CN109997025A - 引擎健康诊断装置和方法 - Google Patents
引擎健康诊断装置和方法 Download PDFInfo
- Publication number
- CN109997025A CN109997025A CN201780072359.1A CN201780072359A CN109997025A CN 109997025 A CN109997025 A CN 109997025A CN 201780072359 A CN201780072359 A CN 201780072359A CN 109997025 A CN109997025 A CN 109997025A
- Authority
- CN
- China
- Prior art keywords
- engine
- health
- feature vector
- vibrating sensor
- feature
- 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.)
- Pending
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
- G01M15/04—Testing internal-combustion engines
- G01M15/12—Testing internal-combustion engines by monitoring vibrations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing Of Engines (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
提供了一种用于分析往复式内燃机(4)的健康的引擎健康诊断装置(8)。该装置(8)包括:特征生成电路(90),其用于处理从振动传感器(60)接收的振动传感器数据(91)并生成指示传感器数据的多个特征的特征向量(80),所述振动传感器(60)用于检测所述往复式内燃机(4)的部件处的振动。处理电路(94)使用训练的分类模型对特征向量进行处理,该训练后的分类模型由模型参数定义,该模型参数表征从在引擎(4)的健康操作期间捕获的特征向量的训练集学习的健康操作的决定边界(150)。该模型生成引擎健康指示,该引擎健康指示提供特征向量与健康操作的决定边界(150)的偏差的定量指示。
Description
技术领域
本技术涉及往复式内燃机的领域。更具体地,本技术涉及用于分析往复式内燃机的健康的引擎健康诊断装置和方法。
背景技术
往复式内燃机通常用作海运船舶的主要推进系统。对于船舶所有者和操作员而言,推进系统在海上的故障的代价很高。需要进行侵入式维修(例如更换活塞)的部件的故障,可能需要花费数十万美元,而诸如由“Camival Splendor”上的曲轴箱分裂引起的引擎火灾等惊人的故障,在维修费用、损失和赔偿方面估计花费65,000,000美元。此外,诸如磨损的活塞环等常见故障的早发性,可能导致诸如漏气等的现象,其中空气/燃料混合物可能通过活塞的边缘泄漏并进入曲轴箱,从而降低燃烧效率并导致燃料消耗和排放增加。因此,在缺陷成为灾难性之前对其进行早期检测和校正,对海运终端用户来说具有双重好处,不仅可以防止灾难性故障,还可以在故障尚未鉴定期间节省燃料并提高效率。对于往复式内燃机的其他应用(例如发电)存在类似问题,因此问题不仅限于海事部门。
发明内容
至少一些示例提供了一种用于分析往复式内燃机的健康的引擎健康诊断装置,该装置包括:
特征生成电路,其处理从振动传感器接收的振动传感器数据,并生成指示振动传感器数据的多个特征的特征向量,所述振动传感器用于感测所述往复式内燃机的部件处的振动;以及
处理电路,其使用训练后的分类模型处理由特征生成电路生成的特征向量并生成引擎健康指示,所述训练后的分类模型由模型参数定义,所述模型参数表征从特征向量的训练集学习的健康操作的边界,所述特征向量的训练集对应于在往复式内燃机的健康操作期间捕获的振动传感器数据,并且所述引擎健康指示提供特征向量从健康操作的边界的偏差的定量指示。
至少一些示例提供了一种系统,该系统包括:
往复式内燃机;
振动传感器,其被构造为感测所述往复式内燃机的对应部件处的振动;以及
上述引擎健康诊断装置。
至少一些示例提供了一种用于分析往复式内燃机的健康的引擎健康诊断方法,该方法包括:
使用振动传感器捕获振动传感器数据,所述振动传感器适于感测所述往复式内燃机的部件处的振动;
处理振动传感器数据以生成指示振动传感器数据的多个特征的特征向量;以及
使用训练后的分类模型处理特征向量并生成引擎健康指示,所述训练后的分类模型由模型参数定义,所述模型参数表征从特征向量的训练集学习的健康操作的边界,所述特征向量的训练集对应于在往复式内燃机的健康操作期间捕获的振动传感器数据,并且所述引擎健康指示提供特征向量从健康操作的边界的偏差的定量指示。
至少一些示例提供了一种引擎健康诊断系统安装方法,该方法包括:
将振动传感器安装到往复式内燃机的部件,以感测所述往复式内燃机的所述部件处的振动;
在所述往复式内燃机的健康操作的时段期间,使用振动传感器捕获振动传感器数据;
处理振动传感器数据以生成特征向量的训练集,各特征向量指示在健康操作的时段期间的给定时间捕获的振动传感器数据的多个特征;
训练分类模型以生成模型参数,所述模型参数表征从特征向量的训练集学习的健康操作的边界;以及
记录定义分类模型的模型参数。
至少一些示例提供了一种计算机程序,该计算机程序包括:用于控制数据处理装置进行上述任一方法的指令。计算机程序可以存储在存储介质上。存储介质可以是非暂时性存储介质。
附图说明
通过以下要结合附图来理解的对示例的描述,本技术的其他方面、特征和优点将变得清楚,其中:
图1示意性地例示了用于引擎健康监视的系统的概要;
图2更加详细地示意性地例示了系统架构;
图3例示了使用在往复式内燃机的各汽缸处设置的振动传感器来为各汽缸提供健康指示的示例;
图4例示了用于基于振动传感器数据生成特征向量的特征生成电路和用于使用训练后的分类模型来处理特征向量的处理电路的示例;
图5是用于说明用于基于在引擎操作的健康时段期间捕获的特征向量来训练分裂模型的训练阶段的概念图示;
图6是例示当使用训练后的模型来生成健康指示时的操作阶段的概念图示,该健康指示对特征向量从在训练阶段学习的健康操作的边界的偏差进行量化;
图7是示出训练分类模型的方法的流程图;
图8是示出当使用训练后的模型来生成健康分数指示时的操作阶段的流程图;
图9例示了热图,该热图示出了故障能够如何改变振动数据的不同频带中的能量分布;
图10示出了引擎健康指示随时间的漂移;
图11例示了当发生大量不同类型的故障时健康分数如何改变;并且
图12示出了即使当针对大量不同加载条件的数据被组合在单个模型中时,如何能够基于健康分数来检测故障。
具体实施方式
本技术提供了一种引擎健康诊断装置,该引擎健康诊断装置基于从用于感测引擎的部件处的振动的振动传感器接收的振动传感器数据,来分析往复式内燃机的健康。特征生成电路处理振动传感器数据并生成指示振动传感器数据的多个特征的特征向量。处理电路使用训练后的分类模型处理特征向量以生成引擎健康指示。训练后的分类模型由模型参数定义,该模型参数表征从特征向量的训练集学习的健康操作的边界,该训练集对应于在引擎的健康操作期间捕获的振动传感器数据,并且引擎健康指示提供特征向量从在训练阶段学习的健康操作的边界的偏差的定量指示。
该方法有几个技术优势。与试图表征引擎的特定故障模式并将在操作期间从引擎感测的数据与那些故障模式的预先学习的特性匹配的替代方法不同,本技术使用与在引擎的健康操作期间捕获的振动传感器数据相对应的特征向量来训练模型,然后生成引擎健康指示,引擎健康指示对新捕获的特征向量从那些特征向量的训练集学习的健康操作的边界的偏差进行量化。因此,该模型不试图表征任何特定的故障模式。虽然在不知道任何特定类型的故障的情况下检测引擎故障似乎违反直觉,但使用健康数据进行训练的方法确实提供了几个优点。
首先,该方法使得能够将诊断装置改装到一系列不同型号的引擎或者以相同引擎型号的不同安装方式来改装,其可以各自针对名义上相同的故障模式表现出不同特性振动样式。针对设备所适用的每种类型的引擎学习故障特性的定制样式可能具有挑战性,因为在实践中引擎不会经常发生故障,甚至在名义上相同型号的引擎的多个实例中,检测到的振动可能仍然不同,并且因此由于安装方式等的不同,根据给定型号的一个引擎上的故障进行学习可能不一定会检测到相同型号的另一个引擎中的相同故障。虽然可用于训练模型的故障引擎上可用的数据通常相对较少,但通常会有与健康操作相对应的大量可用的训练数据,因为在尚未识别出特定故障的情况下,可以通过在正常操作期间简单地监视引擎来训练模型。因此,在实践中,基于与健康行为的偏差(而不是通过故障样式的分类)来检测故障的方法,使得系统能够更广泛地适用于一系列不同型号或安装方式的引擎。
此外,通过量化特征向量与先前学习的健康操作边界的偏差,这不仅提供了引擎是健康还是有故障的二值指示,而且还使得即使在没有明显的特定故障的情况下也能够评估引擎中的健康程度。例如,处于接近完美健康状态的引擎可能与如下引擎具有不同的分数,该引擎通常是健康的但已经劣化,并且如果没有采取做任何措施将来会变得有故障,或者例如由于漏气现象而导致运行效率低下。通过量化引擎的健康程度,而不是简单地检测故障,这使得能够更早地检测到潜在的问题,从而可以及时安排适当的维修或维护操作以防止在以后可能更具灾难性的故障。定量引擎健康指示也可用于评估引擎是否仍然足够健康以避免执行不必要的预防性维修操作,纯粹作为在实际引擎足够健康以至于不可能发生故障时降低故障可能性的措施。例如,特定的船舶操作者当前可以安排例行维护以在船舶在港口时更换某个部件,这仅仅是因为平均而言该部件在劣化之前趋于持续一定的时间长度,但实际上对于特定的引擎而言,该部件可能没有预期的磨损并且可能持续更长时间。本技术的诊断装置可以提供引擎健康的定量指示,这可以指示实际上引擎没有明显偏离先前观察到的健康操作,因此可以取消预防性维修,从而节省成本。
该技术还使得能够比现场的熟练工程师更早地识别引擎的潜在故障。一些熟练的工程师可能仅仅通过聆听引擎的振动来识别一些故障,但是以这种方式查明故障的能力可能需要多年的经验。因此,雇用这样熟练的工程师可能是昂贵的,并且许多运输船或发电机设备可能在现场没有这样熟练的工程师。由本技术提供的引擎健康的定量指示可以被发送回远程站点或者传送给引擎现场的不太熟练的操作员,以便标记可能出现的问题。在任何情况下,即使有熟练的工程师存在,某些类型的故障对于工程师来说可能并不明显,直到这些故障发展成足够严重的故障,使得振动变化对耳朵是明显的。相反,引擎健康诊断装置可以通过检测捕获的特征向量与先前学习的健康操作的边界的偏差来更早地检测潜在的故障。
由特征生成电路生成的特征向量可以包括所监视的振动传感器数据的大量不同特征。例如,特征可以包括振动传感器数据的至少一个时域特征。例如,时域特征可以是针对在给定时间段内捕获的振动传感器读数评估的以下统计参数中的至少一个:平均值;方差或标准偏差;均方根;峰态;偏态和波峰因素。应当理解,也可以从时域传感器数据导出其他统计数据。在特征向量中包括时域特征可以通过使得由于外部因素导致的行为的临时变化与引擎的更长期问题区分开来,有助于降低模型的误报故障检测率。
特征向量还可以包括振动传感器数据的至少一个频域特征。例如,可以将某个频率变换应用于在给定时间段内捕获的振动传感器数据,以便计算频域特征。可以使用各种不同的频率变换,包括例如傅里叶变换。然而,将小波包变换(WPT)应用于振动传感器数据以生成频域特征可能特别有用。WPT可用于将时域系列的振动传感器数据分解成单独的频带,每个频率分量由有限持续时间的小波表示,而不是如傅里叶变换中的连续正弦或余弦波。虽然与傅里叶变换相比,WPT相对计算密集,但它具有以下优点:尽管由于小波的复杂性导致引擎速度变化,但它可以检测关注特征,这使得WPT比对恒定速度样本更有用的傅里叶变换更加适合。引擎速度的变化可能发生在诸如航运的一些应用中,其中对从推进引擎输出的动力的需求将随时间改变。因此,使用WPT有助于使模型对引擎负载的变化更加稳健。
可以从频域数据导出各种特征。例如,可以以与上面讨论的时域数据类似的方式导出诸如平均值、标准偏差等的统计参数。然而,在一个示例中,频域特征可以包括频带能量特征,每个频带能量特征指示振动敏感数据的对应频带中的能量。引擎故障可导致频带具有最高振动能量的变化,因此包括特征向量中的频带能量特征增大了分类模型识别偏离健康行为的能力。
而且,特征向量可以包括至少一个峰值振动定时特征,其指示振动传感器数据中的峰值相对于引擎的操作周期的定时。例如,可以提供曲轴角度传感器用于感测引擎的曲轴的角位置,并且来自曲轴角度传感器的数据可以用于识别峰值振动定时特征。考虑振动中的峰值相对于引擎的操作周期的定时,可以帮助识别难以仅从时域和频域数据中检测到的故障类型。例如,这可用于识别诸如松动的引擎支架或磨损的活塞环之类的故障。一些故障可能不是由过量的振动引起的,而是由例如引擎点火的气缸的延迟定时引起的,因此考虑峰值振动定时特征可以帮助识别那种故障。
总之,特征向量可以提供检测到的振动传感器数据的一系列不同特征,其可以用作分类模型的输入。特别地,特征向量可以组合来自上面讨论的两类或更多类的特征(时域特征、频域特征和峰值振动定时特征),这提供了比仅提供这些类特征中的一个更好的模型性能。
在一些示例中,生成的特征向量可以简单地以其原始形式输入到分类模型,然后分类模型可以对其进行处理以确定计算的健康指示。然而,在其他示例中,可以提供缩放电路以基于从特征向量的训练集导出的相应缩放参数集来缩放特征向量的每个特征,以便将特征向量的每个特征映射到共同的基准比例上。例如,缩放可以将每个特征标准化为位于固定边界内,例如在0和1之间。处理电路然后可以使用训练后的分类模型处理缩放的特征向量。例如,在训练阶段期间,可以确定特征向量的特定特征所遇到的数值的最小值/最大值、或标准偏差和平均值,并且这些值可以用于生成缩放参数,使得具有不同基准比例的原始值的不同特征可以映射到共同的比例。因此,缩放意味着具有相对较低数值的特征不会被具有较大数值的特征所淹没,使得与直接处理原始特征向量相比,每个特征可以对分类模型的结果做出更均等的贡献。
将特征向量的每个特征缩放到共同的基准比例上也可以帮助识别哪些特定特征导致不利的健康分数。当使用先前训练的模型处理新捕获的特征向量时,仍然可以应用从特征向量的训练集导出的相同缩放参数(即,缩放参数在操作阶段不改变,但在训练阶段结束时固定)。如果引擎行为发生变化,使得特定参数现在超出了训练期间观察到的值范围,那么当映射到在特征向量的每个特征上使用的公共比例时,它将具有特别高的值或特别低的值。例如。以0到1之间的固定比例为例,在操作阶段期间可以观察到小于0或大于1的值,这表明该值位于训练中观察到的范围之外。因此,通过在缩放的特征向量的特征中识别具有在共同比例上具有最大或最小缩放特征值的一个或多个所选特征,这可以提供哪些特定特征最可能导致引擎问题的指示。这些特征的指示可以与健康指示本身一起输出,以提供可用于识别可能的故障原因的附加诊断信息。
通常,用于生成健康指示的分类模型可以是任何机器学习或基于人工智能的模型,例如,可以使用神经网络。然而,通常,训练后的分类模型可以包括单类(single-class)分类模型。单类模型是学习单组训练样本的属性的模型。当输入后续样本时,模型判断它是来自与训练集相同的类还是不同。这与多类分类模型形成对比,多类分类模型配设有两个或更多不同类的训练样本,并试图学习每个类之间的差异。单类分类模型非常适合于引擎健康监视,因为与故障引擎相关的训练数据量有限。
虽然可以使用一系列不同的单类分类模型,但是特别有用的模型类型可以是单类支持向量机(SVM)。SVM可以由许多支持向量来表征,这些支持向量定义了模型的决策边界。当向SVM提供新输入时,可以将其与支持向量定义的边界的位置进行比较,以识别偏离由边界表征的健康行为的定量指示。健康分数的正值和负值可以指示位于边界内外的特征向量,因此给出了关于引擎是健康的还是有故障的清楚指示、以及关于引擎的健康程度或故障程度的清楚指示。
通常,在使用中,引擎健康诊断过程可以包括两个阶段:当特征向量的训练集被识别并用于训练分类模型时的训练阶段、以及操作阶段,在操作阶段中,同一引擎的振动感测继续并且相应的振动传感器数据用于生成相应的特征向量,使用训练后的模型对这些特征向量进行测试以识别健康指示。
在一些实施方式中,引擎健康诊断装置可以实施操作阶段,但不实施训练阶段。相反,可以使用执行训练阶段的不同设备预先确定定义训练后的分类模型的模型参数。因此,引擎健康诊断装置本身不需要具有用于训练分类模型的电路。例如,可以使用在通用计算机上运行的软件来训练模型,该通用计算机处理在训练阶段捕获的振动传感器数据,并生成模型参数,然后将模型参数嵌入引擎健康诊断装置中以在操作阶段期间使用。
然而,更灵活的系统也可以在引擎健康诊断健康装置上提供机载电路,以执行训练阶段。因此,该装置可以具有:模型存储电路,用于存储定义训练模型的模型参数;以及训练电路,用于基于最新的特征向量训练集更新模型参数。在这种情况下,当首次在特定引擎上安装装置时,可以执行训练阶段以基于特征向量的初始训练集训练模型,然后一旦模型已经训练,该装置便可以切换到操作模式,其中,存储在模型存储电路中的模型参数不再更新,并且用于基于来自振动传感器的持续数据计算随后捕获的特征向量的健康指示。设备从训练模式切换到操作模式的点可以由操作人员手动确定,或者例如可以基于当进一步训练特征向量的输入不显着改变健康行为的边界位置时的点的检测而自动确定。当在诊断装置上提供机载训练电路时,如果在一段时间后发现即使没有故障引擎的振动行为也已经改变(例如,改变可能是由于外部因素,例如更换引擎的给定部件,或者由于引擎上的负载或需求的变化),则也可以允许在后续阶段重新训练模型。而且,在某些情况下,当引擎本来将停止操作时的空闲时段可用于收集用于重新训练模型的新的训练特征向量集。
模型的训练可以以各种方式完成。确定健康操作边界的一种方式可以是执行如下算法:改变模型参数,并选择那些最大化训练集的外围特征向量的预定部分与训练集的向量的剩余部分之间的间隔的参数作为最终训练模型参数。例如,预定部分可以是训练集的百分之几,并且训练电路可以尝试以这样的方式定义边界:特定百分比的特征向量在外部而其他特征向量在边界内,尝试边界的不同定义,直到找到轮廓特征向量和剩余特征向量之间的最大平均间隔。注意,要在边界之外的特征向量的预定部分(“拒绝部分”)本身可以是模型的参数之一,其被调整以试图找到轮廓特征向量与剩余特征向量之间的最大间隔。
在一些实施方式中,诊断装置可以包括用于捕获振动传感器数据的振动传感器。然而,该装置也可以与不具有诊断装置的外部振动传感器结合使用。例如,可以使用已经在给定引擎内配设的现有振动传感器。然而,当前方法的一个优点是它可以基于来自可改装的振动传感器的数据来检测潜在的引擎故障,所述可改装的振动传感器可以在原位非侵入性地附装到引擎,而不是依赖于整体的内置传感器。在其他方法中使用的典型的嵌入式引擎传感器(例如压力传感器)往往会受到磨损并且会降低故障检测的可靠性。相比之下,通过使用外部可改装的传感器,这些传感器不易磨损,并且不受特定制造商或引擎配置的束缚。在一个示例中,振动传感器可包括加速度计。
引擎健康诊断装置可以具有通信电路以将数据传送到远程站点。这可以用于将引擎健康指示或从引擎健康指示导出的参数发送到远程站点。因此,不是发送原始振动传感器数据本身,而是可以在引擎的位置现场执行该传感器数据的处理和健康指示的生成。这减少了需要传送到远程站点的数据量,这可能是特别有价值的,因为通信资源可能相对昂贵,尤其是在需要卫星或蜂窝通信的情况下。相反,通过发送健康指示可以降低通信成本。在一些情况下,不是发送引擎健康指示的绝对值,而是可以发送导出的参数以进一步减少正在发送的数据量。例如,通信电路可以传送差分引擎健康指示,其指示引擎健康指示与先前发送的引擎健康指示之间的差异,其通常可能需要比绝对值更少的位。然后可以在远程站点处根据发送的差分引擎健康指示重建引擎健康指示的绝对值。除了健康指示或导出的参数本身之外,通信电路还可以传送其他信息,例如识别对健康分数做出最大贡献的特定特征的代码(通过哪些特征是如上所述的共同比例的最大或最小值来识别)。
在一些实施方式中,可以使用单个振动传感器并且从来自单个振动传感器的传感器数据导出引擎健康指示。即使对于多缸引擎,设置在一个汽缸上的振动传感器仍然能够推断出关于其他汽缸的信息,因为来自一个汽缸的振动可以传播到另一个汽缸。
然而,通过在相应的气缸处提供多个振动传感器,可以实现对特定气缸的故障的更可靠的精确定位。因此,引擎健康诊断装置可以接收从相应的振动传感器接收的多组振动传感器数据,并使用它们来生成多个特征向量,每个特征向量对应于一个汽缸。然后可以使用训练后的分类模型处理每个特征向量以生成相应的引擎健康指示,从而提供各自对应于相应汽缸的多个健康指示。虽然在某些情况下每个气缸的特征向量可以由相同训练的分类模型处理,但实际上在特定故障期间在特定气缸处识别的振动样式可能根据引擎配置而在气缸与气缸之间不同。因此,提供多个单独训练的分类模型可能是有用的,每个分类模型基于从相应的汽缸捕获的数据进行训练,其中给定汽缸的健康指示使用特定于该汽缸的相应分类模型来计算。
图1和图2示出了用于分析往复式内燃机4的健康的系统2的示例。例如,引擎4可以是用作海运船舶的推进系统的柴油引擎、用于生成电力的发电机、或者任何其他类型的往复式内燃机。系统2包括安装在引擎4上的多个引擎安装的传感器6以及机载引擎健康诊断模块8,机载引擎健康诊断模块8用于接收传感器数据,处理传感器数据以识别特征,使用训练后的分类模型处理识别的特征以生成引擎4的健康指示并输出健康指示。引擎健康诊断模块8可以包括嵌入式硬件架构10和嵌入式软件架构12中的一个或两个,用于处理传感器数据并生成健康指示。例如,嵌入式硬件架构10可以包括传感器数据处理中的定制硬件实现,例如现场可编程门阵列(FPGA),而嵌入式软件架构12可以包括执行实现传感器数据处理的软件的通用处理器。生成的健康指示可以通过图形用户界面(GUI)14本地显示在机载模块8上,或者可以通过机载通信处理器18传送到远程服务器16。通信处理器18可以支持单一类型通信方法,或者可以支持多个。例如,以下通信方法中的任何一个或多个可以用于通信:诸如4G LTE的蜂窝通信20,卫星通信22,诸如802.11n/ac的本地无线通信24或自动识别系统(AIS)26,AIS 26用于通过其他附近的岸基站或卫星交换数据来识别和定位船舶。然后,可以通过软件架构28在服务器侧分析发送到远程服务器16的健康指示,并通过另一个图形用户界面30将其显示给服务器的操作员。例如,在一段时间内接收的健康指示可以以图形方式显示,以便操作员识别可识别故障的变更,用于决定工程师是否应该去调查引擎,或安排维修或维护操作。
更具体地,系统2使用非侵入式传感器,其可以被改装到一系列不同的引擎(即,不限于特定制造商或引擎配置),同时使用人工智能方法来理解传感器数据并提供单个气缸健康状况的定量测量,该定量测量允许比简单地将振动读数与某些预定阈值进行比较的系统更早地检测和分类引擎故障。传感器数据的分析在引擎站点本身完成,然后可以将其耦合到一系列不同的通信承载(包括具有低数据速率的通信承载),以发送处理的信息以便在云上进行比较和存储。通过这种方式,可以在安装和测试阶段捕获存储在云上的引擎“签名”,并且仅传输与该签名的差异以便能够比较趋势。使用定量引擎健康性分数系统,避免与简单的基于阈值的测量相关联的“Amber有多严重?”问题。健康分数可以提供图形用户界面,该图形用户界面呈现信息,从而以简洁的方式向用户(引擎现场和远程站点)通知引擎中哪个汽缸出现问题、以及潜在的变化率。后一点很重要,因为增加的变化率可能是严重故障或灾难性故障的前兆。二级或“非气缸相关”故障(例如主轴承,燃油泵,润滑油温度的变化和涡轮增压器不平衡)也可以从气缸振动测量得出。
图3详细地示意性地示出了由机载引擎健康诊断装置8执行的处理。如图3所示,引擎4可包括多个气缸40,每个气缸包括活塞42,活塞42在气缸壳体44内往复运动,以压缩活塞42顶部和汽缸盖48之间的空间46内的燃料-空气混合物。活塞42驱动曲轴50,并且相应的气缸40使其活塞42在曲轴周围的不同角位置处联接,使得每个气缸在引擎的操作周期的给定点处起火。虽然图3示出了具有四个汽缸的示例,但是应当理解,该技术可以应用于具有任意数量汽缸的引擎。另外,为了简洁,图3示出了每个汽缸的简要表示,但是应当理解,每个汽缸可以包括许多其他部件,例如燃料喷射器,排气阀等。机载诊断模块8可以回顾性地安装到往复式内燃机的任何已知的设计上,因此该技术不限于任何特定形式的引擎。
如图3所示,振动传感器60被改装在每个气缸的气缸盖40上。每个振动传感器60包括加速度计。例如,工业恒流加速度计可以安装在引擎的外部(例如,使用磁性附件)。在该示例中,每个振动传感器放置在各个气缸盖48的顶部,因为研究传感器的多个位置的研究已经发现这给出了最好的结果,也可以将加速度计放置在引擎的其他位置。加速度计基于气缸盖的偏转幅度产生电压,这些电压通过模数转换器(ADC)62转换成数字振动测量值,例如,以g为单位。除了这些加速度计之外,上止点(TDC)传感器64附装在引擎的飞轮68上。TDC传感器64感测在飞轮68上旋转的小磁体66,当通过固定传感器头64时,该小磁体66感应出小的电压脉冲。该脉冲通过ADC 70馈送以提供方波脉冲,提供对引擎曲轴通过特定气缸的TDC的定时的精确基准(给定气缸的上止点(TDC)位置是活塞距离曲轴的轴最远时的位置)。TDC传感器64是用于感测汽缸相对于引擎的操作阶段的相对定时的传感器的一个示例,但是也可以提供曲轴角度传感器的其他示例。更一般地,可以使用任何感测引擎的某些参数的传感器,其允许由汽缸点火引起的振动与引擎周期的相位相关联。
用于处理捕获的传感器数据的硬件和/或软件架构10、12可以采用各种形式。例如,ADC 62、70可以在数据记录器上实现,并且数据记录器数据可以输出到运行用于分析传感器数据的软件的通用处理器。或者,可以提供耦合到嵌入式处理器(即片上系统(SoC))的FPGA(现场可编程门阵列)。FPGA能够更快地计算来自加速度计60和TDC传感器64的组合数据集中出现的关键特征,以支持关于引擎健康何时降级(即发生故障)或者是否已经存在故障的更好的实时分类。因此,在某些情况下,分类模型处理可以在硬编码到FPGA上的VHDL/Verilog上运行。
无论哪种方式,模块8的嵌入式硬件架构10和/或软件架构12执行多通道的传感器数据处理,每个通道执行振动传感器数据的时域和频域特征以及峰值振动特征的组合分析,提供分数系统以量化振动传感器数据的观察特征从健康状态的偏差。如图3所示,每个通道对应于其中一个气缸,并从与安装在相应气缸上的振动传感器60相对应的ADC 62接收不同的振动传感器数据,但来自TDC传感器64的相同定时数据(用作识别加速度计数据中峰值振动的定时的基准)。每个处理通道包括两个主要阶段。首先,通过处理振动传感器数据和TDC传感器数据来生成特征向量80。特征向量80具有多个特征维度,每个特征维度指示为对应的汽缸40捕获的数据的对应特征。特征向量被输入到训练后的分类模型82并被处理以输出表征检测到的特征向量从先前观察到的相应汽缸的健康行为的偏差的对应的健康指示84。下面将更详细地描述该处理。因此,模块8输出N个单独的健康指示84,每个指示对应于引擎4的N个汽缸中的一个。
然后可以使用健康指示来生成要经由通信处理器18发送到服务器16的包数据。与将原始传感器数据输出到服务器16的替代技术相反,通过在引擎位置现场的模块8内本地执行特征向量生成80和分类模型处理82,可以大大减少要传送到服务器16的数据量,以避免针对通信的昂贵带宽要求。例如,与从振动传感器接收的大量传感器数据相反,健康指示84可能仅需要传输少量的比特。通过使用差分方案对健康指示进行编码,可以进一步减少数据量,在差分方案中,不是发送绝对值,而是发送相对于先前发送的值的差异。其他选择可以是仅在指示引擎健康程度小于特定阈值时才传输健康指示。除了健康指示本身之外,还可以将其他数据发送到服务器,例如关于特征中的哪些特定特征是最受关注的指示。发送简单健康指示和指示关注特征样式的相对较少比特的代码的一个好处是AIS 26可以用于通信。AIS具有非常少量的带宽可用于传输二进制数据以及基于航运的应用的船舶跟踪所需的信息。因此,将健康指示压缩成相对小的有效载荷的能力因此特别有利,好像可以使用AIS,然后与使用更昂贵的蜂窝或卫星通信技术相比,可以几乎无成本地发送数据。对于除航运之外的应用,AIS通常不可用,并且可以使用其他通信技术。
图4更详细地示出了由嵌入式硬件和/或软件架构提供的处理。该架构包括用于处理振动传感器数据91和TDC数据94以生成对应于传感器数据的特征向量80的特征生成电路90、用于缩放特征向量的参数以将它们映射到针对向量80的每个不同特征维度的共同基准比例上的缩放电路92、以及基于缩放的特征向量执行健康分数计算的处理电路94。可选地,嵌入式架构10、12还可以包括模型缓冲器96,用于存储由健康分数计算处理电路94和训练电路98使用的分类模型中定义的模型参数,以在如下讨论的训练阶段期间更新模型参数96。然而,如果实施例使用固定模型而没有训练模型的能力,则可以省略训练电路98和模型缓冲器96,并且在这种情况下,模型参数例如可以替代地在健康分数处理电路94内硬编码或者存储在只读存储器中。虽然图4示出了对应于单个气缸的健康分数计算的单个通道执行的处理,但是应当理解,在图3的多气缸壳体中,每个处理通道可以包括图4中所示的功能。为简明起见,我们将参考下面的单个通道的处理,但是应当理解,对于每个气缸,这可以并行执行多次。
如图4所示,特征向量80中的特征可以包括三类主要特征,即频域特征100,时域特征102和峰值振动特征104。振动传感器数据91包括由用于相应的振动传感器的ADC 62生成的一系列数字读数。
频域处理100包括将小波包变换110(WPT)应用于振动传感器数据91的给定窗口,以将时域系列的振动传感器数据分解为多个不同频带中的信号。例如,WPT可以生成分成频带的512个不同频率特征。然后,计算电路112可以针对每个频带计算相应频带中的振动能量,并输出计算出的能量作为特征向量的对应特征。给定频带中的能量可以对应于针对相应频带生成的信号WPT的平方。因此,特征向量82可以包括多个频域特征,每个频域特征对应于给定频带中振动信号中包含的能量。虽然使用WPT分析频域中的数据是一种相对计算密集的方法(在实施到实时系统时有影响),但它特别适用于引擎健康监视,因为如果引擎速度改变,频率将发生变化(例如FFT更适合恒速样本),并且由于其复杂性,小波即使在引擎速度变化的情况下也可以获得关注特征。当考虑总是负载跟随的推进引擎时(即对需要增加功率输出的引擎有需求,并因此改变引擎速度),这是特别重要的;如果监视/引擎健康测量依赖于恒速样本,则可能将其标记为“故障”。
时域处理102包括基于原始时间序列振动传感器数据91计算多个统计参数。例如,对于给定的一组N个振动传感器读数x0到xN-1,时域特征可以包括以下任何一个:
·平均值116,例如
·方差或标准偏差118,即方差或标准偏差
·峰态120,其提供了当前窗口内样本分布中峰值锐度的度量。高峰态表明样本聚集在平均值周围,而低峰态表明在远离平均值处存在更广泛的值尾部。例如,可以使用的峰态的一个指示是
·偏态122,其提供了样本分布对称或不对称的程度的测度。例如,可以使用的偏态的一个测度是
·均方根(RMS)124,即
·波峰因素126,其是波形的峰值与均方根值的比例的测度(即C=xmax/xrms)
通过使用时域分析特征以及频域分析来确定振动数据中异常的性质和行为,可以检测其他类型的故障。例如,在不使用峰态和偏态的情况下,虽然可以看到在分解的频带上的能量增加/减少(例如振动变得更糟),但是很难推断出传入的振动数据的百分比是否表现出异常(峰态)以及振动数据点的散射是否相对于正态分布(偏态)是对称的。高峰态得分(尖锐分布曲线)和低偏态得分(接近正态分布)将告诉我们,这种畸形反映了外部原因(例如,工程师在引擎附近放置重物)而不是气缸内部故障。时域数据还可以帮助识别数据中出现的故障是否仅仅是引擎老化的影响,或者是否真的存在问题。
峰值振动处理104可以识别与相对于引擎的操作周期检测到振动的峰值(最大)振幅的定时有关的多个特征。在二冲程引擎中,引擎的操作周期对应于曲轴的单个360度旋转,因此峰值定时特征130可以仅仅是曲轴的角度的指示,在该角度处针对相应的气缸检测到峰值振幅。然而,对于四冲程引擎,引擎的整个操作周期超过曲轴的两个旋转(720度旋转)并且在这种情况下在峰值定时处理104中不仅可以识别曲轴的角度而且还可以识别给定汽缸的峰值点火点发生在曲轴旋转的第一个360度中还是第二个360度中。应当理解,峰值定时参数130不需要在旋转度方面明确地识别曲柄轴角度。可以使用指示引擎的曲轴角度或一些其他操作阶段的任何值(例如,峰值定时值不需要缩放到360度或720度)。除了定时参数130之外,在峰值定时点处的振动振幅也可以作为特征向量的另一特征132输出。除了时域和频域处理特征之外,通过在特征向量80中包括峰值振动定时特征,能够检测到导致给定柱面的延迟点火的故障,单独根据时域和频域特征难以检测到该故障。
请注意,在峰值振动与曲轴角度的分析中,基于来自多个具有不同点火序列的引擎的测试数据(即,观察3缸对直8缸),已经观察到,在整个720度,对于某些引擎峰值振动不一定出现在气缸的点火时,而是出现在排气冲程上。这是非常不直观的,因为在点火时气缸中的爆炸发生在峰值压力之前,期望该压力波将耦合到气缸盖,从而提供最大的偏转。然而,考虑到由此产生的活塞动力学,揭示了在燃烧室压力低得多的情况下,在排气冲程中可能出现峰值振动,因此与当活塞在较高压力下快速压缩燃料/空气混合物时相比,源于活塞运动的机械振动的衰减要小得多。因此,峰值振动可能不一定是汽缸点火的点,但是点燃汽缸的延迟也会延迟峰值振动,因此这不会对已经采用的方法产生不利影响。也就是说,即使峰值振动不在动力冲程上,它也可以用作720度曲轴旋转的特定区段中的基准,并且仍然可以用于跟踪峰值振动定时相对于个体气缸的曲轴角随时间的变化,这是一个有用的故障指示器。在实践中,峰值振动相对于曲轴角度的相对定时将特定于给定的引擎装置,并且可以在训练阶段中学习,使得随后可以在操作阶段期间检测随时间的变化。
包括时域,频域和峰值定时特征的特征向量80被输入到缩放电路92,缩放电路92根据在训练阶段期间生成的缩放参数将特征向量的每个独立变量缩放到公共基准比例。这确保了向量的每个独立特征对健康分数处理电路94的分类具有基本相等的贡献,即使它们的绝对值在不同比例上变化。缩放电路92可以使用不同的技术缩放每个参数。在一个示例中,缩放可以使用范围缩放,其中对于特征向量的每个特征fi,根据计算重新缩放的值fi′。其中fi-min和fi-max是在训练阶段遇到的特
定特征fi的最小值和最大值。或者,缩放电路92可以使用平均缩放,其中根据计算fi′。其中和σi是在用于训练模型的特征向量的训练集中,针对特征值fi检测到的平均值和标准偏差。因此,特征向量的每个特征具有相应的一组缩放参数(fi-min和fi-max或和σi),它们在训练期间针对向量的每个特征单独学习。在训练期间,这导致特征向量的每个特征被映射到范围0到1之间的公共比例。通过在训练期间固定缩放参数,这意味着如果在操作阶段中特定特征然后超出所看到的范围,则它将具有0到1范围之外的值,并且这可以被检测为异常并且在输出到服务器16的数据中被标记。例如,能够识别具有持久在训练集中的那些特征的范围之外的最大值或最小值的一定数量的“排名靠前”的特征,并且可以输出指示哪些特定参数超过训练范围的代码作为发送到服务器16的数据的一部分。
缩放的特征向量被输入到健康分数计算电路94,其根据训练的分类模型对特征向量进行分类。特别地,分类模型可以是单类模型,并且在一些情况下可以是支持向量机。图5和6分别示意性地示出了模型的训练阶段和操作阶段。为了便于理解,图5和图6假设特征向量80仅具有两个独立变量FV-x和FV-y。因此,每个特征向量可以在图形上以图形方式绘制,其中两个独立变量显示在X和Y轴上。
在图5所示的训练阶段期间,可以计算特征向量的训练集,其对应于在引擎健康运行的时段期间在一系列实例中收集的振动传感器数据91。关于引擎是否健康的判断可以由例如监督训练过程的工程师进行。应当理解,引擎永远不会100%完全健康,但工程师可能能够判断引擎操作中没有明显的故障。如图5所示,在引擎的健康操作期间,通常可以预期大多数特征向量聚集在特征空间的特定区域中,但是可能存在远离主要特征向量集合的一些异常特征向量。一类支持向量机试图通过定义边界150来对训练数据集进行分类,边界150用特定百分比的边远特征向量来标记特征向量的训练集的大部分。该模型可以通过许多控制参数来表征,包括例如定义用于表示特征边界150的函数的复杂度的核宽度和指示在特征边界150外部的外围特征向量的特定部分的拒绝部分。例如,可以使用各种核函数,例如,线性函数或非线性函数。高斯函数可以提供合理的模型性能。核宽度定义了边界函数的复杂(“摆动”)。如果函数相对简单,那么这可能不允许边界充分处理更复杂的分类,其中边界需要来回摆动以适应特征向量训练集的聚类,但是如果函数太复杂,那么这个可能导致边界受到特征向量训练集中的噪声的过度影响,因此该函数最终被过度拟合到特定数据值,这些数据值可能不能代表整个模型所学习的更广泛的特征类别。可以与函数一起使用的合适核函数的示例。虽然图5为了更简单的理解显示了二维特征向量,因此边界是特征空间中的一条线,具有更大的尺寸,但边界函数的特征向量也可以用更多的维度来定义。例如,对于三维特征向量,边界可以是二维平面,并且更一般地,对于N维特征空间,边界函数通常可以是(N-1)维函数。因此,边界函数可以被视为N维空间中的超平面,其由核函数定义。
为了训练分类模型,可以执行优化算法以改变边界函数150的参数,目的是最大化边界150与位于边界外部的轮廓特征向量的预定拒绝部分之间的平均间隔。这利用了如下观察:如果边界150与特征向量的外围部分之间的间隔较大,则这意味着边界150处于用于对位于边界内的剩余特征向量的共同属性进行分类的最佳位置。在这方面,给定特征向量和边界之间的间隔可以被计算为特征向量与边界边缘之间的欧几里德空间中距离特征向量的最小距离处的距离。用于训练单类SVM的训练技术的示例可以在等人的“Support Vector Method for Novelty Detection”,in NIPS(Vol.12,pp.582-588),1999,和等人的“Estimating the support of a high-dimensionaldistribution”,Neural computation,13(7),PP.1443-1471,2001中找到。
在一些实施例中,训练阶段可以尝试使用拒绝部分和核参数的不同组合多次训练模型,然后选择训练模型,其导致特征向量的轮廓分数与特征向量之间的平均最大间隔。其他实施例可以简单地选择核函数宽度和拒绝部分的单个值,然后尝试找到符合那些参数的边界的最佳定义。无论哪种方式,通常边界150可以由指示边界上的位置的多个支持向量来定义,并且这种支持向量可以被存储到模型缓冲器96以表征训练的模型。
当首先为给定引擎安装传感器6和模型8时,可以执行训练阶段,以便了解针对该特定引擎遇到的特定振动行为。
另一方面,一旦训练阶段完成,则存储在模型缓冲器96中的参数可以在操作阶段中使用以计算健康分数。如图6所示,模型参数定义了健康操作的边界150,其是从在健康的操作期间捕获的特征向量的训练集中学习的。在随后的操作处理中,然后可以将新检测的特征向量与边界进行比较以识别新特征向量与边界150之间的距离。再次,可以将距离计算为N维超空间中的特征向量与边界150之间的欧几里得距离,其中N是特征向量的特征数。
因此,健康分数可以指示定量值,该定量值表征新特征向量偏离健康操作的边界多少。当特征向量恰好在边界150上时,这可以提供健康分数H为0,因为在特征向量和边界之间没有距离。然后,健康分数H的正值和负值可以指示位于边界外部或内部的值。正值和负值中的哪个值表示在边界之外以及哪个表示在边界内是设计选择,这可以以任何方式进行。在图6的示例中,正健康分数H表示特征向量在边界150内,表示健康引擎,而负健康分数表示特征向量位于边界之外的不健康引擎。通过提供这样的定量健康分数,不仅可以表征存在潜在的故障,而且还可以在尚未检测到故障时评估引擎健康的程度。例如,位于边界内的特征向量表示比靠近健康区域边缘的特征向量更健康的引擎。还可以检测健康分数随时间的变化,其可以反映可能在以后变得更重要的问题的发生。
除了对长期趋势的观察和分析之外,健康分数还可以提供关于引擎在维修之前和之后的行为的参考数据,例如,理论上,服务将改善引擎的健康性,如果是特别侵入性的服务或在服务期间出现错误,则可能会对引擎性能产生负面影响。举一个极端的例子,这可能是如果更换活塞环,但安装不正确,例如颠倒,这在实践中被发现。上面讨论的监视设备可以快速检测到服务中的错误,以便纠正错误。
此外,可以针对引擎的不同环境或操作条件评估健康分数,并且可以使用对该数据中的历史趋势的分析来帮助预测最佳引擎配置或实际上针对将来要安装引擎的特定应用的最佳引擎选择。
注意,图5和6是SVM模型的概念图。真实模型不能以这种方式用图形表示,因为它是一个高维模型,但图5和图6中的概念图说明了使用二维实例的模型背后的原理。应当理解,这些仅仅是概念性说明,而不是模块8中使用的实际SVM模型的任何实际图片。
图7是示出训练模型的方法的流程图。可以通过嵌入式模块8内的机载训练电路98或者通过可以在模块本身8内执行或者在外部在单独的设备上执行的软件来执行训练,以便生成将嵌入模块8中的模型参数。在步骤200,振动传感器60和TDC传感器64安装在特定的引擎4上,该引擎4将被监视以用于持续的健康问题(或者,如果引擎已经具有合适的传感器,则可以省略步骤200)。在步骤202,在引擎的健康运行期间收集特征向量的训练集。例如,训练集可以包括一定数量的特征向量,例如,在例如数万的范围内。在步骤204,确定用于将特征向量的每个特征缩放到共同比例的缩放参数。这是针对特征向量的每个特征独立完成的,基于整个训练特征向量集合中针对该特征检测到的值的范围。例如,可以基于遇到的最小值和最大值或者基于如上所述的平均值和标准偏差来缩放每个特征。在确定了缩放参数之后,在步骤206,使用所确定的参数来缩放每个特征向量,以生成缩放的特征向量。
在步骤208,通过改变模型的参数来学习分类模型的健康操作150的边界,以最大化训练集的外围特征向量的R%与剩余的(100-R)%特征向量之间的间隔,其中R是拒绝部分。对于R的不同值和/或对于边界函数的不同类型或参数,步骤208可以重复多次,以便找到给出外围特征向量与包围剩余特征向量的边界之间的最大平均间隔的参数集。在找到边界的位置之后,在步骤210,将模型参数存储在表征边界150的位置的嵌入式模块8中,并且还存储在步骤204确定的缩放参数。例如,这些可以存储在模型缓冲器96中。虽然图7示出了用于训练对应于来自单个气缸的数据的单类SVM模型的训练过程,但是应当理解,对于N个气缸,该过程可以重复N次。引擎产生许多不同的模型参数组,每组模型参数定义相应的SVM,用于对来自相应汽缸的振动数据进行分类。
图8是示出嵌入式模块8的操作阶段的流程图。在步骤220,传感器数据由振动传感器60和安装在引擎上的TDC传感器64捕获。在步骤222,特征生成电路90生成特征向量,其提供传感器数据的多个特征,包括如上所述的频域特征,时域特征和峰值振动定时特征。在步骤224,缩放电路92基于存储在模型缓冲器96中的从训练阶段导出的相同缩放参数来缩放所生成的特征向量。在步骤226,由处理电路94使用训练的分类模型处理缩放的特征向量,以生成健康分数H,其量化特征向量与先前学习的边界150的距离。在步骤228,输出健康分数。
同时,与步骤226和228并行地,在步骤230,识别在共同比例参考上具有最小值或最大值的缩放特征向量的特征。例如,处理器可以识别排名最高的特征的特定数量P,其可能对特定健康分数确定贡献最大。在步骤232,可以输出所识别的特征的指示。例如,可以单独地识别每个特征,或者可以输出表示特征的某些特定组合的组合特征代码。在步骤234,使用对于机载模块8本地的GUI显示14或通过与异地服务器16的通信来输出健康分数和所识别特征的指示。然后,这允许分析所识别的健康分数,以便根据需要安排维护或维修操作。同样,对于引擎的N个气缸,该过程可以重复N次,以便提供逐个气缸的健康分数信息,以允许操作者精确定位到引擎的特定气缸的故障。
在一些情况下,除了输出健康分数本身(或从健康分数导出的参数)之外,还可以在引擎的位置提供本地存储以存储最近时间窗口的一定量的原始振动传感器数据。或者,特征向量可以存储在本地存储器中。如果没有发现问题,可以使用更新的传感器数据不断覆盖本地存储。但是,当检测到不良健康分数时,系统操作员可以选择更详细地检查最近捕获的振动数据,以更彻底地调查问题。因此,虽然原始传感器数据或特征向量不会例行地传输到远程服务器16,但是如果需要,可以选择调用它们。
用于提供振动传感器数据的传感器6的采样率可以改变。通常,所选择的采样率可以是模型性能与存储容量和所需处理资源之间的折衷。我们的研究表明,2.4kHz的采样率对于正常监测来说已足够,但更高的采样率(如32kHz)可提供更多种类的故障检测选项,可用于不确定性水平较高的情况。一种方法可以是将较低的采样率用于正常监视以节省存储容量和处理功耗,但是如果检测到任何问题,则可以将系统切换到更高的采样率以显示关于问题性质的更多信息。
上述技术已经使用两种方法进行了测试:首先,通过在实际操作期间(例如在渡轮或拖船上)监视“真实”船用柴油引擎中的振动,并观察健康指示随时间的变化趋势;其次,通过在实验室中操作测试引擎,其中可以有意地引入各种常见类型的引擎故障,并且当引入每种类型的引擎故障时观察健康指示的变化。
图9示出了故障引擎中相对于健康引擎的频带能量变化的示例。图9是热图,其中不同的颜色代表不同的振动能量(较浅的颜色代表本例中较高的能量),颜色相对于x轴上的频带和y轴上的时间绘制。图9中的数据是针对拖船上的船用柴油引擎收集的。监测开始后不久,引擎上发现故障,该故障已于2016年3月23日修复。图9清楚地显示了频带引擎的特征在故障期和随后的健康期之间如何发生显着变化。因此,这表明可以从特征向量的频域特征识别出故障。已经观察到其他引擎的频带能量特征的类似变化,例如,当由燃料不足引起的故障。
图10示出了当在一个月的操作中观察时,使用机载诊断模块8针对车辆渡轮上的现实生活引擎的特定汽缸计算的引擎健康指示的曲线图。如图10所示,最初引擎健康指示为正,但在一个月内,引擎健康指示降至零以下并且引擎健康指示随时间的变化表明引擎健康状况恶化。当我们的模块8提醒车辆渡轮引擎的操作员问题时,他们不知道任何故障。经过调查,发现故障检测与负载下气缸排气温度逐渐下降以及气缸峰值压力与其相邻气压相比有所下降有关,并且一段时间后(引擎持续恶化后),发现怠速时的排气温度明显高于其相邻温度(高达100℃)。虽然没有确定故障的具体原因(引擎当前正在进行服务/重建以调查具体问题),但上述技术允许在用于将温度或压力测量与固定阈值进行比较的基于阈值的监视显示出足够的变化以便能够向船上工程师指出问题之前几个月非侵入地识别故障的存在。
因此,应当理解,上面讨论的技术不一定需要识别故障的具体原因(尽管关于向量的哪个特定特征对异常健康分数贡献最大的信息可以帮助归因于故障的原因)。即使无法确定原因,上面讨论的技术也可以比现有技术更早地检测到潜在故障的存在,使工程师能够更早地介入和调查并减少以后发生更多灾难性故障的可能性。
图11示出了当对测试引擎进行各种改变以模拟常见的引擎故障时由模块8为测试引擎确定的健康指示。图11的x轴上的故障代码表示各种故障条件如下:
如图11所示,每种类型的故障导致健康分数与在HTe的正常运行条件下观察到的健康分数显着不同。很明显,缺陷和健康样品之间存在良好的分离程度。虽然健康分数的特定变化模式特定于故障类型并且也特定于特定引擎,但是自健康操作以来已经发生变化的事实可以由诊断模块8检测并且用于标记工程师应该调查故障原因。随着时间的推移,操作员可能能够学习为特定类型的故障归因特定的健康分数特征,但这对于系统的成功操作不是必需的。
在为收集图11中的数据而进行的测试中,对测试引擎上的三个不同负载(0kW,3kW,6kW)进行单独测试。为每个负载级别提供单独的分类模型,每个分类器仅使用为相应负载收集的数据进行训练。如图11所示,无论负荷如何,都可以观察到健康分数相对于健康操作的变化。通常的情况是,对于给定的故障,随着引擎负荷增加,健康分数变成较小的负值。
进行了进一步的测试,其中在所有三个不同负载下从测试引擎收集的振动数据的训练集用于训练单个分类模型,而不是每个负载具有一个分类器。图12示出了当应用于针对上述每个故障代码观察到的振动数据时由这种模型计算的健康分数。如图12所示,即使分类器不区分负载,仍然可以观察到健康分数相对于健康引擎的变化。因此,无论负载如何,一个分类器都可以从多个负载中学习并准确地检测故障,这对于负载可能随时间变化的现实运输应用是有用的。使用WPT有助于使模型对负载变化更加健壮。
在一个示例中,提供了一种用于分析往复式内燃机的健康的引擎健康诊断装置,所述引擎健康诊断装置包括:
特征生成电路,其处理从振动传感器接收的振动传感器数据,并生成指示振动传感器数据的多个特征的特征向量,所述振动传感器用于感测所述往复式内燃机的部件处的振动;以及
处理电路,其使用训练后的分类模型处理由特征生成电路生成的特征向量并生成引擎健康指示,所述训练后的分类模型由模型参数定义,所述模型参数表征特征空间边界,并且所述引擎健康指示提供特征向量从特征空间边界的偏差的定量指示。
在本申请中,表述“被构造为......”用于表示装置的元件具有能够执行所定义的操作的构造。在此上下文中,“构造”表示硬件或软件的布置或互连方式。例如,该装置可以具有提供所定义的操作的专用硬件,或者可以对处理器或其他处理设备进行编程以执行该功能。“被构造为”并不意味着需要以任何方式改变装置元件以便提供定义的操作。
尽管这里已经参考附图详细描述了本发明的示例性实施例,但是应该理解,本发明不限于那些精确的实施例,并且本领域技术人员可以在不脱离由所附权利要求限定的本发明的范围和精神的情况下实现各种改变和变型。
Claims (25)
1.一种用于分析往复式内燃机的健康的引擎健康诊断装置,所述引擎健康诊断装置包括:
特征生成电路,其处理从振动传感器接收的振动传感器数据,并生成指示所述振动传感器数据的多个特征的特征向量,所述振动传感器用于感测所述往复式内燃机的部件处的振动;以及
处理电路,其使用训练后的分类模型处理由所述特征生成电路生成的特征向量以生成引擎健康指示,所述训练后的分类模型由模型参数定义,所述模型参数表征从特征向量的训练集学习的健康操作的边界,所述特征向量的训练集对应于在所述往复式内燃机的健康操作期间捕获的振动传感器数据,并且所述引擎健康指示提供所述特征向量与所述健康操作的边界的偏差的定量指示。
2.根据权利要求1所述的引擎健康诊断装置,其中,所述多个特征包括所述振动传感器数据的至少一个时域特征。
3.根据权利要求2所述的引擎健康诊断装置,其中,所述至少一个时域特征包括平均值、方差或标准偏差、均方根、峰态、偏态和波峰因素中的至少一者。
4.根据前述任一权利要求所述的引擎健康诊断装置,其中,所述多个特征包括所述振动传感器数据的至少一个频域特征。
5.根据权利要求4所述的引擎健康诊断装置,其中,所述多个特征包括多个频带能量特征,所述多个频带能量特征各自指示所述振动传感器数据的相应频带中的能量。
6.根据权利要求4或5所述的引擎健康诊断装置,其中,所述特征生成电路被构造为在生成所述至少一个频域特征时,将小波包变换应用于所述振动传感器数据。
7.根据前述任一权利要求所述的引擎健康诊断装置,其中,所述多个特征包括至少一个峰值振动定时特征,所述至少一个峰值振动定时特征指示所述振动传感器数据中的峰值相对于所述往复式内燃机的操作周期的定时。
8.根据权利要求7所述的引擎健康诊断装置,其中,所述特征生成电路被构造为根据所述振动传感器数据和曲轴角度传感器数据,来识别所述至少一个峰值振动定时特征,所述曲轴角度传感器数据指示所述往复式内燃机的曲轴的角位置。
9.根据前述任一权利要求所述的引擎健康诊断装置,所述引擎健康诊断装置还包括:
缩放电路,其基于从特征向量的训练集导出的相应组的一个或多个缩放参数,来对所述特征向量的每个特征进行缩放,以将所述特征向量的每个特征映射到公共比例,其中,所述处理电路被构造为使用所述训练后的分类模型处理由所述缩放电路生成的所述缩放特征向量。
10.根据权利要求9所述的引擎健康诊断装置,其中,所述处理电路被构造为在所述缩放特征向量的所述多个特征当中,识别在所述公共比例上具有最大或最小缩放特征值的缩放特征向量的一个或多个选择的特征。
11.根据前述任一权利要求所述的引擎健康诊断装置,其中,所述训练后的分类模型包括单类分类模型。
12.根据前述任一权利要求所述的引擎健康诊断装置,其中,所述训练后的分类模型包括单类支持向量机。
13.根据前述任一权利要求所述的引擎健康诊断装置,所述引擎健康诊断装置包括:
模型存储电路,其存储定义所述训练后的分类模型的模型参数;以及
训练电路,其依赖于特征向量的所述训练集来更新由所述模型存储电路存储的模型参数。
14.根据权利要求13所述的引擎健康诊断装置,其中,所述训练电路被构造为确定所述健康操作的边界,所述健康操作的边界使所述训练集的外围特征向量的预定部分与所述训练集的特征向量的剩余部分之间的间隔最大化。
15.根据前述任一权利要求所述的引擎健康诊断装置,所述引擎健康诊断装置还包括所述振动传感器。
16.根据权利要求15所述的引擎健康诊断装置,其中,所述振动传感器能够被改造为所述往复式内燃机的所述部件。
17.根据权利要求15或16所述的引擎健康诊断装置,其中,所述振动传感器包括加速度计。
18.根据前述任一权利要求所述的引擎健康诊断装置,所述引擎健康诊断装置还包括:
通信电路,其向远程站点传送所述引擎健康指示或从所述引擎健康指示导出的参数。
19.根据权利要求18所述的引擎健康诊断装置,其中,所述通信电路被构造为向所述远程站点传送差分引擎健康指示,所述差分引擎健康指示表示所述引擎健康指示与先前发送的引擎健康指示之间的差异。
20.根据前述任一权利要求所述的引擎健康诊断装置,其中,所述特征生成电路被构造为处理从相应振动传感器接收的多组振动传感器数据,并生成多个特征向量,所述振动传感器用于感测所述往复式内燃机的多个汽缸处的振动,所述多个特征向量各自与所述汽缸之一相对应;并且
所述处理电路被构造为使用所述训练后的分类模型来处理由所述特征生成电路生成的每个特征向量,以生成各自对应于相应汽缸的多个引擎健康指示。
21.根据权利要求20所述的引擎健康诊断装置,其中,所述处理电路被构造为使用对应汽缸的相应训练后的分类模型处理由所述特征生成电路生成的每个特征向量,每个训练后的分类模型由相应组的模型参数定义,该相应组的模型参数表征从特征向量的训练集学习的健康操作的边界,所述特征向量的训练集对应于在所述往复式内燃机的健康操作期间针对对应汽缸捕获的振动传感器数据。
22.一种系统,其包括:
往复式内燃机;
振动传感器,其被构造为感测所述往复式内燃机的对应部件处的振动;以及
根据前述任一权利要求所述的引擎健康诊断装置。
23.一种用于分析往复式内燃机的健康的引擎健康诊断方法,所述引擎健康诊断方法包括:
使用振动传感器捕获振动传感器数据,所述振动传感器适于感测所述往复式内燃机的部件处的振动;
处理所述振动传感器数据以生成指示所述振动传感器数据的多个特征的特征向量;以及
使用训练后的分类模型处理所述特征向量以生成引擎健康指示,所述训练后的分类模型由模型参数定义,所述模型参数表征从特征向量的训练集学习的健康操作的边界,所述特征向量的训练集对应于在所述往复式内燃机的健康操作期间捕获的振动传感器数据,并且所述引擎健康指示提供所述特征向量与所述健康操作的边界的偏差的定量指示。
24.一种引擎健康诊断系统安装方法,其包括:
将振动传感器安装到往复式内燃机的部件,以感测所述往复式内燃机的所述部件处的振动;
在所述往复式内燃机的健康操作的时段期间,使用所述振动传感器捕获振动传感器数据;
处理所述振动传感器数据以生成特征向量的训练集,每个特征向量指示在所述健康操作的时段期间的给定时间捕获的所述振动传感器数据的多个特征;
训练分类模型以生成模型参数,所述模型参数表征从特征向量的所述训练集学习的健康操作的边界;以及
记录定义所述分类模型的所述模型参数。
25.一种计算机程序,其包括用于控制数据处理装置执行根据权利要求23和24中任一项所述的方法的指令。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP16201222.3 | 2016-11-29 | ||
EP16201222.3A EP3327419B1 (en) | 2016-11-29 | 2016-11-29 | Engine health diagnostic apparatus and method |
PCT/GB2017/053477 WO2018100334A1 (en) | 2016-11-29 | 2017-11-20 | Engine health diagnostic apparatus and method |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109997025A true CN109997025A (zh) | 2019-07-09 |
Family
ID=57609665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780072359.1A Pending CN109997025A (zh) | 2016-11-29 | 2017-11-20 | 引擎健康诊断装置和方法 |
Country Status (10)
Country | Link |
---|---|
US (1) | US11454569B2 (zh) |
EP (1) | EP3327419B1 (zh) |
JP (1) | JP2019535957A (zh) |
KR (1) | KR20190089004A (zh) |
CN (1) | CN109997025A (zh) |
AU (1) | AU2017369832A1 (zh) |
BR (1) | BR112019010019A2 (zh) |
CA (1) | CA3042979A1 (zh) |
SG (1) | SG11201903467TA (zh) |
WO (1) | WO2018100334A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111552267A (zh) * | 2020-04-22 | 2020-08-18 | 深圳市元征科技股份有限公司 | 车辆诊断方法、装置及车辆诊断设备 |
CN112800660A (zh) * | 2019-11-14 | 2021-05-14 | 通用电气公司 | 引擎队中的芯摩擦诊断 |
CN112857669A (zh) * | 2021-03-30 | 2021-05-28 | 武汉飞恩微电子有限公司 | 压力传感器的故障检测方法、装置、设备及存储介质 |
CN113566953A (zh) * | 2021-09-23 | 2021-10-29 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种柔壁喷管的在线监测方法 |
CN113839861A (zh) * | 2020-06-24 | 2021-12-24 | 瞻博网络公司 | 基于由支持向量机确定的健康状况的路由引擎切换 |
CN117176079A (zh) * | 2023-11-02 | 2023-12-05 | 中科华辰(山东)实业股份有限公司 | 一种光伏组件信息管理系统 |
Families Citing this family (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190219994A1 (en) * | 2018-01-18 | 2019-07-18 | General Electric Company | Feature extractions to model large-scale complex control systems |
EP3620996A1 (en) * | 2018-09-04 | 2020-03-11 | Siemens Aktiengesellschaft | Transfer learning of a machine-learning model using a hyperparameter response model |
US11215529B1 (en) * | 2018-09-28 | 2022-01-04 | Windrock, Inc. | Remote monitoring of engine performance using accelerometers |
KR20200041098A (ko) * | 2018-10-11 | 2020-04-21 | 현대자동차주식회사 | 파워 트레인 부품 고장 진단 방법 |
DE102018126501B3 (de) * | 2018-10-24 | 2019-12-19 | Iav Gmbh Ingenieurgesellschaft Auto Und Verkehr | Verfahren zur Wartungsvorhersage von Komponenten einer Brennkraftmaschine mittels Körperschallsensor |
US20200401904A1 (en) * | 2019-06-24 | 2020-12-24 | GE Precision Healthcare LLC | Adaptive medical imaging device configuration using artificial intelligence |
DE102019122727A1 (de) * | 2019-08-23 | 2021-02-25 | Mtu Friedrichshafen Gmbh | Verfahren und Einrichtung zur Überwachung einer Antriebseinheit mit einer drehenden Antriebskomponente, insbesondere eines Motors einer Brennkraftmaschine mit einer Kurbelwelle, sowie Anzahl von Antriebseinheiten mit der Einrichtung |
KR20210073882A (ko) * | 2019-12-11 | 2021-06-21 | 현대자동차주식회사 | 빅데이터 기반 운행 정보 제공 시스템 및 방법 |
US11521433B2 (en) | 2020-02-13 | 2022-12-06 | Moj.Io, Inc. | Computing system with vehicle maintenance mechanism and method of operation thereof |
CN111310697B (zh) * | 2020-02-17 | 2023-03-24 | 硕橙(厦门)科技有限公司 | 设备运转周期检测及健康度分析方法、装置及存储介质 |
CN111626144B (zh) * | 2020-05-08 | 2023-08-29 | 湖南挚新科技发展有限公司 | 冲击特征向量构建方法、装置、终端设备及存储介质 |
CN111667020A (zh) * | 2020-06-28 | 2020-09-15 | 中核武汉核电运行技术股份有限公司 | 一种核电旋转机械故障预警方法 |
US11704185B2 (en) * | 2020-07-14 | 2023-07-18 | Microsoft Technology Licensing, Llc | Machine learning-based techniques for providing focus to problematic compute resources represented via a dependency graph |
CN112052871B (zh) * | 2020-07-21 | 2024-05-07 | 上海宇航系统工程研究所 | 一种基于支持向量机的火箭发动机健康诊断方法及系统 |
JP7014869B1 (ja) | 2020-09-03 | 2022-02-01 | 上銀科技股▲分▼有限公司 | ボールねじの予圧低下の検出方法 |
US11435262B2 (en) | 2020-09-08 | 2022-09-06 | Hiwin Technologies Corp. | Method for assessing preload degradation of ball screw |
CN112131673B (zh) * | 2020-09-30 | 2021-09-28 | 西南石油大学 | 基于融合神经网络模型的发动机喘振故障预测系统及方法 |
CN112507479B (zh) * | 2020-11-19 | 2022-03-15 | 电子科技大学 | 一种基于流形学习和softmax的石油钻机健康状态评估方法 |
CN112621381B (zh) * | 2020-12-25 | 2022-07-26 | 上海交通大学 | 机床进给系统健康状态智能评估方法及装置 |
CN112699609B (zh) * | 2020-12-31 | 2024-06-04 | 中国人民解放军92942部队 | 一种基于振动数据的柴油机可靠性模型构建方法 |
EP4043699A1 (en) * | 2021-02-12 | 2022-08-17 | Accenture Global Solutions Limited | System and method for automated failure mode detection of rotating machinery |
JP7371646B2 (ja) * | 2021-02-24 | 2023-10-31 | いすゞ自動車株式会社 | 不具合判定装置および不具合判定方法 |
KR20220149222A (ko) | 2021-04-30 | 2022-11-08 | 한국조선해양 주식회사 | 엔진 압력 예측 장치 및 방법 |
CN113203471B (zh) * | 2021-05-07 | 2022-08-02 | 国网山西省电力公司电力科学研究院 | 一种基于小波神经网络预测的变压器机械故障检测方法 |
US20220365524A1 (en) * | 2021-05-13 | 2022-11-17 | Marc Jean Baptist van Oldenborgh | Device for fault detection and failure prediction by monitoring vibrations of objects in particular industrial assets |
US11531329B1 (en) * | 2021-08-19 | 2022-12-20 | Ford Global Technologies, Llc | Predictive maintenance systems and methods of a manufacturing environment |
US20230071271A1 (en) * | 2021-09-02 | 2023-03-09 | Rivian Ip Holdings, Llc | System and method for enhanced ecu failure detection in vehicle fleet |
US11982248B2 (en) * | 2021-10-25 | 2024-05-14 | Transportation Ip Holdings, Llc | Methods and systems for diagnosing engine cylinders |
CN114077849B (zh) * | 2021-11-17 | 2024-04-05 | 西安交通大学 | 一种基于部件级融合的发动机健康状态识别方法 |
US20230386270A1 (en) * | 2022-05-31 | 2023-11-30 | Robert Bosch Gmbh | Prediction and identification of potential bearing anamolies within an electric motor of an electric vehicle |
CN115270993B (zh) * | 2022-08-23 | 2023-06-23 | 南通思诺船舶科技有限公司 | 柴油机组状态检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020438A (zh) * | 2012-11-29 | 2013-04-03 | 中国人民解放军军械工程学院 | 一种基于混合威布尔分布的航空发动机可靠性监测方法 |
CN103454113A (zh) * | 2013-09-16 | 2013-12-18 | 中国人民解放军国防科学技术大学 | 一种适用于工况变化情况下的旋转机械健康监测方法 |
US20160055737A1 (en) * | 2013-04-08 | 2016-02-25 | Reciprocating Network Solutions, Llc | Reciprocating Machinery Monitoring System and Method |
WO2016089238A1 (en) * | 2014-12-02 | 2016-06-09 | Siemens Aktiengesellschaft | Monitoring of a device having a movable part |
CN106150716A (zh) * | 2015-04-07 | 2016-11-23 | 通用电气公司 | 用于估计发动机事件的时间的系统和方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19808197C2 (de) * | 1998-02-27 | 2001-08-09 | Mtu Aero Engines Gmbh | System und Verfahren zur Diagnose von Triebwerkszuständen |
GB0016561D0 (en) * | 2000-07-05 | 2000-08-23 | Rolls Royce Plc | Health monitoring |
JP4573036B2 (ja) * | 2005-03-16 | 2010-11-04 | オムロン株式会社 | 検査装置および検査方法 |
US20070088550A1 (en) * | 2005-10-13 | 2007-04-19 | Dimitar Filev | Method for predictive maintenance of a machine |
US8301406B2 (en) * | 2008-07-24 | 2012-10-30 | University Of Cincinnati | Methods for prognosing mechanical systems |
US20130060524A1 (en) * | 2010-12-01 | 2013-03-07 | Siemens Corporation | Machine Anomaly Detection and Diagnosis Incorporating Operational Data |
US9915217B2 (en) | 2015-03-05 | 2018-03-13 | General Electric Company | Methods and systems to derive health of mating cylinder using knock sensors |
WO2018139144A1 (ja) * | 2017-01-25 | 2018-08-02 | Ntn株式会社 | 状態監視方法および状態監視装置 |
-
2016
- 2016-11-29 EP EP16201222.3A patent/EP3327419B1/en active Active
-
2017
- 2017-11-20 CN CN201780072359.1A patent/CN109997025A/zh active Pending
- 2017-11-20 JP JP2019528112A patent/JP2019535957A/ja active Pending
- 2017-11-20 SG SG11201903467TA patent/SG11201903467TA/en unknown
- 2017-11-20 US US16/463,861 patent/US11454569B2/en active Active
- 2017-11-20 WO PCT/GB2017/053477 patent/WO2018100334A1/en active Application Filing
- 2017-11-20 CA CA3042979A patent/CA3042979A1/en not_active Abandoned
- 2017-11-20 BR BR112019010019A patent/BR112019010019A2/pt not_active Application Discontinuation
- 2017-11-20 AU AU2017369832A patent/AU2017369832A1/en not_active Abandoned
- 2017-11-20 KR KR1020197017552A patent/KR20190089004A/ko unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020438A (zh) * | 2012-11-29 | 2013-04-03 | 中国人民解放军军械工程学院 | 一种基于混合威布尔分布的航空发动机可靠性监测方法 |
US20160055737A1 (en) * | 2013-04-08 | 2016-02-25 | Reciprocating Network Solutions, Llc | Reciprocating Machinery Monitoring System and Method |
CN103454113A (zh) * | 2013-09-16 | 2013-12-18 | 中国人民解放军国防科学技术大学 | 一种适用于工况变化情况下的旋转机械健康监测方法 |
WO2016089238A1 (en) * | 2014-12-02 | 2016-06-09 | Siemens Aktiengesellschaft | Monitoring of a device having a movable part |
CN106150716A (zh) * | 2015-04-07 | 2016-11-23 | 通用电气公司 | 用于估计发动机事件的时间的系统和方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112800660A (zh) * | 2019-11-14 | 2021-05-14 | 通用电气公司 | 引擎队中的芯摩擦诊断 |
CN112800660B (zh) * | 2019-11-14 | 2024-05-28 | 通用电气公司 | 引擎队中的芯摩擦诊断 |
CN111552267A (zh) * | 2020-04-22 | 2020-08-18 | 深圳市元征科技股份有限公司 | 车辆诊断方法、装置及车辆诊断设备 |
CN113839861A (zh) * | 2020-06-24 | 2021-12-24 | 瞻博网络公司 | 基于由支持向量机确定的健康状况的路由引擎切换 |
CN112857669A (zh) * | 2021-03-30 | 2021-05-28 | 武汉飞恩微电子有限公司 | 压力传感器的故障检测方法、装置、设备及存储介质 |
CN112857669B (zh) * | 2021-03-30 | 2022-12-06 | 武汉飞恩微电子有限公司 | 压力传感器的故障检测方法、装置、设备及存储介质 |
CN113566953A (zh) * | 2021-09-23 | 2021-10-29 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种柔壁喷管的在线监测方法 |
CN113566953B (zh) * | 2021-09-23 | 2021-11-30 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种柔壁喷管的在线监测方法 |
CN117176079A (zh) * | 2023-11-02 | 2023-12-05 | 中科华辰(山东)实业股份有限公司 | 一种光伏组件信息管理系统 |
CN117176079B (zh) * | 2023-11-02 | 2024-02-06 | 中科华辰(山东)实业股份有限公司 | 一种光伏组件信息管理系统 |
Also Published As
Publication number | Publication date |
---|---|
EP3327419A1 (en) | 2018-05-30 |
KR20190089004A (ko) | 2019-07-29 |
WO2018100334A1 (en) | 2018-06-07 |
BR112019010019A2 (pt) | 2019-08-20 |
JP2019535957A (ja) | 2019-12-12 |
AU2017369832A1 (en) | 2019-05-02 |
SG11201903467TA (en) | 2019-05-30 |
CA3042979A1 (en) | 2018-06-07 |
US20190383705A1 (en) | 2019-12-19 |
US11454569B2 (en) | 2022-09-27 |
EP3327419B1 (en) | 2020-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109997025A (zh) | 引擎健康诊断装置和方法 | |
CN111753867B (zh) | 使用机器学习分类器来监视和诊断车辆系统问题 | |
EP0637739B1 (en) | Testing an internal combustion engine | |
CN105736140B (zh) | 一种柴油机瞬时转速测量及气缸熄火故障诊断装置和方法 | |
US9959738B2 (en) | Reciprocating machinery monitoring system and method | |
WO2018005996A1 (en) | System, device, and method for feature generation, selection, and classification for audio detection of anomalous engine operation | |
CN103147972A (zh) | 一种基于多传感器信息融合的往复式压缩机故障诊断方法 | |
Zhang et al. | Intelligent diagnosis of V-type marine diesel engines based on multifeatures extracted from instantaneous crankshaft speed | |
JP2005025351A (ja) | 情報処理装置,状態判定装置及び診断装置,並びに情報処理方法,状態判定方法及び診断方法 | |
CN109932179A (zh) | 一种基于ds自适应谱重构的滚动轴承故障检测方法 | |
CN108920426A (zh) | 一种基于幂均算子和ds证据理论的故障诊断方法 | |
Tabaszewski et al. | Engine valve clearance diagnostics based on vibration signals and machine learning methods | |
US8271233B2 (en) | Method of multi-level fault isolation design | |
CN116880454A (zh) | 车辆故障智能诊断系统与方法 | |
CN116625683A (zh) | 一种风电机组轴承故障识别方法、系统、装置及电子设备 | |
KR102457752B1 (ko) | 선박 기관실의 실시간 이상 감지 및 고장 진단 방법 및 시스템 | |
CN110878692B (zh) | 故障报警方法及装置 | |
CN116658412A (zh) | 压缩机气缸故障监测方法及氢气压缩机 | |
CN110874088B (zh) | 基于多维向量模型的船舶关键设备系统的监测方法 | |
Szymański et al. | Identification of technical condition of valve clearance compensators using vibration measurement and machine learning | |
Rajapaksha et al. | Sensitivity analysis of SVM kernel functions in machinery condition classification | |
CN115030885B (zh) | 一种空压机一体机 | |
KR102372124B1 (ko) | 머신러닝 기반 솔레노이드 펌프의 고장 분류방법 | |
EP4174602A1 (en) | System and method for detecting anomalous system behaviour | |
Chhabria et al. | Predictive Maintenance using Machine Learning on Industrial Water Pumps |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40006419 Country of ref document: HK |
|
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190709 |