CN112610330B - 一种内燃机运行状态的监测及分析系统和方法 - Google Patents
一种内燃机运行状态的监测及分析系统和方法 Download PDFInfo
- Publication number
- CN112610330B CN112610330B CN202011445224.5A CN202011445224A CN112610330B CN 112610330 B CN112610330 B CN 112610330B CN 202011445224 A CN202011445224 A CN 202011445224A CN 112610330 B CN112610330 B CN 112610330B
- Authority
- CN
- China
- Prior art keywords
- internal combustion
- combustion engine
- calculation
- monitoring
- module
- 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
Links
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 54
- 238000012544 monitoring process Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims abstract description 45
- 238000006731 degradation reaction Methods 0.000 claims abstract description 34
- 230000015556 catabolic process Effects 0.000 claims abstract description 33
- 238000004458 analytical method Methods 0.000 claims abstract description 28
- 238000013178 mathematical model Methods 0.000 claims abstract description 19
- 238000012423 maintenance Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000003745 diagnosis Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 239000000498 cooling water Substances 0.000 description 11
- 239000010705 motor oil Substances 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009429 electrical wiring Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02B—INTERNAL-COMBUSTION PISTON ENGINES; COMBUSTION ENGINES IN GENERAL
- F02B77/00—Component parts, details or accessories, not otherwise provided for
- F02B77/08—Safety, indicating, or supervising devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01M—LUBRICATING OF MACHINES OR ENGINES IN GENERAL; LUBRICATING INTERNAL COMBUSTION ENGINES; CRANKCASE VENTILATING
- F01M1/00—Pressure lubrication
- F01M1/18—Indicating or safety devices
- F01M1/20—Indicating or safety devices concerning lubricant pressure
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01M—LUBRICATING OF MACHINES OR ENGINES IN GENERAL; LUBRICATING INTERNAL COMBUSTION ENGINES; CRANKCASE VENTILATING
- F01M11/00—Component parts, details or accessories, not provided for in, or of interest apart from, groups F01M1/00 - F01M9/00
- F01M11/10—Indicating devices; Other safety devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01P—COOLING OF MACHINES OR ENGINES IN GENERAL; COOLING OF INTERNAL-COMBUSTION ENGINES
- F01P11/00—Component parts, details, or accessories not provided for in, or of interest apart from, groups F01P1/00 - F01P9/00
- F01P11/14—Indicating devices; Other safety devices
- F01P11/16—Indicating devices; Other safety devices concerning coolant temperature
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02B—INTERNAL-COMBUSTION PISTON ENGINES; COMBUSTION ENGINES IN GENERAL
- F02B77/00—Component parts, details or accessories, not otherwise provided for
- F02B77/08—Safety, indicating, or supervising devices
- F02B77/083—Safety, indicating, or supervising devices relating to maintenance, e.g. diagnostic device
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02B—INTERNAL-COMBUSTION PISTON ENGINES; COMBUSTION ENGINES IN GENERAL
- F02B77/00—Component parts, details or accessories, not otherwise provided for
- F02B77/08—Safety, indicating, or supervising devices
- F02B77/084—Safety, indicating, or supervising devices indicating economy
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种内燃机运行状态的监测及分析系统和方法,本方案首先采集内燃机运行状态的样本参数;接着,基于数学模型对采集到的样本参数进行迭代学习计算,得到模型参数的最小二乘估计和误差方差的估计;接着,基于智能计算模块计算形成的数据进行故障判断;接着,基于智能计算模块计算形成的数据进行劣化计算分析,为设备主动保养提供量化依据。本发明提供的方案采用多参数的方式监测内燃机工作状态,为内燃机状态监测、故障诊断以及劣化分析提供了可靠的依据,进而实现内燃机主动维护保养,实现设备全生命周期管理。
Description
技术领域
本发明涉及设备监测技术,具体涉及内燃机运行状态的监测技术。
背景技术
内燃机是一种被广泛使用的复杂的动力系统,其状态监测、故障诊断与劣化分析面临系统复杂、参数众多、物理模型难以建立、故障模拟实验成本高昂甚至难以实施等诸多难点。
例如,与冷却水温度相关的因素包括转速、功率、环境温度、散热器效率、风扇风速、冷却水位等等。
目前常见的内燃机状态监测设备主要包括监控仪、控制器、仪表盘、上位机、云端服务器等。作为举例,如此的监测设备在监测内燃机水温时,所采用的方案为将检测到的水温与预设的阈值(一个或两个)进行比较,如果超过阈值就报警(或停机)。如此方案没有考虑众多相关因素,如转速、功率、环境温度等的影响,不能反映内燃机的真实状态,因此不能作为状态监测和劣化分析的依据。
发明内容
针对现有内燃机状态监测方案所存在的问题,本发明的目的在于提供一种内燃机运行状态的监测及分析系统和方法,实现对内燃机状态精确监控和劣化分析。
为了达到上述目的,本发明提供的内燃机运行状态的监测及分析系统,包括:
样本采集模块,所述样本采集模块采集内燃机运行状态的样本参数;
智能计算模块,所述智能计算模块基于数学模型进行迭代学习计算,得到模型参数的最小二乘估计和误差方差的估计;
故障判断模块,所述故障判断模块基于智能计算模块计算形成的数据进行故障判断;
劣化分析模块,所述劣化分析模块基于智能计算模块计算形成的数据,进行劣化计算分析,为设备主动保养提供量化依据。
进一步地,所述样本采集模块对采集到的样本数据可进行样本筛选和计算。
进一步地,所述智能计算模块采用基于多元统计回归数学模型。
进一步地,所述智能计算模块基于多元统计回归数学模型进行迭代学习计算得到模型参数的最小二乘估计和误差方差的估计。
进一步地,所述故障判断模块采用计算样本偏离其期望值的标准差进行故障判断。
进一步地,所述劣化分析模块通过对监测指标实施低通滤波,剔除高频分量,以滤波后的指标来设备缓慢变化的趋势。
为了达到上述目的,本发明提供的内燃机运行状态的监测及分析方法,所述方法包括:
采集内燃机运行状态的样本参数;
基于数学模型对采集到的样本参数进行迭代学习计算,得到模型参数的最小二乘估计和误差方差的估计;
基于智能计算模块计算形成的数据进行故障判断;
基于智能计算模块计算形成的数据进行劣化计算分析,为设备主动保养提供量化依据。
进一步地,所述方法基于多元统计回归数学模型进行迭代学习计算得到模型参数的最小二乘估计和误差方差的估计。
进一步地,所述方法采用计算样本偏离其期望值的标准差进行故障判断。
进一步地,所述方法通过对监测指标实施低通滤波,剔除高频分量,以滤波后的指标来设备缓慢变化的趋势。
本发明提供的方案采用多参数的方式监测内燃机工作状态,为内燃机状态监测、故障诊断以及劣化分析提供了可靠的依据,进而实现内燃机主动维护保养,实现设备全生命周期管理。
本发明提供的方案适用于内燃机各种参数的监测,如包括冷却水温度、机油温度、机油压力、排气温度、油耗率、转速波动率、最大输出功率、蓄电池电压、起动时间、电压谐波含量等等,实用性强。
附图说明
以下结合附图和具体实施方式来进一步说明本发明。
图1为本发明方案实施的流程示例图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体图示,进一步阐述本发明。
本发明针对内燃机给出了基于多参数的内燃机状态监测、故障诊断和劣化分析方案。本方案对内燃机工作状态监测的实施过程中,针对监测对象,可将众多相关的可测量的因素排除,这里可采用多元统计回归分析方法来实现,针对剩下的量(这里的剩下的量指样本偏离其期望值的标准差)再作为状态监测、故障诊断和劣化分析的依据。
以内燃机冷却水温度为例,可将转速、功率、环境温度等测量的因素排除,将剩下的量再作为状态监测、故障诊断和劣化分析的依据。
再者,本方案还进一步采用迭代学习算法,大幅降低算法对系统存储空间和运算速度的要求。
本发明提供的方案适用于内燃机运行的各种参数的监测,包括机油温度、机油压力、排气温度、油耗率、转速波动率、最大输出功率、蓄电池电压、起动时间、电压谐波含量等。
据此,本发明提供一种内燃机运行状态的监测及分析系统,该系统主要由样本采集模块、智能计算模块、故障判断模块以及劣化分析模块相互配合构成。
这里的样本采集模块,用于采集内燃机运行状态的样本参数。
本样本采集模块采用机旁采集数据的模式来采集内燃机运行状态的样本参数。
作为举例,本样本采集模块进行机旁采集数据,并实现在机旁完成样本筛选和计算,最后将结果进行上传。
作为替代方案,本样本采集模块进行机旁采集数据,直接将采集到的原始数据进行上传,在后端完成样本筛选和计算。
本系统中的智能计算模块通过迭代学习算法估算模型参数和误差方差,由此对样本采集模块采集到的数据进行智能计算分析。
该智能计算模块基于多元统计回归数学模型进行迭代学习计算得到模型参数的最小二乘估计和误差方差的估计,实现最优估算。
本系统中的故障判断模块基于智能计算模块计算形成的数据进行故障判断。
作为优先,本故障判断模块基于智能计算模块形成的数据进行故障判断时,采用计算样本偏离其期望值的标准差,依次作为状态监测和故障判断的依据,准确性高,同时不需要做大量的故障模拟实验。
本系统中的劣化分析模块,基于智能计算模块计算形成的数据进行计算分析,为设备主动保养提供量化依据。
由于设备劣化过程是一个缓慢的过程,据此,本方案通过对监测指标进行低通滤波,由此剔除偶发因素引起的高频分量,使得滤波后的指标能够准确反应设备缓慢变化的趋势。
由此构成的内燃机运行状态的监测及分析系统,其通过构建的智能计算模块将众多相关的可测量因素联系起来,通过迭代学习算法估算模型参数和误差方差;在此基础上,将现场采集到的新样本通过该数学模型得到该样本的数学期望值和误差方差;而系统中的故障判断模块基于实际数值与期望值之间的标准差进行状态监测、故障诊断计算,完成相应的状态监测和故障诊断;同时系统中的劣化分析模块也基于实际数值与期望值之间的标准差对设备进行劣化分析计算,为设备主动保养提供量化依据。
下面以内燃机冷却水温度为例,说明一下本发明方案的实施过程。
1.构建数学模型
以某台特定的内燃机为例,考虑转速一定的情况下(如发电机组),稳态时冷却水温度通常与环境温度和发动机功率相关。考虑以下近似的多元统计回归数学模型,将未知函数按幂级数展开,这里展开到二次幂。具体如下:
其中x为冷却水温度;y1为发动机实际功率与额定功率百分比;y2为环境温度;ε为误差;a,b,c,d,e,f为待估参数。
式(1)写成矩阵形式:
x=β·Y+ε (2)
2.参数估计
这里针对上述式(2)中的β(包含a,b,c,d,e,f共6个参数),以及误差项ε的方差δ进行参数估计。作为优选,本方案基于最小二乘法的迭代学习算法来完成相应参数的最小二乘估计和误差方差的估计。
据此,假设已获取N个样本,表示为:XN=[x1,x2···xN],ZN=[Y1,Y2···YN],EN=[ε1,ε2···εN];
其中XN表示式(2)中N个x的集合,ZN表示式(2)中N个Y的集合,EN表示式(2)中N个ε(误差)的集合。
如此,将式(2)的N个样本的集合写成矩阵形式:
XN=β·ZN+EN (3)
误差平方和表示为(即所有N个样本误差项的平方和):
EN·EN T=(XN-β·ZN)·(XN-β·ZN)T (4)
取偏导数:
得到β的最小二乘估计:
β=XN·ZN T·(ZN·ZN T)-1 (6)。
基于偏导数为0,使得参数估计达到误差项平方和最小。
3.迭代学习算法
由于传统的统计学方法在得到所有样本后再计算各种统计量,如此造成,每个样本都要保留,将占用巨大的存储空间;同时每次计算都要把所有样本计算一遍,计算量巨大。
本实例摒弃这种方案,通过创新的迭代学习算法无需保留任何样本,仅保留数学模型中的相关参数和数量有限的一些中间变量,且每次计算仅对当前样本进行计算,占用的计算资源很少,容易在嵌入式系统中实现。
具体的,针对上述式(6)中XN·ZN T可以迭代累加,(ZN·ZN T)-1是矩阵求逆,不可迭代累加,但ZN·ZN T可以迭代累加。
据此,本实例将式(6)改造为:
方差的平方也可采用迭代算法:
4.监测指标
这里的监测指标为用来判断设备正常或故障的量化指标。
本实例中的监测指标优选采用为计算样本偏离其期望值的标准差。
定义统计量:
|γ|>1的概率为0.3174
|γ|>2的概率为0.0455
|γ|>3的概率为0.0027
|γ|>1.96的概率为0.05
|γ|>2.576的概率为0.01
如果选择阈值2.576,当|γ|>2.576时可以认为:在所有样本中,该样本异常的可能性大于99%的样本。
据此形成的监测指标在具体应用时,不需要大量的故障模拟实验,而这些故障模拟实验往往成本高昂甚至难以实现。
5.劣化分析
“趋势”指的是随着时间而缓慢变化的量,而“偶发”指突然发生的故障,在时间轴上具有突发性和偶然性。从数学角度看,“趋势”是低频分量,而“偶发”是高频分量。
据此,本实例设计一个数字滤波器,将“趋势”与“偶发”分离,即通过数字滤波器滤掉高频分量。如果需要预测未来故障发展情况,则可建立预测模型;如果只需要进行保养提醒,则低通滤波器即可。
具体的,本实例中的劣化分析指标定义为:
其中γk为异常指标(式15),M为滤波系数,Dk为本次迭代的劣化指标,Dk-1为上一次迭代的劣化指标。当Dk大于某个阈值时,可以认为内燃机散热系统已经“劣化”,需要维护保养了。
如此构成的劣化分析指标能够准确反应设备相关性能缓慢变化的“趋势”,可作为设备主动保养的量化依据。
基于上述的技术方案的准备,本实例针对内燃机运行时内燃机冷却水温度的监测及分析过程如下(参见图1):
(一)样本采集和筛选方面:
由于样本的有效性决定了计算结果的有效性。作为举例,这里假定为内燃机稳定工况,故对样本采集和筛选方法做以下约定。
A.内燃机额定转速工作60分钟以上;
B.10分钟内冷却水温度变化5度以内,且非趋势性变化;
C.10分钟内发动机功率变化10%以内,且非趋势性变化;
D.环境温度取点尽量靠近冷却风扇进气口,反映散热器进气温度;
E.满足A~D条件时,取5分钟内的均值作为样本值。
(二)迭代学习运算:
这里通过迭代学习运算得到了数学模型中的相关参数、误差方差、数量有限的中间变量以及用于状态监测的指标,并对这些数据进行保存的,以用于下一次迭代运算。
本实例中针对样本不需要永久保存,但是需要保存一些中间量。这些需要保存的量在100个左右,可保存到芯片的片上Flash里、外扩的EEPROM或PC机的文件里,下次上电启动时在读出来即可。
(三)状态监测,故障判断:
基于上述式(12)构成的方案,作为举例,这里取阈值2.576。
设定γ是式(12)中得到的监测指标,如果|γ|>2.576,则认为发动机水温异常,反之则认为发动机水温正常。
(四)低通滤波:
本实例基于式(13)所设计的低通数字滤波器,其为一个无限冲激响应(IIR)滤波器,滤波系数可调整。
如此,本实例设定相应的滤波常数,作为举例,这里的取值为50。式中的γk是式(12)中定义的诊断指标,为滤波器输入,Dk为滤波器输出。
如此来完成滤掉高频分量。
(五)劣化分析:
本实例基于式(13)构建的数学模型来完成劣化分析。设定D为式(13)中定义的劣化指标,对此,设定相应的阈值,作为举例,该阈值取值2.1;如此,当|D|>2.1时,认为发动机冷却水系统已劣化,需要保养或更换,反之正常。
由上可知,本实例方案针对冷却水温度,采用多参数的方式监测内燃机工作状态,为内燃机状态监测、故障诊断以及劣化分析提供了可靠的依据,进而实现内燃机主动维护保养,实现设备全生命周期管理。
这里需要说明的,本方案同样适用于内燃机其它参数的监测,包括机油温度、机油压力、排气温度、油耗率、转速波动率、最大输出功率、蓄电池电压、起动时间、电压谐波含量等等。
上述本发明的方法,或特定系统单元、或其部份单元,为纯软件架构,可以透过程序代码布设于实体媒体,如硬盘、光盘片、或是任何电子装置(如智能型手机、计算机可读取的储存媒体),当机器加载程序代码且执行(如智能型手机加载且执行),机器成为用以实行本发明的装置。上述本发明的方法与装置亦可以程序代码型态透过一些传送媒体,如电缆、光纤、或是任何传输型态进行传送,当程序代码被机器(如智能型手机)接收、加载且执行,机器成为用以实行本发明的装置。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.内燃机运行状态的监测及分析系统,其特征在于,包括:
样本采集模块,所述样本采集模块采集内燃机运行状态的样本参数;
智能计算模块,所述智能计算模块针对所述样本采集模块采集的样本参数基于数学模型进行迭代学习计算,得到模型参数的最小二乘估计和误差方差的估计,以进行最优估算;
故障判断模块,所述故障判断模块基于智能计算模块计算形成的数据进行故障判断;
劣化分析模块,所述劣化分析模块基于智能计算模块计算形成的数据,进行劣化计算分析,为设备主动保养提供量化依据;
所述监测及分析系统对内燃机工作状态监测分析时,针对监测对象,可将众多相关的可测量的因素排除,针对剩下的量再作为状态监测、故障诊断和劣化分析的依据,所述剩下的量指样本偏离其期望值的标准差;
所述监测及分析系统通过构建的智能计算模块将众多相关的可测量因素联系起来,通过迭代学习算法估算模型参数和误差方差;在此基础上,将现场采集到的新样本通过该数学模型得到该样本的数学期望值和误差方差;与此同时,系统中的故障判断模块基于实际数值与期望值之间的标准差进行状态监测、故障诊断计算,完成相应的状态监测和故障诊断;同时系统中的劣化分析模块也基于实际数值与期望值之间的标准差对设备进行劣化分析计算,为设备主动保养提供量化依据。
2.根据权利要求1所述的内燃机运行状态的监测及分析系统,其特征在于,所述样本采集模块对采集到的样本数据可进行样本筛选和计算。
3.根据权利要求1所述的内燃机运行状态的监测及分析系统,其特征在于,所述智能计算模块采用基于多元统计回归数学模型。
4.根据权利要求3所述的内燃机运行状态的监测及分析系统,其特征在于,所述智能计算模块基于多元统计回归数学模型进行迭代学习计算得到模型参数的最小二乘估计和误差方差的估计。
5.根据权利要求1所述的内燃机运行状态的监测及分析系统,其特征在于,所述故障判断模块采用计算样本偏离其期望值的标准差进行故障判断。
6.根据权利要求1所述的内燃机运行状态的监测及分析系统,其特征在于,所述劣化分析模块通过对监测指标实施低通滤波,剔除高频分量,以滤波后的指标来反应设备缓慢变化的趋势。
7.内燃机运行状态的监测及分析方法,其特征在于,所述方法基于权利要求1-6中任一项所述的内燃机运行状态的监测及分析系统,包括:
采集内燃机运行状态的样本参数;
针对采集到的样本参数基于数学模型对采集到的样本参数进行迭代学习计算,得到模型参数的最小二乘估计和误差方差的估计,以进行最优估算;
基于智能计算模块计算形成的数据进行故障判断;
基于智能计算模块计算形成的数据进行劣化计算分析,为设备主动保养提供量化依据。
8.根据权利要求7所述的内燃机运行状态的监测及分析方法,其特征在于,所述方法基于多元统计回归数学模型进行迭代学习计算得到模型参数的最小二乘估计和误差方差的估计。
9.根据权利要求7所述的内燃机运行状态的监测及分析方法,其特征在于,所述方法采用计算样本偏离其期望值的标准差进行故障判断。
10.根据权利要求7所述的内燃机运行状态的监测及分析方法,其特征在于,所述方法通过对监测指标实施低通滤波,剔除高频分量,以滤波后的指标来反应设备缓慢变化的趋势。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011445224.5A CN112610330B (zh) | 2020-12-08 | 2020-12-08 | 一种内燃机运行状态的监测及分析系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011445224.5A CN112610330B (zh) | 2020-12-08 | 2020-12-08 | 一种内燃机运行状态的监测及分析系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112610330A CN112610330A (zh) | 2021-04-06 |
CN112610330B true CN112610330B (zh) | 2023-05-09 |
Family
ID=75232859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011445224.5A Active CN112610330B (zh) | 2020-12-08 | 2020-12-08 | 一种内燃机运行状态的监测及分析系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112610330B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003315211A (ja) * | 2002-04-17 | 2003-11-06 | Tokyo Gas Co Ltd | 機器の劣化を検出する方法 |
CN103472820A (zh) * | 2013-09-18 | 2013-12-25 | 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 |
CN106368816A (zh) * | 2016-10-27 | 2017-02-01 | 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 |
CN109211548A (zh) * | 2018-08-31 | 2019-01-15 | 沃德传动(天津)股份有限公司 | 一种机械故障诊断方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4852560B2 (ja) * | 2008-02-29 | 2012-01-11 | 本田技研工業株式会社 | 制御対象の応答性の劣化を検出するための装置 |
US8898040B2 (en) * | 2009-09-03 | 2014-11-25 | Adaptics, Inc. | Method and system for empirical modeling of time-varying, parameter-varying, and nonlinear systems via iterative linear subspace computation |
CN102705078B (zh) * | 2012-04-19 | 2013-11-20 | 哈尔滨工程大学 | 基于灰色模型的柴油机故障预测方法 |
CN108803520B (zh) * | 2018-06-11 | 2020-06-16 | 宁波大学 | 一种基于变量非线性自相关性剔除的动态过程监测方法 |
CN110045719B (zh) * | 2019-04-30 | 2022-07-01 | 孚创动力控制技术(启东)有限公司 | 一种远程故障诊断方法 |
CN111159844B (zh) * | 2019-12-02 | 2022-12-06 | 中国电建集团江西省电力设计院有限公司 | 一种电站燃气轮机排气温度的异常检测方法 |
-
2020
- 2020-12-08 CN CN202011445224.5A patent/CN112610330B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003315211A (ja) * | 2002-04-17 | 2003-11-06 | Tokyo Gas Co Ltd | 機器の劣化を検出する方法 |
CN103472820A (zh) * | 2013-09-18 | 2013-12-25 | 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 |
CN106368816A (zh) * | 2016-10-27 | 2017-02-01 | 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 |
CN109211548A (zh) * | 2018-08-31 | 2019-01-15 | 沃德传动(天津)股份有限公司 | 一种机械故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112610330A (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103310051B (zh) | 一种全寿命周期内的车载信息终端故障率预测方法 | |
CN107796609B (zh) | 一种基于dbn模型的冷水机组故障诊断方法 | |
CN111669123B (zh) | 用于对光伏组串进行故障诊断的方法和装置 | |
CN102542155A (zh) | 基于加速退化数据的粒子滤波剩余寿命预测方法 | |
CN110689141B (zh) | 风力发电机组的故障诊断方法及设备 | |
KR101223898B1 (ko) | 태양광 발전모듈의 고장 진단 및 예지 방법 | |
CN114036656B (zh) | 风电机组齿轮箱的故障诊断方法及装置 | |
CN114645844B (zh) | 确定空压站的流量状态的方法、计算设备和计算机介质 | |
CN116345700A (zh) | 一种用于储能电站的能耗监测方法及监测系统 | |
CN112308391A (zh) | 一种基于神经网络的设备状态实时监测与异常探测方法 | |
CN116629136A (zh) | 数字孪生模型的更新方法、装置、设备及存储介质 | |
CN115859791A (zh) | 一种航空发动机剩余寿命预估方法和装置 | |
CN112610330B (zh) | 一种内燃机运行状态的监测及分析系统和方法 | |
CN110928248A (zh) | 一种确定燃气轮机性能劣化程度的方法 | |
CN111259338B (zh) | 元器件失效率修正方法、装置、计算机设备及存储介质 | |
CN115774847B (zh) | 一种柴油机性能评估及预测方法和系统 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN114091894A (zh) | 柴油机多源信息监控与自适应健康度评估装置及评估方法 | |
CN113191410A (zh) | 一种线性电源使用寿命预测的方法、系统及存储介质 | |
CN113075547A (zh) | 电机数据的采集方法及系统 | |
CN113448301A (zh) | 基于obd系统的故障诊断方法及系统 | |
CN117807718B (zh) | 一种基于失效概率预测的航空发动机维护决策设计方法 | |
CN117970128B (zh) | 一种实时反馈控制的电池综合实验调试方法及系统 | |
CN117435964B (zh) | 基于数据诊断仪的设备状态评估方法及系统 | |
CN117976948B (zh) | 一种小型风冷氢燃料电池运行监测方法与系统 |
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 |