CN113255475A - 一种装载机下线故障识别方法、***及电子设备 - Google Patents
一种装载机下线故障识别方法、***及电子设备 Download PDFInfo
- Publication number
- CN113255475A CN113255475A CN202110497029.5A CN202110497029A CN113255475A CN 113255475 A CN113255475 A CN 113255475A CN 202110497029 A CN202110497029 A CN 202110497029A CN 113255475 A CN113255475 A CN 113255475A
- Authority
- CN
- China
- Prior art keywords
- data
- loader
- fault
- detection data
- neural network
- 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 56
- 238000001514 detection method Methods 0.000 claims abstract description 50
- 238000004140 cleaning Methods 0.000 claims abstract description 24
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 238000012216 screening Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 230000015654 memory Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013178 mathematical model Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 230000000875 corresponding effect Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000005406 washing Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000012937 correction Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 19
- 230000001133 acceleration Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000011176 pooling Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000001228 spectrum Methods 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
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000004630 mental health Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 241001255830 Thema Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000002555 auscultation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种装载机下线故障识别方法、***及电子设备,该方法包括确定待检测的装载机故障指标,基于装载机故障指标获取各传感器的检测数据;对检测数据进行数据清洗与特征提取,得到特征数据;从特征数据中筛选出强相关特征数据,基于强相关特征数据进行卷积神经网络模型构建,通过卷积神经网络模型确定装载机故障程度。本发明实现了针对每一项装载机故障指标检测设计了传感器布置方案以采集到合理的数据,并针对装载机每一项数据采集设置了高速、中速、低速三种工况确保采集数据信息的全面性,对于采集到的数据进行细化分类以提高神经网络计算的精度和效率,使用反馈的修正的方法不断迭代,提高模型精度。
Description
技术领域
本申请涉及工程机械下线检测技术领域,具体而言,涉及一种装载机下线故障识别方法、***及电子设备。
背景技术
建设施工过程中所使用的机械设备称为工程机械,被广泛应用于桥梁施工、铁路和公路建设、电力环卫建设、大型矿山建设、农林水利建设、工业及民用建筑等领域。装载机作为最为广泛使用的工程机械,它在生产工作之中的使用,极大的提高了生产和工作的效率。随着各项新技术和新工艺在装载机上的应用,装载机的功能越来越全面,自动化程度不断增强,结构随之更加复杂。由于装载机的生产作业环境比较恶劣,工作强度以及复杂度较之其他机械设备更高,各种不利因素影响之下,容易导致装载机发生各种各样的故障,使得装载机不能充分发挥其应有的功能,影响使用者的工作进度,严重时还会导致一系列恶行事故,造成巨大的经济损失和人员伤亡。
随着产业与社会的发展,人们的生活质量越来越高,愈发关注工作中的舒适度,所以对工作环境有了进一步的要求。以往的工程机械往往伴随着巨大的噪音和抖动,尤其是与驾驶员有直接身体接触的座椅、方向盘、挡把抖动过大,驾驶员所处的驾驶室内噪声过大,会严重影响驾驶员的驾驶体验和身心健康,此外,噪声也会影响驾驶员对于装载机故障的判断。
“听”和“摸”是技术熟练的工人判断工程机械有无故障的一个重要途径。根据工程机械设备的响声以及抖动情况判断是否存在故障,以确定装载机的指标是否达标,从而判断是否需要进一步检查。由于人工辨识精准度不够、感知的振动噪声频率有限,所以根据人耳听和触摸判断机械故障只能发掘部分明显且严重的故障,而对于一部分小微故障,例如装配误差,以及变速箱齿轮裂纹则不容易被发现。由于装载机属于大型工程机械,发动机以及其他旋转部件产生的振动和噪音较大,长时间听诊和触摸,影响工人身心健康。
发明内容
为了解决上述问题,本申请实施例提供了一种装载机下线故障识别方法、***及电子设备。
第一方面,本发明提供了一种装载机下线故障识别方法,所述方法包括:
确定待检测的装载机故障指标,基于所述装载机故障指标从所有传感器中获取各匹配传感器的检测数据,所述传感器分布于装载机上;
对所述检测数据进行数据清洗与特征提取,得到特征数据;
从所述特征数据中筛选出强相关特征数据,基于所述强相关特征数据进行卷积神经网络模型构建,通过所述卷积神经网络模型确定装载机故障程度。
优选的,所述基于所述装载机故障指标从所有传感器中获取各匹配传感器的检测数据,包括:
确定所述装载机故障指标对应的各测量位置;
查找与各所述测量位置匹配的各传感器;
获取各所述传感器所采集的检测数据。
优选的,所述获取各所述传感器所采集的检测数据,包括:
调整所述测量位置的转速,分别获取每个所述传感器在预设的不同速度阈值下的多组检测数据。
优选的,所述对所述检测数据进行数据清洗与特征提取,得到特征数据,包括:
基于小波降噪的方式对所述检测数据进行数据清洗,用以去除所述检测数据中数字信号内的干扰信号;
基于高通滤波的方式对所述检测数据进行数据清洗,用以去除所述检测数据中低频振动的振动信号;
对数据清洗后的所述检测数据进行特征提取,得到特征数据。
优选的,所述对数据清洗后的所述检测数据进行特征提取,包括:
分别对数据清洗后的所述检测数据进行时域特征与频域特征的提取。
优选的,所述从所述特征数据中筛选出强相关特征数据,包括:
基于主成分分析法搭建数学模型,通过所述数学模型对所述特征数据进行筛选,得到强相关特征数据。
优选的,所述方法还包括:
在所述卷积神经网络模型输出装载机故障程度判断结果后,根据所述装载机故障程度判断结果的准确性获取反馈数据;
基于所述反馈数据优化所述卷积神经网络模型。
第二方面,本发明提供了一种装载机下线故障识别***,所述***包括:
信号采集***,用于获取待检测部件的振动信号和噪声信号并转换为数字信号;
数据清洗***,用于处理原始数字信号,去噪和滤波;
特征提取***,用于提取出所需信号特征;
相关性分析***,用于选取于故障类别相关性强的信号特征;
神经网络***,用于建立特征关联于权重算法,并输出结果;
结果对比反馈***,用于重新标记数据完善识别***。
第三方面,本发明实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在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或第一方面的任意一种可能的实现方式提供的方法的步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面或第一方面的任意一种可能的实现方式提供的方法。
本发明的有益效果为:针对每一项装载机故障指标检测设计了传感器布置方案以采集到合理的数据,并针对装载机每一项数据采集设置了高速、中速、低速三种工况确保采集数据信息的全面性,对于采集到的数据进行细化分类以提高神经网络计算的精度和效率,使用反馈的修正的方法不断迭代,提高模型精度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例中所需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为本申请实施例提供的一种装载机下线故障识别方法的流程示意图;
图2为本申请实施例提供的方向盘加速度传感器布置位置的举例示意图;
图3为本申请实施例提供的一种装载机下线故障识别方法中卷积操作流程的举例示意图;
图4为本申请实施例提供的一种装载机下线故障识别方法中池化操作流程的举例示意图;
图5为本申请实施例提供的一种装载机下线故障识别方法中全连接操作流程的举例示意图;
图6为本申请实施例提供的一种装载机下线故障识别***的架构示意图;
图7为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
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
在下述介绍中,术语“第一”、“第二”仅为用于描述的目的,而不能理解为指示或暗示相对重要性。下述介绍提供了本发明的多个实施例,不同实施例之间可以替换或者合并组合,因此本发明也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而,如果一个实施例包含特征A、B、C,另一个实施例包含特征B、D,那么本发明也应视为包括含有A、B、C、D的一个或多个所有其他可能的组合的实施例,尽管该实施例可能并未在以下内容中有明确的文字记载。
下面的描述提供了示例,并且不对权利要求书中阐述的范围、适用性或示例进行限制。可以在不脱离本发明内容的范围的情况下,对描述的元素的功能和布置做出改变。各个示例可以适当省略、替代或添加各种过程或组件。例如所描述的方法可以以所描述的顺序不同的顺序来执行,并且可以添加、省略或组合各种步骤。此外,可以将关于一些示例描述的特征组合到其他示例中。
参见图1,图1是本申请实施例提供的一种装载机下线故障识别方法的流程示意图。在本申请实施例中,所述方法包括:
S101、确定待检测的装载机故障指标,基于所述装载机故障指标从所有传感器中获取各匹配传感器的检测数据,所述传感器分布于装载机上。
所述匹配传感器在本申请实施例中可以理解为与装载机故障指标所匹配的传感器。
在本申请实施例中,可以采集方向盘、座椅、档把的振动信号和驾驶室内噪声信号。传感器可以选用三向加速度传感器,其为基于时间序列的加速度信号,信号分为x轴、y轴、z轴三个方向的分量。
需要说明的是,由于不同的装载机故障指标需要检测的数据是不同的,故本申请在整个装载机上分布设置有若干传感器,然后基于待检测的装载机故障指标来动态选择其中一部分匹配传感器来获取这些传感器的检测数据,而非获取所有传感器的检测数据。
在一种可实施方式中,所述基于所述装载机故障指标从所有传感器中获取各匹配传感器的检测数据,包括:
确定所述装载机故障指标对应的各测量位置;
查找与各所述测量位置匹配的各传感器;
获取各所述传感器所采集的检测数据。
在一种可实施方式中,所述获取各所述传感器所采集的检测数据,包括:
调整所述测量位置的转速,分别获取每个所述传感器在预设的不同速度阈值下的多组检测数据。
在本申请实施例中,每一项数据采集设置了高速、中速、低速三种工况确保采集数据信息的全面性,分别采集多种速度阈值工况下的多组检测数据。
示例性的,如图2所示,以方向盘为例,传感器布置情况如下:
加速度传感器1布置于方向盘中间,z轴垂与方向盘法向平行、加速度传感器2、3、4、5依次布置于方向盘盘面上的12点钟方向、3点钟方向、6点钟方向、9点钟方向。
一台装载机在方向盘上采集的信号一共15组数据45个分量数据,具体如下:
①转速750rpm,加速度传感器1、2、3、4、5每个传感器包括三个分量,一共5组信号15个分量数据。
②转速1200rpm,加速度传感器1、2、3、4、5每个传感器包括三个分量,一共5组信号15个分量数据。
③转速2200rpm,加速度传感器1、2、3、4、5每个传感器包括三个分量,一共5组信号15个分量数据。信号数据集如下表:
S102、对所述检测数据进行数据清洗与特征提取,得到特征数据。
在一种可实施方式中,所述对所述检测数据进行数据清洗与特征提取,得到特征数据,包括:
基于小波降噪的方式对所述检测数据进行数据清洗,用以去除所述检测数据中数字信号内的干扰信号;
基于高通滤波的方式对所述检测数据进行数据清洗,用以去除所述检测数据中低频振动的振动信号;
对数据清洗后的所述检测数据进行特征提取,得到特征数据。
在本申请实施例中,使用小波滤波的原理,其优势在于具有时频局部化特性、多分辨特性、去相关特性和选基灵活性,能在去除干扰的同时保留信号突变的部分。本发明使用基于小波变换模极大值原理的去噪方法。
具体而言,①对原始信号进行二进小波变换,并求出每一尺度上小波变换系数的模极大值。从最大尺度(设为4)开始,选取一阀值A,若极值点对应的幅值的绝对值小于A,则去掉该极值点;否则予以保留。这样就得到最大尺度上新的的模极大值点。
②在尺度为k-1(k=4,3)上寻找尺度为k的上的小波变换模极大值点的传播点,即保留由信号产生的极值点,去除由噪声引起的极值点:在尺度为k上的几大值点位置构造一个邻域,其中为尺度k上的第i个极值点,为仅为尺度k有关的常数。在尺度k-1上的极大值点中保留落在每一邻域上的极大值点,而去除泡在邻域外面的极值点,从而得到k-1尺度上新的极值点。然后令k=k-1,重复上述步骤,直至k=2为止。
③把k=1时的极值点都设置为0,然后直接把k=2时的极值点复制过去即可。将每一尺度上保留的极值点利用适当的重构方法对信号进行恢复。
在一种可实施方式中,所述对数据清洗后的所述检测数据进行特征提取,包括:
分别对数据清洗后的所述检测数据进行时域特征与频域特征的提取。
在本申请实施例中,时域特征提取特征包括有量纲型的幅值参数和无量纲型参数。其中
有量纲型幅值参数包括:方根幅值、平均幅值、均方根值和峰值,其表达公式为:
其中x为幅值,p(x)为幅值概率密度函数,l=1/2,1,2和无穷大的时候,x1分别为方根幅值,均值,均方值和峰值;
无量纲参数包括:波形指标、峰值指标、脉冲指标、裕度指标和峭度指标。无量纲参数有对机械工况变化不敏感的特点,理论上与机械运动条件无关,只依赖于概率密度函数p(x)的形状。一般定义为:
由定义可推得:
①波形指标l=2,m=1:K=均方根值/幅值
②峰值指标l无穷大,m=2:c=峰值/均方根值
③脉冲指标l无穷大,m=1:I=峰值/幅值
④裕度指标l无穷大,m=1/2:L=峰值/均方根值
频域特征特征主要包括重心频率、频率方差、均方频率。
时域信号经过傅里叶变换或求功率谱密度函数之后,若频谱图上呈现复杂的周期性结构,则对其再一次进行对数的功率谱密度函数傅里叶变换并取二次方,得到导频谱函数,数学表达式为:
Cp(q)=|F{lgGx(f)}|2。
功率谱估计为:
p(f)为xN的功率谱。
时频分析主要使用小波包分析求时频特征。其表达式为:
当原始信号长度为N,分解层数为k,小波包频带能量表达式为:
S103、从所述特征数据中筛选出强相关特征数据,基于所述强相关特征数据进行卷积神经网络模型构建,通过所述卷积神经网络模型确定装载机故障程度。
在本申请实施例中,为了能够保证后续构建的神经网络模型的准确性,首先需要从特征数据中筛选出强相关特征数据,以此来根据强相关特征数据来构建卷积神经网络模型。
具体的,所述神经网络模型***使用卷积神经网络CNN构建数学模型。用于找出相关特征与故障的相关性程度。
所述卷积神经网络的基本原理为:
CNN模型包括卷积层、池化层和全连接层。其中卷积和池化分别对应信号处理中特征提取和降维过程,最终由全连接层输出为预期的分类函数。
①卷积层:卷积是指图像中不同数据窗口的数据与卷积核做内积的过程,本质为提取图像不同频段的特征。卷积核是一组带有固定权重的神经元,通过图像内通道像素数值与神经元具体系数做内积,即为二维图像的卷积过程。当卷积核以“扫视”的动作从左到右、自上而下对输入图像扫视完毕,可得到由一组内积组成的矩阵,进而形成一种特征。其中当通道为R、G、B时为3通道,当图像为灰度图时为单通道。对于初始输入图像,进行卷积操作可得:其中F是卷积特征映射,σ是激活函数,和b表示内积和偏置,运算过程如附图3。
②池化层:池化主要是压缩卷积而来的特征图,其对图像某特定特征进行聚合统计,一方面可以降低维度,简化深度网络的计算复杂度;另一方面可对特征进行压缩,提取主要特征。本发明使用最大池化法:F为卷积后特征映射,max表示m×n范围内的最大值,运算过程如附图4。
③全连接层:将输出层神经元和输入层的所有神经元全部连接,具体为将卷积层和池化层得到的二维特征图转化为类别的概率分布映射,传递给最终的分类器或回归实现分类,过程如附图5。
在一种可实施方式中,所述从所述特征数据中筛选出强相关特征数据,包括:
基于主成分分析法搭建数学模型,通过所述数学模型对所述特征数据进行筛选,得到强相关特征数据。
在本申请实施例中,可以使用主成分分析法(PCA)来搭建数学模型,进而选出强相关特征。
具体的,强相关特征的计算实现过程如下:
利用特征值分解协方差矩阵计算
输入:数据集X={x1,x2,x3,...,xn},求的其中k个相对强相关向量。
③将求的特征值依次排序,选取前k个,而后将前k个特征值对应的特征向量分别作为行向量得到特征矩阵P。构建新空间:Y=PX。
以方向盘为例,方向盘抖动保留特征指标个数为100,即k=100;通过主成分分析法PCA对特征指标初步筛选,为神经网络的分类提供数据来源。
在一种可实施方式中,所述方法还包括:
在所述卷积神经网络模型输出装载机故障程度判断结果后,根据所述装载机故障程度判断结果的准确性获取反馈数据;
基于所述反馈数据优化所述卷积神经网络模型。
在本申请实施例中,还设置有结果对比反馈机制来结合卷积神经网络搭建模型,用于将输出结果给所输入数据标记标签,并将该数据和标签重新加入神经网络***训练,完善神经网络模型***。
可能的,对于同一装载机故障指标,将分别对各传感器在高速、中速、低速状态下的检测数据生成的卷积神经网络模型进行故障识别,并分别获取各卷积神经网络模型的输出结果。输出结果可以分为不合格、临界、合格三种。将对于同一传感器的三种速度状态下的输出结果进行计数,分别计算输出结果为不合格、临界、合格的数量,并基于输出结果对应各种类数量生成不同的提示信息。
例如,对于三种速度状态下的输出结果都为不合格的传感器,则生成严重不合格的提示信息来提醒用户该处故障严重。对于低速和中速下输出结果为合格,而高速下输出结果为临界的传感器,则生成高速存在隐患的提示信息来提醒用户前往进行维护或检修,解决可能存在的隐患。
下面将结合附图6,对本发明实施例提供的装载机下线故障识别***进行详细介绍。需要说明的是,附图6所示的装载机下线故障识别***,用于执行本发明图1所示实施例的方法,为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参考本发明图1所示的实施例。
请参见图6,图6是本发明实施例提供的一种装载机下线故障识别***。如图6所示,所述***包括:
信号采集***,用于获取待检测部件的振动信号和噪声信号并转换为数字信号;
数据清洗***,用于处理原始数字信号,去噪和滤波;
特征提取***,用于提取出所需信号特征;
相关性分析***,用于选取于故障类别相关性强的信号特征;
神经网络***,用于建立特征关联于权重算法,并输出结果;
结果对比反馈***,用于重新标记数据完善识别***。
本领域的技术人员可以清楚地了解到本发明实施例的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件,其中硬件例如可以是现场可编程门阵列(Field-ProgrammableGate Array,FPGA)、集成电路(Integrated Circuit,IC)等。
本发明实施例的各处理单元和/或模块,可通过实现本发明实施例所述的功能的模拟电路而实现,也可以通过执行本发明实施例所述的功能的软件而实现。
参见图7,其示出了本发明实施例所涉及的一种电子设备的结构示意图,该电子设备可以用于实施图1所示实施例中的方法。如图7所示,电子设备700可以包括:至少一个中央处理器701,至少一个网络接口704,用户接口703,存储器705,至少一个通信总线702。
其中,通信总线702用于实现这些组件之间的连接通信。
其中,用户接口703可以包括显示屏(Display)、摄像头(Camera),可选用户接口703还可以包括标准的有线接口、无线接口。
其中,网络接口704可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,中央处理器701可以包括一个或者多个处理核心。中央处理器701利用各种接口和线路连接整个终端700内的各个部分,通过运行或执行存储在存储器705内的指令、程序、代码集或指令集,以及调用存储在存储器705内的数据,执行终端700的各种功能和处理数据。可选的,中央处理器701可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。中央处理器701可集成中央中央处理器(Central Processing Unit,CPU)、图像中央处理器(GraphicsProcessing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作***、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到中央处理器701中,单独通过一块芯片进行实现。
其中,存储器705可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器705包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器705可用于存储指令、程序、代码、代码集或指令集。存储器705可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作***的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器705可选的还可以是至少一个位于远离前述中央处理器701的存储装置。如图7所示,作为一种计算机存储介质的存储器705中可以包括操作***、网络通信模块、用户接口模块以及程序指令。
在图7所示的电子设备700中,用户接口703主要用于为用户提供输入的接口,获取用户输入的数据;而处理器701可以用于调用存储器705中存储的装载机下线故障识别应用程序,并具体执行以下操作:
确定待检测的装载机故障指标,基于所述装载机故障指标从所有传感器中获取各匹配传感器的检测数据,所述传感器分布于装载机上;
对所述检测数据进行数据清洗与特征提取,得到特征数据;
从所述特征数据中筛选出强相关特征数据,基于所述强相关特征数据进行卷积神经网络模型构建,通过所述卷积神经网络模型确定装载机故障程度。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述方法的步骤。其中,计算机可读存储介质可以包括但不限于任何类型的盘,包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米***(包括分子存储器IC),或适合于存储指令和/或数据的任何类型的媒介或设备。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
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的部分,可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置,可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***,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服务接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
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。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。
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器中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通进程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random AccessMemory,RAM)、磁盘或光盘等。
以上所述者,仅为本公开的示例性实施例,不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰,皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后,将容易想到本公开的其实施方案。本发明旨在涵盖本公开的任何变型、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公开的一般性原理并包括本公开未记载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,本公开的范围和精神由权利要求限定。
Claims (10)
1.一种装载机下线故障识别方法,其特征在于,所述方法包括:
确定待检测的装载机故障指标,基于所述装载机故障指标从所有传感器中获取各匹配传感器的检测数据,所述传感器分布于装载机上;
对所述检测数据进行数据清洗与特征提取,得到特征数据;
从所述特征数据中筛选出强相关特征数据,基于所述强相关特征数据进行卷积神经网络模型构建,通过所述卷积神经网络模型确定装载机故障程度。
2.根据权利要求1所述的方法,其特征在于,所述基于所述装载机故障指标从所有传感器中获取各匹配传感器的检测数据,包括:
确定所述装载机故障指标对应的各测量位置;
查找与各所述测量位置匹配的各传感器;
获取各所述传感器所采集的检测数据。
3.根据权利要求2所述的方法,其特征在于,所述获取各所述传感器所采集的检测数据,包括:
调整所述测量位置的转速,分别获取每个所述传感器在预设的不同速度阈值下的多组检测数据。
4.根据权利要求1所述的方法,其特征在于,所述对所述检测数据进行数据清洗与特征提取,得到特征数据,包括:
基于小波降噪的方式对所述检测数据进行数据清洗,用以去除所述检测数据中数字信号内的干扰信号;
基于高通滤波的方式对所述检测数据进行数据清洗,用以去除所述检测数据中低频振动的振动信号;
对数据清洗后的所述检测数据进行特征提取,得到特征数据。
5.根据权利要求4所述的方法,其特征在于,所述对数据清洗后的所述检测数据进行特征提取,包括:
分别对数据清洗后的所述检测数据进行时域特征与频域特征的提取。
6.根据权利要求1所述的方法,其特征在于,所述从所述特征数据中筛选出强相关特征数据,包括:
基于主成分分析法搭建数学模型,通过所述数学模型对所述特征数据进行筛选,得到强相关特征数据。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在所述卷积神经网络模型输出装载机故障程度判断结果后,根据所述装载机故障程度判断结果的准确性获取反馈数据;
基于所述反馈数据优化所述卷积神经网络模型。
8.一种装载机下线故障识别***,其特征在于,应用权利要求1-7所述的方法,所述***包括:
信号采集***,用于获取待检测部件的振动信号和噪声信号并转换为数字信号;
数据清洗***,用于处理原始数字信号,去噪和滤波;
特征提取***,用于提取出所需信号特征;
相关性分析***,用于选取于故障类别相关性强的信号特征;
神经网络***,用于建立特征关联于权重算法,并输出结果;
结果对比反馈***,用于重新标记数据完善识别***。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在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1-7任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110497029.5A CN113255475A (zh) | 2021-05-07 | 2021-05-07 | 一种装载机下线故障识别方法、***及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110497029.5A CN113255475A (zh) | 2021-05-07 | 2021-05-07 | 一种装载机下线故障识别方法、***及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113255475A true CN113255475A (zh) | 2021-08-13 |
Family
ID=77223921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110497029.5A Pending CN113255475A (zh) | 2021-05-07 | 2021-05-07 | 一种装载机下线故障识别方法、***及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255475A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109612708A (zh) * | 2018-12-28 | 2019-04-12 | 东北大学 | 基于改进卷积神经网络的电力变压器在线检测***及方法 |
CN110244204A (zh) * | 2019-06-27 | 2019-09-17 | 国网湖南省电力有限公司 | 一种多特征值的开关柜故障诊断方法、***及介质 |
-
2021
- 2021-05-07 CN CN202110497029.5A patent/CN113255475A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109612708A (zh) * | 2018-12-28 | 2019-04-12 | 东北大学 | 基于改进卷积神经网络的电力变压器在线检测***及方法 |
CN110244204A (zh) * | 2019-06-27 | 2019-09-17 | 国网湖南省电力有限公司 | 一种多特征值的开关柜故障诊断方法、***及介质 |
Non-Patent Citations (1)
Title |
---|
段传栋 等: "《装载机行驶异常振动问题分析与研究》", 《噪声与振动控制》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106124212B (zh) | 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法 | |
CN105976400B (zh) | 基于神经网络模型的目标跟踪方法及装置 | |
CN109948647B (zh) | 一种基于深度残差网络的心电图分类方法及*** | |
CN110595780B (zh) | 基于振动灰度图像和卷积神经网络的轴承故障识别方法 | |
CN104155108B (zh) | 一种基于振动时频分析的滚动轴承故障诊断方法 | |
CN110133610B (zh) | 基于时变距离-多普勒图的超宽带雷达动作识别方法 | |
CN110795843B (zh) | 一种识别滚动轴承故障的方法及装置 | |
CN104819846B (zh) | 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法 | |
CN108926333A (zh) | 用于心率估计的***和方法 | |
CN108760305B (zh) | 一种轴承故障检测方法、装置及设备 | |
CN108694408B (zh) | 一种基于深度稀疏滤波卷积神经网络的驾驶行为识别方法 | |
CN111044570A (zh) | 电力设备的缺陷识别及预警方法、装置及计算机设备 | |
CN110040594B (zh) | 一种基于卷积神经网络的电梯运行检测***及方法 | |
CN113086799B (zh) | 一种基于图像识别的电梯故障检测及预警方法 | |
CN104713728A (zh) | 基于多维数据驱动的大型回转支承剩余寿命在线预测方法 | |
CN115114965B (zh) | 风电机组齿轮箱故障诊断方法、装置、设备及存储介质 | |
CN110346130A (zh) | 一种基于经验模态分解和时频多特征的镗削颤振检测方法 | |
CN113255475A (zh) | 一种装载机下线故障识别方法、***及电子设备 | |
CN106175822A (zh) | 一种基于声音传感器的肠电图检测*** | |
CN116541771A (zh) | 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法 | |
CN106073802A (zh) | 运动状态下的血氧饱和度监测装置 | |
CN115683620A (zh) | 基于群分解和改进多尺度权重散布熵的齿轮箱故障诊断方法 | |
CN115236272A (zh) | 多工况条件下的气体传感器故障诊断方法、装置及存储介质 | |
CN114819099A (zh) | 一种基于智能ai提高图像识别准确率的*** | |
CN113553754A (zh) | 存储器、火灾风险预测模型构建方法、***和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210813 |
|
RJ01 | Rejection of invention patent application after publication |