CN111289256B - 一种数据驱动的船舶柴油机故障检测方法 - Google Patents

一种数据驱动的船舶柴油机故障检测方法 Download PDF

Info

Publication number
CN111289256B
CN111289256B CN201811493398.1A CN201811493398A CN111289256B CN 111289256 B CN111289256 B CN 111289256B CN 201811493398 A CN201811493398 A CN 201811493398A CN 111289256 B CN111289256 B CN 111289256B
Authority
CN
China
Prior art keywords
data
diesel engine
kpi
fault detection
fault
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
Application number
CN201811493398.1A
Other languages
English (en)
Other versions
CN111289256A (zh
Inventor
杨莹
何志晨
李鹤
张瑀涵
刘瑞杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peking University
Original Assignee
Peking University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Peking University filed Critical Peking University
Priority to CN201811493398.1A priority Critical patent/CN111289256B/zh
Publication of CN111289256A publication Critical patent/CN111289256A/zh
Application granted granted Critical
Publication of CN111289256B publication Critical patent/CN111289256B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01MTESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00Testing of engines
    • G01M15/04Testing internal-combustion engines
    • G01M15/05Testing 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)
  • Testing Of Engines (AREA)

Abstract

本发明公布了一种数据驱动的船舶柴油机故障检测方法,包括:采用k近邻聚类的方法,对柴油机历史数据的工作模态进行聚类,得到柴油机工作模态类型;采用偏最小二乘回归方法PLS建立各个工作模态相应的KPI模型,计算检验阈值;输入待检测的实时数据;通过判定待检测的实时数据点与历史数据的聚类中心的距离是否小于预设定的阈值d对柴油机工作模态进行匹配;将待检测数据输入相应模态的KPI模型,进行故障检验统计量计算,得到KPI故障检验统计量;通过比较实现数据驱动的船舶柴油机故障检测。采样本发明技术方案,能够实现实时的、适用范围较广和效率高的在线故障诊断。

Description

一种数据驱动的船舶柴油机故障检测方法
技术领域
本发明涉及船舶柴油机检测领域,具体涉及一种基于偏最小二乘回归方法的数据驱动的船舶柴油机故障检测方法。
背景技术
柴油机是船舶动力心脏,一旦出现故障则必然会影响船舶的运行与安全。据统计,船舶海难事故主要由机械故障引起,而柴油机故障占机械故障的45%。传统的柴油机故障诊断技术有热力参数法、油液分析法、振动分析法和瞬时转速法。热力参数法主要是利用船舶柴油机工作时热力参数(示功图、压力、温度等)的变化来判断其工作状态;油液分析法是通过分析柴油机的在用润滑剂(或工作介质)的性能品质的变化和携带的磨损和污染物微粒情况,来评价机器的工况和预测故障;振动分析法是利用船舶柴油机在工作时产生的振动信号,经测试、数据分析及处理,对内部零部件的状态进行诊断;瞬时转速法是根据瞬时转速的波动信号的变化大小就可判断柴油机做功异常的程度。以上技术,要么需要对参数高精度的监测,测量难度大;要么所构建的模型适用范围较小;要么需要经验丰富的技术人员进行数据分析,有较高的时间和人力成本,实时性和检测效率不高。
发明内容
为了克服上述现有技术的不足,本发明提供一种数据驱动的船舶柴油机故障检测方法,基于偏最小二乘回归方法(下面简称“PLS”),通过数据聚类、基于改进的偏最小二乘法的KPI建模和故障检测,针对船舶柴油机关键性能指标(下面简称“KPI”)实现实时的、适用范围较广和效率高的在线故障诊断。
本发明提供的技术方案是:
一种数据驱动的船舶柴油机故障检测方法,包括如下步骤:
1)对柴油机历史数据的工作模态进行聚类,得到柴油机工作模态类型;
输入柴油机历史数据集,通过对柴油机历史数据的分段和挑选原始数据中稳态的数据(稳态数据指处于一个变化不大的运行阶段),采用k-means聚类的方法,聚出k类可以反映柴油机工作模态的数据;
具体步骤如下:
11)首先假设(或由机理预知)工作模态为k类,并随机初始化它们各自中心点。数据的中心点(或称为数据的质心)是指该类数据中所有数据点的平均值。
12)计算每个数据点到中心点的距离,数据点与哪个中心点距离最近就划分到该中心点对应的那一类。
13)计算每一类的中心点,作为该类新的中心点。
14)重复以上步骤,直到每一类的中心点在每次迭代后变化不大为止。也可以多次随机初始化中心点,然后选择运行结果最好(指多次迭代后中心点不变)的一个分类,或者将中心点的半径(迭代得到的新中心点与上一次迭代得到的中心点的距离)与设置的阈值(记为d)进行比较,来判断中心点是否符合要求。计算新中心点到该类数据所有点中最大的距离r(称为类半径r),作为判断新的数据点是否属于该类工作模态的判断标准。
中心点到该类数据所有点中最大的距离r,称为类半径r,类半径r用来判断待检测数据是否属于该类对应的工作模态。将中心点的半径记为阈值d,用来判断新的中心点是否满足迭代终止要求(多次迭代后变化不大)。
变化不大指的是:重复以上过程每次得到的新的中心点在一个小的范围内变化或者不变。该范围可以设置为一个较小的值作为阈值d,反映类中心点的半径(迭代得到的新中心点与上一次迭代得到的中心点距离)。对于一段数据,如果经过多次(如10次)迭代,并且每次迭代得到的新中心点与上一次迭代得到的中心点距离小于阈值d,那么则可以认为该中心点变化不大。这里,较小的阈值指的是,根据精度的需求,根据聚类结果进行调整,修改阈值比原来更小以获得更好的聚类效果。如果多次迭代中心点都不变则是最佳。
2)根据步骤1)的聚类结果,采用PLS方法建立各个工作模态相应的KPI模型,用于计算检验阈值
Figure BDA0001896234410000021
(通过式8计算得到);
针对柴油机故障诊断,本发明采用一种基于改进的偏最小二乘法的KPI建模方法。
柴油机的关键性能指标集记为
Figure BDA0001896234410000022
Y∈RN×l为与关键性能指标相关的变量集。其中N为数据采样点数,m为KPI指标数,l为可测相关变量数。假设Y与
Figure BDA0001896234410000023
具有一定的线性关系。对Y做主元分析,并由分析Y得到的得分矩阵T构造
Figure BDA0001896234410000024
可得描述如式1:
Figure BDA0001896234410000025
其中,T=(t1,t2,…,tA)为得分矩阵,ti∈Rn为得分向量,P=(p1,p2…,pA)为Y的负荷矩阵,pi∈Rm为YYT特征向量(也称为负荷向量),Q为
Figure BDA0001896234410000031
的负荷矩阵,E∈RN×m和F∈RN×l为误差信息。
并且,T=YR。R的每一列由对应的权重向量构成。R的第i列为Y主元分析的第i个分析元的权重向量,记为ri。满足:
ti=Yri
那么,Y与
Figure BDA0001896234410000032
之间的模型满足式2:
Figure BDA0001896234410000033
其中,
Figure BDA0001896234410000034
为关键性能指标集,Y为与关键性能指标相关的变量集,T为对Y进行主元分析后得到得分向量,Q为
Figure BDA0001896234410000035
的负荷矩阵,F为误差信息。
3)输入待检测的实时数据,系为结合柴油机机理选取的柴油机部件传感器监测数据(如主机转速,压力,温度等);
4)根据步骤1)的聚类结果,通过判定待检测实时数据点与历史数据的聚类中心的距离是否小于预设定的阈值d(根据聚类的效果,阈值取值跟数据点本身的向量的模长有关,可以取模长的百分之几或者千分之几)来对柴油机工作模态进行匹配,若不符合系统的工作模态(待检测点距离所有聚类中心的距离都超过预设的阈值d),则输出无法匹配,返回步骤3);若匹配成功则进行下一步;
5)对待检测数据进行检测;
将待检测数据输入步骤2)所建立的相应模态的KPI模型,进行故障检验统计量计算,得到KPI故障检验统计量
Figure BDA0001896234410000036
若KPI故障检验统计量
Figure BDA0001896234410000037
低于检验阈值
Figure BDA0001896234410000038
表示无相关故障发生则输出“KPI正常”;若KPI故障检验统计量
Figure BDA0001896234410000039
高于检验阈值
Figure BDA00018962344100000310
表示相关故障发生,输出“KPI异常”。采用的检测方法具体是:
过程变量为柴油机的关键性能指标集
Figure BDA00018962344100000311
及与关键性能指标相关的变量集Y,通过KPI建模,由式1和式2,过程变量空间可表述为式3:
Figure BDA00018962344100000312
其中,
Figure BDA00018962344100000313
为与KPI相关的关键性能指标相关的变量集,
Figure BDA00018962344100000314
为与KPI无关的关键性能指标相关的变量集,M由标准PLS方法求得(如式2:M=RQT)。对M进行奇异值分解,表示为式4:
Figure BDA0001896234410000041
其中,ΛM∈Rm×m为MMT特征值,PM∈Rl×m由MMT非零特征值的特征向量构成,
Figure BDA0001896234410000042
Figure BDA0001896234410000043
由MMT零特征值的特征向量构成。
构建Y的两个正交投影矩阵:
Figure BDA0001896234410000044
则可将过程变量空间分解为两个正交的子空间,表示为式5:
Figure BDA0001896234410000045
构建与KPI有关的故障的检验统计量,表示为式6:
Figure BDA0001896234410000046
构建与KPI无关的故障的检验统计量,表示为式7:
Figure BDA0001896234410000047
选择其中与KPI有关的故障检验统计量
Figure BDA0001896234410000048
来设计阈值,表示为式8:
Figure BDA0001896234410000049
其中,
Figure BDA00018962344100000410
为自由度为l,分位数为α的卡方分布查表值。
如果
Figure BDA00018962344100000411
则表示与KPI有关的故障发生,相关变量发生故障使检验统计量超出阈值。如果
Figure BDA00018962344100000412
则表示与KPI相关的变量没有发生异常,无故障发生。
本发明的有益效果:
本发明提供一种数据驱动的船舶柴油机故障检测方法,基于偏最小二乘回归方法PLS,通过数据聚类、基于改进的偏最小二乘法PLS的KPI建模和故障检测,针对船舶柴油机关键性能指标KPI实现实时的、适用范围较广和效率高的在线故障诊断。本发明方法的技术优势主要包括:
(一)采用了基于关键性能指标的诊断方法,是一种由上而下的故障检测方法。该方法可以通过对子系统级或部件级的关键性能指标进行建模,检测其相关变量是否发生异常而引发故障。对于柴油机这种复杂系统的故障检测有良好的效果。并且通过该方法计算出的KPI评价函数值可以一定程度反应柴油机故障的严重程度,为柴油机的容错控制参数优化提供一定的信息。
(二)通过选择关键性能指标和其相关变量检测来判断柴油机工作状态,一定程度上降低对某一单一数据精度高的依赖性,遇到测量难度高的参数时可尝试着重于监测其他关键性能指标来降低对难以测量参数的依赖。一定程度上解决了参数测量难和所需精度高的问题。
(三)方法层面上,在针对具有一定机理了解的对象的故障诊断可以实现移植使用,方法的适用范围较广。
(四)采用了基于数据驱动的方法,实时读取传感器的数据,将技术人员对柴油机内部机理的理解通过KPI和相关变量的选取内嵌于故障诊断程序,不断对数据进行分析,实现对柴油机子系统实时和快速故障诊断,降低了大量的人力和时间成本。
附图说明
图1为本发明具体实施提供的柴油机故障诊断系统结构框图。
图2为本发明实施例提供的KPI建模的流程框图。
图3为本发明实施例提供的KPI故障诊断的流程框图。
图4为本发明实施例采用的柴油机历史工作数据图示。
图5为本发明实施例得到的聚类效果图;
其中,横坐标为数据的采样时刻;纵坐标为幅值。
图6为本发明实施例得到的聚类中的类2相关变量数据图。
图7为本发明实施例的注入故障数据图。
图8为本发明实施例的故障诊断结果图。
具体实施方式
下面结合附图,通过实施例进一步描述本发明,但不以任何方式限制本发明的范围。
图1为本发明具体实施提供的柴油机故障诊断系统的结构,主要包括KPI建模单元和故障检测单元;KPI建模和故障检测方法流程分别如图2、图3所示。具体实施时,基于改进PLS的KPI建模算法如下:
1.收集历史数据,构造数据矩阵Y∈Rm×N和Θ∈Rl×N
2.利用标准PLS方法求解Θ和Y的回归系数M;
3.实行奇异值分解:
Figure BDA0001896234410000061
4.分解过程变量空间为两个正交的子空间:
Figure BDA0001896234410000062
5.设计T2统计量:
Figure BDA0001896234410000063
阈值
Figure BDA0001896234410000064
6.根据规则检测故障:
Figure BDA0001896234410000065
以下实施例对某二冲程低速船用柴油机进行故障诊断,现有约8万个柴油机工作点历史数据,以此建立柴油机相关工作模态的KPI模型,注入故障数据进行诊断(选择柴油机滑油系统为例)。
柴油机滑油流动的通路:滑油经主机滑油进口压入,流经推力轴、主机增压器、中间轴、气缸、主机滑油沉淀柜。
依据滑油的流通路径,以滑油系统的压力和温度构建柴油机滑油系统健康状态的关键性能指标(KPI),并选出以下滑油流经的各个部件的相关测量作为与此KPI相关的变量:主轴承及推力轴承滑油进机压力、推力轴承滑油温度、主机增压器滑油进机压力、气缸滑油进口温度、中间轴轴承滑油温度、主机滑油沉淀柜温度。
具体实施方式如下:
A.建立柴油机KPI模型
A1.输入柴油机历史数据
A2.选择柴油机关键性能指标与其相关变量
A3.根据历史数据对柴油机工作模态进行K-means聚类,划分为k类模态
A4.根据聚类结果建立各个模态相应KPI模型
B.进行柴油机故障检测
B1.输入待诊断的实时数据
B2.进行模态匹配:计算实时数据与聚类中心的距离来判断柴油机的工作模态,若不符合相应工作模态则输出无法匹配;若匹配成功则进行下一步。
B3.将待诊断数据输入所建立的相应模态的KPI模型进行评价函数计算,若KPI的故障检验统计量
Figure BDA0001896234410000071
低于检验阈值
Figure BDA0001896234410000072
表示无相关故障发生则输出“KPI正常”;若KPI的故障检验统计量
Figure BDA0001896234410000073
高于检验阈值
Figure BDA0001896234410000074
表示相关故障发生,输出“KPI异常”。
具体实施时,选用的船舶柴油机历史工作数据如图4所示。分段和挑选原始数据中适合KPI建模的数据(平稳的并且根据经验数据点数大于85)进行k-means聚类得到聚类结果图。对于本段数据,在本次聚类中每个相关变量选取了数千个稳态工作数据。由此得到了7类可以有效KPI建模的数据集(聚类效果图如图5所示)。其中,类2的相关变量数据图(如图6所示)。以此7类数据集,根据偏最小二乘的方法辨识进行建模得到KPI模型。
注入故障数据(如图7所示),在第101个采样时刻,滑油系统中的推力轴承滑油温度发生常值故障,温度升高;相应地,导致滑油系统主轴承及推力轴承滑油进机压力偏离正常水平。
进行故障检测,得到检测结果,故障诊断结果如图8所示。其中,故障检验统计量
Figure BDA0001896234410000075
的值高于检验阈值
Figure BDA0001896234410000076
由此,通过上述柴油机故障检测方法,检测出柴油滑油系统发生故障。
本实施例每个数据点包含的变量为主轴承及推力轴承滑油进机压力、推力轴承滑油温度、主机增压器滑油进机压力、气缸滑油进口温度、中间轴轴承滑油温度和主机滑油沉淀柜温度。其中,选择了主轴承及推力轴承滑油进机压力为柴油滑油系统关键指标;选择推力轴承滑油温度、主机增压器滑油进机压力、气缸滑油进口温度、中间轴轴承滑油温度和主机滑油沉淀柜温度为相关变量。
本发明中变量的选取,应根据柴油机故障的机理进行选取(例如本实例根据滑油流通的路径等机理选取了建模的相关变量)。选取与柴油机故障相关的和可测的变量的历史数据进行建模,然后将这些变量的实时待诊断数据输入所建模型进行故障检测。
需要注意的是,公布实施例的目的在于帮助进一步理解本发明,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的精神和范围内,各种替换和修改都是可能的。因此,本发明不应局限于实施例所公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。

Claims (8)

1.一种数据驱动的船舶柴油机故障检测方法,包括如下步骤:
1)采用聚类的方法,对柴油机历史数据的工作模态进行聚类,得到柴油机工作模态类型;
2)根据步骤1)得到的柴油机工作模态类型,采用偏最小二乘回归方法PLS建立各个工作模态相应的KPI模型;
柴油机的关键性能指标集记为Θ∈RN×m;Y∈RN×l为与关键性能指标相关的变量集;其中N为数据采样点数,m为KPI指标数,l为可测相关变量数;Y与Θ为过程变量;
假设Y与Θ具有线性关系,对Y做主元分析,并由得到的得分矩阵T构造Θ,表示如式(1):
Figure FDA0002948577800000011
其中,T=(t1,t2,…,tA)为得分矩阵,ti∈RN为得分向量,P=(p1,p2…,pA)为Y的负荷矩阵,pi∈Rl为YYT特征向量或称负荷向量,Q为Θ的负荷矩阵;E∈RN×l和F∈RN×m为误差信息;并且,T=YR;R的每一列由对应的权重向量构成;R的第i列为对Y主元分析的第i个分析元的权重向量,记为ri,满足:ti=Yri;则Y与Θ之间的模型满足式(2):
Θ=TQT+F=YRQT+F=YM+F (2)
3)输入待检测的实时数据;
4)根据步骤1)的聚类结果,通过判定待检测的实时数据点与历史数据的聚类中心的距离是否小于预设定的阈值d,对柴油机工作模态进行匹配;
若待检测点距离所有聚类中心的距离均超过预设的阈值d,则输出无法匹配,返回步骤3);
5)若匹配成功,将待检测数据输入步骤2)所建立的相应模态的KPI模型,进行故障检验统计量计算,得到KPI故障检验统计量
Figure FDA0002948577800000012
若KPI故障检验统计量
Figure FDA0002948577800000013
低于检验阈值
Figure FDA0002948577800000014
表示无相关故障发生,KPI正常;若KPI故障检验统计量
Figure FDA0002948577800000015
高于检验阈值
Figure FDA0002948577800000016
表示相关故障发生,KPI异常;
通过上述步骤,实现数据驱动的船舶柴油机故障检测。
2.如权利要求1所述数据驱动的船舶柴油机故障检测方法,其特征是,由KPI建模,过程变量空间表述为式(3):
Figure FDA0002948577800000021
Figure FDA0002948577800000022
其中,
Figure FDA0002948577800000023
为与KPI相关的关键性能指标相关的变量集;
Figure FDA0002948577800000024
为与KPI无关的关键性能指标相关的变量集;M由标准PLS方法求得;对M进行奇异值分解,表示为式(4):
Figure FDA0002948577800000025
其中,ΛM∈Rm×m为MMT特征值,PM∈Rl×m由MMT非零特征值的特征向量构成,
Figure FDA0002948577800000026
Figure FDA0002948577800000027
由MMT零特征值的特征向量构成。
3.如权利要求2所述数据驱动的船舶柴油机故障检测方法,其特征是,构建Y的两个正交投影矩阵:
Figure FDA0002948577800000028
将过程变量空间分解为两个正交的子空间,表示为式(5):
Figure FDA0002948577800000029
Figure FDA00029485778000000210
构建与KPI有关的故障的检验统计量,表示为式(6):
Figure FDA00029485778000000211
构建与KPI无关的故障的检验统计量,表示为式(7):
Figure FDA00029485778000000212
选择其中与KPI有关的故障检验统计量
Figure FDA00029485778000000213
来设计阈值,表示为式(8):
Figure FDA00029485778000000214
其中,
Figure FDA00029485778000000215
为自由度为l,分位数为α的卡方分布查表值。
4.如权利要求1所述数据驱动的船舶柴油机故障检测方法,其特征是,步骤1)采用k-means聚类的方法对柴油机历史数据的工作模态进行聚类,具体输入柴油机历史数据集,通过对柴油机历史数据的分段和挑选,进行k-means聚类,聚出k类柴油机工作模态。
5.如权利要求4所述数据驱动的船舶柴油机故障检测方法,其特征是,对柴油机历史数据的工作模态进行k-means聚类具体包括如下步骤:
11)设工作模态为k类,并随机初始化各类的中心点;中心点是指类数据中所有数据点的平均值;
12)计算每个数据点到中心点的距离,将数据点距离最近的中心点相应的分类,作为数据点的分类;
13)计算每一类的中心点,作为该类新的中心点;
14)重复以上步骤,直到每一类的中心点在迭代后变化不大,终止操作;
设置距离阈值,当当前迭代得到的新中心点与上一次迭代得到的中心点的距离小于距离阈值,则为变化不大。
6.如权利要求1所述数据驱动的船舶柴油机故障检测方法,其特征是,待检测的实时数据是柴油机部件传感器监测数据,包括主机转速、压力、温度数据。
7.如权利要求1所述数据驱动的船舶柴油机故障检测方法,其特征是,采用滑油系统的压力和温度构建柴油机滑油系统健康状态的关键性能指标KPI。
8.如权利要求7所述数据驱动的船舶柴油机故障检测方法,其特征是,选出滑油流经的各个部件的相关测量值作为与KPI相关的变量,包括:主轴承及推力轴承滑油进机压力、推力轴承滑油温度、主机增压器滑油进机压力、气缸滑油进口温度、中间轴轴承滑油温度、主机滑油沉淀柜温度。
CN201811493398.1A 2018-12-07 2018-12-07 一种数据驱动的船舶柴油机故障检测方法 Active CN111289256B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811493398.1A CN111289256B (zh) 2018-12-07 2018-12-07 一种数据驱动的船舶柴油机故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811493398.1A CN111289256B (zh) 2018-12-07 2018-12-07 一种数据驱动的船舶柴油机故障检测方法

Publications (2)

Publication Number Publication Date
CN111289256A CN111289256A (zh) 2020-06-16
CN111289256B true CN111289256B (zh) 2021-04-30

Family

ID=71030571

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811493398.1A Active CN111289256B (zh) 2018-12-07 2018-12-07 一种数据驱动的船舶柴油机故障检测方法

Country Status (1)

Country Link
CN (1) CN111289256B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113833567B (zh) * 2020-06-23 2022-07-26 北京大学 一种机理数据融合的柴油机涡轮增压器故障检测方法
CN112597658B (zh) * 2020-12-28 2022-02-18 哈尔滨工程大学 一种基于工况识别的船用柴油机多模型故障诊断方法
CN112925201B (zh) * 2021-01-20 2022-01-28 北京大学 一种基于模型预测控制的船舶推进系统燃油控制方法
CN113064401B (zh) * 2021-03-24 2022-10-25 重庆大学 一种基于数据驱动的闭环系统微小故障检测与估计方法
CN113379223A (zh) * 2021-06-04 2021-09-10 江苏科技大学 基于故障关联模型的船舶主机随船备件多层级配置方法
CN113341721B (zh) * 2021-06-17 2021-12-03 哈尔滨工业大学 面对含有未知扰动的工业系统的数据驱动鲁棒故障诊断方法
CN115169709B (zh) * 2022-07-18 2023-04-18 华能汕头海门发电有限责任公司 一种基于数据驱动的电站辅机故障诊断方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104712542A (zh) * 2015-01-12 2015-06-17 北京博华信智科技股份有限公司 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
CN105466693A (zh) * 2015-11-13 2016-04-06 哈尔滨工程大学 基于灰色模型的柴油机燃油系统故障预诊断方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7421351B2 (en) * 2006-12-21 2008-09-02 Honeywell International Inc. Monitoring and fault detection in dynamic systems
CN101872163B (zh) * 2010-05-21 2012-02-01 杭州电子科技大学 一种基于递推非线性部分最小二乘的过程监控方法
CN103472820B (zh) * 2013-09-18 2015-07-15 哈尔滨工业大学 一种基于偏最小二乘算法的推进系统故障诊断方法
CN106368816B (zh) * 2016-10-27 2018-09-25 中国船舶工业系统工程研究院 一种基于基线偏差的船舶低速柴油机在线异常检测方法
CN107272667B (zh) * 2017-08-07 2019-04-12 华中科技大学 一种基于平行的偏最小二乘法的工业过程故障检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104712542A (zh) * 2015-01-12 2015-06-17 北京博华信智科技股份有限公司 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
CN105466693A (zh) * 2015-11-13 2016-04-06 哈尔滨工程大学 基于灰色模型的柴油机燃油系统故障预诊断方法

Also Published As

Publication number Publication date
CN111289256A (zh) 2020-06-16

Similar Documents

Publication Publication Date Title
CN111289256B (zh) 一种数据驱动的船舶柴油机故障检测方法
US8116990B2 (en) Method and system for real-time prognosis analysis and usage based residual life assessment of turbine engine components and display
JP5539382B2 (ja) 航空エンジン内の故障の識別
Wang et al. Research on the fault monitoring method of marine diesel engines based on the manifold learning and isolation forest
CN105928710B (zh) 一种柴油机故障监测方法
CN111648992B (zh) 燃气轮机压气机故障识别预警方法
CN106600095A (zh) 一种基于可靠性的维修评估方法
CN109710983B (zh) 一种基于关键性能指标的柴油机气缸分层故障诊断方法
CN112345261B (zh) 基于改进dbscan算法的航空发动机泵调系统异常检测方法
CN107111311A (zh) 利用稀疏编码方法的燃气涡轮机传感器故障检测
CN105930963A (zh) 一种机电系统装备健康评估方法
CN109298633A (zh) 基于自适应分块非负矩阵分解的化工生产过程故障监测方法
CN114738132B (zh) 基于实船数据的增压器转速传感器故障诊断方法及系统
CN116257747A (zh) 融合峭度和卷积自编码器的转子系统早期异常检测方法
CN107122907B (zh) 一种机电产品符号化质量特性的分析与故障原因追溯方法
CN115375026A (zh) 一种多故障模式下的航空发动机寿命预测方法
CN111855219A (zh) 一种基于灰色理论的柴油机润滑油进机安保参数预测方法
CN114088389A (zh) 一种齿轮变速箱的数据处理方法和相关装置
CN110057588B (zh) 基于奇异值与图论特征融合的轴承早期故障检测与诊断方法及系统
CN115729761B (zh) 一种硬盘故障预测方法、系统、设备及介质
RU2648413C1 (ru) Способ управления режимами на основе нейросетевого диагностирования неисправностей и технического состояния электроприводного газоперекачивающего агрегата
Sun et al. Anomaly detection of marine diesel engine valve system based on Mahalanobis distance
CN104252573A (zh) 一种基于分步模式的机械多故障诊断方法
CN113833567B (zh) 一种机理数据融合的柴油机涡轮增压器故障检测方法
Zhang et al. Layer-wise fault diagnosis based on key performance indicator for cylinder-piston assembly of diesel engine

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