一种基于人工智能的推杆故障分析方法技术

本发明专利技术涉及一种基于人工智能的推杆故障分析方法，获取不同负载的推杆设备整个行程过程中的工况信息；其中的工况信息包括各负载的所有推杆的功率变化比值序列、极差变化比值序列以及频谱向量；根据功率变化比值序列，计算不同负载的工况相似度；根据工况相似度，对不同负载进行聚类，得到不同分组；根据任意两组的各负载的相似度、极差变化比值序列，计算任意两组的关联度，进而得到任意一组总关联度，将总关联度最大时对应的组作为异常工况组，并计算该异常工况组内的各负载的偏载系数，当偏载系数大于偏载系数阈值时，则对应负载下的推杆设备为异常设备，进行报警。即本发明专利技术的方案能够借助相关参数对推杆进行故障分析。能够借助相关参数对推杆进行故障分析。能够借助相关参数对推杆进行故障分析。

【技术实现步骤摘要】
一种基于人工智能的推杆故障分析方法


[0001]本专利技术涉及人工智能领域，具体涉及一种基于人工智能的推杆故障分析方法。

技术介绍

[0002]目前，一些滑台、升降台、举升机等起重机械通常会使用双推杆来提高功率并降低体积、降低制造成本，但是双推杆的故障率较高，其主要原因是滑台、升降台、举升机等起重机械的称重通常会发生偏置，在长时间的使用后，两个推杆会出现损耗情况不同的现象，从而导致两个推杆的输出功率和工作特性发生变化，且两者的变化是不同的；而在两个推杆发生变化时，若继续使用，轻则导致磨损加剧，重则导致设备损坏。
[0003]因此，如何对双推杆的起重机械进行简单有效、无需标定的故障分析，其能够极大地提高推杆的应用价值和维护便利性。

技术实现思路

[0004]为了解决上述技术问题，本专利技术的目的在于提供一种基于人工智能的推杆故障分析方法，所采用的技术方案具体如下：一种基于人工智能的推杆故障分析方法，包括以下步骤：获取不同负载情况下的推杆设备整个行程过程中的工况信息；其中的工况信息包括各负载的所有推杆的功率变化比值序列、极差变化比值序列；根据所述功率变化比值序列，计算不同负载的工况相似度；根据所述工况相似度，对不同负载进行聚类，得到不同的分组；根据任意两组的各负载的相似度、极差变化比值序列，根据任意两组的各负载的相似度、极差变化比值序列，计算任意两组的关联度，进而对任意一组的关联度求和，得到总关联度，比较所有组的总关联度的大小，总关联度最大时对应的组为异常工况组，并计算该异常工况组内的各负载的偏载系数，当所述偏载系数大于偏载系数阈值时，则对应负载下的推杆设备为异常设备，进行报警；其中，所述偏载系数阈值为：利用组内各负载的功率变化比值序列，计算组内各负载的偏载系数；获取各负载的频谱向量，计算各负载的频谱向量与基准频谱的相似度，得到各负载的每个推杆的相似度，选取同一负载下所有推杆的相似度最小值，将相似度最小值进行标准化处理，得到该负载的标准系数；根据所述偏载系数以及对应的标准系数，得到该组的偏载系数阈值。
[0005]进一步地，所述功率变化比值为通过采集整个行程过程的各推杆的功率和音频信号，并将整个行程划分为不同时段，分别得到不同时段的各推杆的功率和音频信号；根据所述功率，计算每个推杆的各时段的平均功率以及功率极差；利用所述平均功率中的最大值，对各时段的平均功率进行标准化处理，得到每个推杆的功率变化比值，进而得到各时段所有推杆的功率变化比值序列。
[0006]进一步地，所述工况相似度为：式中，为第i个负载的第一个推杆的功率变化比值序列，为第i个负载的第二个推杆的功率变化比值序列，为第j个负载的第一个推杆的功率变化比值序列，为第j个负载的第二个推杆的功率变化比值序列，i不等于j，为与的皮尔逊相关系数。
[0007]进一步地，所述偏载系数阈值为：式中，为第i个负载的标准系数，为第i个负载的偏载系数，α为系数，n为负载个数。
[0008]进一步地，所述偏载系数为式中，为第i个负载的偏载系数，为第i个负载第s时段内的第一个推杆的功率变化比值序列，为第i个负载第s时段内的第二个推杆的功率变化比值序列。
[0009]进一步地，所述标准系数的获取过程为：1）获取每个推杆的基准频谱：其中，为第s时段的权重，为第s时段对应的频谱向量；，其中β为缩放系数，为第s个时段的每个推杆的极差变化比值；2）计算各时段的频谱向量与基准频谱的相似度，选取所述相似度中的最小相似度作为各负载的每个推杆的相似度；3）选取同一负载下所有推杆的相似度最小值，将相似度最小值进行标准化处理，得到该负载的标准系数。
[0010]进一步地，所述关联度为
式中，为A组的第i个负载相似度，为B组的第j个负载相似度，为A组中第i个负载的两推杆中极差变化序列中的最大值，为B组中第j个负载的两推杆中极差变化序列中的最大值，为A组负载的个数，为B组负载的个数，为绝对值函数。
[0011]本专利技术具有如下有益效果：本专利技术通过获取不同负载下的推杆的功率变化比值序列、极差变化比值序列以及频谱向量，对各负载的推杆进行分析，其中的功率变化比值、极差变化比值能够直观地表征负载变化带来的推杆的工况变化，而其中的频谱能够从侧面表征推杆的工作状态；进而根据功率变化比值序列，计算各负载的工况相似度，从而对各负载进行聚类，得到不同的分组；在得到不同的组之后，判断各组之间的关联度，从而确定异常工况组，从而仅需要对该异常工况组进行故障分析，即根据组内各负载的偏载系数与偏载系数阈值进行比较，当前者大于后者时，则认为该负载的推杆设备为异常设备，即实现了推杆故障的分析，为后续如何使用设备提供了参考依据。
附图说明
[0012]为了更清楚地说明本专利技术实施例或现有技术中的技术方案和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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它附图。
[0013]图1为本专利技术的一种基于人工智能的推杆故障分析方法的方法流程图。
具体实施方式
[0014]为了更进一步阐述本专利技术为达成预定专利技术目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本专利技术的方案，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
[0015]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。
[0016]下面以包含两个推杆的推杆设备，如升降台为例，结合附图具体的说明本专利技术所提供的一种基于人工智能的推杆故障分析方法的具体方案。
[0017]具体地，请参阅图1，其示出了本专利技术一个实施例提供的一种基于人工智能的推杆故障分析方法的步骤流程图，该方法包括以下步骤：
步骤1，获取不同负载情况下的推杆设备的设备工况信息；其中各负载的设备工况信息包括各时段的所有推杆的功率变化比值序列、极差变化比值序列以及频谱向量；其中，所述工况信息的获取为通过采集整个行程过程的各推杆的功率和音频信号，并将整个行程划分为不同时段，分别得到不同时段的各推杆的功率和音频信号；根据所述功率，计算每个推杆的各时段的平均功率以及功率极差；利用所述平均功率中的最大值，对各时段的平均功率进行标准化处理，得到每个推杆的功率变化比值，进而得到各时段所有推杆的功率变化比值序列；具体地，本实施例中以将整个行程分为10个时段为例进行介绍：首先，对于推杆设备中的一个推杆来说，在整个行程中找到最大功率的时段的平均功率，并对各时段的对应平均功率做缩放处理，得到所有时段每个推杆的功率变化比值序列，则：同时，利用所述功率极差中的最大值，对各时段的功率极差进行标准化处理，得到所有时段每个推杆的极差变化比值序列，也即对整个行程中所有极差值进行缩放处理：那么，当有两个推杆时，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的推杆故障分析方法，其特征在于，包括以下步骤：获取不同负载情况下的推杆设备整个行程过程中的工况信息；其中的工况信息包括各负载的所有推杆的功率变化比值序列、极差变化比值序列；根据所述功率变化比值序列，计算不同负载的工况相似度；根据所述工况相似度，对不同负载进行聚类，得到不同的分组；根据任意两组的各负载的相似度、极差变化比值序列，计算任意两组的关联度，进而对任意一组的关联度求和，得到总关联度，比较所有组的总关联度的大小，总关联度最大时对应的组为异常工况组，并计算该异常工况组内的各负载的偏载系数，当所述偏载系数大于偏载系数阈值时，则对应负载下的推杆设备为异常设备，进行报警；其中，所述偏载系数阈值为：利用组内各负载的功率变化比值序列，计算组内各负载的偏载系数；获取各负载的频谱向量，计算各负载的频谱向量与基准频谱的相似度，得到各负载的每个推杆的相似度，选取同一负载下所有推杆的相似度最小值，将相似度最小值进行标准化处理，得到该负载的标准系数；根据所述偏载系数以及对应的标准系数，得到该组的偏载系数阈值。2.根据权利要求1所述的一种基于人工智能的推杆故障分析方法，其特征在于，所述功率变化比值为通过采集整个行程过程的各推杆的功率和音频信号，并将整个行程划分为不同时段，分别得到不同时段的各推杆的功率和音频信号；根据所述功率，计算每个推杆的各时段的平均功率以及功率极差；利用所述平均功率中的最大值，对各时段的平均功率进行标准化处理，得到每个推杆的功率变化比值，进而得到各时段所有推杆的功率变化比值序列。3.根据权利要求1所述的一种基于人工智能的推杆故障分析方法，其特征在...

【专利技术属性】
技术研发人员：廖德忠，
申请(专利权)人：启东市海信机械有限公司，
类型：发明
国别省市：