CN112906969A - 发动机故障预测方法、装置、电子设备及存储介质 - Google Patents
发动机故障预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112906969A CN112906969A CN202110226538.4A CN202110226538A CN112906969A CN 112906969 A CN112906969 A CN 112906969A CN 202110226538 A CN202110226538 A CN 202110226538A CN 112906969 A CN112906969 A CN 112906969A
- Authority
- CN
- China
- Prior art keywords
- engine
- fault prediction
- fault
- parameter
- state parameter
- 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 58
- 238000001514 detection method Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000007477 logistic regression Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 10
- 230000000306 recurrent effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 abstract description 25
- 238000004364 calculation method Methods 0.000 description 7
- 238000007500 overflow downdraw method Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000002485 combustion reaction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000002826 coolant Substances 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 230000002035 prolonged effect Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000010687 lubricating oil Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 241000288105 Grus Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000000110 cooling liquid Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种发动机故障预测方法、装置、电子设备及存储介质,其中方法包括:获取待预测发动机的当前时刻状态参数;将所述当前时刻状态参数输入至故障预测模型,得到所述故障预测模型输出的下一时刻故障预测结果;其中,所述故障预测模型是基于所述待预测发动机的各个样本时刻状态参数,以及各个样本时刻故障检测结果训练得到的。本发明提供的方法、装置、电子设备及存储介质,使得工程技术人员可以提前了解发动机的运行状态以及可能发生的故障类型,合理安排发动机的作业工期和维修计划,以便及时对发动机进行检修和维护,提升了发动机的故障处理效率,同时减少了维修成本,延长了发动机的使用寿命。
Description
技术领域
本发明涉及机械工程技术领域,尤其涉及一种发动机故障预测方法、装置、电子设备及存储介质。
背景技术
在作业机械中,发动机属于核心部件。随着作业机械在市场上的保有量越来越大,传统以预防为主的发动机定期维修无法有效处理潜在或突发的异常故障,也会产生诸多不必要的拆卸和安装,造成过高的设备维护费用和额外的磨合损耗,甚至导致新的故障发生。
现有技术中,通常采用振动信号对发动机进行故障预测,振动信号体现的都是在发动机已经发生故障之后的状态,只能用于事后维修,无法实现事前预警,从而错过故障排除的有利时机。
发明内容
本发明提供一种发动机故障预测方法、装置、电子设备及存储介质,用以解决现有技术中对发动机采用事后维修或者定期维修,无法实现事前预警的技术问题。
本发明提供一种发动机故障预测方法,包括:
获取待预测发动机的当前时刻状态参数;
将所述当前时刻状态参数输入至故障预测模型,得到所述故障预测模型输出的下一时刻故障预测结果;
其中,所述故障预测模型是基于所述待预测发动机的各个样本时刻状态参数,以及各个样本时刻故障检测结果训练得到的。
根据本发明提供的一种发动机故障预测方法,所述将所述当前时刻状态参数输入至故障预测模型,得到所述故障预测模型输出的下一时刻故障预测结果,包括:
将所述当前时刻状态参数输入至所述故障预测模型的特征提取层,由所述特征提取层基于所述当前时刻状态参数和上一时刻状态特征确定当前时刻状态特征;
将所述当前时刻状态特征输入至所述故障预测模型的结果输出层,由所述结果输出层基于所述当前时刻状态特征确定所述下一时刻故障预测结果。
根据本发明提供的一种发动机故障预测方法,所述特征提取层为循环神经网络模型,所述结果输出层为逻辑回归模型。
根据本发明提供的一种发动机故障预测方法,所述故障预测结果包括多个故障预测类型的发生概率。
根据本发明提供的一种发动机故障预测方法,所述待预测发动机的状态参数的参数类型是基于如下步骤确定的:
确定多个参数类型;
基于每一参数类型的历史状态参数与故障检测结果之间的关联性,确定所述状态参数的参数类型。
根据本发明提供的一种发动机故障预测方法,所述确定所述状态参数的参数类型,之后包括:
若所述状态参数的数据类型为离散型,则对所述状态参数进行独热编码;
若所述状态参数的数据类型为连续型,则对所述状态参数进行归一化处理。
根据本发明提供的一种发动机故障预测方法,所述获取待预测发动机的当前时刻状态参数,包括:
基于5G通信网络,获取所述待预测发动机的当前时刻状态参数。
本发明还提供一种发动机故障预测装置,包括:
获取单元,用于获取待预测发动机的当前时刻状态参数;
预测单元,用于将所述当前时刻状态参数输入至故障预测模型,得到所述故障预测模型输出的下一时刻故障预测结果;
其中,所述故障预测模型是基于所述待预测发动机的各个样本时刻状态参数,以及各个样本时刻故障检测结果训练得到的。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述发动机故障预测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述发动机故障预测方法的步骤。
本发明提供的发动机故障预测方法、装置、电子设备及存储介质,根据待预测发动机的各个样本时刻状态参数,以及各个样本时刻故障检测结果训练得到故障预测模型,故障预测模型可以根据待预测发动机的当前时刻状态参数,确定下一时刻故障预测结果,使得工程技术人员可以提前了解发动机的运行状态以及可能发生的故障类型,合理安排发动机的作业工期和维修计划,以便及时对发动机进行检修和维护,提升了发动机的故障处理效率,同时减少了维修成本,延长了发动机的使用寿命。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有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是本发明提供的发动机故障预测方法的流程示意图之一;
图2是本发明提供的发动机故障预测方法的流程示意图之二;
图3是本发明提供的发动机故障预测装置的结构示意图;
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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作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。
发动机是一种能够把其它形式的能转化为机械能的机器,包括如内燃机、外燃机、电动机等。例如,内燃机通常是把化学能转化为机械能。发动机既可以狭义地理解为动力发生装置,例如,汽油发动机;也可以广义地理解为包括动力发生装置的整个动力系统,例如,汽油发动机及其附属的仪表监测系统。
目前,作业机械的发动机通常采用事后维修或者定期维修。维修人员无法有效地提前应对发动机发生的故障,越来越不满足客户迫切的施工要求。
针对现有技术的不足,本发明提供一种发动机故障预测方法,下面以作业机械的发动机为例进行说明。图1是本发明提供的发动机故障预测方法的流程示意图之一,如图1所示,该方法包括:
步骤110,获取待预测发动机的当前时刻状态参数。
具体地,状态参数用于表征发动机当前的运行状态。例如,当发动机为内燃机时,状态参数可以为发动机某一时刻的档位、进气温度、排气温度、冷却液温度、转速、润滑油温度、地理信息、工作时间和发动机状态等;当发动机为电动机时,状态参数可以为发动机某一时刻的档位、转速、工作电压、工作电流和发动机状态等。发动机状态为发动机的运行状态,例如,可以为正常状态或者故障状态。
状态参数与发动机的实时运行状态密切相关。当发动机处于正常状态时,其状态参数在正常数值范围内波动,当发动机处于故障状态时,其状态参数可能超越正常数值范围。
步骤120,将当前时刻状态参数输入至故障预测模型,得到故障预测模型输出的下一时刻故障预测结果;其中,故障预测模型是基于待预测发动机的各个样本时刻状态参数,以及各个样本时刻故障检测结果训练得到的。
具体地,故障预测结果可以为发动机可能出现的故障类型,例如对于内燃机,可能出现的故障类型为油管堵塞、发动机抖动、冷却液温度高、发动机异响和发动机熄火等。一般地,每一种故障类型对应的状态参数都是完全不同的。
可以将当前时刻状态参数输入至故障预测模型,对发动机下一时刻可能出现的故障类型进行预测,得到下一时刻故障预测结果。故障预测结果用于指示发动机可能出现的故障类型,可以为发动机的维修和保养提供参考依据。根据下一时刻故障预测结果,可以提前安排维修,避免发动机发生故障后被动进行维修,影响工程进度。
例如,对于待预测发动机,根据当前时刻状态参数,确定发动机下一时刻故障预测结果为冷却液温度高。当前时刻和下一时刻的时间间隔为6小时。则工程技术人员可以根据下一时刻故障预测结果提前准备维修材料,安排维修计划,例如只对冷却液进行更换,避免传统方法中发生事故后才进行检修,以及为查找原因可能造成发动机的不必要拆卸,降低维修成本。
当前时刻和下一时刻的时间间隔可以根据实际情况进行设置,例如1小时或者1天,本发明实施例对此不作具体限定。
可以预先训练得到故障预测模型,具体可以通过如下训练方式得到故障预测模型:首先,收集待预测发动机的各个样本时刻状态参数,其次,确定各个样本时刻故障检测结果。故障检测结果为对发动机进行检测得到的真实故障类型。随即,根据各个样本时刻状态参数,以及各个样本时刻故障检测结果对初始模型进行训练,以提高初始模型对于发动机的故障类型的预测能力,得到故障预测模型。
初始模型可以选择循环神经网络(Recurrent Neural Network,RNN)等,本发明实施例对于初始模型的选择不作具体限定。
还可以采用统计学方法,对待预测发动机的各个样本时刻状态参数,以及各个样本时刻故障检测结果进行统计,得到故障预测模型,统计学方法包括感知机、k近邻法、朴素贝叶斯法、决策树和支持向量机等方法。
还可以采用模型融合的方法得到故障预测模型。可以根据待预测发动机的故障检测结果进行分类,将相同故障检测结果的样本时刻状态参数划分为同一类,对初始模型进行训练后得到该故障检测结果对应的故障预测子模型。按照上述方法,可以训练得到多个故障检测结果对应的故障预测子模型。然后对多个故障预测子模型进行融合后,得到故障预测模型。
模型融合为训练多个模型,按照一定的方法对多个模型进行融合成一个模型。模型融合的方法包括线性加权融合法、交叉融合法、瀑布融合法、特征融合法和预测融合法等。
融合后的故障预测模型,能够充分地利用各个故障预测子模型的优点,提高故障预测模型对不同故障类型的状态参数的分析能力,提高故障预测模型的整体性能和适用性。
本发明实施例提供的发动机故障预测方法,根据待预测发动机的各个样本时刻状态参数,以及各个样本时刻故障检测结果训练得到故障预测模型,故障预测模型可以根据待预测发动机的当前时刻状态参数,确定下一时刻故障预测结果,使得工程技术人员可以提前了解发动机的运行状态以及可能发生的故障类型,合理安排发动机的作业工期和维修计划,以便及时对发动机进行检修和维护,提升了发动机的故障处理效率,同时减少了维修成本,延长了发动机的使用寿命。
基于上述实施例,步骤120包括:
将当前时刻状态参数输入至故障预测模型的特征提取层,由特征提取层基于当前时刻状态参数和上一时刻状态特征确定当前时刻状态特征;
将当前时刻状态特征输入至故障预测模型的结果输出层,由结果输出层基于当前时刻状态特征确定下一时刻故障预测结果。
具体地,故障预测模型可以包括特征提取层和结果输出层。特征提取层用于根据当前时刻状态参数和上一时刻状态特征确定当前时刻状态特征。状态特征用于描述状态参数体现的变化特征。例如,状态特征可以为时序特征,即状态参数随时间变化的幅度、频率和变化率等。
结果输出层用于根据当前时刻状态特征确定下一时刻故障预测结果。例如,结果输出层可以为分类器,该分类器根据当前时刻状态特征进行计算下一时刻可能出现的故障类型的概率,并将概率最大的故障类型作为下一时刻故障预测结果。
结果输出层可以为决策树模型、逻辑回归模型、朴素贝叶斯模型、神经网络模型等。
本发明实施例提供的发动机故障预测方法,故障预测模型中的特征提取层对当前时刻状态参数的状态特征进行提取,结果输出层根据提取得到的状态特征进行分析得到下一时刻故障预测结果,实现了对发动机的实时状态数据和历史状态数据进行分析,避免了对瞬时数据进行分析得到虚假故障,提高了故障预测结果的准确性。
基于上述任一实施例,特征提取层为循环神经网络模型,结果输出层为逻辑回归模型。
具体地,循环神经网络是一类以序列数据为输入,在序列的演进方向进行递归且所有节点按链式连接的递归神经网络。
在本发明实施例中,特征提取层可以选择循环神经网络模型,例如,特征提取层可以为长短期记忆网络(LSTM,Long Short-Term Memory)。LSTM是一种时间循环神经网络,是为了解决一般的循环神经网络存在的长期依赖问题而专门设计出来的。又例如,特征提取层可以为门控循环单元(Gated Recurrent Unit,GRU)。GRU是另一种基于门控制的循环神经网络,GRU的网络结构相比LSTM要简单一些。相比LSTM,使用GRU能够达到相当的效果,并且相比之下更容易进行训练,能够很大程度上提高训练效率。
逻辑回归模型(Logistic Regression,LR)是一种广义的线性回归分析模型,在线性回归的基础上套用了一个逻辑函数。逻辑回归模型具有训练速度较快的优点,进行分类的时候,计算量只和特征的数目相关。此外,逻辑回归模型的可解释性非常好,从特征的权重可以看到不同的特征对最后结果的影响。
在本发明实施例中,结果输出层可以选用逻辑回归模型,能够对故障预测模型输出的下一时刻故障预测结果进行准确分类,提高故障预测结果的准确度。
基于上述任一实施例,故障预测结果包括多个故障预测类型的发生概率。
具体地,故障预测结果可以包括多个故障预测类型,以及每一故障类型的发生概率。当工程技术人员获知故障预测模型输出的故障预测结果时,可以根据每一故障类型的发生概率,提前准备相应的维修材料,安排维修计划,避免传统方法中发生事故后才进行检修,以及为查找原因可能造成发动机的不必要拆卸,降低维修成本。
基于上述任一实施例,待预测发动机的状态参数的参数类型是基于如下步骤确定的:
确定多个参数类型;
基于每一参数类型的历史状态参数与故障检测结果之间的关联性,确定状态参数的参数类型。
具体地,参数类型是指状态参数的种类。状态参数为参数类型的具体数值。例如,状态参数的参数类型可以为发动机的挡位,则相应的状态参数为1档、2档或者3档。
对发动机进行检测得到的回传数据中存在多种参数类型。例如,档位、进气温度、排气温度、冷却液温度、转速、润滑油温度、地理信息、工作时间和发动机状态等。当发动机出现故障时,往往体现在多个参数类型的状态参数出现数值变化。其中,某些参数类型与发动机的故障检测结果存在较高的相关性。例如,当发动机的故障检测结果为发动机抖动时,转速与该故障检测结果的相关性较高,而相比之下,地理信息与该故障检测结果的相关性较低。
如果将所有参数类型的状态参数作为样本数据输入至故障预测模型,则可能导致故障预测模型无法对与故障检测结果存在较高的相关性的有效信息进行学习和分析,而且增加了故障预测模型的数据运算量和算法复杂度,使得故障预测模型的运算效率降低,且准确度变差。
因此,可以根据每一参数类型的历史状态参数与故障检测结果之间的关联性,对回传数据中存在多种参数类型进行筛选,确定最终输入至故障预测模型的状态参数的参数类型。
每一参数类型的历史状态参数与故障检测结果之间的关联性的分析方法可以采用主成分分析(Principal Component Analysis,PCA)、概率统计学方法、皮尔森相关系数法、欧几里得距离分析法、多元回归分析法、决策树分析法、注意力机制等。例如,采用主成分分析方法,对每一参数类型的历史状态参数与故障检测结果之间的关联性进行分析,若关联性小于预设阈值,例如,关联性小于0.4,则该参数类型的历史状态参数与故障检测结果之间关联性较差,可以认为该参数类型的历史状态参数与故障检测结果无关。若关联性大于等于预设阈值,则该参数类型的历史状态参数与故障检测结果之间关联性较高,可以认为该参数类型的历史状态参数与故障检测结果相关。该参数类型的历史状态参数应当作为样本输入对初始模型进行训练得到故障预测模型。
本发明实施例提供的发动机故障预测方法,通过每一参数类型的历史状态参数与故障检测结果之间的关联性,确定状态参数的参数类型,减小了故障预测模型的数据运算量和算法复杂度,提高了故障预测模型的运算效率和准确度。
基于上述任一实施例,确定状态参数的参数类型,之后包括:
若状态参数的数据类型为离散型,则对状态参数进行独热编码;
若状态参数的数据类型为连续型,则对状态参数进行归一化处理。
具体地,状态参数的数据类型可以分为离散型和连续型。离散型状态参数是指数值只能用自然数或整数单位计算的数据,例如:档位只能用1挡、2挡、3挡等自然数计算。与离散型状态参数对应的连续型状态参数,不是单独的自然数或整数的数字,而是包含若干位小数且取值密集的数据,例如:进气温度可以用0~100℃中的任意数字表示。
为了便于对状态参数进行特征提取,可以根据状态参数的数据类型,对状态参数进行预处理。
在回归、分类和聚类等机器学习算法中,特征之间距离的计算或相似度的计算是非常重要的,而常用的距离或相似度的计算都是在欧式空间的相似度计算,例如计算余弦相似性,基于的就是欧式空间。
当状态参数的数据类型为离散型时,则可以对状态参数进行独热编码(one-hot编码),将离散型状态参数的运算扩展到欧式空间。离散特征的某个取值就对应欧式空间的某个点。离散型数据进行独热编码后,每一维度的特征都可以看作是连续的特征,便于机器学习算法进行特征学习和数据分析。
不同参数类型的状态参数往往具有不同的量纲和量纲单位,这样的情况会影响到数据分析的结果,为了消除状态参数之间的量纲影响,需要进行数据归一化处理,以解决状态参数之间的可比性,消除奇异样本数据导致的不良影响。原始状态参数经过数据归一化处理后,各状态参数处于同一数量级,适合进行综合对比评价。
对于连续型状态参数,可以进行归一化处理。状态参数经过数据归一化处理后,能够对发动机故障进行分析预测。归一化的方法包括离差法和Z分数法,本发明实施例对于数据归一化的方法不作具体限定。
基于上述任一实施例,步骤110包括:
基于5G通信网络,获取待预测发动机的当前时刻状态参数。
具体地,5G(5th generation mobile networks)通信网络是数字蜂窝网络,数据传输速率远远高于以前的蜂窝网络,最高可达10Gbit/s,比当前的有线互联网要快,比4GLTE通信网络快100倍。5G通信网络的另一个优点是较低的网络延迟,低于1毫秒,而4G LTE通信网络为30-70毫秒。
可以在待预测发动机设置5G通信模块,用于回传待预测发动机的当前时刻状态参数,提高了数据的实时性。
基于上述任一实施例,图2是本发明提供的发动机故障预测方法的流程示意图之二,如图2所示,该方法包括:
首先,获取T时刻作业机械回传的发动机的状态参数,并对状态参数进行数据分析与处理,具体包括:对离散型数据进行独热编码,对连续型数据进行归一化处理。
接着,将数据处理后的状态参数输入故障预测模型,得到故障预测模型输出的T+n时刻的发动机故障预测值。
随即,根据输出的发动机故障预测值,判断发动机故障的可能性,若判断发动机存在故障,则进行预警提示;若否,则发动机正常运行。
基于上述任一实施例,图3是本发明提供的发动机故障预测装置的结构示意图,如图3所示,该装置包括:
获取单元310,用于获取待预测发动机的当前时刻状态参数;
预测单元320,用于将当前时刻状态参数输入至故障预测模型,得到故障预测模型输出的下一时刻故障预测结果;其中,故障预测模型是基于待预测发动机的各个样本时刻状态参数,以及各个样本时刻故障检测结果训练得到的。
具体地,获取单元310用于获取待预测发动机的当前时刻状态参数。预测单元320用于将当前时刻状态参数输入至故障预测模型,得到故障预测模型输出的下一时刻故障预测结果。
本发明实施例提供的发动机故障预测装置,根据待预测发动机的各个样本时刻状态参数,以及各个样本时刻故障检测结果训练得到故障预测模型,故障预测模型可以根据待预测发动机的当前时刻状态参数,确定下一时刻故障预测结果,使得工程技术人员可以提前了解发动机的运行状态以及可能发生的故障类型,合理安排发动机的作业工期和维修计划,以便及时对发动机进行检修和维护,提升了发动机的故障处理效率,同时减少了维修成本,延长了发动机的使用寿命。
基于上述任一实施例,预测单元320包括:
特征提取子单元,用于将当前时刻状态参数输入至故障预测模型的特征提取层,由特征提取层基于当前时刻状态参数和上一时刻状态特征确定当前时刻状态特征;
结果输出子单元,用于将当前时刻状态特征输入至故障预测模型的结果输出层,由结果输出层基于当前时刻状态特征确定下一时刻故障预测结果。
基于上述任一实施例,特征提取层为循环神经网络模型,结果输出层为逻辑回归模型。
基于上述任一实施例,故障预测结果包括多个故障预测类型的发生概率。
基于上述任一实施例,该装置还包括:
参数类型确定单元,用于确定多个参数类型,基于每一参数类型的历史状态参数与故障检测结果之间的关联性,确定状态参数的参数类型
基于上述任一实施例,该装置还包括:
离散型参数预处理单元,用于若状态参数的数据类型为离散型,则对状态参数进行独热编码;
连续型参数预处理单元,用于若状态参数的数据类型为连续型,则对状态参数进行归一化处理。
基于上述任一实施例,获取单元310用于:
基于5G通信网络,获取待预测发动机的当前时刻状态参数。
基于上述任一实施例,图4为本发明提供的电子设备的结构示意图,如图4所示,该电子设备可以包括:处理器(Processor)410、通信接口(Communications Interface)420、存储器(Memory)430和通信总线(Communications Bus)440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑命令,以执行如下方法:
获取待预测发动机的当前时刻状态参数;将当前时刻状态参数输入至故障预测模型,得到故障预测模型输出的下一时刻故障预测结果;其中,故障预测模型是基于待预测发动机的各个样本时刻状态参数,以及各个样本时刻故障检测结果训练得到的。
此外,上述的存储器430中的逻辑命令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干命令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例提供的电子设备中的处理器可以调用存储器中的逻辑指令,实现上述方法,其具体的实施方式与前述方法实施方式一致,且可以达到相同的有益效果,此处不再赘述。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的方法,例如包括:
获取待预测发动机的当前时刻状态参数;将当前时刻状态参数输入至故障预测模型,得到故障预测模型输出的下一时刻故障预测结果;其中,故障预测模型是基于待预测发动机的各个样本时刻状态参数,以及各个样本时刻故障检测结果训练得到的。
本发明实施例提供的非暂态计算机可读存储介质上存储的计算机程序被执行时,实现上述方法,其具体的实施方式与前述方法实施方式一致,且可以达到相同的有益效果,此处不再赘述。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干命令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种发动机故障预测方法,其特征在于,包括:
获取待预测发动机的当前时刻状态参数;
将所述当前时刻状态参数输入至故障预测模型,得到所述故障预测模型输出的下一时刻故障预测结果;
其中,所述故障预测模型是基于所述待预测发动机的各个样本时刻状态参数,以及各个样本时刻故障检测结果训练得到的。
2.根据权利要求1所述的发动机故障预测方法,其特征在于,所述将所述当前时刻状态参数输入至故障预测模型,得到所述故障预测模型输出的下一时刻故障预测结果,包括:
将所述当前时刻状态参数输入至所述故障预测模型的特征提取层,由所述特征提取层基于所述当前时刻状态参数和上一时刻状态特征确定当前时刻状态特征;
将所述当前时刻状态特征输入至所述故障预测模型的结果输出层,由所述结果输出层基于所述当前时刻状态特征确定所述下一时刻故障预测结果。
3.根据权利要求2所述的发动机故障预测方法,其特征在于,所述特征提取层为循环神经网络模型,所述结果输出层为逻辑回归模型。
4.根据权利要求1所述的发动机故障预测方法,其特征在于,所述故障预测结果包括多个故障预测类型的发生概率。
5.根据权利要求1至4任一项所述的发动机故障预测方法,其特征在于,所述待预测发动机的状态参数的参数类型是基于如下步骤确定的:
确定多个参数类型;
基于每一参数类型的历史状态参数与故障检测结果之间的关联性,确定所述状态参数的参数类型。
6.根据权利要求5所述的发动机故障预测方法,其特征在于,所述确定所述状态参数的参数类型,之后包括:
若所述状态参数的数据类型为离散型,则对所述状态参数进行独热编码;
若所述状态参数的数据类型为连续型,则对所述状态参数进行归一化处理。
7.根据权利要求1至4任一项所述的发动机故障预测方法,其特征在于,所述获取待预测发动机的当前时刻状态参数,包括:
基于5G通信网络,获取所述待预测发动机的当前时刻状态参数。
8.一种发动机故障预测装置,其特征在于,包括:
获取单元,用于获取待预测发动机的当前时刻状态参数;
预测单元,用于将所述当前时刻状态参数输入至故障预测模型,得到所述故障预测模型输出的下一时刻故障预测结果;
其中,所述故障预测模型是基于所述待预测发动机的各个样本时刻状态参数,以及各个样本时刻故障检测结果训练得到的。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述发动机故障预测方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述发动机故障预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110226538.4A CN112906969B (zh) | 2021-03-01 | 2021-03-01 | 发动机故障预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110226538.4A CN112906969B (zh) | 2021-03-01 | 2021-03-01 | 发动机故障预测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112906969A true CN112906969A (zh) | 2021-06-04 |
CN112906969B CN112906969B (zh) | 2024-06-14 |
Family
ID=76107280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110226538.4A Active CN112906969B (zh) | 2021-03-01 | 2021-03-01 | 发动机故障预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906969B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113341928A (zh) * | 2021-06-15 | 2021-09-03 | 珠海格力电器股份有限公司 | 一种设备机组故障判定方法、装置、存储介质及控制终端 |
CN113377595A (zh) * | 2021-06-11 | 2021-09-10 | 上海壁仞智能科技有限公司 | 故障诊断方法、装置、电子设备和存储介质 |
CN113660137A (zh) * | 2021-08-13 | 2021-11-16 | 杭州安恒信息技术股份有限公司 | 车载网络故障检测方法、装置、可读存储介质及电子设备 |
CN114418239A (zh) * | 2022-02-18 | 2022-04-29 | 盛景智能科技(嘉兴)有限公司 | 憋车故障预测方法、装置及作业机械 |
CN115509789A (zh) * | 2022-09-30 | 2022-12-23 | 中国科学院重庆绿色智能技术研究院 | 一种基于组件调用分析的计算系统故障预测方法和系统 |
CN115689071A (zh) * | 2023-01-03 | 2023-02-03 | 南京工大金泓能源科技有限公司 | 一种基于关联参数挖掘的设备故障融合预测方法及系统 |
WO2024027284A1 (zh) * | 2022-08-02 | 2024-02-08 | 上海三一重机股份有限公司 | 行走跑偏预测方法、装置及作业机械 |
CN117932486A (zh) * | 2023-12-22 | 2024-04-26 | 北京中科科仪股份有限公司 | 检漏设备工作状态的预测方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108508863A (zh) * | 2017-10-12 | 2018-09-07 | 上海智容睿盛智能科技有限公司 | 一种基于灰色模型的机电设备故障诊断方法 |
WO2019169743A1 (zh) * | 2018-03-09 | 2019-09-12 | 网宿科技股份有限公司 | 一种服务器故障的检测方法及系统 |
CN110826600A (zh) * | 2019-10-18 | 2020-02-21 | 北京航空航天大学 | 基于自适应共振网络在线增量学习的发动机喘振预测方法 |
CN110987166A (zh) * | 2019-12-17 | 2020-04-10 | 北京昊鹏智能技术有限公司 | 旋转机械健康状态的预测方法、装置、设备及存储介质 |
CN111046550A (zh) * | 2019-12-10 | 2020-04-21 | 电子科技大学 | 一种基于时空特征的燃料电池电压预测系统 |
CN111598322A (zh) * | 2020-05-09 | 2020-08-28 | 东软医疗系统股份有限公司 | 医疗设备故障预测方法、装置、介质及电子设备 |
-
2021
- 2021-03-01 CN CN202110226538.4A patent/CN112906969B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108508863A (zh) * | 2017-10-12 | 2018-09-07 | 上海智容睿盛智能科技有限公司 | 一种基于灰色模型的机电设备故障诊断方法 |
WO2019169743A1 (zh) * | 2018-03-09 | 2019-09-12 | 网宿科技股份有限公司 | 一种服务器故障的检测方法及系统 |
CN110826600A (zh) * | 2019-10-18 | 2020-02-21 | 北京航空航天大学 | 基于自适应共振网络在线增量学习的发动机喘振预测方法 |
CN111046550A (zh) * | 2019-12-10 | 2020-04-21 | 电子科技大学 | 一种基于时空特征的燃料电池电压预测系统 |
CN110987166A (zh) * | 2019-12-17 | 2020-04-10 | 北京昊鹏智能技术有限公司 | 旋转机械健康状态的预测方法、装置、设备及存储介质 |
CN111598322A (zh) * | 2020-05-09 | 2020-08-28 | 东软医疗系统股份有限公司 | 医疗设备故障预测方法、装置、介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
彭喜元,彭宇,刘大同著: "数据驱动的故障预测", 31 March 2016, 哈尔滨工业大学出版社, pages: 233 - 236 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113377595A (zh) * | 2021-06-11 | 2021-09-10 | 上海壁仞智能科技有限公司 | 故障诊断方法、装置、电子设备和存储介质 |
CN113341928B (zh) * | 2021-06-15 | 2023-08-29 | 珠海格力电器股份有限公司 | 一种设备机组故障判定方法、装置、存储介质及控制终端 |
CN113341928A (zh) * | 2021-06-15 | 2021-09-03 | 珠海格力电器股份有限公司 | 一种设备机组故障判定方法、装置、存储介质及控制终端 |
CN113660137A (zh) * | 2021-08-13 | 2021-11-16 | 杭州安恒信息技术股份有限公司 | 车载网络故障检测方法、装置、可读存储介质及电子设备 |
CN113660137B (zh) * | 2021-08-13 | 2024-03-22 | 杭州安恒信息技术股份有限公司 | 车载网络故障检测方法、装置、可读存储介质及电子设备 |
CN114418239A (zh) * | 2022-02-18 | 2022-04-29 | 盛景智能科技(嘉兴)有限公司 | 憋车故障预测方法、装置及作业机械 |
WO2024027284A1 (zh) * | 2022-08-02 | 2024-02-08 | 上海三一重机股份有限公司 | 行走跑偏预测方法、装置及作业机械 |
CN115509789B (zh) * | 2022-09-30 | 2023-08-11 | 中国科学院重庆绿色智能技术研究院 | 一种基于组件调用分析的计算系统故障预测方法和系统 |
CN115509789A (zh) * | 2022-09-30 | 2022-12-23 | 中国科学院重庆绿色智能技术研究院 | 一种基于组件调用分析的计算系统故障预测方法和系统 |
CN115689071B (zh) * | 2023-01-03 | 2023-05-02 | 南京工大金泓能源科技有限公司 | 一种基于关联参数挖掘的设备故障融合预测方法及系统 |
CN115689071A (zh) * | 2023-01-03 | 2023-02-03 | 南京工大金泓能源科技有限公司 | 一种基于关联参数挖掘的设备故障融合预测方法及系统 |
CN117932486A (zh) * | 2023-12-22 | 2024-04-26 | 北京中科科仪股份有限公司 | 检漏设备工作状态的预测方法、装置、设备及存储介质 |
CN117932486B (zh) * | 2023-12-22 | 2024-09-24 | 北京中科科仪股份有限公司 | 检漏设备工作状态的预测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112906969B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112906969A (zh) | 发动机故障预测方法、装置、电子设备及存储介质 | |
Hsu et al. | Wind turbine fault diagnosis and predictive maintenance through statistical process control and machine learning | |
AU2024201565B2 (en) | Scalable systems and methods for assessing healthy condition scores in renewable asset management | |
JP7242101B2 (ja) | 融合ニューラルネットワークモデルに基づくエンジンサージング故障の予測システム及び方法 | |
US20220283576A1 (en) | Automatic diagnosis method, system and storage medium for equipment | |
CN111368890A (zh) | 故障检测方法及装置、信息物理融合系统 | |
CN112534370A (zh) | 用于预测工业机器故障的系统和方法 | |
CN112816898B (zh) | 电瓶故障预测方法、装置、电子设备和存储介质 | |
CN115524002B (zh) | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 | |
WO2024098477A1 (zh) | 多部件状态融合驱动的系统级健康状态评估方法及设备 | |
CN114370380A (zh) | 一种计及气象因素的风电机组故障诊断方法 | |
Calabrese et al. | An event based machine learning framework for predictive maintenance in industry 4.0 | |
CN113435228A (zh) | 一种基于振动信号建模的电动机轴承寿命预测与分析方法 | |
CN117514649B (zh) | 一种风电机组健康状态监测方法及装置 | |
CN118183216A (zh) | 带式输送机的故障诊断方法以及系统 | |
CN112257224B (zh) | 汽轮发电机状态检修方法、系统以及终端 | |
CN115964470B (zh) | 一种摩托车配件的寿命预测方法及系统 | |
Niu et al. | A hybrid bearing prognostic method with fault diagnosis and model fusion | |
CN113313365A (zh) | 一种一次风机的劣化预警方法及设备 | |
CN108074045A (zh) | 风电机组整机脆弱性分析与故障排序方法及电子终端 | |
CN113123955A (zh) | 柱塞泵异常检测方法、装置、存储介质及电子设备 | |
CN115898927A (zh) | 一种基于机器学习的聚变装置分子泵故障诊断与预测方法 | |
CN116039949A (zh) | 一种用于监控飞行器发动机的起动活门故障的方法及系统 | |
Rajaoarisoa et al. | Hybrid and co-learning approach for anomalies prediction and explanation of wind turbine systems | |
KR20230075150A (ko) | 시스템 건전성을 관리하기 위한 방법 및 장치 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230106 Address after: 314506 room 116, building 4, No. 288, development avenue, Tongxiang Economic Development Zone, Tongxiang City, Jiaxing City, Zhejiang Province Applicant after: Shengjing Intelligent Technology (Jiaxing) Co.,Ltd. Address before: 102206 5th floor, building 6, 8 Beiqing Road, Changping District, Beijing Applicant before: SANY HEAVY INDUSTRY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |