CN112699609B - 一种基于振动数据的柴油机可靠性模型构建方法 - Google Patents
一种基于振动数据的柴油机可靠性模型构建方法 Download PDFInfo
- Publication number
- CN112699609B CN112699609B CN202011637630.1A CN202011637630A CN112699609B CN 112699609 B CN112699609 B CN 112699609B CN 202011637630 A CN202011637630 A CN 202011637630A CN 112699609 B CN112699609 B CN 112699609B
- Authority
- CN
- China
- Prior art keywords
- vibration
- data
- diesel engine
- working condition
- vibration 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.)
- Active
Links
- 238000010276 construction Methods 0.000 title abstract description 7
- 238000011156 evaluation Methods 0.000 claims abstract description 39
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000011157 data evaluation Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 abstract description 2
- 230000008707 rearrangement Effects 0.000 abstract description 2
- 238000007619 statistical method Methods 0.000 abstract description 2
- 238000001228 spectrum Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于振动数据的柴油机可靠性模型构建方法,属于柴油机运行状态监控技术领域。该方法以柴油机振动数据为基础,通过通道和指标的联合优选,确定可靠性评估指标体系,然后基于试验工况数据机器学***进行评估。本发明的模型构建包括了基于柴油机可靠性试验数据的预处理、评价体系构建、工况划分、数据重排、统计特性分析与趋势分析,通过上述流程,可以将柴油机自身动力学特点与运行工况特点与可靠性评估有效结合,提高可靠性评估的准确性。
Description
技术领域
本发明涉及柴油机运行状态监控技术领域,具体涉及一种基于振动数据的柴油机可靠性模型构建方法。
背景技术
柴油机使用寿命长、可靠性要求高,属于典型的多工况、多任务、复杂往复机械***,柴油机可靠性试验具有时间长、投入大、风险高、数据多等特点。新型柴油机研制阶段,在性能鉴定、交付用户前均需要开展可靠性试验。可靠性试验是检验柴油机设计、装配、工艺水平的重要试验,通常在实验室条件下,要求开展一个月甚至更长时间的连续循环图谱试验。可靠性试验评估是以试验数据为基础,对试验过程规范性、有效性,以及可靠性指标大小等给出客观、准确的评价结论。
经典可靠性试验评估方法,通常是试验时间为基础,统计故障数据次数,采用定时截尾(规定试验时间)或定数截尾(规定故障次数)可靠性统计模型进行评估。该方法对于柴油机可靠性试验评估来说,存在明显缺陷:一是柴油机可靠性试验时间相对较短(相比使用时间),可能出现零故障情况;二是柴油机属于典型机械设备,当前可靠性试验评估方法来源于电子设备,不同于电子设备偶发失效,柴油机失效主要是疲劳、断裂等,失效机理不同导致现有评估方法不适用;三是现有可靠性评估方法难以反映柴油机自身运行特点,仅以故障次数为评判依据。柴油机运行过程中产生大量表征柴油机技术状态的运行参数,对其进行建模分析,将更能有效评估柴油机的可靠性水平。
发明内容
有鉴于此,本发明提供了一种基于振动数据的柴油机可靠性模型构建方法,以柴油机振动数据为基础,通过通道和指标的联合优选,确定可靠性评估指标体系,进一步基于试验工况数据机器学***进行评估。
一种基于振动数据的柴油机可靠性模型构建方法,该方法的实现步骤如下:
步骤一:对可靠性试验中采集的振动数据进行预处理;
步骤二:对振动测试通道和分析指标进行联合优选,选出若干个最优振动测点及对应的最优评价指标,组成振动特征评价体系;
步骤三:对实时采集的振动信号进行自动工况划分;
步骤四:基于振动信号工况划分结果,根据时间先后顺序,对同一运行工况数据进行分类重排;
步骤五:对于各个运行工况,基于步骤二中建立的振动特征评价体系,对同工况内的振动数据特征的统计特性(包括平均值、方差、峰峰值等)进行分析,以及趋势分析,从而判断受试柴油机在不同工况下的振动平稳性水平,并进一步分析可靠性。
进一步地,所述步骤一中的振动数据预处理包括:统计振动数据是否存在数据丢失、异常值的情况;剔除非技术因素引起的异常;对有效振动数据进行运行工况的标签化。
进一步地,所述步骤二中联合优选的过程包括:对经验选取的若干振动测点数据,分别计算若干振动评价指标,根据不同工况下指标差异最大,同一工况下指标差异最小的原则,联合优选出若干个最优振动测点及对应的最优评价指标。
进一步地,所述步骤三中自动工况划分的过程包括:建立振动信号指标与实际运行工况的非线性映射关系;基于标签化的振动数据,开展一维信号支持向量机学习,依据训练好的支持向量机对实时采集的振动信号进行自动工况划分。
进一步地,所述振动特征评价体系采用基于聚类分析思想中距离计算的特征选择方法获得,对于每一振动测试通道的信号,假设具有C个工况,Nc个数据段,共Q个待选指标,则可构造一个具有特征指标集
{In,c,q,n=1,2,…,Nc;c=1,2,…,C;q=1,2,…,Q}
其中,In,c,q是第c工况的第q个指标的第n个特征值;Nc是第c个工况的样本数;Q是指标个数;
a)工况内距离评估
首先计算同一工况的工况内平均距离
然后得到C个工况内距离的平均值
定义并计算工况内距离的差异性因子
b)工况间距离评估
首先计算同一工况每个特征的平均值
然后获得不同工况间的平均距离
定义并计算工况间距离的差异性因子
c)综合距离评估
首先定义并计算各指标特征的加权因子
计算具有加权因子的工况间和工况内距离比值
最后利用最大值正规化法,得到综合距离评估因子
根据各个振动通道信号的各个指标计算得到的距离评估因子从大到小的顺序,联合优选出敏感通道及对应的敏感特征指标,组成振动特征的评价体系。
有益效果:
1、本发明的模型构建包括了基于柴油机可靠性试验数据的预处理、评价体系构建、工况划分、数据重排、统计特性分析与趋势分析,通过上述流程,可以将柴油机自身动力学特点与运行工况特点与可靠性评估有效结合,提高可靠性评估的准确性。
2、传统基于故障率的可靠性评估方法未充分考虑设备自身动力学特性及运行工况差异性,仅从故障发生概率的角度进行评价,多种复杂影响因素容易混淆甚至干扰。本发明基于振动数据的特征指标统计特性和趋势特点进行柴油机的可靠性评估。评估采用的振动数据得到了初步清洗、通道及指标筛选、工况的自动归类,因此能够充分揭示设备自身动力学特性对运行状态的影响,并排除多变工况对特征参数的干扰,使可靠性评估的结果更加真实可信。
附图说明
图1为本发明基于振动数据的柴油机可靠性模型构建方法的步骤流程图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
如附图1所示,本发明提供了一种基于振动数据的柴油机可靠性模型构建方法,该方法的实现步骤如下:
步骤一:进行柴油机多工况、多循环的可靠性试验,根据经验设计振动测点,采集振动数据;
步骤二:根据可靠性试验方案,检查数据完整性。以每10秒为一段,对数据进行分段,计算每段数据的峰值。若某段数据的峰值大于其前后一段数据峰值的10倍,则判定该段数据存在非技术因素异常,剔除该段数据,防止对可靠性评估造成错误干扰。根据实际试验工况,对有效数据段进行标签化,即给定每段数据真实对应的工况。
步骤三:对采集的所有振动通道数据,以步骤二中的数据段为最小单位,计算20个常用的指标参数(包括原始振动信号的有效值、方差、峰峰值、偏度、峭度,原始信号傅里叶变换后的幅值谱均值、平均频率、频谱方差、频谱峰值、频谱峭度,原始信号的幅值包络信号的有效值、方差、峰峰值、偏度、峭度,幅值包络信号傅里叶变换后的幅值谱均值、平均频率、频谱方差、频谱峰值、频谱峭度)。设计通道与指标联合筛选标准的方法如下:
对于每一振动测试通道的信号,假设具有C个工况,Nc个数据段,共Q个待选指标,则可构造一个具有特征指标集
{In,c,q,n=1,2,…,Nc;c=1,2,…,C;q=1,2,…,Q}
其中,In,c,q是第c工况的第q个指标的第n个特征值;Nc是第c个工况的样本数;Q是指标个数。基于聚类分析思想中距离计算的特征选择方法可以描述如下:
d)工况内距离评估
首先计算同一工况的工况内平均距离
然后得到C个工况内距离的平均值
定义并计算工况内距离的差异性因子
e)工况间距离评估
首先计算同一工况每个特征的平均值
然后获得不同工况间的平均距离
定义并计算工况间距离的差异性因子
f)综合距离评估
首先定义并计算各指标特征的加权因子
计算具有加权因子的工况间和工况内距离比值
最后利用最大值正规化法,得到综合距离评估因子
可见,更大的意味着对应的特征指标更容易分开C个工况,且具有更强的鲁棒性与稳定性。因此,根据各个振动通道信号的各个指标计算得到的距离评估因子/>从大到小的顺序,可联合优选出敏感通道及对应的敏感特征指标,组成振动数据的评价体系。
步骤4:根据工况标签化的振动数据,结合步骤3中优选的振动数据评价指标,进行支持向量机学习,构建振动数据评价指标与实际运行工况之间的对应关系,对各段数据的实际运行工况进行重新精确识别。
步骤5:对同一运行工况,将各循环内的所有数据段按时间顺序重新排列,以实现时间正序信号排列;
步骤6:对各循环、各工况的时间正序信号,基于振动数据的评价体系,进行振动数据特征的统计特性分析(包括平均值、方差、峰峰值等)以及趋势分析。
优选地,对于上述流程中的数据段划分长度、常用指标参数的个数及类型、统计特性分析方法进行微调,同样能实现本发明的可靠性模型构建目标。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于振动数据的柴油机可靠性模型构建方法,其特征在于,该方法的实现步骤如下:
步骤一:对可靠性试验中采集的振动数据进行预处理;
步骤二:对振动数据进行预处理后得到的振动通道数据和分析指标进行联合优选,选出若干个最优振动测点及对应的最优评价指标,组成振动特征评价体系;
步骤三:对实时采集的振动信号进行自动工况划分,根据工况标签化的振动数据,结合步骤二中优选的振动数据评价指标,进行支持向量机学习,构建振动数据评价指标与实际运行工况之间的对应关系,对各段数据的实际运行工况进行重新精确识别;
步骤四:基于振动信号工况划分结果,根据时间先后顺序,对同一运行工况数据进行分类重排;
步骤五:对于各个运行工况,基于步骤二中建立的振动特征评价体系,对同工况内的振动数据特征的统计特性进行分析,以及趋势分析,从而判断受试柴油机在不同工况下的振动平稳性水平,并进一步分析可靠性。
2.如权利要求1所述的基于振动数据的柴油机可靠性模型构建方法,其特征在于,所述步骤一中的振动数据预处理包括:统计振动数据是否存在数据丢失、异常值的情况;剔除非技术因素引起的异常;对有效振动数据进行运行工况的标签化。
3.如权利要求2所述的基于振动数据的柴油机可靠性模型构建方法,其特征在于,所述步骤二中联合优选的过程包括:对经验选取步骤一采集的若干振动测点数据,分别计算若干振动评价指标,根据不同工况下指标差异最大,同一工况下指标差异最小的原则,联合优选出若干个最优振动测点及对应的最优评价指标。
4.如权利要求2所述的基于振动数据的柴油机可靠性模型构建方法,其特征在于,所述步骤三中自动工况划分的过程包括:建立振动数据评价指标与实际运行工况的非线性映射关系;基于标签化的振动数据,开展一维信号支持向量机学习,依据训练好的支持向量机对实时采集的振动信号进行自动工况划分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011637630.1A CN112699609B (zh) | 2020-12-31 | 2020-12-31 | 一种基于振动数据的柴油机可靠性模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011637630.1A CN112699609B (zh) | 2020-12-31 | 2020-12-31 | 一种基于振动数据的柴油机可靠性模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112699609A CN112699609A (zh) | 2021-04-23 |
CN112699609B true CN112699609B (zh) | 2024-06-04 |
Family
ID=75513814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011637630.1A Active CN112699609B (zh) | 2020-12-31 | 2020-12-31 | 一种基于振动数据的柴油机可靠性模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112699609B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114674363B (zh) * | 2022-03-01 | 2022-11-29 | 扬州华辉水泵有限公司 | 一种基于工业物联网的渣浆泵流速可靠度预测*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10197404A (ja) * | 1997-01-08 | 1998-07-31 | Power Reactor & Nuclear Fuel Dev Corp | ディーゼル発電機異常監視装置 |
CN105319071A (zh) * | 2015-09-21 | 2016-02-10 | 天津大学 | 基于最小二乘支持向量机的柴油机燃油***故障诊断方法 |
CN106094570A (zh) * | 2016-07-13 | 2016-11-09 | 北京航空航天大学 | 一种基于工况识别和谷本距离的变工况下航空发动机整机健康评估方法 |
CN107941537A (zh) * | 2017-10-25 | 2018-04-20 | 南京航空航天大学 | 一种机械设备健康状态评估方法 |
CN108375476A (zh) * | 2018-03-09 | 2018-08-07 | 中国水利水电科学研究院 | 一种水电机组健康评估方法 |
CN109974782A (zh) * | 2019-04-10 | 2019-07-05 | 郑州轻工业学院 | 基于大数据敏感特征优化选取的设备故障预警方法及*** |
CN110044631A (zh) * | 2019-03-13 | 2019-07-23 | 中交广州航道局有限公司 | 船机柴油机的状态预测方法、装置及计算机设备 |
CN111947929A (zh) * | 2020-08-14 | 2020-11-17 | 华东交通大学 | 一种旋转机械振动特性评价指标工况敏感度分析方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3327419B1 (en) * | 2016-11-29 | 2020-09-09 | STS Intellimon Limited | Engine health diagnostic apparatus and method |
-
2020
- 2020-12-31 CN CN202011637630.1A patent/CN112699609B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10197404A (ja) * | 1997-01-08 | 1998-07-31 | Power Reactor & Nuclear Fuel Dev Corp | ディーゼル発電機異常監視装置 |
CN105319071A (zh) * | 2015-09-21 | 2016-02-10 | 天津大学 | 基于最小二乘支持向量机的柴油机燃油***故障诊断方法 |
CN106094570A (zh) * | 2016-07-13 | 2016-11-09 | 北京航空航天大学 | 一种基于工况识别和谷本距离的变工况下航空发动机整机健康评估方法 |
CN107941537A (zh) * | 2017-10-25 | 2018-04-20 | 南京航空航天大学 | 一种机械设备健康状态评估方法 |
CN108375476A (zh) * | 2018-03-09 | 2018-08-07 | 中国水利水电科学研究院 | 一种水电机组健康评估方法 |
CN110044631A (zh) * | 2019-03-13 | 2019-07-23 | 中交广州航道局有限公司 | 船机柴油机的状态预测方法、装置及计算机设备 |
CN109974782A (zh) * | 2019-04-10 | 2019-07-05 | 郑州轻工业学院 | 基于大数据敏感特征优化选取的设备故障预警方法及*** |
CN111947929A (zh) * | 2020-08-14 | 2020-11-17 | 华东交通大学 | 一种旋转机械振动特性评价指标工况敏感度分析方法 |
Non-Patent Citations (5)
Title |
---|
Design of Vibration Monitoring and Fault Diagnosis System for Marine Diesel Engine;Min Wang et al.;2020 11th International Conference on Prognostics and System Health Management;1-4 * |
基于钻进状态监测的智能工况识别;范海鹏;吴敏;曹卫华;赖旭芝;陈略峰;陆承达;;探矿工程(岩土钻掘工程)(第04期);110-117 * |
柴油机健康状况评估及其方法;张小明;刘建敏;乔新勇;刘艳斌;;装甲兵工程学院学报(第02期);34-38 * |
用于内燃机振动诊断的一种特征参数选取方法;姚良;李艾华;张振仁;;内燃机工程(第04期);80-83 * |
船用柴油机健康状态监测评估***开发与验证;张猛;中国优秀硕士学位论文全文数据库 工程科技II辑(第7期);C036-58 * |
Also Published As
Publication number | Publication date |
---|---|
CN112699609A (zh) | 2021-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108375476B (zh) | 一种水电机组健康评估方法 | |
CN116559598B (zh) | 一种智慧配电网故障定位方法及*** | |
CN105930629B (zh) | 一种基于海量运行数据的在线故障诊断方法 | |
CN115982602B (zh) | 一种光伏变压器电故障检测方法 | |
CN109918364B (zh) | 一种基于二维概率密度估计和四分位法的数据清洗方法 | |
CN116028887B (zh) | 一种连续性工业生产数据的分析方法 | |
CN112380992B (zh) | 一种加工过程监控数据准确性评估与优化方法及装置 | |
CN115858794B (zh) | 用于网络运行安全监测的异常日志数据识别方法 | |
CN112699609B (zh) | 一种基于振动数据的柴油机可靠性模型构建方法 | |
CN114757413A (zh) | 一种基于时序数列分析耦合神经网络预测的不良数据辨识方法 | |
CN118094449B (zh) | 基于工业互联网的生产智能监控方法、***及装置 | |
CN116796271A (zh) | 一种居民用能异常识别方法 | |
CN113810792B (zh) | 一种基于云计算的边缘数据采集分析*** | |
CN117454283A (zh) | 一种用于风电机组运行检测数据的状态评估方法 | |
CN112215307B (zh) | 一种应用机器学习自动检测地震仪器信号异常的方法 | |
CN115904955A (zh) | 性能指标的诊断方法、装置、终端设备及存储介质 | |
CN113380318B (zh) | 人工智能辅助流式细胞术40cd免疫表型检测方法及*** | |
CN112732773B (zh) | 一种继电保护缺陷数据的唯一性校核方法及*** | |
CN115766513A (zh) | 一种异常检测方法和装置 | |
CN114186644A (zh) | 一种基于优化随机森林的缺陷报告严重程度预测方法 | |
CN112445632A (zh) | 基于故障数据建模的hpc可靠性评估方法 | |
CN110703183A (zh) | 一种智能电能表故障数据分析方法及*** | |
CN114637793B (zh) | 一种基于大数据分析的装备故障频发区域定位方法 | |
CN117591507B (zh) | 一种用于测控装备的数据质量特性自动化构建方法和*** | |
CN113642198B (zh) | 一种基于可靠性增长的独立运载***设备可靠性评估方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |