搅拌车故障预判方法、装置和计算机可读存储介质制造方法及图纸

本发明专利技术提供了一种搅拌车故障预判方法、装置和计算机可读存储介质，搅拌车故障预判方法包括：采集搅拌车运行时的声学信号数据；获取搅拌车的工作载荷；将声学信号数据输入至训练后的工作载荷对应的预测模型；预测模型输出搅拌车距离发生故障的第一时长。本发明专利技术基于声学信号进行搅拌车故障的预判，避免了使用振动传感器时对安装位置的限制和对零件的破坏，方法简便易行，成本低。并且本发明专利技术在搅拌车没有发生故障之前，预判搅拌车距离发生故障的第一时长，便于维修人员提前维护检修，有效提升搅拌车的使用效率。

【技术实现步骤摘要】
搅拌车故障预判方法、装置和计算机可读存储介质
本专利技术涉及搅拌车的
，具体而言，涉及一种搅拌车故障预判方法、装置和计算机可读存储介质。
技术介绍
相关技术中，机械设备均是在发生故障后对机械设备机械故障类别进行判断，而不是机械设备在没有发生故障之前预测其运行多长时间之后可能发生故障，如果能够在机械设备发生故障之前进行故障发生时间预判，有利于维修人员提前维护检修。
技术实现思路
本专利技术旨在解决上述技术问题的至少之一。为此，本专利技术的第一目的在于提供一种搅拌车故障预判方法。本专利技术的第二目的在于提供一种搅拌车故障预判装置。本专利技术的第三目的在于提供一种计算机可读存储介质。为实现本专利技术的第一目的，本专利技术的技术方案提供了一种搅拌车故障预判方法，包括：采集搅拌车运行时的声学信号数据；获取搅拌车的工作载荷；将声学信号数据输入至训练后的工作载荷对应的预测模型；预测模型输出搅拌车距离发生故障的第一时长。本技术方案基于声学信号进行搅拌车故障的预判，避免了使用振动传感器时对安装位置的限制和对零件的破坏，方法简便易行，成本低。本技术方案在搅拌车没有发生故障之前，预判搅拌车距离发生故障的第一时长，极大的提升了搅拌车使用的可靠性，降低搅拌车的故障率，避免了搅拌车在使用过程中不确定性因素的发生。通过本技术方案预判搅拌车距离发生故障的第一时长，为搅拌车的维修提供依据，便于维修人员提前维护检修，有效提升搅拌车的使用效率。另外，本专利技术上述技术方案提供的技术方案还可以具有如下附加技术特征：上述技术方案中，执行采集搅拌车运行时的声学信号数据之前，还包括：获取至少一种工作载荷下搅拌车样本数据；构建工作载荷对应的预测模型，预测模型采用图模型；根据工作载荷下搅拌车样本数据，对预测模型进行训练，得到训练后的工作载荷对应的预测模型。本技术方案的预测模型采用图模型，通过采用先进的神经网络算法建立预测模型，增加预测结果的可靠性。上述任一技术方案中，搅拌车样本数据包括清洗后的声学信号数据和假设声学信号数据，获取至少一种工作载荷下搅拌车样本数据，包括：选取多个样本搅拌车；采集至少一种工作载荷下，多个使用时长时，多个样本搅拌车的声学信号数据；标定多个样本搅拌车的声学信号数据，声学信号数据对应的样本搅拌车的使用时长时，样本搅拌车距离发生故障的第二时长；对标定后的声学信号数据进行数据清洗；基于清洗后的声学信号数据，获取假设声学信号数据。根据不同载荷下采集的数据，训练多个不同载荷对应的预测模型，在诊断时根据搅拌车的工作载荷选择不同的预测模型进行预测，提高了预测的准确性。上述任一技术方案中，对标定后的声学信号数据进行数据清洗，包括：构建神经网络算法自编码器，神经网络算法自编码器包括编码器和解码器，编码器采用卷积层构建，解码器采用反卷积构建；采用无监督的神经网络算法自编码器对标定后的声学信号数据进行清洗。采用声学信号数据进行故障诊断或寿命预测时，原始声学信号数据中包含大量的环境噪音，并且数据分布不均衡，主要是因为正常的声学信号数据较多而故障的声学信号数据较少，直接采用原始数据进行模型构建，很难构建出稳健的预测模型。采用无监督的神经网络算法自编码器对声学信号数据进行清洗，神经网络算法自编码器的编码器部分采用卷积层构建，解码器部分采用反卷积构建。通过神经网络算法自编码器提取有用的声学特征，环境噪音被过滤掉。上述任一技术方案中，基于清洗后的声学信号数据，获取假设声学信号数据，包括：构建生成式对抗网络；采用清洗后的声学信号，训练生成式对抗网络；通过生成式对抗网络，获取假设声学信号数据。本技术方案采用生成对抗网络算法，以清洗后的声学信号数据为训练数据，训练出能生成假设声音信号的生成对抗网络，用以扩充训练数据集，解决训练数据不均衡的问题，通过均衡的训练数据，构建稳健的预测模型。上述任一技术方案中，根据工作载荷下搅拌车样本数据，对预测模型进行训练，得到训练后的工作载荷对应的预测模型，包括：根据工作载荷下清洗后的声学信号数据与假设声学信号数据，采用图神经网络算法，对图模型中的每个节点进行数据嵌入，得到训练后的工作载荷对应的预测模型。本技术方案采用清洗后的声学信号数据与假设声学信号数据共同训练预测模型，使得训练数据分布均衡，构建出稳健的预测模型。上述任一技术方案中，对图模型中的每个节点进行数据嵌入，包括：采用基于元学习的小样本学习方法，基于注意力机制，对图模型中的每个节点进行数据嵌入。由于搅拌车带标签数据较少的特点，采用小样本学习方法可以减小预测模型对数据量的依赖。具体而言，可以对图模型中的每个节点的数据嵌入(Embedding)中的数据采用基于元学习的小样本学习的方式。在元学习网络中引入注意力机制增加算法提取有用信息的能力，从而增强算法的预测准确性，降低算法的抗干扰能力。本技术方案引入注意力机制的图神经网络(GNN)进行预测模型的构建，而不是直接在不均衡的数据上构建预测模型，使得预测模型具有更好的准确性。上述任一技术方案中，搅拌车故障预判方法，还包括：将采集得到的搅拌车的声学信号数据，迭代训练预测模型，更新预测模型。前期由于采集的声音信号数据较少，训练出的算法可能不够稳健。在使用过程中可以随着采集到的搅拌车声音数据的增多，迭代训练预测模型，使得预测模型越来越稳健。为实现本专利技术的第二目的，本专利技术的技术方案提供了一种搅拌车故障预判装置，包括：存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序，其中，处理器在执行计算机程序时，实现如本专利技术任一技术方案的搅拌车故障预判方法的步骤。本专利技术技术方案提供的搅拌车故障预判装置实现如本专利技术任一技术方案的方法的步骤，因而其具有如本专利技术任一技术方案的方法的全部有益效果，在此不再赘述。为实现本专利技术的第三目的，本专利技术的技术方案提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被执行时，实现上述任一技术方案的搅拌车故障预判方法的步骤。本专利技术技术方案提供的计算机可读存储介质实现如本专利技术任一技术方案的搅拌车故障预判方法的步骤，因而其具有如本专利技术任一技术方案的搅拌车故障预判方法的全部有益效果，在此不再赘述。本专利技术的附加方面和优点将在下面的描述部分中变得明显，或通过本专利技术的实践了解到。附图说明本专利技术的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：图1为本专利技术一个实施例的搅拌车故障预判方法流程图之一；图2为本专利技术一个实施例的搅拌车故障预判方法流程图之二；图3为本专利技术一个实施例的搅拌车故障预判方法流程图之三；图4为本专利技术一个实施例的搅拌车故障预判方法流程图之四；图5为本专利技术一个实施例的搅拌车故障预判方法流程图之五；图6为本专利技术一个实施例的搅拌车故障预判方法流程图之六；图7为本专利技术一个实施例的搅拌车故障预判方法流程图之七；图8为本专利技术一个实施例的搅拌车故障预判本文档来自技高网...

【技术保护点】
1.一种搅拌车故障预判方法，其特征在于，包括：/n采集搅拌车运行时的声学信号数据；/n获取所述搅拌车的工作载荷；/n将所述声学信号数据输入至训练后的所述工作载荷对应的预测模型；/n所述预测模型输出所述搅拌车距离发生故障的第一时长。/n

【技术特征摘要】
1.一种搅拌车故障预判方法，其特征在于，包括：
采集搅拌车运行时的声学信号数据；
获取所述搅拌车的工作载荷；
将所述声学信号数据输入至训练后的所述工作载荷对应的预测模型；
所述预测模型输出所述搅拌车距离发生故障的第一时长。


2.根据权利要求1所述的搅拌车故障预判方法，其特征在于，执行所述采集搅拌车运行时的声学信号数据之前，还包括：
获取至少一种所述工作载荷下搅拌车样本数据；
构建所述工作载荷对应的所述预测模型，所述预测模型采用图模型；
根据所述工作载荷下所述搅拌车样本数据，对所述预测模型进行训练，得到训练后的所述工作载荷对应的所述预测模型。


3.根据权利要求2所述的搅拌车故障预判方法，其特征在于，所述搅拌车样本数据包括清洗后的声学信号数据和假设声学信号数据，所述获取至少一种工作载荷下搅拌车样本数据，包括：
选取多个样本搅拌车；
采集至少一种所述工作载荷下，多个使用时长时，所述多个样本搅拌车的所述声学信号数据；
标定所述多个样本搅拌车的所述声学信号数据，所述声学信号数据对应的所述样本搅拌车的使用时长时，所述样本搅拌车距离发生故障的第二时长；
对标定后的所述声学信号数据进行数据清洗；
基于清洗后的所述声学信号数据，获取所述假设声学信号数据。


4.根据权利要求3所述的搅拌车故障预判方法，其特征在于，所述对标定后的所述声学信号数据进行数据清洗，包括：
构建神经网络算法自编码器，所述神经网络算法自编码器包括编码器和解码器，所述编码器采用卷积层构建，所述解码器采用反卷积构建；
采用无监督的所述神经网络算法自编码器对标定后的所述声学信号数据进行清洗。


...

【专利技术属性】
技术研发人员：但雅波，贺志国，王力敏，
申请(专利权)人：三一专用汽车有限责任公司，
类型：发明
国别省市：湖南;43