CN110307990A - 一种柴油机机油系统故障的智能诊断方法及系统 - Google Patents
一种柴油机机油系统故障的智能诊断方法及系统 Download PDFInfo
- Publication number
- CN110307990A CN110307990A CN201910487398.9A CN201910487398A CN110307990A CN 110307990 A CN110307990 A CN 110307990A CN 201910487398 A CN201910487398 A CN 201910487398A CN 110307990 A CN110307990 A CN 110307990A
- Authority
- CN
- China
- Prior art keywords
- fault
- fault alarm
- rootstock
- lubricating oil
- diesel engine
- 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
- 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
- G01M15/05—Testing internal-combustion engines by combined monitoring of two or more different engine parameters
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Lubrication Details And Ventilation Of Internal Combustion Engines (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明提供了一种柴油机机油系统故障的智能诊断方法,包括以下步骤:智能诊断终端获取通过数据采集终端采集到的机油系统的状态数据;将该状态数据与其相对应的故障报警阈值进行比较,当该数据超过故障报警阈值时,发出相应的故障报警;根据综合评价算法模型,选择故障报警相对应的具有最高值可信度因子的故障根源以给出故障诊断结果;以及输出该故障根源,并根据用户最终确定的故障根源对该可信度因子进行训练修正。通过一种柴油机机油系统故障的智能诊断方法及系统,更加科学全面的进行柴油机机油系统进行状态监控、自动报警和故障智能诊断。
Description
技术领域
本发明总体上涉及故障诊断领域,并且更具体地,涉及一种柴油机机油系统故障的智能诊断方法及系统。
背景技术
机油在柴油机中的作用为润滑、冷却及力传递,堪称柴油机的“血液”,柴油机曲轴、凸轮轴、传动齿轮、阀隙机构、动力组、增压器等都依靠机油进行润滑和冷却。机油系统的故障会直接导致上述关键部件的损伤和失效,严重影响柴油机及所属上级产品的运用,因此必须加强对柴油机机油系统的监控防护和故障诊断能力。
目前柴油机机油系统大多只有基础的信息采集和报警功能,一般有机油压力、机油温度信息采集,机油压力、机油温度故障报警提示,一部分柴油机整机及机油系统开始向智能化故障诊断发展。目前的柴油机机油系统监控技术具有以下局限性:
1)采集项目、布置位置、故障报警提示项目不完善,缺乏对机油系统状态的全面监控,难以全面的反映出机油系统故障,故障后难以进行具体原因分析。同时故障报警提示后,无智能诊断方式来查找故障根源,仅依靠传统的人工经验进行原因分析,时效性差。
2)一部分柴油机整机及机油系统开始建立智能化的故障诊断系统,但均是对故障诊断系统的总体结构和功能进行描述,对针对性的具体诊断方法未进行提及,而该部分正是智能化故障诊断系统的核心和难点所在。
3)一部分柴油机整机及机油系统的故障诊断系统提及了融合识别、神经网络、模糊学等技术方法,但提及的融合识别法较为简单,准确性差,提及的神经网络和模糊学与具体实际应用的结合性较差。
随着现代工业技术尤其是传感技术、嵌入式系统、基于大数据的信息技术的迅速发展,使得柴油机机油系统故障诊断向智能化、系统化、综合化发展。
发明内容
鉴于此,本发明实施例的目的在于提出一种详细的柴油机机油系统故障的智能诊断方法及系统,科学全面的实现柴油机机油系统进行状态监控、自动报警和故障智能诊断。
基于上述目的,本发明实施例的一方面提供了一种柴油机机油系统故障的智能诊断方法,包括以下步骤:
智能诊断终端获取通过数据采集终端采集到的机油系统的状态数据;
将所述状态数据与其相对应的故障报警阈值进行比较,当所述数据超过所述故障报警阈值时,发出相应的故障报警;
根据综合评价算法模型,选择所述故障报警相对应的具有最高值可信度因子的故障根源以给出故障诊断结果;以及
输出所述故障根源,并根据用户最终确定的故障根源对所述可信度因子进行训练修正。
在一些实施方式中,所述智能诊断终端获取通过数据采集终端采集到的机油系统的状态数据包括:
所述数据采集终端从安装在柴油机机油系统上的传感器获取相应传感器信号并将所述信号通过微机处理单元进行处理,以获得所述机油系统的状态数据,
其中,所述状态数据包括:机油温度、冷却水温度、机油进口压力、机油出口压力、增压器机油压力、金属粒子探测、柴油机转速、机油油位、机油粘度。
在一些实施方式中,采用机油粘度电阻值法实现机油粘度的在线数据采集。
在一些实施方式中,所述机油进口压力、机油出口压力和增压器机油压力相对应的故障报警阈值设计为与柴油机转速、机油温度变化相关的三维动态阈值。
在一些实施方式中,将所述状态数据与其相对应的故障报警阈值进行比较,当所述数据超过所述故障报警阈值时,发出相应的故障报警包括:
每个故障报警项目均对应一个故障报警编号和故障报警阈值,当所述智能诊断终端接收到所述状态数据后,首先将所述状态数据与其相应的故障报警阈值进行比较,当超过所述故障报警阈值时,输出所述故障报警编号和相对应的故障报警项目。
在一些实施方式中,根据综合评价算法模型,选择所述故障报警相对应的具有最高值可信度因子的故障根源以给出故障诊断结果包括:
在所述综合评价算法模型中,每个故障根源项目均对应一个故障根源编号,每个故障报警与所述故障根源之间均赋一个可信度因子,对一些相互关联影响的故障报警提示,为多个故障报警提示与各故障根源之间同样赋一个可信度因子,其中,当触发故障报警时,根据所述综合评价算法模型输出所述故障报警相对应的具有最高值可信度因子的故障根源编号和故障根源项目。
在一些实施方式中,输出所述故障根源,并根据用户最终确定的故障根源对所述可信度因子进行训练修正包括:
根据训练修正公式:对所述可信度因子进行修正,
其中,Nx′为训练修正后的故障报警N与故障根源x对应的可信度因子,Nx为训练修正前的故障报警N与故障根源x对应的可信度因子,n为故障报警N触发的总次数,nx为由故障根源x导致的故障报警N的总次数。
本发明实施例的另一方面提供了一种柴油机机油系统故障的智能诊断系统,包括数据采集终端和智能诊断终端,所述智能诊断终端包括以下模块:
故障报警模块,所述故障报警模块被配置为接收所述数据采集终端采集的所述柴油机机油系统的状态数据并将所述状态数据与其相对应的故障报警阈值进行比较,当所述数据超过所述故障报警阈值时,发出相应的故障报警;
故障根源模块,所述故障根源模块包括故障根源编号和故障根源项目,每个故障根源项目均对应一个故障根源编号;
综合评价算法模块,在所述综合评价算法模块中,为一个或多个故障报警与各故障根源之间赋一个可信度因子,当触发故障报警时,输出所述故障报警相对应的具有最高值可信度因子的故障根源编号和故障根源项目;
诊断输出与反馈模块,所述诊断输出与反馈模块被配置为能够将系统诊断的故障结果进行显示,并且还能够接收人工录入的故障处理结果及最终确认的故障根源;以及
算法训练修正模块,所述算法训练修正模块被配置为对所述诊断输出与反馈模块接收的最终确认的故障根源进行统计并以此对所述可信度因子进行训练修正计算。
在一些实施方式中,所述综合评价算法模块采用Python和R语言进行开发,所述故障根源模块、所述诊断输出与反馈模块以及所述算法训练修正模块采用JAVA、PASCAL语言进行开发。
本发明实施例的又一方面提供了一种实现柴油机机油系统故障智能诊断的装置,包括:
至少一个处理器;和
存储器,所述存储器存储有处理器可运行的程序代码,所述程序代码在被处理器运行时实施上面任一项所述的方法。
本发明具有以下有益技术效果:本发明实施例提供的一种柴油机机油系统故障的智能诊断方法及系统,能够更加科学全面的进行柴油机机油系统的状态监控、自动报警和故障智能诊断,使得柴油机机油系统故障诊断更加向智能化、系统化、综合化发展。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的实施例。
图1是根据本发明实施例的柴油机机油系统故障的智能诊断方法和系统的流程性示意图;以及
图2是根据本发明实施例的柴油机机油系统信息采集的传感器布置示意图。
具体实施方式
以下描述了本公开的实施例。然而,应该理解,所公开的实施例仅仅是示例,并且其他实施例可以采取各种替代形式。附图不一定按比例绘制;某些功能可能被夸大或最小化以显示特定部件的细节。因此,本文公开的具体结构和功能细节不应被解释为限制性的,而仅仅是作为用于教导本领域技术人员以各种方式使用本发明的代表性基础。如本领域普通技术人员将理解的,参考任何一个附图所示出和描述的各种特征可以与一个或多个其他附图中所示的特征组合以产生没有明确示出或描述的实施例。所示特征的组合为典型应用提供了代表性实施例。然而,与本公开的教导相一致的特征的各种组合和修改对于某些特定应用或实施方式可能是期望的。
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明实施例进一步详细说明。
基于上述目的,本发明的实施例一方面提出了一种柴油机机油系统故障的智能诊断方法,如图1所示,包括以下步骤:
智能诊断终端获取通过数据采集终端采集到的机油系统的状态数据;
将状态数据与其相对应的故障报警阈值进行比较,当该状态数据超过故障报警阈值时,发出相应的故障报警;
根据综合评价算法模型,选择故障报警相对应的具有最高值可信度因子的故障根源以给出故障诊断结果;以及
输出该故障根源,并根据用户最终确定的故障根源对所述可信度因子进行训练修正。
在一些实施例中,搭建柴油机机载数据采集终端进行相关状态信息的自动采集,该机载数据采集终端包括安装在柴油机上的传感器、进行传感器信号转换的微机处理单元。为更加合理完善的进行机油系统诊断,采集的状态信息包括机油温度、冷却水温度、机油进口压力、机油出口压力、增压器机油压力、金属粒子探测、柴油机转速、机油油位、机油粘度,并按照图2进行柴油机机油系统的传感器布置。数据采集终端中的微机处理单元将传感器采集到的带有相关状态信息的传感器信号转换为相应的状态数据,以供后续分析和处理。
在一些实施例中,采用机油粘度电阻值法实现机油粘度的在线数据采集。
在一些实施例中,由于机油进口压力、机油出口压力、增压器机油压力会跟随柴油机转速和机油温度的变化而变化,因此该3个故障报警阀值设计为与柴油机转速、机油温度变化相关的三维动态阀值,其他故障报警阀值设计为单一的固定值。
在一些实施例中,故障报警即为输出故障报警项目和对应的故障报警编号。每个故障报警项目均对应一个故障报警编号和故障报警阈值,当智能诊断终端接收到数据采集中断采集的状态数据后,首先将状态数据与其相应的故障报警阈值进行比较,当所述状态数据超过故障报警阈值时,输出故障报警编号和相对应的故障报警项目。表1是柴油机机油系统故障报警提示项目库,该故障报警模块具有扩展性,能够对报警提示项目库进行方便补充。
表1
在一些实施例中,在机油系统智能诊断终端植入故障根源模块,包括故障根源编号、故障根源项目,每个故障根源项目均对应一个故障根源编号。表2是柴油机机油系统故障根源库,该故障根源模块具有扩展性,能够对报警根源项目库进行方便补充。
表2
在综合评价算法模型中,为每个故障报警提示与故障根源之间均赋一个可信度因子,对一些相互关联影响的故障报警提示,为多个故障报警提示与各故障根源之间同样赋一个可信度因子。其中,当触发故障报警时,根据所述综合评价算法模型输出该故障报警相对应的具有最高值可信度因子的故障根源编号和故障根源项目。表3是综合评价算法模型,该表中的可信度因子依据柴油机机油系统故障诊断机理和前期的试验和实践积累所得。
表3
例如,柴油机机油系统仅触发故障报警C(机油进口压力低报警)时,根据表3,可信度因子最高值为C5=0.4,可信度因子C1、C2、C3、C4、C7、C9分别为0.1,其他可信度因子为0.0,因此根据可信度因子高低给出的故障诊断结果,最可能的故障根源为故障根源5(柴油机外部机油管路系统堵塞或泄漏);若故障报警C(机油进口压力低报警)与故障报警D(机油出口压力低报警)均触发时,按照表3综合评价算法模型,故障报警C+D对应的可信度因子最高值为CD3=0.3,因此根据可信度因子高低给出的故障诊断结果,最可能的故障根源为故障根源3(机油泵故障)。
在一些实施例中,采用HMI客户端或其他可视化技术实现人机交互,将系统诊断的结果进行界面文字或语言显示,指导维修人员进行故障处理,同时通过界面能够人工录入故障处理结果及最终确认的故障根源。
在一些实施例中,在该系统搭建初期,综合评价算法模型存在一定的准确性误差,因此需要进行训练修正,即对上述步骤用户最终确定的故障根源进行统计并对可信度因子进行训练修正计算,优化算法模型。其中根据训练修正公式:
对所述可信度因子进行修正,其中,Nx′为训练修正后的故障报警N与故障根源x对应的可信度因子,Nx为训练修正前的故障报警N与故障根源x对应的可信度因子,n为故障报警N触发的总次数,nx为由故障根源x导致的故障报警N的总次数。
例如,故障报警C(机油进口压力低报警)与故障根源7(机油油量不足)对应的训练修正前的可信度因子C7=0.1,在发生的10次故障报警C(机油进口压力低报警)中,有2次是由故障根源7(机油油量不足)引起的,则微机程序自动对该可信度因子进行训练修正为:
从而再以0.15作为后续的原始可信度因子,经过不断对可信度因子进行自动训练修正,最终不断提高综合评价算法模型的准确性。
在技术上可行的情况下,以上针对不同实施例所列举的技术特征可以相互组合,或者改变、添加以及省略等等,从而形成本发明范围内的另外实施例。
从上述实施例可以看出,本发明实施例提供的柴油机机油系统故障的智能诊断方法既能实现故障报警又能自动诊断出故障根源,而且具有较高的准确性,减少了人工工作量、提高了时效性;实现了更加科学全面的进行柴油机机油系统的状态监控、自动报警和故障智能诊断。
本发明实施例的又一方面提出了一种柴油机机油系统故障的智能诊断方法的一个实施例,包括数据采集终端和智能诊断终端,该机载数据采集终端包括安装在柴油机上的传感器、进行传感器信号转换的微机处理单元。为更加合理完善的进行机油系统诊断,采集的信息包括机油温度、冷却水温度、机油进口压力、机油出口压力、增压器机油压力、金属粒子探测、柴油机转速、机油油位、机油粘度,其中按照图2进行柴油机机油系统的传感器布置。
该智能诊断终端可采用具有大容量数据存储(例如MongoDB数据库)和处理分析能力的服务器软硬件或其它设备,为更好的实现系统的灵活性、扩展性和移植性,智能诊断终端采用分布式机构,即分为故障报警模块、故障根源模块、诊断输出与反馈模块、综合评价算法模块、算法训练修正模块,各模块间相互独立。
故障报警模块采用JAVA、PASCAL或其他编程语言进行编辑,被配置为接收数据采集终端采集的柴油机机油系统的状态数据并将该状态数据与其相对应的故障报警阈值进行比较,当数据超过故障报警阈值时,发出相应的故障报警;故障根源模块包括故障根源编号和故障根源项目,每个故障根源项目均对应一个故障根源编号;综合评价算法模块中包含综合评价算法模型,该算法模型采用Python和R语言等开元算法进行开发,在该算法模型中,为每个故障报警提示与故障根源之间均赋一个可信度因子,对一些相互关联影响的故障报警提示,为多个故障报警提示与各故障根源之间同样赋一个可信度因,当触发故障报警时,输出所述故障报警相对应的具有最高值可信度因子的故障根源编号和故障根源项目;诊断输出与反馈模块采用JAVA、PASCAL或其他编程语言进行编辑,采用HMI客户端或其他可视化技术实现人机交互,能够将系统诊断的结果进行界面文字或语言显示,指导维修人员进行故障处理,同时通过界面能够人工录入故障处理结果及最终确认的故障根源;以及算法训练修正模块采用JAVA、PASCAL或其他编程语言进行编辑,对诊断输出与反馈模块接收的最终确认的故障根源进行统计并以此对可信度因子进行训练修正计算,其中根据训练修正公式:
对所述可信度因子进行修正,其中,Nx′为训练修正后的故障报警N与故障根源x对应的可信度因子,Nx为训练修正前的故障报警N与故障根源x对应的可信度因子,n为故障报警N触发的总次数,nx为由故障根源x导致的故障报警N的总次数。
从上述实施例可以看出,本发明实施例提供的柴油机机油系统故障的智能诊断系统集成度高、智能性强,能够对机油系统状态进行全面监控、全面有效地反映出机油系统故障并给出故障原因分析,方便工作人员进行故障定位及修复。
所述柴油机机油系统故障的智能诊断系统包括至少一个处理器和存储器,存储器存储有可在处理器上运行的计算机程序,处理器执行程序时执行上述任意一种方法。
存储器作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本申请实施例中的所述柴油机机油系统故障的智能诊断方法对应的程序指令/模块。处理器通过运行存储在存储器中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例的柴油机机油系统故障的智能诊断方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据通过柴油机机油系统故障的智能诊断系统的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至本地模块。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个柴油机机油系统故障的智能诊断方法对应的程序指令/模块存储在所述存储器中,当被所述处理器执行时,执行上述任意方法实施例中的柴油机机油系统故障的智能诊断方法。
所述执行柴油机机油系统故障的智能诊断系统的任何一个实施例,可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
最后需要说明的是,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关硬件来完成,所述的程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(ROM)或随机存储记忆体(RAM)等。
此外,典型地,本发明实施例公开所述的装置、设备等可为各种电子终端设备,例如手机、个人数字助理(PDA)、平板电脑(PAD)、智能电视等,也可以是大型终端设备,如服务器等,因此本发明实施例公开的保护范围不应限定为某种特定类型的装置、设备。本发明实施例公开所述的客户端可以是以电子硬件、计算机软件或两者的组合形式应用于上述任意一种电子终端设备中。
此外,根据本发明实施例公开的方法还可以被实现为由CPU执行的计算机程序,该计算机程序可以存储在计算机可读存储介质中。在该计算机程序被CPU执行时,执行本发明实施例公开的方法中限定的上述功能。
此外,上述方法步骤以及系统单元也可以利用控制器以及用于存储使得控制器实现上述步骤或单元功能的计算机程序的计算机可读存储介质实现。
此外,应该明白的是,本文所述的计算机可读存储介质(例如,存储器)可以是易失性存储器或非易失性存储器,或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的,非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)或快闪存储器。易失性存储器可以包括随机存取存储器(RAM),该RAM可以充当外部高速缓存存储器。作为例子而非限制性的,RAM可以以多种形式获得,比如同步RAM(DRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDRSDRAM)、增强SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)、以及直接Rambus RAM(DRRAM)。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。
本领域技术人员还将明白的是,结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性,已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现所述的功能,但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。
结合这里的公开所描述的各种示例性逻辑块、模块和电路可以利用被设计成用于执行这里所述功能的下列部件来实现或执行:通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。通用处理器可以是微处理器,但是可替换地,处理器可以是任何传统处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合,例如,DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP和/或任何其它这种配置。
结合这里的公开所描述的方法或算法的步骤可以直接包含在硬件中、由处理器执行的软件模块中或这两者的组合中。软件模块可以驻留在RAM存储器、快闪存储器、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域已知的任何其它形式的存储介质中。示例性的存储介质被耦合到处理器,使得处理器能够从该存储介质中读取信息或向该存储介质写入信息。在一个替换方案中,所述存储介质可以与处理器集成在一起。处理器和存储介质可以驻留在ASIC中。ASIC可以驻留在用户终端中。在一个替换方案中,处理器和存储介质可以作为分立组件驻留在用户终端中。
在一个或多个示例性设计中,所述功能可以在硬件、软件、固件或其任意组合中实现。如果在软件中实现,则可以将所述功能作为一个或多个指令或代码存储在计算机可读介质上或通过计算机可读介质来传送。计算机可读介质包括计算机存储介质和通信介质,该通信介质包括有助于将计算机程序从一个位置传送到另一个位置的任何介质。存储介质可以是能够被通用或专用计算机访问的任何可用介质。作为例子而非限制性的,该计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储设备、磁盘存储设备或其它磁性存储设备,或者是可以用于携带或存储形式为指令或数据结构的所需程序代码并且能够被通用或专用计算机或者通用或专用处理器访问的任何其它介质。此外,任何连接都可以适当地称为计算机可读介质。例如,如果使用同轴线缆、光纤线缆、双绞线、数字用户线路(DSL)或诸如红外线、无线电和微波的无线技术来从网站、服务器或其它远程源发送软件,则上述同轴线缆、光纤线缆、双绞线、DSL或诸如红外线、无线电和微波的无线技术均包括在介质的定义。如这里所使用的,磁盘和光盘包括压缩盘(CD)、激光盘、光盘、数字多功能盘(DVD)、软盘、蓝光盘,其中磁盘通常磁性地再现数据,而光盘利用激光光学地再现数据。上述内容的组合也应当包括在计算机可读介质的范围内。
应当理解的是,在本文中使用的,除非上下文清楚地支持例外情况,单数形式“一个”旨在也包括复数形式。还应当理解的是,在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。
上述本发明实施例公开实施例序号仅仅为了描述,不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器、磁盘或光盘等。
上述实施例是实施方式的可能示例,并且仅仅为了清楚理解本发明的原理而提出。所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子;在本发明实施例的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,并存在如上所述的本发明实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。因此,凡在本发明实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明实施例的保护范围之内。
Claims (10)
1.一种柴油机机油系统故障的智能诊断方法,其特征在于,包括以下步骤:
智能诊断终端获取通过数据采集终端采集到的机油系统的状态数据;
将所述状态数据与其相对应的故障报警阈值进行比较,当所述数据超过所述故障报警阈值时,发出相应的故障报警;
根据综合评价算法模型,选择所述故障报警相对应的具有最高值可信度因子的故障根源以给出故障诊断结果。
2.根据权利要求1所述的方法,其特征在于,还包括:
输出所述故障根源,并根据用户最终确定的故障根源对所述可信度因子进行训练修正。
3.根据权利要求1所述的方法,其特征在于,所述智能诊断终端获取通过数据采集终端采集到的机油系统的状态数据包括:
所述数据采集终端从安装在柴油机机油系统上的传感器获取相应传感器信号并将所述信号通过微机处理单元进行处理,以获得所述机油系统的状态数据,
其中,所述状态数据包括:机油温度、冷却水温度、机油进口压力、机油出口压力、增压器机油压力、金属粒子探测、柴油机转速、机油油位、机油粘度中的至少一种。
4.根据权利要求3所述的方法,其特征在于,采用机油粘度电阻值法实现机油粘度的在线数据采集。
5.根据权利要求3所述的方法,其特征在于,所述机油进口压力、机油出口压力和增压器机油压力相对应的故障报警阈值设计为与柴油机转速、机油温度变化相关的三维动态阈值。
6.根据权利要求1所述的方法,其特征在于,将所述状态数据与其相对应的故障报警阈值进行比较,当所述数据超过所述故障报警阈值时,发出相应的故障报警包括:
每个故障报警项目均对应一个故障报警编号和故障报警阈值,当所述智能诊断终端接收到所述状态数据后,首先将所述状态数据与其相应的故障报警阈值进行比较,当超过所述故障报警阈值时,输出所述故障报警编号和相对应的故障报警项目。
7.根据权利要求1所述的方法,其特征在于,根据综合评价算法模型,选择所述故障报警相对应的具有最高值可信度因子的故障根源以给出故障诊断结果包括:
在所述综合评价算法模型中,每个故障根源项目均对应一个故障根源编号,每个故障报警与所述故障根源之间均赋一个可信度因子,对一些相互关联影响的故障报警提示,为多个故障报警提示与各故障根源之间同样赋一个可信度因子,其中,当触发故障报警时,根据所述综合评价算法模型输出所述故障报警相对应的具有最高值可信度因子的故障根源编号和故障根源项目。
8.根据权利要求1所述的方法,其特征在于,输出所述故障根源,并根据用户最终确定的故障根源对所述可信度因子进行训练修正包括:
根据训练修正公式:对所述可信度因子进行修正,
其中,Nx′为训练修正后的故障报警N与故障根源x对应的可信度因子,Nx为训练修正前的故障报警N与故障根源x对应的可信度因子,n为故障报警N触发的总次数,nx为由故障根源x导致的故障报警N的总次数。
9.一种柴油机机油系统故障的智能诊断系统,其特征在于,包括数据采集终端和智能诊断终端,所述智能诊断终端包括:
故障报警模块,所述故障报警模块被配置为接收所述数据采集终端采集的所述柴油机机油系统的状态数据并将所述状态数据与其相对应的故障报警阈值进行比较,当所述数据超过所述故障报警阈值时,发出相应的故障报警;
故障根源模块,所述故障根源模块包括故障根源编号和故障根源项目,每个故障根源项目均对应一个故障根源编号;
综合评价算法模块,在所述综合评价算法模块中,为一个或多个故障报警与各故障根源之间赋一个可信度因子,当触发故障报警时,输出所述故障报警相对应的具有最高值可信度因子的故障根源编号和故障根源项目;
诊断输出与反馈模块,所述诊断输出与反馈模块被配置为能够将系统诊断的故障结果进行显示,并且还能够接收人工录入的故障处理结果及最终确认的故障根源;以及
算法训练修正模块,所述算法训练修正模块被配置为对所述诊断输出与反馈模块接收的最终确认的故障根源进行统计并以此对所述可信度因子进行训练修正计算。
10.一种实现柴油机机油系统故障智能诊断的装置,其特征在于,包括:
至少一个处理器;和
存储器,所述存储器存储有处理器可运行的程序代码,所述程序代码在被处理器运行时实施如权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910487398.9A CN110307990B (zh) | 2019-06-05 | 2019-06-05 | 一种柴油机机油系统故障的智能诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910487398.9A CN110307990B (zh) | 2019-06-05 | 2019-06-05 | 一种柴油机机油系统故障的智能诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110307990A true CN110307990A (zh) | 2019-10-08 |
CN110307990B CN110307990B (zh) | 2020-12-25 |
Family
ID=68075037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910487398.9A Active CN110307990B (zh) | 2019-06-05 | 2019-06-05 | 一种柴油机机油系统故障的智能诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110307990B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111638058A (zh) * | 2020-06-11 | 2020-09-08 | 中国人民解放军陆军装甲兵学院 | 一种装甲装备发动机便携式检测诊断仪及其检测方法 |
CN112146909A (zh) * | 2020-09-24 | 2020-12-29 | 新奥数能科技有限公司 | 制冷设备故障诊断方法、装置、可读存储介质及计算设备 |
CN113110389A (zh) * | 2021-04-21 | 2021-07-13 | 东方电气自动控制工程有限公司 | 一种基于智慧电厂监控系统的故障录波数据的处理方法 |
CN113482773A (zh) * | 2021-07-05 | 2021-10-08 | 无锡威孚高科技集团股份有限公司 | 用于非道路柴油机电控系统的故障管理方法和装置 |
CN115095407A (zh) * | 2022-05-25 | 2022-09-23 | 潍柴动力股份有限公司 | 一种柴油机机油压力控制方法及系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07180528A (ja) * | 1993-12-24 | 1995-07-18 | Toyota Autom Loom Works Ltd | 排気ガス浄化装置 |
CN101892885A (zh) * | 2009-05-18 | 2010-11-24 | Mtu腓特烈港有限责任公司 | 确定内燃机中油损耗的方法、电装置、内燃机 |
CN102095588A (zh) * | 2010-12-28 | 2011-06-15 | 中国人民解放军军事交通学院 | 柴油机故障智能诊断方法 |
CN103189630A (zh) * | 2010-11-11 | 2013-07-03 | 大陆汽车有限公司 | 确定来自内燃机内的润滑剂的燃料脱气和基于所确定的燃料脱气的拉姆达值适配 |
CN103440418A (zh) * | 2013-08-30 | 2013-12-11 | 中南大学 | 基于自组织卡尔曼滤波的多传感器主动容错估计方法 |
CN103471963A (zh) * | 2013-08-10 | 2013-12-25 | 济宁韩泰石油化工有限公司 | 一种内燃机油的性能分析实验 |
CN104158682A (zh) * | 2014-08-08 | 2014-11-19 | 深圳供电局有限公司 | 一种基于贡献度的同步数字体系sdh故障定位方法 |
CN104389654A (zh) * | 2014-09-24 | 2015-03-04 | 中国北车集团大连机车车辆有限公司 | 发动机机油监测方法及装置 |
CN105277826A (zh) * | 2015-10-23 | 2016-01-27 | 电子科技大学 | 阵列天线故障诊断系统 |
CN106444489A (zh) * | 2016-08-31 | 2017-02-22 | 中国人民解放军装甲兵工程学院 | 基于数字化监测重型装备发动机的监测装置及其监测方法 |
CN106958484A (zh) * | 2017-03-17 | 2017-07-18 | 中国人民解放军重庆通信学院 | 基于北斗卫星通信的船队柴油机远程状态监测系统及监测方法 |
CN107065834A (zh) * | 2017-05-25 | 2017-08-18 | 东北大学 | 湿法冶金过程中浓密机的故障诊断方法 |
CN108121796A (zh) * | 2017-12-20 | 2018-06-05 | 国网湖南省电力有限公司 | 基于可信度的电能计量装置故障分析方法及装置 |
CN109726071A (zh) * | 2018-07-18 | 2019-05-07 | 平安科技(深圳)有限公司 | 系统故障处理方法、装置、设备及存储介质 |
-
2019
- 2019-06-05 CN CN201910487398.9A patent/CN110307990B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07180528A (ja) * | 1993-12-24 | 1995-07-18 | Toyota Autom Loom Works Ltd | 排気ガス浄化装置 |
CN101892885A (zh) * | 2009-05-18 | 2010-11-24 | Mtu腓特烈港有限责任公司 | 确定内燃机中油损耗的方法、电装置、内燃机 |
CN103189630A (zh) * | 2010-11-11 | 2013-07-03 | 大陆汽车有限公司 | 确定来自内燃机内的润滑剂的燃料脱气和基于所确定的燃料脱气的拉姆达值适配 |
CN102095588A (zh) * | 2010-12-28 | 2011-06-15 | 中国人民解放军军事交通学院 | 柴油机故障智能诊断方法 |
CN103471963A (zh) * | 2013-08-10 | 2013-12-25 | 济宁韩泰石油化工有限公司 | 一种内燃机油的性能分析实验 |
CN103440418A (zh) * | 2013-08-30 | 2013-12-11 | 中南大学 | 基于自组织卡尔曼滤波的多传感器主动容错估计方法 |
CN104158682A (zh) * | 2014-08-08 | 2014-11-19 | 深圳供电局有限公司 | 一种基于贡献度的同步数字体系sdh故障定位方法 |
CN104389654A (zh) * | 2014-09-24 | 2015-03-04 | 中国北车集团大连机车车辆有限公司 | 发动机机油监测方法及装置 |
CN105277826A (zh) * | 2015-10-23 | 2016-01-27 | 电子科技大学 | 阵列天线故障诊断系统 |
CN106444489A (zh) * | 2016-08-31 | 2017-02-22 | 中国人民解放军装甲兵工程学院 | 基于数字化监测重型装备发动机的监测装置及其监测方法 |
CN106958484A (zh) * | 2017-03-17 | 2017-07-18 | 中国人民解放军重庆通信学院 | 基于北斗卫星通信的船队柴油机远程状态监测系统及监测方法 |
CN107065834A (zh) * | 2017-05-25 | 2017-08-18 | 东北大学 | 湿法冶金过程中浓密机的故障诊断方法 |
CN108121796A (zh) * | 2017-12-20 | 2018-06-05 | 国网湖南省电力有限公司 | 基于可信度的电能计量装置故障分析方法及装置 |
CN109726071A (zh) * | 2018-07-18 | 2019-05-07 | 平安科技(深圳)有限公司 | 系统故障处理方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
曹永: "船舶柴油机综合在线监测诊断系统的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111638058A (zh) * | 2020-06-11 | 2020-09-08 | 中国人民解放军陆军装甲兵学院 | 一种装甲装备发动机便携式检测诊断仪及其检测方法 |
CN111638058B (zh) * | 2020-06-11 | 2022-04-15 | 中国人民解放军陆军装甲兵学院 | 一种装甲装备发动机便携式检测诊断仪及其检测方法 |
CN112146909A (zh) * | 2020-09-24 | 2020-12-29 | 新奥数能科技有限公司 | 制冷设备故障诊断方法、装置、可读存储介质及计算设备 |
CN113110389A (zh) * | 2021-04-21 | 2021-07-13 | 东方电气自动控制工程有限公司 | 一种基于智慧电厂监控系统的故障录波数据的处理方法 |
CN113482773A (zh) * | 2021-07-05 | 2021-10-08 | 无锡威孚高科技集团股份有限公司 | 用于非道路柴油机电控系统的故障管理方法和装置 |
CN113482773B (zh) * | 2021-07-05 | 2022-05-31 | 无锡威孚高科技集团股份有限公司 | 用于非道路柴油机电控系统的故障管理方法和装置 |
CN115095407A (zh) * | 2022-05-25 | 2022-09-23 | 潍柴动力股份有限公司 | 一种柴油机机油压力控制方法及系统 |
CN115095407B (zh) * | 2022-05-25 | 2024-03-19 | 潍柴动力股份有限公司 | 一种柴油机机油压力控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110307990B (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110307990A (zh) | 一种柴油机机油系统故障的智能诊断方法及系统 | |
CN110766277B (zh) | 用于核工业现场的健康评估及诊断系统和移动终端 | |
CN104283318B (zh) | 基于大数据的电力设备综合监测与预警系统及其分析方法 | |
CN108627720B (zh) | 一种基于贝叶斯算法的电力设备状态监测方法 | |
CN105134456B (zh) | 基于在线监测的水轮机故障预诊断方法 | |
CN110378034A (zh) | 一种机车发动机故障诊断方法、系统及实现装置 | |
CN113537415A (zh) | 基于多信息融合的换流站巡检方法、装置和计算机设备 | |
CN115034483A (zh) | 一种水轮发电机组运行故障监测方法及系统 | |
CN111896254A (zh) | 一种变速变载大型滚动轴承故障预测系统及方法 | |
CN104267346A (zh) | 一种发电机励磁系统故障远程诊断方法 | |
CN114239864A (zh) | 一种基于数字孪生的换流阀故障检修方法及终端 | |
CN105278524A (zh) | 一种开放型水电机组故障诊断系统 | |
CN109491343A (zh) | 工业制造过程远程物联监控系统 | |
CN110879151B (zh) | 基于运行大数据的燃气轮机远程监测和诊断系统及方法 | |
CN117289085A (zh) | 一种多线路故障分析诊断方法及系统 | |
CN111556111A (zh) | 基于物联网的管廊设备故障远程诊断系统 | |
CN107463146A (zh) | 一种通过mhcims诊断起重机故障的方法 | |
CN107918339A (zh) | 光伏运维智能云平台及其控制方法 | |
LU503807B1 (en) | A Fault Diagnosis Method for Gas Turbine Based on Improved Transformer | |
CN110427689B (zh) | 基于信息新技术的燃机机组机群监测诊断方法 | |
CN202231496U (zh) | 变电站设备远程监测诊断系统 | |
CN115726935A (zh) | 一种基于人工智能的风力机组异常状态检测系统及方法 | |
CN110110401A (zh) | 一种基于安全树模型的电动车辆安全设计优化方法 | |
CN114066163A (zh) | 一种基于三层架构模式的电力设备状态分析方法及装置 | |
CN115827318A (zh) | 数据中心的异常处理方法、装置、电子设备及介质 |
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 |