CN114372489A - 一种柴油机工况识别与异常诊断方法 - Google Patents
一种柴油机工况识别与异常诊断方法 Download PDFInfo
- Publication number
- CN114372489A CN114372489A CN202111562240.7A CN202111562240A CN114372489A CN 114372489 A CN114372489 A CN 114372489A CN 202111562240 A CN202111562240 A CN 202111562240A CN 114372489 A CN114372489 A CN 114372489A
- Authority
- CN
- China
- Prior art keywords
- diesel engine
- working condition
- data
- rotating speed
- condition
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明提供了一种柴油机工况识别与异常诊断方法,以柴油机的运动机理作为基础,提取能表征柴油机工况状态的特征参数,根据特征参数之间的关系建立柴油机工况评估模型,在基于不同工况下的特征参数变化趋势结合机器学习方法建立柴油机工况异常诊断模型。本发明所述的柴油机工况识别与异常诊断方法,能够克服不同工况和工况切换对数据驱动模型的影响,准确识别柴油机运行工况并对其工况的健康状况做出诊断,能够提高柴油机工况异常监测的可靠性与安全性,具有良好的应用前景。
Description
技术领域
本发明属于柴油机故障检测领域,尤其是涉及一种基于多传感器数据融合技术的柴油机工况识别与异常诊断方法。
背景技术
柴油机作为动力机械设备,其优点在于功率大,具备很高的热效率,并且经济性能好,因此在车辆领域有着广泛的应用。由于柴油机多装备于工程用车或特种车辆上,其运行环境恶劣,对柴油机性能的稳定要求高,而柴油机结构复杂,运行部件环环相扣,若其发生故障将会影响到整车的安全性能,故障严重时会造成不必要的损失。因此,在车辆运行过程中对其运行状态的评估和诊断显示至关重要。现有柴油机工况异常诊断方法主要分为三种方式,一是传感技术,采用各式各样的传感器测量柴油机的键相、瞬时转速、温度等参数,基于阈值判断和统计对设备状态进行判断;二是信号分析处理技术,利用信号分析手段对传感器信号进行深度分析,通过傅里叶变换、希尔伯特变换和专家***等技术对柴油机设备状态进行监测;三是数据驱动技术,利用神经网络、支持向量机等方法对采集到的传感器数据进行分析。
传感技术多依赖于硬性阈值来对柴油机状态进行判断,当外界环境变化时,阈值无法满足不同的环境,局限性大。信号分析处理技术依赖于高采样率的传感器信号,通过对这些密集采样的信号提取关键特征变量来表征柴油机的状态,高采样率给数据采集和存储设备提出了很高的要求,并且柴油机零部件多,某一固定监测位置无法覆盖柴油机整体状态。基于数据驱动技术的柴油机工况异常监测技术在实验室状态下表现良好,在实际的应用中仍存在着巨大的进步空间,主要原因在于数据驱动技术依赖于柴油机数据的特征表现,由于不同工况下柴油机信号变化趋势差异较大,并且难以消除工况切换的干扰,因此纯数据驱动式的柴油机状态监测模型在柴油机全工况运行期间其监测结果还存在着很大的进步空间。随着柴油机工况异常诊断***的不断发展,车载传感器种类和数量不断增加,可用的传感器数据不断丰富。基于柴油机的运动机理,提取有关联性的传感器参数进行分析,发明一种基于多传感器数据融合技术的柴油机工况识别与异常诊断方法以提高柴油机运行的可靠性和安全性。
发明内容
有鉴于此,本发明旨在提出一种柴油机工况识别与异常诊断方法,以克服硬性阈值对柴油机状态监测的局限性和多工况对基于数据驱动技术柴油机故障诊断方法的干扰。
为达到上述目的,本发明的技术方案是这样实现的:
一种柴油机工况识别与异常诊断方法,包括如下步骤:
S1、以柴油机运动机理为基础,通过柴油机信号采集***获取柴油机运行过程中的特征数据;
S2、柴油机信号采集***对获取到的数据进行预处理,提取能够表征柴油机运行工况的特征参数;
S3、根据特征参数之间的关联性结合柴油机外特性曲线,建立柴油机工况识别算法模型;
S4、利用基于柴油机运动机理的工况识别算法模块对柴油机工况数据库进行分组,用于训练不同工况下的工况异常诊断模型;
S5、根据不同工况下的数据特征结合机器学习算法模型和柴油机工况异常诊断模型,依次进行独立工况下的算法模型开发;
S6、将柴油机工况异常诊断模型和柴油机工况异常数据模型组合,形成适用于多工况的柴油机工况异常诊断算法模型。
进一步的,所述步骤S5中柴油机工况异常诊断模型的诊断方法如下:
A1、通过柴油机信号采集***将柴油机***所带的传感器及柴油机控制***的信号通过CAN总线传输到柴油机数据库内;
A2、导入已有的工况异常状态下柴油机数据用于柴油机工况异常诊断算法的测试样本;
A3、通过数据预处理模块对柴油机信号进行预处理;
A4、基于柴油机***已有的特征信号(油门数据、齿杆位置数据和转速数据),利用满负荷下的齿杆位置数据和转速数据建立柴油机外特性曲线,并规定工况划分的标准;
A5、利用步骤A4中的柴油机外特性曲线,结合运行状态下柴油机信号采集***中的转速数据、齿杆位置数据和油门数据,完成柴油机工况异常诊断,并输出柴油机运行工况异常诊断结果。
进一步的,所述步骤A4中工况划分标准如下:
大负荷工况:当转速稳定时,在发动机外特性曲线上查找对应转速下的最大功率,当实际功率大于90%的最大功率时,为大负荷工况;
中负荷工况:当转速稳定时,在发动机外特性曲线上查找对应转速下的最大功率,当实际功率大于20%的最大功率且小于90%的最大功率时,为中负荷工况;
小负荷工况:当转速稳定时,在发动机外特性曲线上查找对应转速下的最大功率,当实际功率小于20%的最大功率时,为小负荷工况;
怠速工况:当转速稳定在800转,转速波动范围控制在3‰,且油门踏板为0;
加速工况:转速持续上升,油门加大,齿杆位置增大;
减速工况:转速持续下降,油门减小,齿杆位置减小。
进一步的,所述步骤A5中,转速数据、齿杆位置数据和油门数据三者之间的关联性为:油门是柴油机运转的输入参数,油门与目标转速之间存在着正相关关系,每一个油门量都对应着一个目标转速,***的控制器识别到目标转速后将目标转速转换成齿杆位置量,柴油机***根据识别到齿杆位置数据进行喷油量的换算,带动柴油机的运转,再通过传感器获取到实际转速信息。
进一步的,建立所述步骤S3中柴油机工况识别算法模型的方法如下:
B1、柴油机信号采集***从预处理模块读取切片后的柴油机数据,并对“转速”、“齿杆位置”和“油门”数据进行提取;
B2、统计转速为0的数量、齿杆位置为0的数量、油门为0的数量用于后续静止状态和怠速状态的判断,计算转速、齿杆位置和油门的稳定指数用于后续柴油机加减速状态的划分;
B3、划分稳态和瞬态数据,对比油门稳定指数与稳态阈值进行稳态与瞬态的划分,当数据的波动程度大于等于阈值时将数据输入至加减速工况判断模块,当数据波动程序小于阈值时将数据输入至稳态工况识别模块;
B4、进行启动和怠速工况的识别,当油门为0的数量大于阈值时将数据输入至启动和怠速工况判断模块,否则将数据输入至大中小负荷判断模块。当齿杆位置为0的数量小于阈值且转速持续低于800转时判断当前处于启动阶段,若转速稳定在800转,上下浮动小于3‰,则认为当前处于怠速工况;
B5、进行大、中、小负荷工况识别,将转速和齿杆位置数据依次输入至齿杆位置-转速外特性曲线,找出对应转速下外特性曲线上的齿杆位置数值,与实际齿杆位置数据进行比对输出单点值所对应的工况类型,最后将整段数据的结果进行汇总基于统计的方式输出整段数据的工况结果;
B6、进行加、减速工况识别,对连续数据进行作差,当差值结果连续递减时输出当前为减速工况,若差值数据连续递增则输出加速工况;
步骤B7,根据柴油机的运行状态特征,结合步骤A5工况检测算法对柴油机数据的识别结果,将柴油机数据划分为静止工况数据、怠速工况数据、小负荷工况数据、中负荷工况数据、大负荷工况数据、加速工况数据、减速工况数据;
步骤B8,基于柴油机运动过程中转速、油门、齿杆位置等参数之间的关联性,建立柴油机断油保护工况诊断模块;
步骤B9,利用步骤B7提取出怠速工况数据,在柴油机连续运转过程中,健康状态下的转速值保持稳定,其波动幅度不大于目标转速的3‰,基于怠速工况目标转速、波动阈值结合逻辑判断模块建立怠速工况异常诊断模块;
步骤B10,利用步骤B7提取出对小、中、大负荷工况数据,通过对比模型输出与实际输出之间的差异进行异常工况的判断;
步骤B11,利用步骤B7提取出加、减速工况数据,当柴油机***处于加速或减速状态时,输入的变量为油门和扭矩,其他特征参数均为输出变量,正常状态下当油门或扭矩发生变化时,各因变量的反馈时间应该在X秒内,当反馈时间大于X秒时就认为其工况存在异常;
步骤B12,将步骤B8、B9、B10和B11中建立好的工况异常诊断模型进行整合,以实现对不同工况下柴油机运行工况的异常诊断;将带有异常工况的柴油机数据输入至柴油机工况异常诊断算法模型中,并输出结果。
相对于现有技术,本发明所述的柴油机工况识别与异常诊断方法具有以下优势:
(1)本发明所述的柴油机工况识别与异常诊断方法,以柴油机的运动机理作为基础,提取能表征柴油机工况状态的特征参数,根据特征参数之间的关系建立柴油机工况评估模型,在基于不同工况下的特征参数变化趋势结合机器学习方法建立柴油机工况异常诊断模型,能够克服不同工况和工况切换对数据驱动模型的影响,准确识别柴油机运行工况并对其工况的健康状况做出诊断,能够提高柴油机工况异常监测的可靠性与安全性,具有良好的应用前景。
(2)本发明所述的柴油机工况识别与异常诊断方法,能够克服硬性阈值对柴油机状态监测的局限性,同时能够有效解决多工况对基于数据驱动技术柴油机故障诊断方法的干扰。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例所述的柴油机工况识别与异常诊断方法的开发流程图;
图2为本发明实施例所述的柴油机工况识别与异常诊断方法的计算流程图;
图3为本发明实施例所述的柴油机关键参数关联性示意图;
图4为本发明实施例所述的柴油机工况识别流程图;
图5为本发明实施例所述的工况识别结果案例示意图;
图6为本发明实施例所述的小、中、大负荷工况异常诊断算法开发流程图;
图7为本发明实施例所述的加、减速工况异常诊断算法计算流程图;
图8为本发明实施例所述的断油保护工况检测结果案例示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的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,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明的描述中,需要说明的是,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。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
一种柴油机工况识别与异常诊断方法,如图1至图8所示,包括如下步骤:S1、以柴油机运动机理为基础,通过柴油机信号采集***获取柴油机运行过程中的特征数据;具体的特征数据为柴油机健康数据;
S2、柴油机信号采集***对获取到的数据进行预处理,提取能够表征柴油机运行工况的特征参数;
S3、根据特征参数之间的关联性结合柴油机外特性曲线,建立柴油机工况识别算法模型;
具体的,根据提取与筛选柴油机运行工况相关变量,确定不同工况下柴油机关键参数之间的关系,建立基于柴油机运动机理的工况识别算法模块;
如图4所示;S4、利用基于柴油机运动机理的工况识别算法模块对柴油机工况数据库进行分组,用于训练不同工况下的工况异常诊断模型;步骤S4中建立的工况异常诊断模型包括基于六西格玛准则构建的异常检测统计模型和基于SVM等异常检测机器学习模型。
S5、根据不同工况下的数据特征结合机器学习算法模型和柴油机工况异常诊断模型,依次进行独立工况下的算法模型开发;
S6、将柴油机工况异常诊断模型和柴油机工况异常数据模型组合,形成适用于多工况的柴油机工况异常诊断算法模型。
以某型号车用柴油机的台架试验数据为例,整个柴油机工况异常诊断过程包含以下步骤:
A1、通过柴油机信号采集***将柴油机***所带的传感器及柴油机控制***的信号通过CAN总线传输到柴油机数据库内;
A2、导入已有的工况异常状态下柴油机数据用于柴油机工况异常诊断算法的测试样本;
A3、通过数据预处理模块对柴油机信号进行预处理;
对柴油机数据的预处理包括:数据对齐、空值填充以及异常值剔除。
A4、基于柴油机***已有的特征信号(油门数据、齿杆位置数据和转速数据),利用满负荷下的齿杆位置数据和转速数据建立柴油机外特性曲线,并规定工况划分的标准;
工况数据划分标准如下:
大负荷工况:当转速稳定时,在发动机外特性曲线上查找对应转速下的最大功率,当实际功率大于90%的最大功率时,为大负荷工况;
中负荷工况:当转速稳定时,在发动机外特性曲线上查找对应转速下的最大功率,当实际功率大于20%的最大功率且小于90%的最大功率时,为中负荷工况;
小负荷工况:当转速稳定时,在发动机外特性曲线上查找对应转速下的最大功率,当实际功率小于20%的最大功率时,为小负荷工况;
怠速工况:当转速稳定在800转,转速波动范围控制在3‰,且油门踏板为0;
加速工况:转速持续上升,油门加大,齿杆位置增大;
减速工况:转速持续下降,油门减小,齿杆位置减小。
A5、利用步骤A4中的柴油机外特性曲线,结合运行状态下柴油机信号采集***中的转速数据、齿杆位置数据和油门数据,完成柴油机工况异常诊断,并输出柴油机运行工况异常诊断结果;
转速数据、齿杆位置数据和油门数据三者之间的关联性如图3所示,油门是柴油机运转的输入参数,油门与目标转速之间存在着正相关关系,每一个油门量都对应着一个目标转速,***的控制器识别到目标转速后将目标转速转换成齿杆位置量,柴油机***根据识别到齿杆位置数据进行喷油量的换算,带动柴油机的运转,再通过传感器获取到实际转速信息。
建立基于柴油机运动机理的工况识别算法模型,工况识别算法开发流程如图4所示;
B1、柴油机信号采集***从预处理模块读取切片后的柴油机数据,并对“转速”、“齿杆位置”和“油门”数据进行提取;
B2、统计转速为0的数量、齿杆位置为0的数量、油门为0的数量用于后续静止状态和怠速状态的判断,计算转速、齿杆位置和油门的稳定指数用于后续柴油机加减速状态的划分;
B3、划分稳态和瞬态数据,对比油门稳定指数与稳态阈值进行稳态与瞬态的划分,当数据的波动程度大于等于阈值时将数据输入至加减速工况判断模块,当数据波动程序小于阈值时将数据输入至稳态工况识别模块;
B4、进行启动和怠速工况的识别,当油门为0的数量大于阈值时将数据输入至启动和怠速工况判断模块,否则将数据输入至大中小负荷判断模块。当齿杆位置为0的数量小于阈值且转速持续低于800转时判断当前处于启动阶段,若转速稳定在800转,上下浮动小于3‰,则认为当前处于怠速工况;
B5、进行大、中、小负荷工况识别,将转速和齿杆位置数据依次输入至齿杆位置-转速外特性曲线,找出对应转速下外特性曲线上的齿杆位置数值,与实际齿杆位置数据进行比对输出单点值所对应的工况类型,最后将整段数据的结果进行汇总基于统计的方式输出整段数据的工况结果;
B6、进行加、减速工况识别,对油门数据进行进一步分析,对连续数据进行作差,当差值结果连续递减时输出当前为减速工况,若差值数据连续递增则输出加速工况。
步骤B7,根据柴油机的运行状态特征,结合步骤A5工况检测算法对柴油机数据的识别结果,将柴油机数据划分为静止工况数据、怠速工况数据、小负荷工况数据、中负荷工况数据、大负荷工况数据、加速工况数据、减速工况数据;
步骤B8,基于柴油机运动过程中转速、油门、齿杆位置等参数之间的关联性,建立柴油机断油保护工况诊断模块,柴油机断油保护属于人为控制柴油机紧急停机行为,当断油保护事件发生时,柴油机立刻停止喷油,转速开始下降,此时油门可能还不为零,当实际油门、齿杆位置、转速三者之间递进关系不满足于图3中的关系时,判断当前为断油保护工况,直接输出工况异常诊断结果;
步骤B9,利用步骤B7提取出怠速工况数据,在柴油机连续运转过程中,健康状态下的转速值保持稳定,其波动幅度不大于目标转速的3‰,基于怠速工况目标转速、波动阈值结合逻辑判断模块建立怠速工况异常诊断模块;
步骤B10,利用步骤B7提取出对小、中、大负荷工况数据,当柴油机处于小、中、大负荷工况时,油门-齿杆位置-转速之间存在较强的线性关系;为了充分考虑外界扭矩对数据的影响,以及单个特征参数对结果的影响程度,本方法通过建立多个回归模型以增强诊断结果的准确性和稳定性,其中模型的数量、输入参数和输出均可根据需求进行更新迭代,再结合残差诊断模型,通过对比模型输出与实际输出之间的差异进行异常工况的判断,算法模块开发流程如图6所示;步骤B10采用的机器学习模型为以回归模型为基础,包括线性回归、多参数回归、多项式回归、ML模型等。
步骤B11,利用步骤B7提取出加、减速工况数据,当柴油机***处于加速或减速状态时,输入的变量为油门和扭矩,其他特征参数均为输出变量,正常状态下当油门或扭矩发生变化时,各因变量的反馈时间应该在X秒内,当反馈时间大于X秒时就认为其工况存在异常。基于此进行了加、减速工况异常诊断模型开发,在该模型中需要明确各个特征参数的反馈时间阈值,最终基于多个特征参数的诊断结果进行综合诊断输出最终的工况异常诊断结果,算法开发流程如图7所示。
步骤B12,柴油机运行工况异常诊断算法的计算流程如图2所示,将步骤B8、B9、B10和B11中建立好的工况异常诊断模型进行整合,以实现对不同工况下柴油机运行工况的异常诊断。将带有异常工况的柴油机数据输入至柴油机工况异常诊断算法模型中,输出结果如图8所示。
本方案以柴油机的运动机理作为基础,提取能表征柴油机工况状态的特征参数,根据特征参数之间的关系建立柴油机工况评估模型,在基于不同工况下的特征参数变化趋势结合机器学习方法建立柴油机工况异常诊断模型,能够克服不同工况和工况切换对数据驱动模型的影响,准确识别柴油机运行工况并对其工况的健康状况做出诊断,能够提高柴油机工况异常监测的可靠性与安全性,具有良好的应用前景。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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 (5)
1.一种柴油机工况识别与异常诊断方法,其特征在于:包括如下步骤:
S1、以柴油机运动机理为基础,通过柴油机信号采集***获取柴油机运行过程中的特征数据;
S2、柴油机信号采集***对获取到的数据进行预处理,提取能够表征柴油机运行工况的特征参数;
S3、根据特征参数之间的关联性结合柴油机外特性曲线,建立柴油机工况识别算法模型;
S4、利用基于柴油机运动机理的工况识别算法模块对柴油机工况数据库进行分组,用于训练不同工况下的工况异常诊断模型;
S5、根据不同工况下的数据特征结合机器学习算法模型和柴油机工况异常诊断模型,依次进行独立工况下的算法模型开发;
S6、将柴油机工况异常诊断模型和柴油机工况异常数据模型组合,形成适用于多工况的柴油机工况异常诊断算法模型。
2.根据权利要求1所述的一种柴油机工况识别与异常诊断方法,其特征在于:所述步骤S5中柴油机工况异常诊断模型的诊断方法如下:
A1、通过柴油机信号采集***将柴油机***所带的传感器及柴油机控制***的信号通过CAN总线传输到柴油机数据库内;
A2、导入已有的工况异常状态下柴油机数据用于柴油机工况异常诊断算法的测试样本;
A3、通过数据预处理模块对柴油机信号进行预处理;
A4、基于柴油机***已有的特征信号,利用满负荷下的齿杆位置数据和转速数据建立柴油机外特性曲线,并规定工况划分的标准;
A5、利用步骤A4中的柴油机外特性曲线,结合运行状态下柴油机信号采集***中的转速数据、齿杆位置数据和油门数据,完成柴油机工况异常诊断,并输出柴油机运行工况异常诊断结果。
3.根据权利要求2所述的一种柴油机工况识别与异常诊断方法,其特征在于:所述步骤A4中工况划分标准如下:
大负荷工况:当转速稳定时,在发动机外特性曲线上查找对应转速下的最大功率,当实际功率大于90%的最大功率时,为大负荷工况;
中负荷工况:当转速稳定时,在发动机外特性曲线上查找对应转速下的最大功率,当实际功率大于20%的最大功率且小于90%的最大功率时,为中负荷工况;
小负荷工况:当转速稳定时,在发动机外特性曲线上查找对应转速下的最大功率,当实际功率小于20%的最大功率时,为小负荷工况;
怠速工况:当转速稳定在800转,转速波动范围控制在3‰,且油门踏板为0;
加速工况:转速持续上升,油门加大,齿杆位置增大;
减速工况:转速持续下降,油门减小,齿杆位置减小。
4.根据权利要求2所述的一种柴油机工况识别与异常诊断方法,其特征在于:所述步骤A5中,转速数据、齿杆位置数据和油门数据三者之间的关联性为:油门是柴油机运转的输入参数,油门与目标转速之间存在着正相关关系,每一个油门量都对应着一个目标转速,***的控制器识别到目标转速后将目标转速转换成齿杆位置量,柴油机***根据识别到齿杆位置数据进行喷油量的换算,带动柴油机的运转,再通过传感器获取到实际转速信息。
5.根据权利要求2所述的一种柴油机工况识别与异常诊断方法,其特征在于:建立所述步骤S3中柴油机工况识别算法模型的方法如下:
B1、柴油机信号采集***从预处理模块读取切片后的柴油机数据,并对“转速”、“齿杆位置”和“油门”数据进行提取;
B2、统计转速为0的数量、齿杆位置为0的数量、油门为0的数量用于后续静止状态和怠速状态的判断,计算转速、齿杆位置和油门的稳定指数用于后续柴油机加减速状态的划分;
B3、划分稳态和瞬态数据,对比油门稳定指数与稳态阈值进行稳态与瞬态的划分,当数据的波动程度大于等于阈值时将数据输入至加减速工况判断模块,当数据波动程序小于阈值时将数据输入至稳态工况识别模块;
B4、进行启动和怠速工况的识别,当油门为0的数量大于阈值时将数据输入至启动和怠速工况判断模块,否则将数据输入至大中小负荷判断模块,当齿杆位置为0的数量小于阈值且转速持续低于800转时判断当前处于启动阶段,若转速稳定在800转,上下浮动小于3‰,则认为当前处于怠速工况;
B5、进行大、中、小负荷工况识别,将转速和齿杆位置数据依次输入至齿杆位置-转速外特性曲线,找出对应转速下外特性曲线上的齿杆位置数值,与实际齿杆位置数据进行比对输出单点值所对应的工况类型,最后将整段数据的结果进行汇总基于统计的方式输出整段数据的工况结果;
B6、进行加、减速工况识别,对连续数据进行作差,当差值结果连续递减时输出当前为减速工况,若差值数据连续递增则输出加速工况;
步骤B7,根据柴油机的运行状态特征,结合步骤A5工况检测算法对柴油机数据的识别结果,将柴油机数据划分为静止工况数据、怠速工况数据、小负荷工况数据、中负荷工况数据、大负荷工况数据、加速工况数据、减速工况数据;
步骤B8,基于柴油机运动过程中转速、油门、齿杆位置等参数之间的关联性,建立柴油机断油保护工况诊断模块;
步骤B9,利用步骤B7提取出怠速工况数据,在柴油机连续运转过程中,健康状态下的转速值保持稳定,其波动幅度不大于目标转速的3‰,基于怠速工况目标转速、波动阈值结合逻辑判断模块建立怠速工况异常诊断模块;
步骤B10,利用步骤B7提取出对小、中、大负荷工况数据,通过对比模型输出与实际输出之间的差异进行异常工况的判断;
步骤B11,利用步骤B7提取出加、减速工况数据,当柴油机***处于加速或减速状态时,输入的变量为油门和扭矩,其他特征参数均为输出变量,正常状态下当油门或扭矩发生变化时,各因变量的反馈时间应该在X秒内,当反馈时间大于X秒时就认为其工况存在异常;
步骤B12,将步骤B8、B9、B10和B11中建立好的工况异常诊断模型进行整合,以实现对不同工况下柴油机运行工况的异常诊断;将带有异常工况的柴油机数据输入至柴油机工况异常诊断算法模型中,并输出结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111562240.7A CN114372489A (zh) | 2021-12-20 | 2021-12-20 | 一种柴油机工况识别与异常诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111562240.7A CN114372489A (zh) | 2021-12-20 | 2021-12-20 | 一种柴油机工况识别与异常诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114372489A true CN114372489A (zh) | 2022-04-19 |
Family
ID=81141012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111562240.7A Pending CN114372489A (zh) | 2021-12-20 | 2021-12-20 | 一种柴油机工况识别与异常诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114372489A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115636103A (zh) * | 2022-09-19 | 2023-01-24 | 成都飞机工业(集团)有限责任公司 | 一种piu子***的工况分离方法、装置、设备及存储介质 |
CN116429183A (zh) * | 2023-04-24 | 2023-07-14 | 广东海洋大学 | 一种柴油机性能监测方法 |
CN117591839A (zh) * | 2024-01-19 | 2024-02-23 | 华电电力科学研究院有限公司 | 燃气轮机的故障预警方法、***、电子设备和存储介质 |
-
2021
- 2021-12-20 CN CN202111562240.7A patent/CN114372489A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115636103A (zh) * | 2022-09-19 | 2023-01-24 | 成都飞机工业(集团)有限责任公司 | 一种piu子***的工况分离方法、装置、设备及存储介质 |
CN115636103B (zh) * | 2022-09-19 | 2024-03-15 | 成都飞机工业(集团)有限责任公司 | 一种piu子***的工况分离方法、装置、设备及存储介质 |
CN116429183A (zh) * | 2023-04-24 | 2023-07-14 | 广东海洋大学 | 一种柴油机性能监测方法 |
CN116429183B (zh) * | 2023-04-24 | 2023-09-26 | 广东海洋大学 | 一种柴油机性能监测方法 |
CN117591839A (zh) * | 2024-01-19 | 2024-02-23 | 华电电力科学研究院有限公司 | 燃气轮机的故障预警方法、***、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114372489A (zh) | 一种柴油机工况识别与异常诊断方法 | |
CN111353482B (zh) | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 | |
US10496466B2 (en) | Preprocessor of abnormality sign diagnosing device and processing method of the same | |
US6587737B2 (en) | Method for the monitoring of a plant | |
CN109186813A (zh) | 一种温度传感器自检装置及方法 | |
CN108227676A (zh) | 阀控缸电液伺服***在线故障检测、估计及定位方法 | |
CN111753867A (zh) | 使用机器学习分类器来监视和诊断车辆***问题 | |
Murphey et al. | Automotive fault diagnosis-part II: a distributed agent diagnostic system | |
USRE45815E1 (en) | Method for simplified real-time diagnoses using adaptive modeling | |
CN108490923A (zh) | 用于电气牵引***的微小故障检测与定位的***设计方法 | |
CN115268417B (zh) | 一种自适应ecu故障诊断控制方法 | |
CN105928710A (zh) | 一种柴油机故障监测方法 | |
CN110320808A (zh) | 基于观测器组的阀控型电液伺服***故障检测与分类方法 | |
CN111896254A (zh) | 一种变速变载大型滚动轴承故障预测***及方法 | |
CN115809435A (zh) | 基于模拟器的汽车运行故障识别方法 | |
CN110261771A (zh) | 一种基于传感器互补性分析的故障诊断方法 | |
CN116880454A (zh) | 车辆故障智能诊断***与方法 | |
CN117877256A (zh) | 基于数字孪生的车辆故障预测方法及*** | |
CN108628279B (zh) | 一种基于云计算汽车异常数据流的分析方法 | |
CN109141945A (zh) | 一种基于多方向重构的列车轴承故障诊断方法 | |
CN112621381B (zh) | 机床进给***健康状态智能评估方法及装置 | |
KR102172012B1 (ko) | 철도차량 안전부품 진단장치 | |
CN117192371B (zh) | 一种新能源汽车电机驱动器的测试方法及*** | |
CN116342110B (zh) | 一种列车多温度测量回路智能故障诊断和容错测量方法 | |
CN117560300B (zh) | 一种智能物联网流量预测与优化*** |
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 |