CN116340848A - 一种基于数字孪生的发动机故障诊断方法 - Google Patents
一种基于数字孪生的发动机故障诊断方法 Download PDFInfo
- Publication number
- CN116340848A CN116340848A CN202310335975.9A CN202310335975A CN116340848A CN 116340848 A CN116340848 A CN 116340848A CN 202310335975 A CN202310335975 A CN 202310335975A CN 116340848 A CN116340848 A CN 116340848A
- Authority
- CN
- China
- Prior art keywords
- fault
- virtual
- algorithm
- data
- engine
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000003745 diagnosis Methods 0.000 title claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 238000012423 maintenance Methods 0.000 claims abstract description 13
- 238000007635 classification algorithm Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000013145 classification model Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 2
- 238000011217 control strategy Methods 0.000 abstract description 4
- 238000002485 combustion reaction Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/24765—Rule-based classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/006—Indicating maintenance
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Genetics & Genomics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Physiology (AREA)
Abstract
本发明公开了一种基于数字孪生的发动机故障诊断方法，结合分类算法和优化算法，基于虚拟孪生体对故障进行溯源复现以诊断发动机的故障情况，为发动机的维护决策提供参考。本发明采用分类算法对故障特征先进行初步分类，再采用优化算法和虚拟孪生体进行正向追溯，得到具体故障信息。本发明的两次分类过程可以降低数据库覆盖率的需求，提高诊断精度，为维护决策的选择提供参考。本发明能够获得虚拟计算模型，在在线优化时继续模拟可能的工况，调整待诊断发动机的控制策略。
Description
技术领域
本发明涉及内燃机数字化故障溯源技术领域，具体涉及一种基于数字孪生的发动机故障诊断方法。
背景技术
内燃机作为一种常用车载动力设备，因其复杂多变的工作环境以及缸内高温高压的工作条件，各类故障时有发生。而发动机结构复杂、工况多变的特点增加了检修难度，检修中的故障溯源更是需要花费大量人力物力。此外，发动机正不断向高功率密度、高环境适应性方向发展，其自身燃烧的高度强化以及外部极端环境下的工作需求进一步增加了故障机率。因此，发动机故障的分类和溯源，对发动机运行可靠性的提升和维护决策的获取是十分重要的。
为降低故障机率，专利CN202110837886.5提出基于数字孪生的柴油机健康状态评估方法、装置及设备，首先对振动信号进行处理得到特征矩阵，然后利用分类算法根据特征矩阵评估柴油机的健康状态。本专利基于振动信号做出健康状态的综合判断，但对故障程度未能识别。专利CN202211016143.2提出一种基于数字孪生和迁移学习的气缸泄露故障诊断方法，利用虚拟仿真数据构建气缸泄露故障的源域数据集，采用监督式深度神经网络训练方法对模型进行预训练，最终将预训练好的模型迁移至目标域，自适应输出发动机故障诊断结果。本专利基于神经网络得到发动机故障诊断结果，仍存在只可对某些故障进行初步分类而无法得到故障程度的缺陷。
在发动机实际工作过程中，不仅存在的故障类型繁多，而且在不同转速及负荷条件下，故障程度也有所不同。对于单种故障的不同故障程度，其故障表现以及所需要采取的维护方案也不同，而现有技术难以实现对不同工况下、各故障不同故障程度的全面覆盖，因此对可以识别不同工况、不同故障程度的故障诊断溯源方法进行研究是很有必要的。
发明内容
有鉴于此，本发明提供了一种基于数字孪生的发动机故障诊断方法，能够为发动机维护决策提供参考。
为实现上述目的，本发明的技术方案为：
一种基于数字孪生的发动机故障诊断方法，步骤包括：
步骤1、根据基于虚拟孪生体和实际工作过程构建的历史数据库，采用分类算法训练故障分类模型；将待诊断发动机的监测数据输入训练好的故障分类模型，进行故障初步分类，得到故障类型及其对应的特征重要性、故障程度区间；根据特征重要性大小，将特征分为大于设定阈值的重要特征和不大于设定阈值的非重要特征。
步骤2、根据当前工况设定虚拟孪生体的转速与负荷，根据故障类型选择虚拟孪生体中包含故障类型对应的故障变量的虚拟模块，根据步骤1得到的故障程度区间设定故障变量的程度区间；设定重要特征为优化目标，采用优化算法，调用虚拟孪生体对故障进行溯源复现，得到当重要特征最接近监测数据时虚拟模块的故障变量值。
步骤3、根据故障变量值在故障程度区间的位置选择维护决策，维护决策包括停止任务、在线优化和继续任务。
进一步的，历史数据库包括测量数据和虚拟故障数据；测量数据包括正常工作数据和故障工作数据，为待诊断发动机测试得到的真实数据；虚拟故障数据的获取方式为：基于待诊断发动机构造虚拟孪生体，虚拟孪生体模拟故障程度严重的故障情况，并向输出数据中添加不同比重的高斯白噪声，得到虚拟故障数据。
进一步的，分类算法包括朴素贝叶斯算法、逻辑回归算法、决策树算法、随机森林算法、支持向量机算法。
进一步的，优化算法包括NSGA-II算法和粒子群算法。
进一步的，调用虚拟孪生体对故障进行溯源复现，还得到最接近当前工况的虚拟孪生体，作为虚拟计算故障模型，在线优化时模拟并展示工况。
有益效果：
1、本发明提出一种基于数字孪生的发动机故障诊断方法，结合分类算法和优化算法，基于虚拟孪生体对故障进行溯源复现以诊断发动机的故障情况，为发动机的维护决策提供参考。本发明采用分类算法对故障特征先进行初步分类，再采用优化算法和虚拟孪生体进行正向追溯，得到具体故障信息。本发明的两次分类过程可以降低数据库覆盖率的需求，提高诊断精度，为维护决策的选择提供参考。
2、本发明的历史数据库包括虚拟故障数据和测量数据，其中的虚拟故障数据是由虚拟孪生体模拟严重故障情况输出的工作数据。一方面，本发明降低了故障模拟的成本，发动机不必承担破损甚至报废的危险去测试严重故障；另一方面，本发明补充了测量数据的故障种类，提高分类结果的精确性。
3、本发明能够获得虚拟计算模型，在在线优化时继续模拟可能的工况，调整待诊断发动机的控制策略。
4、本发明能够获得更加详细的具体故障信息，使后续进行在线控制策略的选择时更加准确。
附图说明
图1为本发明方法流程图。
图2为虚拟孪生体与各方法步骤的关系图。
图3为本发明方法的实际应用流程图。
具体实施方式
下面结合附图并举实施例，对本发明进行详细描述。
如图1所示，本发明提供了一种基于数字孪生的发动机故障诊断溯源方法，具体步骤包括：
步骤1、如图2所示，基于虚拟孪生体和实际工况构建历史数据库，采用分类算法调用历史数据库的数据进行训练，得到可以用于故障分类的故障分类模型。历史数据库中包含两种数据，分别为待诊断发动机在正常工作状态下的正常工作数据、在故障状态下的故障工作数据和虚拟孪生体模拟的虚拟故障数据，前两者统称为待诊断发动机的测量数据。测量数据主要包括进气温度、进气压力、缸内压力、排气温度、排气压力、压气机入口温度、压气机入口压力、压气机出口温度、压气机出口压力、中冷器出口温度和中冷器出口压力。故障工作数据主要来自于待诊断发动机的供油、配气、增压和中冷这些容易发生故障的子系统。
测量数据来源于线下测试，也可根据线上运行时的监测数据进行补充。虚拟故障数据来源于虚拟孪生体对严重故障的模拟，作为故障工作数据的补充，填补某些不能进行测试的严重故障情景的空白，降低了故障模拟的经济成本。为了更好地模拟严重故障时的工作数据，虚拟故障数据中还包含一些不同比重的高斯白噪声，以模拟真实工作环境下的测量误差。本发明的严重故障是指使待诊断发动机被迫停止工作、使待诊断发动机损坏甚至报废的故障情况。
采用历史数据库中的数据对故障分类模型进行训练，直至所有数据训练完成，就得到了本发明所需的故障分类模型，及各种故障类型对应的特征重要性。训练过程在线下进行，可节省判断时间，并减小计算量。如图3所示，本实施例采用随机森林算法进行分类训练，当然也可采用其他的分类算法，如朴素贝叶斯算法、逻辑回归算法、决策树算法、支持向量机算法。不同的故障类型会导致发动机某个或多个子系统的工作数据发生变化，这样的工作数据为故障类型对应的特征，特征重要性表征工作数据受故障影响的程度，具体为参数的平均精确率。
步骤2、根据故障分类模型对待诊断数据进行初步分类，得到初步分类结果。初步分类结果包括特征重要性、可能的故障类型及其对应的故障程度区间。初步分类完成的标准是该故障类型的特征重要性减小到设定阈值之下。按照特征重要性的大小排列，将特征分为大于设定阈值的重要特征和不大于设定阈值的非重要特征，即受当前故障类型影响较大的工作数据和较小的工作数据。本步骤可以在线上或线下完成，灵活性强。如图2所示，待诊断数据为物理实体，即待诊断发动机的监测数据。
步骤3、调用虚拟孪生体对故障进行溯源复现。根据当前工况设定虚拟孪生体的转速与负荷，根据故障类型选择虚拟孪生体中包含故障类型对应的故障变量的虚拟模块，根据步骤1得到的故障程度区间设定故障变量的程度区间，设定重要特征为优化目标，采用优化算法，调用虚拟孪生体对故障进行溯源复现，得到当重要特征最接近监测数据时虚拟模块的故障变量值。如故障类型为喷油器堵塞，对应的故障变量为喷油量，则应选用喷油量为虚拟变量的供油模块作为发生故障的子系统。
以重要特征为优化目标，采用优化算法对虚拟孪生体进行迭代计算，得到虚拟变量的具体故障信息和可模拟故障工况的虚拟故障模型。步骤2得到了故障程度区间，步骤3进一步得到一个具体的故障程度值，在后续的决策中使用。正向回溯后的虚拟计算模型可以模拟初步分类得到的故障发生时的发动机状态，可以在后续的发动机在线调整过程中使用，继续模拟可能的工况。如图3所示，本实施例采用NSGA-II算法作为优化算法，在实际应用时可以替换为其他多目标优化算法。
步骤4、根据故障程度值在故障程度区间的位置选择维护决策，维护决策包括停止任务、在线优化和继续任务。当故障严重时，停止任务，当故障没有明显影响时，继续任务；当故障影响性能但不到严重的程度时，可以在线优化。在线优化时，可以使用虚拟计算模型继续模拟可能的工况，调整待诊断发动机的控制策略。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。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 (5)
1.一种基于数字孪生的发动机故障诊断方法，其特征在于，步骤包括：
步骤1、根据基于虚拟孪生体和实际工作过程构建的历史数据库，采用分类算法训练故障分类模型；将待诊断发动机的监测数据输入训练好的故障分类模型，进行故障初步分类，得到故障类型及其对应的特征重要性、故障程度区间；根据特征重要性大小，将特征分为大于设定阈值的重要特征和不大于设定阈值的非重要特征；
步骤2、根据当前工况设定虚拟孪生体的转速与负荷，根据故障类型选择虚拟孪生体中包含故障类型对应的故障变量的虚拟模块，根据步骤1得到的故障程度区间设定故障变量的程度区间；设定重要特征为优化目标，采用优化算法，调用虚拟孪生体对故障进行溯源复现，得到当重要特征最接近监测数据时虚拟模块的故障变量值；
步骤3、根据故障变量值在故障程度区间的位置选择维护决策，所述维护决策包括停止任务、在线优化和继续任务。
2.如权利要求1所述的方法，其特征在于，所述历史数据库包括测量数据和虚拟故障数据；所述测量数据包括正常工作数据和故障工作数据，为待诊断发动机测试得到的真实数据；所述虚拟故障数据的获取方式为：基于待诊断发动机构造虚拟孪生体，虚拟孪生体模拟故障程度严重的故障情况，并向输出数据中添加不同比重的高斯白噪声，得到虚拟故障数据。
3.如权利要求1所述的方法，其特征在于，所述分类算法包括朴素贝叶斯算法、逻辑回归算法、决策树算法、随机森林算法、支持向量机算法。
4.如权利要求1所述的方法，其特征在于，所述优化算法包括NSGA-II算法和粒子群算法。
5.如权利要求1或4所述的方法，其特征在于，所述调用虚拟孪生体对故障进行溯源复现，还得到最接近当前工况的虚拟孪生体，作为虚拟计算故障模型，在线优化时模拟并展示工况。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310335975.9A CN116340848B (zh) | 2023-03-31 | 2023-03-31 | 一种基于数字孪生的发动机故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310335975.9A CN116340848B (zh) | 2023-03-31 | 2023-03-31 | 一种基于数字孪生的发动机故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116340848A true CN116340848A (zh) | 2023-06-27 |
| CN116340848B CN116340848B (zh) | 2023-11-14 |
Family
ID=86883843
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310335975.9A Active CN116340848B (zh) | 2023-03-31 | 2023-03-31 | 一种基于数字孪生的发动机故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116340848B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118133583A (zh) * | 2024-05-07 | 2024-06-04 | 北京理工大学 | 一种基于虚拟行驶场景的发动机运行工况联合仿真方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113033055A (zh) * | 2021-03-29 | 2021-06-25 | 武汉理工大学 | 一种基于数字孪生的船用发动机状态评估方法及系统 |
| US20210341901A1 (en) * | 2020-05-01 | 2021-11-04 | Rockwell Automation Technologies, Inc. | Induction motor condition monitoring using machine learning |
| WO2022037068A1 (zh) * | 2021-03-22 | 2022-02-24 | 南京航空航天大学 | 一种机床轴承故障诊断方法 |
| CN114492511A (zh) * | 2021-12-31 | 2022-05-13 | 中云开源数据技术（上海）有限公司 | 一种基于数字孪生的故障诊断方法 |
| CN115292834A (zh) * | 2022-07-20 | 2022-11-04 | 北自所(北京)科技发展股份有限公司 | 一种数字孪生装备故障诊断方法、装置及系统 |
| CN115329536A (zh) * | 2022-07-11 | 2022-11-11 | 江苏科技大学 | 一种基于数字孪生的船用发动机故障诊断方法 |
| CN115356639A (zh) * | 2022-09-29 | 2022-11-18 | 深圳先进技术研究院 | 一种双向锂离子电池智能健康监控方法及系统 |
| CN115481655A (zh) * | 2022-08-24 | 2022-12-16 | 天津大学 | 一种基于数字孪生和迁移学习的气缸泄露故障诊断方法 |
| CN115481756A (zh) * | 2022-08-23 | 2022-12-16 | 安徽理工大学 | 一种基于数字孪生和改进随机森林的电机故障诊断方法 |
| CN115596588A (zh) * | 2022-07-06 | 2023-01-13 | 一汽解放汽车有限公司（Cn） | 一种喷油器在线故障诊断设备及诊断方法 |
| CN115753067A (zh) * | 2023-01-09 | 2023-03-07 | 湖南大学 | 一种基于数字孪生的强噪声下旋转机械故障诊断方法 |
-
2023
- 2023-03-31 CN CN202310335975.9A patent/CN116340848B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210341901A1 (en) * | 2020-05-01 | 2021-11-04 | Rockwell Automation Technologies, Inc. | Induction motor condition monitoring using machine learning |
| WO2022037068A1 (zh) * | 2021-03-22 | 2022-02-24 | 南京航空航天大学 | 一种机床轴承故障诊断方法 |
| CN113033055A (zh) * | 2021-03-29 | 2021-06-25 | 武汉理工大学 | 一种基于数字孪生的船用发动机状态评估方法及系统 |
| CN114492511A (zh) * | 2021-12-31 | 2022-05-13 | 中云开源数据技术（上海）有限公司 | 一种基于数字孪生的故障诊断方法 |
| CN115596588A (zh) * | 2022-07-06 | 2023-01-13 | 一汽解放汽车有限公司（Cn） | 一种喷油器在线故障诊断设备及诊断方法 |
| CN115329536A (zh) * | 2022-07-11 | 2022-11-11 | 江苏科技大学 | 一种基于数字孪生的船用发动机故障诊断方法 |
| CN115292834A (zh) * | 2022-07-20 | 2022-11-04 | 北自所(北京)科技发展股份有限公司 | 一种数字孪生装备故障诊断方法、装置及系统 |
| CN115481756A (zh) * | 2022-08-23 | 2022-12-16 | 安徽理工大学 | 一种基于数字孪生和改进随机森林的电机故障诊断方法 |
| CN115481655A (zh) * | 2022-08-24 | 2022-12-16 | 天津大学 | 一种基于数字孪生和迁移学习的气缸泄露故障诊断方法 |
| CN115356639A (zh) * | 2022-09-29 | 2022-11-18 | 深圳先进技术研究院 | 一种双向锂离子电池智能健康监控方法及系统 |
| CN115753067A (zh) * | 2023-01-09 | 2023-03-07 | 湖南大学 | 一种基于数字孪生的强噪声下旋转机械故障诊断方法 |
Non-Patent Citations (4)
| Title |
|---|
| YANGYANG LI 等: "Multi-objective energy management for Atkinson cycle engine and series hybrid electric vehicle based on evolutionary NSGA-II algorithm using digital twins", 《ENERGY CONVERSION AND MANAGEMENT》, pages 1 - 19 * |
| YOURUI HUANG 等: "Fault Diagnosis of Permanent Magnet Synchronous Motor of Coal Mine Belt Conveyor Based on Digital Twin and ISSA-RF", 《PROCESSES》, pages 1 - 22 * |
| 李翔宇: "数字孪生模型构造技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, pages 029 - 824 * |
| 陈辉: "数字孪生框架下A企业智能设备故障预测与维护策略研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, pages 029 - 323 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118133583A (zh) * | 2024-05-07 | 2024-06-04 | 北京理工大学 | 一种基于虚拟行驶场景的发动机运行工况联合仿真方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116340848B (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102855349B (zh) | 航空发动机气路故障诊断的快速原型设计方法及平台 | |
| CN116340848B (zh) | 一种基于数字孪生的发动机故障诊断方法 | |
| JP2010530179A (ja) | 仮想センサ・システムおよび方法 | |
| Ruiz et al. | A new criterion to validate and improve the classification process of LAMDA algorithm applied to diesel engines | |
| CN112364446B (zh) | 基于ec-rbelm算法的发动机整机性能衰减预测方法 | |
| CN111753465B (zh) | 升船机防撞缓冲液压系统缓冲油缸内泄漏故障诊断方法 | |
| Kh Khaliullin et al. | Determination of statistical data of conditional probabilities of the technical condition of internal combustion engines when compiling the Bayes diagnostic table | |
| CN112199890A (zh) | 一种综合式核动力装置系统级故障诊断方法 | |
| CN115081484B (zh) | 基于crj-oselm算法的航空发动机传感器故障诊断方法 | |
| CN114995346A (zh) | 一种发动机电气诊断标定方法、装置、设备及介质 | |
| CN115596588A (zh) | 一种喷油器在线故障诊断设备及诊断方法 | |
| CN115586009A (zh) | 一种故障诊断与健康管理系统、方法 | |
| CN116070126A (zh) | 基于对抗自监督的航空柱塞泵配油盘磨损检测方法及系统 | |
| CN117669388A (zh) | 故障样本生成方法、装置、计算机介质 | |
| CN115774847B (zh) | 一种柴油机性能评估及预测方法和系统 | |
| Khaliullin et al. | Method of non-disassembly diagnostics of automotive engines based on pulse functions of their systems | |
| CN116521406A (zh) | 一种基于残差门gru-vae模型的航空发动机未超限飞参数据异常检测方法 | |
| Zhu et al. | Engine fault diagnosis using probabilistic neural network | |
| Shi et al. | Review on intelligent diagnosis technology of electronically controlled fuel injection system of ME diesel engine | |
| CN114417941A (zh) | 一种曲轴故障检测方法及系统 | |
| Zhong et al. | Research on fusion diagnosis method of thermal fault of marine diesel engine | |
| CN115467752A (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 | |
| Singh et al. | Hybrid physics-infused 1D-CNN based deep learning framework for diesel engine fault diagnostics | |
| CN113884239B (zh) | 一种基于tcms数据的列车制动系统管路泄漏诊断方法 | |
| Yang | Automotive Engine Fault Diagnosis System Based on Information Fusion Technology |
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 |