CN104295373A - 基于三点模型的柴油机故障预测方法 - Google Patents
基于三点模型的柴油机故障预测方法 Download PDFInfo
- Publication number
- CN104295373A CN104295373A CN201410525303.5A CN201410525303A CN104295373A CN 104295373 A CN104295373 A CN 104295373A CN 201410525303 A CN201410525303 A CN 201410525303A CN 104295373 A CN104295373 A CN 104295373A
- Authority
- CN
- China
- Prior art keywords
- diesel engine
- data
- point
- model
- coordinate
- 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
Abstract
本发明的目的在于提供基于三点模型的柴油机故障预测方法,首先采集柴油机运行状态数据并进行数值滤波,获得无干扰时序数列。继而拟合时序状态参数变化趋势,建立柴油机三点预测模型,据此前向外推,获得预测数据,从而实现对柴油机未来工作状态的趋势预测。根据本发明的故障诊断结果,可以在设备劣化初期准确预测出柴油机未来劣化趋势,指导工作人员对柴油机视情维修;本发明基于三点模型预测柴油机故障,具有不需要样本数据全部统计特征、运算简捷、使用方便、结果准确以及尤其适用于近期预测等优点。
Description
技术领域
本发明涉及的是一种柴油机故障预测方法。
背景技术
柴油机作为一种常见的动力机械,在石油钻井、机车牵引、船舶运输、应急发电等领域都有广泛的应用。一旦柴油机发生故障,将影响成套设备的运行状况,不仅会导致巨大的经济损失,严重时还会造成人员伤亡。因此,对柴油机未来运行状态进行预测,早期发现设备故障,确保设备处于最佳状态具有重要的意义。
预测技术广泛应用于股票、气象及机械等学科领域。模型的精准度对于提高预测的可靠性具有至关重要的作用。三点模型是一种较为先进的状态趋势预测模型。相比较于一般预测模型,如基于指数平滑法的模型和基于最小平方法的模型,三点预测模型考虑到近期信息要比远期信息较大的影响趋势变化的客观事实,赋予近期信息以较大的权值,远期信息以较小权值,并在时间序列首尾两端及中部各取几项数据,分别计算加权平均值作为趋势线上三点坐标,建立趋势预测方程,据此外推预测。与其它趋势预测模型相比,三点模型具有科学合理、计算简捷、结果准确、使用方便等优点,在状态趋势预测中有较大的实用价值。
经对现有技术的文献检索发现,中国专利公开号CN102705078A,公开日为2012.10.03,专利名称为:基于灰色模型的柴油机故障预测方法,该专利申请自述为:“本发明的目的在于提供基于灰色模型的柴油机故障预测方法,采取如下步骤:获取柴油机运行参数,包括功率、耗油率、转速、烟度、噪声、滑油压力、排烟温度、增压后进气压力;建立柴油机灰色模型,获得预测数据;重复步骤上述步骤,直至获得所有所需柴油机运行参数的预测数据。本发明可以避免设备故障的发生,提高设备的可靠性,从而实现有计划、有针对性的视情维修,避免过剩维修,从而从总体上降低维修费用。”其不足之处是:该方法赋予所有信息以相同的权值,忽略了近期信息比远期信息对趋势变化有更大的影响这一客观事实,增加了预测的不确定性,尤其是中长期预测;且灰色预测模型的建立过程复杂,计算繁琐,实际应用具有一定的不便。
发明内容
本发明的目的在于提供预测柴油机未来工作状态趋势,从而指导工作人员对柴油机实施针对性预测维修的基于三点模型的柴油机故障预测方法。
本发明的目的是这样实现的:
本发明(1)等时采集检测柴油机运行参数,所采集的运行参数包括:功率、油耗率、转速、烟度、噪声、滑油压力、排气温度、增压后进气压力;
(2)将获得的柴油机运行参数进行中位值滤波,将含有噪声的运行参数转换为无干扰信号,对于每一项参数,按照时间顺序,由远及近分别构成建模原序列;
(3)将所获取的无干扰信号作为建模数据,获取三点坐标:
三点坐标的获取步骤如下:
a、基于三点法的预测模型包括三种:二次抛物线型、直线型与指数曲线型、三次抛物线型,从中选择一种预测模型,建立柴油机运行参数三点模型;
b、确定三点坐标:
对于柴油机的一项运行参数,三点纵坐标的确定应满足如下原则:
1)原序列总项数N应当是奇数,此时N=n,当总项数为偶数时,则去除第一项检测数据,使N奇数化,此时N-1=n,n为实际序列总项数,同时,n不小于9;
2)若实际序列总项数9≤n<15,则在保持检测数据排列顺序不变的前提下,抽取实际序列的前3项、正中3项、后3项检测数据,分别构成初期、中期、近期子序列;每个子序列算出一个加权平均数,得到的三个加权平均数就是需要确定的三点的纵坐标;对于每一子序列,检测数据对应权数的选择由远及近分别取1、2、3;
3)若实际序列总项数n≥15,则在保持检测数据排列顺序不变的前提下,抽取原序列的前5项、正中5项、后5项检测数据,分别构成初期、中期、近期子序列。每个子序列算出一个加权平均数,得到的三个加权平均数就是需要确定的三点的纵坐标;对于每一子序列,检测数据对应权数由远及近依次选取1、2、3、4、5;
在满足以上三个原则的前提下,将初期、中期、近期三点的坐标分别设为
M1(t1,R),M2(t2,S),M3(t3,T)
其中,M1,M2,M3分别代表初期、中期、近期三点;
t1,t2,t3分别为初期、中期、近期三点横坐标;
R,S,T分别为初期、中期、近期三点纵坐标;
设正中项数实际序列各项检测值为y1、y2、…yd…yn;
因此对于五项加权平均,三点的纵坐标为:
对于三项加权平均,三点的纵坐标为:
同样的,三点的横坐标也取各项检测值对应时间点的加权平均数;对于五项加权平均,三点横坐标为:
对于五项加权平均,三点的坐标为:
对于三项加权平均,三点的横坐标为:
对于三项加权平均,三点的坐标为:
(4)计算趋势线模型参数估计值,并生成预测数据:
对于二次抛物线型,其预测趋势线模型为对于直线型和指数曲线型,其预测趋势线模型分别为和对于三次抛物线型,其预测趋势线模型为将步骤(3)中三点坐标带入,求得各预测模型的参数估计值,完成建模;在此基础上,生成预测数据;
(5)返回步骤(3)建立模型,直至获得所有所需柴油机运行状态参数预测值。
本发明的优势在于:根据本发明的故障诊断结果,可以在设备劣化初期准确预测出柴油机未来劣化趋势,从而实现对其视情维修;且本发明利用三点模型预测柴油机状态劣化趋势,具有不需要全部的数据统计特征、运算简捷、使用方便、结果准确以及尤其适用于近期预测等优点。
附图说明
图1为本发明的流程框图;
图2为本发明实施某型柴油机单缸供油劣化状态下排气温度预测结果。
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1~2,本发明包括以下步骤:运行参数的获取、对获得运行参数的预处理、柴油机三点模型的建立、对运行参数进行趋势预测。具体如下:
1柴油机运行参数的获取:利用传感器与数据采集卡通信,等时检测柴油机各项运行参数,采集的参数包括:功率、油耗率、转速、烟度、噪声、滑油压力、排气温度、增压后进气压力;
2、对获得运行参数的预处理:将获得的柴油机运行参数进行中位值滤波,将含有噪声的运行参数转换为无干扰信号。对于每一项参数,按照时间顺序,由远及近分别构成建模原序列;
3、将所获取的无干扰状态参数作为建模数据,基于三点法建立预测模型并进行预测分析,获得预测数据。
三点模型的建立步骤如下:
第一步:基于三点法的预测模型有三种:二次抛物线型、直线型与指数曲线型、三次抛物线型,每种模型的预测适用线型与其名称一致。从中选择一种预测模型,建立柴油机运行参数三点模型。
第二步:确定三点坐标:
三点纵坐标的确定应满足如下原则:
1)原序列总项数n应当是奇数。当总项数为偶数时,则去除第一项检测数据,使n奇数化。同时,n应不小于9,否则无法建立模型。
2)若原序列总项数9≤n<15,则在保持检测数据排列顺序不变的前提下,抽取原序列的前3项、正中3项、后3项检测数据,分别构成初期、中期、近期子序列。每个子序列算出一个加权平均数,得到的三个加权平均数就是需要确定的三点的纵坐标。考虑到近期信息比远期信息对未来的趋势变化有更大的影响这一客观事实,在建模过程中,对不同时间点的检测值赋予不同的权数。对于每一子序列,检测数据对应权数的选择由远及近分别取1、2、3。
3)若原序列总项数n≥15,则在保持检测数据排列顺序不变的前提下,抽取原序列的前5项、正中5项、后5项检测数据,分别构成初期、中期、近期子序列。每个子序列算出一个加权平均数,得到的三个加权平均数就是需要确定的三点的纵坐标。根据2)中提及的利用,对于每一子序列,检测数据对应权数由远及近依次选取1、2、3、4、5。
在满足以上三个原则的前提下,将初期、中期、近期三点的坐标分别设为
M1(t1,R),M2(t2,S),M3(t3,T)
其中,M1,M2,M3分别为初期、中期、近期三点;
t1,t2,t3分别为初期、中期、近期三点横坐标;
R,S,T分别为初期、中期、近期三点纵坐标。
设正中项数原序列各项检测值为y1、y2、…yd…yn。因此三点的纵坐标R,S,T如表1所示:
表1确定三点的纵坐标
同样的,三点的横坐标也取各项检测值对应时间点的加权平均数。对于五项加权平均,三点横坐标为:
因此,对于五项加权平均,三点的坐标为:
对于三项加权平均,三点的横坐标为:
因此,对于三项加权平均,三点的坐标为:
第三步:计算趋势线模型参数估计值,并生成预测数据:
对于二次抛物线型,其预测趋势线模型为对于直线型和指数曲线型,其预测趋势线模型分别为和对于三次抛物线型,其预测趋势线模型为将第二步中三点坐标带入,即可求得各预测模型的参数估计值,完成建模。在此基础上,按照实际需求,生成预测数据。
4、对运行参数进行趋势预测:重复步骤3中三点模型建立步骤,生成预测数据,直至获得所有所需柴油机运行状态参数预测值,将预测所得数据与根据柴油机运行历史数据而设定的报警极限值比较即可实现柴油机故障检测及预测。
图2是本发明实施某型柴油机单缸供油劣化状态下三点预测效果图。通过观察运行参数的变化趋势,选择了直线型预测模型,较为准确的预测出故障气缸排气温度的劣化趋势。且预测数据与实际数据误差较小,满足实际需求。
Claims (1)
1.基于三点模型的柴油机故障预测方法,其特征是:
(1)等时采集检测柴油机运行参数,所采集的运行参数包括:功率、油耗率、转速、烟度、噪声、滑油压力、排气温度、增压后进气压力;
(2)将获得的柴油机运行参数进行中位值滤波,将含有噪声的运行参数转换为无干扰信号,对于每一项参数,按照时间顺序,由远及近分别构成建模原序列;
(3)将所获取的无干扰信号作为建模数据,获取三点坐标:
三点坐标的获取步骤如下:
a、基于三点法的预测模型包括三种:二次抛物线型、直线型与指数曲线型、三次抛物线型,从中选择一种预测模型,建立柴油机运行参数三点模型;
b、确定三点坐标:
对于柴油机的一项运行参数,三点纵坐标的确定应满足如下原则:
1)原序列总项数N应当是奇数,此时N=n,当总项数为偶数时,则去除第一项检测数据,使N奇数化,此时N-1=n,n为实际序列总项数,同时,n不小于9;
2)若实际序列总项数9≤n<15,则在保持检测数据排列顺序不变的前提下,抽取实际序列的前3项、正中3项、后3项检测数据,分别构成初期、中期、近期子序列;每个子序列算出一个加权平均数,得到的三个加权平均数就是需要确定的三点的纵坐标;对于每一子序列,检测数据对应权数的选择由远及近分别取1、2、3;
3)若实际序列总项数n≥15,则在保持检测数据排列顺序不变的前提下,抽取原序列的前5项、正中5项、后5项检测数据,分别构成初期、中期、近期子序列。每个子序列算出一个加权平均数,得到的三个加权平均数就是需要确定的三点的纵坐标;对于每一子序列,检测数据对应权数由远及近依次选取1、2、3、4、5;
在满足以上三个原则的前提下,将初期、中期、近期三点的坐标分别设为
M1(t1,R),M2(t2,S),M3(t3,T)
其中,M1,M2,M3分别代表初期、中期、近期三点;
t1,t2,t3分别为初期、中期、近期三点横坐标;
R,S,T分别为初期、中期、近期三点纵坐标;
设正中项数实际序列各项检测值为y1、y2、…yd…yn;
因此对于五项加权平均,三点的纵坐标为:
对于三项加权平均,三点的纵坐标为:
同样的,三点的横坐标也取各项检测值对应时间点的加权平均数;对于五项加权平均,三点横坐标为:
对于五项加权平均,三点的坐标为:
对于三项加权平均,三点的横坐标为:
对于三项加权平均,三点的坐标为:
(4)计算趋势线模型参数估计值,并生成预测数据:
对于二次抛物线型,其预测趋势线模型为对于直线型和指数曲线型,其预测趋势线模型分别为和对于三次抛物线型,其预测趋势线模型为将步骤(3)中三点坐标带入,求得各预测模型的参数估计值,完成建模;在此基础上,生成预测数据;
(5)返回步骤(3)建立模型,直至获得所有所需柴油机运行状态参数预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410525303.5A CN104295373B (zh) | 2014-10-08 | 2014-10-08 | 基于三点模型的柴油机故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410525303.5A CN104295373B (zh) | 2014-10-08 | 2014-10-08 | 基于三点模型的柴油机故障预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104295373A true CN104295373A (zh) | 2015-01-21 |
CN104295373B CN104295373B (zh) | 2016-11-23 |
Family
ID=52315277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410525303.5A Active CN104295373B (zh) | 2014-10-08 | 2014-10-08 | 基于三点模型的柴油机故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104295373B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109300285A (zh) * | 2018-11-30 | 2019-02-01 | 联想(北京)有限公司 | 预警方法及装置 |
CN110044631A (zh) * | 2019-03-13 | 2019-07-23 | 中交广州航道局有限公司 | 船机柴油机的状态预测方法、装置及计算机设备 |
CN110056427A (zh) * | 2019-06-19 | 2019-07-26 | 潍柴动力股份有限公司 | 一种发动机检测方法、装置及系统 |
WO2024067824A1 (zh) * | 2022-09-30 | 2024-04-04 | 广州明珞装备股份有限公司 | 气缸劣化趋势确定方法及装置、电子设备、存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2286243A1 (en) * | 1999-10-13 | 2001-04-13 | Adexact Corporation | Method and system for targeted advertising |
CN101182802A (zh) * | 2007-12-06 | 2008-05-21 | 哈尔滨工程大学 | 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 |
CN102637020A (zh) * | 2011-02-14 | 2012-08-15 | 武汉科技大学 | 一种轧钢加热炉集成型控制系统 |
CN102705078A (zh) * | 2012-04-19 | 2012-10-03 | 哈尔滨工程大学 | 基于灰色模型的柴油机故障预测方法 |
-
2014
- 2014-10-08 CN CN201410525303.5A patent/CN104295373B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2286243A1 (en) * | 1999-10-13 | 2001-04-13 | Adexact Corporation | Method and system for targeted advertising |
CN101182802A (zh) * | 2007-12-06 | 2008-05-21 | 哈尔滨工程大学 | 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 |
CN102637020A (zh) * | 2011-02-14 | 2012-08-15 | 武汉科技大学 | 一种轧钢加热炉集成型控制系统 |
CN102705078A (zh) * | 2012-04-19 | 2012-10-03 | 哈尔滨工程大学 | 基于灰色模型的柴油机故障预测方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109300285A (zh) * | 2018-11-30 | 2019-02-01 | 联想(北京)有限公司 | 预警方法及装置 |
CN109300285B (zh) * | 2018-11-30 | 2021-07-16 | 联想(北京)有限公司 | 预警方法及装置 |
CN110044631A (zh) * | 2019-03-13 | 2019-07-23 | 中交广州航道局有限公司 | 船机柴油机的状态预测方法、装置及计算机设备 |
CN110056427A (zh) * | 2019-06-19 | 2019-07-26 | 潍柴动力股份有限公司 | 一种发动机检测方法、装置及系统 |
CN110056427B (zh) * | 2019-06-19 | 2019-09-20 | 潍柴动力股份有限公司 | 一种发动机检测方法、装置及系统 |
WO2024067824A1 (zh) * | 2022-09-30 | 2024-04-04 | 广州明珞装备股份有限公司 | 气缸劣化趋势确定方法及装置、电子设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104295373B (zh) | 2016-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104295373A (zh) | 基于三点模型的柴油机故障预测方法 | |
CN102705078B (zh) | 基于灰色模型的柴油机故障预测方法 | |
CN105300692B (zh) | 一种基于扩展卡尔曼滤波算法的轴承故障诊断及预测方法 | |
CN103034170B (zh) | 一种基于区间的数控机床性能预测方法 | |
CN104504509B (zh) | 一种采用动态基准值的火电厂耗差分析系统及其方法 | |
Wang et al. | Remain useful life prediction of rolling bearings based on exponential model optimized by gradient method | |
CN102043900B (zh) | 基于示功图的有杆抽油系统故障预测方法 | |
CN105136449B (zh) | 一种基于磨损机理的车用传动装置的磨损随机过程试验预测方法 | |
CN101819411A (zh) | 一种基于gpu的改进加权关联规则的设备故障预警与诊断方法 | |
CN101520652A (zh) | 一种数控装备服役可靠性的评估方法 | |
CN112160761B (zh) | 一种基于现场参数的硬岩tbm刀盘滚刀磨损实时评估方法 | |
CN103678869A (zh) | 一种飞行参数缺失数据的预测估计方法 | |
CN109508745A (zh) | 基于贝叶斯网络模型的燃气轮机气路故障的检测方法 | |
CN110008898A (zh) | 基于符号和卷积神经网络的工业设备数据边缘处理方法 | |
CN107977527B (zh) | 一种确定火电机组标杆值数据的方法与装置 | |
CN116481821A (zh) | 基于大数据分析管理的发动机故障预警方法及系统 | |
CN110631849B (zh) | 一种摩擦系统磨损状态在线识别方法及系统 | |
CN101354311A (zh) | 汽车后桥寿命预测系统 | |
CN104091042B (zh) | 一种基于运行数据对中央空调系统节能诊断及节能潜力分析的方法 | |
CN111855219A (zh) | 一种基于灰色理论的柴油机润滑油进机安保参数预测方法 | |
RU121944U1 (ru) | Автоматизированная система выявления неисправных датчиков среди датчиков, предназначенных для контроля технологических процессов | |
CN103984865A (zh) | 一种基于区间时间序列的轴承温升预测方法 | |
CN116292247A (zh) | 一种基于lstm流量预测模型的液压铲主泵早期故障诊断方法及装置 | |
CN110516323B (zh) | 一种基于时序分析的压力管道损伤预测方法 | |
CN109902830B (zh) | 基于混沌理论和集成学习的采煤机截割高度预测系统 |
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 |