CN114542281B - 一种基于多源数据融合的柴油机失火故障识别方法 - Google Patents
一种基于多源数据融合的柴油机失火故障识别方法 Download PDFInfo
- Publication number
- CN114542281B CN114542281B CN202111591872.6A CN202111591872A CN114542281B CN 114542281 B CN114542281 B CN 114542281B CN 202111591872 A CN202111591872 A CN 202111591872A CN 114542281 B CN114542281 B CN 114542281B
- Authority
- CN
- China
- Prior art keywords
- fault
- probability
- diesel engine
- calculating
- source 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000004927 fusion Effects 0.000 title claims abstract description 25
- 238000000605 extraction Methods 0.000 claims description 27
- 238000012544 monitoring process Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 abstract description 6
- 238000004451 qualitative analysis Methods 0.000 abstract description 5
- 238000004445 quantitative analysis Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02B—INTERNAL-COMBUSTION PISTON ENGINES; COMBUSTION ENGINES IN GENERAL
- F02B77/00—Component parts, details or accessories, not otherwise provided for
- F02B77/08—Safety, indicating, or supervising devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02B—INTERNAL-COMBUSTION PISTON ENGINES; COMBUSTION ENGINES IN GENERAL
- F02B77/00—Component parts, details or accessories, not otherwise provided for
- F02B77/08—Safety, indicating, or supervising devices
- F02B77/085—Safety, indicating, or supervising devices with sensors measuring combustion processes, e.g. knocking, pressure, ionization, combustion flame
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02B—INTERNAL-COMBUSTION PISTON ENGINES; COMBUSTION ENGINES IN GENERAL
- F02B77/00—Component parts, details or accessories, not otherwise provided for
- F02B77/08—Safety, indicating, or supervising devices
- F02B77/085—Safety, indicating, or supervising devices with sensors measuring combustion processes, e.g. knocking, pressure, ionization, combustion flame
- F02B77/086—Sensor arrangements in the exhaust, e.g. for temperature, misfire, air/fuel ratio, oxygen sensors
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D45/00—Electrical control not provided for in groups F02D41/00 - F02D43/00
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
-
- 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)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明提供了一种基于多源数据融合的柴油机失火故障识别方法,包括以下步骤:获取柴油机热工参数和缸盖振动信号,计算故障概率P1,故障概率P2;计算加权概率P,判断加权概率P小于0.5,认为柴油机未发生失火故障,若此概率大于等于0.5,则需要通过瞬时转速信号特征进一步判断,最终输出柴油机发生失火故障的概率P。本发明所述的一种基于多源数据融合的柴油机失火故障识别方法在热工参数、缸盖振动信号、瞬时转速信号三种不同类型参数证据提取的基础上,将定量分析与定性分析进行了合理综合,设计了证据加权融合诊断识别方法,实现了多源数据的良好融合,提高了失火故障的识别准确率、降低了单纯依靠某一参数特征进行故障识别的误警率。
Description
技术领域
本发明属于发动机测试技术领域,尤其是涉及一种基于多源数据融合的柴油机失火故障识别方法。
背景技术
失火故障是柴油机较为常见的典型故障,是指单个或多个气缸由于喷油器、燃油、进气等问题导致的缸内燃烧不充分、甚至无法着火燃烧的现象。失火故障会引起柴油机转速波动、扭矩降低、功率输出不足、油耗增加、排放恶化等故障现象,如果不能尽早发现,长时间失火运行会导致柴油机连杆曲轴受力不平衡,引发曲轴变形和断裂等恶性故障。因此,针对柴油机失火故障进行精确、及时的诊断识别具有重要的意义。
对于柴油机失火故障,基于缸内动态压力监测分析的故障识别方法提出较早也较为有效,但因为缸内压力的测量受传感器价格高、存在泄漏风险、使用维护不便等诸多因素的限制,该方法的实际应用并不广泛。除该方法外,基于排气温度监测、振动监测、瞬时转速监测等失火故障的识别方法相继被提出,且均取得了一定的应用效果。然而,一方面,由于柴油机工况多变,排气温度、缸盖振动以及瞬时转速均会随着工况发生较大变化,故障诊断的参考阈值难以设置;另一方面,柴油机故障的复杂性,使得失火故障与信号特征之间并非一一对应的关系,单纯只依靠某一参数特征容易引起误诊断。因此,为进一步提高失火故障诊断识别的准确性,还需要研究更有效的方法。
发明内容
有鉴于此,本发明旨在提出一种基于多源数据融合的柴油机失火故障识别方法,以解决现有技术的不足。
为达到上述目的,本发明的技术方案是这样实现的:
一种基于多源数据融合的柴油机失火故障识别方法,包括以下步骤:
S1、获取柴油机热工参数和缸盖振动信号;
S2、基于柴油机热工参数通过排气温度证据提取模型计算得到的故障概率P1,基于缸盖振动信号通过缸盖振动证据提取模型计算得到的故障概率P2;
S3、基于故障概率P1、故障概率P2通过加权计算公式计算得到故障发生的加权概率P,判断加权概率P是否≥0.5,是,则执行步骤S4,否,则柴油机未发生失火故障;
S4、获取柴油机瞬时转速信号,基于柴油机瞬时转速信号计算瞬时转速循环内峰峰值;
S5、判断瞬时转速循环内峰峰值是否大于相同工况瞬时转速循环内峰峰值的m倍,是,则输出加权概率P的一号公式,一号公式为失火故障的最终发生概率,否,则输出加权概率P的二号公式,二号公式为失火故障的最终发生概率。
进一步的,在步骤S2中的故障概率P1的计算过程包括以下步骤:
A1、基于缸数为n的柴油机,获取各缸排气温度的实时监测数值,组成一个大小等于气缸数n的样本横向量x;
A2、采用高斯核函数计算样本横向量x与正常运行概率y之间的映射关系;
A3、计算输出通过排气温度证据提取模型计算得到的故障概率P1=1-y。
进一步的,在步骤S2中的故障概率P2的计算过程包括以下步骤:
B1、定义上止点区域,定义一个循环周期内的两个活塞上止点分别为发火上止点和排气上止点;
B2、获取柴油机缸盖振动信号,计算排气上止点区域与发火上止点区域的振动加速度有效值比值k;
B3、通过三号公式计算输出通过缸盖振动证据提取模型计算得到的故障概率P2。
进一步的,所述三号公式为:
进一步的,在步骤S3中的加权概率P的公式为:P=∑ωiPi,其中ωi为权重因子,且∑ωi=1。
进一步的,在步骤S4中的所述一号公式为:P=P+0.5(1-P),所述二号公式为:P=P-0.5(1-P)。
相对于现有技术,本发明所述的一种基于多源数据融合的柴油机失火故障识别方法具有以下优势:
(1)本发明所述的一种基于多源数据融合的柴油机失火故障识别方法,在综合热工参数、缸盖振动信号、瞬时转速信号三种不同类型参数证据提取结果的基础上,设计了证据加权融合诊断识别方法,改善了单纯依靠某一参数特征进行故障识别时容易误诊断的不足;该方法中,基于热工参数和缸盖振动信号的判据属于定量分析,而基于瞬时转速的判据属于定性分析,即该方法将定量分析与定性分析进行了合理综合,实现了多种参数判据的良好融合,提高了失火故障的识别准确率、降低了误警率。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例所述的识别方法流程图;
图2为本发明实施例所述的各缸处于正常运行状态的概率序列二维图;
图3为本发明实施例所述的各缸处于正常运行状态的概率序列三维图;
图4为本发明实施例所述的失火故障状态下两上止点区域振动加速度有效值比率示意图;
图5为本发明实施例所述的瞬时转速峰峰值在失火故障前后的变化示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
名词解释:
高斯核函数:所谓径向基函数(Radial Basis Function简称RBF),就是某种沿径向对称的标量函数。通常定义为空间中任一点x到某一中心xc之间欧氏距离的单调函数,可记作k(||x-xc||)。
如图1至图5所示,一种基于多源数据融合的柴油机失火故障识别方法,包括以下步骤:
S1、获取柴油机热工参数和缸盖振动信号;
S2、基于柴油机热工参数通过排气温度证据提取模型计算得到的故障概率P1,基于缸盖振动信号通过缸盖振动证据提取模型计算得到的故障概率P2;
S3、基于故障概率P1、故障概率P2通过加权计算公式计算得到故障发生的加权概率P,判断加权概率P是否≥0.5,是,则执行步骤S4,否,则柴油机未发生失火故障;
S4、获取柴油机瞬时转速信号,基于柴油机瞬时转速信号计算瞬时转速循环内峰峰值;
S5、判断瞬时转速循环内峰峰值是否大于相同工况瞬时转速循环内峰峰值的m倍,是,则输出加权概率P的一号公式,一号公式为失火故障的最终发生概率,否,则输出加权概率P的二号公式,二号公式为失火故障的最终发生概率。本柴油机失火故障识别方法,在综合热工参数、缸盖振动信号、瞬时转速信号三种不同类型参数证据提取结果的基础上,设计了证据加权融合诊断识别方法,改善了单纯依靠某一参数特征进行故障识别时容易误诊断的不足;该方法中,基于热工参数和缸盖振动信号的判据属于定量分析,而基于瞬时转速的判据属于定性分析,即该方法将定量分析与定性分析进行了合理综合,实现了多种参数判据的良好融合,提高了失火故障的识别准确率、降低了误警率。
在本实施例里,一种基于多源数据融合的柴油机失火故障识别方法,包括以下步骤:
第一步,获取柴油机热工参数和缸盖振动信号,通过证据提取模型计算单独依赖单一参数的故障发生概率,包括通过排气温度证据提取模型计算得到的故障概率P1,以及通过缸盖振动证据提取模型计算得到的故障概率P2。
第二步,通过加权计算公式P=∑ωiPi计算得到故障发生的加权概率,其中ωi为权重因子,且∑ωi=1。若此概率小于0.5,认为柴油机未发生失火故障;若此概率大于等于0.5,则需要通过瞬时转速信号特征进一步判断。
第三步,获取柴油机瞬时转速信号,计算瞬时转速循环内峰峰值,并与相同工况下的同一特征进行比较,若当前值大于同工况下该特征的m倍,则加权概率为:P=P+0.5(1-P),否则,加权概率为:P=P-0.5(1-P)。
第四步,输出柴油机发生失火故障的最终概率P。
在步骤S2中的故障概率P1的计算过程包括以下步骤:
A1、基于缸数为n的柴油机,获取各缸排气温度的实时监测数值,组成一个大小等于气缸数n的样本横向量x;
A2、采用高斯核函数计算样本横向量x与正常运行概率y之间的映射关系;
A3、计算输出通过排气温度证据提取模型计算得到的故障概率P1=1-y。
在本实施例里,通过排气温度证据提取模型计算得到故障概率P1的过程包括以下步骤:
第一步,针对缸数为n的柴油机,获取任意时刻各缸排气温度的实时监测数值,组成一个大小等于气缸数n的样本横向量x。
第三步,计算输出通过排气温度证据提取模型计算得到的故障概率P1=1-y。
在步骤S2中的故障概率P2的计算过程包括以下步骤:
B1、定义上止点区域,定义一个循环周期内的两个活塞上止点分别为发火上止点和排气上止点;
B2、获取柴油机缸盖振动信号,计算排气上止点区域与发火上止点区域的振动加速度有效值比值k;
B3、通过三号公式计算输出通过缸盖振动证据提取模型计算得到的故障概率P2。
在本实施例里,通过缸盖振动证据提取模型计算得到故障概率P2的过程包括以下步骤:
第一步,定义上止点前及上止点后10°曲轴转角区域为上止点区域;定义一个循环周期内的两个活塞上止点分别为发火上止点和排气上止点。
第二步,获取柴油机缸盖振动信号,计算排气上止点区域与发火上止点区域的振动加速度有效值比值k。
第三步,建立如下k与故障发生概率P2之间的定量线性关系(即三号公式),计算输出通过缸盖振动证据提取模型计算得到的故障概率P2。
在步骤S3中的加权概率P的公式为:P=∑ωiPi,其中ωi为权重因子,且∑ωi=1。
在步骤S4中的所述一号公式为:P=P+0.5(1-P),所述二号公式为:P=P-0.5(1-P)。
一种基于多源数据融合的柴油机失火故障识别方法,在综合热工参数、缸盖振动信号、瞬时转速信号三种不同类型参数证据提取结果基础上,通过证据加权融合识别方法,实现多源数据良好融合,最终实现柴油机失火故障的准确识别。
实施例1
某柴油机单缸失火故障实例验证
a)热工参数证据提取
利用数据样本点,选择A8缸发生失火故障前后的150组数据,将每组数据分别输入到高斯函数模型中,其中径向基函数宽度σ根据经验选择为0.5,得到各缸正常的概率值。如图2所示,正常状态下,各缸正常的概率均接近于1;当故障发生后,某个缸处于正常状态的概率快速降低至0.5以下。为了更好的反映各个气缸正常的概率曲线,并在发生故障时能够展示出正常概率的差异,将20个缸、150组样本的计算结果绘制成三维图,如图3所示,可以清晰的看出:正常情况下,即使各缸排气温度随工况剧烈变化,但各缸正常的概率均在0.9以上;在A8缸发生失火故障时,其正常概率曲线快速降低至0.5以下。
综上:本方法的输出结果不会随着负荷工况变化,克服了对各缸排气温度直接设置固定报警阈值存在的难以及时自动报警的问题;本方法能够实现发动机缸内燃烧不良故障的快速自动诊断。
b)振动参数证据提取
在发动机正常运行状态下,发火上止点区域的振动水平在任意工况下均应高于非发火上止点区域。在各负荷状态下,比率k均在0.6以下,尤其是在空载状态下,比率小于0.1。在失火故障发生后,发火上止点区域的振动将降低至与非发火上止点区域相当的水平,如图4所示,机组发生故障后比率k主要在1至1.5间波动。
综上分析,比率是一个无量纲的比值,能够很好的反映发动机是否发生了失火故障。当比率超过1时,大概率发生了失火故障。
c)瞬时转速信号证据提取
当发生失火故障后,各缸做功的不均匀程度增大,瞬时转速波动量增大,即瞬时转速在循环内的波动量可以作为表征失火故障的一个有效特征。图5是现场实际运行的一台发动机在同一工况下,发生失火故障前后的瞬时转速峰峰值的变化趋势,可以看出相同工况下,失火故障发生前后,瞬时转速的峰峰值发生了显著变化。
d)证据加权
首先,基于热工参数的特征提取方法计算柴油机发生失火的概率P1为0.9,加权因子0.6,基于振动参数的特征提取方法计算柴油机发生失火的概率P2为0.6,加权因子0.4,通过加权计算公式得到柴油机失火的概率为0.78;然后通过瞬时转速信号特征进一步判断,获取实时的瞬时转速循环内峰峰值,并与相同工况下的同一特征进行比较,当前值大于同工况下该特征的1倍,则加权概率为:P=P+0.5(1-P)=0.89,即发生失火故障的总体概率为0.89。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于多源数据融合的柴油机失火故障识别方法,其特征在于:包括以下步骤:
S1、获取柴油机热工参数和缸盖振动信号;
S2、基于柴油机热工参数通过排气温度证据提取模型计算得到的故障概率P1,基于缸盖振动信号通过缸盖振动证据提取模型计算得到的故障概率P2;
S3、基于故障概率P1、故障概率P2通过加权计算公式计算得到故障发生的加权概率P,判断加权概率P是否≥0.5,是,则执行步骤S4,否,则柴油机未发生失火故障;
S4、获取柴油机瞬时转速信号,基于柴油机瞬时转速信号计算瞬时转速循环内峰峰值;
S5、判断瞬时转速循环内峰峰值是否大于相同工况瞬时转速循环内峰峰值的m倍,是,则输出加权概率P的一号公式,一号公式为失火故障的最终发生概率,否,则输出加权概率P的二号公式,二号公式为失火故障的最终发生概率。
2.根据权利要求1所述的一种基于多源数据融合的柴油机失火故障识别方法,其特征在于:在步骤S2中的故障概率P1的计算过程包括以下步骤:
A1、基于缸数为n的柴油机,获取各缸排气温度的实时监测数值,组成一个大小等于气缸数n的样本横向量x;
A2、采用高斯核函数计算样本横向量x与正常运行概率y之间的映射关系;
A3、计算输出通过排气温度证据提取模型计算得到的故障概率P1=1-y。
3.根据权利要求1所述的一种基于多源数据融合的柴油机失火故障识别方法,其特征在于:在步骤S2中的故障概率P2的计算过程包括以下步骤:
B1、定义上止点区域,定义一个循环周期内的两个活塞上止点分别为发火上止点和排气上止点;
B2、获取柴油机缸盖振动信号,计算排气上止点区域与发火上止点区域的振动加速度有效值比值k;
B3、通过三号公式计算输出通过缸盖振动证据提取模型计算得到的故障概率P2。
5.根据权利要求1所述的一种基于多源数据融合的柴油机失火故障识别方法,其特征在于:在步骤S3中的加权概率P的公式为:P=∑ωiPi,其中ωi为权重因子,且∑ωi=1。
6.根据权利要求1所述的一种基于多源数据融合的柴油机失火故障识别方法,其特征在于:在步骤S5中的所述一号公式为:P=P+0.5(1-P),所述二号公式为:P=P-0.5(1-P)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111591872.6A CN114542281B (zh) | 2021-12-23 | 2021-12-23 | 一种基于多源数据融合的柴油机失火故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111591872.6A CN114542281B (zh) | 2021-12-23 | 2021-12-23 | 一种基于多源数据融合的柴油机失火故障识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114542281A CN114542281A (zh) | 2022-05-27 |
CN114542281B true CN114542281B (zh) | 2023-03-14 |
Family
ID=81668952
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111591872.6A Active CN114542281B (zh) | 2021-12-23 | 2021-12-23 | 一种基于多源数据融合的柴油机失火故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114542281B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005054630A (ja) * | 2003-08-01 | 2005-03-03 | Honda Motor Co Ltd | 内燃機関の燃焼異常判定装置 |
JP2007231903A (ja) * | 2006-03-03 | 2007-09-13 | Yanmar Co Ltd | 内燃機関のノッキング判定装置 |
JP2008106782A (ja) * | 2008-01-15 | 2008-05-08 | Hitachi Ltd | 多気筒エンジンの制御装置及び制御方法 |
WO2008090021A2 (de) * | 2007-01-25 | 2008-07-31 | Avl List Gmbh | Verfahren zur diagnose und klassifikation von fehlern einer brennkraftmaschine |
CN102095588A (zh) * | 2010-12-28 | 2011-06-15 | 中国人民解放军军事交通学院 | 柴油机故障智能诊断方法 |
CN102680242A (zh) * | 2012-06-06 | 2012-09-19 | 哈尔滨工程大学 | 基于群体智能的柴油机故障诊断方法 |
CN103900824A (zh) * | 2014-03-27 | 2014-07-02 | 哈尔滨工程大学 | 基于瞬时转速聚类分析的柴油机故障诊断方法 |
CN105370403A (zh) * | 2015-11-27 | 2016-03-02 | 中国船舶工业系统工程研究院 | 船用柴油机气门漏气故障识别方法及装置 |
CN105486514A (zh) * | 2015-12-01 | 2016-04-13 | 中国船舶工业系统工程研究院 | 船用柴油机进气门间隙过大故障诊断方法及装置 |
CN105736140A (zh) * | 2016-02-04 | 2016-07-06 | 中国人民解放军重庆通信学院 | 一种柴油机瞬时转速测量及气缸熄火故障诊断装置和方法 |
CN105784377A (zh) * | 2016-03-28 | 2016-07-20 | 中国船舶工业系统工程研究院 | 基于瞬时转速的柴油机工作均衡性故障诊断方法及装置 |
CN105910828A (zh) * | 2016-04-22 | 2016-08-31 | 西安交通大学 | 一种多缸柴油机燃烧故障的循环极坐标图诊断方法 |
CN106958484A (zh) * | 2017-03-17 | 2017-07-18 | 中国人民解放军重庆通信学院 | 基于北斗卫星通信的船队柴油机远程状态监测系统及监测方法 |
CN109269810A (zh) * | 2017-07-17 | 2019-01-25 | 山东交通学院 | 一种基于质心广义力识别的发动机失火故障诊断方法 |
CN111120094A (zh) * | 2019-11-29 | 2020-05-08 | 潍柴动力股份有限公司 | 一种发动机失火检测方法、装置、存储介质及终端 |
CN111157249A (zh) * | 2020-01-08 | 2020-05-15 | 江苏科技大学 | 一种柴油机故障监测预警方法及装置 |
JP2020133621A (ja) * | 2019-07-17 | 2020-08-31 | トヨタ自動車株式会社 | 内燃機関の失火検出装置、内燃機関の失火検出システム、データ解析装置、および内燃機関の制御装置 |
CN111693291A (zh) * | 2020-05-28 | 2020-09-22 | 西安交通大学 | 一种基于振动信号的柴油机燃烧故障变工况定量诊断方法 |
CN112610038A (zh) * | 2020-12-15 | 2021-04-06 | 芜湖永裕汽车工业股份有限公司 | 发动机缸盖震砂机的降噪方法 |
CN113378740A (zh) * | 2021-06-21 | 2021-09-10 | 中国人民解放军陆军军事交通学院 | 一种利用正交信号对柴油机缸压进行识别的方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4761993A (en) * | 1986-03-28 | 1988-08-09 | Societe D'etudes De Machines Thermiques | Method for monitoring the operation of an internal combustion engine |
JP3539759B2 (ja) * | 1994-04-26 | 2004-07-07 | 東邦瓦斯株式会社 | エンジンの故障予知診断装置 |
JP4086602B2 (ja) * | 2002-09-17 | 2008-05-14 | 株式会社日立製作所 | 多気筒エンジンの制御装置及び制御方法 |
US6885932B2 (en) * | 2003-08-08 | 2005-04-26 | Motorola, Inc. | Misfire detection in an internal combustion engine |
JP4313734B2 (ja) * | 2004-07-16 | 2009-08-12 | ヤンマー株式会社 | 監視診断システム |
JP2012225252A (ja) * | 2011-04-19 | 2012-11-15 | Toyota Motor Corp | 漏洩検出装置 |
CN104949840A (zh) * | 2015-05-05 | 2015-09-30 | 天津大学 | 一种基于振动分析的柴油机故障诊断方法 |
-
2021
- 2021-12-23 CN CN202111591872.6A patent/CN114542281B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005054630A (ja) * | 2003-08-01 | 2005-03-03 | Honda Motor Co Ltd | 内燃機関の燃焼異常判定装置 |
JP2007231903A (ja) * | 2006-03-03 | 2007-09-13 | Yanmar Co Ltd | 内燃機関のノッキング判定装置 |
WO2008090021A2 (de) * | 2007-01-25 | 2008-07-31 | Avl List Gmbh | Verfahren zur diagnose und klassifikation von fehlern einer brennkraftmaschine |
JP2008106782A (ja) * | 2008-01-15 | 2008-05-08 | Hitachi Ltd | 多気筒エンジンの制御装置及び制御方法 |
CN102095588A (zh) * | 2010-12-28 | 2011-06-15 | 中国人民解放军军事交通学院 | 柴油机故障智能诊断方法 |
CN102680242A (zh) * | 2012-06-06 | 2012-09-19 | 哈尔滨工程大学 | 基于群体智能的柴油机故障诊断方法 |
CN103900824A (zh) * | 2014-03-27 | 2014-07-02 | 哈尔滨工程大学 | 基于瞬时转速聚类分析的柴油机故障诊断方法 |
CN105370403A (zh) * | 2015-11-27 | 2016-03-02 | 中国船舶工业系统工程研究院 | 船用柴油机气门漏气故障识别方法及装置 |
CN105486514A (zh) * | 2015-12-01 | 2016-04-13 | 中国船舶工业系统工程研究院 | 船用柴油机进气门间隙过大故障诊断方法及装置 |
CN105736140A (zh) * | 2016-02-04 | 2016-07-06 | 中国人民解放军重庆通信学院 | 一种柴油机瞬时转速测量及气缸熄火故障诊断装置和方法 |
CN105784377A (zh) * | 2016-03-28 | 2016-07-20 | 中国船舶工业系统工程研究院 | 基于瞬时转速的柴油机工作均衡性故障诊断方法及装置 |
CN105910828A (zh) * | 2016-04-22 | 2016-08-31 | 西安交通大学 | 一种多缸柴油机燃烧故障的循环极坐标图诊断方法 |
CN106958484A (zh) * | 2017-03-17 | 2017-07-18 | 中国人民解放军重庆通信学院 | 基于北斗卫星通信的船队柴油机远程状态监测系统及监测方法 |
CN109269810A (zh) * | 2017-07-17 | 2019-01-25 | 山东交通学院 | 一种基于质心广义力识别的发动机失火故障诊断方法 |
JP2020133621A (ja) * | 2019-07-17 | 2020-08-31 | トヨタ自動車株式会社 | 内燃機関の失火検出装置、内燃機関の失火検出システム、データ解析装置、および内燃機関の制御装置 |
CN111120094A (zh) * | 2019-11-29 | 2020-05-08 | 潍柴动力股份有限公司 | 一种发动机失火检测方法、装置、存储介质及终端 |
CN111157249A (zh) * | 2020-01-08 | 2020-05-15 | 江苏科技大学 | 一种柴油机故障监测预警方法及装置 |
CN111693291A (zh) * | 2020-05-28 | 2020-09-22 | 西安交通大学 | 一种基于振动信号的柴油机燃烧故障变工况定量诊断方法 |
CN112610038A (zh) * | 2020-12-15 | 2021-04-06 | 芜湖永裕汽车工业股份有限公司 | 发动机缸盖震砂机的降噪方法 |
CN113378740A (zh) * | 2021-06-21 | 2021-09-10 | 中国人民解放军陆军军事交通学院 | 一种利用正交信号对柴油机缸压进行识别的方法 |
Non-Patent Citations (2)
Title |
---|
基于Noisy-Max模型和邻、对缸振动信号的柴油机失火故障概率诊断;刘嘉濛;《内燃机学报》;20201125;全文 * |
汽车发动机失火故障诊断方法研究综述;郑太雄;《自动化学报》;20161010;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114542281A (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6092016A (en) | Apparatus and method for diagnosing an engine using an exhaust temperature model | |
CN102066729B (zh) | 通过分析发动机气缸压力信号和曲轴速度信号的燃料系统诊断 | |
CN102893000B (zh) | 在内燃发动机中使用缸内压力传感器的诊断装置及方法 | |
US5417109A (en) | Methods and apparatus for testing engines | |
CN109997025A (zh) | 引擎健康诊断装置和方法 | |
EP0632261A2 (en) | System for detection of low power in at least one cylinder of a multi-cylinder engine | |
US20040260454A1 (en) | Vibro-acoustic engine diagnostic system | |
Tamura et al. | Misfire detection on internal combustion engines using exhaust gas temperature with low sampling rate | |
JP2008223764A (ja) | 車両診断のシステムおよび方法 | |
CN102374094B (zh) | 发动机失火故障诊断方法 | |
JP6844098B2 (ja) | 大型低速エンジンの燃焼分析装置及びこれを利用したエンジンの燃焼状態判断方法 | |
CN101907520B (zh) | 发动机失火检测方法及其检测装置 | |
CN103061942A (zh) | 用于喷油器控制阀组件流量一致性检测的装置及方法 | |
US20100063674A1 (en) | Engine test method using structured test protocol | |
CN114542281B (zh) | 一种基于多源数据融合的柴油机失火故障识别方法 | |
CN112668419B (zh) | 一种基于振动信号的发动机排放物预测方法 | |
CN109990891A (zh) | 一种基于多测点信息融合的柴油机振动冲击来源识别方法 | |
CN102116242B (zh) | 一种发动机失火的诊断方法 | |
CN114962031B (zh) | 内燃机进气系统管路结焦的检测方法及其系统、车辆 | |
CN116577104A (zh) | 一种发动机故障检测方法及设备 | |
Aramburu et al. | Knock detection in spark ignited heavy duty engines: An application of machine learning techniques with various knock sensor locations | |
KR20180022330A (ko) | 선박 대형 엔진 시운전용 데이터 계측 시스템 및 그 방법 | |
CN110530647A (zh) | 基于声发射技术和曲轴瞬时转速的内燃机健康监测方法 | |
CN112326251B (zh) | 一种发动机早燃耐久试验方法及装置 | |
CN105373701A (zh) | 一种机电设备关联度确定方法 |
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 |