CN101178844A - 基于信息融合的柴油动力装置故障诊断系统 - Google Patents
基于信息融合的柴油动力装置故障诊断系统 Download PDFInfo
- Publication number
- CN101178844A CN101178844A CNA2007101924806A CN200710192480A CN101178844A CN 101178844 A CN101178844 A CN 101178844A CN A2007101924806 A CNA2007101924806 A CN A2007101924806A CN 200710192480 A CN200710192480 A CN 200710192480A CN 101178844 A CN101178844 A CN 101178844A
- Authority
- CN
- China
- Prior art keywords
- module
- acquisition module
- electrically connected
- output terminal
- diagnosis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于信息融合的柴油动力装置故障诊断系统，它包括：融合诊断子系统(监测计算机、融合诊断计算机、便携式仪器、打印机/报警器)，信号调理子系统(串口通讯模块、USB采集模块、数据采集卡、第一采集模块、第二采集模块、第三采集模块、第一信号调理模块、第二信号调理模块)，传感器子系统(压力变送器、温度变送器、转速变送器、扭矩传感器、燃爆压力传感器、振动传感器)。本发明应用信息融合的方法较好地解决了目前柴油动力装置故障定位困难的问题，为实现柴油动力装置的故障精确诊断提供了必要的手段和技术保障。
Description
技术领域
本发明属于机械动力装置的检测设备，具体涉及一种柴油动力装置故障诊断系统。
背景技术
柴油机作为舰船常用的一种动力机械，在海军各类舰船中有着极其广泛的应用，而且随着军事的发展，作为主动力装置的柴油机也正不断地向大型、高速、强载、连续运行以及结构高度复杂化方向发展。柴油机是结构比较复杂、可靠性相对较差的一种动力机械，其故障分析一般难度较大，一旦发生故障将会导致武器装备的瘫痪，往往会造成灾难性的后果。因此，柴油机故障分析具有广泛的代表性，对其进行深入研究，对于舰船装备的故障分析具有普遍的指导意义。
柴油机故障的分析与诊断是否正确，对于能否避免故障的反复出现、故障后果的扩展和故障信息资源的利用等，具有决定性的影响。近年来，由于柴油机故障的多发性、诊断与治理的通用性和必要性，柴油机故障诊断越来越受到人们的重视。在柴油机故障诊断领域，目前主要采用单一的测试诊断手段方法。比如：基于振动信号的时域、频域特征提取分析法、基于转速波动的诊断方法、基发动机扭振的方法、基于发动机热工参数的方法等。
振动分析方法，主要的测量参数是加速度、速度和位移。振动信号是反映柴油机内各部件间关系的极其敏感的参数，柴油机振动是缸内气体燃爆压力、进排气门落座冲击和进排气门开启气流冲击等多种激励力综合作用的结果，同时还受机身整体振动等其它因素的影响，其表现形式上既有与工作循环有关的周期性特性，又有非平稳时变及某些冲击特性，这给信号分析和征兆提取带来了很大的难度。
基于转速波动的诊断方法，近年来在柴油机故障诊断方面也得到了很大的发展。柴油机在正常运行状态时，各缸的动力性能应基本一致，机器运转比较平稳；各缸的瞬时转速波动虽有差异，但总在一个不大的范围内，并呈现某种规律性。当柴油机的某一缸工作不正常，例如出现断油、拉缸或者活塞环磨损等故障，而其余缸正常时，出现故障的缸的做功压力与正常情况下相比有所下降，这势必将改变这一缸在做功时曲轴与飞轮的转速变化趋势，从而导致曲轴与飞轮的转速波动规律发生改变；因此，通过分析曲轴转速的波动规律，在一定程度上可以诊断各缸的故障情况。但这种方法也有其不足之处，它虽然能够判定工作不正常的缸位，但并不能确定造成故障的原因；这方面的缺陷则很大程度上限制了它的应用范围。
由于柴油机的状态信号传播路径复杂，故障与特征参数之间的映射关系模糊，再加上边界条件的不确定性、运行工况的多变性等因素，在故障征兆和故障原因之间往往难以建立准确的对应关系，因此，采用单一的测试诊断手段往往难以获得理想的故障定位效果。
发明内容
本发明目的在于解决以上现有技术存在的问题，提供一种可以集成多种测试诊断手段的基于信息融合的柴油动力装置故障诊断系统。
本发明的目的通过采用如下技术方案予以实现：
基于信息融合的柴油动力装置故障诊断系统，主要由融合诊断子系统、信号调理子系统、传感器子系统组成。其中：
融合诊断子系统包括：监测计算机、诊断计算机、便携式仪器、打印机/报警器；
信号调理子系统包括：串口通讯模块、USB采集模块、数据采集卡、第一采集模块、第二采集模块、第三采集模块、第一信号调理模块、第二信号调理模块；
传感器子系统包括：压力变送器、温度变送器、转速变送器、扭矩传感器、燃爆压力传感器、振动传感器；
压力变送器、温度变送器、转速变送器它们的输出端分别电连接于第一采集模块、第二采集模块、第三采集模块，扭矩传感器输出端电连接于第一信号调理模块，燃爆压力传感器与振动传感器它们的输出端电连接于第二信号调理模块，第一采集模块、第二采集模块、第三采集模块它们的输出端分别电连接于串口通讯模块，第一信号调理模块的输出端电连接于USB采集模块，USB采集模块的输出端电连接于融合诊断计算机，第二信号调理模块的输出端电连接于数据采集卡，数据采集卡的输出端电连接于便携式仪器，监测计算机通过串口与串口通讯模块电连接，其输出端分别电连接于融合诊断计算机和报警器/打印机，便携式仪器，可以是热工参数仪、激光振动仪、红外成像仪等，其输出端与融合诊断计算机电连接。
压力变送器，主要用于柴油机中非缸内压力测量，将压力信号转变为电信号；
温度变送器，主要用于柴油机中非缸内温度测量，将温度量转变为电信号；
转速变送器，主要用于主轴转速、尾轴转速与柴油机增压器转速的测量，将转速直接转变为电信号；
扭矩传感器，用于主轴扭矩的敏感与测量；
燃爆压力传感器与振动传感器，主要用于敏感便携式仪器所测物理量，常用的如：缸内燃爆压力信号、缸内温度信号及振动信号等；
第一采集模块，用于采集压力变送器的信号；
第二采集模块，用于采集温度变送器的信号；
第三采集模块，用于采集转速变送器的信号；
串口通讯模块，用于第一采集模块、第二采集模块、第三采集模块与监测计算机的通讯；
第一信号调理模块，用于调理扭矩传感器的输出信号；
USB采集模块，用于第一信号调理模块与融合诊断计算机的通讯；
第二信号调理模块，用于调理便携式仪器所需传感器的输出信号；
数据采集卡，用于第二信号调理模块输出数据的采集并与便携式仪器实现通讯；
监测计算机，用于对对温度、压力、转速、扭矩等在线监测，完成报警、打印功能，并向融合诊断计算机提供监测结果；
报警器/打印机，完成超限报警功能及监测数据打印功能；
便携式仪器，可以是热工参数仪、激光振动仪、红外成像仪等，根据所要监测的参数而配制，完成特定物理量的测试任务；
融合诊断计算机，从监测计算机、便携式仪器获取柴油机的监测数据，对现场测试数据进行处理，提取表征故障的有效特征，然后应用粗糙集方法对故障特征进行优选，最后应用证据理论方法进行故障的融合决策，从而实现故障的快速准确定位。
本发明的特点在于：融合诊断计算机从在线监测装置中获取温度、压力、转速、扭矩等在线监测参数，当发现动力装置异常的时候，首先应用所获取的在线监测参数进行初步的隔离；如果不能准确隔离，则启动进一步的诊断过程，从热工检测仪、激光测振仪等便携式仪器中获取所需的补充数据，并应用基于粗糙集和证据理论的方法进行融合诊断，对故障进行准确定位。该系统应用信息融合的方法较好地解决了目前柴油动力装置故障定位困难的问题，为实现柴油动力装置的故障精确诊断提供了必要的手段和技术保障。
附图说明
图1是本发明的结构示意图
图2是本发明诊断柴油动力装置故障的流程图
具体实施方式
本发明系统结构如图1所示，主要由融合诊断子系统1、信号调理子系统2、传感器子系统3组成，其中：
融合诊断子系统1包括：监测计算机12、诊断计算机13、便携式仪器14、打印机/报警器11；
信号调理子系统2包括：串口通讯模块21、USB采集模块22、数据采集卡23、第一采集模块24、第二采集模块25、第三采集模块26、第一信号调理模块27、第二信号调理模块28；
传感器子系统3包括：压力变送器31、温度变送器32、转速变送器33、扭矩传感器34、燃爆压力传感器35、振动传感器36；
压力变送器31、温度变送器32、转速变送器33它们的输出端分别电连接于第一采集模块24、第二采集模块25、第三采集模块26，扭矩传感器34输出端电连接于第一信号调理模块27，燃爆压力传感器35与振动传感器36它们的输出端电连接于第二信号调理模块28，第一采集模块24、第二采集模块25、第三采集模块26它们的输出端分别电连接于串口通讯模块21，第一信号调理模块27的输出端电连接于USB采集模块22，USB采集模块22的输出端电连接于融合诊断计算机13，第二信号调理模块28的输出端电连接于数据采集卡23，数据采集卡23的输出端电连接于便携式仪器14，监测计算机12通过串口与串口通讯模块21电连接，其输出端分别电连接于融合诊断计算机13和报警器/打印机11，便携式仪器14，可以是热工参数仪、激光振动仪、红外成像仪等，其输出端与融合诊断计算机13电连接。
其中融合诊断计算机为本发明系统的核心，它从监测计算机中获取温度、压力、转速、扭矩等在线监测参数，当发现动力装置异常的时候，首先应用所获取的在线监测参数进行初步的隔离。
如果不能准确隔离，则启动进一步的诊断过程，从热工检测仪、红外成像仪等便携式设备中获取所需的补充数据，应用基于粗糙集和证据理论的方法进行融合诊断，对故障进行准确定位。
粗糙集(Rough Sets)理论是由Pawlak于1982年提出的，是处理不确定和不精确问题的一种新型数学工具；粗糙集理论不需要关于数据的任何初始或附加信息，可用于剔除冗余成分，提取互不相关的必需特征。证据理论又称D-S理论，是由Dempster于1967年提出的，后经Shafer加以扩充和发展；证据理论是信息融合技术中极其有效的一种不确定性推理方法，已经在故障诊断领域得到广泛应用。柴油动力装置的结构非常复杂，对其进行故障分析难度较大，主要困难在于：故障原因、故障症状以及特征参数之间表现出极其错综复杂的映射关系。不过，证据理论依赖于专家知识提供证据，而且Dempster合成法则要求各证据体是相互独立的，这在实际应用中往往难以满足；考虑到粗糙集理论与证据理论均关注于对象的“分类”，两者之间存在很强的互补关系，可以借助粗糙集理论来克服证据获取主观性和证据体相关性的缺陷。本发明致力于将证据理论与粗糙集理论有机地结合起来，提出了故障诊断问题的一种新的研究思路：利用粗糙集理论，可剔除没有诊断利用价值的冗余特征，提取对故障敏感的关键特征参数集并作为推理诊断的相关证据；基于决策表实现基本可信度分配后，利用D-S证据理论，可对各证据进行有效融合，得出相应诊断结果；由此，解决了证据的主观性和相关性问题，提高了故障诊断的准确率，并有效降低了需要处理的信息量，有助于实现在线诊断应用。
融合诊断流程如图2所示。其中对柴油动力装置进行融合诊断研究，包括了学习训练过程、故障诊断过程两个阶段。
在学习训练过程中，首先需要分析建立柴油动力装置的常见故障模式库，模式库中包含了从温度、压力、扭矩等在线监测信号提取的特征，以及从燃爆压力、振动等便携式检测信号获取的特征。在分析柴油动力装置技术特点和故障模式特性的基础上，可确定能够实施的故障试验与测试分析，采集并提取柴油动力装置状态信号的特征；对于难以试验模拟的故障，可直接将维修人员及其他相关资料提供的专家知识经验以一定的方式写入专家系统规则库中。对于相关的故障特征，经过粗糙集的规则提取和特征约简之后，可找出对故障充分敏感的关键信号特征，最后将得出的专家规则写入专家系统知识库，约简后的故障状态信号可作为标准模式放入故障模式库中。
在故障诊断过程中，首先对温度、压力、扭矩等信号进行在线监测，当信号特征超过阈值限而出现状态报警之后，调用专家知识库，对柴油动力装置当前的故障模式进行一个初步的分析。当故障模式初步分析的过程中因信息不足而需要高速采集燃爆压力等信号时，可通过便携式设备追加测试手段，采集数据并进行相关特征的提取。在此基础上，可对故障模式进一步分析和判断，利用D-S证据理论对反映故障状态的证据进行融合，这包括了在线监测信号组成的证据和便携式高速数据采集后得到的故障特征。最后，可得到相应的故障诊断结论，并由此提高相关的维修操作建议，并对专家知识库进行反馈，实现知识更新。
下面用一个具体实例来说明本发明的有益效果：
测试信号包括：多测点振动信号、缸内压力信号、尾轴扭矩信号，通过融合实现第2缸断油、第3缸断油、第4缸断油、进气风门关、进气风门开等故障的隔离。
监测计算机根据监测信号所提取的特征包括：
●振动信号提取的特征有：峰值、峰峰值、均方根值、均方幅值、偏态因数、峰态因数、波形因子、脉冲因子、频带能量1～8。
●缸内压力信号提取的特征有：峰值、峰峰值、均方根值、均方幅值、偏态因数、峰态因数、波形因子、脉冲因子。
●尾轴扭矩信号提取的特征有：峰值、峰峰值、均方根值、均方幅值、偏态因数、峰态因数、波形因子、脉冲因子、频带能量1～8。
每种工况下随机选取了16组样本，其中15组用于信息融合诊断决策研究，留下1组用于检验最终效果。即为：针对90组样本，对其40类特征(含冗余特征)进行分析。
应用特征约简的结果是：40类特征中，仅有5种特征是必需特征，其余的特征作为它们的冗余特征被剔除，如表1所示。
表1特征约简结果
| ③(1)峰态因数(e1) | ⑤(1)均方根值(e2) | ⑦(3)峰峰值(e3) | ⑨峰峰值(e4) | ⑨频带3能量(e5) | 工况D |
| 1 | 1 | 1 | 1 | 1 | ① |
| 1 | 1 | 1 | 1 | 2 | ① |
| 2 | 1 | 1 | 1 | 2 | ① |
| 3 | 1 | 1 | 1 | 2 | ① |
| 4 | 1 | 2 | 1 | 2 | ① |
| 5 | 2 | 3 | 1 | 1 | ② |
| 5 | 2 | 3 | 1 | 2 | ② |
| 6 | 2 | 3 | 1 | 1 | ② |
| 6 | 2 | 3 | 1 | 2 | ② |
| 1 | 1 | 4 | 1 | 1 | ③ |
| 1 | 1 | 4 | 1 | 2 | ③ |
| 2 | 1 | 4 | 1 | 2 | ③ |
| 4 | 1 | 4 | 1 | 1 | ③ |
| 4 | 1 | 4 | 1 | 2 | ③ |
| 7 | 1 | 4 | 1 | 2 | ③ |
| 1 | 1 | 5 | 1 | 2 | ④ |
| 1 | 3 | 4 | 1 | 1 | ④ |
| 1 | 4 | 4 | 1 | 2 | ④ |
| 1 | 5 | 4 | 1 | 2 | ④ |
| 1 | 6 | 4 | 1 | 1 | ④ |
| 2 | 4 | 4 | 1 | 2 | ④ |
| 4 | 4 | 4 | 1 | 1 | ④ |
| 4 | 5 | 4 | 1 | 1 | ④ |
| 7 | 1 | 4 | 1 | 1 | ④ |
| 7 | 4 | 4 | 1 | 1 | ④ |
| 1 | 1 | 1 | 2 | 1 | ⑤ |
| 1 | 1 | 1 | 2 | 3 | ⑤ |
| 1 | 1 | 1 | 2 | 4 | ⑤ |
| 2 | 1 | 1 | 2 | 4 | ⑤ |
| 3 | 1 | 1 | 2 | 4 | ⑤ |
| 4 | 1 | 2 | 2 | 4 | ⑤ |
| 1 | 1 | 1 | 3 | 2 | ⑥ |
| 1 | 1 | 1 | 3 | 5 | ⑥ |
| 1 | 1 | 1 | 4 | 1 | ⑥ |
| 2 | 1 | 1 | 3 | 1 | ⑥ |
| 2 | 1 | 1 | 3 | 2 | ⑥ |
| 2 | 1 | 1 | 3 | 6 | ⑥ |
| 3 | 1 | 1 | 3 | 2 | ⑥ |
| 4 | 1 | 2 | 3 | 2 | ⑥ |
约简后的特征列可以作为诊断决策的推理证据，即为：(e1)缸1信号峰态因数、(e2)测点5的振动信号均方根值、(e3)缸2信号峰峰值、(e4)扭矩信号的峰峰值、(e5)扭矩信号的某子频带能量。决策列项依次为：(正常)正常、(F1)第2缸断油、(F2)第3缸断油、(F3)第4缸断油、(F4)进气风门关、(F5)进气风门开等6种正常和故障工况。
基于D-S证据理论的有关计算方法，把待验证的样本进行整理，最终生成用于诊断决策的置信度分配表。下面列举了其中几个工况的部分情况，分别如表2、表3、表4所示。
表2正常工况的样本验证
| 正常 | 正常 | F1 | F2 | F3 | F4 | F5 |
| e1 | 0.4493 | 0.1544 | 0.0939 | 0.0749 | 0.1137 | 0.1137 |
| e2 | 0.2711 | 0.1164 | 0.1243 | 0.0472 | 0.2205 | 0.2205 |
| e3 | 0.299 | 0.0544 | 0.1032 | 0.0847 | 0.2293 | 0.2293 |
| e4 | 0.1986 | 0.2448 | 0.1995 | 0.1995 | 0.1122 | 0.0453 |
| e5 | 0.2514 | 0.1727 | 0.1727 | 0.1727 | 0.0511 | 0.1795 |
| e1+e2 | 0.5938 | 0.0876 | 0.0569 | 0.0172 | 0.1222 | 0.1222 |
| e1+e2+e3 | 0.7225 | 0.0194 | 0.0239 | 0.006 | 0.1141 | 0.1141 |
| e1+e2+e3+e4 | 0.8334 | 0.0276 | 0.0277 | 0.007 | 0.0744 | 0.03 |
| e1+e2+e3+e4+e5 | 0.9134 | 0.0207 | 0.0208 | 0.0052 | 0.0166 | 0.0234 |
表3第2缸断油工况的样本验证
| ②第2缸断油 | 正常 | F1 | F2 | F3 | F4 | F5 |
| e1 | 0.361 | 0.1601 | 0.116 | 0.0997 | 0.1316 | 0.1316 |
| e2 | 0.168 | 0.327 | 0.1107 | 0.0555 | 0.1694 | 0.1694 |
| e3 | 0.1326 | 0.4394 | 0.0823 | 0.0737 | 0.136 | 0.136 |
| e4 | 0.1986 | 0.2448 | 0.1995 | 0.1995 | 0.1122 | 0.0453 |
| e5 | 0.2514 | 0.1727 | 0.1727 | 0.1727 | 0.0511 | 0.1795 |
| e1+e2 | 0.2976 | 0.3446 | 0.0729 | 0.0314 | 0.1267 | 0.1267 |
| e1+e2+e3 | 0.2084 | 0.5964 | 0.0274 | 0.0106 | 0.0786 | 0.0786 |
| e1+e2+e3+e4 | 0.1996 | 0.7041 | 0.0264 | 0.0102 | 0.0425 | 0.0172 |
| e1+e2+e3+e4+e5 | 0.2738 | 0.6631 | 0.0249 | 0.0096 | 0.0118 | 0.0168 |
表4进气风门开工况的样本验证
| ⑥进气风门开 | 正常 | F1 | F2 | F3 | F4 | F5 |
| e1 | 0.3252 | 0.1929 | 0.1055 | 0.1327 | 0.1327 | 0.1108 |
| e2 | 0.1114 | 0.0781 | 0.1637 | 0.1107 | 0.1107 | 0.4255 |
| e3 | 0.1286 | 0.0561 | 0.2481 | 0.125 | 0.125 | 0.3171 |
| e4 | 0.1986 | 0.2448 | 0.1995 | 0.0453 | 0.1122 | 0.1995 |
| e5 | 0.2514 | 0.1727 | 0.1727 | 0.1795 | 0.0511 | 0.1727 |
| e1+e2 | 0.2536 | 0.111 | 0.1274 | 0.1082 | 0.1082 | 0.2916 |
| e1+e2+e3 | 0.2052 | 0.0341 | 0.1729 | 0.074 | 0.074 | 0.4399 |
| e1+e2+e3+e4 | 0.2227 | 0.0455 | 0.1885 | 0.0183 | 0.0453 | 0.4797 |
| e1+e2+e3+e4+e5 | 0.303 | 0.0425 | 0.1761 | 0.0178 | 0.0125 | 0.4481 |
从表2、表3、表4可以看出，利用单个证据难免出现无法诊断或者诊断错误的情况，错误地判断了相应的故障或工况。在表2中，单个证据e1关于“正常”的信任度为0.4493，远大于关于其它工况的信任度数值，能够正确诊断；而单个证据e2、e3、e5虽然对于“正常”的信任度最大，但并未表现出与其它工况的明显差距，诊断的可信程度并不高；至于单个证据e4，则判断为“F1”工况，属于诊断错误的情况。在表3中，e2、e3能够正确诊断，e1、e5则类似地出现了错误诊断，而e4则属于信任程度不高的情况。表4的基本情况与此相似，不再进行详述。
从表2、表3、表4中还可以看到，在多种证据的综合推理下得到了极大改善，能够准确地判断出相应的故障或工况；对于单个证据能够准确判断的情况，在多种证据的综合推理下仍然保持正确。在表2中，对于e1+e2、e1+e2+e3、e1+e2+e3+e4和e1+e2+e3+e4+e5的组合证据，均给出了正确的“正常”诊断结果，且信任度不断增大，不确定度不断减小；需要说明的是，对于其它的证据组合情况也是类似的，推理诊断结果不断得到改善，信任度与可信程度都在不断地增强。在表3中，虽然e1+e2进行正确诊断的可信程度不高，但e1+e2+e3、e1+e2+e3+e4和e1+e2+e3+e4+e5都能够做出正确的判断；对于表4来说，分析结果也是类似的。特别需要说明的是，对于全部关键特征e1+e2+e3+e4+e5，在综合推理中能够给出有效的诊断结果。
总的来说，证据推理是处理不确定性型决策问题的重要方法，但其假设空间的基本概率指派往往是由专家凭经验、知识和对问题域的了解事先给定的，因而带有很大的主观性。粗糙集理论和证据推理有密切的关系，从粗糙集理论和证据理论的基本关系入手，两者相结合很好地增强了处理不确定决策问题的能力。
Claims (1)
1.一种基于信息融合的柴油动力装置故障诊断系统，其特征是主要由融合诊断子系统、信号调理子系统、传感器子系统组成，其中：
融合诊断子系统包括：监测计算机、诊断计算机、便携式仪器、打印机/报警器；
信号调理子系统包括：串口通讯模块、USB采集模块、数据采集卡、第一采集模块、第二采集模块、第三采集模块、第一信号调理模块、第二信号调理模块；
传感器子系统包括：压力变送器、温度变送器、转速变送器、扭矩传感器、燃爆压力传感器、振动传感器；
压力变送器、温度变送器、转速变送器它们的输出端分别电连接于第一采集模块、第二采集模块、第三采集模块，扭矩传感器输出端电连接于第一信号调理模块，燃爆压力传感器与振动传感器它们的输出端电连接于第二信号调理模块，第一采集模块、第二采集模块、第三采集模块它们的输出端分别电连接于串口通讯模块，第一信号调理模块的输出端电连接于USB采集模块，USB采集模块的输出端电连接于融合诊断计算机，第二信号调理模块的输出端电连接于数据采集卡，数据采集卡的输出端电连接于便携式仪器，监测计算机通过串口与串口通讯模块电连接，其输出端分别电连接于融合诊断计算机和报警器/打印机，便携式仪器输出端与融合诊断计算机电连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CNB2007101924806A CN100472574C (zh) | 2007-12-03 | 2007-12-03 | 基于信息融合的柴油动力装置故障诊断系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CNB2007101924806A CN100472574C (zh) | 2007-12-03 | 2007-12-03 | 基于信息融合的柴油动力装置故障诊断系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN101178844A true CN101178844A (zh) | 2008-05-14 |
| CN100472574C CN100472574C (zh) | 2009-03-25 |
Family
ID=39405083
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CNB2007101924806A Expired - Fee Related CN100472574C (zh) | 2007-12-03 | 2007-12-03 | 基于信息融合的柴油动力装置故障诊断系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN100472574C (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101799359B (zh) * | 2010-01-27 | 2011-05-25 | 北京信息科技大学 | 一种动力设备故障监测预报方法及其系统 |
| CN101798957B (zh) * | 2010-01-27 | 2011-10-05 | 北京信息科技大学 | 一种动力设备故障诊断方法 |
| CN103616187A (zh) * | 2013-10-15 | 2014-03-05 | 北京化工大学 | 一种基于多维度信息融合的故障诊断方法 |
| CN103900824A (zh) * | 2014-03-27 | 2014-07-02 | 哈尔滨工程大学 | 基于瞬时转速聚类分析的柴油机故障诊断方法 |
| CN104361408A (zh) * | 2014-11-04 | 2015-02-18 | 沈阳黎明航空发动机(集团)有限责任公司 | 一种航空发动机主轴承装配游隙选配方法 |
| CN104865075A (zh) * | 2014-02-26 | 2015-08-26 | 南京理工大学 | 船舶柴油机振动信号的分析系统及其方法 |
| CN105487530A (zh) * | 2016-02-01 | 2016-04-13 | 中国人民解放军镇江船艇学院 | 柴油机排温低故障预测系统及方法 |
| CN109521752A (zh) * | 2018-11-13 | 2019-03-26 | 中国人民解放军陆军工程大学 | 控制箱检测系统 |
| CN110530647A (zh) * | 2019-08-30 | 2019-12-03 | 大连海事大学 | 基于声发射技术和曲轴瞬时转速的内燃机健康监测方法 |
| CN110715806A (zh) * | 2019-10-25 | 2020-01-21 | 中船动力有限公司 | 柴油机进排气系统健康评估方法 |
| CN111076808A (zh) * | 2019-12-20 | 2020-04-28 | 中国北方发动机研究所(天津) | 一种柴油机台架试验实时振动监测及预警系统 |
| CN115112360A (zh) * | 2022-06-22 | 2022-09-27 | 南京智慧水运科技有限公司 | 一种基于信度更新与融合的船舵故障诊断方法 |
-
2007
- 2007-12-03 CN CNB2007101924806A patent/CN100472574C/zh not_active Expired - Fee Related
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101798957B (zh) * | 2010-01-27 | 2011-10-05 | 北京信息科技大学 | 一种动力设备故障诊断方法 |
| CN101799359B (zh) * | 2010-01-27 | 2011-05-25 | 北京信息科技大学 | 一种动力设备故障监测预报方法及其系统 |
| CN103616187B (zh) * | 2013-10-15 | 2016-06-01 | 北京化工大学 | 一种基于多维度信息融合的故障诊断方法 |
| CN103616187A (zh) * | 2013-10-15 | 2014-03-05 | 北京化工大学 | 一种基于多维度信息融合的故障诊断方法 |
| CN104865075B (zh) * | 2014-02-26 | 2020-11-17 | 南京理工大学 | 船舶柴油机振动信号的分析系统及其方法 |
| CN104865075A (zh) * | 2014-02-26 | 2015-08-26 | 南京理工大学 | 船舶柴油机振动信号的分析系统及其方法 |
| CN103900824B (zh) * | 2014-03-27 | 2016-09-14 | 哈尔滨工程大学 | 基于瞬时转速聚类分析的柴油机故障诊断方法 |
| CN103900824A (zh) * | 2014-03-27 | 2014-07-02 | 哈尔滨工程大学 | 基于瞬时转速聚类分析的柴油机故障诊断方法 |
| CN104361408A (zh) * | 2014-11-04 | 2015-02-18 | 沈阳黎明航空发动机(集团)有限责任公司 | 一种航空发动机主轴承装配游隙选配方法 |
| CN104361408B (zh) * | 2014-11-04 | 2017-11-10 | 沈阳黎明航空发动机(集团)有限责任公司 | 一种航空发动机主轴承装配游隙选配方法 |
| CN105487530A (zh) * | 2016-02-01 | 2016-04-13 | 中国人民解放军镇江船艇学院 | 柴油机排温低故障预测系统及方法 |
| CN105487530B (zh) * | 2016-02-01 | 2018-07-31 | 中国人民解放军镇江船艇学院 | 柴油机排温低故障预测系统及方法 |
| CN109521752A (zh) * | 2018-11-13 | 2019-03-26 | 中国人民解放军陆军工程大学 | 控制箱检测系统 |
| CN109521752B (zh) * | 2018-11-13 | 2022-04-22 | 中国人民解放军陆军工程大学 | 控制箱检测系统 |
| CN110530647B (zh) * | 2019-08-30 | 2021-05-14 | 大连海事大学 | 基于声发射技术和曲轴瞬时转速的内燃机健康监测方法 |
| CN110530647A (zh) * | 2019-08-30 | 2019-12-03 | 大连海事大学 | 基于声发射技术和曲轴瞬时转速的内燃机健康监测方法 |
| CN110715806A (zh) * | 2019-10-25 | 2020-01-21 | 中船动力有限公司 | 柴油机进排气系统健康评估方法 |
| CN111076808B (zh) * | 2019-12-20 | 2022-03-22 | 中国北方发动机研究所(天津) | 一种柴油机台架试验实时振动监测及预警系统 |
| CN111076808A (zh) * | 2019-12-20 | 2020-04-28 | 中国北方发动机研究所(天津) | 一种柴油机台架试验实时振动监测及预警系统 |
| CN115112360A (zh) * | 2022-06-22 | 2022-09-27 | 南京智慧水运科技有限公司 | 一种基于信度更新与融合的船舵故障诊断方法 |
| CN115112360B (zh) * | 2022-06-22 | 2024-04-16 | 南京智慧水运科技有限公司 | 一种基于信度更新与融合的船舵故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN100472574C (zh) | 2009-03-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN100472574C (zh) | 基于信息融合的柴油动力装置故障诊断系统 | |
| CN102494899B (zh) | 柴油机复合故障诊断方法及诊断系统 | |
| CN104712542B (zh) | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 | |
| CN106644484A (zh) | Eemd与邻域粗糙集结合的涡桨发动机转子系统故障诊断方法 | |
| CN101907088B (zh) | 基于单类支持向量机的故障诊断方法 | |
| EP2047339B1 (en) | Methods and apparatuses for monitoring a system | |
| CN203083829U (zh) | 基于简易工况法尾气排放检测的汽车故障诊断系统 | |
| Czech et al. | Application of cepstrum and spectrum histograms of vibration engine body for setting up the clearance model of the piston-cylinder assembly for RBF neural classifier | |
| CN108920426A (zh) | 一种基于幂均算子和ds证据理论的故障诊断方法 | |
| CN103969052A (zh) | 基于离群分析的柴油机故障诊断方法 | |
| CN107077134A (zh) | 用于对监控飞机发动机的系统进行验证的工具 | |
| CN105447250A (zh) | 一种机电设备健康表征参数确定方法 | |
| CN110334844A (zh) | 利用船舶主推进柴油机运行状态的船舶优化使用方法 | |
| CN106339720A (zh) | 一种汽车发动机的失效检测方法 | |
| CN202661269U (zh) | 一种柴油机复合故障诊断的测试平台 | |
| CN110554682B (zh) | 基于故障关联分析的故障检测推理方法 | |
| CN107977679A (zh) | 基于频响函数和运行响应特征诊断复杂装置早期故障的方法 | |
| Du et al. | Research on the application of artificial intelligence method in automobile engine fault diagnosis | |
| CN106909136A (zh) | 一种基于指数正则化零空间线性鉴别分析的故障诊断方法 | |
| CN109990891A (zh) | 一种基于多测点信息融合的柴油机振动冲击来源识别方法 | |
| CN112487709A (zh) | 一种基于敏感性分析的船用柴油机故障溯源方法 | |
| Yan et al. | Misfire detection on internal combustion engine based on fluctuation of exhaust gas temperature | |
| Shi et al. | Fault diagnosis of me marine diesel engine fuel injector with novel ircmde method | |
| CN113050595B (zh) | 一种基于pfmea和hra方法的潜在故障分析方法 | |
| CN111709453B (zh) | 一种航空发动机电气系统在线故障诊断方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| C17 | Cessation of patent right | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20090325 Termination date: 20101203 |