CN115481655A - 一种基于数字孪生和迁移学习的气缸泄露故障诊断方法 - Google Patents
一种基于数字孪生和迁移学习的气缸泄露故障诊断方法 Download PDFInfo
- Publication number
- CN115481655A CN115481655A CN202211016143.2A CN202211016143A CN115481655A CN 115481655 A CN115481655 A CN 115481655A CN 202211016143 A CN202211016143 A CN 202211016143A CN 115481655 A CN115481655 A CN 115481655A
- Authority
- CN
- China
- Prior art keywords
- model
- piston
- digital twin
- fault
- cylinder
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Of Engines (AREA)
Abstract
本发明公开了一种基于数字孪生和迁移学习的气缸泄露故障诊断方法，所述方法包括以下步骤：基于虚拟仿真数据构建大型源域数据集，采用监督式深度神经网络训练方法，对模型进行充分预训练，预训练好的模型其各层参数获得了源域数据集的诊断知识。本申请和现有技术相比，在申请中设置活塞缸套系统高保真数字孪生模型和数据迁移模型，将通过柴油机活塞环、缸套磨损的故障模拟试验获得的数据导入到活塞缸套系统高保真数字孪生模型和数据迁移模型中，活塞缸套系统高保真数字孪生模型和数据迁移模型设置有数据模型更新机制，可以随时增添新的试验数据，如此可以提高发动机的故障检测效率。
Description
技术领域
本发明涉及气缸泄露故障诊断方法技术领域，尤其涉及一种基于数字孪生和迁移学习的气缸泄露故障诊断方法。
背景技术
活塞和缸套是柴油机的主要运动件，其技术指标和工作状态直接影响柴油机的动力性和可靠性。柴油机活塞环在气缸内往复运动中引起活塞环和缸套磨损，当磨损量达到某一固定值后，燃烧室的密封性下降，在压缩冲程中会有更多的空气泄漏，压缩压力下降，燃烧不完全，降低了柴油机热效率。因此，分析活塞缸套系统的机理和形式，研究相应的监测磨损状态和故障诊断方法，开发柴油机主要运动件磨损在线监测与诊断系统，对于减少柴油机运动件因过度磨损产生的故障，提高柴油机的可靠性和安全性具有十分重要的意义。
现有的柴油机气缸检测诊断方法因为数据库信息少而且信息无法更新，导致柴油机气缸的故障诊断效率低下。
发明内容
本发明的目的在于：为了解决上述问题，而提出的一种基于数字孪生和迁移学习的气缸泄露故障诊断方法。
为了实现上述目的，本发明采用了如下技术方案：
一种基于数字孪生和迁移学习的气缸泄露故障诊断方法，所述方法包括以下步骤：
S1、基于虚拟仿真数据构建大型源域数据集，采用监督式深度神经网络训练方法，对模型进行充分预训练，预训练好的模型其各层参数获得了源域数据集的诊断知识；
S2、利用深度神经网络学习的特征在底层更通用，而在高层更加具体这一特点，通过固定预训练网络的底层参数，同时利用少量目标域训练样本对高层参数进行微调的方法，进行模型迁移，获得最终适用于目标域的诊断模型。
优选地，所述方法还包括建立活塞缸套系统高保真数字孪生模型，所述活塞缸套系统高保真数字孪生模型的数据采集通过柴油机活塞环、缸套磨损的故障模拟试验获得，所述活塞缸套系统高保真数字孪生模型的建立包括信号处理步骤、特征提取步骤、模式识别步骤。
优选地，所述柴油机活塞环、缸套磨损的故障模拟试验操作步骤如下：
对柴油机进行整机振动噪音测试；
S31、设置柴油机工况为经济转速，75％负载并在整机布置振动传感器和麦克风；
S32、分别采集正常状态、活塞环磨损(磨大开口间隙)以及缸套磨损(镗缸绗磨加大缸套内直径)状态下的整机振动噪声信号；
所述经济转速为1200r/min。
优选地，所述信号处理步骤包括：测量振动信号并进行模态分析，能较好地对柴油机配气机构进行故障诊断，所述特征提取步骤包括：对柴油机进行活塞磨损和缸套磨损等故障模拟试验研究，测量机身振动信号，提取故障特征参数，获取各振动特征参数与故障程度间的关系,从机身振动信号中提取振动加速度总振级和功率谱的高低频能量比,来诊断气缸与活塞故障。
优选地，所述活塞缸套系统高保真数字孪生模型的建立过程中的数据采集步骤如下：
S41、通过柴油机活塞环、缸套磨损的故障模拟试验获得多种活塞故障下的振动信号数据；
S42、将步骤S41中获得的振动信号数据带入数字孪生模型中，进行模型仿真并得出仿真结果，再将仿真结果与步骤S41中的活塞故障进行一致性检验，如果结果不一致，则进行模型修正，直到仿真结果与步骤S41中的活塞故障保持一致。
优选地，所述振动信号包括噪音特性和振动特性。
优选地，所述活塞缸套系统高保真数字孪生模型包括数据模型更新机制。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
本申请和现有技术相比，在申请中设置活塞缸套系统高保真数字孪生模型和数据迁移模型，将通过柴油机活塞环、缸套磨损的故障模拟试验获得的数据导入到活塞缸套系统高保真数字孪生模型和数据迁移模型中，活塞缸套系统高保真数字孪生模型和数据迁移模型设置有数据模型更新机制，可以随时增添新的试验数据，如此可以提高发动机的故障检测效率。
附图说明
图1示出了根据本发明实施例提供的基于数字孪生和迁移学习的发动机气缸泄露故障诊断方法结构示意图；
图2示出了根据本发明实施例提供的活塞缸套系统高保真数字孪生模型结构示意图；
图3示出了根据本发明实施例提供的迁移模型结构示意图。
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1至图3，本发明提供一种技术方案：
一种基于数字孪生和迁移学习的气缸泄露故障诊断方法，方法包括以下步骤：
S1、基于虚拟仿真数据构建大型源域数据集，采用监督式深度神经网络训练方法，对模型进行充分预训练，预训练好的模型其各层参数获得了源域数据集的诊断知识；
S2、利用深度神经网络学习的特征在底层更通用，而在高层更加具体这一特点，通过固定预训练网络的底层参数，同时利用少量目标域训练样本对高层参数进行微调的方法，进行模型迁移，获得最终适用于目标域的诊断模型；
在步骤S1中，利用大量源域数据预训练得到B1-B5网络层的全部参数，而在S2中，保持B1-B4冻结层的参数不变，使用少量目标域数据仅对B5微调层参数进行二次训练，以此来提高目标域小样本的诊断精度。
具体的，如图1所示，方法还包括建立活塞缸套系统高保真数字孪生模型，活塞缸套系统高保真数字孪生模型的数据采集通过柴油机活塞环、缸套磨损的故障模拟试验获得，活塞缸套系统高保真数字孪生模型的建立包括信号处理步骤、特征提取步骤、模式识别步骤。
具体的，如图3所示，柴油机活塞环、缸套磨损的故障模拟试验操作步骤如下：
对柴油机进行整机振动噪音测试；
S31、设置柴油机工况为经济转速，所述经济转速为1200r/min，75％负载并在整机布置振动传感器和麦克风；
S32、分别采集正常状态、活塞环磨损(磨大开口间隙)以及缸套磨损(镗缸绗磨加大缸套内直径)状态下的整机振动噪声信号。
具体的，信号处理步骤包括：测量振动信号并进行模态分析，能较好地对柴油机配气机构进行故障诊断，特征提取步骤包括：对柴油机进行活塞磨损和缸套磨损等故障模拟试验研究，测量机身振动信号，提取故障特征参数，获取各振动特征参数与故障程度间的关系,从机身振动信号中提取振动加速度总振级和功率谱的高低频能量比,来诊断气缸与活塞故障。
具体的，活塞缸套系统高保真数字孪生模型的建立过程中的数据采集步骤如下：
S41、通过柴油机活塞环、缸套磨损的故障模拟试验获得多种活塞故障下的振动信号数据；
S42、将步骤S41中获得的振动信号数据带入数字孪生模型中，进行模型仿真并得出仿真结果，再将仿真结果与步骤S41中的活塞故障进行一致性检验，如果结果不一致，则进行模型修正，直到仿真结果与步骤S41中的活塞故障保持一；振动信号包括噪音特性和振动特性，活塞缸套系统高保真数字孪生模型包括数据模型更新机制。
实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种基于数字孪生和迁移学习的气缸泄露故障诊断方法，其特征在于，包括以下步骤：
S1、基于虚拟仿真数据构建大型源域数据集，采用监督式深度神经网络训练方法，对模型进行充分预训练，预训练好的模型其各层参数获得了源域数据集的诊断知识；
S2、利用深度神经网络学习的特征在底层更通用，而在高层更加具体这一特点，通过固定预训练网络的底层参数，同时利用少量目标域训练样本对高层参数进行微调的方法，进行模型迁移，获得最终适用于目标域的诊断模型。
2.根据权利要求1所述的一种基于数字孪生和迁移学习的气缸泄露故障诊断方法，其特征在于，还包括建立活塞缸套系统高保真数字孪生模型，所述活塞缸套系统高保真数字孪生模型的数据采集通过柴油机活塞环、缸套磨损的故障模拟试验获得，所述活塞缸套系统高保真数字孪生模型的建立包括信号处理步骤、特征提取步骤、模式识别步骤。
3.根据权利要求2所述的一种基于数字孪生和迁移学习的气缸泄露故障诊断方法，其特征在于，所述柴油机活塞环、缸套磨损的故障模拟试验操作步骤如下：
S31、设置柴油机工况为经济转速，75％负载并在整机布置振动传感器和麦克风；
S32、分别采集正常状态、活塞环磨损以及缸套磨损状态下的整机振动噪声信号；
所述经济转速为1200r/min。
4.根据权利要求3所述的一种基于数字孪生和迁移学习的气缸泄露故障诊断方法，其特征在于，所述信号处理步骤包括：测量振动信号并进行模态分析，能较好地对柴油机配气机构进行故障诊断；所述特征提取步骤包括：对柴油机进行活塞磨损和缸套磨损等故障模拟试验研究，测量机身振动信号，提取故障特征参数，获取各振动特征参数与故障程度间的关系,从机身振动信号中提取振动加速度总振级和功率谱的高低频能量比,来诊断气缸与活塞故障。
5.根据权利要求4所述的一种基于数字孪生和迁移学习的气缸泄露故障诊断方法，其特征在于，所述活塞缸套系统高保真数字孪生模型的建立过程中的数据采集步骤如下：
S41、通过柴油机活塞环、缸套磨损的故障模拟试验获得多种活塞故障下的振动信号数据；
S42、将步骤S41中获得的振动信号数据带入数字孪生模型中，进行模型仿真并得出仿真结果，再将仿真结果与步骤S41中的活塞故障进行一致性检验，如果结果不一致，则进行模型修正，直到仿真结果与步骤S41中的活塞故障保持一致。
6.根据权利要求5所述的一种基于数字孪生和迁移学习的气缸泄露故障诊断方法，其特征在于，所述振动信号包括噪音特性和振动特性。
7.根据权利要求6所述的一种基于数字孪生和迁移学习的气缸泄露故障诊断方法，其特征在于，所述活塞缸套系统高保真数字孪生模型包括数据模型更新机制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211016143.2A CN115481655A (zh) | 2022-08-24 | 2022-08-24 | 一种基于数字孪生和迁移学习的气缸泄露故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211016143.2A CN115481655A (zh) | 2022-08-24 | 2022-08-24 | 一种基于数字孪生和迁移学习的气缸泄露故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115481655A true CN115481655A (zh) | 2022-12-16 |
Family
ID=84422261
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211016143.2A Pending CN115481655A (zh) | 2022-08-24 | 2022-08-24 | 一种基于数字孪生和迁移学习的气缸泄露故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115481655A (zh) |
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 |
| CN116735199A (zh) * | 2023-08-11 | 2023-09-12 | 苏州迈卡格自动化设备有限公司 | 一种基于数字孪生的堆垛机传动系统故障诊断方法及装置 |
-
2022
- 2022-08-24 CN CN202211016143.2A patent/CN115481655A/zh active Pending
Cited By (3)
| 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 |
| CN116735199A (zh) * | 2023-08-11 | 2023-09-12 | 苏州迈卡格自动化设备有限公司 | 一种基于数字孪生的堆垛机传动系统故障诊断方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115481655A (zh) | 一种基于数字孪生和迁移学习的气缸泄露故障诊断方法 | |
| CN110849626B (zh) | 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统 | |
| CN111046945B (zh) | 基于组合卷积神经网络的故障类型及损坏程度诊断方法 | |
| Kumar et al. | Improved CNN for the diagnosis of engine defects of 2-wheeler vehicle using wavelet synchro-squeezed transform (WSST) | |
| CN109827777B (zh) | 基于偏最小二乘法极限学习机的滚动轴承故障预测方法 | |
| CN201110799Y (zh) | 汽车发动机异响检测仪 | |
| CN106197996A (zh) | 基于多元数据的海上起重机齿轮箱故障诊断装置及方法 | |
| CN109932179A (zh) | 一种基于ds自适应谱重构的滚动轴承故障检测方法 | |
| CN111122161B (zh) | 一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法 | |
| CN115510926B (zh) | 跨机型的柴油机燃烧室故障诊断方法及系统 | |
| CN111027260A (zh) | 一种基于神经网络的往复式压缩机故障诊断方法 | |
| CN113627317A (zh) | 一种基于单样本学习的电机轴承故障诊断方法 | |
| CN110398362B (zh) | 一种机器人rv减速器故障诊断和定位方法 | |
| CN102758613A (zh) | 基于动力学模型的钻井泵故障检测与诊断方法及其系统 | |
| CN112487709A (zh) | 一种基于敏感性分析的船用柴油机故障溯源方法 | |
| Demyanenko et al. | The problem of choice between measurement techniques | |
| Gang et al. | Data driven method for spacecraft fault diagnosis: State of art and challenge | |
| IN2015MU01447A (zh) | ||
| CN112668419B (zh) | 一种基于振动信号的发动机排放物预测方法 | |
| Carrera-Avendaño et al. | Detection of crankshaft faults by means of a modified Welch-Bartlett periodogram | |
| CN105784364A (zh) | 基于总体经验模式分解与分形盒维数的轴承故障诊断方法 | |
| CN113916524B (zh) | 增程式电动汽车用增程器总成临界转速耐久试验方法 | |
| Jafari et al. | Detection of misfire in a six-cylinder diesel engine using acoustic emission signals | |
| CN115481656A (zh) | 一种基于振动和轨压信号的柴油机喷油器故障诊断方法 | |
| CN114996914A (zh) | 基于跨点频响固有阻尼特征识别金属构件疲劳损伤的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |