CN116699390B - 柴油机组故障检测方法和*** - Google Patents

柴油机组故障检测方法和*** Download PDF

Info

Publication number
CN116699390B
CN116699390B CN202310432082.6A CN202310432082A CN116699390B CN 116699390 B CN116699390 B CN 116699390B CN 202310432082 A CN202310432082 A CN 202310432082A CN 116699390 B CN116699390 B CN 116699390B
Authority
CN
China
Prior art keywords
fault detection
stator
initial
diesel engine
detection model
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
Application number
CN202310432082.6A
Other languages
English (en)
Other versions
CN116699390A (zh
Inventor
吴子俊
杨新霞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Yuyou Ship Technology Co ltd
Original Assignee
Shanghai Yuyou Ship Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Yuyou Ship Technology Co ltd filed Critical Shanghai Yuyou Ship Technology Co ltd
Priority to CN202310432082.6A priority Critical patent/CN116699390B/zh
Publication of CN116699390A publication Critical patent/CN116699390A/zh
Application granted granted Critical
Publication of CN116699390B publication Critical patent/CN116699390B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

本申请提供的一种柴油机组故障检测方法和***，涉及计算机技术领域，应用于目标设备的柴油机组，所述方法包括：采集所述柴油机组待检测组件的状态信息，以及所述状态信息对应的健康度，获取初始训练样本；对所述初始训练样本进行预处理，得到中间训练样本；对所述中间训练样本按所述柴油机组的工况进行分类，得到每个工况下的训练集和测试集，以组成目标训练样本；构建用于检测所述柴油机组的故障信息的初始故障检测模型，并基于所述目标训练样本训练所述初始故障检测模型，得到训练好的目标故障检测模型；根据所述目标故障检测模型对所述柴油机组进行故障检测。本申请能够提升对柴油机组故障检测的效率和准确性。

Description

柴油机组故障检测方法和***
技术领域
本申请涉及计算机技术领域，尤其涉及一种柴油机组故障检测方法和***。
背景技术
在传统的船舶等设备中柴油机组状态判断***中，通常会获取待检测部件的图像，再结合人为经验对待检测部件的状态进行判断。
然而，这种方式过于依赖检测人员的经验和能力，并受许多外部因素影响，例如柴油机组的不同零件在不同工况下的故障检测标准可能不同，检测人员需要结合零件的当前工况、状态进行复杂的检测操作，使得对柴油机组的故障检测效率和准确性均难以保证。因此，需提出一种柴油机组故障检测方法和***，来解决该技术问题。
发明内容
本发明实施例的目的在于提供一种柴油机组故障检测方法和***，本申请实施例能够基于故障检测模型结合柴油机组在不同工况下的状态对柴油机组进行高效、准确的故障检测操作。具体技术方案如下：
在本发明实施例的第一方面，提供一种柴油机组故障检测方法，应用于目标设备的柴油机组，所述方法包括：
采集所述柴油机组待检测组件的状态信息，以及所述状态信息对应的健康度，获取初始训练样本；
对所述初始训练样本进行预处理，得到中间训练样本；
对所述中间训练样本按所述柴油机组的工况进行分类，得到每个工况下的训练集和测试集，以组成目标训练样本；
构建用于检测所述柴油机组的故障信息的初始故障检测模型，并基于所述目标训练样本训练所述初始故障检测模型，得到训练好的目标故障检测模型；
根据所述目标故障检测模型对所述柴油机组进行故障检测。
可选地，所述待检测组件为所述柴油机组的定子，所述采集所述柴油机组待检测组件的状态信息，以及所述状态信息对应的健康度，获取初始训练样本，包括：
获取所述定子的故障类型；
定义所述故障类型的严重程度，为每个严重程度的赋值对应的健康度；
为每个所述健康度映射一个所述初始故障检测模型对应的输出状态，得到所述初始训练样本。
可选地，所述对所述初始训练样本进行预处理，得到中间训练样本，包括：
对所述初始训练样本中的缺失数据和离群点数据进行数据清洗；
对清洗后的初始训练样本进行数据重构，定义数据切分的滑动窗口长度、滑动窗口步长、数据序列段的数量、定子原始电流信号切片和定子原始电压信号切片，得到所述中间训练样本。
可选地，所述对所述中间训练样本按所述柴油机组的工况进行分类，包括：
得到不同工况下在所述滑动窗口步长内的电流峰值、电流均值、电压波动特征和定子温度。
可选地，所述基于所述目标训练样本训练所述初始故障检测模型，包括：
将所述滑动窗口步长内的电流峰值、电流均值、电压波动特征和定子温度作为输入数据输入至所述初始故障检测模型，输出得到所述输入数据对应定子的健康度，结合所述输入数据的标签，训练所述初始故障检测模型。
可选地，所述方法还包括：
当所述初始故障检测模型的预测所述定子的健康度的准确率大于等于预设阈值，训练完成得到训练好的所述目标故障检测模型。
在本发明实施例的又一方面，提供一种柴油机组故障检测***，应用于目标设备的柴油机组，所述***包括：
样本采集模块，用于采集所述柴油机组待检测组件的状态信息，以及所述状态信息对应的健康度，获取初始训练样本；
样本处理模块，用于对所述初始训练样本进行预处理，得到中间训练样本；
样本分类模块，用于对所述中间训练样本按所述柴油机组的工况进行分类，得到每个工况下的训练集和测试集，以组成目标训练样本；
模型训练模块，用于构建用于检测所述柴油机组的故障信息的初始故障检测模型，并基于所述目标训练样本训练所述初始故障检测模型，得到训练好的目标故障检测模型；
故障检测模块，用于根据所述目标故障检测模型对所述柴油机组进行故障检测。
可选地，所述待检测组件为所述柴油机组的定子，所述样本采集模块还具体用于：
获取所述定子的故障类型；
定义所述故障类型的严重程度，为每个严重程度的赋值对应的健康度；
为每个所述健康度映射一个所述初始故障检测模型对应的输出状态，得到所述初始训练样本。
在本发明实施例的又一方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如上所述方法的步骤。
在本发明实施例的又一方面，提供一种计算机设备，包括处理器、存储器和存储于所述存储器上的计算机程序，所述处理器执行所述计算机程序时实现如上所述方法的步骤。
由上可知，申请实施例能够通过柴油机组的组件在不同工况下的状态信息和健康度所组成的训练样本来训练得到故障检测模型，从而能够基于故障检测模型对柴油机组强大的故障检测功能，无需人工介入、判断进行复杂的检测操作，即可实现提升柴油机组的检测模型的效率和准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的柴油机组故障检测***的应用场景示意图；
图2是本申请实施例提供的柴油机组故障检测方法的流程示意图；
图3是本申请实施例提供的柴油机组故障检测***的结构示意图；
图4是本申请实施例提供的计算机设备的内部结构图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
图1是根据本申请的一些实施例所示的与船舶相关联(图1以船舶柴油机组为例)的示例性柴油机组故障检测***100的示意图。在一些实施例中，柴油机组故障检测***100可包括服务器110、网络120、船舶130和存储器140。
在一些实施例中，服务器110可以是单个服务器，也可以是服务器组。所述服务器组可以是集中式的，也可以是分布式的(例如，服务器110可以是分布式的***)。在一些实施例中，服务器110可以是本地的，也可以是远程的。例如，服务器110可以经由网络120访问存储在船舶130和/或存储器140中的信息和/或数据。又例如，服务器110可以直接连接到船舶130和/或存储器140以访问存储信息和/或数据。在一些实施例中，服务器110可以在云平台或船载计算机上实现。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。在一些实施例中，服务器110可以在本申请中的图2描述的包含了一个或以上组件的计算设备200上执行。
在一些实施例中，服务器110可以包括处理引擎112。处理引擎112可以处理与船舶130的行驶信息相关联的信息和/或数据，以执行本申请中描述的一个或以上功能。例如，处理引擎112可以获得船舶130的行驶信息并且基于行驶信息确定可以用于控制船舶130的控制参数。在一些实施例中，所述处理引擎112可包括一个或以上处理引擎(例如，单芯片处理引擎或多芯片处理引擎)。仅作为范例，处理引擎112可以包括中央处理单元(centralprocessing unit，CPU)、专用集成电路(application-specific integratedcircuit，ASIC)、专用指令集处理器(application-specific instruction-set processo，ASIP)、图形处理单元(graphics processing unit，GPU)、物理运算处理器(physicsprocessingunit，PPU)、数字信号处理器(digital signal processor，DSP)、现场可编程门阵列(fieldprogr ammable gate array，FPGA)、可编程逻辑设备(programmable logicdevice，PLD)、控制器、微控制器单元、精简指令集计算机(reduced instruction-set computer，RISC)、微处理器等或其任意组合。
在一些实施例中，服务器110可以连接到网络120以与柴油机组故障检测***100的一个或以上组件(例如，船舶130和存储器140)通信。在一些实施例中，服务器110可以直接连接到柴油机组故障检测***100(例如，船舶130和存储器140)中的一个或以上组件或与之通信。在一些实施例中，服务器110可以集成在船舶130中。
网络120可以促进信息和/或数据的交换。在一些实施例中，柴油机组故障检测***100中的一个或以上组件(例如，服务器110、船舶130或存储器140)可以经由网络120将信息和/或数据发送到柴油机组故障检测***100中的其他组件。例如，服务器110可以经由网络120获得/获取船舶130的行驶信息。在一些实施例中，网络120可以为任意形式的有线或无线网络，或其任意组合。仅作为示例，网络120可以包括缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网络(local area network，LAN)、广域网络(widearea network，WAN)、无线局域网络(wireless local area network，WLAN)、城域网(metropolitan areanetwork，MAN)、公共开关电话网络(public telephone switchednetwork，PSTN)、蓝牙网络、紫蜂网络、近场通信(near fi eld communication，NFC)网络等或上述举例的任意组合。在一些实施例中，网络120可以包括一个或以上网络接入点。例如，网络120可以包括有线或无线网络接入点，通过该接入点，柴油机组故障检测***100的一个或以上组件可以连接到网络120以交换数据和/或信息。
船舶130可包括传统船舶的结构，例如底盘、悬架、方向盘、传动系部件、发动机等。船舶130还可包括至少两个传感器(例如，距离传感器131、速度传感器132、位置传感器133等)、制动设备134、加速器(未示出)等。在一些实施例中，所述至少两个传感器可以检测船舶130的行驶信息。例如，位置传感器133可以周期性地(例如，每20ms)检测船舶130的当前位置。又例如，距离传感器131可以检测船舶130的当前位置与限定位置(例如，目的地150)之间的距离。作为另一示例，距离传感器131可以检测船舶130的当前位置与附近的其他船舶之间的距离。作为又一示例，速度传感器132可以检测船舶130的瞬时速度。
在一些实施例中，距离传感器131可包括雷达、激光雷达、红外传感器等，或其组合。速度传感器132可包括霍尔传感器。在一些实施例中，所述至少两个传感器还可包括加速度传感器(例如，加速度计)、转向角传感器(例如，倾斜传感器)、牵引相关传感器(例如，力传感器)，和/或任何被配置用于检测与船舶130的动态情况相关联的信息的传感器。
制动设备134可以被配置用于控制船舶130的制动过程。例如，制动设备134可以基于包括从处理引擎112获得的目标加速度的指令来调整船舶的实际加速度。加速器可以被配置用于控制船舶130的加速过程。
存储器140可以存储数据和/或指令。在一些实施例中，存储器140可以存储从船舶130获得的数据，例如由所述至少两个传感器获取的行驶信息。在一些实施例中，存储器140可以存储服务器110用来执行或使用来完成本申请中描述的示例性方法的数据和/或指令。在一些实施例中，存储器140可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(read-only me mory，ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取存储器(random access memory，RAM)。示例性RAM可包括动态随机存取存储器(dynamic RAM，DRAM)、双倍数据速率同步动态随机存取存储器(doubledate rate sync hronous dynamic RAM，DDR SDRAM)、静态随机存取存储器(static RAM，SRAM)、晶闸管随机存取存储器(thyrisor RAM，T-RAM)和零电容随机存取存储器(zero-capacitor RAM，Z-RAM)等。示例性只读存储器可以包括掩模只读存储器(mask ROM，MROM)、可编程只读存储器(programmable ROM，PRO M)、可擦除可编程只读存储器(programmable ROM，PEROM)、电可擦除可编程只读存储器(erasableprogrammableROM，EEPROM)、光盘只读存储器(com pact disk ROM，CD-ROM)和数字多功能磁盘只读存储器等。在一些实施例中，所述存储器140可在云平台上实现。仅作为示例，云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
在一些实施例中，存储器140可以连接到网络120以与柴油机组故障检测***100的一个或以上组件(例如，服务器110和船舶130)通信。柴油机组故障检测***100中的一个或以上组件可以经由网络120访问存储在存储器140中的数据或指令。在一些实施例中，存储器140可以直接连接到柴油机组故障检测***100(例如，服务器110和船舶130)中的一个或以上组件或与之通信。在一些实施例中，存储器140可以是服务器110的一部分。
图2示出了本申请实施例提供的一种柴油机组故障检测方法和***的流程示意图，如图2所示，一种柴油机组故障检测方法和***包括如下步骤：
步骤201、采集所述柴油机组待检测组件的状态信息，以及所述状态信息对应的健康度，获取初始训练样本。
可选地，待检测组件可以为柴油机组的定子，步骤201可以包括：
获取所述定子的故障类型；
定义所述故障类型的严重程度，为每个严重程度的赋值对应的健康度；
为每个所述健康度映射一个所述初始故障检测模型对应的输出状态，得到所述初始训练样本。
在一些实施例中，定子的故障类型可以包括定子磨损异常和定子温度预警，对应的严重程度又可以包括轻度、中度和重度，每个严重程度又对应不同的健康度。例如健康度为0-50％为重度、健康度为51-80％为重度、健康度为81-100％为轻度。相应地，轻度、重度和重度对应的输出状态分别为Normal、Warning和Error。
步骤202、对所述初始训练样本进行预处理，得到中间训练样本。
可选地，步骤202可以包括：
对所述初始训练样本中的缺失数据和离群点数据进行数据清洗；
对清洗后的初始训练样本进行数据重构，定义数据切分的滑动窗口长度、滑动窗口步长、数据序列段的数量、定子原始电流信号切片和定子原始电压信号切片，得到所述中间训练样本。
在一些实施例中，以上中间训练样本的相关数据可以表示为：
其中，L为滑动窗口长度；s为滑动窗口步长；k表示第k个数据序列段，{I1,I2,…,Ik}为转子原始电流信号切片；{F1,F2,…,Fk}为转子原始电压信号切片；Δfi表示一阶差分运算，Δfi＝fi-fi-1。
步骤203、对所述中间训练样本按所述柴油机组的工况进行分类，得到每个工况下的训练集和测试集，以组成目标训练样本。
可选地，步骤203可以包括：
得到不同工况下在所述滑动窗口步长内的电流峰值、电流均值、电压波动特征和定子温度。
在一些实施例中，不同工况可以包括柴油机组的电子基于功率进行空载、部分载荷、满载的三类工况。数据集划分可以按8：2或7：3的比例划分为训练集和测试集。
在一些实施例中，滑动窗口步长内的电流峰值、电流均值、电压波动特征和定子温度可以表示为：
其中，滑动窗口内电流峰值Imax,电流均值Imean，电压波动特征ΔU和定子温度Tstator。
步骤204、构建用于检测所述柴油机组的故障信息的初始故障检测模型，并基于所述目标训练样本训练所述初始故障检测模型，得到训练好的目标故障检测模型。
可选地，步骤204还可以包括：
将所述滑动窗口步长内的电流峰值、电流均值、电压波动特征和定子温度作为输入数据输入至所述初始故障检测模型，输出得到所述输入数据对应定子的健康度，结合所述输入数据的标签，训练所述初始故障检测模型。
可选地，本申请的方法还包括：
当所述初始故障检测模型的预测所述定子的健康度的准确率大于等于预设阈值，训练完成得到训练好的所述目标故障检测模型。
在一些实施例中，输入数据和输出数据可以表示为：
其中/>
其中，Xstator为定子故障预测模型输入；为定子故障预测模型输出健康度标签；/>其中，/>g表示第g个样本。
在完成数据集预处理工作后，将各故障数据混合，然后按照指定比例划分训练集和测试集，在进行模型训练时，故障检测模型的输出为被测组件的健康度，根据健康度对应的定子预测状态。最后完成初始故障检测模型的训练以及验证，一般验证准确率到达预设阈值，可认为初始故障检测模型可用，得到目标故障检测模型。
步骤205、根据所述目标故障检测模型对所述柴油机组进行故障检测。
可以理解，在训练得到目标故障检测模型后
由上可知，申请实施例能够通过柴油机组的组件在不同工况下的状态信息和健康度所组成的训练样本来训练得到故障检测模型，从而能够基于故障检测模型对柴油机组强大的故障检测功能，无需人工介入、判断进行复杂的检测操作，即可实现提升柴油机组的检测模型的效率和准确性。
为实现上述方法类实施例，本申请实施例还提供一种柴油机组故障检测***，图3示出了本申请实施例提供的一种柴油机组故障检测***的结构示意图，应用于目标设备的柴油机组，所述***包括：
样本采集模块301，用于采集所述柴油机组待检测组件的状态信息，以及所述状态信息对应的健康度，获取初始训练样本；
样本处理模块302，用于对所述初始训练样本进行预处理，得到中间训练样本；
样本分类模块303，用于对所述中间训练样本按所述柴油机组的工况进行分类，得到每个工况下的训练集和测试集，以组成目标训练样本；
模型训练模块304，用于构建用于检测所述柴油机组的故障信息的初始故障检测模型，并基于所述目标训练样本训练所述初始故障检测模型，得到训练好的目标故障检测模型；
故障检测模块305，用于根据所述目标故障检测模型对所述柴油机组进行故障检测。
可选地，所述待检测组件为所述柴油机组的定子，所述样本采集模块301还具体用于：
获取所述定子的故障类型；
定义所述故障类型的严重程度，为每个严重程度的赋值对应的健康度；
为每个所述健康度映射一个所述初始故障检测模型对应的输出状态，得到所述初始训练样本。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述***中模块/单元/子单元/组件的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
由上可知，申请实施例能够通过柴油机组的组件在不同工况下的状态信息和健康度所组成的训练样本来训练得到故障检测模型，从而能够基于故障检测模型对柴油机组强大的故障检测功能，无需人工介入、判断进行复杂的检测操作，即可实现提升柴油机组的检测模型的效率和准确性。
在一些实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储图像采集设备的相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种柴油机组故障检测方法和***。
在一些实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图4所示。该计算机设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入***。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现柴油机组故障检测方法和***。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入***可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一些实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
综上所述，本申请提供的一种柴油机组故障检测方法，应用于目标设备的柴油机组，所述方法包括：
采集所述柴油机组待检测组件的状态信息，以及所述状态信息对应的健康度，获取初始训练样本；
对所述初始训练样本进行预处理，得到中间训练样本；
对所述中间训练样本按所述柴油机组的工况进行分类，得到每个工况下的训练集和测试集，以组成目标训练样本；
构建用于检测所述柴油机组的故障信息的初始故障检测模型，并基于所述目标训练样本训练所述初始故障检测模型，得到训练好的目标故障检测模型；
根据所述目标故障检测模型对所述柴油机组进行故障检测。
以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (6)

1.一种柴油机组故障检测方法，其特征在于，应用于目标设备的柴油机组，所述方法包括：
采集所述柴油机组待检测组件的状态信息，以及所述状态信息对应的健康度，获取初始训练样本，包括：获取定子的故障类型；定义所述故障类型的严重程度，为每个严重程度的赋值对应的健康度；为每个所述健康度映射一个初始故障检测模型对应的输出状态，得到所述初始训练样本；所述待检测组件为所述柴油机组的定子；
对所述初始训练样本进行预处理，得到中间训练样本，包括：对所述初始训练样本中的缺失数据和离群点数据进行数据清洗；对清洗后的初始训练样本进行数据重构，定义数据切分的滑动窗口长度、滑动窗口步长、数据序列段的数量、定子原始电流信号切片和定子原始电压信号切片，得到所述中间训练样本，表示为：
其中，L为滑动窗口长度；s为滑动窗口步长；k表示第k个数据序列段，{I1,I2,…,Ik}为转子原始电流信号切片；{F1,F2,…,Fk}为转子原始电压信号切片；Δfi表示一阶差分运算，Δfi＝fi-fi-1；
对所述中间训练样本按所述柴油机组的工况进行分类，得到每个工况下的训练集和测试集，以组成目标训练样本，包括：得到不同工况下在所述滑动窗口步长内的电流峰值、电流均值、电压波动特征和定子温度，表示为：
其中，滑动窗口内电流峰值Imax,电流均值Imean，电压波动特征ΔU和定子温度Tstator；
构建用于检测所述柴油机组的故障信息的初始故障检测模型，并基于所述目标训练样本训练所述初始故障检测模型，得到训练好的目标故障检测模型，包括：通过输入数据和输出数据训练所述初始故障检测模型，输入数据和输出数据表示为： 其中，其中，Xstator为定子故障预测模型输入；/>为定子故障预测模型输出健康度标签；g表示第g个样本；
根据所述目标故障检测模型对所述柴油机组进行故障检测。
2.根据权利要求1所述的柴油机组故障检测方法，其特征在于，所述基于所述目标训练样本训练所述初始故障检测模型，包括：
将所述滑动窗口步长内的电流峰值、电流均值、电压波动特征和定子温度作为输入数据输入至所述初始故障检测模型，输出得到所述输入数据对应定子的健康度，结合所述输入数据的标签，训练所述初始故障检测模型。
3.根据权利要求2所述的柴油机组故障检测方法，其特征在于，所述方法还包括：
当所述初始故障检测模型的预测所述定子的健康度的准确率大于等于预设阈值，训练完成得到训练好的所述目标故障检测模型。
4.一种柴油机组故障检测***，其特征在于，应用于目标设备的柴油机组，所述***包括：
样本采集模块，用于采集所述柴油机组待检测组件的状态信息，以及所述状态信息对应的健康度，获取初始训练样本，还用于：获取定子的故障类型；定义所述故障类型的严重程度，为每个严重程度的赋值对应的健康度；为每个所述健康度映射一个初始故障检测模型对应的输出状态，得到所述初始训练样本；所述待检测组件为所述柴油机组的定子；
样本处理模块，用于对所述初始训练样本进行预处理，得到中间训练样本，还用于：对所述初始训练样本中的缺失数据和离群点数据进行数据清洗；对清洗后的初始训练样本进行数据重构，定义数据切分的滑动窗口长度、滑动窗口步长、数据序列段的数量、定子原始电流信号切片和定子原始电压信号切片，得到所述中间训练样本，表示为：
其中，L为滑动窗口长度；s为滑动窗口步长；k表示第k个数据序列段，{I1,I2,…,Ik}为转子原始电流信号切片；{F1,F2,…,Fk}为转子原始电压信号切片；Δfi表示一阶差分运算，Δfi＝fi-fi-1；
样本分类模块，用于对所述中间训练样本按所述柴油机组的工况进行分类，得到每个工况下的训练集和测试集，以组成目标训练样本，还用于：得到不同工况下在所述滑动窗口步长内的电流峰值、电流均值、电压波动特征和定子温度，表示为：
其中，滑动窗口内电流峰值Imax,电流均值Imean，电压波动特征ΔU和定子温度Tstator；
模型训练模块，用于构建用于检测所述柴油机组的故障信息的初始故障检测模型，并基于所述目标训练样本训练所述初始故障检测模型，得到训练好的目标故障检测模型，还用于通过输入数据和输出数据训练所述初始故障检测模型，输入数据和输出数据表示为： 其中，其中，Xstator为定子故障预测模型输入；/>为定子故障预测模型输出健康度标签；g表示第g个样本；
故障检测模块，用于根据所述目标故障检测模型对所述柴油机组进行故障检测。
5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时实现如权利要求1～3中任意一项所述方法的步骤。
6.一种计算机设备，包括处理器、存储器和存储于所述存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1～3中任意一项所述方法的步骤。
CN202310432082.6A 2023-04-20 2023-04-20 柴油机组故障检测方法和*** Active CN116699390B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310432082.6A CN116699390B (zh) 2023-04-20 2023-04-20 柴油机组故障检测方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310432082.6A CN116699390B (zh) 2023-04-20 2023-04-20 柴油机组故障检测方法和***

Publications (2)

Publication Number Publication Date
CN116699390A CN116699390A (zh) 2023-09-05
CN116699390B true CN116699390B (zh) 2024-04-26

Family

ID=87830080

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310432082.6A Active CN116699390B (zh) 2023-04-20 2023-04-20 柴油机组故障检测方法和***

Country Status (1)

Country Link
CN (1) CN116699390B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110162014A (zh) * 2019-05-29 2019-08-23 上海理工大学 一种集成多种智能算法的制冷***故障诊断方法
CN110837718A (zh) * 2019-11-07 2020-02-25 交控科技股份有限公司 道岔故障检测方法、装置、电子设备及存储介质
CN112393931A (zh) * 2019-08-13 2021-02-23 北京国双科技有限公司 检测方法、装置、电子设备和计算机可读介质
CN113486868A (zh) * 2021-09-07 2021-10-08 中南大学 一种电机故障诊断方法及***
CN114154254A (zh) * 2021-08-30 2022-03-08 华北电力大学 一种燃气轮机电动执行器故障诊断方法
CN114856811A (zh) * 2022-05-25 2022-08-05 哈尔滨工业大学（威海） 柴油发动机空气***健康评估方法
CN115270993A (zh) * 2022-08-23 2022-11-01 南通思诺船舶科技有限公司 柴油机组状态检测方法及***
CN115510926A (zh) * 2022-11-23 2022-12-23 武汉理工大学 跨机型的柴油机燃烧室故障诊断方法及***
CN115683235A (zh) * 2022-12-28 2023-02-03 常州检验检测标准认证研究院 一种工业机器人伺服电机振动故障检测方法及装置
CN115758208A (zh) * 2022-11-09 2023-03-07 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 牵引变流器故障诊断方法、装置、计算机设备和存储介质
CN115859077A (zh) * 2022-11-10 2023-03-28 浙江舜云互联技术有限公司 一种变工况下多特征融合的电机小样本故障诊断方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10956632B2 (en) * 2018-12-27 2021-03-23 Utopus Insights, Inc. Scalable system and engine for forecasting wind turbine failure

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110162014A (zh) * 2019-05-29 2019-08-23 上海理工大学 一种集成多种智能算法的制冷***故障诊断方法
CN112393931A (zh) * 2019-08-13 2021-02-23 北京国双科技有限公司 检测方法、装置、电子设备和计算机可读介质
CN110837718A (zh) * 2019-11-07 2020-02-25 交控科技股份有限公司 道岔故障检测方法、装置、电子设备及存储介质
CN114154254A (zh) * 2021-08-30 2022-03-08 华北电力大学 一种燃气轮机电动执行器故障诊断方法
CN113486868A (zh) * 2021-09-07 2021-10-08 中南大学 一种电机故障诊断方法及***
CN114856811A (zh) * 2022-05-25 2022-08-05 哈尔滨工业大学（威海） 柴油发动机空气***健康评估方法
CN115270993A (zh) * 2022-08-23 2022-11-01 南通思诺船舶科技有限公司 柴油机组状态检测方法及***
CN115758208A (zh) * 2022-11-09 2023-03-07 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 牵引变流器故障诊断方法、装置、计算机设备和存储介质
CN115859077A (zh) * 2022-11-10 2023-03-28 浙江舜云互联技术有限公司 一种变工况下多特征融合的电机小样本故障诊断方法
CN115510926A (zh) * 2022-11-23 2022-12-23 武汉理工大学 跨机型的柴油机燃烧室故障诊断方法及***
CN115683235A (zh) * 2022-12-28 2023-02-03 常州检验检测标准认证研究院 一种工业机器人伺服电机振动故障检测方法及装置

Also Published As

Publication number Publication date
CN116699390A (zh) 2023-09-05

Similar Documents

Publication Publication Date Title
CN115270993B (zh) 柴油机组状态检测方法及***
JP6557110B2 (ja) 状態診断装置及びプログラム
CN111259990B (zh) 基于多源信息融合的海水泵故障监测装置与诊断方法
CN113485302B (zh) 基于多元时序数据的车辆运行过程故障诊断方法及***
CN110751207A (zh) 基于深度卷积域对抗迁移学习的故障诊断方法
CN113486868B (zh) 一种电机故障诊断方法及***
CN113396369B (zh) 异常检测装置
US20220230023A1 (en) Anomaly detection method, storage medium, and anomaly detection device
CN116428124A (zh) 一种基于同型号设备数量较多的故障诊断方法
CN115563095B (zh) 基于时序序列的数据重构方法及***
CN116699390B (zh) 柴油机组故障检测方法和***
CN114742234A (zh) 故障诊断模型训练方法、故障诊断方法及相关装置
CN115601327B (zh) 主推进柴油机组的故障检测方法及***
CN106338307B (zh) 具有偏航状态监测功能的风电机组状态监测***和方法
CN117036732A (zh) 一种基于融合模型的机电设备检测***、方法及设备
CN116380466A (zh) 基于增强事件视觉数据的滚动轴承智能故障诊断方法及***
CN116317800A (zh) 基于温度时序输入的永磁同步电机温度预测方法和***
CN115236272A (zh) 多工况条件下的气体传感器故障诊断方法、装置及存储介质
CN113094940B (zh) 机内测试指标确定方法和用于航空产品的机内测试方法
CN115099264A (zh) 船舶零件故障诊断方法及装置、计算机和计算机储存介质
Feng et al. Prediction of gyro motor's state based on grey model and BP neural network
CN112525530B (zh) 用于滚动轴承的部件的损伤预测的方法
Kammerer et al. Comparison of Predictive Maintenance Methods for Thermal Systems
CN116992338B (zh) 基于典型变量分析的飞行器imu传感器故障检测方法和装置
CN116659875A (zh) 基于前馈神经网络的柴油机组检测方法和***

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