CN105547705B - 发动机性能退化趋势预测方法 - Google Patents
发动机性能退化趋势预测方法 Download PDFInfo
- Publication number
- CN105547705B CN105547705B CN201610136424.XA CN201610136424A CN105547705B CN 105547705 B CN105547705 B CN 105547705B CN 201610136424 A CN201610136424 A CN 201610136424A CN 105547705 B CN105547705 B CN 105547705B
- Authority
- CN
- China
- Prior art keywords
- prediction
- data
- olvf
- ipca
- model
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Lubrication Details And Ventilation Of Internal Combustion Engines (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种发动机性能退化趋势预测方法,包括以下步骤:步骤一、监测数据序列重构;步骤二、构建灰色相关向量机预测模型;步骤三、构建改进相关向量机模型;步骤四、构建换油后油液监测数据修正模型。本发明的改进RVM模型构建适用于OLVF监测数据的预测方法,深入挖掘OLVF监测数据中的隐含信息,可以实现发动机的整体趋势预测,解决了以往方法手段无法准确实现发动机性能退化趋势预测的技术难题。同时,本发明的改进RVM模型通过对发动机油液监测过程中的噪声数据进行重构,在消除噪声点的同时保留整体趋势和突变信息,在预测数据量递增、尤其针对在线监测源源不断数据量的情况下,仍然保持准确的预测结果。
Description
技术领域
本发明属于摩擦学及故障诊断交叉技术领域,具体涉及一种发动机性能退化趋势预测方法。
背景技术
随着经济的发展,我国已成汽车生产和消费大国。汽车发动机是一个复杂的机械系统,由数千个零件组成,主要失效形式是磨损或者与磨损相关的失效,在发动机总成故障中占47.2%。
但是目前发动机磨损状态监测的主要手段是停机拆检。停机拆检对查找故障原因更直接,但效率低、周期长。换个角度看,有磨损就会产生磨屑,磨屑携带机器磨损信息进入润滑油中。对润滑油实施在线监测就可望对发动机的磨损状态做出实时判断。在线油液监测技术可以方便地实现发动机润滑油磨粒浓度变化的在线监测和零件磨损状态的不解体识别。例如西安交通大学开发的在线图像可视铁谱仪(OLVF)兼有直读铁谱和分析铁谱的功能,可分析发动机润滑油中磨粒浓度、尺寸等,实时获取系统的磨损信息,实现了采样过程的参数化和自动化。
在已有的油液监测手段的基础上,许多学者尝试进行了装备性能退化趋势预测方法的研究。趋势预测方法主要包括基于模型预测和基于数据预测两种。
基于模型的故障预测技术要求对象系统的数学模型具有较高的精度,而针对复杂的动态系统通常难以建立精确的数学模型,这限制了基于模型的预测技术的实际应用范围和效果。基于数据的预测技术不需要或只需要少量的对象系统的先验知识(数学模型和专家经验),以采集的数据为基础,通过各种数据分析处理方法挖掘其中隐含信息进行预测操作,成为一种较为实用的预测方法。
利用油液监测数据进行汽车装备寿命预测时,主要采用基于数据驱动的预测模型。为了从“整机”磨损信息中获取反映机器装备系统磨损状态的特征,其关键是趋势预测技术。基于数据的趋势预测主要采用一些传统预测方法,典型的有:神经网络、隐马尔可夫模型等。
传统的预测方法虽然很多,但并不完全适于油液监测技术,要单独利用任何一种方法准确评估发动机的磨损状态还有一定的困难。汽车发动机系统是一个复杂的时变系统,具有高度的非线性和不确定性,这种不确定性使得很难精确的建立主观模型,由此有必要考虑磨损机理、根据发动机系统的时变性特点来进行动态预测,提高预测的精度和可信度。
相比其他方法,相关向量机可以避免上述算法的缺陷。但是利用相关向量机还不能做到根据预测结果对发动机的健康状态自动做出客观准确的判断。
综上,以往研究存在如下问题:
(1)对发动机润滑系统中磨粒浓度的变化规律缺少深入研究,未从系统角度研究磨损率、外界条件及系统环境对磨粒浓度产生影响;
(2)油液监测数据受外界干扰、测量误差和监测所得信息不完整等因素影响而带有的“噪声”,影响了特征信息的提取,无法揭示装备的真实状态;
(3)对于油液监测数据与发动机磨损状态之间、发动机磨损演化规律与发动机寿命之间的关联性仍不明朗,所以有必要从系统角度来研究发动机油液监测数据与磨粒浓度变化规律之间的对应关系,进而根据油液监测数据预测发动机磨损状态和剩余寿命。
因此,随着在线油液监测技术的发展,本发明利用其中的在线可视铁谱技术(OLVF),从OLVF监测所得信息中提取出磨损特性,并做出剩余寿命预测。
发明内容
本发明的目的在于克服上述现有技术的不足,深入挖掘在线可视铁谱仪(OLVF)监测数据中的隐含信息,提供一种发动机性能退化趋势预测方法。本发明采用数据处理方法修正发动机油液监测过程中的噪声数据,对监测数据进行重构;构建适用于OLVF的预测模型以实现汽车主要装备的性能退化趋势评估预测,从而解决以往方法手段无法准确实现发动机性能退化趋势预测的技术问题。
本发明的技术方案为:
发动机性能退化趋势预测方法,包括以下步骤:
步骤一、监测数据序列重构:
利用时空延迟修正、坐标延迟修正、相邻三点残差平均修正、倍增值KIPCA倒数计算对发动机试验过程中的OLVF检测数据进行重构;
步骤二、构建灰色相关向量机预测模型:
(1)模型训练:将步骤一中重构的OLVF监测数据用于模型训练,利用训练数据序列建立灰色预测模型GM,将灰色预测模型GM的预测残差值作为输入,原始数据序列作为输出,训练得到训练好的相关向量机预测模型RVM;
(2)模型预测:由建立的灰色预测模型GM和训练好的相关向量机预测模型RVM组合得到灰色相关向量机预测模型GM-RVM,并通过引入滑移窗算法,不断更新数据中的信息;
步骤三、构建改进相关向量机模型:
灰色相关向量机预测模型GM-RVM结合PSO优化后得到改进相关向量机模型。
步骤四、构建换油后油液监测数据修正模型
改进相关向量机模型依据换油之前的N个序列数据预测换油后的第N+1个点的值,将该预测值与换油后的第一个实际数据求差,该差值作为补偿量,用于修正换油后的IPCA。
步骤一中,对OLVF监测数据进行时空延迟修正,处理算法如下:
数据样本为x={xi(t),i=1,2,...n},t对应该样本的采样时间,设定一时间坐标延迟量Δ1,则其时间坐标重构结果xnew1为:
xnew1={xi(t-Δ1),i=1,...n}。
步骤一中,对OLVF监测数据的坐标延迟修正,处理算法如下:
(a)当OLVF监测过程发生补油,进行补油坐标延迟修正;根据经过时空延迟计算后的数据xnew1={xnew1(i),i=1,2,...n},判定当补油发生时浓度变化系数Cch,得到补油后空间坐标重构结果xnew2为:
(b)当OLVF监测过程发生换油,进行补油坐标延迟修正;根据经过时空延迟计算后的数据xnew1={xnew1(i),i=1,2,...n}和换油后油液监测数据修正模型得到补偿量ΔY,得到换油后空间坐标重构结果xnew2为:
xnew2={xnew1(i)+ΔY,i=1,2,...n}。
步骤一中,对OLVF监测数据的相邻三点残差平均修正,处理算法如下:
对OLVF监测数据经过所述时空延迟修正、坐标延迟修正后,得到数值序列xnew2=(xnew2(1),xnew2(2),.....,xnew2(n)),对数值序列xnew2进行相邻三点残差平均修正,消除数据噪声后的修正结果xnew3为:
步骤一中,OLVF监测数据的倍增值KIPCA倒数计算,处理算法如下:
对于OLVF监测数据经过所述时空延迟修正、坐标延迟修正和相邻三点残差平均修正后,使用滑移窗口进行数据分段,然后提取IPCA倍增系数KIPCA:
KIPCA=(T2-T1)*logγ/log(IPCA2)-log(IPCA1)
式中,IPCA2:磨损监测过程滑移窗中找到的最大值;IPCA1:从窗口内最大值IPCA2向前搜索到的非零最小值;γ:倍数值。
步骤四中,构建换油后油液监测数据修正模型,其具体过程如下:
1)利用改进相关向量机模型算法得到预测结果Ypre
Ypre=YGM-RVM;
2)计算补偿值ΔY
计算预测结果与换油后OLVF监测数据之间的差值
ΔY=Ypre-IPCA(oc) new;
式中,YPre:改进相关向量机模型预测模的型预测结果;IPCA(oc) new:换油后OLVF监测数据;
3)结果修正
利用换油后的OLVF监测数据反推假定未换油时的OLVF监测数据IPCA(oc) new如下
IPCA(oc) old=IPCA(oc) new+ΔY。
本发明具有以下优点:
1.本发明的改进RVM模型构建适用于OLVF监测数据的预测方法,深入挖掘OLVF监测数据中的隐含信息,可以实现发动机的整体趋势预测,解决了以往方法手段无法准确实现发动机性能退化趋势预测的技术难题。
2.本发明的改进RVM模型通过对发动机油液监测过程中的噪声数据进行重构,在消除噪声点的同时保留整体趋势和突变信息,在预测数据量递增、尤其针对在线监测源源不断数据量的情况下,仍然保持准确的预测结果。
附图说明
图1是GM-RVM预测算法流程图;
图2是改进RVM预测算法流程图;
图3是换油后监测数据修正算法流程图;
图4是试验中期监测原始数据;
图5是原始数据时间坐标延迟重构预处理曲线图;
图6是原始数据空间坐标重构预处理曲线图;
图7是原始数据相邻三点平均修正预处理曲线图;
图8是原始数据倍增值KIPCA倒数预处理曲线图;
图9是试验中期数据重构后的预测结果。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明涉及一种发动机性能退化趋势预测方法,具体由以下步骤实现:
步骤一、监测数据序列重构
发动机试验过程监测得到的磨粒浓度是一组复杂的非线性时变时间序列,为从监测时间序列中提取更多有用的信息进行预测,首先利用时空延迟、坐标延迟、相邻三点残差平均修正等方法对数据进行重构。
(1)时间坐标延迟重构
OLVF监测数据因时间延迟需要重构,故对数据进行时空坐标反向延迟处理,处理算法如下:
针对一组数据x={xi(t),i=1,2,...n},变量t对应了该样本的采样时间,设定一时间坐标延迟量Δ1,依据试验室试验结果,延迟量基数设定为30min,该基数可根据实际机器的不同而进行调整。则其时间坐标重构结果xnew1为:
xnew1={xi(t-Δ1),i=1,...n} (1)
处理后的数据在时间坐标上被提前了30min,反映机器内部健康状态劣化的起始时刻。
(2)空间坐标延迟重构
监测过程发生补油时,需要进行补油修正。针对经过上一步修正的一组数据xnew1={xnew1(i),i=1,2,...n},当补油发生时,需要判定浓度变化系数Cch,则得到补油后空间坐标重构结果xnew2为:
对于另一种情况,即当发动机换油时,根据换油后油液监测数据修正模型得到补偿量ΔY,进而得到换油后空间坐标重构结果xnew2为:
xnew2={xnew1(i)+ΔY,i=1,2,...n} (3)
(3)相邻三点平均修正
原始监测数据经过上述预处理之后,得到数值序列xnew2=(xnew2(1),xnew2(2),.....,xnew2(n)),进一步对数值序列xnew2的相邻三点值求平均,以便消除数据“噪声”,得到修正结果xnew3为:
这样,偶然性的误差即被消除。
(4)倍增系数KIPCA
在发动机特征值中,采用IPCA倍增系数KIPCA可衡量IPCA增长的速度,能够明确反映出趋势特征。因此对于经过前述步骤重构处理的数据,首先使用滑移窗口进行数据分段,然后根据公式(5)提取IPCA倍增系数,亦即计算IPCA从某一低值增加到它的2倍时所需的时间。这个时间越短则表明磨损状态变换越剧烈,机器性能退化越严重。
KIPCA=(T2-T1)*logγ/log(IPCA2)-log(IPCA1) (5)式中,IPCA2:磨损监测过程滑移窗中找到的最大值;IPCA1:从窗口内最大值IPCA2向前搜索到的非零最小值;γ:倍数值。
步骤二、构建灰色相关向量机预测模型(GM-RVM)
首先将OLVF监测数据序列分成两部分,前一部分用于模型训练。在模型的训练阶段,利用训练数据序列建立GM预测模型,将GM的预测残差值作为输入、原始数据序列作为输出,训练得到RVM预测模型;最后,进行模型预测。由建立的灰色预测模型和训练好的相关向量机预测模型组合得到灰色相关向量机预测模型(GM-RVM),并通过引入滑移窗算法,不断更新数据中的信息。GM-RVM预测方法的流程如图1所示。
步骤三:构建改进相关向量机(改进RVM)模型
GM-RVM结合PSO优化后得到了新的PSO-GM-RVM预测模型,简称为改进相关向量机(改进RVM)模型。改进RVM模型的预测流程如图2所示,参数优化时,粒子群数目设为30,最大迭代次数设为50,核参数的取值区间为[0.001,1000]。
为了衡量模型的预测精度,对预测误差做出定义:以平均绝对百分误差(MSEP)来评价改进RVM预测模型的预测能力。
步骤四:构建换油后油液监测数据修正模型
发动机运行过程中,如果发动机进行了彻底的换油,那么换油前后数据将与补油一样会出现明显差别,且不能迅速恢复到之前的水平,造成监测数据中断,换油前后数据整体跨度较大,数据不便于比较,所以有必要对换油后的监测数据进行修正以便于分析预测。本发明基于趋势预测的思想利用改进RVM预测模型进行换油后数据修正。
为便于将换油前后的数据统一比较,本发明充分考虑利用换油之前的数据序列(N个数据)。利用改进RVM模型根据数据变化趋势预测换油后的第N+1个点的值,将该预测值与换油后的第一个数据进行比较,求得差值。可以认为差值是由于换油引起,故以该差值作为补偿量,进而利用该补偿量统一修正换油后的IPCA。该算法流程如图3所示:
利用改进RVM算法进行预测,根据数据变化趋势预测换油后第一个点的监测值,并根据该预测值进行数据修正。修正过程如下:
1)利用改进RVM算法得到预测结果Ypre
Ypre=YGM-RVM (7)
2)计算补偿值ΔY
计算预测结果与换油后OLVF监测数据之间的差值:
ΔY=Ypre-IPCA(oc) new (8)
式中,YPre:改进RVM预测模的型预测结果;IPCA(oc) new:换油后OLVF监测数据。
3)结果修正
利用换油后的OLVF监测数据反推假定未换油时的OLVF监测数据。
IPCA(oc) old=IPCA(oc) new+ΔY (9)
式中,IPCA(oc) old:假定未换油时OLVF监测数据反推值。
本发明具有下列区别于传统方法的显著优势:
1).基于磨损机理,结合发动机磨损演化规律;
2).深入挖掘油液监测数据与磨粒浓度变化规律之间的对应关系,进行数据重构,消除换油、仪器等行为带来的噪声干扰;
3).采用基于数据的预测模型,根据磨损监测所得数据的统计规律进行预测,可获得准确的预测结果。
下面是本发明的有益效果证明:
为了与其他经典分类方法进行对比,本发明选择一组试验数据,对比了三种不同方法的预测精度,计算了各方法的预测平均绝对百分误差(MSEP),结果如表1所示。
表1短期预测结果对比
可以看出:灰色预测模型的预测误差较大,使用未改进的RVM预测精度有所提高,改进RVM的预测精度最高。MSEP值依次由3.60%提高为3.43%、最终达到了3.19%,说明采用一定的特征提取和数据重构修正方法,利用本发明的改进RVM模型的预测精度最高。随着预测数据量的递增,不同模型预测精度的差别会更加明显,尤其针对源源不断到达的在线监测数据,预测模型精度的小幅提高也会对最终的预测结果产生重要影响。而其他经典预测方法不适合于OLVF监测数据的趋势预测。
下面介绍本发明的一个实施例:
选择某型号小型直列四缸柴油发动机,利用OLVF监测发动机磨损程度及健康状态,利用其中期实验数据进行数据预测,其数据如图4所示。
一、数据重构
由于发动机在运行65h时进行了换油,所以中期数据需要以下重构:(1)坐标延迟重构;(2)换油空间坐标重构;(3)相邻三点平均修正;(4)倍增值KIPCA倒数计算。
坐标延迟重构结果如图5所示,中期原始数据沿时间轴向前平移,平移量Δ1=30min。
利用换油修正算法中的公式(8)得到补偿量ΔY=404,进而得到中期数据的换油空间重构结果,如图6所示。
相邻三点平均修正如图7所示:经过三点平均修正后,中期原始数据小的噪声点被消除,但数据整体趋势依然存在,而且原始数据的突变等明显异常信息也被保留。
同样,计算试验中期数据的KIPCA并求倒数,如图8所示。中期数据的换油后KIPCA倒数曲线的变化规律与原数据序列基本相似,呈上升趋势,说明该特征能够反映实际磨损状态。
二、趋势预测
利用图4中期数据段的60-120h数据训练灰色模型并预测最后25h(120-145h)的数据。每次预测一个数据,并将预测结果插入输入序列末尾从而建立新的输入序列,重复之前的预测过程,进一步使用改进RVM模型获得的整体预测结果,结果如图9所示,图中120-145h的数据为最终预测结果。
首先计算各模型预测值的阈值并绘制报警线如图9中的WS所示,将最终预测值与设定的阈值WS进行比较,若大于阈值则视为健康状态异常。
同时,从图9可以看出:改进RVM的120h后期预测值都超出了报警阈值。预测结果是对65-120h数据的变化趋势的预测,这说明按照65-120h数据的变化趋势,预测区的数据逐渐出现异常。
综合以上结果说明,改进RVM趋势预测结果报告柴油发动机从中期试验的第120h之后进入异常状态。
三、拆检结果
拆检高速油泵:考虑到试验过程中发动机燃烧一直不好,而且发动机在有效监测约120h后出现功率不足,因此怀疑高速油泵故障,在有效监测约145h后停止试验并拆检高速油泵,经拆检发现空压机与高压油泵驱动轴的连接拨叉键断裂,现场可以观察到脱落的铁屑。而该部位也是依赖润滑油进行润滑,其润滑油通孔与发动机的润滑油流道相通。
现场拆检结果说明中期试验阶段发动机一直工作在异常状态,磨粒浓度逐渐累积,OLVF监测数据曲线也明显呈现出逐渐递增的趋势。
综上所述,对比灰色预测、未改进RVM、改进RVM的预测结果,虽然各模型均存在预测误差,但是改进RVM在预测精度上还是都优于其他模型。说明了采用改进RVM预测模型提高预测精度是一种行之有效的方法,对于发动机磨损状态预测具有理想的效果。
本发明的内容不限于实施例所列举,本领域普通技术人员通过阅读本发明说明书而对本发明技术方案采取的任何等效的变换,均为本发明的权利要求所涵盖。
Claims (6)
1.发动机性能退化趋势预测方法,其特征在于:
包括以下步骤:
步骤一、监测数据序列重构:
利用时空延迟修正、坐标延迟修正、相邻三点残差平均修正、倍增值KIPCA倒数计算对发动机试验过程中的OLVF检测数据进行重构;
步骤二、构建灰色相关向量机预测模型:
(1)模型训练:将步骤一中重构的OLVF监测数据用于模型训练,利用训练数据序列建立灰色预测模型GM,将灰色预测模型GM的预测残差值作为输入,原始数据序列作为输出,训练得到训练好的相关向量机预测模型RVM;
(2)模型预测:由建立的灰色预测模型GM和训练好的相关向量机预测模型RVM组合得到灰色相关向量机预测模型GM-RVM,并通过引入滑移窗算法,不断更新数据中的信息;
步骤三、构建改进相关向量机模型:
灰色相关向量机预测模型GM-RVM结合PSO优化后得到改进相关向量机模型。
步骤四、构建换油后油液监测数据修正模型
改进相关向量机模型依据换油之前的N个序列数据预测换油后的第N+1个点的值,将该预测值与换油后的第一个实际数据求差,该差值作为补偿量,用于修正换油后的IPCA。
2.根据权利要求1所述的发动机性能退化趋势预测方法,其特征在于:
步骤一中,对OLVF监测数据进行时空延迟修正,处理算法如下:
数据样本为x={xi(t),i=1,2,…n},t对应该样本的采样时间,设定一时间坐标延迟量Δ1,则其时间坐标重构结果xnew1为:
xnew1={xi(t-Δ1),i=1,…n}。
3.根据权利要求1所述的发动机性能退化趋势预测方法,其特征在于:
步骤一中,对OLVF监测数据的坐标延迟修正,处理算法如下:
(a)当OLVF监测过程发生补油,进行补油坐标延迟修正;根据经过时空延迟计算后的数据xnew1={xnew1(i),i=1,2,…n},判定当补油发生时浓度变化系数Cch,得到补油后空间坐标重构结果xnew2为:
(b)当OLVF监测过程发生换油,进行补油坐标延迟修正;根据经过时空延迟计算后的数据xnew1={xnew1(i),i=1,2,…n}和换油后油液监测数据修正模型得到补偿量ΔY,得到换油后空间坐标重构结果xnew2为:
xnew2={xnew1(i)+ΔY,i=1,2,…n}。
4.根据权利要求1所述的发动机性能退化趋势预测方法,其特征在于:
步骤一中,对OLVF监测数据的相邻三点残差平均修正,处理算法如下:
对OLVF监测数据经过所述时空延迟修正、坐标延迟修正后,得到数值序列xnew2=(xnew2(1),xnew2(2),.....,xnew2(n)),对数值序列xnew2进行相邻三点残差平均修正,消除数据噪声后的修正结果xnew3为:
5.根据权利要求1所述的发动机性能退化趋势预测方法,其特征在于:
步骤一中,OLVF监测数据的倍增值KIPCA倒数计算,处理算法如下:
对于OLVF监测数据经过所述时空延迟修正、坐标延迟修正和相邻三点残差平均修正后,使用滑移窗口进行数据分段,然后提取IPCA倍增系数KIPCA:
KIPCA=(T2-T1)*logγ/log(IPCA2)-log(IPCA1)
式中,IPCA2:磨损监测过程滑移窗中找到的最大值;IPCA1:从窗口内最大值IPCA2向前搜索到的非零最小值;γ:倍数值。
6.根据权利要求1所述的发动机性能退化趋势预测方法,其特征在于:
步骤四中,构建换油后油液监测数据修正模型,其具体过程如下:
1)利用改进相关向量机模型算法得到预测结果Ypre
Ypre=YGM-RVM;
2)计算补偿值ΔY
计算预测结果与换油后OLVF监测数据之间的差值
ΔY=Ypre-IPCA(oc) new;
式中,YPre:改进相关向量机模型预测模的型预测结果;IPCA(oc) new:换油后OLVF监测数据;
3)结果修正
利用换油后的OLVF监测数据反推假定未换油时的OLVF监测数据IPCA(oc) new如下
IPCA(oc) old=IPCA(oc) new+ΔY。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610136424.XA CN105547705B (zh) | 2016-03-10 | 2016-03-10 | 发动机性能退化趋势预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610136424.XA CN105547705B (zh) | 2016-03-10 | 2016-03-10 | 发动机性能退化趋势预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105547705A CN105547705A (zh) | 2016-05-04 |
CN105547705B true CN105547705B (zh) | 2018-07-20 |
Family
ID=55827049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610136424.XA Active CN105547705B (zh) | 2016-03-10 | 2016-03-10 | 发动机性能退化趋势预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105547705B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109000930B (zh) * | 2018-06-04 | 2020-06-16 | 哈尔滨工业大学 | 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法 |
CN110895628B (zh) * | 2018-09-11 | 2021-02-26 | 湖南银杏可靠性技术研究所有限公司 | 一种性能退化模型预测精度验证方法 |
CN109991956B (zh) * | 2019-04-03 | 2020-07-07 | 中国人民解放军国防科技大学 | 一种液体火箭发动机稳态故障预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101907088A (zh) * | 2010-05-27 | 2010-12-08 | 中国人民解放军国防科学技术大学 | 基于单类支持向量机的故障诊断方法 |
CN202974665U (zh) * | 2012-12-17 | 2013-06-05 | 中国矿业大学 | 基于支持向量机svm分类的自动故障诊断内燃机 |
CN103983543A (zh) * | 2014-05-15 | 2014-08-13 | 西安交通大学 | 一种在线图像可视铁谱成像系统 |
CN104484675A (zh) * | 2014-12-15 | 2015-04-01 | 上海海事大学 | 一种铁谱磨粒纹理特征提取和模式识别的方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08303690A (ja) * | 1995-05-08 | 1996-11-22 | Osaka Gas Co Ltd | 潤滑油診断方法及び潤滑油診断装置 |
JP2001281118A (ja) * | 2000-03-29 | 2001-10-10 | Osaka Gas Co Ltd | 摩耗片の作成装置 |
-
2016
- 2016-03-10 CN CN201610136424.XA patent/CN105547705B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101907088A (zh) * | 2010-05-27 | 2010-12-08 | 中国人民解放军国防科学技术大学 | 基于单类支持向量机的故障诊断方法 |
CN202974665U (zh) * | 2012-12-17 | 2013-06-05 | 中国矿业大学 | 基于支持向量机svm分类的自动故障诊断内燃机 |
CN103983543A (zh) * | 2014-05-15 | 2014-08-13 | 西安交通大学 | 一种在线图像可视铁谱成像系统 |
CN104484675A (zh) * | 2014-12-15 | 2015-04-01 | 上海海事大学 | 一种铁谱磨粒纹理特征提取和模式识别的方法 |
Non-Patent Citations (2)
Title |
---|
在线铁谱监测系统中的非平稳磨损趋势分析;王金涛等;《西安交通大学学报》;20030531;第37卷(第5期);第463-466页 * |
基于灰色支持向量机的新型预测模型;唐万梅;《系统工程学报》;20060831;第21卷(第4期);第410-413页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105547705A (zh) | 2016-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yan et al. | Two-stage physics-based Wiener process models for online RUL prediction in field vibration data | |
Wen et al. | Degradation modeling and RUL prediction using Wiener process subject to multiple change points and unit heterogeneity | |
Sun et al. | An improved inverse Gaussian process with random effects and measurement errors for RUL prediction of hydraulic piston pump | |
CN110955963B (zh) | 一种航空电缆剩余寿命预测方法 | |
Li et al. | Wiener-based remaining useful life prediction of rolling bearings using improved Kalman filtering and adaptive modification | |
Cheng et al. | Reliability prediction of machinery with multiple degradation characteristics using double-Wiener process and Monte Carlo algorithm | |
US8725456B1 (en) | Decomposition technique for remaining useful life prediction | |
Fan et al. | A novel machine learning method based approach for Li-ion battery prognostic and health management | |
CN105547705B (zh) | 发动机性能退化趋势预测方法 | |
Ma et al. | A multi-phase Wiener process-based degradation model with imperfect maintenance activities | |
Zhao et al. | Bearing health condition prediction using deep belief network | |
Vališ et al. | Contribution to prediction of soft and hard failure occurrence in combustion engine using oil tribo data | |
CN111060652A (zh) | 基于长短期记忆网络的变压器油中溶解气体浓度预测方法 | |
CN114943179A (zh) | 基于多源退化数据融合的可靠性评估及剩余寿命预测方法 | |
Vališ et al. | System failure estimation based on field data and semi-parametric modeling | |
Song et al. | Multifractional and long-range dependent characteristics for remaining useful life prediction of cracking gas compressor | |
Zhang et al. | Remaining useful life prediction for rolling bearings with a novel entropy-based health indicator and improved particle filter algorithm | |
CN111126477A (zh) | 一种混合贝叶斯网络的学习与推理方法 | |
Yang et al. | Prediction method of key corrosion state parameters in refining process based on multi-source data | |
CN113836822A (zh) | 一种基于mclstm模型的航空发动机寿命预测方法 | |
Zheng et al. | Reliability analysis of multi-stage degradation with stage-varying noises based on the nonlinear Wiener process | |
Xu et al. | An improved regularized particle filter for remaining useful life prediction in nuclear plant electric gate valves | |
CN115292820A (zh) | 一种城轨列车轴承剩余使用寿命的预测方法 | |
CN110083933A (zh) | 一种考虑随机效应的腐蚀管道贝叶斯退化分析方法 | |
Luo et al. | A novel method for remaining useful life prediction of roller bearings involving the discrepancy and similarity of degradation trajectories |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |