【技术实现步骤摘要】
基于抱桩器液压系统的故障预测方法及抱桩器液压系统
本专利技术涉及海上风电设备
，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。
技术介绍
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。
技术实现思路
本专利技术...
【技术保护点】
1.一种基于抱桩器液压系统的故障预测方法，其特征在于，包括如下步骤：/n采集数据：采集抱桩器的实时数据；/n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；/n数据集拆分：将数据集拆分为训练集和测试集；/n构建神经网络：根据数据集构建深度神经网络模型；/n数据集训练：将训练样本导入神经网络模型进行训练；/n数据预测：将测试样本导入神经网络模型并输出预测结果；/n输出判断结果。/n
【技术特征摘要】
1.一种基于抱桩器液压系统的故障预测方法，其特征在于，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。
2.根据权利要求1所述的一种基于抱桩器液压系统的故障预测方法，其特征在于，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。
3.根据权利要求1所述的一种基于抱桩器液压系统的故障预测方法，其特征在于，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。
4.根据权利要求1所述的一种基于抱桩器液压系统的故障预测方法，其特征在于，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。
5.根据权利要求1所述的一种基于抱桩器液压系统的故障预测方法，其特征在于，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。
6.一种抱桩器液压系统，其特征在于，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，...
【专利技术属性】
技术研发人员：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，
申请(专利权)人：广东精铟海洋工程股份有限公司，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。