[发明专利]基于机器学习和集群信息融合的防爆叉车故障诊断方法

说明书

本发明公开了一种基于机器学习和集群信息融合的防爆叉车故障诊断方法。方法包括以下步骤：1)将不同类型防爆叉车零件的温升信息和对应的网络故障等级参数A同时输入到一维卷积神经网络模型进行训练，获得不同类型的训练后的一维卷积神经网络模型；2)计算获得不同类型的防爆叉车零件对应的零件集群信息；3)在工作现场，采集一种类型的防爆叉车零件正常工作时的温升信息，分别获得该防爆叉车零件的网络故障等级参数A和零件集群信息，计算最终诊断结果C，获得该防爆叉车零件的故障等级。本发明利用防爆叉车中对各个零件进行安全监控的温度传感器获取温度信息，经济型好，且适用性广，可用于多类型的防爆叉车零件的故障诊断。

技术领域

本发明属于工程机械领域的一种防爆叉车的故障诊断方法，具体涉及一种基于机器学习和集群信息融合的防爆叉车故障诊断方法。

背景技术

叉车是工业中常见的生产搬运车辆，广泛应用于港口、车站、机场、货场、工厂车间、仓库、流通中心和配送中心等，可完成对成件托盘货物进行装卸、堆垛和短距离运输等作业。普通叉车的电路设备在工作过程中容易产生电火花，而且部分零部件在工作过程中放热可能引起局部较高的温度。这两个问题也决定了普通叉车无法在一些粉尘浓度较高的场合，或者爆炸性气体的生产、运输和仓储中的使用。随着石油、化工行业的发展和化工原料品种的不断增加，为了解决这些对防爆要求较高的工业生产过程中的搬运问题，必须设计和研发满足高可靠性防爆要求的智能防爆叉车。

为提高防爆叉车的安全性，往往在叉车运行过程中需要温度传感器对叉车的高发热零部件(如车灯、行驶电机、油泵电机、电路主板等)进行温度监控。

现有的防爆叉车在故障诊断主要由专业的技术人员进行人工排查，往往诊断时间周期长，且排查难度大。

发明内容

为了解决背景技术中存在的问题和需求，本发明利用防爆叉车已有的安全温度监控信息，对防爆叉车的重点零部件提供了一种高效准确的故障类型和故障严重程度同时进行诊断的方法。

本发明的故障诊断方法，综合了基于一维卷积神经网络模型的故障诊断方法和基于集群标准偏差分析的故障诊断方法。

本发明采用的技术方案如下：

本发明包括以下步骤：

1)选择多个同种类型并且不同故障等级的防爆叉车零件；

2)测量一种类型的防爆叉车零件在工作开始到工作结束的温度上升数据，作为防爆叉车零件的温升信息，不同故障等级的防爆叉车零件的网络故障等级参数A不同；

3)将防爆叉车零件的温升信息和对应故障等级的网络故障等级参数A同时输入到一维卷积神经网络模型进行训练，获得该防爆叉车零件对应的训练后的一维卷积神经网络模型；

4)对剩余类型的防爆叉车零件重复步骤1)和2)，分别获得不同类型的防爆叉车零件对应的训练后的一维卷积神经网络模型；

5)在工作现场，采集一种类型的防爆叉车零件正常工作时的温升信息，将温升信息输入到该防爆叉车零件对应的训练后的一维卷积神经网络模型中，训练后的一维卷积神经网络模型输出该防爆叉车零件的网络故障等级参数A；

6)计算步骤1)中同种类型的所有防爆叉车零件的温升信息的平均温度和标准偏差，该类型防爆叉车零件的平均温度和标准偏差作为该类型防爆叉车零件的零件集群信息；

7)对剩余类型的所有防爆叉车零件重复步骤5)，分别获得不同类型的防爆叉车零件对应的零件集群信息；

8)对步骤5)中在工作现场采集防爆叉车零件的温升信息根据该类型的零件集群信息进行判断，输出集群故障等级参数B；

9)利用该防爆叉车零件的网络故障等级参数A和集群故障等级参数B进行最终故障诊断，获得最终诊断结果C，根据最终诊断结果C对该防爆叉车零件进行故障诊断。