CN113689038B - 一种基于多传感器模糊评估的发动机气缸故障预测方法 - Google Patents
一种基于多传感器模糊评估的发动机气缸故障预测方法 Download PDFInfo
- Publication number
- CN113689038B CN113689038B CN202110976954.6A CN202110976954A CN113689038B CN 113689038 B CN113689038 B CN 113689038B CN 202110976954 A CN202110976954 A CN 202110976954A CN 113689038 B CN113689038 B CN 113689038B
- Authority
- CN
- China
- Prior art keywords
- vibration
- cylinder
- value
- signal
- optimal
- 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
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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Probability & Statistics with Applications (AREA)
Abstract
本发明涉及一种基于多传感器模糊评估的发动机气缸故障预测方法,包括:获取发动机工作时的振动信号及气缸的上止点位置信号;对振动信号进行变分模态分解,对影响变分模态分解的参数进行优化,基于优化后的影响参数对振动信号进行变分模态分解,输出最佳振动信号;确定气缸的一个工作周期;确定气缸的三个振动阶段;找出三个振动阶段中气缸缸盖振动的峰值,根据最佳振动信号计算缸盖振动的有效值;将缸盖振动的峰值,缸盖振动的有效值作为指标因素,根据指标因素对气缸的健康状态进行模糊综合评估。本方法通过避免噪声信号对振动信号的影响,进而避免影响发动机故障的结果,提高了诊断结果的准确性,能对气缸性能全面评估,实用性强,值得推广。
Description
技术领域
本发明涉及发动机故障诊断技术领域,特别涉及一种基于多传感器模糊评估的发动机气缸故障预测方法。
背景技术
国内外针对航空发动机气缸状态监测及故障诊断技术已开展了广泛的研究,总体上分为基于部件模型的故障诊断方法和基于数据驱动的故障诊断方法两大类。
基于部件模型的故障诊断方法受制于模型准确度、部件特性、多状态非线性耦合等因素,导致对发动机性能参数估计与故障诊断会出现偏差;而基于数据驱动的故障诊断方法则不用考虑发动机部件特性、非线性耦合等,但其往往会受制于试验数据样本量有限、机载测试参数偏少等限制因素。
现有技术中利用变分模态分解的方法对故障进行诊断时,由于振动信号受噪声信号的影响,直接根据振动信号求取缸盖振动的峰值,缸盖振动的有效值,其结果会影响对发动机气缸故障的诊断,进而会导致对发动机性能估计不全面、对故障检测的漏诊的问题,综上,需要提供一种基于多传感器模糊评估的发动机气缸故障预测方法予以解决上述问题。
发明内容
本发明的目的是提供一种基于多传感器模糊评估的发动机气缸故障预测方法,在于现有技术中心的振动信号受噪声信号的影响,直接根据振动信号求取缸盖振动的峰值,缸盖振动的有效值,其结果会影响对发动机气缸故障的诊断,进而会导致对发动机性能估计不全面、对故障检测的漏诊的问题。
本发明提供了一种基于多传感器模糊评估的发动机气缸故障预测方法,包括:
包括:
实时获取发动机工作时的振动信号、其中一个气缸的上止点位置信号;
对所述振动信号进行变分模态分解,基于粒子群算法对影响变分模态分解的影响参数K和α进行优化,获取最佳影响参数K和α,基于最佳影响参数K和α对振动信号进行变分模态分解,输出最佳振动信号;
根据所述一个气缸的上止点位置信号确定出气缸的一个工作周期;
根据所述气缸的工作周期,确定气缸的三个振动阶段;
利用冒泡法找出三个振动阶段中气缸缸盖振动的峰值,根据最佳振动信号计算缸盖振动的有效值;
将缸盖振动的峰值,缸盖振动的有效值作为指标因素,根据指标因素对柴油机气缸系统的健康状态进行模糊综合评估。
优选地,对所述振动信号进行变分模态分解,基于粒子群算法对影响变分模态分解的影响参数K和α进行优化,获取最佳影响参数K和α的方法为:
对振动信号进行变分模态分解,获取多个IMF分量信号;
对多个IMF分量信号进行包络谱分析,获取每个IMF分量信号的对应的包络熵值;
根据每个IMF分量信号对应的包络熵值确定所有IMF分量信号中的全局极小熵值;
根据全局极小熵值输出对应的影响参数数K和α,对应的影响参数数K和α即为最佳影响参数。
优选地,对多个IMF分量信号进行包络谱分析,获取每个IMF分量信号对应的包络熵值的方法为:
对每个IMF分量信号进行解调运算得到包络信号,将每个包络信号进行处理成一个对应的概率分布序列t,根据概率分布序列t计算得出熵值;
利用熵值计算出每个IMF分量信号对应的包络熵值。
优选地,根据每个IMF分量信号的包络熵值确定所有IMF分量信号中的全局极小熵值的方法为:
将每个IMF分量信号的对应的包络熵值作为各粒子的适应度值;其中,IMF分量信号的个数即为粒子的个数;
更新各个粒子的位置,并计算各个粒子每次更新位置后各个的粒子适应度值,确定同一粒子更新位置后的适应度值和更新前的适应度值进行比较,获取这两个适应度值中小的适应度值作为局部极小熵值,将所有粒子的局部极小熵值进行比较,获取其中最小的局部极小熵值即为全局极小熵值。
优选地,基于最佳影响参数K和α对振动信号进行变分模态分解,输出最佳振动信号方法为:
基于最佳参数组合K和α对振动信号进行变分模态分解,输出所述最佳参数组合K和α所对应的最佳IMF分量信号,所述最佳IMF分量信号即为最佳振动信号。
优选地,根据所述一个气缸的上止点位置信号确定出气缸的一个工作周期的方法为:
根据采集到的上止点位置信号,对上止点位置信号进行处理,得到多个数据,其中所述数据中的最高值与最低值之间选择一个中间数,以中间数作为判断气缸的一个工作周期的起点和终点;
将获取的一个周期的上止点信号点数除以气缸工作一个周期曲轴转过的角度得到每个角度对应的上止点信号点数,上止点信号点数和各活塞杆的相位角得出各气缸的上止点位置。
优选地,确定气缸的三个振动阶段的方法为:
根据其中一个气缸压力绘制气缸工作阶段的时序图;
根据时序图对应的振动信号得出排气阀关闭激励的峰值大于燃烧激励的振动峰值,将气缸的三个振动阶段区分为进气阀关闭激励振动阶段、排气阀关闭激励振动阶段、燃烧激励振动阶段。
优选地,利用冒泡法找出三个阶段中气缸缸盖振动的峰值,利用振动信号计算缸盖振动的有效值:
根据下式(1)计算缸盖振动的有效值:
其中,y为缸盖振动的有效值;n为某一振动阶段的所测得的振动信号点数;xi是某一振动阶段所测得的每个振动信号点的值。
优选地,根据指标因素对柴油机气缸系统的健康状态进行模糊综合评估的方法为:
根据缸盖振动峰值、缸盖振动的有效值,确定缸盖振动峰值、缸盖振动的有效值的权重W,权重用权向量W=(w1,w2)表示,其中,权向量W的确定可以由专家直接给出或者通过层次分析法确定;
根据重系数向量W和多参数量化矩阵R,利用下式(2)计算气缸系统健康状态的模糊综合评价结果向量B:
其中,当前气缸系统的健康状态隶属于良好、基本正常和故障的情况依次为b1,b2,b3。
本发明的有益效果:
本发明提供的一种基于多传感器模糊评估的发动机气缸故障预测方法,基于粒子群算法对影响变分模态分解的方法的影响参数进行优化,获取最佳影响参数,基于最佳影响参数对振动信号进行变分模态分解,输出最佳的振动信号,最佳的振动信号即为去除掉噪声信号的纯振动信号,根据最佳的振动信号确定气缸的三个振动阶段,找出三个振动阶段中的缸盖振动的峰值和缸盖振动的有效值,利用缸盖振动的峰值和缸盖振动的有效值对气缸系统的健康状态进行模糊综合评估,通过避免噪声信号对振动信号的影响,进而避免影响发动机故障的结果,提高了诊断结果的准确性,能对气缸性能全面评估,实用性强,值得推广。
附图说明
图1为本发明方法的流程图;
图2为本发明方法中对振动信号进行变分模态分解,基于粒子群算法对影响参数优化输出最佳振动信号的流程图;
图3为本发明方法中一个气缸工作时的时序图。
具体实施方式
下面结合附图1到图3,对本发明的一个具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
如图1所示,本发明实施例提供了一种基于多传感器模糊评估的发动机气缸故障预测方法,包括:
S1、实时获取发动机工作时的振动信号、其中一个气缸的上止点位置信号;
S2、对所述振动信号进行变分模态分解,基于粒子群算法对影响变分模态分解的参数K和α进行优化,获取最佳影响参数K和α,基于最佳影响参数K和α对振动信号进行变分模态分解,输出最佳振动信号;
S3、根据所述一个气缸的上止点位置信号确定出气缸的一个工作周期;
S4、根据所述气缸的工作周期,确定气缸的三个振动阶段;
S5、利用冒泡法找出三个振动阶段中气缸缸盖振动的峰值,根据最佳振动信号计算缸盖振动的有效值;
S6、将缸盖振动的峰值,缸盖振动的有效值作为指标因素,根据指标因素对柴油机气缸系统的健康状态进行模糊综合评估。
其中,如图2所示,S2中对所述振动信号进行变分模态分解,基于粒子群算法对变分模态分解的影响参数K和α进行优化,获取最佳影响参数K和α的方法为:
S21、对振动信号进行变分模态分解,获取多个IMF分量信号;
S22、对多个IMF分量信号进行包络谱分析,获取每个IMF分量信号的对应的包络熵值;
S23、根据每个IMF分量信号对应的包络熵值确定所有IMF分量信号中的全局极小熵值;
S24、根据全局极小熵值输出对应的影响参数数K和α,对应的影响参数数K和α即为最佳影响参数。
其中,S22中对多个IMF分量信号进行包络谱分析,获取每个IMF分量信号对应的包络熵值的方法为:
S221、先对每个IMF分量信号进行解调运算得到包络信号,将每个包络信号进行处理成一个对应的概率分布序列t,根据概率分布序列t计算得出熵值其中,由概率分布序列t经过计算得出熵值可以很好的反映原处理信号的稀疏特性;
S222、利用熵值计算出每个IMF分量信号对应的包络熵值,由于振动信号经变分模态分解方法处理后,如果所得IMF信号分量中噪声信号分量含量较多,故障特征信号不明显,则IMF分量信号的稀疏性较弱,包络熵值较大,IMF分量信号中的噪声信号分量含量较多,则IMF分量信号的稀疏特性较强,包络熵值较小,利用这一原理可以确定包络熵值较小,则IMF分量信号的稀疏特性较强,即IMF分量信号中的噪声信号分量含量较多,即可由包络熵值的大小确定噪声信号分量含量较多IMF分量信号,即为最佳振动信号。
其中,S23中根据每个IMF分量信号的包络熵值确定所有IMF分量信号中的全局极小熵值的方法为:
S231、将每个IMF分量信号的对应的包络熵值作为各粒子的适应度值;其中,IMF分量信号的个数即为粒子的个数;
S232、更新各个粒子的位置,并计算各个粒子每次更新位置后各个的粒子适应度值,确定同一粒子更新位置后的适应度值和更新前的适应度值进行比较,获取这两个适应度值中小的适应度值作为局部极小熵值,将所有粒子的局部极小熵值进行比较,获取其中最小的局部极小熵值即为全局极小熵值。
其中,基于最佳影响参数K和α对振动信号进行变分模态分解,输出最佳振动信号方法为:
基于最佳参数组合K和α对振动信号进行变分模态分解,输出所述最佳参数组合K和α所对应的最佳IMF分量信号,所述最佳IMF分量信号即为最佳振动信号。
其中,S3中根据所述一个气缸的上止点位置信号确定出气缸的一个工作周期的方法为:
S31、根据采集到的上止点位置信号,对上止点位置信号进行处理,得到多个数据,其中所述数据中的最高值与最低值之间选择一个中间数,以中间数作为判断气缸的一个工作周期的起点和终点;
S32、将获取的一个周期的上止点信号点数除以气缸工作一个周期曲轴转过的角度得到每个角度对应的上止点信号点数,上止点信号点数和各活塞杆的相位角得出各气缸的上止点位置。
其中,S4中确定气缸的三个振动阶段的方法为:
S41、根据其中一个气缸压力绘制气缸工作阶段的时序图,其中时序图如图3所示;
S42、根据时序图对应的振动信号得出排气阀关闭激励的峰值大于燃烧激励的振动峰值,将气缸的三个振动阶段区分为进气阀关闭激励振动阶段、排气阀关闭激励振动阶段、燃烧激励振动阶段。
其中,S5中利用冒泡法找出三个阶段中气缸缸盖振动的峰值,利用振动信号计算缸盖振动的有效值:
根据下式(3)计算缸盖振动的有效值:
其中,y为缸盖振动的有效值;n为某一振动阶段的所测得的振动信号点数,xi是某一振动阶段所测得的每个振动信号点的值。
其中,S6中对柴油机气缸系统的健康状态进行模糊综合评估的方法为:
S61、根据气缸系统的当前值,当前值包括缸盖振动峰值、缸盖振动的有效值,结合气缸系统健康状态等级的量化模型,得出多参数的等级量化矩阵即将缸盖振动峰值代入良好、基本正常、故障三个隶属度函数,可以计算出三个值r11,r12,r13,也就是当前气缸系统的健康状态隶属于良好、基本正常和故障的程度分别为r11,r12,r13;同样可以得到:由缸盖振动的有效值参数评估气缸系统的健康状态隶属于良好、基本正常、故障的程度为r21,r22,r23;从而可以构造柴油机气缸系统健康状态的多参数等级量化矩阵
S611、求出三个振动阶段的中缸盖振动峰值的平均值μ1和方差σ1,缸盖振动的有效值的平均值μ2和方差σ2;
S612、其中,下式(2)为良好状态评估隶属函数,Z型隶属函数
其中,将缸盖振动峰值代入良好状态评估隶属函数时a=μ1+σ1,b=μ1+3;将缸盖振动有效值代入良好状态评估隶属函数时a=μ2+σ2,b=μ2+3;
下式(3)为正常状态评估隶属函数,π型隶属函数
其中,将缸盖振动峰值代入正常状态的隶属度函数时a=μ1+σ1,b=μ1+3σ1,c=μ1+3σ1,d=μ1+5;将缸盖振动有效值代入正常状态的隶属度函数时a=μ2+σ2,b=μ2+3σ2,c=μ2+3σ2,d=μ2+5;
下式(4)故障状态评估隶属函数,S型隶属函数
其中,将缸盖振动峰值代入故障状态的隶属度函数时a=μ1+3σ1,b=μ1+5;将缸盖振动有效值代入良好状态评估隶属函数时a=μ2+3σ2,b=μ2+5;
S62、根据缸盖振动峰值、缸盖振动的有效值,确定缸盖振动峰值、缸盖振动的有效值的权重,权重用权向量W=(w1,w2)表示,其中,权向量W的确定可以由专家直接给出或者通过层次分析法确定;
S63、根据重系数向量W和多参数量化矩阵R,利用下式(5)计算气缸系统健康状态的模糊综合评价结果向量B:
其中,当前气缸系统的健康状态隶属于良好、基本正常和故障的情况依次为b1,b2,b3。
综上所述,本发明实施例提供的一种基于多传感器模糊评估的发动机气缸故障预测方法,基于粒子群算法对影响变分模态分解的方法的影响参数进行优化,获取最佳影响参数,基于最佳影响参数对振动信号进行变分模态分解,输出最佳的振动信号,最佳的振动信号即为去除掉噪声信号的纯振动信号,根据最佳的振动信号确定气缸的三个振动阶段,找出三个振动阶段中的缸盖振动的峰值和缸盖振动的有效值,利用缸盖振动的峰值和缸盖振动的有效值对气缸系统的健康状态进行模糊综合评估,即通过避免噪声信号对振动信号的影响,进而避免影响发动机故障的结果,提高了诊断结果的准确性,能对气缸性能全面评估,实用性强,值得推广。
以上公开的仅为本发明的几个具体实施例,但是,本发明实施例并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (4)
1.一种基于多传感器模糊评估的发动机气缸故障预测方法,其特征在于,包括:
实时获取发动机工作时的振动信号、其中一个气缸的上止点位置信号;
对所述振动信号进行变分模态分解,基于粒子群算法对影响变分模态分解的影响参数K和α进行优化,获取最佳影响参数K和α,基于最佳影响参数K和α对振动信号进行变分模态分解,输出最佳振动信号;
根据所述一个气缸的上止点位置信号确定出气缸的一个工作周期;
根据所述气缸的工作周期,确定气缸的三个振动阶段;
利用冒泡法找出三个振动阶段中气缸缸盖振动的峰值,根据最佳振动信号计算缸盖振动的有效值;
将缸盖振动的峰值,缸盖振动的有效值作为指标因素,根据指标因素对柴油机气缸系统的健康状态进行模糊综合评估;
对所述振动信号进行变分模态分解,基于粒子群算法对影响变分模态分解的影响参数K和α进行优化,获取最佳影响参数K和α的方法为:
对振动信号进行变分模态分解,获取多个IMF分量信号;
对多个IMF分量信号进行包络谱分析,获取每个IMF分量信号的对应的包络熵值;
根据每个IMF分量信号对应的包络熵值确定所有IMF分量信号中的全局极小熵值;
根据全局极小熵值输出对应的影响参数K和α,对应的影响参数K和α即为最佳影响参数;
根据每个IMF分量信号的包络熵值确定所有IMF分量信号中的全局极小熵值的方法为:
将每个IMF分量信号的对应的包络熵值作为各粒子的适应度值;其中,IMF分量信号的个数即为粒子的个数;
更新各个粒子的位置,并计算各个粒子每次更新位置后各个的粒子适应度值,确定同一粒子更新位置后的适应度值和更新前的适应度值进行比较,获取这两个适应度值中小的适应度值作为局部极小熵值,将所有粒子的局部极小熵值进行比较,获取其中最小的局部极小熵值即为全局极小熵值;
根据所述一个气缸的上止点位置信号确定出气缸的一个工作周期的方法为:
根据采集到的上止点位置信号,对上止点位置信号进行处理,得到多个数据,其中所述数据中的最高值与最低值之间选择一个中间数,以中间数作为判断气缸的一个工作周期的起点和终点;
将获取的一个周期的上止点信号点数除以气缸工作一个周期曲轴转过的角度得到每个角度对应的上止点信号点数,根据上止点信号点数和各活塞杆的相位角得出各气缸的上止点位置;
确定气缸的三个振动阶段的方法:
根据其中一个气缸压力绘制气缸工作阶段的时序图;
根据时序图对应的振动信号得出排气阀关闭激励的峰值大于燃烧激励的振动峰值,将气缸的三个振动阶段区分为进气阀关闭激励振动阶段、排气阀关闭激励振动阶段、燃烧激励振动阶段;
根据指标因素对柴油机气缸系统的健康状态进行模糊综合评估的方法为:
根据气缸系统的当前值,当前值包括缸盖振动峰值、缸盖振动的有效值,结合气缸系统健康状态等级的量化模型,得出多参数的等级量化矩阵即将缸盖振动峰值代入良好、基本正常、故障三个隶属度函数,可以计算出三个值r11,r12,r13,也就是当前气缸系统的健康状态隶属于良好、基本正常和故障的程度分别为r11,r12,r13;由缸盖振动的有效值参数评估气缸系统的健康状态隶属于良好、基本正常、故障的程度为r21,r22,r23;
根据缸盖振动峰值、缸盖振动的有效值,确定缸盖振动峰值、缸盖振动的有效值的权重W,权重用权向量W=(w1,w2)表示,其中,权向量W的确定可以由专家直接给出或者通过层次分析法确定;
根据重系数向量W和多参数量化矩阵R,利用下式(2)计算气缸系统健康状态的模糊综合评价结果向量B:
其中,当前气缸系统的健康状态隶属于良好、基本正常和故障的情况依次为b1,b2,b3。
2.如权利要求1所述的一种基于多传感器模糊评估的发动机气缸故障预测方法,其特征在于,对多个IMF分量信号进行包络谱分析,获取每个IMF分量信号对应的包络熵值的方法为:
对每个IMF分量信号进行解调运算得到包络信号,将每个包络信号进行处理成一个对应的概率分布序列t,根据概率分布序列t计算得出熵值;
利用熵值计算出每个IMF分量信号对应的包络熵值。
3.如权利要求1所述的一种基于多传感器模糊评估的发动机气缸故障预测方法,其特征在于,基于最佳影响参数K和α对振动信号进行变分模态分解,输出最佳振动信号方法为:
基于最佳参数组合K和α对振动信号进行变分模态分解,输出所述最佳参数组合K和α所对应的最佳IMF分量信号,所述最佳IMF分量信号即为最佳振动信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110976954.6A CN113689038B (zh) | 2021-08-24 | 2021-08-24 | 一种基于多传感器模糊评估的发动机气缸故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110976954.6A CN113689038B (zh) | 2021-08-24 | 2021-08-24 | 一种基于多传感器模糊评估的发动机气缸故障预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113689038A CN113689038A (zh) | 2021-11-23 |
CN113689038B true CN113689038B (zh) | 2023-05-26 |
Family
ID=78582224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110976954.6A Active CN113689038B (zh) | 2021-08-24 | 2021-08-24 | 一种基于多传感器模糊评估的发动机气缸故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113689038B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114441179B (zh) * | 2021-12-28 | 2023-11-17 | 潍柴动力股份有限公司 | 发动机燃烧不均匀检测系统以及检测方法 |
CN115839848B (zh) * | 2023-02-22 | 2023-05-05 | 中国船舶集团有限公司第七一九研究所 | 一种用于船舶诊断的数据采集及管理方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635334A (zh) * | 2018-11-12 | 2019-04-16 | 武汉科技大学 | 基于粒子群优化的滚动轴承故障诊断方法、系统及介质 |
CN109827776A (zh) * | 2019-03-15 | 2019-05-31 | 合肥工业大学 | 轴承故障检测方法及系统 |
CN110455546A (zh) * | 2019-07-19 | 2019-11-15 | 广西大学 | 基于振动和油液信息的发动机状态监测和故障诊断方法 |
CN110686899A (zh) * | 2019-09-21 | 2020-01-14 | 天津大学 | 一种内燃机噪声源识别方法 |
WO2021056727A1 (zh) * | 2019-09-27 | 2021-04-01 | 山东科技大学 | 一种基于变分模态分解和排列熵的联合降噪方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210167584A1 (en) * | 2019-11-29 | 2021-06-03 | Electric Power Science & Research Institute Of State Grid Tianjin Electric Power Company | Gis mechanical fault diagnosis method and device |
-
2021
- 2021-08-24 CN CN202110976954.6A patent/CN113689038B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635334A (zh) * | 2018-11-12 | 2019-04-16 | 武汉科技大学 | 基于粒子群优化的滚动轴承故障诊断方法、系统及介质 |
CN109827776A (zh) * | 2019-03-15 | 2019-05-31 | 合肥工业大学 | 轴承故障检测方法及系统 |
CN110455546A (zh) * | 2019-07-19 | 2019-11-15 | 广西大学 | 基于振动和油液信息的发动机状态监测和故障诊断方法 |
CN110686899A (zh) * | 2019-09-21 | 2020-01-14 | 天津大学 | 一种内燃机噪声源识别方法 |
WO2021056727A1 (zh) * | 2019-09-27 | 2021-04-01 | 山东科技大学 | 一种基于变分模态分解和排列熵的联合降噪方法 |
Non-Patent Citations (3)
Title |
---|
Novel Particle Swarm Optimization-Based Variational Mode Decomposition Method for the Fault Diagnosis of Complex Rotating Machinery;Xian-Bo Wang 等;IEEE/ASME Transactions on Mechatronics;全文 * |
基于变分模态分解与优化多核支持向量机的旋转机械早期故障诊断方法研究;吕中亮;知网博士电子期刊;全文 * |
基于模糊聚类的油田往复压缩机气阀故障诊断研究;王朝晖;姚德群;段礼祥;;机械强度(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113689038A (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113689038B (zh) | 一种基于多传感器模糊评估的发动机气缸故障预测方法 | |
CN109827777B (zh) | 基于偏最小二乘法极限学习机的滚动轴承故障预测方法 | |
Czech et al. | Application of the discrete wavelet transform and probabilistic neural networks in IC engine fault diagnostics | |
CN105466693B (zh) | 基于灰色模型的柴油机燃油系统故障预诊断方法 | |
CN111042917B (zh) | 一种基于goa-mckd和层次离散熵的共轨喷油器微弱故障诊断方法 | |
CN112098102B (zh) | 一种基于ewt-scwt的内燃机异响识别与诊断方法 | |
CN104949840A (zh) | 一种基于振动分析的柴油机故障诊断方法 | |
Fog et al. | On condition monitoring of exhaust valves in marine diesel engines | |
CN117009814A (zh) | 一种基于多源信息融合的发动机故障诊断方法及系统 | |
Ofner et al. | Knock detection in combustion engine time series using a theory-guided 1-D convolutional neural network approach | |
Bi et al. | A variety of engine faults detection based on optimized variational mode decomposition-robust independent component analysis and fuzzy C-mean clustering | |
Yang et al. | A novel multiple feature-based engine knock detection system using sparse Bayesian extreme learning machine | |
Ortmann et al. | Engine knock estimation using neural networks based on a real-world database | |
CN111595585B (zh) | 柴油机气缸故障诊断方法、装置、设备及可读存储介质 | |
CN112761843A (zh) | 一种共轨喷油器故障诊断方法 | |
CN117390510A (zh) | 一种发动机运行状态预测方法、系统及电子设备 | |
CN112183260A (zh) | 一种基于总变差降噪与rqa的单向阀故障诊断方法 | |
CN112610344B (zh) | 一种基于ceemd和改进层次离散熵的共轨喷油器故障诊断方法 | |
Tafreshi et al. | Informative wavelet algorithm in diesel engine diagnosis | |
Siano et al. | A nonlinear black-box modeling method for knock detection in spark-ignition engines | |
Pontoppidan et al. | Machine learning for condition monitoring and innovation | |
Li et al. | Pattern recognition on diesel engine working condition by using a novel methodology—Hilbert spectrum entropy | |
Devasenapati et al. | Random forest based misfire detection using kononenko discretiser | |
CN112990257A (zh) | 基于主成分分析与支持向量机的往复压缩机故障诊断方法 | |
Hong et al. | An approach to state recognition and knowledge-based diagnosis for engines |
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 |