CN112232370A - 发动机的故障分析预测方法 - Google Patents
发动机的故障分析预测方法 Download PDFInfo
- Publication number
- CN112232370A CN112232370A CN202010971532.5A CN202010971532A CN112232370A CN 112232370 A CN112232370 A CN 112232370A CN 202010971532 A CN202010971532 A CN 202010971532A CN 112232370 A CN112232370 A CN 112232370A
- Authority
- CN
- China
- Prior art keywords
- fault
- engine
- predicted
- neural network
- network model
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003062 neural network model Methods 0.000 claims abstract description 116
- 238000012544 monitoring process Methods 0.000 claims abstract description 74
- 238000012549 training Methods 0.000 claims abstract description 36
- 239000013598 vector Substances 0.000 claims description 36
- 238000003066 decision tree Methods 0.000 claims description 28
- 210000002569 neuron Anatomy 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 10
- 230000002860 competitive effect Effects 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 13
- 238000007405 data analysis Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241001124569 Lycaenidae Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 239000000110 cooling liquid Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- 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
Abstract
本发明涉及发动机质量与数据分析模型技术领域,公开了一种发动机的故障分析预测方法。对发动机的状态监测参数和故障种类进行分析,获取各故障种类的关键影响因素。建立SOM神经网络模型,使用历史故障数据中的关键影响参数对所述SOM神经网络模型进行训练,并基于待预测发动机的关键影响参数预测获取所述待预测发动机的预测故障种类。建立小波神经网络模型,使用历史故障数据中所述预测故障种类的状态监测参数对所述小波神经网络模型进行训练,并基于所述待预测发动机的预测故障种类预测获取所述待预测发动机的预测故障时间。本发明综合运用SOM神经网络和小波神经网络建立起故障分析模型,对待预测发动机进行准确的故障诊断和故障时间预测。
Description
技术领域
本发明涉及发动机质量与数据分析模型技术领域,特别是涉及一种发动机的故障分析预测方法。
背景技术
随着农业机械和质量分析技术的快速发展,实时的质量分析系统已经成为拖拉机、联合收割机及其他农用机械设备不可或缺的一部分。但联合收割机的综合集成化、功能多样化,使整个联合收割机系统具有故障模式多样化的特点,导致目前关于其故障分析和预测的难度大,且存在严重的滞后性,延长了联合收割机的维护时间。而由于缺乏智能算法、数据向量化、结构化以及故障等级制定等方法的应用,导致很难实现对这种智能化复杂农机设备的实时故障诊断和预测工作。
发明内容
基于此,有必要针对现有技术无法对智能化复杂农机设备进行实时故障诊断和预测工作的问题,提供一种发动机的故障分析预测方法。
一种发动机的故障分析预测方法,对发动机的状态监测参数和故障种类进行分析,获取各故障种类的关键影响因素;建立SOM神经网络模型,使用历史故障数据中的关键影响参数对所述SOM神经网络模型进行训练,并基于待预测发动机的关键影响参数预测获取所述待预测发动机的预测故障种类;建立小波神经网络模型,使用历史故障数据中所述预测故障种类的状态监测参数对所述小波神经网络模型进行训练,并基于所述待预测发动机的预测故障种类预测获取所述待预测发动机的预测故障时间。
上述发动机的故障分析预测方法,对发动机的状态监测参数和故障种类进行分析,筛选出对各故障种类具有价值的关键影响因素。建立SOM神经网络模型,并使用历史故障数据中的关键影响参数对所述SOM神经网络模型进行训练。在训练完成后,将待预测发动机的实时状态检测数据中关键影响参数代入所述SOM神经网络模型中,以对所述待预测发动机的故障种类进行预测。建立小波神经网络模型,并使用历史故障数据中所述预测故障种类的状态监测参数对所述小波神经网络模型进行训练。在训练完成后,将所述待预测发动机的预测故障种类代入所述小波神经网络模型中,以对所述待预测发动机的故障发生时间进行预测。本发明针对发动机的故障分析问题,综合运用SOM神经网络和小波神经网络,建立起故障分析模型,并利用故障种类数据、检测状态参数、历史故障数据、退化特征数据等参数对故障分析模型进行修正,以实现对待预测发动机的故障诊断和故障预测。
在其中一个实施例中,所述对发动机的状态监测参数和故障种类进行分析,获取各故障种类的关键影响因素,包括将发动机出现不同的故障种类时状态监测参数的组合与实际故障情况进行对比;使用决策树分析的方法来筛选出对于不同的故障种类具有参考价值的关键影响因素。
在其中一个实施例中,所述使用决策树分析的方法来筛选出对于不同的故障种类具有参考价值的关键影响因素,包括根据模糊理论将所述状态监测参数划分为N个类别;其中,N为整数,且3≤N≤5;根据信息增益计算公式计算出在不同故障种类下各所述状态监测参数的信息增益值;根据所述状态监测参数的信息增益值的大小,以所述信息增益值由大到小的顺序构建决策树;将所述决策树中所述信息增益值小于预设阈值以及等于0的所述状态监测参数剔除,以筛选出具有参考价值的关键影响因素。
在其中一个实施例中,所述信息增益计算公式为:
其中,Gain(Gi,Hj)为信息增益,Gi v为第i个处于第v种类别状态下的监测参数向量,Gi为第i个监测参数向量,Hj为第j个故障种类,Ent(Gi,Hj)为信息熵;
所述信息熵的计算公式为:
其中,pv为第j个故障种类处于第N种类别状态下的概率。
在其中一个实施例中,所述SOM神经网络模型包括输入层和竞争层,所述建立SOM神经网络模型包括对SOM神经网络模型进行初始化,将随机数值设定为输入层和竞争层之间权值的初始值;根据所述发动机的历史故障数据中的关键影响因素与各故障种类间的数据关系,确定所述SOM神经网络模型的误差控制界限;将待预测发动机的关键影响因素作为所述SOM神经网络模型的输入向量,导入所述SOM神经网络模型中。
在其中一个实施例中,所述使用历史故障数据中的关键影响参数对所述SOM神经网络模型进行训练包括利用所述发动机的历史故障数据对所述SOM神经网络模型的神经元以及邻近神经元权值进行修正,直至对各故障种类的区分识别误差小于预设阈值。
在其中一个实施例中,所述竞争层包括多个神经元,所述基于待预测发动机的关键影响参数预测获取所述待预测发动机的预测故障种类包括计算所述SOM神经网络模型的竞争层中各神经元的权值向量和输入向量的欧式距离;根据所述输入向量与各神经元的欧式距离进行故障种类的聚类识别,获取所述待预测发动机的预测故障种类。
在其中一个实施例中,所述建立小波神经网络模型包括将历史故障数据中的故障发生时间按照故障种类进行分类,获取不同的故障种类对应的故障发生时间的数据集;对不同的故障种类以发动机的运行时长为输入、故障发生时间为输出,分别构建小波神经网络模型。
在其中一个实施例中,所述基于所述待预测发动机的预测故障种类预测获取所述待预测发动机的预测故障时间包括将所述小波神经网络模型的模型预测误差与预设误差阈值进行对比;当所述模型预测误差小于等于所述预设误差阈值时,判断完成了模型训练;完成模型训练后,将所述待预测发动机的历史故障数据作为训练后的所述小波神经网络模型的输入向量进行故障预测,以获取所述待预测发动机的预测故障发生时间。
在其中一个实施例中,不同的所述故障种类的数据集具有不同的分析复杂度,根据所述分析复杂度构建不同的小波神经网络模型。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案,下面将对实施例或传统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申请的一些实施例,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附图。
图1为本发明其中一实施例的故障分析预测方法的方法流程图;
图2为本发明其中一实施例的获取各故障种类的关键影响因素的方法流程图;
图3为本发明其中一实施例的使用决策树分析方法筛选关键影响因素的方法流程图;
图4为本发明其中一实施例的单故障种类的状态监测参数影响的决策树分析图;
图5为本发明其中一实施例的建立SOM神经网络模型的方法流程图;
图6为本发明其中一实施例的基于待预测发动机的关键影响参数进行预测的方法流程图;
图7为本发明其中一实施例的自组织特征映射的SOM神经网络模型的结构示意图;
图8为本发明其中一实施例的建立小波神经网络模型的方法流程图;
图9为本发明其中一实施例的小波神经网络的结构示意图;
图10为本发明其中一实施例的基于待预测发动机的预测故障种类进行预测的方法流程图。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的优选实施方式。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施方式。相反的,提供这些实施方式的目的是为了对本发明的公开内容理解得更加透彻全面。
需要说明的是,当元件被称为“固定于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”、“上”、“下”、“前”、“后”、“周向”以及类似的表述是基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本发明提供的所述发动机的故障分析预测方法适用于符合以下应用场景:①发动机的设备历史故障均采用完全维修的方式进行了修复;②状态监测数据的精准度较高,不会出现较大的误差;③发动机设备上对于可监测的状态参数覆盖面较全,且有一定的变化范围。
图1为本发明其中一实施例的故障分析预测方法的方法流程图,在其中一个实施例中,所述发动机的故障分析预测方法包括如下步骤S100至S300。
S100:对发动机的状态监测参数和故障种类进行分析,获取各故障种类的关键影响因素。
S200:建立SOM神经网络模型,使用历史故障数据中的关键影响参数对所述SOM神经网络模型进行训练,并基于待预测发动机的关键影响参数预测获取所述待预测发动机的预测故障种类。
S300:建立小波神经网络模型,使用历史故障数据中所述预测故障种类的状态监测参数对所述小波神经网络模型进行训练,并基于所述待预测发动机的预测故障种类预测获取所述待预测发动机的预测故障时间。
上述发动机的故障分析预测方法,在对所述发动机的故障种类和故障发生时间进行预测前,先对发动机的状态监测参数和故障种类进行分析,筛选出对各故障种类具有价值的关键影响因素。建立SOM神经网络模型,并使用历史故障数据中的关键影响参数对所述SOM神经网络模型进行训练,从而得到能够根据待预测发动机的关键影响因素即可对发动机的故障种类进行预测的SOM神经网络模型。在训练完成后,将待预测发动机的实时状态检测数据中关键影响参数代入所述SOM神经网络模型中,以对所述待预测发动机的故障种类进行预测。建立小波神经网络模型,并使用历史故障数据中所述预测故障种类的状态监测参数对所述小波神经网络模型进行训练,从而得到能够根据获得的预测故障种类即可对发动机的故障发生时间进行预测的小波神经网络模型。在训练完成后,将所述待预测发动机的预测故障种类代入所述小波神经网络模型中,以对所述待预测发动机的故障发生时间进行预测。
本发明提供的所述发动机的故障分析预测方法通过综合运用SOM神经网络和小波神经网络,建立起故障分析模型,并利用故障种类数据、检测状态参数、历史故障数据、退化特征数据等参数对故障分析模型进行修正,以实现对待预测发动机的故障诊断和故障预测。使用所述故障分析预测方法可以在发动机处于故障前期没有明显特征的故障发生前,根据发动机的状态参数进行故障预测,可以在发动机发生故障前或故障前期损害情况不严重时就对其可能发生的故障情况进行预防。
图2为本发明其中一实施例的获取各故障种类的关键影响因素的方法流程图,在其中一个实施例中,所述对发动机的状态监测参数和故障种类进行分析,获取各故障种类的关键影响因素包括如下步骤S110至S120。
S110:将发动机出现不同的故障种类时状态监测参数的组合与实际故障情况进行对比。
S120:使用决策树分析的方法来筛选出对于不同的故障种类具有参考价值的关键影响因素。
所述发动机的故障种类包括:P1,发动机不转动;P2,发动机点火器失灵;P3,能启动但立即熄火;P4,发动机温度过高;P5,无法怠速;P6,怠速颤动剧烈;P7,怠速时发动机转速不稳定;P8,冷却液温度过高;P9,油耗过高。所述状态监测参数包括:C1,发动机转速值;C2,冷却液温度值;C3,燃油率;C4,扭矩值;C5,机油压力;C6,起喷压力。对发动机系统中的上述状态监测参数进行实时监测,获取实时状态监测参数的变化规律。将处于不同的故障种类下的状态监测参数的组合与实际故障情况进行对比。由于发动机出现故障时,会相应地出现一些异常数据现象,因此可以通过发动机的故障种类发生时某种或某几种状态监测参数来对发动机的故障种类进行判断或预测。通过建立决策树,对不同的状态监测参数的组合对于评价各故障种类的参考价值进行筛选,筛选出对各故障模式具有参考意义的状态监测参数的组合,在后续故障分析预测中将其作为故障诊断关联模型的输入向量。
图3为本发明其中一实施例的使用决策树分析方法筛选关键影响因素的方法流程图,在其中一个实施例中,所述使用决策树分析的方法来筛选出对于不同的故障种类具有参考价值的关键影响因素包括如下步骤S121至S124。
S121:根据模糊理论将所述状态监测参数划分为N个类别;其中,N为整数,且3≤N≤5。
S122:根据信息增益计算公式计算出在不同故障种类下各所述状态监测参数的信息增益值。
S123:根据所述状态监测参数的信息增益值的大小,以所述信息增益值由大到小的顺序构建决策树。
S124:将所述决策树中所述信息增益值小于预设阈值以及等于0的所述状态监测参数剔除,以筛选出具有参考价值的关键影响因素。
对所述发动机的状态监测参数进行经验处理,通过结合模糊理论和行业经验对其进行分类,将各状态监测参数划分为N个类别,最大可以分为5个类别,最小可以分为3个类别。例如,分成5个类别时,可以根据所述状态监测参数的数值表现按照过大、偏大、正常、偏小、过小进行区域划分;分成3个类别时,可以根据所述状态监测参数的数值表现按照过大、正常、过小进行区域划分。在使用决策树分析方法对特定故障种类产生判断影响的状态监测参数组合进行筛选前,需要先根据所述信息增益计算公式计算出在不同故障种类下各所述状态监测参数的信息增益值Gain(Gi,Hj)。然后根据所述状态监测参数的信息增益值的大小,以所述信息增益值由大到小的顺序构建决策树,使用决策树分析来简化在判断不同的故障种类时,所对应需要考虑的所述状态监测参数。
在其中一个实施例中,所述信息增益计算公式为:
在本实施例中,将根据模糊理论将所述状态监测参数划分为了3个类别,则此时N的取值即为3,N从1到3分别表示该所述状态监测参数的数值处于偏小、正常和偏大三种状态。其中,Gain(Gi,Hj)为信息增益,Gi v为第i个处于第v种类别状态下的监测参数向量,Gi为第i个监测参数向量,Hj为第j个故障种类,Ent(Gi,Hj)为信息熵。所述信息熵的计算公式为:
其中,pv为第j个故障种类处于第N种类别状态下的概率。在所述信息增益计算公式和所述信息熵的计算公式中,1≤i≤s,1≤j≤k,s为所述状态监测参数的总个数,k为发动机故障种类的总个数。可见在本实施例中,s=9,k=6。根据上式计算获取各所述状态监测参数的信息增益值后,将取值的参数由大到小依次放置在决策树的顶端到底端的部分,从而构建决策树。
图4为本发明其中一实施例的单故障种类的状态监测参数影响的决策树分析图,在本实施例中,对利用某一故障种类的决策树进行决策树分析的分析过程进行说明。在某一故障种类的决策树建立好以后,将其中信息增益值过小以及为0的状态监测参数从树结构中剔除,从而得到最终的监测参数组合。请参见图4,根据该决策树可知,所述状态监测参数G1和G2的变化会明显影响所述发动机的目标故障种类的状态,而所述状态监测参数G3的变化并不会引起目标故障种类的状态变化,因此所述状态监测参数G1和G2可列为所述发动机的关键影响因素,而的G3变化并不引起该故障种类的变化,因此可以从关键影响因素中剔除。
图5为本发明其中一实施例的建立SOM神经网络模型的方法流程图,图6为本发明其中一实施例的自组织特征映射的SOM神经网络模型的结构示意图,在其中一个实施例中,所述SOM神经网络模型包括输入层和竞争层,所述建立SOM神经网络模型包括如下步骤S210至S230。
S210:对SOM神经网络模型进行初始化,将随机数值设定为输入层和竞争层之间权值的初始值。
S220:根据所述发动机的历史故障数据中的关键影响因素与各故障种类间的数据关系,确定所述SOM神经网络模型的误差控制界限。
S230:将待预测发动机的关键影响因素作为所述SOM神经网络模型的输入向量,导入所述SOM神经网络模型中。
由于在发动机的作业过程中,随时都可能有不同的故障情况发生,需要实时对所述发动机的故障种类进行诊断,因此必须要求所述SOM神经网络模型在不同时刻对于各状态监测参数的变化高度敏感,同时保证对每一种类的故障情况均有充足数量的系统监测参数向量作为历史数据以供所述SOM神经网络模型完成训练。对于每一个所述状态监测参数向量来说,都可以表示为不同故障种类的状态叠加。表1展示了所述状态监测参数向量和故障种类的历史数据的统计示例。
表1监测参数及故障种类结果统计示例
将上表转换为数学模型可表示为:
在建立所述SOM神经网络模型时,使用随机数值对输入层和竞争层之间权值的初始值进行设定,对所述SOM神经网络模型进行初始化。根据所述状态监测参数向量和故障种类的映射关系拟定所述SOM神经网络模型的误差控制界限。将所述待预测发动机的实时状态检测数据中对故障种类研究具有影响的关键影响因素筛选出来,作为输入向量G=(G1,G2,...,Gs)T,导入所述SOM神经网络模型中。运用所述SOM神经网络模型对生产线上的发动机进行故障诊断。
在其中一个实施例中,将输入向量G=(G1,G2,...,Gs)T代入所述SOM神经网络模型中后,需要对所述SOM神经网络模型对进行训练以提高所述SOM神经网络模型的识别准确度。在进行训练时,使用历史故障数据中的关键影响参数对所述SOM神经网络模型的神经元以及邻近神经元权值进行修正。计算修正结果并对修正结果进行检验,判断对各故障种类的区分识别误差是否小于预设阈值。若对各故障种类的区分识别误差是否小于预设阈值,则判断对所述SOM神经网络模型的训练过程能够达到预先设定的要求,否则继续利用历史数据对所述SOM神经网络模型进行训练,直至满足预先设定的要求。
图7为本发明其中一实施例的基于待预测发动机的关键影响参数进行预测的方法流程图。在其中一个实施例中,所述基于待预测发动机的关键影响参数预测获取所述待预测发动机的预测故障种类包括如下步骤S240至S250。
S240:计算所述SOM神经网络模型的竞争层中各神经元的权值向量和输入向量的欧式距离。
S250:根据所述输入向量与各神经元的欧式距离进行故障种类的聚类识别,获取所述待预测发动机的预测故障种类。
由图6可知,通过多个神经元集合构成竞争层,即输出层。计算竞争层中权值向量和输入向量的欧氏距离,利用输入向量与各神经元欧氏距离的判断,进行故障种类的聚类识别。随后,利用历史故障数据对自组织特征映射的所述SOM神经网络模型进行学习训练,以逐步降低各故障种类的区分识别误差,最终达到所述SOM神经网络模型对故障种类准确诊断的效果。
图8为本发明其中一实施例的建立小波神经网络模型的方法流程图,在其中一个实施例中,所述建立小波神经网络模型包括如下步骤S310至S320。
S310:将历史故障数据中的故障发生时间按照故障种类进行分类,获取不同的故障种类对应的故障发生时间的数据集。
S320:对不同的故障种类以发动机的运行时长为输入、故障发生时间为输出,分别构建小波神经网络模型。
根据上述实施例中对所述待预测发动机的故障类型的预测结果,对所述待预测发动机的历史故障数据进行分类,得到所述待预测发动机在状态监测参数出现一些特定准故障特征时的故障发生时间统计信息。将历史故障数据中的故障发生时间按照故障种类划分为不同的数据集。以所述发动机已运行的时长为输入、故障发生时间为输出,分别构建多个不同的小波神经网络模型。其中,需要构建的所述小波神经网络模型的数量与所述故障种类的个数相等。图9为本发明其中一实施例的小波神经网络的结构示意图,可见在构建所述小波神经网络模型时,需要选择合适的母小基函数,并确定其伸缩因子、平移因子及网络学习速率,从而可以基于历史故障数据对所述待预测发电机的预期故障时间进行预测。
图10为本发明其中一实施例的基于待预测发动机的预测故障种类进行预测的方法流程图,在其中一个实施例中,所述基于所述待预测发动机的预测故障种类预测获取所述待预测发动机的预测故障时间包括如下步骤S330至S350。
S330:将所述小波神经网络模型的模型预测误差与预设误差阈值进行对比。
S340:当所述模型预测误差小于等于所述预设误差阈值时,判断完成了模型训练。
S350:完成模型训练后,将所述待预测发动机的历史故障数据作为训练后的所述小波神经网络模型的输入向量进行故障预测,以获取所述待预测发动机的预测故障发生时间。
在建立起所述小波神经网络模型后需要对模型进行训练,以提高所述小波神经网络模型对于故障发生时间的预测准确性。将分类后的历史故障数据中的所述发动机的运行时长作为输入、所述故障发生时间作为输出导入所述小波神经网络模型,即使用历史故障数据对所述小波神经网络模型进行训练。同时设定所述小波神经网络模型的模型预测误差为sse,将所述小波神经网络模型的模型预测误差sse与预先设定的预设误差阈值eb进行对比。
若经过训练后,所述小波神经网络模型的模型预测误差sse小于等于所述预设误差阈值eb,则判断对所述小波神经网络模型的训练完成;否则,继续对所述小波神经网络模型进行训练,直至所述模型预测误差sse小于等于所述预设误差阈值eb。训练完成后,将所述小波神经网络模型应用于对所述待测发动机的故障发生时间的预测。将待预测发动机的历史故障数据导入对应故障种类的训练完成的所述小波神经网络模型,对其进行故障预测,从而预测获取所述待预测发动机的预测故障发生时间。如果该待预测发动机为新使用的设备,尚无足够的历史故障数据,则以训练好的所述小波神经网络模型中的对应预测值作为其预测结果。
在其中一个实施例中,不同的所述故障种类的数据集具有不同的分析复杂度,所述分析复杂度根据各故障种类在其状态下已有的时间序列的数据集规模决定。根据所述分析复杂度分别建立不同的小波神经网络模型。在构造所述小波神经网络模型时,需要读入已得出的生产系统中各模块的预测故障种类,从而设定输入向量维数、隐含层节点个数和输出层节点个数,并确定隐含层和输出层的传递函数,将工作变量的阈值合并到根据专家知识经验库所确定的权值中。另外,基于不同故障种类下所述待预测发动机的故障预测时间的趋势确定所述小波神经网络模型的隐含层节点数和对应的小波基函数。
由于小波神经网络是根据不同的故障种类的特征进行数据分类的,所以导入每个小波神经网络模型的数据就是需要导入不同故障种类下的故障时间序列的数据集。其中,所述输入向量维数由选择作为前期数据的点数决定;所述隐含层节点个数由故障数据变化曲线的趋势决定;所述故障数据变化曲线的变化趋势越复杂则需要的隐含层节点个数越多;所述输出层节点的个数一般为1,所述输出层节点用于输出预测时间点的故障发生时间。
本发明提供的所述发动机的故障分析预测方法,首先对发动机的状态监测参数和故障种类进行分析,利用决策树分析的分析方法筛选出对各故障种类具有价值的关键影响因素。然后建立SOM神经网络模型,并使用历史故障数据中的关键影响参数对所述SOM神经网络模型进行训练。在训练完成后,将待预测发动机的实时状态检测数据中关键影响参数代入所述SOM神经网络模型中,以对所述待预测发动机的故障种类进行预测。最后建立小波神经网络模型,并使用历史故障数据中所述预测故障种类的状态监测参数对所述小波神经网络模型进行训练。在训练完成后,将所述待预测发动机的预测故障种类代入所述小波神经网络模型中,以对所述待预测发动机的故障发生时间进行预测。本发明通过将基于决策树分析过滤无关影响和人工智能算法相结合的方法完成对于发动机数据分析处理,可以有效降低无关因素的影响,提升故障评估过程的准确性。针对发动机的故障分析问题,综合运用SOM神经网络和小波神经网络,建立起故障分析模型,并利用故障种类数据、检测状态参数、历史故障数据、退化特征数据等参数对故障分析模型进行修正,以实现对待预测发动机较为准确的故障诊断和故障预测。通过对系统故障进行实时感知,可以帮助质检或维修部门对生产线内发动机已出现或将要出现的故障进行快速精准维护,为系统维修性和保障性的提升提供技术支持。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种发动机的故障分析预测方法,其特征在于,包括:
对发动机的状态监测参数和故障种类进行分析,获取各故障种类的关键影响因素;
建立SOM神经网络模型,使用历史故障数据中的关键影响参数对所述SOM神经网络模型进行训练,并基于待预测发动机的关键影响参数预测获取所述待预测发动机的预测故障种类;
建立小波神经网络模型,使用历史故障数据中所述预测故障种类的状态监测参数对所述小波神经网络模型进行训练,并基于所述待预测发动机的预测故障种类预测获取所述待预测发动机的预测故障时间。
2.根据权利要求1所述的发动机的故障分析预测方法,其特征在于,所述对发动机的状态监测参数和故障种类进行分析,获取各故障种类的关键影响因素,包括:
将发动机出现不同的故障种类时状态监测参数的组合与实际故障情况进行对比;
使用决策树分析的方法来筛选出对于不同的故障种类具有参考价值的关键影响因素。
3.根据权利要求2所述的发动机的故障分析预测方法,其特征在于,所述使用决策树分析的方法来筛选出对于不同的故障种类具有参考价值的关键影响因素,包括:
根据模糊理论将所述状态监测参数划分为N个类别;其中,N为整数,且3≤N≤5;
根据信息增益计算公式计算出在不同故障种类下各所述状态监测参数的信息增益值;
根据所述状态监测参数的信息增益值的大小,以所述信息增益值由大到小的顺序构建决策树;
将所述决策树中所述信息增益值小于预设阈值以及等于0的所述状态监测参数剔除,以筛选出具有参考价值的关键影响因素。
5.根据权利要求1所述的发动机的故障分析预测方法,其特征在于,所述SOM神经网络模型包括输入层和竞争层,所述建立SOM神经网络模型包括:
对SOM神经网络模型进行初始化,将随机数值设定为输入层和竞争层之间权值的初始值;
根据所述发动机的历史故障数据中的关键影响因素与各故障种类间的数据关系,确定所述SOM神经网络模型的误差控制界限;
将待预测发动机的关键影响因素作为所述SOM神经网络模型的输入向量,导入所述SOM神经网络模型中。
6.根据权利要求5所述的发动机的故障分析预测方法,其特征在于,所述使用历史故障数据中的关键影响参数对所述SOM神经网络模型进行训练包括:
利用所述发动机的历史故障数据对所述SOM神经网络模型的神经元以及邻近神经元权值进行修正,直至对各故障种类的区分识别误差小于预设阈值。
7.根据权利要求6所述的发动机的故障分析预测方法,其特征在于,所述竞争层包括多个神经元,所述基于待预测发动机的关键影响参数预测获取所述待预测发动机的预测故障种类包括:
计算所述SOM神经网络模型的竞争层中各神经元的权值向量和输入向量的欧式距离;
根据所述输入向量与各神经元的欧式距离进行故障种类的聚类识别,获取所述待预测发动机的预测故障种类。
8.根据权利要求1所述的发动机的故障分析预测方法,其特征在于,所述建立小波神经网络模型包括:
将历史故障数据中的故障发生时间按照故障种类进行分类,获取不同的故障种类对应的故障发生时间的数据集;
对不同的故障种类以发动机的运行时长为输入、故障发生时间为输出,分别构建小波神经网络模型。
9.根据权利要求8所述的发动机的故障分析预测方法,其特征在于,所述基于所述待预测发动机的预测故障种类预测获取所述待预测发动机的预测故障时间包括:
将所述小波神经网络模型的模型预测误差与预设误差阈值进行对比;
当所述模型预测误差小于等于所述预设误差阈值时,判断完成了模型训练;
完成模型训练后,将所述待预测发动机的历史故障数据作为训练后的所述小波神经网络模型的输入向量进行故障预测,以获取所述待预测发动机的预测故障发生时间。
10.根据权利要求9所述的发动机的故障分析预测方法,其特征在于,不同的所述故障种类的数据集具有不同的分析复杂度,根据所述分析复杂度构建不同的小波神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010971532.5A CN112232370A (zh) | 2020-09-16 | 2020-09-16 | 发动机的故障分析预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010971532.5A CN112232370A (zh) | 2020-09-16 | 2020-09-16 | 发动机的故障分析预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112232370A true CN112232370A (zh) | 2021-01-15 |
Family
ID=74106954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010971532.5A Pending CN112232370A (zh) | 2020-09-16 | 2020-09-16 | 发动机的故障分析预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112232370A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111585A (zh) * | 2021-04-15 | 2021-07-13 | 德州欧瑞电子通信设备制造有限公司 | 一种智能机柜故障预测方法、系统及智能机柜 |
CN113914850A (zh) * | 2021-10-21 | 2022-01-11 | 辽宁弘毅科技有限公司 | 一种基于模型的抽油机井综合测试仪故障诊断方法和系统 |
CN114966402A (zh) * | 2022-07-28 | 2022-08-30 | 山东翔讯科技有限公司 | 一种开关磁阻电机故障诊断系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914735A (zh) * | 2014-04-17 | 2014-07-09 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN104392143A (zh) * | 2014-12-09 | 2015-03-04 | 北京四方继保自动化股份有限公司 | 一种自适应量子神经网络汽轮机故障趋势预测方法 |
CN106354123A (zh) * | 2016-11-01 | 2017-01-25 | 武汉理工大学 | 基于物联网的大型机械设备故障自动检测系统 |
JP2017182414A (ja) * | 2016-03-30 | 2017-10-05 | 株式会社Ihi | 故障予測装置、故障予測方法及び故障予測プログラム |
CN109033450A (zh) * | 2018-08-22 | 2018-12-18 | 太原理工大学 | 基于深度学习的电梯设备故障预测方法 |
CN109034413A (zh) * | 2018-07-11 | 2018-12-18 | 广东人励智能工程有限公司 | 基于神经网络模型的智能制造设备故障预测方法及系统 |
CN109445422A (zh) * | 2018-12-19 | 2019-03-08 | 佛山科学技术学院 | 一种化工生产设备故障预测方法 |
CN109558979A (zh) * | 2018-11-29 | 2019-04-02 | 广东电网有限责任公司 | 电力设备缺陷预测方法及装置 |
CN109670595A (zh) * | 2019-03-04 | 2019-04-23 | 丽水学院 | 一种设备故障诊断方法 |
CN109739213A (zh) * | 2019-01-07 | 2019-05-10 | 东莞百宏实业有限公司 | 一种故障预测系统以及预测方法 |
CN110533331A (zh) * | 2019-08-30 | 2019-12-03 | 广东电网有限责任公司江门供电局 | 一种基于输电线路数据挖掘的故障预警方法和系统 |
CN110735769A (zh) * | 2019-09-18 | 2020-01-31 | 西安察柏科技咨询有限公司 | 一种预测风机故障的方法及装置、系统 |
CN111461555A (zh) * | 2020-04-02 | 2020-07-28 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 一种生产线质量监测方法、装置及系统 |
-
2020
- 2020-09-16 CN CN202010971532.5A patent/CN112232370A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914735A (zh) * | 2014-04-17 | 2014-07-09 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN104392143A (zh) * | 2014-12-09 | 2015-03-04 | 北京四方继保自动化股份有限公司 | 一种自适应量子神经网络汽轮机故障趋势预测方法 |
JP2017182414A (ja) * | 2016-03-30 | 2017-10-05 | 株式会社Ihi | 故障予測装置、故障予測方法及び故障予測プログラム |
CN106354123A (zh) * | 2016-11-01 | 2017-01-25 | 武汉理工大学 | 基于物联网的大型机械设备故障自动检测系统 |
CN109034413A (zh) * | 2018-07-11 | 2018-12-18 | 广东人励智能工程有限公司 | 基于神经网络模型的智能制造设备故障预测方法及系统 |
CN109033450A (zh) * | 2018-08-22 | 2018-12-18 | 太原理工大学 | 基于深度学习的电梯设备故障预测方法 |
CN109558979A (zh) * | 2018-11-29 | 2019-04-02 | 广东电网有限责任公司 | 电力设备缺陷预测方法及装置 |
CN109445422A (zh) * | 2018-12-19 | 2019-03-08 | 佛山科学技术学院 | 一种化工生产设备故障预测方法 |
CN109739213A (zh) * | 2019-01-07 | 2019-05-10 | 东莞百宏实业有限公司 | 一种故障预测系统以及预测方法 |
CN109670595A (zh) * | 2019-03-04 | 2019-04-23 | 丽水学院 | 一种设备故障诊断方法 |
CN110533331A (zh) * | 2019-08-30 | 2019-12-03 | 广东电网有限责任公司江门供电局 | 一种基于输电线路数据挖掘的故障预警方法和系统 |
CN110735769A (zh) * | 2019-09-18 | 2020-01-31 | 西安察柏科技咨询有限公司 | 一种预测风机故障的方法及装置、系统 |
CN111461555A (zh) * | 2020-04-02 | 2020-07-28 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 一种生产线质量监测方法、装置及系统 |
Non-Patent Citations (3)
Title |
---|
YANFENG HE等: "Application of CNN-LSTM in Gradual Changing Fault Diagnosis of Rod Pumping System" * |
彭辉: "基于神经网络的输电线路故障诊断研究" * |
李玲: "高速公路机电设备故障及其预防策略分析" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111585A (zh) * | 2021-04-15 | 2021-07-13 | 德州欧瑞电子通信设备制造有限公司 | 一种智能机柜故障预测方法、系统及智能机柜 |
CN113914850A (zh) * | 2021-10-21 | 2022-01-11 | 辽宁弘毅科技有限公司 | 一种基于模型的抽油机井综合测试仪故障诊断方法和系统 |
CN113914850B (zh) * | 2021-10-21 | 2023-09-26 | 辽宁弘毅科技有限公司 | 一种基于模型的抽油机井综合测试仪故障诊断方法和系统 |
CN114966402A (zh) * | 2022-07-28 | 2022-08-30 | 山东翔讯科技有限公司 | 一种开关磁阻电机故障诊断系统 |
CN114966402B (zh) * | 2022-07-28 | 2022-11-01 | 山东翔讯科技有限公司 | 一种开关磁阻电机故障诊断系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109141847B (zh) | 一种基于mscnn深度学习的飞机系统故障诊断方法 | |
CN112232370A (zh) | 发动机的故障分析预测方法 | |
CN112232476B (zh) | 更新测试样本集的方法及装置 | |
CN111458142B (zh) | 基于生成对抗网络和卷积神经网络的滑动轴承故障诊断方法 | |
CN111444953B (zh) | 一种基于改进粒子群优化算法的传感器故障监测方法 | |
JP2008536219A (ja) | 診断及び予知方法並びにシステム | |
CN110515781B (zh) | 一种复杂系统状态监测及故障诊断方法 | |
CN106656357B (zh) | 一种工频通信信道状态评估系统和方法 | |
CN112906764B (zh) | 基于改进bp神经网络的通信安全设备智能诊断方法及系统 | |
CN111638707A (zh) | 基于som聚类和mpca的间歇过程故障监测方法 | |
CN113159113B (zh) | 信息恶意篡改下可修复遥测量的智能电网故障诊断方法 | |
CN110570013A (zh) | 一种单站位在线波周期数据的预测诊断方法 | |
CN112504682A (zh) | 基于粒子群优化算法的底盘发动机故障诊断方法及系统 | |
CN111271183B (zh) | 一种自适应在线预测柴油机状态方法及系统 | |
CN113225346A (zh) | 一种基于机器学习的网络运维态势评估方法 | |
CN111079348B (zh) | 一种缓变信号检测方法和装置 | |
CN113989550A (zh) | 基于cnn和lstm混合网络的电动汽车充电桩运行状态预测方法 | |
CN113126489A (zh) | 一种基于cnn-gru-binn的重型燃气轮机控制系统智能bit设计方法 | |
CN113111585A (zh) | 一种智能机柜故障预测方法、系统及智能机柜 | |
CN113541985B (zh) | 物联网故障诊断方法、模型的训练方法及相关装置 | |
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 | |
CN115130617B (zh) | 一种自适应卫星数据模式不断增长的检测方法 | |
CN112949524B (zh) | 一种基于经验模态分解与多核学习的发动机故障检测方法 | |
CN113393023B (zh) | 模具质量评估方法、装置、设备及存储介质 | |
JP2002169611A (ja) | 故障診断システムおよびその自動設計方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210115 |
|
RJ01 | Rejection of invention patent application after publication |