CN105447250A - 一种机电设备健康表征参数确定方法 - Google Patents
一种机电设备健康表征参数确定方法 Download PDFInfo
- Publication number
- CN105447250A CN105447250A CN201510829828.2A CN201510829828A CN105447250A CN 105447250 A CN105447250 A CN 105447250A CN 201510829828 A CN201510829828 A CN 201510829828A CN 105447250 A CN105447250 A CN 105447250A
- Authority
- CN
- China
- Prior art keywords
- fault
- electromechanical equipment
- characterization parameter
- decomposition
- determination method
- 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.)
- Granted
Links
Landscapes
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明涉及一种机电设备健康表征参数确定方法,其特征在于,第一步,对机电设备采取结构分解、功能分解、故障分解的至少一种分解方式,分解成为多层次的部件的集合;第二步,对于分解获得的每一个部件,建立参数,传感器及其设置位置,故障模式,故障影响的多对多映射关系;第三步,根据传感器测量的参数,通过所述多对多映射关系,确定机电设备的健康状态,当确定的机电设备健康状态与机电设备实际的健康状态存在偏差时,若偏差大于预设的值,重新执行第一步至第三步,直至所述偏差落入设定的范围内,从而确定该机电设备的健康表征参数。
Description
技术领域
本发明涉及工程技术领域,尤其涉及一种工程可靠度和安全性的技术领域。
背景技术
机电设备在船舶中占有及其重要的地位和作用,担负着船舶推进与供电等任务,没有一个处于健康状态、满足船舶运行要求的机电***,船舶就不能完成其使命任务。因此,机电设备的健康状态是衡量其能力的重要指标,怎样评估机电设备的健康状态,首先要解决健康状态的度量问题。根据船舶机电设备的组成、功能及完成任务的特点,在传感器信息采集参数的基础上,分级实现其表征参数体系的构建。
对于柴油机健康表征参数体系的构建方法,现有技术中常用的方法是:用Bootstrap方法去除了大样本的限制,找出一个模拟的样本均值分布代替了未知的样本均值分布;使用遗传优化算法找出活塞环正常状态与不同磨损程度状态之间相互区分的最佳特征参数组合,得到了最优的评估分类参数。具体参见文章《柴油机故障表征体系的构建及优化方法研究》,刘伯运,欧阳光耀,常汉宝,武汉理工大学学报,第30卷第6期。
上述方法中Bootstrap方法缺少试验的验证,遗传算法也是基于数据基本正常时才能得出正确结果,若实际情况中有异常现象,则容易与实际情况有较大的偏差。
发明内容
鉴于上述的分析,本发明旨在提供一种柴油机健康表征参数体系构建方法,用以解决现有柴油机故障预测过程中,健康表征参数的选择不能准确反应设备真实状况的问题。
本发明的目的主要是通过以下技术方案实现的:
一种机电设备健康表征参数确定方法,其特征在于,第一步,对机电设备采取结构分解、功能分解、故障分解的至少一种分解方式,分解成为多层次的部件的集合;第二步,对于分解获得的每一个部件,建立参数,传感器及其设置位置,故障模式,故障影响的多对多映射关系;第三步,根据传感器测量的参数,通过所述多对多映射关系,确定机电设备的健康状态,当确定的机电设备健康状态与机电设备实际的健康状态存在偏差时,若偏差大于预设的值,重新执行第一步至第三步,直至所述偏差落入设定的范围内,从而确定该机电设备的健康表征参数。
可选的,所述结构分解是指将机电设备按照***级、子***级、部件级,零件级进行逐级分解。
可选的,所述结构分解进一步包括每个级别中各个子结构之间的连接关系。
可选的,所述功能分解是将机电设备按照功能逐级分解至基本功能,所述基本功能是指该功能不具备子功能或进一步分解不影响对设备健康状态的确定。
可选的,所述故障分解为对故障进行逐层分解,上层父故障是下层子故障的概括,分解直至具体的故障。
可选的,所述故障分解中还包括故障流向。
可选的,所述多对多的映射关系中还包括故障征兆。
可选的,根据故障征兆,进行规则匹配,确定故障模式,并根据故障模式对产品的影响,确定设备的状态。
可选的,所述规则为某个故障征兆或多个故障征兆处于不同的阈值范围内时对应不同的故障模式。
本发明有益效果如下:本发明的方法建立了合理的健康表征参数体系,该体系能够有效表征故障征兆,跟踪故障演化从而快速准确地实现状态监控、故障诊断、故障预测和健康评估。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分的从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为本发明具体实施方式提供的健康表征参数体系的建立方法示意图;
图2为本发明具体实施方式提供的机电设备结构分解示意图;
图3为本发明具体实施方式提供的柴油机燃油***的结构分解示意图;
图4所示为本发明具体实施方式提供的部件层级的连接关系示意图;
图5是本发明具体实施方式提供的功能分解示意图;
图6为本发明具体实施方式提供的故障分解示意图;
图7为本发明具体实施方式提供的映射关系链。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理。
过多的健康表征参数往往导致测试成本高、信息冗余度大、背景噪声强等问题;而过少的健康表征参数则容易造成状态信息缺乏、不完整不能满足设备健康管理的信息需求等问题。特别是,设备在设计阶段,物理模型缺乏,知识信息有限,不确定性和模糊性强,很难通过基于试验和模型的方法来确定健康表征参数。本发明提供的方法结合了设备的***的结构、功能、故障特点,构建健康表征参数体系,能够有效表征故障征兆,跟踪故障演化从而快速准确地实现状态监控、故障诊断、故障预测和健康评估。
图1为本发明具体实施方式提供的健康表征参数体系的建立方法示意图。该方法在传感器采集参数的基础上,通过特征提取确定特征参数集,特征提取时考虑设备特点、要求与组成结构以及影响因素的分析,特征参数集确定后,经过重要度分析,表征可测分析,以及数据分析,最后确定设备的各种健康状态。当确定的各种健康状态与实际存在偏差时,可以通过多次迭代的方式,减小或消除偏差。
本发明的方法,首先对设备采取结构分解、功能分解、故障分解的至少一种分解方式。
图2为本发明具体实施方式提供的机电设备结构分解示意图。结构分解是指从结构上对诊断对象进行分解,把***的总体结构分解为下一层次的子结构,而每一子结构又可分解为更下层次的子结构,这种分解可以直至最低层次的零部件。对于柴油机这样的机电设备,可以从***级、子***级、部件级,零件级进行逐级分解,即***级包括若干个子***级,子***级又分别包括多个部件级,部件级又包括多个零件级。机电设备的结构根据实际需要可分解可以分解至子***级,部件级或零件级。例如,在某一具体实施方式中,柴油机可以分解成为包括燃油***、滑油***、进排气增压***和冷却***等四个***。燃油***又可以分解为三个子***级:燃油供给***,燃油回收***,燃油喷射***,该三个子***又分别包括多个部件,例如燃油油箱,漏泄油箱,喷油器等;其中部件燃油双联滤器又可分解成包括了分配盒的零件级。具体参见图3。
此外,可选的。结构分解时,可以进一步确定每个级别分解的子结构之间连接关系。图4所示为本发明具体实施方式提供的部件层级的连接关系示意图。该部件层级为燃油***的三个子***燃油供给***,燃油回收***,燃油喷射***所分别包括的部件,这些部件的连接关系如图4所示。
功能分解是指从功能上对设备进行分解,把***的总体功能分解为下一层次的子功能,而每一子功能又可分解为更下层的子功能,这种分解可以直至基本功能,即没有子功能的功能。对***的功能分解深度依赖于下一层次的分解对诊断的有用程度,如果下一层次的功能分解对诊断工作没有多大的意义,则认为这一层次的功能就是基本功能。以设备或***的功能分解为基础建立的分类层次称为功能分类层次。
图5是本发明具体实施方式提供的功能分解示意图。***可以从功能上分解为子***1,子***2,子***n,每个子***可分解成为多个功能模块,每个功能模块可分解成为多个功能零件。对具体设备的功能分解,分解至其基本功能。
故障分解是指从故障类型上对设备进行分解,下层子故障总是上层父故障的特例,上层父故障则是下层子故障的概括,这种分解可以直至具体的故障。例如,对柴油主机排烟不正常故障,可将其故障分解为冒黑烟故障、冒蓝烟故障以及冒白烟或灰白烟故障3大类。
图6为本发明具体实施方式提供的故障分解示意图。中箭头表示故障传播路径,#表示有故障的零件、部件或子***。
故障分解包括了***级故障,子***级故障,部件级故障,零件级故障从高到低的四个层级,故障分解包括在本层级中建立故障的流向以及建立由低层级到高层级的故障流向。
本发明的方法中,根据故障征兆与故障模式及影响、应测的特征信号、所要求得传感器及其位置设置之间的因果关系,建立多对多的映射关系链,表现形式可以是数据链,也可以是表格。
针对每一个部件而言,包括故障征兆与故障模式及其影响之间、传感器设置与采集的信号之间、故障征兆与被测参数之间的映射关系。
同一故障征兆可能会是多个故障模式的前期体现,而同一故障模式可能表现出不同的故障征兆。但是,在不同的使用环境和工作应力下,故障征兆所对应的故障模式并不一定都发生,故障模式所对应的故障征兆也不一定都会提前显示出来。同样,故障模式集合、故障影响集合、故障征兆集合、监测***硬件设置集合之间也有类似的多对多映射关系。图7为本发明具体实施方式提供的映射关系链。该映射关系链包括了故障征兆、故障模式、故障影响、应测的信号参数、所要求的传感器及其位置设置。其中传感器设置可以包括以下至少之一,传感器的类型与传感器位置。
本发明具体实施方式提供的方法,利用信号分析和数据处理技术对实时监测到的传感器信息进行辨识和提取,确定信号是否呈现某种异常。若有异常,则在故障预测推理模块中以故障征兆为对象,对映射关系链进行搜索。首先,激活所有与故障征兆相关的故障模式、故障影响;其次,根据故障征兆分析、选择时所确定的故障特征,进行规则匹配,规则指的是某个故障征兆或多个故障征兆处于不同的阈值时推理到不同的结果,因此规则匹配是指将故障征兆的当前值与推理规则中的设定阈值进行对比判断;第三步,根据规则匹配的结果,进行故障模式的识别与分类;第四步,确定故障模式对自身、上级产品的影响;最后,采用既定的方法预测设备状态发展趋势,计算剩余寿命。
在本发明的一具体实施方式中,给出了在特定条件下,燃油***的映射关系链示例,如表1所示。表1中,监测参数为左DE燃油压力,传感器设置,监测参数包括了但不限于数名称,所属设备,所属子***,单位,量程;故障征兆包括但不限于阈值,参数名称;故障模式包括但不限于异常原因;故障影响包括但不限于维护保养建议。表2,是某一具体实施方式中,确定的表征参数表。
表1:燃油***的映射关系链示例
表2:柴油机燃油***表征参数表
参数名称 | 阈值 |
1#机燃油泄漏 | 等于1 |
左DE燃油齿条位置 | 无阈值 |
左DE燃油压力 | ≤0.08 |
左DE油门位置 | 无阈值 |
左DE燃油漏油液位高 | 等于1 |
左DE燃油吸入滤器水位高 | 无阈值 |
综上所述,本发明实施例提供了一种机电设备健康表征参数体系构建方法,根据该方法构建的表征参数体系,能够有效表征故障征兆,跟踪故障演化从而快速准确地实现状态监控、故障诊断、故障预测和健康评估。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读存储介质中。其中,所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述,仅为本发明较佳的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种机电设备健康表征参数确定方法,其特征在于,第一步,对机电设备采取结构分解、功能分解、故障分解的至少一种分解方式,分解成为多层次的部件的集合;第二步,对于分解获得的每一个部件,建立参数,传感器及其设置位置,故障模式,故障影响的多对多映射关系;第三步,根据传感器测量的参数,通过所述多对多映射关系,确定机电设备的健康状态,当确定的机电设备健康状态与机电设备实际的健康状态存在偏差时,若偏差大于预设的值,重新执行第一步至第三步,直至所述偏差落入设定的范围内,从而确定该机电设备的健康表征参数。
2.根据权利要求1所述的机电设备健康表征参数确定方法,其特征在于,所述结构分解是指将机电设备按照***级、子***级、部件级,零件级进行逐级分解。
3.根据权利要求2所述的机电设备健康表征参数确定方法,其特征在于,所述结构分解进一步包括每个级别中各个子结构之间的连接关系。
4.根据权利要求1所述的机电设备健康表征参数确定方法,其特征在于,所述功能分解是将机电设备按照功能逐级分解至基本功能,所述基本功能是指该功能不具备子功能或进一步分解不影响对设备健康状态的确定。
5.根据权利要求1所述的机电设备健康表征参数确定方法,其特征在于,所述故障分解为对故障进行逐层分解,上层父故障是下层子故障的概括,分解直至具体的故障。
6.根据权利要求5所述的机电设备健康表征参数确定方法,其特征在于,所述故障分解中还包括故障流向。
7.根据权利要求1所述的机电设备健康表征参数确定方法,其特征在于,所述多对多的映射关系中还包括故障征兆。
8.根据权利要求7所述的机电设备健康表征参数确定方法,其特征在于,根据故障征兆,进行规则匹配,确定故障模式,并根据故障模式对产品的影响,确定设备的状态。
9.根据权利要求8所述的机电设备健康表征参数确定方法,其特征在于,所述规则为某个故障征兆或多个故障征兆处于不同的阈值范围内时对应不同的故障模式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510829828.2A CN105447250B (zh) | 2015-11-25 | 2015-11-25 | 一种机电设备健康表征参数确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510829828.2A CN105447250B (zh) | 2015-11-25 | 2015-11-25 | 一种机电设备健康表征参数确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105447250A true CN105447250A (zh) | 2016-03-30 |
CN105447250B CN105447250B (zh) | 2018-08-21 |
Family
ID=55557421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510829828.2A Active CN105447250B (zh) | 2015-11-25 | 2015-11-25 | 一种机电设备健康表征参数确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105447250B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930963A (zh) * | 2016-04-15 | 2016-09-07 | 中国船舶工业***工程研究院 | 一种机电***装备健康评估方法 |
CN106066252A (zh) * | 2016-05-24 | 2016-11-02 | 中国人民解放军防化学院 | 一种危险品销毁设备子***级的健康状态评估方法 |
CN107194149A (zh) * | 2017-04-19 | 2017-09-22 | 北京工业大学 | 一种高速公路机电***健康指数评估方法 |
CN109102189A (zh) * | 2018-08-10 | 2018-12-28 | 杨璇 | 一种电气设备健康管理***和方法 |
CN110146317A (zh) * | 2019-04-29 | 2019-08-20 | 北京和欣运达科技有限公司 | 一种建筑物机电设备健康状态的诊断方法和装置 |
CN112345276A (zh) * | 2020-11-10 | 2021-02-09 | 北京交通大学 | 一种中速磁浮列车关键部件的状态评估和预测*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101149621A (zh) * | 2007-11-09 | 2008-03-26 | 天津大学 | 滚装运输船即时状态评估方法 |
US20100257838A1 (en) * | 2009-04-09 | 2010-10-14 | General Electric Company | Model based health monitoring of aeroderivatives, robust to sensor failure and profiling |
-
2015
- 2015-11-25 CN CN201510829828.2A patent/CN105447250B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101149621A (zh) * | 2007-11-09 | 2008-03-26 | 天津大学 | 滚装运输船即时状态评估方法 |
US20100257838A1 (en) * | 2009-04-09 | 2010-10-14 | General Electric Company | Model based health monitoring of aeroderivatives, robust to sensor failure and profiling |
Non-Patent Citations (1)
Title |
---|
衣爽: "燃气轮机滑油和燃料***故障诊断与预测研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930963A (zh) * | 2016-04-15 | 2016-09-07 | 中国船舶工业***工程研究院 | 一种机电***装备健康评估方法 |
CN106066252A (zh) * | 2016-05-24 | 2016-11-02 | 中国人民解放军防化学院 | 一种危险品销毁设备子***级的健康状态评估方法 |
CN106066252B (zh) * | 2016-05-24 | 2019-07-05 | 中国人民解放军防化学院 | 一种危险品销毁设备子***级的健康状态评估方法 |
CN107194149A (zh) * | 2017-04-19 | 2017-09-22 | 北京工业大学 | 一种高速公路机电***健康指数评估方法 |
CN107194149B (zh) * | 2017-04-19 | 2020-01-10 | 北京工业大学 | 一种高速公路机电***健康指数评估方法 |
CN109102189A (zh) * | 2018-08-10 | 2018-12-28 | 杨璇 | 一种电气设备健康管理***和方法 |
CN109102189B (zh) * | 2018-08-10 | 2022-02-11 | 杨璇 | 一种电气设备健康管理***和方法 |
CN110146317A (zh) * | 2019-04-29 | 2019-08-20 | 北京和欣运达科技有限公司 | 一种建筑物机电设备健康状态的诊断方法和装置 |
CN112345276A (zh) * | 2020-11-10 | 2021-02-09 | 北京交通大学 | 一种中速磁浮列车关键部件的状态评估和预测*** |
CN112345276B (zh) * | 2020-11-10 | 2022-03-15 | 北京交通大学 | 一种中速磁浮列车关键部件的状态评估和预测*** |
Also Published As
Publication number | Publication date |
---|---|
CN105447250B (zh) | 2018-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105447250A (zh) | 一种机电设备健康表征参数确定方法 | |
Grimmelius et al. | Three state-of-the-art methods for condition monitoring | |
CN105930963B (zh) | 一种机电***装备健康评估方法 | |
CN100472574C (zh) | 基于信息融合的柴油动力装置故障诊断*** | |
US20090326784A1 (en) | Methods and Apparatuses For Monitoring A System | |
Krogerus et al. | A survey of analysis, modeling, and diagnostics of diesel fuel injection systems | |
US20210319368A1 (en) | Fault diagnosis for diagnosis target system | |
CN111125052B (zh) | 基于动态元数据的大数据智能建模***及方法 | |
CN111310314B (zh) | 一种基于人工智能确定机电装置寿命的方法和*** | |
US20110153035A1 (en) | Sensor Failure Detection System And Method | |
Kowalski | Concept of the multidimensional diagnostic tool based on exhaust gas composition for marine engines | |
CN104483958A (zh) | 一种复杂炼化过程自适应数据驱动故障诊断方法及装置 | |
Zhang et al. | Hierarchical hybrid testability modeling and evaluation method based on information fusion | |
CN116340848B (zh) | 一种基于数字孪生的发动机故障诊断方法 | |
Ribot et al. | Diagnosis and prognosis for the maintenance of complex systems | |
CN111191770B (zh) | 一种基于模糊神经网络的火箭***健康状态评估方法 | |
Zarate et al. | Computation and monitoring of the deviations of gas turbine unmeasured parameters | |
CN104252573A (zh) | 一种基于分步模式的机械多故障诊断方法 | |
Ungermann et al. | Test signal generation for service diagnosis based on local structural properties | |
Xiao et al. | Multi-Sensor Infusion and Data-Physics Model Based Remaining Life Prediction | |
CN116701948B (zh) | 管道故障诊断方法及***、存储介质和管道故障诊断设备 | |
Wu et al. | Research on intelligent water valve fault classification method based on machine learning | |
Charchalis et al. | The use of automatic faults classification method for engine fuel injection system diagnosis | |
Wei et al. | Using fuzzy method to evaluate safety condition of big diesel engine | |
Xu et al. | Fault Diagnosis and Analysis of Marine Filter Based on SOM Network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |