CN109872511B - 一种针对轴向位移突变监测的自适应两级报警方法 - Google Patents
一种针对轴向位移突变监测的自适应两级报警方法 Download PDFInfo
- Publication number
- CN109872511B CN109872511B CN201910142670.XA CN201910142670A CN109872511B CN 109872511 B CN109872511 B CN 109872511B CN 201910142670 A CN201910142670 A CN 201910142670A CN 109872511 B CN109872511 B CN 109872511B
- Authority
- CN
- China
- Prior art keywords
- data set
- displacement
- alarm
- engine
- sudden change
- 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
Landscapes
- Testing Of Engines (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
一种针对轴向位移突变监测的自适应两级报警方法,先采集位移信号,建立数据集,预处理得到位移的训练数据集;然后对训练数据集提取特征,形成N个数据组成的特征数据集,根据时刻信息对训练数据集和特征数据集进行融合;然后根据概率密度估计特征数据集的各统计参数,建立一级报警模型;再对训练数据集的所有数据按升序排序得到数据集,计算数据集的分位距和中位数,根据多倍分位距原理确定位移训练数据集的初始阈值,建立二级报警模型;随着发动机运行时间的推移,依据两级级报警模型判断并更新;本发明实现发动机轴向信号的自适应报警,方法的计算量较小,需要的历史数据少,能够实现在线监测。
Description
技术领域
本发明属于设备信号处理和监测诊断技术领域,具体涉及一种针对轴向位移突变监测的自适应两级报警方法。
背景技术
火箭发动机是应用于航天领域的喷气式发动机的一种,利用高温高速燃气的排出来产生推力,其特点是造价高昂,设计结构复杂和工作环境恶劣。在火箭发动机交付使用之前,往往面临极为严苛的试验。为了防止试验时发生火箭发动机爆炸和人员伤亡,火箭发动机的状态监测和故障预警就显得尤其重要。但是现在的火箭发动机存在设计结构复杂、信号采集难度大、传感器工作状况恶劣、采集的信号种类有限、信噪比很低等一系列问题,所以应用于发动机信号的故障预警方法有限。实际应用中发动机故障的发展往往伴随着泵轴向位移振动的变化,前期轴向位移振动信号的突变异常往往是故障将要进一步劣化的征兆,能否及时发现突变的时刻和幅值是故障预警、及时停机的关键,但是发动机试验往往准备周期漫长,试验成本很大,突变没发生却误报警的代价极大,所以准确地辨识突变的发生又显得尤其重要。
当前,发动机故障突变检测方法是基于恒定阈值的经验法则,其规定了系统的主要参数的变化范围,当监测参数超过该范围的时候,认为发动机发生故障。这类方法操作简单,计算量小,便于程序实时监测发动机的传感器信号。但是,阈值的设定极度依赖人工经验,实际应用时,正常试验和故障试验的数量不平衡和发动机复杂的工况变化导致人工经验的应用不够成熟。而自适应监测报警技术则是充分学习发动机工况、运行时间等一系列因素的基础上,建立监测参数的动态评估准则,形成了动态的状态报警监测曲线。传统的方法是基于概率密度估计学习概率分布形成自适应报警曲线,但是这种方法需要大量的前期数据积累,无法有效地监测小样本条件下的发动机状态变化。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供一种针对轴向位移突变监测的自适应两级报警方法,实现发动机轴向信号的自适应报警,准确检测故障发展前期的突变时刻和幅值,提供可靠的故障预警和试验停机辅助;同时,方法的计算量较小,需要的历史数据少,能够实现在线监测,在不同的发动机型号的历史数据上准确地检测出故障。
为了达到上述目的,本发明采取的技术方案是:
一种针对轴向位移突变监测的自适应两级报警方法,包括以下步骤:
A.在发动机待监测的泵轴向布置电涡流传感器采集位移信号,电涡流传感器采集频率为f,发动机试验运行一段时间t秒后,得到初始位移数据样本M个,M=f*t,根据采集到的M个轴向位移信号建立数据集S1,S1={x1,x2,x3,…,xM},预处理得到位移的训练数据集S2,S2={X1,X2,X3,…,XM};
B.对训练数据集S2提取特征,形成某一特征的N个数据组成的特征数据集S3,S3={Y1,Y2,Y3,…,YN},根据时刻信息对训练数据集S2和特征数据集S3进行融合;
C.根据概率密度估计特征数据集S3的各统计参数,平滑因子h估计如下:
h=g*d,g=1.1~1.4
其中,dij为特征数据集S3数据间的距离,d为特征数据集S3数据间的平均最小距离,N为特征数据集S3的数据量,Yi与Yj为S3的样本;g为经验常数,取值为1.1~1.4;
则概率密度估计如下:
其中,p为样本维数,
根据应用时选取的特征,假设特征数据集S3满足高斯分布,样本均值m和平滑因子h导出为:
根据拉伊达准则,设定特征数据集S3初始阈值t1,其上下限分别表示为t1_upper和t1_lower为:
t1_upper=m+λ*h
t1_lower=m-λ*h
其中λ为经验参数,
此时,小噪声经验指标为β,小噪声消除综合指标t11:
t11=β*m
此刻,一级报警模型为m1,ml={t1_upper,t1_lower,t11};
D.对训练数据集S2的所有数据按升序排序得到数据集S4,S4={Z1,Z2,Z3,…,ZM},计算数据集S4的分位距和中位数,则第一分位数Q1和第三分位数Q3表示为:
其中,M为训练数据集S2样本个数,
此时的中位数Q2表示为:
由上可知,训练数据集S2的四分位距IQR(inter quantilerange)导出为:
根据多倍分位距原理确定位移训练数据集S2的初始阈值t2,α为人工选取的经验参数,其上下限分别表示为t2_upper和t2_lower,其确定方式如下:
t2_upper=Q3+α*IQR
t2_lower=Q-α*IQR
此刻二级报警模型为m2,m2={t2_upper,t2_lower};
E.随着发动机运行时间的推移,新的位移数据信号XM+t被采集然后预处理得到位移监测指标p2,提取特征数据集S3使用的特征得到特征监测指标p1;如果特征监测指标p1落在一级报警模型m1的阈值t1_upper与t1_lower之内,发动机工况进入正常状态;若此刻位移监测指标p1在小噪声消除指标t11之内且在阈值t2_upper和t2_lower之内,则该点异常,发动机工况进入二级报警状态,进行报警,输出实时突变幅值和时刻信息,此刻的突变幅值:
X_anomaly=XM+t-Q2,t=1,2,3…
反之,则该点正常,输出实时突变幅值为0,一级报警模型m1和二级报警模型m2按照FIFO原则更新;
F.如果特征监测指标p1落在一级报警模型m1的阈值t1_upper与t1_lower之外,发动机工况进入到一级报警状态,此刻位移监测指标p2在二级报警模型的阈值t2_upper和t2_lower之内,则该点正常,一级报警状态解除,输出实时突变幅值为0,一级报警模型m1和二级报警模型m2按照FIFO原则更新;反之,若位移监测指标p2在二级报警模型的阈值t2_upper和t2_lower之外,该点异常,发动机工况进入二级报警状态,进行报警,输出实时突变幅值和时刻信息,此时突变幅值为:
X_anomaly=XM+t-Q2,t=1,2,3…
二级报警信号辅助工作人员进行停机操作判断,一级报警模型m1不更新,二级报警模型m2按照FIFO原则更新。
所述的步骤B中特征为一阶差分、二阶差分、速度或加速度。
本发明的有益效果为:本发明通过小样本历史数据的特征提取和两级报警模型更新,建立了针对发动机轴向位移信号的双级自适应报警模型,确定了各级的自适应报警模型和报警阈值,根据设定的模型更新方法,动态刻画了发动机运行过程工况变化过程,能够在不同的工况下自动获取有效的报警阈值,实现在线的状态监测。
本发明不依赖大量的历史数据学习模型参数,计算量很小,实时性很高,输出的突变幅值和报警时刻准确,克服了传统方法应对连续多点突变误报漏报的不足,在实际应用中发挥了巨大的作用。
附图说明
图1为本发明的整体流程图。
图2为本发明实施例工况一、工况二的实际应用效果图。
图3为本发明实施例工况三、工况四的实际应用效果图。
具体实施方式
下面结合附图和实施例对本发明作详细描述,四个不同工况的实施例的所有经验参数选择一致。
参照图1,一种针对轴向位移突变监测的自适应两级报警方法,包括以下步骤:
A.在发动机待监测的泵轴向布置电涡流传感器采集位移信号,电涡流传感器采集频率为f=100Hz,发动机试验运行一段时间t=0.03秒后,得到初始位移数据样本M个,M=f*t=30,根据采集到的30个轴向位移信号建立数据集S1={x1,x2,x3,…,x30},预处理得到位移的训练数据集S2={X1,X2,X3,…,X30};
B.对训练数据集S2提取一阶差分,形成一阶差分特征的29个数据组成的特征数据集S3={Y1,Y2,Y3,…,Y29},根据时刻信息对训练数据集S2和特征数据集S3进行融合;
C.根据概率密度估计特征数据集S3的各统计参数,平滑因子h估计如下:
h=g*d,g=1.1~1.4
其中,dij为特征数据集S3数据间的距离,d为特征数据集S3数据间的平均最小距离,N为特征数据集S3的数据量,Yi与Yj为S3的样本;g为经验常数,通常取值为1.1~1.4;则概率密度估计如下:
根据应用时选取的一阶差分特征,假设特征数据集S3满足高斯分布,样本均值m和平滑因子h导出为:
根据拉伊达准则,设定特征数据集S3初始阈值t1,经验参数为λ=3,其上下限分别表示为t1_upper和t1_lower为:
t1_upper=m+λ*h
t1_lower=m-λ*h
此时,小噪声经验指标为β,通常选择为0.001至0.01之间,小噪声消除综合指标t11:
t11=β*m
此刻,一级报警模型为m1={t1_upper,t1_lower,t11};
D.对训练数据集S2={X1,X2,X3,…,X30}的所有数据按升序排序得到数据集S4={Z1,Z2,Z3,…,Z30},计算数据集S4的分位距和中位数,则第一分位数Q1和第三分位数Q3可表示为:
此时的中位数Q2表示为:
由上可知,位移训练数据集S2的四分位距IQR(inter quantile range)导出为:
根据多倍分位距原理确定位移训练数据集S2的初始阈值t2,α为人工选取的经验参数,此刻α=3,其上下限分别表示为t2_upper和t2_lower,其确定方式如下:
t2_upper=Q3+α*IQR
t2_lower=Q1-α*IQR
此刻二级报警模型为m2={t2_upper,t2_lower};
E.随着发动机运行时间的推移,新的位移数据信号XM+t被采集然后预处理得到位移监测指标p2,提取特征数据集S3使用的特征得到特征监测指标p1;如果特征监测指标p1落在一级报警模型m1的阈值t1_upper与t1_lower之内,发动机工况进入正常状态;若此刻位移监测指标p1在小噪声消除指标t11之内且在阈值t2_upper和t2_lower之内,则该点异常,发动机工况进入二级报警状态,进行报警,输出实时突变幅值和时刻信息,此刻的突变幅值:
X_anomaly=XM+t-Q2,t=1,2,3…
反之,则该点正常,输出实时突变幅值为0,一级报警模型m1和二级报警模型m2按照FIFO原则更新;
F.如果特征监测指标p1落在一级报警模型m1的阈值t1_upper与t1_lower之外,发动机工况进入到一级报警状态,此刻位移监测指标p2在二级报警模型的阈值t2_upper和t2_lower之内,则该点正常,一级报警状态解除,输出实时突变幅值为0,一级报警模型m1和二级报警模型m2按照FIFO原则更新;反之,若位移监测指标p2在二级报警模型的阈值t2_upper和t2_lower之外,该点异常,发动机工况进入二级报警状态,进行报警,输出实时突变幅值和时刻信息,此时突变幅值为:
X_anomaly=XM+t-Q2,t=1,2,3…
二级报警信号辅助工作人员进行停机操作判断,一级报警模型m1不更新,二级报警模型m2按照FIFO原则更新。
参照图2和图3,本发明实施例已经成功应用在相应的发动机监测试验中:工况一为试验开机100ms后进入稳定阶段在337ms左右发生故障;工况二为0~340ms试验过程工况缓慢变化然后突变发生故障的情况;工况三为试验开机100ms后进入稳定阶段后在230ms左右再次小幅突变最后在258ms发生剧烈突变;工况四为试验开机100ms后进入稳定阶段后在230ms左右再次小幅突变。从图2可以看出,工况一中的发动机从启动到稳定阶段的突变和故障前的突变均被检测出,工况二中本发明方法应对工况的缓慢变化有效并且检测出突变时刻和幅值。从图3可以看出,本发明方法检测出了工况三和工况四在100ms的试验阶段的变化和之后试验产生的突变。
以上实例只为说明本发明的技术构思和特点,并不能以此限制本发明的保护范围。对于本领域的技术人员来说,凡是根据本发明精神实质所做的等效变换或修饰改进,都应涵盖在本发明的保护范围之内。
Claims (2)
1.一种针对轴向位移突变监测的自适应两级报警方法,其特征在于,包括以下步骤:
A.在发动机待监测的泵轴向布置电涡流传感器采集位移信号,电涡流传感器采集频率为f,发动机试验运行一段时间t秒后,得到初始位移数据样本M个,M=f*t,根据采集到的M个轴向位移信号建立数据集S1,S1={x1,x2,x3,…,xM},预处理得到位移的训练数据集S2,S2={X1,X2,X3,…,XM};
B.对训练数据集S2提取特征,形成某一特征的N个数据组成的特征数据集S3,S3={Y1,Y2,Y3,…,YN},根据时刻信息对训练数据集S2和特征数据集S3进行融合;
C.根据概率密度估计特征数据集S3的各统计参数,平滑因子h估计如下:
h=g*d,g=1.1~1.4
其中,dij为特征数据集S3数据间的距离,d为特征数据集S3数据间的平均最小距离,N为特征数据集S3的数据量,Yi与Yj为S3的样本;g为经验常数;
则概率密度估计如下:
其中,p为样本维数,
根据应用时选取的特征,假设特征数据集S3满足高斯分布,样本均值m和平滑因子h导出为:
根据拉伊达准则,设定特征数据集S3初始阈值t1,其上下限分别表示为t1_upper和t1_lower为:
tl_upper=m + λ*h
tl_lower=m-λ*h
其中λ为经验参数,
此时,小噪声经验指标为β,小噪声消除综合指标t11:
t11=β*m
此刻,一级报警模型为m1,m1={t1_upper,t1_lower,t11};
D.对训练数据集S2的所有数据按升序排序得到数据集S4,S4={Z1,Z2,Z3,…,ZM},计算数据集S4的分位距和中位数,则第一分位数Q1和第三分位数Q3表示为:
其中,M为训练数据集S2样本个数,
此时的中位数Q2表示为:
由上可知,训练数据集S2的四分位距IQR(inter quantile range)导出为:
根据多倍分位距原理确定位移训练数据集S2的初始阈值t2,α为人工选取的经验参数,其上下限分别表示为t2_upper和t2_lower,其确定方式如下:
t2_upper=Q3+α*IQR
t2_lower=Q1-α*IQR
此刻二级报警模型为m2,m2={t2_upper,t2_lower};
E.随着发动机运行时间的推移,新的位移数据信号XM+t被采集然后预处理得到位移监测指标p2,提取特征数据集S3使用的特征得到特征监测指标p1;如果特征监测指标p1落在一级报警模型m1的阈值t1_upper与t1_lower之内,发动机工况进入正常状态;若此刻位移监测指标p1在小噪声消除综合指标t11之内且在阈值t2_upper和t2_lower之内,则异常,发动机工况进入二级报警状态,进行报警,输出实时突变幅值和时刻信息,此刻的突变幅值:
X_anomaly=X M +t-Q2,t=1,2,3…
反之,则正常,输出实时突变幅值为0,一级报警模型m1和二级报警模型m2按照FIFO原则更新;
F.如果特征监测指标p1落在一级报警模型m1的阈值t1_upper与t1_lower之外,发动机工况进入到一级报警状态,此刻位移监测指标p2在二级报警模型的阈值t2_upper和t2_lower之内,则正常,一级报警状态解除,输出实时突变幅值为0,一级报警模型m1和二级报警模型m2按照FIFO原则更新;反之,若位移监测指标p2在二级报警模型的阈值t2_upper和t2_lower之外,则异常,发动机工况进入二级报警状态,进行报警,输出实时突变幅值和时刻信息,此时突变幅值为:
X_anomaly=XM+t-Q2,t=1,2,3…
二级报警信号辅助工作人员进行停机操作判断,一级报警模型m1不更新,二级报警模型m2按照FIFO原则更新。
2.根据权利要求1所述的一种针对轴向位移突变监测的自适应两级报警方法,其特征在于:所述的步骤B中特征为一阶差分、二阶差分、速度或加速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910142670.XA CN109872511B (zh) | 2019-02-26 | 2019-02-26 | 一种针对轴向位移突变监测的自适应两级报警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910142670.XA CN109872511B (zh) | 2019-02-26 | 2019-02-26 | 一种针对轴向位移突变监测的自适应两级报警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109872511A CN109872511A (zh) | 2019-06-11 |
CN109872511B true CN109872511B (zh) | 2021-07-06 |
Family
ID=66919288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910142670.XA Active CN109872511B (zh) | 2019-02-26 | 2019-02-26 | 一种针对轴向位移突变监测的自适应两级报警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109872511B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108663616A (zh) * | 2018-03-09 | 2018-10-16 | 上海宝钢工业技术服务有限公司 | 大型电机转轴轴向位移状态分析方法 |
CN110375974B (zh) * | 2019-07-24 | 2020-06-02 | 西安交通大学 | 基于平面化后数据边界形态的旋转机械设备状态监测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101718634A (zh) * | 2009-11-20 | 2010-06-02 | 西安交通大学 | 基于多元概率模型的设备状态综合动态报警方法 |
KR101160517B1 (ko) * | 2011-09-20 | 2012-06-28 | 유지형 | 건설 구조물 상태 표시 장치 및 방법 |
CN106295850A (zh) * | 2016-07-15 | 2017-01-04 | 广东电网有限责任公司电力科学研究院 | 一种基于历史量测的不良数据辨识方法及系统 |
CN106709509A (zh) * | 2016-11-30 | 2017-05-24 | 哈尔滨工业大学 | 一种基于时间序列特殊点的卫星遥测数据聚类方法 |
CN107766299A (zh) * | 2017-10-24 | 2018-03-06 | 携程旅游信息技术(上海)有限公司 | 数据指标异常的监控方法及其系统、存储介质、电子设备 |
-
2019
- 2019-02-26 CN CN201910142670.XA patent/CN109872511B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101718634A (zh) * | 2009-11-20 | 2010-06-02 | 西安交通大学 | 基于多元概率模型的设备状态综合动态报警方法 |
KR101160517B1 (ko) * | 2011-09-20 | 2012-06-28 | 유지형 | 건설 구조물 상태 표시 장치 및 방법 |
CN106295850A (zh) * | 2016-07-15 | 2017-01-04 | 广东电网有限责任公司电力科学研究院 | 一种基于历史量测的不良数据辨识方法及系统 |
CN106709509A (zh) * | 2016-11-30 | 2017-05-24 | 哈尔滨工业大学 | 一种基于时间序列特殊点的卫星遥测数据聚类方法 |
CN107766299A (zh) * | 2017-10-24 | 2018-03-06 | 携程旅游信息技术(上海)有限公司 | 数据指标异常的监控方法及其系统、存储介质、电子设备 |
Non-Patent Citations (3)
Title |
---|
变桨系统故障特征检测及短期可靠性评估研究;朱希盼;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20190215(第02期);正文第31-39页 * |
基于Parzen窗估计的设备状态综合报警方法;刘晗等;《振动与冲击》;20130215;第32卷(第3期);全文 * |
基于智能报警的刀具状态在线监测技术;徐光华等;《振动、测试与诊断》;20130630;第33卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109872511A (zh) | 2019-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109524139B (zh) | 一种基于设备工况变化的实时设备性能监测方法 | |
CN111353482B (zh) | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 | |
CN110414155B (zh) | 一种带有单测点的风机部件温度异常检测和报警方法 | |
CN113569338B (zh) | 一种基于时间扩张卷积网络的压气机旋转失速预警方法 | |
CN101135614B (zh) | 异常监控设备和方法 | |
CN110414154B (zh) | 一种带有双测点的风机部件温度异常检测和报警方法 | |
CN112580267A (zh) | 基于多分支特征融合网络的航空发动机喘振预测方法 | |
CN111400961B (zh) | 风力发电机组叶片故障判断方法及装置 | |
CN111506049B (zh) | 基于aann网络系统的航空发动机控制系统多重故障诊断方法 | |
CN107844067B (zh) | 一种水电站闸门在线状态监测控制方法及监测系统 | |
CN109872511B (zh) | 一种针对轴向位移突变监测的自适应两级报警方法 | |
CN115187832A (zh) | 一种基于深度学习与格拉姆角场图像的能源系统故障诊断方法 | |
CN113562562A (zh) | 一种电梯安全预警监测系统及其判断方法 | |
CN111504647A (zh) | 基于ar-mset的滚动轴承的性能退化评估方法 | |
CN112711850A (zh) | 一种基于大数据的机组在线监测方法 | |
CN113757093A (zh) | 一种闪蒸汽压缩机组故障诊断方法 | |
CN112633781A (zh) | 一种基于车联网大数据的车辆能耗评价方法 | |
CN112417763A (zh) | 输电线路的缺陷诊断方法、装置、设备及存储介质 | |
CN115526258A (zh) | 基于Spearman相关系数特征提取的电力系统暂稳评估方法 | |
CN114881087A (zh) | 一种建筑机器人轴承性能退化评估方法 | |
CN114705432A (zh) | 防爆电机轴承健康状态评估方法及系统 | |
CN207992717U (zh) | 一种水电站闸门在线状态监测系统 | |
CN116071053B (zh) | 基于数字孪生的往复式压缩机状态预警系统 | |
CN110826600B (zh) | 基于自适应共振网络在线增量学习的发动机喘振预测方法 | |
CN115469585B (zh) | 一种基于大数据的水电机组状态监测方法及系统 |
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 |