CN101182802A - 相继增压系统故障预测与诊断装置及故障预测与诊断方法 - Google Patents

Abstract

本发明提供的是一种柴油机相继增压系统故障预测与诊断装置及故障预测与诊断方法。由信号采集装置、信号调理转换器、参数设置单元、数据处理装置和显示器组成。采用灰色系统理论对测控系统传感器采集到的信号进行分析处理，对单调性信号建立灰色一阶模型，对波动性信号建立改进后的灰色残差一阶模型，并采用新陈代谢模型处理新引进系统的信息。通过预处理从所得到的传感器信息中提炼出下一采样时刻的数据。应用根据经验所得的相继增压系统故障及其特征表现的相关数据培训出一个符合诊断精度的神经网络，采用此神经网络对下一采样时刻数据进行处理，从而预测并诊断出可能要发生的故障，为进一步采取措施从而预防故障的发生奠定了基础。

Description

相继增压系统故障预测与诊断装置及故障预测与诊断方法

(一)技术领域

本发明涉及的是一种燃烧发动机的控制装置及控制方方法，具体地说是柴油机相继增压系统的故障预测与故障诊断装置及方法。

(二)背景技术

目前，柴油机因其热效率高等优势被广泛应用于船舶、汽车等交通工具主动力、辅助发电设备等，相继增压是一种采用多台增压器改善柴油机性能的技术。由于柴油机工作环境恶劣，受多种因素影响因此有必要对其进行故障诊断。同时目前流行的故障诊断技术多是在故障发生后对故障的种类或部位进行判断。

相继增压是为了扩大低压缩比、高增压发动机的工作范围，增大发动机的低速扭矩和降低部分负荷运行时的燃油消耗率的一项技术。该技术是采用多个涡轮增压器，随发动机转速和负荷的增长，相继按次序地投入运行，这样就可以保证工作着的涡轮增压器始终在高效率区运行，以使发动机的燃油消耗率在整个运转区域内都较低，具有良好的部分负荷性能。

柴油机工作环境恶劣，所受机械负荷、热负荷大，结构复杂，然而，目前的对于柴油机的故障诊断技术主要是集中于柴油机本体，对于其相继增压系统的故障诊断与故障预测国内外尚未见到文献记载。相继增压系统包括多台增压器及其相应的执行阀和控制系统，对其进行故障诊断与故障预测十分必要。

(三)发明内容

本发明的目的在于提供一种在故障发生之前能予以预测并对可能发生的故障进行诊断，从而做到“防患于未然”，以便及时地防止故障发生的相继增压系统故障预测与诊断装置。本发明的目的还在于提供一种相继增压系统故障预测与诊断的方法。。

本发明的目的是这样实现的：

本发明的相继增压系统故障预测与诊断装置由信号采集装置1、信号调理转换器2、参数设置单元3、数据处理装置4和显示器5组成，信号采集装置1由压力、转速、功率、油耗传感器组成；信号调理转换器2由信号放大、滤波单元21，电流转换单元22和A/D转换器23依次连接组成；数据处理装置4由下一采样时刻数据预测单元41、均一化处理单元42、故障预测及诊断单元43依次连接组成；信号采集装置1输入信号调理转换器2的信号放大、滤波单元21，信号调理转换器2的输出以及参数设置单元3连接到数据处理装置4的下一采样时刻数据预测单元41，数据处理装置4的故障预测及诊断单元43的输出连接显示器5。

本发明还可以包括：

数据处理装置4的故障预测及诊断单元43的输出还连接报警器6。所述的报警器包括指示灯61和喇叭62。

本发明的柴油机相继增压系统的故障预测与故障诊断方法是：通过传感器采集相继增压柴油机的各种运行参数，首先对传感器信号进行放大，然后根据信号特征进行滤波以去除信号干扰，将各种信号转换成电压信号进行A/D转换，然后选用多路模拟开关进行选通逐一将采集的数据输入数据处理装置，在数据处理装置中，首先由下一采样时刻数据预测单元预测出下一单元的采样数据，然后将各种信号进行归一化处理，然后通过故障预测及诊断单元根据归一化处理后的数据对即将发生的故障种类进行故障预测与诊断，当判断不会发生故障时，重新回到数据采样环节，将当判断出有故障即将发生并诊断出故障种类后，将故障种类输出。

本发明的方法还可以包括

1、所述的采集相继增压柴油机的各种运行参数，是采集电压信号、电流信号和类正弦波信号。

2、所述的把故障的种类输出是通过液晶显示器输出。

3、所述的把故障的种类输出是通过液晶显示器、指示灯和喇叭输出。

4、它还包括通过按键输入对数据处理装置中的参数进行设置。

已有的故障诊断技术主要针对于柴油机本体。同时，目前的故障诊断技术主要是一种对已发生故障的诊断，多是“事后弥补”。本发明专利提出的故障预测与故障诊断，是指在故障发生之前予以预测并对可能发生的故障进行诊断，从而做到“防患于未然”，以便及时地防止故障发生。本项发明专利所采用的技术方案是：采用灰色系统理论对测控系统传感器采集到的信号进行分析处理，对单调性信号建立灰色一阶模型，对波动性信号建立改进后的灰色残差一阶模型，并采用新陈代谢模型处理新引进系统的信息。通过预处理从得所得到的传感器信息中提炼出下一采样时刻的数据。应用根据经验所得的相继增压系统故障及其特征表现的相关数据培训出一个符合诊断精度的神经网络，采用此神经网络对下一采样时刻数据进行处理，从而预测并诊断出可能要发生的故障，为进一步采取措施从而预防故障的发生奠定了基础。

本发明的主要效果是，可以在机械设备等在有发生故障的趋势时及时预测出并诊断出可能的故障，以避免故障发生所造成的危害。从而提高了相继增压系统的的可靠性。

(四)附图说明

图1是本发明的装置结构框图；

图2是本发明的方法的流程图。

(五)具体实施方式

下面结合附图举例对本发明做更详细地描述：

结合图1，的相继增压系统故障预测与诊断装置由信号采集装置1、信号调理转换器2、参数设置单元3、数据处理装置4和显示器5，信号采集装置1由压力、转速、功率、油耗传感器组成；信号调理转换器2由信号放大、滤波单元21，电流转换单元22和A/D转换器23依次连接组成；数据处理装置4由下一采样时刻数据预测单元41、均一化处理单元42、故障预测及诊断单元43依次连接组成；信号采集装置1输入信号调理转换器2的信号放大、滤波单元21，信号调理转换器2的输出以及参数设置单元3连接到数据处理装置4的下一采样时刻数据预测单元41，数据处理装置4的故障预测及诊断单元43的输出连接显示器5、指示灯61和喇叭62。

本发明的方法通过如下具体步骤来实现：

将原始数据列中的数据按某种要求作数据处理，称为生成。数据生成方式包括累加生成、累减生成、均值生成、级比生成、差值生成、白化函数生成等。累加生成(AGO)是灰色系统建模时一种常用的生成，设G为一种生成，x⁽⁰⁾为原始离散函数：

                x⁽⁰⁾＝[x⁽⁰⁾(1)，x⁽⁰⁾(2)，…，x⁽⁰⁾(k)]

        G[x⁽⁰⁾(1)，x⁽⁰⁾(2)，…，x⁽⁰⁾(k)]＝x⁽¹⁾(k)

则累加生成可以表示为：

$\mathrm{AGO}\left[x^{\left(0\right)}\left(k\right)\right]=\underset{m=1}{\overset{k}{\mathrm{\Σ}}}{x}^{\left(0\right)}\left(m\right)=x^{\left(1\right)}\left(k\right)$

同样累减生成(IAGO)可以表示为：

        IAGO[x⁽⁰⁾(k)]＝x⁽⁰⁾(k)-x⁽⁰⁾(k-1)＝x⁽¹⁾(k)

光滑比ρ(k)可表示为：

            ρ(k)＝x⁽⁰⁾(k)/x⁽¹⁾(k-1)

如果ρ(k)满足：

            ρ(k)∈[0，ε]∈[0，1]

则称x⁽⁰⁾(k)满足光滑性条件。

GM(1，N)模型适合于建立系统的状态方程，适合于各变量动态关联分析，也适用于为高阶系统提供建模基础。但用于预测时GM(1，N)模型精度较低，因此，预测时常使用单个参数模型也就是GM(1，1)模型。

考虑有x₁，x₂，…，x_n等n个变量，每个变量共有N个数剧列，其中x₁为系统主行为：

$x_i^{\left(1\right)}\left(k\right)=\underset{r=1}{\overset{k}{\mathrm{\Σ}}}{x}_i^{\left(0\right)}\left(k\right),(r=\mathrm{1,2},\·\·\·,k)$

$x_i^{\left(1\right)}\left(k\right)=\underset{r=1}{\overset{k-1}{\mathrm{\Σ}}}{x}_i^{\left(1\right)}(k-1)+x_i^{\left(0\right)}\left(k\right),(r=\mathrm{1,2},\·\·\·,k-1)$

$x_i^{\left(1\right)}=[x_i^{\left(1\right)}\left(1\right),x_i^{\left(1\right)}\left(2\right),\·\·\·,x_i^{\left(1\right)}\left(k\right)]$

可建立白化形式的微分方程：

$\frac{{\mathrm{dx}}_1^{\left(1\right)}}{\mathrm{dt}}+{\mathrm{ax}}_1^{\left(1\right)}=b_1{x}_2^{\left(1\right)}+b_2{x}_3^{\left(1\right)}+\·\·\·+b_{N-1}{x}_N^{\left(1\right)}$

这是一阶N个变量的微分方程模型，即GM(1，N)模型。记模型中的参数列为

则有：

$\hat{a}={[a{,b}_1,b_2,\·\·\·,b_{N-1}]}^T$

在最小二乘准则下，有：

$\hat{a}={\left(B^{T}B\right)}^{-1}{B}^T{y}_N$

其中，B为数组矩阵，y_N为数据向量，即：

$B=\left[\begin{array}{ccccc}-z_1^{\left(1\right)}\left(2\right)& x_2^{\left(1\right)}\left(2\right)& x_3^{\left(1\right)}\left(2\right)& L& X_N^{\left(1\right)}\left(2\right)\\ -z_1^{\left(1\right)}\left(3\right)& x_2^{\left(1\right)}\left(3\right)& x_3^{\left(1\right)}\left(3\right)& L& x_N^{\left(1\right)}\left(3\right)\\ {-z}_1^{\left(1\right)}\left(4\right)& x_2^{\left(1\right)}\left(4\right)& x_3^{\left(1\right)}\left(4\right)& L& x_N^{\left(1\right)}\left(4\right)\\ L& L& L& L& L\\ {-z}_1^{\left(1\right)}\left(n\right)& x_2^{\left(1\right)}\left(n\right)& x_3^{\left(1\right)}\left(n\right)& L& x_N^{\left(1\right)}\left(n\right)\end{array}\right]$

$y_N={\left[\begin{array}{ccccc}{x}_1^{\left(0\right)}\left(2\right)& x_1^{\left(0\right)}\left(3\right)& x_1^{\left(0\right)}\left(4\right)& L& x_1^{\left(0\right)}\left(n\right)\end{array}\right]}^T$

数组矩阵B中：

$z_1^{\left(1\right)}\left(k\right)=0.5[x_1^{\left(1\right)}\left(k\right)+x_1^{\left(1\right)}(k-1)]$

至此，GM(1，N)模型建立完成。

GM(1，1)模型是GM(1，N)模型在N＝1时的特例。此时模型中的参数列为：

$\hat{a}={[a,b]}^T$

则灰微分方程可写为：

                x⁽⁰⁾(k)+a[x⁽¹⁾(k)]＝b

在满足条件：

序列x⁽⁰⁾、x⁽¹⁾中没有使用零序号元素，即：

                x⁽⁰⁾(0)x⁽⁰⁾，x⁽¹⁾(0)x⁽¹⁾；

x⁽¹⁾(0)＝x⁽⁰⁾(1)时，GM(1，1)的指数响应形式为：

${\hat{x}}^{\left(1\right)}(k+1)=[x^{\left(0\right)}\left(1\right)-b/a]e^{-\mathrm{ak}}+b/a$

将得到的数据进行累减生成：

${\hat{x}}^{\left(0\right)}(k+1)={\hat{x}}^{\left(1\right)}(k+1)-{\hat{x}}^{\left(1\right)}\left(k\right)$

由于增压器转速信号波动较大，因此建立的GM(1，1)模型的精度难以满足工程需要，因此需要对灰色模型进行改进。本发明采用GM(1，1)残差模型对波动信号进行建模预测。

GM(1，1)残差模型是指通过引入残差建立GM(1，1)残差模型修正原GM(1，1)模型从而提高模型精度。建立残差模型的方法如下：

首先建立GM(1，1)模型，得到模型计算数据与试验数据的残差：

$q^{\left(0\right)}\left(k\right)=x^{\left(1\right)}\left(k\right)-{\hat{x}}^{\left(1\right)}\left(k\right)$

从而得到残差序列：

            q⁽⁰⁾＝[q⁽⁰⁾(i)，q⁽⁰⁾(i+1)，…，q⁽⁰⁾(n)]

为了便于理解与计算，上述数据列可改写为：

        q⁽⁰⁾＝[q⁽⁰⁾(1′)，q⁽⁰⁾(2′)，…，q⁽⁰⁾(n′)](n′＝n-i)

对残差序列建立GM(1，1)模型可得：

${\hat{q}}^{\left(1\right)}(k^{\′}+1^{\′})=[q^{\left(0\right)}\left(1^{\′}\right){-b}^{\′}/a^{\′}]e^{-a^{\′}{k}^{\′}}+b^{\′}/a^{\′}$

对上述结果进行累减生成可得：

${\hat{q}}^{\left(0\right)}(k^{\′}+1^{\′})=(-a^{\′})[q^{\left(0\right)}\left(1^{\′}\right){-b}^{\′}/a^{\′}]e^{-a^{\′}{k}^{\′}}$

其中：k′＝0，1′，2′，L，n′-1

将上述数据：

${\hat{x}}^{\left(1\right)}(k+1)=[x^{\left(0\right)}\left(1\right)-b/a]e^{-\mathrm{ak}}+b/a+\mathrm{\σ}\left({-a}^{\′}\right)[q^{\left(0\right)}\left(1^{\′}\right)-b^{\′}/a^{\′}]e^{-a^{\′}{k}^{\′}}$

其中：当k≥i时，σ＝1，当k≤i时，σ＝0。

残差模型的精度受到参数i选取的影响，残差模型非要修正所有的模型数据，而是注重修正原点附近的数。

在相继增压故障预测与故障诊断系统运行中，系统不停地采集到新的传感器数据，灰色系统将这些新的信息称之为新息，反之为旧息。扩充了新息后建立的模型称之为新息模型，新息模型的优点是反映了系统的最新信息。可是随着时间的推移，旧息越来越多且不适应新的情况，且运算量也越来越大，因此在增加新息的同时应当剔除旧息。这种新数据补充、老数据去除的数据列，由于其维数不变，因此称为等维新息模型，或称为新陈代谢模型。新陈代谢模型具有较低的原点误差，因此更适合于进行预测。

根据提炼出的柴油机相继增压系统的特征故障及相对应故障的特征参数，训练出可以对故障进行诊断的神经网络，而后采用这一神经网络对数据进行处理以诊断可能发生的故障。

该故障诊断与故障预测装置主要包括：信号采集单元、信号调理单元、下一采样时刻数据预测单元、均一化处理单元、故障预测判断单元、液晶显示单元和报警单元。

信号采集单元的功能是采集传感器发出的信号。

信号调理单元的功能是对采集到的传感器信号进行放大、滤波等处理。

下一采样时刻数据预测单元的功能是对不同的信号选择合适的灰色模型，单调性数据选择灰色新陈代谢模型，波动数据采用灰色残差新陈代谢模型，对采集到的数据进行建模计算，以预测得到下一采样时刻相应的信号值。

Claims (9)

1.一种相继增压系统故障预测与诊断装置，由信号采集装置(1)、信号调理转换器(2)、参数设置单元(3)、数据处理装置(4)和显示器(5)组成，其特征是：信号采集装置(1)由压力、转速、功率、油耗传感器组成；信号调理转换器(2)由信号放大、滤波单元(21)，电流转换单元(22)和A/D转换器(23)依次连接组成；数据处理装置(4)由下一采样时刻数据预测单元(41)、均一化处理单元(42)、故障预测及诊断单元(43)依次连接组成；信号采集装置(1)输入信号调理转换器(2)的信号放大、滤波单元(21)，信号调理转换器(2)的输出以及参数设置单元(3)连接到数据处理装置(4)的下一采样时刻数据预测单元(41)，数据处理装置(4)的故障预测及诊断单元(43)的输出连接显示器(5)。

2.根据权利要求1所述的相继增压系统故障预测与诊断装置，其特征是：数据处理装置(4)的故障预测及诊断单元(43)的输出还连接报警器(6)。所述的报警器包括指示灯(61)和喇叭(62)。

3.一种相继增压系统故障预测与诊断装置的故障预测与诊断方法，其特征是：通过传感器采集相继增压柴油机的各种运行参数，首先对传感器信号进行放大，然后根据信号特征进行滤波以去除信号干扰，将各种信号转换成电压信号进行A/D转换，然后选用多路模拟开关进行选通逐一将采集的数据输入数据处理装置，在数据处理装置中，首先由下一采样时刻数据预测单元预测出下一单元的采样数据，然后将各种信号进行归一化处理，然后通过故障预测及诊断单元根据归一化处理后的数据对即将发生的故障种类进行故障预测与诊断，当判断不会发生故障时，重新回到数据采样环节，将当判断出有故障即将发生并诊断出故障种类后，将故障种类输出。

4.根据权利要求3所述的相继增压系统故障预测与诊断装置的故障预测与诊断方法，其特征是：所述的采集相继增压柴油机的各种运行参数，是采集电压信号、电流信号和类正弦波信号。

5.根据权利要求3或4所述的相继增压系统故障预测与诊断装置的故障预测与诊断方法，其特征是：所述的把故障的种类输出是通过液晶显示器输出。

6.根据权利要求3或4所述的相继增压系统故障预测与诊断装置的故障预测与诊断方法，其特征是：所述的把故障的种类输出是通过液晶显示器、指示灯和喇叭输出。

7.根据权利要求3或4所述的相继增压系统故障预测与诊断装置的故障预测与诊断方法，其特征是：它还包括通过按键输入对数据处理装置中的参数进行设置。

8.根据权利要求5所述的相继增压系统故障预测与诊断装置的故障预测与诊断方法，其特征是：它还包括通过按键输入对数据处理装置中的参数进行设置。

9.根据权利要求6所述的相继增压系统故障预测与诊断装置的故障预测与诊断方法，其特征是：它还包括通过按键输入对数据处理装置中的参数进行设置。

Images