[go: up one dir, main page]

CN113705711A - 一种特种装备关重件故障预测方法及其故障预测系统 - Google Patents

一种特种装备关重件故障预测方法及其故障预测系统 Download PDF

Info

Publication number
CN113705711A
CN113705711A CN202111027678.5A CN202111027678A CN113705711A CN 113705711 A CN113705711 A CN 113705711A CN 202111027678 A CN202111027678 A CN 202111027678A CN 113705711 A CN113705711 A CN 113705711A
Authority
CN
China
Prior art keywords
fault
feature
fault prediction
central shaft
wheel disc
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
Application number
CN202111027678.5A
Other languages
English (en)
Other versions
CN113705711B (zh
Inventor
王鹏
张宁超
巩兆伟
解孟其
任娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Technological University
Original Assignee
Xian Technological University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Technological University filed Critical Xian Technological University
Priority to CN202111027678.5A priority Critical patent/CN113705711B/zh
Publication of CN113705711A publication Critical patent/CN113705711A/zh
Application granted granted Critical
Publication of CN113705711B publication Critical patent/CN113705711B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2115—Selection of the most significant subset of features by evaluating different subsets according to an optimisation criterion, e.g. class separability, forward selection or backward elimination
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F41—WEAPONS
    • F41A—FUNCTIONAL FEATURES OR DETAILS COMMON TO BOTH SMALLARMS AND ORDNANCE, e.g. CANNONS; MOUNTINGS FOR SMALLARMS OR ORDNANCE
    • F41A31/00—Testing arrangements
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种特种装备关重件故障预测方法及其故障预测系统，包括以下步骤：首先通过环境模拟设备模拟复杂的工作环境，再利用信息收集装置进行复杂环境下多参数并行测试；接着要对采集到的原始数据进行预处理，再针对复杂环境下原始的故障特征数据构建原始的故障特征全集，然后计算原始特征集中所有特征量的互信息，分别找到满足规则下的特征，选取最优加权特征子集，最后将得到的有用信息与历史数据进行比对融合，交由回归模型进行处理，得到包含故障特征的诊断信号，供决策系统调度；本发明针对复杂环境下关重件状态监控未知特性和多元性，将关重件故障问题的产生过程利用数据进行分析、建模和管理，从解决可见的问题到避免可见的问题。

Description

一种特种装备关重件故障预测方法及其故障预测系统
技术领域
本发明涉及军用设备管理领域，特别是一种特种装备关重件故障预测方法及其故障预测系统。
背景技术
特种装备关键重要部件(文中简称为关重件)故障诊断缺乏从状态监控向健康管理的转变，尚未形成完整的预测残余寿命，决策维修活动的系统化管理。目前采用故障事后开箱解体方式检测诊断，不但检测与维修成本高，周期比较长，而且容易受到不确定性因素的影响，有必要发展一种快速、高效的关重件故障预测与健康管理系统。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种特种装备关重件故障预测方法及其故障预测系统，快速、高效。
技术方案：为实现上述目的，本发明的一种特种装备关重件故障预测方法及其故障预测系统，包括以下步骤：
第一步骤，构建智能化数据监控框架；首先通过环境模拟设备模拟特种作战的实战环境，再利用信息收集装置进行复杂环境下多参数并行测试；
第二步骤，识别与提取关重件早期故障信号的特征：首先要对采集到的原始数据进行预处理，再针对复杂环境下原始的故障特征数据构建原始的故障特征全集并确定故障数据，然后假定最优的故障特征集合的个数小于全集中故障特征量总数，计算原始特征集中所有特征量的互信息，选取互信息计算故障特征集中的所有特征量，分别找到满足规则下的特征，选取最优特征子集；最后通过搜索算法确定最优的加权特征子集；
其中互信息的计算：假设给定随机变量x和y，其概率密度为p(x)和p(y)，联合概率密度为p(x,y)，则两者间互信息为：
Figure BDA0003243940520000011
MRMR判定准则定义相关和冗余表达式为：
Figure BDA0003243940520000012
Figure BDA0003243940520000021
其中选取最优加权特征子集：设相关性的权重为μ，则：
Figure BDA0003243940520000022
式中S为特征集合，|S|为特征集合中的元素个数，c为样本类别，I(xi,c)为特征 i与样本类别c间的互信息，I(xi,xj)为特征i和特征j间的互信息，D是特征与样本间的相关程度，为S中各个特征与c互信息的均值；R是特征的冗余度，为S中所有特征的互信息；
第三步骤，关重件健康状态预测：首先将得到的有用信息与历史数据进行比对融合，交由基于LS-SVM方法的故障预测回归模型进行处理，得到包含故障特征的诊断信号，供决策系统调度；
其中基于LS-SVM方法的故障预测回归模型，其回归函数为：
Figure BDA0003243940520000023
其中：
Figure BDA0003243940520000024
相应的最优分类函数为：
Figure BDA0003243940520000025
进一步地，第二步骤中对采集到的原始数据进行预处理，通过找到共振频带，对原始信号进行降噪：将典型快速谱峭度图算法得到的峭度最大频带的中心频率和带宽作为共振解调带通滤波器的参数。通过共振解调技术找到采集的振动信号中的故障信号和系统中相同频率固有振荡产生的高频共振信息，然后分离故障特征信号，进行频谱分析，判断故障的类型。
进一步地，所述环境模拟设备包括设备本体，所述设备本体的侧壁偏中下部设置入口，所述入口向所述设备本体内连通于传送腔，所述传送腔为“凹”字形腔体，所述传送腔通过“凹”字形顶端的两个开口连通于设置于所述传送腔上方的模拟室，所述传送腔与所述模拟室连通形成回形腔，所述回形腔内设置竖直平面内的环形循环转送系统，通过所述环形循环转送系统传送震动试验台于所述入口与所述模拟室之间，所述模拟室从所述设备本体的测试端向缓冲端扩散延伸形成喇叭状，在所述模拟室的喇叭口端设置有所述缓冲室；
所述缓冲室内设置多个平行的滑槽，且所述滑槽在侧壁上对应设置开口，所述滑槽内插入橡胶缓冲板。
进一步地，所述环形循环转送系统包括设置于所述传送腔底部且上表面持平于所述入口的长传送带，以及设置于所述传送腔上端两开口之间的短传送带，所述长传送带靠近缓冲室的一端设置抬升机构，所述抬升机构竖直向上延伸至所述短传送带的一端，所述短传送带的另一端设置下放机构，所述下放机构竖直向下延伸至所述长传送带远离缓冲室的一端。
进一步地，所述抬升机构以及所述下放机构都由若干个竖直设置的履带组合而成，所述履带设置于所述长传送带的两侧，且所述履带表面设置有支撑块；
所述抬升机构在所述长传送带靠近缓冲室的一端两侧设置相同数量的所述履带，且其所包含的所述履带表面的所述支撑块在靠近所述长传送带的一侧同步向上运动；
所述下放机构在所述长传送带远离缓冲室的一端两侧设置相同数量的所述履带，且其所包含的所述履带表面的所述支撑块在靠近所述长传送带的一侧同步向下运动；
所述支撑块上表面内嵌移动轮，所述移动轮表面环绕设置多个凸触，两个所述凸触位于同一水平面时，所述凸触和所述震动试验台的接触面与所述支撑块的上表面位于同一平面。
进一步地，所述震动试验台包括底座，所述底座上端面设置移动座，所述移动座通过拉杆油缸驱动往复移动，所述移动座上端面排列设置多个支架，用于固定待测器械。
进一步地，所述信息收集装置包括装置本体，所述装置本体外侧壁开设一排开口，所述开口分别对应设置于所述装置本体内部的若干腔室，所述腔室沿所述装置本体中心轴线线性排列，且所述腔室之间通过筋板相隔，沿所述中心轴线设置中心轴，所述中心轴贯穿所有所述腔室；每个所述腔室内通过自动回收装置对应装载不同种类的传感器，所述自动回收装置套设于所述中心轴上，所述传感器通过装载于装置本体内部的集成电路连接于数字显示屏，所述装置本体外壁设置安装卡扣，用于固定装置本体。
进一步地，所述自动回收装置包括自动回收结构以及轮盘，所述轮盘套设于中心轴上，所述轮盘上缠绕弹性带，所述弹性带一端固定于所述带轮表面，另一端固定连接所述传感器，所述传感器固定于卡板内侧面，卡板贴合于所述开口处，所述轮盘一侧驱动安装所述自动回收结构。
进一步地，所述自动回收结构包括固定安装于所述轮盘一侧的转动拨盘，所述转动拨盘套设于所述中心轴上，且所述转动拨盘转动安装于回转腔内，所述回转腔开设于所述轮盘一侧的筋板上，所述回转腔的环形内壁上环绕设置多个滑道，所述滑道末端设置弹簧，所述弹簧一端固定于所述滑道末端，另一端固定连接滑块，所述滑块滑动设置于所述滑道内，所述滑块的端面上设置推杆，所述推杆延伸至所述回转腔内，所述推杆的末端抵住所述转动拨盘的拨动面；
所述转动拨盘包括套设于所述中心轴上的转动盘，所述转动盘上环绕设置多个收缩槽，所述收缩槽内对应设置拨块，所述拨块一端铰接于收缩槽槽口处，摆动端则通过设置于所述收缩槽内的弹性件抵住凸出所述收缩槽；所述拨块为鱼鳍状，包括短而陡的拨动面以及长而平缓的受压面。
进一步地，所述中心轴转动设置，且一端延伸出所述装置本体侧壁，所述延伸端安装转把，所述中心轴与轮盘的啮合面上分别向所述中心轴内部与所述轮盘内部开设一排沿轴线排列的直孔，所述直孔沿半径方向设置，所述中心轴内的直孔内滑动设置长度短于孔深的铁轴，且所述中心轴的直孔末端设置电磁铁，所有所述电磁铁通过安装于所述转把上的开关控制，所述轮盘内的直孔内滑动设置长度短于孔深的铜轴，所述中心轴与所述轮盘内的直孔通过所述中心轴与所述轮盘的相对转动对应啮合。
有益效果：本发明的一种特种装备关重件故障预测方法及其故障预测系统，针对复杂环境下关重件状态监控未知特性和多元性，将关重件故障问题的产生过程利用数据进行分析、建模和管理，从解决可见的问题到避免可见的问题；通过模型增强数据，首先利用蒙特卡洛(MC)，马尔科夫蒙特卡洛(MCMC)等高维空间采样方法从不同种类的先验知识中采样，对多源数据进行增强。开展故障诊断先验知识与多源数据的冲突消解技术，使得先验知识能够最大程度地弥补和增强多源数据中所缺失的信息，使得故障诊断先验知识与多源数据充分融合。
附图说明
附图1为故障预测方法框图；
附图2为环境模拟设备的结构图；
附图3为环形循环转送系统的结构图；
附图4为抬升机构的结构图；
附图5为支撑块的结构图；
附图6为震动实验座的结构图；
附图7为信息收集装置的结构图；
附图8为自动回收装置的结构图；
附图9为自动回收结构的结构图；
附图10为直孔啮合关系结构图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如附图1-10所述的一种特种装备关重件故障预测方法及其故障预测系统，包括以下步骤：
第一步骤，构建智能化数据监控框架；首先通过环境模拟设备模拟复杂的工作环境，再利用信息收集装置进行复杂环境下多参数并行测试；
第二步骤，识别与提取关重件早期故障信号的特征：首先要对采集到的原始数据进行预处理，再针对复杂环境下原始的故障特征数据构建原始的故障特征全集并确定故障数据，然后假定最优的故障特征集合的个数小于全集中故障特征量总数，计算原始特征集中所有特征量的互信息，选取互信息计算故障特征集中的所有特征量，分别找到满足规则下的特征，选取最优特征子集；最后通过搜索算法确定最优的加权特征子集；
其中互信息的计算：假设给定随机变量x和y，其概率密度为p(x)和p(y)，联合概率密度为p(x,y)，则两者间互信息为：
Figure BDA0003243940520000051
MRMR判定准则定义相关和冗余表达式为：
Figure BDA0003243940520000052
Figure BDA0003243940520000053
其中选取最优加权特征子集：设相关性的权重为μ，则：
Figure BDA0003243940520000054
式中S为特征集合，|S|为特征集合中的元素个数，c为样本类别，I(xi,c)为特征 i与样本类别c间的互信息，I(xi,xj)为特征i和特征j间的互信息，D是特征与样本间的相关程度，为S中各个特征与c互信息的均值；R是特征的冗余度，为S中所有特征的互信息；
第三步骤，关重件健康状态预测：首先将得到的有用信息与历史数据进行比对融合，交由基于LS-SVM方法的故障预测回归模型进行处理，得到包含故障特征的诊断信号，供决策系统调度；
其中基于LS-SVM方法的故障预测回归模型，其回归函数为：
Figure BDA0003243940520000055
其中：
Figure BDA0003243940520000061
相应的最优分类函数为：
Figure BDA0003243940520000062
第二步骤中对采集到的原始数据进行预处理，通过找到共振频带，对原始信号进行降噪；将典型快速谱峭度图算法得到的峭度最大频带的中心频率和带宽作为共振解调带通滤波器的参数。通过共振解调技术找到采集的振动信号中的故障信号和系统中相同频率固有振荡产生的高频共振信息，然后分离故障特征信号，进行频谱分析，判断故障的类型。
所述环境模拟设备包括设备本体13，所述设备本体13的侧壁偏中下部设置入口13-1，所述入口13-1向所述设备本体13内连通于传送腔13-2，所述传送腔13-2为“凹”字形腔体，所述传送腔13-2通过“凹”字形顶端的两个开口连通于设置于所述传送腔 13-2上方的模拟室11，所述传送腔13-2与所述模拟室11连通形成回形腔，所述回形腔内设置竖直平面内的环形循环转送系统14，通过所述环形循环转送系统14传送震动试验台15于所述入口13-1与所述模拟室11之间，所述模拟室11从所述设备本体13的测试端向缓冲端扩散延伸形成喇叭状，在所述模拟室11的喇叭口端设置有所述缓冲室12；
该设备用于模拟特种作战实战时面临的复杂环境，通过模拟室提供高低温环境模拟，通过震动试验台模拟随车运输时遭受的强烈冲击以及震动，通过向外延伸呈喇叭状的模拟室，提供具有足够射击范围的密闭实验室，通过末端的缓冲室，有效的降低子弹速度，起到拦截的作用，能够相对的缩短射击距离，从而缩短模拟室的延伸长度，从而减小设备的占地面积，通过环形的循环转送装置，使得测试前的安装准备工作和测试能够同时进行，互不干扰，提高了测试的效率。
所述缓冲室12内设置多个平行的滑槽12-1，且所述滑槽12-1在侧壁上对应设置开口12-2，所述滑槽内插入橡胶缓冲板12-3；
利用橡胶作为缓冲介质，有效的拦截子弹，同时便于子弹的回收，插入式带滑槽设置方便橡胶缓冲板的更换。
所述环形循环转送系统14包括设置于所述传送腔13-2底部且上表面持平于所述入口13-1的长传送带14-1，以及设置于所述传送腔13-2上端两开口之间的短传送带14-2，所述长传送带14-1靠近缓冲室12的一端设置抬升机构14-3，所述抬升机构14-3竖直向上延伸至所述短传送带14-2的一端，所述短传送带14-2的另一端设置下放机构14-4，所述下放机构14-4竖直向下延伸至所述长传送带14-1远离缓冲室12的一端；
使用传送带驱动更平稳，由于射击测试和实验前的安装准备工作都需要一定的时间，且具有时间差，通过传送带以及多个震动试验台可以弥补中间的时间差，将装载好待测器械的一个震动试验台作为一个实验组，当一个实验组在进行测试时，多个实验组处于待测状态，同时又有新的实验组在加入：通过从入口送入实验组，再由长传送带输送至“待测区域”，再由抬升机构依次推送至测试位置，而测试完的实验组，则由短传送带输送至“待卸区域”，由下放机构向下输送至长传送带，再有长传送带输送至入口，监测人员从入口取出测试过的实验组，再换上新的实验组，高效方便，且不影响测试过程。
所述抬升机构14-3以及所述下放机构14-4都由若干个竖直设置的履带16组合而成，所述履带16设置于所述长传送带14-1的两侧，且所述履带16表面设置有支撑块 16-1；
将履带表面的支撑块之间的见那个距离作为单位距离，通过传感器控制驱动履带转动，由于震动试验台的宽度大于传送带宽度，所以震动试验台放置于长传送带和短传送带上时，两端超出传送带边界，当震动试验台运动到支撑块上方时，通过传感器感应控制履带同步运动一个单位距离，使得下一组支撑块上端面与传送带表面持平。
所述抬升机构14-3在所述长传送带14-1靠近缓冲室12的一端两侧设置相同数量的所述履带16，且其所包含的所述履带16表面的所述支撑块16-1在靠近所述长传送带 14-1的一侧同步向上运动；
所述下放机构14-4在所述长传送带14-1远离缓冲室12的一端两侧设置相同数量的所述履带16，且其所包含的所述履带16表面的所述支撑块16-1在靠近所述长传送带 14-1的一侧同步向下运动；
所述支撑块16-1上表面内嵌移动轮16-2，所述移动轮16-2表面环绕设置多个凸触16-3，两个所述凸触16-3位于同一水平面时，所述凸触16-3和所述震动试验台15的接触面与所述支撑块16-1的上表面位于同一平面；
所述凸触表面通过设置橡胶套具有较大的摩擦力，当一个实验组测试结束时，该实验组所对应的四个支撑块上的移动轮转动，通过移动轮表面的凸触将震动试验台抬起并推向短传送带。
所述震动试验台15包括底座15-1，所述底座15-1上端面设置移动座15-2，所述移动座15-2通过拉杆油缸驱动往复移动，所述移动座15-2上端面排列设置多个支架15-3，用于固定待测器械；
将特种装备通过支架固定于移动座上，通过一动作高速的往复移动，模拟特种装备车载遇到恶劣路况受到的强烈冲击，通过机械手扣动扳机来进行实战射击模拟。
所述信息收集装置包括装置本体21，所述装置本体21外侧壁开设一排开口21-1，所述开口21-1分别对应设置于所述装置本体21内部的若干腔室21-2，所述腔室21-2 沿所述装置本体21中心轴线线性排列，且所述腔室21-2之间通过筋板相隔，沿所述中心轴线设置中心轴21-3，所述中心轴21-3贯穿所有所述腔室21-2；每个所述腔室21-2 内通过自动回收装置24对应装载不同种类的传感器23，所述自动回收装置24套设于所述中心轴21-3上，所述传感器23通过装载于装置本体21内部的集成电路连接于数字显示屏25，所述装置本体21外壁设置安装卡扣22，用于固定装置本体21；
作为一种直接针对于特种装备的信息采集装置，可作为配备于特种装备上的监测配件，通过安装卡扣可以将装置固定安装于枪身上，该装置将不同种类的传感器集成于一体，且相互之间不受干扰，可以满足多信息的并行监测，并且可以记录数据，通过数字显示屏调取显示，通过自动回收装置，可以方便传感器的取用和回收，可以有针对性的对单一特种装备进行数据分析，且在模拟环境下进行信息采集时不需要额外的监测设备，只需将配备有该信息采集装置的特种装备放置到环境模拟设备内即可。
所述自动回收装置24包括自动回收结构26以及轮盘24-1，所述轮盘24-1套设于中心轴21-3上，所述轮盘24-1上缠绕弹性带24-2，所述弹性带24-2一端固定于所述带轮24-1表面，另一端固定连接所述传感器23，所述传感器23固定于卡板27内侧面，卡板27贴合于所述开口21-1处，所述轮盘24-1一侧驱动安装所述自动回收结构26；
通过卡板将传感器固定于开口处，卡板起到密封开口的作用，且传感器藏于腔室内受到了保护，同时弹性带给予卡板一定的拉力，使得卡板能够更好的贴合于开口，取用时，通过拉动卡板表面的指环，将传感器拉出，弹性带拉伸同时带动轮盘转动，触发自动回收结构产生回弹力，使得轮盘有回转的趋势，由于传感器采集数据时固定于监测目标表面，牵制轮盘无法回转，当使用结束后，只要撤去拉力，轮盘就会在回弹力的作用下自动回转，同时带动弹性带缠绕于轮盘，从而达到使传感器回收的效果。
所述自动回收结构26包括固定安装于所述轮盘24-1一侧的转动拨盘26-1，所述转动拨盘26-1套设于所述中心轴21-3上，且所述转动拨盘26-1转动安装于回转腔26-2 内，所述回转腔26-2开设于所述轮盘24-1一侧的筋板上，所述回转腔26-2的环形内壁上环绕设置多个滑道26-3，所述滑道26-3末端设置弹簧26-4，所述弹簧26-4一端固定于所述滑道26-3末端，另一端固定连接滑块26-5，所述滑块26-5滑动设置于所述滑道 26-3内，所述滑块26-5的端面上设置推杆26-6，所述推杆26-6延伸至所述回转腔26-2 内，所述推杆26-6的末端抵住所述转动拨盘26-1的拨动面26-10；
通过轮盘的转动，带动转动拨盘转动，使得拨动面接触推杆，推动滑块沿滑道滑动，同时压缩弹簧，使弹簧产生回弹力，多个这样的结构环绕设置，产生足够的回转力，使得轮盘具有回转的趋势。
所述转动拨盘26-1包括套设于所述中心轴21-3上的转动盘26-7，所述转动盘26-7上环绕设置多个收缩槽26-9，所述收缩槽26-9内对应设置拨块26-8，所述拨块26-8一端铰接于收缩槽26-9槽口处，摆动端则通过设置于所述收缩槽26-9内的弹性件抵住凸出所述收缩槽26-9；所述拨块26-8为鱼鳍状，包括短而陡的拨动面26-10以及长而平缓的受压面26-11；
使得转动盘沿拨动方向转动时，拨块处于弹出状态，短而陡的拨动面能够正常接触推杆，推动滑块滑动，而反向转动时，长而平缓的受压面接触推杆使得拨块摆动端逐渐收缩至收缩槽内，避免反转受阻。
所述中心轴21-3转动设置，且一端延伸出所述装置本体21侧壁，所述延伸端安装转把28，所述中心轴21-3与轮盘24-1的啮合面上分别向所述中心轴21-3内部与所述轮盘24-21内部开设一排沿轴线排列的直孔，所述直孔沿半径方向设置，所述中心轴21-3 内的直孔内滑动设置长度短于孔深的铁轴29，且所述中心轴21-3的直孔末端设置电磁铁29-1，所有所述电磁铁29-1通过安装于所述转把28上的开关控制，所述轮盘24-1 内的直孔内滑动设置长度短于孔深的铜轴29-2，所述中心轴21-3与所述轮盘24-1内的直孔通过所述中心轴21-3与所述轮盘24-1的相对转动对应啮合；
当传感器处于回收状态时，所述中心轴1-3与所述轮盘4-1内的直孔刚好啮合，且所述中心轴1-3内的直孔在上，所述轮盘4-1内的直孔在下，通常情况下，所述中心轴 1-3内的直孔内的铁轴通过电磁铁吸附于直孔底部，且中心轴保持着直孔孔口朝下的趋势，此时轮盘和中心轴能够保持相对转动的关系，作为一种预防突发情况的措施，当在实战演习中，装置受到强烈冲击而导致自动回收结构内的弹簧卡死或断裂，从而无法自动回弹时，我们可以通过手动转动转把临时将传感器收回，具体操作如下：通过转把上的开关关闭电磁铁，使得铁轴能自由滑动，转动转把一周，使得铜轴或铁轴落入相对的直孔内，就可以通过转动转把带动中心轴转动，同时带动轮盘转动，使得传感器收回。
上述描述作为本发明的优选实施例，对于本领域普通技术人员，可以在不脱离本发明的原理下做出若干改进和修饰，这些改进和修饰还视为本发明的保护范围。

Claims (10)

1.一种特种装备关重件故障预测方法，其特征在于：包括以下步骤：
第一步骤，构建智能化数据监控框架；首先通过环境模拟设备模拟复杂的工作环境，再利用信息收集装置进行复杂环境下多参数并行测试；
第二步骤，识别与提取关重件早期故障信号的特征：首先要对采集到的原始数据进行预处理，再针对复杂环境下原始的故障特征数据构建原始的故障特征全集并确定故障数据，然后假定最优的故障特征集合的个数小于全集中故障特征量总数，计算原始特征集中所有特征量的互信息，选取互信息计算故障特征集中的所有特征量，分别找到满足规则下的特征，选取最优特征子集；最后通过搜索算法确定最优的加权特征子集；
其中互信息的计算：假设给定随机变量x和y，其概率密度为p(x)和p(y)，联合概率密度为p(x,y)，则两者间互信息为：
Figure FDA0003243940510000011
MRMR判定准则定义相关和冗余表达式为：
Figure FDA0003243940510000012
Figure FDA0003243940510000013
其中选取最优加权特征子集：设相关性的权重为μ，则：
Figure FDA0003243940510000014
式中S为特征集合，|S|为特征集合中的元素个数，c为样本类别，I(xi,c)为特征i与样本类别c间的互信息，I(xi,xj)为特征i和特征j间的互信息，D是特征与样本间的相关程度，为S中各个特征与c互信息的均值；R是特征的冗余度，为S中所有特征的互信息；
第三步骤，关重件健康状态预测：首先将得到的有用信息与历史数据进行比对融合，交由基于LS-SVM方法的故障预测回归模型进行处理，得到包含故障特征的诊断信号，供决策系统调度；
其中基于LS-SVM方法的故障预测回归模型，其回归函数为：
Figure FDA0003243940510000015
其中：
Figure FDA0003243940510000021
相应的最优分类函数为：
Figure FDA0003243940510000022
2.根据权利要求1所述的一种特种装备关重件故障预测方法，其特征在于：第二步骤中对采集到的原始数据进行预处理，通过找到共振频带，对原始信号进行降噪；将典型快速谱峭度图算法得到的峭度最大频带的中心频率和带宽作为共振解调带通滤波器的参数。通过共振解调技术找到采集的振动信号中的故障信号和系统中相同频率固有振荡产生的高频共振信息，然后分离故障特征信号，进行频谱分析，判断故障的类型。
3.根据权利要求1-2任意项所述的一种特种装备关重件故障预测方法中的故障预测系统，其特征在于：所述环境模拟设备包括设备本体(13)，所述设备本体(13)的侧壁偏中下部设置入口(13-1)，所述入口(13-1)向所述设备本体(13)内连通于传送腔(13-2)，所述传送腔(13-2)为“凹”字形腔体，所述传送腔(13-2)通过“凹”字形顶端的两个开口连通于设置于所述传送腔(13-2)上方的模拟室(11)，所述传送腔(13-2)与所述模拟室(11)连通形成回形腔，所述回形腔内设置竖直平面内的环形循环转送系统(14)，通过所述环形循环转送系统(14)传送震动试验台(15)于所述入口(13-1)与所述模拟室(11)之间，所述模拟室(11)从所述设备本体(13)的测试端向缓冲端扩散延伸形成喇叭状，在所述模拟室(11)的喇叭口端设置有所述缓冲室(12)；
所述缓冲室(12)内设置多个平行的滑槽(12-1)，且所述滑槽(12-1)在侧壁上对应设置开口(12-2)，所述滑槽内插入橡胶缓冲板(12-3)。
4.根据权利要求3所述的一种特种装备关重件故障预测方法中的故障预测系统，其特征在于：所述环形循环转送系统(14)包括设置于所述传送腔(13-2)底部且上表面持平于所述入口(13-1)的长传送带(14-1)，以及设置于所述传送腔(13-2)上端两开口之间的短传送带(14-2)，所述长传送带(14-1)靠近缓冲室(12)的一端设置抬升机构(14-3)，所述抬升机构(14-3)竖直向上延伸至所述短传送带(14-2)的一端，所述短传送带(14-2)的另一端设置下放机构(14-4)，所述下放机构(14-4)竖直向下延伸至所述长传送带(14-1)远离缓冲室(12)的一端。
5.根据权利要求4所述的一种特种装备关重件故障预测方法中的故障预测系统，其特征在于：所述抬升机构(14-3)以及所述下放机构(14-4)都由若干个竖直设置的履带(16)组合而成，所述履带(16)设置于所述长传送带(14-1)的两侧，且所述履带(16)表面设置有支撑块(16-1)；
所述抬升机构(14-3)在所述长传送带(14-1)靠近缓冲室(12)的一端两侧设置相同数量的所述履带(16)，且其所包含的所述履带(16)表面的所述支撑块(16-1)在靠近所述长传送带(14-1)的一侧同步向上运动；
所述下放机构(14-4)在所述长传送带(14-1)远离缓冲室(12)的一端两侧设置相同数量的所述履带(16)，且其所包含的所述履带(16)表面的所述支撑块(16-1)在靠近所述长传送带(14-1)的一侧同步向下运动；
所述支撑块(16-1)上表面内嵌移动轮(16-2)，所述移动轮(16-2)表面环绕设置多个凸触(16-3)，两个所述凸触(16-3)位于同一水平面时，所述凸触(16-3)和所述震动试验台(15)的接触面与所述支撑块(16-1)的上表面位于同一平面。
6.根据权利要求5所述的一种特种装备关重件故障预测方法中的故障预测系统，其特征在于：所述震动试验台(15)包括底座(15-1)，所述底座(15-1)上端面设置移动座(15-2)，所述移动座(15-2)通过拉杆油缸驱动往复移动，所述移动座(15-2)上端面排列设置多个支架(15-3)，用于固定待测器械。
7.根据权利要求1所述的一种特种装备关重件故障预测方法中的故障预测系统，其特征在于：所述信息收集装置包括装置本体(21)，所述装置本体(21)外侧壁开设一排开口(21-1)，所述开口(21-1)分别对应设置于所述装置本体(21)内部的若干腔室(21-2)，所述腔室(21-2)沿所述装置本体(21)中心轴线线性排列，且所述腔室(21-2)之间通过筋板相隔，沿所述中心轴线设置中心轴(21-3)，所述中心轴(21-3)贯穿所有所述腔室(21-2)；每个所述腔室(21-2)内通过自动回收装置(24)对应装载不同种类的传感器(23)，所述自动回收装置(24)套设于所述中心轴(21-3)上，所述传感器(23)通过装载于装置本体(21)内部的集成电路连接于数字显示屏(25)，所述装置本体(21)外壁设置安装卡扣(22)，用于固定装置本体(21)。
8.根据权利要求7所述的一种特种装备关重件故障预测方法中的故障预测系统，其特征在于：所述自动回收装置(24)包括自动回收结构(26)以及轮盘(24-1)，所述轮盘(24-1)套设于中心轴(21-3)上，所述轮盘(24-1)上缠绕弹性带(24-2)，所述弹性带(24-2)一端固定于所述带轮(24-1)表面，另一端固定连接所述传感器(23)，所述传感器(23)固定于卡板(27)内侧面，卡板(27)贴合于所述开口(21-1)处，所述轮盘(24-1)一侧驱动安装所述自动回收结构(26)。
9.根据权利要求8所述的一种特种装备关重件故障预测方法中的故障预测系统，其特征在于：所述自动回收结构(26)包括固定安装于所述轮盘(24-1)一侧的转动拨盘(26-1)，所述转动拨盘(26-1)套设于所述中心轴(21-3)上，且所述转动拨盘(26-1)转动安装于回转腔(26-2)内，所述回转腔(26-2)开设于所述轮盘(24-1)一侧的筋板上，所述回转腔(26-2)的环形内壁上环绕设置多个滑道(26-3)，所述滑道(26-3)末端设置弹簧(26-4)，所述弹簧(26-4)一端固定于所述滑道(26-3)末端，另一端固定连接滑块(26-5)，所述滑块(26-5)滑动设置于所述滑道(26-3)内，所述滑块(26-5)的端面上设置推杆(26-6)，所述推杆(26-6)延伸至所述回转腔(26-2)内，所述推杆(26-6)的末端抵住所述转动拨盘(26-1)的拨动面(26-10)；
所述转动拨盘(26-1)包括套设于所述中心轴(21-3)上的转动盘(26-7)，所述转动盘(26-7)上环绕设置多个收缩槽(26-9)，所述收缩槽(26-9)内对应设置拨块(26-8)，所述拨块(26-8)一端铰接于收缩槽(26-9)槽口处，摆动端则通过设置于所述收缩槽(26-9)内的弹性件抵住凸出所述收缩槽(26-9)；所述拨块(26-8)为鱼鳍状，包括短而陡的拨动面(26-10)以及长而平缓的受压面(26-11)。
10.根据权利要求9所述的一种特种装备关重件故障预测方法中的故障预测系统，其特征在于：所述中心轴(21-3)转动设置，且一端延伸出所述装置本体(21)侧壁，所述延伸端安装转把(28)，所述中心轴(21-3)与轮盘(24-1)的啮合面上分别向所述中心轴(21-3)内部与所述轮盘(24-21)内部开设一排沿轴线排列的直孔，所述直孔沿半径方向设置，所述中心轴(21-3)内的直孔内滑动设置长度短于孔深的铁轴(29)，且所述中心轴(21-3)的直孔末端设置电磁铁(29-1)，所有所述电磁铁(29-1)通过安装于所述转把(28)上的开关控制，所述轮盘(24-1)内的直孔内滑动设置长度短于孔深的铜轴(29-2)，所述中心轴(21-3)与所述轮盘(24-1)内的直孔通过所述中心轴(21-3)与所述轮盘(24-1)的相对转动对应啮合。
CN202111027678.5A 2021-09-02 2021-09-02 一种特种装备关重件故障预测方法及其故障预测系统 Active CN113705711B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111027678.5A CN113705711B (zh) 2021-09-02 2021-09-02 一种特种装备关重件故障预测方法及其故障预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111027678.5A CN113705711B (zh) 2021-09-02 2021-09-02 一种特种装备关重件故障预测方法及其故障预测系统

Publications (2)

Publication Number Publication Date
CN113705711A true CN113705711A (zh) 2021-11-26
CN113705711B CN113705711B (zh) 2023-08-25

Family

ID=78658931

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111027678.5A Active CN113705711B (zh) 2021-09-02 2021-09-02 一种特种装备关重件故障预测方法及其故障预测系统

Country Status (1)

Country Link
CN (1) CN113705711B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009103156A1 (en) * 2008-02-20 2009-08-27 Mcmaster University Expert system for determining patient treatment response
CN107219446A (zh) * 2017-06-15 2017-09-29 国网重庆市电力公司电力科学研究院 一种基于光声光谱信息的气体绝缘组合电器绝缘故障识别方法
CN107255785A (zh) * 2017-04-28 2017-10-17 南京邮电大学 基于改进mRMR的模拟电路故障诊断方法
CN111795819A (zh) * 2020-06-12 2020-10-20 燕山大学 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009103156A1 (en) * 2008-02-20 2009-08-27 Mcmaster University Expert system for determining patient treatment response
CN107255785A (zh) * 2017-04-28 2017-10-17 南京邮电大学 基于改进mRMR的模拟电路故障诊断方法
CN107219446A (zh) * 2017-06-15 2017-09-29 国网重庆市电力公司电力科学研究院 一种基于光声光谱信息的气体绝缘组合电器绝缘故障识别方法
CN111795819A (zh) * 2020-06-12 2020-10-20 燕山大学 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李兵;张培林;任国全;刘东升;米双山;: "基于互信息的滚动轴承故障特征选择方法", 测试技术学报, no. 02 *
连光耀;吕晓明;黄考利;孙江生;: "基于最小二乘支持向量机的复杂装备故障预测模型研究", 计算机测量与控制, no. 05 *

Also Published As

Publication number Publication date
CN113705711B (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
CN110378052B (zh) 基于循环神经网络考虑未来工况的设备剩余寿命预测方法
US9470659B2 (en) Device and method for detecting an impact on a composite material structure
WO2005124316A3 (en) Method and apparatus for configuring and testing a machine vision detector
CN103940684B (zh) 一种旋转式垂直跌落试验机
CN113705711A (zh) 一种特种装备关重件故障预测方法及其故障预测系统
CN109759359A (zh) 一种新型多功能水果检测分类装置及其使用方法
CN113793097A (zh) 一种货物运输风险的分析方法及系统
CN109441548A (zh) 智能综采设备
CN101603917B (zh) 拉头涂层附着力检测方法及设备
CN119152295A (zh) 一种基于深度学习的振动筛筛网破损监测方法及装置
CN113722380B (zh) 一种特种装备关重件健康管理方法及其验证与监测系统
CN208194898U (zh) 一种药剂科分药装置
CN117665626A (zh) 国产平台下基于大模型的电池续航测试方法及系统
CN110376116A (zh) 一种血液检测时使用的多功能检测仪及其血液检测方法
CN216353381U (zh) 一种基于人工智能的数据预测分析装置
KR101419174B1 (ko) 실외용 입도분포분석기
CN222190106U (zh) 一种数学概率演示装置
RU2035710C1 (ru) Способ испытания замков, используемых в системах летательных аппаратов, на ударные нагрузки
CN111309151B (zh) 一种学校监控设备的控制方法
CN208520667U (zh) 一种用于岩土实验的砂筛分装置
CN120910782A (zh) 一种基于分布式架构的大物理实验装置阵列信号采集与管理系统
CN120180021A (zh) 一种基于人工智能的爆破振动监测数据分析及预警方法
CN105867535A (zh) 电子设备保护方法及装置
CN221368233U (zh) 一种勘察测绘用样品分类收集箱
CN117191316A (zh) 飞机起落架测试用落震试验平台及其落震测试方法

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
GR01 Patent grant
OL01 Intention to license declared
OL01 Intention to license declared