基于抱桩器液压系统的故障预测方法及抱桩器液压系统
阅读说明：本技术 基于抱桩器液压系统的故障预测方法及抱桩器液压系统 (Pile gripper hydraulic system and fault prediction method based on same ) 是由 吴韩 吴平平 魏千洲 秦昊 刘会涛 张帅君 邓达纮 陈凯欣 马振军 黄记想 于 2020-12-29 设计创作，主要内容包括：本发明公开了一种基于抱桩器液压系统的故障预测方法及抱桩器液压系统,包括如下步骤：采集数据：采集抱桩器的实时数据；筛选变量：将采集的实时数据,筛选出与液压系统相关的变量作为输入,液压系统是否发生故障作为输出；数据集拆分：将数据集拆分为训练集和测试集；构建神经网络：根据数据集构建深度神经网络模型；数据集训练：将训练样本导入神经网络模型进行训练；数据预测：将测试样本导入神经网络模型并输出预测结果；输出判断结果；本申请旨在提供一种基于抱桩器液压系统的故障预测方法及抱桩器液压系统,能够预测可能发生的液压故障。(The invention discloses a fault prediction method based on a hydraulic system of a pile gripper and the hydraulic system of the pile gripper, which comprises the following steps: collecting data: collecting real-time data of the pile gripper; screening variables: screening out variables related to the hydraulic system as input and judging whether the hydraulic system breaks down or not as output according to the collected real-time data; splitting a data set: splitting a data set into a training set and a test set; constructing a neural network: constructing a deep neural network model according to the data set; training a data set: leading the training sample into a neural network model for training; and (3) data prediction: leading the test sample into a neural network model and outputting a prediction result; outputting a judgment result; the application aims to provide a fault prediction method based on a pile gripper hydraulic system and the pile gripper hydraulic system, which can predict the possible hydraulic fault.)
技术领域
本发明涉及海上风电设备技术领域，尤其涉及一种基于抱桩器液压系统的故障预测方法及抱桩器液压系统。
背景技术
工业大数据是工业领域信息化应用中产生的数据，包含信息管理系统数据、机器设备数据和外部数据。工业大数据技术是集数据采集、数据存储、数据分析、数据挖掘、数据可视化为一体的，运用先进大数据技术，贯穿于工业的设计、工业、生产、管理、服务等各个环节，使工业系统具备描述、诊断、预测、决策、控制等智能化功能的模式和结果。
抱桩器是解决海上风电基础钢管桩(以下称钢桩)打桩施工难点的专业设备，抱桩器由机构系统、液压系统、电气控制系统组成。该设备用于风机钢桩下桩过程中的位置调整、抱紧导向以保持钢桩的适当位置不变；钢桩着底沉桩工况时，能够对钢桩的垂直度进行调整；打桩工况时能够导向、辅助扶正及垂直度调节。由于抱桩器在海上作业，受海浪等各种环境因素的影响，久而久之，设备会出现劣化而导致故障。目前在抱桩器的液压系统中尚未有可以预测其故障的方法。
发明内容
本发明的目的在于提出一种基于抱桩器液压系统的故障预测方法及抱桩器液压系统，能够预测可能发生的液压故障。
为达此目的，本发明采用以下技术方案：一种基于抱桩器液压系统的故障预测方法，包括如下步骤：
采集数据：采集抱桩器的实时数据；
筛选变量：将采集的实时数据，筛选出与液压系统相关的变量作为输入，液压系统是否发生故障作为输出；
数据集拆分：将数据集拆分为训练集和测试集；
构建神经网络：根据数据集构建深度神经网络模型；
数据集训练：将训练样本导入神经网络模型进行训练；
数据预测：将测试样本导入神经网络模型并输出预测结果；
输出判断结果。
优选的，在所述筛选变量的步骤中，采集的实时数据变量包括：伸缩辊轮油缸上层位移,伸缩辊轮油缸上层流量,伸缩辊轮油缸上层压力,伸缩辊轮油缸下层位移,伸缩辊轮油缸下层流量，伸缩辊轮油缸下层压力，开合油缸位移，开合油缸流量，开合油缸压力，十字滑移系统油缸位移，主油泵系统压力，油箱温度，油箱液位高度，主油泵电机转速，副油泵电机转速，左抱臂铰接点形变，右抱臂铰接点形变，十字滑移系统插销有无顺利插下。
优选的，在所述构建神经网络的步骤中，构建深度神经网络的内部计算公式包括：
输入层->隐藏层，隐藏层->隐藏层，隐藏层->输出层的计算：
Ij＝∑iWijXi+θj；
其中Wij为权重，θj为偏置值，Xi为输入，Oj为输出，i为前一层网络的节点序号，j为后一层网络的节点序号，Ij为运算结果，e是自然常数。
优选的，在所述构建神经网络的步骤中，构建深度神经网络的内部计算公式包括：
权值和阈值更新计算：
dWij＝dIj*Xi；
dθj＝dIj；
W＝Wij-α*dWij；
θ＝θj-α*dθj；
其中d为求导，α为学习率，Wij为权重，θj为偏置值，Xi为输入，i为前一层网络的节点序号，j为后一层网络的节点序号，Ij为运算结果。
优选的，在所述构建神经网络的步骤中，构建深度神经网络的内部计算公式包括：
损失函数为：
cost＝-y*log(y’)-(1-y)log(1-y’)；
其中y为实际输出值，y’为通过神经网络计算的输出值，当cost＜0.04时停止迭代。
一种抱桩器液压系统，包括移动座、移动机构、安装架、抱紧单元和伸缩辊轮单元；所述移动机构设置在地基，所述移动座设置在所述移动机构，所述移动机构带动所述移动座沿水平双轴方向移动；所述安装架设置在所述移动座，所述抱紧单元设置有至少两个，至少两个所述抱紧单元沿竖直方向间隔设置；所述伸缩辊轮单元设置在所述抱紧单元，所述伸缩辊轮单元的输出端与钢桩相对。
优选的，所述安装架包括铰接座，所述铰接座设置有多个；所述抱紧单元包括左抱臂、右抱臂、前抱臂和抱紧油缸；所述抱紧油缸设置有两个，所述抱紧油缸与所述安装架铰接，其中一个所述抱紧油缸的输出端与所述左抱臂的外壁铰接，其中另一个所述抱紧油缸的输出端与所述右抱臂的外壁铰接；所述左抱臂的一端与左侧的所述铰接座铰接，所述右抱臂的的一端与右侧的所述铰接座铰接；所述前抱臂的一端与所述右抱臂的一端铰接，所述前抱臂的另一端与所述左抱臂的一端相对；所述左抱臂与所述铰接座的铰接轴、所述前抱臂与所述右抱臂的铰接轴以及所述右抱臂与所述铰接座的铰接轴相平行。
优选的，所述安装架设置有第一安装孔，所述抱紧单元设置有多个第二安装孔，所述伸缩辊轮单元设置有多个，各个所述伸缩辊轮单元分别设置在对应的所述第一安装孔和所述第二安装孔内；各个所述伸缩辊轮单元等距分布。
优选的，所述伸缩辊轮单元包括安装环、滑动套、固定套、伸缩油缸、连接座和限位辊轮；所述安装环设置在所述第一安装孔的外围或所述第二安装孔的外围，所述固定套与所述安装环连接，所述滑动套滑动设置在所述第一安装孔或所述第二安装孔内，所述滑动套的一端延伸至所述固定套的内部，所述滑动套的另一端与所述连接座连接，所述伸缩油缸设置在所述固定套内，所述伸缩油缸的输出端与所述滑动套连接，所述限位辊轮转动设置在所述连接座；各个所述伸缩辊轮单元的限位辊轮配合定位钢桩。
优选的，所述移动机构包括水平横向导轨、水平纵向导轨、水平横向气缸、水平纵向气缸、移动架、第一导向轮组件和第二导向轮组件；所述第一导向轮组件设置在所述移动架的下表面，所述第一导向轮组件与所述水平横向导轨滑动连接；所述水平横向气缸的一端与所述水平横向导轨连接，所述水平横向气缸的输出端与所述第一导向轮组件连接；所述水平纵向导轨设置在所述移动架，所述第二导向轮组件设置在所述移动座的下表面，所述第二导向轮组件与所述水平纵向导轨滑动连接；所述水平纵向气缸的一端与所述水平纵向导轨连接，所述水平纵向气缸的输出端与所述第二导向轮组件连接。
本申请通过预先采集抱桩器的实时数据，将液压系统相关变量作为输入，通过深度神经网络模型进行训练，输出液压系统是否发生故障，工作人员根据输出判断结果做出及时排除故障。本申请基于机器学习的故障模型训练，实行长期在线监测，设定报警阈值，当测量值超过阈值时立即进行报警，提前预测，提前解决有可能发生的故障。
本申请基于机器学习方法建立抱桩器液压系统深度神经网络模型，预测可能发生的液压故障，提前做好有效的保障和健康管理。同时本发明可以对液压设备进行针对性、准确性的维护指导，实现液压系统的精确化保障，防止液压系统故障的发生。
附图说明
附图对本发明做进一步说明，但附图中的内容不构成对本发明的任何限制。
图1是本发明的算法流程图；
图2是本发明的神经网络计算过程图；
图3是本发明抱桩器液压系统的结构示意图；
图4是本发明抱紧单元的结构示意图；
图5是本发明移动机构的结构示意图；
图6是本发明伸缩辊轮单元的分解结构示意图；
图7是本发明抱紧单元的俯视结构示意图。
其中：移动座1、移动机构2、水平横向导轨21、水平纵向导轨22、水平横向气缸23、水平纵向气缸24、移动架25、第一导向轮组件26、第二导向轮组件27；
安装架3、铰接座31；抱紧单元4、左抱臂41、右抱臂42、前抱臂43、抱紧油缸44；
伸缩辊轮单元5、安装环51、滑动套52、固定套53、伸缩油缸54、连接座55、限位辊轮56。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征，用于区别描述特征，无顺序之分，无轻重之分。
在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
参阅图1至图7所示，一种基于抱桩器液压系统的故障预测方法，包括如下步骤：
采集数据：采集抱桩器的实时数据；
筛选变量：将采集的实时数据，筛选出与液压系统相关的变量作为输入，液压系统是否发生故障作为输出；
数据集拆分：将数据集拆分为训练集和测试集；
构建神经网络：根据数据集构建深度神经网络模型；
数据集训练：将训练样本导入神经网络模型进行训练；
数据预测：将测试样本导入神经网络模型并输出预测结果；
输出判断结果。
采用这种方式，通过预先采集抱桩器的实时数据，将液压系统相关变量作为输入，通过深度神经网络模型进行训练，输出液压系统是否发生故障，工作人员根据输出判断结果做出及时排除故障。本申请基于机器学习的故障模型训练，实行长期在线监测，设定报警阈值，当测量值超过阈值时立即进行报警，提前预测，提前解决有可能发生的故障。
本申请基于机器学习方法建立抱桩器液压系统深度神经网络模型，预测可能发生的液压故障，提前做好有效的保障和健康管理。同时本发明可以对液压设备进行针对性、准确性的维护指导，实现液压系统的精确化保障，防止液压系统故障的发生。
具体地，在所述筛选变量的步骤中，采集的实时数据变量包括：伸缩辊轮油缸上层位移,伸缩辊轮油缸上层流量,伸缩辊轮油缸上层压力,伸缩辊轮油缸下层位移,伸缩辊轮油缸下层流量，伸缩辊轮油缸下层压力，开合油缸位移，开合油缸流量，开合油缸压力，十字滑移系统油缸位移，主油泵系统压力，油箱温度，油箱液位高度，主油泵电机转速，副油泵电机转速，左抱臂铰接点形变，右抱臂铰接点形变，十字滑移系统插销有无顺利插下。
将上述采集的实时数据变量作为输入变量，具体实施过程中，可选取某些月份的数据作为训练样本，即参考数据，例如1月至9月的数据作为训练样本，选取10月至11月的数据作为测试样本，即对比数据。
具体地，在所述构建神经网络的步骤中，构建深度神经网络的内部计算公式包括：
输入层->隐藏层，隐藏层->隐藏层，隐藏层->输出层的计算：
Ij＝∑iWijXi+θj； (7-1)
其中Wij为权重，θj为偏置值，Xi为输入，Oj为输出，i为前一层网络的节点序号，j为后一层网络的节点序号，Ij为运算结果，e是自然常数。
优选的，在所述构建神经网络的步骤中，构建深度神经网络的内部计算公式包括：
权值和阈值更新计算：
dWij＝dIj*Xi； (7-3)
dθj＝dIj； (7-4)
W＝Wij-α*dWij； (7-5)
θ＝θj-α*dθj； (7-6)
其中d为求导，α为学习率，Wij为权重，θj为偏置值，Xi为输入，i为前一层网络的节点序号，j为后一层网络的节点序号，Ij为运算结果。
优选的，在所述构建神经网络的步骤中，构建深度神经网络的内部计算公式包括：
损失函数为：
cost＝-y*log(y')-(1-y)log(1-y')； (7-7)
其中y为实际输出值，y’为通过神经网络计算的输出值，当cost<0.04时停止迭代，即实际值与预测值的差小于0.04时，停止迭代。
本实施例中，构建的神经网络为18-27-36-10-2深度神经网络，导入训练样本，并通过18-27-36-10-2深度神经网络模型进行训练，导入测试样本，输出预测结果，如发生故障的概率大于未故障的概率，则认为液压系统将会发生故障，如发生故障的概率小于未发生故障的概率，则认为液压系统不会发生故障。
具体实施过程中，数据输入的格式例子可为：[伸缩辊轮油缸上层位移,伸缩辊轮油缸上层流量,伸缩辊轮油缸上层压力,伸缩辊轮油缸下层位移,伸缩辊轮油缸下层流量，伸缩辊轮油缸下层压力，开合油缸位移，开合油缸流量，开合油缸压力，十字滑移系统油缸位移，主油泵系统压力，油箱温度，油箱液位高度，主油泵电机转速，副油泵电机转速，左抱臂铰接点形变，右抱臂铰接点形变，十字滑移系统插销有无顺利插下]＝[1050,0.003,31.5,1050,0.003,31.5,1320,0.003,31.5,1300,31.5,50,400,1470,1470,0,0,0]；
输出格式为：[故障，没故障]＝[1,0]。
一种抱桩器液压系统，包括移动座1、移动机构2、安装架3、抱紧单元4和伸缩辊轮单元5；
所述移动机构2设置在地基，所述移动座1设置在所述移动机构2，所述移动机构2带动所述移动座1沿水平双轴方向移动；
所述安装架3设置在所述移动座1，所述抱紧单元4设置有至少两个，至少两个所述抱紧单元4沿竖直方向间隔设置；
所述伸缩辊轮单元5设置在所述抱紧单元4，所述伸缩辊轮单元5的输出端与钢桩相对。
采用这种结构，通过移动座1和移动机构2配合，能够调节安装架3的位置，从而对抱紧单元4的位置进行调节，方便抱紧单元4伸出抱紧钢桩，通过多个伸缩辊轮单元5配合，能够校正抱紧单元4与钢桩的连接位置，使钢桩保持在抱紧单元4的中心处，提高连接的稳定程度，保持钢桩的位置不变，在打桩过程中，能够对钢桩进行导向、辅助扶正和垂直度调节。
同时，所述安装架3包括铰接座31，所述铰接座31设置有多个；所述抱紧单元4包括左抱臂41、右抱臂42、前抱臂43和抱紧油缸44；
所述抱紧油缸44设置有两个，所述抱紧油缸44与所述安装架3铰接，其中一个所述抱紧油缸44的输出端与所述左抱臂41的外壁铰接，其中另一个所述抱紧油缸44的输出端与所述右抱臂42的外壁铰接；
所述左抱臂41的一端与左侧的所述铰接座31铰接，所述右抱臂42的的一端与右侧的所述铰接座31铰接；
所述前抱臂43的一端与所述右抱臂42的一端铰接，所述前抱臂43的另一端与所述左抱臂41的一端相对；
所述左抱臂41与所述铰接座31的铰接轴、所述前抱臂43与所述右抱臂42的铰接轴以及所述右抱臂42与所述铰接座31的铰接轴相平行。
采用这种结构，通过左抱臂41、右抱臂42、前抱臂43和抱紧油缸44配合，抱紧油缸44伸长推动左抱臂41或右抱臂42转动，使左抱臂41或右抱臂42收紧抱住钢桩，起到良好的连接固定效果。
优选的，所述安装架3设置有第一安装孔，所述抱紧单元4设置有多个第二安装孔，所述伸缩辊轮单元5设置有多个，各个所述伸缩辊轮单元5分别设置在对应的所述第一安装孔和所述第二安装孔内；各个所述伸缩辊轮单元5等距分布。
具体地，所述伸缩辊轮单元5包括安装环51、滑动套52、固定套53、伸缩油缸54、连接座55和限位辊轮56；
所述安装环51设置在所述第一安装孔的外围或所述第二安装孔的外围，所述固定套53与所述安装环51连接，所述滑动套52滑动设置在所述第一安装孔或所述第二安装孔内，所述滑动套52的一端延伸至所述固定套53的内部，所述滑动套52的另一端与所述连接座55连接，所述伸缩油缸54设置在所述固定套53内，所述伸缩油缸54的输出端与所述滑动套52连接，所述限位辊轮56转动设置在所述连接座55；
各个所述伸缩辊轮单元5的限位辊轮56配合定位钢桩。
采用这种结构，固定套53和安装环51连接，伸缩油缸54伸长时，伸缩油缸54的输出端带动滑动套52移动，滑动套52带动连接座55朝钢桩的一侧移动，限位辊轮56伸出与钢桩的外壁接触，通过调节周向设置的多个伸缩辊轮单元5，能够对钢桩进行导向和辅助扶正，避免钢桩在下桩过程中发生偏移。
优选的，所述移动机构2包括水平横向导轨21、水平纵向导轨22、水平横向气缸23、水平纵向气缸24、移动架25、第一导向轮组件26和第二导向轮组件27；
所述第一导向轮组件26设置在所述移动架25的下表面，所述第一导向轮组件26与所述水平横向导轨21滑动连接；
所述水平横向气缸23的一端与所述水平横向导轨21连接，所述水平横向气缸23的输出端与所述第一导向轮组件26连接；
所述水平纵向导轨22设置在所述移动架25，所述第二导向轮组件27设置在所述移动座1的下表面，所述第二导向轮组件27与所述水平纵向导轨22滑动连接；
所述水平纵向气缸24的一端与所述水平纵向导轨22连接，所述水平纵向气缸24的输出端与所述第二导向轮组件27连接。
所述水平横向导轨21设置在地基或其它基础设施，水平横向气缸23推动移动架25沿水平横向移动，第一导向轮组件26与水平横向导轨21配合起到良好的导向作用。
水平纵向气缸24推动移动架25沿水平纵向移动，第二导向轮组件27与水平纵向导轨22配合起到良好的导向作用。
通过水平横向和水平纵向在同一水平面调节安装架3的位置，从而调节抱紧单元4与钢桩相对，实现良好的对位工作和定位效果。
在本说明书的描述中，参考术语“实施例”、“示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理，而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种自动排气阀装置及排气方法