【技术实现步骤摘要】
本专利技术涉及装载机，尤其涉及装载机多传感器数据融合的故障诊断与预警方法。
技术介绍
1、随着机械设备自动化程度的提高，装载机在各种工作环境中的应用日益广泛，装载机作为一种重型工程机械，承担着物料搬运、土方作业等关键任务，其运行状态直接影响到施工进度与作业效率，为了确保装载机的高效运行和安全性，设备的故障诊断和预警管理变得愈发重要，通过实时监测装载机的运行状态并及时发现潜在故障，能够有效减少停机时间，降低维修成本，提高工作效率，因此，如何利用先进的诊断技术对装载机进行全面的故障诊断和预警，成为了提升其可靠性和安全性的关键。
2、目前，装载机的故障诊断多依赖于单一的监测技术，如振动监测、温度监测等，这些传统方法虽然能提供一些运行状态信息，但由于仅依赖单一数据源，往往难以全面反映装载机的健康状态，同时，现有的故障诊断方法普遍存在着依赖人工经验、诊断滞后、精度不足等问题，尤其是在故障预测与预警方面，许多方法忽视了故障传播的动态过程，不能及时、准确地识别故障的传播路径和范围，因此，传统的故障诊断与预警技术在应对装载机复杂的工作环境和多变的运行状态时，显得力不从心，存在较大的改进空间。
3、本专利技术的目的是提供一种基于多传感器数据融合的故障诊断与预警方法，为装载机的维护决策提供科学依据，优化维护资源配置，提升装载机的可靠性与安全性，显著降低故障发生的概率和停机时间，具有重要的经济效益和应用价值。
技术实现思路
1、本专利技术提供了装载机多传感器数据融合的故障诊断与预
2、装载机多传感器数据融合的故障诊断与预警方法，包括以下步骤：
3、s1，多源数据采集与预处理：利用布置在装载机上的多种传感器，实时采集装载机的运行状态数据，包括振动、温度、压力以及电流，并对采集的运行状态数据进行预处理，包括去噪、异常值修正、时间对齐及标准化处理；
4、s2，多模态数据融合：将经过预处理的运行状态数据进行多模态数据融合，形成综合数据；
5、s3，能量流故障传播预测：根据装载机动力传递路径及各部件之间的能量流动特性，构建能量流故障传播模型，实时分析各部件的能量流分布，识别潜在故障部件及其传播路径，具体包括：
6、s31，构建装载机动力传递路径模型：根据装载机动力传递路径及各部件(发动机、液压系统、传动系统、转向系统)之间的能量流动特性，构建能量流故障传播模型；
7、s32，能量流分布分析：基于能量流故障传播模型，实时分析各部件的能量输入、输出及能量损耗情况，识别每个部件的运行效率与能量损失，发现潜在故障；
8、s33，故障传播路径预测：基于能量流分布分析的结果，预测潜在故障的传播路径强度、传播速率及其影响范围；
9、s4，故障评估与分级预警：基于融合后综合数据，结合能量流故障传播预测的结果，综合评估装载机的故障风险，并根据设定的多级预警规则，生成分级预警信号，包括低风险预警、中等风险预警和高风险预警，针对不同的预警信号，提供对应的维护建议。
10、可选的，所述s1中的多源数据采集与预处理包括：
11、s11，多源数据采集：利用布置在装载机上的多种传感器，包括振动传感器、温度传感器、压力传感器以及电流传感器，实时采集装载机的运行状态数据；
12、s12，数据预处理：对实时采集的运行状态数据进行预处理，具体包括：
13、s121，去噪处理：采用小波变换法对运行状态数据进行去噪，将原始信号分解为多尺度小波系数，去除高频噪声信号；
14、s122，异常值修正：通过iqr(四分位距)法检测并修正异常值；
15、s123，时间对齐：针对多传感器的采样频率差异，采用线性插值方法对运行状态数据进行时间对齐，统一时间戳；
16、s124，标准化处理：对运行状态数据进行归一化处理。
17、可选的，所述s2中的多模态数据融合包括：
18、s21，数据映射与归一化：将经过预处理的运行状态数据，通过归一化方法映射到统一的数值范围；
19、s22，多模态数据加权融合：对归一化后的运行状态数据，采用加权融合方法生成综合数据s(t)。
20、可选的，所述s31中的能量流故障传播模型采用图神经网络(gnn)模型，所述图神经网络(gnn)模型包括：
21、s311，构建图结构模型：将装载机的动力传递路径建模为加权有向图g＝(v,e)，其中v是节点集合，表示装载机的部件(发动机、液压系统、传动系统、转向系统)，e是边集合，表示部件之间的能量流动路径，权重表示能量传递效率，具体包括：
22、节点和边初始化：每个节点的初始特征向量为运行状态数据；
23、边权重初始化：边权重wi,j初始化为能量传递效率；
24、s312，动态节点特征更新：根据节点的邻居信息和边权重，更新每个节点的特征向量，加入时间维度和能量流动关系；
25、s313，故障传播路径计算：利用节点特征更新后的结果，计算每条边的故障传播概率pi,j和时间延迟ti,j；
26、s314，全局故障风险评估：根据节点和边的最终特征，评估全局故障传播的风险范围和关键路径，具体包括：
27、全局故障风险分数：基于每条边的故障传播概率pi,j和时间延迟ti,j，计算全局故障风险分数r；
28、主传播路径：选择pi,j·ti,j最大的路径作为故障传播的主传播路径。
29、可选的，所述s32中的能量流分布分析包括：
30、s321，能量输入、输出与能量损耗的计算：对每个部件i的能量输入ein,i、能量输出eout,i和能量损耗eloss,i进行计算；
31、s322，运行效率与能量损失的评估：通过比较每个部件的输入能量与输出能量，计算其运行效率ηi(t)；
32、s323，故障检测与预警：根据运行效率和能量损失的阈值进行故障检测，若ηi(t)低于设定的效率临界值或者eloss,i超过损耗阈值，则认为部件存在潜在故障。
33、可选的，所述s33中的故障传播路径预测包括：
34、s331，故障传播路径强度计算：通过分析各部件的能量输入、输出及损耗情况，结合能量流故障传播模型，计算各部件之间的能量传递关系和故障传播潜力，预测故障传播路径强度；
35、s332，传播速率计算：基于故障传播路径，分析故障从部件i传播到部件j单位时间内故障能量变化的传播速率；
36、s333，影响范围预测：基于传播路径和速率，预测故障的影响范围，通过综合评估各部件的故障传播潜力和整体能量传递效率，确定故障的影响范围。
37、可选的，所述s4中的故障评估与分级预警包括：
38、s41，故障风险评估：基于多模态数据融合后的综合数据，结合能量流故障传播预测的结果，综合评估故障风险；
39、s42，故障预本文档来自技高网...
【技术保护点】
1.装载机多传感器数据融合的故障诊断与预警方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的装载机多传感器数据融合的故障诊断与预警方法，其特征在于，所述S1中的多源数据采集与预处理包括：
3.根据权利要求1所述的装载机多传感器数据融合的故障诊断与预警方法，其特征在于，所述S2中的多模态数据融合包括：
4.根据权利要求1所述的装载机多传感器数据融合的故障诊断与预警方法，其特征在于，所述S31中的能量流故障传播模型采用图神经网络模型，所述图神经网络模型包括：
5.根据权利要求4所述的装载机多传感器数据融合的故障诊断与预警方法，其特征在于，所述S32中的能量流分布分析包括：
6.根据权利要求5所述的装载机多传感器数据融合的故障诊断与预警方法，其特征在于，所述S33中的故障传播路径预测包括：
7.根据权利要求1所述的装载机多传感器数据融合的故障诊断与预警方法，其特征在于，所述S4中的故障评估与分级预警包括：
8.根据权利要求7所述的装载机多传感器数据融合的故障诊断与预警方法，其特征在于，所述S41
9.根据权利要求8所述的装载机多传感器数据融合的故障诊断与预警方法，其特征在于，所述S42中的故障预警信号生成包括：
10.根据权利要求9所述的装载机多传感器数据融合的故障诊断与预警方法，其特征在于，所述S43中的维护建议生成包括：
...【技术特征摘要】
1.装载机多传感器数据融合的故障诊断与预警方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的装载机多传感器数据融合的故障诊断与预警方法，其特征在于，所述s1中的多源数据采集与预处理包括：
3.根据权利要求1所述的装载机多传感器数据融合的故障诊断与预警方法，其特征在于，所述s2中的多模态数据融合包括：
4.根据权利要求1所述的装载机多传感器数据融合的故障诊断与预警方法，其特征在于，所述s31中的能量流故障传播模型采用图神经网络模型，所述图神经网络模型包括：
5.根据权利要求4所述的装载机多传感器数据融合的故障诊断与预警方法，其特征在于，所述s32中的能量流分布分析包括：
...【专利技术属性】
技术研发人员：韩志光，康东，楚合田，董建华，张金凯，
申请(专利权)人：青州英诺重工机械有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。