CN110457979A - 基于张量Tucker分解模糊控制的柴油机故障诊断方法 - Google Patents
基于张量Tucker分解模糊控制的柴油机故障诊断方法 Download PDFInfo
- Publication number
- CN110457979A CN110457979A CN201810433376.XA CN201810433376A CN110457979A CN 110457979 A CN110457979 A CN 110457979A CN 201810433376 A CN201810433376 A CN 201810433376A CN 110457979 A CN110457979 A CN 110457979A
- Authority
- CN
- China
- Prior art keywords
- tensor
- matrix
- tucker
- fuzzy
- data
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明提供了一种基于张量tucker分解模糊控制的发动机故障诊断方法,对现有柴油发动机ECU中的数据进行整合,组成三阶张量,通过利用张量tucker分解的思想,运用HOSVD‑ALS联立的张量的Tucker分解进行特征提取,得到核心张量及其水平切片矩阵Bm,对核心张量水平切片矩阵Bm的数据进行数据归一化处理,采用模糊的方法对处理后的两张量推理运算得到输出量矩阵,输出量矩阵反模糊化后得到精确输出量矩阵,进而实现对柴油发动机传感器短路、开路以及失效进行故障诊断。
Description
技术领域
本发明属于柴油发动机故障诊断领域,具体涉及一种柴油机故障诊断方法。
背景技术
柴油机的正常运转可谓设备安全运转的重要保证,可是,柴油机故障种类较多,引起故障的原因也很多,即柴油发动机故障有“一果多因”和“一因多果”的特点,一旦发动机某个部分发生故障,往往会导致发动机的工作状况不佳,进而影响到设备的正常运行,可能会造成经济上的损失,甚至人员上的伤亡。
柴油机故障诊断方法由传统的经验法和观察法逐步演变成为了以动态测试技术为基础、以信号处理技术为核心的常规诊断技术方法,近年来,又逐步发展为以人工智能算法为核心的智能化诊断方法,但是,在现有的信号特征提取方法中,进行处理的信号往往表现为时域或频域上的一维信号,即向量,而实际上发动机各个信号之间并不是相互独立的,众多信号相互干扰较大且带有强烈的非线性和复杂耦合的特征,另外,由于柴油发动机故障有着“一果多因”和“一因多果”的特点,导致常规的故障诊断***的诊断结果不准确。
发明内容
针对上述技术中存在的不足,本发明提供了一种基于张量分解模糊控制的发动机故障诊断方法,通过利用张量分解的思想,对现有柴油发动机ECU中的数据进行整合,组成三阶张量,进而利用张量分解对数据进行特征提取,进而实现对柴油发动机的模糊化控制,基于张量Tucker分解的特征提取方法能够更深层次的挖掘数据之间的内在联系,能够更好的适应柴油发动机故障“一果多因”和“一因多果”的特点。
本发明的方案是:步骤一,对发动机ECU中接收的传感器信号进行获取;
步骤二,利用张量的模型将数据构成由信号类别、转速、时间组成的三阶张量;
步骤三,利用HOSVD-ALS联立的张量的Tucker分解进行特征提取,将张量A分解成核心张量并得到包含信号类别信息的m个水平切片矩阵Bm,水平切片矩阵就是将三阶张量按每一个信号类别进行水平切割,得到的矩阵即为水平切片矩阵;
步骤四,对分解后的核心张量水平切片Bm进行数据归一化处理,以便后期进行基于模糊控制的故障诊断;
步骤五,对分解后的张量进行模糊控制故障诊断,根据输入量Bm以及模糊规则,按模糊推理合成计算出控制量矩阵U,并将控制量U反模糊化得到精确的控制量矩阵u;
步骤六,根据得到的控制量矩阵u的特点,确定柴油机的故障。
本发明针对现有技术中的不足,提供了一种基于张量Tucker分解模糊控制的柴油机故障诊断方法,本发明首先采集ECU中接受的各传感器的信号,然后将这些数据构成一个由信号类别、转速、时间构成的三阶张量,运用HOSVD-ALS联立的张量Tucker分解特征提取分解的方法得到核心张量B,并对B进行水平切片得到m个信号类别水平切片矩阵Bm,将核心张量水平切片矩阵Bm中的数据进行归一化处理,然后运用模糊规则及输入量推理合成计算出控制量矩阵U,然后反模糊化得到精确的控制量矩阵u,根据u的特点,进而就确定了柴油机的故障。
本发明的优点在于能够运用张量深度的挖掘各数据之间的内在联系,不需要大量的经验数据,通过张量分解模糊诊断的方法来诊断柴油机故障,通过运用模糊的方法,提高了对柴油机故障诊断的精确性,通过利用HOSVD-ALS联立的张量的Tucker分解以及模糊控制理论减小了外界干扰及信号之间相互干扰,解决了柴油机故障“一果多因”和“一因多果”的问题。
附图说明
图1是本发明对故障分析的具体流程。
图2是运用HOSVD-ALS联立的张量tucker分解算法原张量分解后的核心张量。
图3是运用模糊控制得到的用模糊集合C表示的输出量U。
图4是运用HOSVD-ALS联立的张量的Tucker分解特征提取过程。
图5是基于张量Tucker分解模糊控制的柴油机故障诊断方法流程图。
具体实施方式
所述的一种基于张量Tucker分解模糊控制的柴油机故障诊断方法,具体实施方式如下。
所述的步骤一采集ECU中传感器的数据信号包括:空气流量计、冷却液温度传感器、进气歧管压力传感器、调节活塞运动传感器,发动机转速传感器等。
所述的步骤二根据以上传感器信号构建由信号类别、转速、曲轴转角构成的三阶张量,信号类别为除曲轴位置传感器、车速传感器以外的信号,转速为发动机传感器信号,曲轴转角为曲轴位置传感器信号。
所述的Tucker分解是一种高阶的主成分分析,它将一个张量表示成一个核心(core)张量沿每一个mode乘上一个矩阵,假设分解得到的因子矩阵各列向量正交,并且通过模n展开矩阵的主左奇异向量计算得到,所述的步骤三张量的Tucker分解具体如下:
张量Tucker分解的目的是寻找张量的近似张量,并且能够最大程度的保留原张量中的重要信息,即:
其中,,,并且l≤i ,m≤j ,n≤k该分解可得到最优解:
由计算重构出的张量可以得出:
故最小值问题可以等价为以下最大值问题:
将张量进行mode-1, mode-2, mode-3矩阵化:
。
然后进行高阶奇异值分解,即所述的HOSVD张量Tucker分解,
对A(1)A(2)A(3)分别进行矩阵的奇异值分解
进行低阶处理:将B(n)的前R(n)个列向量赋值给矩阵b(n)
计算核心张量
计算重构后的张量。
HOSVD张量tucker分解算法不能保证所述的三阶张量近似性,但是可以获得良好的ALS张量tucker分解的初始值,故运用迭代交替最小二乘法,即所述的ALS张量Tucker分解。
运用所述的ALS张量Tucker分解
重复
计算核心张量
计算重构后的张量
直到核心张量B达到收敛
得到核心张量。
HOSVD算法的输出作为ALS算法的输入,进而获得良好的ALS算法输出作为tucker分解的最终结果,运用HOSVD-ALS联立的张量tucker分解算法将原张量分解后
核心张量为
将核心张量进行水平切片处理,得到每一个信号类别下的矩阵Bm。
所述的步骤四中对张量tucker分解后的核心张量水平切片矩阵Bm进行数据归一化处理,并且将其作为模糊控制器的输入。
所述的步骤五中模糊规则库由以下n条规则组成:
Ri: if B1 is D1i and B2 is D2i and … and Bm is Dmi then U is Ci, i=1,2,…,n
式中,B1、B2、…、Bm为归一化处理后输入的核心张量水平切片矩阵,U为输出的控制量矩阵,、Ci分别为B1、B2、…、Bm、U在其论域中的模糊集合。
输出模糊量矩阵U用模糊集合C表示为:
式中“∧”为与运算,“°”为合成运算,“→”为蕴含运算。
对模糊输出量进行反模糊化,得到精确输出量的4×3矩阵u,矩阵u的每一行分别代表着空气流量计、冷却液温度传感器、进气歧管压力传感器、调节活塞运动传感器,每一列代表故障类型为短路、开路或传感器失效,输出的矩阵u有且仅有一个数据为1,其余数据为零,数据为1的行和列组成发动机现有故障,进而精确的确定了发动机的故障,本方法可以判断由各种传感器短路、开路或者传感器失效引起的柴油发动机故障,使工人可以迅速的排查维修故障。
Claims (2)
1.一种基于张量Tucker分解模糊控制的柴油机故障诊断***,其特征在于:
(1)对发动机ECU中接收的传感器信号进行获取;
(2)利用张量的模型将数据构成由信号类别、转速、时间组成的三阶张量;
(3)利用HOSVD-ALS联立的张量的Tucker分解进行特征提取,将张量A分解成核心张量,并对B进行水平切片,得到m个包含信号类别信息的水平切片矩阵Bm;
(4)对(3)中分解后的张量进行数据归一化处理,即将(3)中得到的核心张量水平切片矩阵Bm中的数据转换成(0,1)之间的小数,以后期进行基于模糊控制的故障诊断;
(5)对(4)中数据归一化处理后的核心张量水平切片矩阵Bm进行模糊控制故障诊断,根据输入量Bm以及模糊规则,按模糊推理合成计算出控制量矩阵U,并将控制量矩阵U反模糊化得到精确的4×3控制量矩阵u;
(6)根据(5)中得到的控制量矩阵u,矩阵u的每一行分别代表着空气流量计、冷却液温度传感器、进气歧管压力传感器、调节活塞运动传感器,每一列代表故障类型为短路、开路或传感器失效,输出的矩阵u有且仅有一个数据为1,其余数据为零,数据为1的行和列组成发动机现有故障,进而确定柴油机的故障原因。
2.如权利要求1所述的一种基于张量Tucker分解模糊控制的柴油机故障诊断***,其特征在于:本方法可以诊断由各种传感器短路、开路或者失效引起的柴油发动机故障,使工人可以迅速的排查维修故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810433376.XA CN110457979A (zh) | 2018-05-08 | 2018-05-08 | 基于张量Tucker分解模糊控制的柴油机故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810433376.XA CN110457979A (zh) | 2018-05-08 | 2018-05-08 | 基于张量Tucker分解模糊控制的柴油机故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110457979A true CN110457979A (zh) | 2019-11-15 |
Family
ID=68480407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810433376.XA Pending CN110457979A (zh) | 2018-05-08 | 2018-05-08 | 基于张量Tucker分解模糊控制的柴油机故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110457979A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110765659A (zh) * | 2019-11-20 | 2020-02-07 | 大连理工大学 | 一种针对航空发动机故障诊断的支持三阶张量机建模方法 |
CN112431753A (zh) * | 2021-01-25 | 2021-03-02 | 赛腾机电科技(常州)有限公司 | 轴向柱塞泵松靴故障的多重量化诊断方法 |
CN112488312A (zh) * | 2020-12-07 | 2021-03-12 | 江苏自动化研究所 | 一种基于张量的自动编码机的构建方法 |
CN113295413A (zh) * | 2021-06-24 | 2021-08-24 | 北京交通大学 | 一种基于间接信号的牵引电机轴承故障诊断方法 |
CN114235413A (zh) * | 2021-12-28 | 2022-03-25 | 频率探索智能科技江苏有限公司 | 多路信号三阶张量模型构建方法 |
-
2018
- 2018-05-08 CN CN201810433376.XA patent/CN110457979A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110765659A (zh) * | 2019-11-20 | 2020-02-07 | 大连理工大学 | 一种针对航空发动机故障诊断的支持三阶张量机建模方法 |
CN112488312A (zh) * | 2020-12-07 | 2021-03-12 | 江苏自动化研究所 | 一种基于张量的自动编码机的构建方法 |
CN112431753A (zh) * | 2021-01-25 | 2021-03-02 | 赛腾机电科技(常州)有限公司 | 轴向柱塞泵松靴故障的多重量化诊断方法 |
CN113295413A (zh) * | 2021-06-24 | 2021-08-24 | 北京交通大学 | 一种基于间接信号的牵引电机轴承故障诊断方法 |
CN114235413A (zh) * | 2021-12-28 | 2022-03-25 | 频率探索智能科技江苏有限公司 | 多路信号三阶张量模型构建方法 |
CN114235413B (zh) * | 2021-12-28 | 2023-06-30 | 频率探索智能科技江苏有限公司 | 多路信号三阶张量模型构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110457979A (zh) | 基于张量Tucker分解模糊控制的柴油机故障诊断方法 | |
CN104712542B (zh) | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 | |
CN103471841B (zh) | 一种旋转机械振动故障诊断方法 | |
CN108488638B (zh) | 基于声波负压波混合监测的管道泄漏监测***及方法 | |
Wang et al. | Research on the fault monitoring method of marine diesel engines based on the manifold learning and isolation forest | |
CN111412978B (zh) | 一种基于无故障振动信号的往复机械异常检测方法 | |
CN111830408A (zh) | 一种基于边缘计算和深度学习的电机故障诊断***及方法 | |
CN103900824B (zh) | 基于瞬时转速聚类分析的柴油机故障诊断方法 | |
CN105760839A (zh) | 基于多特征流形学习与支持向量机的轴承故障诊断方法 | |
CN105834835A (zh) | 一种基于多尺度主元分析的刀具磨损在线监测方法 | |
CN108804740B (zh) | 基于集成改进ica-krr算法的长输管道压力监测方法 | |
CN105626502B (zh) | 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法 | |
CN105487530B (zh) | 柴油机排温低故障预测***及方法 | |
CN101887407B (zh) | 一种基于希尔伯特-黄变换的设备或***机内测试信号特征提取方法 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及*** | |
CN106599794A (zh) | 一种基于ar模型的六轴工业机器人故障诊断方法及*** | |
CN106873568A (zh) | 基于h无穷鲁棒未知输入观测器的传感器故障诊断方法 | |
CN104142680B (zh) | 一种基于鲁棒输入训练神经网络的多传感器故障诊断***及方法 | |
CN104949840A (zh) | 一种基于振动分析的柴油机故障诊断方法 | |
CN109976311A (zh) | 一阶定值控制***传感器故障诊断方法及诊断*** | |
CN106339720A (zh) | 一种汽车发动机的失效检测方法 | |
CN115809505A (zh) | 一种航天动力故障诊断与健康评估方法及*** | |
CN114742094A (zh) | 一种基于深度形态卷积网络的振动信号缺陷特征提取方法 | |
CN114417704A (zh) | 一种基于改进栈式自编码的风电机组发电机健康评估方法 | |
Qin et al. | Intelligent Edge Gearbox Faults Diagnosis System via Multiscale Depthwise Separable Convolution Network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191115 |