CN106404443B - 混合动力起重装置故障预示平台及其数据样本获取方法 - Google Patents
混合动力起重装置故障预示平台及其数据样本获取方法 Download PDFInfo
- Publication number
- CN106404443B CN106404443B CN201610899983.6A CN201610899983A CN106404443B CN 106404443 B CN106404443 B CN 106404443B CN 201610899983 A CN201610899983 A CN 201610899983A CN 106404443 B CN106404443 B CN 106404443B
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- mrow
- signal
- oil
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种混合动力起重装置故障预示平台,平台基于混合动力起重装置的故障模拟制动***采集压力信号数据和油液信号数据,压力信号数据的获得是在制动***上模拟不同的故障模式时,通过处于不同位置的传感器采集样本信号;对于油液信号数据的采集,则主要是通过液压缸上的取样口,定期采集油样,对油样进行基本分析、数据预处理以及模糊聚类数据简化;然后,将上述的压力信号数据和油液信号数据进行模数转换;最后,将处理以后的数据样本和上位机进行数据交流、分析和存储。本发明利用多传感器采集以及多种油液分析方法融合,获得更加准确、全面的压力信号和油液信息,为各种故障诊断和预测算法的验证提供数据支持。
Description
技术领域
本发明属于混合动力起重装置故障诊断技术领域,尤其是一种混合动力起重装置故障预示平台及其数据样本获取方法。
背景技术
现有技术中的混合动力起重装置一般在环境复杂且恶劣的环境中工作,在信号检测过程中,故障信号很容易遭受环境干扰,容易被各种噪声淹没,加之液压***故障具有隐蔽性、多样性、随机性和因果关系复杂性等特点,故障机理复杂多样,单一传感器提供的故障特征信息常常是模糊的、不完整的和不确定的,有时甚至是错误的,故其不能提供***运行过程中完整的状态信息。为了后期能够实现对混合动力起重装置全面而准确故障诊断,使诊断***具有更高的精度、可靠性,则需要综合利用多传感器获得多路故障信号,这样获得的数据样本产生比单一传感器得到的关于被测环境的数据有更全面和合理的解释。
大多数的机械设备都采用润滑油或其它润滑剂进行润滑,这些油液在机器内部循环,像人体的血液一样含有丰富的有关机体运行状况的信息,通过油液检测分析方法可以提取润滑油中所包含的设备运转状况的信息。目前的油液分析技术通常采用铁谱分析、光谱分析,理化分析法,尽管这些技术各有特点、适用范围,但单一的分析手段,不能完全的提取出油液中的特征参数,所以我们将这些技术得到的分析结果进行对比,通过相互校验得到最好的数据样本。分析技术综合利用,可以提取出完备有用的特征数据,对设备的运行状况有更丰富的诊断数据,为后期建立基于油液分析上的故障诊断人工免疫算法和案例推理机制等做出贡献。
目前,对于故障信号提取问题,无论在实践中或者理论上都有较为成熟的技术和成就。国内外现在都致力于将混合动力起重装置和智能算法相结合,利用算法更好的实现对大型机电装备故障的诊断和预测,而在算法的验证中,需要较为准确的数据样本。而目前提供这样的数据样本多为单一数据,且在实际作业中较难获得,因此,混合动力起重装置故障预示实验平台能提供的数据样本就具有了现实意义。
发明内容
为了克服现有技术的不足,本发明提供了一种混合动力起重装置故障预示平台,该平台可以为各种故障诊断和预测算法的验证来提供压力信号样本数据和油液信息样本数据,可以为后期智能算法进行的故障诊断和预测提供更为全面的数据支持。
为了实现上述目的,本发明采用的技术方案是:一种混合动力起重装置故障预示平台,其特征在于:包括信号采集单元、故障模拟制动***、信号模数转换单元、上位机,信号采集单元与故障模拟制动***连接,信号采集单元输出端与信号模数转换单元连接,信号模数转换单元输出信号传递至上位机,
所述故障模拟制动***包括
供能装置,包括供给、调节制动所需能量以及改善传能介质状态的液压缸,液压缸中设有将液压缸分成液压腔和活塞腔的活塞,活塞一端通过活塞杆伸出液压缸之外,活塞另一端设有弹簧,活塞杆和弹簧分别位于液压腔和活塞腔中;
控制装置,包括产生制动动作和控制制动效果的制动踏板;
传动装置,包括将制动能量传输到制动器的真空助力泵和制动主缸;
制动器,包括产生阻碍起重装置制动运动或运动趋势的力的制动盘和闸瓦,制动盘和闸瓦之间留有闸瓦间隙,闸瓦通过闸盘与活塞杆连接;
制动踏板通过所述真空助力泵与制动主缸连接,制动主缸通过油管与液压缸的液压腔连接,活塞杆一端伸出液压腔之外与闸盘联动连接,
所述信号采集单元包括油压传感器、压力传感器、位移传感器和弹簧座传感器,
油压传感器安装于液压缸的液压腔中,液压缸中的弹簧通过弹簧后座安装于活塞腔中,弹簧座传感器安装于弹簧后座上,液压缸的液压腔中还设有油液取样口,
位移传感器安装于闸盘上部,
压力传感器安装于制动盘朝向闸瓦的端面,压力传感器位于闸瓦间隙中。
进一步的,所述位移传感器、压力传感器、油压传感器和弹簧座传感器分别安装于4个压力信号测点,4个压力信号测点分别分布在闸盘上部、制动盘表面、液压缸内部、弹簧底部处,所述压力信号测点位置经打磨成光滑平面,光滑平面涂抹耐高温真空脂,位移传感器、压力传感器、油压传感器和弹簧座传感器分别与各自压力信号测点位置接触,位移传感器通过支架固定在闸盘上,压力传感器和油压传感器分别经高强磁力座固定,弹簧座传感器嵌设于弹簧后座的凹腔中。
发明目的二:本发明还提供了一种混合动力起重装置故障数据样本获取方法,其特征在于,包括压力信号数据样本获取部分和油液信号数据样本获取部分,
所述压力信号数据样本获取部分包括以下步骤:①建立混合动力起重装置故障预示平台,②将压力信号测点分布在闸盘上部、制动盘表面、液压缸内部、弹簧底部,在4个压力信号测点处分别安装位移传感器、压力传感器、油压传感器和弹簧座传感器,③模拟故障模拟制动***的正常、故障、严重故障3种模式,并于3种模式下分别采集位移传感器、压力传感器、油压传感器和弹簧座传感器的三组样本数据,④将在3种故障模式下采集到的数据样本传输到信号模数转换单元,完成模数转换后和上位机进行数据交流、分析和存储;
所述油液信号数据样本获取部分包括以下步骤:①从液压缸的油液取样口定期获取液压缸油液,②对采集的油样的进行油液分析,③对油液分析测得的数据进行预处理,剔除数据中的人为误差,降低观测误差对数据的影响,去除噪声,排除数据分析的外在干扰因素,提取有用的特征信息,预处理包括以下步骤:
a光谱分析数据处理:光谱数据的中心化、正规化;
b数据的平滑处理:移动平均值法、Savitsky-Golay法;
c异常值的修正:采用F分布的假设检验法,算出置信区间,对采集的数据样本点逐个检验是否为异常值;
d异常值的代替:先计算删除了异常点自己后的剩余样本的平均值,将样本均值与异常值的前一点样本采集值的差作为异常点的修正数值;其中ZK异常值修正值;ZK-1异常值点前一个正常样本点的观测值或已经过修正的值;E(Z正常)除去异常值点后的样本均值;
Zk=2E(Z正常)-ZK-1
④对预处理后得到的数据进行模糊聚类数据简化,利用各个数据的属性之间的相似程度来分组,对油液中特征参数进行模糊聚类分组,选出属性相近的分类,具体如下:
a选择待分类对象的全体U={x1,x2,,,xn},其中n为被分类对象的个数,其中xi是分类对象的样本,每个样本再由m个指标划分,xi’={xi1’,xi2’,...,xim’},这样得到原始数据矩阵,X’=(xij’)nxm,
b数据正规化,采用如下公式进行标准化,
通过标准化把指标数据Xij压缩在[0,1]闭区间,得到正规化矩阵,
c确定U上的相似关系矩阵R,采用数量积法、指数相似系数法、平均差距法、平均几何最小值法中的任意一种或以上方法,
d求模糊等价矩阵,通过平方法求出模糊相似矩阵R的最小闭包,也就是R2k=Rk。
e聚类,采用绝对值减数法得到相似矩阵,进一步求出最小传递闭包矩阵,在该矩阵上选定适当的λ∈[0,1],对象进行分类,
⑤将模糊聚类简化后的数据样本传输到信号模数转换单元,完成模数转换后和上位机进行数据交流、分析和存储。
进一步的,所述油液信号数据样本获取部分的步骤②中利用三种分析手段进行油液分析,a采用常规理化性能分析,对采集的油样的理化性能指标做实验分析,主要针对油样的粘度、酸碱值、水分,闪点等参数;b采用铁谱分析,在高梯度强磁场中分离出油样中磨损颗粒,借助监测仪器检验分析,提取出磨粒的类别和数量的信息;c采用光谱分析,来检测发射出特定波长的金属类型和含量,给出油液中各种元素含量的浓度情况。
采用上述方案,本发明与传统获取数据方法相比,该实验平台通过故障模拟模块改变故障模式,使得数据样本全面;且在不同的压力信号测点安装不同的传感器以及通过多种手段进行油液分析,使得存储在上位机的样本数据更准确可靠。
下面结合附图对本发明作进一步描述。
附图说明
附图1为本发明具体实施例混合动力轮胎吊制动***结构示意图;
附图2为本发明具体实施例模拟故障关系图;
附图3为本发明具体实施例油液信息获取部分关系图;
附图4为本发明具体实施例油液信息样本数据获取框图;
制动踏板1、真空助力泵2、制动主缸3、油管31、液压缸4、取样口41、活塞42、活塞杆43、蝶型弹簧5、弹簧座51、弹簧座传感器61、压力传感器62、位移传感器63、油压传感器64、闸瓦71、闸盘72、闸瓦间隙73、制动盘8。
具体实施方式
本发明的具体实施例如图1-4所示是混合动力起重装置故障预示平台,其包括信号采集单元、故障模拟制动***、信号模数转换单元、上位机,信号采集单元与故障模拟制动***连接,信号采集单元输出端与信号模数转换单元连接,信号模数转换单元输出信号传递至上位机,
故障模拟制动***包括液压缸4、制动踏板1、真空助力泵2、制动主缸3、制动盘8和闸瓦71,液压缸4中设有将液压缸4分成液压腔和活塞腔的活塞42,活塞42一端通过活塞杆43伸出液压缸4之外,活塞42另一端设有蝶型弹簧5,活塞杆43和弹簧分别位于液压腔和活塞腔中;
制动盘8和闸瓦71之间留有闸瓦间隙73,闸瓦71通过闸盘72与活塞杆43连接;
制动踏板1通过真空助力泵2与制动主缸3连接,制动主缸3通过油管31与液压缸4的液压腔连接,活塞杆43一端伸出液压腔之外与闸盘72联动连接,
信号采集单元包括油压传感器64、压力传感器62、位移传感器63和弹簧座传感器61,
油压传感器64安装于液压缸4的液压腔中,液压缸4中的蝶型弹簧5通过弹簧后座安装于活塞腔中,弹簧座传感器61安装于弹簧后座上,液压缸4的液压腔中还设有油液取样口41,
位移传感器63安装于闸盘72上部,
压力传感器62安装于制动盘8朝向闸瓦71的端面,压力传感器62位于闸瓦间隙73中。
进一步的,位移传感器63、压力传感器62、油压传感器64和弹簧座传感器61分别安装于4个压力信号测点,4个压力信号测点分别分布在闸盘72上部、制动盘8表面、液压缸4内部、弹簧底部处,在这些位置安装不同类型的传感器检测制动***在抱闸和松闸过程中的压力信号,用来获取制动盘8、液压缸4以及蝶型弹簧5等主要部件在不同故障模式下的压力信号数据样本。压力传感器62和弹簧座传感器61都安装方便且易更换应变片,其中,压力传感器62对由于液压泵等外力引起的压力脉动有一定的抗冲击能力。上述各传感器的安装方式主要是将与传感器接触的测点位置表面打磨光滑,然后涂抹上耐高温的真空脂,使传感器直接与被测物表面接触,用高强度磁力座进行固定,而碟簧座传感器因为和蝶形弹簧后座形状吻合,所以直接安置在蝶型弹簧5后座即可;位移传感器63也可通过支架固定在闸瓦71衬板上,传感器表面平行于制动盘8,通过测量端面到制动盘8的距离变化可间接测得闸瓦间隙73变化等故障模式数据。
在传感器已安装成功的基础之上提取压力信号,实验平台需进行实验模拟不同部位的故障模式,从而得到所需数据。本发明中,实验模拟混合动力起重装置制动***正常、故障、严重故障3种故障模式,根据3种故障模式收集3组传感器的样本数据。实验平台中由压力信号引起的起重装置制动***故障最直接原因就是制动力矩过大或过小,而制动力矩三个主要因素为闸瓦间隙73、蝶型弹簧5弹力、液压***油压,所以只要从这三方面进行实验模拟。其中闸瓦间隙73的故障数据可通过使制动盘8出现偏摆、闸瓦71及制动盘8出现磨损得到,其偏摆程度或磨损程度决定故障模式是正常、故障还是严重故障;蝶型弹簧5弹力引发的故障模式下的压力信号数据样本可通过替换为疲劳失效的弹簧模拟故障;液压***残压信号的变化可通过油路堵塞以及局部液压缸4内壁破裂进行故障模拟;制动力矩除了通过上述的方法间接得到样本,也可通过压力传感器62直接获得样本。
定期抽取液压缸4中的油液后,对油液采用理化分析、铁谱分析、光谱分析等方法进行分析,将三种分析结果进行比较和综合,对油液分析的原始数据进行预处理,提取出有用的特征数据,在对数据进行模糊聚类数据简化,能更加精确地表达***的真实情况,将更好的数据提供给实验平台。油液分析主要检测油液的污染信息、零部件的磨损信息、油液的品质以及三者的关联状态,通过不同的检测手段得到的前三种信息具有相应的决定作用和反作用,从中可以看出显著的重要关系,获得***状态的磨损和油品的信息,经过合适的方法处理后,从而对状态和已有或将来的可能故障做出判断和决策。
上述混合动力起重装置故障数据样本获取方法,包括压力信号数据样本获取部分和油液信号数据样本获取部分,
压力信号数据样本获取部分包括以下步骤:①建立上述的混合动力起重装置故障预示平台,②将压力信号测点分布在闸盘72上部、制动盘8表面、液压缸4内部、弹簧底部,在4个压力信号测点处分别安装位移传感器63、压力传感器62、油压传感器64和弹簧座传感器61,③模拟故障模拟制动***的正常、故障、严重故障3种模式,并于3种模式下分别采集位移传感器63、压力传感器62、油压传感器64和弹簧座传感器61的三组样本数据,④将在3种故障模式下采集到的数据样本传输到信号模数转换单元,完成模数转换后和上位机进行数据交流、分析和存储;
油液信号数据样本获取部分包括以下步骤:①从液压缸4的油液取样口41定期获取液压缸4油液,②对采集的油样的进行理化性能指标分析,主要针对油样的粘度、酸碱值、水分,闪点等参数;铁谱分析,即在高梯度强磁场中分离出油样中磨损颗粒,借助不同监测仪器检验分析比如显微镜,提取出磨粒的类别和数量的信息;光谱分析,即检测发射出特定波长的金属类型和含量,给出油液中各种元素含量的浓度情况。③对油液分析测得的数据进行预处理,剔除数据中的人为误差,降低观测误差对数据的影响,去除噪声,排除数据分析的外在干扰因素,提取有用的特征信息,预处理包括以下步骤:
a光谱分析数据处理:光谱数据的中心化、正规化;
b数据的平滑处理:移动平均值法、Savitsky-Golay法;
c异常值的修正:采用F分布的假设检验法,算出置信区间,对采集的数据样本点逐个检验是否为异常值;
d异常值的代替:先计算删除了异常点自己后的剩余样本的平均值,将样本均值与异常值的前一点样本采集值的差作为异常点的修正数值;其中ZK异常值修正值;ZK-1异常值点前一个正常样本点的观测值或已经过修正的值;E(Z正常)除去异常值点后的样本均值;
Zk=2E(Z正常)-ZK-1
④对预处理后得到的数据进行模糊聚类数据简化,利用各个数据的属性之间的相似程度来分组,使同一组的数据具有较高的相似度,不同组的数据之间具有较高的相异度,简化数据的同时又不失精确性地表征***的工作状态,对油液中特征参数进行模糊聚类分组,选出属性相近的分类,具体如下:
a选择待分类对象的全体U={x1,x2,,,xn},其中n为被分类对象的个数,其中xi是分类对象的样本,每个样本再由m个指标划分,xi’={xi1’,xi2’,...,xim’},这样得到原始数据矩阵,X’=(xij’)nxm。
b数据正规化,为了便于指标数据进行分析比较,避免数据指标被埋没,需要进行数据规范化处理,采用如下公式进行标准化,
通过标准化把指标数据Xij压缩在[0,1]闭区间,得到正规化矩阵,
c确定U上的相似关系矩阵R,采用数量积法、指数相似系数法、平均差距法、平均几何最小值法中的任意一种或以上方法,
d求模糊等价矩阵,通过平方法求出模糊相似矩阵R的最小闭包,也就是R2k=Rk,
e聚类,采用绝对值减数法得到相似矩阵,进一步求出最小传递闭包矩阵,在该矩阵上选定适当的λ∈[0,1],对象进行分类,其中不同的λ水平之下,聚类的结果不相同,λ取值越小,分类结果越精细。
⑤将模糊聚类简化后的数据样本传输到信号模数转换单元,完成模数转换后和上位机进行数据交流、分析和存储。
此外,还可以在平台上安装外接式检测端子,可对各传感器、执行器等部件进行检测维修。
本发明不局限于上述具体实施方式,本领域一般技术人员根据本发明公开的内容,可以采用其他多种具体实施方式实施本发明的,或者凡是采用本发明的设计结构和思路,做简单变化或更改的,都落入本发明的保护范围。
Claims (3)
1.一种混合动力起重装置故障数据样本获取方法,其特征在于,包括压力信号数据样本获取部分和油液信号数据样本获取部分,
所述压力信号数据样本获取部分包括以下步骤:
①建立混合动力起重装置故障预示平台,该混合动力起重装置故障预示平台包括信号采集单元、故障模拟制动***、信号模数转换单元、上位机,信号采集单元与故障模拟制动***连接,信号采集单元输出端与信号模数转换单元连接,信号模数转换单元输出信号传递至上位机,
所述故障模拟制动***包括
供能装置,包括供给、调节制动所需能量以及改善传能介质状态的液压缸,液压缸中设有将液压缸分成液压腔和活塞腔的活塞,活塞一端通过活塞杆伸出液压缸之外,活塞另一端设有弹簧,活塞杆和弹簧分别位于液压腔和活塞腔中;
控制装置,包括产生制动动作和控制制动效果的制动踏板;
传动装置,包括将制动能量传输到制动器的真空助力泵和将制动能量传输到制动器的制动主缸;
制动器,包括产生阻碍起重装置制动运动或运动趋势的力的制动盘和产生阻碍起重装置制动运动或运动趋势的力的闸瓦,制动盘和闸瓦之间留有闸瓦间隙,闸瓦通过闸盘与活塞杆连接;
制动踏板通过所述真空助力泵与制动主缸连接,制动主缸通过油管与液压缸的液压腔连接,活塞杆一端伸出液压腔之外与闸盘联动连接,
所述信号采集单元包括油压传感器、压力传感器、位移传感器和弹簧座传感器,
油压传感器安装于液压缸的液压腔中,液压缸中的弹簧通过弹簧后座安装于活塞腔中,弹簧座传感器安装于弹簧后座上,液压缸的液压腔中还设有油液取样口,
位移传感器安装于闸盘上部,
压力传感器安装于制动盘朝向闸瓦的端面,压力传感器位于闸瓦间隙中;
②将压力信号测点分布在闸盘上部、制动盘表面、液压缸内部、弹簧底部,在4个压力信号测点处分别安装位移传感器、压力传感器、油压传感器和弹簧座传感器,
③模拟故障模拟制动***的正常、故障、严重故障3种模式,并于3种模式下分别采集位移传感器、压力传感器、油压传感器和弹簧座传感器的三组样本数据,
④将在3种故障模式下采集到的数据样本传输到信号模数转换单元,完成模数转换后和上位机进行数据交流、分析和存储;
所述油液信号数据样本获取部分包括以下步骤:①从液压缸的油液取样口定期获取液压缸油液,②对采集的油样的进行油液分析,③对油液分析测得的数据进行预处理,剔除数据中的人为误差,降低观测误差对数据的影响,去除噪声,排除数据分析的外在干扰因素,提取有用的特征信息,预处理包括以下步骤:
a光谱分析数据处理:光谱数据的中心化、正规化;
b数据的平滑处理:移动平均值法、Savitsky-Golay法;
c异常值的修正:采用F分布的假设检验法,算出置信区间,对采集的数据样本点逐个检验是否为异常值;
d异常值的代替:先计算删除了异常点自己后的剩余样本的平均值,将样本均值与异常值的前一点样本采集值的差作为异常点的修正数值;其中ZK异常值修正值;ZK-1异常值点前一个正常样本点的观测值或已经过修正的值;E(Z正常)除去异常值点后的样本均值;
Zk=2E(Z正常)-ZK-1
④对预处理后得到的数据进行模糊聚类数据简化,利用各个数据的属性之间的相似程度来分组,对油液中特征参数进行模糊聚类分组,选出属性相近的分类,具体如下:
a选择待分类对象的全体U={x1,x2,,,xn},其中n为被分类对象的个数,其中xi是分类对象的样本,每个样本再由m个指标划分,xi’={xi1’,xi2’,...,xim’},这样得到原始数据矩阵,X’=(xij’)nxm,
b数据正规化,采用如下公式进行标准化,
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&prime;</mo>
</msup>
<mo>-</mo>
<munderover>
<mi>&Lambda;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&prime;</mo>
</msup>
</mrow>
<mrow>
<munderover>
<mi>V</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&prime;</mo>
</msup>
<mo>-</mo>
<munderover>
<mi>&Lambda;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&prime;</mo>
</msup>
</mrow>
</mfrac>
</mrow>
通过标准化把指标数据Xij压缩在[0,1]闭区间,得到正规化矩阵,
c确定U上的相似关系矩阵R,采用数量积法、指数相似系数法、平均差距法、平均几何最小值法中的任意一种或以上方法,
d求模糊等价矩阵,通过平方法求出模糊相似矩阵R的最小闭包,也就是R2k=Rk,
e聚类,采用绝对值减数法得到相似矩阵,进一步求出最小传递闭包矩阵,在该矩阵上选定适当的λ∈[0,1],对象进行分类,
⑤将模糊聚类简化后的数据样本传输到信号模数转换单元,完成模数转换后和上位机进行数据交流、分析和存储。
2.根据权利要求1所述的混合动力起重装置故障数据样本获取方法,其特征在于:所述油液信号数据样本获取部分的步骤②中利用三种分析手段进行油液分析,a采用常规理化性能分析,对采集的油样的理化性能指标做实验分析,主要针对油样的粘度、酸碱值、水分,闪点等参数;b采用铁谱分析,在高梯度强磁场中分离出油样中磨损颗粒,借助监测仪器检验分析,提取出磨粒的类别和数量的信息;c采用光谱分析,来检测发射出特定波长的金属类型和含量,给出油液中各种元素含量的浓度情况。
3.根据权利要求1所述的混合动力起重装置故障数据样本获取方法,其特征在于:所述位移传感器、压力传感器、油压传感器和弹簧座传感器分别安装于4个压力信号测点,4个压力信号测点分别分布在闸盘上部、制动盘表面、液压缸内部、弹簧底部处,所述压力信号测点位置经打磨成光滑平面,光滑平面涂抹耐高温真空脂,位移传感器、压力传感器、油压传感器和弹簧座传感器分别与各自压力信号测点位置接触,位移传感器通过支架固定在闸盘上,压力传感器和油压传感器分别经高强磁力座固定,弹簧座传感器嵌设于弹簧后座的凹腔中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610899983.6A CN106404443B (zh) | 2016-10-14 | 2016-10-14 | 混合动力起重装置故障预示平台及其数据样本获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610899983.6A CN106404443B (zh) | 2016-10-14 | 2016-10-14 | 混合动力起重装置故障预示平台及其数据样本获取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106404443A CN106404443A (zh) | 2017-02-15 |
CN106404443B true CN106404443B (zh) | 2018-03-02 |
Family
ID=58011639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610899983.6A Active CN106404443B (zh) | 2016-10-14 | 2016-10-14 | 混合动力起重装置故障预示平台及其数据样本获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106404443B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107121975B (zh) * | 2017-05-03 | 2019-12-06 | 首都师范大学 | 一种基于信息几何的机器故障诊断方法和装置 |
CN110842880B (zh) * | 2019-12-09 | 2023-05-30 | 徐州欧百瑞智能设备有限公司 | 一种模块化智能异型件操作平台 |
CN111553074A (zh) * | 2020-04-27 | 2020-08-18 | 中国航空综合技术研究所 | 威布尔分布故障样本的奇异值排除方法 |
CN112040505A (zh) * | 2020-07-22 | 2020-12-04 | 温州大学 | 基于5g无线通信的大型混合动力设备的监控信息采集与传输装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2687785A1 (en) * | 2008-12-04 | 2010-06-04 | University Of Ottawa | Parameter independent detection of rotating machinery faults |
CN102745612A (zh) * | 2012-07-24 | 2012-10-24 | 徐工集团工程机械股份有限公司 | 一种履带起重机监测*** |
CN102967459A (zh) * | 2012-12-03 | 2013-03-13 | 中国计量学院 | 旋转机械故障模拟实验*** |
CN205486746U (zh) * | 2016-03-16 | 2016-08-17 | 国网山东省电力公司莱州市供电公司 | 一种远程测控终端控制***的故障告警装置 |
-
2016
- 2016-10-14 CN CN201610899983.6A patent/CN106404443B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2687785A1 (en) * | 2008-12-04 | 2010-06-04 | University Of Ottawa | Parameter independent detection of rotating machinery faults |
CN102745612A (zh) * | 2012-07-24 | 2012-10-24 | 徐工集团工程机械股份有限公司 | 一种履带起重机监测*** |
CN102967459A (zh) * | 2012-12-03 | 2013-03-13 | 中国计量学院 | 旋转机械故障模拟实验*** |
CN205486746U (zh) * | 2016-03-16 | 2016-08-17 | 国网山东省电力公司莱州市供电公司 | 一种远程测控终端控制***的故障告警装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106404443A (zh) | 2017-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106404443B (zh) | 混合动力起重装置故障预示平台及其数据样本获取方法 | |
CN106761668B (zh) | 油井故障智能化分析决策***及方法 | |
CN104712542B (zh) | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 | |
Pichler et al. | Fault detection in reciprocating compressor valves under varying load conditions | |
CN110469772B (zh) | 一种氢气瓶无损检测装置及检测方法 | |
Jegadeeshwaran et al. | Comparative study of decision tree classifier and best first tree classifier for fault diagnosis of automobile hydraulic brake system using statistical features | |
CN102494899B (zh) | 柴油机复合故障诊断方法及诊断*** | |
Feng et al. | Design and implementation of a self-validating pressure sensor | |
CN105466693B (zh) | 基于灰色模型的柴油机燃油***故障预诊断方法 | |
CN108267312B (zh) | 一种基于快速搜索算法的地铁列车轴承智能诊断方法 | |
CN102797671A (zh) | 一种往复压缩机的故障检测方法与装置 | |
US9607451B2 (en) | Method and a system for merging health indicators of a device | |
CN110242637A (zh) | 伺服液压缸往复密封件磨损状态监测装置及方法 | |
CN105626502B (zh) | 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法 | |
CN108519268A (zh) | 一种润滑条件下磨损颗粒检测装置及方法 | |
CN109374631A (zh) | 一种隧道状态评测方法 | |
CN105239608A (zh) | 一种基于wt-rs-svr相结合的滑坡位移预测方法 | |
CN116756595A (zh) | 一种导电滑环故障数据采集监测方法 | |
CN107977679A (zh) | 基于频响函数和运行响应特征诊断复杂装置早期故障的方法 | |
CN110220885A (zh) | 一种机械设备磨损状态综合判断方法 | |
CN116466408B (zh) | 一种基于航磁数据的人工神经网络超基性岩识别方法 | |
CN116204825A (zh) | 一种基于数据驱动的生产线设备故障检测方法 | |
Ivanov | Analysis of tire contact parameters using visual processing | |
CN115345256A (zh) | 应用于智能制造的工业产品测试*** | |
CN114595753A (zh) | 面向数据稀缺场景的综合供能服务站油气回收***故障检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |