CN113537373A - 基于数字孪生的柴油机健康状态评估方法、装置及设备 - Google Patents
基于数字孪生的柴油机健康状态评估方法、装置及设备 Download PDFInfo
- Publication number
- CN113537373A CN113537373A CN202110837886.5A CN202110837886A CN113537373A CN 113537373 A CN113537373 A CN 113537373A CN 202110837886 A CN202110837886 A CN 202110837886A CN 113537373 A CN113537373 A CN 113537373A
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- multiple groups
- diesel engine
- matrixes
- signal data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 71
- 230000036541 health Effects 0.000 title claims abstract description 29
- 230000004927 fusion Effects 0.000 claims abstract description 97
- 230000009467 reduction Effects 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000011156 evaluation Methods 0.000 claims abstract description 38
- 238000013145 classification model Methods 0.000 claims abstract description 34
- 238000012706 support-vector machine Methods 0.000 claims description 42
- 238000004590 computer program Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 12
- 230000003862 health status Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 description 16
- 230000008569 process Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- SYHGEUNFJIGTRX-UHFFFAOYSA-N methylenedioxypyrovalerone Chemical compound C=1C=C2OCOC2=CC=1C(=O)C(CCC)N1CCCC1 SYHGEUNFJIGTRX-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种基于数字孪生的柴油机健康状态评估方法、装置及设备。该方法包括:获取设置在第一柴油机的多个振动传感器所采集的第一柴油机的多组第一振动信号数据;对多组第一振动信号数据分别进行降噪处理,得到多组第二振动信号数据;将多组第二振动信号数据进行特征提取,并根据提取的特征建立多组第一振动信号特征融合矩阵;利用堆叠稀疏自动编码器对多组第一振动信号特征融合矩阵进行降维处理,得到多组第二振动信号特征融合矩阵;利用多组第二振动信号特征融合矩阵对预设分类模型进行训练,得到目标分类模型;根据目标分类模型对目标柴油机的健康状态进行评估,得到目标柴油机的评估结果。本发明能够提高柴油机健康状态评估结果的准确率。
Description
技术领域
本发明涉及柴油机技术领域,尤其涉及基于数字孪生的柴油机健康状态评估方法、装置及设备。
背景技术
柴油机是一种通过燃烧柴油来获取能量释放的发动机,因为其具有扭矩大以及经济性能好的优点,所以在工程机械、重型卡车、电力、石油化工和军事装备等领域都获得了广泛应用。由于柴油机具有结构复杂、供油精度要求高、工作负载大、运行周期长以及工作环境恶劣等特点,使得对柴油机的健康状态进行实时评估以保障其运行安全稳定变得极其重要。
然而,现有的柴油机健康状态评估方法的评估结果存在准确率低的问题。
发明内容
本发明实施例提供了一种基于数字孪生的柴油机健康状态评估方法、装置及设备,以解决现有的柴油机健康状态评估方法的评估结果准确率低的问题。
第一方面,本发明实施例提供了一种基于数字孪生的柴油机健康状态评估方法,包括:
获取设置在第一柴油机的多个振动传感器所采集的第一柴油机的多组第一振动信号数据;
对多组第一振动信号数据分别进行降噪处理,得到多组第二振动信号数据;
将多组第二振动信号数据进行特征提取,并根据提取的特征建立多组第一振动信号特征融合矩阵;
利用堆叠稀疏自动编码器对多组第一振动信号特征融合矩阵进行降维处理,得到多组第二振动信号特征融合矩阵;
利用多组第二振动信号特征融合矩阵对预设分类模型进行训练,得到目标分类模型;
根据目标分类模型对目标柴油机的健康状态进行评估,得到目标柴油机的评估结果。
在一种可能的实现方式中,获取设置在第一柴油机的多个振动传感器所采集的第一柴油机的多组第一振动信号数据,包括:
控制第一柴油机执行多种预设运行模式;其中,多种预设运行模式包括正常运行模式和故障运行模式;
接收并归集每个振动传感器在多种预设运行模式下采集的第一振动信号数据,得到多组第一振动信号数据。
在一种可能的实现方式中,对多组第一振动信号数据分别进行降噪处理,得到多组第二振动信号数据,包括:
利用移动平均法对多组第一振动信号数据进行数据平滑预处理,得到多组第二振动信号数据。
在一种可能的实现方式中,将多组第二振动信号数据进行特征提取,并根据提取的特征建立多组第一振动信号特征融合矩阵,包括:
根据多种预设特征参数计算方法,提取多组第二振动信号数据的特征参数;
组合特征参数,得到多组第一振动信号特征融合矩阵。
在一种可能的实现方式中,利用堆叠稀疏自动编码器对多组第一振动信号特征融合矩阵进行降维处理,得到多组第二振动信号特征融合矩阵,包括:
对多组第一振动信号特征融合矩阵进行数据归一化处理;
利用堆叠稀疏自动编码器对数据归一化处理后的多组第一振动信号特征融合矩阵进行降维处理,得到多组第二振动信号特征融合矩阵。
在一种可能的实现方式中,预设分类模型为预设支持向量机模型;
利用多组第二振动信号特征融合矩阵对预设分类模型进行训练,得到目标分类模型,包括:
将多组第二振动信号特征融合矩阵划分为训练样本数据与测试样本数据;
利用训练样本数据训练预设支持向量机模型,得到初始支持向量机模型;
根据测试样本数据和高斯核函数对初始支持向量机模型进行参数调整,得到目标支持向量机模型。
在一种可能的实现方式中,根据目标分类模型对目标柴油机的健康状态进行评估,得到目标柴油机的评估结果,包括:
获取设置在第二柴油机的多个振动传感器所采集的第二柴油机的多组第三振动信号数据;
对多组第三振动信号数据分别进行降噪处理,得到多组第四振动信号数据;
将多组第四振动信号数据进行特征提取,并根据提取的特征建立多组第三振动信号特征融合矩阵;
利用堆叠稀疏自动编码器对多组第三振动信号特征融合矩阵进行降维处理,得到多组第四振动信号特征融合矩阵;
将多组第四振动信号特征融合矩阵输入目标分类模型,得到第二柴油机的评估结果。
第二方面,本发明实施例提供了一种基于数字孪生的柴油机健康状态评估装置,包括:
获取模块,用于获取设置在第一柴油机的多个振动传感器所采集的第一柴油机的多组第一振动信号数据;
降噪模块,用于对多组第一振动信号数据分别进行降噪处理,得到多组第二振动信号数据;
提取模块,用于将多组第二振动信号数据进行特征提取,并根据提取的特征建立多组第一振动信号特征融合矩阵;
降维模块,用于利用堆叠稀疏自动编码器对多组第一振动信号特征融合矩阵进行降维处理,得到多组第二振动信号特征融合矩阵;
训练模块,用于利用多组第二振动信号特征融合矩阵对预设分类模型进行训练,得到目标分类模型;
评估模块,根据目标分类模型对目标柴油机的健康状态进行评估,得到目标柴油机的评估结果。
在一种可能的实现方式中,获取模块还用于:
控制第一柴油机执行多种预设运行模式;其中,多种预设运行模式包括正常运行模式和故障运行模式;
接收并归集每个振动传感器在多种预设运行模式下采集的第一振动信号数据,得到多组第一振动信号数据。
在一种可能的实现方式中,降噪模块还用于:
利用移动平均法对多组第一振动信号数据进行数据平滑预处理,得到多组第二振动信号数据。
在一种可能的实现方式中,提取模块还用于:
根据多种预设特征参数计算方法,提取多组第二振动信号数据的特征参数;
组合特征参数,得到多组第一振动信号特征融合矩阵。
在一种可能的实现方式中,降维模块还用于:
对多组第一振动信号特征融合矩阵进行数据归一化处理;
利用堆叠稀疏自动编码器对数据归一化处理后的多组第一振动信号特征融合矩阵进行降维处理,得到多组第二振动信号特征融合矩阵。
在一种可能的实现方式中,训练模块还用于:
将多组第二振动信号特征融合矩阵划分为训练样本数据与测试样本数据;
利用训练样本数据训练预设支持向量机模型,得到初始支持向量机模型;
根据测试样本数据和高斯核函数对初始支持向量机模型进行参数调整,得到目标支持向量机模型。
在一种可能的实现方式中,评估模块还用于:
获取设置在第二柴油机的多个振动传感器所采集的第二柴油机的多组第三振动信号数据;
对多组第三振动信号数据分别进行降噪处理,得到多组第四振动信号数据;
将多组第四振动信号数据进行特征提取,并根据提取的特征建立多组第三振动信号特征融合矩阵;
利用堆叠稀疏自动编码器对多组第三振动信号特征融合矩阵进行降维处理,得到多组第四振动信号特征融合矩阵;
将多组第四振动信号特征融合矩阵输入目标分类模型,得到第二柴油机的评估结果。
第三方面,本发明实施例提供了一种终端设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如第一方面方法的步骤。
本发明实施例提供一种基于数字孪生的柴油机健康状态评估方法、装置及设备,通过运用数字孪生技术构建与现实柴油机相对应的虚拟柴油机模型,并通过将获取的现实柴油机数据经降噪处理后组合,再把组合后的数据进行降维处理以减少后续分类器的训练时间,随之将二者数据信息深度融合,反应出物理实体与虚拟模型精准映射关系,能更直观的观测到设备内部每个零部件数字化的变化过程,从而实现对设备进行故障预判并有利于后期的预防性维护,补足了传统故障诊断技术存在的数据不完整以及模型不准确的短板,优化了虚实交互的使用体验,在此基础上还得出了可用性更高的机器学习分类器模型,使得对柴油机健康状态的评估结果更合理、准确与高效。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于数字孪生的柴油机健康状态评估方法的实现流程图;
图2是本发明实施例提供的移动平均法的示意图;
图3是本发明实施例提供的基于稀疏自编码器的故障特征融合流程示意图;
图4是本发明实施例提供的一种基于数字孪生的柴油机健康状态评估方法的流程图;
图5是本发明实施例提供的一种基于数字孪生的柴油机健康状态评估装置的结构示意图;
图6是本发明实施例提供的一种终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施例来进行说明。
由于本发明实施例基于数字孪生技术,故首先对于数字孪生技术作简要说明:数字孪生为构建物理设备与虚拟设备精准映射关系提供了关键技术,在智能制造相关领域发挥了重要作用,随着网络通信、大数据和传感器快速发展,数字孪生技术受到了更多的关注,其不仅提供精准的虚拟模型,而且在故障状态监测、故障诊断和预测方面为提高设备使用寿命起到关键作用。然而,基于数字孪生的柴油机健康状态评估机理和方法展开深入研究很少,更多地围绕着数字孪生概念、建模和关键技术进行研究。
如背景技术所描述的,造成现有的柴油机健康状态评估方法的评估结果准确性低的原因有很多,下面分别从融合建模、数据采集和传输、数据管理和高性能计算四个层面进行分析:
在融合建模层中,传统技术只有物理设备实体,不能直观反映当前设备的状态;
在数据采集和传输层中,复杂结构设备数据采集量庞大,传统数据采集和传输无法满足数据准确性和实时性要求;
在数据管理层中,由于要处理海量历史数据,使得传统技术数据读取慢、冗余数据过多和管理复杂;
在高性能计算层中,传统故障诊断算法基于单台或多台服务器进行计算,在海量历史数据中诊断出最终结果所消耗的计算资源多、运行速度慢并且执行时间长,且容易出现错误情况,直接导致结果不准确。
为了解决现有技术问题,本发明实施例提供了一种基于数字孪生的柴油机健康状态评估方法、装置及设备。下面首先对本发明实施例所提供的基于数字孪生的柴油机健康状态评估方法进行介绍。
参见图1,其示出了本发明实施例提供的一种基于数字孪生的柴油机健康状态评估方法的实现流程图,包括以下步骤:
步骤S110、获取与多个振动传感器相对应的多组第一振动信号数据。
具体的,振动传感器为多个,且设置于第一柴油机上,第一振动信号数据是振动传感器测得的数据。
在一种可能的实现方式中,上述步骤S110的具体处理可以如下:首先,需要使第一柴油机执行包括正常运行模式和故障运行模式在内的6种预设运行模式;然后即可归集每个振动传感器在多种预设运行模式下采集的第一振动信号数据以得到多组第一振动信号数据。
具体的,为了获取第一振动信号数据,首先需要准备柴油机预置故障实验环境,本实施例中采用的第一柴油机为8缸柴油机,实验主要由三部分主成:柴油机状态监测面板、柴油机和振动信号数据采集系统,且此三部分之间均能实现数据交互。
下面对上述三部分进行详细介绍:
柴油机状态监测面板可以控制柴油机的点火、加速和熄火等操作,监测面板上的仪表可以实时反应发动机转速、水温、电压和剩余油量等情况;
数据采集系统由采集机箱和数据采集卡(型号PXI-9108、PXI-3342)、压电式单向振动加速度传感器(型号BW14100;量程±50g;灵敏度100mV/g;频率范围1-8kHz;分辨率0.0001g)及Labview编写的采集系统组成;
振动信号数据采集系统主要由预置在柴油机上的多个振动传感器组成,本实施例中预置8个振动传感器,其中振动传感器1#~6#沿轴向安装在1~6缸的缸盖上,7#和8#振动信号传感器分别安装在1缸和2缸的缸体上。
在准备好柴油机预置故障实验环境后,接下来设置柴油机预设运行模式,设置过程详述如下:
本实施例共6种预设运行模式,其中包括5种故障模式以及1种正常模式,详细的预设运行模式顺序如表一所示。
表一
序号 | 故障模式 |
1 | 正常 |
2 | 喷油泵供油不足 |
3 | 一缸失火 |
4 | 六缸失火 |
5 | 空气滤清器堵塞 |
6 | 供油管破损滴油 |
实现预置故障模式的方法如下所述:
对于故障模式2,可以通过更换故障件来实现,该故障件可以是磨损后的喷油泵内部齿轮;
对于故障模式3与故障模式4,可以通过断开电源线来实现;
对于故障模式5,可以通过在进气口中增加进气罩来实现;
对于故障模式6,可以通过更换故障件来实现,该故障件可以是处于破损状态的供油管或磨损的喷油器针阀。
在设置好柴油机预设运行模式后,即可获取第一振动信号数据,在本实施例的第一振动信号获取过程中,柴油机在启动3分钟后开始对第一振动信号进行数据采集(采集持续时间12s,每间隔2s采集一次,每次采样频率均为20kHz),每种预设运行模式产生300个样本,每个样本有8列数据,每列数据有240000个点,六种预设运行模式一共1800个样本。
步骤S120、对多组第一振动信号数据分别进行降噪处理,
在一种可能的实现方式中,上述步骤S120的具体处理如下:
利用移动平均法对多组第一振动信号数据进行数据平滑预处理,得到多组第二振动信号数据。
具体地,由于采集到的第一振动信号数据中具有非平稳、非线性和复杂性的特点,故在振动信号采集过程中经常会存在有很多噪声和干扰信号,这些噪声和干扰信号会导致数据出现突然的抖动等不利情况,针对这种情况,本发明实施例采用移动平均方法对有噪声的原始振动数据进行数据平滑预处理,从而达到降噪目的,进而得到第二振动信号数据。
图2示出了移动平均法的示意图,其中数值只起示例作用,移动平均法的基本原理是将某点相邻数据的采样点进行平均,并对N个数据逐一进行不断的局部平均,就可以求出移动平均结果,其中窗口为对称窗口,为了防止出现相位偏差,将窗口个数设置为奇数。
步骤S130、将多组第二振动信号数据进行特征提取,并根据提取的特征建立多组第一振动信号特征融合矩阵。
在一种可能的实现方式中,步骤S130的具体处理方法可以是:根据多种预设特征参数计算方法,要提取出多组第二振动信号数据的特征参数;接下来对提取出的特征参数再组合,得到多组第一振动信号特征融合矩阵。
具体地,在步骤S120中得到的8组第二振动信号数据中分别提取常用的22个特征参数,并组合成维度22N的特征矩阵,得到第一振动信号特征融合矩阵,在矩阵中要尽可能多的包含信号的状态信息,特征参数的计算方法如表二所示,其中基于小波包边缘检测db4对获取的信号做了三层小波包分解。
表二
步骤S140、利用堆叠稀疏自动编码器对多组第一振动信号特征融合矩阵进行降维处理,得到多组第二振动信号特征融合矩阵。
在一种可能的实现方式中,上述步骤S140可以通过以下方式进行处理:首先为了缩短网络训练的时间,需要对多组第一振动信号特征融合矩阵进行数据归一化处理;接下来利用堆叠稀疏自动编码器对经过数据归一化处理后的多组第一振动信号特征融合矩阵再进行降维处理以得到多组第二振动信号特征融合矩阵。
具体地,由于在步骤S130中得到的第一振动信号特征融合矩阵中的每个特征参数大小不同,会引起网络训练时间的增加,进而可能导致网络无法收敛,因此需要对第一振动信号特征融合矩阵进行数据归一化处理,以将数据限制在[0,1]之间,相应的计算公式如下:
yj=|Xj/XMAX|
其中,yj表示归一化处理后的数据,Xj表示第j个数据,Xmax表示j个数据的总和。
在完成数据归一化处理后,需要对第一振动信号特征融合矩阵进行降维处理,传统方法中采用降维技术为进一步故障诊断提供有效的方法主要包括:线性判别分析、主成分分析和流行学习等。然而以上线性方法对非线性数据进行特征提取时,不能有效找出数据之间的分布规则,导致特征结果不佳,因此,本发明实施例针对非线性数据提出堆叠稀疏自编码器特征融合的方法,实现非线性相关转为线性相关,从而达到降维目的。
稀疏自编码器是在自动编码器的基础上进行改进,当隐含层的神经元较少时,作为特征取出实现数据降维;当隐含层的神经元较多时,添加稀疏性限制来训练网络,并提取有价值的特征。稀疏性限制则是在大部分时间里,使隐含层神经元处理被抑制的状态,稀疏性限制引入代价函数,如下式所示:
其中,ρ为稀疏性参数,S2表示隐含层神经元的数量,β代表控制稀疏性惩罚因子,KL(ρ||ρj)表示测量ρ与ρj间差异的方法。
然而,通常一个简单的稀疏自编码器训练效果不理想,因此本发明实施例采用堆叠的方式将多个稀疏自编码器以无监督学习单独训练各隐含层,然后训练最终Softmax层,并将这些层连接一起形成堆叠网络,最后以有监督学习训练该网络,使结果达到最佳效果。
经过步骤S140对第一振动信号特征融合矩阵降维处理后,得到的即为第二振动信号特征融合矩阵。
步骤S110-步骤S140所表示的基于稀疏自编码器的故障特征融合流程示意图如图3所示,需要说明的是,为保证图3简洁,将第一振动信号特征融合矩阵简称为特征矩阵,将第二振动信号特征融合矩阵简称为融合特征矩阵。
步骤S150、利用多组第二振动信号特征融合矩阵对预设分类模型进行训练,得到目标分类模型。
其中,预设分类模型是支持向量机模型,在一种可能的实现方式中,上述步骤S150可以做如下处理:首先将多组第二振动信号特征融合矩阵划分为训练样本数据与测试样本数据,其中训练样本数据用于训练预设支持向量机模型以使其称为初始支持向量机模型,测试样本数据用于协助其他方法参数优化方法对初始支持向量机模型进行参数调整的测试样本;然后利用训练样本数据训练预设支持向量机模型,得到初始支持向量机模型;最后根据测试样本数据和高斯核函数对初始支持向量机模型进行参数调整,得到目标支持向量机模型。
具体地,传统的评估方法主要有:基于经验模式分解的主成分分析的故障检测与诊断方法;一种变分堆叠自动编码器与和谐搜索优化器的气门机构故障诊断的柴油机方法等。然而,上述研究中都缺乏对传感器安装位置和选用传感器数量进行分类对比分析。因此,本发明实施例提出稀疏自编码器-支持向量机的方法,与决策树、最近邻分类和朴素贝叶斯等多种优化方法相比,该方法更具有寻优速度快、迭代次数少和参数设置少的特点和优势。
本发明实施例采用的分类器为支持向量机模型,支持向量机模型的基本原理是寻找一个能够将两类样本数据分开的最优分类超平面,并且使分类之间距离最大,最优分类超平面能有效将两类样本划分开,并且分类间隔最大。
利用训练样本对预设支持向量机训练,需要注意的是,选取不是最优化的参数可能导致分类效果不理想,而高斯核的本质是衡量样本和样本之间的“相似度”,目的是为让同类样本线性可分,因此结合高斯核函数参数优化支持向量机,利用测试样本与高斯核函数不断对初始支持向量机模型进行参数调整,以在“正确划分训练样本的故障状态”与“适用于更广泛的数据”两点性能之间寻求一个最佳平衡点,未达到理想平衡即重新调整训练支持向量机,最终得到目标支持向量机模型,即最优的支持向量机分类器。
步骤S160、根据目标分类模型对目标柴油机的健康状态进行评估,得到目标柴油机的评估结果。
在一种可能的实施方式中,上述步骤S160的具体操作可以按如下方式进行:获取设置在第二柴油机的多个振动传感器所采集的第二柴油机的多组第三振动信号数据;对多组第三振动信号数据分别进行降噪处理,得到多组第四振动信号数据;将多组第四振动信号数据进行特征提取,并根据提取的特征建立多组第三振动信号特征融合矩阵;利用堆叠稀疏自动编码器对多组第三振动信号特征融合矩阵进行降维处理,得到多组第四振动信号特征融合矩阵;将多组第四振动信号特征融合矩阵输入目标分类模型,得到第二柴油机的评估结果。
具体地,我们将待测试的柴油机称为第二柴油机,第二柴油机上同样设置有8组用于获取第三振动信号数据的振动传感器,接下来依次按步骤S120-步骤S140的顺序操作,直至得到第四振动信号特征融合矩阵,此时的第四振动信号特征融合矩阵即为第二柴油机待评估的核心数据,将第四振动信号特征融合矩阵输入至我们在步骤S150中得到的目标支持向量机模型,此时目标支持向量机模型即可对第四振动信号特征融合矩阵进行分类,识别故障原因,并输出对第二柴油机的评估结果。
以下是结合具体实施例对本发明进行的进一步阐述:
本发明在无锡六缸高压共轨柴油机试验台上,在依次完成步骤S110-步骤S140所述操作后,提取相同的7组有代表性的特征参数(最小值、峰峰值、平均值、方差、偏斜度、能量和小波包能量1),运用其他机器学习分类器进行分类并对比,以体现本发明评估结果的优势,识别故障准确率与执行时间如表三所示:
表三
通过分析表三数据可知,运用本发明所述方法在执行时间上相对于其他方法有巨大优势,且能够有效区分发动机的健康状态,准确率达到97.3%,故本发明实施例提出的运用支持向量机分类器的分类方法相较于其他机器学习分类器更高效且准确率高。
为更加直观的展示本发明,图4示出了一种基于数字孪生的柴油机健康状态评估方法的流程图,其中SSAE降维处理表示稀疏自编码器降维处理,SVM分类器为支持向量机分类器。
本发明实施例通过运用数字孪生技术,构建出能够精准映射出现实柴油机状态的虚拟柴油机模型,通过训练包含大量柴油机运行数据样本的支持向量机分类器,对该虚拟柴油机模型的运行数据进行评估,根据对应的预设运行模式,得到相比于传统技术准确率更高的评估结果。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例,对于其中未详尽描述的细节,可以参考上述对应的方法实施例。
图5示出了本发明实施例提供的一种基于数字孪生的柴油机健康状态评估装置的结构示意图,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
如图5所示,一种基于数字孪生的柴油机健康状态评估装置500包括:
获取模块510,用于获取设置在第一柴油机的多个振动传感器所采集的第一柴油机的多组第一振动信号数据;
降噪模块520,用于对多组第一振动信号数据分别进行降噪处理,得到多组第二振动信号数据;
提取模块530,用于将多组第二振动信号数据进行特征提取,并根据提取的特征建立多组第一振动信号特征融合矩阵;
降维模块540,用于利用堆叠稀疏自动编码器对多组第一振动信号特征融合矩阵进行降维处理,得到多组第二振动信号特征融合矩阵;
训练模块550,用于利用多组第二振动信号特征融合矩阵对预设分类模型进行训练,得到目标分类模型;
评估模块560,根据目标分类模型对目标柴油机的健康状态进行评估,得到目标柴油机的评估结果。
在一种可能的实现方式中,获取模块510还用于:
控制第一柴油机执行多种预设运行模式;其中,多种预设运行模式包括正常运行模式和故障运行模式;
接收并归集每个振动传感器在多种预设运行模式下采集的第一振动信号数据,得到多组第一振动信号数据。
在一种可能的实现方式中,降噪模块520还用于:
利用移动平均法对多组第一振动信号数据进行数据平滑预处理,得到多组第二振动信号数据。
在一种可能的实现方式中,提取模块530还用于:
根据多种预设特征参数计算方法,提取多组第二振动信号数据的特征参数;
组合特征参数,得到多组第一振动信号特征融合矩阵。
在一种可能的实现方式中,降维模块540还用于:
对多组第一振动信号特征融合矩阵进行数据归一化处理;
利用堆叠稀疏自动编码器对数据归一化处理后的多组第一振动信号特征融合矩阵进行降维处理,得到多组第二振动信号特征融合矩阵。
在一种可能的实现方式中,训练模块550还用于:
将多组第二振动信号特征融合矩阵划分为训练样本数据与测试样本数据;
利用训练样本数据训练预设支持向量机模型,得到初始支持向量机模型;
根据测试样本数据和高斯核函数对初始支持向量机模型进行参数调整,得到目标支持向量机模型。
在一种可能的实现方式中,评估模块560还用于:
获取设置在第二柴油机的多个振动传感器所采集的第二柴油机的多组第三振动信号数据;
对多组第三振动信号数据分别进行降噪处理,得到多组第四振动信号数据;
将多组第四振动信号数据进行特征提取,并根据提取的特征建立多组第三振动信号特征融合矩阵;
利用堆叠稀疏自动编码器对多组第三振动信号特征融合矩阵进行降维处理,得到多组第四振动信号特征融合矩阵;
将多组第四振动信号特征融合矩阵输入目标分类模型,得到第二柴油机的评估结果.
本发明实施例通过获取模块510获取大量柴油机运行的样本数据,再依次通过降噪模块520、提取模块530以及降维模块540对样本数据进行处理,结合训练模块550即可得到可目标支持向量机模型,评估模块560通过目标支持向量机模型对目标柴油机进行评估,得出更准确、更合理的评估结果。
图6是本发明实施例提供的一种终端设备6的示意图。如图6所示,该实施例的终端设备6包括:处理器60、存储器61以及存储在存储器61中并可在处理器60上运行的计算机程序62。处理器60执行计算机程序62时实现上述各个柴油机健康状态评估方法实施例中的步骤,例如图1所示的步骤S110至步骤S160。或者,处理器60执行计算机程序62时实现上述各装置实施例中各模块的功能,例如图5所示模块510至560的功能。
示例性的,计算机程序62可以被分割成一个或多个模块,一个或者多个模块被存储在存储器61中,并由处理器60执行,以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序62在终端设备6中的执行过程。例如,计算机程序62可以被分割成图5所示的模块510至560。
终端设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备6可包括,但不仅限于,处理器60、存储器61。本领域技术人员可以理解,图6仅仅是终端设备6的示例,并不构成对终端设备6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器60可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器61可以是终端设备6的内部存储单元,例如终端设备6的硬盘或内存。存储器61也可以是终端设备6的外部存储设备,例如终端设备6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器61还可以既包括终端设备6的内部存储单元也包括外部存储设备。存储器61用于存储计算机程序以及终端设备所需的其他程序和数据。存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块如果以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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个柴油机健康状态评估方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
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,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于数字孪生的柴油机健康状态评估方法,其特征在于,包括:
获取设置在第一柴油机的多个振动传感器所采集的所述第一柴油机的多组第一振动信号数据;
对所述多组第一振动信号数据分别进行降噪处理,得到多组第二振动信号数据;
将所述多组第二振动信号数据进行特征提取,并根据提取的特征建立多组第一振动信号特征融合矩阵;
利用堆叠稀疏自动编码器对所述多组第一振动信号特征融合矩阵进行降维处理,得到多组第二振动信号特征融合矩阵;
利用所述多组第二振动信号特征融合矩阵对预设分类模型进行训练,得到目标分类模型;
根据所述目标分类模型对目标柴油机的健康状态进行评估,得到所述目标柴油机的评估结果。
2.根据权利要求1所述的方法,其特征在于,所述获取设置在第一柴油机的多个振动传感器所采集的所述第一柴油机的多组第一振动信号数据,包括:
控制所述第一柴油机执行多种预设运行模式;其中,所述多种预设运行模式包括正常运行模式和故障运行模式;
接收并归集每个所述振动传感器在所述多种预设运行模式下采集的第一振动信号数据,得到所述多组第一振动信号数据。
3.根据权利要求1所述的方法,其特征在于,所述对所述多组第一振动信号数据分别进行降噪处理,得到多组第二振动信号数据,包括:
利用移动平均法对所述多组第一振动信号数据进行数据平滑预处理,得到所述多组第二振动信号数据。
4.根据权利要求1所述的方法,其特征在于,所述将所述多组第二振动信号数据进行特征提取,并根据提取的特征建立多组第一振动信号特征融合矩阵,包括:
根据多种预设特征参数计算方法,提取所述多组第二振动信号数据的特征参数;
组合所述特征参数,得到所述多组第一振动信号特征融合矩阵。
5.根据权利要求1所述的方法,其特征在于,所述利用堆叠稀疏自动编码器对所述多组第一振动信号特征融合矩阵进行降维处理,得到多组第二振动信号特征融合矩阵,包括:
对所述多组第一振动信号特征融合矩阵进行数据归一化处理;
利用堆叠稀疏自动编码器对数据归一化处理后的所述多组第一振动信号特征融合矩阵进行降维处理,得到所述多组第二振动信号特征融合矩阵。
6.根据权利要求1所述的方法,其特征在于,所述预设分类模型为预设支持向量机模型;
所述利用所述多组第二振动信号特征融合矩阵对预设分类模型进行训练,得到目标分类模型,包括:
将所述多组第二振动信号特征融合矩阵划分为训练样本数据与测试样本数据;
利用所述训练样本数据训练所述预设支持向量机模型,得到初始支持向量机模型;
根据所述测试样本数据和高斯核函数对所述初始支持向量机模型进行参数调整,得到目标支持向量机模型。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述根据所述目标分类模型对目标柴油机的健康状态进行评估,得到所述目标柴油机的评估结果,包括:
获取设置在第二柴油机的多个振动传感器所采集的所述第二柴油机的多组第三振动信号数据;
对所述多组第三振动信号数据分别进行降噪处理,得到多组第四振动信号数据;
将所述多组第四振动信号数据进行特征提取,并根据提取的特征建立多组第三振动信号特征融合矩阵;
利用堆叠稀疏自动编码器对所述多组第三振动信号特征融合矩阵进行降维处理,得到多组第四振动信号特征融合矩阵;
将所述多组第四振动信号特征融合矩阵输入所述目标分类模型,得到所述第二柴油机的评估结果。
8.一种基于数字孪生的柴油机健康状态评估装置,其特征在于,包括:
获取模块,用于获取设置在第一柴油机的多个振动传感器所采集的所述第一柴油机的多组第一振动信号数据;
降噪模块,用于对所述多组第一振动信号数据分别进行降噪处理,得到多组第二振动信号数据;
提取模块,用于将所述多组第二振动信号数据进行特征提取,并根据提取的特征建立多组第一振动信号特征融合矩阵;
降维模块,用于利用堆叠稀疏自动编码器对所述多组第一振动信号特征融合矩阵进行降维处理,得到多组第二振动信号特征融合矩阵;
训练模块,用于利用所述多组第二振动信号特征融合矩阵对预设分类模型进行训练,得到目标分类模型;
评估模块,用于根据所述目标分类模型对目标柴油机的健康状态进行评估,得到所述目标柴油机的评估结果。
9.根据权利要求8所述的装置,其特征在于,所述获取模块还用于:
控制所述第一柴油机执行多种预设运行模式;其中,所述多种预设运行模式包括正常运行模式和故障运行模式;
接收并归集每个所述振动传感器在所述多种预设运行模式下采集的第一振动信号数据,得到所述多组第一振动信号数据。
10.一种终端设备,包括存储器、处理器以及存储在所述存储器中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计算机程序时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110837886.5A CN113537373A (zh) | 2021-07-23 | 2021-07-23 | 基于数字孪生的柴油机健康状态评估方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110837886.5A CN113537373A (zh) | 2021-07-23 | 2021-07-23 | 基于数字孪生的柴油机健康状态评估方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113537373A true CN113537373A (zh) | 2021-10-22 |
Family
ID=78089410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110837886.5A Pending CN113537373A (zh) | 2021-07-23 | 2021-07-23 | 基于数字孪生的柴油机健康状态评估方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113537373A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114856811A (zh) * | 2022-05-25 | 2022-08-05 | 哈尔滨工业大学(威海) | 柴油发动机空气系统健康评估方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110114834A (zh) * | 2016-11-23 | 2019-08-09 | 通用电气公司 | 用于医疗程序的深度学习医疗系统和方法 |
CN110672323A (zh) * | 2019-09-02 | 2020-01-10 | 佛山科学技术学院 | 一种基于神经网络的轴承健康状态评估方法及装置 |
CN112034789A (zh) * | 2020-08-25 | 2020-12-04 | 国家机床质量监督检验中心 | 一种数控机床关键部件及整机的健康评估方法,系统及评估终端机 |
CN112765560A (zh) * | 2021-01-13 | 2021-05-07 | 新智数字科技有限公司 | 设备健康状态评估方法、装置、终端设备和存储介质 |
CN112904220A (zh) * | 2020-12-30 | 2021-06-04 | 厦门大学 | 一种基于数字孪生和机器学习的ups健康预测方法、系统、电子设备及可存储介质 |
-
2021
- 2021-07-23 CN CN202110837886.5A patent/CN113537373A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110114834A (zh) * | 2016-11-23 | 2019-08-09 | 通用电气公司 | 用于医疗程序的深度学习医疗系统和方法 |
CN110672323A (zh) * | 2019-09-02 | 2020-01-10 | 佛山科学技术学院 | 一种基于神经网络的轴承健康状态评估方法及装置 |
CN112034789A (zh) * | 2020-08-25 | 2020-12-04 | 国家机床质量监督检验中心 | 一种数控机床关键部件及整机的健康评估方法,系统及评估终端机 |
CN112904220A (zh) * | 2020-12-30 | 2021-06-04 | 厦门大学 | 一种基于数字孪生和机器学习的ups健康预测方法、系统、电子设备及可存储介质 |
CN112765560A (zh) * | 2021-01-13 | 2021-05-07 | 新智数字科技有限公司 | 设备健康状态评估方法、装置、终端设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
吕琛 等著: "《可靠性新技术丛书 基于认知计算与几何空间变换的故障诊断与预测》", 31 January 2021, 国防工业出版社 * |
戴稳 等: "基于深度学习与特征后处理的支持向量机铣刀磨损预测模型", 《计算机集成制造系统》 * |
葛杭: "某型航空发动机机械燃油泵典型故障诊断的仿真研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114856811A (zh) * | 2022-05-25 | 2022-08-05 | 哈尔滨工业大学(威海) | 柴油发动机空气系统健康评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Intelligent fault diagnosis for rotary machinery using transferable convolutional neural network | |
Qin et al. | DTCNNMI: A deep twin convolutional neural networks with multi-domain inputs for strongly noisy diesel engine misfire detection | |
Li et al. | A deep transfer nonnegativity-constraint sparse autoencoder for rolling bearing fault diagnosis with few labeled data | |
Qin et al. | Anti‐noise diesel engine misfire diagnosis using a multi‐scale CNN‐LSTM neural network with denoising module | |
Wang et al. | Research on the fault monitoring method of marine diesel engines based on the manifold learning and isolation forest | |
Shahid et al. | Real-time abnormality detection and classification in diesel engine operations with convolutional neural network | |
Liao et al. | Electricity theft detection using Euclidean and graph convolutional neural networks | |
Vong et al. | Simultaneous-fault detection based on qualitative symptom descriptions for automotive engine diagnosis | |
Gu et al. | Misfire fault diagnosis method for diesel engine based on MEMD and dispersion entropy | |
Zhang et al. | Intelligent machine fault diagnosis using convolutional neural networks and transfer learning | |
Li et al. | Intelligent fault diagnosis of aeroengine sensors using improved pattern gradient spectrum entropy | |
Bi et al. | A variety of engine faults detection based on optimized variational mode decomposition-robust independent component analysis and fuzzy C-mean clustering | |
Zhang et al. | Misfire detection of diesel engine based on convolutional neural networks | |
Tang et al. | Adaptive recursive variational mode decomposition for multiple engine faults detection | |
Yu et al. | A new transfer learning fault diagnosis method using TSC and JGSA under variable condition | |
Yang et al. | A novel multiple feature-based engine knock detection system using sparse Bayesian extreme learning machine | |
Du et al. | Research on the application of artificial intelligence method in automobile engine fault diagnosis | |
CN113537373A (zh) | 基于数字孪生的柴油机健康状态评估方法、装置及设备 | |
Liang et al. | Multi-sensor signals multi-scale fusion method for fault detection of high-speed and high-power diesel engine under variable operating conditions | |
CN114386452A (zh) | 核电循环水泵太阳轮故障检测方法 | |
Bai et al. | Fault diagnosis method research of mechanical equipment based on sensor correlation analysis and deep learning | |
Zhang et al. | Real-time angular velocity-based misfire detection using artificial neural networks | |
Zhang et al. | Diesel engine fault diagnosis for multiple industrial scenarios based on transfer learning | |
CN115510740A (zh) | 一种基于深度学习的航空发动机剩余寿命预测方法 | |
CN115979660A (zh) | 基于mpa优化的内燃机用滤清器故障诊断方法 |
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: 20211022 |
|
RJ01 | Rejection of invention patent application after publication |