CN104794283A - 基于离群特征分析的柴油机故障灰预测方法 - Google Patents

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

基于离群特征分析的柴油机故障灰预测方法

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：

$x^{*}=\frac{x_{\mathrm{ij}}-x_{j\left(\min \right)}}{x_{j\left(\max \right)}-x_{j\left(\min \right)}},$

上式中，x*表示经标准化处理后的矩阵元素，x_ij表示样本矩阵X中第i行，第j列的元素，x_j(min)表示第j列样本数据中的最小值，x_j(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O_i和O_j间的曼哈顿距离，d(O_i,O_j)表示两个气缸对象O_i和O_j间的曼哈顿距离，x_ik、x_jk分别表示对象O_i和O_j的第k个属性，p表示对象O_i和O_j的属性个数；然后，利用公式 $f\left(O_i\right)=\left\{\begin{array}{cc}\frac{1}{r^2}\underset{O_j\&Element;\mathrm{Neigh}\left(r\right)}{\mathrm{\&Sigma;}}[1-\frac{d(O_i,O_j)}{w}]& \mathrm{iff}>0\\ 0& \mathrm{otherwise}\end{array}\right.$ 计算气缸对象O_i与周围气缸对象间的平均相似度f(O_i)，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P_p(O_i)，k₁为阈值常数，根据公式 $P_d\left(O_i\right)=\left\{\begin{array}{ccc}2f\left(O_i\right)& \mathrm{if}& f\left(O_i\right)<k_2\\ 0& \mathrm{if}& f\left(O_i\right)\&GreaterEqual;k_2\end{array}\right.$ 计算蚂蚁放下气缸对象的概率P_d(O_i)，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 $L_i^{*}=L_1-L_2=\frac{1}{m-1}\underset{i=1}{\overset{m-1}{\mathrm{\&Sigma;}}}\mathrm{dis}(O_i,O_j)-\frac{1}{m(m-1)}\underset{i=1,j=1}{\overset{m-1}{\mathrm{\&Sigma;}}}\mathrm{dis}(O_j,O_j),$ 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：

$x^{*}=\frac{x_{\mathrm{ij}}-x_{j\left(\min \right)}}{x_{j\left(\max \right)}-x_{j\left(\min \right)}}---\left(1\right)$

上式中，x*表示经标准化处理后的矩阵元素，x_ij表示样本矩阵X中第i行，第j列的元素，x_j(min)表示第j列样本数据中的最小值，x_j(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O_i和O_j间的曼哈顿距离，公式中的d(O_i,O_j)表示两个气缸对象O_i和O_j间的曼哈顿距离，x_ik、x_jk分别表示对象O_i和O_j的第k个属性，p表示对象O_i和O_j的属性个数；然后，利用公式(3)计算气缸对象O_i与周围气缸对象间的平均相似度f(O_i)，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P_p(O_i)，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P_d(O_i)。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。

$d(O_i,O_j)=\underset{k=1}{\overset{p}{\mathrm{\&Sigma;}}}|x_{\mathrm{ik}}-x_{\mathrm{jk}}|---\left(2\right)$

$f\left(O_i\right)=\left\{\begin{array}{cc}\frac{1}{r^2}\underset{O_j\&Element;\mathrm{Neigh}\left(r\right)}{\mathrm{\&Sigma;}}[1-\frac{d(O_i,O_j)}{w}]& \mathrm{iff}>0\\ 0& \mathrm{otherwise}\end{array}\right.---\left(3\right)$

$P_p\left(O_i\right)={\left(\frac{k_1}{k_1+f\left(O_i\right)}\right)}^2---\left(4\right)$

$P_d\left(O_i\right)=\left\{\begin{array}{ccc}2f\left(O_i\right)& \mathrm{if}& f\left(O_i\right)<k_2\\ 0& \mathrm{if}& f\left(O_i\right)\&GreaterEqual;k_2\end{array}\right.---\left(5\right)$

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。

$L_i^{*}=L_1-L_2=\frac{1}{m-1}\underset{i=1}{\overset{m-1}{\mathrm{\&Sigma;}}}\mathrm{dis}(O_i,O_j)-\frac{1}{m(m-1)}\underset{i=1,j=1}{\overset{m-1}{\mathrm{\&Sigma;}}}\mathrm{dis}(O_j,O_j)---\left(6\right)$

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。

${\hat{x}}^{\left(0\right)}\left(k\right)=\frac{b-{\mathrm{ax}}^{\left(1\right)}(k-1)}{1+0.5a}---\left(7\right)$

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：

$x^{*}=\frac{x_{\mathrm{ij}}-x_{j\left(\min \right)}}{x_{j\left(\mathrm{amx}\right)}-x_{j\left(\min \right)}},$

上式中，x*表示经标准化处理后的矩阵元素，x_ij表示样本矩阵X中第i行，第j列的元素，x_j(min)表示第j列样本数据中的最小值，x_j(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O_i和O_j间的曼哈顿距离，d(O_i,O_j)表示两个气缸对象O_i和O_j间的曼哈顿距离，x_ik、x_jk分别表示对象O_i和O_j的第k个属性，p表示对象O_i和O_j的属性个数；然后，利用公式 $f\left(O_i\right)=\left\{\begin{array}{cc}\frac{1}{r^2}\underset{O_j\&Element;\mathrm{Neigh}\left(r\right)}{\mathrm{\&Sigma;}}[1-\frac{d(O_i,O_j)}{w}]& \mathrm{if\; f}>0\\ 0& \mathrm{otherwise}\end{array}\right.$ 计算气缸对象O_i与周围气缸对象间的平均相似度f(O_i)，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P_p(O_i)，k₁为阈值常数，根据公式 $P_d\left(O_i\right)\left\{\begin{array}{ccc}2f\left(O_i\right)& \mathrm{if}& f\left(O_i\right)<k_2\\ 0& \mathrm{if}& f\left(O_i\right)\&GreaterEqual;k_2\end{array}\right.$ 计算蚂蚁放下气缸对象的概率P_d(O_i)，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 $L_i^{*}=L_1-L_2=\frac{1}{m-1}\underset{i=1}{\overset{m-1}{\mathrm{\&Sigma;}}}\mathrm{dis}(O_i,O_j)-\frac{1}{m(m-)1}\underset{i=1,j=1}{\overset{m-1}{\mathrm{\&Sigma;}}}\mathrm{dis}(O_i,O_j),$ 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。