CN112487709A - 一种基于敏感性分析的船用柴油机故障溯源方法 - Google Patents
一种基于敏感性分析的船用柴油机故障溯源方法 Download PDFInfo
- Publication number
- CN112487709A CN112487709A CN202011336535.8A CN202011336535A CN112487709A CN 112487709 A CN112487709 A CN 112487709A CN 202011336535 A CN202011336535 A CN 202011336535A CN 112487709 A CN112487709 A CN 112487709A
- Authority
- CN
- China
- Prior art keywords
- diesel engine
- sensitivity
- fault
- data
- evidence body
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000010206 sensitivity analysis Methods 0.000 title claims abstract description 25
- 230000035945 sensitivity Effects 0.000 claims abstract description 46
- 230000007246 mechanism Effects 0.000 claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 238000007405 data analysis Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000036541 health Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000008859 change Effects 0.000 description 9
- 238000003745 diagnosis Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种基于敏感性分析的船用柴油机故障溯源方法，包括以下步骤：先建立船用柴油机工业大数据分析模型；然后，利用建立的模型构建性能预警特征证据体、信任区间及柴油机故障模式数据库，并判断特征证据体中的输出参数是否在信任区间内；再建立证据体敏感机制，确定证据体敏感性参数；最后，根据证据体敏感机制和柴油机故障模式数据库，溯源柴油机的故障。本发明将大数据技术运用到船用柴油机故障溯源当中，能够有效地确定异常数据，给出报警信号；同时，基于异常报警信号、船用柴油机性能模型及局部敏感度分析方法，实现船用柴油机故障快速溯源的目的。
Description
技术领域
本发明属于涉及大数据和柴油机领域，具体涉及一种基于敏感性分析的船用柴油机故障溯源方法。
背景技术
船用柴油机作为船舶的核心动力装备，其运行状态对船舶的正常运行起到至关重要的作用。如何根据船用柴油机运行状态，主动实现船用柴油机故障预警及故障溯源是亟待解决问题。
目前，传感器、物联网、人工智能等科学技术的发展和应用，推动着大数据技术在工业领域的深入融合，其通过挖掘有价值的数据在解决故障诊断方面展现出强大的优势。华北电力大学刘继伟提出了基于大数据的多尺度状态监测方法，以大数据为基础，运用多尺度分析方法，构建状态检测参数反映设备的状态；北京化工大学姜景升提出了基于神经网络大数据轴承故障诊断方法，通过提取时频域特诊参数建立诊断模型，对比实际输出值和理论输出，推导出滚动轴承故障状态。现有研究多集中于借助大数据技术，单一的进行设备的异常监测或故障诊断，忽略了输入输出数据之间在故障溯源的内在联系；且未考虑船用柴油机在正常的输入参数下，零部件随着时间的改变发生性能的变化，从而导致输出参数发生异变，产生故障前兆。对于此种情况下故障预警与溯源，传统故障诊断和异常监测的方法效果甚微。
发明内容
发明目的：本发明的目的在于提供一种基于敏感性分析的船用柴油机故障溯源方法，具有以下优点：将大数据技术运用到船用柴油机故障溯源当中，能够有效的确定异常数据，给出报警信号；同时，基于异常报警信号、船用柴油机性能模型及局部敏感度分析方法，实现船用柴油机故障快速溯源的目的。
技术方案：本发明的基于敏感性分析的船用柴油机故障溯源方法，包括以下步骤：
(1)建立船用柴油机工业大数据分析模型；
(2)利用步骤(1)建立的模型构建性能预警特征证据体、信任区间及柴油机故障模式数据库，并判断特征证据体中的输出参数是否在信任区间内；
(3)建立证据体敏感机制，确定证据体敏感性参数；
(4)根据证据体敏感机制和柴油机故障模式数据库，溯源柴油机的故障。
步骤(1)中，所述建立船用柴油机工业大数据分析模型包括业务理解、数据理解、数据准备、建模分析和模型验证与评估五个步骤；所述业务理解具体为明确大数据分析的目的为性能预警与故障溯源；所述数据理解具体为获取船用柴油机监测数据，对数据进行理解和解读，并依据数据的特征将监测数据归为输入数据或输出数据；所述数据准备则是在业务理解和数据理解的基础上整合数据信息，提取输入数据和输出数据的特征参数；所述建模分析具体为分别建立预测模型、提取健康域值范围及建立故障模式数据库；所述模型验证与评估为判断建立的预测模型是否完成业务理解中的制定目标。
步骤(2)中，所述性能预警特征证据体根据输入数据和输出数据的特征参数构建，包括输入特征证据体和输出特征证据体。
步骤(2)中，所述信任区间为输入特征证据体和输出特征证据体内特征参数的信任区间，通过归并排序算法获取。
所述归并排序算法的递归公式如下：
式中，N为特征参数组数，将组数为N的原问题分解成N/2的两个子问题，O(N)为合并两个子问题的代价。
步骤(2)中，判断特征证据体的输出参数是否在信任区间内，若实时输出数据超出信任区间，则发出异常报警并将异常输出数据传递给故障溯源追踪。
步骤(2)中，所述柴油机故障模式数据库的构建过程为，采用失效模式、机理及影响分析方法对不同输入参数影响下的柴油机故障模式和机理进行分级排序，量化柴油机的主要失效模式和机理的严重度级别、故障发生的频率，继而建立输入特征证据体与柴油机故障模式的联系，形成故障模式数据库。
步骤(3)中，所述证据体敏感机制中局部敏感度的计算公式为：
X＝[x1,x2,…,xn]
Y＝[y1,y2,…,yn]
式中，X表示输入特征证据体，Y表示输出特征证据体；xi表示输入参数，yi表示输出参数，△表示xi对应的微小增量，n表示输入参数的总数，LSA表示局部敏感度。
步骤(3)中，所述确定证据体敏感性参数的过程为，对所有输入参数与输出参数均进行局部敏感度计算，获得输出参数对输入参数变化的局部敏感度，用矩阵S表达，形式如下：
式中，Sim表示yi在xm全域内的局部敏感度变化；基于敏感度LSA获得所有输入参数在工作域内输出值的影响程度和最敏感的输入参数。
步骤(4)中，所述根据证据体敏感机制和柴油机故障模式数据库，溯源柴油机的故障的过程为，基于步骤(2)确定的异常输出数据，并通过局部敏感度分析，对比敏感度关系等级，确定引起全异常输出数据的输入特征证据体内影响因子最大的参数xmax；再柴油机故障模式数据库确定与xmax匹配的柴油机故障信息，追溯故障模式。
有益效果：本发明与现有技术相比，其有益效果在于：通过大数据对船用柴油机进行分析，并借助智能算法、敏感度分析及排序算法等，实现对柴油机运行过程中性能指标的监测报警及故障溯源等功能；能够有效解决柴油机在运行过程中监测报警慢及故障溯源困难等问题，提高了柴油机完成任务的能力和减少设备维护费用。
附图说明
图1为本发明的流程示意图；
图2为本发明中柴油机工业大数据分析模型示意图。
具体实施方式
下面结合具体实施方式和说明书附图对本发明做进一步详细介绍。
如图1所示，本发明的基于敏感性分析的船用柴油机故障溯源方法，包括以下步骤：
(1)建立船用柴油机工业大数据分析模型；
首先，构建柴油机的数据感知系统，获取柴油机运行数据。数据感知系统涉及传感器、数据传输模块和数据存储、分析；传感器包括振动加速度传感器、声仪计、温度传感器、活塞杆沉降位移传感器、霍尔齿轮传感器等；数据传输模块包括数据采集卡、无线数传等；数据存储、分析模块需要上位机进行存储、显示或打印等工作。
待数据感知系统构建完成后，根据柴油机性能预警与故障追溯的目标创建大数据具体分析路线，具体创建船用柴油机CRISP-DM模型。
如图2所示，建立船用柴油机工业大数据分析模型包括业务理解、数据理解、数据准备、建模分析和模型验证与评估五个步骤。其中，业务理解是为了明确大数据分析的目的是性能预警与故障溯源；数据理解其功能在于获取柴油机监测数据，对数据进行理解和解读，并进一步依据特征将监测数据归为输入数据与输出数据；数据准备则是基于根据业务理解和数据理解，整合数据信息，提取输入数据和输出数据的特征参数，并进一步通过输入、输出数据的特征参数构建柴油机运行数据特征证据体。同时，建模分析具体为采用BP神经网络方法、多路归并排序和失效模式、机理及影响分析(Failure modes,mechanisms,andeffects analysis，FMMEA)分别建立预测模型、提取健康域值范围及建立故障模式数据库；并通过模型验证与评估模块判断数据建模模块是否完成业务理解中的制定目标。
(2)利用步骤(1)建立的模型构建性能预警特征证据体、信任区间及柴油机故障模式数据库，并判断特征证据体中的输出参数是否在信任区间内，具体如下：
基于此模型，提取柴油机输入数据和输出数据的特征参数，构建输入特征证据体X＝{x1,x2,…,xn}与输出特征证据体Y＝{y1,y2,…,yn}。其中，以柴油机转速趋势变化差值、气缸后单缸排气温度趋势变化差值、气缸传动机构滑油压力趋势变化差值、气阀温度趋势变化的差值、曲轴箱振动趋势变化差值、活塞杆沉降趋势变化差值等趋势特征数据作为X内特征参数；以缸盖振动加速度波形的峰值与绝对平均值、机身噪音波形的峰值与平均值、有效功率、转速、排气烟度值、燃油消耗率等作为Y内的特征参数。
进一步的，信任区间为输入特征证据体和输出特征证据体内特征参数的信任区间。采用归并排序算法提取特征参数信任区间，归并排序的递归公式如下：
式中，N表示特征参数组数，将组数为N的原问题分解成N/2的两个子问题，O(N)表示合并两个子问题的代价。
其次，借助失效模式、机理及影响分析方法(Failure modes,mechanisms,andeffects analysis，FMMEA)对不同输入参数影响下的柴油机故障模式和机理进行分级排序，量化柴油机的主要失效模式和机理的严重度级别、故障发生的频率。据此建立输入特征证据体X与柴油机故障模式的联系，形成故障模式数据库，具体的过程为：
识别船用柴油机各组成零部件的功能，并利用柴油机功能图和边界图及历史故障数据，分析柴油机运行输入参数与故障原因的关系，继而依据故障原因寻找故障机理，并确定故障发生的条件及发生过程，找到故障模式的根本原因，创建故障模式数据库。
最后，通过监测实时输出参数yi并判断其是否在信任区间之内，若实时输出数据超出信任区间，如出现异常数据，则发出异常报警并将异常输出数据传递给故障溯源追踪。
(3)建立证据体敏感机制，确定证据体敏感性参数，具体如下：
基于BP神经网络法，构建证据体X与Y间的映射模型，并基于特征证据体Y在X内的局部敏感性分析及异常报警值Y，确定敏感性证据体X；
本实例中采用局部敏感度分析方法，对证据体X、Y间的影响关系进行量化，证据体敏感机制中局部敏感度的计算公式为：
X＝[x1,x2,…,xn]
Y＝[y1,y2,…,yn]
式中，X表示输入特征证据体，Y表示输出特征证据体；xi表示输入参数，yi表示输出参数，△表示xi对应的微小增量，n表示输入参数的总数，LSA表示局部敏感度。
对所有输入参数与输出参数均进行局部敏感度计算，获得输出参数对输入参数变化的局部敏感度，其敏感度结果可采用矩阵S表达，形式如下：
式中，Sim表示yi在xm全域内的局部敏感度变化。
基于敏感度LSA，则可获得所有输入参数在工作域内输出值的影响程度和最敏感的输入参数，即建立完成敏感机制。
(4)根据证据体敏感机制和柴油机故障模式数据库，溯源柴油机的故障。
基于步骤(2)确定的异常数据yi，并通过局部敏感度分析，对比敏感度等级，确定引起异常数据的输入特征证据体X内影响因子最大的参数Xmax；继而依据输入特征体X与故障源建立得故障模式数据库，确定与参数Xmax匹配的船用柴油机故障信息，追溯故障模式。
Claims (10)
1.一种基于敏感性分析的船用柴油机故障溯源方法，其特征在于，包括以下步骤：
(1)建立船用柴油机工业大数据分析模型；
(2)利用步骤(1)建立的模型构建性能预警特征证据体、信任区间及柴油机故障模式数据库，并判断特征证据体中的输出参数是否在信任区间内；
(3)建立证据体敏感机制，确定证据体敏感性参数；
(4)根据证据体敏感机制和柴油机故障模式数据库，溯源柴油机的故障。
2.根据权利要求1所述基于敏感性分析的船用柴油机故障溯源方法，其特征在于：步骤(1)中，所述建立船用柴油机工业大数据分析模型包括业务理解、数据理解、数据准备、建模分析和模型验证与评估五个步骤；
所述业务理解具体为明确大数据分析的目的为性能预警与故障溯源；
所述数据理解具体为获取船用柴油机监测数据，对数据进行理解和解读，并依据数据的特征将监测数据归为输入数据或输出数据；
所述数据准备则是在业务理解和数据理解的基础上整合数据信息，提取输入数据和输出数据的特征参数；
所述建模分析具体为分别建立预测模型、提取健康域值范围及建立故障模式数据库；
所述模型验证与评估为判断建立的预测模型是否完成业务理解中的制定目标。
3.根据权利要求1所述基于敏感性分析的船用柴油机故障溯源方法，其特征在于：步骤(2)中，所述性能预警特征证据体根据输入数据和输出数据的特征参数构建，包括输入特征证据体和输出特征证据体。
4.根据权利要求1所述基于敏感性分析的船用柴油机故障溯源方法，其特征在于：步骤(2)中，所述信任区间为输入特征证据体和输出特征证据体内特征参数的信任区间，通过归并排序算法获取。
5.根据权利要求4所述基于敏感性分析的船用柴油机故障溯源方法，其特征在于，所述归并排序算法的递归公式如下：
式中，N表示特征参数组数，将组数为N的原问题分解成N/2的两个子问题，O(N)表示合并两个子问题的代价。
6.根据权利要求1所述基于敏感性分析的船用柴油机故障溯源方法，其特征在于：步骤(2)中，判断特征证据体的输出参数是否在信任区间内，若实时输出数据超出信任区间，则发出异常报警并将异常输出数据传递给故障溯源追踪。
7.根据权利要求1所述基于敏感性分析的船用柴油机故障溯源方法，其特征在于：步骤(2)中，所述柴油机故障模式数据库的构建过程为，采用失效模式、机理及影响分析方法对不同输入参数影响下的柴油机故障模式和机理进行分级排序，量化柴油机的主要失效模式和机理的严重度级别、故障发生的频率，继而建立输入特征证据体与柴油机故障模式的联系，形成故障模式数据库。
8.根据权利要求1所述基于敏感性分析的船用柴油机故障溯源方法，其特征在于，步骤(3)中，所述证据体敏感机制中局部敏感度的计算公式为：
X＝[x1,x2,…,xn]
Y＝[y1,y2,…,yn]
式中，X表示输入特征证据体，Y表示输出特征证据体；xi表示输入参数，yi表示输出参数，△表示xi对应的微小增量，n表示输入参数的总数，LSA表示局部敏感度。
9.根据权利要求8所述基于敏感性分析的船用柴油机故障溯源方法，其特征在于，步骤(3)中，所述确定证据体敏感性参数的过程为，对所有输入参数与输出参数均进行局部敏感度计算，获得输出参数对输入参数变化的局部敏感度，用矩阵S表达，形式如下：
式中，Sim表示yi在xm全域内的局部敏感度变化；基于敏感度LSA获得所有输入参数在工作域内输出值的影响程度和最敏感的输入参数。
10.根据权利要求6所述基于敏感性分析的船用柴油机故障溯源方法，其特征在于，步骤(4)中，所述根据证据体敏感机制和柴油机故障模式数据库，溯源柴油机的故障的过程为，基于步骤(2)确定的异常输出数据，并通过局部敏感度分析，对比敏感度关系等级，确定引起全异常输出数据的输入特征证据体内影响因子最大的参数Xmax；再柴油机故障模式数据库确定与Xmax匹配的柴油机故障信息，追溯故障模式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011336535.8A CN112487709B (zh) | 2020-11-25 | 2020-11-25 | 一种基于敏感性分析的船用柴油机故障溯源方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011336535.8A CN112487709B (zh) | 2020-11-25 | 2020-11-25 | 一种基于敏感性分析的船用柴油机故障溯源方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112487709A true CN112487709A (zh) | 2021-03-12 |
| CN112487709B CN112487709B (zh) | 2023-11-21 |
Family
ID=74933949
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011336535.8A Active CN112487709B (zh) | 2020-11-25 | 2020-11-25 | 一种基于敏感性分析的船用柴油机故障溯源方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112487709B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113362077A (zh) * | 2021-05-25 | 2021-09-07 | 深圳市中晴云科技有限公司 | 一种基于区块链的产品溯源系统及其方法 |
| CN114509266A (zh) * | 2022-01-05 | 2022-05-17 | 东南大学 | 一种基于故障特征融合的轴承健康监测方法 |
| CN115048956A (zh) * | 2022-05-31 | 2022-09-13 | 江苏科技大学 | 一种基于多层网络的复杂机电装备的故障诊断方法 |
| CN115237091A (zh) * | 2022-07-18 | 2022-10-25 | 西安交通大学 | 一种机电装备故障溯源方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1437403A (zh) * | 2002-02-08 | 2003-08-20 | 华庆国阳信息科技（上海）有限公司 | 在广播网的单向同轴电缆上实现视频点播的视频流发送方法 |
| CN107918379A (zh) * | 2017-11-29 | 2018-04-17 | 东北大学 | 基于图半监督代价敏感的工业大数据早期故障检测方法 |
| CN108235141A (zh) * | 2018-03-01 | 2018-06-29 | 北京网博视界科技股份有限公司 | 直播视频转碎片化点播的方法、装置、服务器和存储介质 |
| CN108710756A (zh) * | 2018-05-18 | 2018-10-26 | 上海电力学院 | 基于谱聚类分析下多特征信息加权融合的故障诊断方法 |
| CN110401869A (zh) * | 2019-07-26 | 2019-11-01 | 歌尔股份有限公司 | 一种视频直播方法、系统及电子设备和存储介质 |
| CN111931806A (zh) * | 2020-06-23 | 2020-11-13 | 广州杰赛科技股份有限公司 | 一种多传感器数据融合的设备故障诊断方法及装置 |
-
2020
- 2020-11-25 CN CN202011336535.8A patent/CN112487709B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1437403A (zh) * | 2002-02-08 | 2003-08-20 | 华庆国阳信息科技（上海）有限公司 | 在广播网的单向同轴电缆上实现视频点播的视频流发送方法 |
| CN107918379A (zh) * | 2017-11-29 | 2018-04-17 | 东北大学 | 基于图半监督代价敏感的工业大数据早期故障检测方法 |
| CN108235141A (zh) * | 2018-03-01 | 2018-06-29 | 北京网博视界科技股份有限公司 | 直播视频转碎片化点播的方法、装置、服务器和存储介质 |
| CN108710756A (zh) * | 2018-05-18 | 2018-10-26 | 上海电力学院 | 基于谱聚类分析下多特征信息加权融合的故障诊断方法 |
| CN110401869A (zh) * | 2019-07-26 | 2019-11-01 | 歌尔股份有限公司 | 一种视频直播方法、系统及电子设备和存储介质 |
| CN111931806A (zh) * | 2020-06-23 | 2020-11-13 | 广州杰赛科技股份有限公司 | 一种多传感器数据融合的设备故障诊断方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 曹欢;胡磊;谢文琪;杨建国;: "基于多源信息融合的柴油机故障诊断方法", 造船技术, no. 01 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113362077A (zh) * | 2021-05-25 | 2021-09-07 | 深圳市中晴云科技有限公司 | 一种基于区块链的产品溯源系统及其方法 |
| CN113362077B (zh) * | 2021-05-25 | 2022-09-23 | 青岛飞熊领鲜数字科技有限公司 | 一种基于区块链的产品溯源系统及其方法 |
| CN114509266A (zh) * | 2022-01-05 | 2022-05-17 | 东南大学 | 一种基于故障特征融合的轴承健康监测方法 |
| CN114509266B (zh) * | 2022-01-05 | 2023-12-01 | 东南大学 | 一种基于故障特征融合的轴承健康监测方法 |
| CN115048956A (zh) * | 2022-05-31 | 2022-09-13 | 江苏科技大学 | 一种基于多层网络的复杂机电装备的故障诊断方法 |
| CN115048956B (zh) * | 2022-05-31 | 2024-07-02 | 江苏科技大学 | 一种基于多层网络的复杂机电装备的故障诊断方法 |
| CN115237091A (zh) * | 2022-07-18 | 2022-10-25 | 西安交通大学 | 一种机电装备故障溯源方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112487709B (zh) | 2023-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112487709A (zh) | 一种基于敏感性分析的船用柴油机故障溯源方法 | |
| Cai et al. | Fault detection and diagnostic method of diesel engine by combining rule-based algorithm and BNs/BPNNs | |
| CN102494899B (zh) | 柴油机复合故障诊断方法及诊断系统 | |
| Kumar et al. | Improved CNN for the diagnosis of engine defects of 2-wheeler vehicle using wavelet synchro-squeezed transform (WSST) | |
| CN106197996A (zh) | 基于多元数据的海上起重机齿轮箱故障诊断装置及方法 | |
| CN111779573B (zh) | 一种柴油机在线故障检测方法及装置 | |
| CN105466693B (zh) | 基于灰色模型的柴油机燃油系统故障预诊断方法 | |
| CN115563553B (zh) | 波动工况下深度迁移图卷积网络的航空轴承故障诊断方法 | |
| CN102095588A (zh) | 柴油机故障智能诊断方法 | |
| Hashim et al. | Combustion fault detection technique of spark ignition engine based on wavelet packet transform and artificial neural network | |
| Abdeltwab et al. | A Review on Engine Fault Diagnosis through Vibration Analysis | |
| CN113343482B (zh) | 一种基于数字孪生的车辆动力系统健康管理方法 | |
| Zhang et al. | Fault feature extraction of diesel engine based on bispectrum image fractal dimension | |
| CN202661269U (zh) | 一种柴油机复合故障诊断的测试平台 | |
| Devasenapati et al. | Hybrid fuzzy model based expert system for misfire detection in automobile engines | |
| CN112668419B (zh) | 一种基于振动信号的发动机排放物预测方法 | |
| CN117536872A (zh) | 一种罗茨风机状态监测系统与故障预测方法 | |
| Jia et al. | An improved adaptive VMD method and its application in wear condition monitoring of main bearing | |
| Kobbacy et al. | Condition monitoring of diesel engines | |
| CN115774847A (zh) | 一种柴油机性能评估及预测方法和系统 | |
| Shi et al. | Fault diagnosis of me marine diesel engine fuel injector with novel ircmde method | |
| CN111859290B (zh) | 基于粗糙集和人工碳氢网络的轮毂电机机械故障诊断方法 | |
| Morgan et al. | Predicting future states with $ n $-dimensional Markov chains for fault diagnosis | |
| Bhadane et al. | Misfire detection of automotive engines with convolutional neural network | |
| Wang et al. | Research on Big Data Intelligent System for Fault Diagnosis of Computer Aided Ship Power System |
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 |