CN109932184B - 基于并集信度规则推理的船用柴油机异常磨损诊断方法 - Google Patents

基于并集信度规则推理的船用柴油机异常磨损诊断方法 Download PDF

Info

Publication number
CN109932184B
CN109932184B CN201910211395.2A CN201910211395A CN109932184B CN 109932184 B CN109932184 B CN 109932184B CN 201910211395 A CN201910211395 A CN 201910211395A CN 109932184 B CN109932184 B CN 109932184B
Authority
CN
China
Prior art keywords
fault
modes
diesel engine
reliability
mode
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
Application number
CN201910211395.2A
Other languages
English (en)
Other versions
CN109932184A (zh
Inventor
常雷雷
雷杰
徐晓滨
徐晓健
黄大荣
韩德强
侯平智
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201910211395.2A priority Critical patent/CN109932184B/zh
Publication of CN109932184A publication Critical patent/CN109932184A/zh
Application granted granted Critical
Publication of CN109932184B publication Critical patent/CN109932184B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Testing Of Engines (AREA)

Abstract

本发明公开了一种基于并集信度规则推理的船用柴油机异常磨损诊断方法。本发明首先输入为船用柴油机的磨损部件和主机工作介质润滑油中元素含量，输出定为船用柴油机异常磨损部件故障情况；其次建立信度规则系统以及按照故障特征与故障模式的相关性确定对应的属性权重组；利用证据推理算法融合被输入激活的信度规则后项中的信度结构得到具体属性权重组下的故障模式的信度值，最后对信度值进行权衡分析，得到异常磨损部件诊断结果。本发明能够处理船用柴油机异常磨损部件诊断的多种元素，以及能够表征故障特征与故障模式之间“多对多”的复杂关系，以及表征故障特征与故障模式之间的相关性，能够诊断出各种故障模式并发的复杂情况。

Description

基于并集信度规则推理的船用柴油机异常磨损诊断方法
技术领域
本发明涉及一种基于并集信度规则推理的船用柴油机异常磨损部件诊断方法，属于故障检测领域。
背景技术
船用柴油机因输出功率大，工作效率高，持续工作时间长，被广泛地作为船舶动力的主要来源。船用柴油机故障会影响到船舶的安全运行，关系到船上的生命财产安全。船用柴油机集成了多种先进技术，系统层次多，结构复杂，许多零部件在运行过程中会产生故障，并且由于故障种类繁多以及频繁发生，故障模式更多的表现为并发故障模式。大量的船用柴油机故障是异常摩擦磨损导致，问题主要集中在活塞环-缸套磨损、拉缸、连杆大小端轴承和主轴承磨损等典型故障。因此，为了提高船用柴油机的安全性与可靠性，研究船用柴油机的摩擦磨损故障诊断，从而快速定位异常磨损位置，确定故障产生的原因并有效排除故障。
目前，相关研究人员针对柴油机异常磨损故障诊断问题提出了许多方法。基于ANN的柴油机磨损故障诊断模型，利用在线谱提取磨粒二维几何形貌信息，激光共聚焦显微镜和图像处理技术提取磨粒三维表面形貌信息和用傅立叶描述子表示磨粒二维形貌信息，建立故障诊断模型对不同的柴油机磨粒类型进行辨识；利用模糊C均值聚类的方法对柴油机曲柄轴承的磨损故障进行检测；利用贝叶斯故障诊断模型对柴油机活塞-缸套磨损状态进行辨识，利用灰色靶理论建立柴油机磨损故障诊断模型对柴油机不同磨粒类型进行辨识等。诊断模型主要依靠大量柴油机运行数据以及历史故障数据建立，对数据质量依赖性大。用于建立故障诊断模型的主要智能算法通常不能综合利用多类型信息，缺乏同时处理定量数据和定性数据的能力。智能故障诊断模型的可解释性有待进一步提高。当前被广泛应用的智能故障诊断模型主要以黑箱模型为主，模型内部的输入输出之间的关系通常是未知的、不可解释的。
针对船用柴油机异常磨损故障检测需要处理润滑油中铁元素(Fe)，铝元素(Al)，铅元素(Pb)，硅元素(Si)含量与船用柴油机磨损部件主轴承、活塞环，活塞，缸套的非线性关系，以及故障特征与故障模式并不是简单的“一对一”关系，而是“多对多”关系，多种故障模式并发难以区分，需要计算的推理和建模过程清晰等特点，运用并集信度规则系统，以其具有对不确定性以及非线性特征的数据进行建模的能力，建立并集信度规则系统描述输入量与输出量之间的复杂非线性关系，运用属性权重的方式表征故障特征与故障模式之间相关性的高低，采用权衡分析的方式解决故障并发组合模式复杂的问题，得到最终的故障诊断结果。
发明内容
本发明针对船用柴油机异常磨损故障检测需要处理润滑油中铁元素(Fe)，铝元素(Al)，铅元素(Pb)，硅元素(Si)含量与船用柴油机磨损部件主轴承、活塞环，活塞，缸套的非线性关系，故障特征与故障模式复杂的“多对多”的关系，故障模式并发种类繁多，设计一种基于并集信度规则推理的船用柴油机异常磨损部件诊断方法。
本发明首先，输入为采集某船用柴油机的磨损部件和主机工作介质润滑油中铁元素(Fe)，铝元素(Al)，铅元素(Pb)，硅元素(Si)含量，输出定为船用柴油机异常磨损部件诊断结果；其次，通过属性权重的方式来表征故障特征与故障模式之间的相关性并建立并集信度规则库；然后，利用证据推理(ER)算法融合被输入激活的信度规则后项中的信度结构得到相应属性权重下的故障模式诊断结果；最后，对所有的故障模式诊断结果进行权衡分析，诊断出船用柴油机的异常磨损部件。
本发明包括以下各步骤：
步骤(1)输入为采集某船用柴油机的磨损部件和主机工作介质润滑油中，包括铁元素(Fe)含量fa(t)≥0，单位mg/L；铝元素(Al)含量fb(t)≥0，单位mg/L；铅元素(Pb)含量fc(t)≥0，单位mg/L；硅元素(Si)含量fd(t)≥0，单位mg/L；数据每小时采集一次，共采集T小时，1≤T<∞，则采样时刻t＝1,2,...,T；输出为磨损部件故障情况Y，即正常状态G1，单故障模式1主轴承异常磨损G2，单故障模式2活塞环异常磨损G3，单故障模式3活塞异常磨损G4，单故障模式4缸套异常磨损G5，以及并发故障模式的组合包括：两种故障模式并发[(G2 G3),(G2 G4),(G2 G5),(G3 G4),(G3 G5),(G4 G5),(G3 G2),(G4 G2),(G5 G2),(G4 G3),(G5 G3),(G5G4)]；以此类推三种故障模式并发以及更多种故障模式并发，共计为64种故障模式；另由于并发故障模式[(G2 G3)]表示故障模式G2为主要故障，故障模式G3为次要故障，所以与并发故障模式[(G3 G2)]不相同。
步骤(2)建立并集信度规则系统，采用润滑油中铁元素(Fe)含量fa(t)，铝元素(Al)含量fb(t)，铅元素(Pb)含量fc(t)，硅元素(Si)含量fd(t)与船用柴油机磨损部件主轴承、活塞环，活塞，缸套的非线性关系，建立并集信度规则系统，其中的第l条并集规则记为Rl，其表示形式如下：
Figure GDA0002536658960000031
Figure GDA0002536658960000032
式(1)中，“∨”表示规则是处于并集假设下，
Figure GDA0002536658960000033
分别为并集信度规则系统的输入变量fa(t)、fb(t)、fc(t)、fd(t)参考值，且有
Figure GDA0002536658960000034
其中j＝1,…,J，Qj为
Figure GDA0002536658960000035
的取值空间，其中的元素满足
Figure GDA0002536658960000036
Figure GDA0002536658960000037
p表示对应第j个输入变量参考值的取值个数，p＝1,2,…,P；分别在Q1,Q2,…,QJ中抽取元素作为输入变量fa(t)、fb(t)、fc(t)、fd(t)的参考值，由此组合成共计L条并集规则，
Figure GDA0002536658960000038
Rl的规则权重为θl∈[0,1]，设定初始规则权重θl＝1，Rl后项属性分别为G1,G2,...,GN,N≥2；式(1)中λ1,l,λ2,l,...,λN,l分别为G1,G2,...,GN的信度值，并满足0≤λn,l≤1，
Figure GDA0002536658960000039
步骤(3)根据具体故障模式(即具体异常磨损部件)与输入变量(润滑油中各元素含量)的相关性高低确定对应输入变量属性权重，输入变量fa(t)、fb(t)、fc(t)、fd(t)对应的属性权重分别为δj∈[0,1],j＝1,...,J；其中与具体故障模式相关性高的输入变量属性权重设定为较大的值，与具体故障模式相关性低的输入变量属性权重设定为较小的值，即输入变量fa(t)、fb(t)、fc(t)、fd(t)对应于具体故障模式的权重为：
Figure GDA00025366589600000310
步骤(4)给定润滑油中各元素含量fa(t)、fb(t)、fc(t)、fd(t)作为输入变量，通过并集信度规则系统获取它们对应的故障模式Gn信度值，具体步骤如下：
步骤(4-1)设定fj的取值分别为fj(t),j＝1,2,...,J，并有
Figure GDA00025366589600000311
将它们带入并集信度规则系统模型，计算它们激活规则的权重：
Figure GDA0002536658960000041
其中ωl∈[0,1]，
Figure GDA0002536658960000042
为相对属性权重，
Figure GDA0002536658960000043
Gn＝G1,G2,…,GN；式(3)中
Figure GDA0002536658960000044
表示为第l条并集规则中第j个输入变量相对于参考值
Figure GDA0002536658960000045
的归一化之后的差异度，差异度的求解如下：
(a)当fj(t)≤Aj,1和fj(t)≥Aj,P时，fj(t)对于Aj,1和Aj,P的差异度
Figure GDA0002536658960000046
取值均为1，对于其他参考值的差异度均为0；
(b)当Aj,p<fj(t)≤Aj,p+1时，fj(t)对于Aj,p和Aj,p+1的差异度
Figure GDA0002536658960000047
和
Figure GDA0002536658960000048
取值分别由式(4)和式(5)给出
Figure GDA0002536658960000049
Figure GDA00025366589600000410
此时，其他参考值的差异度均为0；
(c)差异度归一化：
Figure GDA00025366589600000411
步骤(4-2)对激活规则进行集合：
Figure GDA00025366589600000412
Figure GDA00025366589600000413
其中
Figure GDA00025366589600000414
表示相对于结果Gn的信度值，此步骤中得到共计N组信度值，即
Figure GDA00025366589600000415
步骤(5)对不同权重属性组计算结果Gn的信度值进行权衡分析，具体步骤如下：
步骤(5-1)利用不同组的属性权重对不同故障进行诊断之后，得到不同故障的诊断结果
Figure GDA00025366589600000416
Gn＝G1,G2,…,GN；对于第Gn个故障模式，若
Figure GDA0002536658960000051
诊断结果将是第
Figure GDA0002536658960000052
个故障模式；对多个故障模式的诊断结果列表进行排序，由不同故障模式组成的初始列表为
Figure GDA0002536658960000053
对应每种故障模式的信度值列表为
Figure GDA0002536658960000054
对其按照信度值降序排序，排序后的故障模式列表为
Figure GDA0002536658960000055
对应的信度值列表为
Figure GDA0002536658960000056
其中
Figure GDA0002536658960000057
步骤(5-2)预设阈值vf∈(0,1),f＝1,2,...,F用来区分多种故障模式，若相邻故障模式的差值大于预设阈值，则诊断为单故障模式，即
Figure GDA0002536658960000058
那么诊断结果为单故障模式
Figure GDA0002536658960000059
若相邻的故障模式信度值的差值小于或等于预设阈值，则诊断为并发故障模式，即
Figure GDA00025366589600000510
那么诊断结果为故障模式
Figure GDA00025366589600000511
和
Figure GDA00025366589600000512
为并发故障，且故障模式
Figure GDA00025366589600000513
为主要故障模式，故障模式
Figure GDA00025366589600000514
为次要故障模式，依次向下比较相邻故障模式信度值的差值与预设阈值的大小并做出诊断，直到差值大于预设阈值为止；以此类推，可以诊断出船用柴油机异常磨损部件。
本发明针对船用柴油机异常磨损部件检测需要处理润滑油中铁元素(Fe)，铝元素(Al)，铅元素(Pb)，硅元素(Si)含量与船用柴油机磨损部件主轴承、活塞环，活塞，缸套的非线性关系，故障特征与故障模式复杂的“多对多”的关系，故障模式并发种类繁多，设计一种基于并集信度规则推理的船用柴油机异常磨损部件诊断方法。
本发明采用船用柴油机的磨损部件和主机工作介质润滑油中包括铁元素(Fe)，铝元素(Al)，铅元素(Pb)，硅元素(Si)含量为输入，船用柴油机异常磨损部件诊断结果为输出，通过属性权重的方式来表征故障特征与故障模式之间的相关性高低并建立并集信度规则库，利用证据推理(ER)算法融合被输入激活的信度规则后项中的信度结构得到相应属性权重下的故障模式诊断结果，对所有的故障模式诊断结果进行权衡分析，诊断出船用柴油机的异常磨损部件。
本发明具有对带有不确定性以及非线性特征的数据进行建模的能力，建立并集信度规则系统描述输入量与输出量之间的复杂非线性关系，能够由属性权重表征故障特征与故障模式的相关性高低，并且能够通过权衡分析实现对多种故障模式并发的诊断，建模和推理过程清晰，可解释性强。
附图说明
图1是本发明方法的流程框图；
图2是本发明方法实施例中的船用柴油机异常磨损部件诊断结果。
具体实施方式
本发明包括以下各步骤：
步骤(1)输入为采集某船用柴油机的磨损部件和主机工作介质润滑油中包括铁元素(Fe)含量fa(t)≥0，单位mg/L；铝元素(Al)含量fb(t)≥0，单位mg/L；铅元素(Pb)含量fc(t)≥0，单位mg/L；硅元素(Si)含量fd(t)≥0，单位mg/L；数据每小时采集一次，共采集T小时，1≤T<∞，则采样时刻t＝1,2,...,T；输出为磨损部件故障情况Y，即正常状态G1，单故障模式1主轴承异常磨损G2，单故障模式2活塞环异常磨损G3，单故障模式3活塞异常磨损G4，单故障模式4缸套异常磨损G5，以及并发故障模式的组合包括：两种故障模式并发[(G2 G3),(G2 G4),(G2 G5),(G3 G4),(G3 G5),(G4 G5),(G3 G2),(G4 G2),(G5 G2),(G4 G3),(G5 G3),(G5G4)]；以此类推三种故障模式并发以及更多种故障模式并发，共计为64种故障模式；另由于并发故障模式[(G2 G3)]表示故障模式G2为主要故障，故障模式G3为次要故障，所以与并发故障模式[(G3 G2)]不相同。
步骤(2)建立并集信度规则系统，采用润滑油中铁元素(Fe)含量fa(t)，铝元素(Al)含量fb(t)，铅元素(Pb)含量fc(t)，硅元素(Si)含量fd(t)与船用柴油机磨损部件主轴承、活塞环，活塞，缸套的非线性关系，建立并集信度规则系统，其中的第l条并集规则记为Rl，其表示形式如下：
Figure GDA0002536658960000061
Figure GDA0002536658960000062
式(1)中，“∨”表示规则是处于并集假设下，
Figure GDA0002536658960000063
分别为并集信度规则系统的输入变量fa(t)、fb(t)、fc(t)、fd(t)参考值，且有
Figure GDA0002536658960000064
其中j＝1,…,J，Qj为
Figure GDA0002536658960000065
的取值空间，其中的元素满足
Figure GDA0002536658960000066
Figure GDA0002536658960000067
p表示对应第j个输入变量参考值的取值个数，p＝1,2,…,P；分别在Q1,Q2,…,QJ中抽取元素作为输入变量fa(t)、fb(t)、fc(t)、fd(t)的参考值，由此组合成共计L条并集规则，
Figure GDA0002536658960000071
Rl的规则权重为θl∈[0,1]，设定初始规则权重θl＝1，Rl后项属性分别为G1,G2,...,GN,N≥2；式(1)中λ1,l,λ2,l,…,λN,l分别为G1,G2,...,GN的信度值，并满足0≤λn,l≤1，
Figure GDA0002536658960000072
为便于理解，举例说明，假设中
Figure GDA0002536658960000073
各参考值的取值为A1,1＝12.5，A1,2＝36.95，
Figure GDA0002536658960000074
中各参考值的取值为A2,1＝2.90，A2,2＝13.35，
Figure GDA0002536658960000075
各参考值的取值为A3,1＝1.95，A3,2＝9.63，
Figure GDA0002536658960000076
各参考值的取值为A4,1＝1.60，A4,2＝8.07，设初始θl＝1，其中并集规则如下：
R1:若f1＝12.5∨f2＝2.90∨f3＝1.95∨f4＝1.60，则[(G1,1),(G2,0),(G3,0),(G4,0),(G5,0),]；
R2:若f1＝36.95∨f2＝13.35∨f3＝9.63∨f4＝8.07，则[(G1,0),(G2,1),(G3,0),(G4,0),(G5,0),]。
步骤(3)根据具体故障模式(即具体异常磨损部件)与输入变量(润滑油中各元素含量)的相关性高低确定对应输入变量属性权重，输入变量fa(t)、fb(t)、fc(t)、fd(t)对应的属性权重分别为δj∈[0,1],j＝1,...,J；其中与具体故障模式相关性高的输入变量属性权重设定为较大的值，与具体故障模式相关性低的输入变量属性权重设定为较小的值，即输入变量fa(t)、fb(t)、fc(t)、fd(t)对应于具体故障模式的权重为：
Figure GDA0002536658960000077
步骤(4)给定润滑油中各元素含量fa(t)、fb(t)、fc(t)、fd(t)作为输入变量，通过并集信度规则系统获取它们对应的故障模式Gn信度值，具体步骤如下：
步骤(4-1)设定fj的取值分别为fj(t),j＝1,2,...,J，并有
Figure GDA0002536658960000078
将它们带入并集信度规则系统模型，计算它们激活规则的权重：
Figure GDA0002536658960000079
其中ωl∈[0,1]，
Figure GDA00025366589600000710
为相对属性权重，
Figure GDA00025366589600000711
Gn＝G1,G2,…,GN；式(3)中
Figure GDA0002536658960000081
表示为第l条并集规则中第j个输入变量相对于参考值
Figure GDA0002536658960000082
的归一化之后的差异度，差异度的求解如下：
(a)当fj(t)≤Aj,1和fj(t)≥Aj,P时，fj(t)对于Aj,1和Aj,P的差异度
Figure GDA0002536658960000083
取值均为1，对于其他参考值的差异度均为0；
(b)当Aj,p<fj(t)≤Aj,p+1时，fj(t)对于Aj,p和Aj,p+1的差异度
Figure GDA0002536658960000084
和
Figure GDA0002536658960000085
取值分别由式(4)和式(5)给出
Figure GDA0002536658960000086
Figure GDA0002536658960000087
此时，其他参考值的差异度均为0；
(c)差异度归一化：
Figure GDA0002536658960000088
步骤(4-2)对激活规则进行集合：
Figure GDA0002536658960000089
Figure GDA00025366589600000810
其中
Figure GDA00025366589600000811
表示相对于结果Gn的信度值，此步骤中共计获得N组信度值，即
Figure GDA00025366589600000812
为便于理解，举例说明，假设模型输入f1(1)＝12.5和f2(1)＝2.90，带入公式(3)-(8)，可得激活规则R1,计算可得到激活权重为：w1＝1；将结果带入式(7)(8)可以获得
Figure GDA00025366589600000813
Figure GDA00025366589600000814
步骤(5)对不同权重属性组计算结果Gn的信度值进行权衡分析，具体步骤如下：
步骤(5-1)利用不同组的属性权重对不同故障进行诊断之后，得到不同故障的诊断结果
Figure GDA0002536658960000091
Gn＝G1,G2,…,GN；对于第Gn个故障模式，若
Figure GDA0002536658960000092
诊断结果将是第
Figure GDA0002536658960000093
个故障模式；对多个故障模式的诊断结果列表进行排序，由不同故障模式组成的初始列表为
Figure GDA0002536658960000094
对应每种故障模式的信度值列表为
Figure GDA0002536658960000095
对其按照信度值降序排序，排序后的故障模式列表为
Figure GDA0002536658960000096
对应的信度值列表为
Figure GDA0002536658960000097
其中
Figure GDA0002536658960000098
步骤(5-2)预设阈值vf∈(0,1),f＝1,2,...,F用来区分多种故障模式，若相邻故障模式的差值大于预设阈值，则诊断为单故障模式，即
Figure GDA0002536658960000099
那么诊断结果为单故障模式
Figure GDA00025366589600000910
若相邻的故障模式信度值的差值小于或等于预设阈值，则诊断为并发故障模式，即
Figure GDA00025366589600000911
那么诊断结果为故障模式
Figure GDA00025366589600000912
和
Figure GDA00025366589600000913
为并发故障，且故障模式
Figure GDA00025366589600000914
为主要故障模式，故障模式
Figure GDA00025366589600000915
为次要故障模式，依次向下比较相邻故障模式信度值的差值与预设阈值的大小并做出诊断，直到差值大于预设阈值为止；以此类推，可以诊断出船用柴油机异常磨损部件。
以下结合附图，详细介绍本发明方法的实施例：
本发明方法的流程图如图1所示，核心部分是：利用润滑油中各种元素的含量与异常磨损部件之间非线性关系的建立并集信度规则系统，利用属性权重带表征故障特征与故障模式之间的相关性，利用证据推理得到具体故障模式诊断的信度值，利用权衡分析来得到最终的故障诊断结果。
以下结合8NVD48A型船用柴油机采集的数据为例，详细介绍本发明方法的各个步骤：
1.基于并集信度规则推理船用柴油机异常磨损部件诊断方法，该方法包括以下步骤：
步骤(1)输入为采集某船用柴油机的磨损部件和主机工作介质润滑油中包括铁元素(Fe)含量fa(t)≥0，单位mg/L；铝元素(Al)含量fb(t)≥0，单位mg/L；铅元素(Pb)含量fc(t)≥0，单位mg/L；硅元素(Si)含量fd(t)≥0，单位mg/L；数据每小时采集一次，共采集T小时，1≤T<∞，则采样时刻t＝1,2,...,T；输出为磨损部件故障情况Y即正常状态G1，单故障模式1主轴承异常磨损G2，单故障模式2活塞环异常磨损G3，单故障模式3活塞异常磨损G4，单故障模式4缸套异常磨损G5，以及并发故障模式的组合包括：两种故障模式并发[(G2 G3),(G2 G4),(G2 G5),(G3 G4),(G3 G5),(G4 G5),(G3G2),(G4 G2),(G5 G2),(G4 G3),(G5 G3),(G5G4)]；以此类推三种故障模式并发以及更多种故障模式并发，共计为64种故障模式；另由于并发故障模式[(G2 G3)]表示故障模式G2为主要故障，故障模式G3为次要故障，所以与并发故障模式[(G3 G2)]不相同；表1给出该柴油机主要磨损部件以及材料和相关元素：
表1 8NVD48A型柴油机主要磨损部件、材料及元素
Figure GDA0002536658960000101
步骤(2)建立并集信度规则系统的规则，采用船用柴油机的磨损部件和主机工作介质润滑油中包括铁元素(Fe)，铝元素(Al)，铅元素(Pb)，硅元素(Si)含量与异常磨损部件Y的非线性关系，建立并集信度规则系统。
选取输入输出变量的参考值,参考值如表1-表2所示：
表1 fa-fd参考值
Figure GDA0002536658960000102
表2 Y的语义值和参考值
Figure GDA0002536658960000103
步骤(3)建立具有属性权重的并集信度规则系统如表3和表4所示，其中后项输出的信度值根据历史数据按照要求给定：
表3 交集信度规则系统属性权重
Figure GDA0002536658960000104
表4 并集信度规则
Figure GDA0002536658960000111
步骤(4)给定润滑油中各种元素的含量后，通过并集信度规则系统得到它们对应的异常磨损部件诊断结果信度值。
步骤(5)用不同组的属性权重对不同故障进行诊断之后，得到不同故障的诊断结果
Figure GDA0002536658960000112
Gn＝G1,G2,…,GN；对于第Gn个故障模式，若
Figure GDA0002536658960000113
诊断结果将是第
Figure GDA0002536658960000114
个故障模式；对多个故障模式的诊断结果列表进行排序，由不同故障模式组成的初始列表为
Figure GDA0002536658960000115
对应每种故障模式的信度值列表为
Figure GDA0002536658960000116
对其按照信度值降序排序，排序后的故障模式列表为
Figure GDA0002536658960000117
对应的信度值列表为
Figure GDA0002536658960000118
其中
Figure GDA0002536658960000119
预设阈值vf∈(0,1),f＝1,2,...,F用来区分多种故障模式，若相邻故障模式的差值大于预设阈值，则诊断为单故障模式，即
Figure GDA00025366589600001110
那么诊断结果为单故障模式
Figure GDA00025366589600001111
若相邻的故障模式信度值的差值小于或等于预设阈值，则诊断为并发故障模式，即
Figure GDA00025366589600001112
那么诊断结果为故障模式
Figure GDA00025366589600001113
和
Figure GDA00025366589600001114
为并发故障，且故障模式
Figure GDA00025366589600001115
为主要故障模式，故障模式
Figure GDA00025366589600001116
为次要故障模式，依次向下比较相邻故障模式信度值的差值与预设阈值的大小并做出诊断，直到差值大于预设阈值为止；以此类推，可以诊断出船用柴油机异常磨损部件，见图2。

Claims (1)

1.基于并集信度规则推理的船用柴油机异常磨损诊断方法，该方法包括以下步骤：
步骤(1)采集某船用柴油机的磨损部件、主机工作介质润滑油中铁元素含量fa(t)、铝元素含量fb(t)、铅元素含量fc(t)和硅元素含量fd(t)，作为输入；数据每小时采集一次，共采集T小时，1≤T<∞，则采样时刻t＝1,2,...,T；
输出为磨损部件故障情况Y，即正常状态G1，单故障模式1主轴承异常磨损G2，单故障模式2活塞环异常磨损G3，单故障模式3活塞异常磨损G4，单故障模式4缸套异常磨损G5，以及并发故障模式的组合包括：两种故障模式并发[(G2 G3),(G2 G4),(G2 G5),(G3 G4),(G3 G5),(G4G5),(G3 G2),(G4 G2),(G5 G2),(G4 G3),(G5 G3),(G5 G4)]；以此类推三种故障模式并发以及更多种故障模式并发，共计为64种故障模式；
步骤(2)建立并集信度规则系统，采用润滑油中铁元素含量fa(t)，铝元素含量fb(t)，铅元素含量fc(t)，硅元素含量fd(t)与船用柴油机磨损部件主轴承、活塞环，活塞，缸套的非线性关系，建立并集信度规则系统，其中的第l条并集规则记为Rl，其表示形式如下：
Figure FDA0002536658950000011
Figure FDA0002536658950000012
式(1)中，“∨”表示规则是处于并集假设下，
Figure FDA0002536658950000013
分别为并集信度规则系统的输入变量fa(t)、fb(t)、fc(t)、fd(t)参考值，且有
Figure FDA0002536658950000014
其中j＝1,…,J，Qj为
Figure FDA0002536658950000015
的取值空间，其中的元素满足
Figure FDA0002536658950000016
Figure FDA0002536658950000017
p表示对应第j个输入变量参考值的取值个数，p＝1,2,…,P；分别在Q1,Q2,…,QJ中抽取元素作为输入变量fa(t)、fb(t)、fc(t)、fd(t)的参考值，由此组合成共计L条并集规则，
Figure FDA0002536658950000018
Rl的规则权重为θl∈[0,1]，设定初始规则权重θl＝1，Rl后项属性分别为G1,G2,...,GN,N≥2；式(1)中λ1,l,λ2,l,...,λN,l分别为G1,G2,...,GN的信度值，并满足0≤λn,l≤1，
Figure FDA0002536658950000019
步骤(3)根据具体异常磨损部件与润滑油中各元素含量的相关性高低确定对应输入变量属性权重，输入变量fa(t)、fb(t)、fc(t)、fd(t)对应的属性权重分别为δj∈[0,1],j＝1,...,J；输入变量fa(t)、fb(t)、fc(t)、fd(t)对应于具体故障模式的权重为：
Figure FDA0002536658950000021
步骤(4)给定润滑油中各元素含量fa(t)、fb(t)、fc(t)、fd(t)作为输入变量，通过并集信度规则系统获取它们对应的故障模式Gn信度值，具体步骤如下：
步骤(4-1)设定fj的取值分别为fj(t),j＝1,2,...,J，并有
Figure FDA0002536658950000022
将它们带入并集信度规则系统模型，计算它们激活规则的权重：
Figure FDA0002536658950000023
其中ωl∈[0,1]，
Figure FDA0002536658950000024
为相对属性权重，
Figure FDA0002536658950000025
中
Figure FDA0002536658950000026
表示为第l条并集规则中第j个输入变量相对于参考值
Figure FDA0002536658950000027
的归一化之后的差异度，差异度的求解如下：
(a)当fj(t)≤Aj,1和fj(t)≥Aj,P时，fj(t)对于Aj,1和Aj,P的差异度
Figure FDA0002536658950000028
取值均为1，对于其它参考值的差异度均为0；
(b)当Aj,p<fj(t)≤Aj,p+1时，fj(t)对于Aj,p和Aj,p+1的差异度
Figure FDA0002536658950000029
和
Figure FDA00025366589500000210
取值分别由式(4)和式(5)给出
Figure FDA00025366589500000211
Figure FDA00025366589500000212
此时，其它参考值的差异度均为0；
(c)差异度归一化:
Figure FDA00025366589500000213
步骤(4-2)对激活规则进行集合：
Figure FDA0002536658950000031
Figure FDA0002536658950000032
其中
Figure FDA0002536658950000033
表示相对于结果Gn的信度值，此步骤中共计获得N组信度值，即
Figure FDA0002536658950000034
步骤(5)对不同权重属性组计算结果Gn的信度值进行权衡分析，具体步骤如下：
步骤(5-1)利用不同组的属性权重对不同故障进行诊断之后，得到不同故障的诊断结果
Figure FDA0002536658950000035
对于第Gn个故障模式，若
Figure FDA0002536658950000036
诊断结果将是第
Figure FDA0002536658950000037
个故障模式；对多个故障诊断模式的诊断结果列表进行排序，由不同故障模式组成的初始列表为
Figure FDA0002536658950000038
对应每种故障模式的信度值列表为
Figure FDA0002536658950000039
对其按照信度值降序排序，排序后的故障模式列表为
Figure FDA00025366589500000310
对应的信度值列表为
Figure FDA00025366589500000311
其中
Figure FDA00025366589500000312
步骤(5-2)预设阈值vf∈(0,1),f＝1,2,...,F用来区分多种故障模式，若相邻故障模式的差值大于预设阈值，则诊断为单故障模式，即
Figure FDA00025366589500000313
那么诊断结果为单故障模式
Figure FDA00025366589500000314
若相邻的故障模式信度值的差值小于或等于预设阈值，则诊断为并发故障模式，即
Figure FDA00025366589500000315
那么诊断结果为故障模式
Figure FDA00025366589500000316
和
Figure FDA00025366589500000317
为并发故障，且故障模式
Figure FDA00025366589500000318
为主要故障模式，故障模式
Figure FDA00025366589500000319
为次要故障模式，依次向下比较相邻故障模式信度值的差值与预设阈值的大小并做出诊断，直到差值大于预设阈值为止；以此类推，诊断出船用柴油机异常磨损部件。
CN201910211395.2A 2019-03-20 2019-03-20 基于并集信度规则推理的船用柴油机异常磨损诊断方法 Active CN109932184B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910211395.2A CN109932184B (zh) 2019-03-20 2019-03-20 基于并集信度规则推理的船用柴油机异常磨损诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910211395.2A CN109932184B (zh) 2019-03-20 2019-03-20 基于并集信度规则推理的船用柴油机异常磨损诊断方法

Publications (2)

Publication Number Publication Date
CN109932184A CN109932184A (zh) 2019-06-25
CN109932184B true CN109932184B (zh) 2020-08-04

Family

ID=66987801

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910211395.2A Active CN109932184B (zh) 2019-03-20 2019-03-20 基于并集信度规则推理的船用柴油机异常磨损诊断方法

Country Status (1)

Country Link
CN (1) CN109932184B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110850206A (zh) * 2019-11-13 2020-02-28 武汉理工大学 基于置信规则推理的逆变器电容老化故障诊断方法
CN111444597B (zh) * 2020-03-17 2023-05-26 杭州电子科技大学 基于随机性修正信度规则系统的螺旋桨卷气效应识别方法
CN112036079B (zh) * 2020-08-18 2021-12-07 哈尔滨工程大学 一种基于anfis的柴油机多信息融合诊断方法
CN112784480B (zh) * 2021-01-13 2023-08-08 西安交通大学 一种油液状态自学习量化表征方法、存储介质及设备
CN113379223A (zh) * 2021-06-04 2021-09-10 江苏科技大学 基于故障关联模型的船舶主机随船备件多层级配置方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4642782A (en) * 1984-07-31 1987-02-10 Westinghouse Electric Corp. Rule based diagnostic system with dynamic alteration capability
JP2003173259A (ja) * 2001-12-04 2003-06-20 Seiko Epson Corp ルール生成支援装置、ルール生成支援装置の制御方法、制御プログラムおよび記録媒体
JP4873985B2 (ja) * 2006-04-24 2012-02-08 三菱電機株式会社 設備機器用故障診断装置
CN102818754B (zh) * 2012-09-06 2014-08-27 爱德森（厦门）电子有限公司 一种提高发动机油液金属磨粒在线监测精度的方法及装置
CN105181338A (zh) * 2015-09-08 2015-12-23 广西大学 基于振动和油液信息的发动机状态监测和故障诊断方法
CN106940281A (zh) * 2016-12-09 2017-07-11 中国航空工业集团公司上海航空测控技术研究所 一种基于信息融合技术智能模型的航空油液分析方法
CN107368854B (zh) * 2017-07-20 2020-06-09 华北电力大学（保定） 一种基于改进证据理论的断路器故障诊断方法
CN108982096B (zh) * 2018-06-01 2020-04-24 杭州电子科技大学 基于启发式规则系统的工业机器人曲柄轴磨损检测方法
CN109324598A (zh) * 2018-09-27 2019-02-12 广东石油化工学院 一种强扰动状态下反馈控制下复合故障的诊断方法及装置

Also Published As

Publication number Publication date
CN109932184A (zh) 2019-06-25

Similar Documents

Publication Publication Date Title
CN109932184B (zh) 基于并集信度规则推理的船用柴油机异常磨损诊断方法
CN102175282B (zh) 一种基于信息融合的离心式空气压缩机故障诊断方法
EP0637739B1 (en) Testing an internal combustion engine
Tay et al. Fault diagnosis based on rough set theory
CN104712542B (zh) 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法
Chen et al. Grey target theory based equipment condition monitoring and wear mode recognition
Yan et al. Intelligent wear mode identification system for marine diesel engines based on multi-level belief rule base methodology
CN109740254B (zh) 一种基于信息融合的船舶柴油机磨粒类型辨识方法
CN106482938A (zh) 基于ga‑bp网络的液压制动系统多源融合故障预示方法
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
Tian et al. Deep learning-based open set multi-source domain adaptation with complementary transferability metric for mechanical fault diagnosis
CN108961468A (zh) 一种基于集成学习的船舶动力系统故障诊断方法
CN112231971B (zh) 基于相对整体趋势扩散故障样本生成的高炉故障诊断方法
CN114358124A (zh) 基于深度对抗卷积神经网络的旋转机械新故障诊断方法
Jiao et al. A mixed adversarial adaptation network for intelligent fault diagnosis
CN103455658A (zh) 一种基于加权灰靶理论的容错电机健康状态测定方法
Grzymala-Busse A comparison of three strategies to rule induction from data with numerical attributes
CN110826587B (zh) 基于改进的加权一类支持向量机的涡轴发动机故障检测方法
WO2024045555A1 (zh) 一种基于标准自学习数据增强的故障诊断方法及系统
Yacout Logical analysis of maintenance and performance data of physical assets, ID34
CN115375077A (zh) 基于毕达哥拉斯模糊赋权法的海底管道失效风险评价方法
Virk et al. Fault prediction using artificial neural network and fuzzy logic
Stamatis Engine condition monitoring and diagnostics
CN113310689A (zh) 基于域自适应图卷积网络的航发传动系统故障诊断方法
Khayyat ANN based Intelligent Mechanical Engineering Design: A Review

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
CB03 Change of inventor or designer information

Inventor after: Lei Jie

Inventor after: Xu Xiaojian

Inventor after: Chang Leilei

Inventor after: Xu Xiaobin

Inventor after: Huang Darong

Inventor after: Han Deqiang

Inventor after: Hou Pingzhi

Inventor before: Chang Leilei

Inventor before: Lei Jie

Inventor before: Xu Xiaobin

Inventor before: Xu Xiaojian

Inventor before: Huang Darong

Inventor before: Han Deqiang

Inventor before: Hou Pingzhi

CB03 Change of inventor or designer information