CN118245940A - 无尘室气锤波动源定位方法及系统 - Google Patents

无尘室气锤波动源定位方法及系统 Download PDF

Info

Publication number
CN118245940A
CN118245940A CN202410341655.9A CN202410341655A CN118245940A CN 118245940 A CN118245940 A CN 118245940A CN 202410341655 A CN202410341655 A CN 202410341655A CN 118245940 A CN118245940 A CN 118245940A
Authority
CN
China
Prior art keywords
parameters
air hammer
parameter
data set
input data
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
Application number
CN202410341655.9A
Other languages
English (en)
Inventor
杨波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Shuyoucheng Automation Equipment Co ltd
Original Assignee
Suzhou Shuyoucheng Automation Equipment Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Shuyoucheng Automation Equipment Co ltd filed Critical Suzhou Shuyoucheng Automation Equipment Co ltd
Priority to CN202410341655.9A priority Critical patent/CN118245940A/zh
Publication of CN118245940A publication Critical patent/CN118245940A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明属于故障定位技术领域，本发明公开了无尘室气锤波动源定位方法及系统；方法包括：采集无尘室内实时气锤n种参数运行数据；对实时采集的n种参数进行分析，判断n种参数是否异常，将首个特征参数表现值放入输入数据集中作为特征参数，并获取首个特征参数对应的采集时间，并标记为首次采集时间；继续采集首次采集时间后单位时间内除首个特征参数以外的m种参数；得到完整的输入数据集，以及得到输入数据集中每个特征参数的采集时间；将完整的输入数据集，以及输入数据集中每个特征参数的采集时间，以固定格式输入训练完成的故障类型识别模型，获得气锤故障类型标签。有效提升了故障源定位的准确性。

Description

无尘室气锤波动源定位方法及系统
技术领域
本发明涉及故障定位技术领域，更具体地说，本发明涉及无尘室气锤波动源定位方法及系统。
背景技术
无尘室(cleanroom)是一类对空气质量、温度、湿度、压力等严格控制的特殊环境，广泛应用于半导体、生物医药、食品加工等领域。在无尘室内，精确定位和排查可能导致环境污染的波动源至关重要。
现有技术如授权公告号CN114544188B的中国专利公开了一种航空发动机多源拍振引起的振动波动故障识别与排除方法，针对航空发动机监测振动值呈周期性正弦波动的情形，所述方法包括：步骤一、将周期性正弦波动的振动值波动模式分为第一模式和第二模式；步骤二、计算出现振动波动时的高、低压转子的转速比；步骤三、根据转速比R进行拍振故障模式识别；步骤四、确认拍振故障模式后，通过调节高、低压转子转速的关系，改变转速比，实现消除多源耦合拍振。此申请的航空发动机多源拍振引起的振动波动故障识别与排除方法通过结合航空发动机的工作实际使用特点，并计算高低压转速比的大小和振动波动情况，可实现多源拍振三种模式的快速识别与准确定位，且可以实现航空发动机多源拍振故障的排除。
现有技术是多源拍振三种模式的快速识别与准确定位；但是忽略了一种故障影响参数异常，会逐渐引发多种故障参数异常，即一种故障引发的多种不同类型故障的连锁反应，在对故障进行识别和排出时，难以准确的做到对故障源的定位，从而导致故障源排出效率低，此外，在无尘室环境中，例如气锤波动源异常时，不仅导致气锤无法正常作业，也将导致无尘室内的气体环境遭到破坏，因此针对此种故障源定位，需要具备定位准确的特点。
鉴于此，本发明提出一种无尘室气锤波动源定位方法及系统以解决上述问题。
发明内容
为了克服现有技术的上述缺陷，为实现上述目的，本发明提供如下技术方案：无尘室气锤波动源定位方法；
采集无尘室内实时气锤运行数据，实时气锤运行数据包括n种参数；
对实时采集的n种参数进行分析，判断n种参数是否异常，若n种参数中任一个参数为异常参数，则将该种参数标记为首个特征参数，
将首个特征参数表现值放入输入数据集中作为特征参数，并获取首个特征参数对应的采集时间，并标记为首次采集时间；
继续采集首次采集时间后单位时间内除首个特征参数以外的m种参数，m＝n-1，并继续确定输入数据集中剩余的m个特征参数，以及确定m个特征参数的采集时间；得到完整的输入数据集，以及得到输入数据集中每个特征参数的采集时间；
将完整的输入数据集，以及输入数据集中每个特征参数的采集时间，以固定格式输入训练完成的故障类型识别模型，获得气锤故障类型标签。
进一步地，确定输入数据集中剩余的m个特征参数，以及确定m个特征参数的采集时间的方法包括：
若m种参数中有出现异常参数，则将异常参数表现值放入输入数据集中作为特征参数，以及获取异常参数对应的采集时间；
若m种参数中未出现异常参数，标记正常参数，以单位时间结束时间节点采集的正常参数表现值放入输入数据集中作为特征参数，并将单位时间结束时间节点作为正常参数的采集时间。
进一步地，判断参数是否异常的方法包括：
预设每一种参数阈值区间，将参数与相应的预设参数阈值区间比对分析；
若参数在相应的预设参数阈值区间内，则判定相应的参数为正常参数；
若参数不在相应的预设参数阈值区间内，则判定相应的参数为异常参数。
进一步地，故障类型识别模型的训练方法包括：
收集x组历史气锤样本数据，x为大于1的整数，历史气锤样本数据包括气锤特征数据以及与气锤特征数据对应的气锤故障类型；气锤特征数据包括输入数据集与输入数据集中每个特征参数的采集时间，将输入数据集中每个特征参数按照采集时间依次进行数值编号，对气锤故障类型设置标签；
将气锤特征数据作为故障类型识别模型的输入，将每组气锤特征数据对应的预测气锤故障类型标签作为输出，以每组气锤特征数据对应的实际气锤故障类型标签作为预测目标；以最小化所有气锤特征数据的预测误差之和作为训练目标；对故障类型识别模型进行训练，直至预测误差之和达到收敛时停止训练，得到故障类型识别模型。
进一步地，故障类型识别模型为回归分析模型、贝叶斯网络模型或支持向量机模型等其他合适的模型。
进一步地，预测误差的计算公式为Rx＝(αx-μx)2，其中Rx为预测误差，x为特征向量的组号，αx为第x组气锤特征数据实际气锤故障类型标签，μx为第x组气锤特征数据预测气锤故障类型标签。
进一步地，n种参数包括声音数据、振动值与温度值，声音数据包括声音振动频率。
进一步地，声源过滤模块，将方向性麦克风主瓣方向朝向对应气锤声源发生位置，通过声学采集公式，计算声源的入射角度，将声源的入射角度与预设入射角度范围比对分析，判定是否保留获取的声音数据。
进一步地，方向性麦克风的声学采集公式如下:
V＝K*cos(θ)*P；
式中，V表示方向性麦克风传感器的输出电压，通过方向性麦克风传感器采集得到，K表示单位声压对应的电压输出，通过查看方向性麦克风参数得知；θ表示声源的入射角度，即声音与麦克风主瓣方向之间的夹角；P表示声压，即声音压力的强度，通过方向性麦克风传感器采集；
通过声学采集公式得到cos(θ)值从而得到对应的声源的入射角度θ；
将实时采集到的声源入射角度θ和方向性麦克风预设入射角度范围比对，
若声源入射角度θ在方向性麦克风预设入射角度范围内则保留此声音数据；
若声源入射角度θ不在方向性麦克风预设角度范围内则为干扰声源，舍弃此声音数据。
无尘室气锤波动源定位系统，实施所述的无尘室气锤波动源定位方法，包括：
数据采集模块，用于采集无尘室内实时气锤运行数据，实时气锤运行数据包括n种参数；
数据处理模块，对实时采集的n种参数进行分析，判断n种参数是否异常，若n种参数中任一个参数为异常参数，则将该种参数标记为首个特征参数；
将首个特征参数表现值放入输入数据集中作为特征参数，并获取首个特征参数对应的采集时间，并标记为首次采集时间；
继续采集首次采集时间后单位时间内除首个特征参数以外的m种参数，m＝n-1，并继续确定输入数据集中剩余的m个特征参数，以及确定m个特征参数的采集时间；得到完整的输入数据集，以及得到输入数据集中每个特征参数的采集时间；
气锤故障类型识别模块，将完整的输入数据集，以及输入数据集中每个特征参数的采集时间，以固定格式输入训练完成的故障类型识别模型，获得气锤故障类型标签。
本发明无尘室气锤波动源定位方法及系统的技术效果和优点：
通过确定首个异常参数，以及首个异常参数的首次采集时间，然后根据首次采集时间后单位时间再确定多个异常参数，考虑多个异常参数发生时间，将多个异常参数以及对应发生时间，作为具体故障类型的影响参数，考虑了一种故障引发的多种不同类型故障的连锁反应，有效提升了故障源定位的准确性；可以做到及时的根据故障类别采取相应的维修措施，提升维护效率，避免了无尘室环境质量的破坏、生产线中断或设备损坏等严重后果。
附图说明
图1为本发明实施例1中的无尘室气锤波动源定位系统示意图；
图2为本发明实施例2中的无尘室气锤波动源定位系统示意图；
图3为本发明实施例3中的无尘室气锤波动源定位方法流程图；
图4为本发明实施例4中的电子设备示意图；
图5为本发明实施例5中的存储介质示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
数据采集模块，用于采集无尘室内实时气锤运行数据，实时气锤运行数据包括n种参数，例如，n种参数包括声音数据、振动值与温度值，声音数据包括声音振动频率；
气锤正常情况下，会发出稳定、均匀的声音，当气锤出现故障、磨损问题时，气锤噪音增加产生碰撞声或其他异常声音，声音的振动频率会发生改变；使用高灵敏度的麦克风放置靠近气锤的运动部件，采集气锤不同运行状态下的声音振动频率；
气锤在运行时通常会产生特定频率和振动模式的振动；不同运行状态下，气锤的振动特征可能会有所不同，使用振动传感器来采集气锤不同运行状态振动值；
当气锤部件发生故障或受损时，会导致异常的温度升高或降低；通过监测温度变化，可以及早检测到潜在的问题或故障；使用温度传感器来采集气锤不同运行状态下的温度值；
数据处理模块，对实时采集的n种参数进行分析，判断n种参数是否异常，若n种参数中任一个参数为异常参数，则将该种参数标记为首个特征参数；
将首个特征参数表现值放入输入数据集中作为特征参数，并获取首个特征参数对应的采集时间，并标记为首次采集时间；
继续采集首次采集时间后单位时间内除首个特征参数以外的m种参数，m＝n-1，并继续确定输入数据集中剩余的m个特征参数，以及确定m个特征参数的采集时间；得到完整的输入数据集，以及得到输入数据集中每个特征参数的采集时间；
确定输入数据集中剩余的m个特征参数，以及确定m个特征参数的采集时间的方法包括：
若m种参数中有出现异常参数，则将异常参数表现值放入输入数据集中作为特征参数，以及获取异常参数对应的采集时间；
若m种参数中未出现异常参数，标记正常参数，以单位时间结束时间节点采集的正常参数表现值放入输入数据集中作为特征参数，并将单位时间结束时间节点作为正常参数的采集时间；
为方便理解上述技术方案，以n种参数包括声音振动频率、振动值与温度值为例，即n为3：
当实时采集的声音振动频率、振动值与温度值中，声音振动频率为首次出现的异常参数，则将声音振动频率标记为首个特征参数，将声音振动频率表现值放入输入数据集中作为特征参数，并获取声音振动频率对应的采集时间，并标记为首次采集时间；
若m种参数中有出现异常参数，即单位时间内振动值或温度值为异常，则将异常的振动值或温度值放入输入数据集中作为特征参数，并获取异常的振动值或温度值对应的采集时间；
若m种参数中未出现异常参数，标记正常参数，例如温度值或振动值始终未出现异常，则以单位时间结束时间节点采集的温度值或振动值放入输入数据集中作为特征参数，并将单位时间结束时间节点作为温度值或振动值的采集时间；
判断参数是否异常的方法包括：
预设每一种参数阈值区间，将参数与相应的预设参数阈值区间比对分析；
若参数在相应的预设参数阈值区间内，则判定相应的参数为正常参数；
若参数不在相应的预设参数阈值区间内，则判定相应的参数为异常参数；
预设每一种参数阈值区间示例如下：
例如n个参数为声音振动频率、振动值与温度值，则预设振动频率阈值区间、振动阈值区间以及温度阈值区间，比对时，则将声音振动频率与预设振动频率阈值比对分析，将振动值与预设振动阈值区间比对分析，将温度值与预设温度阈值区间比对分析即可；
气锤故障类型识别模块，将完整的输入数据集，以及输入数据集中每个特征参数的采集时间，以固定格式输入训练完成的故障类型识别模型，获得气锤故障类型标签；
本实施例考虑n种参数异常以及对应的异常发生时间的先后顺序，作为故障类型识别模型的输入，原因在于：
以n个参数为声音振动频率、振动值与温度值为例，以气锤故障类型包括气锤内部部件磨损、气锤部件松脱以及气锤过载为例；
例如气锤内部部件磨损，气锤内部部件包括活塞、密封圈等部件，若活塞、密封圈等部件因长时间使用或不良工作条件而磨损，会导致气锤先是振动值增大，再是声音值升高异常，最终温度升高异常；
气锤部件松脱，气锤部件包括气锤的管道连接件、支架和固定件，管道连接件如螺纹接头或法兰连接，在工作过程中，气锤部件发生松动或脱落，会导致气锤先是声音值异常，再是振动值升高异常，短时间对温度影响不大，即温度正常；
气锤过载，指的是气锤长时间或频繁使用气锤导致气锤过载，会导致气锤先是温度升高异常，再是振动值增大异常，最终声音值升高异常；
故障类型识别模型的训练方法包括：
收集x组历史气锤样本数据，x为大于1的整数，历史气锤样本数据包括气锤特征数据以及与气锤特征数据对应的气锤故障类型；气锤特征数据包括输入数据集与输入数据集中每个特征参数的采集时间，将输入数据集中每个特征参数按照采集时间依次进行数值编号，对气锤故障类型设置标签，气锤故障类型包括气锤内部部件磨损、气锤部件松脱、气锤过载、气锤密封失效；将气锤内部部件磨损标签设置为1，将气锤部件松脱标签设置为2，将气锤过载标签设置为3，将气锤密封失效标签设置为4；
将气锤特征数据作为故障类型识别模型的输入，将每组气锤特征数据对应的预测气锤故障类型标签作为输出，以每组气锤特征数据对应的实际气锤故障类型标签作为预测目标；以最小化所有气锤特征数据的预测误差之和作为训练目标；对故障类型识别模型进行训练，直至预测误差之和达到收敛时停止训练。
其中，预测误差的计算公式为Rx＝(αx-μx)2，其中Rx为预测误差，x为特征向量的组号，αx为第x组气锤特征数据实际气锤故障类型标签，μx为第x组气锤特征数据预测气锤故障类型标签；
故障类型识别模型为回归分析模型、贝叶斯网络模型或支持向量机模型等其他合适的模型。
本实施例通过确定首个异常参数，以及首个异常参数的首次采集时间，然后根据首次采集时间后单位时间再确定多个异常参数，考虑多个异常参数发生时间，将多个异常参数以及对应发生时间，作为具体故障类型的影响参数，考虑了一种故障引发的多种不同类型故障的连锁反应，有效提升了故障源定位的准确性；可以做到及时的根据故障类别采取相应的维修措施，提升维护效率，避免了无尘室环境质量的破坏、生产线中断或设备损坏等严重后果。
实施例2
本实施例在实施案例1的基础上进一步改进设计，在实际使用过程中，无尘室内工作的气锤不止一个，每个气锤都有故障类型识别模块，当一个气锤出现故障时，其他组的故障类型识别模块也能监听到气锤故障声音，为辨别具体是哪一个气锤发生了故障，因此本实施例提供一种无尘室气锤波动源定位系统，以解决上述问题，定位系统还包括声源过滤模块，请参阅图2所示；
声源过滤模块，将方向性麦克风主瓣方向朝向对应气锤声源发生位置，通过声学采集公式，计算声源的入射角度，将声源的入射角度与预设入射角度范围比对分析，判定声源的入射角度是否在预设入射角度范围内；
确保麦克风与气锤声源的距离适中，以获得最佳效果；调整方向性麦克风的方向，例如，心形麦克风的主瓣在前方，背面和侧面的声音会被抑制，可以更好地抑制其他气锤故障产生的干扰声源及其他环境噪音。
方向性麦克风的声学采集公式如下:
V＝K*cos(θ)*P；
式中，V表示方向性麦克风传感器的输出电压，通过方向性麦克风传感器采集得到，K表示麦克风的灵敏度，它是一个常数，代表单位声压对应的电压输出，通过查看方向性麦克风参数得知；θ表示声源的入射角度，即声音与麦克风主瓣方向之间的夹角；P表示声压，即声音压力的强度，通过方向性麦克风传感器采集；
根据公式，可以得到方向性麦克风的响应特性，当声源位于方向性麦克风的主瓣方向时，传感器的输出电压达到最大值；随着声源偏离主瓣方向，传感器的输出电压逐渐减小，直到最终为零；
当声压P过大，入射角度对应cos(θ)值小，即声源偏离方向麦克风采集方向，也能采集到偏离麦克风采集方向的干扰声源，此时，式中V、K以及P均为已知值；通过公式可得cos(θ)值从而得到对应的声源的入射角度θ。
将实时采集到的声源入射角度θ和方向性麦克风预设入射角度范围比对，若声源入射角度θ在方向性麦克风预设入射角度范围内则保留此声音数据，若声源入射角度θ不在方向性麦克风预设角度范围内则为干扰声源，舍弃此声音数据，
方向性麦克风预设入射角度范围，为在无其他噪音干扰下，方向性麦克风多次采集此方向上的气锤发出的声源，得到的θ值集合，将θ值集合中的θ最小值作为入射角度范围的角度最小值，将θ值集合中的θ最大值作为入射角度范围的角度最大值。
本实施例通过使用方向性麦克风采集此方向上的气锤发出的声源，得到的θ值集合，将θ值集合中的θ最小值作为入射角度范围的角度最小值，将θ值集合中的θ最大值作为入射角度范围的角度最大值。
锤声音源，有效地过滤掉背景噪音，使得语音信号更加清晰，同时也避免无尘室内一个气锤故障噪音引起的其他组别的故障识别；有助于提高无尘室气锤波动源定位系统的准确性和稳定性。
实施例3
请参阅图3所示，本实施例未详细叙述部分见实施例1描述内容，提供无尘室气锤波动源定位方法，所述方法包括：
采集无尘室内实时气锤运行数据，实时气锤运行数据包括n种参数；
对实时采集的n种参数进行分析，判断n种参数是否异常，若n种参数中任一个参数为异常参数，则将该种参数标记为首个特征参数，
将首个特征参数表现值放入输入数据集中作为特征参数，并获取首个特征参数对应的采集时间，并标记为首次采集时间；
继续采集首次采集时间后单位时间内除首个特征参数以外的m种参数，m＝n-1，并继续确定输入数据集中剩余的m个特征参数，以及确定m个特征参数的采集时间；得到完整的输入数据集，以及得到输入数据集中每个特征参数的采集时间；
将完整的输入数据集，以及输入数据集中每个特征参数的采集时间，以固定格式输入训练完成的故障类型识别模型，获得气锤故障类型标签。
进一步地，确定输入数据集中剩余的m个特征参数，以及确定m个特征参数的采集时间的方法包括：
若m种参数中有出现异常参数，则将异常参数表现值放入输入数据集中作为特征参数，以及获取异常参数对应的采集时间；
若m种参数中未出现异常参数，标记正常参数，以单位时间结束时间节点采集的正常参数表现值放入输入数据集中作为特征参数，并将单位时间结束时间节点作为正常参数的采集时间。
进一步地，判断参数是否异常的方法包括：
预设每一种参数阈值区间，将参数与相应的预设参数阈值区间比对分析；
若参数在相应的预设参数阈值区间内，则判定相应的参数为正常参数；
若参数不在相应的预设参数阈值区间内，则判定相应的参数为异常参数。
进一步地，故障类型识别模型的训练方法包括：
收集x组历史气锤样本数据，x为大于1的整数，历史气锤样本数据包括气锤特征数据以及与气锤特征数据对应的气锤故障类型；气锤特征数据包括输入数据集与输入数据集中每个特征参数的采集时间，将输入数据集中每个特征参数按照采集时间依次进行数值编号，对气锤故障类型设置标签；
将气锤特征数据作为故障类型识别模型的输入，将每组气锤特征数据对应的预测气锤故障类型标签作为输出，以每组气锤特征数据对应的实际气锤故障类型标签作为预测目标；以最小化所有气锤特征数据的预测误差之和作为训练目标；对故障类型识别模型进行训练，直至预测误差之和达到收敛时停止训练，得到故障类型识别模型。
进一步地，故障类型识别模型为回归分析模型、贝叶斯网络模型或支持向量机模型等其他合适的模型。
进一步地，预测误差的计算公式为Rx＝(αx-μx)2，其中Rx为预测误差，x为特征向量的组号，αx为第x组气锤特征数据实际气锤故障类型标签，μx为第x组气锤特征数据预测气锤故障类型标签。
进一步地，n种参数包括声音数据、振动值与温度值，声音数据包括声音振动频率。
采集无尘室内实时气锤运行数据，实时气锤运行数据包括n种参数；
对实时采集的n种参数进行分析，判断n种参数是否异常，若n种参数中任一个参数为异常参数，则将该种参数标记为首个特征参数；
将首个特征参数表现值放入输入数据集中作为特征参数，并获取首个特征参数对应的采集时间，并标记为首次采集时间；
继续采集首次采集时间后单位时间内除首个特征参数以外的m种参数，m＝n-1，并继续确定输入数据集中剩余的m个特征参数，以及确定m个特征参数的采集时间；得到完整的输入数据集，以及得到输入数据集中每个特征参数的采集时间；
将完整的输入数据集，以及输入数据集中每个特征参数的采集时间，以固定格式输入训练完成的故障类型识别模型，获得气锤故障类型标签。
实施例4
请参阅图4所示，根据本申请的又一方面还提供了电子设备500。该电子设备500可包括一个或多个处理器以及一个或多个存储器。其中，存储器中存储有计算机可读代码，计算机可读代码当由一个或多个处理器运行时，可以执行如上所述的无尘室气锤波动源定位方法。
根据本申请实施方式的方法或系统也可以借助于图4所示的电子设备的架构来实现。如图4所示，电子设备500可包括总线501、一个或多个CPU502、只读存储器(ROM)503、随机存取存储器(RAM)504、连接到网络的通信端口505、输入/输出506、硬盘507等。电子设备500中的存储设备，例如ROM503或硬盘507可存储本申请提供的无尘室气锤波动源定位方法。进一步地，电子设备500还可包括用户界面508。当然，图4所示的架构只是示例性的，在实现不同的设备时，根据实际需要，可以省略图4示出的电子设备中的一个或多个组件。
实施例5
请参阅图5所示，是根据本申请一个实施方式的计算机可读存储介质600。计算机可读存储介质600上存储有计算机可读指令。当计算机可读指令由处理器运行时，可执行参照以上附图描述的根据本申请实施方式的无尘室气锤波动源定位方法。存储介质600包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可包括随机存取存储器(RAM)和高速缓冲存储器(cache)等。非易失性存储器例如可包括只读存储器(ROM)、硬盘、闪存等。
另外，根据本申请的实施方式，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请提供了非暂时性机器可读存储介质，所述非暂时性机器可读存储介质存储有机器可读指令，所述机器可读指令能够由处理器运行以执行与本申请提供的方法步骤对应的指令，例如：基于AI视觉分析的工控视觉运动控制方法。在该计算机程序被中央处理单元(CPU)执行时，执行本申请的方法中限定的上述功能。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到，结合本发明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发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种，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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，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。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
最终：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.无尘室气锤波动源定位方法，其特征在于：
采集无尘室内实时气锤运行数据，实时气锤运行数据包括n种参数；
对实时采集的n种参数进行分析，判断n种参数是否异常，若n种参数中任一个参数为异常参数，则将该种参数标记为首个特征参数；
将首个特征参数表现值放入输入数据集中作为特征参数，并获取首个特征参数对应的采集时间，并标记为首次采集时间；
继续采集首次采集时间后单位时间内除首个特征参数以外的m种参数，m＝n-1，并继续确定输入数据集中剩余的m个特征参数，以及确定m个特征参数的采集时间；得到完整的输入数据集，以及得到输入数据集中每个特征参数的采集时间；
将完整的输入数据集，以及输入数据集中每个特征参数的采集时间，以固定格式输入训练完成的故障类型识别模型，获得气锤故障类型标签。
2.根据权利要求1所述的无尘室气锤波动源定位方法，其特征在于，确定输入数据集中剩余的m个特征参数，以及确定m个特征参数的采集时间的方法包括：
若m种参数中有出现异常参数，则将异常参数表现值放入输入数据集中作为特征参数，以及获取异常参数对应的采集时间；
若m种参数中未出现异常参数，标记正常参数，以单位时间结束时间节点采集的正常参数表现值放入输入数据集中作为特征参数，并将单位时间结束时间节点作为正常参数的采集时间。
3.根据权利要求2所述的无尘室气锤波动源定位方法，其特征在于，判断所述参数是否异常的方法包括：
预设每一种参数阈值区间，将参数与相应的预设参数阈值区间比对分析；
若参数在相应的预设参数阈值区间内，则判定相应的参数为正常参数；
若参数不在相应的预设参数阈值区间内，则判定相应的参数为异常参数。
4.根据权利要求3所述的无尘室气锤波动源定位方法，其特征在于，所述故障类型识别模型的训练方法包括：
收集x组历史气锤样本数据，x为大于1的整数，历史气锤样本数据包括气锤特征数据以及与气锤特征数据对应的气锤故障类型；气锤特征数据包括输入数据集与输入数据集中每个特征参数的采集时间，将输入数据集中每个特征参数按照采集时间依次进行数值编号，对气锤故障类型设置标签；
将气锤特征数据作为故障类型识别模型的输入，将每组气锤特征数据对应的预测气锤故障类型标签作为输出，以每组气锤特征数据对应的实际气锤故障类型标签作为预测目标；以最小化所有气锤特征数据的预测误差之和作为训练目标；对故障类型识别模型进行训练，直至预测误差之和达到收敛时停止训练，得到故障类型识别模型。
5.根据权利要求4所述的无尘室气锤波动源定位方法，其特征在于，所述故障类型识别模型为回归分析模型、贝叶斯网络模型或支持向量机模型。
6.根据权利要求5所述的无尘室气锤波动源定位方法，其特征在于，预测误差的计算公式为Rx＝(αx-μx)2，其中Rx为预测误差，x为特征向量的组号，αx为第x组气锤特征数据实际气锤故障类型标签，μx为第x组气锤特征数据预测气锤故障类型标签。
7.根据权利要求6所述的无尘室气锤波动源定位方法，其特征在于，n种参数包括声音数据、振动值与温度值，声音数据包括声音振动频率。
8.根据权利要求7所述的无尘室气锤波动源定位方法，其特征在于，将方向性麦克风主瓣方向朝向对应气锤声源发生位置，通过声学采集公式，计算声源的入射角度，将声源的入射角度与预设入射角度范围比对分析，判定是否保留获取的声音数据。
9.根据权利要求8所述的无尘室气锤波动源定位方法，其特征在于，方向性麦克风的声学采集公式如下:
V＝K*cos(θ)*P；
式中，V表示方向性麦克风传感器的输出电压，通过方向性麦克风传感器采集得到，K表示单位声压对应的电压输出，通过查看方向性麦克风参数得知；θ表示声源的入射角度，即声音与麦克风主瓣方向之间的夹角；P表示声压，即声音压力的强度，通过方向性麦克风传感器采集；
通过声学采集公式得到cos(θ)值，从而得到对应的声源的入射角度θ；
将实时采集到的声源入射角度θ和方向性麦克风预设入射角度范围比对，
若声源入射角度θ在方向性麦克风预设入射角度范围内，则保留此声音数据；
若声源入射角度θ不在方向性麦克风预设角度范围内，则为干扰声源，舍弃此声音数据。
10.无尘室气锤波动源定位系统，实施权利要求1-9任一项所述的无尘室气锤波动源定位方法，其特征在于，包括：
数据采集模块，用于采集无尘室内实时气锤运行数据，实时气锤运行数据包括n种参数；
第一数据处理模块，对实时采集的n种参数进行分析，判断n种参数是否异常，若n种参数中任一个参数为异常参数，则将该种参数标记为首个特征参数；
将首个特征参数表现值放入输入数据集中作为特征参数，并获取首个特征参数对应的采集时间，并标记为首次采集时间；
继续采集首次采集时间后单位时间内除首个特征参数以外的m种参数，m＝n-1，并继续确定输入数据集中剩余的m个特征参数，以及确定m个特征参数的采集时间；得到完整的输入数据集，以及得到输入数据集中每个特征参数的采集时间；
气锤故障类型识别模块，将完整的输入数据集，以及输入数据集中每个特征参数的采集时间，以固定格式输入训练完成的故障类型识别模型，获得气锤故障类型标签。
CN202410341655.9A 2024-03-25 2024-03-25 无尘室气锤波动源定位方法及系统 Pending CN118245940A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410341655.9A CN118245940A (zh) 2024-03-25 2024-03-25 无尘室气锤波动源定位方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410341655.9A CN118245940A (zh) 2024-03-25 2024-03-25 无尘室气锤波动源定位方法及系统

Publications (1)

Publication Number Publication Date
CN118245940A true CN118245940A (zh) 2024-06-25

Family

ID=91561854

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410341655.9A Pending CN118245940A (zh) 2024-03-25 2024-03-25 无尘室气锤波动源定位方法及系统

Country Status (1)

Country Link
CN (1) CN118245940A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050072239A1 (en) * 2003-09-30 2005-04-07 Longsdorf Randy J. Process device with vibration based diagnostics
KR20090037845A (ko) * 2008-12-18 2009-04-16 삼성전자주식회사 혼합 신호로부터 목표 음원 신호를 추출하는 방법 및 장치
CN114001890A (zh) * 2021-10-25 2022-02-01 河北白沙烟草有限责任公司 一种基于振动与噪声数据分析的卷接设备状况监控方法、系统、终端及存储介质
CN115973715A (zh) * 2023-02-16 2023-04-18 煤炭科学技术研究院有限公司 用于带式运输机的托辊故障检测模型的训练方法和装置
CN116744357A (zh) * 2023-06-21 2023-09-12 中国电信股份有限公司 基站故障预测方法、装置、设备和介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050072239A1 (en) * 2003-09-30 2005-04-07 Longsdorf Randy J. Process device with vibration based diagnostics
KR20090037845A (ko) * 2008-12-18 2009-04-16 삼성전자주식회사 혼합 신호로부터 목표 음원 신호를 추출하는 방법 및 장치
CN114001890A (zh) * 2021-10-25 2022-02-01 河北白沙烟草有限责任公司 一种基于振动与噪声数据分析的卷接设备状况监控方法、系统、终端及存储介质
CN115973715A (zh) * 2023-02-16 2023-04-18 煤炭科学技术研究院有限公司 用于带式运输机的托辊故障检测模型的训练方法和装置
CN116744357A (zh) * 2023-06-21 2023-09-12 中国电信股份有限公司 基站故障预测方法、装置、设备和介质

Similar Documents

Publication Publication Date Title
US20200233397A1 (en) System, method and computer-accessible medium for machine condition monitoring
KR102428632B1 (ko) 산업 프로세스들에서 이용되는 부품들로부터 기원하는 시그널링에 있어서의 이상을 검출 및 측정하는 시스템 및 방법
JP5735499B2 (ja) 基板処理中に自動的に障害状態を検出及び分類するための方法及び装置
JP2008014679A (ja) 設備診断方法、設備診断システム及びコンピュータプログラム
WO2019067128A1 (en) METHODS AND APPARATUSES FOR ROBOT HEALTH MONITORING IN MANUFACTURING ENVIRONMENTS
KR101635947B1 (ko) 볼 스크루 예압 검출 시스템 및 검출 방법
US11300952B2 (en) Anomaly detection in a pneumatic system
CN116777433B (zh) 一种基于数据分析的工业产线设备运维管理系统
CN111665066A (zh) 基于卷积神经网络的设备故障自适应上下预警界生成方法
CN113569762A (zh) 用于使用振动数据进行生产线瓶颈分析的方法和装置
KR20210006832A (ko) 기계고장 진단 방법 및 장치
CN118245940A (zh) 无尘室气锤波动源定位方法及系统
CN117435883A (zh) 一种基于数字孪生的设备故障预测的方法和系统
CN117423345A (zh) 一种电力设备声纹识别监测系统
JPWO2020162425A1 (ja) 解析装置、解析方法、およびプログラム
CN110703721B (zh) 用于监控生产过程的方法和装置
WO2022142213A1 (zh) 叶片故障诊断方法、装置、系统及存储介质
KR101718156B1 (ko) 먼지 관리 시스템
JP2014026327A (ja) 実稼働データによる機器の状態診断装置
CN113454553B (zh) 用于检测和测量源自工业过程中使用的部件的信令中的异常的系统和方法
JP2021076597A (ja) 過渡速度動作中の振動傾向を決定することによるロータ異常の検出
KR20210059267A (ko) 데이터 수집 시스템 및 방법
JPH08166325A (ja) 空気圧アクチュエータを用いた複数のバルブの異常監視方法
CN117433978B (zh) 一种传输用除尘器的监测预警方法及系统
CN117854245B (zh) 一种基于设备运行音频的异常设备监控方法及系统

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