CN104794283A - 基于离群特征分析的柴油机故障灰预测方法 - Google Patents
基于离群特征分析的柴油机故障灰预测方法 Download PDFInfo
- Publication number
- CN104794283A CN104794283A CN201510193877.1A CN201510193877A CN104794283A CN 104794283 A CN104794283 A CN 104794283A CN 201510193877 A CN201510193877 A CN 201510193877A CN 104794283 A CN104794283 A CN 104794283A
- Authority
- CN
- China
- Prior art keywords
- cylinder
- diesel engine
- peels
- malfunctioning
- factor
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000000926 separation method Methods 0.000 claims description 11
- 238000007621 cluster analysis Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004880 explosion Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000001052 transient effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 7
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 108010022579 ATP dependent 26S protease Proteins 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000000889 atomisation Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 238000013332 literature search Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Testing Of Engines (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明的目的在于提供基于离群特征分析的柴油机故障灰预测方法,首先,等时间间隔检测柴油机气缸的运行参数;其次,利用数据0-1标准化方法对气缸运行参数进行标准化处理;再次,将柴油机气缸的综合运行状态作为聚类分析对象,将标准化处理后的气缸运行参数作为聚类对象的属性,利用蚁群LF算法分析待聚类对象,实现故障气缸的自动分离,并计算故障气缸的离群因子;最后,将故障气缸离群因子构成时间序列,在此基础上,利用灰色模型预测分析其变化趋势。根据本发明的故障诊断结果,可实现对柴油机有计划、有针对性的视情维修,保障柴油机的运行安全、降低维修费用。
Description
技术领域
本发明涉及的是一种故障预测方法,具体地说是柴油机故障预测方法。
背景技术
柴油机在交通运输、石油钻井、矿山机械、应急发电等经济生产领域中发挥着重要的作用。柴油机结构复杂,许多零部件处在高温、高压、高负荷的恶劣条件下工作,使得柴油机故障率较高,维修保养费用很大。统计表明,在柴油机的各种使用费用中,维修保养方面的支出达15-30%。此外,柴油机发生故障还会影响整个机械系统的正常工作,直接或间接地造成巨大的经济损失,甚至危及人身安全。柴油机故障预测技术是实现故障早期预报和预防维修的有效手段,对于消除事故的发生,确保柴油机的安全运行具有重要作用。
近年来,随着信号处理技术和人工智能理论的不断发展,包括专家系统预测、神经网络预测、小波分析预测在内的新的预测方法不断出现,为柴油机状态预测技术研究提供了理论基础。然而,已有的柴油机状态预测方法均是针对某个,或某几个运行参数而设计的,仅能预测柴油机局部性能的变化趋势,诊断范围非常有限。柴油机(除小型农机外)均具有多个结构和功能一致的气缸,且柴油机的诸多故障与气缸工作异常密切相关,如失火引起的功率损失故障的产生原因是气缸漏气或不正时;整机功率不足故障的产生原因是气缸不爆发、气缸或气门漏气、雾化不良等;排放恶化故障的产生原因是压缩损失、燃油/空气滤清故障、燃油喷射时刻不正确等。因此,有研究者提出通过检测柴油机气缸工作异常实现柴油机故障的综合诊断,该诊断方法可完成柴油机整体健康状态的监测功能。对于提高柴油机运行的安全性,实现对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,中国专利公开号CN103969052A,公开日2014.08.06,专利名称为:基于离群分析的柴油机故障诊断方法,该专利申请自述为:“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”。其不足之处是:该诊断方法仅能够量化描述柴油机气缸的异常程度,但是无法对其未来的劣化趋势进行预测,因而不能有效的指导工作人员对柴油机进行视情维修。
发明内容
本发明的目的在于提供能够避免严重故障的发生,保障设备安全并降低维修成本的基于离群特征分析的柴油机故障灰预测方法。
本发明的目的是这样实现的:
本发明基于离群特征分析的柴油机故障灰预测方法,其特征是:
(1)利用数据采集系统相等时间间隔检测气缸运行参数,包括:平均指示有效压力、爆发压力、压力升高率、燃烧最高温度、排气平均温度,各缸发火时刻瞬时转速、瞬时转速波动率;
(2)利用标准化公式对气缸运行参数进行标准化处理,使得各项数据在保留原有信息的条件下实现从有量纲到无量纲的转化;
(3)将柴油机气缸的综合运行状态作为聚类分析对象,将标准化处理后的气缸运行参数作为聚类对象的属性,利用蚁群聚类算法分析待聚类对象,实现故障气缸的自动分离,并计算故障气缸的离群因子;
(4)将故障气缸离群因子构成时间序列,在此基础上,利用灰色模型预测分析其变化趋势,实现柴油机整体健康状态的监测功能。
本发明还可以包括:
1、所述的气缸工作参数标准化处理是将气缸工作参数按比例缩放,使之落入一个特定区间,去除数据的单位限制,将其转化为无量纲的纯数值:采用数据0-1标准化方法,定义X为样本数据矩阵,则0-1标准化公式为:
上式中,x*表示经标准化处理后的矩阵元素,xij表示样本矩阵X中第i行,第j列的元素,xj(min)表示第j列样本数据中的最小值,xj(max)表示第j列样本数据中的最大值。
2、利用蚁群聚类算法分析待聚类对象,实现故障气缸的自动分离,具体步骤包括:
将柴油机气缸的综合运行状态作为聚类分析对象,将标准化处理后的气缸运行参数作为聚类对象的属性,利用蚁群LF算法分析待聚类对象,实现状态异常气缸的自动分离,并计算状态异常气缸的离群因子,柴油机气缸离群特征分析包括“故障气缸”的辩识和“故障气缸”离群因子计算;
所述的“故障气缸”辩识是指利用蚁群LF算法对柴油机内配置的多个气缸进行聚类分析:首先,利用公式计算任两个气缸对象Oi和Oj间的曼哈顿距离,d(Oi,Oj)表示两个气缸对象Oi和Oj间的曼哈顿距离,xik、xjk分别表示对象Oi和Oj的第k个属性,p表示对象Oi和Oj的属性个数;然后,利用公式 计算气缸对象Oi与周围气缸对象间的平均相似度f(Oi),r表示邻近范围的半径,Neigh(r)表示邻近范围,w表示曼哈顿距离的规模;最后,根据公式计算蚂蚁拾起气缸对象的概率Pp(Oi),k1为阈值常数,根据公式 计算蚂蚁放下气缸对象的概率Pd(Oi),实现状态异常的气缸对象的自动分离;
所述的“故障气缸”离群因子计算是指计算故障气缸与正常气缸的偏离程度,计算方法采用公式 为故障气缸的离群因子,L1为故障气缸与其它正常气缸间曼哈顿距离的平均值,L2为柴油机中任两个气缸间曼哈顿距离的平均值,m为气缸对象的个数。
3、将故障气缸离群因子构成时间序列,利用灰色模型预测分析其变化趋势,其具体为:
采用公式预测分析离群因子未来变化趋势,实现柴油机整体健康状态的评估与预测功能,x(1)(k-1)为故障气缸离群因子原始值的一次累加生成,为故障气缸离群因子预测结果,a、b为预测参数列元素。
本发明的优势在于:本发明在对柴油机气缸进行蚁群聚类分析和计算故障气缸离群因子的基础上,建立了故障气缸离群因子的灰色预测模型,可实现柴油机整体健康状态的评估与预测功能,弥补了原有技术对于柴油机整机性能预测的空白。根据本发明的故障诊断结果,可实现对柴油机有计划、有针对性的视情维修,保障柴油机的运行安全、降低维修费用。
附图说明
图1为本发明的流程图;
图2为某型柴油机气缸进气提前角减小状态下的异常气缸离群因子灰预测结果。
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,本发明的方法具体包括以下步骤:
1、利用数据采集系统等时间间隔检测气缸运行参数,包括:平均指示有效压力、爆发压力、压力升高率、燃烧最高温度、排气平均温度,各缸发火时刻瞬时转速、及瞬时转速波动率;
2、利用标准化公式对气缸运行参数进行标准化处理,使得各项数据在保留原有信息的条件下实现从有量纲到无量纲的转化,消除因各项参数量纲不同对气缸状态分析的影响;
3、将柴油机气缸的综合运行状态作为聚类分析对象,将标准化处理后的气缸运行参数作为聚类对象的属性,利用蚁群聚类算法分析待聚类对象,实现故障气缸的自动分离,并计算故障气缸的离群因子;
4、将故障气缸离群因子构成时间序列,在此基础上,利用灰色模型预测分析其变化趋势,可实现柴油机整体健康状态的监测功能。
具体如下:
1、所述的柴油机气缸工作参数检测是指利用传感器和数据采集卡,等时间间隔检测气缸运行参数,包括:平均指示有效压力、爆发压力、压力升高率、燃烧最高温度、排气平均温度,各缸发火时刻瞬时转速、及瞬时转速波动率;
2、所述的气缸工作参数标准化处理是将气缸工作参数按比例缩放,使之落入一个小的特定区间,去除数据的单位限制,将其转化为无量纲的纯数值,便于温度、压力、转速等不同单位和量级的数据进行比较和加权,以消除因各项参数量纲不同对气缸离群分析的影响。本发明采用数据0-1标准化方法,转换函数如公式(1);
定义1:X为样本数据矩阵,则0-1标准化公式为:
上式中,x*表示经标准化处理后的矩阵元素,xij表示样本矩阵X中第i行,第j列的元素,xj(min)表示第j列样本数据中的最小值,xj(max)表示第j列样本数据中的最大值。
3、所述的柴油机气缸离群特征分析是指,将柴油机气缸的综合运行状态作为聚类分析对象,将标准化处理后的气缸运行参数作为聚类对象的属性,利用蚁群LF算法分析待聚类对象,实现状态异常气缸的自动分离,并计算状态异常气缸的离群因子。柴油机气缸离群特征分析包括:“故障气缸”的辩识和“故障气缸”离群因子计算。
所述的“故障气缸”辩识是指利用蚁群LF算法对柴油机内配置的多个气缸进行聚类分析:首先,利用公式(2)计算任两个气缸对象Oi和Oj间的曼哈顿距离,公式中的d(Oi,Oj)表示两个气缸对象Oi和Oj间的曼哈顿距离,xik、xjk分别表示对象Oi和Oj的第k个属性,p表示对象Oi和Oj的属性个数;然后,利用公式(3)计算气缸对象Oi与周围气缸对象间的平均相似度f(Oi),公式(3)中,r表示邻近范围的半径,Neigh(r)表示邻近范围,w表示曼哈顿距离的规模;最后,根据公式(4)计算蚂蚁拾起气缸对象的概率Pp(Oi),式公中的k1为阈值常数;根据公式(5)计算蚂蚁放下气缸对象的概率Pd(Oi)。经多个循环后,可实现状态异常的气缸对象的自动分离,状态异常的气缸即为出现故障概率较大的气缸。
所述的“故障气缸”离群因子计算是指计算故障气缸与正常气缸的偏离程度,计算方法采用公式(6)。该公式中,为故障气缸的离群因子,该数值越大,表明故障气缸的劣化程度越大;L1为故障气缸与其它正常气缸间曼哈顿距离的平均值;L2为柴油机中任两个气缸间曼哈顿距离的平均值,m为气缸对象的个数。
4、所述的“故障气缸”离群因子的灰色预测是指,将故障气缸离群因子构成时间序列,在此基础上,利用灰色模型,如公式(7),预测分析离群因子未来变化趋势,实现柴油机整体健康状态的评估与预测功能,并据此对柴油机实施有计划、有针对性的视情维修。公式(7)中,x(1)(k-1)为故障气缸离群因子原始值的一次累加生成,为故障气缸离群因子预测结果,a、b为公式(7)的预测参数列元素。
图2为本发明实施某型柴油机单缸进气门晚开故障下,故障气缸离群因子预测结果与实验结果的对比。
Claims (4)
1.基于离群特征分析的柴油机故障灰预测方法,其特征是:
(1)利用数据采集系统相等时间间隔检测气缸运行参数,包括:平均指示有效压力、爆发压力、压力升高率、燃烧最高温度、排气平均温度,各缸发火时刻瞬时转速、瞬时转速波动率;
(2)利用标准化公式对气缸运行参数进行标准化处理,使得各项数据在保留原有信息的条件下实现从有量纲到无量纲的转化;
(3)将柴油机气缸的综合运行状态作为聚类分析对象,将标准化处理后的气缸运行参数作为聚类对象的属性,利用蚁群聚类算法分析待聚类对象,实现故障气缸的自动分离,并计算故障气缸的离群因子;
(4)将故障气缸离群因子构成时间序列,在此基础上,利用灰色模型预测分析其变化趋势,实现柴油机整体健康状态的监测功能。
2.根据权利要求1所述的基于离群特征分析的柴油机故障灰预测方法,其特征是:所述的气缸工作参数标准化处理是将气缸工作参数按比例缩放,使之落入一个特定区间,去除数据的单位限制,将其转化为无量纲的纯数值:采用数据0-1标准化方法,定义X为样本数据矩阵,则0-1标准化公式为:
上式中,x*表示经标准化处理后的矩阵元素,xij表示样本矩阵X中第i行,第j列的元素,xj(min)表示第j列样本数据中的最小值,xj(max)表示第j列样本数据中的最大值。
3.根据权利要求1所述的基于离群特征分析的柴油机故障灰预测方法,其特征是:利用蚁群聚类算法分析待聚类对象,实现故障气缸的自动分离,具体步骤包括:
将柴油机气缸的综合运行状态作为聚类分析对象,将标准化处理后的气缸运行参数作为聚类对象的属性,利用蚁群LF算法分析待聚类对象,实现状态异常气缸的自动分离,并计算状态异常气缸的离群因子,柴油机气缸离群特征分析包括“故障气缸”的辩识和“故障气缸”离群因子计算;
所述的“故障气缸”辩识是指利用蚁群LF算法对柴油机内配置的多个气缸进行聚类分析:首先,利用公式计算任两个气缸对象Oi和Oj间的曼哈顿距离,d(Oi,Oj)表示两个气缸对象Oi和Oj间的曼哈顿距离,xik、xjk分别表示对象Oi和Oj的第k个属性,p表示对象Oi和Oj的属性个数;然后,利用公式 计算气缸对象Oi与周围气缸对象间的平均相似度f(Oi),r表示邻近范围的半径,Neigh(r)表示邻近范围,w表示曼哈顿距离的规模;最后,根据公式计算蚂蚁拾起气缸对象的概率Pp(Oi),k1为阈值常数,根据公式 计算蚂蚁放下气缸对象的概率Pd(Oi),实现状态异常的气缸对象的自动分离;
所述的“故障气缸”离群因子计算是指计算故障气缸与正常气缸的偏离程度,计算方法采用公式 为故障气缸的离群因子,L1为故障气缸与其它正常气缸间曼哈顿距离的平均值,L2为柴油机中任两个气缸间曼哈顿距离的平均值,m为气缸对象的个数。
4.根据权利要求1所述的基于离群特征分析的柴油机故障灰预测方法,其特征是:将故障气缸离群因子构成时间序列,利用灰色模型预测分析其变化趋势,其具体为:
采用公式预测分析离群因子未来变化趋势,实现柴油机整体健康状态的评估与预测功能,x(1)(k-1)为故障气缸离群因子原始值的一次累加生成,为故障气缸离群因子预测结果,a、b为预测参数列元素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510193877.1A CN104794283B (zh) | 2015-04-22 | 2015-04-22 | 基于离群特征分析的柴油机故障灰预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510193877.1A CN104794283B (zh) | 2015-04-22 | 2015-04-22 | 基于离群特征分析的柴油机故障灰预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104794283A true CN104794283A (zh) | 2015-07-22 |
CN104794283B CN104794283B (zh) | 2017-12-15 |
Family
ID=53559074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510193877.1A Expired - Fee Related CN104794283B (zh) | 2015-04-22 | 2015-04-22 | 基于离群特征分析的柴油机故障灰预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104794283B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780105A (zh) * | 2016-11-18 | 2017-05-31 | 中国石油天然气股份有限公司 | 一种确定举升方式的方法及装置 |
CN108898151A (zh) * | 2018-05-09 | 2018-11-27 | 江南大学 | 一种基于局部搜索蚁群算法的机械设备状态监测方法 |
CN109214527A (zh) * | 2018-08-09 | 2019-01-15 | 南瑞集团有限公司 | 一种变压器故障早期诊断预警方法和系统 |
CN109508846A (zh) * | 2017-09-15 | 2019-03-22 | 新奥(中国)燃气投资有限公司 | 一种机组数据异常波动的检测方法及装置 |
CN109631997A (zh) * | 2018-12-20 | 2019-04-16 | 树根互联技术有限公司 | 工程设备健康检测方法、装置以及电子设备 |
CN109656738A (zh) * | 2018-11-28 | 2019-04-19 | 北京航空航天大学 | 一种基于离散化多值扩展d矩阵的电子产品故障诊断方法 |
CN109710983A (zh) * | 2018-12-04 | 2019-05-03 | 北京大学 | 一种基于关键性能指标的柴油机气缸分层故障诊断方法 |
CN109990891A (zh) * | 2018-05-22 | 2019-07-09 | 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 |
CN110597238A (zh) * | 2019-10-18 | 2019-12-20 | 常州工学院 | 一种诊断方法及装置 |
CN111382543A (zh) * | 2020-03-13 | 2020-07-07 | 中国海洋石油集团有限公司 | 一种基于改进蚁群算法的海上丛式井钻井顺序优化方法 |
CN111882833A (zh) * | 2020-07-21 | 2020-11-03 | 华润电力唐山丰润有限公司 | 基于离群参数的设备故障预警方法、装置、设备及介质 |
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 |
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 |
WO2024067826A1 (zh) * | 2022-09-30 | 2024-04-04 | 广州明珞装备股份有限公司 | 气缸故障预测方法及装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060217939A1 (en) * | 2005-03-28 | 2006-09-28 | Nec Corporation | Time series analysis system, time series analysis method, and time series analysis program |
US20070215574A1 (en) * | 2006-03-16 | 2007-09-20 | Tokyo Electron Limited | Prediction method and apparatus for substrate processing apparatus |
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 |
CN103969052A (zh) * | 2014-05-21 | 2014-08-06 | 哈尔滨工程大学 | 基于离群分析的柴油机故障诊断方法 |
-
2015
- 2015-04-22 CN CN201510193877.1A patent/CN104794283B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060217939A1 (en) * | 2005-03-28 | 2006-09-28 | Nec Corporation | Time series analysis system, time series analysis method, and time series analysis program |
US20070215574A1 (en) * | 2006-03-16 | 2007-09-20 | Tokyo Electron Limited | Prediction method and apparatus for substrate processing apparatus |
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 |
CN103969052A (zh) * | 2014-05-21 | 2014-08-06 | 哈尔滨工程大学 | 基于离群分析的柴油机故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
李丽敏等: "基于相似性传播聚类旳航空发动机突发故障诊断", 《振动与冲击》 * |
郑小倩等: "基于概率神经网络的柴油机故障诊断与预测研究", 《工矿自动化》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780105A (zh) * | 2016-11-18 | 2017-05-31 | 中国石油天然气股份有限公司 | 一种确定举升方式的方法及装置 |
CN109508846A (zh) * | 2017-09-15 | 2019-03-22 | 新奥(中国)燃气投资有限公司 | 一种机组数据异常波动的检测方法及装置 |
CN108898151A (zh) * | 2018-05-09 | 2018-11-27 | 江南大学 | 一种基于局部搜索蚁群算法的机械设备状态监测方法 |
CN109990891A (zh) * | 2018-05-22 | 2019-07-09 | 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 |
CN109214527A (zh) * | 2018-08-09 | 2019-01-15 | 南瑞集团有限公司 | 一种变压器故障早期诊断预警方法和系统 |
CN109656738A (zh) * | 2018-11-28 | 2019-04-19 | 北京航空航天大学 | 一种基于离散化多值扩展d矩阵的电子产品故障诊断方法 |
CN109710983A (zh) * | 2018-12-04 | 2019-05-03 | 北京大学 | 一种基于关键性能指标的柴油机气缸分层故障诊断方法 |
CN109631997A (zh) * | 2018-12-20 | 2019-04-16 | 树根互联技术有限公司 | 工程设备健康检测方法、装置以及电子设备 |
CN109631997B (zh) * | 2018-12-20 | 2021-07-09 | 树根互联股份有限公司 | 工程设备健康检测方法、装置以及电子设备 |
CN110597238A (zh) * | 2019-10-18 | 2019-12-20 | 常州工学院 | 一种诊断方法及装置 |
CN111382543A (zh) * | 2020-03-13 | 2020-07-07 | 中国海洋石油集团有限公司 | 一种基于改进蚁群算法的海上丛式井钻井顺序优化方法 |
CN111882833A (zh) * | 2020-07-21 | 2020-11-03 | 华润电力唐山丰润有限公司 | 基于离群参数的设备故障预警方法、装置、设备及介质 |
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 |
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 |
WO2024067826A1 (zh) * | 2022-09-30 | 2024-04-04 | 广州明珞装备股份有限公司 | 气缸故障预测方法及装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104794283B (zh) | 2017-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104794283A (zh) | 基于离群特征分析的柴油机故障灰预测方法 | |
CN102175282B (zh) | 一种基于信息融合的离心式空气压缩机故障诊断方法 | |
CN102705078B (zh) | 基于灰色模型的柴油机故障预测方法 | |
CN109543210A (zh) | 一种基于机器学习算法平台的风电机组故障预测系统 | |
CN103969052A (zh) | 基于离群分析的柴油机故障诊断方法 | |
CN105466693B (zh) | 基于灰色模型的柴油机燃油系统故障预诊断方法 | |
CN104863842B (zh) | 一种基于分形理论的隔膜泵故障诊断方法及装置 | |
CN111861211B (zh) | 一种具有双层反窃电模型的系统 | |
Wang et al. | Research on the fault monitoring method of marine diesel engines based on the manifold learning and isolation forest | |
CN102680242B (zh) | 基于群体智能的柴油机故障诊断方法 | |
CN103900824B (zh) | 基于瞬时转速聚类分析的柴油机故障诊断方法 | |
CN111817880A (zh) | 一种油气田生产设备健康管理系统以及实现方法 | |
CN105487530A (zh) | 柴油机排温低故障预测系统及方法 | |
Peng et al. | An audio-based intelligent fault diagnosis method for belt conveyor rollers in sand carrier | |
CN103674538A (zh) | 一种直升机自动倾斜器多故障模式识别方法及装置 | |
CN113569459A (zh) | 基于群体智能的液压支架性能退化定量评估方法及系统 | |
Peng et al. | Icing prediction of fan blade based on a hybrid model | |
CN106768000A (zh) | 一种风力发电机组变流器水冷系统压力异常检测方法 | |
Xiao et al. | A review of fault diagnosis methods based on machine learning patterns | |
CN108090236A (zh) | 航空装备的状态检测方法 | |
CN117151684A (zh) | 风电风机数据分析预警方法、系统、装置及可读存储介质 | |
Xu et al. | Aero-Engine gas-path fault diagnosis based on spatial structural characteristics of QAR data | |
Yang et al. | Self-attention parallel fusion network for wind turbine gearboxes fault diagnosis | |
CN110196160A (zh) | 一种基于残差网络的风电齿轮箱监测方法 | |
CN115774847A (zh) | 一种柴油机性能评估及预测方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171215 |
|
CF01 | Termination of patent right due to non-payment of annual fee |