[發明專利]用于特種機械的部件疲勞程度監測方法

有效

• 申請號: 202210052909.6
• 申請日: 2022-01-18
• 公開（公告）號: CN114057053B
• 公開（公告）日: 2022-04-26
• 發明（設計）人: 李智彤;鄭傳乾;周棟武;肖倩
• 申請（專利權）人: 杭州淺水數字技術有限公司
• 主分類號: B66B5/00
• 分類號: B66B5/00;B66B3/00;B66B27/00;B66B29/00;G06K9/62;G06N3/08
• 代理公司: 杭州龍華專利代理事務所(特殊普通合伙) 33302
• 代理人: 韓斐

1.一種用于特種機械的部件疲勞程度監測方法，其特征在于，包括以下步驟：

步驟一，在目標設備的設定部位，針對各個部件安裝帶有AI預處理的信息數據采集設備；

步驟二，針對目標設備，在云端服務器建立針對目標設備整體狀態的基線模型和故障模型，并分別進行訓練和迭代更新；

步驟三，采集目標設備的運行特征數據，并對運行特征數據進預處理，帶有AI預處理的信息數據采集設備內置有針對目標設備中單一部件的邊緣側基線模型，在對運行特征數據進預處理的過程中，依次包括接收檢測數據、數據歸一化處理、生成梅爾頻譜圖轉一維數據以及邊緣側基線模型計算，若預處理結果正常則保持運行狀態，若預處理結果符合異常報警條件則直接發出預警，若預處理結果為未知異常數據則將目標設備的運行特征數據上傳至云端服務器上傳至云端服務器；

步驟四，在云端服務器對信息數據采集設備采集到的運行特征數據通過基線模型進行機械狀態基線構建，所述基線模型為實現單一性數據判斷的模型，所述故障模型為實現綜合性數據判斷的模型；

步驟五，利用已構建的機械狀態基線與目標設備當前的運行數據進行對比，通過基線模型計算，得出疲勞預警信息，利用目標設備當前的運行特征數據，通過故障模型計算，得出故障前預警信息；所述故障模型的啟動方式根據設定包括根據云端服務器基線模型預警啟動和根據信息數據采集設備預警啟動，若設定為根據云端服務器基線模型預警啟動，則當云端服務器基線模型發出預警時，利用目標設備的運行特征數據通過故障模型來計算實現故障前預警；若設定為根據信息數據采集設備預警啟動時，信息數據采集設備上傳目標設備的運行特征數據，基線模型和故障模型同步運行，并根據結果發出故障前預警或疲勞預警；

在步驟三和步驟四中，針對目標設備中單一部件的邊緣側基線模型與針對目標設備整體狀態的基線模型采用相同類型的算法模型，針對目標設備中單一部件的邊緣側基線模型的計算精度低于針對目標設備整體狀態的基線模型。

2.根據權利要求1所述的用于特種機械的部件疲勞程度監測方法，其特征在于：在所述步驟一中，所述信息數據采集設備安裝的位置至少包括目標設備的控制部、目標設備的驅動部、目標設備的承載部和目標設備的制動部中的一個，所述信息數據采集設備采集的信息至少包括音頻信息和振動信息中的一種。

3.根據權利要求2所述的用于特種機械的部件疲勞程度監測方法，其特征在于：在步驟一中，根據信息數據采集設備的采集對象，設置有對采集到的信息進行打包的標簽，所述的標簽至少包括兩個用于描述信息特征的獨立維度。

4.根據權利要求3所述的用于特種機械的部件疲勞程度監測方法，其特征在于：

在所述步驟二中，在云端服務器建立基線模型和故障模型包括以下步驟：

建模子步驟一，云端服務器獲取建立模型所必須的數據；

建模子步驟二，對數據進行處理和轉換，輸出適合模型訓練的數據；

建模子步驟三，選取訓練模型，若訓練的是基線模型則通過無監督訓練生成基線模型，若訓練的是故障模型則通過有監督訓練生成故障模型；

建模子步驟四，根據采集到的運行特征數據對訓練模型迭代更新。

5.根據權利要求4所述的用于特種機械的部件疲勞程度監測方法，其特征在于：在所述建模子步驟一中，云端服務器獲取的數據包括正常數據和人工收集的并打有標簽的數據，在建模子步驟二中，云端服務器依次將數據分段裁剪、合入環境數據、按標簽歸類、將數據轉換成梅爾頻譜圖，然后輸出適合模型訓練的數據。

6.根據權利要求5所述的用于特種機械的部件疲勞程度監測方法，其特征在于：

信息數據采集設備采集的信息后執行過濾步驟選取合適的信息，

過濾步驟一，在信息數據采集設備內建立卷積模型；

過濾步驟二，當源信號的幅度大于設定值時，分離出不同源的信號；

過濾步驟三，當源信號之間相互獨立時，對源信號進行矢量變換，矢量變換的變換矩陣為一個滿秩對角陣和一個轉置矩陣的乘積；

過濾步驟四，變換后的各個信號之間相互獨立，實現了源信號的盲分離，然后轉為執行對獨立分量分析；

過濾步驟五，使用自然梯度判決準則以及隨機梯度準則進行判決，選取合適的信息。