CN108492399B - 基于大数据分析的推土机柴油机故障诊断专家系统及方法 - Google Patents
基于大数据分析的推土机柴油机故障诊断专家系统及方法 Download PDFInfo
- Publication number
- CN108492399B CN108492399B CN201810141753.2A CN201810141753A CN108492399B CN 108492399 B CN108492399 B CN 108492399B CN 201810141753 A CN201810141753 A CN 201810141753A CN 108492399 B CN108492399 B CN 108492399B
- Authority
- CN
- China
- Prior art keywords
- diesel engine
- abnormal
- parameters
- bulldozer
- fault diagnosis
- 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
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- 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
- G01M15/04—Testing internal-combustion engines
- G01M15/05—Testing internal-combustion engines by combined monitoring of two or more different engine parameters
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种基于大数据分析的推土机柴油机故障诊断专家系统及方法,包括CAN总线、数据采集卡、柴油机系统、工控机和故障诊断数据库;所述CAN总线和数据采集卡与柴油机系统的数据采集传感器相连,用于采集柴油机系统的运行参数并传递给工控机,所述工控机用于读取接收到的柴油机系统运行参数并存入故障诊断数据库,所述故障诊断数据库用于对柴油机系统的运行参数进行诊断,并得出推土机柴油机系统的运行状态。本系统具有以下特点:基于大数据分析得到各参数分布规律,依据模糊理论得到相应的异常区域,采用关联规则算法得到异常参数的内在关系。
Description
技术领域
本发明涉及设备故障诊断领域,具体的说,涉及到一种基于大数据分析的推土机柴油机故障诊断专家系统及方法。
背景技术
推土机柴油机系统由于结构的封闭性、复杂性,在运行过程中会出现各种各样的故障。传统的诊断方法是通过人工经验判断或仪器检测各种参数来判断,但在使用这些方法评价推土机柴油机系统的技术状况时,存在各种技术问题:柴油机系统故障现象与故障原因并非一一对应;柴油机系统运行状况的故障与否没有明确的界线,从无故障到产生故障是一个渐变的过程。本发明公开的推土机柴油机故障诊断的专家系统,基于大数据分析结果,当推土机处于工作异常状态,并未故障就及时报警,减少故障的可能性。
发明内容
为了解决现有技术的不足,本发明提出了一种基于大数据分析的推土机柴油机故障诊断专家系统及方法,此推土机柴油机故障诊断专家系统及方法采用大数据分析技术,构建参数样本库,采用模糊技术判断参数的异常区域,采用关联规则算法得到异常参数的内在关系,从而形成专家系统。
为了实现上述目的,本发明的技术方案如下:
一种基于大数据分析的推土机柴油机故障诊断专家系统,包括CAN总线、数据采集卡、柴油机系统、工控机和故障诊断数据库;所述CAN总线和数据采集卡与柴油机系统的数据采集传感器相连,用于采集柴油机系统的运行参数并传递给工控机,所述工控机用于读取接收到的柴油机系统运行参数并存入故障诊断数据库,所述故障诊断数据库用于对柴油机系统的运行参数进行诊断,并得出推土机柴油机系统的运行状态;所述故障诊断数据库包括柴油机系统运行参数的异常区域样本库和异常参数关联规则库;
所述诊断过程包括将运行参数与异常区域样本库进行比对,判断其是否为异常参数,然后通过专家系统根据异常参数关联规则库判断其是否会引起其他参数异常,并输出判断结果。
进一步的,所述柴油机系统包括燃烧系统、进排气系统、起动系统、润滑系统、冷却系统和燃油供给系统。
进一步的,所述数据采集传感器包括热电偶传感器、压力传感器、速度传感器和电压传感器测量。
进一步的,所述CAN总线的采集数据包括柴油机转速、柴油机扭矩、高压共轨喷射压力、供油提前角、进气温度、曲轴箱压力、柴油机机油压力、机油温度和柴油机冷却水温度。
进一步的,所述数据采集卡的采集数据包括涡轮增压柴油机空气滤清器后的气体压力、散热器后气体温度、中冷器后气体温度、油散热器后气体温度、排气的温度、曲轴箱压力和起动机电压。
进一步的,所述故障诊断数据库还包括分布规律库,所述分布规律库由柴油机系统历年运行参数的数据样本库经大数据分析后得到。
进一步的,所述异常区域样本库由对分布规律库进行模糊隶属函数处理后得到,所述异常参数关联规则库由对异常区域样本库的异常参数进行关联规则算法计算得到。
进一步的,所述模糊隶属函数处理为基于模糊理论,对柴油机系统相关参数进行模糊数学中的隶属度函数处理,进而得到模糊样本库的数据异常区域及故障状态阈值。
进一步的,所述关联规则算法即采用Apriori算法计算异常区域样本库样本的最小支持度的频繁项目集,形成异常参数之间的关联规则,从而形成故障专家系统的异常参数关联规则库。
一种基于上述大数据分析的推土机柴油机故障诊断专家系统的诊断方法,包括:
CAN总线和数据采集卡根据热电偶传感器、压力传感器、速度传感器和电压传感器实时采集推土机柴油机系统的运行参数,并传递给工控机;工控机读取接收到的实时运行参数并存入故障诊断数据库,故障诊断专家系统将运行参数与异常区域样本库比对,判断参数是否异常,并通过异常参数关联规则库判断该参数是否会引发其他参数异常,从而得到推土机柴油机的运行状态。
与现有技术相比,本发明的有益效果是:
本发明采用大数据分析其分布规律的方法,对数年来某机型的推土机历史数据分布特征展开分析,采集并分析的参数是柴油机重要系统,如燃烧系统、进排气系统、起动系统、润滑系统、冷却系统、燃油供给系统的关键运行参数,分析发现大部分运行参数的分布规律不符合正态分布,而是根据运行特点具有不同的分布特征,采用正态分布确定异常阈值误差较大。因此,本发明依据各运行参数的分布规律,采用符合分布特征的模糊隶属函数进行处理,进而得到模糊样本库的数据异常区域及故障状态阈值。在得到推土机柴油机系统参数的异常区域及故障值以后,再采用大数据分析中的关联规则算法得到异常参数之间的关联关系,成功构建故障诊断专家系统,然后故障诊断专家系统实时采集的参数进行判断,确定是否异常并可以迅速找到异常参数之间的关联关系,为防止关键设备的异常提供预警,提高了设备可靠性,缩短了设备维修周期。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为本发明推土机柴油机故障诊断专家系统整体设计图;
图2为本发明故障诊断专家系统判断柴油机的实时运行状态流程图。
具体实施方式
下面结合附图与具体实施例对本发明做进一步的说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本发明中,术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,只是为了便于叙述本发明各部件或元件结构关系而确定的关系词,并非特指本发明中任一部件或元件,不能理解为对本发明的限制。
本发明中,术语如“固接”、“相连”、“连接”等应做广义理解,表示可以是固定连接,也可以是一体地连接或可拆卸连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员,可以根据具体情况确定上述术语在本发明中的具体含义,不能理解为对本发明的限制。
正如背景技术所介绍的,现有技术中存在传统的推土机柴油机系统的诊断方法是通过人工经验判断或仪器检测各种参数来进行,在使用这些方法评价推土机柴油机系统的技术状况时,存在各种技术问题的问题,为了解决如上的技术问题,本申请提供了一种基于大数据分析的推土机柴油机故障诊断专家系统及方法,该系统基于大数据分析得到柴油机各参数分布规律,依据模糊理论得到相应的异常区域,采用关联规则算法得到异常参数的内在关系,为防止关键设备的异常提供预警,提高了设备可靠性,缩短了维修周期。
如图1所示,一种基于大数据分析的推土机柴油机故障诊断专家系统,包括CAN总线、数据采集卡、柴油机系统、工控机和故障诊断数据库;所述CAN总线和数据采集卡与柴油机系统的数据采集传感器相连,用于采集柴油机系统的运行参数并传递给工控机,所述工控机用于读取接收到的柴油机系统运行参数并存入故障诊断数据库,所述故障诊断数据库用于对柴油机系统的运行参数进行诊断,并得出推土机柴油机系统的运行状态;所述故障诊断数据库包括柴油机系统运行参数的异常区域样本库和异常参数关联规则库;
所述诊断过程包括将运行参数与异常区域样本库进行比对,判断其是否为异常参数,然后通过专家系统根据异常参数关联规则库判断其是否会引起其他参数异常,并输出判断结果。
所述柴油机系统包括燃烧系统、进排气系统、起动系统、润滑系统、冷却系统和燃油供给系统。
所述数据采集传感器包括热电偶传感器、压力传感器、速度传感器和电压传感器测量。
优选的,所述热电偶传感器为K型热电偶传感器,所述压力传感器为硅压阻式压力传感器,所述速度传感器为霍尔传感器。
所述CAN总线的采集数据包括柴油机转速、柴油机扭矩、高压共轨喷射压力、供油提前角、进气温度、曲轴箱压力、柴油机机油压力、机油温度和柴油机冷却水温度。
所述数据采集卡的采集数据包括涡轮增压柴油机空气滤清器后的气体压力、散热器后气体温度、中冷器后气体温度、油散热器后气体温度、排气的温度、曲轴箱压力和起动机电压。
所述故障诊断数据库还包括分布规律库,所述分布规律库由柴油机系统历年运行参数的数据样本库经大数据分析后得到。
所述异常区域样本库由对分布规律库进行模糊隶属函数处理后得到,所述异常参数关联规则库由对异常区域样本库的异常参数进行关联规则算法计算得到。
所述模糊隶属函数处理为基于模糊理论,对柴油机系统相关参数进行模糊数学中的隶属度函数处理,进而得到模糊样本库的数据异常区域及故障状态阈值。
在具体实施中,所述异常区域样本库的异常运行值区域和故障状态阈值可采用以下方式模糊获取:
经大数据分析,柴油机转速在1200r/min到1800r/min区域的工作点十分密集,而小于600r/min或大于2200r/min的工作点很稀疏,且600r/min到1200r/min及1800r/min到2200r/min之间分布趋势变化近似二次抛物曲线;柴油机机油压力在400kPa至500kPa区域的工作点十分密集,而小200kPa或大于600kPa的工作点很稀疏,且200kPa到400kPa及500kPa到600kPa之间分布趋势变化近似二次抛物曲线,因此柴油机转速及柴油机机油压力采用k次抛物线中间型进行模糊隶属函数处理:
模糊处理后柴油机转速的特征值a=600r/min,b=1200r/min,c=1800r/min,d=2200r/min,k=2;柴油机机油压力特征值a=200kPa,b=400kPa,c=500kPa,d=600kPa,k=2,上述参数取A(x)≤0.05为异常区域。
经大数据分析,高压共轨喷射压力在150MPa附近工作点密集,大于170MPa工作点稀疏,且150MPa到170MPa之间分布趋势变化近似直线;进气温度在35℃附近工作点密集,大于40℃工作点稀疏,且35℃到40℃之间分布趋势变化近似直线;机油温度在120℃附近工作点密集,大于140℃工作点稀疏,且120℃到140℃之间变化近似直线;柴油机冷却水温度在95℃附近工作点密集,大于105℃工作点稀疏,且95℃到105℃之间分布趋势变化近似直线,因此高压共轨喷射压力、进气温度、机油温度和柴油机冷却水温度按梯形分布偏小型进行模糊隶属函数处理:
模糊处理后高压共轨喷射压力特征值a=150MPa,b=170MPa;进气温度特征值a=35℃,b=40℃;机油温度特征值a=120℃,b=140℃;柴油机冷却水温度特征值a=95℃,b=105℃,上述参数取A(x)≤0.1为异常区域。
经大数据分析,供油提前角在12°到16°区域的工作点十分密集,而小于8°或大于20°的工作点很稀疏,且8°到20°之间整体分布变化近似高斯曲线;起动机电池电压在11.7V到12.5V区域的工作点十分密集,而小于10.9V或大于13.3V的工作点很稀疏,且10.9V到13.3V之间整体分布变化近似高斯曲线,因此供油提前角和起动机电池电压的特征值采用高斯分布中间型进行模糊隶属函数处理:
(b=c-σ.d=c+σ)
模糊处理后供油提前角特征值a=8°,b=12°,c=14°,d=16°,σ=2°;起动机电池电压特征值a=10.9V,b=11.7V,c=12.1V,d=12.5V,σ=0.4V,上述参数取A(x)≤0.04为异常区域。
经大数据分析,柴油机扭矩在2000Nm附近工作点密集,大于2200Nm工作点稀疏,且2000Nm到2200Nm之间分布变化近似二次抛物曲线;涡轮增压柴油机空气滤清器气体压力差在7kPa附近工作点密集,大于10kPa工作点稀疏,且7kPa到10kPa之间分布变化近似二次抛物曲线;曲轴箱压力在8kPa附近工作点密集,大于12kPa工作点稀疏,且8kPa到12kPa之间分布变化近似二次抛物曲线;因此柴油机扭矩、涡轮增压柴油机空气滤清器气体压力差和曲轴箱压力采用k次抛物线偏小型进行模糊隶属函数处理:
模糊处理后柴油机扭矩特征值a=2000Nm,b=2200Nm,k=2;涡轮增压柴油机空气滤清器气体压力差特征值a=7kPa,b=10kPa,k=2;曲轴箱压力特征a=8kPa,b=12kPa,k=2,上述参数取A(x)≤0.03为异常区域。
所述关联规则算法即采用Apriori算法计算样本库样本的最小支持度的频繁项目集,形成异常参数之间的关联规则,从而形成故障专家系统的规则库,优选的,所述Apriori算法的计算过程的支持度阈值为5%,置信度阈值为90%。
如图2所示,一种基于上述大数据分析的推土机柴油机故障诊断专家系统的诊断方法,包括:
CAN总线和数据采集卡根据热电偶传感器、压力传感器、速度传感器和电压传感器实时采集推土机柴油机系统的运行参数,并传递给工控机;工控机读取接收到的实时运行参数并存入故障诊断数据库,故障诊断专家系统将运行参数与异常区域样本库比对,判断参数是否异常,并通过异常参数关联规则库判断该参数是否会引发其他参数异常,从而得到推土机柴油机的运行状态。
判断推土机柴油机系统的故障运行状态是一个技术难点,本发明采用大数据分析其分布规律的方法,对数年来某机型的推土机历史数据特征值展开分析,经数理分析发现,上述实时参数基本符合模糊数学中常用的隶属度函数分布,故采用此方法对样本库进行模糊处理,进而得到模糊样本库的数据异常区域及故障状态阈值。
在得到推土机柴油机系统参数的异常区域及故障值以后,故障诊断专家系统就可以依据关联分析法得到的规则对实时采集的参数进行判断,如图2所示,可以迅速找到异常参数之间的关联关系,为防止关键设备的异常提供预警,提高设备可靠性,缩短维修周期。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于大数据分析的推土机柴油机故障诊断专家系统,包括CAN总线、数据采集卡、柴油机系统、工控机和故障诊断数据库;所述CAN总线和数据采集卡与柴油机系统的数据采集传感器相连,用于采集柴油机系统的运行参数并传递给工控机,所述工控机用于读取接收到的柴油机系统运行参数并存入故障诊断数据库,所述故障诊断数据库用于对柴油机系统的运行参数进行诊断,并得出推土机柴油机系统的运行状态;所述故障诊断数据库包括柴油机系统运行参数的异常区域样本库和异常参数关联规则库;所述诊断过程包括将运行参数与异常区域样本库进行比对,判断其是否为异常参数,然后通过专家系统根据异常参数关联规则库判断其是否会引起其他参数异常,并输出判断结果;
所述异常区域样本库的异常运行值区域和故障状态阈值采用以下方式模糊获取:
柴油机转速及柴油机机油压力采用k次抛物线中间型进行模糊隶属函数处理;
高压共轨喷射压力、进气温度、机油温度和柴油机冷却水温度按梯形分布偏小型进行模糊隶属函数处理;
供油提前角和起动机电池电压的特征值采用高斯分布中间型进行模糊隶属函数处理;
柴油机扭矩、涡轮增压柴油机空气滤清器气体压力差和曲轴箱压力采用k次抛物线偏小型进行模糊隶属函数处理。
2.如权利要求1所述的一种基于大数据分析的推土机柴油机故障诊断专家系统,其特征在于,所述柴油机系统包括燃烧系统、进排气系统、起动系统、润滑系统、冷却系统和燃油供给系统。
3.如权利要求1所述的一种基于大数据分析的推土机柴油机故障诊断专家系统,其特征在于,所述数据采集传感器包括热电偶传感器、压力传感器、速度传感器和电压传感器测量。
4.如权利要求1所述的一种基于大数据分析的推土机柴油机故障诊断专家系统,其特征在于,所述CAN总线的采集数据包括柴油机转速、柴油机扭矩、高压共轨喷射压力、供油提前角、进气温度、曲轴箱压力、柴油机机油压力、机油温度和柴油机冷却水温度。
5.如权利要求1所述的一种基于大数据分析的推土机柴油机故障诊断专家系统,其特征在于,所述数据采集卡的采集数据包括涡轮增压柴油机空气滤清器后的气体压力、散热器后气体温度、中冷器后气体温度、油散热器后气体温度、排气的温度、曲轴箱压力和起动机电压。
6.如权利要求1所述的一种基于大数据分析的推土机柴油机故障诊断专家系统,其特征在于,所述故障诊断数据库还包括分布规律库,所述分布规律库由柴油机系统历年运行参数的数据样本库经大数据分析后得到。
7.如权利要求1或6所述的一种基于大数据分析的推土机柴油机故障诊断专家系统,其特征在于,所述异常区域样本库由对分布规律库进行模糊隶属函数处理后得到,所述异常参数关联规则库由对异常区域样本库的异常参数进行关联规则算法计算得到。
8.如权利要求7所述的一种基于大数据分析的推土机柴油机故障诊断专家系统,其特征在于,所述模糊隶属函数处理为基于模糊理论,对柴油机系统相关参数进行模糊数学中的隶属度函数处理,进而得到模糊样本库的数据异常区域及故障状态阈值。
9.如权利要求7所述的一种基于大数据分析的推土机柴油机故障诊断专家系统,其特征在于,所述关联规则算法即采用Apriori算法计算样本库样本的最小支持度的频繁项目集,形成异常参数之间的关联规则,从而形成故障专家系统的规则库。
10.一种基于如权利要求1-9任一所述的大数据分析的推土机柴油机故障诊断专家系统的诊断方法,其特征在于,包括:
CAN总线和数据采集卡根据热电偶传感器、压力传感器、速度传感器和电压传感器实时采集推土机柴油机系统的运行参数,并传递给工控机;工控机读取接收到的实时运行参数并存入故障诊断数据库,故障诊断专家系统将运行参数与异常区域样本库比对,判断参数是否异常,并通过异常参数关联规则库判断该参数是否会引发其他参数异常,从而得到推土机柴油机的运行状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810141753.2A CN108492399B (zh) | 2018-02-11 | 2018-02-11 | 基于大数据分析的推土机柴油机故障诊断专家系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810141753.2A CN108492399B (zh) | 2018-02-11 | 2018-02-11 | 基于大数据分析的推土机柴油机故障诊断专家系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108492399A CN108492399A (zh) | 2018-09-04 |
CN108492399B true CN108492399B (zh) | 2021-01-15 |
Family
ID=63340118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810141753.2A Active CN108492399B (zh) | 2018-02-11 | 2018-02-11 | 基于大数据分析的推土机柴油机故障诊断专家系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108492399B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109520069A (zh) * | 2018-09-29 | 2019-03-26 | 珠海格力电器股份有限公司 | 电子设备控制方法、装置、电子设备及存储介质 |
CN112836499B (zh) * | 2019-11-23 | 2022-11-22 | 中国科学院长春光学精密机械与物理研究所 | Pcb故障诊断规则库的构建方法、电子设备及存储介质 |
CN111274409B (zh) * | 2020-01-20 | 2024-02-27 | 山东大学 | 基于知识图谱的发动机配气机构装配工艺控制方法及系统 |
CN111259554B (zh) * | 2020-01-20 | 2022-03-15 | 山东大学 | 推土机变矩变速装置螺栓装配大数据检测方法及系统 |
CN112001507A (zh) * | 2020-08-27 | 2020-11-27 | 山东超越数控电子股份有限公司 | 提供船舶发动机系统检修策略的方法、设备及存储介质 |
CN112124229A (zh) * | 2020-10-12 | 2020-12-25 | 浙江水利水电学院 | 一种应急抢险泵车远程实时故障诊断方法 |
CN112360625A (zh) * | 2020-10-27 | 2021-02-12 | 中船动力有限公司 | 基于专家系统的船用柴油机智能化故障诊断系统 |
CN113515078A (zh) * | 2021-05-20 | 2021-10-19 | 湖南湘船重工有限公司 | 一种智能船舶信息监控及告警处理方法及系统 |
CN113884305B (zh) * | 2021-09-29 | 2022-06-28 | 山东大学 | 基于svm的柴油机装配冷试检测方法及系统 |
CN114821858B (zh) * | 2022-04-29 | 2023-07-07 | 东风商用车有限公司 | 一种车辆指标异常的图示方法、装置、设备及存储介质 |
CN115795270B (zh) * | 2023-02-07 | 2023-05-23 | 潍柴动力股份有限公司 | 发动机的机油更换周期预测方法及车辆 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004036420A (ja) * | 2002-07-01 | 2004-02-05 | Yamaha Marine Co Ltd | エンジンの故障診断システム |
CN102095588A (zh) * | 2010-12-28 | 2011-06-15 | 中国人民解放军军事交通学院 | 柴油机故障智能诊断方法 |
CN103091112B (zh) * | 2013-01-31 | 2015-04-01 | 林惠堂 | 基于模糊推理和自学习的汽车排放故障检诊方法及装置 |
SE537438C2 (sv) * | 2013-06-10 | 2015-04-28 | Scania Cv Ab | Förfarande för övervakning och lagring av driftstorheter i en förbränningsmotor |
CN103743573A (zh) * | 2013-12-23 | 2014-04-23 | 金华市金翎科技服务有限公司 | 一种基于锅炉实时在线监视测定发电机组最优工作效率的方法 |
CN105466693B (zh) * | 2015-11-13 | 2017-11-17 | 哈尔滨工程大学 | 基于灰色模型的柴油机燃油系统故障预诊断方法 |
CN205333318U (zh) * | 2016-01-15 | 2016-06-22 | 山东科技大学 | 船舶柴油发动机故障预测保护系统 |
CN105928710B (zh) * | 2016-04-15 | 2019-02-12 | 中国船舶工业系统工程研究院 | 一种柴油机故障监测方法 |
-
2018
- 2018-02-11 CN CN201810141753.2A patent/CN108492399B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108492399A (zh) | 2018-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108492399B (zh) | 基于大数据分析的推土机柴油机故障诊断专家系统及方法 | |
CN108376298B (zh) | 一种风电机组发动机温度故障预警诊断方法 | |
CN109469896B (zh) | 一种基于时间序列分析工业锅炉故障的诊断方法及系统 | |
CN111753867A (zh) | 使用机器学习分类器来监视和诊断车辆系统问题 | |
KR20190089004A (ko) | 엔진 건전성 진단 장치 및 방법 | |
CN109783903B (zh) | 一种基于时间序列的工业用水管道故障诊断方法及系统 | |
CN112179691B (zh) | 基于对抗学习策略的机械装备运行状态异常检测系统和方法 | |
DE112014000421T5 (de) | Fehlzündungserkennung auf der Basis des Auspuffkrümmerdrucks für Verbrennungsmotoren | |
CN108801641B (zh) | 废气涡轮增压器的故障诊断与可靠性预测方法及其系统 | |
CN113757093B (zh) | 一种闪蒸汽压缩机组故障诊断方法 | |
CN110261122A (zh) | 一种基于分块的船舶柴油机故障监测方法 | |
US6675639B1 (en) | Apparatus and method to detect cylinder faults of internal combustion engines via exhaust temperature monitoring | |
CN110457979A (zh) | 基于张量Tucker分解模糊控制的柴油机故障诊断方法 | |
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 | |
WO2018218124A1 (en) | Method of fault isolation for systems with existing diagnostics | |
KR101505975B1 (ko) | 엔진 고장 진단 방법 및 고장 진단 시스템 | |
CN111858680B (zh) | 一种快速实时检测卫星遥测时序数据异常的系统与方法 | |
CN110696990B (zh) | 一种基于数据驱动的船舶发电机部件影响识别方法及系统 | |
CN107975435B (zh) | 一种基于车联网数据的怠速转速监控方法 | |
CN114088389A (zh) | 一种齿轮变速箱的数据处理方法和相关装置 | |
KR102457752B1 (ko) | 선박 기관실의 실시간 이상 감지 및 고장 진단 방법 및 시스템 | |
CN109894476B (zh) | 一种冷轧硅钢生产线液压设备故障诊断方法和装置 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN107909677B (zh) | 一种船舶机电设备运行数据稳定性提取及判别方法 | |
CN113865879B (zh) | 一种汽车检测的引导系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |