CN110259616B - 基于可测数据特征的柴油机共轨系统喷油器故障检测方法 - Google Patents
基于可测数据特征的柴油机共轨系统喷油器故障检测方法 Download PDFInfo
- Publication number
- CN110259616B CN110259616B CN201910534548.7A CN201910534548A CN110259616B CN 110259616 B CN110259616 B CN 110259616B CN 201910534548 A CN201910534548 A CN 201910534548A CN 110259616 B CN110259616 B CN 110259616B
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- diesel engine
- pressure
- common rail
- 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
- 239000000446 fuel Substances 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000000513 principal component analysis Methods 0.000 claims abstract description 13
- 238000012706 support-vector machine Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000002347 injection Methods 0.000 claims description 42
- 239000007924 injection Substances 0.000 claims description 42
- 238000003745 diagnosis Methods 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 21
- 238000009825 accumulation Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000010998 test method Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000002790 cross-validation Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 208000024891 symptom Diseases 0.000 abstract description 2
- 239000003921 oil Substances 0.000 description 31
- 238000004364 calculation method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000000295 fuel oil Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02M—SUPPLYING COMBUSTION ENGINES IN GENERAL WITH COMBUSTIBLE MIXTURES OR CONSTITUENTS THEREOF
- F02M65/00—Testing fuel-injection apparatus, e.g. testing injection timing ; Cleaning of fuel-injection apparatus
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02M—SUPPLYING COMBUSTION ENGINES IN GENERAL WITH COMBUSTIBLE MIXTURES OR CONSTITUENTS THEREOF
- F02M65/00—Testing fuel-injection apparatus, e.g. testing injection timing ; Cleaning of fuel-injection apparatus
- F02M65/006—Measuring or detecting fuel leakage of fuel injection apparatus
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Fuel-Injection Apparatus (AREA)
Abstract
本发明所公开的是一种基于可测数据特征的柴油机共轨系统喷油器故障检测方法，该方法首先从时域、频域、压力‑速率，经验特征四个方面对喷油器可测量参数进行特征提取，构建了一个完备的故障特征集；接着运用主成分分析(PCA)减少特征间的冗余性，提取有效的低维正交特征；然后应用支持向量机(SVM)进行故障模式分类，识别故障类型。本发明解决了现有船用大功率柴油机电控高压共轨系统喷油器故障征兆微弱难分、故障类型多样、故障样本稀疏，导致难以实现实时在线故障检测的问题，实现快速准确诊断喷油器的故障的功能。
Description
技术领域
本发明属于船用大功率高压共轨柴油机的故障诊断技术，涉及一种基于可测数据特征的柴油机共轨系统喷油器故障检测方法，具体涉及某型船用大功率高压共轨柴油机电控喷油器控制柱塞及针阀偶件等微小故障的诊断技术。
背景技术
高压共轨技术作为一种高效率、低功耗、轻排放的燃油喷射技术，已经成为了船用柴油机的重要发展方向。电控喷油器是高压共轨喷油系统中最复杂、最重要的部件之一，它根据控制器的指令，通过控制电磁阀的开关，将高压共轨管中的燃油以最佳的喷油定时、喷油量和喷油速率喷入燃烧室。一旦喷油器发生故障，将直接影响柴油机的安全性、可靠性。快速准确的故障诊断可以提高喷油器性能，降低维修成本，具有重要的工程价值。
由于高压共轨喷油系统较其他类型的高压燃油系统在机械及电控系统方面复杂的多，工作条件相对恶劣，对比基于模型和知识的诊断技术，基于数据驱动的方法不依赖与设备的物理机理与系统的先验知识，通过分析、挖掘采集到的监测信号中隐含的信息进行确定系统的运行状态，达到故障诊断的目的，实用性较强。
现有的船用柴油机的检测主要依靠工作人员的经验与现场仪器仪表来进行检测，装备的检测报警系统只是简单的参数越限报警，不具备故障诊断功能，目前研究人员也使用了一些机器学习的方法对船用柴油机的故障诊断问题进行研究，主要有利用故障树、贝叶斯网络、统计学习、神经网络等方法对柴油机压力信号、声信号、振动信号等进行故障诊断，然而随着故障类型的增加，贝叶斯网络等方法所需专家知识大幅增加，建模的复杂性限制了其在实际工程中的应用，同时电控喷油器结构复杂、故障征兆微弱、故障样本采集困难，样本密度难以满足对神经网络等训练的要求，故障诊断效果不理想。
发明内容
针对上述现有技术的不足，本发明的目的在于提供一种基于可测数据特征的柴油机共轨系统喷油器故障检测方法。
为实现上述目的，本发明公开了一种基于可测数据特征的柴油机共轨系统喷油器故障检测方法，包括如下步骤：
(1)数据采集：采集柴油机高压共轭系统中柴油机电控喷油器在运行过程中的故障数据与正常工作数据；
(2)多维故障特征集构建：从时域、频域、压力-速率，经验特征四个角度对喷油器可测量参数蓄压腔压力与喷油速率数据进行特征提取，构建多维故障特征集；
(3)故障特征集降维：对故障特征集通过PCA变换，得到不含冗余信息的低维正交特征；
(4)故障诊断：将低维特征集划分成训练集与测试集，通过五折交叉检验法构建支持向量机，建立故障诊断模型；
(5)故障诊断：将运行数据输入故障诊断模型进行故障检测，获取故障信息。
进一步的，步骤(1)所述的数据采集包括柴油机高压共轨柴油机电控喷油器中控制柱塞及针阀偶件四种正常运行数据及故障数据，所述的故障数据包括如下四种情况：
(a)f1-柱塞或针阀磨损：摩擦阻力变化数据；
(b)f2-针阀磨损：针阀泄漏变化数据；
(c)f3-针阀磨损：针阀升程变化数据；
(4)f4-柱塞磨损：柱塞泄漏变化数据。
步骤(2)中所选测点包括：t1-电控喷油器蓄压腔压力和t2-电控喷油器喷油速率，对两个测量信号提取包括时域、频域、压力-速率、经验特征四个角度的特征，构建多维故障特征集。
步骤(3)所述包括对故障特征集进行归一化处理，对故障特征通过采用主成分分析，将每个特征集的存在相关性的特征变换为线性无关的主成分分量，得到对应的低维正交特征集T1～T4。
步骤(4)包括将正常样本标记为“1”，属于第i类的故障样本标记为“i”，(i＝2,3,4,5)，以T1～T4中特征量作为支持向量机输入，以喷油器工作状态，即样本标号作为支持向量机的输出进行训练，具体交叉验证过程如下：
将特征集均分成五组，将每个子集数据分别做一次验证集，其余的四个子集数据作为训练集，得到五个模型，以五个模型对应的验证集的分类准确率的平均值作为五折交叉检验下分类器的性能指标，取其中最大分类准确率对应的模型作为最终故障诊断模型。
有益效果：与现有技术相比，本发明能够很好的对喷油器控制柱塞及针阀偶件常见故障进行诊断，从时频分析、关联性分析、多域特征融合角度对监测信号进行特征提取与处理，挖掘隐藏故障信息，确定最佳故障特征集；另一方面，本发明以数据为支撑，不需要建立喷油器的数学模型，实用性较强。
附图说明
图1是本发明的整体流程图；
图2是喷油器正常运行时一个喷油周期内蓄压腔压力信号曲线图；
图3是喷油器正常运行时一个喷油周期内喷油速率信号曲线图；
图4是蓄压腔压力与喷油速率关系曲线。
具体实施方式
为了详细的说明本发明所公开的技术方案，下面结合实施例与附图对本发明作进一步的阐述。
本发明提供的是一种基于可测数据特征的柴油机共轨系统喷油器故障检测方法，利用可测数据特征提取，对于船用柴油机共轨系统喷油器故障进行检测和诊断。所述的检测方法首先采集原始数据，从时域、频域、压力-速率、经验特征四个角度进行特征提取，构建故障特征集，利用主成分分析(PCA)提取低维正交特征，然后对进行故障诊断研究，对支持向量机分类器进行训练，最后通过多项式拟合方法确定故障程度。本发明的整体流程如图1所示，具体实施步骤如下：
步骤1、喷油器的原始数据采集：针对实际需求，本发明主要研究高压共轨柴油机电控喷油器中控制柱塞及针阀偶件常出现的四种故障：f1-柱塞或针阀磨损(导致摩擦阻力变化)、f2-针阀磨损(导致泄漏变化)、f3-针阀磨损(导致针阀升程变化)、f4-柱塞磨损(导致泄漏变化)。在某型船用高压共轨柴油机电控喷油器实验台上进行对四种故障及正常工作情况进行原始数据采集，实验选取柴油机的五种典型工况：100％、75％、50％、25％及怠速工况，每次实验分别采集一次完整喷油周期中电控喷油器蓄压腔压力数据与电控喷油器喷油速率数据，构成一个原始样本。表1列出每种工况下故障样本与正常样本数量。图2是喷油器正常运行时一个喷油周期内蓄压腔压力信号曲线图。图3是喷油器正常运行时一个喷油周期内喷油速率信号曲线图。
表1.每种工况下故障样本与正常样本数量
步骤2、多域故障特征集构建：基于喷油器蓄压腔压力及喷油速率信号，本发明构建了如表2所示的喷油器故障特征集。
表2.喷油器测量信号的特征集
21)时域统计特征
S1特征集包括喷油器蓄压腔压力及喷油速率信号的时域统计特征，包括：均值、绝对均值、平均功率、方根幅值、有效值、峰值、峰峰值、方差、标准差、偏斜度、峭度、峰值指标、裕度指标、波形指标、脉冲指标、偏斜度指标、峭度指标。计算公式如表3所示。
表3.时域特征计算公式
22)频域统计特征：
S2特征集包括喷油器蓄压腔压力及喷油速率信号的时域统计特征，包括：均方频率、重心频率、均方根频率、频率方差、频率标准差，由于定义式为积分形式，在提取特征时采用离散式进行计算，共13个特征，计算公式见表4。
表4频域特征计算公式
23)蓄压腔压力-喷油速率关系特征
在喷油过程中，流入蓄压腔的流量决定于蓄压腔压力、蓄压腔容积、蓄压腔流至控制腔和喷嘴压力室的流量等参数，其数学模型为：
其中：QFlim为单位时间内流入蓄压腔的流量(mm3/s)；VACC为喷油器蓄压腔容积(mm3)；E为燃油当量弹性模量；PACC为喷油器蓄压腔压力(Mpa)；QACC2C单位时间内蓄压腔流至控制腔内的流量(mm3/s)；QACC2V为单位时间内蓄压腔流至喷嘴压力室的流量(mm3/s)。
喷油器控制柱塞及针阀偶件发生不同程度的磨损等故障时必然会改变模型参数，体现在蓄压腔压力与喷油速率这两个信号之间相互关系的变化。因此，提取压力-速率关系特征构建故障特征集S3。
将dPACC/dt(即压力的一阶导数)作为横坐标，喷油速率作为纵坐标进行绘图，得到压力-速率的关系曲线，如图4所示。对喷油速率求dPACC/dt的导数，选取以下三部分提取特征：
(1)喷油开始点(A点)与喷油停止点(B点)对应的dPACC/dt值；
(2)在喷油速率上升中期，曲线存在拐点(C点)，AC段(喷油初期)曲线导数会发生由负到正及由正到负两次变化，因此取曲线导数为零处两点对应的喷油速率及dPACC/dt值；
(3)喷油速率上升中期曲线的拐点(D点)对应的喷油速率及dPACC/dt值；
(4)dPACC/dt达到最小(E点)对应的喷油速率及dPACC/dt值。
上述共10个特征构成故障特征集S3。
24)经验特征参数
在工程实践中，常用的蓄压腔压力特征有4个，如图2所示：蓄压腔压力在整个喷油周期内对应喷油结束的最低点压力值P1；喷油压降值ΔP1，即P0-P1，其中P0为喷油前初始压力；喷油结束压升值ΔP2，即P2-P1，P2为喷油后回油过程压力最大值；P1至P2压力恢复时间ΔT。这4个经验特征构成特征集S4。
步骤3、特征降维：对故障特征集采用PCA进行变换，得到不含冗余信息的低维正交特征。
31)特征归一化：
在分类器训练之前，通常需要对特征进行归一化处理，将样本归一化到指定区间(通常为[0,1]、[-1,1]等范围)，既能加快参数寻优的收敛速度，又能避免模型权重过小使得计算不稳定。实验表明，使用SVM分类时，数据范围不统一对分类准确率影响很大。
本文选用z-score方法：
其中，x为原始数据，μ为样本均值，σ为样本方差，z为归一化后数据。标准化归一化后的特征均值为0，方差为1。
32)基于PCA的特征集降维：
分别对S1、S2、S3、S4特征集进行降维。给定归一化后的特征集X∈Rn×m，其中n为样本数，m为特征数。
计算矩阵X的相关系数矩阵Z∈Rm×m；
求矩阵Z的特征值λj(j＝1,2,…,m)和特征向量；
将特征值λj从大到小排列，计算累积贡献率
取满足累积贡献率大于95％的前p(p≤m)个主成分构成新特征集T1、T2、T3、T4，在五种工况下，特征集保留的主成分个数为2～5个。
步骤4、故障诊断：将低维特征集划分成训练集与测试集，采用五折交叉检验法构建支持向量机，建立故障诊断模型。
41)使用特征集T1、T2、T3、T4训练分类器：
在五种典型工况(100％、75％、50％、25％及怠速工况)下，分别使用特征集T1、T2、T3、T4训练支持向量机分类器，具体过程包括：
对正常样本与故障样本进行标号，如表5所示。
表5喷油器样本标号
a)选取径向基函数为核函数；
b)将特征集均分成五组，将每个子集数据分别做一次验证集，其余的四个子集数据作为训练集，得到五个模型，以五个模型对应的验证集的分类准确率的平均值作为五折交叉检验下分类器的性能指标，取其中最大分类准确率对应的模型作为最终故障诊断模型。
不同工况不同特征集下故障诊断准确率如表6所示。
表6.不同特征集下故障诊断结果汇总
由表6可以看出，由经验特征集T4随着工况的降低，诊断准确率逐渐下降，除100％工况外分类器性能不能达到要求，而由蓄压腔压力、喷油速率信号的时域、频域及压力-速率的关系特征集T1～T3包含了更多的故障特征信息，具有更高的准确率。下面将S1～S4特征集合并成T特征集，并进行训练。
42)使用特征集T训练分类器：
将特征集S1～S4合并共得到74个特征，使用PCA对特征合集进行降维。取累积贡献率大于95％的前数个主成分作为总故障特征集T。经计算，在100％工况和怠速工况下分别取前4个主成分作为新特征集，75％，50％，25％工况下分别取前5个主成分作为新特征集。
同时，本实例还选用特征集T，构建了故障树和BP神经网络模型用于结果对比，同样采用五折交叉检验法评估分类器性能。对比结果如表7所示，可以看出，本发明提出的基于多域特征提取和支持向量机分类的故障诊断方法诊断准确率高于其他两种方法且比较稳定。
表7不同算法故障诊断准确率(％)
Claims (5)
1.基于可测数据特征的柴油机共轨系统喷油器故障检测方法，其特征在于：包括如下步骤：
（1）数据采集：采集柴油机高压共轨系统中柴油机电控喷油器在运行过程中的故障数据与正常工作数据；
（2）多维故障特征集构建：从时域、频域、压力-速率，经验特征四个维度对喷油器可测量参数蓄压腔压力与喷油速率数据进行特征提取，构建多维故障特征集；
（3）故障特征集降维：对故障特征集通过PCA变换，得到不含冗余信息的低维正交特征；
（4）故障诊断：将低维特征集划分成训练集与测试集，通过五折交叉检验法构建支持向量机，建立故障诊断模型；
（5）获取诊断结果：将运行数据输入故障诊断模型进行故障检测，获取故障信息。
2.根据权利要求1所述的基于可测数据特征的柴油机共轨系统喷油器故障检测方法，其特征在于：步骤（1）所述的数据采集包括柴油机高压共轨系统中的柴油机电控喷油器中控制柱塞及针阀偶件四种正常运行数据及故障数据，所述的故障数据包括如下四种情况：
（a）f1-柱塞或针阀磨损：摩擦阻力变化数据；
（b）f2-针阀磨损：针阀泄漏变化数据；
（c）f3-针阀磨损：针阀升程变化数据；
（4）f4-柱塞磨损：柱塞泄漏变化数据。
3.根据权利要求1所述的基于可测数据特征的柴油机共轨系统喷油器故障检测方法，其特征在于：步骤（2）中所选测点包括：t1-电控喷油器蓄压腔压力和t2-电控喷油器喷油速率，对两个测量信号提取包括时域、频域、压力-速率、经验特征四个维度的特征，构建多维故障特征集S1，S2，S3，S4。
4.根据权利要求1所述的基于可测数据特征的柴油机共轨系统喷油器故障检测方法，其特征在于：步骤（3）所述故障特征集降维包括对故障特征集进行归一化处理，对故障特征S1~S4通过采用主成分分析，将每个特征集的存在相关性的特征变换为线性无关的主成分分量，得到对应的低维正交特征集T1~T4。
5.根据权利要求1所述的基于可测数据特征的柴油机共轨系统喷油器故障检测方法，其特征在于：步骤（4）包括将正常样本标记为“1”，属于第i类的故障样本标记为“i”， i=2,3,4,5；以T1~T4中特征量作为支持向量机输入，以喷油器工作状态，即样本标号作为支持向量机的输出进行训练，具体交叉验证过程如下：
将特征集均分成五组，将每个子集数据分别做一次验证集，其余的四个子集数据作为训练集，得到五个模型，以五个模型对应的验证集的分类准确率的平均值作为五折交叉检验下分类器的性能指标，取其中最大分类准确率对应的模型作为最终故障诊断模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910534548.7A CN110259616B (zh) | 2019-06-19 | 2019-06-19 | 基于可测数据特征的柴油机共轨系统喷油器故障检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910534548.7A CN110259616B (zh) | 2019-06-19 | 2019-06-19 | 基于可测数据特征的柴油机共轨系统喷油器故障检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110259616A CN110259616A (zh) | 2019-09-20 |
| CN110259616B true CN110259616B (zh) | 2021-02-12 |
Family
ID=67919629
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910534548.7A Active CN110259616B (zh) | 2019-06-19 | 2019-06-19 | 基于可测数据特征的柴油机共轨系统喷油器故障检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110259616B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111520231B (zh) * | 2019-12-30 | 2022-06-21 | 哈尔滨工程大学 | 一种基于复合层次离散熵chde和成对邻近度pwfp的共轨喷油器敏感故障特征提取方法 |
| CN112610344B (zh) * | 2020-12-11 | 2022-12-13 | 哈尔滨工程大学 | 一种基于ceemd和改进层次离散熵的共轨喷油器故障诊断方法 |
| CN112761843A (zh) * | 2021-02-18 | 2021-05-07 | 哈尔滨工程大学 | 一种共轨喷油器故障诊断方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005330945A (ja) * | 2004-05-21 | 2005-12-02 | Denso Corp | 燃料噴射装置 |
| CN1975148A (zh) * | 2006-12-14 | 2007-06-06 | 中国船舶重工集团公司第七一一研究所 | 发动机共轨燃油系统耐久试验装置及其试验方法 |
| CN102661866A (zh) * | 2012-05-11 | 2012-09-12 | 天津工业大学 | 基于时域能量和支持向量机的发动机故障识别方法 |
| KR20140045876A (ko) * | 2013-08-23 | 2014-04-17 | 주식회사 아이엑스 | 차량용 엔진의 인젝터 사전검사방법 |
| CN103967675A (zh) * | 2014-04-21 | 2014-08-06 | 北京理工大学 | 一种柴油机高压共轨喷油器综合采集系统 |
| CN104863840A (zh) * | 2015-03-16 | 2015-08-26 | 北京化工大学 | 一种基于emd-pca的往复压缩机智能诊断方法 |
| CN108022325A (zh) * | 2017-10-23 | 2018-05-11 | 重庆长安汽车股份有限公司 | 一种汽车发动机数据采集与故障隐患分析预警模型 |
-
2019
- 2019-06-19 CN CN201910534548.7A patent/CN110259616B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005330945A (ja) * | 2004-05-21 | 2005-12-02 | Denso Corp | 燃料噴射装置 |
| CN1975148A (zh) * | 2006-12-14 | 2007-06-06 | 中国船舶重工集团公司第七一一研究所 | 发动机共轨燃油系统耐久试验装置及其试验方法 |
| CN102661866A (zh) * | 2012-05-11 | 2012-09-12 | 天津工业大学 | 基于时域能量和支持向量机的发动机故障识别方法 |
| KR20140045876A (ko) * | 2013-08-23 | 2014-04-17 | 주식회사 아이엑스 | 차량용 엔진의 인젝터 사전검사방법 |
| CN103967675A (zh) * | 2014-04-21 | 2014-08-06 | 北京理工大学 | 一种柴油机高压共轨喷油器综合采集系统 |
| CN104863840A (zh) * | 2015-03-16 | 2015-08-26 | 北京化工大学 | 一种基于emd-pca的往复压缩机智能诊断方法 |
| CN108022325A (zh) * | 2017-10-23 | 2018-05-11 | 重庆长安汽车股份有限公司 | 一种汽车发动机数据采集与故障隐患分析预警模型 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110259616A (zh) | 2019-09-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110259616B (zh) | 基于可测数据特征的柴油机共轨系统喷油器故障检测方法 | |
| CN105003372B (zh) | 一种基于轨压波形特征参数观测的喷油量故障诊断方法 | |
| 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 | |
| CN110500217B (zh) | 基于可测数据特征的柴油机共轨系统油泵故障检测方法 | |
| WO2023103268A1 (zh) | 泵阀故障检测方法 | |
| CN105003373B (zh) | 一种基于轨压波形特征参数观测的喷油正时故障诊断方法 | |
| CN111289256B (zh) | 一种数据驱动的船舶柴油机故障检测方法 | |
| 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 | |
| Tamura et al. | Misfire detection on internal combustion engines using exhaust gas temperature with low sampling rate | |
| CN110765699B (zh) | 一种压裂装备作业时健康状态的评估方法及装置 | |
| CN104949840A (zh) | 一种基于振动分析的柴油机故障诊断方法 | |
| CN113283004A (zh) | 一种基于迁移学习的航空发动机退化状态故障诊断方法 | |
| CN111753465B (zh) | 升船机防撞缓冲液压系统缓冲油缸内泄漏故障诊断方法 | |
| CN103061942A (zh) | 用于喷油器控制阀组件流量一致性检测的装置及方法 | |
| CN116304551A (zh) | 一种基于bcb模型的电机轴承故障诊断及特征提取方法 | |
| CN114201872A (zh) | 一种柴油机燃油系统的数字孪生建模方法 | |
| CN110276115A (zh) | 基于燃机叶片型线参数的气路故障诊断方法 | |
| Babu et al. | Misfire detection in a multi-cylinder diesel engine: A machine learning approach | |
| Xie et al. | Attention-based Convolutional Neural Networks for Diesel Fuel System Fault Diagnosis | |
| CN109872511A (zh) | 一种针对轴向位移突变监测的自适应两级报警方法 | |
| Shi et al. | Fault diagnosis of me marine diesel engine fuel injector with novel ircmde method | |
| Zheng et al. | Fault diagnosis of injector in high pressure common rail system of diesel engine | |
| CN111523711A (zh) | 一种用于注塑机液压驱动系统泄露故障的诊断方法 | |
| CN114542281B (zh) | 一种基于多源数据融合的柴油机失火故障识别方法 | |
| CN118551195B (zh) | 一种基于多因素的故障诊断方法 |
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 |