CN111271183B - 一种自适应在线预测柴油机状态方法及系统 - Google Patents
一种自适应在线预测柴油机状态方法及系统 Download PDFInfo
- Publication number
- CN111271183B CN111271183B CN202010120463.7A CN202010120463A CN111271183B CN 111271183 B CN111271183 B CN 111271183B CN 202010120463 A CN202010120463 A CN 202010120463A CN 111271183 B CN111271183 B CN 111271183B
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- diesel engine
- layer
- som
- 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
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/02—Circuit arrangements for generating control signals
- F02D41/14—Introducing closed-loop corrections
- F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
- F02D41/1405—Neural network control
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/22—Safety or indicating devices for abnormal conditions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及柴油机故障诊断技术,具体提出一种在线预测柴油机故障的方法,柴油机运行状态数据表记录柴油机各工作系统的运行数据,建立故障诊断与预测模型SOM‑PNN神经网络模型,并调用Sarsa()算法拟合,最后将得到柴油机各工作系统的故障状态、故障向量样本以及解决故障对应的动作存入故障状态预测表,本发明为柴油机故障的特征提取和故障诊断预测提供了新的手段,使得预测数据不再孤立,实现了柴油机故障的快速定位及诊断。
Description
技术领域
本发明涉及一种柴油机状态检测技术,具体是一种在线预测柴油发电机故障状态的方法。
背景技术
船舶柴油机是船舶的动力之源,是保障船舶安全航行的关键。船舶柴油机故障诊断系统通过连续监测柴油机的运行状态、实时评估其性能退化情况进行故障的早期预报,并在此基础上实现船舶柴油机故障的预防性维修。然而柴油机是一种结构复杂、组成部件较多的机械动力设备,并且传统的故障检测方法通常针对的是离散而且是空间较小的样本数据,而实际问题中柴油机运行过程是连续的或是尽管离散但是空间较大。因此,柴油机故障诊断与预测通常比较困难,而且传统的检测方法具有局限性。
2013年9月工矿自动化发表的名称为“基于概率神经网络的柴油机故障诊断与预测研究”一文中论述:“针对柴油机故障诊断、预测难的问题,分析了柴油机常见故障及影响因素,介绍了柴油机故障数据的提取、分析和处理方法,建立了一种基于概率神经网络的故障诊断与预测模型。仿真结果表明,该模型能够有效地对柴油机等复杂机械系统故障进行诊断和预测,可以快速准确地给出诊断结果,其故障诊断和预测准确率达到94.84%。”其不足之处是:该诊断方法依赖固定型号柴油机的故障样本数据,其通用性差,此外该诊断方法把柴油机故障定位为单一原因,而通常情况下,柴油机故障是由多种原因共同造成的,并且PNN网络在训练过程中会有时间延迟,随着样本的增多,训练数据发生冗余情况,预测准确率和预测效率显著下降。
故如何针对柴油机在运行过程中所获得的离散型和连续型数据快速预测定位及诊断故障状态成为本领域技术人员亟待解决的技术问题之一。
发明内容
本发明针对现有技术在柴油机运行过程中快速预测定位及故障诊断中由于故障原因多样、时间延迟、训练数据冗余情况下预测效率和准确性显著下降的问题。提出一种自适应在线预测柴油机状态的检测方法。
本发明解决技术问题的技术方案为,一种自适应在线预测柴油机状态的方法,柴油机运行状态数据表记录柴油机各个工作系统的运行数据,将神经网络(SOM网络)与概率型神经网络(PNN网络)相结合建立故障诊断与预测模型(SOM-PNN神经网络模型),具体包括:SOM网络输入层获取柴油机运行所产生的连续型数据进行自适应离散化,并将有相似特征的数据进行合并,PNN网络诊断并预测柴油机可能发生的故障类型,Sarsa(λ)算法(时序差分求解强化学习控制问题算法)模块对诊断结果进行拟合,对拟合结果进行优化,预测柴油机各工作系统的可能故障状态,并给出解决故障对应的动作a={a1,a2,...,an},并存入故障状态预测表。
为了节省数据占用的内存空间,以及离散化柴油机运行的连续数据,使用自组织映射神经网络(SOM网络)对运行数据进行离散化分类,SOM网络模型包括输入层和输出层,提取柴油机发生故障前的m组运行状态数据作为自组织映射神经网络SOM输入的样本特征向量x=(x1,x2,...,xm)作为SOM网络的输入向量,输入向量中的元素xm为柴油机第m组系统的运行状态数据;输出层输出由n个神经元构成的二维平面阵列s=(s1,s2,...,sn),其中,s中每个神经元代表同一个数据类别,n代表数据类别数量。SOM网络的输入层和输出层之间实现全连接,其连接权值为wij(i=1,2,...,m;j=1,2,...,n),将柴油机复杂的运行数据映射到几类数据类别中,最终归并的数据类别数量远远小于柴油机实际运行数据(n<m)。
具体为,一种自适应在线预测柴油机状态的方法,运行状态数据表记录柴油机各个工作系统的运行数据,SOM网络模型对运行数据离散化处理,合并特征相似的数据,PNN网络模型诊断并预测柴油机可能发生的故障类型,Sarsa(λ)算法模型对故障状态数据进行训练,对诊断结果进行拟合,优化拟合结果,计算每类训练样本特征对应的故障类型,预测柴油机工作系统可能出现的故障状态,并与解决故障对应的动作状态存入故障状态预测表,剔除预测表中冗余数据;执行故障状态预测表中对应的动作排除柴油机相关故障。
本方法进一步包括:所述SOM网络模型对运行数据离散化处理,合并特征相似的数据具体包括:SOM网络模型输入层提取柴油机发生故障前的m组运行状态数据作为自组织映射神经网络SOM输入的样本特征向量x=(x1,x2,...,xm),SOM网络模型的输入层和输出层之间实现连接权值为wij(i=1,2,...,m;j=1,2,...,n)的全连接,输入层的样本特征向量按照数据类别映射到输出层,输出由n个神经元构成的二维平面阵列s=(s1,s2,...,sn),其中,n为数据类别数量,m为运行状态数量。
SOM网络的输入层作为故障诊断与预测模型的m层,SOM网络的输出层与PNN网络的模式层为故障诊断与预测模型n层,PNN网络的类别层为故障诊断与预测模型的h层,h层将离散模式的二维平面阵列s=(s1,s2,...,sn)作为训练样本建立训练集故障样本特征,通过n层到h层的迭代运算,将n层的训练集数据s与各个故障类别匹配,h层调用类别匹配函数:计算每类训练样本特征对应的故障类型f(s,qij),其中,qij为n层与h层的连接权值,δ为平滑因子。根据故障诊断与预测模型输出的故障样本集合s=(s1,s2,...,sn),Sarsa算法模块对其结果进行优化,根据公式:计算故障样本对应的解决故障动作的Q值,使得每一个输出故障样本对应的Q值为Q(st,at),最大Q值所对应的t时刻故障解决行为αt为解决所预测故障的最优行为,其中st为t时刻故障样本。设故障模式为θ1和θ2时,对于故障样本特征s=(s1,s2,...,sn),当h1l1f1(s)>h2l2f2(s)时,s∈θ1;当h1l1f1(s)<h2l2f2(s)时,s∈θ2,其中,h1,h2分别为故障模式θ1,θ2的先验概率,l1,l2分别为将属于θ1,θ2的故障样本s错误划分的代价因子,f1(s),f2(s)分别为故障模式θ1,θ2的概率密度。
本发明还提出一种自适应在线预测柴油机状态的系统,该系统故障诊断与预测模型包括:SOM网络的输入层构成的m层,SOM网络的输出层与PNN网络的模式层构成的n层,PNN网络的类别层构成的h层,运行状态数据表记录柴油机各个工作系统的运行数据,SOM网络模型对运行数据离散化处理,合并特征相似的数据,PNN网络模型诊断并预测柴油机可能发生的故障类型,Sarsa(λ)算法模型对故障状态数据进行训练对诊断结果进行拟合,优化拟合结果,计算每类训练样本特征对应的故障类型,预测柴油机工作系统可能出现的故障状态,并与解决故障对应的动作状态a={a1,a2,...,an}存入故障状态预测表,剔除预测表中冗余数据;执行故障状态预测表中对应的动作排除柴油机相关故障。
本发明应用于非单一化原因引起的柴油机故障预测中,为柴油机故障的特征提取和故障诊断预测提供了新的手段,并且柴油机运行数据记录为后期的故障预测提供了足够的数据支持,同时将属于相同工作系统下的运行数据及状态动作添加到同一运行状态数据预测表中,使得预测表中的数据不再孤立,实现了柴油机故障的快速定位及诊断。
附图说明
图1本发明在线预测柴油机状态检测方法框图,
图2基于SOM-PNN网络的柴油机故障诊断与预测流程图,
图3 SOM网络结构示意图,
图4 SOM-PNN神经网络结构示意图,
图5学习模型示意图,
图6柴油机故障预测和诊断显示结果示意图。
具体实施方式
以下结合附图和具体实例对本发明进行详细描述,图1所示为本发明在线预测柴油机状态检测方法框图,柴油机故障检测预测包括:获取柴油机运行状态数据并放入运行表,判断运行状态数据所属的柴油机工作系统,SOM网络对运行状态数据进行离散化处理,PNN网络诊断并预测柴油机可能发生的故障类型存入预测表,离散化的数据作为样本输入SOM-PNN预测模型(故障诊断与预测模型)。柴油机在运行过程中发生故障,在运行表中提取发生故障的前t时间段数据放入SOM-PNN预测模型进行训练,调用Sarsa(λ)算法预测模型输出结果,存入预测表,检测预测表中的预测数据是否存在冗余,如存在冗余剔除冗余故障状态及故障数据,否则更新故障预测表,生成最终的故障预测表。
图2基于SOM-PNN网络的柴油机故障诊断与预测流程图。
建立柴油机运行状态数据表和柴油机故障状态预测表。柴油机运行状态数据表用于记录柴油机各个工作系统的运行数据,其内容至少包括用于表征柴油机仪表系统、柴油机调速控制系统、发电机电气保护系统、柴油机油气水辅助系统、柴油机组启停控制系统和柴油机同期控制系统的运行状态的运行数据,其运行数据包括离散型数据和连续型数据;柴油机故障状态预测表记录预测的柴油机各个工作系统的故障数据,其内容除了柴油机故障数据表所包含内容外,还包含解决故障的相应预测动作a={a1,a2,...,an}。“柴油机运行状态数据表”实时记录柴油机的运行数据,柴油机如果没发生故障,运行的数据则录入“柴油机运行状态数据表”,如果柴油机一旦发生故障,则从此表中提取发生故障之前的任意m组数据,组成样本特征向量输入到SOM-PNN预测模型中进行训练,Sarsa(λ)算法模块对结果进行拟合,对故障诊断与预测模型输出结果进行优化,输出结果即为对应的可能发生的故障类别,然后将样本特征向量、故障类别、及相应的解决故障动作均输入到“柴油机故障状态预测表”中。累计柴油机的故障经验,有助于之后柴油机根据运行趋势来预测将要发生的故障,有助于提前规避故障或快速找到故障解决方案。
本发明采用PNN网络与SOM神经网络相结合,建立一种应用于柴油机运行过程中大规模数据的概率神经网络故障诊断与预测模型,即SOM-PNN神经网络模型,并用强化学习中学习能力较强并且能够在线学习的Sarsa(λ)算法(时序差分求解强化学习控制问题的方法,以下简称时序差分求解算法)弥补SOM-PNN神经网络无法与环境交互学习的缺陷。
2.1为了节省数据占用的内存空间,以及离散化柴油机运行的连续数据,使用自组织映射神经网络(SOM网络)在无监督的情况下对柴油机的运行数据进行自适应相似归并以及划分。如图3所示为自组织映射神经网络SOM网络结构,该网络结构包括输入层和输出层,
2.11若柴油机发生故障,SOM网络提取发生故障前的m组数据作为自组织映射神经网络SOM输入的样本特征向量x=(x1,x2,...,xm),输入向量中的元素xm为柴油机第m组运行状态数据,对运行数据进行SOM训练;
2.12柴油机运行数据经过SOM训练后,将相似的数据合并成一个类别,SOM网络输出层为离散化后的阵列s=(s1,s2,...,sn),其中,s中每个神经元代表了同一个数据类别,n代表数据类别数量。特征向量x=(x1,x2,...,xm)为一维向量,二维输出阵列s=(s1,s2,...,sn)将特征向量x进行相似性归并。(比如特征向量x中的x1和x2以及xn是相似的,则归并到s阵列的s1中,即s1中的内容包含(x1、x2、xn)的信息,s阵列中每一个子元素si可能包含多个x元素)。
2.13 SOM网络的输入层和输出层之间实现全连接,输入层与输出层的映射关系为f(s),SOM网络的输入层和输出层的连接权值为wij(i=1,2,...,m;j=1,2,...,n)。其中i是输入的特征向量中第i神经元,j是输出层的第j阵列。将柴油机原始的运行数据作为SOM的输入,原始数据并无规律可言,通过连接权值对原始数据运算迭代,寻优归并数据类别,将相似的数据归并为同一类,然后通过映射函数f将归并的数据映射到输出层的二维阵列s中。一维输入向量x=(x1,x2,...,xm)通过连接权值wij(i=1,2,...,m;j=1,2,...,n)运算迭代,然后相似的数据被分类分配到二维输出阵列s中。如最佳匹配神经元k(神经元k为神经元s中的最佳神经元)是连接权值最接近输入向量x的神经元,输入向量x代表柴油机输入到SOM网络中的特征向量,最佳匹配神经元k即代表寻找与x向量相似的向量,即划分为同一类别数据,SOM神经网络根据以下公式在输入向量x(柴油机特征数据)中寻找最佳匹配神经元k。
dk=min dj=min||x-wj||2
欧式距离dk代表两个神经元的相似度,dk越小相似度越高,对于dk小于阈值的神经元可归为同一组,其中,wj代表神经元j的权值,wk代表最佳匹配神经元k的权值。
网络初始化时对SOM网络随机赋值权值wij,如可初始化wij=0,根据t时刻神经元输出向量的权向量wj(t)调用以下公式对权向量进行更新,得到(t+1)时刻的权向量wj(t+1)。
式中:wj(t)为神经元j在t时刻的权向量;x(t)为输入矢量,Nj(t)为学习邻域,为学习率,用于调整参数,神经元j在不断迭代运算时所对应的权值越小,当学习率更新结束,一般学习率阈值取值在[0,1]范围。
wij代表SOM网络输入权值,wj(t)代表wij在t时刻的输出权向量,wj(t)为一位输入向量x=(x1,x2,...,xm)经过权值wij(i=1,2,...,m;j=1,2,...,n)运算迭代后划分成相似的向量。
网络经过大量学习后,其神经元成一定的分布形式,相似的神经元分布在一起,每个神经元代表柴油机的特征向量,即输入的柴油机运行数据就会得到相似性归并及划分。
2.2.SOM-PNN神经网络(基于贝叶斯策略前馈神经网络)中,SOM层归并划分数据类别,PNN层则根据SOM划分的数据类别组归并化分到具体的故障类别中。图4所示为SOM-PNN神经网络结构示意图,包括输入层、模式层、类别层和输出层。概率神经网络PNN具有对已学知识的联想记忆功能,主要用于模式分类。输入层m层负责接受柴油机运行数据;SOM网络输出层与PNN网络模式层相连形成n层,对SOM神经网络归并离散后输出的数据进行收集整理,wij为m层和n层的连接权值;类别层h根据数据整理柴油机运行状态归属具体哪一故障类别,qij为n层和h层的连接权值;输出层l层将预测出具体故障分类进行输出,并且输出解决此故障应采取的措施,vjk是h层和l层的连接权值。
PNN的类别层即h层的输入将经过SOM量化的离散模式二维输出阵列s=(s1,s2,...,sn)作为训练样本建立训练集故障样本特征,qij为n层与h层的连接权值,那么通过n层到h层的迭代运算,可将n层的训练集数据s与各个故障类别匹配,h层调用类别匹配函数:计算每类训练样本特征对应的故障类别f(s,qij)。其中,δ为平滑因子,通常δ∈(0,1)。
通过概率密度函数根据现有故障样本特征求统计值。根据公式:计算故障样本的概率密度,式中:s1i为故障模式s1的第i个训练样本,m为训练样本数,p为0~1的常数,这里p=0.8(一般文献里都取0.8),因为(s-s1i)是二维向量,T代表转置符号。
由于PNN是一种基于Bayes理论的决策方法,设故障模式为θ1和θ2,对于故障样本特征s=(s1,s2,...,sn),有以下关系成立:当h1l1f1(s)>h2l2f2(s)时,S∈θ1;当h1l1f1(s)<h2l2f2(s)时,S∈θ2。其中,h1,h2分别为故障模式θ1,θ2的先验概率,l1,l2分别为将属于θ1,θ2的故障样本s错误地划分到θ2,θ1的代价因子;f1(s),f2(s)分别为故障模式θ1,θ2的概率密度。
如图5所示为学习模型示意图,通过SOM-PNN模型预测出故障特征样本所属的故障类别,在此基础上,利用Sarsa(λ)算法完善SOM-PNN网络每个故障特征样本所述故障类别的输出结果,根据故障特征预测解决故障的行为动作ak,使得SOM-PNN能与运行环境交互学习。用Sarsa(λ)算法模块预测状态-动作对(即柴油机的故障与解决故障对应方法),根据Q值的更新选出最优策略,Q值越大,策略越优(1);然后在柴油机系统中采用最优策略中的故障解决行为at,将柴油机的故障状态st反馈给SOM-PNN预测模型,根据强化信号rt(即柴油机执行故障解决行为at使得柴油机由故障状态st转移到其他状态的瞬时奖赏函数,其他状态包括故障已解决状态及其他故障状态)得到瞬时奖赏函数(3);根据得到的奖赏函数更新Q值,并将更新的Q值返回给Sarsa(λ)算法模块(4),最后最大Q值所对应的故障解决行为at即为解决所预测故障的最优行为策略,即得到的故障状态st与解决故障的行为at构成故障及解决策略集合(st,at)。
Q值具体计算过程包括:利用SOM-PNN预测模型将柴油机的连续数据离散化,预测出柴油机的故障类型后,根据SOM-PNN输出的故障样本s=(s1,s2,...,sn),Sarsa算法模块对其结果进行优化,使得每一个输出故障样本对应的Q值为Q(st,at),Q(st,at)越大,则说明面对需要解决的故障st所对应的at行为策略越好。首先对所有的故障样本s=(s1,s2,...,sn)初始化,使得初始的Q(st,at)=0,qij=0,vij=0;根据公式:计算故障样本对应的解决故障动作的Q值。其中,St为故障向量s=(s1,s2,...,sn)中第t个训练样本,n为故障向量的样本个数(神经元个数)。最大Q值所对应的故障解决行为at即为解决所预测故障的最优行为策略,通过Q值找出最优的解决故障行为。当初始面对需要解决的故障St时,根据ε-贪婪策略可随机选择一个解决故障动作at,用E表示选择的解决故障动作at在解决的故障St时所产生的误差,根据ε-贪婪策略调节at,当at处理故障St越有效,E值越小,直到E值误差在最小范围内,则此时预测得到的at为解决当时预测故障St的最优动作。E=rt+1+γQSOM-PNN(st+1,at+1)-QSOM-PNN(st,at)
通过网络权值调整以减少误差E,根据前一时刻权值(qij′,vjk′)更新获得当前权值(qij,vjk),更新公式如下:
qij=qij′+Δq,其中
vjk=vjk′+Δv
式中,QSOM-PNN(st,at)代表面对预测出的故障St采取解决故障动作at所得到的Q值,QSOM-PNN(st+1,at)是指执行动作at观察后续状态st+1得到瞬时奖赏rt+1,a*为现阶段在解决故障St时所得到的最优动作,即Q值最大,其中,E∈(0,1),Δv、Δq为当前权值与前一时刻权值之差,γ为折扣值,一般γ∈[0,1],这里取γ=0..
针对现有技术中应急柴油机事件记录仪装置中的大量数据之间相互孤立,无法形成有效数据链,只能在有丰富现场调试经验的工程师主观判断下,从巨量波形数据中提取极为少量的故障信息,为了改善这个问题,通过对获取到的柴油机运行数据进行分类的同时,使得属于同一柴油机工作系统的运行数据之间相互关联,并将拟合得到的数据及工作状态存入并且完善柴油机故障状态预测表,以方便后续进行数据查看及分析。依据柴油机运行状态数据表预测柴油机是否出现故障,如果出现故障,则执行下面步骤;如果没有故障,则柴油机继续正常运行;依据出现故障时刻前后预设时间段t内的运行数据,进行故障诊断分析,依据分析结果完善柴油机故障状态预测表,其中,预测表包括:发生故障的时间和柴油机状态,以及应对该故障状态时应执行的动作a;当故障预测表持续更新时,有可能会存入很多重复或者单一的故障数据,这些冗余数据造成了大量的存储空间浪费,同时对故障诊断造成影响,因此需要在这些故障数据中提炼出有效的数据,并剔除那些冗余数据。因而,剔除预测表中存在的冗余,包括故障时间、柴油机状态、以及应对该故障状态时应执行的动作等,更新故障预测表。
如某型柴油机故障分析,收集整理原始数据,分析柴油机启动困难、功率不足、转速不稳以及振动噪声异常等4类故障的特征,每类故障用12个不同特征来反映,每类故障又设计7个不同的解决方案,解决方法与故障类型均可自行定义,详细指标描述见表1。
每一类样本中有200组样本,每组样本用12维数据表征(即每类样本中有12条不同的曲线,分别显示每类故障的12个特征数据。以上800组特征信号数据经SOM-PNN预测模型的第一阶段SOM网络归一化分类后,从中随机选择600组数据作为SOM-PNN预测模型的第二阶段PNN网络训练数据,200组数据作为测试数据。利用训练后的PNN网络对测试数据中的4个类别数据进行预测,在输出层中,用四维整数向量代表预测类别,比如输出向量为[1,0,0,0]表示输入的故障属于第1类别,其他的输出分析同理,但在实际的输出中每一维都是以小数的形式出现。输出的特征向量处理过程:将最大的一维数据设为1,其余向量维的数据设为0,例如网络输出特征向量为[0.02,0.04,0.9,0.6],则输出向量修正为[0,0,1,0],即诊断预测结果为第3类。
利用SOM-PNN网络对柴油机测试数据进行诊断预测的结果如图6所示。从图6可以看出,实际数据与预测数据并不能完全重合,预测结果精度相对较高,误差值采用实际故障类别与预测故障类别的差,如实际故障类别与预测故障类别相等,则预测误差为O,否则预测误差为100%。图6显示结果充分说明了SOM-PNN网络预测和诊断的误差较小,多数样本预测误差为0(即预测正确率为100%),因此,该模型能够准确判断故障的类别,只是极少部分故障数据分类异常,200组样本中平均分类正确率达到了99.3%。由此证明本专利提出的一种自适应在线预测柴油机故障的检测方法改善了故障诊断和预测的准确度,同时也为柴油机其他故障的特征提取和故障诊断预测提供了新的手段。
Claims (6)
1.一种自适应在线预测柴油机状态的方法,其特征在于,运行状态数据表记录柴油机各个工作系统的运行数据,SOM网络模型对运行数据离散化处理,合并特征相似的数据,PNN网络模型诊断并预测柴油机可能发生的故障类型,Sarsa(λ)算法模型对故障状态数据进行训练,对诊断结果进行拟合,优化拟合结果,计算每类训练样本特征对应的故障类型,预测柴油机工作系统可能出现的故障状态,并与解决故障对应的动作状态a={a1,a2,...,an}存入故障状态预测表,剔除预测表中冗余数据;执行故障状态预测表中对应的动作排除柴油机相关故障;
所述SOM网络模型对运行数据离散化处理,合并特征相似的数据具体包括:SOM网络模型输入层提取柴油机发生故障前的m组运行状态数据作为自组织映射神经网络SOM输入的样本特征向量x=(x1,x2,...,xm),SOM网络模型的输入层和输出层之间实现连接权值为wij(i=1,2,...,m;j=1,2,...,n)的全连接,输入层的样本特征向量按照数据类别映射到输出层,输出由n个神经元构成的二维平面阵列s=(s1,s2,...,sn),其中,n为数据类别数量,m为运行状态数量;
4.据权利要求1-3其中之一所述的方法,设故障模式为θ1和θ2时,对于故障样本特征s=(s1,s2,...,sn),当h1l1f1(s)>h2l2f2(s)时,s∈θ1;当h1l1f1(s)<h2l2f2(s)时,s∈θ2,其中,h1,h2分别为故障模式θ1,θ2的先验概率,l1,l2分别为将属于θ1,θ2的故障样本s错误划分的代价因子,f1(s),f2(s)分别为故障模式θ1,θ2的概率密度。
5.一种自适应在线预测柴油机状态的系统,其特征在于,系统故障诊断与预测模型包括:SOM网络的输入层构成的m层,SOM网络的输出层与PNN网络的模式层构成的n层,PNN网络的类别层构成的h层,运行状态数据表记录柴油机各个工作系统的运行数据,SOM网络模型对运行数据离散化处理,合并特征相似的数据,PNN网络模型诊断并预测柴油机可能发生的故障类型,Sarsa(λ)算法模型对故障状态数据进行训练对诊断结果进行拟合,优化拟合结果,计算每类训练样本特征对应的故障类型,预测柴油机工作系统可能出现的故障状态,并与解决故障对应的动作状态a={a1,a2,...,an}存入故障状态预测表,剔除预测表中冗余数据;执行故障状态预测表中对应的动作排除柴油机相关故障;
所述SOM网络模型对运行数据离散化处理,合并特征相似的数据具体包括:SOM网络模型输入层提取柴油机发生故障前的m组运行状态数据作为自组织映射神经网络SOM输入的样本特征向量x=(x1,x2,...,xm),SOM网络模型的输入层和输出层之间实现连接权值为wij(i=1,2,...,m;j=1,2,...,n)的全连接,输入层的样本特征向量按照数据类别映射到输出层,输出由n个神经元构成的二维平面阵列s=(s1,s2,...,sn),其中,n为数据类别数量,m为运行状态数量;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010120463.7A CN111271183B (zh) | 2020-02-26 | 2020-02-26 | 一种自适应在线预测柴油机状态方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010120463.7A CN111271183B (zh) | 2020-02-26 | 2020-02-26 | 一种自适应在线预测柴油机状态方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111271183A CN111271183A (zh) | 2020-06-12 |
CN111271183B true CN111271183B (zh) | 2022-08-16 |
Family
ID=70995471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010120463.7A Active CN111271183B (zh) | 2020-02-26 | 2020-02-26 | 一种自适应在线预测柴油机状态方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111271183B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114765575B (zh) * | 2021-01-04 | 2024-06-11 | 中国移动通信有限公司研究院 | 一种网络故障原因预测方法、装置及电子设备 |
CN112884210B (zh) * | 2021-01-31 | 2022-03-15 | 中国人民解放军63963部队 | 一种基于模糊聚类的车辆健康管理系统 |
CN116502141A (zh) * | 2023-06-26 | 2023-07-28 | 武汉新威奇科技有限公司 | 一种基于数据驱动的电动螺旋压力机故障预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19902923A1 (de) * | 1999-01-26 | 2000-08-03 | Daimler Chrysler Ag | Verfahren zur Funktionsüberwachung eines Kühlsystems einer Brennkraftmaschine |
CN102760209A (zh) * | 2012-05-17 | 2012-10-31 | 南京理工大学常熟研究院有限公司 | 一种非参数膜蛋白跨膜螺旋预测方法 |
CN103489033A (zh) * | 2013-09-27 | 2014-01-01 | 南京理工大学 | 融合自组织映射与概率神经网络的增量式学习方法 |
CN106408687B (zh) * | 2016-11-24 | 2019-04-05 | 沈阳航空航天大学 | 一种基于机器学习方法的汽车发动机故障预警方法 |
-
2020
- 2020-02-26 CN CN202010120463.7A patent/CN111271183B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19902923A1 (de) * | 1999-01-26 | 2000-08-03 | Daimler Chrysler Ag | Verfahren zur Funktionsüberwachung eines Kühlsystems einer Brennkraftmaschine |
CN102760209A (zh) * | 2012-05-17 | 2012-10-31 | 南京理工大学常熟研究院有限公司 | 一种非参数膜蛋白跨膜螺旋预测方法 |
CN103489033A (zh) * | 2013-09-27 | 2014-01-01 | 南京理工大学 | 融合自组织映射与概率神经网络的增量式学习方法 |
CN106408687B (zh) * | 2016-11-24 | 2019-04-05 | 沈阳航空航天大学 | 一种基于机器学习方法的汽车发动机故障预警方法 |
Non-Patent Citations (1)
Title |
---|
基于概率神经网络的发动机故障诊断;叶志峰,孙健国;《航空学报》;20020331;第23卷(第2期);155-157页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111271183A (zh) | 2020-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111271183B (zh) | 一种自适应在线预测柴油机状态方法及系统 | |
CN110555273B (zh) | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 | |
Sun et al. | Fault diagnosis of power transformers using computational intelligence: A review | |
Atoui et al. | Coupling data-driven and model-based methods to improve fault diagnosis | |
CN110224160A (zh) | 一种燃料电池系统故障诊断方法 | |
CN113255848A (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
Akintola et al. | Comparative analysis of selected heterogeneous classifiers for software defects prediction using filter-based feature selection methods | |
Voisin et al. | Fleet-wide diagnostic and prognostic assessment | |
CN114925612A (zh) | 基于麻雀搜索算法优化混合核极限学习机的变压器故障诊断方法 | |
CN108803555B (zh) | 一种基于性能监测数据的亚健康在线识别和诊断方法 | |
CN111192379A (zh) | 一种飞机整机的综合故障诊断方法 | |
CN112232370A (zh) | 发动机的故障分析预测方法 | |
CN114118138A (zh) | 一种基于多标签领域自适应模型的轴承复合故障诊断方法 | |
CN113687972A (zh) | 业务系统异常数据的处理方法、装置、设备及存储介质 | |
CN116384224A (zh) | 一种基于条件化参数动态卷积神经网络的航空发动机寿命预测方法 | |
CN116668083A (zh) | 一种网络流量异常检测方法及系统 | |
CN112393934A (zh) | 基于稀疏自编码与极限学习机的风电机组故障诊断方法 | |
CN108827671A (zh) | 一种机械设备故障诊断方法 | |
Yang et al. | Fault Diagnosis Management Model using Machine Learning | |
CN117633688A (zh) | 一种基于岭回归-k均值聚类-LOF-LSTM融合算法的大规模电力数据异常检测方法 | |
CN113093695A (zh) | 一种数据驱动的sdn控制器故障诊断系统 | |
CN112418460A (zh) | 工程车辆的故障诊断方法和故障诊断装置 | |
CN112434755A (zh) | 一种基于异构系统的数据异常感知方法 | |
Pattipati et al. | An integrated diagnostic process for automotive systems | |
CN116933656A (zh) | 一种基于深度学习的船舶动力系统故障诊断方法 |
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 |