CN114417941A - 一种曲轴故障检测方法及系统 - Google Patents

一种曲轴故障检测方法及系统 Download PDF

Info

Publication number
CN114417941A
CN114417941A CN202210311445.6A CN202210311445A CN114417941A CN 114417941 A CN114417941 A CN 114417941A CN 202210311445 A CN202210311445 A CN 202210311445A CN 114417941 A CN114417941 A CN 114417941A
Authority
CN
China
Prior art keywords
crankshaft
fault
vibration
information
characteristic quantity
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
CN202210311445.6A
Other languages
English (en)
Other versions
CN114417941B (zh
Inventor
刘波
郑砚龄
杨寅鹏
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.)
Clp Technology Innovation Zhilian Wuhan Co ltd
Original Assignee
Clp Technology Innovation Zhilian Wuhan 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 Clp Technology Innovation Zhilian Wuhan Co ltd filed Critical Clp Technology Innovation Zhilian Wuhan Co ltd
Priority to CN202210311445.6A priority Critical patent/CN114417941B/zh
Publication of CN114417941A publication Critical patent/CN114417941A/zh
Application granted granted Critical
Publication of CN114417941B publication Critical patent/CN114417941B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • 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
    • 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
    • Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
    • Y02W90/00—Enabling technologies or technologies with a potential or indirect contribution to greenhouse gas [GHG] emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开一种曲轴故障检测方法及系统，方法包括：构建曲轴故障诊断数据库；将曲轴特征量和内部零件缺陷特征量与曲轴故障诊断数据库中对应的数据源作比对，获得曲轴初步故障信息；根据曲轴初步故障信息，对曲轴进行维修；在预定时间内，利用再次检测曲轴故障，若曲轴仍出现相同故障信息，则拆解该曲轴并利用进行封闭测试，将测试结果上传至所述曲轴故障诊断数据库，用于对数据库进行更新、修正。本发明有益效果是：具有自动化和和自学功能的车辆发动机曲轴诊断系统，提高了维修作业人员的故障诊断效率，降低了对维修作业人员的经验的赖和车辆发动机曲轴维修和维护成本，有助于及时发现相关故障，避免故障扩大带来更大的影响和经济损失。

Description

一种曲轴故障检测方法及系统
技术领域
本发明涉及故障检测领域，尤其涉及一种曲轴故障检测方法及系统。
背景技术
曲轴是发动机中最重要的部件之一，它的作用是传递动力，将其转换为转矩带动其他部件运动。因此曲轴的稳定性将直接影响发动机动力输出平稳性，由于曲轴的工作环境较为恶劣，长期承受高负载的冲击载荷，因此也是发动机中最容易出现故障的零件。曲轴位于发动机内部，一旦出现故障，也难以直接检测；如果不能及时排除其问题，会使其连接件遭受剧烈磨损，使其他零件失效，带来经济损失。传统曲轴故障检测，是由经验丰富的维修人员通过发动机的运行状况并对其进行长时间的测试来分析具体故障原因。这种检测方法门槛较高、花费时间较长，检测效果受限于维修人员的经验丰富与否。如今可以借助数字技术手段，通过特定的测试方式，将测试结果与具体故障类型联系起来，将其整合作为故障判断数据库，这样通过反馈的测试结果与数据库中数据进行匹配，就可以提高故障判断效率。通过不断丰富数据库内容，就可以提高判断准确度。国外常见的一种检测方式是通过高精度摄像机获取图像信息，再经过图像处理将问题曲轴与正常曲轴进行比对，定位问题，但是这种设备费用高昂，且需要将曲轴拆解，对于现场测试、维修人员来说不够便利。
目前一种可靠度较高的测试方式是通过对曲轴的振动信号进行时域频域分解，分解结果的特征变化与曲轴的不同故障有极大的关联性，通过对大量故障数据进行特征提取，就可以对绝大多数故障问题进行覆盖，从而快速定位问题、解决问题；不断整合新的故障特征，就可以提高其通用性。
但是此种方法存在如下的问题：
1.仅凭振动信号的特征量来判断具体故障问题准确度略显不足，需要有辅助手段提高识别准确度；
2.无法对缺陷曲轴零件进行安全性，可靠性检测，缺陷零件再利用率低。
发明内容
为了解决以上技术问题，本发明提出一种曲轴故障检测方法，该方法能够提高曲轴故障检测的准确度。
本发明通过在曲轴连接杆处加装加速度传感器获取故障发动机运转时的振动信号，利用FPGA对振动信号进行时频相干分析获取振动特征变量；再通过超声波探头获取曲轴内部缺陷特征信息，将这两个特征量与故障数据库中数据进行匹配，获得匹配度最高的故障信息作为初步诊断结果。根据初步诊断结果进行维护，如果不再出现问题，即可认为此次诊断有效；如果仍然出现此类问题，则需要测试人员对其进行拆解测试，将测试结果上传至数据库中，对其进行数据更新、修正，这样不断丰富数据内容提高故障识别准确度。
本申请提供的一种曲轴故障检测方法，包括以下步骤：
S1：构建曲轴故障诊断数据库；所述曲轴故障诊断数据库包括振动特征数据源和内部零件缺陷特征数据源；
S2：将加速度传感器安装于曲轴连接杆，通过加速度传感器获取曲轴振动特征量；
S3：将超声波探头对准曲轴工作区域，通过超声波探头获取曲轴内部零件缺陷特征量；
S4：将曲轴特征量和内部零件缺陷特征量与曲轴故障诊断数据库中对应的振动数据源、内部零件特征缺陷数据源作比对，获得曲轴初步故障信息；
S5：根据曲轴初步故障信息，对曲轴进行维修；维修后再次投入使用；
S6：在预定时间内，利用步骤S4再次检测曲轴故障，若曲轴仍出现相同故障信息，则拆解该曲轴并利用进行封闭测试，将测试结果上传至所述曲轴故障诊断数据库，用于对数据库进行更新、修正。
进一步地，所述振动特征数据源的获取方式包括三种，分别为：
对常见曲轴故障类型进行相应工况下的振动测试，获取振动特征信息和对应故障类型，并标记绑定；
通过信号模拟器对常见故障类型进行不同设置，反获取其对应的振动特征信息，并将振动特征信息和故障类型进行标记绑定；
通过对故障类型判断有误的曲轴进行测试，获取振动特征信息，再将该振动信息与当前曲轴故障诊断数据库中最高匹配度的故障类型进行标记绑定。
进一步地，所述内部零件缺陷特征数据源的获取方式包括两种，分别为：
对常见曲轴工况进行循环测试，获取内部零件缺陷特征，并将对应工况与内部零件缺陷特征进行标记绑定；
对故障类型判断有误的曲轴进行测试，获取内部零件缺陷特征，再将该内部零件缺陷特征与当前曲轴故障诊断数据库中最高匹配度的故障类型进行标记绑定。
进一步地，步骤S2中获取振动特征量的具体方式为：
利用FPGA记录振动信号的时域信息；
根据时域信息，通过傅里叶变换，得到频域信息；
根据时域信息或频域信息，将振动信号按周期长短或者按不同频率阶次、幅值作为振动特征量。
进一步地，步骤S4中进行数据比对时，具体过程如下：
取振动特征量和内部零件缺陷特征量各一半，在曲轴故障诊断数据库中进行数据匹配；
当数据匹配相似度超过第一阈值时，匹配到的故障类型作为曲轴初步故障信息；
当数据匹配相似度处于第二阈值和第三阈值之间时，扩充数据源，取出完整振动特征量和内部零件缺陷特征量，进行二次匹配，若二次匹配后，数据匹配相似度提高，则提高后匹配到的故障类型作为曲轴初步故障信息；若二次匹配后，数据匹配相似度不变，则拆解曲轴，分析新的故障类型，并将新的故障类型作为初步故障信息，同时将新故障类型上传更新至曲轴故障诊断数据库；
其中1>第一阈值>第二阈值>第三阈值>0。
一种曲轴故障检测系统，所述系统包括：
曲轴故障诊断数据库构建模块；所述曲轴故障诊断数据库包括振动特征数据源和内部零件缺陷特征数据源；
曲轴振动特征量获取模块：将加速度传感器安装于曲轴连接杆，通过加速度传感器获取曲轴振动特征量；
曲轴内部零件缺陷特征量获取模块：将超声波探头对准曲轴工作区域，通过超声波探头获取曲轴内部零件缺陷特征量；
数据比对模块：将曲轴特征量和内部零件缺陷特征量与曲轴故障诊断数据库中对应的振动数据源、内部零件特征缺陷数据源作比对，获得曲轴初步故障信息；
故障处理模块：根据曲轴初步故障信息，对曲轴进行维修；维修后再次投入使用；
数据库更新模块：在预定时间内，利用步骤S4再次检测曲轴故障，若曲轴仍出现相同故障信息，则拆解该曲轴并利用进行封闭测试，将测试结果上传至所述曲轴故障诊断数据库，用于对数据库进行更新、修正。
一种计算机设备，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，所述处理器执行所述计算机程序时实现所述曲轴故障检测方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述曲轴故障检测方法的步骤。
与现有技术相比，本发明的有益效果包括：具有自动化和和自学功能的车辆发动机曲轴诊断系统，提高了维修作业人员的故障诊断效率，降低了对维修作业人员的经验的赖和车辆发动机曲轴维修和维护成本，有助于及时发现相关故障，避免故障扩大带来更大的影响和经济损失。
附图说明
图1是本发明方法的流程图；
图2是采用第二种方式获取振动特征数据源的流程示意图；
图3是内部零件缺陷特征来源的示意图；
图4是数据比对过程示意图；
图5是本发明方法整体的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
为更好解释清楚本发明，本发明首先对光伏发电系统的相关原理进行阐述。
请参考图1，图1是本发明方法的流程图；本申请提供的一种曲轴故障检测方法，包括以下步骤：
S1：构建曲轴故障诊断数据库；所述曲轴故障诊断数据库包括振动特征数据源和内部零件缺陷特征数据源；
需要说明的是振动特征数据源和内部零件缺陷特征数据源的获取有不同的方式。
作为一种实施例而言，所述振动特征数据源的获取方式包括三种，分别为：
对常见曲轴故障类型进行相应工况下的振动测试，获取振动特征信息和对应故障类型，并标记绑定；需要说明的是，标记绑定即为一一对应的关系。比如某一振动特征信息，其对应的为某一故障类型；
通过信号模拟器对常见故障类型进行不同设置，反获取其对应的振动特征信息，并将振动特征信息和故障类型进行标记绑定；需要说明的是，信号模拟器采用的PixSimMotor模拟器；这里对应第一种方式，属于一种反解的方式；请参考图2，图2是采用第二种方式获取振动特征数据源的流程示意图；首先启动Pix SimMotor信号模拟器，设置曲轴故障的常见类型和对应工况的循环次数；启动曲轴故障信号模拟，等待模拟完成，并保存其中的模拟故障信号数据并与对应的故障类型保存；
通过对故障类型判断有误的曲轴进行测试，获取振动特征信息，再将该振动信息与当前曲轴故障诊断数据库中最高匹配度的故障类型进行标记绑定。需要说明的是，第三种方式属于一种优化方式，或纠错方式。
在本实施例中，振动数据的来源采用以上方式，在一些其它实施例中，也可以采用其它方式。
对应于振动特征数据源的获取方式，所述内部零件缺陷特征数据源的获取方式包括两种，分别为：
对常见曲轴工况进行循环测试，获取内部零件缺陷特征，并将对应工况与内部零件缺陷特征进行标记绑定；例如，以行驶里程数进行划分，每100公里进行一次超声波检测，记录内部缺陷变化，直到曲轴的使用寿命里程数。将测试结果获得的缺陷信息与故障类型标记联系。请参考图3，图3是内部零件缺陷特征来源的示意图；在图3中展示了发动机的不同常见工况，如怠速工况、小负荷工况等，根据工况或者里程进行分类，并利用超声波探测器选择曲轴重点检测部分进行探测，得到内部零件缺陷特征，同时标记绑定保存。
对故障类型判断有误的曲轴进行测试，获取内部零件缺陷特征，再将该内部零件缺陷特征与当前曲轴故障诊断数据库中最高匹配度的故障类型进行标记绑定。在一些其它实施例中，也可以采用其它方式获取内部零件缺陷特征数据源。
S2：将加速度传感器安装于曲轴连接杆，通过加速度传感器获取曲轴振动特征量；
需要说明的是，步骤S2中获取振动特征量的具体方式为：
利用FPGA记录振动信号的时域信息；
根据时域信息，通过傅里叶变换，得到频域信息；
根据时域信息或频域信息，将振动信号按周期长短或者按不同频率阶次、幅值作为振动特征量。
作为一种实施例，当发动机出现故障时（可以输出动力），首先通过安装在曲轴连接件上的加速度传感器获取曲轴运转时的振动信号，利用FPGA记录这个周期变换的振动信号的时域信息，再进行傅里叶变换得到其关于频率的关系，将其周期长短或主要频率阶次与幅值作为振动特征量；
具体的说，振动特征主要分析分为两个：1.时域分析：将周期信号进行傅里叶变换得到力波阶次，取低阶力波阶次为主要特征量；2.频域分析，对时域信号进行傅里叶变换得到振动信号频率与幅值的关系，依次取较大幅值所处频率，及接近曲轴固有频率的频率和幅值大小为主要特征量。
S3：将超声波探头对准曲轴工作区域，通过超声波探头获取曲轴内部零件缺陷特征量；
需要说明的是，通过对曲轴进行应力分析，得到其在常见工况下容易出现问题的区域（如曲柄与连杆轴颈结合的圆根脚处），将超声波探头对准这些区域，在探头与零件表面之间涂覆耦合剂，确保超声波能进入零件内部并返回缺陷信息，将缺陷长度与位置作为内部零件缺陷特征量。
S4：将曲轴特征量和内部零件缺陷特征量与曲轴故障诊断数据库中对应的振动数据源、内部零件特征缺陷数据源作比对，获得曲轴初步故障信息；
请参考图4，图4是数据比对过程示意图，本发明中存在二次匹配过程；需要说明的是，步骤S4中进行数据比对时，具体过程如下：
取振动特征量和内部零件缺陷特征量各一半，在曲轴故障诊断数据库中进行数据匹配；
当数据匹配相似度超过第一阈值时，匹配到的故障类型作为曲轴初步故障信息；
当数据匹配相似度处于第二阈值和第三阈值之间时，扩充数据源，取出完整振动特征量和内部零件缺陷特征量，进行二次匹配，若二次匹配后，数据匹配相似度提高，则提高后匹配到的故障类型作为曲轴初步故障信息；若二次匹配后，数据匹配相似度不变，则拆解曲轴，分析新的故障类型，并将新的故障类型作为初步故障信息，同时将新故障类型上传更新至曲轴故障诊断数据库；其中1>第一阈值>第二阈值>第三阈值>0。
作为一种实施例，起初各取出两组特征信息的一半进行数据在线匹配，当相似度超过90%，则据此故障类型对曲轴进行维护；当相似度在70%-80%之间，则扩充在线匹配的数据源，对匹配过的曲轴零件进行二次匹配，当相似度提高时，按照提高后的故障类型进行维修，若相似度无法提升时，则检查故障具体原因，同时将该故障反馈的特征信息与现有数据进行比对，标记其不同点，同时将该故障反馈的特征信息与现有数据进行比对，标记其不同点，与其他数据分开作为新的数据源。
S5：根据曲轴初步故障信息，对曲轴进行维修；维修后再次投入使用；
S6：在预定时间内，利用步骤S4再次检测曲轴故障，若曲轴仍出现相同故障信息，则拆解该曲轴并利用进行封闭测试，将测试结果上传至所述曲轴故障诊断数据库，用于对数据库进行更新、修正。
最后请参考图5，图5是本发明方法整体的示意图；从构建数据库，到数据匹配，到数据库更新，以及各个过程的细节，在图5中及逆行了完整展示。
一种曲轴故障检测系统，所述系统包括：
曲轴故障诊断数据库构建模块；所述曲轴故障诊断数据库包括振动特征数据源和内部零件缺陷特征数据源；
曲轴振动特征量获取模块：将加速度传感器安装于曲轴连接杆，通过加速度传感器获取曲轴振动特征量；
曲轴内部零件缺陷特征量获取模块：将超声波探头对准曲轴工作区域，通过超声波探头获取曲轴内部零件缺陷特征量；
数据比对模块：将曲轴特征量和内部零件缺陷特征量与曲轴故障诊断数据库中对应的振动数据源、内部零件特征缺陷数据源作比对，获得曲轴初步故障信息；
故障处理模块：根据曲轴初步故障信息，对曲轴进行维修；维修后再次投入使用；
数据库更新模块：在预定时间内，利用步骤S4再次检测曲轴故障，若曲轴仍出现相同故障信息，则拆解该曲轴并利用进行封闭测试，将测试结果上传至所述曲轴故障诊断数据库，用于对数据库进行更新、修正。
一种计算机设备，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，所述处理器执行所述计算机程序时实现所述曲轴故障检测方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述曲轴故障检测方法的步骤。
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，而不应对本申请实施例的实施过程构成任何限定。
本发明的有益效果是：具有自动化和和自学功能的车辆发动机曲轴诊断系统，提高了维修作业人员的故障诊断效率，降低了对维修作业人员的经验的赖和车辆发动机曲轴维修和维护成本，有助于及时发现相关故障，避免故障扩大带来更大的影响和经济损失。
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。

Claims (8)

1.一种曲轴故障检测方法，其特征在于：包括以下步骤：
S1：构建曲轴故障诊断数据库；所述曲轴故障诊断数据库包括振动特征数据源和内部零件缺陷特征数据源；
S2：将加速度传感器安装于曲轴连接杆，通过加速度传感器获取曲轴振动特征量；
S3：将超声波探头对准曲轴工作区域，通过超声波探头获取曲轴内部零件缺陷特征量；
S4：将曲轴特征量和内部零件缺陷特征量与曲轴故障诊断数据库中对应的振动数据源、内部零件特征缺陷数据源作比对，获得曲轴初步故障信息；
S5：根据曲轴初步故障信息，对曲轴进行维修；维修后再次投入使用；
S6：在预定时间内，利用步骤S4再次检测曲轴故障，若曲轴仍出现相同故障信息，则拆解该曲轴并利用进行封闭测试，将测试结果上传至所述曲轴故障诊断数据库，用于对数据库进行更新、修正。
2.如权利要求1所述的一种曲轴故障检测方法，其特征在于：所述振动特征数据源的获取方式包括三种，分别为：
对常见曲轴故障类型进行相应工况下的振动测试，获取振动特征信息和对应故障类型，并标记绑定；
通过信号模拟器对常见故障类型进行不同设置，反获取其对应的振动特征信息，并将振动特征信息和故障类型进行标记绑定；
通过对故障类型判断有误的曲轴进行测试，获取振动特征信息，再将该振动信息与当前曲轴故障诊断数据库中最高匹配度的故障类型进行标记绑定。
3.如权利要求1所述的一种曲轴故障检测方法，其特征在于：所述内部零件缺陷特征数据源的获取方式包括两种，分别为：
对常见曲轴工况进行循环测试，获取内部零件缺陷特征，并将对应工况与内部零件缺陷特征进行标记绑定；
对故障类型判断有误的曲轴进行测试，获取内部零件缺陷特征，再将该内部零件缺陷特征与当前曲轴故障诊断数据库中最高匹配度的故障类型进行标记绑定。
4.如权利要求1所述的一种曲轴故障检测方法，其特征在于：步骤S2中获取振动特征量的具体方式为：
利用FPGA记录振动信号的时域信息；
根据时域信息，通过傅里叶变换，得到频域信息；
根据时域信息或频域信息，将振动信号按周期长短或者按不同频率阶次、幅值作为振动特征量。
5.如权利要求1所述的一种曲轴故障检测方法，其特征在于：步骤S4中进行数据比对时，具体过程如下：
取振动特征量和内部零件缺陷特征量各一半，在曲轴故障诊断数据库中进行数据匹配；
当数据匹配相似度超过第一阈值时，匹配到的故障类型作为曲轴初步故障信息；
当数据匹配相似度处于第二阈值和第三阈值之间时，扩充数据源，取出完整振动特征量和内部零件缺陷特征量，进行二次匹配，若二次匹配后，数据匹配相似度提高，则提高后匹配到的故障类型作为曲轴初步故障信息；若二次匹配后，数据匹配相似度不变，则拆解曲轴，分析新的故障类型，并将新的故障类型作为初步故障信息，同时将新故障类型上传更新至曲轴故障诊断数据库；
其中1>第一阈值>第二阈值>第三阈值>0。
6.一种曲轴故障检测系统，其特征在于，所述系统包括：
曲轴故障诊断数据库构建模块；所述曲轴故障诊断数据库包括振动特征数据源和内部零件缺陷特征数据源；
曲轴振动特征量获取模块：将加速度传感器安装于曲轴连接杆，通过加速度传感器获取曲轴振动特征量；
曲轴内部零件缺陷特征量获取模块：将超声波探头对准曲轴工作区域，通过超声波探头获取曲轴内部零件缺陷特征量；
数据比对模块：将曲轴特征量和内部零件缺陷特征量与曲轴故障诊断数据库中对应的振动数据源、内部零件特征缺陷数据源作比对，获得曲轴初步故障信息；
故障处理模块：根据曲轴初步故障信息，对曲轴进行维修；维修后再次投入使用；
数据库更新模块：在预定时间内，利用步骤S4再次检测曲轴故障，若曲轴仍出现相同故障信息，则拆解该曲轴并利用进行封闭测试，将测试结果上传至所述曲轴故障诊断数据库，用于对数据库进行更新、修正。
7.一种计算机设备，其特征在于，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，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述曲轴故障检测方法的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述曲轴故障检测方法的步骤。
CN202210311445.6A 2022-03-28 2022-03-28 一种曲轴故障检测方法及系统 Active CN114417941B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210311445.6A CN114417941B (zh) 2022-03-28 2022-03-28 一种曲轴故障检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210311445.6A CN114417941B (zh) 2022-03-28 2022-03-28 一种曲轴故障检测方法及系统

Publications (2)

Publication Number Publication Date
CN114417941A true CN114417941A (zh) 2022-04-29
CN114417941B CN114417941B (zh) 2022-07-05

Family

ID=81263420

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210311445.6A Active CN114417941B (zh) 2022-03-28 2022-03-28 一种曲轴故障检测方法及系统

Country Status (1)

Country Link
CN (1) CN114417941B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114897909A (zh) * 2022-07-15 2022-08-12 四川大学 基于无监督学习的曲轴表面裂纹监测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090312941A1 (en) * 2008-06-17 2009-12-17 Gm Global Technology Operations, Inc. Fuel system diagnostics by analyzing engine cylinder pressure signal and crankshaft speed signal
CN103033211A (zh) * 2012-12-17 2013-04-10 天津职业技术师范大学 一种发动机曲轴位置传感器故障诊断方法
CN103091112A (zh) * 2013-01-31 2013-05-08 林惠堂 基于模糊推理和自学习的汽车排放故障检诊方法及装置
CN109799087A (zh) * 2017-11-14 2019-05-24 江苏瑞祥电子设备有限公司 一种声振检测仪设备故障诊断中的应用
CN111060337A (zh) * 2019-12-05 2020-04-24 杭州哲达科技股份有限公司 一种基于专家系统的运转设备实时故障诊断方法
CN112763908A (zh) * 2020-12-25 2021-05-07 中国机械设备工程股份有限公司 一种基于多故障特征联合的电机健康指数评价系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090312941A1 (en) * 2008-06-17 2009-12-17 Gm Global Technology Operations, Inc. Fuel system diagnostics by analyzing engine cylinder pressure signal and crankshaft speed signal
CN103033211A (zh) * 2012-12-17 2013-04-10 天津职业技术师范大学 一种发动机曲轴位置传感器故障诊断方法
CN103091112A (zh) * 2013-01-31 2013-05-08 林惠堂 基于模糊推理和自学习的汽车排放故障检诊方法及装置
CN109799087A (zh) * 2017-11-14 2019-05-24 江苏瑞祥电子设备有限公司 一种声振检测仪设备故障诊断中的应用
CN111060337A (zh) * 2019-12-05 2020-04-24 杭州哲达科技股份有限公司 一种基于专家系统的运转设备实时故障诊断方法
CN112763908A (zh) * 2020-12-25 2021-05-07 中国机械设备工程股份有限公司 一种基于多故障特征联合的电机健康指数评价系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李寒林等: "船舶柴油机曲轴裂纹的磁记忆在线诊断", 《上海海事大学学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114897909A (zh) * 2022-07-15 2022-08-12 四川大学 基于无监督学习的曲轴表面裂纹监测方法及系统

Also Published As

Publication number Publication date
CN114417941B (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
CN112596495B (zh) 一种基于知识图谱的工业设备故障诊断方法及系统
US8509985B2 (en) Detecting anomalies in fault code settings and enhancing service documents using analytical symptoms
CN103091112B (zh) 基于模糊推理和自学习的汽车排放故障检诊方法及装置
CN203083829U (zh) 基于简易工况法尾气排放检测的汽车故障诊断系统
US20160117427A1 (en) Method for a vehicle
CN114417941B (zh) 一种曲轴故障检测方法及系统
EP3865963A1 (en) Method and device for analyzing vehicle failure
CN109507992B (zh) 一种机车制动系统部件的故障预测方法、装置及设备
KR102501918B1 (ko) 텐던진단장치를 이용한 텐던 손상진단을 위한 인공지능 학습방법과 인공지능 학습시스템, 그리고 이를 이용하는 텐던 손상진단 방법과 텐던 손상진단 시스템
CN114821852A (zh) 基于特征金字塔的电网缺陷深度识别巡查机器人控制系统
CN114563651A (zh) 一种示波器测试汽车的方法、装置、设备及存储介质
CN115467752B (zh) 汽车发动机失火诊断分析的方法、系统及计算机存储介质
CN115600695A (zh) 一种计量设备的故障诊断方法
CN108763063B (zh) 一种无需缺陷标注数据的软件缺陷检测方法
CN114282423A (zh) 一种岸桥结构的疲劳监测方法和寿命预测方法
CN111077857A (zh) 一种电厂设备管理平台系统及设备管理方法
CN116975754A (zh) 基于细分市场的发动机台架可靠性试验方法
Saravanan et al. IoT based advanced prediction methodology for fault localization in machine monitoring
CN115979548B (zh) 车用氢系统泄漏诊断方法、系统、电子设备及存储介质
Zhu How to Apply Artificial Intelligence in the Event of Equipment Failure
CN117829296A (zh) 一种基于大语言模型的充电桩故障诊断模型
CN117072293A (zh) 一种轻型汽车排气故障诊断方法及系统
CN116413528A (zh) 电子产品加速贮存寿命试验评估方法
Liu et al. Research on performance evaluation of production vehicle based on multi-objective genetic algorithm
CN115310509A (zh) 一种发动机中冷器故障预测方法、装置及存储介质

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