CN117091846A - 柴油机异常状态检测方法和装置 - Google Patents
柴油机异常状态检测方法和装置 Download PDFInfo
- Publication number
- CN117091846A CN117091846A CN202311073127.1A CN202311073127A CN117091846A CN 117091846 A CN117091846 A CN 117091846A CN 202311073127 A CN202311073127 A CN 202311073127A CN 117091846 A CN117091846 A CN 117091846A
- Authority
- CN
- China
- Prior art keywords
- correlation coefficient
- parameter
- diesel engine
- value
- composite
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 53
- 238000001514 detection method Methods 0.000 title claims description 33
- 239000002131 composite material Substances 0.000 claims abstract description 77
- 230000005856 abnormality Effects 0.000 claims abstract description 37
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 238000009826 distribution Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 25
- 239000010687 lubricating oil Substances 0.000 claims description 23
- 239000000498 cooling water Substances 0.000 claims description 22
- 238000010586 diagram Methods 0.000 claims description 22
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 3
- 238000012790 confirmation Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 10
- 239000000243 solution Substances 0.000 description 6
- 239000000314 lubricant Substances 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 241001111948 Spilotes Species 0.000 description 1
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G01M15/04—Testing internal-combustion engines
- G01M15/05—Testing internal-combustion engines by combined monitoring of two or more different engine parameters
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开了一种柴油机异常状态检测方法和装置,属于船舶综合保障技术领域,包括:在两个或多个参数之间,基于最大信息数、皮尔逊相关系数和斯皮尔曼秩相关系数构建相关性系数模型,在正常运行的时间段内求解时间段内各个时间段的复合相关系数,构造复合相关系数分布图,求解复合相关系数分布图的平均值和标准差,基于平均值和标准差求解预置的计算参数和预置的计算系数,然后结合待检测参数的复合相关系数,构建相关性系数异常概率模型。本申请通过具有相关性的变量之间相关系数的变化规律,发现其它方法不易检测的异常,建立相关性系数异常概率模型,给出异常概率,对于异常状态的判断提供了定量的结果分析依据。
Description
技术领域
本申请属于船舶综合保障技术领域,具体涉及一种柴油机异常状态检测方法和装置。
背景技术
船舶中,柴油机的异常包括点异常和集合异常;点异常指数据偏离正常模式,一般可以通过设置数据的上下限发现这种异常;集合异常指虽然集合个体符合正常模式,但是集合整体并不符合正常模式,集合异常的异常数据数值在正常的数据范围内,无法通过设置上下限发现。
发明内容
本申请开发了一种柴油机异常状态检测方法和装置,可以解决上述技术问题。
第一方面,本申请提供一种柴油机异常状态检测方法,包括:
获取设备运行时,至少两个参数的数据作为待检测参数;
确认待检测参数的最大信息数、皮尔逊相关系数和斯皮尔曼秩相关系数;
在最大信息数、皮尔逊相关系数和斯皮尔曼秩相关系数之间,选取绝对值最大的数为待检测参数的复合相关系数;
将待检测参数的复合相关系数输入预置的相关性系数异常概率模型,获取设备的相关性异常概率;
将设备的相关性异常概率与预置的异常阈值进行比较,确认设备是否处于异常状态。
在一些实施例中,所述参数包括:
柴油机转速、滑油进机压力、主轴承温度、冷却水出机温度、冷却水进机压力和滑油进机温度。
在一些实施例中,所述选取至少两个参数的数据,包括:
选取滑油进机压力和滑油进机温度的数据;
或选取冷却水出机温度和冷却水进机压力的数据;
或选取基于主轴承温度和滑油进机温度的数据。
在一些实施例中,所述皮尔逊相关系数的获取步骤包括:
选取的参数包括第一参数和第二参数,基于第一参数和第二参数的数据,确认第一参数的平均值、第二参数的平均值、第一参数的标准差和第二参数的标准差,以及第一参数和第二参数的协方差,确认第一参数和第二参数对应的皮尔逊相关系数:
其中,是第一参数的平均值,/>是第二参数的平均值;Cov(X,Y)为第一参数和第二参数的协方差;σX为第一参数的标准差,σY为第二参数的标准差。
在一些实施例中,所述斯皮尔曼秩相关系数的获取方法包括:
获取第一参数和第二参数总的样本个数,并将同一时刻的第一参数样本和第二参数的样本归为一组,在每一组样本中获取的第一参数和第二参数等级之差,确认斯皮尔曼秩相关系数:
di=xi-yi,i=1,2,...,n
其中,n为第一参数和第二参数总的样本个数;di为第i组样本中第一参数与第二参数的等级相关系数之差,xi为第i组样本中第一参数样本的等级相关系数,yi为第i组样本中第二参数样本的等级相关系数。
在一些实施例中,所述最大信息数的获取步骤包括:
基于第一参数和第二参数的数据制作散点图;
获取散点的个数,基于散点的个数确认散点图网格化的行数和列数的取值范围;
在行数和列数的取值范围内,基于不同的行数和列数组合,在每个组合下:对散点图进行网格化划分,确认最大互信息值,对最大互信息值进行归一化处理,获取网格划分的信息系数;
获取每个行数和列数组合下网格划分后的信息系数,选取最大值为最大信息数。
在一些实施例中,所述基于散点的个数确认散点图网格化的行数和列数的取值范围,包括:
基于散点的个数确认行数和列数取值范围的上限值:
其中,Nmax为行数和列数取值范围的上限值;Nscatter为散点的个数;
确认行数和列数取值范围:
2≤u≤Nmax,2≤v≤Nmax
其中,u为行数;v为列数。
在一些实施例中,所述相关性系数异常概率模型由设备正常运行时参数的数据输入至预置的模型中求解得到。
在一些实施例中,所述相关性系数异常模型的求解步骤包括:
选取设备正常运行的一个时间段均分为多个时间片;
结合时间片中第一参数和第二参数的数据确认各时间片中参数间的复合相关系数;
基于各时间片中参数间的复合相关系数,结合预置的计算参数求解相关性系数异常模型。
在一些实施例中,所述基于各时间片中参数间的复合相关系数,结合预置的计算参数求解相关性系数异常模型,包括:
构造时间段内各个时间片的复合相关系数的数值分布图;
求解所述数值分布图中复合相关系数的均值和标准差,结合所述复合相关系数的最大值和最小值,求解预置的计算系数;
结合待检测参数的复合相关系数、数值分布图中复合相关系数的标准差、预置的计算系数和预置的计算参数求解相关性系数异常概率模型。
在一些实施例中,预置所述计算系数包括:
w=max{wmin,wmax}
其中,Cmax和Cmin分别为复合相关系数的最大值和最小值;E为数值分布图中复合相关系数的均值;σ为数值分布图中复合相关系数的标准差;W为计算系数,表示复合相关系数的最小值、最大值和均值之差与标准差的最大倍数,Wmin为计算系数的最小值,Wmax为计算系数的最大值。
在一些实施例中,所述相关性系数异常概率模型包括:
其中,f(C)为相关性系数异常概率函数;γ为预置的计算参数;C为待测参数的复合相关系数。
在一些实施例中,预置的所述异常阈值为6σ。
第二方面,本申请提供一种柴油机异常状态检测装置,所述装置用于执行第一方面中任一项所述的柴油机异常状态检测方法的步骤,所述装置包括:
数据获取单元,用于获取设备运行时,至少两个参数的数据作为待检测参数;
复合相关系数确定单元,用于确认待检测参数的最大信息数、皮尔逊相关系数和斯皮尔曼秩相关系数;在最大信息数、皮尔逊相关系数和斯皮尔曼秩相关系数之间,选取绝对值最大的数为待检测参数的复合相关系数;
相关性异常概率确认单元,用于将待检测参数的复合相关系数输入预置的相关性系数异常概率模型,获取设备的相关性异常概率。
异常判定单元,用于将设备的相关性异常概率与预置的异常阈值进行比较,确认设备是否处于异常状态。
本申请的有益效果:
与现有技术相比,本申请实施例提供的一种柴油机异常状态检测方法和装置,本申请在两个或多个参数之间,基于最大信息数、皮尔逊相关系数和斯皮尔曼秩相关系数构建相关性系数模型,在正常运行的时间段内求解时间段内各个时间段的复合相关系数,构造复合相关系数分布图,求解复合相关系数分布图的平均值和标准差,基于平均值和标准差求解预置的计算参数和预置的计算系数,然后结合待检测参数的复合相关系数,构建相关性系数异常概率模型。本申请通过具有相关性的变量之间相关系数的变化规律,发现其它方法不易检测的异常,且利用伽马函数建立相关性系数异常概率模型后,可给出异常概率,对于异常状态的判断提供了定量的结果分析,为柴油机的辅助决策提供了依据。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述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申请的一些实施例,对于本领域技术人员来讲,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是本申请实施例提供的柴油机异常状态检测方法中复合相关系数的数值分布图;
图2是本申请实施例提供的柴油机异常状态检测方法中均值E、标准差σ与数据比率的示意图;
图3是本申请实施例提供的柴油机异常状态检测方法中异常概率函数的示意图;
图4是本申请实施例提供的柴油机异常状态检测方法中滑油进机压力-滑油进机温度之间的相关性系数示意图;
图5是本申请实施例提供的柴油机异常状态检测方法中滑油进机压力-滑油进机温度之间的相关性异常率的示意图;
图6是本申请实施例提供的柴油机异常状态检测方法中冷却水出机温度-冷却水进机压力之间的相关性系数示意图;
图7是本申请实施例提供的柴油机异常状态检测方法中冷却水出机温度-冷却水进机压力之间的相关性异常概率的示意图;
图8是本申请实施例提供的柴油机异常状态检测方法中主轴承温度-滑油进机温度之间的相关性系数示意图;
图9是本申请实施例提供的柴油机异常状态检测方法中主轴承温度-滑油进机温度之间的相关性异常概率的示意图;
图10是本申请实施例提供的柴油机异常状态检测方法步骤流程图;
图11是本申请实施例提供的柴油机异常状态检测装置的系统图;
图中:100、数据获取单元;200、复合相关系数确定单元;300、相关性异常概率确认单元;400、异常判定单元。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
皮尔逊相关系数-Pearson相关系数;
斯皮尔曼秩相关系数-Spearman秩相关系数。
实施例一:
本申请的实施例一提供一种柴油机异常状态检测方法,如图1至图10所示,本申请在两个或多个参数之间,基于最大信息数、皮尔逊相关系数和斯皮尔曼秩相关系数构建相关性系数模型,在正常运行的时间段内求解时间段内各个时间段的复合相关系数,构造复合相关系数分布图,求解复合相关系数分布图的平均值和标准差,基于平均值和标准差求解预置的计算参数和预置的计算系数,然后结合待检测参数的复合相关系数,构建相关性系数异常概率模型。本申请通过具有相关性的变量之间相关系数的变化规律,发现其它方法不易检测的异常,且利用伽马函数建立相关性系数异常概率模型后,可给出异常概率,对于异常状态的判断提供了定量的结果分析,为柴油机的辅助决策提供了依据。
如图10所示,本申请提供一种柴油机异常状态检测方法,具体包括如下步骤:
步骤1:获取设备运行时,至少两个参数的数据作为待检测参数;
本申请以柴油机为例,在柴油机正常工作时,获取包括柴油机转速、滑油进机压力、主轴承温度、冷却水出机温度、冷却水进机压力和滑油进机温度等参数的数据;
依据本申请的构思,可选用两个及以上的参数进行故障模拟,在此,在完全公开本申请构思的前提下,为方便测算,减少运算量,本申请选取两个参数为一组作为待检测参数;
在具体选择时,可将滑油进机压力和滑油进机温度并为一组,可将冷却水出机温度和冷却水进机压力并为一组,可将主轴承温度和滑油进机温度并为一组。
步骤2:确认待检测参数的最大信息数、皮尔逊相关系数和斯皮尔曼秩相关系数;在最大信息数、皮尔逊相关系数和斯皮尔曼秩相关系数之间,选取绝对值最大的数为待检测参数的复合相关系数:
参数之间的相关性可通过定量的相关性系数衡量,相关性系数介于-1和1之间,“0”表示变量之间没有任何关系,而-1或1表示存在完美的负相关或正相关,为反应参数之间的相关性,本申请采用复合相关系数进行描述:
其中,C为复合相关系数;r为皮尔逊相关系数;s为斯皮尔曼秩相关系数;t为最大信息数;
步骤2.1:构造皮尔逊相关系数:
皮尔逊相关系数计算的结果及其正负表示两个变量的相关程度,数值的绝对值越大,相关性越强,反之则越小,接近于0则表示没有相关性:
为方便进行描述,选取的参数包括第一参数和第二参数,获取第一参数和第二参数的数据,确认第一参数的平均值、第二参数的平均值、第一参数的标准差和第二参数的标准差,以及第一参数和第二参数的协方差,确认第一参数和第二参数对应的皮尔逊相关系数:
其中,是第一参数的平均值,/>是第二参数的平均值;Cov(X,Y)为第一参数和第二参数的协方差;σX为第一参数的标准差,σY为第二参数的标准差。
步骤2.2:构造斯皮尔曼秩相关系数:
首先收取第一参数和第二参数总的样本个数,按照时间进行分组,将同一时刻的第一参数的样本和第二参数的样本归为一组,在每组中,获取第一参数与第二参数的等级之差,确认斯皮尔曼秩相关系数:
di=xi-yi,i=1,2,...,n
其中,n为第一参数和第二参数总的样本个数;di为第i组样本中第一参数与第二参数的等级相关系数之差,xi为第i组样本中第一参数样本的等级相关系数,yi为第i组样本中第二参数样本的等级相关系数。
步骤2.3:获取最大信息数:
步骤2.3.1:获取第一参数和第二参数的样本数据,在二位坐标系中,第一参数和第二参数分别为X轴数据和Y轴数据,绘制X和Y的散点图;
步骤2.3.2:在散点图中,获取散点的个数,根据散点的个数确认对散点图进行网格化时行数和列数的取值范围:
首先确定行数和列数取值范围的上限值:
其中,Nmax为行数和列数取值范围的上限值;Nscatter为散点的个数;
在确定上限值后,进一步限定取值范围:
2≤u≤Nmax,2≤v≤Nmax
其中,u为行数;v为列数。
步骤2.3.3:在行数和列数取值范围内,选取不同的行数和列数的值,对散点图进行网格划分:
在网格划分时,不要求等距,采用随机行列宽度的方法进行划分,在划分完成后计算出互信息数;
为求更精确的互信息数,需在每组行列数下进行多次网格划分,并每次都求解出互信息数,在多次网格划分后的互信息数中,选取最大值进行归一化,得到该组行列数对应的信息系数。
步骤2.3.4:获取每个行数和列数组合下网格划分后的信息系数,选取最大值为最大信息数。
在步骤1求解的三个相关系数中,非周期的第一参数与第二参数是线性关系时,r的数值最大;非周期的第一参数与第二参数是非线性关系时,s的数值最大;第一参数与第二参数是周期信号时,t的数值最大。因此本申请的复合相关系数C能够最大程度适应不同的信号之间的复杂关系,包括了线性关系、非线性关系和周期性关系,都可以发现其潜在相互关系。在正常模式下,第一参数与第二参数的相关系数C的数值会基本在一个稳定的区间分布,而异常模式和正常模式相比,其相关性被破坏,不符合正常状态下相关系数的分布,通常这种相关性的变化会早于故障的发生,因此对于相关性异常的检测能起到对预警和对故障提前发现的作用。
步骤3:将待检测参数的复合相关系数输入预置的相关性系数异常概率模型,获取设备的相关性异常概率:
步骤3.1:选取设备正常运行的一个时间段均分为多个时间片,在每个时间段中计算第一参数和第二参数的复合相关系数,基于每个时间片的复合相关系数,构造复合相关系数的数值分布图。
例如,如图1所示,在4小时的时间段内,以10分钟为时间片,构造复合相关系数的数值分布图。
步骤3.2:在复合相关系数的数值分布图中,求解复合相关系数的平均值和标准差,并结合复合相关系数的最大值和最小值,求解预置的计算系数:
w=max{wmin,wmax}
其中,Cmax和Cmin分别为复合相关系数的最大值和最小值;E为数值分布图中复合相关系数的均值;σ为数值分布图中复合相关系数的标准差,反映复合相关系数个体间的离散程度,较大的标准差,代表大部分数值和其平均值之间差异较大,较小的标准差,代表这些数值较接近均值;如图2所示,正态分布中,在均值左右两侧的一个标准差范围内,数据分布所占比率约为全部数值的68%,正负两个标准差之内的比率合起来约为95%;正负三个标准差之内的比率合起来约为99.7%;W为预置的计算系数,表示复合相关系数的最小值、最大值和均值之差与标准差的最大倍数,wmin为计算系数的最小值,wmax为计算系数的最大值;
步骤3.3:结合待检测参数的复合相关系数、所述数值分布图中复合相关系数的标准差和所述预置的计算系数构造相关性系数异常概率模型:
其中,f(C)为相关性系数异常概率函数;γ为预置的计算参数;C为待检测参数的复合相关系数,即待定求解的参数的复合相关系数
在模型预置过程中,需要预置一个C,来求解γ,如图3所示,当时,函数值为0;
指定C达到边界条件时的异常概率的数值为V,即令时,f(C)的函数值为V,就可以求解出参数γ。
即:
因此
步骤4:将设备的相关性异常概率与预置的异常阈值进行比较,确认设备是否处于异常状态:
复合相关系数的最小值、最大值和均值之差是标准差的2倍左右。当在标准差的6倍位置以内时,数据在百万时,仅有3.4个会落在该区间以外,因此在生产实际中常把6σ做为一个异常的合理阈值。本申请中计算系数表示最小值、最大值和均值之差与标准差的最大倍数。复合相关系数在wσ和2σ以内认为是正常的,因此取两者的平均值复合相关系数不大于该值的时候,无异常,即异常率为0。根据计算参数对异常边界6σ进行调整,即取/>复合相关系数不大于该值的时候,异常率不大于指定的异常概率的数值V。可以指定V或者略大于V的数值为异常报警阈值,当计算的异常率大于该异常报警阈值的时候,系统产生异常报警。
如图3所示异常概率函数,为0.153,/>为0.3,V取值为0.8。
实施例二:
如图11所示,基于与实施例一相同的申请构思,本申请的实施例二提供一种柴油机异常状态检测装置,用于执行实施例一中任一项所述的柴油机异常状态检测方法的步骤,该装置包括:
数据获取单元100,用于获取设备运行时,至少两个参数的数据作为待检测参数;
复合相关系数确定单元200,用于确认待检测参数的最大信息数、皮尔逊相关系数和斯皮尔曼秩相关系数;在最大信息数、皮尔逊相关系数和斯皮尔曼秩相关系数之间,选取绝对值最大的数为待检测参数的复合相关系数;
相关性异常概率确认单元300,用于将待检测参数的复合相关系数输入预置的相关性系数异常概率模型,获取设备的相关性异常概率;
异常判定单元400,用于将设备的相关性异常概率与预置的异常阈值进行比较,确认设备是否处于异常状态。
为进一步证明本申请的优越性,本申请提供以下具体案例:
首先,获取柴油机转速、滑油进机压力、主轴承温度、冷却水出机温度、冷却水进机压力、滑油进机温度的数据,选取滑油进机压力-滑油进机温度为一组,冷却水出机温度-冷却水进机压力为一组,主轴承温度-滑油进机温度,分别进行故障注入,模拟滑油进机压力低的故障,设置模拟时常为1800点,故障发生时间为1800点,设置函数f(C)的值为V为0.8,异常报警阈值为0.8:
如图4和图5所示,计算得到滑油进机压力-滑油进机温度之间的复合相关系数及应用模型检测得到相关性异常率的结果,其中0.8为异常阈值,可见,在第400点附近的位置处产生第一次异常报警,在第700之后频繁产生异常性报警,而且异常报警越来越多。
如图6和图7所示,计算得到冷却水出机温度-冷却水进机压力之间的复合相关系数及应用模型检测得到相关性异常率的结果,其中0.8为异常阈值,可见,在第500点附近产生第一次持续的异常报警,在第700点之后异常报警频繁持续,在1300点之后,异常报警一直持续。
如图8和图9所示,计算得到的主轴承温度-滑油进机温度之间的复合相关系数及应用模型检测得到相关性异常率的结果,其中0.8为异常阈值,可见,在第500点附近产生第一次持续的异常报警,在第700点之后异常报警频繁持续,在1300点之后,异常报警一直持续。
通过上述三组相关性异常检测,均可在故障报警前及时发现异常,可见本申请的优越性,利用复合相关系数的变化,可以检测出异常状态。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。
而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,)ROM、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (14)
1.一种柴油机异常状态检测方法,其特征在于:包括:
获取设备运行时,至少两个参数的数据作为待检测参数;
确认待检测参数的最大信息数、皮尔逊相关系数和斯皮尔曼秩相关系数;
在最大信息数、皮尔逊相关系数和斯皮尔曼秩相关系数之间,选取绝对值最大的数为待检测参数的复合相关系数;
将待检测参数的复合相关系数输入预置的相关性系数异常概率模型,获取设备的相关性异常概率;
将设备的相关性异常概率与预置的异常阈值进行比较,确认设备是否处于异常状态。
2.根据权利要求1所述的柴油机异常状态检测方法,其特征在于:
所述参数包括:
柴油机转速、滑油进机压力、主轴承温度、冷却水出机温度、冷却水进机压力和滑油进机温度。
3.根据权利要求2所述的柴油机异常状态检测方法,其特征在于:
所述至少两个参数的数据,包括:
选取滑油进机压力和滑油进机温度的数据;或,
选取冷却水出机温度和冷却水进机压力的数据;或,
选取基于主轴承温度和滑油进机温度的数据。
4.根据权利要求1所述的柴油机异常状态检测方法,其特征在于:
所述皮尔逊相关系数的获取步骤包括:
选取的参数包括第一参数和第二参数,基于第一参数和第二参数的数据,确认第一参数的平均值、第二参数的平均值、第一参数的标准差和第二参数的标准差,以及第一参数和第二参数的协方差,确认第一参数和第二参数对应的皮尔逊相关系数:
其中,是第一参数的平均值,/>是第二参数的平均值;Cov(X,Y)为第一参数和第二参数的协方差;σX为第一参数的标准差,σY为第二参数的标准差。
5.根据权利要求4所述的柴油机异常状态检测方法,其特征在于:
所述斯皮尔曼秩相关系数的获取方法包括:
获取第一参数和第二参数总的样本个数,并将同一时刻的第一参数样本和第二参数的样本归为一组,在每一组样本中获取的第一参数和第二参数等级之差,确认斯皮尔曼秩相关系数:
di=xi-yi,i=1,2,...,n
其中,n为第一参数和第二参数总的样本个数;di为第i组样本中第一参数与第二参数的等级相关系数之差,xi为第i组样本中第一参数样本的等级相关系数,yi为第i组样本中第二参数样本的等级相关系数。
6.根据权利要求5所述的柴油机异常状态检测方法,其特征在于:
所述最大信息数的获取步骤包括:
基于第一参数和第二参数的数据制作散点图;
获取散点的个数,基于散点的个数确认散点图网格化的行数和列数的取值范围;
在行数和列数的取值范围内,基于不同的行数和列数组合,在每个组合下:对散点图进行网格化划分,确认最大互信息值,对最大互信息值进行归一化处理,获取网格划分的信息系数;
获取每个行数和列数组合下网格划分后的信息系数,选取最大值为最大信息数。
7.根据权利要求6所述的柴油机异常状态检测方法,其特征在于:
所述基于散点的个数确认散点图网格化的行数和列数的取值范围,包括:
基于散点的个数确认行数和列数取值范围的上限值:
其中,Nmax为行数和列数取值范围的上限值;Nscatter为散点的个数;
确认行数和列数取值范围:
2≤u≤Nmax,2≤v≤Nmax
其中,u为行数;v为列数。
8.根据权利要求7所述的柴油机异常状态检测方法,其特征在于:
所述相关性系数异常概率模型由设备正常运行时参数的数据输入至预置的模型中求解得到。
9.根据权利要求8所述的柴油机异常状态检测方法,其特征在于:
所述相关性系数异常模型的求解步骤包括:
选取设备正常运行的一个时间段均分为多个时间片;
结合时间片中第一参数和第二参数的数据确认各时间片中参数间的复合相关系数;
基于各时间片中参数间的复合相关系数,结合预置的计算参数求解相关性系数异常模型。
10.根据权利要求9所述的柴油机异常状态检测方法,其特征在于:
所述基于各时间片中参数间的复合相关系数,结合预置的计算参数求解相关性系数异常模型,包括:
构造时间段内各个时间片的复合相关系数的数值分布图;
求解所述数值分布图中复合相关系数的均值和标准差,结合所述复合相关系数的最大值和最小值,求解预置的计算系数;
结合待检测参数的复合相关系数、数值分布图中复合相关系数的标准差、预置的计算系数和预置的计算参数求解相关性系数异常概率模型。
11.根据权利要求10所述的柴油机异常状态检测方法,其特征在于:
预置所述计算系数包括:
w=max{wmin,wmax}
其中,Cmax和Cmin分别为复合相关系数的最大值和最小值;E为数值分布图中复合相关系数的均值;σ为数值分布图中复合相关系数的标准差;W为计算系数,表示复合相关系数的最小值、最大值和均值之差与标准差的最大倍数,wmin为计算系数的最小值,wmax为计算系数的最大值。
12.根据权利要求11所述的柴油机异常状态检测方法,其特征在于:
所述相关性系数异常概率模型包括:
其中,f(C)为相关性系数异常概率函数;γ为预置的计算参数;C为待测参数的复合相关系数。
13.根据权利要求12所述的柴油机异常状态检测方法,其特征在于:
预置的所述异常阈值为6σ。
14.一种柴油机异常状态检测装置,其特征在于:所述装置用于执行权利要求1-13中任一项所述的柴油机异常状态检测方法的步骤,所述装置包括:
数据获取单元(100),用于获取设备运行时,至少两个参数的数据作为待检测参数;
复合相关系数确定单元(200),用于确认待检测参数的最大信息数、皮尔逊相关系数和斯皮尔曼秩相关系数;在最大信息数、皮尔逊相关系数和斯皮尔曼秩相关系数之间,选取绝对值最大的数为待检测参数的复合相关系数;
相关性异常概率确认单元(300),用于将待检测参数的复合相关系数输入预置的相关性系数异常概率模型,获取设备的相关性异常概率;
异常判定单元(400),用于将设备的相关性异常概率与预置的异常阈值进行比较,确认设备是否处于异常状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311073127.1A CN117091846A (zh) | 2023-08-23 | 2023-08-23 | 柴油机异常状态检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311073127.1A CN117091846A (zh) | 2023-08-23 | 2023-08-23 | 柴油机异常状态检测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117091846A true CN117091846A (zh) | 2023-11-21 |
Family
ID=88782578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311073127.1A Pending CN117091846A (zh) | 2023-08-23 | 2023-08-23 | 柴油机异常状态检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117091846A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117574180A (zh) * | 2024-01-17 | 2024-02-20 | 华北电力大学 | 燃料生产排放系统数据关联性控制管理系统 |
CN117648588A (zh) * | 2024-01-29 | 2024-03-05 | 和尘自仪(嘉兴)科技有限公司 | 基于相关性网络图聚类分析的气象雷达参数异常识别方法 |
CN117725685A (zh) * | 2024-02-05 | 2024-03-19 | 中汽研汽车检验中心(天津)有限公司 | 一种车辆操控性多目标优化方法和设备 |
-
2023
- 2023-08-23 CN CN202311073127.1A patent/CN117091846A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117574180A (zh) * | 2024-01-17 | 2024-02-20 | 华北电力大学 | 燃料生产排放系统数据关联性控制管理系统 |
CN117574180B (zh) * | 2024-01-17 | 2024-03-19 | 华北电力大学 | 燃料生产排放系统数据关联性控制管理系统 |
CN117648588A (zh) * | 2024-01-29 | 2024-03-05 | 和尘自仪(嘉兴)科技有限公司 | 基于相关性网络图聚类分析的气象雷达参数异常识别方法 |
CN117648588B (zh) * | 2024-01-29 | 2024-04-26 | 和尘自仪(嘉兴)科技有限公司 | 基于相关性网络图聚类分析的气象雷达参数异常识别方法 |
CN117725685A (zh) * | 2024-02-05 | 2024-03-19 | 中汽研汽车检验中心(天津)有限公司 | 一种车辆操控性多目标优化方法和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117091846A (zh) | 柴油机异常状态检测方法和装置 | |
DE102022201761A1 (de) | Verfahren, System und Speichermedium zur automatischen Diagnose vonVorrichtungen | |
US7734400B2 (en) | Fault detection system and method using augmented data and fuzzy logic | |
CA2634328C (en) | Method and system for trend detection and analysis | |
KR101316486B1 (ko) | 이상 검지 방법 및 시스템 | |
CN107403279B (zh) | 一种输油泵工况自适应状态预警系统及方法 | |
CN112272763A (zh) | 异常探测装置、异常探测方法以及异常探测程序 | |
KR101776350B1 (ko) | 압축기를 진단하는 방법 및 시스템 | |
Zhong et al. | Multimode non‐Gaussian process monitoring based on local entropy independent component analysis | |
Baek et al. | Fault prediction via symptom pattern extraction using the discretized state vectors of multisensor signals | |
CN112000081A (zh) | 基于多块信息提取和马氏距离的故障监测方法及系统 | |
CN111855219A (zh) | 一种基于灰色理论的柴油机润滑油进机安保参数预测方法 | |
CN114020598A (zh) | 一种时间序列数据的异常检测方法、装置及设备 | |
Brandsæter et al. | Cluster based anomaly detection with applications in the maritime industry | |
CN116862109A (zh) | 一种区域碳排放态势感知预警方法 | |
Kobbacy et al. | Condition monitoring of diesel engines | |
CN113557414A (zh) | 用于设备监测的装置 | |
US20190003927A1 (en) | Monitoring device, monitoring method, and program | |
CN111555932B (zh) | 一种大规模不规则kpi时间序列异常检测方法 | |
CN110543908B (zh) | 一种基于动态观测窗口的控制图模式识别方法 | |
Feng et al. | Prognostic fault prevention by segmented digital transformation of manufacturing process signals | |
US11131985B2 (en) | Noise generation cause estimation device | |
Smeraldo et al. | A data-driven approach to fault diagnostics for industrial process plants based on feature extraction and inferential statistics | |
CN111160454B (zh) | 一种速变信号检测方法和装置 | |
de Carvalho Michalski et al. | Applying Principal Component Analysis for Multi-parameter Failure Prognosis and Determination of Remaining Useful Life |
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 |