CN115329536A - 一种基于数字孪生的船用发动机故障诊断方法 - Google Patents
一种基于数字孪生的船用发动机故障诊断方法 Download PDFInfo
- Publication number
- CN115329536A CN115329536A CN202210812371.4A CN202210812371A CN115329536A CN 115329536 A CN115329536 A CN 115329536A CN 202210812371 A CN202210812371 A CN 202210812371A CN 115329536 A CN115329536 A CN 115329536A
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- engine fault
- model
- engine
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G01M15/14—Testing gas-turbine engines or jet-propulsion engines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种基于数字孪生的船用发动机故障诊断方法,具体步骤如下:步骤1:构建船舶数字孪生模型;步骤2:将传感器采集数据与故障仿真数据通过拓展卡尔曼滤波进行融合,作为训练集样本;步骤3:通过增加步长可变因子的LMS算法构建发动机故障诊断模型;步骤4:通过训练集样本对发动机故障诊断模型进行训练,完成发动机故障诊断模型的训练;步骤5:将实时传感器数据传入发动机故障诊断模型对发动机故障进行诊断,反馈发动机故障类型、故障参数;步骤6:通过船舶数字孪生模型对反馈的发动机故障类型、故障参数进行显示。本发明通过改进的故障诊断方法结合数字孪生系统,使得故障诊断效率、准确性提高,实现故障可视化。
Description
技术领域
本发明涉及船用发动机技术领域,具体涉及一种基于数字孪生的船用发动机故障诊断方法。
背景技术
数字孪生概念近些年被应用在智能船舶全生命周期的管理上,从智能船舶的思路构建、图纸设计、制造优化、健康管理、智能诊断、维护保养的流程上五维数字孪生模型提供了思路指导。进一步的,在后期船舶本身正式投入使用后,如何把数字孪生领域技术应用到具体的智能船舶的发动机以方便实现船用发动机的智能运维,因此显得十分的重要,也是数字孪生领域在船用发动机再应用的显著创新点。
我国故障诊断技术经历了检修人员对声、光、热、压力的经验式诊断到后来的分析热力参数法、机身振动信号分析法、测量瞬时转速法再到现在的基于数据驱动的故障诊断。在船舶发动机运行过一段时间不可避免的会发生故障,为了减少财产损失、避免重大事故的发生,因此在船用发动机后期需要一种创新且有效的基于数据驱动的故障诊断方法,也是保障发动机健康运营的核心问题。
针对以上的技术背景,仍然存在以下问题:
一、苏州昆山市莱士阁工业科技有限公司(周凯,王超峰,邓毅,杜明利,应豪杰,周祥.一种数字孪生系统[P]:CN 112507569 A)提出了大型系统数字孪生的构建框架,但如何对船用发动机物理实体进行数字孪生建模描述以达到高保真、多维度并且进行虚实交互成为国内所面临的问题。
二、国内许多船舶企业、公司(冯嘉钿,于诚,张夏晟,贺胜晖,林宇航,肖艺颖.一种面向船舶生产制造设备的数据采集分析方法[P]:CN 113191916A)针对船舶设备以及发动机的相关数据多通过传感器进行数据采集,通过改进设备的采集技术提高数据的准确性与合理性,缺点:数据量少、数据来源单一、噪声干扰大、不具有代表性,需要一种创新性针对船用发动机数据多渠道获取办法既能提高数据的可靠性、降低数据的噪声又能提高数据的解释性、直观性。
三、内蒙古电力公司和国内的科研院所(李荣丽,胡宏彬,周磊,张谦.一种基于主成分分析法的风机风速软测量方法[P]:CN 112329344 A)是通过主成分分析法进行数据预处理,缺点:降低维度后有效数据信息缺失、降低维度后数据可解释性变差。基于上述两点,需要一种创新性针对船用发动机数据预处理的方法能够最大程度保留有效且具代表性数据集。
四、传统的深度信念神经网络被应用于地震信号的监测(中国矿业大学北京.基于深度信念神经网络的微震信号到时自动拾取方法[P]:CN201610741484.4.),容易出现过拟合与训练时间过长问题,因而针对解决过拟合与提升训练速度最短时间内寻找最优解,需要一种优化后的神经网络,实现提升对船用发动机进行故障诊断的效率、准确率。
发明内容
针对现有技术中的不足,本发明提供了一种基于数字孪生的船用发动机故障诊断方法,解决了现有技术中对故障诊断的效率、准确率低的技术问题。
本发明提供了一种基于数字孪生的船用发动机故障诊断方法,具体步骤如下:
步骤1:通过发动机的空间物理模型、动态的性能模型以及船舶外界环境参数,构建船舶数字孪生模型;
步骤2:将传感器采集数据与故障仿真数据通过拓展卡尔曼滤波进行融合,作为船用发动机故障诊断模型的训练集样本;
步骤3:通过增加步长可变因子的LMS算法构建发动机故障诊断模型;
步骤4:通过训练集样本对发动机故障诊断模型进行训练,完成发动机故障诊断模型的训练;
步骤5:将实时传感器数据传入发动机故障诊断模型对发动机故障进行诊断,反馈发动机故障类型、故障参数;
步骤6:通过船舶数字孪生模型对反馈的发动机故障类型、故障参数进行显示。
进一步地,所述步骤3中,步长可变因子的LMS算法的公式如下:
其中,e(n)为n时刻的瞬时误差;μ(n)为加入的步长可变因子。
进一步地,所述步骤3中,步长可变因子的LMS算法的公式如下:
其中,μ为防止算法失衡的固定收敛因子;γ为大于等于1的整数,作为可变系数。
进一步地,所述步骤3中,在构建发动机故障诊断模型过程中,选取交叉熵损失函数对发动机故障诊断模型的训练阶段是否完成进行判断,当交叉熵损失函数的变化率小于预设值时,发动机故障诊断模型训练完成。
进一步地,所述预设值为0.1。
本发明的有益效果:
一、一种利用数据和数学模型将传统实体的船用发动机模型在数字虚拟空间进行了全方位、高保真的刻画,从单一、匮乏数据的故障诊断不可见升级到了动态、可视化、人机交互、远程调控的多维数据的诊断模式,使得数字孪生模型不断迭代精确性提高、故障诊断的可靠性提高。
二、应用传感器采集数据与故障数学模型仿真数据相融合的方式解决了数据来源单一、传感器精度不够导致的误差。通过拓展卡尔曼滤波将数据的非线性问题简化为数据的线性问题后进行数据融合,整理作为训练集。
三、基于步长可变因子的LMS算法模型进行数据预处理,相比于传统的主成分分析法PCA降维处理优点在于处理了噪声数据的同时保留下更多的有效数据。另外,加入了步长可变因子μ和可变系数γ,既可以大大降低数据预处理的时间又防止了可变因子较大导致的失调现象。
四、提出在反向微调阶段加入dropout层设定为0.5并提出利用交叉熵损失函数的变化率取代传统的均方误差MSE函数作为反向微调阶段是否结束的指标。通过实测,在训练迭代1000次以上后,故障诊断有效性能够达到95%以上。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,在附图中:
图1本发明具体实施例中数字孪生模型的构成示意图;
图2本发明具体实施例的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,本领域技术人员在没有作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。
下面结合具体实施例,进一步阐明本发明。本领域的技术人员应该了解这些实施例仅用于说明本发明而不用于限制本发明的范围,对本发明的各种等价形式的修改均落于本申请所附权利要求书所限定的范围。
本发明提供了一种基于数字孪生的船用发动机故障诊断方法,包括如下步骤:
步骤1:如图1所示,通过发动机的空间物理模型、动态的性能模型以及船舶的外界环境参数,构建船舶数字孪生模型。建立物理设备到孪生体的真实映射,分析多维度下模型间的关联及其映射;具体过程如下:
步骤11:统计船用发动机DCO涡轮废弃循环系统与气缸中的每个零部件,DCO涡轮废弃循环系统具体包含:引风机、控制阀、扇面、板换、循环柜;气缸内部做工与辅助工件包含有:缸盖、缸套、活塞、进排气阀门、弹簧、曲轴、连杆、十字头、活塞杆;
步骤12:应用3Ds Max软件将零件绘制成单个部件并最终完成装配。根据各零部件的尺寸参数、属性参数进行3Ds Max的绘制。在DCO系统与气缸整体的三维信息模型的基础上,建立装配体三维模型,梳理出零部件之间的信息:装配关系、装配方向参数、空间层次、边界约束参数,将上面的所有参数对其进行分装、管理储存在3Ds Max中;
步骤13:完成以上后设置绘制完成后的对象刚体属性并通过后期的烘培、阴影打光、材质贴图对部件、零件进行1:1物理尺寸的还原,真正做到高保真。利用shader技术进行GPU进行渲染,包含:木质、金属、塑料等材质;
步骤14:以船用发动机试验数据的离散点或特性图数字化提取的坐标点数据作为样点相较于理想化的燃烧方程与废弃循环方程更加逼近真实情况,接着选择一种合适的函数逼近方式,将它重构成我们想要的数学模型,这是构建燃烧特性数学模型和DCO系统废弃循环数学模型的关键;
步骤15:在Unity 3D中,根据步骤D4对典型故障部件进行挂上C#脚本让其按照真实情况下的物理运动进行模拟运动,在C#脚本中编写DCO涡轮增压器的叶片旋转的数学方程,编写气缸活塞运动变化的数学方程,加入通过Mesh Render渲染后的气体并调用气体流动函数模拟废弃与空气的流动过程,对流动性能进行数学方程的编写;
步骤16:不仅要对双燃料发动机进行数字孪生模型的建立,还要对孪生体所处环境进行建模。通过对环境的分析建立环境的数学模型,进而构建一个基本的孪生体环境。在Unity 3D软件中,通过添加天空盒的方法对外界物理环境进行描述,让环境更贴近真实感。
步骤2:将传感器采集数据与故障仿真数据通过拓展卡尔曼滤波进行融合,作为船用发动机故障诊断模型的训练集样本;具体过程如下:
步骤21:通过船舶发动机各重要部位分布的传感器回传得到发动机的压力、热力、振动信号、噪声信号重要数据;
步骤22:根据船舶发动机的工作特性,建立船舶发动机相应的数学模型,利用MATLAB/Simulink仿真得到机理结构发生改变下的故障状态数据;
步骤23:在卡尔曼滤波的基础上得到针对非线性数据的拓展卡尔曼滤波算法。将传感器测量数据作为观测值,将仿真数据作为估计值,通过拓展卡尔曼滤波算法将非线性数据简化为线性数据后进行数据融合,对误差进行闭环管理,将误差限定在一定范围。如果没有两者的信息融合,只有估计数据的话,会导致误差随时间的积累越来越大,时间越长不确定性越大。
步骤3:通过增加步长可变因子的LMS算法构建发动机故障诊断模型;其中,步长可变因子的LMS算法的公式如下:
其中,e(n)为n时刻的瞬时误差;μ(n)为加入的步长可变因子;
为了优化之类的描述
步长可变因子的LMS算法的公式如下:
其中,μ为防止算法失衡的固定收敛因子;γ为大于等于1的整数,作为可变系数;
在构建发动机故障诊断模型过程中,选取交叉熵损失函数对发动机故障诊断模型的训练阶段是否完成进行判断,当交叉熵损失函数的变化率小于预设值时,发动机故障诊断模型训练完成;具体过程如下:
步骤31:采用变步长办法来改变其自适应收敛进程,传统LMS公式如下:
w(n+1)=w(n)+e(n)x(n)
w(n)为n时刻的滤波参数矢量,x(n)为n时刻信号样本的矩阵矢量,e(n)为n时刻的瞬时误差数值;
下面加入了步长可变因子的归一化LMS算法如下:
e(n)为n时刻的瞬时误差式为:
e(n)=d(n)-xT(n)w(n)
步骤32:为控制步长因子的失调现象,我们对可变因子μ(n)做出如下改变,迭代公式作如下修正:
式中μ为防止算法失衡的固定收敛因子,γ可变系数是为了防止xT(n)x(n)过小而导致μ调节过大,因此这里设置一个控制参数。特别说明,这里的γ是一个大于1的可变系数,使得μ在改变步长的过程防止失调。当步长可变因子μ变大时公式项变大,最终影响w(n+1)整体项大,加快步长从而加速收敛速度,缺点是需要更好的CPU和GPU计算量较大,所以需要对步长进行控制。
步骤4:通过训练集样本对发动机故障诊断模型进行训练,完成发动机故障诊断模型的训练;具体过程如下:
步骤41:故障训练样本的归一化。将获得的船用发动机历史故障样本中的特征数据和故障类型数据分别采用特征归一化方法进行预处理;
这里采用线性函数归一化的方法,对数据特征做线性变换,对数据进行等比缩放。经过变换后的数据处于[0,1]范围内,归一化公式如下:
其中Xmax表示故障特征数据中某一变量的数据最大值,Xmin表示故障特征数据中某一变量的数据最小值,X表示这一列数据的原始特征初值;
以此类推,将仿真得到的故障数据集中每一类参量都进行归一化转换为[0,1]区间值;
步骤42:训练数据批处理量设置为8,RBM的激活函数为Sigmiod函数,预训练次数设置为100次。微调阶段动量系数和学习率分别设为0.1,输出层选用Softmax函数作为激活函数;
步骤43:将预处理后的数据作为模型的输入,在步长自动迭代过程中加快训练模型最优解的训练速度,当满足交叉熵损失函数变化率的值小于等于0.1时,认为训练阶段的结束,进行步骤5实时在线故障诊断识别。
步骤5:将实时传感器数据传入发动机故障诊断模型对发动机故障进行诊断,反馈发动机故障类型、故障参数;
步骤6:通过船舶数字孪生模型对反馈的发动机故障类型、故障参数进行显示,具体的根据TCP/IP协议在Unity3D与MATLAB中分别建立客户机与服务器程序。将MATLAB中诊断出的故障类型、故障参数在Unity3D中的数字孪生模型进行实时显示;具体过程如下:
步骤61:在MATLAB中建立服务器,接着对服务器的地址以及端口号进行初始化设置,便于客户机的寻址连接并将故障数据、故障类型回传给客户机Unity3D;
步骤62:服务器开启新线程并开始侦听服务器窗口是否存在目标客户机即Unity3D软件的连接;
步骤63:当Unity3D服务器连接客户机成功后,MATLAB/Simulink服务器将对Unity3D客户机发送请求,将请求的数据整理成带有逗号的字符串格式便于MATLAB/Simulink服务器的编码与客户机的解码;
步骤64:MATLAB/Simulink服务器对字符串编码并发送到Unity3D客户机,最后关闭客户机结束服务器程序,至此完成了对Unity3D客户机指令的响应与传输;
步骤65:在Unity3D中建立客户机,定义软件的IP地址与端口号,便于向MATLAB/Simulink服务器发出指令和服务器寻址;
步骤66:客户机建立一个新的线程用来接收MATLAB/Simulink服务器的数据。Unity3D客户机新建一个套接字,并定义套接字的类型为流套接字,用来使用TCP/IP数据通信协议。根据设置的MATLAB/Simulink服务器地址和端口号进行套接字的连接;
步骤67:判断可视化程序是否结束,如果程序未结束则进行数据接收与解码程序,如果程序结束则进行Unity3D客户机关闭程序,至此完成了对MATLAB/Simulink服务器的调用与连接。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (5)
1.一种基于数字孪生的船用发动机故障诊断方法,其特征在于,包括如下步骤:
步骤1:通过发动机的空间物理模型、动态的性能模型以及船舶外界环境参数,构建船舶数字孪生模型;
步骤2:将传感器采集数据与故障仿真数据通过拓展卡尔曼滤波进行融合,作为船用发动机故障诊断模型的训练集样本;
步骤3:通过增加步长可变因子的LMS算法构建发动机故障诊断模型;
步骤4:通过训练集样本对发动机故障诊断模型进行训练,完成发动机故障诊断模型的训练;
步骤5:将实时传感器数据传入发动机故障诊断模型对发动机故障进行诊断,反馈发动机故障类型、故障参数;
步骤6:通过船舶数字孪生模型对反馈的发动机故障类型、故障参数进行显示。
4.如权利要求1所述的基于数字孪生的船用发动机故障诊断方法,其特征在于,所述步骤3中,在构建发动机故障诊断模型过程中,选取交叉熵损失函数对发动机故障诊断模型的训练阶段是否完成进行判断,当交叉熵损失函数的变化率小于预设值时,发动机故障诊断模型训练完成。
5.如权利要求4所述的基于数字孪生的船用发动机故障诊断方法,其特征在于,所述预设值为0.1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210812371.4A CN115329536A (zh) | 2022-07-11 | 2022-07-11 | 一种基于数字孪生的船用发动机故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210812371.4A CN115329536A (zh) | 2022-07-11 | 2022-07-11 | 一种基于数字孪生的船用发动机故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115329536A true CN115329536A (zh) | 2022-11-11 |
Family
ID=83916592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210812371.4A Pending CN115329536A (zh) | 2022-07-11 | 2022-07-11 | 一种基于数字孪生的船用发动机故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115329536A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116340848A (zh) * | 2023-03-31 | 2023-06-27 | 北京理工大学 | 一种基于数字孪生的发动机故障诊断方法 |
-
2022
- 2022-07-11 CN CN202210812371.4A patent/CN115329536A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116340848A (zh) * | 2023-03-31 | 2023-06-27 | 北京理工大学 | 一种基于数字孪生的发动机故障诊断方法 |
CN116340848B (zh) * | 2023-03-31 | 2023-11-14 | 北京理工大学 | 一种基于数字孪生的发动机故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115329536A (zh) | 一种基于数字孪生的船用发动机故障诊断方法 | |
CN111911483A (zh) | 基于数字孪生的液压系统融合型故障诊断预测方法 | |
CN106325162B (zh) | 一种嵌入式智能化机电设备状态监测系统 | |
CN115099075A (zh) | 一种基于智能化棒、线、型车间数字孪生方法 | |
CN114297907A (zh) | 温室环境空间分布预测方法及装置 | |
CN112508373B (zh) | 一种基于数字孪生技术的船用柴油机性能评估方法 | |
CN115509178A (zh) | 数字孪生驱动的刀具磨损监测方法及数控机床设备 | |
CN117290800B (zh) | 一种基于超图注意力网络的时序异常检测方法及系统 | |
CN112580784A (zh) | 基于多输入多输出卷积神经网络的设备智能预警方法 | |
CN113298170B (zh) | 非稳定工况下能耗模式识别方法及系统 | |
CN112002114A (zh) | 一种基于5G-ZigBee通信的机电设备无线数据采集系统和方法 | |
CN115494796A (zh) | 一种基于step-nc的边云协同数字孪生系统 | |
CN116910513A (zh) | 一种基于cwgan-gp和双流cnn模型的离心泵转子故障诊断方法 | |
CN114757111B (zh) | 一种基于数字孪生技术的智能装备健康管理方法 | |
CN116778272A (zh) | 基于多通道信息融合的水电机组小样本工况辨识方法 | |
CN114320773B (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
CN114692341B (zh) | 基于融合时空图ConvLSTM模型的风机故障预测方法及存储介质 | |
CN115713044A (zh) | 一种多工况切换下的机电设备剩余寿命分析方法和装置 | |
CN114169605A (zh) | 一种适用于泵和水力透平的物理场和性能协同预测方法 | |
CN109657404A (zh) | 基于混沌修正群智能寻优的采煤机故障自动诊断系统 | |
Bodo et al. | Feature ranking under industrial constraints in continuous monitoring applications based on machine learning techniques | |
CN117216689B (zh) | 一种基于城市水利数据的地下管道排放预警系统 | |
CN117784620B (zh) | 尾矿干排脱水机的参数智能调整系统及方法 | |
CN111680911B (zh) | 一种火电厂在线能耗计算系统及其计算方法 | |
CN112116003B (zh) | 一种复杂传感器网络自适应动态故障诊断方法及系统 |
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 |