CN114636555B - 一种航空发动机磨损故障模糊融合诊断方法及系统 - Google Patents

一种航空发动机磨损故障模糊融合诊断方法及系统 Download PDF

Info

Publication number
CN114636555B
CN114636555B CN202210285561.5A CN202210285561A CN114636555B CN 114636555 B CN114636555 B CN 114636555B CN 202210285561 A CN202210285561 A CN 202210285561A CN 114636555 B CN114636555 B CN 114636555B
Authority
CN
China
Prior art keywords
analysis data
oil
data
credibility
evidence
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
Application number
CN202210285561.5A
Other languages
English (en)
Other versions
CN114636555A (zh
Inventor
马佳丽
陈果
康玉祥
王雨薇
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202210285561.5A priority Critical patent/CN114636555B/zh
Publication of CN114636555A publication Critical patent/CN114636555A/zh
Application granted granted Critical
Publication of CN114636555B publication Critical patent/CN114636555B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • 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
    • G01M15/02—Details or accessories of testing apparatus
    • 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
    • G06F17/15—Correlation function computation including computation of convolution operations
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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

Abstract

本发明涉及一种航空发动机磨损故障模糊融合诊断方法及系统，方法包括：首先，基于ABLT‑1A型滚动轴承加速疲劳试验采集油液数据；然后，对采集到的油液进行油液分析，分别得到光谱分析数据、铁谱分析数据、颗粒计数分析数据、理化分析数据共四种油液分析数据；最后，采用模糊逻辑和D‑S证据理论对所提取的油液分析数据进行融合，实现航空发动机磨损的故障融合诊断。本发明将油液分析数据相融合，提高了监测结果的可靠性。可以及时的在轴承故障初发阶段实现故障提前预警，避免因滚动轴承的故障导致的发动机失效。

Description

一种航空发动机磨损故障模糊融合诊断方法及系统
技术领域
本发明涉及滚动轴承故障诊断领域，特别是涉及一种航空发动机磨损故障模糊融合诊断方法及系统。
背景技术
航空发动机主轴承、附件传动齿轮箱的齿轮和滚动轴承因其工作于高温、高转速、高载荷等恶劣、复杂的环境中，极易发生磨损故障。据统计，对于因机械故障引起的航空发动机事故中，约80％是由于磨损失效导致的。因此，通过监测发动机磨损状态，尽早有效地对滚动轴承进行磨损故障诊断极其重要。
滑油系统是发动机系统中精密、高速转动部件组成的系统。随着发动机的运行，各零件之间相互作用，各接触面之间发生互相摩擦，严重时造成磨损，摩擦磨损下来的碎屑、颗粒等混入滑油中，并在滑油系统中运转，给滑油系统造成二次磨损。以光谱分析、铁谱分析、颗粒计数分析、理化分析等为代表的离线检测技术能够准确有效的实现航空发动机磨损故障的定位、定性和定因诊断，已成为当前针对航空发动机磨损诊断的主要方法。但是，上述单一的滑油检测方法准确率有限，因此，亟需一种融合诊断方法。
发明内容
本发明的目的是提供一种航空发动机磨损故障模糊融合诊断方法及系统，利用多种滑油检测方法得到的油液数据进行融合诊断，解决航空发动机滚动轴承故障检测中存在的检测准确率低的问题。
为实现上述目的，本发明提供了如下方案：
一种航空发动机磨损故障模糊融合诊断方法，包括：
采集油液；
分别利用光谱分析仪器、铁谱分析仪器、颗粒计数分析仪器和理化分析仪器对采集的所述油液进行分析，得到光谱数据、铁谱数据、颗粒计数数据和理化分析数据，将所述光谱数据、铁谱数据、颗粒计数数据和理化分析数据记为油液分析数据；
基于模糊逻辑和D-S证据理论对所述油液分析数据进行融合，得到融合诊断结果，所述融合诊断结果包括发动机状态正常、发动机状态异常和警告。
可选的，所述基于模糊逻辑和D-S证据理论对所述油液分析数据进行融合，得到融合诊断结果，具体包括：
构建模糊逻辑隶属度函数模型，并利用所述模糊逻辑隶属度函数模型确定所述光谱数据的证据可信度、所述铁谱数据的证据可信度、所述颗粒计数数据的证据可信度和所述理化分析数据的证据可信度；
分别根据各所述油液分析数据建立各所述油液分析数据的规则可信度；
针对每一所述油液分析数据，根据所述油液分析数据的证据可信度和所述油液分析数据的规则可信度，建立所述油液分析数据的综合置信度；
根据多条所述油液分析数据的综合置信度计算多条所述油液分析数据的融合诊断结果。
本发明还提供一种航空发动机磨损故障模糊融合诊断系统，包括
油液采集模块，用于采集油液；
分析模块，用于分别利用光谱分析仪器、铁谱分析仪器、颗粒计数分析仪器和理化分析仪器对采集的所述油液数据进行分析，得到光谱数据、铁谱数据、颗粒计数数据和理化分析数据，将所述光谱数据、铁谱数据、颗粒计数数据和理化分析数据记为油液分析数据；
融合诊断模块，用于基于模糊逻辑和D-S证据理论对所述油液分析数据进行融合，得到融合诊断结果，所述融合诊断结果包括发动机状态正常、发动机状态异常和警告。
可选的，所述融合诊断模块包括：
证据可信度建立子模块，用于构建模糊逻辑隶属度函数模型，并利用所述模糊逻辑隶属度函数模型确定所述光谱数据的证据可信度、所述铁谱数据的证据可信度、所述颗粒计数数据的证据可信度和所述理化分析数据的证据可信度；
规则可信度建立子模块，用于分别根据各所述油液分析数据建立各所述油液分析数据的规则可信度；
综合置信度建立子模块，用于针对每一所述油液分析数据，根据所述油液分析数据的证据可信度和所述油液分析数据的规则可信度，建立所述油液分析数据的综合置信度；
融合诊断子模块，根据多条所述油液分析数据的综合置信度计算多条所述油液分析数据的融合诊断结果。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供一种航空发动机磨损故障模糊融合诊断方法及系统，首先，基于ABLT-1A型滚动轴承加速疲劳试验采集油液数据；然后，对采集到的油液进行油液分析，分别得到光谱分析数据、铁谱分析数据、颗粒计数分析数据、理化分析数据共四种油液分析数据；最后，采用模糊逻辑和D-S证据理论对所提取的油液分析数据进行融合，实现航空发动机磨损的故障融合诊断。本发明将油液分析数据相融合，提高了监测结果的可靠性。可以及时的在轴承故障初发阶段实现故障提前预警，避免因滚动轴承的故障导致的发动机失效。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的一种航空发动机磨损故障模糊融合诊断方法流程图；
图2为本发明实施例1提供的ABLT-1A型滚动轴承加速度疲劳试验器；
图3为本发明实施例1提供的第1阶段疲劳试验轴承试件安装示意图；
图4为本发明实施例1提供的第2阶段疲劳试验轴承试件安装示意图；
图5为本发明实施例1提供的第3阶段疲劳试验轴承试件安装示意图；
图6为本发明实施例1提供的第4阶段疲劳试验轴承试件安装示意图；
图7为本发明实施例1提供的各轴承试件的试验时间图；
图8(a)为本发明实施例1提供的从油箱滴管取油；
图8(b)为本发明实施例1提供的增加5000GS磁堵并在磁堵后取油；
图8(c)为本发明实施例1提供的增加5000GS磁堵并在磁堵前取油；
图8(d)为本发明实施例1提供的增加3800GS磁堵并在磁堵前取油；
图9(a)为本发明实施例1提供的光谱分析仪器；
图9(b)为本发明实施例1提供的铁谱分析仪器；
图9(c)为本发明实施例1提供的颗粒计数分析仪器；
图9(d)为本发明实施例1提供的理化分析仪器；
图10(a)为本发明实施例1提供的光谱分析原始数据；
图10(b)为本发明实施例1提供的铁谱分析原始数据；
图10(c)为本发明实施例1提供的颗粒计数分析原始数据；
图10(d)为本发明实施例1提供的理化分析原始数据；
图11为本发明实施例2提供的一种航空发动机磨损故障模糊融合诊断系统结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种航空发动机磨损故障模糊融合诊断方法及系统，该方法能够解决现阶段航空发动机滚动轴承故障监测中存在的诊断难、精度低、鲁棒性差的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
本实施例提供一种航空发动机磨损故障模糊融合诊断方法，请参阅图1，所述方法包括：
S1、采集油液；
本实施例中，可利用ABLT-1A型滚动轴承加速度疲劳试验器来采集油液。
S2、分别利用光谱分析仪器、铁谱分析仪器、颗粒计数分析仪器和理化分析仪器对采集的所述油液数据进行分析，得到光谱数据、铁谱数据、颗粒计数数据和理化分析数据，将所述光谱数据、铁谱数据、颗粒计数数据和理化分析数据记为油液分析数据；
其中，光谱分析仪可选用ICP原子发射光谱仪，铁谱分析仪器可选用磨粒分析系统，颗粒计数分析仪器可选用自动颗粒计数器，理化分析仪器可选用自动电位滴定仪、运动粘度试验器和开口闪点试验器。
上述各仪器的使用原理为：
ICP原子发射光谱根据油样中的各种金属磨粒在离子状态下受到激发时所发射的特定波长的光谱来检测金属类型和含量。其中金属类型和含量包括Fe元素含量、Cu元素含量等。
磨粒分析系统包括通过高梯度强磁场，将磨损颗粒从油样中分离出，并借助不同监测仪器检验分析这些颗粒的形貌、大小、数量、成分及其分布从而对机器的运转情况、关键部件的磨损状况进行分析判断，从而监测装备的运转状态。其中颗粒数量包括疲劳磨粒数量、球状磨粒数量等。
自动颗粒计数器主要是检测油液中的不溶于有机溶剂的悬浮物和沉淀物，进而判断油液的污染程度和设备的磨损状态。其中判断不溶于有机溶剂的悬浮物和沉淀物大小包括>15μm，>50μm等。
理化分析仪器是从油液本身的品质出发，运用物理化学的方法对油样的物理和化学指标进行测定，从而推测出设备的状态信息。其中判断油液品质的标准包括油液酸度大小、粘度大小和闪点大小等。
S3、基于模糊逻辑和D-S证据理论对所述油液分析数据进行融合，得到融合诊断结果，所述融合诊断结果包括发动机状态正常、发动机状态异常和警告。
作为一种可选的实施方式，所述步骤S3具体包括：
S31、构建模糊逻辑隶属度函数模型，并利用所述模糊逻辑隶属度函数模型确定所述光谱数据的证据可信度、所述铁谱数据的证据可信度、所述颗粒计数数据的证据可信度和所述理化分析数据的证据可信度；
本实施例中，利用自定义隶属度函数对油液分析数据(光谱、铁谱、颗粒计数和理化分析数据)进行模糊化处理，定义模糊逻辑隶属度函数模型为：
其中，xi为第i个证据(证据即为油液分析数据)的输入值(i＝1,2…,n)，a1、a2为第i个油液分析数据的警告界限值和异常界限值，输出值f为第i个油液分析数据的证据可信度。
S32、分别根据各所述油液分析数据建立各所述油液分析数据的规则可信度；
步骤S32具体可包括：
建立“故障”与“油液分析数据”之间的规则：
IF：Ei异常，(CFEi)，THEN：F发生，(CFRi)。
其中，Ei表示第i个证据(证据即为油液分析数据)，CFEi为第i个证据的可信度。为计算各油液分析数据的证据可信度，采用式(1)对油液分析数据进行模糊化，并将模糊化后的值设定为该数据的证据可信度，即CFEi＝f(xi,a1,a2)；CFRi为第i个证据的规则可信度，在基于大量的专家知识和试验数据的基础上，根据每个证据建立相应的规则可信度。
S33、针对每一所述油液分析数据，根据所述油液分析数据的证据可信度和所述油液分析数据的规则可信度，建立所述油液分析数据的综合置信度；
油液分析数据的综合置信度CFi＝油液分析数据的证据可信度CFEi×油液分析数据的规则可信度CFRi。
S34、根据多条所述油液分析数据的综合置信度计算多条所述油液分析数据的融合诊断结果。
步骤S34的计算公式包括：
其中，1-CFi代表综合置信度CFi补集发生的概率。
需要说明的是，步骤S3中的D-S证据理论指D-S证据理论模型，D-S证据理论模型包括：油液数据证据可信度的建立，规则可信度的建立以及综合置信度的建立。
本实施例提供的上述方法，通过将油液分析数据相融合，提高了监测结果的可靠性。
为了进一步说明本申请技术方案所达到的技术效果，利用下述实验进行验证：
按照试验要求委托杭州轴承试验中心定制加工ABLT-1A型滚动轴承加速度疲劳试验器1台。试验机主要由试验头、试验头座、传动系统、加载系统、润滑系统、计算机监控系统等部分组成，如图2。其主要技术指标如表1所示。
表1试验机主要技术指标
为达成试验目的，共针对三种型号的试件轴承，设计四阶段试验，采集试验样本、记录多种试验信号、获取有效的试验数据。
按照试验要求委托人本轴承公司定制加工M50材料的圆柱滚子轴承14个，轴承型号NU1009E；定制加工M50材料的深沟球轴承14个，轴承型号61807；此外购置6009型号陪试轴承24套。
第1阶段轴承试件型号为NU1009E，与某在研发动机轴承型号参数一致，轴承材质为M50，安装在试验机第2号工位，预置缺陷，如图3所示。陪试轴承采用人本C&U6009型滚珠轴承(双面铁盖、脂封)，汽油洗净后使用，安装在试验机第1、第4号工位，具体参数如表2所示。在试验机的3号工位，安装完好的M50轴承，作为对比。在试验机上，第1-4号工位接振动加速度传感器和温度传感器，形成4个数据采集通道，即通道1到通道4。
表2第1阶段疲劳试验轴承参数
第2阶段轴承试件型号为NU1009E，与某在研发动机轴承型号参数一致，轴承材质为M50，安装在试验机第2号工位，预置缺陷，如图4所示。陪试轴承采用瑞典BMD6009型滚珠轴承(双面铁盖、脂封、P4精度)，汽油洗净后使用，安装在试验机第1、第4号工位，具体参数如表3所示。此外，在试验机的3号工位，安装完好的M50轴承，作为对比。
表3第2阶段疲劳试验轴承参数
第3阶段轴承试件型号为61807，其内外圈材质选择为M50，滚珠材料为GCr15，保持架材料为SPCC，铆钉材料为SWRCH15A。具体参数如表4所示。轴承试件安装在试验机第1、2、3、4号工位，如图5。向试验机施加径向载荷时，第1、2、3、4号位径向载荷相同。向试验机施加轴向载荷时，第1、4号位受轴向力，第2、3号位不受轴向力。
表4第3阶段疲劳试验轴承参数
第4阶段的补充试验第1轮，轴承试件、陪试件以及安装情况与第2阶段一致。第4阶段的补充试验第2-4轮，1到4号位轴承试件型号全部为BMD6009，试件安装情况如图6所示。本阶段试验所使用的M50和BMD6009型轴承参数如表5所示。
表5第4阶段疲劳试验轴承参数
本试验总时长超过3240小时，即大于135(天)×24(小时/天)＝3240(小时)。各轴承试件所消耗的试验时间如图7所示。
试验共计使用美孚石油公司飞马二号航空润滑油10件，每件24瓶，每瓶946毫升。本试验采集油液样本超过540份，即大于135(天)×4(次/天)×1(份/次)＝540份。第1和第2阶段每次取样2瓶，每瓶50毫升；第3和第4阶段每次取样1瓶，每瓶25毫升。根据试验要求，在试验进入磨损期之后，加大采样密度至每1-2小时取样1次。在第1阶段前2轮试验中，未添加磁堵，直接从油箱采用滴管取油。增加磁堵后，从回油支路上油箱前的阀门取油。各轮试验具体取油部位如图8(a)-图8(d)所示。图9(a)-图9(d)所示分别为各种油液分析仪器，图10(a)-图10(d)所示分别为试验过程中光谱数据、铁谱数据、颗粒计数数据和理化分析数据变化的图，可以看出，在滚动轴承演化至失效的晚期，光谱数据、铁谱数据和颗粒计数数据均表现出了明显的上升趋势，而理化分析数据始终呈现平缓趋势。由此可见仅仅依靠单一的油液数据监测，难于实现滚动轴承的故障告警。
为了充分利用油液分析数据，需要对滑油分析数据进行融合，实现融合诊断。利用模糊推理的方法来实现这一过程。
利用MATLAB，进行基于油液分析数据的模糊逻辑融合诊断。具体的模糊融合结果如表6所示。从融合结果来看，当多种油液检测方法得到的监测数据同时表明异常磨损时，融合诊断的结果将达到很大的值，表示当前状态为严重磨损，此时，比单一检测方法对故障诊断的灵敏度更高。
表6油液分析数据融合结果
在滚动轴承故障演化至失效的晚期，滑油光谱分析、铁谱分析数据等均表现出了明显的上升趋势，这就有助于判断轴承是否失效。以上的油液分析结果数据能很好的反应轴承失效情况，因此本发明能够有效提高航空发动机滚动轴承故障的准确率。
需要说明的是，本申请上述ABLT-1A型滚动轴承加速度疲劳试验过程仅是为了模拟磨损过程，本申请的方案在应用于产业中时，可以直接从现有航空发动机中的滑油系统中采集油液来诊断该发动机的磨损情况，而无需进行本申请上述ABLT-1A型滚动轴承加速度疲劳试验过程。
本发明方法对于监测轴承故障诊断，具有很好的适用性。且本发明不设计复杂的信号处理技术，具有计算成本低、计算效率高的优点。
实施例2
本实施例提供一种航空发动机磨损故障模糊融合诊断系统，请参阅图11，包括
油液采集模块M1，用于采集油液；
分析模块M2，用于分别利用光谱分析仪器、铁谱分析仪器、颗粒计数分析仪器和理化分析仪器对采集的所述油液数据进行分析，得到光谱数据、铁谱数据、颗粒计数数据和理化分析数据，将所述光谱数据、铁谱数据、颗粒计数数据和理化分析数据记为油液分析数据；
融合诊断模块M3，用于基于模糊逻辑和D-S证据理论对所述油液分析数据进行融合，得到融合诊断结果，所述融合诊断结果包括发动机状态正常、发动机状态异常和警告。
可选的，所述融合诊断模块M3包括：
证据可信度建立子模块M31，用于构建模糊逻辑隶属度函数模型，并利用所述模糊逻辑隶属度函数模型确定所述光谱数据的证据可信度、所述铁谱数据的证据可信度、所述颗粒计数数据的证据可信度和所述理化分析数据的证据可信度；
规则可信度建立子模块M32，用于分别根据各所述油液分析数据建立各所述油液分析数据的规则可信度；
综合置信度建立子模块M33，用于针对每一所述油液分析数据，根据所述油液分析数据的证据可信度和所述油液分析数据的规则可信度，建立所述油液分析数据的综合置信度；
融合诊断子模块M34，根据多条所述油液分析数据的综合置信度计算多条所述油液分析数据的融合诊断结果。
对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (5)

1.一种航空发动机磨损故障模糊融合诊断方法，其特征在于，包括：
采集油液；
分别利用光谱分析仪器、铁谱分析仪器、颗粒计数分析仪器和理化分析仪器对采集的所述油液进行分析，得到光谱数据、铁谱数据、颗粒计数数据和理化分析数据，将所述光谱数据、铁谱数据、颗粒计数数据和理化分析数据记为油液分析数据；
基于模糊逻辑和D-S证据理论对所述油液分析数据进行融合，得到融合诊断结果，所述融合诊断结果包括发动机状态正常、发动机状态异常和警告，具体包括：
构建模糊逻辑隶属度函数模型，并利用所述模糊逻辑隶属度函数模型确定所述光谱数据的证据可信度、所述铁谱数据的证据可信度、所述颗粒计数数据的证据可信度和所述理化分析数据的证据可信度；
分别根据各所述油液分析数据建立各所述油液分析数据的规则可信度；
针对每一所述油液分析数据，根据所述油液分析数据的证据可信度和所述油液分析数据的规则可信度，建立所述油液分析数据的综合置信度；
根据多条所述油液分析数据的综合置信度计算多条所述油液分析数据的融合诊断结果，采用下式计算多条所述油液分析数据的融合诊断结果：
其中，y表示融合诊断结果；CFi表示综合置信度；1-CFi表示综合置信度CFi补集发生的概率；i表示第i条油液分析数据，n表示油液分析数据的总条数。
2.根据权利要求1所述的方法，其特征在于，所述模糊逻辑隶属度函数模型包括：
其中，xi为第i个油液分析数据的输入值，i＝1,2…,n；a1、a2为第i个油液分析数据的警告界限值和异常界限值，输出值f为第i个油液分析数据的证据可信度。
3.根据权利要求1所述的方法，其特征在于，所述根据所述油液分析数据的证据可信度和所述油液分析数据的规则可信度，建立所述油液分析数据的综合置信度，包括：将所述油液分析数据的证据可信度与所述油液分析数据的规则可信度相乘得到所述油液分析数据的综合置信度。
4.一种航空发动机磨损故障模糊融合诊断系统，所述系统用于实现如权利要求1-3任一项所述的航空发动机磨损故障模糊融合诊断方法，其特征在于，包括：
油液采集模块，用于采集油液；
分析模块，用于分别利用光谱分析仪器、铁谱分析仪器、颗粒计数分析仪器和理化分析仪器对采集的所述油液数据进行分析，得到光谱数据、铁谱数据、颗粒计数数据和理化分析数据，将所述光谱数据、铁谱数据、颗粒计数数据和理化分析数据记为油液分析数据；
融合诊断模块，用于基于模糊逻辑和D-S证据理论对所述油液分析数据进行融合，得到融合诊断结果，所述融合诊断结果包括发动机状态正常、发动机状态异常和警告。
5.根据权利要求4所述的系统，其特征在于，所述融合诊断模块包括：
证据可信度建立子模块，用于构建模糊逻辑隶属度函数模型，并利用所述模糊逻辑隶属度函数模型确定所述光谱数据的证据可信度、所述铁谱数据的证据可信度、所述颗粒计数数据的证据可信度和所述理化分析数据的证据可信度；
规则可信度建立子模块，用于分别根据各所述油液分析数据建立各所述油液分析数据的规则可信度；
综合置信度建立子模块，用于针对每一所述油液分析数据，根据所述油液分析数据的证据可信度和所述油液分析数据的规则可信度，建立所述油液分析数据的综合置信度；
融合诊断子模块，根据多条所述油液分析数据的综合置信度计算多条所述油液分析数据的融合诊断结果。
CN202210285561.5A 2022-03-22 2022-03-22 一种航空发动机磨损故障模糊融合诊断方法及系统 Active CN114636555B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210285561.5A CN114636555B (zh) 2022-03-22 2022-03-22 一种航空发动机磨损故障模糊融合诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210285561.5A CN114636555B (zh) 2022-03-22 2022-03-22 一种航空发动机磨损故障模糊融合诊断方法及系统

Publications (2)

Publication Number Publication Date
CN114636555A CN114636555A (zh) 2022-06-17
CN114636555B true CN114636555B (zh) 2023-10-13

Family

ID=81950106

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210285561.5A Active CN114636555B (zh) 2022-03-22 2022-03-22 一种航空发动机磨损故障模糊融合诊断方法及系统

Country Status (1)

Country Link
CN (1) CN114636555B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116956202B (zh) * 2023-09-20 2023-12-12 金网络(北京)数字科技有限公司 一种发动机故障检测方法、系统、设备及存储介质
CN117109906B (zh) * 2023-10-24 2024-01-30 卡松科技股份有限公司 基于可视化的油液在线设备故障分析方法和系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101900660A (zh) * 2010-06-25 2010-12-01 北京工业大学 一种检测和诊断间歇性低速重载设备故障的方法
CN104764489A (zh) * 2015-03-27 2015-07-08 西安交通大学 一种风电变速器的润滑油在线监测方法
CN105911975A (zh) * 2016-04-14 2016-08-31 南京航空航天大学 一种航空发动机气路故障融合诊断方法
CN106940281A (zh) * 2016-12-09 2017-07-11 中国航空工业集团公司上海航空测控技术研究所 一种基于信息融合技术智能模型的航空油液分析方法
CN108073551A (zh) * 2017-12-14 2018-05-25 国网辽宁省电力有限公司大连供电公司 一种基于多Agent协同的高压开关柜在线故障诊断方法
CN109269949A (zh) * 2018-10-15 2019-01-25 温州大学 一种适用航空滑油磨损颗粒信息快速检测系统及方法
CN111504859A (zh) * 2020-04-28 2020-08-07 沈阳顺义科技有限公司 一种润滑油磨粒在线监测与评估的系统及方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101900660A (zh) * 2010-06-25 2010-12-01 北京工业大学 一种检测和诊断间歇性低速重载设备故障的方法
CN104764489A (zh) * 2015-03-27 2015-07-08 西安交通大学 一种风电变速器的润滑油在线监测方法
CN105911975A (zh) * 2016-04-14 2016-08-31 南京航空航天大学 一种航空发动机气路故障融合诊断方法
CN106940281A (zh) * 2016-12-09 2017-07-11 中国航空工业集团公司上海航空测控技术研究所 一种基于信息融合技术智能模型的航空油液分析方法
CN108073551A (zh) * 2017-12-14 2018-05-25 国网辽宁省电力有限公司大连供电公司 一种基于多Agent协同的高压开关柜在线故障诊断方法
CN109269949A (zh) * 2018-10-15 2019-01-25 温州大学 一种适用航空滑油磨损颗粒信息快速检测系统及方法
CN111504859A (zh) * 2020-04-28 2020-08-07 沈阳顺义科技有限公司 一种润滑油磨粒在线监测与评估的系统及方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
《一种磨损故障融合诊断新方法及其应用》;陈果 等;《机械科学与技术》;20090930(第9期);第1157-1161页 *
《基于多Agent协同诊断的飞机液压系统综合监控技术》;李爱 等;《航空学报》;20101231;第31卷(第12期);第2407-2416页 *
陈果 等.《一种磨损故障融合诊断新方法及其应用》.《机械科学与技术》.2009,(第9期),第1157-1161页. *
陈果.《基于神经网络和D-S证据理论的发动机磨损故障融合诊断》.《航空动力学报》.2005,第20卷(第2期),第303-308页. *

Also Published As

Publication number Publication date
CN114636555A (zh) 2022-06-17

Similar Documents

Publication Publication Date Title
CN114636555B (zh) 一种航空发动机磨损故障模糊融合诊断方法及系统
CN101900660B (zh) 一种检测和诊断间歇性低速重载设备故障的方法
Kiselev et al. Technical diagnostics functioning machines and mechanisms
CN106248380A (zh) 一种轴承寿命预测试验方法及其系统
Nawrocki et al. Application of the vibro-acoustic signal to evaluate wear in the spindle bearings of machining centres. In-service diagnostics in the automotive industry
US20240053225A1 (en) Method and Apparatus for Identifying an Abnormality in Mechanical Apparatus or Mechanical Component
HU183572B (en) Method for testing the abrasion state of tribology system
CN111503242B (zh) 故障确定方法、装置和系统、计算机可读存储介质
CN108069049B (zh) 一种基于二级维修体制的直升机维修方法
Dempsey et al. Investigation of tapered roller bearing damage detection using oil debris analysis
Bandyopadhyay et al. Application of oil condition monitoring techniques for improving critical equipment availability in steel plant
Wright, GJ* & Neale Wear-debris analysis as an integral component of machinery condition monitoring
Li et al. Research on Engine Lubricant Detection Technology Based on On-line Visual Technology
Dempsey et al. Investigation of spur gear fatigue damage using wear debris
Dempsey et al. Tapered roller bearing damage detection using decision fusion analysis
Anderson et al. Rotrode filter spectroscopy--a method for multi-elemental analysis of particles in used Lubricating Oil
Yang et al. The wear status evaluation of bearing based on online oil parameters and vibration signals
CN113268640B (zh) 金属屑故障分析系统和方法
CN116956202B (zh) 一种发动机故障检测方法、系统、设备及存储介质
Jiang et al. Gearbox Non-ferrous metal bearing wear condition monitoring based on oil analysis
Mawazneh et al. Vibration Test Bench For Bearing Data Set Collection
Becker et al. Remote location wear debris analysis for aircraft
Dasanayaka et al. Inductively Coupled Plasma Optical Emission Spectrometry in Effective Condition Based Maintenance Engineering Plan
Morris Real-time electrostatic charge monitoring of the wear surfaces and debris generated by sliding bearing steel contacts
Eleftherakis Accurate analysis and description of field induced and generated contaminants

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