基于数据融合以及AI模型的舵机故障诊断方法与系统与流程
本发明属于人工智能,尤其涉及一种基于数据融合以及ai模型的舵机故障诊断方法与系统。
背景技术:
1、舵机是飞行控制系统的核心执行机构,其工作可靠性直接决定飞行安全。在航空航天、无人机、高端工业伺服等高可靠场景中,舵机控制器通常采用双余度或多余度冗余设计(如双余度舵机控制器内部集成两路完全独立且电气隔离的控制、驱动、采样与供电通道),以消除单点故障隐患。
2、具体的,为了实现对舵机的故障诊断,现有技术方案中给出了基于单参数阈值报警的诊断方案:通过监测舵机控制器的电压、电流、位置、温度等关键参数,当某一参数超出预设阈值时触发故障报警,该方案实现简单,是目前舵机系统最基础的故障检测方式,但是却存在以下技术缺陷:
3、在进行故障诊断处理时,采用多源数据融合的方式可以极大的提升故障诊断结果的准确性,但传感设备存在异常时可能会导致舵机的诊断结果存在异常,因此这就使得如何进行传感设备的异常识别模型的构建,并根据异常识别模型的识别处理的准确性进行故障诊断模型以及故障诊断方法的优化处理,从而提升故障诊断结果的准确性和效率成为亟待解决的技术问题。
4、综上所述,为解决上述技术问题,本申请提供一种基于数据融合以及ai模型的舵机故障诊断方法与系统。
技术实现思路
1、为实现本发明目的,本发明采用如下技术方案:
2、具体的,第一方面,本申请提供一种基于数据融合以及ai模型的舵机故障诊断方法,具体包括:
3、在舵机系统运行过程中,以多维传感数据以及ai模型确定故障诊断结果,基于故障诊断结果确定存在识别偏差时的运行状态存在异常的传感设备,并将其作为关联异常传感设备,将关联异常传感设备的数量小于预设数量阈值的识别偏差过程作为影响偏差过程,以识别偏差过程中的影响偏差过程的构成数据以及影响偏差过程的关联异常传感设备的离散程度,确定传感设备的异常识别处理策略;
4、基于所述异常识别处理策略进行传感设备中的运行状态的异常识别目标的确定,以异常识别目标数据以及在各个舵机系统中的异常识别目标的运行状态的识别偏差情况,确定所述ai模型的故障诊断处理方法;
5、以所述故障诊断处理方法进行各个舵机系统的故障诊断处理,以在各个舵机系统的故障诊断结果的输出延迟情况以及输出延迟情况与故障数据的关联程度,确定故障诊断模型的多维传感数据的融合优化方式,并利用融合优化方式以及故障诊断处理方法进行故障诊断处理。
6、进一步的,所述多维传感数据包括舵机控制器的电压、电流、位置、温度、霍尔信号、pwm占空比。
7、进一步的,以多维传感数据以及ai模型确定故障诊断结果,具体包括:
8、将多维传感数据作为ai模型的输入量,以ai模型的输出结果确定故障诊断结果。
9、进一步的,所述关联异常传感设备为故障诊断模型的输出结果存在异常时,运行状态存在异常的传感设备。
10、进一步的,所述传感设备的异常识别处理策略的确定的方法为:
11、以识别偏差过程中的影响偏差过程的构成数据,确定所述识别偏差过程中的影响偏差过程的比例,并将其作为影响偏差比例;
12、根据影响偏差过程的关联异常传感设备的离散程度,将关联异常传感设备一致的影响偏差过程划分至同一个群组;
13、以所述影响偏差比例以及各个群组中的影响偏差过程,确定所述传感设备的异常识别处理策略。
14、第二方面,本发明提供了一种计算机系统,包括:通信连接的存储器和处理器,以及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行上述的一种基于数据融合以及ai模型的舵机故障诊断方法。
15、本发明的有益效果在于:
16、以识别偏差过程中的影响偏差过程的构成数据,确定传感设备存在异常时的影响程度,并进一步结合影响偏差过程的关联异常传感设备的离散程度,确定传感设备存在异常时对于故障诊断准确性的影响范围,以传感设备存在异常时的影响程度以及传感设备存在异常时对于故障诊断准确性的影响范围,确定传感设备的异常识别处理策略,从而为降低传感设备的异常影响,保证诊断处理结果的准确性奠定了基础。
17、以在各个舵机系统的故障诊断结果的输出延迟情况以及输出延迟情况与故障识别处理过程的数量的关联程度,确定在当前的故障诊断模型下的故障诊断结果的输出延迟风险,以输出延迟风险为基础进行故障诊断模型的多维传感数据的融合优化方式的确定,即如何进行故障诊断模型的多维传感数据的输入方式的优化处理,一方面降低了故障诊断模型的构建处理的难度,同时也为进一步改善各个舵机系统的故障诊断结果的输出延迟情况奠定了基础。
18、其他特征和优点将在随后的说明书中阐述,本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
19、为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
1.一种基于数据融合以及ai模型的舵机故障诊断方法,其特征在于,具体包括:
2.如权利要求1所述的基于数据融合以及ai模型的舵机故障诊断方法,其特征在于,所述多维传感数据包括舵机控制器的电压、电流、位置、温度、霍尔信号、pwm占空比。
3.如权利要求1所述的基于数据融合以及ai模型的舵机故障诊断方法,其特征在于,以多维传感数据以及ai模型确定故障诊断结果,具体包括:
4.如权利要求1所述的基于数据融合以及ai模型的舵机故障诊断方法,其特征在于,所述关联异常传感设备为故障诊断模型的输出结果存在异常时,运行状态存在异常的传感设备。
5.如权利要求1所述的基于数据融合以及ai模型的舵机故障诊断方法,其特征在于,所述传感设备的异常识别处理策略的确定的方法为:
6.如权利要求5所述的基于数据融合以及ai模型的舵机故障诊断方法,其特征在于,获取所述群组的数量,当所述群组的数量大于预设群组数量阈值,则确定所述传感设备的异常识别处理策略为对一类传感设备进行异常识别处理。
7.如权利要求6所述的基于数据融合以及ai模型的舵机故障诊断方法,其特征在于,所述一类传感设备为属于关联异常传感设备的影响偏差过程在识别偏差过程中的比例在预设比例阈值以上的传感设备,以及仅存在所述传感设备属于关联异常传感设备的影响偏差过程在识别偏差过程中的比例在目标比例阈值以上的传感设备。
8.如权利要求1所述的基于数据融合以及ai模型的舵机故障诊断方法,其特征在于,所述故障诊断模型的多维传感数据的融合优化方式的确定的方法为:
9.如权利要求1所述的基于数据融合以及ai模型的舵机故障诊断方法,其特征在于,利用融合优化方式以及故障诊断处理方法进行故障诊断处理,具体包括:
10.一种计算机系统,包括:通信连接的存储器和处理器,以及存储在所述存储器上并能够在所述处理器上运行的计算机程序,其特征在于,所述处理器运行所述计算机程序时执行权利要求1-9任一项所述的一种基于数据融合以及ai模型的舵机故障诊断方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com