CN112082639A - 发动机状态的诊断方法及其诊断建模方法 - Google Patents
发动机状态的诊断方法及其诊断建模方法 Download PDFInfo
- Publication number
- CN112082639A CN112082639A CN201911141810.8A CN201911141810A CN112082639A CN 112082639 A CN112082639 A CN 112082639A CN 201911141810 A CN201911141810 A CN 201911141810A CN 112082639 A CN112082639 A CN 112082639A
- Authority
- CN
- China
- Prior art keywords
- engine
- vibration
- deep learning
- diagnosis
- vibration signals
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000003745 diagnosis Methods 0.000 title claims description 40
- 230000002159 abnormal effect Effects 0.000 claims abstract description 50
- 238000013135 deep learning Methods 0.000 claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000013145 classification model Methods 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 25
- 238000004519 manufacturing process Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 10
- 238000012774 diagnostic algorithm Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000007635 classification algorithm Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 238000002405 diagnostic procedure Methods 0.000 abstract description 4
- 210000002569 neuron Anatomy 0.000 description 10
- 238000013473 artificial intelligence Methods 0.000 description 8
- 238000013136 deep learning model Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 239000000306 component Substances 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 210000003050 axon Anatomy 0.000 description 1
- 210000005056 cell body Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000026683 transduction Effects 0.000 description 1
- 238000010361 transduction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
- G01M15/12—Testing internal-combustion engines by monitoring vibrations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Testing Of Engines (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本公开涉及发动机状态的诊断方法及其诊断建模方法。一种诊断发动机状态的方法，可以包括：测量发动机的振动，其中，发动机的组装在发动机生产的自动化下线(EOL)工艺中完成；以及使用初级深度学习分类模型初步诊断在EOL工艺期间的发动机的振动，其中基于关于在发动机上的三个或以上的位置处测量的多个振动信号的大数据根据通过使用多种算法学习获得的特征对发动机的振动信号进行分类，其中，通过对发动机的振动进行初步诊断而将EOL工艺中的发动机的组装状态分类为正常状态或异常状态。
Description
技术领域
本公开的示例性实施方式涉及使用基于深度学习的人工智能(AI)诊断发动机的异常状态的方法以及配置诊断模型的方法。
背景技术
人脑由称为神经元的多个神经细胞组成。神经元中的每一个通过称为连接点的突触连接至数百至数千的其他神经元。神经元中的每一个从连接至此的其他神经元接收电气和化学信号并且将这些信号聚合在细胞胞体中。当聚合值大于阈值(即，神经元固有的限制)时，激活神经元以通过轴突将输出发送到相邻的神经元中。同时执行神经元之间的信息交换，并且通过学习改进这种信息交换的功能。
就相关领域中的技术结构而言，“人工智能(AI)”是最高的概念。AI是在将来的某一天使计算机和机器人能模仿人脑和神经元神经网络并且像人一样思考和行动的一种技术。
对甚至在交通工具中基于与AI有关的学习的控制系统不断进行研究。然而，至今，AI仅作为将说话者识别(语音识别)与移动信息技术(IT)结合的技术应用于交通工具。
即，AI应用于交通工具的实例包括通过语音识别进行的导航和音频操纵以及通过智能电话联锁的应用操纵。
同时，交通工具是由数以万计的部件组成的成品，并且即使当一些部件出故障时，不容易识别问题并准确地确定哪个部件出故障。
因此，当使用基于深度学习的AI进行部件故障诊断时，可以更准确且更快速地识别和修复故障部件。
本公开涉及一种通过构建用于诊断发动机的异常状态的诊断模型诊断发动机的异常状态的方法，发动机是交通工具的核心部件。
在下线(EOL)的条件下可以仅通过简单的状态检查对发动机的异常进行传统诊断，这是在发动机生产过程期间可以进行异常状态诊断的最后操作。即，如图1所示，当在发动机生产过程期间检查最终状态时，仅通过比较频率的等级诊断发动机的正常和异常使得不会针对发动机的异常状态进行合成诊断。
传统地，如在附图中所示，由特定频率滤波器使用异常状态中的测试数据设置与振动分贝噪声等级和峰度等级相比较的参考值并且然后仅将参考值与振动分贝噪声级和峰度等级相比较。因此，当出现复合异常状态时，不能设置参考值。
在发动机生产过程期间应该对发动机进行从正常到异常的分类。在未对异常进行分类并且然后在交通工具组装好之后被发现时，发动机应与交通工具分离。
因此，在以上的过程中消耗工时(M/H)和成本，并且当组装了异常的发动机的交通工具交付给消费者时，不仅要消耗修理成本而且交通工具完整的形象被破坏。
在以上的背景技术中描述的内容是为了帮助理解本公开的背景，并且可包括本公开所属领域的技术人员先前所知的内容。
发明内容
本公开的实施方式涉及一种使用基于深度学习的人工智能(AI)诊断车用发动机的异常状态的方法。
本公开的其它目的和优点可以通过以下描述理解，并且参考本公开的实施方式变得显而易见。另外，对于本公开内容所属领域中的技术人员显而易见的是，本公开内容的目标和优点可以通过要求保护的方法及其组合来实现。
根据本公开的一种实施方式，一种诊断发动机状态的方法，包括：测量发动机的振动，其中，发动机的组装在发动机生产的自动化下线(EOL)工艺中完成；以及使用初级深度学习分类模型初步诊断在EOL工艺期间的发动机的振动，在初级深度学习分类模型中基于关于在发动机上的三个或以上的位置处测量的多个振动信号的大数据根据通过使用多种算法学习获得的特征对发动机的振动信号进行分类，其中，通过对发动机的振动进行初步诊断而将EOL工艺中的发动机的组装状态分类为正常状态或异常状态。
测量EOL工艺中的发动机的振动可以包括在与初级深度学习分类模型的多个振动信号的测量位置相同的位置处测量振动。
关于用于构建初级深度学习分类模型的多个振动信号的大数据可以包括针对根据加速或恒速驱动条件的正常信号和多种类型的异常振动信号的数据。
多个振动信号中的每个振动信号可以包括在整个频率范围内的数据。
更具体地，通过使用基于递归神经网络(RNN)(多对一)的分类算法、卷积神经网络(CNN)+注意机制算法以及DenseNet算法依次学习多个振动信号来构建初级深度学习分类模型。
当EOL工艺中的发动机在初步诊断中被分类为异常时，诊断发动机状态的方法还可以包括使用二级深度学习诊断模型对EOL工艺中的发动机的振动进行二次诊断，在二级深度学习诊断模型中，基于关于多个振动信号的大数据根据异常情况确定诊断参考设置值。
根据在二次诊断中诊断的异常情况对已修复的发动机重新进行在EOL工艺中的发动机的振动的测量。
诊断发动机状态的方法还可以包括将诊断结果存储到中央服务器中，该诊断结果在初步诊断和二次诊断中获得；以及将存储在中央服务器中的数据和单独测量的用于发动机的振动数据包含在大数据中。
更具体地，可以通过使用帧能量、基音、过零、基于峰度信号处理的精确诊断算法、二进制分类以及集成深度神经网络(DNN)/结果选择算法学习多个振动信号来构建二级深度学习诊断模型。
根据本公开的另一实施方式，一种发动机状态的诊断建模方法，包括：收集关于发动机的振动信号的大数据；在发动机生产的自动化下线(EOL)工艺中的发动机上的三个或以上的位置处测量多个振动信号；基于大数据和多个振动信号分析数据并且提取有监督学习的特征；构建初级深度学习分类模型，在初级深度学习分类模型中，基于大数据根据通过使用多种算法学习而获得的特征对发动机的振动信号进行分类；以及构建二级深度学习诊断模型，在二级深度学习诊断模型中，基于大数据根据使用初级深度学习分类模型分类的异常情况确定诊断参考设置值。
初级深度学习分类模型的分类准确度和二级深度学习诊断模型的诊断准确度中的每一个可以为99.9％或以上。
当初级深度学习分类模型的分类准确度和二级深度学习诊断模型的诊断准确度小于99.9％时，重新进行分析数据并且提取有监督学习的特征。
关于用于构建初级深度学习分类模型的多个振动信号的大数据可以包括针对根据加速或恒速驱动条件的正常信号和多种类型的异常振动信号的数据。
多个振动信号中的每个振动信号可以包括整个频率范围内的数据。
更具体地，通过使用基于递归神经网络(RNN)(多对一)的分类算法、卷积神经网络(CNN)+注意机制算法以及DenseNet算法依次学习多个振动信号来构建初级深度学习分类模型。
通过使用帧能量、基音、过零、基于峰度信号处理的精确诊断算法、二进制分类以及集成深度神经网络(DNN)/结果选择算法学习多个振动信号来构建二级深度学习诊断模型。
附图说明
图1是示出诊断发动机的异常状态的常规方法的示图。
图2和图3是示出了根据本公开的发动机状态的诊断方法及其诊断建模方法的示图。
图4是示出多个振动信号测量系统的示图。
图5A、图5B、图6A以及图6B是示出在正常和异常状态中的发动机的振动数据的示图。
图7A、图7B以及图7C是示出根据初步诊断的分类方法的示图。
图8A和图8B是示出二次诊断算法的示图。
具体实施方式
应参考示出本公开的示例性实施方式的附图以及附图中的描述以便更加充分地理解本公开和本公开的操作优势，以及通过实践本公开实现的目的。
在本公开的示例性实施方式的描述中，可以减少或者省略使得本公开的要点不必要地模糊的已知技术或重复描述。
图2和图3是示出了根据本公开的发动机状态的诊断方法及其诊断建模方法的示图。
在下文中，将参考图2和图3描述根据本公开的发动机状态的诊断方法及其诊断建模方法。
根据本公开，提供基于关于各种类型的异常状态情况的大数据使用发动机的多个振动信号构建初级深度学习模型和二级深度学习模型并且根据所构建的初级深度学习模型和二级深度学习模型诊断发动机状态的一种方法。
首先，为了构建深度学习模型，收集关于发动机的振动信号的大数据(S11)，并且在发动机上的三个或以上位置处测量多个振动信号(S12)。
通过收集为了评估生产线而测量的将在下文中描述的包含振动数据结果信息的数据进行关于振动信号的大数据的收集(S11)。
此外，通过图4所示的自动化下线(EOL)工艺中的多个振动信号测量系统进行发动机的多个振动信号的测量(S12)。
通过作为发动机EOL工艺的冷室评估确定在组装和传送中完成的发动机中是否出现组装缺陷。通过多个振动信号测量系统测量发动机的多个振动信号。
由于根据发动机的异常类型振动产生的位置和特征不同，为了确保高EOL诊断精确度，在附图中示出了进行多个振动信号的测量以便在发动机上的多个位置处测量振动信号。因此，可以提高诊断精确度。然后，根据多种情况收集正常状态和异常状态的数据。
需要测量发动机的多个振动信号以收集同步数据情况和需要的十五条或以上的学习模型的测试数据并且应该反应发动机的偏差特性。
然后，基于在操作S11中收集的大数据和在操作S12中测量的多个振动信号对数据进行分析并且提取有监督学习的特征(S13)，构建初级深度学习分类模型(S14)，并且然后构建二级深度学习诊断模型(S15)。
要求操作S14中的分类精确度为99.9％以上。当分类精确度小于99.9％时，在操作S13中重复进行数据分析和特征提取。
此外，由于在操作S15中的建模结果，要求分类精确度为99.9％以上。当分类精确度小于99.9％时，在操作S13中重复进行数据分析和特征提取。
在操作S13中的多个振动信号的特征提取基于多个信道信号提取代表特征。如在图5A至图6B中所示，在加速条件和恒速条件下的正常状态和异常状态中，提取整个频率范围的特征和模式变化而不是分析特定范围内的频率。
即，根据频率和操作条件提取关于正常状态和异常状态的振动数据的特征(S13)以便通过根据正常和异常情况收集的振动数据构建初级深度学习分类模型(S14)。
因此，通过基于所提取的特征数据复合地应用图7A至图7C的算法构建初级深度学习分类模型(S14)并且根据所构建的初级深度学习分类模型对将在下面描述的发动机的异常状态进行初步分类(S23)。
图7A示出了基于递归神经网络(RNN)(多对一)的分类算法，在该算法中存储关于每个帧的主要信息并定义为特征，并且提取、定义、并存储n条总特征信息作为正常/异常情况中的多个振动信号的特征。
图7B示出了卷积神经网络(CNN)+注意机制算法，在该算法种共享图7A的每个框架单元的输入值并且存储每个框架单元的换能(特性)密度的信息，从而提取关于每个振动信号的高概率特征。
此外，图7C示出了DenseNet算法，在该算法中应用DenseNet块以在接近输入信号的层处形成高精度的模型，并且不同于现有的DNN，输入信号与所有的层共享信息以改进分类模型。
如上所述，向多个振动输入信号(有监督学习的大数据)逐渐应用三级复合算法使得可以提高深度学习模型的分类精确度。
接下来，通过应用图8A和图8B的算法来构建二级深度学习诊断模型(S15)。
图8A示出了应用帧能量、基音、过零、以及基于峰度信号处理的精确诊断算法的第一阶段诊断算法。
过零是利用正负值的变化对输入信号(振动)能量进行分类的技术，即利用通过将先前的帧数据值乘以当前帧数据值得到的值的符号和量值变化对特征进行分类。在这种情况下，出现符号改变并且量值显著变化的部分的特征是主要信息。
峰度的特征在于由于输入数据与参考数据之间的偏差大，峰度值具有大值，并且由于其间的偏差小，峰度值具有小值。在这种情况下，当正常状态的振动数据被视为参考数据时，在输入异常状态的振动数据时具有高峰度值的特征变为主要信息。
此外，主分量分析(PCA)算法是无监督学习技术并且使用概率技术设置诊断分割轴。PCA算法是这样一种算法，其特征在于使用帧能量和基音的绝对值的变化以及过零和峰度的特征相对于故障类型(情况1、情况2、…情况n)对分类(详细的诊断)分割轴进行优化。
接下来，图8B示出了两阶段诊断算法，并且向两阶段诊断算法应用二进制分类和集成深度神经网络(DNN)/结果选择算法。
二进制分类是为了精确的诊断增加深度学习结构的隐蔽层时表现出高性能的算法结构。
集成DNN/结果选择算法使用多输入振动信号实现了更精确的诊断，这是本公开的特征。集成DNN/结果选择算法是这样一种算法，其学习多信道特性，将重要的信道信息与其他信道信息区分开，并将高权重分配至重要的信道信息，从而提高诊断精确度。
根据本公开，可以通过应用通过以上工艺构建的深度学习模型诊断发动机的异常状态。
首先，参考回图3，为了诊断发动机，在发动机生产的自动EOL工艺中测量冷室的振动(S21)，并且在发动机生产的自动EOL工艺中测量评估模式(恒速/加速)中的数据(S22)。
优选的是，进行操作S21中的测量以在进行操作S11中学习模型的大数据的收集的同一位置处测量振动，并且出于将生产时间保持恒定的目的，进行操作S22中的测量。
因此，通过应用在操作S14中构建的深度学习分类模型初步诊断将要诊断的根据发动机的驱动条件的振动数据(S23)。
与根据异常情况被分类为四到五种情况的特征向量相比，发动机的组装状态根据最初分类模型的结果被分为正常状态或异常状态。
同时，当确定发动机处于异常状态时，通过应用在操作S15中构建的深度学习诊断模型进行二次诊断(S25)，通过使用根据类别设置诊断参考设置值的二次诊断模型对发动机进行二次诊断来根据异常情况确定不良(NG)，并且得出异常情况中的相应情况使得发动机可以移动以检查与得出情况对应的线路并且然后进行修复(S26)。
此外，为了在修复发动机的异常状态之后重新检查发动机，发动机重新输入到操作S21中的生产线使得可以在发动机上进行诊断。
将操作S24和S26中的诊断结果的原始数据和振动数据发送到中央服务器并且存储在其中(S27)。
此外，在收集振动数据(结果信息)之后，出于评估生产线的目的而测量的振动数据(结果信息)可以包括在大数据中(S28)使得学习模型可以更新并且因此可以提高诊断精确度。
可替换地，可以对发动机进行根据初级深度学习分类模型进行的发动机的异常状态的诊断以仅分类为正常和异常状态，并且可以对发动机选择性地进行根据二级深度学习分类模型进行的发动机的异常状态的诊断。
如上所述，根据本公开，根据某一频率基于关于驱动条件和多个振动信号的大数据构建用于对发动机的异常状态进行分类和诊断的深度学习模型使得其可以在组装生产的发动机之前精确地诊断发动机的异常状态。
根据本公开的示例性实施方式，可以基于关于异常状态条件的各种情况的大数据用多级配置深度学习算法使得能够对异常情况进行分类并且准确地确定正常状态或异常状态。即，除了等级比较之外，将换能流与特征图像相比较的技术和比较整个频率范围内的特征的算法配置为使得可以诊断生产阶段的发动机的异常状态。
尽管已参照附图描述了本公开，但不限于所描述的示例性实施方式，并且对于本领域技术人员显而易见的是在不偏离如在所附权利要求中定义的本公开的精神和范围的情况下可以进行替换和修改。因此，应注意这种替换和修改在本公开的权利要求范围内，并且本公开的范围应当基于所附权利要求来解释。
Claims (16)
1.一种诊断发动机状态的方法，包括：
测量发动机的振动，其中，所述发动机的组装在发动机生产的自动化下线工艺中完成；以及
使用初级深度学习分类模型初步诊断在所述下线工艺期间的所述发动机的振动，在所述初级深度学习分类模型中，基于关于在所述发动机上的三个或以上的位置处测量的多个振动信号的大数据根据通过使用多种算法学习获得的特征对所述发动机的振动信号进行分类，
其中，通过对所述发动机的振动进行初步诊断而将所述下线工艺中的发动机的组装状态分类为正常状态或异常状态。
2.根据权利要求1所述的方法，其中，测量所述下线工艺中的所述发动机的振动包括在与所述初级深度学习分类模型的多个振动信号的测量位置相同的位置处测量振动。
3.根据权利要求1所述的方法，其中，关于用于构建所述初级深度学习分类模型的所述多个振动信号的大数据包括关于根据加速或恒速驱动条件的正常信号和多种类型的异常振动信号的数据。
4.根据权利要求3所述的方法，其中，所述多个振动信号中的每个振动信号均包括在整个频率范围内的数据。
5.根据权利要求1所述的方法，其中，通过使用基于递归神经网络的分类算法、卷积神经网络+注意机制算法以及DenseNet算法依次学习所述多个振动信号来构建所述初级深度学习分类模型。
6.根据权利要求1所述的方法，还包括：
当所述下线工艺中的发动机在所述初步诊断中被分类为异常时，使用二级深度学习诊断模型对所述下线工艺中的发动机的振动进行二次诊断，在所述二级深度学习诊断模型中，基于关于所述多个振动信号的大数据根据异常情况确定诊断参考设置值。
7.根据权利要求6所述的方法，其中，根据在所述二次诊断中诊断的异常情况对已修复的发动机重新进行在所述下线工艺中的发动机的振动的测量。
8.根据权利要求6所述的方法，还包括：
将在所述初步诊断和所述二次诊断中获得的诊断结果存储到中央服务器中；以及
将存储在所述中央服务器中的数据和单独测量的用于所述发动机的振动数据包含在所述大数据中。
9.根据权利要求6所述的方法，其中，通过使用帧能量、基音、过零、基于峰度信号处理的精确诊断算法、二进制分类以及集成深度神经网络/结果选择算法学习所述多个振动信号来构建所述二级深度学习诊断模型。
10.一种发动机状态的诊断建模方法，包括：
收集关于发动机的振动信号的大数据；
在发动机生产的自动化下线工艺中在发动机上的三个或以上的位置处测量多个振动信号；
基于所述大数据和所述多个振动信号分析数据并且提取有监督学习的特征；
构建初级深度学习分类模型，在所述初级深度学习分类模型中，基于所述大数据根据通过使用多种算法学习而获得的特征对所述发动机的振动信号进行分类；以及
构建二级深度学习诊断模型，在所述二级深度学习诊断模型中，基于所述大数据根据使用所述初级深度学习分类模型分类的异常情况确定诊断参考设置值。
11.根据权利要求10所述的方法，其中，所述初级深度学习分类模型的分类准确度和所述二级深度学习诊断模型的诊断准确度中的每一个为99.9％或以上。
12.根据权利要求11所述的方法，其中，当所述初级深度学习分类模型的分类准确度或所述二级深度学习诊断模型的诊断准确度小于99.9％时，重新进行分析数据并且提取所述有监督学习的特征。
13.根据权利要求10所述的方法，其中，关于用于构建所述初级深度学习分类模型的所述多个振动信号的大数据包括关于根据加速或恒速驱动条件的正常信号和多种类型的异常振动信号的数据。
14.根据权利要求13所述的方法，其中，所述多个振动信号中的每个振动信号均包括整个频率范围内的数据。
15.根据权利要求10所述的方法，其中，通过使用基于递归神经网络的分类算法、卷积神经网络+注意机制算法以及DenseNet算法依次学习所述多个振动信号来构建所述初级深度学习分类模型。
16.根据权利要求10所述的方法，其中，通过使用帧能量、基音、过零、基于峰度信号处理的精确诊断算法、二进制分类以及集成深度神经网络/结果选择算法学习所述多个振动信号来构建所述二级深度学习诊断模型。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR10-2019-0070695 | 2019-06-14 | ||
| KR1020190070695A KR20200142993A (ko) | 2019-06-14 | 2019-06-14 | 엔진 상태 진단 방법 및 엔진 상태 진단 모델링 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112082639A true CN112082639A (zh) | 2020-12-15 |
Family
ID=73546878
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911141810.8A Pending CN112082639A (zh) | 2019-06-14 | 2019-11-20 | 发动机状态的诊断方法及其诊断建模方法 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US11137322B2 (zh) |
| KR (1) | KR20200142993A (zh) |
| CN (1) | CN112082639A (zh) |
| DE (1) | DE102019217613A1 (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210073882A (ko) * | 2019-12-11 | 2021-06-21 | 현대자동차주식회사 | 빅데이터 기반 운행 정보 제공 시스템 및 방법 |
| CN112784218B (zh) * | 2021-02-03 | 2024-05-28 | 中国工程物理研究院总体工程研究所 | 一种非高斯随机振动信号的峭度估计方法 |
| KR102480899B1 (ko) * | 2021-04-08 | 2022-12-22 | 서울대학교산학협력단 | 다채널 신호를 이용한 모터 고장 진단 방법 및 장치 |
| KR20220155834A (ko) * | 2021-05-17 | 2022-11-24 | 현대자동차주식회사 | 장비 적용을 위한 ai 기반 진단 기술 자동화 방법 |
| CN113340576B (zh) * | 2021-05-24 | 2022-02-08 | 纳铁福传动系统(平湖)有限公司 | 一种汽车零部件eol测试限值制定方法 |
| DE102022203475A1 (de) | 2022-04-07 | 2023-10-12 | Zf Friedrichshafen Ag | System zum Erzeugen einer von einem Menschen wahrnehmbaren Erklärungsausgabe für eine von einem Anomalieerkennungsmodul vorhergesagte Anomalie auf hochfrequenten Sensordaten oder davon abgeleiteten Größen eines industriellen Fertigungsprozesses, Verfahren und Computerprogramm zur Überwachung einer auf künstlicher Intelligenz basierenden Anomalieerkennung in hochfrequenten Sensordaten oder davon abgeleiteten Größen eines industriellen Fertigungsprozesses und Verfahren und Computerprogramm zur Überwachung einer auf künstlicher Intelligenz basierenden Anomalieerkennung bei einer End-of-Line Akustikprüfung eines Getriebes |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101063643A (zh) * | 2007-02-02 | 2007-10-31 | 北京航空航天大学 | 飞机故障智能诊断方法及系统 |
| CN101871994A (zh) * | 2010-06-11 | 2010-10-27 | 南京航空航天大学 | 多分数阶信息融合的模拟电路故障诊断方法 |
| CN103323228A (zh) * | 2013-07-02 | 2013-09-25 | 中煤科工集团西安研究院 | 一种矿用钻机故障智能识别方法 |
| CN106168539A (zh) * | 2016-10-21 | 2016-11-30 | 常州信息职业技术学院 | 基于卷积神经网络的滚动轴承故障诊断方法及系统 |
| CN107560849A (zh) * | 2017-08-04 | 2018-01-09 | 华北电力大学 | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 |
| CN107798283A (zh) * | 2016-08-31 | 2018-03-13 | 西安英诺视通信息技术有限公司 | 一种基于决策导向无环图的神经网络故障多类分类器 |
| CN108051660A (zh) * | 2017-10-31 | 2018-05-18 | 华北电力大学（保定） | 一种变压器故障组合诊断模型建立方法及诊断方法 |
| CN108241873A (zh) * | 2018-01-10 | 2018-07-03 | 中国水利水电科学研究院 | 一种面向泵站主设备的智能故障诊断方法 |
| CN108710889A (zh) * | 2018-04-02 | 2018-10-26 | 天津大学 | 一种汽车发动机缺缸故障诊断方法 |
| CN109163911A (zh) * | 2018-09-21 | 2019-01-08 | 昆明理工大学 | 一种基于改进的蝙蝠算法优化elm的发动机燃油系统故障诊断方法 |
| CN109580145A (zh) * | 2018-11-20 | 2019-04-05 | 佛山科学技术学院 | 基于深度学习的智能制造设备故障的诊断方法及装置 |
| CN109724791A (zh) * | 2019-02-22 | 2019-05-07 | 朱清 | 一种智能化振动分析及故障诊断装置及其工作方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4069764A (en) * | 1974-03-28 | 1978-01-24 | Regie Nationale Des Usines Renault | Manufacturing production line and method |
| CA2258577C (en) * | 1996-07-19 | 2005-05-24 | Toyota Jidosha Kabushiki Kaisha | Method of testing assembled internal combustion engine |
| IT1319633B1 (it) * | 2000-01-18 | 2003-10-20 | Fiat Ricerche | Metodo di valutazione della funzionalita' di un impianto di iniezionea collettore comune di un motore a combustione interna. |
| US20040260454A1 (en) * | 2003-06-11 | 2004-12-23 | Basir Otman A. | Vibro-acoustic engine diagnostic system |
| US9817408B2 (en) * | 2013-07-30 | 2017-11-14 | Trane International Inc. | Vibration control for a variable speed cooling system |
| KR101932480B1 (ko) | 2017-04-28 | 2018-12-26 | (주)앤트연구소 | 차량용 ｃａｎ 통신 장치 |
| KR101889049B1 (ko) | 2017-08-11 | 2018-08-21 | (주)다이매틱스 | 딥러닝 기반의 인공지능을 이용한 자동차 진단 방법 및 장치 |
| KR102474355B1 (ko) | 2017-10-30 | 2022-12-05 | 현대자동차 주식회사 | 차량 제어 통합 관리 시스템 및 이와 통신을 통해 연결된 중앙 인공지능 서버 |
| US10650530B2 (en) * | 2018-03-29 | 2020-05-12 | Uveye Ltd. | Method of vehicle image comparison and system thereof |
-
2019
- 2019-06-14 KR KR1020190070695A patent/KR20200142993A/ko active Search and Examination
- 2019-11-13 US US16/682,784 patent/US11137322B2/en active Active
- 2019-11-15 DE DE102019217613.5A patent/DE102019217613A1/de active Pending
- 2019-11-20 CN CN201911141810.8A patent/CN112082639A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101063643A (zh) * | 2007-02-02 | 2007-10-31 | 北京航空航天大学 | 飞机故障智能诊断方法及系统 |
| CN101871994A (zh) * | 2010-06-11 | 2010-10-27 | 南京航空航天大学 | 多分数阶信息融合的模拟电路故障诊断方法 |
| CN103323228A (zh) * | 2013-07-02 | 2013-09-25 | 中煤科工集团西安研究院 | 一种矿用钻机故障智能识别方法 |
| CN107798283A (zh) * | 2016-08-31 | 2018-03-13 | 西安英诺视通信息技术有限公司 | 一种基于决策导向无环图的神经网络故障多类分类器 |
| CN106168539A (zh) * | 2016-10-21 | 2016-11-30 | 常州信息职业技术学院 | 基于卷积神经网络的滚动轴承故障诊断方法及系统 |
| CN107560849A (zh) * | 2017-08-04 | 2018-01-09 | 华北电力大学 | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 |
| CN108051660A (zh) * | 2017-10-31 | 2018-05-18 | 华北电力大学（保定） | 一种变压器故障组合诊断模型建立方法及诊断方法 |
| CN108241873A (zh) * | 2018-01-10 | 2018-07-03 | 中国水利水电科学研究院 | 一种面向泵站主设备的智能故障诊断方法 |
| CN108710889A (zh) * | 2018-04-02 | 2018-10-26 | 天津大学 | 一种汽车发动机缺缸故障诊断方法 |
| CN109163911A (zh) * | 2018-09-21 | 2019-01-08 | 昆明理工大学 | 一种基于改进的蝙蝠算法优化elm的发动机燃油系统故障诊断方法 |
| CN109580145A (zh) * | 2018-11-20 | 2019-04-05 | 佛山科学技术学院 | 基于深度学习的智能制造设备故障的诊断方法及装置 |
| CN109724791A (zh) * | 2019-02-22 | 2019-05-07 | 朱清 | 一种智能化振动分析及故障诊断装置及其工作方法 |
Non-Patent Citations (2)
| Title |
|---|
| 南亚翔 等: "RBF 神经网络在柴油机振动故障诊断的应用", 《产业与科技论坛》, vol. 18, no. 02, 15 January 2019 (2019-01-15), pages 48 - 49 * |
| 欧健: "汽轮发电机组振动故障集成诊断网络模型及方法研究", 《中国优秀博硕士学位论文全文数据库 (博士)工程科技Ⅱ辑》, no. 01, 15 March 2005 (2005-03-15), pages 70 - 74 * |
Also Published As
| Publication number | Publication date |
|---|---|
| US11137322B2 (en) | 2021-10-05 |
| DE102019217613A1 (de) | 2020-12-17 |
| US20200393329A1 (en) | 2020-12-17 |
| KR20200142993A (ko) | 2020-12-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112082639A (zh) | 发动机状态的诊断方法及其诊断建模方法 | |
| CN102208028B (zh) | 一种适用于动态复杂系统的故障预测和诊断方法 | |
| CN108614548B (zh) | 一种基于多模态融合深度学习的智能故障诊断方法 | |
| CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
| He et al. | Deep variational autoencoder classifier for intelligent fault diagnosis adaptive to unseen fault categories | |
| CN111340238A (zh) | 一种工业系统的故障诊断方法、装置、设备及存储介质 | |
| Tamilselvan et al. | Deep belief network based state classification for structural health diagnosis | |
| CN111145042A (zh) | 一种采用全连接神经网络的配电网电压异常诊断方法 | |
| CN114429153A (zh) | 基于终身学习的齿轮箱增量故障诊断方法及系统 | |
| CN113505655A (zh) | 面向数字孪生系统的轴承故障智能诊断方法 | |
| 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 | |
| CN110991471A (zh) | 一种高速列车牵引系统故障诊断方法 | |
| CN115618732A (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
| WO2019178930A1 (zh) | 一种机械设备故障诊断方法 | |
| CN114356897A (zh) | 基于数据融合的机电作动器故障诊断方法 | |
| Huang et al. | An adversarial learning approach for machine prognostic health management | |
| CN115859777A (zh) | 一种多故障模式下产品系统寿命预测的方法 | |
| Tamilselvan et al. | Multi-sensor health diagnosis using deep belief network based state classification | |
| CN117785522A (zh) | 利用经训练机器学习模型执行根本原因分析的方法和系统 | |
| CN112613227B (zh) | 基于混合机器学习的航空发动机剩余使用寿命预测模型 | |
| CN115876467A (zh) | 一种基于伪标签传递式两阶段领域自适应的滚动轴承故障诊断方法 | |
| CN115081514A (zh) | 一种数据不平衡情况下的工业设备故障识别方法 | |
| Al‐Dahidi et al. | A novel approach for remaining useful life prediction of high‐reliability equipment based on long short‐term memory and multi‐head self‐attention mechanism | |
| Wolf et al. | Unsupervised data-driven automotive diagnostics with improved deep temporal clustering | |
| KR102418117B1 (ko) | 설비 상태 진단 방법 및 설비 상태 진단 시스템 |
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 |