CN117150884A - 一种基于数字孪生的发动机故障排查方法及系统 - Google Patents
一种基于数字孪生的发动机故障排查方法及系统 Download PDFInfo
- Publication number
- CN117150884A CN117150884A CN202310938975.8A CN202310938975A CN117150884A CN 117150884 A CN117150884 A CN 117150884A CN 202310938975 A CN202310938975 A CN 202310938975A CN 117150884 A CN117150884 A CN 117150884A
- Authority
- CN
- China
- Prior art keywords
- fault
- model
- engine
- digital twin
- fault diagnosis
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000011835 investigation Methods 0.000 title claims abstract description 20
- 238000003745 diagnosis Methods 0.000 claims abstract description 140
- 238000013024 troubleshooting Methods 0.000 claims abstract description 30
- 238000010801 machine learning Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 24
- 238000013507 mapping Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 10
- 238000012843 least square support vector machine Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000005299 abrasion Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000001514 detection method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 239000003921 oil Substances 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 239000000203 mixture Substances 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010892 electric spark Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 239000003502 gasoline Substances 0.000 description 2
- 238000005461 lubrication Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 239000002828 fuel tank Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种基于数字孪生的发动机故障排查方法及系统包括，根据发动机正常工况历史运行数据，建立发动机数字孪生模型，将发动机数字孪生模型按照功能特征进行分割，得到分割后的不同特征数字孪生模型；根据不同特征数字孪生模型，结合发动机故障工况历史运行数据以及故障信息，建立第一故障诊断模型；对不同特征数字孪生模型进行故障遍历，结合机器学习，建立第二故障诊断模型；根据第一故障诊断模型以及第二故障诊断模型，完成对发动机故障排查。通过数字孪生技术，可以更洞察发动机的性能和运行方式，针对问题，大大提高了排查效率和准确性，帮助工程师更快、更准确地定位和解决故障，降低了人工成本。
Description
技术领域
本发明涉及发动机故障排查技术领域，尤其涉及一种基于数字孪生的发动机故障排查方法及系统。
背景技术
汽车故障诊断的基本方法有两种：一种是人工诊断法，另一种是仪器设备诊断法。人工诊断主要是凭借诊断人员的实践经验和知识，借助简单工具，用眼看、耳听、手模等感官手段，边检查、边试验、边分析，进而对汽车技术状况做出判断。这种方法简便直观，也是建立现代故障诊断专家系统知识库的基础。仪器设备诊断法是采用通用或专用的仪器设备检测汽车、总成和机构，为分析汽车技术状况和判断故障提供定量依据。一些采用计算机控制或配置故障诊断专家系统的仪器设备可以自动完成汽车技术状况诊断参数的测试、分析、判断和处理决策。仪器设备诊断法客观、定量、检测速度快，促进了汽车诊断技术的发展和应用。在诊断实践中，两种方法往往结合使用，先是诊断人员向驾驶员询问故障情况，对车辆进行直观检视，凭经验初步判断故障，再利用诊断仪器设备进一步筛选、识别，最终确认故障，
数字孪生作为充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程的一项技术。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了一种基于数字孪生的发动机故障排查方法及系统，能够解决背景技术中提到的问题。
为解决上述技术问题，本发明提供如下技术方案，一种基于数字孪生的发动机故障排查方法，包括：
根据发动机正常工况历史运行数据，建立发动机数字孪生模型，将所述发动机数字孪生模型按照功能特征进行分割，得到分割后的不同特征数字孪生模型；
根据所述不同特征数字孪生模型，结合发动机故障工况历史运行数据以及故障信息，建立第一故障诊断模型；
对所述不同特征数字孪生模型进行故障遍历，结合机器学习，建立第二故障诊断模型；
根据所述第一故障诊断模型以及第二故障诊断模型，完成对发动机故障排查。
作为本发明所述的基于数字孪生的发动机故障排查方法的一种优选方案，其中：所述将所述发动机数字孪生模型按照功能特征进行分割，得到分割后的不同特征数字孪生模型包括，第一器械模型、第二器械模型、第一系统模型、第二系统模型、第三系统模型、第四系统模型以及第五系统模型；
所述第一器械模型用于模拟实现发动机工作循环，完成能量转换过程；
所述第二器械模型用于模拟根据发动机的工作顺序和工作过程，定时开启和关闭进气门和排气门；
所述第一系统模型用于模拟减少发动机中零件磨损并清洗过程；
所述第二系统模型用于模拟控制发动机温度过程；
所述第三系统模型用于模拟对发动机的供气与排气过程；
所述第四系统模型用于模拟发动机点火过程；
所述第五系统模型用于模拟发动机启动过程。
作为本发明所述的基于数字孪生的发动机故障排查方法的一种优选方案，其中：所述结合发动机故障工况历史运行数据以及故障信息，建立第一故障诊断模型包括，
获取故障工况历史运行数据以及故障信息中故障状况、故障名称、故障原因、故障持续时间与故障影响范围；
结合所述不同特征数字孪生模型，完成对故障工况历史运行数据以及故障信息结构化分类，建立故障映射表；
所述映射表为两次映射结构组成，当获取故障数据后，通过第一层映射将故障数据与不同特征数字孪生模型进行映射，当得到第一层映射结果后再根据具体故障名称与故障原因通过第二层映射至具体故障部件、故障持续时间与故障影响范围。
作为本发明所述的基于数字孪生的发动机故障排查方法的一种优选方案，其中：所述对所述不同特征数字孪生模型进行故障遍历，结合机器学习包括，
获取人工测试样本集，所述人工测试样本集包括人工遍历测试所有零件故障后产生的故障数据以及解决方法，并将人工测试样本集作为机器学习数据集；
将数据集按照4:1分为训练样本集与测试样本集；
设置正则化参数与高斯核函数宽度参数，建立最小二乘支持向量机训练模型，并结合训练样本集进行训练；
加入测试样本集进行模型测试，获取测试后的回归模型，若不满足精度要求，则重新对最小二乘支持向量机训练模型进行训练；
若满足精度，则输出最小二乘支持向量机训练模型进行训练；
将故障数据作为机器学习模型的输入，将特征数字孪生模型、故障原因、具体故障部件、故障名称以及故障影响范围作为机器学习模型的输出。
作为本发明所述的基于数字孪生的发动机故障排查方法的一种优选方案，其中：所述建立第二故障诊断模型包括，
最小二乘支持向量机训练模型包括：
其中，F为最小二乘支持向量机训练模型的输出，x表示最小二乘支持向量机训练模型的输入，xa表示训练样本集输入，M表示训练样本集的规模，[α1,...,αM]为拉格朗日乘子，k表示核函数，b表示偏置值。
作为本发明所述的基于数字孪生的发动机故障排查方法的一种优选方案，其中：所述根据所述第一故障诊断模型以及第二故障诊断模型，完成对发动机故障排查包括，
获取发动机实时数据，同时将数据输入所述第一故障诊断模型以及第二故障诊断模型；
当所述第一故障诊断模型以及第二故障诊断模型获取到的特征数字孪生模型，为同一种特征数字孪生模型时，对比第一故障诊断模型以及第二故障诊断模型获取到的具体故障部件、故障名称以及故障原因；
若第一故障诊断模型以及第二故障诊断模型获取到的故障名称以及故障原因相同，则成功排查出具体故障；
若第一故障诊断模型以及第二故障诊断模型获取到的故障名称以及故障原因不相同，则通知巡检人员进行停机巡检，并将真实故障名称与故障原因更新至第一故障诊断模型以及第二故障诊断模型中；
若第一故障诊断模型诊断错误，则直接在原第一故障诊断模型基础上更改映射规则；
若第二故障诊断模型诊断错误，则将新产生的数据作为数据集，结合之前历史数据集重新对第二故障诊断模型进行训练。
作为本发明所述的基于数字孪生的发动机故障排查方法的一种优选方案，其中：所述根据所述第一故障诊断模型以及第二故障诊断模型，完成对发动机故障排查包括，
若第二故障诊断模型获取到具体特征数字孪生模型，且第一故障诊断模型未产生模型数据时，则认定此故障为非常见故障，直接根据第二故障诊断模型完成故障排查；
当所述第一故障诊断模型以及第二故障诊断模型获取到的特征数字孪生模型，为不同种特征数字孪生模型时，直接根据第一故障诊断模型完成故障排查。
一种基于数字孪生的发动机故障排查系统，其特征在于：包括特征数字孪生模型获取模块、第一故障诊断模型建立模块、第二故障诊断模型建立模块以及排查模块，
特征数字孪生模型获取模块，所述特征数字孪生模型获取模块用于根据发动机正常工况历史运行数据，建立发动机数字孪生模型，将所述发动机数字孪生模型按照功能特征进行分割，得到分割后的不同特征数字孪生模型；
第一故障诊断模型建立模块，所述第一故障诊断模型建立模块用于根据所述不同特征数字孪生模型，结合发动机故障工况历史运行数据以及故障信息，建立第一故障诊断模型；
第二故障诊断模型建立模块，所述第二故障诊断模型建立模块用于对所述不同特征数字孪生模型进行故障遍历，结合机器学习，建立第二故障诊断模型；
排查模块，所述排查模块用于根据所述第一故障诊断模型以及第二故障诊断模型，完成对发动机故障排查。
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如上所述的方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述的方法的步骤。
本发明的有益效果：本发明提出一种基于数字孪生的发动机故障排查方法及系统，通过建立数字孪生模型和采集实时数据，可以有效提高发动机故障排查的效率。通过数字孪生技术，可以更洞察发动机的性能和运行方式，针对问题，通过数字孪生技术建立故障诊断模型和故障预警模型，为人工智能支持和故障排查或监控过程提供精细化(细粒度)的数据分析，大大提高了排查效率和准确性，帮助工程师更快、更准确地定位和解决故障，降低了人工成本。
附图说明
为了更清楚地说明本发明实施例的技术方案，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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明一个实施例提供的一种基于数字孪生的发动机故障排查方法及系统的方法流程图；
图2为本发明一个实施例提供的一种基于数字孪生的发动机故障排查方法及系统的计算机设备的内部结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1-2，为本发明的第一个实施例，该实施例提供了一种基于数字孪生的发动机故障排查方法及系统，包括：
根据发动机正常工况历史运行数据，建立发动机数字孪生模型，将发动机数字孪生模型按照功能特征进行分割，得到分割后的不同特征数字孪生模型；
更进一步的，将发动机数字孪生模型按照功能特征进行分割，得到分割后的不同特征数字孪生模型包括，第一器械模型、第二器械模型、第一系统模型、第二系统模型、第三系统模型、第四系统模型以及第五系统模型；
应说明的是，第一器械模型用于模拟实现发动机工作循环，完成能量转换过程，它由模拟机体组、模拟活塞连杆组和模拟曲轴飞轮组等组成。
应说明的是，第二器械模型用于模拟根据发动机的工作顺序和工作过程，定时开启和关闭进气门和排气门，使可燃混合气或空气进入气缸，并使废气从气缸内排出，实现换气过程。现在发动机的配气机构越来越复杂，目的就是让更多的空气进入气缸参与燃烧，以提高发动机的功率和效率。它主要由模拟凸轮轴、模拟气门、模拟气门挺杆等组成。
应说明的是，第一系统模型用于模拟减少发动机中零件磨损并清洗过程，向作相对运动的零件表面输送定量的清洁润滑油，以实现液体摩擦，减小摩擦阻力，减轻机件的磨损。并对零件表面进行清洗和冷却。润滑系统通常由模拟润滑油道、模拟机油泵、模拟机油滤清器和一些模拟阀门等组成。
应说明的是，第二系统模型用于模拟控制发动机温度过程，水冷发动机的冷却系统通常由模拟冷却水套、模拟水泵、模拟风扇、模拟水箱、模拟节温器等组成。
应说明的是，第三系统模型用于模拟对发动机的供气与排气过程，根据发动机的要求，配制出一定数量和浓度的混合气，供入气缸，并将燃烧后的废气从气缸内排出到大气中去。汽油机和柴油机的燃油供给系统有很多的差别，相对来说，柴油机的更复杂，系统压力也更高。它主要由模拟燃油泵、模拟燃油箱、模拟油管、模拟喷油器等组成。
应说明的是，第四系统模型用于模拟发动机点火过程，气缸内的可燃混合气是靠电火花点燃的，为此在汽油机的气缸盖上装有火花塞，火花塞头部伸入燃烧室内。能够按时在火花塞电极间产生电火花的全部设备称为点火系，点火系统通常由模拟蓄电池、模拟发电机、模拟分电器、模拟点火线圈和模拟火花塞等组成。
应说明的是，第五系统模型用于模拟发动机启动过程，要使发动机由静止状态过渡到工作状态，必须先用外力转动发动机的曲轴，使活塞作往复运动，气缸内的可燃混合气燃烧膨胀作功，推动活塞向下运动使曲轴旋转。发动机才能自行运转，工作循环才能自动进行。因此，曲轴在外力作用下开始转动到发动机开始自动地怠速运转的全过程，称为发动机的起动。完成起动过程所需的装置，称为发动机的起动系。
更进一步的，根据不同特征数字孪生模型，结合发动机故障工况历史运行数据以及故障信息，建立第一故障诊断模型；
其中，结合发动机故障工况历史运行数据以及故障信息，建立第一故障诊断模型包括，获取故障工况历史运行数据以及故障信息中故障状况、故障名称、故障原因、故障持续时间与故障影响范围；
更进一步的，结合不同特征数字孪生模型，完成对故障工况历史运行数据以及故障信息结构化分类，建立故障映射表；
应说明的是，映射表为两次映射结构组成，当获取故障数据后，通过第一层映射将故障数据与不同特征数字孪生模型进行映射，当得到第一层映射结果后再根据具体故障名称与故障原因通过第二层映射至具体故障部件、故障持续时间与故障影响范围。
更进一步的，对不同特征数字孪生模型进行故障遍历，结合机器学习，建立第二故障诊断模型；
更进一步的，对不同特征数字孪生模型进行故障遍历，结合机器学习包括，获取人工测试样本集，人工测试样本集包括人工遍历测试所有零件故障后产生的故障数据以及解决方法，并将人工测试样本集作为机器学习数据集；
更进一步的，将数据集按照4:1分为训练样本集与测试样本集；
更进一步的，设置正则化参数与高斯核函数宽度参数，建立最小二乘支持向量机训练模型，并结合训练样本集进行训练；
更进一步的，加入测试样本集进行模型测试，获取测试后的回归模型，若不满足精度要求，则重新对最小二乘支持向量机训练模型进行训练；
应说明的是，若满足精度，则输出最小二乘支持向量机训练模型进行训练；
应说明的是，将故障数据作为机器学习模型的输入，将特征数字孪生模型、故障原因、具体故障部件、故障名称以及故障影响范围作为机器学习模型的输出。
建立第二故障诊断模型包括最小二乘支持向量机训练模型，包括：
其中，F为最小二乘支持向量机训练模型的输出，x表示最小二乘支持向量机训练模型的输入，xa表示训练样本集输入，M表示训练样本集的规模，[α1,...,αM]为拉格朗日乘子，k表示核函数，b表示偏置值。
更进一步的，根据第一故障诊断模型以及第二故障诊断模型，完成对发动机故障排查。
更进一步的，获取发动机实时数据，同时将数据输入第一故障诊断模型以及第二故障诊断模型；
更进一步的，当第一故障诊断模型以及第二故障诊断模型获取到的特征数字孪生模型，为同一种特征数字孪生模型时，对比第一故障诊断模型以及第二故障诊断模型获取到的具体故障部件、故障名称以及故障原因；
更进一步的，若第一故障诊断模型以及第二故障诊断模型获取到的故障名称以及故障原因相同，则成功排查出具体故障；
更进一步的，若第一故障诊断模型以及第二故障诊断模型获取到的故障名称以及故障原因不相同，则通知巡检人员进行停机巡检，并将真实故障名称与故障原因更新至第一故障诊断模型以及第二故障诊断模型中；
更进一步的，若第一故障诊断模型诊断错误，则直接在原第一故障诊断模型基础上更改映射规则；
更进一步的，若第二故障诊断模型诊断错误，则将新产生的数据作为数据集，结合之前历史数据集重新对第二故障诊断模型进行训练。
更进一步的，根据第一故障诊断模型以及第二故障诊断模型，完成对发动机故障排查包括，若第二故障诊断模型获取到具体特征数字孪生模型，且第一故障诊断模型未产生模型数据时，则认定此故障为非常见故障，直接根据第二故障诊断模型完成故障排查；
更进一步的，当第一故障诊断模型以及第二故障诊断模型获取到的特征数字孪生模型，为不同种特征数字孪生模型时，直接根据第一故障诊断模型完成故障排查。
在一个优选的实施例中，一种基于数字孪生的发动机故障排查系统，包括特征数字孪生模型获取模块、第一故障诊断模型建立模块、第二故障诊断模型建立模块以及排查模块，
特征数字孪生模型获取模块，特征数字孪生模型获取模块用于根据发动机正常工况历史运行数据，建立发动机数字孪生模型，将发动机数字孪生模型按照功能特征进行分割，得到分割后的不同特征数字孪生模型；
第一故障诊断模型建立模块，第一故障诊断模型建立模块用于根据不同特征数字孪生模型，结合发动机故障工况历史运行数据以及故障信息，建立第一故障诊断模型；
第二故障诊断模型建立模块，第二故障诊断模型建立模块用于对不同特征数字孪生模型进行故障遍历，结合机器学习，建立第二故障诊断模型；
排查模块，排查模块用于根据第一故障诊断模型以及第二故障诊断模型，完成对发动机故障排查。
上述各单元模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图2所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种基于数字孪生的发动机故障排查方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
根据发动机正常工况历史运行数据，建立发动机数字孪生模型，将发动机数字孪生模型按照功能特征进行分割，得到分割后的不同特征数字孪生模型；
根据不同特征数字孪生模型，结合发动机故障工况历史运行数据以及故障信息，建立第一故障诊断模型；
对不同特征数字孪生模型进行故障遍历，结合机器学习，建立第二故障诊断模型；
根据第一故障诊断模型以及第二故障诊断模型，完成对发动机故障排查。
实施例2
参照图1-2，为本发明的一个实施例，提供了一种基于数字孪生的发动机故障排查方法及系统，为了验证本发明的有益效果，通过对比实验进行科学论证。
表1某月基于数字孪生的发动机故障排查数据判断表
本发明提出一种基于数字孪生的发动机故障排查方法及系统，通过建立数字孪生模型和采集实时数据，可以有效提高发动机故障排查的效率。通过数字孪生技术，可以更洞察发动机的性能和运行方式，针对问题，通过数字孪生技术建立故障诊断模型和故障预警模型，为人工智能支持和故障排查或监控过程提供精细化(细粒度)的数据分析，大大提高了排查效率和准确性，帮助工程师更快、更准确地定位和解决故障，降低了人工成本。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种基于数字孪生的发动机故障排查方法，其特征在于：包括，
根据发动机正常工况历史运行数据，建立发动机数字孪生模型，将所述发动机数字孪生模型按照功能特征进行分割，得到分割后的不同特征数字孪生模型；
根据所述不同特征数字孪生模型，结合发动机故障工况历史运行数据以及故障信息，建立第一故障诊断模型；
对所述不同特征数字孪生模型进行故障遍历，结合机器学习，建立第二故障诊断模型；
根据所述第一故障诊断模型以及第二故障诊断模型，完成对发动机故障排查。
2.如权利要求1所述的基于数字孪生的发动机故障排查方法，其特征在于：所述将所述发动机数字孪生模型按照功能特征进行分割，得到分割后的不同特征数字孪生模型包括，第一器械模型、第二器械模型、第一系统模型、第二系统模型、第三系统模型、第四系统模型以及第五系统模型；
所述第一器械模型用于模拟实现发动机工作循环，完成能量转换过程；
所述第二器械模型用于模拟根据发动机的工作顺序和工作过程，定时开启和关闭进气门和排气门；
所述第一系统模型用于模拟减少发动机中零件磨损并清洗过程；
所述第二系统模型用于模拟控制发动机温度过程；
所述第三系统模型用于模拟对发动机的供气与排气过程；
所述第四系统模型用于模拟发动机点火过程；
所述第五系统模型用于模拟发动机启动过程。
3.如权利要求2所述的基于数字孪生的发动机故障排查方法，其特征在于：所述结合发动机故障工况历史运行数据以及故障信息，建立第一故障诊断模型包括，
获取故障工况历史运行数据以及故障信息中故障状况、故障名称、故障原因、故障持续时间与故障影响范围；
结合所述不同特征数字孪生模型，完成对故障工况历史运行数据以及故障信息结构化分类，建立故障映射表；
所述映射表为两次映射结构组成，当获取故障数据后，通过第一层映射将故障数据与不同特征数字孪生模型进行映射，当得到第一层映射结果后再根据具体故障名称与故障原因通过第二层映射至具体故障部件、故障持续时间与故障影响范围。
4.如权利要求3所述的基于数字孪生的发动机故障排查方法，其特征在于：所述对所述不同特征数字孪生模型进行故障遍历，结合机器学习包括，
获取人工测试样本集，所述人工测试样本集包括人工遍历测试所有零件故障后产生的故障数据以及解决方法，并将人工测试样本集作为机器学习数据集；
将数据集按照4:1分为训练样本集与测试样本集；
设置正则化参数与高斯核函数宽度参数，建立最小二乘支持向量机训练模型，并结合训练样本集进行训练；
加入测试样本集进行模型测试，获取测试后的回归模型，若不满足精度要求，则重新对最小二乘支持向量机训练模型进行训练；
若满足精度，则输出最小二乘支持向量机训练模型进行训练；
将故障数据作为机器学习模型的输入，将特征数字孪生模型、故障原因、具体故障部件、故障名称以及故障影响范围作为机器学习模型的输出。
5.如权利要求4所述的基于数字孪生的发动机故障排查方法，其特征在于：所述建立第二故障诊断模型包括，
最小二乘支持向量机训练模型包括：
其中，F为最小二乘支持向量机训练模型的输出，x表示最小二乘支持向量机训练模型的输入，xa表示训练样本集输入，M表示训练样本集的规模，[α1,...,αM]为拉格朗日乘子，k表示核函数，b表示偏置值。
6.如权利要求5所述的基于数字孪生的发动机故障排查方法，其特征在于：所述根据所述第一故障诊断模型以及第二故障诊断模型，完成对发动机故障排查包括，
获取发动机实时数据，同时将数据输入所述第一故障诊断模型以及第二故障诊断模型；
当所述第一故障诊断模型以及第二故障诊断模型获取到的特征数字孪生模型，为同一种特征数字孪生模型时，对比第一故障诊断模型以及第二故障诊断模型获取到的具体故障部件、故障名称以及故障原因；
若第一故障诊断模型以及第二故障诊断模型获取到的故障名称以及故障原因相同，则成功排查出具体故障；
若第一故障诊断模型以及第二故障诊断模型获取到的故障名称以及故障原因不相同，则通知巡检人员进行停机巡检，并将真实故障名称与故障原因更新至第一故障诊断模型以及第二故障诊断模型中；
若第一故障诊断模型诊断错误，则直接在原第一故障诊断模型基础上更改映射规则；
若第二故障诊断模型诊断错误，则将新产生的数据作为数据集，结合之前历史数据集重新对第二故障诊断模型进行训练。
7.如权利要求6所述的基于数字孪生的发动机故障排查方法，其特征在于：所述根据所述第一故障诊断模型以及第二故障诊断模型，完成对发动机故障排查包括，
若第二故障诊断模型获取到具体特征数字孪生模型，且第一故障诊断模型未产生模型数据时，则认定此故障为非常见故障，直接根据第二故障诊断模型完成故障排查；
当所述第一故障诊断模型以及第二故障诊断模型获取到的特征数字孪生模型，为不同种特征数字孪生模型时，直接根据第一故障诊断模型完成故障排查。
8.一种基于数字孪生的发动机故障排查系统，其特征在于：包括特征数字孪生模型获取模块、第一故障诊断模型建立模块、第二故障诊断模型建立模块以及排查模块，
特征数字孪生模型获取模块，所述特征数字孪生模型获取模块用于根据发动机正常工况历史运行数据，建立发动机数字孪生模型，将所述发动机数字孪生模型按照功能特征进行分割，得到分割后的不同特征数字孪生模型；
第一故障诊断模型建立模块，所述第一故障诊断模型建立模块用于根据所述不同特征数字孪生模型，结合发动机故障工况历史运行数据以及故障信息，建立第一故障诊断模型；
第二故障诊断模型建立模块，所述第二故障诊断模型建立模块用于对所述不同特征数字孪生模型进行故障遍历，结合机器学习，建立第二故障诊断模型；
排查模块，所述排查模块用于根据所述第一故障诊断模型以及第二故障诊断模型，完成对发动机故障排查。
9.一种计算机设备，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7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310938975.8A CN117150884A (zh) | 2023-07-27 | 2023-07-27 | 一种基于数字孪生的发动机故障排查方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310938975.8A CN117150884A (zh) | 2023-07-27 | 2023-07-27 | 一种基于数字孪生的发动机故障排查方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117150884A true CN117150884A (zh) | 2023-12-01 |
Family
ID=88908989
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310938975.8A Withdrawn CN117150884A (zh) | 2023-07-27 | 2023-07-27 | 一种基于数字孪生的发动机故障排查方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117150884A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117471979A (zh) * | 2023-12-27 | 2024-01-30 | 成都川哈工机器人及智能装备产业技术研究院有限公司 | 一种基于数字孪生平台的数据采集处理方法及系统 |
-
2023
- 2023-07-27 CN CN202310938975.8A patent/CN117150884A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117471979A (zh) * | 2023-12-27 | 2024-01-30 | 成都川哈工机器人及智能装备产业技术研究院有限公司 | 一种基于数字孪生平台的数据采集处理方法及系统 |
| CN117471979B (zh) * | 2023-12-27 | 2024-03-08 | 成都川哈工机器人及智能装备产业技术研究院有限公司 | 一种基于数字孪生平台的数据采集处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US4128005A (en) | Automated engine component diagnostic techniques | |
| CN113110367B (zh) | 发动机硬件在环测试方法及系统 | |
| CN103091112B (zh) | 基于模糊推理和自学习的汽车排放故障检诊方法及装置 | |
| DE102011110669B4 (de) | Verfahren und Messanordnung zur Bestimmung von spezifischen und/oder absoluten Emissionswerten für NOx und/oder CO2 bei einer Verbrennungsmaschine | |
| JP5160589B2 (ja) | 自動化システムを検証するための方法及び装置 | |
| CN117150884A (zh) | 一种基于数字孪生的发动机故障排查方法及系统 | |
| US5745390A (en) | Method and system for reducing development time of complex systems utilizing correlation matrices | |
| 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 | |
| Khaliullin et al. | Prospects for using the Bayes algorithm for assessing the technical condition of internal combustion engines | |
| CN203083829U (zh) | 基于简易工况法尾气排放检测的汽车故障诊断系统 | |
| EP1460568A2 (en) | Method, system and program for predicting performance of an engine | |
| CN114995346B (zh) | 一种发动机电气诊断标定方法、装置、设备及介质 | |
| JP4437742B2 (ja) | 過渡エンジン性能適合化方法およびシステム | |
| JP2005090353A (ja) | 過渡エンジン性能適合化方法およびシステム | |
| Ivanov et al. | Diesel engine diagnostic training program | |
| Ling et al. | [Retracted] Fault Diagnosis of Automobile Engine Based on Improved BP Neutral Network | |
| RU2724072C1 (ru) | Имитационная система контроля качества моторного масла транспортных средств | |
| CN110276119A (zh) | 一种模拟工程机械pems工况进行开发调试的方法 | |
| RU2739652C1 (ru) | Автоматизированная система мониторинга экологических параметров двигателя внутреннего сгорания транспортных средств | |
| RU183160U1 (ru) | Имитационная система контроля качества топлива транспортных средств | |
| CN115467752B (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 | |
| RU2755757C1 (ru) | Автоматизированная система контроля экологических параметров транспортных средств | |
| JP4175129B2 (ja) | エンジン性能の予測解析方法、予測解析システム及びその制御プログラム | |
| RU2782630C1 (ru) | Автоматизированный комплекс мониторинга качества топлива двигателя внутреннего сгорания транспортных средств | |
| CN110926821A (zh) | 一种发动机充气模型准确度的评估方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20231201 |
|
| WW01 | Invention patent application withdrawn after publication |