CN117540243B - 一种基于震动监测的摩托车发动机故障智能检测系统 - Google Patents
一种基于震动监测的摩托车发动机故障智能检测系统 Download PDFInfo
- Publication number
- CN117540243B CN117540243B CN202311371583.4A CN202311371583A CN117540243B CN 117540243 B CN117540243 B CN 117540243B CN 202311371583 A CN202311371583 A CN 202311371583A CN 117540243 B CN117540243 B CN 117540243B
- Authority
- CN
- China
- Prior art keywords
- engine
- waveform image
- time domain
- characteristic
- domain waveform
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 52
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 238000007405 data analysis Methods 0.000 claims abstract description 59
- 230000008859 change Effects 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000012512 characterization method Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 18
- 238000012417 linear regression Methods 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012549 training Methods 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
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/12—Simultaneous equations, e.g. systems of linear equations
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及故障检测领域,尤其涉及基于震动监测的摩托车发动机故障智能检测系统,本发明通过数据分类模块基于行驶表征值判定时域波形图像段的模糊类别;数据分析模块根据时域波形图像段的模糊类别选定所需执行的故障分析策略,包括,提取所述时域波形图像段的基本参数与样本参数进行对比,判定发动机是否存在故障;或基于时域波形图像段中各波峰振幅的差异量标定特征波峰,并截取特征时间段内的波形图像子片段,根据所述波形图像子片段中特征波峰振幅的变化趋势判定是否提取所述波形图像子片段中特征波峰的基本参数与样本参数进行对比,判定发动机是否存在故障,本发明降低路面颠簸情况对摩托车振动检测的影响,提升摩托车振动检测的可靠性。
Description
技术领域
本发明涉及故障检测领域,尤其涉及基于震动监测的摩托车发动机故障智能检测系统。
背景技术
摩托车发动机是摩托车的关键部件,它负责产生动力以推动摩托车前进。对摩托车发动机进行检测可以快速识别并诊断发动机中的问题,从而进行维修和维护,确保发动机的可靠性和性能,延长发动机的寿命并降低维修成本。
中国专利公开号:CN104680234A,公开了一种发动机故障诊断方法,包括如下步骤:步骤一:预处理:对发动机运行速度及其对应的油压、温度样本的先验数据进行归一化处理,并建立运行速度及其对应的振幅、频率与发动机状态之间的对应关系;步骤二:机器训练:选择合适的核函数并对其超参数进行模糊神经网络算法优化训练,建立合适的RVM模型;步骤三:故障诊断:采用“一对一”RVM分类器进行待测样本故障诊断并输出结果;
但是,现有技术中还存在以下问题:
现有技术中,未考虑摩托车在行驶过程中,路面情况会造成摩托车振动,从而对摩托车发动机的振动检测造成影响,导致对摩托车发动机振动检测不准确,不可靠的问题。
发明内容
为此,本发明提供一种基于震动监测的摩托车发动机故障智能检测系统,用以克服现有技术中未考虑摩托车在行驶过程中,路面情况会造成摩托车振动,从而对摩托车发动机的振动检测造成影响,导致对摩托车发动机振动检测不准确,不可靠的问题。
为实现上述目的,本发明提供一种基于震动监测的摩托车发动机故障智能检测系统,其包括,
数据获取模块,包括设置在发动机一侧用以获取摩托车行驶速度的速度检测单元、设置在所述发动机上用以获取发动机振动值的振动检测单元以及用以获取发动机转速的转速检测单元;
数据分类模块,其与所述数据获取模块连接,用以基于振动值时域波形图像段内对应发动机平均振幅以及摩托车行驶速度计算行驶表征值判定时域波形图像段的模糊类别;
数据分析模块,其分别与所述数据获取模块以及数据分类模块连接,用以根据时域波形图像段的模糊类别选定所需执行的故障分析策略,包括,
提取所述时域波形图像段的基本参数与样本参数进行对比,判定发动机是否存在故障;
或,基于时域波形图像段中各波峰振幅的差异量标定特征波峰,并截取特征时间段内的波形图像子片段,根据所述波形图像子片段中特征波峰振幅的变化趋势判定是否提取所述波形图像子片段中特征波峰的基本参数与样本参数进行对比,判定发动机是否存在故障;
所述特征时间段基于所述发动机转速的变化情况所确定。
进一步地,所述数据分类模块还用以实时根据振动检测单元所检测的发动机振动值构建振动值时域波形图像。
进一步地,所述数据分类模块基于振动值时域波形图像段内对应发动机平均振幅以及摩托车行驶速度根据公式(1)计算行驶表征值,
E=α1×Aave/A0+α2×V/V0 (1)
公式(1)中,E表示行驶表征值,α1表示平均振幅的权重系数,Aave表示平均振幅,A0表示预设的平均振幅阈值,α2表示摩托车行驶速度的权重系数,V表示摩托车行驶速度,V0表示预设的摩托车行驶速度阈值。
进一步地,所述数据分类模块判定时域波形图像段的模糊类别的过程包括,
所述数据分类模块将所述行驶表征值与预设的行驶表征值对比阈值进行对比,
若所述行驶表征值小于预设的行驶表征值对比阈值,则所述数据分类模块判定所述时域波形图像段为弱模糊类别;
若所述行驶表征值大于或等于预设的行驶表征值对比阈值,则所述数据分类模块判定所述时域波形图像段为强模糊类别。
进一步地,所述数据分析模块根据时域波形图像段的模糊类别选定所需执行的故障分析策略,选定过程包括,
若时域波形图像段为弱模糊类别,所述数据分析模块提取所述时域波形图像段的基本参数与样本参数进行对比,判定发动机是否存在故障;
若时域波形图像段为强模糊类别,所述数据分析模块基于时域波形图像段中各波峰振幅的差异量标定特征波峰,并截取特征时间段内的波形图像子片段,根据所述波形图像子片段中特征波峰振幅的变化趋势判定是否提取所述波形图像子片段中特征波峰的基本参数与样本参数进行对比,判定发动机是否存在故障。
进一步地,所述数据分析模块还用以根据公式(2)计算时域波形图像段中各波峰振幅的差异量,
X=(A-A0)/A0 (2)
公式(2)中,X表示时域波形图像段中各波峰振幅的差异量,A表示波峰振幅。
进一步地,所述数据分析模块基于时域波形图像段中各波峰振幅的差异量标定特征波峰的标定过程包括,
所述数据分析模块逐个将所述时域波形图像段中各波峰振幅的差异量与预设差异量对比阈值进行对比;
若所述波峰振幅的差异量大于预设差异量对比阈值,则所述数据分析模块标定所述波峰为特征波峰。
进一步地,所述数据分析模块还用以确定特征时间段,确定过程包括,
所述数据分析模块每隔预定时间段检测所述发动机转速在预定时间段内的变化量,
若预定时间段内发动机转速的变化量大于预设的变化量对比阈值,则所述数据分析模块判定所述预定时间段为特征时间段。
进一步地,所述数据分析模块根据所述波形图像子片段中特征波峰振幅的变化情况判定是否提取所述波形图像子片段的过程包括,
所述数据分析模块标定所述波形图像子片段中各波峰的峰值点,并基于各所述峰值点的坐标构建线性回归方程;
若所述线性回归方程的绝对斜率大于预定的斜率阈值,则所述数据分析模块判定需提取所述波形图像子片段。
进一步地,所述数据分析模块将基本参数与样本参数进行对比,判定发动机是否存在故障的过程包括,
所述数据分析模块中预先存储有发动机处于不同转速区间内标准样本参数,所述数据分析模块将基本参数中的各项子参数与对应的样本子参数进行对比,
若任一子参数与样本子参数的差异比大于预定的差异比阈值,则所述数据分析模块判定发动机存在故障。
与现有技术相比,本发明通过数据分类模块基于行驶表征值判定时域波形图像段的模糊类别;数据分析模块根据时域波形图像段的模糊类别选定所需执行的故障分析策略,包括,提取所述时域波形图像段的基本参数与样本参数进行对比,判定发动机是否存在故障;或基于时域波形图像段中各波峰振幅的差异量标定特征波峰,并截取特征时间段内的波形图像子片段,根据所述波形图像子片段中特征波峰振幅的变化趋势判定是否提取所述波形图像子片段中特征波峰的基本参数与样本参数进行对比,判定发动机是否存在故障,本发明降低路面颠簸情况对摩托车振动检测的影响,提升摩托车振动检测的可靠性。
尤其,本发明数据分类模块基于振动值时域波形图像段内对应发动机平均振幅以及摩托车行驶速度计算行驶表征值,发动机的平均振幅受到摩托车行驶速度变化量以及路面颠簸程度等因素影响,当路面颠簸程度较大时,发动机平均振幅较大,且若此时摩托车行驶速度也较快,则发动机的平均振幅受路面颠簸造成的较大,通过计算行驶表征值有助于将判断发动机的平均振幅受路面颠簸影响的程度大小;
尤其,本发明数据分类模块判定时域波形图像段的模糊类别,当行驶表征值较小时,此时路面较为平稳或摩托车行驶速度较慢从而路面颠簸程度对发动机振动的影响较小,当行驶表征值较大时,此时路面较为颠簸或摩托车行驶速度较快,从而路面颠簸程度对发动机振动的影响较大,干扰因素较多,数据表征性差,通过判定时域波形图像段的模糊类别,有助于对摩托车振动的检测可靠性更高。
尤其,本发明数据分析模块基于时域波形图像段中各波峰振幅的差异量标定特征波峰,当摩托车行驶速度发生变化,其发动机转速发生改变,相应的波峰振幅的差异量也发生改变,将波峰振幅的差异量较大的波峰标定为特征波峰,选取更具特征性的波峰进行分析,从而对摩托车振动的检测可靠性更高。
尤其,本发明数据分析模块根据所述波形图像子片段中特征波峰振幅的变化情况判定是否提取所述波形图像子片段,由于特征波峰可能为摩托车行驶速度变化产生,也可能由路面存在颠簸情况产生,由于摩托车行驶速度变化产生的波形图像子片段中各波峰的峰值点构建的线性回归方程存在一定规律,其为趋势性上升或下降,将线性回归方程的绝对斜率较大的进行提取,可以提取出由于摩托车行驶速度变化产生的波形图像子片段,增大了摩托车振动检测的可靠性。
附图说明
图1为发明实施例的基于震动监测的摩托车发动机故障智能检测系统结构图;
图2为发明实施例的基于震动监测的摩托车发动机故障智能检测系统模糊类别逻辑判定图;
图3为发明实施例的基于震动监测的摩托车发动机故障智能检测系统波峰标定逻辑判定图;
图4为发明实施例的基于震动监测的摩托车发动机故障智能检测系统发动机故障逻辑判定图。
具体实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明作进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
需要说明的是,在本发明的描述中,术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系,这仅仅是为了便于描述,而不是指示或暗示所述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,还需要说明的是,在本发明的描述中,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,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1-图4所示,图1为发明实施例的基于震动监测的摩托车发动机故障智能检测系统结构图;图2为发明实施例的基于震动监测的摩托车发动机故障智能检测系统模糊类别逻辑判定图;图3为发明实施例的基于震动监测的摩托车发动机故障智能检测系统波峰标定逻辑判定图;图4为发明实施例的基于震动监测的摩托车发动机故障智能检测系统发动机故障逻辑判定图,本发明的基于震动监测的摩托车发动机故障智能检测系统包括:
数据获取模块,包括设置在发动机一侧用以获取摩托车行驶速度的速度检测单元、设置在所述发动机上用以获取发动机振动值的振动检测单元以及用以获取发动机转速的转速检测单元;
数据分类模块,其与所述数据获取模块连接,用以基于振动值时域波形图像段内对应发动机平均振幅以及摩托车行驶速度计算行驶表征值判定时域波形图像段的模糊类别;
数据分析模块,其分别与所述数据获取模块以及数据分类模块连接,用以根据时域波形图像段的模糊类别选定所需执行的故障分析策略,包括,
提取所述时域波形图像段的基本参数与样本参数进行对比,判定发动机是否存在故障;
或,基于时域波形图像段中各波峰振幅的差异量标定特征波峰,并截取特征时间段内的波形图像子片段,根据所述波形图像子片段中特征波峰振幅的变化趋势判定是否提取所述波形图像子片段中特征波峰的基本参数与样本参数进行对比,判定发动机是否存在故障;
所述特征时间段基于所述发动机转速的变化情况所确定。
具体而言,本发明对数据获取模块的具体结构不做限定,对于其中的速度检测单元可以为速度传感器或其他形式,只需能获取摩托车行驶速度即可,振动检测单元可以为振动传感器,只需能获取发动机振动值即可,转速检测单元可以为转速传感器,只需能获取发动机转速即可,此为现有技术,不再赘述。
具体而言,本发明对数据分类模块以及数据分析模块的具体结构不做限定,均可以由逻辑部件或逻辑部件的组合构成,逻辑部件包括现场可编程处理器、计算机或计算机中的微处理器。
具体而言,所述数据分类模块还用以实时根据振动检测单元所检测的发动机振动值构建振动值时域波形图像。
具体而言,所述数据分类模块基于振动值时域波形图像段内对应发动机平均振幅以及摩托车行驶速度根据公式(1)计算行驶表征值,
E=α1×Aave/A0+α2×V/V0 (1)
公式(1)中,E表示行驶表征值,α1表示平均振幅的权重系数,Aave表示平均振幅,A0表示预设的平均振幅阈值,α2表示摩托车行驶速度的权重系数,V表示摩托车行驶速度,V0表示预设的摩托车行驶速度阈值。
具体而言,在本实施例中,所述预设的平均振幅阈值A0,预设的摩托车行驶速度阈值V0为预先计算所得,其中,预先获取若干次摩托车行驶预设距离的平均振幅以及平均行驶速度,将若干次摩托车行驶预设距离的平均振幅的平均值记为预设的平均振幅阈值A0,将若干次摩托车行驶预设距离的平均行驶速度记为预设的摩托车行驶速度阈值V0,α1=0.6,α2=0.4。
具体而言,本发明数据分类模块基于振动值时域波形图像段内对应发动机平均振幅以及摩托车行驶速度计算行驶表征值,发动机的平均振幅受到摩托车行驶速度变化量以及路面颠簸程度等因素影响,当路面颠簸程度较大时,发动机平均振幅较大,且若此时摩托车行驶速度也较快,则发动机的平均振幅受路面颠簸造成的较大,通过计算行驶表征值有助于将判断发动机的平均振幅受路面颠簸影响的程度大小。
具体而言,所述数据分类模块判定时域波形图像段的模糊类别的过程包括,
所述数据分类模块将所述行驶表征值与预设的行驶表征值对比阈值进行对比,
若所述行驶表征值小于预设的行驶表征值对比阈值,则所述数据分类模块判定所述时域波形图像段为弱模糊类别;
若所述行驶表征值大于或等于预设的行驶表征值对比阈值,则所述数据分类模块判定所述时域波形图像段为强模糊类别。
具体而言,在本实施例中,预设的行驶表征值对比阈值为Aave=1.2A0,V=1.2VO条件下计算所得的行驶表征值。
具体而言,本发明数据分类模块判定时域波形图像段的模糊类别,当行驶表征值较小时,此时路面较为平稳或摩托车行驶速度较慢从而路面颠簸程度对发动机振动的影响较小,当行驶表征值较大时,此时路面较为颠簸或摩托车行驶速度较快,从而路面颠簸程度对发动机振动的影响较大,干扰因素较多,数据表征性差,通过判定时域波形图像段的模糊类别,有助于对摩托车振动的检测可靠性更高。
具体而言,所述数据分析模块根据时域波形图像段的模糊类别选定所需执行的故障分析策略,选定过程包括,
若时域波形图像段为弱模糊类别,所述数据分析模块提取所述时域波形图像段的基本参数与样本参数进行对比,判定发动机是否存在故障;
若时域波形图像段为强模糊类别,所述数据分析模块基于时域波形图像段中各波峰振幅的差异量标定特征波峰,并截取特征时间段内的波形图像子片段,根据所述波形图像子片段中特征波峰振幅的变化趋势判定是否提取所述波形图像子片段中特征波峰的基本参数与样本参数进行对比,判定发动机是否存在故障;
具体而言,所述数据分析模块还用以根据公式(2)计算时域波形图像段中各波峰振幅的差异量,
X=(A-A0)/A0 (2)
公式(2)中,X表示时域波形图像段中各波峰振幅的差异量,A表示波峰振幅。
具体而言,所述数据分析模块基于时域波形图像段中各波峰振幅的差异量标定特征波峰的标定过程包括,
所述数据分析模块逐个将所述时域波形图像段中各波峰振幅的差异量与预设差异量对比阈值进行对比;
若所述波峰振幅的差异量大于预设差异量对比阈值,则所述数据分析模块标定所述波峰为特征波峰。
具体而言,在本实施例中,差异量对比阈值在区间[1.3,1.5]内设定。
具体而言,本发明数据分析模块基于时域波形图像段中各波峰振幅的差异量标定特征波峰,当摩托车行驶速度发生变化,其发动机转速发生改变,相应的波峰振幅的差异量也发生改变,将波峰振幅的差异量较大的波峰标定为特征波峰,选取更具特征性的波峰进行分析,从而对摩托车振动的检测可靠性更高。
具体而言,所述数据分析模块还用以确定特征时间段,确定过程包括,
所述数据分析模块每隔预定时间段检测所述发动机转速在预定时间段内的变化量,
若预定时间段内发动机转速的变化量大于预设的变化量对比阈值,则所述数据分析模块判定所述预定时间段为特征时间段。
具体而言,在本实施例中,预设的变化量对比阈值P为预先计算所得,设定,P=P0×γ,γ表示比例系数,0.25<γ<0.5。
具体而言,所述数据分析模块根据所述波形图像子片段中特征波峰振幅的变化情况判定是否提取所述波形图像子片段的过程包括,
所述数据分析模块标定所述波形图像子片段中各波峰的峰值点,并基于各所述峰值点的坐标构建线性回归方程;
若所述线性回归方程的绝对斜率大于预定的斜率阈值,则所述数据分析模块判定需提取所述波形图像子片段。
在本实施例中斜率阈值在区间[0.25,0.5]内设定。
具体而言,本发明数据分析模块根据所述波形图像子片段中特征波峰振幅的变化情况判定是否提取所述波形图像子片段,由于特征波峰可能为摩托车行驶速度变化产生,也可能由路面存在颠簸情况产生,由于摩托车行驶速度变化产生的波形图像子片段中各波峰的峰值点构建的线性回归方程存在一定规律,其为趋势性上升或下降,将线性回归方程的绝对斜率较大的进行提取,可以提取出由于摩托车行驶速度变化产生的波形图像子片段,增大了摩托车振动检测的可靠性。
具体而言,所述数据分析模块将基本参数与样本参数进行对比,判定发动机是否存在故障的过程包括,
所述数据分析模块中预先存储有发动机处于不同转速区间内标准样本参数,所述数据分析模块将基本参数中的各项子参数与对应的样本子参数进行对比,
若任一子参数与样本子参数的差异比大于预定的差异比阈值,则所述数据分析模块判定发动机存在故障。
在本实施例中,标准样本参数为预先检测所得,在实验室环境下测得发动机处于不同转速区间内时的时域波形图像,并提取基本参数,将提取所得的基本参数确定为标准样本参数,基本参数包括平均振幅,平均频率、相位以及均方根值。
差异比=子参数-样本子参数/样本子参数,在本实施例中,差异比阈值在区间[1.25,1.4]内设定。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (9)
1.一种基于震动监测的摩托车发动机故障智能检测系统,其特征在于,包括:
数据获取模块,包括设置在发动机一侧用以获取摩托车行驶速度的速度检测单元、设置在所述发动机上用以获取发动机振动值的振动检测单元以及用以获取发动机转速的转速检测单元;
数据分类模块,其与所述数据获取模块连接,用以基于振动值时域波形图像段内对应发动机平均振幅以及摩托车行驶速度计算行驶表征值判定时域波形图像段的模糊类别;
数据分析模块,其分别与所述数据获取模块以及数据分类模块连接,用以根据时域波形图像段的模糊类别选定所需执行的故障分析策略,包括,
提取所述时域波形图像段的基本参数与样本参数进行对比,判定发动机是否存在故障;
或,基于时域波形图像段中各波峰振幅的差异量标定特征波峰,并截取特征时间段内的波形图像子片段,根据所述波形图像子片段中特征波峰振幅的变化情况判定是否提取所述波形图像子片段中特征波峰的基本参数与样本参数进行对比,判定发动机是否存在故障;
所述特征时间段基于所述发动机转速的变化情况所确定;
所述数据分类模块基于振动值时域波形图像段内对应发动机平均振幅以及摩托车行驶速度根据公式(1)计算行驶表征值,
E=α1×Aave/A0+α2×V/V0 (1)
公式(1)中,E表示行驶表征值,α1表示平均振幅的权重系数,Aave表示平均振幅,A0表示预设的平均振幅阈值,α2表示摩托车行驶速度的权重系数,V表示摩托车行驶速度,V0表示预设的摩托车行驶速度阈值。
2.根据权利要求1所述的基于震动监测的摩托车发动机故障智能检测系统,其特征在于,所述数据分类模块还用以实时根据振动检测单元所检测的发动机振动值构建振动值时域波形图像。
3.根据权利要求1所述的基于震动监测的摩托车发动机故障智能检测系统,其特征在于,所述数据分类模块判定时域波形图像段的模糊类别的过程包括,
所述数据分类模块将所述行驶表征值与预设的行驶表征值对比阈值进行对比,
若所述行驶表征值小于预设的行驶表征值对比阈值,则所述数据分类模块判定所述时域波形图像段为弱模糊类别;
若所述行驶表征值大于或等于预设的行驶表征值对比阈值,则所述数据分类模块判定所述时域波形图像段为强模糊类别。
4.根据权利要求3所述的基于震动监测的摩托车发动机故障智能检测系统,其特征在于,所述数据分析模块根据时域波形图像段的模糊类别选定所需执行的故障分析策略,选定过程包括,
若时域波形图像段为弱模糊类别,所述数据分析模块提取所述时域波形图像段的基本参数与样本参数进行对比,判定发动机是否存在故障;
若时域波形图像段为强模糊类别,所述数据分析模块基于时域波形图像段中各波峰振幅的差异量标定特征波峰,并截取特征时间段内的波形图像子片段,根据所述波形图像子片段中特征波峰振幅的变化情况判定是否提取所述波形图像子片段中特征波峰的基本参数与样本参数进行对比,判定发动机是否存在故障。
5.根据权利要求1所述的基于震动监测的摩托车发动机故障智能检测系统,其特征在于,所述数据分析模块还用以根据公式(2)计算时域波形图像段中各波峰振幅的差异量,
X=(A-A0)/A0 (2)
公式(2)中,X表示时域波形图像段中各波峰振幅的差异量,A表示波峰振幅。
6.根据权利要求5所述的基于震动监测的摩托车发动机故障智能检测系统,其特征在于,所述数据分析模块基于时域波形图像段中各波峰振幅的差异量标定特征波峰的标定过程包括,
所述数据分析模块逐个将所述时域波形图像段中各波峰振幅的差异量与预设差异量对比阈值进行对比;
若所述波峰振幅的差异量大于预设差异量对比阈值,则所述数据分析模块标定所述波峰为特征波峰。
7.根据权利要求1所述的基于震动监测的摩托车发动机故障智能检测系统,其特征在于,所述数据分析模块还用以确定特征时间段,确定过程包括,
所述数据分析模块每隔预定时间段检测所述发动机转速在预定时间段内的变化量,
若预定时间段内发动机转速的变化量大于预设的变化量对比阈值,则所述数据分析模块判定所述预定时间段为特征时间段。
8.根据权利要求1所述的基于震动监测的摩托车发动机故障智能检测系统,其特征在于,所述数据分析模块根据所述波形图像子片段中特征波峰振幅的变化情况判定是否提取所述波形图像子片段的过程包括,
所述数据分析模块标定所述波形图像子片段中各波峰的峰值点,并基于各所述峰值点的坐标构建线性回归方程;
若所述线性回归方程的绝对斜率大于预定的斜率阈值,则所述数据分析模块判定需提取所述波形图像子片段。
9.根据权利要求8所述的基于震动监测的摩托车发动机故障智能检测系统,其特征在于,所述数据分析模块将基本参数与样本参数进行对比,判定发动机是否存在故障的过程包括,
所述数据分析模块中预先存储有发动机处于不同转速区间内标准样本参数,所述数据分析模块将基本参数中的各项子参数与对应的样本子参数进行对比,
若任一子参数与样本子参数的差异比大于预定的差异比阈值,则所述数据分析模块判定发动机存在故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311371583.4A CN117540243B (zh) | 2023-10-23 | 2023-10-23 | 一种基于震动监测的摩托车发动机故障智能检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311371583.4A CN117540243B (zh) | 2023-10-23 | 2023-10-23 | 一种基于震动监测的摩托车发动机故障智能检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117540243A CN117540243A (zh) | 2024-02-09 |
CN117540243B true CN117540243B (zh) | 2024-05-24 |
Family
ID=89787038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311371583.4A Active CN117540243B (zh) | 2023-10-23 | 2023-10-23 | 一种基于震动监测的摩托车发动机故障智能检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117540243B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101936812A (zh) * | 2010-08-25 | 2011-01-05 | 重庆大学 | 装甲车发动机工作状态检测方法 |
CN102444494A (zh) * | 2010-10-05 | 2012-05-09 | 通用汽车环球科技运作有限责任公司 | 用于诊断柴油发动机气体流动控制系统错误状态的系统 |
CN106875711A (zh) * | 2017-03-10 | 2017-06-20 | 李金良 | 车辆事故告警装置、系统、方法及机动车 |
KR102041390B1 (ko) * | 2018-11-30 | 2019-11-07 | 이철 | 엔진 상태 모니터링 장치, 엔진 상태 모니터링 시스템 및 엔진 상태 모니터링 방법 |
CN115431993A (zh) * | 2022-08-29 | 2022-12-06 | 清安储能技术(重庆)有限公司 | 运输仿真检测方法、装置、设备及存储介质 |
CN115840139A (zh) * | 2023-02-14 | 2023-03-24 | 济宁矿业集团海纳科技机电股份有限公司 | 一种电机用转子生产质量检测系统 |
CN115892308A (zh) * | 2022-11-11 | 2023-04-04 | 巨能摩托车科技有限公司 | 用于摩托车发动机的快速散热装置 |
CN116026598A (zh) * | 2023-03-30 | 2023-04-28 | 山东梁轴科创有限公司 | 一种轴承振动检测系统 |
CN116481821A (zh) * | 2023-04-17 | 2023-07-25 | 国能北电胜利能源有限公司 | 基于大数据分析管理的发动机故障预警方法及系统 |
CN116773208A (zh) * | 2023-06-20 | 2023-09-19 | 中国第一汽车股份有限公司 | 一种汽车发动机的故障诊断系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11592455B2 (en) * | 2020-01-13 | 2023-02-28 | Woodward, Inc. | Adaptive voltage threshold for turbine engine |
-
2023
- 2023-10-23 CN CN202311371583.4A patent/CN117540243B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101936812A (zh) * | 2010-08-25 | 2011-01-05 | 重庆大学 | 装甲车发动机工作状态检测方法 |
CN102444494A (zh) * | 2010-10-05 | 2012-05-09 | 通用汽车环球科技运作有限责任公司 | 用于诊断柴油发动机气体流动控制系统错误状态的系统 |
CN106875711A (zh) * | 2017-03-10 | 2017-06-20 | 李金良 | 车辆事故告警装置、系统、方法及机动车 |
KR102041390B1 (ko) * | 2018-11-30 | 2019-11-07 | 이철 | 엔진 상태 모니터링 장치, 엔진 상태 모니터링 시스템 및 엔진 상태 모니터링 방법 |
CN115431993A (zh) * | 2022-08-29 | 2022-12-06 | 清安储能技术(重庆)有限公司 | 运输仿真检测方法、装置、设备及存储介质 |
CN115892308A (zh) * | 2022-11-11 | 2023-04-04 | 巨能摩托车科技有限公司 | 用于摩托车发动机的快速散热装置 |
CN115840139A (zh) * | 2023-02-14 | 2023-03-24 | 济宁矿业集团海纳科技机电股份有限公司 | 一种电机用转子生产质量检测系统 |
CN116026598A (zh) * | 2023-03-30 | 2023-04-28 | 山东梁轴科创有限公司 | 一种轴承振动检测系统 |
CN116481821A (zh) * | 2023-04-17 | 2023-07-25 | 国能北电胜利能源有限公司 | 基于大数据分析管理的发动机故障预警方法及系统 |
CN116773208A (zh) * | 2023-06-20 | 2023-09-19 | 中国第一汽车股份有限公司 | 一种汽车发动机的故障诊断系统 |
Non-Patent Citations (2)
Title |
---|
动力连续同步检测技术(CCC)在无砟轨道路基填筑质量控制、验收中的应用;胡一峰;李怒放;《铁道标准设计》;20090420(第04期);第1-8页 * |
基于振动检测的发动机故障诊断算法研究;陈海峰 等;《火箭推进》;20121215;第38卷(第06期);第62-69页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117540243A (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101829645B1 (ko) | 철도 차량 모니터링 장치 및 이를 이용한 모니터링 방법 | |
CA2413043C (en) | Alternator testing method and system using ripple detection | |
US8494704B2 (en) | Tire pressure classification based tire pressure monitoring | |
US20170315516A1 (en) | Apparatus and Method for Monitoring A Device Having A Movable Part | |
Zhe et al. | Pitting damage levels estimation for planetary gear sets based on model simulation and grey relational analysis | |
CN106627673A (zh) | 一种多传感器融合的列车定位方法及系统 | |
JP6557110B2 (ja) | 状態診断装置及びプログラム | |
CN102155988B (zh) | 设备监诊方法 | |
CN112881014B (zh) | 传动总成的下线nvh测试系统及方法 | |
CN102799171A (zh) | 检测故障码设置中的异常和使用分析症状增强维修文件 | |
WO2006120550A2 (en) | Vehicle vibration analyzer | |
CN104048825A (zh) | 一种多传感器融合的风电机组齿轮箱故障定位方法 | |
CN109416023B (zh) | 风力涡轮机监视装置、风力涡轮机监视方法、风力涡轮机监视程序以及存储介质 | |
CN114004306A (zh) | 一种基于物联网多维度数据的设备故障评估系统及其方法 | |
EP3126858B1 (en) | System and method for health monitoring of electrical systems | |
CN117002309B (zh) | 一种充电桩的故障智能预警方法及系统 | |
CN111595515B (zh) | 万向轴不平衡故障的间接检测方法 | |
KR20210073840A (ko) | 엔진소음을 이용한 기계적 연소 이상 진단 판단방법 및 연소 이상 진단 시스템 | |
CN117540243B (zh) | 一种基于震动监测的摩托车发动机故障智能检测系统 | |
CN112711850A (zh) | 一种基于大数据的机组在线监测方法 | |
CN111795824B (zh) | 机械动力系统故障诊断方法及系统 | |
CN113672859B (zh) | 一种道岔转辙机故障声学诊断系统 | |
RU2451299C1 (ru) | Устройство диагностирования в реальном времени системы электродвижения судна | |
CN115541109A (zh) | 一种基于机器视觉叶轮不平衡监测的方法 | |
EP3104152B1 (en) | Method and controller for determining an undesired condition in an electrical drive system |
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 |