CN103969052B - 基于离群分析的柴油机故障诊断方法 - Google Patents
基于离群分析的柴油机故障诊断方法 Download PDFInfo
- Publication number
- CN103969052B CN103969052B CN201410216220.8A CN201410216220A CN103969052B CN 103969052 B CN103969052 B CN 103969052B CN 201410216220 A CN201410216220 A CN 201410216220A CN 103969052 B CN103969052 B CN 103969052B
- Authority
- CN
- China
- Prior art keywords
- cylinder
- diesel engine
- peels
- factor
- normal condition
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000003745 diagnosis Methods 0.000 title claims abstract description 21
- 238000004458 analytical method Methods 0.000 title claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims abstract description 23
- 230000005856 abnormality Effects 0.000 claims abstract 5
- 238000007596 consolidation process Methods 0.000 claims abstract 2
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000004880 explosion Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000006866 deterioration Effects 0.000 claims description 2
- 230000003993 interaction Effects 0.000 claims description 2
- 238000005065 mining Methods 0.000 claims description 2
- 241001251068 Formica fusca Species 0.000 claims 1
- 230000004087 circulation Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 claims 1
- 238000005259 measurement Methods 0.000 claims 1
- 230000001052 transient effect Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000012423 maintenance Methods 0.000 description 4
- 238000002405 diagnostic procedure Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明涉及一种基于离群分析的柴油机故障诊断方法。首先，将采集到的气缸运行状态数据按照统一格式整理并作标准化计算，使得各项数据在保留原有信息的条件下从有量纲转化到无量纲；进而，利用无量纲化的状态参数，根据离群因子的定义，分别计算正常状态气缸群和状态异常气缸的离群因子；最后，通过比较和分析完成对异常状态气缸离群程度的定量描述。本发明可以定量的描述柴油机故障状态从而实施针对性的视情维修，提高设备的可靠性和经济性，保障了柴油机的高效运行。
Description
技术领域
本发明涉及一种柴油机故障诊断方法，具体的说是一种基于离群因子定量描述柴油机故障程度的诊断方法，属于柴油机故障诊断技术领域。
背景技术
柴油机作为最广泛应用的动力机械在国民经济各领域中发挥着重要作用。在船舶设备中，柴油机是船舶动力的主要来源，其地位极为重要，柴油机的运行状态直接决定了船舶的安全运行。然而，由于柴油机本身具有零部件数量繁多、运动过程复杂、工作环境恶劣等特点，柴油机在运行时容易发生各类故障。一旦柴油机某个部分发生故障，往往会影响柴油机工作状态，威胁到成套设备的安全运行，可能造成巨大的经济损失，有时会直接损坏柴油机配件，甚至造成人员伤亡。因此开展柴油机故障诊断技术的研究是十分有必要的。
目前，根据提取信号类型的不同可以将柴油机故障诊断方法分为三类：第一类是基于热力学参数的故障诊断方法，第二类是基于油液监测分析的故障诊断方法，第三类是基于声振信号分析的故障诊断方法。已有的这些故障诊断方法大部分是基于典型的故障样本设计的，即将实测的数据与代表故障状态的特征数据作比较，通过逻辑推理来诊断柴油机故障。然而，基于典型故障样本的诊断方法在获取大量故障样本上非常困难。此外，柴油机结构、型号多样也导致了故障样本通用性差的缺点。近年来，有学者提出了基于群体智能的柴油机诊断方法，具体是指：选取各气缸的特征参数作为描述其运行状态的属性，用群体智能的聚类方法将柴油机多个气缸作为一个群体进行横向比较分析，使得柴油机多个气缸根据运行状态进行分类，从而找到状态异常的气缸。这种诊断方法不依赖故障样本数据，有效的解决了故障样本缺失的关键问题。但是这种故障诊断方法并不能定量的描述柴油机故障程度，无法指导工作人员对柴油机进行视情维修。由此可见，发明一种不依赖故障样本数据，并且能够描述柴油机故障程度的诊断方法对提高柴油机运行的安全性，实现柴油机的视情维修具有重要的意义。
经对现有技术的文献检索发现，发明名称为“基于群体智能的柴油机故障诊断方法”(公开号CN 102680242 A，2012)的专利文件中提出了一种群体智能化的柴油机诊断方法，“检测柴油机气缸运行信息包括气缸进排气温度、进排气压力、主轴瞬时转速；将温度、压力信息进行数/模转换、滤波，根据柴油机上止点信号和气缸发火次序，分解主轴瞬时转速数据，获得各气缸在发火做工时对应的瞬时转速信息；将处理后的信息分两路送出，第一路信息利用群体智能聚类算法将气缸进排气温度、进排气压力、瞬时转速作为聚类对象进行聚类，找出异常状态气缸；将第二路信息和上诉结果通过基于贝叶斯网络技术融合运行参数信息，诊断柴油机故障原因和部位。”其不足之处是：这种诊断方法虽然能够找到故障气缸，但并不能对故障气缸的劣化程度进行定量的描述，无法衡量故障状态的严重程度，因此无法正确指导工作人员实施柴油机的视情维修工作。
发明内容
本发明的目的在于提供一种能够实现对柴油机气缸故障程度的定量描述的基于离群分析的柴油机故障诊断方法。
本发明的目的是这样实现的：
包含数据采集、数据处理和故障判定；首先，将采集到的气缸运行状态数据按照统一格式整理并作标准化计算，使得各项数据在保留原有信息的条件下从有量纲转化到无量纲；进而，利用无量纲化的状态参数，根据离群因子的定义，分别计算正常状态气缸群和状态异常气缸的离群因子；最后，通过比较和分析完成对异常状态气缸离群程度的定量描述。
本发明还可以包括：
1、所述的气缸运行状态参数包括：各缸排气温度、发火时刻对应的瞬时转速、爆发压力。
2、所述的标准化计算的标准化公式为：
xij代表矩阵X的第i行j列的元素，xj,mean表示第j个特征参数的平均值，σ(xj)表示第j个特征参数的标准差。
3、所述通过比较和分析完成对异常状态气缸离群程度的定量描述的具体方法为：将柴油机气缸群中的个体运行状态作为聚类对象，通过群体智能聚类算法的横向比较分析，分离出状态异常的气缸，从而分别计算得到正常状态气缸群和异常状态气缸的离群因子，通过数据的比较和分析，实现对柴油机气缸故障程度的定量描述。
与现有技术相比，本发明的优点在于：
1、本发明通过提出柴油机“离群因子”的概念，解决了传统诊断方法无法对柴油机气缸故障程度进行定量描述的不足。
2、本发明通过应用聚类分析的方法，不依赖故障样本数据，有效的解决了故障样本缺失的关键问题，并且，避免了不同型号和结构柴油机故障样本通用性差的问题。
3、本发明通过参数无量纲化，首先实现了不同类型数据的横向比较和计算，避免了某一类型参数数值过大影响柴油机故障诊断结果的情况，其次解决了应对大量数据时，柴油机故障诊断方法的准确性难以保证的不足。
4、本发明通过对正常状态和异常状态离群因子的比较和分析，实现故障程度的定量描述，进而可以实现对柴油机实施针对性的维修，避免故障的发生，从而提高了设备运转的可靠性和经济性。
附图说明
图1为本发明基于离群分析的柴油机故障诊断方法的流程图。
图2为各气缸特征参数的统一整理表。
具体实施方式
下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式，但本发明的保护范围不限于下述的实施例。
如图1所示，本发明包括以下步骤：柴油机运行数据的实时采集、各气缸特征参数的标准化处理、气缸运行状态的聚类分析、离群气缸的挖掘分析。具体如下：
1、柴油机运行数据的实时采集：数据采集卡采集传感器所获取的气缸状态信息，采集的数据类型包括：柴油机各缸排气温度T、各气缸的爆发压力P、各缸发火时刻对应的瞬时转速R。
2、各缸特征参数的标准化处理：将获得的柴油机气缸特征参数按统一格式进行整理，如图2。表中第i行表示第i个气缸的排气温度T、爆发压力P和发火时刻的瞬时转速R。对整理后的数据按照公式进行标准化计算，使得各项数据在保留原有信息的条件下完成了从有量纲到无量纲的转化，为不同类型数据的横向比较提供基础，同时也避免了某一类型参数数值过大影响柴油机故障诊断结果的情况发生。
若X为样本矩阵，则其标准化公式定义为：
xij代表矩阵X的第i行j列的元素，xj,mean表示第j个特征参数的平均值，σ(xj)表示第j个特征参数的标准差。
3、气缸运行状态的聚类分析：将步骤2中标准化后的排气温度T、爆发压力P、发火时刻的瞬时转速R作为气缸的属性，气缸群中单个气缸的运行状态(正常或者故障)作为聚类对象，利用群体智能聚类算法进行聚类分析，具体流程是首先将所有聚类对象随机投影在一个二维平面上，并且由虚拟蚂蚁测量其中一个对象在该环境内的群体相似度f(Oi)，并将其通过概率转换函数PP和Pd转换为虚拟蚂蚁拾起或者放下该对象的概率，通过群体之间的相互作用，经过多个循环后，能够分离出状态异常的气缸，即正常状态的气缸聚成一类，故障或者状态异常的气缸聚为一类。
其中群体相似度系数f(Oi)公式定义为
d(Oi,Oj)是对象Oi与它邻近范围内的其他对象Oj的平均相似度，r表示邻近半径，表示距离的规模。
蚂蚁拾起对象概率转换公式PP与放下对象概率转换公式Pd分别为
k1和k2为阈值常数。
4、离群气缸的挖掘分析：所述的离群气缸的挖掘分析为本发明的核心，通过计算异常状态气缸的离群因子定量的描述其故障程度。具体的方法是：在步骤3的聚类结果基础上，利用离群因子计算公式，分别计算正常状态气缸群和异常状态气缸的离群因子，通过比较正常状态气缸群和异常状态气缸的离群因子能够完成对异常状态气缸离群程度的定量描述。其中具体定义为：
对于柴油机而言，气缸数量有限，通常把柴油机气缸群划分为两类，分别表示状态正常和状态异常(定义正常状态“气缸群”和异常状态“气缸群”)，设定C1表示功能正常的气缸群，C2表示功能退化或已出现故障的气缸群，且柴油机多数处于正常状态下，因此有|C1|≥|C2|。
离群因子L的定义为：对于任意数据集中的对象气缸t，t的离群因子L为，有m为正常状态气缸群中的气缸个数。
离群因子L是状态异常气缸到正常状态气缸群中所有点距离的平均值，其作用是近似的衡量离群气缸到正常状态气缸群中心的距离。该定义给出了状态异常气缸离群程度的度量方法。即状态异常气缸的离群程度与其到正常状态气缸群的距离有关，距离越大，离群程度越大。
Claims (1)
1.一种基于离群分析的柴油机故障诊断方法，其特征是：
步骤1、柴油机运行数据的实时采集：数据采集卡采集传感器所获取的气缸状态信息，采集的数据类型包括：柴油机各缸排气温度T、各气缸的爆发压力P、各缸发火时刻对应的瞬时转速R；
步骤2、各缸特征参数的标准化处理：将获得的柴油机气缸特征参数按统一格式进行整理，对整理后的数据按照标准化公式进行标准化计算，使得各项数据在保留原有信息的条件下完成了从有量纲到无量纲的转化，
若X为样本矩阵，则其标准化公式定义为：
xij代表矩阵X的第i行j列的元素，xj,mean表示第j个特征参数的平均值，σ(xj)表示第j个特征参数的标准差；
步骤3、气缸运行状态的聚类分析：将步骤2中标准化后的排气温度T、爆发压力P、发火时刻的瞬时转速R作为气缸的属性，气缸群中单个气缸的运行状态作为聚类对象，利用群体智能聚类算法进行聚类分析，具体流程是首先将所有聚类对象随机投影在一个二维平面上，并且由虚拟蚂蚁测量其中一个对象在该环境内的群体相似度f(Oi)，并将其通过概率转换函数PP和Pd转换为虚拟蚂蚁拾起或者放下该对象的概率，通过群体之间的相互作用，经过多个循环后，分离出状态异常的气缸，即正常状态的气缸聚成一类，故障或者状态异常的气缸聚为一类，
其中群体相似度系数f(Oi)公式定义为
d(Oi,Oj)是对象Oi与它邻近范围内的其他对象Oj的平均相似度，r表示邻近半径，表示距离的规模，
蚂蚁拾起对象概率转换公式PP与放下对象概率转换公式Pd分别为
k1和k2为阈值常数；
步骤4、离群气缸的挖掘分析：通过计算异常状态气缸的离群因子定量的描述其故障程度，具体的方法是：在步骤3的聚类结果基础上，利用离群因子计算公式，分别计算正常状态气缸群和异常状态气缸的离群因子，通过比较正常状态气缸群和异常状态气缸的离群因子完成对异常状态气缸离群程度的定量描述，其中具体定义为：
设定C1表示功能正常的气缸群，C2表示功能退化或已出现故障的气缸群，且柴油机多数处于正常状态下，因此有|C1|≥|C2|；
离群因子L的定义为：对于任意数据集中的对象气缸t，t的离群因子L为，有
m为正常状态气缸群中的气缸个数，
离群因子L是状态异常气缸到正常状态气缸群中所有点距离的平均值，其作用是近似的衡量离群气缸到正常状态气缸群中心的距离。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410216220.8A CN103969052B (zh) | 2014-05-21 | 2014-05-21 | 基于离群分析的柴油机故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410216220.8A CN103969052B (zh) | 2014-05-21 | 2014-05-21 | 基于离群分析的柴油机故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103969052A CN103969052A (zh) | 2014-08-06 |
| CN103969052B true CN103969052B (zh) | 2016-09-14 |
Family
ID=51238823
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410216220.8A Expired - Fee Related CN103969052B (zh) | 2014-05-21 | 2014-05-21 | 基于离群分析的柴油机故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103969052B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104807642B (zh) * | 2015-03-31 | 2017-06-16 | 东软集团股份有限公司 | 汽车发动机故障检测方法和装置 |
| CN104794283B (zh) * | 2015-04-22 | 2017-12-15 | 哈尔滨工程大学 | 基于离群特征分析的柴油机故障灰预测方法 |
| CN107436277B (zh) * | 2017-07-12 | 2019-07-09 | 中山大学 | 基于相似距离判别的单指标数据质量控制方法 |
| CN108583629A (zh) * | 2018-05-04 | 2018-09-28 | 兰州容大信息科技有限公司 | 一种铁路车务故障处理方法 |
| CN108931294A (zh) * | 2018-05-22 | 2018-12-04 | 北京化工大学 | 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 |
| CN110987448B (zh) * | 2019-12-05 | 2021-12-21 | 潍柴动力股份有限公司 | 发动机进气状态监测方法、装置及设备 |
| CN113532866B (zh) * | 2020-04-16 | 2023-04-14 | 中国船舶集团有限公司第七一一研究所 | 一种柴油机异常状态检测方法、系统以及计算机储存介质 |
| CN113569459A (zh) * | 2021-06-08 | 2021-10-29 | 中国矿业大学 | 基于群体智能的液压支架性能退化定量评估方法及系统 |
| CN115602195B (zh) * | 2022-12-12 | 2023-04-04 | 杭州兆华电子股份有限公司 | 一种汽车后视镜电机转动异响测试的方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4247757A (en) * | 1978-05-22 | 1981-01-27 | Crump John M Jun | Vehicle fuel economy energy conservation indicating device and process for use |
| US5361628A (en) * | 1993-08-02 | 1994-11-08 | Ford Motor Company | System and method for processing test measurements collected from an internal combustion engine for diagnostic purposes |
| CN101509839A (zh) * | 2009-03-12 | 2009-08-19 | 上海交通大学 | 基于离群点挖掘的集群工业机器人故障诊断方法 |
| CN102680242A (zh) * | 2012-06-06 | 2012-09-19 | 哈尔滨工程大学 | 基于群体智能的柴油机故障诊断方法 |
| CN103493075A (zh) * | 2011-05-17 | 2014-01-01 | 株式会社丰田中央研究所 | 离群值检测设备、离群值检测方法和车辆故障诊断系统 |
-
2014
- 2014-05-21 CN CN201410216220.8A patent/CN103969052B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4247757A (en) * | 1978-05-22 | 1981-01-27 | Crump John M Jun | Vehicle fuel economy energy conservation indicating device and process for use |
| US5361628A (en) * | 1993-08-02 | 1994-11-08 | Ford Motor Company | System and method for processing test measurements collected from an internal combustion engine for diagnostic purposes |
| CN101509839A (zh) * | 2009-03-12 | 2009-08-19 | 上海交通大学 | 基于离群点挖掘的集群工业机器人故障诊断方法 |
| CN103493075A (zh) * | 2011-05-17 | 2014-01-01 | 株式会社丰田中央研究所 | 离群值检测设备、离群值检测方法和车辆故障诊断系统 |
| CN102680242A (zh) * | 2012-06-06 | 2012-09-19 | 哈尔滨工程大学 | 基于群体智能的柴油机故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于马氏距离局部离群因子方法的复杂化工过程故障检测;马贺贺等;《化工学报》;20130530;第64卷(第5期);第1674-1682页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103969052A (zh) | 2014-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103969052B (zh) | 基于离群分析的柴油机故障诊断方法 | |
| CN104794283B (zh) | 基于离群特征分析的柴油机故障灰预测方法 | |
| CN110849626B (zh) | 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统 | |
| CN104102773B (zh) | 一种设备故障预警及状态监测方法 | |
| CN103900824B (zh) | 基于瞬时转速聚类分析的柴油机故障诊断方法 | |
| CN109489977B (zh) | 基于KNN-AdaBoost的轴承故障诊断方法 | |
| CN110347116A (zh) | 一种基于运行数据流的机床状态监测系统与监测方法 | |
| CN102680242B (zh) | 基于群体智能的柴油机故障诊断方法 | |
| CN110779746A (zh) | 改进深度稀疏自编码器网络旋转机械复合故障的诊断方法 | |
| CN106354118A (zh) | 一种基于故障树的列车故障诊断系统及方法 | |
| CN101509839A (zh) | 基于离群点挖掘的集群工业机器人故障诊断方法 | |
| CN105160483A (zh) | 一种基于数据挖掘的二次设备故障诊断方法 | |
| CN112067306A (zh) | 船用发动机健康状态在线监测评估方法、设备及系统 | |
| CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
| CN102705078A (zh) | 基于灰色模型的柴油机故障预测方法 | |
| CN108920426B (zh) | 一种基于幂均算子和ds证据理论的故障诊断方法 | |
| CN107025355A (zh) | 一种基于模糊贴近度的船舶故障诊断方法及系统 | |
| CN113984389B (zh) | 一种基于多感受野与改进胶囊图神经网络的滚动轴承故障诊断方法 | |
| CN113065602A (zh) | 一种压裂泵凡尔故障的诊断方法和装置 | |
| CN111580498A (zh) | 一种基于随机森林的飞机环控系统气冷设备鲁棒故障诊断方法 | |
| CN106067032A (zh) | 用于数据异常监测的传感器选择方法的评价方法 | |
| CN108709744A (zh) | 一种变负载工况下电机轴承故障诊断方法 | |
| CN116451022A (zh) | 一种基于深度鉴别对抗域自适应轴承故障诊断方法 | |
| CN107169268A (zh) | 一种基于趋势分段相似性的机场噪声监测点异常识别方法 | |
| CN114738132B (zh) | 基于实船数据的增压器转速传感器故障诊断方法及系统 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160914 |