CN110455546A - 基于振动和油液信息的发动机状态监测和故障诊断方法 - Google Patents
基于振动和油液信息的发动机状态监测和故障诊断方法 Download PDFInfo
- Publication number
- CN110455546A CN110455546A CN201910657108.0A CN201910657108A CN110455546A CN 110455546 A CN110455546 A CN 110455546A CN 201910657108 A CN201910657108 A CN 201910657108A CN 110455546 A CN110455546 A CN 110455546A
- Authority
- CN
- China
- Prior art keywords
- engine
- vibration
- oil product
- oil
- factor
- 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
- G01M15/02—Details or accessories of testing apparatus
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Chemical & Material Sciences (AREA)
- Marketing (AREA)
- Combustion & Propulsion (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Testing Of Engines (AREA)
- Lubrication Details And Ventilation Of Internal Combustion Engines (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种基于振动和油液信息融合的发动机状态监测和故障诊断方法,包括以下步骤:(1)提取发动机的振动特征参数、发动机的油品特征参数和发动机油液铁谱磨粒特征参数;(2)采用基于发动机振动信号和发动机油品特征参数的油品理化指标模型进行监测;(3)采用基于发动机振动信号和发动机油液铁谱磨粒特征参数模型进行诊断;(4)综合一级状态评价模型和二级故障诊断模型结果,从而判断发动机运行状态。本发明的方法,结合发动机振动和油液信息对发动机的运行状态进行评价,评价结果为是否故障或警告。在发动机出现故障的情况下,结合发动机振动和油液铁谱磨粒信息对发动机的故障情况进行诊断,迅速查明发动机的故障原因。
Description
技术领域
本发明涉及发动机故障诊断方法领域,尤其涉及一种基于振动和油液信息融合的发动机状态监测和故障诊断方法。
背景技术
对于机械设备而言,发动机是一种重要的动力机械,也是机械设备的核心动力组成部分。现有技术中公开的发动机故障诊断的方法主要以振动信息诊断、油液信息诊断、状态参数诊断、声发射信息诊断为主。其中基于单一振动信息和油液信息诊断应用最广泛。仅凭单一信息是不能完整反映发动机的运行状态的。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本发明的目的在于提供一种基于振动和油液信息融合的发动机状态监测方法,从而克服了现有技术中采用单一信息为主而导致的监测准确率不高的缺点。
本发明的另一目的在于提供一种基于振动和油液信息融合的发动机故障诊断方法,其能够在发动机发生故障的前提下结合油液和振动信息而准确查明发生故障的具体部件或具体原因。
为实现上述目的,本发明提供了一种基于振动和油液信息融合的发动机状态监测和故障诊断方法,包括以下步骤:
(1)提取发动机的振动特征参数、发动机的油品特征参数和发动机油液铁谱磨粒特征参数;
(2)采用基于发动机振动信号和发动机油品特征参数的油品理化指标模型进行监测:将发动机运行状态分为4个等级,即良好、正常、故障、警告;基于发动机振动信号和发动机油品特征参数的信息建立发动机一级状态评价模型,并对发动机的运行状态进行评价,评价结果为是否故障或警告;
(3)采用基于发动机振动信号和发动机油液铁谱磨粒特征参数模型进行诊断:根据发动机的故障或警告情况,将发动机故障诊断结果分为发动机故障集,基于发动机振动信号和发动机油液铁谱磨粒特征建立二级故障诊断模型,并对发动机的故障情况进行诊断,评价结果为发动机故障集的维修或维护;
(4)综合一级状态评价模型和二级故障诊断模型结果,从而判断发动机运行状态。
优选地,上述技术方案中,步骤(1)中提取振动特征参数的方法为:将发动机振动监测试验测试点选在缸盖上端平面和机身侧部靠近曲轴处,选择两个测点,将测点一布置在缸盖上端面,将测点二布置在机身侧部靠近曲轴处。
优选地,上述技术方案中,步骤(1)提取油品特征参数为:油品特征参数的理化指标构成的油品子集中的元素包括:粘度劣化率、机械杂质劣化率、水分劣化率和酸值劣化率。
优选地,上述技术方案中,步骤(1)提取油液铁谱参数为:根据数据的特点以及对参数进行灵敏度分析,选择对磨粒敏感的故障特征参数,所述对磨粒敏感的故障特征参数包括磨粒数、小磨粒数、磨损严重指数和各种磨粒的磨损状态。
优选地,上述技术方案中,步骤(2)中提取发动机的振动特征参数和提取发动机的油品特征参数采用线上模式,振动传感器和油品传感器的信号通过串口发出,然后通过无线模块将信息发送至网络服务器,将客户端接入到网络服务器,达到信息接收和反馈的及时性。
优选地,上述技术方案中,步骤(2)中发动机的运行状态进行评价的方法包括:
(a)发动机综合评价模型建立:根据发动机振动信息和发动机的油品特征参数信息数据,对发动机的运行状态计算和分析;
(b)隶属度确定:根据上述振动因素幅值和均方值特征参数以及油品因素各理化指标劣化特征参数,选取半梯形型隶属函数模型,并由隶属度函数确定各因素对评价集的隶属度:
(c)评判模型综合评判
对第一级油品与振动因素集进行综合评判,综合油品和振动单因素二级评判B1、B2形成发动机运行状态综合评判矩阵为:
一级权重A=(A1,A2),由此形成综合评判模型为:
B=AR
B向量中各元素代表发动机振动和油品因素对于各评价等级的隶属度,根据模糊评判中最大隶属度原则,可以得到发动机运行状态的评价结果。
优选地,上述技术方案中,步骤(a)发动机综合评价模型建立包括:
因素集的建立:将发动机振动和油品因素作为一级因素集,发动机振动和油品对应的子集为二级因素集;油品因素集U1和振动因素集U2作为论域U的第一级因素集U={U1,U2};其中,一级因素集中的油品因素集U1的二级因素包括油品的四个理化指标,即:粘度劣化率机械杂质劣化率水分劣化率酸值劣化率则由油品的理化指标构成的油品的二级因素子集可表示为对于发动机振动监测,根据布置在发动机上的两个测点,取每个测点的振动峰值与均方值两个参数,作为一级因素集中的振动因素集U2中振动因素的第二级因素集,即振动的二级因素集其中为测点1的振动峰值,为测点1的均方值,为测点2的振动峰值,为测点2的均方值;
权重建立:油品因素与振动因素的权重分别为A1,A2,建立第一级权重为A=(A1,A2);
评价集建立:根据发动机振动和油品实际监测情况,将发动机运行状态分为4个等级,即良好、正常、故障、警告,并建立评价集V={vj}={v1,v2,v3,v4}。
优选地,上述技术方案中,步骤(3)中对发动机的故障情况进行诊断的方法包括:
(a)根据发动机振动信息和发动机油液铁谱磨粒特征参数信息数据,并根据发动机结构特点,建立发动机的振动-磨损混合故障树,得到发动机振动-磨损混合故障树的最小割集;
(b)针对多种振动、磨损故障,选择对故障敏感且基于振动和也有铁谱分析获得的m种特征参数建立发动机综合故障征兆集合:X={x1,x2,…,xi,…,xm},其中,前i种故障征兆(x1,x2,…,xi)为振动参数征兆,选择对振动信号比较敏感时域、频域统计参数作为故障特征参数;而故障征兆集X中后(m-i)种故障征兆(xi+1,xi+2,…,xm)为油液铁谱参数征兆,根据数据的特点以及对参数进行灵敏度分析,选择对磨粒较为敏感的故障特征参数;
(c)由隶属函数得到发动机油液铁谱和振动故障征兆与振动原因之间的模糊关系,得到发动机单个故障征兆对各故障因素隶属度组成的单故障征兆模糊子集:Ri={ri1,ri2,…,rin};得到发动机故障集与综合征兆集的模糊关系矩阵,即为发动机模糊综合诊断矩阵R;
(d)根据模糊推理合成规则,由综合征兆集,模糊算子和模糊诊断矩阵,得到综合评判模型:
Y=XR
采用最大隶属度原则,判定发动机故障形式。
优选地,上述技术方案中,步骤(b)振动信号作为故障特征参数包括:幅值、均值、均方值、峭度、偏度和功率谱。
优选地,上述技术方案中,步骤(b)对磨粒较为敏感的故障特征参数包括:磨粒数DL、小磨粒数DS、磨损严重指数和各种磨粒的磨损状态。
与现有技术相比,本发明具有如下有益效果:
(1)本发明基于振动和油液信息融合的发动机状态监测和故障诊断方法,结合发动机振动和油液信息建立发动机一级状态评价模型,并对发动机的运行状态进行评价,准确判断发动机是否处于正常工作状态,评价结果为是否故障或警告。在发动机出现故障的情况下,结合发动机振动和油液铁谱磨粒信息建立二级故障诊断模型,并对发动机的故障情况进行诊断,评价结果为发动机故障集的维修或维护,迅速查明发动机的故障原因。
(2)可以随时随地利用手机客户端或电脑客户端监测发动机油品和振动相关信息。达到信息反馈的及时性。
附图说明
图1是根据本发明实施例的基于振动和油液信息融合的发动机状态监测和故障诊断方法的流程图。
图2A和图2B分别是根据本发明实施例的柴油机在空载转速1200r/min的测点一的振动信号时域信号图和频域图信号图。
图3A和图3B分别是根据本发明实施例的柴油机在在空载转速1200r/min下的测点二的振动信号时域信号图和频域图信号图。
图4是根据本发明的采用油液斑点法对采集的4个油液样本进行斑点试验得到各样本油液斑点图。
图5是根据本发明的发动机振动—磨损混合故障树的示意图。
具体实施方式
下面结合附图,对本发明的具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
除非另有其它明确表示,否则在整个说明书和权利要求书中,术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分,而并未排除其它元件或其它组成部分。
本发明选用了玉柴公司生产的4D20柴油发动机为研究对象,其他发动机故障检测与其相似。本发明对发动机综合诊断流程分成一级状态评价模型和二级故障诊断模型,其流程图如图1所示。一级状态评价模型的主要目的是综合判断发动机的运行状态;二级故障诊断模型的主要目的是对发动机进行故障诊断。
一.发动机一级状态评价模型
第一步,提取发动机振动特征参数:
将发动机振动监测试验测试点选定在缸盖上端平面和机身侧部靠近曲轴处,将传感器测点一布置在缸盖上端面,将测点二布置在机身侧部靠近曲轴处。测取柴油机两个测点的振动数据;振动数据进行时域和频域分析,选取时域波形相对稳定工况下的振动参数作为试验样本数据,从而得到样本振动参数。
第二步:提取发动机油品特征参数
采用油液斑点法对采集的n个油液样本进行斑点试验得到各样本油液斑点图,通过油液理化指标提取和评价方法,最终得到油液样本粘度和机械杂质参数。
第三步:发动机运行状态综合评价
(1)发动机综合评价模型建立
根据上述试验得到的振动信息和油品信息数据,对于发动机的运行状态计算和分析。
因素集的建立:考虑发动机运行状态与振动和油品因素有关,这两个原因称之为一级因素集;而两者对应的子集则成为二级因素集。油品因素集U1和振动因素集U2作为论域U的第一级因素集U={U1,U2}。其中,一级因素集中的油品因素集U1的二级因素包括油品的四个理化指标,即:粘度劣化率机械杂质劣化率水分劣化率酸值劣化率等,则由油品的理化指标构成的油品的二级因素子集可表示为同样对于发动机振动监测,根据布置在发动机上的两个测点,取每个测点的振动峰值与均方值两个参数,作为一级因素集中的振动因素集U2中振动因素的第二级因素集,即振动的二级因素集其中为测点1的振动峰值,为测点1的均方值,为测点2的振动峰值,为测点2的均方值。
权重建立:在对发动机进行综合评判过程中,振动和油品因素所处地位和作用是不同的。在本发明中,油品因素与振动因素的权重分别为A1,A2,建立第一级权重为A=(A1,A2)。
评价集建立:根据发动机振动和油品实际监测情况,将发动机运行状态分为4个等级,即良好、正常、故障、警告,并建立评价集V={vj}={v1,v2,v3,v4}
(2)隶属度确定
根据上述振动因素幅值和均方值特征参数以及油品因素各理化指标劣化特征参数,选取半梯形型隶属函数模型,并由隶属度函数确定各因素对评价集的隶属度:
(3)评判模型综合评判
对第一级油品与振动因素集进行综合评判。综合上式油品和振动单因素二级评判B1、B2形成发动机运行状态综合评判矩阵为:
一级权重A=(A1,A2),由此形成综合评判模型为:
B=AR
B向量中各元素代表发动机振动和油品因素对于各评价等级的隶属度,根据模糊评判中最大隶属度原则,可以得到发动机运行状态的评价结果。
试验结果计算分析
优选的本实验结果数据分析,只优选的说明该方法,数据应根据实际情况按此方法获取。
通过振动信号和发动机机油理化指标的测试,获得柴油机空载转速1200r/min工况下的振动信息和油品信息数据,这样就可根据这些试验数据对发动机的运行状态进行计算和分析。
1.发动机振动试验
首先,测取不同速度振动数据:根据采样定理,选定传感器各通道采样频率为25kHz,采样时长为30秒左右。分别测取柴油机两个测点空载转速1200r/min工况下的振动数据,其振动数据如图2A至图3B所示。
其次,获取发动机振动特征参数:对振动数据进行时域和频域分析,避免噪声等相关因素的影响,对振动信号的16次测量值计算各幅值与均方根值,每4次测量振动参数进行一次平均,从而得到样本振动参数如表1所示。
表1 1200r/min振动参数
2.发动机油液实验
进行油液理化指标的获取:采用油液斑点法对采集的4个油液样本进行斑点试验得到各样本油液斑点图(如图4所示),通过油液理化指标提取和评价方法,最终得到油液样本粘度和机械杂质参数;
表2油液理化指标参数
这里选取各因素的权重分别为:
(1)二级油液因素权重
A1=(0.6,0.4)
(2)二级振动因素权重
A2=(0.2,0.3,0.2,0.3)
(3)一级权重
A=(0.4,0.6)
对于振动因素振动幅值和均方值特征参数以及油品因素各理化指标劣化率特征参数,均采用半梯形型隶属函数模型,对于振动幅值和功率谱特征参数选用偏大型升半正态分布:
式中a,b各因素根据发动机实际运行状况设定的上限和下限值(阈值),可由实验数据统计获得。
这里以样本4的振动和油品数据来对发动机的运行状态进行计算和分析。由各因素隶属函数对应的隶属度可得油品因素评判矩阵R1和振动因素评判矩阵R2为:
由单一因素评判模型式和式进行计算,得油液和振动单一因素评判结果为:
B1=(0.212,0.796,0.162,0.11)
B2=(0.257,0.533,0.267,0.136)
将B1,B2结果代入综合评判模型计算,得到综合评判结果为:
B=(0.239,0.6382,0.225,0.1256)
建立评价集V={vj}={v1,v2,v3,v4},其分别对应良好、正常、警告、故障。具体发动机的四种状态所对应的数值范围是根据实验总结出的映射图。根据最大隶属度原则,综合评判结果最大数0.6382对应的评价集中元素为“正常”,即发动机运行状态正常。实际发动机运行状态也是正常的,模型评判结果与发动机实际运行情况相符,从而验证了评判模型的正确性。
由于发动机处于正常运行状态,因而此时没有必要对该发动机进行进一步的故障诊断。
二.发动机二级故障诊断模型
由于上述发动运行状态综合评价发动机运行状态为正常,此步骤无需进行。若结果判定为“故障”或“警告”时,其具体步骤如下:
(1)将机械摩擦产生的磨粒从润滑油中分离出来,用铁谱分析仪观察测量,获得润滑油铁谱信息,如图4所示;
(2)综合发动机振动、磨损机械故障,并根据发动机结构特点,建立发动机的振动—磨损混合故障树(如图5所示);得到发动机振动—磨损混合故障树的最小割集;
(3)针对17种振动、磨损故障,选择对故障敏感且基于振动和油液铁谱分析获得的m种特征参数建立发动机综合故障征兆集合:X={x1,x2,…,xi…,…xm}。其中,前i种故障征兆(x1,x2,…,xi)为振动参数征兆,选择对振动信号比较敏感时域、频域统计参数作为故障特征参数如:幅值、均值、均方值、峭度、偏度和功率谱;而故障征兆集X中后(m-i)种故障征兆(xi+1,xi+2,…,xm)为油液铁谱参数征兆,根据数据的特点以及对参数进行灵敏度分析,选择对磨粒较为敏感的故障特征参数如:磨粒数DL、小磨粒数DS、磨损严重指数和各种磨粒的磨损状态等。
(4)由隶属函数得到发动机油液铁谱和振动故障征兆与振动原因之间的模糊关系,得到发动机单个故障征兆对各故障因素隶属度组成的单故障征兆模糊子集:Ri={ri1,ri2,…,rin};得到发动机故障集与综合征兆集的模糊关系矩阵,即为发动机模糊综合诊断矩阵R;
(5)根据模糊推理合成规则,由综合征兆集,模糊算子和模糊诊断矩阵,得到综合评判模型:
Y=XR
采用最大隶属度原则,判定发动机故障形式。
故障实例分析
考虑到对所有故障进行分析难度较大,不失一般性,这里针对凸轮轴瓦磨损、缸套磨损、活塞敲缸和连杆铜套磨损四种典型故障为例进行仿真,针对发动机四种振动、磨损故障建立发动机故障集Y。
Y={凸轮轴瓦磨损,缸套磨损,活塞敲缸,连杆铜套磨损}
针对故障集中四种典型故障,选取能够表征四种故障的振动和油液铁谱特征参数制定模糊诊断模型故障集,包括振动幅值、平均功率谱、大磨粒数、小磨粒数、磨损严重指数和铜磨粒,得到综合故障征兆集X。
X={幅值,平均功率谱,大磨粒数DL,小磨粒数DS,磨损严重指数IS,铜磨粒}
根据长期数据监测以来的数据分析和经验,与发动机状态检测部分相类似,根据隶属度函数总结得到发动机综合故障征兆与故障原因之间的模糊关系矩阵为:
在发动机某一工作状态下测得振动及油液铁谱特征参数故障征兆向量为:
x=(0.51,0.13,0.41,0.27,0.72,0.10)
根据模糊变换,对发动机进行模糊综合评判可得:
y=(0.13,0.72,0.52,0.51)
向量中各数值代表发动机对于4种故障原因的隶属度,根据最大隶属度原则,0.72对应的故障集中故障为缸套磨损,由此可得此状态下发动故障缸套磨损。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (10)
1.一种基于振动和油液信息融合的发动机状态监测和故障诊断方法,其特征在于,包括以下步骤:
(1)提取发动机的振动特征参数、发动机的油品特征参数和发动机油液铁谱磨粒特征参数;
(2)采用基于发动机振动信号和发动机油品特征参数的油品理化指标模型进行监测:将发动机运行状态分为4个等级,即良好、正常、故障、警告;基于发动机振动信号和发动机油品特征参数的信息建立发动机一级状态评价模型,并对发动机的运行状态进行评价,评价结果为是否故障或警告;
(3)采用基于发动机振动信号和发动机油液铁谱磨粒特征参数模型进行诊断:根据发动机的故障或警告情况,将发动机故障诊断结果分为发动机故障集,基于发动机振动信号和发动机油液铁谱磨粒特征建立二级故障诊断模型,并对发动机的故障情况进行诊断,评价结果为发动机故障集的维修或维护;
(4)综合一级状态评价模型和二级故障诊断模型结果,从而判断发动机运行状态。
2.根据权利要求1所述的基于振动和油液信息融合的发动机状态监测和故障诊断方法,其特征在于,步骤(1)中提取振动特征参数的方法为:将发动机振动监测试验测试点选在缸盖上端平面和机身侧部靠近曲轴处,选择两个测点,将测点一布置在缸盖上端面,将测点二布置在机身侧部靠近曲轴处。
3.根据权利要求1所述的基于振动和油液信息融合的发动机状态监测和故障诊断方法,其特征在于,步骤(1)提取油品特征参数为:油品特征参数的理化指标构成的油品子集中的元素包括:粘度劣化率、机械杂质劣化率、水分劣化率和酸值劣化率。
4.根据权利要求1所述的基于振动和油液信息融合的发动机状态监测和故障诊断方法,其特征在于,步骤(1)提取油液铁谱参数为:根据数据的特点以及对参数进行灵敏度分析,选择对磨粒敏感的故障特征参数,所述对磨粒敏感的故障特征参数包括磨粒数、小磨粒数、磨损严重指数和各种磨粒的磨损状态。
5.根据权利要求,1所述的基于振动和油液信息融合的发动机状态监测和故障诊断方法,其特征在于,步骤(2)中提取发动机的振动特征参数和提取发动机的油品特征参数采用线上模式,振动传感器和油品传感器的信号通过串口发出,然后通过无线模块将信息发送至网络服务器,将客户端接入到网络服务器,达到信息接收和反馈的及时性。
6.根据权利要求1所述的基于振动和油液信息融合的发动机状态监测和故障诊断方法,其特征在于,步骤(2)中发动机的运行状态进行评价的方法包括:
(a)发动机综合评价模型建立:根据发动机振动信息和发动机的油品特征参数信息数据,对发动机的运行状态计算和分析;
(b)隶属度确定:根据上述振动因素幅值和均方值特征参数以及油品因素各理化指标劣化特征参数,选取半梯形型隶属函数模型,并由隶属度函数确定各因素对评价集的隶属度:
(c)评判模型综合评判
对第一级油品与振动因素集进行综合评判,综合油品和振动单因素二级评判B1、B2形成发动机运行状态综合评判矩阵为:
一级权重A=(A1,A2),由此形成综合评判模型为:
B=AR
B向量中各元素代表发动机振动和油品因素对于各评价等级的隶属度,根据模糊评判中最大隶属度原则,可以得到发动机运行状态的评价结果。
7.根据权利要求6所述的基于振动和油液信息融合的发动机状态监测和故障诊断方法,其特征在于,步骤(a)发动机综合评价模型建立包括:
因素集的建立:将发动机振动和油品因素作为一级因素集,发动机振动和油品对应的子集为二级因素集;油品因素集U1和振动因素集U2作为论域U的第一级因素集U={U1,U2};其中,一级因素集中的油品因素集U1的二级因素包括油品的四个理化指标,即:粘度劣化率机械杂质劣化率水分劣化率酸值劣化率则由油品的理化指标构成的油品的二级因素子集可表示为对于发动机振动监测,根据布置在发动机上的两个测点,取每个测点的振动峰值与均方值两个参数,作为一级因素集中的振动因素集U2中振动因素的第二级因素集,即振动的二级因素集其中为测点1的振动峰值,为测点1的均方值,为测点2的振动峰值,为测点2的均方值;
权重建立:油品因素与振动因素的权重分别为A1,A2,建立第一级权重为A=(A1,A2);
评价集建立:根据发动机振动和油品实际监测情况,将发动机运行状态分为4个等级,即良好、正常、故障、警告,并建立评价集V={vj}={v1,v2,v3,v4}。
8.根据权利要求1所述的基于振动和油液信息融合的发动机状态监测和故障诊断方法,其特征在于,步骤(3)中对发动机的故障情况进行诊断的方法包括:
(a)根据发动机振动信息和发动机油液铁谱磨粒特征参数信息数据,并根据发动机结构特点,建立发动机的振动-磨损混合故障树,得到发动机振动-磨损混合故障树的最小割集;
(b)针对多种振动、磨损故障,选择对故障敏感且基于振动和也有铁谱分析获得的m种特征参数建立发动机综合故障征兆集合:X={x1,x2,…,xi,…,xm},其中,前i种故障征兆(x1,x2,…,xi)为振动参数征兆,选择对振动信号比较敏感时域、频域统计参数作为故障特征参数;而故障征兆集X中后(m-i)种故障征兆(xi+1,xi+2,…,xm)为油液铁谱参数征兆,根据数据的特点以及对参数进行灵敏度分析,选择对磨粒较为敏感的故障特征参数;
(c)由隶属函数得到发动机油液铁谱和振动故障征兆与振动原因之间的模糊关系,得到发动机单个故障征兆对各故障因素隶属度组成的单故障征兆模糊子集:Ri={ri1,ri2,…,rin};得到发动机故障集与综合征兆集的模糊关系矩阵,即为发动机模糊综合诊断矩阵R;
(d)根据模糊推理合成规则,由综合征兆集,模糊算子和模糊诊断矩阵,得到综合评判模型:
Y=XR
采用最大隶属度原则,判定发动机故障形式。
9.根据权利要求8所述的基于振动和油液信息融合的发动机状态监测和故障诊断方法,其特征在于,步骤(b)振动信号作为故障特征参数包括:幅值、均值、均方值、峭度、偏度和功率谱。
10.根据权利要求8所述的基于振动和油液信息融合的发动机状态监测和故障诊断方法,其特征在于,步骤(b)对磨粒较为敏感的故障特征参数包括:磨粒数DL、小磨粒数DS、磨损严重指数和各种磨粒的磨损状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910657108.0A CN110455546A (zh) | 2019-07-19 | 2019-07-19 | 基于振动和油液信息的发动机状态监测和故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910657108.0A CN110455546A (zh) | 2019-07-19 | 2019-07-19 | 基于振动和油液信息的发动机状态监测和故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110455546A true CN110455546A (zh) | 2019-11-15 |
Family
ID=68481594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910657108.0A Pending CN110455546A (zh) | 2019-07-19 | 2019-07-19 | 基于振动和油液信息的发动机状态监测和故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110455546A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110987416A (zh) * | 2019-11-18 | 2020-04-10 | 埃夫特智能装备股份有限公司 | 一种用于检测机器人减速器磨损状态的方法 |
CN112710474A (zh) * | 2020-12-31 | 2021-04-27 | 中国人民解放军92942部队 | 一种基于实时振动数据的柴油机状态评估方法 |
CN113689038A (zh) * | 2021-08-24 | 2021-11-23 | 西北工业大学 | 一种基于多传感器模糊评估的发动机气缸故障预测方法 |
CN114184367A (zh) * | 2021-11-29 | 2022-03-15 | 北京唐智科技发展有限公司 | 旋转机械设备故障诊断方法、装置、设备及可读存储介质 |
CN115288849A (zh) * | 2022-08-15 | 2022-11-04 | 武汉优泰电子技术有限公司 | 一种往复式发动机燃烧室磨损状态评价方法及装置 |
CN116738372A (zh) * | 2023-08-15 | 2023-09-12 | 昆仑数智科技有限责任公司 | 一种炼化用离心泵滚动轴承故障诊断方法、装置及设备 |
CN116956202A (zh) * | 2023-09-20 | 2023-10-27 | 金网络(北京)数字科技有限公司 | 一种发动机故障检测方法、系统、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102494899A (zh) * | 2011-11-25 | 2012-06-13 | 华南理工大学 | 柴油机复合故障诊断方法及诊断系统 |
CN103207070A (zh) * | 2013-04-09 | 2013-07-17 | 苏州经贸职业技术学院 | 油液与振动相融合的旋转机械故障诊断方法 |
CN203572656U (zh) * | 2013-07-18 | 2014-04-30 | 中国人民解放军第二炮兵工程大学 | 一种便携式车载柴油机电站性能检测装置 |
CN105181534A (zh) * | 2015-09-29 | 2015-12-23 | 桂林电子科技大学 | 输出振动信号的油液磨粒监测传感器及油液在线监测系统 |
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 |
-
2019
- 2019-07-19 CN CN201910657108.0A patent/CN110455546A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102494899A (zh) * | 2011-11-25 | 2012-06-13 | 华南理工大学 | 柴油机复合故障诊断方法及诊断系统 |
CN103207070A (zh) * | 2013-04-09 | 2013-07-17 | 苏州经贸职业技术学院 | 油液与振动相融合的旋转机械故障诊断方法 |
CN203572656U (zh) * | 2013-07-18 | 2014-04-30 | 中国人民解放军第二炮兵工程大学 | 一种便携式车载柴油机电站性能检测装置 |
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 |
CN105181534A (zh) * | 2015-09-29 | 2015-12-23 | 桂林电子科技大学 | 输出振动信号的油液磨粒监测传感器及油液在线监测系统 |
Non-Patent Citations (2)
Title |
---|
郭剑: "基于模糊诊断技术的汽车发动机故障研究", 《CNKI中国优秀硕士论文全文数据库(电子期刊)》 * |
陈亚忠 等: "发动机状态综合监测方法的研究", 《润滑与密封》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110987416A (zh) * | 2019-11-18 | 2020-04-10 | 埃夫特智能装备股份有限公司 | 一种用于检测机器人减速器磨损状态的方法 |
CN112710474A (zh) * | 2020-12-31 | 2021-04-27 | 中国人民解放军92942部队 | 一种基于实时振动数据的柴油机状态评估方法 |
CN113689038A (zh) * | 2021-08-24 | 2021-11-23 | 西北工业大学 | 一种基于多传感器模糊评估的发动机气缸故障预测方法 |
CN113689038B (zh) * | 2021-08-24 | 2023-05-26 | 西北工业大学 | 一种基于多传感器模糊评估的发动机气缸故障预测方法 |
CN114184367A (zh) * | 2021-11-29 | 2022-03-15 | 北京唐智科技发展有限公司 | 旋转机械设备故障诊断方法、装置、设备及可读存储介质 |
CN115288849A (zh) * | 2022-08-15 | 2022-11-04 | 武汉优泰电子技术有限公司 | 一种往复式发动机燃烧室磨损状态评价方法及装置 |
CN115288849B (zh) * | 2022-08-15 | 2023-02-28 | 武汉优泰电子技术有限公司 | 一种往复式发动机燃烧室磨损状态评价方法及装置 |
CN116738372A (zh) * | 2023-08-15 | 2023-09-12 | 昆仑数智科技有限责任公司 | 一种炼化用离心泵滚动轴承故障诊断方法、装置及设备 |
CN116738372B (zh) * | 2023-08-15 | 2023-10-27 | 昆仑数智科技有限责任公司 | 一种炼化用离心泵滚动轴承故障诊断方法、装置及设备 |
CN116956202A (zh) * | 2023-09-20 | 2023-10-27 | 金网络(北京)数字科技有限公司 | 一种发动机故障检测方法、系统、设备及存储介质 |
CN116956202B (zh) * | 2023-09-20 | 2023-12-12 | 金网络(北京)数字科技有限公司 | 一种发动机故障检测方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110455546A (zh) | 基于振动和油液信息的发动机状态监测和故障诊断方法 | |
CN105181338A (zh) | 基于振动和油液信息的发动机状态监测和故障诊断方法 | |
CN108181107B (zh) | 计及多分类目标的风电机组轴承机械故障诊断方法 | |
CN106338385B (zh) | 一种基于奇异谱分解的旋转机械故障诊断方法 | |
CN102797671A (zh) | 一种往复压缩机的故障检测方法与装置 | |
CN107014668A (zh) | 一种基于压电和智能涂层传感器的疲劳裂纹综合监测方法 | |
CN108710889A (zh) | 一种汽车发动机缺缸故障诊断方法 | |
CN109932179A (zh) | 一种基于ds自适应谱重构的滚动轴承故障检测方法 | |
CN109613428A (zh) | 一种能像系统及其在电机设备故障检测方法中的应用 | |
CN106092578A (zh) | 一种基于小波包和支持向量机的机床主轴轴承装配状态在线检测方法 | |
CN114004306A (zh) | 一种基于物联网多维度数据的设备故障评估系统及其方法 | |
CN110500217A (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 | |
CN106596729B (zh) | 2.25Cr-1Mo钢疲劳裂纹扩展监测及氢脆评价方法 | |
CN103616187A (zh) | 一种基于多维度信息融合的故障诊断方法 | |
CN109834513A (zh) | 刀具状态检测系统及方法 | |
CN110119518A (zh) | 一种采用神经网络模型诊断发动机故障原因的方法 | |
CN110008350A (zh) | 一种基于贝叶斯推理的机泵安康知识库查找方法 | |
CN109657720A (zh) | 一种电力变压器匝间短路故障的在线诊断方法 | |
CN112781820A (zh) | 一种滚刀性能退化趋势评估方法 | |
CN110398362A (zh) | 一种机器人rv减速器故障诊断和定位方法 | |
CN115310804A (zh) | 基于决策层融合的飞行员情境意识判别方法和系统 | |
CN103999316A (zh) | 用于产生说明在供电网中的摆动的信号的方法 | |
CN109872511B (zh) | 一种针对轴向位移突变监测的自适应两级报警方法 | |
CN117030249A (zh) | 一种用信号时间片段进行往复机械故障定位的方法 | |
CN106249146A (zh) | 一种卷烟厂电动机工作状态的分析及预警方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191115 |