26 | 2024-01-26 | 伺服液压系统故障确定方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117927535A true CN117927535A (zh) | 2024-04-26 |
Family
ID=90762801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410123911.7A Pending CN117927535A (zh) | 2024-01-26 | 2024-01-26 | 伺服液压系统故障确定方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117927535A (zh) |
-
2024
- 2024-01-26 CN CN202410123911.7A patent/CN117927535A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
EP1982301B1 (en) | Method of condition monitoring | |
US7496798B2 (en) | Data-centric monitoring method | |
CN102375452B (zh) | 改善故障代码设定和隔离故障的事件驱动的数据挖掘方法 | |
CN109186813A (zh) | 一种温度传感器自检装置及方法 | |
US20140365179A1 (en) | Method and Apparatus for Detecting and Identifying Faults in a Process | |
CN111289256B (zh) | 一种数据驱动的船舶柴油机故障检测方法 | |
CN111242323A (zh) | 用于修理机器次优操作的主动自动系统和方法 | |
Züfle et al. | A machine learning-based workflow for automatic detection of anomalies in machine tools | |
US8621305B2 (en) | Methods systems and apparatus for determining whether built-in-test fault codes are indicative of an actual fault condition or a false alarm | |
EP3948438B1 (en) | Method and system for anomaly detection and diagnosis in industrial processes and equipment | |
EP3975077A1 (en) | Monitoring device and method for segmenting different times series of sensor data points | |
CN113196311A (zh) | 用于识别和预测机器的异常感测行为模式的系统和方法 | |
KR20200005206A (ko) | 기계 학습 기반의 설비 이상 분류 시스템 및 방법 | |
CN116292241A (zh) | 一种输油泵机组的故障诊断预警方法及系统 | |
CN115099260A (zh) | 双螺杆输油泵在线监测机械故障实时诊断方法 | |
CN114077919A (zh) | 用于预测加工异常的系统 | |
ITCO20090068A1 (it) | Metodo e sistema per diagnosticare compressori | |
CN116205623A (zh) | 设备维护方法、装置、系统、电子设备及存储介质 | |
Becherer et al. | Intelligent choice of machine learning methods for predictive maintenance of intelligent machines | |
CN112534371A (zh) | 优化用于监视工业机器操作的机器学习算法的准确度 | |
CN110097219B (zh) | 一种基于安全树模型的电动车辆运维优化方法 | |
CN117927535A (zh) | 伺服液压系统故障确定方法、装置及设备 | |
CN114322446B (zh) | 冷却系统故障预警方法、装置、冷却系统及作业机械 | |
KR20220096793A (ko) | 회전기계의 결함을 종합적으로 진단하는 방법 및 시스템 |
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 |