【技术实现步骤摘要】
本专利技术涉及数据处理，具体涉及基于多源数据的电动推杆故障检测方法。
技术介绍
1、电动推杆往往承担着输送、移动等负载任务，传统阈值方式会在推杆故障已经产生异常时才能检测到异常情况，因此现有技术对于推杆工作过程中的系统状态变化识别采用ekf（拓展卡尔曼滤波）技术进行系统状态的预测情况，但丝杆工作中存在不同的工作状态，例如不同负载，不同温度等等，导致现有ekf使用全局数据建立的状态转移矩阵不能够准确反映当前推杆工作状态下的状态变化特征，而每次ekf对状态转移矩阵进行更新时当前时刻的数据波动会被全局数据变化情况进行稀释从而影响状态转移矩阵更新，导致ekf预测数据的真实性下降，从而对电动推杆故障检测产生误判。
技术实现思路
1、为解决上述问题，本专利技术提供基于多源数据的电动推杆故障检测方法。
2、本专利技术的基于多源数据的电动推杆故障检测方法采用如下技术方案：
3、本专利技术一个实施例提供了基于多源数据的电动推杆故障检测方法，该方法包括以下步骤：
4、通过传感器采集电动推杆的若干参数数据；
5、根据参数数据中每个时刻的参数值和参数数据中的极值点得到每个参数数据的转移注意度；
6、根据参数数据得到状态转移矩阵；根据参数数据的转移注意度和状态转移矩阵得到每个参数数据的累计成本矩阵；根据累计成本矩阵和参数数据的转移注意度得到每个参数数据的初始调整权值；
7、根据参数数据的初始调整权值得到必要加权序列；根据必要加权序列得到
8、根据加权状态转移矩阵判断电动推杆工作异常。
9、进一步地，所述根据参数数据中每个时刻的参数值和参数数据中的极值点得到每个参数数据的转移注意度，包括的具体步骤如下：
10、将任意一个参数数据，记为当前参数数据；
11、
12、式中，为当前参数数据中最后一个时刻的参数值，为当前参数数据中第i个极值点的参数值，为当前参数数据中极值点的个数，为当前参数数据中第i个极值点和最后一个时刻之间的距离，为当前参数数据中第i个极值点和第i+1个极值点之间的距离，为取绝对值，为防止分母为0的超参数，为当前参数数据中第j个时刻的参数值，为当前参数数据中所有时刻的参数值的均值，为当前参数数据中所有时刻的参数值的标准差，为当前参数数据中时刻的个数，为当前参数数据的转移注意度。
13、进一步地，所述根据参数数据得到状态转移矩阵，包括的具体步骤如下：
14、将所有参数数据中最后一个时刻的若干参数值按照各参数数据的采集顺序进行列排列，得到的列向量，记为系统状态向量；将系统状态向量输入到ekf算法中，输出得到状态转移矩阵。
15、进一步地，所述根据参数数据的转移注意度和状态转移矩阵得到每个参数数据的累计成本矩阵，包括的具体步骤如下：
16、将任意一个参数数据，记为当前参数数据；在状态转移矩阵中获取当前参数数据对应的行矩阵和列矩阵，获取该行矩阵和列矩阵相交的元素值，将该元素值替换为当前参数数据的转移注意度，得到新的行矩阵和新的列矩阵；将新的行矩阵中所有元素值按照顺序进行排列，得到一个序列，记为第一序列；将新的列矩阵中所有元素值按照顺序进行排列，得到一个序列，记为第二序列；将第一序列和第二序列输入到dtw算法中，输出得到当前参数数据的累计成本矩阵。
17、进一步地，所述根据累计成本矩阵和参数数据的转移注意度得到每个参数数据的初始调整权值，包括的具体步骤如下：
18、将任意一个参数数据，记为当前参数数据；获取当前参数数据在采集顺序中的次序值，记为当前参数数据的次序；
19、
20、式中，为当前参数数据的累计成本矩阵中横坐标为当前参数数据的次序且纵坐标为k的元素的值，为当前参数数据的纵坐标为当前参数数据的次序且横坐标为k的元素的值，为参数数据的数量，为取绝对值，为当前参数数据的转移注意度，表示采集顺序中次序值为k的参数数据的转移注意度；为所有参数数据的转移注意度的均值，为以自然常数为底的指数函数，为sinc函数，为当前参数数据的初始调整权值。
21、进一步地，所述根据参数数据的初始调整权值得到必要加权序列，包括的具体步骤如下：
22、将所有参数数据的初始调整权值按照降序排列，得到的序列记为降序序列，将降序序列第个初始调整权值减去第个初始调整权值，得到一个初始调整权值的差值，，为降序序列中初始调整权值的个数，将初始调整权值的差值最大值对应的两个初始调整权值分别记为第一初始调整权值和第二初始调整权值，将第一初始调整权值和第二初始调整权值中最大的初始调整权值记为必要初始调整权值，将降序序列中必要初始调整权值之前的降序序列，记为必要加权序列。
23、进一步地，所述根据必要加权序列得到必要加权序列对应的若干参数数据的最终调整权值，包括的具体步骤如下：
24、将必要加权序列中每个初始调整权值通过premnmx函数进行归一化，得到的结果作为必要加权序列中每个初始调整权值对应的参数数据的最终调整权值。
25、进一步地，所述根据参数数据的最终调整权值和状态转移矩阵得到加权状态转移矩阵，包括的具体步骤如下：
26、将必要加权序列中任意一个初始调整权值对应的参数数据，记为目标参数数据；
27、
28、式中，的具体获取方法如下：将状态转移矩阵中目标参数数据对应的行矩阵，记为第二行矩阵，将第二行矩阵中第k个元素的值记为，为目标参数数据的最终调整权值，为第二行矩阵中第k个元素的加权值；
29、根据必要加权序列中每个初始调整权值对应的参数数据在状态转移矩阵对应的行矩阵中各元素的加权值，得到加权状态转移矩阵。
30、进一步地，所述得到加权状态转移矩阵，包括的具体步骤如下：
31、获取必要加权序列中每个初始调整权值对应的参数数据在状态转移矩阵对应的行矩阵中各元素的加权值，用各元素的加权值替换状态转移矩阵中对应位置的元素的值，得到新的状态转移矩阵，记为加权状态转移矩阵。
32、进一步地，所述根据加权状态转移矩阵判断电动推杆工作异常，包括的具体步骤如下：
33、将加权状态转移矩阵和系统状态向量输入到ekf算法中，输出得到预测系统状态向量；对于预测系统状态向量中任意一个参数值，将该参数值和所属的参数数据中所有参数值进行线性归一化处理，得到该参数值的归一化结果，记为归一化第一参数值，预设一个第一阈值，若归一化第一参数值大于或等于第一阈值，电动推杆工作存在异常，若归一化第一参数值小于第一阈值，电动推杆工作不存在异常。
34、本专利技术的技术方案的有益效果是：本专利技术在采集到电动推杆的参数数据后，通过参数数据中极值的变化获取每个参数数据的转移注意度，在获取转移注意度时通过分析参数数据的极值位置和最新时刻的局部数本文档来自技高网...
【技术保护点】
1.基于多源数据的电动推杆故障检测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述基于多源数据的电动推杆故障检测方法，其特征在于，所述根据参数数据中每个时刻的参数值和参数数据中的极值点得到每个参数数据的转移注意度，包括的具体步骤如下：
3.根据权利要求1所述基于多源数据的电动推杆故障检测方法，其特征在于，所述根据参数数据得到状态转移矩阵，包括的具体步骤如下：
4.根据权利要求1所述基于多源数据的电动推杆故障检测方法，其特征在于，所述根据参数数据的转移注意度和状态转移矩阵得到每个参数数据的累计成本矩阵，包括的具体步骤如下：
5.根据权利要求3所述基于多源数据的电动推杆故障检测方法，其特征在于，所述根据累计成本矩阵和参数数据的转移注意度得到每个参数数据的初始调整权值，包括的具体步骤如下：
6.根据权利要求1所述基于多源数据的电动推杆故障检测方法，其特征在于，所述根据参数数据的初始调整权值得到必要加权序列，包括的具体步骤如下：
7.根据权利要求1所述基于多源数据的电动推杆故障检测方法，其特征在于，所述
8.根据权利要求1所述基于多源数据的电动推杆故障检测方法，其特征在于，所述根据参数数据的最终调整权值和状态转移矩阵得到加权状态转移矩阵，包括的具体步骤如下：
9.根据权利要求8所述基于多源数据的电动推杆故障检测方法，其特征在于，所述得到加权状态转移矩阵，包括的具体步骤如下：
10.根据权利要求3所述基于多源数据的电动推杆故障检测方法，其特征在于，所述根据加权状态转移矩阵判断电动推杆工作异常，包括的具体步骤如下：
...【技术特征摘要】
1.基于多源数据的电动推杆故障检测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述基于多源数据的电动推杆故障检测方法，其特征在于，所述根据参数数据中每个时刻的参数值和参数数据中的极值点得到每个参数数据的转移注意度，包括的具体步骤如下：
3.根据权利要求1所述基于多源数据的电动推杆故障检测方法，其特征在于，所述根据参数数据得到状态转移矩阵，包括的具体步骤如下：
4.根据权利要求1所述基于多源数据的电动推杆故障检测方法，其特征在于，所述根据参数数据的转移注意度和状态转移矩阵得到每个参数数据的累计成本矩阵，包括的具体步骤如下：
5.根据权利要求3所述基于多源数据的电动推杆故障检测方法，其特征在于，所述根据累计成本矩阵和参数数据的转移注意度得到每个参数数据的初始调整权值，包括的具体步骤如下：
【专利技术属性】
技术研发人员：许记伟，
申请(专利权)人：深圳市鼎赢智能装备有限公司，
类型：发明
国别省市：
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。