CN116577104A - 一种发动机故障检测方法及设备 - Google Patents
一种发动机故障检测方法及设备 Download PDFInfo
- Publication number
- CN116577104A CN116577104A CN202310331277.1A CN202310331277A CN116577104A CN 116577104 A CN116577104 A CN 116577104A CN 202310331277 A CN202310331277 A CN 202310331277A CN 116577104 A CN116577104 A CN 116577104A
- Authority
- CN
- China
- Prior art keywords
- engine
- information
- value
- fault
- analysis
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 98
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000013024 troubleshooting Methods 0.000 claims abstract description 5
- 230000002159 abnormal effect Effects 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 51
- 239000011159 matrix material Substances 0.000 claims description 50
- 238000005192 partition Methods 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 24
- 238000001914 filtration Methods 0.000 claims description 21
- 238000003745 diagnosis Methods 0.000 claims description 19
- 238000002485 combustion reaction Methods 0.000 claims description 16
- 238000007789 sealing Methods 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 238000000491 multivariate analysis Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 230000036541 health Effects 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 230000002411 adverse Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 239000007858 starting material Substances 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
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
- G01M15/00—Testing of engines
-
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种发动机故障检测方法及设备,属于发动机故障检测技术领域,解决故障检测效率低的技术问题,方法为:步骤S1.获取发动机每一个气缸的缸压信息、混合气体浓度信息、振动信息、实时工作状态信息;步骤S2.建立目标分析模型,分别将缸压信息、混合气体浓度信息、振动信息、实时工作状态信息输入目标分析模型,得到相应的缸压分析值、混合气体浓度分析值、振动分析值、实时工作状态分析值;步骤S3.根据缸压信息、混合气体浓度信息、振动信息、实时工作状态信息、缸压分析值、混合气体浓度分析值、振动分析值、实时工作状态分析值判断发动机的故障信息;根据故障信息和预设的排故方案,输出导致发动机故障的异常数据和故障区域信息。
Description
技术领域
本发明涉及发动机故障检测技术领域,更具体地说,它涉及一种发动机故障检测方法及设备。
背景技术
传统的汽车发动机由于节能、环保及智能化的需求,发动机电子控制系统愈加的复杂。从设计制造的角度来看,这将进一步导致诊断部分的电控数据量增大;从售后保养与维修的角度来看,这会进一步增加后续维修保养的难度。传统的汽车发动机其主要是出现故障后维修,以及按车辆运行时间或里程对汽车的发动机进行维修和保养。虽然按时进行故障排查能够定期对发动机进行维修保养。但是,需要人为定时、定量的执行维修方案,劳动量大且缺乏自动化故障诊断能力,存在故障检测效率低的问题。
发明内容
本发明要解决的技术问题是针对现有技术的上述不足,本发明的目的一是提供一种发动机故障检测方法。
本发明的目的二是提供一种计算机设备。
为了实现上述目的一,本发明提供一种发动机故障检测方法,包括以下步骤:
步骤S1.获取发动机每一个气缸的缸压信息、混合气体浓度信息、振动信息、实时工作状态信息;
步骤S2.建立目标分析模型,分别将所述缸压信息、混合气体浓度信息、振动信息、实时工作状态信息输入所述目标分析模型,得到相应的缸压分析值、混合气体浓度分析值、振动分析值、实时工作状态分析值;
步骤S3.根据所述缸压信息、混合气体浓度信息、振动信息、实时工作状态信息、缸压分析值、混合气体浓度分析值、振动分析值、实时工作状态分析值判断发动机的故障信息;根据所述故障信息和预设的排故方案,输出导致发动机故障的异常数据和故障区域信息。
作为进一步地改进,步骤S2包括:
选取每次发动机启动后稳态状态下参数记录的4个参数:缸压信息、混合气体浓度信息、振动信息、实时工作状态信息,作为目标分析模型的m个检测物理过程变量,它们组成的观测向量为;
x=(x1, x2,… , xm) (1)
该向量的n个观测值组成观测矩阵Xn×m,实际系统中各个不同变量的量纲和量程可能差别很大,为了均衡各变量对模型及其统计参数的影响和敏感性,在PCA分析前对原始数据进行归一化处理,使所有的变量数据具有零均值和单位标准差;
主元分析模型建立过程实质上是数据矩阵X协方差矩阵的特征值分解过程,对于矩阵Xn×m的协方差阵就可以表示为
进行特征值分解
Cov(X) pi= λipi (3)
式中,pi是协方差矩阵的特征向量,λi是按降序排列的特征值,矩阵X可分解为如下形式
X=TPT=t1P1 T+t2P2 T+… +tmPm T (4)
式中,ti是系统主元,也称得分向量,T是主元空间,也称得分矩阵,pi是主元特征向量,也称负荷向量,P是负荷矩阵,各个得分向量之间是正交的,各个负荷向量之间也是互相正交的,同时每个负荷向量的长度都是1;
将式(4)两边同时右乘pi,可得到
ti=X pi (5)
式中,向量ti的长度反映了数据矩阵X在pi方向上的覆盖程度;它的长度越大,X在pi方向覆盖程度或者变化范围也就越大;若得分向量按其长度做以下排列:‖t1‖≥‖t2‖≥…≥‖tm‖,那么负荷向量p1代表X变化的最大方向,p2与p1垂直,p2代表X变化的第二大方向,pm代表X变化最小的方向;当矩阵X中的变量间存在一定程度的线性相关时,X的变化主要体现在ti模较大的前k个负荷向量方向上,在其它负荷向量方向上的投影很小,因此X可进行如下主元分解
X = TPT=t1P1 T+t2P2 T+… +tkPk T+E (6)
式中,E称之为残差矩阵,代表X在非主元方向Pk+1,Pk+2,…,Pm上的变化,一般k<<m,为实现对X的降维处理,消除测量噪声对X的不良影响,在式(6)中去除E,得到数据矩阵X的主元(PCA)模型,即
X≈t1P1 T+t2P2 T+… +tkPk T= XP (7)。
进一步地,为了对数据矩阵X含有的故障信息作出分析和判断,需要定义能够表征数据总体特性的多元统计量,使用多元统计量有SPE统计量和T2统计量,SPE统计量刻划了过程的实际测量值X对于主元模型XP的偏离程度,其定义为
SPEi = eiei T=xi T(I-PkPk T) xi (8)
式中,ei是残差矩阵E的第i行,Pk是前k个主元所对应的负荷矩阵,xi为i时刻的测量向量,I是单位矩阵,T2统计量通过主元模型XP内部的主元向量t1的波动来反映设备状态或过程运行工况的变化,对于第i时刻测量向量xi,T2统计量定义为
Ti 2= tiΛ-1ti T=xiPkΛ-1Pk Txi T (9)
式中,ti为第i时刻的主元模型的主元得分向量,Λ为由与前k个主元所对应的特征值组成的对角阵。
进一步地,在步骤S3中,统计量的控制限利用主元模型和多元统计量对过程或设备运行状况进行监控需要由正常状态的样本数据来确定正常状态的统计量控制限,通过预设控制限判断运行状况正常与否;控制限包括SPE控制限和T2控制限;
当分析值超过控制限时结合以下检测值与实际值偏差来判断故障发生在什么地方,理想值与实际值偏离越大说明越可能是该部分出现故障;
P1为检测到的压力值,P为预设的理想压力值,Error1为理想值与实际值之间的误差;当Error1≥15%时,即说明燃烧室密封性故障、进气系统故障或排气系统故障,当Error1≥30%时,即说明燃烧室密封性故障、进气系统故障或排气系统存在严重故障;
Con1为检测到的气缸内气体浓度,Con为预设的气体浓度的理想值,Errror2为气体浓度理想值与实际值之间的误差;当Error2≥10%时,即说明燃烧室密封性故障、进气系统故障或排气系统故障,当Error2≥20%时,即说明燃烧室密封性故障、进气系统故障或排气系统存在严重故障;
Fre1为单位时间内峰值超出预设值的个数,Fre为单位时间内振动频率,Error3为振动频率误差;当Error3≥6%时,得到关于发动机振动的故障信息,表征发动机存在机械故障信息,当Error3≥10%时,得到关于发动机振动的故障信息,表征发动机存在较为严重的机械故障信息,当Error3≥15%时,得到关于发动机振动的故障信息,表征发动机存在严重的机械故障信息;
W1为发动机曲轴转速的检测值,W为发动机转速的预设值,Error4为发动机转速的实际值与理想值之间的误差。当Error4≥5%时,说明发动机存在机械故障,包括气节门开度过大、火花塞故障或油路问题,当Error4≥10%时,说明发动机存在较为严重的机械故障,当Error4≥5%时,说明发动机存在严重的机械故障。
进一步地,所述缸压信息、混合气体浓度信息、振动信息、实时工作状态信息的运转信号由传感器采集所得,基于运转信号确定目标分析模型的输入信号包括:
当确定运转信号经由传感器所连接的CAN总线传输所得时,直接将运转信号作为目标分析模型的输入信号;在确定运转信号为模拟量信号时,对运转信号进行高频滤波处理,得到相应的高频滤波信号,再对高频滤波信号进行有效性分析,得到相应的分析结果,当分析结果表征高频滤波信号为有效信号时,对高频滤波信号进行低通滤波处理,并将处理所得的低通滤波信号作为目标分析模型的输入信号。
进一步地,通过目标分析模型在已建立的目标数据分区中,对当前的输入信号进行统计处理,得到相应的实时运转分析值,包括:
通过目标分析模型在确定当前的输入信号,对应关联到运行工况,满足预设的分区建立条件时,在已建立的各个数据分区中,进行目标数据分区进行搜索;分区建立条件包括运转信号输出正常、发动机扭矩在预设时间内的偏差值满足预设第一偏差条件、发动机转速在预设时间内的偏差值满足预设第二偏差条件、以及发动机转速和发动机扭矩包括在预设选定范围内;
在确定搜索成功时,通过目标分析模型在搜索到的目标数据分区中,对当前的输入信号进行处理,得到相应的实时运转分析值;
在确定搜索失败时,根据发动机转速、发动机扭矩和运转信号进行目标数据分区的建立,并通过目标分析模型在当前已建立的目标数据分区中,对当前的输入信号进行处理,得到相应的实时运转分析值。
进一步地,根据实际值和实时运转分析值之间的偏差,进行发动机故障诊断,得到相应的故障诊断结果,包括:
在偏差的绝对值小于或等于预设正常判别阈值时,输出表征发动机运转正常的第一诊断结果;在偏差的绝对值大于预设正常判别阈值,且小于或等于预设风险判别阈值时,输出表征发动机存在运行故障风险的第二诊断结果;在偏差的绝对值大于预设风险判别阈值,且小于或等于预设故障判别阈值时,输出表征发动机处于运行故障状态的第三诊断结果;在偏差的绝对值大于预设故障判别阈值时,输出表征发动机处于严重运行故障状态的第四诊断结果。
进一步地,还包括:
检测与发电机连接的蓄电池的电压波动信号;
根据电压波动信号,得到发动机的转速信息;当转速信息小于预设阈值,得到关于发动机的故障信息;其中,发动机的转速故障信息用于表征蓄电池驱动起动机运转的能力故障或者曲轴旋转阻力过大故障。
进一步地,还包括:
当发动机不存在故障信息,根据燃烧前和燃烧后所检测的数据信息进行健康检测处理,并生成健康体检报告;
将缸压信息、混合气体浓度信息、振动信息、实时工作状态信息的运转信号作为待统计分析数据,将根据运转信号所确定的运转分析值作为统计分析数据,分别存储到相应的数据分区中;
在确定控制器处于掉电状态之前,将数据分区中存储的待统计分析数据,以及统计分析数据分别复制到预设的备份分区中,进行备份处理;
在确定控制器处于上电状态时,将备份分区中预先存储的统计分析数据恢复至相应的数据分区中,以保证统计处理过程的顺利执行。
为了实现上述目的二,本发明提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述的一种发动机故障检测方法。
有益效果
本发明与现有技术相比,具有的优点为:
汽车在正常的工作状态时,本发明能够及时的检测和发现汽车发动机的故障信息,并根据故障信息判断发动机的故障范围,缩小了故障的排查范围,提高了故障的检修效率。
由于汽车发动机故障检测技术的种种优势,现有的大部分汽车也都配置有故障检测系统,以缩小了故障的排查范围,提高了故障的检修效率,为人们驾驶汽车提供方便。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图中的具体实施例对本发明做进一步的说明。
参阅图1,一种发动机故障检测方法,包括以下步骤:
步骤S1.获取发动机每一个气缸的缸压信息、混合气体浓度信息、振动信息、实时工作状态信息;
步骤S2.建立目标分析模型,分别将缸压信息、混合气体浓度信息、振动信息、实时工作状态信息输入目标分析模型,得到相应的缸压分析值、混合气体浓度分析值、振动分析值、实时工作状态分析值;
步骤S3.根据缸压信息、混合气体浓度信息、振动信息、实时工作状态信息、缸压分析值、混合气体浓度分析值、振动分析值、实时工作状态分析值判断发动机的故障信息;根据故障信息和预设的排故方案,输出导致发动机故障的异常数据和故障区域信息。
根据缸压信息、混合气体浓度信息、振动信息、实时工作状态信息和缸压分析值、混合气体浓度分析值、振动分析值、实时工作状态分析值判断发动机的故障信息,包括:
当其他的检测数据信息均在正常范围内,且其中一个缸压信息低于检测值的预设阈值,得到关于发动机的缸压故障信息;其中,缸压和混合气体浓度故障信息用于表征燃烧室密封性故障、进气系统故障或排气系统故障。当发动机的振动信息、发动机的实时工作状态信息和缸压信息均在正常范围内,且至少一个气缸的混合气浓度信息低于预设阈值,得到关于发动机的混合气体浓度的故障信息;其中,混合气体浓度的故障信息用于表征进气系统故障或喷油系统故障。当检测数据信息包括缸压信息、混合气体浓度信息、发动机的实时工作状态信息均在正常范围内,且发动机振动信息超出预设阈值,得到关于发动机振动的故障信息;当检测数据信息包括缸压信息、混合气体浓度信息、发动机的振动信息均处于正常范围内,发动机的实时工作状态信息超出预设阈值时,得到发动机的实时工作状态故障信息,发动机的振动信息、发动机的实时工作状态信息用于表征发动机的机械故障信息。
步骤S2包括:
选取每次发动机启动后稳态状态下参数记录的4个参数:缸压信息、混合气体浓度信息、振动信息、实时工作状态信息,作为目标分析模型的m个检测物理过程变量,它们组成的观测向量为;
x=(x1, x2,… , xm) (1)
该向量的n个观测值组成观测矩阵Xn×m,实际系统中各个不同变量的量纲和量程可能差别很大。为了均衡各变量对模型及其统计参数的影响和敏感性,在PCA分析前对原始数据进行归一化处理,使所有的变量数据具有零均值和单位标准差。
主元分析模型建立过程实质上是数据矩阵X协方差矩阵的特征值分解过程,对于矩阵Xn×m的协方差阵就可以表示为
进行特征值分解
Cov(X) pi= λipi (3)
式中,pi是协方差矩阵的特征向量,λi是按降序排列的特征值,矩阵X可分解为如下形式
X=TPT=t1P1 T+t2P2 T+… +tmPm T (4)
式中,ti是系统主元,也称得分向量,T是主元空间,也称得分矩阵,pi是主元特征向量,也称负荷向量,P是负荷矩阵,各个得分向量之间是正交的,各个负荷向量之间也是互相正交的,同时每个负荷向量的长度都是1。
将式(4)两边同时右乘pi,可得到
ti=X pi (5)
式中,向量ti的长度反映了数据矩阵X在pi方向上的覆盖程度;它的长度越大,X在pi方向覆盖程度或者变化范围也就越大。若得分向量按其长度做以下排列:‖t1‖≥‖t2‖≥…≥‖tm‖,那么负荷向量p1代表X变化的最大方向,p2与p1垂直,p2代表X变化的第二大方向,pm代表X变化最小的方向。当矩阵X中的变量间存在一定程度的线性相关时,X的变化主要体现在ti模较大的前k个负荷向量方向上,在其它负荷向量方向上的投影很小,投影主要表达测量噪声的信息。因此X可进行如下主元分解
X = TPT=t1P1 T+t2P2 T+… +tkPk T+E (6)
式中,E称之为残差矩阵,代表X在非主元方向Pk+1,Pk+2,…,Pm上的变化,一般k<<m,为实现对X的降维处理,消除测量噪声对X的不良影响,在式(6)中去除E,得到数据矩阵X的主元(PCA)模型,即
X≈t1P1 T+t2P2 T+… +tkPk T= XP (7)。
为了对数据矩阵X含有的故障信息作出分析和判断,需要定义能够表征数据总体特性的多元统计量,使用多元统计量有SPE统计量和T2统计量,SPE统计量刻划了过程的实际测量值X对于主元模型XP的偏离程度,其定义为
SPEi = eiei T=xi T(I-PkPk T) xi (8)
式中,ei是残差矩阵E的第i行,Pk是前k个主元所对应的负荷矩阵,xi为i时刻的测量向量,I是单位矩阵,T2统计量通过主元模型XP内部的主元向量t1的波动来反映设备状态或过程运行工况的变化,对于第i时刻测量向量xi,T2统计量定义为
Ti 2= tiΛ-1ti T=xiPkΛ-1Pk Txi T (9)
式中,ti为第i时刻的主元模型的主元得分向量,Λ为由与前k个主元所对应的特征值组成的对角阵。
在步骤S3中,统计量的控制限利用主元模型和多元统计量对过程或设备运行状况进行监控需要由正常状态的样本数据来确定正常状态的统计量控制限,通过预设控制限判断运行状况正常与否;控制限包括SPE控制限和T2控制限。
当分析值超过控制限时结合以下检测值与实际值偏差来判断故障发生在什么地方,理想值与实际值偏离越大说明越可能是该部分出现故障。
P1为检测到的压力值,P为预设的理想压力值,Error1为理想值与实际值之间的误差;当Error1≥15%时,即说明燃烧室密封性故障、进气系统故障或排气系统故障,当Error1≥30%时,即说明燃烧室密封性故障、进气系统故障或排气系统存在严重故障。
Con1为检测到的气缸内气体浓度,Con为预设的气体浓度的理想值,Errror2为气体浓度理想值与实际值之间的误差;当Error2≥10%时,即说明燃烧室密封性故障、进气系统故障或排气系统故障,当Error2≥20%时,即说明燃烧室密封性故障、进气系统故障或排气系统存在严重故障。
Fre1为单位时间内峰值超出预设值的个数,Fre为单位时间内振动频率,Error3为振动频率误差;当Error3≥6%时,得到关于发动机振动的故障信息,表征发动机存在机械故障信息,当Error3≥10%时,得到关于发动机振动的故障信息,表征发动机存在较为严重的机械故障信息,当Error3≥15%时,得到关于发动机振动的故障信息,表征发动机存在严重的机械故障信息。
W1为发动机曲轴转速的检测值,W为发动机转速的预设值,Error4为发动机转速的实际值与理想值之间的误差。当Error4≥5%时,说明发动机存在机械故障,包括气节门开度过大、火花塞故障或油路问题,当Error4≥10%时,说明发动机存在较为严重的机械故障,当Error4≥5%时,说明发动机存在严重的机械故障。
缸压信息、混合气体浓度信息、振动信息、实时工作状态信息的运转信号由传感器采集所得,基于运转信号确定目标分析模型的输入信号包括:
当确定运转信号经由传感器所连接的CAN总线传输所得时,直接将运转信号作为目标分析模型的输入信号;在确定运转信号为模拟量信号时,对运转信号进行高频滤波处理,得到相应的高频滤波信号,再对高频滤波信号进行有效性分析,得到相应的分析结果,当分析结果表征高频滤波信号为有效信号时,对高频滤波信号进行低通滤波处理,并将处理所得的低通滤波信号作为目标分析模型的输入信号。
通过目标分析模型在已建立的目标数据分区中,对当前的输入信号进行统计处理,得到相应的实时运转分析值,包括:
通过目标分析模型在确定当前的输入信号,对应关联到运行工况,满足预设的分区建立条件时,在已建立的各个数据分区中,进行目标数据分区进行搜索;分区建立条件包括运转信号输出正常、发动机扭矩在预设时间内的偏差值满足预设第一偏差条件、发动机转速在预设时间内的偏差值满足预设第二偏差条件、以及发动机转速和发动机扭矩包括在预设选定范围内。
在确定搜索成功时,通过目标分析模型在搜索到的目标数据分区中,对当前的输入信号进行处理,得到相应的实时运转分析值。
在确定搜索失败时,根据发动机转速、发动机扭矩和运转信号进行目标数据分区的建立,并通过目标分析模型在当前已建立的目标数据分区中,对当前的输入信号进行处理,得到相应的实时运转分析值。
根据实际值和实时运转分析值之间的偏差,进行发动机故障诊断,得到相应的故障诊断结果,包括:
在偏差的绝对值小于或等于预设正常判别阈值时,输出表征发动机运转正常的第一诊断结果;在偏差的绝对值大于预设正常判别阈值,且小于或等于预设风险判别阈值时,输出表征发动机存在运行故障风险的第二诊断结果;在偏差的绝对值大于预设风险判别阈值,且小于或等于预设故障判别阈值时,输出表征发动机处于运行故障状态的第三诊断结果;在偏差的绝对值大于预设故障判别阈值时,输出表征发动机处于严重运行故障状态的第四诊断结果。
本方法还包括:
检测与发电机连接的蓄电池的电压波动信号;
根据电压波动信号,得到发动机的转速信息;当转速信息小于预设阈值,得到关于发动机的故障信息;其中,发动机的转速故障信息用于表征蓄电池驱动起动机运转的能力故障或者曲轴旋转阻力过大故障。
本方法还包括:
当发动机不存在故障信息,根据燃烧前和燃烧后所检测的数据信息进行健康检测处理,并生成健康体检报告;
将缸压信息、混合气体浓度信息、振动信息、实时工作状态信息的运转信号作为待统计分析数据,将根据运转信号所确定的运转分析值作为统计分析数据,分别存储到相应的数据分区中;
在确定控制器处于掉电状态之前,将数据分区中存储的待统计分析数据,以及统计分析数据分别复制到预设的备份分区中,进行备份处理;
在确定控制器处于上电状态时,将备份分区中预先存储的统计分析数据恢复至相应的数据分区中,以保证统计处理过程的顺利执行。
一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,其特征在于,处理器执行计算机程序时实现上述的一种发动机故障检测方法。
以上仅是本发明的优选实施方式,应当指出对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些都不会影响本发明实施的效果和专利的实用性。
Claims (10)
1.一种发动机故障检测方法,其特征在于,包括以下步骤:
步骤S1.获取发动机每一个气缸的缸压信息、混合气体浓度信息、振动信息、实时工作状态信息;
步骤S2.建立目标分析模型,分别将所述缸压信息、混合气体浓度信息、振动信息、实时工作状态信息输入所述目标分析模型,得到相应的缸压分析值、混合气体浓度分析值、振动分析值、实时工作状态分析值;
步骤S3.根据所述缸压信息、混合气体浓度信息、振动信息、实时工作状态信息、缸压分析值、混合气体浓度分析值、振动分析值、实时工作状态分析值判断发动机的故障信息;根据所述故障信息和预设的排故方案,输出导致发动机故障的异常数据和故障区域信息。
2.根据权利要求1所述的一种发动机故障检测方法,其特征在于,步骤S2包括:
选取每次发动机启动后稳态状态下参数记录的4个参数:缸压信息、混合气体浓度信息、振动信息、实时工作状态信息,作为目标分析模型的m个检测物理过程变量,它们组成的观测向量为;
x=(x1, x2,… , xm) (1)
该向量的n个观测值组成观测矩阵Xn×m,实际系统中各个不同变量的量纲和量程可能差别很大,为了均衡各变量对模型及其统计参数的影响和敏感性,在PCA分析前对原始数据进行归一化处理,使所有的变量数据具有零均值和单位标准差;
主元分析模型建立过程实质上是数据矩阵X协方差矩阵的特征值分解过程,对于矩阵Xn×m的协方差阵就可以表示为
进行特征值分解
Cov(X) pi= λipi (3)
式中,pi是协方差矩阵的特征向量,λi是按降序排列的特征值,矩阵X可分解为如下形式
X=TPT=t1P1 T+t2P2 T+… +tmPm T (4)
式中,ti是系统主元,也称得分向量,T是主元空间,也称得分矩阵,pi是主元特征向量,也称负荷向量,P是负荷矩阵,各个得分向量之间是正交的,各个负荷向量之间也是互相正交的,同时每个负荷向量的长度都是1;
将式(4)两边同时右乘pi,可得到
ti=X pi (5)
式中,向量ti的长度反映了数据矩阵X在pi方向上的覆盖程度;它的长度越大,X在pi方向覆盖程度或者变化范围也就越大;若得分向量按其长度做以下排列:‖t1‖≥‖t2‖≥…≥‖tm‖,那么负荷向量p1代表X变化的最大方向,p2与p1垂直,p2代表X变化的第二大方向,pm代表X变化最小的方向;当矩阵X中的变量间存在一定程度的线性相关时,X的变化主要体现在ti模较大的前k个负荷向量方向上,在其它负荷向量方向上的投影很小,因此X可进行如下主元分解
X = TPT=t1P1 T+t2P2 T+… +tkPk T+E (6)
式中,E称之为残差矩阵,代表X在非主元方向Pk+1,Pk+2,…,Pm上的变化,一般k<<m,为实现对X的降维处理,消除测量噪声对X的不良影响,在式(6)中去除E,得到数据矩阵X的主元(PCA)模型,即
X≈t1P1 T+t2P2 T+… +tkPk T= XP (7)。
3.根据权利要求2所述的一种发动机故障检测方法,其特征在于,为了对数据矩阵X含有的故障信息作出分析和判断,需要定义能够表征数据总体特性的多元统计量,使用多元统计量有SPE统计量和T2统计量,SPE统计量刻划了过程的实际测量值X对于主元模型XP的偏离程度,其定义为
SPEi = eiei T=xi T(I-PkPk T) xi (8)
式中,ei是残差矩阵E的第i行,Pk是前k个主元所对应的负荷矩阵,xi为i时刻的测量向量,I是单位矩阵,T2统计量通过主元模型XP内部的主元向量t1的波动来反映设备状态或过程运行工况的变化,对于第i时刻测量向量xi,T2统计量定义为
Ti 2= tiΛ-1ti T=xiPkΛ-1Pk Txi T (9)
式中,ti为第i时刻的主元模型的主元得分向量,Λ为由与前k个主元所对应的特征值组成的对角阵。
4.根据权利要求3所述的一种发动机故障检测方法,其特征在于,在步骤S3中,统计量的控制限利用主元模型和多元统计量对过程或设备运行状况进行监控需要由正常状态的样本数据来确定正常状态的统计量控制限,通过预设控制限判断运行状况正常与否;控制限包括SPE控制限和T2控制限;
当分析值超过控制限时结合以下检测值与实际值偏差来判断故障发生在什么地方,理想值与实际值偏离越大说明越可能是该部分出现故障;
P1为检测到的压力值,P为预设的理想压力值,Error1为理想值与实际值之间的误差;当Error1≥15%时,即说明燃烧室密封性故障、进气系统故障或排气系统故障,当Error1≥30%时,即说明燃烧室密封性故障、进气系统故障或排气系统存在严重故障;
Con1为检测到的气缸内气体浓度,Con为预设的气体浓度的理想值,Errror2为气体浓度理想值与实际值之间的误差;当Error2≥10%时,即说明燃烧室密封性故障、进气系统故障或排气系统故障,当Error2≥20%时,即说明燃烧室密封性故障、进气系统故障或排气系统存在严重故障;
Fre1为单位时间内峰值超出预设值的个数,Fre为单位时间内振动频率,Error3为振动频率误差;当Error3≥6%时,得到关于发动机振动的故障信息,表征发动机存在机械故障信息,当Error3≥10%时,得到关于发动机振动的故障信息,表征发动机存在较为严重的机械故障信息,当Error3≥15%时,得到关于发动机振动的故障信息,表征发动机存在严重的机械故障信息;
W1为发动机曲轴转速的检测值,W为发动机转速的预设值,Error4为发动机转速的实际值与理想值之间的误差。当Error4≥5%时,说明发动机存在机械故障,包括气节门开度过大、火花塞故障或油路问题,当Error4≥10%时,说明发动机存在较为严重的机械故障,当Error4≥5%时,说明发动机存在严重的机械故障。
5.根据权利要求1所述的一种发动机故障检测方法,其特征在于,所述缸压信息、混合气体浓度信息、振动信息、实时工作状态信息的运转信号由传感器采集所得,基于运转信号确定目标分析模型的输入信号包括:
当确定运转信号经由传感器所连接的CAN总线传输所得时,直接将运转信号作为目标分析模型的输入信号;在确定运转信号为模拟量信号时,对运转信号进行高频滤波处理,得到相应的高频滤波信号,再对高频滤波信号进行有效性分析,得到相应的分析结果,当分析结果表征高频滤波信号为有效信号时,对高频滤波信号进行低通滤波处理,并将处理所得的低通滤波信号作为目标分析模型的输入信号。
6.根据权利要求1所述的一种发动机故障检测方法,其特征在于,通过目标分析模型在已建立的目标数据分区中,对当前的输入信号进行统计处理,得到相应的实时运转分析值,包括:
通过目标分析模型在确定当前的输入信号,对应关联到运行工况,满足预设的分区建立条件时,在已建立的各个数据分区中,进行目标数据分区进行搜索;分区建立条件包括运转信号输出正常、发动机扭矩在预设时间内的偏差值满足预设第一偏差条件、发动机转速在预设时间内的偏差值满足预设第二偏差条件、以及发动机转速和发动机扭矩包括在预设选定范围内;
在确定搜索成功时,通过目标分析模型在搜索到的目标数据分区中,对当前的输入信号进行处理,得到相应的实时运转分析值;
在确定搜索失败时,根据发动机转速、发动机扭矩和运转信号进行目标数据分区的建立,并通过目标分析模型在当前已建立的目标数据分区中,对当前的输入信号进行处理,得到相应的实时运转分析值。
7.根据权利要求1所述的一种发动机故障检测方法,其特征在于,根据实际值和实时运转分析值之间的偏差,进行发动机故障诊断,得到相应的故障诊断结果,包括:
在偏差的绝对值小于或等于预设正常判别阈值时,输出表征发动机运转正常的第一诊断结果;在偏差的绝对值大于预设正常判别阈值,且小于或等于预设风险判别阈值时,输出表征发动机存在运行故障风险的第二诊断结果;在偏差的绝对值大于预设风险判别阈值,且小于或等于预设故障判别阈值时,输出表征发动机处于运行故障状态的第三诊断结果;在偏差的绝对值大于预设故障判别阈值时,输出表征发动机处于严重运行故障状态的第四诊断结果。
8.根据权利要求1所述的一种发动机故障检测方法,其特征在于,还包括:
检测与发电机连接的蓄电池的电压波动信号;
根据电压波动信号,得到发动机的转速信息;当转速信息小于预设阈值,得到关于发动机的故障信息;其中,发动机的转速故障信息用于表征蓄电池驱动起动机运转的能力故障或者曲轴旋转阻力过大故障。
9.根据权利要求6所述的一种发动机故障检测方法,其特征在于,还包括:
当发动机不存在故障信息,根据燃烧前和燃烧后所检测的数据信息进行健康检测处理,并生成健康体检报告;
将缸压信息、混合气体浓度信息、振动信息、实时工作状态信息的运转信号作为待统计分析数据,将根据运转信号所确定的运转分析值作为统计分析数据,分别存储到相应的数据分区中;
在确定控制器处于掉电状态之前,将数据分区中存储的待统计分析数据,以及统计分析数据分别复制到预设的备份分区中,进行备份处理;
在确定控制器处于上电状态时,将备份分区中预先存储的统计分析数据恢复至相应的数据分区中,以保证统计处理过程的顺利执行。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述的一种发动机故障检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310331277.1A CN116577104A (zh) | 2023-03-30 | 2023-03-30 | 一种发动机故障检测方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310331277.1A CN116577104A (zh) | 2023-03-30 | 2023-03-30 | 一种发动机故障检测方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116577104A true CN116577104A (zh) | 2023-08-11 |
Family
ID=87540228
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310331277.1A Pending CN116577104A (zh) | 2023-03-30 | 2023-03-30 | 一种发动机故障检测方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116577104A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116907861A (zh) * | 2023-09-12 | 2023-10-20 | 金网络(北京)数字科技有限公司 | 一种发动机震动检测方法、系统、设备及存储介质 |
-
2023
- 2023-03-30 CN CN202310331277.1A patent/CN116577104A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116907861A (zh) * | 2023-09-12 | 2023-10-20 | 金网络(北京)数字科技有限公司 | 一种发动机震动检测方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1705357B1 (en) | Method and a relative device for diagnosing misfire or partial combustion conditions in an internal combustion engine | |
CN104919298B (zh) | 基于排气歧管压力的内燃发动机不点火检测 | |
US20030172907A1 (en) | Method in connection with engine control | |
US6675639B1 (en) | Apparatus and method to detect cylinder faults of internal combustion engines via exhaust temperature monitoring | |
CN116577104A (zh) | 一种发动机故障检测方法及设备 | |
US7251990B2 (en) | Method and a relative device for diagnosing misfire or partial combustion conditions in an internal combustion engine | |
EP2735719A1 (en) | Device for estimating exhaust temperature of internal combustion engine | |
CN113757000A (zh) | 废气再循环系统的检测方法、装置、设备和存储介质 | |
CN114738132B (zh) | 基于实船数据的增压器转速传感器故障诊断方法及系统 | |
CN114962031B (zh) | 内燃机进气系统管路结焦的检测方法及其系统、车辆 | |
EP4092259A1 (en) | Engine mass flow observer with fault mitigation | |
Siano et al. | A nonlinear black-box modeling method for knock detection in spark-ignition engines | |
Yan et al. | Misfire detection on internal combustion engine based on fluctuation of exhaust gas temperature | |
US20070124054A1 (en) | Method for operating an internal combustion engine | |
CN112267998B (zh) | 一种多缸柴油机缸内最高温度及各缸不均匀性测试方法 | |
CN114662314A (zh) | 一种面向工况切换的船舶柴油机热工参数估计方法 | |
CN113448301A (zh) | 基于obd系统的故障诊断方法及系统 | |
Antory | Fault diagnosis application in an automotive diesel engine using auto-associative neural networks | |
CN114542281B (zh) | 一种基于多源数据融合的柴油机失火故障识别方法 | |
He et al. | Canonical correlation analysis and key performance indicator based fault detection scheme with application to marine diesel supercharging systems | |
CN113803174B (zh) | 一种发动机控制方法和装置 | |
US11687071B2 (en) | Methods of health degradation estimation and fault isolation for system health monitoring | |
Carstens-Behrens et al. | Detection of multiple resonances in noise | |
CN113707915B (zh) | 一种可用于燃料电池电堆的水管理控制方法及装置 | |
Wang | Fault diagnosis and fault-tolerant control for Manifold Absolute Pressure sensor (MAP) of Diesel engine based on Elman network observer |
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 |