CN108763681A - 基于foa-grnn融合算法的氢发动机故障诊断系统及方法 - Google Patents
基于foa-grnn融合算法的氢发动机故障诊断系统及方法 Download PDFInfo
- Publication number
- CN108763681A CN108763681A CN201810470047.2A CN201810470047A CN108763681A CN 108763681 A CN108763681 A CN 108763681A CN 201810470047 A CN201810470047 A CN 201810470047A CN 108763681 A CN108763681 A CN 108763681A
- Authority
- CN
- China
- Prior art keywords
- grnn
- fault diagnosis
- foa
- operating parameters
- hydrogen
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明涉及氢发动机的故障诊断技术领域,尤其涉及基于FOA‑GRNN融合算法的氢发动机故障诊断系统及方法。所述系统包括氢发动机实验系统、信号采集处理模块、故障诊断模块和输出信号处理模块;所述方法包括:通过氢发动机实验系统获得异常燃烧故障发生时的相关运转参数数据;通过信号采集处理模块实时采集相关运转参数数据信号并进行归一化处理和特征提取;故障诊断模块将相关运转参数数据分为训练样本和测试样本,得到FOA‑GRNN故障诊断模型;输出信号处理模块对测试结果进行反归一化处理,并进行输出。本发明能够精确快速的判断氢发动机的故障类型,从而及时的发现氢发动机的不正常燃烧现象,采取补救措施,改善氢发动机整体性能。
Description
技术领域
本发明涉及氢发动机的故障诊断技术领域,尤其涉及基于FOA-GRNN融合算法的氢发动机故障诊断系统及方法。
背景技术
随着科技的快速发展,汽车产品更新换代的步伐在不断加快,汽车保有量也是与日俱增。越来越多的汽车虽然方便了我们的出行,但是也带来了环境污染和石油资源匮乏等严重问题。氢能,以其高效、无污染、可再生等优点得到了各界人士的广泛关注,被认为是未来最佳的发动机替代燃料。氢气的淬熄距离短、火焰传播速度快,且能量密度高,把氢气作为燃料可以提高发动机的热效率,同时优化发动机的排放性能。因此,氢燃料发动机是目前关注的焦点。氢气虽然是环境友好型的清洁能源,但是,由于其较低的着火能量和宽广的着火界限,氢发动机比石油燃料发动机更易发生早燃、回火等异常燃烧现象,那么,对氢发动机进行故障诊断就显得尤为重要。
由于在石油燃料发动机上稍加改动便可以燃烧氢气,目前,人们主要研究的是氢—汽油或氢—柴油等双燃料发动机。氢气和石油燃料的物理化学性质存在很大差别,当二者混合燃烧时,由于混合不均匀或者喷氢正时、喷氢量等参数控制不当,更容易发生早燃、回火、爆震等异常燃烧现象。因此,对氢发动机的异常燃烧进行诊断刻不容缓。
发明内容
为了及时的发现氢发动机的不正常燃烧现象,采取补救措施,改善氢发动机整体性能,本发明提出基于FOA-GRNN融合算法的氢发动机故障诊断系统及方法,能够精确快速的判断氢发动机的故障类型,该诊断系统和方法对于氢发动机的实验研究具有重要意义。
为了实现上述目的,本发明采用以下技术方案:
基于FOA-GRNN融合算法的氢发动机故障诊断系统,包括氢发动机实验系统、信号采集处理模块、故障诊断模块和输出信号处理模块,所述氢发动机实验系统通过接口电路与所述信号采集处理模块连接,信号采集处理模块通过接口电路与所述故障诊断模块连接,故障诊断模块通过接口电路与所述输出信号处理模块连接;
氢发动机实验系统用于获得异常燃烧故障发生时的相关运转参数数据,所述异常燃烧故障包括早燃、回火、爆震;
信号采集处理模块用于实时采集氢发动机实验系统的相关运转参数数据信号,并记录采集的氢发动机实验系统异常燃烧故障发生时的相关运转参数数据和所属异常燃烧故障类型,并对采集的相关运转参数数据进行归一化处理,对归一化处理后的相关运转参数数据进行特征提取,并将处理后的相关运转参数数据传输到故障诊断模块;
故障诊断模块用于接收通过信号采集处理模块处理后的相关运转参数数据,并将该相关运转参数数据分为训练样本和测试样本,通过训练样本对FOA-GRNN故障诊断模型进行训练,并用测试样本对FOA-GRNN故障诊断模型进行测试,并将测试结果通过输出电路传送到输出信号处理模块;所述FOA-GRNN故障诊断模型通过FOA算法确定GRNN神经网络最优的SPREAD值、将最优的SPREAD值带入GRNN神经网络构建而成;
输出信号处理模块用于将接收到的故障诊断模块的测试结果进行反归一化处理,并将其与期望输出进行对比,将对比结果显示到液晶显示屏上;规定正常燃烧时,期望输出为0;早燃时,期望输出为0.5;发生回火时,期望输出为1;发生爆震时,期望输出为1.5。
进一步的,所述氢发动机实验系统包括氢燃料试验机、高压氢气瓶、减压阀、氢气流量计、空气滤清器、空气流量计、稳压箱、电控单元、曲轴转角检测器、冷却水箱、燃烧分析仪、排气分析仪及测功机,所述电控单元、曲轴转角检测器、冷却水箱、燃烧分析仪、排气分析仪及测功机分别与氢燃料实验机相连,高压氢气瓶、减压阀、氢气流量计、稳压箱及电控单元依次相连,所述空气滤清器、空气流量计、稳压箱及电控单元依次相连。
进一步的,所述信号采集处理模块包括气缸压力传感器、进气管压力传感器、冷却水温度传感器、节气门信号传感器、曲轴相位传感器、空气流量传感器、氢气流量传感器、信号放大器、模数转换器及微处理器,所述气缸压力传感器、进气管压力传感器、冷却水温度传感器、节气门信号传感器、曲轴相位传感器、空气流量传感器、氢气流量传感器分别与信号放大器相连,所述信号放大器、模数转换器及微处理器依次相连。
基于FOA-GRNN融合算法的氢发动机故障诊断方法,包括如下步骤:
步骤1:通过氢发动机实验系统获得异常燃烧故障发生时的相关运转参数数据;
步骤2:通过信号采集处理模块实时采集氢发动机实验系统的相关运转参数数据信号,并记录采集的氢发动机实验系统异常燃烧故障发生时的相关运转参数数据和所属异常燃烧故障类型,并对采集的相关运转参数数据进行归一化处理,对归一化处理后的相关运转参数数据进行特征提取,并将处理后的相关运转参数数据传输到故障诊断模块;
步骤3:利用故障诊断模块接收通过信号采集处理模块处理后的相关运转参数数据,并将该相关运转参数数据分为训练样本和测试样本,通过训练样本对FOA-GRNN故障诊断模型进行训练,并用测试样本对FOA-GRNN故障诊断模型进行测试,并将测试结果通过输出电路传送到输出信号处理模块;所述FOA-GRNN故障诊断模型通过FOA算法确定GRNN神经网络最优的SPREAD值、将最优的SPREAD值带入GRNN神经网络构建而成;
步骤4:输出信号处理模块将接收到的故障诊断模块的测试结果进行反归一化处理,并将其与期望输出进行对比,将对比结果显示到液晶显示屏上;规定正常燃烧时,期望输出为0;早燃时,期望输出为0.5;发生回火时,期望输出为1;发生爆震时,期望输出为1.5。
进一步的,所述FOA-GRNN故障诊断模型通过FOA算法确定GRNN神经网络最优的SPREAD值、将最优的SPREAD值带入GRNN神经网络构建而成包括:
步骤3.1:初始化果蝇群体位置(X,Y),计算公式为:并确定迭代次数和种群规模,迭代次数Maxgen为100,种群规模Sizepop为10;
步骤3.2:初始化果蝇个体飞行距离,并确定与原点之间的距离D(i);D(i)计算公式为:
步骤3.3:通过D(i)求出味道浓度判定值S(i),并确定适应度函数,将味道浓度判定值S(i)代入其适应度函数以求出该果蝇个体位置的味道浓度;S(i)计算公式为:S(i)=1/D(i);所述适应度函数为GRNN神经网络的均方根误差;
步骤3.4:将每代果蝇的味道浓度值进行比较,迭代保留最佳值的位置与味道浓度,并记录每代果蝇的最佳值;所述最佳值为适应度函数的最小值,即GRNN神经网络的均方根误差的最小值;
步骤3.5:对果蝇进行迭代寻优,判断是否达到迭代次数Maxgen;若是,则输出所有代果蝇的最佳值的最小值,作为最优的SPREAD值;若否,则返回步骤3.2重复执行;
步骤3.6:将最优的SPREAD值带入GRNN神经网络,构建出FOA-GRNN故障诊断模型。
进一步的,所述相关运转参数为过量空气系数、点火提前角、喷氢量、喷氢正时、[气缸压力,进气管压力]或曲轴转角。
与现有技术相比,本发明具有的有益效果:
1.本发明根据广义回归神经网络GRNN所具有的强大的非线性映射能力,并结合果蝇优化算法FOA所具有的收敛速度快、鲁棒性高等优点,构建了一种基于FOA-GRNN融合算法的氢发动机故障诊断模型。两种算法优势互补,广义回归神经网络是一种柔性网络结构,适用于解决非线性问题,还可以处理不稳定数据,并且在样本数据较少时,预测效果也相当好,由于广义回归神经网络只有一个结构参数SPREAD,易于训练和操作,所以使用FOA优化算法寻找最优的GRNN神经网络的SPREAD值值,以此来进一步提高GRNN网络的预测能力。
2.本发明将信息融合技术应用到氢发动机的故障诊断领域,信息融合从本质上说与人类及动物对外界事物的认识类似,是一种人类大脑综合处理问题的功能模型,通过多传感器采集不同时间、类型的状态信息,并对所采集的信息进行合理利用,按照一定规则进行优化组合,从而产生对所观测对象的一致性解释。本发明通过多传感器采集氢发动机出现异常燃烧的多种信号进行采集,并通过信息融合技术对其进行分析处理,根据融合结果判断故障类型,该方法能够快速准确的对氢发动机的异常燃烧做出判断,对提高氢发动机的故障诊断技术具有重要意义。
附图说明
图1为本发明实施例的基于FOA-GRNN融合算法的氢发动机故障诊断系统的结构示意图。
图2为本发明实施例的基于FOA-GRNN融合算法的氢发动机故障诊断系统的氢发动机实验系统结构示意图。
图3为本发明实施例的基于FOA-GRNN融合算法的氢发动机故障诊断系统的信号采集模块结构示意图。
图4为本发明实施例的基于FOA-GRNN融合算法的氢发动机故障诊断方法的基本流程图。
图5为本发明另一实施例的基于FOA-GRNN融合算法的氢发动机故障诊断方法的基本流程图。
图6为本发明实施例的基于FOA-GRNN融合算法的氢发动机故障诊断方法的FOA-GRNN故障诊断模型的构建流程图。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的解释说明:
实施例一:
如图1所示,本发明的一种基于FOA-GRNN融合算法的氢发动机故障诊断系统,包括氢发动机实验系统10、信号采集处理模块20、故障诊断模块30和输出信号处理模块40,所述氢发动机实验系统10通过接口电路与所述信号采集处理模块20连接,信号采集处理模块20通过接口电路与所述故障诊断模块30连接,故障诊断模块30通过输出电路与所述输出信号处理模块40连接;
氢发动机实验系统10用于获得异常燃烧故障发生时的相关运转参数数据,所述异常燃烧故障包括早燃、回火、爆震;
信号采集处理模块20用于实时采集氢发动机实验系统10的相关运转参数数据信号,并记录采集的氢发动机实验系统10异常燃烧故障发生时的相关运转参数数据和所属异常燃烧故障类型,并对采集的相关运转参数数据进行归一化处理,对归一化处理后的相关运转参数数据进行特征提取,并将处理后的相关运转参数数据传输到故障诊断模块30;
故障诊断模块30用于接收通过信号采集处理模块20处理后的相关运转参数数据,并将该相关运转参数数据分为训练样本和测试样本,通过训练样本对FOA-GRNN故障诊断模型进行训练,并用测试样本对FOA-GRNN故障诊断模型进行测试,并将测试结果通过输出电路传送到输出信号处理模块40;所述FOA-GRNN故障诊断模型通过FOA算法确定GRNN神经网络最优的SPREAD值、将最优的SPREAD值带入GRNN神经网络构建而成;输出信号处理模块40用于将接收到的故障诊断模块30的测试结果进行反归一化处理,并将其与期望输出进行对比,将对比结果显示到液晶显示屏上;规定正常燃烧时,期望输出为0;早燃时,期望输出为0.5;发生回火时,期望输出为1;发生爆震时,期望输出为1.5。
实施例二:
如图2、图3所示,本发明的另一种基于FOA-GRNN融合算法的氢发动机故障诊断系统,包括氢发动机实验系统10、信号采集处理模块20、故障诊断模块30和输出信号处理模块40,所述氢发动机实验系统10通过接口电路与所述信号采集处理模块20连接,信号采集处理模块20通过接口电路与所述故障诊断模块30连接,故障诊断模块30通过输出电路与所述输出信号处理模块40连接;
氢发动机实验系统10用于获得异常燃烧故障发生时的相关运转参数数据,所述异常燃烧故障包括早燃、回火、爆震;
信号采集处理模块20用于实时采集氢发动机实验系统的相关运转参数数据信号,并记录采集的氢发动机实验系统10异常燃烧故障发生时的相关运转参数数据和所属异常燃烧故障类型,并对采集的相关运转参数数据进行归一化处理,对归一化处理后的相关运转参数数据进行特征提取,并将处理后的相关运转参数数据传输到故障诊断模块30;
故障诊断模块30用于接收通过信号采集处理模块20处理后的相关运转参数数据,并将该相关运转参数数据分为训练样本和测试样本,通过训练样本对FOA-GRNN故障诊断模型进行训练,并用测试样本对FOA-GRNN故障诊断模型进行测试,并将测试结果通过输出电路传送到输出信号处理模块40;所述FOA-GRNN故障诊断模型通过FOA算法确定GRNN神经网络最优的SPREAD值、将最优的SPREAD值带入GRNN神经网络构建而成;输出信号处理模块40用于将接收到的故障诊断模块30的测试结果进行反归一化处理,并将其与期望输出进行对比,将对比结果显示到液晶显示屏上;规定正常燃烧时,期望输出为0;早燃时,期望输出为0.5;发生回火时,期望输出为1;发生爆震时,期望输出为1.5。
所述氢发动机实验系统10包括氢燃料试验机101、高压氢气瓶102、减压阀103、氢气流量计104、空气滤清器105、空气流量计106、稳压箱107、电控单元108、曲轴转角检测器109、冷却水箱110、燃烧分析仪111、排气分析仪112及测功机113,所述电控单元108、曲轴转角检测器109、冷却水箱110、燃烧分析仪111、排气分析仪112及测功机113分别与氢燃料实验机101相连,高压氢气瓶102、减压阀103、氢气流量计104、稳压箱107及电控单元108依次相连,所述空气滤清器105、空气流量计106、稳压箱107及电控单元108依次相连。
所述信号采集处理模块20包括气缸压力传感器201、进气管压力传感器202、冷却水温度传感器203、节气门信号传感器204、曲轴相位传感器205、空气流量传感器206、氢气流量传感器207、信号放大器208、模数转换器209及微处理器210,所述气缸压力传感器201、进气管压力传感器202、冷却水温度传感器203、节气门信号传感器204、曲轴相位传感器205、空气流量传感器206、氢气流量传感器207分别与信号放大器208相连,所述信号放大器208、模数转换器209及微处理器210依次相连。
实施例三:
如图4所示,本发明的一种基于FOA-GRNN融合算法的氢发动机故障诊断方法,包括:
步骤S301:通过氢发动机实验系统获得异常燃烧故障发生时的相关运转参数数据;
步骤S302:通过信号采集处理模块实时采集氢发动机实验系统的相关运转参数数据信号,并记录采集的氢发动机实验系统异常燃烧故障发生时的相关运转参数数据和所属异常燃烧故障类型,并对采集的相关运转参数数据进行归一化处理,对归一化处理后的相关运转参数数据进行特征提取,并将处理后的相关运转参数数据传输到故障诊断模块;
步骤S303:利用故障诊断模块接收通过信号采集处理模块处理后的相关运转参数数据,并将该相关运转参数数据分为训练样本和测试样本,通过训练样本对FOA-GRNN故障诊断模型进行训练,并用测试样本对FOA-GRNN故障诊断模型进行测试,并将测试结果通过输出电路传送到输出信号处理模块;所述FOA-GRNN故障诊断模型通过FOA算法确定GRNN神经网络最优的SPREAD值、将最优的SPREAD值带入GRNN神经网络构建而成;
步骤S304:输出信号处理模块将接收到的故障诊断模块的测试结果进行反归一化处理,并将其与期望输出进行对比,将对比结果显示到液晶显示屏上;规定正常燃烧时,期望输出为0;早燃时,期望输出为0.5;发生回火时,期望输出为1;发生爆震时,期望输出为1.5。
实施例四:
如图5、图6所示,本发明的另一种基于FOA-GRNN融合算法的氢发动机故障诊断方法,包括:
步骤S401:通过氢发动机实验系统获得异常燃烧故障发生时的相关运转参数数据,所述异常燃烧故障包括早燃、回火、爆震;所述相关运转参数为过量空气系数、点火提前角、喷氢量、喷氢正时、[气缸压力,进气管压力]或曲轴转角;
过量空气系数为实际空气量与理论空气量的比值,实际空气量通过空气流量计得出,理论空气量根据实验时所消耗的燃料计算;点火提前角和喷氢正时根据曲轴转角进行控制;曲轴转角通过曲轴转角检测器得到,由曲轴相位传感器测出;喷氢量由氢气流量计得到,由氢气流量传感器测出;气缸压力和进气管压力通过气缸压力传感器和进气管压力传感器测出。
步骤S402:通过信号采集处理模块实时采集氢发动机实验系统的相关运转参数数据信号,并记录采集的氢发动机实验系统异常燃烧故障发生时的相关运转参数数据和所属异常燃烧故障类型,并对采集的相关运转参数数据进行归一化处理,对归一化处理后的相关运转参数数据进行特征提取,并将处理后的相关运转参数数据传输到故障诊断模块。
步骤S403:利用故障诊断模块接收通过信号采集处理模块处理后的相关运转参数数据,并将该相关运转参数数据分为训练样本和测试样本,通过训练样本对FOA-GRNN故障诊断模型进行训练,并用测试样本对FOA-GRNN故障诊断模型进行测试,并将测试结果通过输出电路传送到输出信号处理模块;所述FOA-GRNN故障诊断模型通过FOA算法确定GRNN神经网络最优的SPREAD值、将最优的SPREAD值带入GRNN神经网络构建而成;
所述FOA-GRNN故障诊断模型通过FOA算法确定GRNN神经网络最优的SPREAD值、将最优的SPREAD值带入GRNN神经网络构建而成,包括:
步骤S403.1:初始化果蝇群体位置(X,Y),计算公式为:并确定迭代次数和种群规模,迭代次数Maxgen为100,种群规模Sizepop为10;
步骤S403.2:初始化果蝇个体飞行距离,并确定与原点(0,0)之间的距离D(i);D(i)计算公式为:
rand函数用于获取随机数,根据随机值确定与原点(0,0)的初始化距离。
步骤S403.3:通过D(i)求出味道浓度判定值S(i),并确定适应度函数,将味道浓度判定值S(i)代入其适应度函数以求出该果蝇个体位置的味道浓度;S(i)计算公式为:S(i)=1/D(i);所述适应度函数为GRNN神经网络的均方根误差;
步骤S403.4:将每代果蝇的味道浓度值进行比较,迭代保留最佳值的位置与味道浓度,并记录每代最佳值;所述最佳值为适应度函数的最小值,即GRNN神经网络的均方根误差的最小值;
步骤S403.5:对果蝇进行迭代寻优,判断是否达到迭代次数Maxgen;若是,则输出所有代果蝇的最佳值的最小值,作为最优的SPREAD值;若否,则返回步骤S403.2重复执行;
步骤S403.6:将最优的SPREAD值带入GRNN神经网络,构建出FOA-GRNN故障诊断模型。
步骤S404:输出信号处理模块将接收到的故障诊断模块的测试结果进行反归一化处理,并将其与期望输出进行对比,将对比结果显示到液晶显示屏上;规定正常燃烧时,期望输出为0;早燃时,期望输出为0.5;发生回火时,期望输出为1;发生爆震时,期望输出为1.5。
作为一种可实施方式,采集氢发动机实验系统产生异常燃烧现象时,气缸压力和进气管压力的数据信息,经由FOA算法100次迭代动态调整后,GRNN网络的RMSE在第15个世代收敛、RMSE值为0.07153、最佳的SPREAD值为0.0980,而果蝇群体的位置在(1.917,-1.489)。诊断结果为:对正常燃烧的预测值为0.13,早燃的预测值为0.6,回火的预测值为1.2,爆震的预测值为1.6。且规定正常燃烧时,期望输出为0;早燃时,期望输出为0.5;发生回火时,期望输出为1;发生爆震时,期望输出为1.5。由此看出,FOA-GRNN故障诊断模型对正常燃烧的预测误差为0.13,早燃的预测误差为0.1,回火的预测误差为0.2,爆震的预测误差为0.1。该误差已相对较小,如果增加样本数量,误差会进一步减小,所以该诊断模型具有一定的精确性和实用性。
以上所示仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.基于FOA-GRNN融合算法的氢发动机故障诊断系统,其特征在于,包括氢发动机实验系统、信号采集处理模块、故障诊断模块和输出信号处理模块,所述氢发动机实验系统通过接口电路与所述信号采集处理模块连接,信号采集处理模块通过接口电路与所述故障诊断模块连接,故障诊断模块通过接口电路与所述输出信号处理模块连接;
氢发动机实验系统用于获得异常燃烧故障发生时的相关运转参数数据,所述异常燃烧故障包括早燃、回火、爆震;
信号采集处理模块用于实时采集氢发动机实验系统的相关运转参数数据信号,并记录采集的氢发动机实验系统异常燃烧故障发生时的相关运转参数数据和所属异常燃烧故障类型,并对采集的相关运转参数数据进行归一化处理,对归一化处理后的相关运转参数数据进行特征提取,并将处理后的相关运转参数数据传输到故障诊断模块;
故障诊断模块用于接收通过信号采集处理模块处理后的相关运转参数数据,并将该相关运转参数数据分为训练样本和测试样本,通过训练样本对FOA-GRNN故障诊断模型进行训练,并用测试样本对FOA-GRNN故障诊断模型进行测试,并将测试结果通过输出电路传送到输出信号处理模块;所述FOA-GRNN故障诊断模型通过FOA算法确定GRNN神经网络最优的SPREAD值、将最优的SPREAD值带入GRNN神经网络构建而成;
输出信号处理模块用于将接收到的故障诊断模块的测试结果进行反归一化处理,并将其与期望输出进行对比,将对比结果显示到液晶显示屏上;规定正常燃烧时,期望输出为0;早燃时,期望输出为0.5;发生回火时,期望输出为1;发生爆震时,期望输出为1.5。
2.根据权利要求1所述的基于FOA-GRNN融合算法的氢发动机故障诊断系统,其特征在于,所述氢发动机实验系统包括氢燃料试验机、高压氢气瓶、减压阀、氢气流量计、空气滤清器、空气流量计、稳压箱、电控单元、曲轴转角检测器、冷却水箱、燃烧分析仪、排气分析仪及测功机,所述电控单元、曲轴转角检测器、冷却水箱、燃烧分析仪、排气分析仪及测功机分别与氢燃料实验机相连,高压氢气瓶、减压阀、氢气流量计、稳压箱及电控单元依次相连,所述空气滤清器、空气流量计、稳压箱及电控单元依次相连。
3.根据权利要求1所述的基于FOA-GRNN融合算法的氢发动机故障诊断系统,其特征在于,所述信号采集处理模块包括气缸压力传感器、进气管压力传感器、冷却水温度传感器、节气门信号传感器、曲轴相位传感器、空气流量传感器、氢气流量传感器、信号放大器、模数转换器及微处理器,所述气缸压力传感器、进气管压力传感器、冷却水温度传感器、节气门信号传感器、曲轴相位传感器、空气流量传感器、氢气流量传感器分别与信号放大器相连,所述信号放大器、模数转换器及微处理器依次相连。
4.基于权利要求1-3任一所述的基于FOA-GRNN融合算法的氢发动机故障诊断系统的基于FOA-GRNN融合算法的氢发动机故障诊断方法,其特征在于,包括如下步骤:
步骤1:通过氢发动机实验系统获得异常燃烧故障发生时的相关运转参数数据;
步骤2:通过信号采集处理模块实时采集氢发动机实验系统的相关运转参数数据信号,并记录采集的氢发动机实验系统异常燃烧故障发生时的相关运转参数数据和所属异常燃烧故障类型,并对采集的相关运转参数数据进行归一化处理,对归一化处理后的相关运转参数数据进行特征提取,并将处理后的相关运转参数数据传输到故障诊断模块;
步骤3:利用故障诊断模块接收通过信号采集处理模块处理后的相关运转参数数据,并将该相关运转参数数据分为训练样本和测试样本,通过训练样本对FOA-GRNN故障诊断模型进行训练,并用测试样本对FOA-GRNN故障诊断模型进行测试,并将测试结果通过输出电路传送到输出信号处理模块;所述FOA-GRNN故障诊断模型通过FOA算法确定GRNN神经网络最优的SPREAD值、将最优的SPREAD值带入GRNN神经网络构建而成;
步骤4:输出信号处理模块将接收到的故障诊断模块的测试结果进行反归一化处理,并将其与期望输出进行对比,将对比结果显示到液晶显示屏上;规定正常燃烧时,期望输出为0;早燃时,期望输出为0.5;发生回火时,期望输出为1;发生爆震时,期望输出为1.5。
5.根据权利要求4所述的基于FOA-GRNN融合算法的氢发动机故障诊断方法,其特征在于,所述FOA-GRNN故障诊断模型通过FOA算法确定GRNN神经网络最优的SPREAD值、将最优的SPREAD值带入GRNN神经网络构建而成包括:
步骤3.1:初始化果蝇群体位置(X,Y),计算公式为:并确定迭代次数和种群规模,迭代次数Maxgen为100,种群规模Sizepop为10;
步骤3.2:初始化果蝇个体飞行距离,并确定与原点之间的距离D(i);D(i)计算公式为:
步骤3.3:通过D(i)求出味道浓度判定值S(i),并确定适应度函数,将味道浓度判定值S(i)代入其适应度函数以求出该果蝇个体位置的味道浓度;S(i)计算公式为:S(i)=1/D(i);所述适应度函数为GRNN神经网络的均方根误差;
步骤3.4:将每代果蝇的味道浓度值进行比较,迭代保留最佳值的位置与味道浓度,并记录每代果蝇的最佳值;所述最佳值为适应度函数的最小值,即GRNN神经网络的均方根误差的最小值;
步骤3.5:对果蝇进行迭代寻优,判断是否达到迭代次数Maxgen;若是,则输出所有代果蝇的最佳值的最小值,作为最优的SPREAD值;若否,则返回步骤3.2重复执行;
步骤3.6:将最优的SPREAD值带入GRNN神经网络,构建出FOA-GRNN故障诊断模型。
6.根据权利要求4所述的基于FOA-GRNN融合算法的氢发动机故障诊断方法,其特征在于,所述相关运转参数为过量空气系数、点火提前角、喷氢量、喷氢正时、[气缸压力,进气管压力]或曲轴转角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810470047.2A CN108763681B (zh) | 2018-05-16 | 2018-05-16 | 基于foa-grnn融合算法的氢发动机故障诊断系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810470047.2A CN108763681B (zh) | 2018-05-16 | 2018-05-16 | 基于foa-grnn融合算法的氢发动机故障诊断系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108763681A true CN108763681A (zh) | 2018-11-06 |
CN108763681B CN108763681B (zh) | 2022-01-28 |
Family
ID=64008258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810470047.2A Active CN108763681B (zh) | 2018-05-16 | 2018-05-16 | 基于foa-grnn融合算法的氢发动机故障诊断系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108763681B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109992849A (zh) * | 2019-03-14 | 2019-07-09 | 广州大学 | 基于果蝇优化算法的结构损伤识别方法及装置 |
CN110321952A (zh) * | 2019-07-02 | 2019-10-11 | 腾讯医疗健康(深圳)有限公司 | 一种图像分类模型的训练方法及相关设备 |
CN110749447A (zh) * | 2019-11-27 | 2020-02-04 | 淮安信息职业技术学院 | 利用大数据的装载机发动机故障诊断方法 |
CN111008549A (zh) * | 2019-08-07 | 2020-04-14 | 青岛碧蓝智能装备科技有限公司 | 基于样本熵和ifoa-grnn的uuv平台dvl信号失真重构方法 |
CN117112336A (zh) * | 2023-10-25 | 2023-11-24 | 深圳市磐鼎科技有限公司 | 智能通信设备异常检测方法、设备、存储介质及装置 |
US11920528B1 (en) | 2023-05-17 | 2024-03-05 | Caterpillar Inc. | Preignition mitigation strategy for gaseous fuel engine |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050044853A1 (en) * | 2003-09-02 | 2005-03-03 | Kazutora Yoshino | Ecology system |
CN101333961A (zh) * | 2008-08-07 | 2008-12-31 | 清华大学 | 氢气天然气混合燃料发动机的优化方法 |
CN104596775A (zh) * | 2014-10-07 | 2015-05-06 | 芜湖扬宇机电技术开发有限公司 | 发动机失火诊断系统及其方法 |
CN104834785A (zh) * | 2015-05-15 | 2015-08-12 | 南京航空航天大学 | 基于单纯形样条函数的航空发动机稳态模型的建模方法 |
CN105021403A (zh) * | 2015-07-17 | 2015-11-04 | 中国科学院自动化研究所 | 航空发动机启动系统故障诊断方法及故障模拟系统 |
CN105116730A (zh) * | 2015-08-21 | 2015-12-02 | 华北水利水电大学 | 基于粒子群模糊神经网络的氢燃料发动机点火提前角优化系统及其优化方法 |
CN106066606A (zh) * | 2016-05-30 | 2016-11-02 | 华北水利水电大学 | 基于l‑m神经网络的氢内燃机点火正时标定优化系统及其优化方法 |
CN107677473A (zh) * | 2017-09-23 | 2018-02-09 | 哈尔滨理工大学 | 一种基于foa优化的grnn旋转机械故障预测方法 |
-
2018
- 2018-05-16 CN CN201810470047.2A patent/CN108763681B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050044853A1 (en) * | 2003-09-02 | 2005-03-03 | Kazutora Yoshino | Ecology system |
CN101333961A (zh) * | 2008-08-07 | 2008-12-31 | 清华大学 | 氢气天然气混合燃料发动机的优化方法 |
CN104596775A (zh) * | 2014-10-07 | 2015-05-06 | 芜湖扬宇机电技术开发有限公司 | 发动机失火诊断系统及其方法 |
CN104834785A (zh) * | 2015-05-15 | 2015-08-12 | 南京航空航天大学 | 基于单纯形样条函数的航空发动机稳态模型的建模方法 |
CN105021403A (zh) * | 2015-07-17 | 2015-11-04 | 中国科学院自动化研究所 | 航空发动机启动系统故障诊断方法及故障模拟系统 |
CN105116730A (zh) * | 2015-08-21 | 2015-12-02 | 华北水利水电大学 | 基于粒子群模糊神经网络的氢燃料发动机点火提前角优化系统及其优化方法 |
CN106066606A (zh) * | 2016-05-30 | 2016-11-02 | 华北水利水电大学 | 基于l‑m神经网络的氢内燃机点火正时标定优化系统及其优化方法 |
CN107677473A (zh) * | 2017-09-23 | 2018-02-09 | 哈尔滨理工大学 | 一种基于foa优化的grnn旋转机械故障预测方法 |
Non-Patent Citations (3)
Title |
---|
JABBR, AI等: ""Multi-objective optimization of operating parameters for hydrogen-fueled spark-ignition engines"", 《INTERNATIONAL JOURNAL OF HYDROGEN ENERGY》 * |
刘升刚: ""基于神经网络的电喷发动机故障诊断技术研究"", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
杨志: ""基于WFCM-GRA的机械产品故障诊断方法研究"", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109992849A (zh) * | 2019-03-14 | 2019-07-09 | 广州大学 | 基于果蝇优化算法的结构损伤识别方法及装置 |
CN110321952A (zh) * | 2019-07-02 | 2019-10-11 | 腾讯医疗健康(深圳)有限公司 | 一种图像分类模型的训练方法及相关设备 |
CN110321952B (zh) * | 2019-07-02 | 2024-02-09 | 腾讯医疗健康(深圳)有限公司 | 一种图像分类模型的训练方法及相关设备 |
CN111008549A (zh) * | 2019-08-07 | 2020-04-14 | 青岛碧蓝智能装备科技有限公司 | 基于样本熵和ifoa-grnn的uuv平台dvl信号失真重构方法 |
CN111008549B (zh) * | 2019-08-07 | 2024-01-26 | 哈尔滨工程大学 | 基于样本熵和ifoa-grnn的uuv平台dvl信号失真重构方法 |
CN110749447A (zh) * | 2019-11-27 | 2020-02-04 | 淮安信息职业技术学院 | 利用大数据的装载机发动机故障诊断方法 |
CN110749447B (zh) * | 2019-11-27 | 2021-04-16 | 淮安信息职业技术学院 | 利用大数据的装载机发动机故障诊断方法 |
US11920528B1 (en) | 2023-05-17 | 2024-03-05 | Caterpillar Inc. | Preignition mitigation strategy for gaseous fuel engine |
CN117112336A (zh) * | 2023-10-25 | 2023-11-24 | 深圳市磐鼎科技有限公司 | 智能通信设备异常检测方法、设备、存储介质及装置 |
CN117112336B (zh) * | 2023-10-25 | 2024-01-16 | 深圳市磐鼎科技有限公司 | 智能通信设备异常检测方法、设备、存储介质及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108763681B (zh) | 2022-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108763681A (zh) | 基于foa-grnn融合算法的氢发动机故障诊断系统及方法 | |
US7299123B2 (en) | Method and device for estimating the inlet air flow in a combustion chamber of a cylinder of an internal combustion engine | |
Bahri et al. | Understanding and detecting misfire in an HCCI engine fuelled with ethanol | |
CN101713321B (zh) | 使用气缸压力传感器的发动机排出nox的虚拟传感器 | |
CN104919298B (zh) | 基于排气歧管压力的内燃发动机不点火检测 | |
Liu et al. | Misfire detection of a turbocharged diesel engine by using artificial neural networks | |
US8577645B2 (en) | Air/fuel mixture imbalance diagnostic systems and methods | |
EP1705353B1 (en) | Method and device for estimating the inlet air flow in a combustion chamber of a cylinder of an internal combustion engine | |
Bietresato et al. | A neural network approach for indirectly estimating farm tractors engine performances | |
CN203083829U (zh) | 基于简易工况法尾气排放检测的汽车故障诊断系统 | |
CN101523034B (zh) | 基于发动机汽缸压力估算发动机的系统参数 | |
CN102434291A (zh) | 诊断涡轮增压发动机的气流控制系统的故障状况的系统 | |
CN103091112A (zh) | 基于模糊推理和自学习的汽车排放故障检诊方法及装置 | |
CN105116730B (zh) | 基于粒子群模糊神经网络的氢燃料发动机点火提前角优化系统及其优化方法 | |
CN109187038B (zh) | 一种仿真获得船舶柴油机故障数据的方法 | |
CN101539062A (zh) | 进气温度传感器诊断系统和方法 | |
CN102003298A (zh) | 一种用于发动机控制的燃烧信息实时反馈装置及方法 | |
CN108416429A (zh) | 基于som神经网络的氢燃料发动机故障诊断系统及其方法 | |
CN105444947B (zh) | 一种气体发动机爆震测试系统及方法 | |
CN105224730A (zh) | 一种高压共轨电控柴油机原始no2排放量预测方法 | |
US20110137573A1 (en) | System and method for monitoring emissions from engines | |
CN116971881B (zh) | 一种基于数字孪生技术的内燃发动机管理方法及系统 | |
CN102620938B (zh) | 活塞式发动机回火检测装置及回火试验方法 | |
CN213397632U (zh) | 一种发动机排放测试台架碳平衡系数测量装置 | |
CN213928585U (zh) | 燃气发动机气缸egr率的测量系统 |
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 |