一种用于预测识别机械故障的振动分析系统的制作方法

本发明涉及大数据分析的技术领域，特别是涉及一种用于预测识别机械故障的振动分析系统。

背景技术：

近年来，大数据领域发展出众多科技技术和产品，成为数据采集，存储，处理分析和可视化地有效手段。但在技术转化和应用落地地过程中需要结合具体地应用场景和业务支持，怎样将大数据技术和数据挖掘技术实际应用于工业领域的车辆故障预测一直是各个制造商和中间商以及用户地重要需求，使用数据驱动故障预测和识别也是一项巨大地挑战。

以许多大型互联网公司为例，基于云平台地大数据分析产品应用而生。这些产品凭借丰富地云计算资源和精准地营销支持对产品营销和数据分析提供了高效而强大地支持。同时一线人员具有良好地保养和维修素质，但在数据转化和信息表达上不能够及时反馈，信息化人员对挖掘机的了解和技术细节不甚了解，因此导致了这些大数据分析产品依然具有较高的技术门槛。尤其在数据分析技术发展迅速的今天，大多企业难以承担同时掌握各种数据分析技术所花费的巨大人力成本。另外，在实际应用过程中，往往需要根据不同的车辆和故障进行批量的应用和应用，而现有的人员和技术都是短期无法满足的。

如何将复杂的数据分析技术封装成为易用的分析平台，为非数据分析技术方面的专业人员提供易用的自动化，交互式的实用故障预测平台已经成为了具有强大竞争力的问题。

技术实现要素：

为解决上述技术问题，本发明提供一种可以将大数据技术和数据挖掘技术实际应用于工业领域地车辆故障预测，并且可以使用数据驱动故障预测和识别的用于预测识别机械故障的振动分析系统。

本发明的一种用于预测识别机械故障的振动分析系统，包括挖掘机姿态分析模块、挖掘机工况特征分析模块、大数据处理模块和挖掘机故障分析模块，其中，

所述挖掘机姿态分析模块与挖掘机工况特征分析模块相连；

所述挖掘机工况特征分析模块与大数据处理模块相连；

所述大数据处理模块与挖掘机故障分析模块相连。

具体的，所述挖掘机姿态分析模块用于分析挖掘机车辆的倾斜角度和挖掘角度的车辆姿态问题。

具体的，所述挖掘机工况特征分析模块用于分析挖掘机的转速，车辆负荷等特征的处理。

具体的，本发明采用车载终端记录振动数据并计算车辆的运动姿态，其具体方法包括：

s1、接收陀螺仪传感器的感应数据，并对数据进行十进制计算，将三轴加速度和角速度进行计算修正；

s2、根据陀螺仪数据，计算车辆当前时刻的倾斜角度和速度，并将当前时刻角度记录到时间窗口中，设定时间窗口为8；

s3、根据时间窗口角度数据，使用中值滤波过滤方法，对数据中出现的峰值异常数据和异常拐点数据进行平滑处理，减少异常数据；

s4、通过中值滤波去除异常数据后，将数据与工况数据进行数据对齐，并统计一定时间段内的平均角度、最大角度、最小角度和角度离散情况。

具体的，所述大数据处理模块用于接收终端发回的数据，并进行数据包的解析，将数据按照对应的业务规则进行计算清理。其中数据包经过车载终端压缩，并使用gps回传数据，大数据处理使用kafka完成消息队列的处理和容错，同时使用flink技术，对压缩数据包进行实时解析和计算，并按照不同类型数据完成业务数据计算。

具体的，所述挖掘机故障分析模块通过大数据计算和数据挖掘技术，从振动数据种找出挖掘机各种工作模式和工况下的不同数据特征，完成对基本工况数据的交叉验证，并能够实时提供车辆姿态等多种环境数据，增加车辆的实时监控性能，用于结合其他类型工况数据进行联合分析，识别挖掘机车辆故障特征，并进行推理预测。

与现有技术相比本发明的有益效果为：本发明从挖掘机多姿态记录到振动数据采集，存储，处理和识别预测，并针对故障生成对应的数据模型和后续持续优化。首先，本系统支持了挖掘机对实时工况和挖掘机工况特征进行提取和记录；其次，本系统通过互联网技术将终端分析数据进行发送和接收，并通过大数据分析将接收数据存储到时序数据库中，记录车辆实时工况实现远程监控；另外可以结合车辆的现场视频和统计工况进行交叉验证。最后，结合车辆其他工况数据，包括保养记录，维修记录，工作记录，结合车辆振动数据进行数据挖掘，针对挖掘机的典型故障进行预测，为车辆及时保养和及时维修提供可靠的依据。

本发明的系统针对挖掘机常见故障类型进行分析识别，构建挖掘机常见故障的提前预警并指导保养人员和维修人员的及时处理，提高服务质量延长机器使用时间。根据机械常见故障和实时工况联合进行分析，并应用大数据处理模块对数据进行数据挖掘，对不同故障类型找出工况数据的数据特征生成所需的故障模型，并在后续使用过程中对其持续优化，并能够做到兼容不同类型故障识别和发现，对新的故障具有良好的识别性和操作性。

附图说明

图1是本发明的系统结构框架图；

图2是本发明的系统分析方法流程图；

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

如图1所示，本发明的一种用于预测识别机械故障的振动分析系统，包括挖掘机姿态分析模块、挖掘机工况特征分析模块、大数据处理模块和挖掘机故障分析模块，其中，

所述挖掘机姿态分析模块与挖掘机工况特征分析模块相连；

所述挖掘机工况特征分析模块与大数据处理模块相连；

所述大数据处理模块与挖掘机故障分析模块相连。

所述挖掘机姿态分析模块用于分析挖掘机的车辆姿态，使用三轴陀螺仪数据进行倾斜角度计算和记录，在实施的过程中会对终端的安装有一定的标准和校正，具体的不同类型车辆会使用不同的安装方式。

所述挖掘机工况特征分析模块，使用振动数据测量挖掘机的转速和扭矩，同时计算出车辆的工作负荷，并将各个不同的负荷进行分组计算累计。

所述挖掘机姿态分析模块用于挖掘机的工况数据解析和处理存储，以及业务数据的实时计算，对于多种工况数据能够进行交叉验证，保证数据的有效性和完整性。

所述挖掘机故障分析模，结合数据挖掘技术，使用车辆振动数据分析出故障特征，例如大臂机械故障，当大臂达到一定工作负荷，通过振动数据和车辆工况数据能够及时发现大臂的工作临界点。及时减少负荷或者更换大臂。

通过车载终端记录振动数据，与车辆的工况数据以及维修保养数据，联合分析找出车辆各种工况的数据特征。并预制为车载数据模型，减少大数据处理流程和增加车载终端的边缘计算。

本发明采用车载终端记录振动数据并计算车辆的运动姿态，其具体方法包括，如图2所示：

s1、接收陀螺仪传感器的感应数据，并对数据进行十进制计算，将三轴加速度和角速度进行计算修正；

s2、根据陀螺仪数据，计算车辆当前时刻的倾斜角度和速度，并将当前时刻角度记录到时间窗口中，设定时间窗口为8；

s3、根据时间窗口角度数据，使用中值滤波过滤方法，对数据中出现的峰值异常数据和异常拐点数据进行平滑处理，减少异常数据；

s4、通过中值滤波去除异常数据后，将数据与工况数据进行数据对齐，并统计一定时间段内的平均角度、最大角度、最小角度和角度离散情况。

由于挖掘机的种类和数量各不相同，且挖掘机的工况复杂，因此要求预制模型能够根据不同类型的挖掘机进行定制化，对模型部署做到定制快速。

对于所述振动分析识别故障，通过振动分析，识别车辆常见故障。

不同的挖掘机由于工况和车况的不同，以及驾驶员的驾驶行为的不同，都会导致车辆的不同故障，通过找出故障和车辆振动数据特征以及结合不同车辆的工况数据完成数据交叉验证。

针对不同的故障需要预制不同的数据模型，做到模型的定制化和可维护性。

其中，对于未知的故障需要具有一定的兼容性，并能够进行及时的发现和提醒。

本发明的系统针对挖掘机常见故障类型进行分析识别，构建挖掘机常见故障的提前预警并指导保养人员和维修人员的及时处理，提高服务质量延长机器使用时间。根据机械常见故障和实时工况联合进行分析，并应用大数据处理模块对数据进行数据挖掘，对不同故障类型找出工况数据的数据特征生成所需的故障模型，并在后续使用过程中对其持续优化，并能够做到兼容不同类型故障识别和发现，对新的故障具有良好的识别性和操作性。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。