本发明涉及设备风险评估,具体是一种基于决策树的泵的风险评估方法。
背景技术:
1、液压泵作为液压系统的动力核心,其重要性不言而喻,被广泛应用于各种场合,但是液压泵的风险评估较为复杂。通常液压泵在故障初期时常表现为渗漏油、零部件损坏、噪声超标等。随着故障的不断加剧,液压泵往往会因为故障引起压力下降,最终导致液压泵不能正常工作,甚至造成严重的安全事故。因此,通过对液压泵的健康状态的评估,判断液压泵的运行状态,从而对可能产生的故障进行预防,具有极其重要的作用。
2、经过对现有技术的文献检索和专利的检索发现常见的柱塞泵健康状态评估方法有以下几种:
3、通过监测液压泵在运行过程中的振动信号,将振动信号通过卷积神经网络的方法对已有大量历史条件下液压泵振动的频域信号建立预测模型,再用迁移学习的思想在少量目标液压泵数据上对深度学习模型进行微调。
4、通过对液压泵的出口压力进行监测,利用经验模态分解的方法对其进行分解,分别得到一组本征模态函数,提取其特征;结合原始信号典型时域特征,最终构成信号的特征向量。
5、由于液压泵在运行过程中,有强烈的噪声,当液压泵在故障早期时,由故障产生的振动信号容易被噪声覆盖。并且在故障早期,液压泵仅有少量的泄露,依然可能达到设定的压力。
技术实现思路
1、本发明所要解决的技术问题在于克服上述现有技术之不足,提供一种操作简单、效果良好的基于决策树的泵的风险评估方法。
2、本发明是以如下技术方案实现的:一种基于决策树的泵的风险评估方法,包括如下步骤:
3、s1、在边缘端采集液压泵的压力数据,和同时刻的发动机转速、发动机扭转百分比和先导阀压力数据;
4、s2、在边缘端将液压泵的最大泵压建立过程自动识别出来;
5、s3、将最大泵压建立过程中的数据发送到云端;
6、s4、用最大泵压建立过程中的数据训练出决策树模型;
7、s5、将决策树模型加载到边缘端;
8、s6、用决策树模型得到的预期压力建立时间与实际得到的压力建立时间进行对比,对液压泵的性能进行大致评估。
9、其进一步是:步骤s1中,液压泵的压力和先导阀压力数据通过压力变送器采集,发动机转速和发动机扭转百分比由发动机的can信号得出。
10、步骤s2中,最大泵压建立过程通过对该泵的先导压力进行判断,包括如下步骤:
11、t1、将先导压力从静止压力开始变化的时候设置为时间点a;
12、t2、将先导压力达到最大压力附近时设置为时间点b;
13、t3、判断时间点a与时间点b之间的先导压力是否单调递增;
14、t4、判断是否是最大泵压的建立过程,判断时间点a处的主泵泵压是否是静态压力值,判断时间点b处的主泵泵压是否是最大泵压;
15、t5、确定最大泵压建立过程;
16、t6、将时间点a与时间点b之间的发动机转速和扭转百分比数据求出平均值作为发动机转速值和扭转百分比值,将时间点a与时间点b之间的时间差作为时间值。
17、将步骤t6获得的发动机转速值、扭转百分比值与对应的最大泵压建立时间带入决策树模型进行训练。
18、步骤s4中的决策树模型分为两层,第一层为扭转百分比的区间划分,第二层为发动机转速区间划分。
19、步骤s4中,将实际数据带入决策树模型中,找到实际数据所在的扭转百分比区间和发动机转速区间内的最大泵压建立时间。
20、步骤s6中,将计算得出的理论最大泵压建立时间,与实际的最大泵压建立时间进行对比,两者之间的差值作为衡量参数。
21、将同一区间内最大泵压建立时间的偏差设定为60分,评分=60+(最大偏差-实际偏差)/最大偏差*40。
22、本发明具有以下优点:本发明的基于决策树的泵的风险评估方法,易于监测,由于是对泵压进行监测,然后对整个最大泵压建立过程进行提取,相较于对振动进行监测的方法来讲,此方法没有额外的噪声信号干扰结果;可以通过对泵的泵压建立过程进行分析,来对泵的整体性能进行一个初步的判断,当泵因为磨损导致性能下降,也可以通过对泵的泵压建立过程监测出来,从而对液压泵进行一个整体的风险评估。
1.一种基于决策树的泵的风险评估方法,其特征在于:包括如下步骤:
2.如权利要求1所述的一种基于决策树的泵的风险评估方法,其特征在于:步骤s1中,液压泵的压力和先导阀压力数据通过压力变送器采集,发动机转速和发动机扭转百分比由发动机的can信号得出。
3.如权利要求1所述的一种基于决策树的泵的风险评估方法,其特征在于:步骤s2中,最大泵压建立过程通过对该泵的先导压力进行判断,包括如下步骤:
4.如权利要求3所述的一种基于决策树的泵的风险评估方法,其特征在于:将步骤t6获得的发动机转速值、扭转百分比值与对应的最大泵压建立时间带入决策树模型进行训练。
5.如权利要求1所述的一种基于决策树的泵的风险评估方法,其特征在于:步骤s4中的决策树模型分为两层,第一层为扭转百分比的区间划分,第二层为发动机转速区间划分。
6.如权利要求1所述的一种基于决策树的泵的风险评估方法,其特征在于:步骤s4中,将实际数据带入决策树模型中,找到实际数据所在的扭转百分比区间和发动机转速区间内的最大泵压建立时间。
7.如权利要求1所述的一种基于决策树的泵的风险评估方法,其特征在于:步骤s6中,将计算得出的理论最大泵压建立时间,与实际的最大泵压建立时间进行对比,两者之间的差值作为衡量参数。
8.如权利要求7所述的一种基于决策树的泵的风险评估方法,其特征在于: 将同一区间内最大泵压建立时间的偏差设定为60分,评分=60+(最大偏差-实际偏差)/最大偏差*40。