一种胶泵故障诊断维护分析优化方法及系统

摘要

本发明涉及胶泵运行监测技术领域，具体公开了一种胶泵故障诊断维护分析优化方法及系统，所述方法包括获取胶泵的设计模型，对所述设计模型进行载荷分析，确定高危点位，基于所述高危点位设置传感器；获取传感器数据，根据传感器数据确定胶泵运行表；所述胶泵运行表包括高危点位项和评分项；基于胶泵运行表确定故障类型，根据胶泵运行表及其故障类型训练神经网络模型；定时计算神经网络模型的准确率，当所述准确率达到预设的阈值时，提高神经网络模型的应用优先级。本发明根据神经网络模型即可快速预测出较为准确的故障点位及类型，极大地降低了排查难度，提高了维护效率。

权利要求

1.一种胶泵故障诊断维护分析优化方法，其特征在于，所述方法包括：获取胶泵的设计模型，对所述设计模型进行载荷分析，确定高危点位，基于所述高危点位设置传感器；

接收用户输入的胶泵应用场景，根据所述胶泵应用场景确定预测载荷，根据所述预测载荷激活所述传感器；所述胶泵应用场景包括流体参数和环境参数；

获取传感器数据，根据传感器数据确定胶泵运行表；所述胶泵运行表包括高危点位项和评分项；

基于胶泵运行表确定故障类型，根据胶泵运行表及其故障类型训练神经网络模型；所述神经网络模型的输入为胶泵应用场景，输出为故障类型；

定时计算神经网络模型的准确率，当所述准确率达到预设的阈值时，提高神经网络模型的应用优先级；

所述接收用户输入的胶泵应用场景，根据所述胶泵应用场景确定预测载荷，根据所述预测载荷激活所述传感器的步骤包括：接收用户输入的流体粘度、颗粒物均值、颗粒物最大值和工作位置；

基于所述工作位置获取空气温度和空气湿度；

将所述流体粘度、颗粒物均值、颗粒物最大值、空气温度和空气湿度输入预设的载荷判断模型，得到预测载荷；所述预测载荷包含载荷量和载荷位置；

根据所述载荷位置确定点位中心，根据所述载荷量确定点位半径，根据所述点位中心和所述点位半径查询目标传感器并激活；所述点位中心为高危点位的子集。

2.根据权利要求1所述的胶泵故障诊断维护分析优化方法，其特征在于，所述获取胶泵的设计模型，对所述设计模型进行载荷分析，确定高危点位，基于所述高危点位设置传感器的步骤包括：获取胶泵的设计模型，根据设计模型中的编号信息确定连接点位；所述编号信息的数据结构为树；

向所述设计模型中填充不同参数的虚拟流体，根据虚拟流体计算各连接点位的虚拟载荷；

获取连接点位处的形变参数，根据所述形变参数确定高危点位；

基于所述高危点位确定传感器位置及传感器类型。

3.根据权利要求1所述的胶泵故障诊断维护分析优化方法，其特征在于，所述获取传感器数据，根据传感器数据确定胶泵运行表的步骤包括：获取传感器数据，基于时间将所述传感器数据转换为离散点群；

根据预设的拟合模型拟合离散点群，得到传感器的数据曲线及其函数；

计算数据曲线及其函数的多阶导数，获取多阶特征，将所述多阶特征与预设的参考特征进行比对，得到评分；

获取各个高危点位对应的传感器的评分，生成胶泵运行表。

4.根据权利要求1所述的胶泵故障诊断维护分析优化方法，其特征在于，所述基于胶泵运行表确定故障类型，根据胶泵运行表及其故障类型训练神经网络模型的步骤包括：将所述胶泵运行表转换为胶泵运行矩阵；

依次在预设的故障特征表中读取故障特征，基于所述故障特征在胶泵运行矩阵中进行遍历匹配，根据遍历匹配结果判断胶泵运行表的故障类型；所述故障特征为预设的矩阵；

读取用户输入的胶泵应用场景，根据胶泵应用场景和故障类型搭建训练集，训练神经网络模型；

其中，所述基于所述故障特征在胶泵运行矩阵中进行遍历匹配的过程为：基于所述故障特征确定滑动窗，根据滑动窗在胶泵运行矩阵中截取子矩阵，计算故障特征与子矩阵的卷积值，将卷积值作为遍历匹配结果。

5.根据权利要求1所述的胶泵故障诊断维护分析优化方法，其特征在于，所述定时计算神经网络模型的准确率，当所述准确率达到预设的阈值时，提高神经网络模型的应用优先级的步骤包括：当接收到胶泵应用场景时，输入训练好的神经网络模型，得到第一故障类型；

基于传感器数据生成的胶泵运行表确定第二故障类型；

基于所述第二故障类型计算所述第一故障类型的准确率；

当所述准确率达到预设的阈值时，提高神经网络模型的应用优先级。

6.一种胶泵故障诊断维护分析优化系统，其特征在于，所述系统包括：传感器设置模块，用于获取胶泵的设计模型，对所述设计模型进行载荷分析，确定高危点位，基于所述高危点位设置传感器；

传感器激活模块，用于接收用户输入的胶泵应用场景，根据所述胶泵应用场景确定预测载荷，根据所述预测载荷激活所述传感器；所述胶泵应用场景包括流体参数和环境参数；

运行表确定模块，用于获取传感器数据，根据传感器数据确定胶泵运行表；所述胶泵运行表包括高危点位项和评分项；

模型训练模块，用于基于胶泵运行表确定故障类型，根据胶泵运行表及其故障类型训练神经网络模型；所述神经网络模型的输入为胶泵应用场景，输出为故障类型；

模型应用模块，用于定时计算神经网络模型的准确率，当所述准确率达到预设的阈值时，提高神经网络模型的应用优先级；

所述传感器激活模块包括：

数据接收单元，用于接收用户输入的流体粘度、颗粒物均值、颗粒物最大值和工作位置；

环境信息获取单元，用于基于所述工作位置获取空气温度和空气湿度；

载荷预测单元，用于将所述流体粘度、颗粒物均值、颗粒物最大值、空气温度和空气湿度输入预设的载荷判断模型，得到预测载荷；所述预测载荷包含载荷量和载荷位置；

查询激活单元，用于根据所述载荷位置确定点位中心，根据所述载荷量确定点位半径，根据所述点位中心和所述点位半径查询目标传感器并激活；所述点位中心为高危点位的子集。

7.根据权利要求6所述的胶泵故障诊断维护分析优化系统，其特征在于，所述传感器设置模块包括：连接点位确定单元，用于获取胶泵的设计模型，根据设计模型中的编号信息确定连接点位；所述编号信息的数据结构为树；

虚拟载荷计算单元，用于向所述设计模型中填充不同参数的虚拟流体，根据虚拟流体计算各连接点位的虚拟载荷；

高危点位选取单元，用于获取连接点位处的形变参数，根据所述形变参数确定高危点位；

处理执行单元，用于基于所述高危点位确定传感器位置及传感器类型。

8.根据权利要求6所述的胶泵故障诊断维护分析优化系统，其特征在于，所述运行表确定模块包括：点群转换单元，用于获取传感器数据，基于时间将所述传感器数据转换为离散点群；

点群拟合单元，用于根据预设的拟合模型拟合离散点群，得到传感器的数据曲线及其函数；

评分生成单元，用于计算数据曲线及其函数的多阶导数，获取多阶特征，将所述多阶特征与预设的参考特征进行比对，得到评分；

数据统计单元，用于获取各个高危点位对应的传感器的评分，生成胶泵运行表。

说明书

一种胶泵故障诊断维护分析优化方法及系统

技术领域

[0001] 本发明涉及胶泵运行监测技术领域，具体是一种胶泵故障诊断维护分析优化方法及系统。

背景技术

[0002] 胶泵是泵中的一种，胶泵也有许多的分类，大型的胶泵主要运用在工业建筑中，常见的是使用胶泵进行渣浆，也有轻巧型的胶泵。

[0003] 通俗地说，胶泵的作用就是抽取流体，抽取的流体中含有很多杂质，这些杂质很容易损坏胶泵，因此，胶泵的损坏概率极高，属于易损设备，工作人员需要经常修理，每一次修理都需要全面排查，当胶泵数量较多时，工作人员的工作压力极大。如何快速地定位故障位置及其故障类型是本发明技术方案想要解决的技术问题。

发明内容

[0004] 本发明的目的在于提供一种胶泵故障诊断维护分析优化方法及系统，以解决上述背景技术中提出的问题。

[0005] 为实现上述目的，本发明提供如下技术方案：

[0006] 一种胶泵故障诊断维护分析优化方法，所述方法包括：

[0007] 获取胶泵的设计模型，对所述设计模型进行载荷分析，确定高危点位，基于所述高危点位设置传感器；

[0008] 接收用户输入的胶泵应用场景，根据所述胶泵应用场景确定预测载荷，根据所述预测载荷激活所述传感器；所述胶泵应用场景包括流体参数和环境参数；

[0009] 获取传感器数据，根据传感器数据确定胶泵运行表；所述胶泵运行表包括高危点位项和评分项；

[0010] 基于胶泵运行表确定故障类型，根据胶泵运行表及其故障类型训练神经网络模型；所述神经网络模型的输入为胶泵应用场景，输出为故障类型；

[0011] 定时计算神经网络模型的准确率，当所述准确率达到预设的阈值时，提高神经网络模型的应用优先级。

[0012] 作为本发明进一步的方案：所述获取胶泵的设计模型，对所述设计模型进行载荷分析，确定高危点位，基于所述高危点位设置传感器的步骤包括：

[0013] 获取胶泵的设计模型，根据设计模型中的编号信息确定连接点位；所述编号信息的数据结构为树；

[0014] 向所述设计模型中填充不同参数的虚拟流体，根据虚拟流体计算各连接点位的虚拟载荷；

[0015] 获取连接点位处的形变参数，根据所述形变参数确定高危点位；

[0016] 基于所述高危点位确定传感器位置及传感器类型。

[0017] 作为本发明进一步的方案：所述接收用户输入的胶泵应用场景，根据所述胶泵应用场景确定预测载荷，根据所述预测载荷激活所述传感器的步骤包括：

[0018] 接收用户输入的流体粘度、颗粒物均值、颗粒物最大值和工作位置；

[0019] 基于所述工作位置获取空气温度和空气湿度；

[0020] 将所述流体粘度、颗粒物均值、颗粒物最大值、空气温度和空气湿度输入预设的载荷判断模型，得到预测载荷；所述预测载荷包含载荷量和载荷位置；

[0021] 根据所述载荷位置确定点位中心，根据所述载荷量确定点位半径，根据所述点位中心和所述点位半径查询目标传感器并激活；所述点位中心为高危点位的子集。

[0022] 作为本发明进一步的方案：所述获取传感器数据，根据传感器数据确定胶泵运行表的步骤包括：

[0023] 获取传感器数据，基于时间将所述传感器数据转换为离散点群；

[0024] 根据预设的拟合模型拟合离散点群，得到传感器的数据曲线及其函数；

[0025] 计算数据曲线及其函数的多阶导数，获取多阶特征，将所述多阶特征与预设的参考特征进行比对，得到评分；

[0026] 获取各个高危点位对应的传感器的评分，生成胶泵运行表。

[0027] 作为本发明进一步的方案：所述基于胶泵运行表确定故障类型，根据胶泵运行表及其故障类型训练神经网络模型的步骤包括：

[0028] 将所述胶泵运行表转换为胶泵运行矩阵；

[0029] 依次在预设的故障特征表中读取故障特征，基于所述故障特征在胶泵运行矩阵中进行遍历匹配，根据遍历匹配结果判断胶泵运行表的故障类型；所述故障特征为预设的矩阵；

[0030] 读取用户输入的胶泵应用场景，根据胶泵应用场景和故障类型搭建训练集，训练神经网络模型；

[0031] 其中，所述基于所述故障特征在胶泵运行矩阵中进行遍历匹配的过程为：

[0032] 基于所述故障特征确定滑动窗，根据滑动窗在胶泵运行矩阵中截取子矩阵，计算故障特征与子矩阵的卷积值，将卷积值作为遍历匹配结果。

[0033] 作为本发明进一步的方案：所述定时计算神经网络模型的准确率，当所述准确率达到预设的阈值时，提高神经网络模型的应用优先级的步骤包括：

[0034] 当接收到胶泵应用场景时，输入训练好的神经网络模型，得到第一故障类型；

[0035] 基于传感器数据生成的胶泵运行表确定第二故障类型；

[0036] 基于所述第二故障类型计算所述第一故障类型的准确率；

[0037] 当所述准确率达到预设的阈值时，提高神经网络模型的应用优先级。

[0038] 本发明技术方案还提供了一种胶泵故障诊断维护分析优化系统，所述系统包括：

[0039] 传感器设置模块，用于获取胶泵的设计模型，对所述设计模型进行载荷分析，确定高危点位，基于所述高危点位设置传感器；

[0040] 传感器激活模块，用于接收用户输入的胶泵应用场景，根据所述胶泵应用场景确定预测载荷，根据所述预测载荷激活所述传感器；所述胶泵应用场景包括流体参数和环境参数；

[0041] 运行表确定模块，用于获取传感器数据，根据传感器数据确定胶泵运行表；所述胶泵运行表包括高危点位项和评分项；

[0042] 模型训练模块，用于基于胶泵运行表确定故障类型，根据胶泵运行表及其故障类型训练神经网络模型；所述神经网络模型的输入为胶泵应用场景，输出为故障类型；

[0043] 模型应用模块，用于定时计算神经网络模型的准确率，当所述准确率达到预设的阈值时，提高神经网络模型的应用优先级。

[0044] 作为本发明进一步的方案：所述传感器设置模块包括：

[0045] 连接点位确定单元，用于获取胶泵的设计模型，根据设计模型中的编号信息确定连接点位；所述编号信息的数据结构为树；

[0046] 虚拟载荷计算单元，用于向所述设计模型中填充不同参数的虚拟流体，根据虚拟流体计算各连接点位的虚拟载荷；

[0047] 高危点位选取单元，用于获取连接点位处的形变参数，根据所述形变参数确定高危点位；

[0048] 处理执行单元，用于基于所述高危点位确定传感器位置及传感器类型。

[0049] 作为本发明进一步的方案：所述传感器激活模块包括：

[0050] 数据接收单元，用于接收用户输入的流体粘度、颗粒物均值、颗粒物最大值和工作位置；

[0051] 环境信息获取单元，用于基于所述工作位置获取空气温度和空气湿度；

[0052] 载荷预测单元，用于将所述流体粘度、颗粒物均值、颗粒物最大值、空气温度和空气湿度输入预设的载荷判断模型，得到预测载荷；所述预测载荷包含载荷量和载荷位置；

[0053] 查询激活单元，用于根据所述载荷位置确定点位中心，根据所述载荷量确定点位半径，根据所述点位中心和所述点位半径查询目标传感器并激活；所述点位中心为高危点位的子集。

[0054] 作为本发明进一步的方案：所述运行表确定模块包括：

[0055] 点群转换单元，用于获取传感器数据，基于时间将所述传感器数据转换为离散点群；

[0056] 点群拟合单元，用于根据预设的拟合模型拟合离散点群，得到传感器的数据曲线及其函数；

[0057] 评分生成单元，用于计算数据曲线及其函数的多阶导数，获取多阶特征，将所述多阶特征与预设的参考特征进行比对，得到评分；

[0058] 数据统计单元，用于获取各个高危点位对应的传感器的评分，生成胶泵运行表。

[0059] 与现有技术相比，本发明的有益效果是：本发明基于胶泵的设计模型确定高危点位并安装传感器，由传感器采集工作数据，判断故障点位及类型；与此同时，将应用场景作为输入，故障点位及类型作为输出训练神经网络模型，一旦胶泵无法工作，根据神经网络模型即可快速预测出较为准确的故障点位及类型，极大地降低了排查难度，提高了维护效率。

附图说明

[0060] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例。

[0061] 图1为胶泵故障诊断维护分析优化方法的流程框图。

[0062] 图2为胶泵故障诊断维护分析优化方法的第一子流程框图。

[0063] 图3为胶泵故障诊断维护分析优化方法的第二子流程框图。

[0064] 图4为胶泵故障诊断维护分析优化方法的第三子流程框图。

[0065] 图5为胶泵故障诊断维护分析优化方法的第四子流程框图。

[0066] 图6为胶泵故障诊断维护分析优化方法的第五子流程框图。

[0067] 图7为胶泵故障诊断维护分析优化系统的组成结构框图。

具体实施方式

[0068] 为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

[0069] 实施例1

[0070] 图1为胶泵故障诊断维护分析优化方法的流程框图，本发明实施例中，一种胶泵故障诊断维护分析优化方法，所述方法包括：

[0071] 步骤S100：获取胶泵的设计模型，对所述设计模型进行载荷分析，确定高危点位，基于所述高危点位设置传感器；

[0072] 胶泵的设计模型在设计阶段生成，属于已有数据，对设计模型进行载荷分析，可以确定不同的高危点位，在高危点位处或高危点位附近设置传感器。

[0073] 步骤S200：接收用户输入的胶泵应用场景，根据所述胶泵应用场景确定预测载荷，根据所述预测载荷激活所述传感器；所述胶泵应用场景包括流体参数和环境参数；

[0074] 由用户输入胶泵应用场景，所述胶泵应用场景是需要处理的流体的参数和环境参数，这两个因素配合影响胶泵的使用过程；由胶泵应用场景可以确定预测的载荷情况，由预测的载荷情况激活预先设置的传感器。

[0075] 步骤S300：获取传感器数据，根据传感器数据确定胶泵运行表；所述胶泵运行表包括高危点位项和评分项；

[0076] 由激活后的传感器采集数据，由采集到的数据确定胶泵运行表，所述胶泵运行表反映了各个高危点位的工作状况。

[0077] 步骤S400：基于胶泵运行表确定故障类型，根据胶泵运行表及其故障类型训练神经网络模型；所述神经网络模型的输入为胶泵应用场景，输出为故障类型；

[0078] 胶泵运行表反映了各个高危点位的工作状况，对各个高危点位的工作状况进行分析，可以轻易的确定故障类型，将故障类型作为输出，训练预设的神经网络模型，随着样本数量的增多，神经网络模型的识别过程会越来越准确。

[0079] 步骤S500：定时计算神经网络模型的准确率，当所述准确率达到预设的阈值时，提高神经网络模型的应用优先级；

[0080] 定时计算神经网络模型的识别准确率，当准确率足够高时，步骤S300就成为了可选步骤，以神经网络模型作为主要识别过程。

[0081] 需要说明的是，在实际应用中，一个胶泵出现问题，在后续的人工修理过程中，出现何种问题一目了然，如果由胶泵运行表确定的故障类型与实际不符，那么还需要对胶泵运行表的运用过程进行调节。

[0082] 图2为胶泵故障诊断维护分析优化方法的第一子流程框图，所述获取胶泵的设计模型，对所述设计模型进行载荷分析，确定高危点位，基于所述高危点位设置传感器的步骤包括：

[0083] 步骤S101：获取胶泵的设计模型，根据设计模型中的编号信息确定连接点位；所述编号信息的数据结构为树；

[0084] 胶泵由多个部件组成，每个部件又由小部件或小零件组中，因此，设计模型本身是树状结构；属于同一部件的子部件之间存在连接关系，连接点位就是胶泵中容易损坏的点位。

[0085] 步骤S102：向所述设计模型中填充不同参数的虚拟流体，根据虚拟流体计算各连接点位的虚拟载荷；

[0086] 向设计模型中填充不同参数的虚拟流体，在这现有的仿真软件中可以完成，实际上，工作人员基于流体力学公式直接计算虚拟载荷也是可行的技术方案。

[0087] 步骤S103：获取连接点位处的形变参数，根据所述形变参数确定高危点位；

[0088] 不断地增加载荷，获取各个连接点位的形变参数，形变参数越多，说明该连接点位的易损性更高，因此，标记为高危点位。

[0089] 步骤S104：基于所述高危点位确定传感器位置及传感器类型。

[0090] 在高危点位处或高危点位附近设置传感器；设置传感器的过程主要包括确定传感器位置和传感器类型，这一过程由工作人员自主决定，本发明技术方案不作限定。

[0091] 图3为胶泵故障诊断维护分析优化方法的第二子流程框图，所述接收用户输入的胶泵应用场景，根据所述胶泵应用场景确定预测载荷，根据所述预测载荷激活所述传感器的步骤包括：

[0092] 步骤S201：接收用户输入的流体粘度、颗粒物均值、颗粒物最大值和工作位置；

[0093] 流体粘度、颗粒物均值和颗粒物最大值由工作人员测量；其中，所述颗粒物最大值采用理论值即可；最大值和均值两个参数足以反映待处理流体的颗粒物分布情况。

[0094] 步骤S202：基于所述工作位置获取空气温度和空气湿度；

[0095] 由工作位置获取空气温度和空气温度，这两者对胶泵中的某些零件会有影响。

[0096] 步骤S203：将所述流体粘度、颗粒物均值、颗粒物最大值、空气温度和空气湿度输入预设的载荷判断模型，得到预测载荷；所述预测载荷包含载荷量和载荷位置；

[0097] 统计上述数据，输入预设的载荷判断模型，可以得到预测载荷；所述预测载荷包括施加点和施加量。

[0098] 步骤S204：根据所述载荷位置确定点位中心，根据所述载荷量确定点位半径，根据所述点位中心和所述点位半径查询目标传感器并激活；所述点位中心为高危点位的子集；

[0099] 在载荷位置处查询高危点位，作为点位中心，基于点位中心查询设置的传感器并激活即可。

[0100] 图4为胶泵故障诊断维护分析优化方法的第三子流程框图，所述获取传感器数据，根据传感器数据确定胶泵运行表的步骤包括：

[0101] 步骤S301：获取传感器数据，基于时间将所述传感器数据转换为离散点群；

[0102] 获取到的传感器数据是离散数据，基于时间将离散数据插入同一坐标轴。

[0103] 步骤S302：根据预设的拟合模型拟合离散点群，得到传感器的数据曲线及其函数；

[0104] 对离散点群进行拟合，可以得到传感器的数据曲线及其函数。

[0105] 步骤S303：计算数据曲线及其函数的多阶导数，获取多阶特征，将所述多阶特征与预设的参考特征进行比对，得到评分；

[0106] 多次计算导数，不断地获取变化特征，从而得到多阶特征；将多阶特征与预设的参考特征（预先查询统计）进行比对，生成该传感器的评分。

[0107] 步骤S304：获取各个高危点位对应的传感器的评分，生成胶泵运行表；

[0108] 一个传感器可能对应着多个高危点位，以高危点位为基准，查找相关传感器的评分，可以生成胶泵运行表。

[0109] 图5为胶泵故障诊断维护分析优化方法的第四子流程框图，所述基于胶泵运行表确定故障类型，根据胶泵运行表及其故障类型训练神经网络模型的步骤包括：

[0110] 步骤S401：将所述胶泵运行表转换为胶泵运行矩阵；

[0111] 分别比对多阶特征中各阶导数对应的子特征，生成的胶泵运行表中的评分项就是多个评分；无论是单个评分还是多个评分，都可以将胶泵运行表转换为胶泵运行矩阵。

[0112] 步骤S402：依次在预设的故障特征表中读取故障特征，基于所述故障特征在胶泵运行矩阵中进行遍历匹配，根据遍历匹配结果判断胶泵运行表的故障类型；所述故障特征为预设的矩阵；

[0113] 由预设的故障特征在胶泵运行矩阵中滑动并计算卷积，可以判断出胶泵运行矩阵中是否存在与故障特征相匹配的区域，如果存在，就说明存在故障，查询故障特征对应的故障类型即可。

[0114] 所述基于所述故障特征在胶泵运行矩阵中进行遍历匹配的过程为：

[0115] 基于所述故障特征确定滑动窗，根据滑动窗在胶泵运行矩阵中截取子矩阵，计算故障特征与子矩阵的卷积值，将卷积值作为遍历匹配结果。

[0116] 步骤S403：读取用户输入的胶泵应用场景，根据胶泵应用场景和故障类型搭建训练集，训练神经网络模型；

[0117] 由输入和输出构建训练集，训练自识别模型。

[0118] 图6为胶泵故障诊断维护分析优化方法的第五子流程框图，所述定时计算神经网络模型的准确率，当所述准确率达到预设的阈值时，提高神经网络模型的应用优先级的步骤包括：

[0119] 步骤S501：当接收到胶泵应用场景时，输入训练好的神经网络模型，得到第一故障类型；

[0120] 步骤S502：基于传感器数据生成的胶泵运行表确定第二故障类型；

[0121] 步骤S503：基于所述第二故障类型计算所述第一故障类型的准确率；

[0122] 比对神经网络模型的识别结果和胶泵运行表的识别结果，以胶泵运行表的识别结果为基准，判断神经网络模型的识别准确率。需要说明的是，实际维护过程发现的问题是最准确的问题，如果胶泵运行表的识别结果和实际维护过程发现的问题不同，那么就需要对胶泵运行表的识别过程进行调整。

[0123] 步骤S504：当所述准确率达到预设的阈值时，提高神经网络模型的应用优先级；

[0124] 当准确率足够高时，神经网络模型就作为主要识别手段。

[0125] 实施例2

[0126] 图7为胶泵故障诊断维护分析优化系统的组成结构框图，本发明实施例中，一种胶泵故障诊断维护分析优化系统，所述系统10包括：

[0127] 传感器设置模块11，用于获取胶泵的设计模型，对所述设计模型进行载荷分析，确定高危点位，基于所述高危点位设置传感器；

[0128] 传感器激活模块12，用于接收用户输入的胶泵应用场景，根据所述胶泵应用场景确定预测载荷，根据所述预测载荷激活所述传感器；所述胶泵应用场景包括流体参数和环境参数；

[0129] 运行表确定模块13，用于获取传感器数据，根据传感器数据确定胶泵运行表；所述胶泵运行表包括高危点位项和评分项；

[0130] 模型训练模块14，用于基于胶泵运行表确定故障类型，根据胶泵运行表及其故障类型训练神经网络模型；所述神经网络模型的输入为胶泵应用场景，输出为故障类型；

[0131] 模型应用模块15，用于定时计算神经网络模型的准确率，当所述准确率达到预设的阈值时，提高神经网络模型的应用优先级。

[0132] 所述传感器设置模块11包括：

[0133] 连接点位确定单元，用于获取胶泵的设计模型，根据设计模型中的编号信息确定连接点位；所述编号信息的数据结构为树；

[0134] 虚拟载荷计算单元，用于向所述设计模型中填充不同参数的虚拟流体，根据虚拟流体计算各连接点位的虚拟载荷；

[0135] 高危点位选取单元，用于获取连接点位处的形变参数，根据所述形变参数确定高危点位；

[0136] 处理执行单元，用于基于所述高危点位确定传感器位置及传感器类型。

[0137] 所述传感器激活模块12包括：

[0138] 数据接收单元，用于接收用户输入的流体粘度、颗粒物均值、颗粒物最大值和工作位置；

[0139] 环境信息获取单元，用于基于所述工作位置获取空气温度和空气湿度；

[0140] 载荷预测单元，用于将所述流体粘度、颗粒物均值、颗粒物最大值、空气温度和空气湿度输入预设的载荷判断模型，得到预测载荷；所述预测载荷包含载荷量和载荷位置；

[0141] 查询激活单元，用于根据所述载荷位置确定点位中心，根据所述载荷量确定点位半径，根据所述点位中心和所述点位半径查询目标传感器并激活；所述点位中心为高危点位的子集。

[0142] 所述运行表确定模块13包括：

[0143] 点群转换单元，用于获取传感器数据，基于时间将所述传感器数据转换为离散点群；

[0144] 点群拟合单元，用于根据预设的拟合模型拟合离散点群，得到传感器的数据曲线及其函数；

[0145] 评分生成单元，用于计算数据曲线及其函数的多阶导数，获取多阶特征，将所述多阶特征与预设的参考特征进行比对，得到评分；

[0146] 数据统计单元，用于获取各个高危点位对应的传感器的评分，生成胶泵运行表。

[0147] 所述胶泵故障诊断维护分析优化方法所能实现的功能均由计算机设备完成，所述计算机设备包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器中存储有至少一条程序代码，所述程序代码由所述一个或多个处理器加载并执行以实现所述胶泵故障诊断维护分析优化方法的功能。

[0148] 处理器从存储器中逐条取出指令、分析指令，然后根据指令要求完成相应操作，产生一系列控制命令，使计算机各部分自动、连续并协调动作，成为一个有机的整体，实现程序的输入、数据的输入以及运算并输出结果，这一过程中产生的算术运算或逻辑运算均由运算器完成；所述存储器包括只读存储器（Read‑Only Memory，ROM），所述只读存储器用于存储计算机程序，所述存储器外部设有保护装置。

[0149] 示例性的，计算机程序可以被分割成一个或多个模块，一个或者多个模块被存储在存储器中，并由处理器执行，以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在终端设备中的执行过程。

[0150] 本领域技术人员可以理解，上述服务设备的描述仅仅是示例，并不构成对终端设备的限定，可以包括比上述描述更多或更少的部件，或者组合某些部件，或者不同的部件，例如可以包括输入输出设备、网络接入设备、总线等。

[0151] 所称处理器可以是中央处理单元（Central Processing Unit，CPU），还可以是其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现成可编程门阵列（Field‑Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，上述处理器是上述终端设备的控制中心，利用各种接口和线路连接整个用户终端的各个部分。

[0152] 上述存储器可用于存储计算机程序和/或模块，上述处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现上述终端设备的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如信息采集模板展示功能、产品信息发布功能等）等；存储数据区可存储根据泊位状态显示系统的使用所创建的数据（比如不同产品种类对应的产品信息采集模板、不同产品提供方需要发布的产品信息等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card， SMC），安全数字（Secure Digital， SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

[0153] 终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例系统中的全部或部分模块/单元，也可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个系统实施例的功能。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read‑Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。

[0154] 需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

[0155] 以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。