CN114076680A - 发动机装配检测方法、系统、存储介质以及电子设备 - Google Patents

发动机装配检测方法、系统、存储介质以及电子设备 Download PDF

Info

Publication number
CN114076680A
CN114076680A CN202010826298.7A CN202010826298A CN114076680A CN 114076680 A CN114076680 A CN 114076680A CN 202010826298 A CN202010826298 A CN 202010826298A CN 114076680 A CN114076680 A CN 114076680A
Authority
CN
China
Prior art keywords
assembly
engine
failure detection
model
assembly detection
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
Application number
CN202010826298.7A
Other languages
English (en)
Other versions
CN114076680B (zh
Inventor
纪庆龙
和志宏
胡永安
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Foton Cummins Engine Co Ltd
Original Assignee
Beijing Foton Cummins Engine Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Foton Cummins Engine Co Ltd filed Critical Beijing Foton Cummins Engine Co Ltd
Priority to CN202010826298.7A priority Critical patent/CN114076680B/zh
Publication of CN114076680A publication Critical patent/CN114076680A/zh
Application granted granted Critical
Publication of CN114076680B publication Critical patent/CN114076680B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种发动机装配检测方法、系统、存储介质以及电子设备，涉及发动机技术领域，该方法包括：获取发动机装配检测过程中采集到的装配检测数据；将所述装配检测数据作为训练好的失效检测模型的输入，根据所述失效检测模型的输出结果确定所述发动机的装配是否合格。本发明的有益效果是：通过训练好的失效检测模型，可以引入多个维度的检测数据进行分析，使得发动机装配检测的检测结果更佳。

Description

发动机装配检测方法、系统、存储介质以及电子设备
技术领域
本发明属于发动机技术领域，尤其涉及一种发动机装配检测方法、系统、存储介质以及电子设备。
背景技术
在发动机生产装配过程中，通过建立IPV工位检测，监控关键零部件装配状态，提前识别因零部件问题或者设备状态等引起的装配缺陷，保证流出发动机的装配质量完全满足保证市场需求。但是窗口、包络线和斜率等判定规则在两维度过程曲线波动较大时，很难设定合理的监控规则，识别装配差异性表现，如增加滤波功能，可以减小上述波动，但是会带来相应性变差。另外，装配线IPV工位(拧紧、压装、气密性检测等)检测均采用两通道测试数据边缘计算模式监控装配质量，两个维度数据仅能搭建窗口和包络线等监控实现部分或者整个装配过程的监控。
发明内容
本发明正是基于上述技术问题，提出了一种发动机装配检测方法、系统、存储介质以及电子设备。
第一方面，本发明实施例提供了一种发动机装配检测方法，包括：
获取发动机装配检测过程中采集到的装配检测数据；
将所述装配检测数据作为训练好的失效检测模型的输入，根据所述失效检测模型的输出结果确定所述发动机的装配是否合格。
可选地，通过以下步骤构建所述失效检测模型，包括：
获取训练样本，其中，所述训练样本包括装配合格的历史装配检测数据以及装配不合格的历史装配检测数据；
基于所述训练样本，进行机器学习，获得所述失效检测模型。
可选地，所述基于所述训练样本，进行机器学习，获得所述失效检测模型，包括：
从所述历史装配检测数据中提取预设区域上的特征值；其中，所述特征值包括最大值、最小值、标准差、均值以及四分位数中的至少一种；
对提取到的特征值进行主成分分析，得到主成分分析结果；
对所述主成分分析结果进行聚类，得到聚类后的类簇，并将所述聚类后的类簇作为所述失效检测模型。
可选地，所述对所述主成分分析结果进行聚类，得到聚类后的类簇，包括：
将所述主成分分析结果作为DBSCAN聚类模型的输入，得到聚类后的类簇。
可选地，所述将所述装配检测数据作为训练好的失效检测模型的输入，以根据所述失效检测模型的输出结果确定所述发动机的装配是否合格，包括：
从所述装配检测数据中提取预设区域上的特征值；
将提取到的特征值与所述失效检测模型进行对比，以判断提取到的特征值是否在所述失效检测模型的区域内；
当提取到的特征值在所述失效检测模型的区域内，确定所述发动机的装配合格。
可选地，所述基于所述训练样本，进行机器学习，获得所述失效检测模型，包括：
将所述训练样本作为待训练的神经网络模型的输入，以对所述神经网络模型进行训练，得到所述失效检测模型，其中，所述神经网络模型用于对装配检测数据进行分析。
可选地，所述装配检测数据包括发动机装配过程中采集到的扭矩值、角度值、压力值以及位移值中的至少一种。
第二方面，本发明实施例提供了一种发动机装配检测系统，包括：
数据采集模块，用于获取发动机装配检测过程中采集到的装配检测数据；
失效检测模块，用于将所述装配检测数据作为训练好的失效检测模型的输入，根据所述失效检测模型的输出结果确定所述发动机的装配是否合格。
第三方面，本发明实施例提供了一种存储介质，所述存储介质上存储有程序代码，所述程序代码被处理器执行时，实现如上述实施例中任一项所述的发动机装配检测方法。
第四方面，本发明实施例提供了一种电子设备，所述电子设备包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的程序代码，所述程序代码被所述处理器执行时，实现如上述实施例中任一项所述的发动机装配检测方法。
在本发明实施例提供的一种发动机装配检测方法，通过利用训练好的失效检测模型对发动机装配过程中的装配检测数据进行智能分析，可以在装配检测过程无需对有效高频信号进行滤波，即可建立高精度的发动机边缘侧监控，保证发动机的装配质量。而且，通过训练好的失效检测模型，不仅可以引入多个维度的检测数据进行分析，使得发动机装配检测的检测结果更佳，而且通过失效检测模型，能够实现利用大数据分析对发动机装配检测进行分析，从而使得发动机装配检测智能化。
附图说明
通过结合附图阅读下文示例性实施例的详细描述可更好地理解本公开的范围。其中所包括的附图是：
图1示出了本发明实施例一提出的一种发动机装配检测方法的流程示意图；
图2示出了利用训练样本构建失效检测模型的示意图；
图3示出了失效检测模型的构建示意图；
图4示出了利用失效检测模型对缸套压装进行检测的示意图。
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，以下将结合附图及实施例来详细说明本发明的实施方法，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
在对本发明实施例进行详细解释说明之前，先对本发明实施例的应用场景予以说明。
在实际应用中，发动机装配线为保证发动机装配质量，往往需要对发动机进行检测。如密封性检测，零部件装配至一定状态后，在被测的腔体内充入高压气体，通过采集压力降转换成泄漏量，来检测被测腔体的密封性；如扭矩检测，零部件装配至一定状态后，驱动被测零部件旋转，通过扭矩传感器采集旋转过程中的扭矩，来检测被测零部件装配后的摩擦副配合结果。一般而言，发动机装配线在线质量管理基本是通过对采集到的数据曲线进行分析，来判断发动机装配是否合格。如在曲轴回转力矩检测中，通过电机驱动曲轴旋转一定角度，并通过扭矩传感器采集旋转过程中的力矩曲线。在检测过程中，通过设定的窗口或包络线来判断力矩曲线是否符合标准，从而确定发动机装配是否合格。
但是，窗口、包络线和斜率等判定规则在装配曲线波动较大时，很难设定合理的监控规则，无法准确识别出发动机装配的差异性表现。
针对上述技术问题，发明人经过长期的研究，提出了本发明实施例提供的发动机装配检测方法、系统、存储介质以及电子设备，通过利用训练好的失效检测模型对发动机装配过程中的装配检测数据进行智能分析，可以在装配检测过程无需对有效高频信号进行滤波，即可建立高精度的发动机边缘侧监控，保证发动机的装配质量。而且，通过训练好的失效检测模型，可以引入多个维度的检测数据进行分析，使得发动机装配检测的检测结果更佳。
实施例一
根据本发明的实施例，提供了一种发动机装配检测方法，图1示出了本发明实施例一提出的一种发动机装配检测方法的流程示意图，如图1所示，该发动机装配检测方法可以包括：步骤110至步骤120。
在步骤110中，获取发动机装配检测过程中采集到的装配检测数据。
这里，在发动机生产装配过程中，一般通过建立IPV工位来检测、监控关键零部件装配状态，提前识别因零部件问题或者设备状态等引起的装配缺陷。
其中，装配检测数据包括发动机装配过程中采集到的扭矩值、角度值、压力值以及位移值中的至少一种。装配检测数据是由IPV工位采集的数据信息，如在曲轴回转力矩检测中，基于NI-PXIe系统采集发动机曲轴回转力矩检测工位上的扭矩传感器和角度传感器的模拟信号，经数据处理后，把采集到的模拟电压信号值转换成实际扭矩值和回转角度量。因此，在发动机曲轴回转力矩检测中，采集到的装配检测数据包括扭矩值和回转角度量。
应当理解的是，对于不同检测工艺的IPV工位，采集的装配检测数据不一样。如在油封压装中采集的装配检测数据可以是压力降数据，如在螺栓拧紧检测中，装配检测数据可以是扭矩和角度。
在步骤120中，将所述装配检测数据作为训练好的失效检测模型的输入，根据所述失效检测模型的输出结果确定所述发动机的装配是否合格。
这里，在获取到装配检测数据之后，将其输入训练好的失效检测模型中，失效检测模型输出检测结果，从而判断发动机的装配是否合格。其中，失效检测模型可以是通过对历史装配检测数据进行深度学习构建的模型。
值得说明的是，不同检测工艺匹配的失效检测模型是不同的。如曲轴回转力矩检测工位匹配的是曲轴回转力矩失效检测模型。
作为一个示例，可以预先通过以下步骤构建所述失效检测模型：
步骤101，获取训练样本，其中，所述训练样本包括装配合格的历史装配检测数据以及装配不合格的历史装配检测数据；
步骤102，基于所述训练样本，进行机器学习，获得所述失效检测模型。
这里，根据工厂设备层配置，搭建自适应DAQ系统，对IPV工位的两通道测试数据进行收集和解析，获取装配过程的完整数字化记录，并进行完整数据存储，存储模式基于数据属性。选择实时数据库InfluxDB存储高频变化的过程物理数据，如回转力矩检测的扭矩和旋转角度，选择轻量化关系数据库Mysql存储发动机建造信息，如发动机ESN、装配工位、装配开始和结束时间等。图2示出了利用训练样本构建失效检测模型的示意图，如图2所示，从合格数据以及不合格数据中选取出训练集和测试集，其中，利用训练集进行模型训练，验证集用于对训练的模型进行验证，测试集则用来对模型进行测试。其中，通过将聚类K-Means方法以及基于深度学习理论的分类方法引入发动机装配IPV检测边缘侧，搭建与检测工艺匹配的失效检测模型，提高装配检测精度。首先，通过数据采集系统获取两维数据经解析、处理后，通过边缘计算系统搭建好的失效检测模型监控装配过程，装配相关数据存储后在数据分析中心进行大数据运算，运算结果下行优化边缘层失效检测模型。
在一个可选的实施方式中，步骤102，基于所述训练样本，进行机器学习，获得所述失效检测模型，可以包括步骤1021至步骤1023。
在步骤1021中，从所述历史装配检测数据中提取预设区域上的特征值；其中，所述特征值包括最大值、最小值、标准差、均值以及四分位数中的至少一种。
这里，预设区域是指历史装配检测数据中特定区域上的数据，例如，可以通过窗口和包络线等传统规则探测散差较大区域，散差较大区域则作为预设区域。在确定选定区域后，对选定区域进行特征提取，如在回转力矩检测时，提取扭矩最大值、最小值、标准差、均值以及四分位数等数据。
在步骤1022中，对提取到的特征值进行主成分分析，得到主成分分析结果。
这里，在提取到特征值之后，对特征值进行主成分分析(PCA)。其中，主成分分析是通过正交表换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的变量叫主成分。通过主成分分析，能够降维出关联性最大特征值。
在步骤1023中，对所述主成分分析结果进行聚类，得到聚类后的类簇，并将所述聚类后的类簇作为所述失效检测模型。
这里，在进行主成分分析后，对主成分分析结果进行聚类，获得聚类后的类簇，该类簇表征学习到的失效检测模型。即通过对大量的历史装配检测数据进行分析、聚类后得到的类簇，如果新的装配检测数据在该类簇范围内，说明装配合格。
其中，步骤1023具体为，将所述主成分分析结果作为DBSCAN聚类模型的输入，得到聚类后的类簇。
这里，DBSCAN聚类模型是一个比较有代表性的基于密度的聚类算法，与划分和层次聚类算法不同，它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。DBSCAN聚类算法和传统的K-means算法相比，DBSCAN聚类算法的最大的不同是不需要事先知道要形成的簇类的数量，因此不需要输入类别个数K，它最大的优势是可以发现任意形状的聚类簇，而不像K-means算法，一般只适用凸的样本集，结合轨迹数据在停靠点附近轨迹数相对密集等特征，本发明实施例选择了DBSCAN聚类算法。
图3示出了失效检测模型的构建示意图，如图3所示，以在曲轴回转力矩检测中获得的装配检测数据进行失效检测模型构建为例，在获得曲轴回转力矩检测数据后，对曲轴回转力矩检测数据进行特征提取，如提取最大值、最小值、标准差、均值以及四分位数，然后对提取到的特征值进行主成分分析，从而实现特征降维，在得到主成分分析结果后，对主成分分析结果进行聚类，得到聚类后的类簇，该类簇即为失效检测模型的表征。
在一个可选的实施方式中，步骤120具体可以包括：
步骤121，从所述装配检测数据中提取预设区域上的特征值；
步骤122，将提取到的特征值与所述失效检测模型进行对比，以判断提取到的特征值是否在所述失效检测模型的区域内；
步骤123，当提取到的特征值在所述失效检测模型的区域内，确定所述发动机的装配合格。
这里，在识别过程中，可以从所述装配检测数据中提取预设区域上的特征值。其中，预设区域可以是通过窗口和包络线等传统规则探测散差较大区域，散差较大区域则作为预设区域。在确定选定区域后，对选定区域进行特征提取，如在回转力矩检测时，提取扭矩最大值、最小值、标准差、均值以及四分位数等数据。在提取到特征值之后，将所述特征值与失效检测模型进行比较，即判断提取到的特征值是否在聚类生成的类簇的区域内，如果提取到的特征值在类簇的区域内，确定所述发动机的装配合格，如果不在类簇的区域内，说明发动机的装配不合格。
图4示出了利用失效检测模型对缸套压装进行检测的示意图，如图4所示，首先，获取缸套压装装配过程中的装配检测数据，然后提取特征值，截取位移358-365mm的压力数据(每个采样点作为一维数据)，然后从截取到的数据中进行特征提取，并将提取到的特征值输入失效检测模型，失效检测模型则输出每个模型的异常检测结果。
在一个可选的实施方式中，步骤122，基于所述训练样本，进行机器学习，获得所述失效检测模型，包括：
将所述训练样本作为待训练的神经网络模型的输入，以对所述神经网络模型进行训练，得到所述失效检测模型，其中，所述神经网络模型用于对装配检测数据进行分析。
这里，神经网络模型是专门搭建的用于对装配检测数据进行分析的神经网络，其可以包括特征提取层、全连接层、隐藏层等神经网络结构。通过所述训练样本作为待训练的神经网络模型的输入来对神经网络模型进行训练，可以得到一个训练好的专门用于对装配检测数据进行分析的失效检测模型。在识别阶段中，通过将发动机装配过程中采集到的装配检测数据作为失效检测模型的输入，失效检测模型输出结果，从而判断发动机装配是否合格。
在本实施例中，通过训练好的失效检测模型，可以引入多个维度的检测数据进行分析，使得发动机装配检测的检测结果更佳。
实施例二
根据本发明的实施例，还提供了发动机装配检测系统，包括：
数据采集模块，用于获取发动机装配检测过程中采集到的装配检测数据；
失效检测模块，用于将所述装配检测数据作为训练好的失效检测模型的输入，根据所述失效检测模型的输出结果确定所述发动机的装配是否合格。
实施例三
根据本发明的实施例，还提供了一种存储介质，所述存储介质上存储有程序代码，所述程序代码被处理器执行时，实现如上述实施例任一项所述的发动机装配检测方法。
实施例四
根据本发明的实施例，还提供了一种电子设备，所述电子设备包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的程序代码，所述程序代码被所述处理器执行时，实现如上述实施例任一项所述的发动机装配检测方法。
这里，该电子设备可以是在发动机装配检测工位上的控制器，即将实现如上述实施例任一项所述的发动机装配检测方法的程序代码存储在装配工位的控制器上，从而实现在装配工位上进行智能检测的边缘侧数据检测功能。
以上结合附图详细说明了本发明的技术方案，考虑到相关技术中，在发动机装配检测中均是通过窗口、包络线和斜率等判定规则对发动机的装配进行判定，导致数据产生波动时无法准确识别。本发明提供一种发动机装配检测方法、系统、存储介质以及电子设备，通过利用训练好的失效检测模型对发动机装配过程中的装配检测数据进行智能分析，可以在装配检测过程无需对有效高频信号进行滤波，即可建立高精度的发动机边缘侧监控，保证发动机的装配质量。而且，通过训练好的失效检测模型，可以引入多个维度的检测数据进行分析，使得发动机装配检测的检测结果更佳。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，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。
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发明实施例方案的目的。
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，也可以是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。
集成的单元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，或者该技术方案的全部或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，包括若干指令用以使得一台电子设备(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。
虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (10)

1.一种发动机装配检测方法，其特征在于，包括：
获取发动机装配检测过程中采集到的装配检测数据；
将所述装配检测数据作为训练好的失效检测模型的输入，根据所述失效检测模型的输出结果确定所述发动机的装配是否合格。
2.根据权利要求1所述的发动机装配检测方法，其特征在于，通过以下步骤构建所述失效检测模型，包括：
获取训练样本，其中，所述训练样本包括装配合格的历史装配检测数据以及装配不合格的历史装配检测数据；
基于所述训练样本，进行机器学习，获得所述失效检测模型。
3.根据权利要求2所述的发动机装配检测方法，其特征在于，所述基于所述训练样本，进行机器学习，获得所述失效检测模型，包括：
从所述历史装配检测数据中提取预设区域上的特征值；其中，所述特征值包括最大值、最小值、标准差、均值以及四分位数中的至少一种；
对提取到的特征值进行主成分分析，得到主成分分析结果；
对所述主成分分析结果进行聚类，得到聚类后的类簇，并将所述聚类后的类簇作为所述失效检测模型。
4.根据权利要求3所述的发动机装配检测方法，其特征在于，所述对所述主成分分析结果进行聚类，得到聚类后的类簇，包括：
将所述主成分分析结果作为DBSCAN聚类模型的输入，得到聚类后的类簇。
5.根据权利要求3所述的发动机装配检测方法，其特征在于，所述将所述装配检测数据作为训练好的失效检测模型的输入，以根据所述失效检测模型的输出结果确定所述发动机的装配是否合格，包括：
从所述装配检测数据中提取预设区域上的特征值；
将提取到的特征值与所述失效检测模型进行对比，以判断提取到的特征值是否在所述失效检测模型的区域内；
当提取到的特征值在所述失效检测模型的区域内，确定所述发动机的装配合格。
6.根据权利要求1所述的发动机装配检测方法，其特征在于，所述基于所述训练样本，进行机器学习，获得所述失效检测模型，包括：
将所述训练样本作为待训练的神经网络模型的输入，以对所述神经网络模型进行训练，得到所述失效检测模型，其中，所述神经网络模型用于对装配检测数据进行分析。
7.根据权利要求1所述的发动机装配检测方法，其特征在于，所述装配检测数据包括发动机装配过程中采集到的扭矩值、角度值、压力值以及位移值中的至少一种。
8.一种发动机装配检测系统，其特征在于，包括：
数据采集模块，用于获取发动机装配检测过程中采集到的装配检测数据；
失效检测模块，用于将所述装配检测数据作为训练好的失效检测模型的输入，根据所述失效检测模型的输出结果确定所述发动机的装配是否合格。
9.一种存储介质，所述存储介质上存储有程序代码，其特征在于，所述程序代码被处理器执行时，实现如权利要求1至7中任一项所述的发动机装配检测方法。
10.一种电子设备，其特征在于，所述电子设备包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的程序代码，所述程序代码被所述处理器执行时，实现如权利要求1至7中任一项所述的发动机装配检测方法。
CN202010826298.7A 2020-08-17 2020-08-17 发动机装配检测方法、系统、存储介质以及电子设备 Active CN114076680B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010826298.7A CN114076680B (zh) 2020-08-17 2020-08-17 发动机装配检测方法、系统、存储介质以及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010826298.7A CN114076680B (zh) 2020-08-17 2020-08-17 发动机装配检测方法、系统、存储介质以及电子设备

Publications (2)

Publication Number Publication Date
CN114076680A true CN114076680A (zh) 2022-02-22
CN114076680B CN114076680B (zh) 2024-09-20

Family

ID=80280890

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010826298.7A Active CN114076680B (zh) 2020-08-17 2020-08-17 发动机装配检测方法、系统、存储介质以及电子设备

Country Status (1)

Country Link
CN (1) CN114076680B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013053978A (ja) * 2011-09-06 2013-03-21 Meidensha Corp エンジンベンチシステムの制御装置
CN104361408A (zh) * 2014-11-04 2015-02-18 沈阳黎明航空发动机(集团)有限责任公司 一种航空发动机主轴承装配游隙选配方法
CN106482828A (zh) * 2016-11-25 2017-03-08 沈阳黎明航空发动机(集团)有限责任公司 一种航空发动机振动故障的检测诊断装置及方法
CN106682795A (zh) * 2015-11-05 2017-05-17 大陆汽车投资（上海）有限公司 基于数据分析的汽车零部件信息处理方法
CN107101829A (zh) * 2017-04-11 2017-08-29 西北工业大学 一种航空发动机结构类故障的智能诊断方法
CN107831711A (zh) * 2017-10-27 2018-03-23 山东大学 基于聚类的推土机动力总成故障诊断系统构建方法和装置
CN108304661A (zh) * 2018-02-05 2018-07-20 南京航空航天大学 基于tdp模型的诊断预测方法
CN109032099A (zh) * 2018-09-04 2018-12-18 山东建筑大学 工程机械总装生产线在线感知系统
CN109726230A (zh) * 2018-12-04 2019-05-07 重庆大学 一种大数据分析模型预测发动机性能的方法
CN110514344A (zh) * 2019-07-18 2019-11-29 青海大学 一种航空发动机螺栓预紧力精确控制方法
CN110954314A (zh) * 2019-12-18 2020-04-03 北京昊鹏智能技术有限公司 设备磨损的预测方法及装置
CN111435557A (zh) * 2019-01-15 2020-07-21 卡特彼勒公司 用于检测机器部件问题的故障检测装置
CN111487075A (zh) * 2020-04-24 2020-08-04 三一石油智能装备有限公司 一种施工设备的故障检测方法、装置、设备及介质

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013053978A (ja) * 2011-09-06 2013-03-21 Meidensha Corp エンジンベンチシステムの制御装置
CN104361408A (zh) * 2014-11-04 2015-02-18 沈阳黎明航空发动机(集团)有限责任公司 一种航空发动机主轴承装配游隙选配方法
CN106682795A (zh) * 2015-11-05 2017-05-17 大陆汽车投资（上海）有限公司 基于数据分析的汽车零部件信息处理方法
CN106482828A (zh) * 2016-11-25 2017-03-08 沈阳黎明航空发动机(集团)有限责任公司 一种航空发动机振动故障的检测诊断装置及方法
CN107101829A (zh) * 2017-04-11 2017-08-29 西北工业大学 一种航空发动机结构类故障的智能诊断方法
CN107831711A (zh) * 2017-10-27 2018-03-23 山东大学 基于聚类的推土机动力总成故障诊断系统构建方法和装置
CN108304661A (zh) * 2018-02-05 2018-07-20 南京航空航天大学 基于tdp模型的诊断预测方法
CN109032099A (zh) * 2018-09-04 2018-12-18 山东建筑大学 工程机械总装生产线在线感知系统
CN109726230A (zh) * 2018-12-04 2019-05-07 重庆大学 一种大数据分析模型预测发动机性能的方法
CN111435557A (zh) * 2019-01-15 2020-07-21 卡特彼勒公司 用于检测机器部件问题的故障检测装置
CN110514344A (zh) * 2019-07-18 2019-11-29 青海大学 一种航空发动机螺栓预紧力精确控制方法
CN110954314A (zh) * 2019-12-18 2020-04-03 北京昊鹏智能技术有限公司 设备磨损的预测方法及装置
CN111487075A (zh) * 2020-04-24 2020-08-04 三一石油智能装备有限公司 一种施工设备的故障检测方法、装置、设备及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李波;: "无人机发动机检测系统设计", 成都信息工程学院学报, no. 04, 15 August 2013 (2013-08-15), pages 13 - 16 *

Also Published As

Publication number Publication date
CN114076680B (zh) 2024-09-20

Similar Documents

Publication Publication Date Title
US11586913B2 (en) Power equipment fault detecting and positioning method of artificial intelligence inference fusion
CN108444708B (zh) 基于卷积神经网络的滚动轴承智能诊断模型的建立方法
CN109781411B (zh) 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法
CN110110768B (zh) 基于并行特征学习和多分类器的滚动轴承故障诊断方法
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN106323635B (zh) 一种滚动轴承故障在线检测与状态评估方法
CN113008559B (zh) 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统
CN116793682A (zh) 基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法
CN116070154B (zh) 一种大型轴承保持器的故障检测方法、设备及介质
CN117093947B (zh) 一种发电柴油机运行异常监测方法及系统
CN115098962A (zh) 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法
CN115496108A (zh) 一种基于流形学习和大数据分析的故障监测方法及系统
Sadoughi et al. A deep learning approach for failure prognostics of rolling element bearings
CN114386191A (zh) 检测齿轮啮合的方法、随机森林模型、训练方法及系统
CN111382792B (zh) 一种基于双稀疏字典稀疏表示的滚动轴承故障诊断方法
CN116538092B (zh) 一种压缩机在线监测及诊断方法、装置、设备及存储介质
CN114076680B (zh) 发动机装配检测方法、系统、存储介质以及电子设备
CN116150668B (zh) 一种基于双级对齐部分迁移网络的旋转设备故障诊断方法
CN117675230A (zh) 基于知识图谱的油井数据完整性识别方法
Hu et al. Fault diagnosis for rotor based on multi-sensor information and progressive strategies
CN118641205B (zh) 基于水平可视图模体特征的滚动轴承状态分类方法及系统
Wu et al. Automatic Diagnosis of Rolling Element Bearing Under Different Conditions Based on RVMD and Envelope Order Capture
CN118066182B (zh) 一种旋转直驱伺服阀工作状态的智能监测方法及系统
Li [Retracted] Fault Diagnosis of Subway Mechanical Equipment Based on 5G Intelligent Sensor Network Signal Processing
CN118484691A (zh) 一种基于密度聚类的模态参数自动定阶方法

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
GR01 Patent grant
GR01 Patent grant