CN117869288A - 轴向柱塞泵健康状态评估预测方法及智能化终端 - Google Patents
轴向柱塞泵健康状态评估预测方法及智能化终端 Download PDFInfo
- Publication number
- CN117869288A CN117869288A CN202410215041.6A CN202410215041A CN117869288A CN 117869288 A CN117869288 A CN 117869288A CN 202410215041 A CN202410215041 A CN 202410215041A CN 117869288 A CN117869288 A CN 117869288A
- Authority
- CN
- China
- Prior art keywords
- health
- plunger pump
- axial plunger
- pressure signal
- axial piston
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000003862 health status Effects 0.000 title claims abstract description 36
- 230000036541 health Effects 0.000 claims abstract description 88
- 230000010349 pulsation Effects 0.000 claims abstract description 29
- 238000005070 sampling Methods 0.000 claims description 68
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 11
- 238000012549 training Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 229910000838 Al alloy Inorganic materials 0.000 description 2
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 2
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 101000827703 Homo sapiens Polyphosphoinositide phosphatase Proteins 0.000 description 1
- 102100023591 Polyphosphoinositide phosphatase Human genes 0.000 description 1
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 1
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本申请公开了一种轴向柱塞泵健康状态评估预测方法及智能化终端，属于轴向柱塞泵技术领域，其中，轴向柱塞泵健康状态评估预测方法包括：获取轴向柱塞泵的压力信号；根据压力信号的脉动特性计算轴向柱塞泵的健康因子；根据健康因子确定轴向柱塞泵的健康状态。该方法根据压力信号的脉动特性构建轴向柱塞泵的健康因子，实现了轴向柱塞泵的健康评估，进而可以防止设备故障造成的重大财产损失和人员伤亡。
Description
技术领域
本申请属于轴向柱塞泵技术领域，具体涉及一种轴向柱塞泵健康状态评估预测方法及智能化终端。
背景技术
轴向柱塞泵是一种广泛应用于现代工业系统的泵类设备，其高效性和可靠性使其成为许多工业应用中的首选，特别是在需要精确控制流量和压力的场合。轴向柱塞泵周向方向均布多个柱塞，柱塞往复运动产生体积周期性变化的容腔，从而实现低压油液的吸入和高压油液的排出。
轴向柱塞泵作为液压系统的“心脏”，在保障重大装备稳定运行方面至关重要。为了防止设备故障造成的重大财产损失和人员伤亡，对轴向柱塞泵进行健康评估尤为重要。
发明内容
本申请的目的是提供一种轴向柱塞泵健康状态评估预测方法及智能化终端以对轴向柱塞泵进行健康检测评估。
根据本申请实施例的第一方面，提供了一种轴向柱塞泵健康状态评估预测方法，该检测方法可以包括：获取轴向柱塞泵的压力信号；根据压力信号的脉动特性计算轴向柱塞泵的健康因子；根据健康因子确定轴向柱塞泵的健康状态。
在本申请的一些可选实施例中，获取轴向柱塞泵的压力信号，具体为：获取轴向柱塞泵的出口管路处的高频采样压力信号。
在本申请的一些可选实施例中，根据压力信号的脉动特性计算轴向柱塞泵的健康因子，包括：对压力信号进行分割处理，得到多段采样信号；计算多段采样信号中每段采样信号的健康因子；根据多段采样信号中每段采样信号的健康因子计算轴向柱塞泵的健康因子。
在本申请的一些可选实施例中，对压力信号进行分割处理，得到多段采样信号，包括：获取轴向柱塞泵旋转一周的采样点数；根据采样点数对压力信号进行分割，以使多段采样信号中每段采样信号的采样点数与轴向柱塞泵旋转一周的采样点数相同。
在本申请的一些可选实施例中，计算多段采样信号中每段采样信号的健康因子，包括：将每段采样信号转换为压力脉动信号频率；计算压力信号脉动基波及各阶谐波能量之和与压力信号频域总能量；根据压力信号脉动基波及各阶谐波能量之和与压力信号频域总能量确定多段采样信号中每段采样信号的健康因子。
在本申请的一些可选实施例中，根据多段采样信号中每段采样信号的健康因子计算轴向柱塞泵的健康因子，具体为：计算多段采样信号中每段采样信号的健康因子的平均值，得到轴向柱塞泵的健康因子。
在本申请的一些可选实施例中，在根据健康因子确定轴向柱塞泵的健康状态之后，轴向柱塞泵健康状态评估预测方法还包括：利用训练好的机器学习模型并根据健康因子预测轴向柱塞泵的寿命。
根据本申请实施例的第二方面，提供一种智能化终端，该智能化终端可以包括：
采集模块，用于获取轴向柱塞泵的出口压力信号；
计算模块，用于根据压力信号的脉动特性计算轴向柱塞泵的健康因子；
计算模块，还用于根据健康因子确定轴向柱塞泵的健康状态。
根据本申请实施例的第三方面，提供一种电子设备，该电子设备可以包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，处理器被配置为执行指令，以实现如第一方面的任一项实施例中所示的轴向柱塞泵健康状态评估预测方法。
根据本申请实施例的第四方面，提供一种存储介质，当存储介质中的指令由信息处理装置或者服务器的处理器执行时，以使信息处理装置或者服务器实现如第一方面的任一项实施例中所示的轴向柱塞泵健康状态评估预测方法。
本申请的上述技术方案具有如下有益的技术效果：
本申请实施例方法通过获取轴向柱塞泵的压力信号，并根据压力信号的脉动特性计算轴向柱塞泵的健康因子，最终根据健康因子确定轴向柱塞泵的健康状态。该方法根据压力信号的脉动特性构建轴向柱塞泵的健康因子，实现了轴向柱塞泵的健康评估，进而可以防止设备故障造成的重大财产损失和人员伤亡。
附图说明
图1是本申请一示例性实施例中轴向柱塞泵健康状态评估预测方法的流程示意图；
图2是本申请一示例性实施例中智能化终端的结构示意图；
图3是本申请一具体实施例中智能化终端的结构示意图
图4是本申请一示例性实施例中电子设备的结构示意图；
图5是本申请一示例性实施例中电子设备的硬件结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本申请进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本申请的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本申请的概念。
在附图中示出了根据本申请实施例的层结构示意图。这些图并非是按比例绘制的，其中为了清楚的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状以及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
此外，下面所描述的本申请不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
轴向柱塞泵的健康状况通常会表征在其运行时产生的物理信息中，如压力信号。对采集的信号进行分析处理，并通过合理的方式构建健康因子，可以评估轴向柱塞泵的健康状况。柱塞泵出口压力由于柱塞非连续性排油以及油液可压缩性而产生周期性脉动，其时域波形与正弦信号有相近之处，但柱塞泵出口压力信号并非标准的正弦信号，即柱塞泵在健康状态下其出口压力信号存在高次谐波分量，无法通过标准的谐波畸变率公式判定压力信号是否存在异常；但经研究发现可以根据压力信号的脉动特性构建一种新的健康因子。
下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的轴向柱塞泵健康状态评估预测方法及智能化终端进行详细地说明。
如图1所示，在本申请实施例的第一方面，提供了一种轴向柱塞泵健康状态评估预测方法，该检测方法可以包括：
S110：获取轴向柱塞泵的出口压力信号；
S120：根据压力信号的脉动特性计算轴向柱塞泵的健康因子；
S130：根据健康因子确定轴向柱塞泵的健康状态。
本实施例方法根据压力信号的脉动特性构建轴向柱塞泵的健康因子，实现了轴向柱塞泵的健康评估，进而可以防止设备故障造成的重大财产损失和人员伤亡。
在一些实施例中，获取轴向柱塞泵的压力信号，具体为：
获取轴向柱塞泵的出口管路处的高频采样压力信号。
本实施例为了构建轴向健康因子需要高频采样获取柱塞泵出口压力脉动信号，以涵盖压力脉动信号中的高次谐波分量信息，保障健康评估结果的精确性。研究发现，轴向柱塞泵压力脉动谐波的频率范围为50Hz～4000Hz。而采集到的轴向柱塞泵出口压力信号至少需要包含十次谐波。因此，较为优选的，柱塞泵出口压力传感器应满足固有频率≥30kHz，压力传感器的采样频率≥15kHz。压力传感器安装在靠近轴向柱塞泵出口管路处，从而能够准确监测到压力脉动情况。具体的，可选用15kHz～50kHz采样频率。采样过程中，可以采用分段采集策略，定间隔采集一段固定长度的高频信号。
在一些实施例中，根据压力信号的脉动特性计算轴向柱塞泵的健康因子，包括：
对压力信号进行分割处理，得到多段采样信号；
计算多段采样信号中每段采样信号的健康因子；
根据多段采样信号中每段采样信号的健康因子计算轴向柱塞泵的健康因子。
本实施例中分割后的每段信号的采样点数与柱塞泵旋转一周对应的采样点数相同，即分割后的信号刚好包含一次完整的柱塞泵旋转周期，可以将数据与泵的每个旋转周期相对应，从而更好地进行轴向健康因子计算。
在一些实施例中，对压力信号进行分割处理，得到多段采样信号，包括：
获取轴向柱塞泵旋转一周的采样点数；
根据采样点数对压力信号进行分割，以使多段采样信号中每段采样信号的采样点数与轴向柱塞泵旋转一周的采样点数相同。
在一些实施例中，计算多段采样信号中每段采样信号的健康因子，包括：
将每段采样信号转换为压力脉动信号频率；
计算压力信号脉动基波及各阶谐波能量之和与压力信号频域总能量；
根据压力信号脉动基波及各阶谐波能量之和与压力信号频域总能量确定多段采样信号中每段采样信号的健康因子。
具体的，健康因子通过下述公式计算得到：
f0＝柱塞泵旋转频率f×柱塞个数n
E0＝|X(f0)|2+|X(2f0)|2+|X(3f0)|2+...+|X(nf0)|2
其中，f0为正常压力信号的基波频率。f0、2f0、3f0、…、nf0为各阶谐波频率；X为压力信号的幅值；E0为压力信号脉动基波及各阶谐波能量之和；E为压力信号频域总能量；Pn为频谱中第n个频率分量的幅度；HI为健康因子。
在一些实施例中，根据多段采样信号中每段采样信号的健康因子计算轴向柱塞泵的健康因子，具体为：
计算多段采样信号中每段采样信号的健康因子的平均值，得到轴向柱塞泵的健康因子。
在一些实施例中，在根据健康因子确定轴向柱塞泵的健康状态之后，轴向柱塞泵健康状态评估预测方法还包括：
利用训练好的机器学习模型并根据健康因子预测轴向柱塞泵的寿命。
本实施例轴向柱塞泵在运行过程中，可以计算并积累得到历史的健康指标。在选择合适的网络架构(如CNN、RNN、LSTM等)后，设置超参数、选择损失函数和优化器等，配合数据集，模型会学习健康指标与剩余寿命之间的关系。
具体的，该训练好的机器学习模型是通过下述训练得到：
数据采集：收集柱塞泵在不同健康状态下的出口压力信号数据，这些数据应该包括从健康到故障全过程的信号。
数据标注：为每个数据样本标注剩余寿命(RUL)，即从当前状态到最终故障状态所需的时间。具体数值可以通过历史故障数据或者专家知识来确定。
数据筛选：去除异常值与噪声，确保数据的质量。
特征提取与选择：根据前述的健康因子构建方法，计算柱塞泵运行时每个样本的健康因子。如有需要，可以提取其他相关特征，如信号的统计特征、时频特征等。采用相关性分析、主成分分析(PCA)等方法选择对预测RUL最有利的特征。
模型选择：可以考虑多种深度学习模型。对于时间序列数据，卷积神经网络(CNN)、循环神经网络(RNN)及其变体如长短期记忆网络(LSTM)和门控循环单元(GRU)可能更为合适。
训练数据集划分：将数据划分为训练集、验证集和测试集。训练集用于训练模型，验证集用于调参，测试集用于最终评估模型性能。
模型训练：使用训练集训练机器学习模型。根据验证集上的性能调整模型参数以优化效果。可以手动调整，也可以使用如网格搜索、随机搜索、贝叶斯优化等自动化方法。之后可对模型性能进行评估。
模型部署：将训练好的机器学习模型部署到生产环境中，用于实时或定期预测柱塞泵的剩余寿命。
模型迭代：持续监控模型的预测性能，并根据新收集的数据定期更新模型，以适应可能的环境和设备变化。
需要说明的是，本申请实施例提供的轴向柱塞泵健康状态评估预测方法，执行主体可以为轴向柱塞泵健康状态评估预测装置，或者该轴向柱塞泵健康状态评估预测装置中的用于执行轴向柱塞泵健康状态评估预测方法的控制模块。本申请实施例中以轴向柱塞泵健康状态评估预测装置执行轴向柱塞泵健康状态评估预测方法为例，说明本申请实施例提供的轴向柱塞泵健康状态评估预测装置。
如图2所示，在本申请实施例的第二方面，提供一种智能化终端，该智能化终端可以包括：
采集模块，用于获取轴向柱塞泵的出口压力信号；
计算模块，用于根据压力信号的脉动特性计算轴向柱塞泵的健康因子；
计算模块，还用于根据健康因子确定轴向柱塞泵的健康状态。
轴向柱塞泵健康评估需要选择合适的数采系统对压力脉动振幅和相位进行测量和处理。健康评估过程通常在数据上传至上位机完成。然而，柱塞泵出口压力信号高频采样收集时，大量数据上传至上位机将导致数据处理和响应延迟，特别是在长时间采样或网络连接不稳定的情况下这一问题更加突出。此外，基于上位机的处理方式通常需要较高的维护成本，增加了设备数量，不利于缩短数据采集、传输与分析的链路长度。
如图3所示，在一具体实施例中，提供一种智能化终端，包括：
采集模块1，固定在铝合金外壳3的底部；
计算模块2，负责数据的解析、计算、分析与上传，进行人工智能边缘计算；
采集模块1和计算模块2通过铜柱4等固定在外壳3的顶部；
传感器接口5，用于连接布置在工业设备上的传感器；
电源接口6，使用24V直流电源为采集模块1、计算模块2供电；
视频输出接口7，用于连接计算模块2与显示设备，方便调试；
USB接口8，用于连接计算模块2与USB设备；
采集模块网口9与计算模块网口10，用于采集数据从采集模块1到计算模块2的传输；
网络天线接口11，用于向计算模块2提供无线网络连接功能。
为更好地利用人工智能深度学习技术，采用人工智能模块作为智能化感知终端的计算模块2，配备了专为AI和机器学习工作负载优化的图形处理单元GPU，可以在边缘端执行复杂的深度学习算法。通过在人工智能模块中部署不同深度学习模型，以采集模块1实时采集的信号或预处理后的特征作为模型输入，可以进行剩余寿命(Remaining UsefulLife,RUL)预测。
基于深度学习的剩余寿命预测可以包含数据采集、健康因子(HI)构建、历史HI数据积累和模型训练、RUL预测等步骤。轴向柱塞泵随着故障程度的发展，其HI通常呈现出不同程度的退化趋势。轴向柱塞泵性能退化过程包括健康阶段、退化阶段和临界阶段。可以通过预测HI达到失效阈值的时间间隔，得到柱塞泵的RUL。
HI预测可以通过深度神经网络模型来完成，如卷积神经网络、循环神经网络、长短期记忆网络等。轴向柱塞泵在运行过程中，可以不断计算并积累历史HI数据，用于深度神经网络模型训练，训练好的模型可以对设备进行剩余寿命预测。由于云服务器通常具备更高的性能与更大的存储空间，模型的训练可以在云服务器完成。计算模块2可以通过SCP(Secure Copy Protocol)指令将最新的深度学习模型下载到本地进行模型推理。
本实施例智能化终端的数据处理发生在离数据源更近的地方，即计算模块2上，而不是在上位机或远端服务器上，减少了数据传输时间，具备对高频压力信号的实时分析能力，减少对中央服务器或云端资源的依赖，提高了轴向柱塞泵健康评估预测的精确性和实时性，提高了数据采集终端在网络不稳定工业环境中的可靠性。另外，计算模块2可以在边缘端执行复杂的深度学习算法，能够对工业系统状态的改变做出更快的响应，并减轻了网络负担，减少了设备数量。实现了数据处理的边缘化和智能化，使得对工业设备的监控和预测性维护更加高效和先进。
本实施例中计算模块2与采集模块1通过TCP协议连接，以采集模块1为服务端，计算模块2为客户端，向采集模块1发送采集命令并接收采集到的数据。采集模块1采集的压力信号按时间顺序保存在数据帧中，数据帧中数字的大小表示压力脉动的幅值大小。通过读取数据帧特定位置的数据，可以获得轴向柱塞泵工作时出口压力信号。计算模块2作为核心处理模块，可以替代传统的上位机，对接收的数据进行实时解析、计算和分析，并运行部署在模块上的深度学习推理模型。
采集模块1与计算模块2采用两层式结构，装置整体结构简单；装置总体尺寸可以缩小到184.5mm×176mm×75mm，尺寸小巧。另外，整体可以由2.5mm厚铝合金外壳覆盖，对内部元件具有较好的保护功能。
健康评估与剩余寿命的计算结果通常会传输至云端，便于相关人员查看。该装置可以具备无线网络连接功能，解析后的信号与计算析结果可以通过无线网络，例如封装进JSON数据格式，基于MQTT协议，传输至云端服务器。封装的内容与上传的频次可根据需求进行设定。一般地，一段JSON数据通常包含一次压力信号采样数据和健康因子计算结果。剩余寿命的预测结果可间隔多段JSON数据封装一次。
计算模块2具备传统上位机功能的同时，集成了低功耗高性能的人工智能推理功能。采集的数据无需再上传至上位机，而是通过网口传输至计算模块2，由计算模块2进行数据的解析、计算、分析与上传，具备无线网络功能，使设备可以在缺乏有线网络的环境下工作。
上述实施例智能化终端具备轴向柱塞泵出口压力脉动信号高频采样和实时处理分析能力，从而在边缘端就可以实现柱塞泵高频压力信号的采集、健康因子的构建以及剩余寿命的预测。
本申请实施例中的智能化终端可以是装置，也可以是终端中的部件、集成电路、或芯片。该装置可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本或者个人数字助理(personaldigital assistant,PDA)等，非移动电子设备可以为服务器、网络附属存储器(NetworkAttached Storage，NAS)、个人计算机(personal computer,PC)、电视机(television,TV)、柜员机或者自助机等，本申请实施例不作具体限定。
本申请实施例中的智能化终端可以为具有操作系统的装置。该操作系统可以为安卓(Android)操作系统，可以为IOS操作系统，还可以为其他可能的操作系统，本申请实施例不作具体限定。
本申请实施例提供的智能化终端能够实现图1的方法实施例实现的各个过程，为避免重复，这里不再赘述。
可选地，如图4所示，本申请实施例还提供一种电子设备400，包括处理器401，存储器402，存储在存储器402上并可在所述处理器401上运行的程序或指令，该程序或指令被处理器401执行时实现上述轴向柱塞泵健康状态评估预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
需要说明的是，本申请实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。
图5为实现本申请实施例的一种电子设备的硬件结构示意图。
该电子设备500包括但不限于：射频单元501、网络模块502、音频输出单元503、输入单元504、传感器505、显示单元506、用户输入单元507、接口单元508、存储器509、以及处理器510等部件。
本领域技术人员可以理解，电子设备500还可以包括给各个部件供电的电源(比如电池)，电源可以通过电源管理系统与处理器510逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图5中示出的电子设备结构并不构成对电子设备的限定，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，在此不再赘述。
应理解的是，本申请实施例中，输入单元504可以包括图形处理器(GraphicsProcessing Unit,GPU)5041和麦克风5042，图形处理器5041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元506可包括显示面板5061，可以采用液晶显示器、有机发光二极管等形式来配置显示面板5061。用户输入单元507包括触控面板5071以及其他输入设备5072。触控面板5071，也称为触摸屏。触控面板5071可包括触摸检测装置和触摸控制器两个部分。其他输入设备5072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。存储器509可用于存储软件程序以及各种数据，包括但不限于应用程序和操作系统。处理器510可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器510中。
本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述轴向柱塞泵健康状态评估预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等。
本申请实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述轴向柱塞泵健康状态评估预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
应理解，本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。
Claims (10)
1.一种轴向柱塞泵健康状态评估预测方法，其特征在于，包括：
获取轴向柱塞泵的压力信号；
根据所述压力信号的脉动特性计算所述轴向柱塞泵的健康因子；
根据所述健康因子确定所述轴向柱塞泵的健康状态。
2.根据权利要求1所述的轴向柱塞泵健康状态评估预测方法，其特征在于，所述获取轴向柱塞泵的压力信号，具体为：
获取轴向柱塞泵的出口管路处的高频采样压力信号。
3.根据权利要求1所述的轴向柱塞泵健康状态评估预测方法，其特征在于，所述根据所述压力信号的脉动特性计算所述轴向柱塞泵的健康因子，包括：
对所述压力信号进行分割处理，得到多段采样信号；
计算所述多段采样信号中每段采样信号的健康因子；
根据所述多段采样信号中每段采样信号的健康因子计算所述轴向柱塞泵的健康因子。
4.根据权利要求3所述的轴向柱塞泵健康状态评估预测方法，其特征在于，所述对所述压力信号进行分割处理，得到多段采样信号，包括：
获取所述轴向柱塞泵旋转一周的采样点数；
根据所述采样点数对所述压力信号进行分割，以使所述多段采样信号中每段采样信号的采样点数与所述轴向柱塞泵旋转一周的采样点数相同。
5.根据权利要求3所述的轴向柱塞泵健康状态评估预测方法，其特征在于，所述计算所述多段采样信号中每段采样信号的健康因子，包括：
将每段采样信号转换为压力脉动信号频率；
计算压力信号脉动基波及各阶谐波能量之和与压力信号频域总能量；
根据所述压力信号脉动基波及各阶谐波能量之和与所述压力信号频域总能量确定所述多段采样信号中每段采样信号的健康因子。
6.根据权利要求3所述的轴向柱塞泵健康状态评估预测方法，其特征在于，所述根据所述多段采样信号中每段采样信号的健康因子计算所述轴向柱塞泵的健康因子，具体为：
计算所述多段采样信号中每段采样信号的健康因子的平均值，得到所述轴向柱塞泵的健康因子。
7.根据权利要求1所述的轴向柱塞泵健康状态评估预测方法，其特征在于，在所述根据所述健康因子确定所述轴向柱塞泵的健康状态之后，所述轴向柱塞泵健康状态评估预测方法还包括：
利用训练好的机器学习模型并根据所述健康因子预测所述轴向柱塞泵的寿命。
8.一种智能化终端，其特征在于，包括：
采集模块，用于获取轴向柱塞泵的出口压力信号；
计算模块，用于根据所述压力信号计算所述轴向柱塞泵的健康因子；
所述计算模块，还用于根据所述健康因子确定所述轴向柱塞泵的健康状态。
9.一种电子设备，其特征在于，包括：处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1～7任一项所述的轴向柱塞泵健康状态评估预测方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1～7任一项所述的轴向柱塞泵健康状态评估预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410215041.6A CN117869288B (zh) | 2024-02-27 | 2024-02-27 | 轴向柱塞泵健康状态评估预测方法及智能化终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410215041.6A CN117869288B (zh) | 2024-02-27 | 2024-02-27 | 轴向柱塞泵健康状态评估预测方法及智能化终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117869288A true CN117869288A (zh) | 2024-04-12 |
| CN117869288B CN117869288B (zh) | 2025-02-07 |
Family
ID=90592126
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410215041.6A Active CN117869288B (zh) | 2024-02-27 | 2024-02-27 | 轴向柱塞泵健康状态评估预测方法及智能化终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117869288B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19625947C1 (de) * | 1996-06-28 | 1997-09-18 | Uraca Pumpen | Verfahren zur Störungsfrüherkennung an Pumpen sowie entsprechende Vorrichtung |
| US7013223B1 (en) * | 2002-09-25 | 2006-03-14 | The Board Of Trustees Of The University Of Illinois | Method and apparatus for analyzing performance of a hydraulic pump |
| CN115392322A (zh) * | 2022-09-16 | 2022-11-25 | 上海交通大学 | 基于压力脉动相似性的柱塞泵异常检测方法和系统 |
| CN115929612A (zh) * | 2022-12-20 | 2023-04-07 | 上海交通大学 | 柱塞泵异常检测方法、装置、电子设备及存储介质 |
| CN116221098A (zh) * | 2023-04-13 | 2023-06-06 | 北京航空航天大学 | 一种基于压力脉动频谱特性的航空柱塞泵在线状态监测方法 |
-
2024
- 2024-02-27 CN CN202410215041.6A patent/CN117869288B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19625947C1 (de) * | 1996-06-28 | 1997-09-18 | Uraca Pumpen | Verfahren zur Störungsfrüherkennung an Pumpen sowie entsprechende Vorrichtung |
| US7013223B1 (en) * | 2002-09-25 | 2006-03-14 | The Board Of Trustees Of The University Of Illinois | Method and apparatus for analyzing performance of a hydraulic pump |
| CN115392322A (zh) * | 2022-09-16 | 2022-11-25 | 上海交通大学 | 基于压力脉动相似性的柱塞泵异常检测方法和系统 |
| CN115929612A (zh) * | 2022-12-20 | 2023-04-07 | 上海交通大学 | 柱塞泵异常检测方法、装置、电子设备及存储介质 |
| CN116221098A (zh) * | 2023-04-13 | 2023-06-06 | 北京航空航天大学 | 一种基于压力脉动频谱特性的航空柱塞泵在线状态监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117869288B (zh) | 2025-02-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9600394B2 (en) | Stateful detection of anomalous events in virtual machines | |
| CN111611478B (zh) | 信息推荐方法、装置和电子设备 | |
| US20200081054A1 (en) | Power line issue diagnostic methods and apparatus using distributed analytics | |
| US9720823B2 (en) | Free memory trending for detecting out-of-memory events in virtual machines | |
| US10248561B2 (en) | Stateless detection of out-of-memory events in virtual machines | |
| WO2024065988A1 (zh) | 设备监测方法和系统、电子设备、存储介质 | |
| CN116647819B (zh) | 基于传感器网络的仪器能耗监测方法及系统 | |
| CN107505549A (zh) | 一种智能型多功能局部放电在线监测系统 | |
| KR20230067423A (ko) | 딥러닝 기반 IIoT 설비 이상탐지 방법 | |
| CN112948223B (zh) | 一种监测运行情况的方法和装置 | |
| KR102622634B1 (ko) | 전자기기의 비침식 부하 모니터링 시스템 및 그 방법 | |
| CN117869288A (zh) | 轴向柱塞泵健康状态评估预测方法及智能化终端 | |
| CN111311014A (zh) | 业务数据处理方法、装置、计算机设备和存储介质 | |
| CN118573589A (zh) | 一种掌上银行网络流量预测方法和相关装置 | |
| CN112287922A (zh) | 表计读取方法、装置、设备以及存储介质 | |
| CN117277286A (zh) | 一种基于时空多重聚类算法的区域风电集群功率预测方法 | |
| CN115221769B (zh) | 一种故障预测方法、系统、电子设备和存储介质 | |
| CN116712048A (zh) | 血压测量方法、装置及相关设备 | |
| CN116956174B (zh) | 用于进行冷头状态分类检测和寿命预测的分类模型和预测模型的生成方法 | |
| CN117407774B (zh) | 一种基于人工智能的交通数据处理方法及系统 | |
| KR102715346B1 (ko) | 수도미터용 스마트 계량 시스템 | |
| CN118331746B (zh) | 一种基于复杂周期的边缘云长序列负载预测方法、装置、设备及介质 | |
| Schuhmacher et al. | ecoBLE: A Low-Computation Energy Consumption Prediction Framework for Bluetooth Low Energy | |
| WO2025017681A1 (en) | Method and system of saving power consumption of at least one of servers in network | |
| CN118886548A (zh) | 一种低压电能监控方法、装置、设备以及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |