CN117874436B - 基于复合多尺度双向多样熵船用燃油系统诊断方法及介质 - Google Patents
基于复合多尺度双向多样熵船用燃油系统诊断方法及介质 Download PDFInfo
- Publication number
- CN117874436B CN117874436B CN202410274976.1A CN202410274976A CN117874436B CN 117874436 B CN117874436 B CN 117874436B CN 202410274976 A CN202410274976 A CN 202410274976A CN 117874436 B CN117874436 B CN 117874436B
- Authority
- CN
- China
- Prior art keywords
- entropy
- bidirectional
- scale
- diversity
- fuel system
- 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
- 230000002457 bidirectional effect Effects 0.000 title claims abstract description 38
- 239000002131 composite material Substances 0.000 title claims abstract description 33
- 238000003745 diagnosis Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 24
- 239000000295 fuel oil Substances 0.000 title claims abstract description 12
- 239000000446 fuel Substances 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 14
- 241001124612 Pompilidae Species 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000003921 oil Substances 0.000 claims description 8
- 238000005469 granulation Methods 0.000 claims description 4
- 230000003179 granulation Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000003909 pattern recognition Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 2
- 241000239290 Araneae Species 0.000 claims 6
- 150000001875 compounds Chemical class 0.000 claims 2
- 238000012935 Averaging Methods 0.000 claims 1
- 238000002405 diagnostic procedure Methods 0.000 claims 1
- 238000003062 neural network model Methods 0.000 claims 1
- 210000002569 neuron Anatomy 0.000 claims 1
- 238000004590 computer program Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Landscapes
- Fuel-Injection Apparatus (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
本发明涉及故障诊断技术领域,具体涉及一种基于复合多尺度双向多样熵船用燃油系统诊断方法及介质,包括步骤1:利用安装在共轨燃油系统指定部件上的传感器进行数据采集,得到正常状态下和不同故障状态下指定部件运行状态的物理信号;步骤2:提取正常状态下物理信号的复合多尺度双向多样性熵,以CMsBDE作为故障特征,并划分训练集与测试集;本申请充分考虑了同一尺度下所有子序列的信息,且从方向和数值上考虑了模式相似性,能够更全面地提取故障特征信息。
Description
技术领域
本发明涉及故障诊断技术领域,具体涉及一种基于复合多尺度双向多样熵船用燃油系统诊断方法及介质。
背景技术
随着科技的发展和能源环境问题的日益严重,船舶柴油机朝复杂化、综合化与智能化快速发展,高压共轨燃油系统由于其经济性和绿色性被广泛应用,但由于共轨燃油系统结构复杂,工作环境恶劣容易出现损伤,其一旦发生故障会导致船舶经济性能、动力性能和可靠性能的下降,造成巨大财产损失甚至人员伤亡。因此,如何提高共轨燃油系统故障诊断的准确性是亟待解决的问题。
当共轨燃油系统中部件发生故障时,其相应的振动响应、压力信号等会发生变化,但这些信号通常呈现出非平稳非线性的特性,熵是衡量时间序列复杂性和非线性特征的指标,近年来,各种信息熵方法被应用于故障诊断领域中,常用的熵方法有样本熵、模糊熵和排列熵等,但现有的熵方法有一个共同的缺陷,即某些确定性系统的熵值与其动力学复杂度不一致,基于此,Wang等提出了多样性熵,它从任意时间序列中量化了动态复杂性,多样性熵利用模式相似性的统计概率来描述状态分布,可以更好地反映内部模式的变化,与现有的熵方法相比,多样性熵具有一致性高、抗噪声影响鲁棒、计算效率高等优点。
但多样性熵中更多的是从方向上区分时间序列的差异,而对绝对的数值不敏感,因此没法衡量每个维度数值的差异,且多样性熵仅从单个尺度下测量,而忽略了多个尺度下的有效故障信息,导致故障诊断精度降低。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于复合多尺度双向多样熵船用燃油系统诊断方法,解决复杂工况环境下共轨燃油系统内设备故障特征难以提取和故障诊断精度不高的问题。
本申请提供一种基于复合多尺度双向多样熵船用燃油系统诊断方法,包括如下步骤:
(1)利用安装在共轨燃油系统相关部件上的传感器进行数据采集,得到正常状态下和不同故障状态下的高压油管振动信号、高压油管压力信号等反映共轨燃油系统及其相关部件运行状态的物理信号。
(2)计算正常状态下物理信号的复合多尺度双向多样性熵,以CMsBDE作为故障特征,并划分为训练集与测试集;
(3)将所有训练样本的CMsBDE特征向量输入到BP网络模型中进行训练,利用蜘蛛黄蜂算法(SWO)以寻求BP神经网络的最优参数;
(4)采用训练后的SWO-BP分类器对测试样本进行故障诊断和模式识别,输出故障诊断结果。
本发明还可以包括:所述步骤(2)中CMsBDE的计算过程为:
A.对于给定的时间序列X={x1,x2,…,xN},长度为N,当向量嵌入维度为m时,重构原始时间序列得到N-m+1个向量{yi(m)}如下:
yi(m)={xi,xi+τ,…,xi+(m-1)τ} (1)
其中,1≤i≤N-m+1,m为向量嵌入维度,{yi(m)}构成Y(m)={y1(m),y2(m),…yN-m+1(m)};
B.通过计算相邻轨迹之间的双向余弦相似度,得到一系列双向余弦值D(m)={d1,d2,…dN-m},其中dk的计算公式为:
其中,dk表示第k个向轨道序列yk(m)与第k+1个向轨道序列yk+1(m)的双向余弦相似度;
C.将域[-1,1]划分为E个区间,计算dk落在每个区间的概率P∈{P1,P2,…PE},且有
D.根据以下公式计算双向多样性熵:
其中,X为原始数据,m为向量嵌入维度,τ为延迟变量,E为划分的区间个数;
E.在不同尺度s下将原始序列X={x1,x2,…,xN}经方差复合粗粒化后得到s个短序列第u个短序列又由N/s个元素组成,其中第ω个元素的计算公式如下:
其中,s为尺度因子,xi为原始时间序列X中的第i个元素,计算得到的表示在尺度因子s处经方差复合粗粒化方式得到的第u个短时间序列的第ω个元素;
F.计算每个尺度下的所有共u个粗粒化短序列的双向多样性熵,并作均值处理,得到CMsBDE,计算公式如下:
其中,X为原始数据,m为向量嵌入维度,τ为延迟变量,E为划分的区间个数,s为尺度因子,表示在s尺度下经过粗粒化后的第u个短序列。
所述步骤(3)中BP神经网络采用SWO算法优化进行参数寻优,蜘蛛黄蜂搜索代理数量SW_no=100,最大次数Tmax=2000,以预测结果与训练数据之间的均方根误差作为适应度值。
本发明技术方案,具有如下优点:提出复合多尺度双向多样性熵(CompositeMulti-scale Bidirectional Diversity Entropy CMsBDE)的特征提取方法,用来衡量时间序列在各个尺度下的复合动态复杂性,双向余弦相似度可以区分每个维度的值成比例变化的数据对象,该方法充分考虑了同一尺度下所有子序列的信息,且从方向和数值上考虑了模式相似性,能够更全面地提取故障特征信息。用SWO算法优化后的BP进行模式识别,避免陷入局部最优,提高故障诊断精度。
附图说明
为了更清楚地说明本发明具体实施方式,本发明由下述的附图作以详细描述。
图1为本发明的流程图;
图2为本发明的CMsBDE算法流程图;
图3为本发明的SWO-BP算法流程图;
图4为本发明的共轨燃油系统中不同喷油器状态下的高压油管压力波动信号CMsBDE特征图;
图5为本发明的共轨燃油系统中相关部件喷油器的故障诊断结果图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术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,都属于本发明保护的范围。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。本发明的具体实施方式采用以下技术方案:
结合图1至5所示,一种基于复合多尺度双向多样熵船用燃油系统诊断方法,包括如下步骤:
S1、利用安装在共轨燃油系统相关部件上的传感器进行数据采集,得到正常状态下和不同故障状态下的高压油管振动信号、高压油管压力信号等反映共轨燃油系统及其相关部件运行状态的物理信号。以共轨燃油系统中高压共轨喷油器部件为实施例,采集喷油器正常状态和不同喷油器故障状态下的高压共轨管燃油压力波动信号。
S2、计算正常状态下高压共轨管燃油压力波动信号的复合多尺度双向多样性熵,以复合多尺度双向多样性熵(Composite Multi-scale Bidirectional DiversityEntropy CMsBDE)作为故障特征。复合多尺度双向多样性熵的计算步骤如下,其算法流程图如图2所示:
第一步:对长度为N的时间序列X={x1,x2,…,xN},在m维度下进行相空间重构,得到N-m+1个序列{yi(m)}如下:
yi(m)={xi,xi+τ,…,xi+(m-1)τ}(1),其中,1≤i≤N-m+1
定义Y(m)由{yi(m)}构成,Y(m)={y1(m),y2(m),…yN-m+1(m)}。
第二步:计算序列Y(m)相邻轨道的双向余弦相似度,得到一系列双向余弦相似值D(m)={d1,d2,…dN-m}:
其中,dk表示第k个向轨道序列yk(m)与第k+1个向轨道序列yk+1(m)的双向余弦相似度,dk∈[-1,1];
第三步、将域[-1,1]平均划分为E个区间,计算dk落在每个区间的概率P∈{P1,P2,…PE},且有
第四步、根据以下公式计算双向多样性熵:
其中,X为原始数据,m为向量嵌入维度,τ为延迟变量,E为划分的区间个数。
第五步、在不同尺度s下将原始序列X={x1,x2,…,xN}经方差复合粗粒化处理后得到序列s个短序列第u个短序列zsu又由Ns个元素组成,其中第ω个元素的计算公式如下:
其中,s为尺度因子,xi为原始时间序列X中的第i个元素,计算得到的表示在尺度因子s处经方差复合粗粒化方式得到的第u个短时间序列的第ω个元素;
第六步、计算每个尺度下的所有共u个粗粒化短序列的双向多样性熵,并作均值处理,得到CMsBDE:
其中,X为原始数据,m为向量嵌入维度,τ为延迟变量,E为划分的区间个数,s为尺度因子,表示在s尺度下经过粗粒化后的第u个短序列。
S3、计算得到的不同喷油器状态下的高压油管压力波动信号的CMsBDE特征值如图4所示。将计算得到的CMsBDE特征向量划为训练集和测试集,所有训练样本的CMsBDE输入到BP网络模型中进行训练,利用蜘蛛黄蜂算法优化(Spider Wasp algorithm OptimizationSWO)以寻求反向传播(Back Propagation BP)神经网络的最优参数;蜘蛛黄蜂搜索代理数量SW_no=100,最大次数Tmax=2000,以预测结果与训练数据之间的均方根误差作为适应度函数,SWO优化BP算法流程图如图3所示。
S4、采用训练后的蜘蛛黄蜂算法优化反向传播神经网络分类器(Optimization ofBack Propagation neural network using Spider Wasp algorithm SWO-BP)分类器对测试样本进行共轨燃油系统喷油器部件的故障诊断和模式识别,输出故障诊断结果如图5所示。
本申请还提供了一种存储介质,其上存储有计算机程序,计算机程序执行时实现上述基于复合多尺度双向多样熵船用燃油系统诊断方法执行的步骤。
本申请还提供了一种电子设备,包括存储器和处理器,存储器中存储有计算机程序,处理器调用存储器中的计算机程序时实现上述基于复合多尺度双向多样熵船用燃油系统诊断方法执行的步骤。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述得比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (6)
1.一种基于复合多尺度双向多样熵船用燃油系统诊断方法,其特征在于,包括以下步骤:
步骤1:利用安装在共轨燃油系统指定部件上的传感器进行数据采集,得到正常状态下和不同故障状态下指定部件运行状态的物理信号;
步骤2:提取正常状态下物理信号的复合多尺度双向多样性熵,以CMsBDE作为故障特征,并划分训练集与测试集;
步骤3:将所有训练样本的CMsBDE特征向量输入到BP网络模型中进行训练,利用蜘蛛黄蜂算法SWO以寻求BP神经网络的最优参数;
步骤4:采用训练后的SWO-BP分类器对测试样本进行模式识别,输出故障诊断结果;
所述步骤2中提取正常状态下物理信号的复合多尺度双向多样性熵;具体包括以下步骤:
步骤S1:将原始时间序列重构为m维度的轨道序列,通过计算相邻轨迹之间的双向余弦相似度,得到一系列双向余弦值,将双向余弦值划分区间,统计双向余弦值落入每个区间的概率得到双向多样性熵,并根据所述双向多样性熵来跟踪时间序列内部动态变化;
步骤S2:经过步骤S1的双向多样性熵通过复合多尺度分析获得每个尺度下的子序列,计算每个尺度下所有子序列的双向多样性熵的均值;
所述步骤2中CMsBDE的计算过程为:
(1)对长度为N的时间序列信息X={x1,x2,…,xN},设定延迟变量τ、向量嵌入维度m,从而将原始序列构造为数量为N-m+1个的向空间yi(m)={xi,xi+τ,…,xi+(m-1)τ},得到m维度下的所有向空间轨道序列Y(m)={y1(m),y2(m),…yN-m+1(m)} (1);
(2)双向余弦相似度区分每个维度的值成比例变化的数据对象,通过计算相邻轨迹之间的双向余弦相似度,得到一系列双向余弦值D(m)={d1,d2,…dN-m},其中dk的计算公式为:
其中,dk表示第k个向轨道序列yk(m)与第k+1个向轨道序列yk+1(m)的双向余弦相似度;
(3)将双向余弦值D(m)的取值范围区间[-1,1]分为E个子区间,计算不同区间的双向余弦相似值数与双向余弦相似度值总数的比值作为状态概率{P1,P2,…PE},由此构建双向多样性熵算法:
其中,X为原始数据,m为向量嵌入维度,τ为延迟变量,E为划分的区间个数;
(4)将复合多尺度方法与双向多样性熵相结合,将原始时间序列X={x1,x2,…,xN}在尺度因子s处经复合方差粗粒化方式处理后得到s个新的时间序列其中第u个短序列又由Ns个元素组成, 中第ω个元素的计算公式为:
其中,s为尺度因子,xi为原始时间序列X中的第i个元素,计算得到的表示在尺度因子s处经方差复合粗粒化方式得到的第u个短时间序列的第ω个元素;
(5)在尺度因子s下,计算每个复合粗粒化短序列的双向多样性熵算法求平均值,得到尺度s下的复合多尺度双向多样性熵值:
其中,X为原始数据,m为向量嵌入维度,τ为延迟变量,E为划分的区间个数,s为尺度因子,表示在s尺度下经过粗粒化后的第u个短序列。
2.根据权利要求1所述的一种基于复合多尺度双向多样熵船用燃油系统诊断方法,其特征在于:
所述步骤3中将所有训练样本的CMsBDE特征向量输入到BP网络模型中进行训练,利用蜘蛛黄蜂算法SWO以寻求BP神经网络的最优参数;
其具体过程为:首先随机生成一组初始蜘蛛个体,作为初始的网络参数;然后根据设定的适应度指标,对每个蜘蛛个体的适应度进行计算和评估,按照蜘蛛黄蜂算法的迭代规则和策略,更新蜘蛛个体的位置,再根据新的蜘蛛个体位置,重新计算每个蜘蛛个体的适应度,根据适应度选择优秀的蜘蛛个体,更新全局最优解;当达到最大迭代次数或满足精度要求时,停止迭代,并输出最优的参数,作为BP神经网络的最优参数。
3.根据权利要求2所述的一种基于复合多尺度双向多样熵船用燃油系统诊断方法,其特征在于:所述步骤3中,用蜘蛛黄蜂算法SWO寻求BP神经网络的最优参数,以训练结果与训练数据之间的均方根误差作为适应度值。
4.根据权利要求2所述的一种基于复合多尺度双向多样熵船用燃油系统诊断方法,其特征在于:所述BP神经网络模型的隐藏层个数为1,神经元节点个数为7,权重和阈值为SWO优化后的最佳参数值。
5.根据权利要求1所述的一种基于复合多尺度双向多样熵船用燃油系统诊断方法,其特征在于:所述物理信号包括高压油管振动信号、高压油管压力信号。
6.一种存储介质,其特征在于,所述存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行,实现如上述权利要求1至5任一项基于复合多尺度双向多样熵船用燃油系统诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410274976.1A CN117874436B (zh) | 2024-03-12 | 2024-03-12 | 基于复合多尺度双向多样熵船用燃油系统诊断方法及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410274976.1A CN117874436B (zh) | 2024-03-12 | 2024-03-12 | 基于复合多尺度双向多样熵船用燃油系统诊断方法及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117874436A CN117874436A (zh) | 2024-04-12 |
CN117874436B true CN117874436B (zh) | 2024-07-02 |
Family
ID=90597045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410274976.1A Active CN117874436B (zh) | 2024-03-12 | 2024-03-12 | 基于复合多尺度双向多样熵船用燃油系统诊断方法及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117874436B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191740A (zh) * | 2020-01-10 | 2020-05-22 | 福州大学 | 一种滚动轴承故障诊断方法 |
CN111414893A (zh) * | 2020-04-09 | 2020-07-14 | 北华大学 | 基于vmd精细复合多尺度散布熵的转子故障特征提取方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107228766B (zh) * | 2017-05-22 | 2019-03-05 | 上海理工大学 | 基于改进多尺度模糊熵的滚动轴承故障诊断方法 |
CN110084316B (zh) * | 2019-05-06 | 2023-04-07 | 安徽工业大学 | 一种基于精细时移多尺度排列熵与萤火虫算法优化支持向量机的故障诊断方法 |
-
2024
- 2024-03-12 CN CN202410274976.1A patent/CN117874436B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191740A (zh) * | 2020-01-10 | 2020-05-22 | 福州大学 | 一种滚动轴承故障诊断方法 |
CN111414893A (zh) * | 2020-04-09 | 2020-07-14 | 北华大学 | 基于vmd精细复合多尺度散布熵的转子故障特征提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117874436A (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115758212B (zh) | 一种基于并行网络和迁移学习的机械设备故障诊断方法 | |
CN110751108A (zh) | 一种地铁分布式振动信号相似度确定方法 | |
CN110084316B (zh) | 一种基于精细时移多尺度排列熵与萤火虫算法优化支持向量机的故障诊断方法 | |
CN111122162B (zh) | 基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法 | |
CN112036042A (zh) | 一种基于变分模态分解的动力设备异常检测方法及系统 | |
CN111520267A (zh) | 一种基于foa-vmd和hde的共轨喷油器故障诊断方法 | |
CN110991422A (zh) | 基于多元时移多尺度排列熵的滚动轴承故障诊断方法 | |
CN111042917A (zh) | 一种基于goa-mckd和层次离散熵的共轨喷油器微弱故障诊断方法 | |
CN114528879A (zh) | 轴承故障周期自动检测方法和系统 | |
CN115204368A (zh) | 一种基于智能芯片技术的飞机发动机故障诊断方法 | |
CN114169091A (zh) | 工程机械部件剩余寿命的预测模型建立方法及预测方法 | |
CN117874436B (zh) | 基于复合多尺度双向多样熵船用燃油系统诊断方法及介质 | |
CN115014789A (zh) | 一种基于cnn-gcn的双传感器航空发动机机匣故障源声发射定位方法 | |
CN112761843A (zh) | 一种共轨喷油器故障诊断方法 | |
CN111380680A (zh) | 一种基于改进排列熵的单向阀故障特征提取方法 | |
Lee et al. | Damage localization for bridges using probabilistic neural networks | |
Babu et al. | Misfire detection in a multi-cylinder diesel engine: A machine learning approach | |
Qi et al. | A new deep fusion network for automatic mechanical fault feature learning | |
CN113449465A (zh) | 一种用于滚动轴承的寿命预测方法 | |
CN111652170A (zh) | 基于二通道残差深度神经网络的二次雷达信号处理方法 | |
Wang et al. | Degradation pattern identification and remaining useful life prediction for mechanical equipment using SKF-EN | |
Ilkivová et al. | Comparison of a linear and nonlinear approach to engine misfires detection | |
CN118152976A (zh) | 基于多源异构信号多级融合的动力设备故障诊断方法 | |
CN113283000B (zh) | 一种基于有限元和检监测数据融合的全桥响应重构方法 | |
CN115754006B (zh) | 一种基于时间序列排列模式分布的声发射事件检测方法 |
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 | ||
GR01 | Patent grant |