本發(fā)明屬于電力設(shè)備故障檢測(cè)，具體涉及一種彈簧操動(dòng)機(jī)構(gòu)故障檢測(cè)與優(yōu)化方法及相關(guān)裝置。

背景技術(shù)：

1、在ct20彈簧操動(dòng)機(jī)構(gòu)的故障檢測(cè)領(lǐng)域，提升檢測(cè)的準(zhǔn)確性和實(shí)時(shí)性具有重要意義，傳統(tǒng)的故障檢測(cè)方法通常依賴于定期維護(hù)和手動(dòng)檢查，然而，這些方法存在諸多局限性和缺陷。例如，傳統(tǒng)方法難以實(shí)時(shí)監(jiān)測(cè)ct20彈簧操動(dòng)機(jī)構(gòu)的運(yùn)行狀態(tài)，容易出現(xiàn)故障誤報(bào)或漏報(bào)的問題；其次，在對(duì)彈簧操動(dòng)機(jī)構(gòu)運(yùn)行狀態(tài)檢測(cè)時(shí)，只通過(guò)單一種類傳感器采集個(gè)別部件的數(shù)據(jù)，使得檢測(cè)結(jié)果不夠全面，無(wú)法精確地確定故障類型及等級(jí)。為此，提升彈簧操動(dòng)機(jī)構(gòu)的故障檢測(cè)精度和檢測(cè)的自適應(yīng)能力，實(shí)現(xiàn)對(duì)ct20彈簧操動(dòng)機(jī)構(gòu)的實(shí)時(shí)檢測(cè)和故障預(yù)測(cè)，更全面地捕捉設(shè)備運(yùn)行狀態(tài)，減少故障誤報(bào)和漏報(bào)尤為重要。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種彈簧操動(dòng)機(jī)構(gòu)故障檢測(cè)與優(yōu)化方法及相關(guān)裝置，用以解決目前單一數(shù)據(jù)源的依賴使得檢測(cè)結(jié)果不夠全面，無(wú)法實(shí)現(xiàn)實(shí)時(shí)的監(jiān)測(cè)和故障預(yù)測(cè)，造成故障誤報(bào)和漏報(bào)的技術(shù)缺陷。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案予以實(shí)現(xiàn)：

3、第一方面，提供了一種彈簧操動(dòng)機(jī)構(gòu)故障檢測(cè)與優(yōu)化方法，包括：

4、利用應(yīng)力傳感器、速度傳感器和振動(dòng)傳感器，對(duì)彈簧操動(dòng)機(jī)構(gòu)的關(guān)鍵數(shù)據(jù)進(jìn)行實(shí)時(shí)采集；

5、基于采集的所述關(guān)鍵數(shù)據(jù)，構(gòu)建多維數(shù)據(jù)框架，得到多維數(shù)據(jù)集；

6、從得到的所述多維數(shù)據(jù)集進(jìn)行故障特征提取和數(shù)據(jù)分析，并基于提取的所述故障特征構(gòu)建自適應(yīng)故障模型，然后通過(guò)多模態(tài)數(shù)據(jù)融合，得到實(shí)時(shí)故障檢測(cè)結(jié)果；

7、通過(guò)所述實(shí)時(shí)故障檢測(cè)結(jié)果，利用強(qiáng)化學(xué)習(xí)的自動(dòng)校準(zhǔn)和優(yōu)化，對(duì)所述應(yīng)力傳感器、速度傳感器和振動(dòng)傳感器進(jìn)行優(yōu)化。

8、進(jìn)一步地，在所述利用應(yīng)力傳感器對(duì)彈簧操動(dòng)機(jī)構(gòu)的關(guān)鍵數(shù)據(jù)進(jìn)行采集之前，還包括：

9、構(gòu)建彈簧操動(dòng)機(jī)構(gòu)幾何模型，并定義所述彈簧操動(dòng)機(jī)構(gòu)幾何模型中各個(gè)部件的材料屬性，利用有限元分析模擬彈簧操動(dòng)機(jī)構(gòu)在工作載荷下的應(yīng)力分布和變形行為；

10、根據(jù)彈簧操動(dòng)機(jī)構(gòu)的實(shí)際工作狀態(tài)，設(shè)定載荷條件和邊界條件，并對(duì)彈簧操動(dòng)機(jī)構(gòu)幾何模型進(jìn)行網(wǎng)格劃分，生成初步的應(yīng)力分布云圖；

11、利用自適應(yīng)應(yīng)力感知算法，對(duì)所述應(yīng)力分布云圖上的應(yīng)力分布數(shù)據(jù)進(jìn)行分析，自動(dòng)識(shí)別應(yīng)力集中區(qū)域并獲得應(yīng)力分布中各點(diǎn)的梯度值以及應(yīng)力變化顯著區(qū)域；

12、將識(shí)別出的應(yīng)力集中點(diǎn)進(jìn)行聚類處理，使相鄰的高應(yīng)力梯度點(diǎn)組合成為一個(gè)應(yīng)力集中區(qū)域；

13、應(yīng)用assa算法細(xì)化應(yīng)力集中區(qū)域邊界，確定應(yīng)力分布密集區(qū)域，并通過(guò)遺傳優(yōu)化算法確定應(yīng)力傳感器在彈簧操動(dòng)機(jī)構(gòu)上的布置位置。

14、進(jìn)一步地，在所述利用速度傳感器對(duì)彈簧操動(dòng)機(jī)構(gòu)的關(guān)鍵數(shù)據(jù)進(jìn)行采集之前，還包括：

15、利用已布置的應(yīng)變傳感器，獲取彈簧操動(dòng)機(jī)構(gòu)在不同操作狀態(tài)下的初始運(yùn)動(dòng)數(shù)據(jù)，并根據(jù)所述初始運(yùn)動(dòng)數(shù)據(jù)，建立彈簧操動(dòng)機(jī)構(gòu)中彈簧的運(yùn)動(dòng)模型，模擬所述彈簧從靜止、運(yùn)動(dòng)及不同操作條件下的動(dòng)態(tài)行為；

16、采用多模態(tài)運(yùn)動(dòng)分析，實(shí)時(shí)捕捉彈簧操動(dòng)機(jī)構(gòu)中彈簧的運(yùn)動(dòng)軌跡，獲取視覺數(shù)據(jù)，并從所述視覺數(shù)據(jù)中提取關(guān)鍵運(yùn)動(dòng)特征；

17、利用建立的所述彈簧運(yùn)動(dòng)模型，提取彈簧的運(yùn)動(dòng)參數(shù)，并使用卡爾曼濾波器融合所述視覺數(shù)據(jù)和所述運(yùn)動(dòng)參數(shù)；

18、通過(guò)遺傳優(yōu)化算法，確定速度傳感器在彈簧操動(dòng)機(jī)構(gòu)上的布置位置。

19、進(jìn)一步地，在所述利用振動(dòng)傳感器對(duì)彈簧操動(dòng)機(jī)構(gòu)的關(guān)鍵數(shù)據(jù)進(jìn)行采集之前，還包括：

20、使用現(xiàn)有振動(dòng)傳感器或臨時(shí)布置的傳感器，收集彈簧操動(dòng)機(jī)構(gòu)在不同操作條件下的振動(dòng)數(shù)據(jù)；

21、將振動(dòng)數(shù)據(jù)與應(yīng)力數(shù)據(jù)和速度數(shù)據(jù)相結(jié)合，通過(guò)多模態(tài)融合技術(shù)，分析彈簧操動(dòng)機(jī)構(gòu)在不同操作條件下的動(dòng)態(tài)行為；

22、使用多模態(tài)運(yùn)動(dòng)分析算法，識(shí)別出彈簧在不同操作模式下的振動(dòng)模式；

23、對(duì)比不同操作模式下的振動(dòng)模式，確定振動(dòng)最劇烈的操作條件，通過(guò)遺傳優(yōu)化算法確定振動(dòng)傳感器在彈簧操動(dòng)機(jī)構(gòu)上的布置位置。

24、進(jìn)一步地，基于采集的所述關(guān)鍵數(shù)據(jù)，構(gòu)建多維數(shù)據(jù)框架，得到多維數(shù)據(jù)集，具體包括：

25、在應(yīng)力傳感器、速度傳感器和振動(dòng)傳感器布置完成后，利用多頻自適應(yīng)采樣算法，根據(jù)應(yīng)力傳感器、速度傳感器和振動(dòng)傳感器布置位置，動(dòng)態(tài)調(diào)節(jié)關(guān)鍵數(shù)據(jù)采樣頻率，使得應(yīng)力、速度和振動(dòng)多維數(shù)據(jù)被同時(shí)采集；

26、在同時(shí)采集的所述應(yīng)力、速度和振動(dòng)多維數(shù)據(jù)上，構(gòu)建多維數(shù)據(jù)框架，并利用多模態(tài)數(shù)據(jù)融合技術(shù)，對(duì)采集的所述應(yīng)力、速度和振動(dòng)多維數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化整合；

27、將所述標(biāo)準(zhǔn)化后的多維數(shù)據(jù)整合于三維數(shù)據(jù)矩陣中，其中，第一維度為時(shí)間，第二維度為傳感器位置，第三維度為數(shù)據(jù)類型；

28、基于所述三維數(shù)據(jù)矩陣，生成多維數(shù)據(jù)表格，得到多維數(shù)據(jù)集。

29、進(jìn)一步地，從得到的所述多維數(shù)據(jù)集進(jìn)行故障特征提取和數(shù)據(jù)分析，并基于提取的所述故障特征構(gòu)建自適應(yīng)故障模型，然后通過(guò)多模態(tài)數(shù)據(jù)融合，得到實(shí)時(shí)故障檢測(cè)結(jié)果，具體包括：

30、從多維數(shù)據(jù)集中提取應(yīng)力數(shù)據(jù)、速度數(shù)據(jù)和振動(dòng)數(shù)據(jù)故障特征，使用皮爾遜相關(guān)系數(shù)衡量不同故障特征數(shù)據(jù)之間的線性相關(guān)性；

31、將與所有故障特征對(duì)應(yīng)的相關(guān)性計(jì)算結(jié)構(gòu)組成相關(guān)矩陣，識(shí)別出具有相互關(guān)聯(lián)性的故障特征以及包含冗余信息的故障特征；

32、利用隨即森林算法，評(píng)估每個(gè)故障特征在故障預(yù)測(cè)中的重要性，并基于故障特征重要性評(píng)估結(jié)構(gòu)，選擇最重要的故障特征，優(yōu)化故障預(yù)測(cè)效果；

33、基于提取的故障特征，建立自適應(yīng)故障模型，并利用所述自適應(yīng)故障模型，實(shí)時(shí)計(jì)算故障發(fā)生概率；

34、通過(guò)多模態(tài)數(shù)據(jù)融合技術(shù)，對(duì)應(yīng)力數(shù)據(jù)、速度數(shù)據(jù)和振動(dòng)數(shù)據(jù)進(jìn)行綜合分析，得到故障檢測(cè)結(jié)果和警示信息。

35、進(jìn)一步地，通過(guò)所述實(shí)時(shí)故障檢測(cè)結(jié)果，利用強(qiáng)化學(xué)習(xí)的自動(dòng)校準(zhǔn)和優(yōu)化，對(duì)所述應(yīng)力傳感器、速度傳感器和振動(dòng)傳感器進(jìn)行優(yōu)化，具體包括：

36、根據(jù)實(shí)時(shí)故障檢測(cè)結(jié)果和警示信息，利用強(qiáng)化學(xué)習(xí)的自動(dòng)校準(zhǔn)和優(yōu)化對(duì)應(yīng)力傳感器、速度傳感器和振動(dòng)傳感器進(jìn)行自動(dòng)校準(zhǔn)優(yōu)化。

37、第二方面，提供了一種彈簧操動(dòng)機(jī)構(gòu)故障檢測(cè)與優(yōu)化系統(tǒng)，包括：

38、采集模塊，用于實(shí)時(shí)采集彈簧操動(dòng)機(jī)構(gòu)的關(guān)鍵數(shù)據(jù)；

39、框架構(gòu)建模塊，用于基于采集的所述關(guān)鍵數(shù)據(jù)，構(gòu)建多維數(shù)據(jù)框架，得到多維數(shù)據(jù)集；

40、故障特征提取模塊，用于從得到的所述多維數(shù)據(jù)集進(jìn)行故障特征提??；

41、數(shù)據(jù)分析模塊，用于對(duì)多維數(shù)據(jù)集進(jìn)行數(shù)據(jù)分析；

42、模型構(gòu)建模塊，用于構(gòu)建自適應(yīng)故障模型；

43、強(qiáng)化學(xué)習(xí)模塊，用于對(duì)應(yīng)力傳感器、速度傳感器和振動(dòng)傳感器進(jìn)行優(yōu)化。

44、第三方面，提供了一種電子設(shè)備，包括存儲(chǔ)器、處理器以及存儲(chǔ)在所述存儲(chǔ)器中并可在所述處理器中運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)如上所述的彈簧操動(dòng)機(jī)構(gòu)故障檢測(cè)與優(yōu)化方法的步驟。

45、第四方面，提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上所述的彈簧操動(dòng)機(jī)構(gòu)故障檢測(cè)與優(yōu)化方法。

46、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：

47、1、對(duì)彈簧操動(dòng)機(jī)構(gòu)進(jìn)行故障檢測(cè)時(shí)，采用了與彈簧操動(dòng)機(jī)構(gòu)運(yùn)行密切相關(guān)的應(yīng)力傳感器、速度傳感器及振動(dòng)傳感器對(duì)彈簧操動(dòng)機(jī)構(gòu)運(yùn)行的數(shù)據(jù)進(jìn)行實(shí)時(shí)采集，能夠快速的提取出故障數(shù)據(jù)，從而實(shí)現(xiàn)對(duì)彈簧操動(dòng)機(jī)構(gòu)故障的快速檢測(cè)和警示；其次，在故障檢測(cè)過(guò)程中，通過(guò)結(jié)合三種不同類型的采集數(shù)據(jù)，進(jìn)一步提高了檢測(cè)結(jié)果的全面性和精準(zhǔn)性，避免了誤報(bào)和漏報(bào)的問題；最后，結(jié)合自適應(yīng)故障模型，多模態(tài)運(yùn)動(dòng)分析算法以及基于強(qiáng)化學(xué)習(xí)的自動(dòng)校準(zhǔn)與優(yōu)化，能夠在設(shè)備運(yùn)行過(guò)程中實(shí)時(shí)獲取和分析關(guān)鍵數(shù)據(jù)，大大提高了故障檢測(cè)的時(shí)效性，同時(shí)也能對(duì)傳感器進(jìn)行優(yōu)化，確保在數(shù)據(jù)采集過(guò)程中的可靠性。

48、2、通過(guò)構(gòu)建精確的彈簧操動(dòng)機(jī)構(gòu)幾何模型，并詳細(xì)定義各部件的材料屬性，為后續(xù)的有限元分析提供了堅(jiān)實(shí)的基礎(chǔ)，確保了模擬結(jié)果的準(zhǔn)確性和可靠性；同時(shí)，利用有限元分析模擬彈簧操動(dòng)機(jī)構(gòu)在工作載荷下的應(yīng)力分布和變形行為，能夠直觀地展示機(jī)構(gòu)在不同工況下的應(yīng)力狀態(tài)，有助于提前發(fā)現(xiàn)潛在的應(yīng)力集中區(qū)域和變形趨勢(shì)，為預(yù)防故障提供重要參考。而根據(jù)彈簧操動(dòng)機(jī)構(gòu)的實(shí)際工作狀態(tài)設(shè)定載荷條件和邊界條件，使得模擬結(jié)果更加貼近實(shí)際情況，提高了分析的針對(duì)性和實(shí)用性；并且，通過(guò)自適應(yīng)應(yīng)力感知算法對(duì)應(yīng)力分布云圖上的數(shù)據(jù)進(jìn)行深入分析，自動(dòng)識(shí)別應(yīng)力集中區(qū)域和應(yīng)力變化顯著區(qū)域，不僅提高了應(yīng)力識(shí)別的精度和效率，還減少了人為干預(yù)和誤差，為后續(xù)的傳感器布置提供了更加精確的目標(biāo)區(qū)域。

49、3、基于初始運(yùn)動(dòng)數(shù)據(jù)建立的彈簧運(yùn)動(dòng)模型，能夠模擬彈簧從靜止、運(yùn)動(dòng)及不同操作條件下的動(dòng)態(tài)行為，有助于深入理解彈簧的運(yùn)動(dòng)特性，為后續(xù)的數(shù)據(jù)采集和分析提供了理論支持；采用多模態(tài)運(yùn)動(dòng)分析技術(shù)，能夠?qū)崟r(shí)捕捉彈簧操動(dòng)機(jī)構(gòu)中彈簧的運(yùn)動(dòng)軌跡，并獲取豐富的視覺數(shù)據(jù)，從視覺數(shù)據(jù)中提取關(guān)鍵運(yùn)動(dòng)特征，速度、加速度等，為數(shù)據(jù)分析提供了多維度的信息。利用卡爾曼濾波器融合視覺數(shù)據(jù)和彈簧運(yùn)動(dòng)模型提取的運(yùn)動(dòng)參數(shù)，能夠有效地減少數(shù)據(jù)噪聲和誤差，提高數(shù)據(jù)的準(zhǔn)確性和可靠性。

50、4、使用現(xiàn)有振動(dòng)傳感器或臨時(shí)布置的傳感器，收集彈簧操動(dòng)機(jī)構(gòu)在不同操作條件下的振動(dòng)數(shù)據(jù)，為后續(xù)的數(shù)據(jù)分析提供了豐富的數(shù)據(jù)源，使得分析結(jié)果更加全面和準(zhǔn)確。將振動(dòng)數(shù)據(jù)與應(yīng)力數(shù)據(jù)和速度數(shù)據(jù)相結(jié)合，通過(guò)多模態(tài)融合技術(shù)進(jìn)行分析，能夠綜合考慮不同物理量之間的相互作用和影響，從而更準(zhǔn)確地揭示彈簧操動(dòng)機(jī)構(gòu)的動(dòng)態(tài)行為，多模態(tài)數(shù)據(jù)的融合提高了分析的深度和廣度，使得結(jié)果更加可靠。

51、5、在應(yīng)力傳感器、速度傳感器和振動(dòng)傳感器布置完成后，利用多頻自適應(yīng)采樣算法，根據(jù)傳感器的布置位置動(dòng)態(tài)調(diào)節(jié)關(guān)鍵數(shù)據(jù)的采樣頻率，能夠確保在關(guān)鍵區(qū)域或關(guān)鍵操作條件下，數(shù)據(jù)采樣更加密集，從而捕捉到更多的細(xì)節(jié)信息。同時(shí)，在非關(guān)鍵區(qū)域或穩(wěn)定操作條件下，適當(dāng)降低采樣頻率，以減少數(shù)據(jù)存儲(chǔ)和處理的負(fù)擔(dān)。這種動(dòng)態(tài)調(diào)節(jié)機(jī)制提高了數(shù)據(jù)采集的靈活性和效率。

52、6、通過(guò)多模態(tài)數(shù)據(jù)融合和故障特征提取，能夠更全面地反映設(shè)備的運(yùn)行狀態(tài)，提高故障檢測(cè)的準(zhǔn)確性和可靠性，而自適應(yīng)故障模型能夠?qū)崟r(shí)計(jì)算故障發(fā)生概率，并在故障發(fā)生前提前預(yù)警，有助于減少設(shè)備的停機(jī)時(shí)間，提高生產(chǎn)效率和經(jīng)濟(jì)效益。其次，基于故障特征的重要性評(píng)估，可以制定更加科學(xué)合理的維護(hù)策略，對(duì)于重要的故障特征進(jìn)行重點(diǎn)監(jiān)測(cè)和維護(hù)，可以延長(zhǎng)設(shè)備的使用壽命并降低維護(hù)成本。自適應(yīng)故障模型能夠根據(jù)實(shí)時(shí)數(shù)據(jù)動(dòng)態(tài)調(diào)整參數(shù)，以適應(yīng)設(shè)備狀態(tài)的變化，增強(qiáng)了系統(tǒng)的自適應(yīng)性和魯棒性，使其能夠更好地應(yīng)對(duì)復(fù)雜多變的運(yùn)行環(huán)境。

53、7、通過(guò)自動(dòng)校準(zhǔn)和優(yōu)化，可以確保傳感器在不同工況下都能輸出準(zhǔn)確的數(shù)據(jù)，有助于減少誤報(bào)和漏報(bào)，提高故障檢測(cè)的準(zhǔn)確性。強(qiáng)化學(xué)習(xí)模型能夠自適應(yīng)地調(diào)整傳感器參數(shù)，以應(yīng)對(duì)系統(tǒng)狀態(tài)的變化，增強(qiáng)了系統(tǒng)的魯棒性，使其能夠更好地應(yīng)對(duì)復(fù)雜多變的運(yùn)行環(huán)境。自動(dòng)校準(zhǔn)和優(yōu)化減少了人工干預(yù)的需求，降低了維護(hù)成本，同時(shí)，由于傳感器數(shù)據(jù)的準(zhǔn)確性提高，可以減少因誤報(bào)而導(dǎo)致的非必要停機(jī)和維護(hù)。