CN112326255B - 一种发动机远程健康监护系统及监护方法 - Google Patents

Abstract

本发明涉及一种发动机远程健康监护系统及监护方法，属于发动机故障诊断技术领域。主控模块控制信号采集模块采集不同机型的发动机状态数据，并将发动机状态数据以5G通信或北斗通信的方式传输至远程服务器，采用神经网络算法建立故障诊断模型，远程服务器调用与发动机的机型相对应的故障诊断模型，根据发动机状态数据得到发动机的故障信息，并在出现异常情况时，通过远程服务器远程控制发动机的运行和停止，实现了对发动机的统一监测和管理，提高了生产效率和发动机安全性，减少了维修周期。

Description

一种发动机远程健康监护系统及监护方法

技术领域

本发明涉及发动机故障检测技术领域，特别是涉及一种发动机远程健康监护系统及监护方法。

背景技术

发动机作为船舶的核心之一，振动剧烈，结构复杂，工作时间长，往往成为诊断和检测的重点。而发动机的工作状态和整个机械系统的安全运行息息相关，其使用寿命的长短和工作的可靠性更是其中至关重要的指标。为了减少机械系统的故障，保证相关人员的生命安全，必须提高发动机的可靠性和使用寿命，对发动机状态进行连续实时的监测，并在监测结果的基础上采取合适的机械故障诊断方法得到发动机的故障信息，做到对发动机故障事故的有效预测，减少经济损失。

基于此，亟需一种能够实时监测发动机状态，并判别其是否发生故障的发动机远程健康监护系统及监护方法。

发明内容

本发明的目的是提供一种发动机远程健康监护系统及监护方法，能够实时采集不同机型发动机的状态数据，采用神经网络算法建立故障诊断模型，对发动机的运行状态进行预测和诊断，当出现异常情况时，系统可远程控制发动机的运行和停止，实现了对发动机的统一监测和管理，提高了生产效率和发动机安全性，减少了维修周期。

为实现上述目的，本发明提供了如下方案：

一种发动机远程健康监护系统，所述监护系统包括信号采集模块、主控模块和远程服务器；

所述信号采集模块设置于发动机上，并与所述主控模块通信连接；所述信号采集模块包括温度传感器、压力传感器、加速度传感器及转速传感器中的一种或多种；所述信号采集模块用于在所述主控模块的控制下采集发动机状态数据，并将所述发动机状态数据传输至所述主控模块；

所述主控模块设置于所述发动机上；所述主控模块用于将所述发动机状态数据进行打包，得到数据帧，并通过移动通信模块将所述数据帧传输至所述远程服务器；

所述远程服务器用于对所述数据帧进行解析，获得发动机状态数据，并调用与所述发动机的机型相对应的故障诊断模型，根据所述发动机状态数据得到所述发动机的故障信息。

一种发动机远程健康监护方法，所述监护方法包括如下步骤：

利用主控模块控制信号采集模块采集发动机状态数据，并对所述发动机状态数据进行打包，得到数据帧；

利用移动通信模块以5G通信或北斗通信的方式将所述数据帧传输至远程服务器；

利用所述远程服务器对所述数据帧进行解析，得到发动机状态数据；

利用远程服务器调用与所述发动机的机型相对应的故障诊断模型，根据所述发动机状态数据得到所述发动机的故障信息。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明公开了一种发动机远程健康监护系统及监护方法，主控模块控制信号采集模块采集不同机型的发动机状态数据，并将发动机状态数据以5G通信或北斗通信的方式传输至远程服务器，采用神经网络算法建立故障诊断模型，远程服务器调用与发动机的机型相对应的故障诊断模型，根据发动机状态数据得到发动机的故障信息，并在出现异常情况时，通过远程服务器远程控制发动机的运行和停止，实现了对发动机的统一监测和管理，提高了生产效率和发动机安全性，减少了维修周期。本发明的监护系统及监护方法能够实时采集多种机型发动机的数据，只需在远程服务器中配置好该机型发动机的数据解析方式，远程服务器将根据发动机机型自动调用数据解析方式完成解析，便于监护系统适配不同机型的发动机。5G和北斗的半双工通信方式解决了发动机与外界通信困难、数据传输不稳定的问题，基本能够实现信号全球覆盖。同时运用各种传感器实时采集发动机状态数据，把在线监测与智能故障诊断有机地结合起来，能快速有效地进行发动机状态监测和故障诊断，以便能做出及时的预警和处理，减小损失。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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发明的一些实施例，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为本发明实施例1所提供的监护系统的结构示意图。

图2为本发明实施例1所提供的主控模块的程序流程图。

图3为本发明实施例2所提供的监护方法的方法流程图。

图4为本发明实施例2所提供的数据解析流程图。

图5为本发明实施例2所提供的故障诊断流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种发动机远程健康监护系统及监护方法，能够实时采集不同机型发动机的状态数据，采用神经网络算法建立故障诊断模型，对发动机的运行状态进行预测和诊断，当出现异常情况时，系统可远程控制发动机的运行和停止，实现了对发动机的统一监测和管理，提高了生产效率和发动机安全性，减少了维修周期。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例1：

本实施例用于提供一种发动机远程健康监护系统，如图1所示，所述监护系统包括信号采集模块、主控模块和远程服务器；

所述信号采集模块设置于发动机上，并与所述主控模块通信连接；所述信号采集模块包括温度传感器、压力传感器、加速度传感器及转速传感器中的一种或多种；所述信号采集模块用于在所述主控模块的控制下采集发动机状态数据，并将所述发动机状态数据传输至所述主控模块；

具体的，所述信号采集模块还可以包括其他类型的传感器，其所包含的传感器的类型和数量根据发动机的机型而确定，不同机型需要的传感器不同，这是由于在发动机机型不同时，其燃火系统和点火方式不同，所需要监测的部位也有所不同，所以需要安装不同类型和数量的传感器。不同机型的发动机在传感器类型和数量上会有所不同，但是基本都会包括以下类型的传感器：曲轴转速传感器、凸轮转速传感器、冷却水温度传感器、燃油温度传感器等，另外每种机型的发动机都会额外安装一些其他类型的传感器，进而本实施例提供的监护系统能够实现对多种不同机型发动机进行状态数据的采集和状态监测。另外，信号采集模块由主控模块控制工作或者休眠，定时采集发动机状态数据并传输至主控模块，发动机状态数据包括转速、水温、滑油压力和运行状态等，运行状态是指发动机的起动、停机和发动机在各种负荷下运转的状态，如正常起动、起动失败、正常运行、人工停机、紧急停机、功率限制等状态，通过发动机曲轴转速传感器采集到的转速信号变化来进行运行状态的判断。

所述主控模块设置于所述发动机上；所述主控模块用于将所述发动机状态数据进行打包，得到数据帧，并通过移动通信模块将所述数据帧传输至所述远程服务器；

进一步的，如图2所示，主控模块起控制作用，其功能主要包括：①控制信号采集模块定时采集发动机状态数据；②对信号采集模块采集的发动机状态数据进行处理，在短时间内多次采集传感器数据并取平均值，对处理之后的发动机状态数据进行打包；③向移动通信模块发送定位申请指令，得到发动机当前的位置信息；④通过移动通信模块与服务器进行交互，进行数据上行或者接收服务器下发指令(即数据下行)操作。

具体的，主控模块向移动通信模块发送定位申请指令获取发动机位置信息，每间隔1分钟将发动机位置信息和发动机状态数据进行打包，得到数据帧，并通过移动通信模块发送给远程服务器，进而通过对发动机定位得到经度和纬度，即对发动机所在的船舶进行定位，能够监测船舶的航行轨迹，保证发动机故障时第一时间采取措施。

另外，所述监护系统还包括电子控制模块，电子控制模块分别与主控模块和发动机通信连接。主控模块还用于通过移动通信模块接收远程服务器发送的指令，并对该远程服务器发送的指令进行解析，得到发动机运行指令，若发动机运行指令合法，则将发动机运行指令传输至电子控制模块。电子控制模块用于根据发动机运行指令控制发动机停止运行或恢复运行，进而能够在出现异常情况时，通过远程服务器远程控制发动机的运行和停止，实现了对发动机的统一监测和管理，提高了生产效率和发动机安全性，减少了维修周期。

作为一种可选的实施方式，移动通信模块根据用户需求或工作场景可以采用5G通信和北斗通信的任意一种通信方式。当采用北斗通信方式时，移动通信模块包括北斗终端和北斗指挥机，北斗终端设置于发动机上，北斗指挥机设置于远程服务器端，北斗终端分别与主控模块和北斗指挥机通信连接。主控模块从北斗终端获得发动机位置信息，将发动机位置信息和发动机状态数据按北斗报文格式进行打包，得到数据帧，并将数据帧发送给北斗终端，北斗终端用于接收主控模块传输的数据帧，并将数据帧以北斗报文的形式传输至北斗指挥机。北斗指挥机通过串行接口与设置于远程服务器端的串口转网口模块连接，串口转网口模块工作在TCP客户端模式，串口转网口模块接收北斗指挥机串行接口发送的北斗报文形式的数据帧并转换为网口信息发送给远程服务器。当采用5G通信方式时，移动通信模块包括5G终端，5G终端设置于发动机上，并与主控模块通信连接。主控模块从5G终端获得发动机位置信息，将发动机位置信息和发动机状态数据按网络数据格式进行打包，得到数据帧，并将数据帧发送给5G终端，5G终端用于接收主控模块传输的数据帧，并通过5G网络将数据帧发送至远程服务器，5G终端工作在TCP客户端模式。移动通信模块根据用户需求或工作场景可只安装其中一个终端，默认安装两种终端，此时首先使用5G终端进行发动机定位和与远程服务器数据通信，当发动机所处地区无5G信号时，主控模块会自动切换使用北斗终端，采用北斗通信方式，进而5G和北斗的半双工通信方式解决了发动机与外界通信困难、数据传输不稳定的问题，基本能够实现信号全球覆盖。

所述远程服务器用于对所述数据帧进行解析，获得发动机状态数据，将发动机状态数据以数据或图表的形式可视化展示在页面上，并调用与所述发动机的机型相对应的故障诊断模型，根据所述发动机状态数据得到所述发动机的故障信息。

本实施例提供的一种发动机远程健康监护系统，能够实时采集多种机型发动机的状态数据，只需在远程服务器中配置好该机型发动机的数据解析方式，远程服务器将根据发动机机型自动调用数据解析方式完成解析，便于监护系统适配不同机型的发动机。同时运用各种传感器实时采集发动机状态数据，把在线监测与智能故障诊断有机地结合起来，能够快速有效地进行发动机状态监测和故障诊断，以便能做出及时的预警和处理，减小损失。

实施例2：

本实施例用于提供一种发动机远程健康监护方法，利用实施例1所述的监护系统进行工作，如图3所示，所述监护方法包括如下步骤：

步骤101：利用主控模块控制信号采集模块采集发动机状态数据，并对所述发动机状态数据进行打包，得到数据帧；

步骤102：利用移动通信模块以5G通信或北斗通信的方式将所述数据帧传输至远程服务器；

步骤103：利用所述远程服务器对所述数据帧进行解析，得到发动机状态数据；

由于不同机型的发动机上安装的传感器的类型和数量不同，所以不同机型发动机所传输数据的格式和类型也不同。数据类型指传感器采集数据的类型，包括温度数据，压力数据，转速数据，位置数据等。数据格式指传感器采集数据的表示格式，包括int(整型)、float(单精度型/浮点型)、short(短整型)、Byte(字节型)、long(长整型)、double(双精度型)等。如表1所示，其为传感器类型与数据格式的对应关系，不同类型的传感器对应不同类型和格式的数据，且同一类型的传感器因为规格和测量精度不同也会导致数据格式的不同，故针对不同机型发动机所传输数据的数据类型和格式不同，本实施例可以利用远程服务器正确识别发动机的机型，并且自动的调用该发动机机型对应的数据解析方式对数据帧进行解析，将正确解析得到的数据储存在远程服务器的数据库中，并进行可视化展示，具体流程图如图4所示。

表1

数据解析方式是数据位置和数据格式的自由组合，比如说在一个数据帧中，发动机定位经度是在数据帧中的第12个字节到第15个字节，数据格式是float，那么远程服务器会读取该位置的数据并按照float的格式解析得到发动机定位经度；滑油压力是第20到23字节，数据格式是int，远程服务器会读取该位置的数据并按照int的格式解析得到滑油压力。不同机型的发动机由于信号采集模块中的传感器类型和数量不同，所以数据帧中的发动机状态数据是不同的，即使是同一种传感器测得的参数，其在不同机型发动机的数据帧中也会在不同的位置，所以必须按照发动机机型相应的解析方式进行解析。

每一次上传的数据为一个数据帧，一个数据帧包括传感器采集的发动机状态数据、发动机位置信息、控制系统编号、发送时间、帧头、数据长度、版本号和校验码。由于数据帧中包括发动机的控制系统编号，而每个发动机的控制系统编号是唯一的，远程服务器读取数据帧固定位置处的发动机的控制系统编号(4个字节)，再在数据库中搜索发动机的控制系统编号即可得到发动机的机型。

具体的，所述利用所述远程服务器对所述数据帧进行解析，得到发动机状态数据具体包括：读取处于所述数据帧固定位置处的发动机控制系统编号；根据所述控制系统编号确定所述发动机的机型；调用与所述发动机的机型相对应的数据解析方式；利用所述数据解析方式对所述数据帧进行解析，得到发动机状态数据，进而根据服务器端预先设定的数据解析方式，自动识别从发动机传输到远程服务器的数据帧的内容，实现在远程服务器上对不同机型发动机所传输数据的正确解析与可视化展示。

步骤104：利用远程服务器调用与所述发动机的机型相对应的故障诊断模型，根据所述发动机状态数据得到所述发动机的故障信息。

具体的，如图5所示，故障诊断模型的训练过程具体包括：对所述发动机进行可靠性试验，得到性能数据以及多种频发故障模式；对所述性能数据进行分析，同时对多种频发故障模式进行特征参数变化趋势的分析，确定多种故障特征参数，并以所述故障特征参数作为输入参数，以发生故障概率作为输出参数；选取所述发动机在发生故障前后的多个数据点作为训练样本集；根据所述训练样本集，采用弹性BP算法对BP神经网络进行训练，得到训练好的BP神经网络模型，并以所述训练好的BP神经网络模型作为与所述发动机的机型相对应的故障诊断模型。

为使本领域技术人员更加清楚的了解本实施例中故障诊断模型的训练过程，在此举一个具体实例进行具体说明。以xx型发动机高压油泵故障为例，以故障现象为输入，发生故障概率为输出建立神经网络模型，推理过程采用正向推理机制，即输入故障现象得出发生故障概率。基于xx型发动机的机型确定所需的传感器，计算传感器采集参数与标准参数(即额定功率下性能参数的标准值)之间的偏差值。

输入参数的确定：

以xx型发动机高压油泵故障为例，通过对高压油泵可靠性试验中的性能数据进行详细分析，同时对可靠性试验中单缸咬卡、泵盖开裂、溢流阀阀芯堵塞和轴-轴瓦咬粘四种频发故障模式进行特征参数变化趋势的分析，根据重要程度提出采用轨压、扭矩、比例阀电流和燃油流量四个变量建立故障诊断模型。选取轨压偏差值、扭矩偏差值、比例阀电流偏差值和燃油流量偏差值作为故障特征参数。通过对样本历史故障数据及性能监控参数的分析，可知发动机高压油泵的性能参数在故障发生的前后一段时间内具有明显的趋势变化，可以将这种明显的变化看作发动机高压油泵故障的指征，故选取发生故障时前后共10个数据点作为样本。因此，神经网络的输入设定为性能参数连续的10个数据点。由于考虑到了轨压偏差值、扭矩偏差值、比例阀电流偏差值和燃油流量偏差值这4个性能参数，故输入向量维数为40。在BP神经网络中，神经网络的输入层节点数取决于输入向量的维数，故确定神经网络的输入层节点数为40。

输出参数的确定：

定义神经网络的输出为趋势标识量，输出向量维数为1。神经网络的输出层神经元节点数取决于输出向量的维数，故确定神经网络的输出层节点数为1，输出值在[-1，1]之间。其中，-1标识正常样本趋势，1标识故障样本趋势。规定以[-1，1]之间的数值大小来表示对应的故障发生可确信度，即发生此类故障的概率，其输出值越接近1则表示对应的故障概率越大。当输出值大于等于0时认为存在此类故障趋势，而小于0时认为正常概率较大。

训练样本集的选取：

高压油泵故障主要存在单缸咬卡、泵盖开裂、溢流阀阀芯堵塞和轴-轴瓦咬粘这四种频发故障模式。针对这四种故障模式，选取一台发动机高压油泵发生故障前后的500个数据点，均分成50组，每组有10个数据点。将1～49组定义为正常样本，贴近故障预警点的第50组定义为故障样本。通过对维修数据和报警数据的整理，共获得32次发动机故障预报案例，单缸咬卡、泵盖开裂、溢流阀阀芯堵塞和轴-轴瓦咬粘这四种频发的故障模式各8次，用于BP神经网络训练和测试的发动机故障样本分配情况见表2。

BP网络结构参数设计：

3层及3层以上的神经网络，当神经元数足够时，可以任意精度逼近任意非线性连续函数，尽可能用最少的网络层数来构建神经网络，所以选用3层BP网络结构。结合经验公式和不断实验后选定隐含层的神经元数为11，采用迭代次数较少且精度较高的弹性BP算法作为神经网络的训练方法。

表2训练—测试发动机样本分配情况

故障	训练样本案例次数	测试样本案例次数
			单缸咬卡	5	3
泵盖开裂	5	3
			溢流阀阀芯堵塞	5	3
轴-轴瓦咬粘	5	3

在建立各个机型发动机的故障诊断模型后，所述利用远程服务器调用与所述发动机的机型相对应的故障诊断模型，根据所述发动机状态数据得到所述发动机的故障信息具体包括：根据与所述发动机的机型相对应的故障诊断模型确定输入参数的类型；根据所述输入参数的类型提取所述发动机状态数据中的输入参数测量值；调用与所述发动机的机型相对应的标准参数数据库，得到额定功率下的输入参数标准值；计算所述输入参数测量值和所述输入参数标准值之间的偏差值；调用与所述发动机的机型相对应的故障诊断模型，并以所述偏差值作为所述故障诊断模型的输入量，得到发动机的故障信息，进而利用信号采集模块中的各种传感器实时采集发动机状态数据，并基于人工神经网络建立故障诊断模型，进行不同型号的发动机故障检测，通过该方法能够较好的进行实时故障检测，并能够从不同层次和角度进行故障诊断，提高检测效率和准确性。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (5)

1.一种发动机远程健康监护系统，其特征在于，所述监护系统包括信号采集模块、主控模块和远程服务器；

所述信号采集模块设置于发动机上，并与所述主控模块通信连接；所述信号采集模块包括温度传感器、压力传感器、加速度传感器及转速传感器中的一种或多种；所述信号采集模块所包含的传感器的类型和数量根据所述发动机的机型而确定；所述信号采集模块用于在所述主控模块的控制下采集发动机状态数据，并将所述发动机状态数据传输至所述主控模块；

所述主控模块设置于所述发动机上；所述主控模块用于将所述发动机状态数据进行打包，得到数据帧，并通过移动通信模块将所述数据帧传输至所述远程服务器；

所述远程服务器用于对所述数据帧进行解析，获得发动机状态数据，并调用与所述发动机的机型相对应的故障诊断模型，根据所述发动机状态数据得到所述发动机的故障信息；所述远程服务器用于读取处于所述数据帧固定位置处的发动机控制系统编号，根据所述控制系统编号确定所述发动机的机型，并调用与所述发动机的机型相对应的数据解析方式，利用所述数据解析方式对所述数据帧进行解析；

所述监护系统还包括电子控制模块；所述电子控制模块分别与所述主控模块和所述发动机通信连接；所述主控模块还用于接收并解析所述远程服务器发送的指令，得到发动机运行指令，并将所述发动机运行指令传输至所述电子控制模块；所述电子控制模块用于根据所述发动机运行指令控制所述发动机停止运行或恢复运行；

所述故障诊断模型的训练过程具体包括：对所述发动机进行可靠性试验，得到性能数据以及多种频发故障模式；对所述性能数据进行分析，同时对多种频发故障模式进行特征参数变化趋势的分析，确定多种故障特征参数，并以所述故障特征参数作为输入参数，以发生故障概率作为输出参数；选取所述发动机在发生故障前后的多个数据点作为训练样本集；根据所述训练样本集，采用弹性BP算法对BP神经网络进行训练，得到训练好的BP神经网络模型，并以所述训练好的BP神经网络模型作为与所述发动机的机型相对应的故障诊断模型；

所述调用与所述发动机的机型相对应的故障诊断模型，根据所述发动机状态数据得到所述发动机的故障信息具体包括：根据与所述发动机的机型相对应的故障诊断模型确定输入参数的类型；根据所述输入参数的类型提取所述发动机状态数据中的输入参数测量值；调用与所述发动机的机型相对应的标准参数数据库，得到额定功率下的输入参数标准值；计算所述输入参数测量值和所述输入参数标准值之间的偏差值；调用与所述发动机的机型相对应的故障诊断模型，并以所述偏差值作为所述故障诊断模型的输入量，得到发动机的故障信息。

2.如权利要求1所述的发动机远程健康监护系统，其特征在于，所述主控模块还用于向所述移动通信模块发送定位申请指令，得到发动机当前的位置信息，并将所述位置信息和所述发动机状态数据进行打包，得到数据帧。

3.如权利要求1或2所述的发动机远程健康监护系统，其特征在于，所述移动通信模块包括北斗终端和北斗指挥机；所述北斗终端设置于所述发动机上，所述北斗指挥机设置于远程服务器端；所述北斗终端分别与所述主控模块和所述北斗指挥机通信连接；所述北斗终端用于接收所述主控模块传输的数据帧，并将所述数据帧以北斗报文的形式传输至所述北斗指挥机；所述北斗指挥机用于将所述北斗报文形式的数据帧通过串口转网口模块发送至所述远程服务器；所述串口转网口模块工作在TCP客户端模式。

4.如权利要求3所述的发动机远程健康监护系统，其特征在于，所述移动通信模块还包括5G终端；所述5G终端设置于发动机上，并与所述主控模块通信连接；所述5G终端用于接收所述主控模块传输的数据帧，并通过5G网络将所述数据帧发送至所述远程服务器；所述5G终端工作在TCP客户端模式。

5.一种发动机远程健康监护方法，利用如权利要求1-4任一项所述的监护系统进行工作，其特征在于，所述监护方法包括如下步骤：

利用主控模块控制信号采集模块采集发动机状态数据，并对所述发动机状态数据进行打包，得到数据帧；所述主控模块还用于接收并解析所述远程服务器发送的指令，得到发动机运行指令，并将所述发动机运行指令传输至所述电子控制模块；所述电子控制模块用于根据所述发动机运行指令控制所述发动机停止运行或恢复运行；所述信号采集模块所包含的传感器的类型和数量根据所述发动机的机型而确定；

利用移动通信模块以5G通信或北斗通信的方式将所述数据帧传输至远程服务器；

利用所述远程服务器对所述数据帧进行解析，得到发动机状态数据；

所述利用所述远程服务器对所述数据帧进行解析，得到发动机状态数据具体包括：

读取处于所述数据帧固定位置处的发动机控制系统编号；

根据所述控制系统编号确定所述发动机的机型；

调用与所述发动机的机型相对应的数据解析方式；

利用所述数据解析方式对所述数据帧进行解析，得到发动机状态数据；

利用远程服务器调用与所述发动机的机型相对应的故障诊断模型，所述故障诊断模型的训练过程具体包括：对所述发动机进行可靠性试验，得到性能数据以及多种频发故障模式；对所述性能数据进行分析，同时对多种频发故障模式进行特征参数变化趋势的分析，确定多种故障特征参数，并以所述故障特征参数作为输入参数，以发生故障概率作为输出参数；选取所述发动机在发生故障前后的多个数据点作为训练样本集；根据所述训练样本集，采用弹性BP算法对BP神经网络进行训练，得到训练好的BP神经网络模型，并以所述训练好的BP神经网络模型作为与所述发动机的机型相对应的故障诊断模型；

根据所述发动机状态数据得到所述发动机的故障信息，具体包括：根据与所述发动机的机型相对应的故障诊断模型确定输入参数的类型；根据所述输入参数的类型提取所述发动机状态数据中的输入参数测量值；调用与所述发动机的机型相对应的标准参数数据库，得到额定功率下的输入参数标准值；计算所述输入参数测量值和所述输入参数标准值之间的偏差值；调用与所述发动机的机型相对应的故障诊断模型，并以所述偏差值作为所述故障诊断模型的输入量，得到发动机的故障信息。

Images