CN117034109A - 基于分段阈值的发动机油液磨粒分析方法、***及计算机可读存储介质 - Google Patents
基于分段阈值的发动机油液磨粒分析方法、***及计算机可读存储介质 Download PDFInfo
- Publication number
- CN117034109A CN117034109A CN202310968076.2A CN202310968076A CN117034109A CN 117034109 A CN117034109 A CN 117034109A CN 202310968076 A CN202310968076 A CN 202310968076A CN 117034109 A CN117034109 A CN 117034109A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- oil
- lubricating oil
- data
- engine
- 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
- 239000006061 abrasive grain Substances 0.000 title claims abstract description 32
- 239000010705 motor oil Substances 0.000 title claims abstract description 28
- 238000004458 analytical method Methods 0.000 title claims abstract description 27
- 230000011218 segmentation Effects 0.000 title claims abstract description 17
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 238000012544 monitoring process Methods 0.000 claims abstract description 176
- 239000010687 lubricating oil Substances 0.000 claims abstract description 128
- 239000002245 particle Substances 0.000 claims abstract description 112
- 239000003921 oil Substances 0.000 claims abstract description 90
- 238000009826 distribution Methods 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 7
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims 1
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 10
- 238000005299 abrasion Methods 0.000 description 8
- 230000036541 health Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 239000007788 liquid Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000001050 lubricating effect Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
- G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Lubrication Details And Ventilation Of Internal Combustion Engines (AREA)
Abstract
本发明属于智能维修与大数据分析技术领域,提供了一种基于分段阈值的发动机油液磨粒分析方法、***及计算机可读存储介质;方法包括:步骤S1:对油液磨粒数据进行预处理,得到预处理滑油数据;步骤S2:将预处理滑油数据分别按照不同的滑油时间或发动机时间,划分为N个不同的监测区间段;步骤S3:选取滑油监测指标,并对每个监测区间段内的滑油监测指标拟合其数值分布,确定其分布类型;步骤S4:基于置信度,根据不同的监测区间段,设置滑油监测指标的阈值;步骤S5:根据滑油监测指标和所述阈值,对不同的监测区间段内的磨粒超限进行差异化预警。本发明充分考虑到了发动机不同状态下其磨粒浓度的差异性,监测预警方法更加严谨、科学。
Description
技术领域
本发明属于智能维修与大数据分析技术领域,具体的说,是涉及基于分段阈值的发动机油液磨粒分析方法、***及计算机可读存储介质。
背景技术
润滑油作为机械的“血液”,包含着设备润滑状态和磨损状态等大量信息,因此油液监测方法已经成为重大装备健康状态监测的重要手段。而润滑油中携带的磨损直接产物磨粒,成了重要的研究对象,对滑油中磨粒进行监测分析对于日常监测维护发动机状态具有重要的意义。
现有技术中,滑油磨粒监测分析方法,主要借助于光谱仪、铁谱仪等仪器对滑油中磨粒的浓度、形态等进行检测,并通过数值分析、图像识别等手段进行滑油磨粒异常的监测预警。此外,部分发动机设备中由于安装有油液传感器,因而也可以基于油液传感器监测滑油中的电压信号,并利用信号处理手段进行处理,从而实现对油液磨粒的间接监测。
现有的油液磨粒监测方法主要存在以下不足:(1)现有监测分析方法高度依赖于特殊的设备,如铁谱仪、综合检测仪器等,油液磨粒的监测指标相对比较复杂;(2)部分研究基于深度学习,使用带有发动机故障标签的模拟数据进行有监督的学习训练,实现基于磨粒浓度数据对发动机故障的监测,但是实际中发动机的故障数据极少,限制了模型在实际应用中的准确性和日常健康管理监测的可靠性;(3)一些机构根据发动机发生明显故障时的磨粒浓度来设定日常监测预警的警戒值,该技术手段无法满足设备日常健康监测的需要,无法在设备磨损的早期进行预警。
发明内容
本发明的目的在于提供一种基于分段阈值的发动机油液磨粒分析方法,以解决现有技术所存在的技术问题。
为了实现上述目的,本发明采取的技术方案如下:
基于分段阈值的发动机油液磨粒分析方法,包括:
步骤S1:对油液磨粒数据进行预处理,得到预处理滑油数据;
步骤S2:将预处理滑油数据分别按照不同的滑油时间或发动机时间,划分为N个不同的监测区间段,N≥2;
步骤S3:选取滑油监测指标,并对每个监测区间段内的滑油监测指标拟合其数值分布,确定其分布类型;
步骤S4:基于置信度,根据不同的监测区间段,设置该监测区间段内的滑油监测指标的阈值;
步骤S5:根据滑油监测指标和所述阈值,对不同的监测区间段内的磨粒超限进行差异化预警。
在一种实施方案中,还包括步骤S6:阈值优化,根据预警结果,通过调整置信度的方式,调整滑油监测指标的阈值。
进一步的,所述步骤S1中的预处理包括:(1)对于无法解析获得发动机时间或滑油时间的,或者得到的发动机时间或滑油时间有错误的,弃用该条数据,并将该条数据标记为异常;(2)针对相同飞机及发动机,一天内测量多次的,只留取最新的一条数据。
进一步的,所述滑油监测指标包括滑油磨粒元素浓度和滑油磨粒元素浓度增长率。
进一步的,所述滑油磨粒元素浓度增长率通过选取与当前数据点前后相邻的K个滑油磨粒元素浓度数据来计算,其中,K值为设定值。
进一步的,所述步骤S4中阈值的设置方法具体如下:根据所述的分布类型,确定出特定置信度下分布的上分位数,并将其作为滑油监测指标数值超限的阈值。
进一步的,所述步骤S5中的预警包括:(1)当滑油磨粒元素浓度和滑油磨粒元素浓度增长率两项指标均异常,则判断发动机油液监测异常;(2)当滑油磨粒元素浓度和滑油磨粒元素浓度增长率其中一项指标异常,则判断发动机油液监测异常。
进一步的,所述油液磨粒数据是指通过油液中磨粒监测仪器对定期抽样采集的发动机润滑油进行磨粒检测得到的磨粒浓度数据。
为了实现上述目的,本发明还提供了一种实现如上所述的基于分段阈值的发动机油液磨粒分析方法的***,包括:
数据预处理模块:对油液磨粒数据进行预处理,得到预处理滑油数据;
监测区间划分模块:将预处理滑油数据分别按照不同的滑油时间或发动机时间,划分为N个不同的监测区间段,N≥2;
滑油监测指标选取模块:选取滑油监测指标,并对每个监测区间段内的滑油监测指标拟合其数值分布,确定其分布类型;
滑油监测指标阈值设置模块:基于置信度,根据不同的监测区间段,设置该监测区间段内的滑油监测指标的阈值;
差异化预警模块:根据滑油监测指标和所述阈值,对不同的监测区间段内的磨粒超限进行差异化预警。
为实现上述目的,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行,以实现所述的基于分段阈值的发动机油液磨粒分析方法。
与现有技术相比,本发明具备以下有益效果:
(1)本发明基于油液磨粒数据,按照不同的滑油时间或发动机时间对滑油数据划分不同的监测区间段,在不同的监测区间段中针对性地设置磨粒浓度阈值,充分考虑到了发动机不同状态下其磨粒浓度的差异性,监测预警方法更加严谨、科学。
(2)本发明仅需要磨粒浓度数据,对检测仪器功能要求低,所提出的数据分析方法原理简明易懂、计算方法简单,尤其是对于飞机油液分析条件较差的基层单位,具有较强的现实推广意义。
(3)本发明中通过拟合监控指标分布,从而基于设定的置信度计算阈值,相比于传统方法中基于统计结果设定的固定阈值,本发明中提出的阈值可以根据数据拟合的分布类型以及用户设置的置信度进行调整,更加灵活。
附图说明
图1为滑油时间在0-200h时Fe元素浓度数值分布和拟合分布。
图2为滑油时间在200-400h时Fe元素浓度数值分布和拟合分布。
图3为滑油时间在400-600h时Fe元素浓度数值分布和拟合分布。
图4为发动机时间在0-500h时Fe元素浓度增长率的数值分布和拟合分布。
图5为发动机时间在500-1000h时Fe元素浓度增长率的数值分布和拟合分布。
图6为发动机时间在1000-1500h时Fe元素浓度增长率的数值分布和拟合分布。
图7为发动机时间在1500-2000h(即1500h以上)Fe元素浓度增长率数值分布和拟合分布。
图8为本发明的流程示意图。
图9为本发明-实施例2的原理框图。
具体实施方式
为了使得本领域技术人员对本发明有更清晰的认知和了解,以下结合实施例对本发明进行进一步的详细说明。应当知晓的,下述所描述的具体实施例只是用于解释本发明,方便理解,本发明所提供的技术方案并不局限于下述实施例所提供的技术方案,实施例所提供的技术方案也不应当限制本发明的保护范围。
实施例1
如图8所示,本实施例提供了一种基于分段阈值的发动机油液磨粒分析方法,该方法基于滑油磨粒浓度数据,按照不同的滑油时间或发动机时间对滑油数据划分不同的监测区间段,在不同的监测区间段中针对性地设置磨粒浓度阈值,通过油液中磨粒浓度的监测分析,实现通过滑油磨粒监测对发动机异常情况的监测预警。
本实施例中,基于分段阈值的发动机油液磨粒分析方法的具体内容如下:
一、对油液磨粒数据进行预处理,得到预处理滑油数据
油液磨粒数据,是指通过油液中磨粒监测仪器(如光谱仪等)对定期抽样采集的发动机润滑油进行磨粒检测得到的磨粒浓度数据,其属于现有数据,由于检测设备以及数据导出等多种原因,实际中,原始的油液磨粒数据往往存在较多的错误,为确保发动机磨粒分析的准确性,故需要对油液数据进行预处理,剔除脏数据。
本实施中,主要的数据预处理方式包括:(1)对于无法解析获得发动机时间或滑油时间的,或者得到的发动机时间(滑油时间)有错误的,分析时弃用该条数据,并将该条油液数据标记为异常,以提醒数据采集人员对该数据重新校正;(2)相同飞机及发动机,一天内测量多次的,只留取最新的一条数据。需要说明的是,由于油液监测的目的即为发现油液磨粒数据中的异常值,因此在数据预处理时不设置数值的合理取值范围,从而避免误删重要的异常值。
例如:该批次的滑油磨粒数据,来源于某型号的光谱仪,该仪器导出的数据中,发动机时间、滑油时间、飞机型号、不同元素的浓度值等字段以拼接文本的形式存储,因而首先要按照该仪器导出文本的格式进行解析,剔除无法正常解析或者重复出现的数据。
二、将预处理滑油数据分别按照不同的滑油时间或发动机时间,划分为N个不同的监测区间段,N≥2
滑油中磨粒浓度,往往受到多方面因素影响,其中重要因素包括:发动机的使用时长、滑油的使用时长、换油频次等,发动机使用时间越长,器件的磨损随着时间累积可能愈发严重,产生的磨粒数量也会越多,而每次换油都会导致滑油中的磨粒浓度发生较大波动,同时由于磨粒是悬浮在滑油中,随着滑油时间的累积和磨粒的沉积,滑油中的磨粒浓度也会发生相应变化。
本发明申请人发现在不同的发动机时间或滑油时间,滑油中的磨粒浓度存在较大差异,在对滑油磨粒浓度数据进行监控分析时,必须考虑磨粒数据对应的发动机时长和滑油时长的影响。
与现有技术中,采用不区分不同发动机状态下油液磨粒浓度的差异性的技术手段相比,本实施例充分考虑到由于不同的滑油时间(或发动机时间)上磨粒数据存在显著差异,因此进行磨粒数据监测时,需要区分磨粒数据所属的滑油时间(或发动机时间)单独进行监测分析。显然,不可能每个滑油时间都设定一个监测标准,因此,需要将滑油时间(或发动机时间)划分为离散的不同的区间段,针对不同区间段的磨粒数据,分析其数值上的差异性,基于不同区间段,针对每个不同区间段,单独设定监测阈值标准,以实现差异化的监测预警。
因此,本实施例将油液数据按照不同的滑油时间和发动机时间,划分为不同的区间。例如:考虑滑油时间对滑油数据的影响时,由于滑油采样监测业务中,通常每50小时进行采样,滑油时间最长约为600小时,因此滑油时间间隔宜选取50小时的整数倍(如50小时、100小时、200小时等),例如:现有数据中滑油时间最长为600小时,可以设定区间大小为200小时,则据此将数据划分为:滑油时间在0~200h、200~400h、400~600h三个监测区间段。按照选定的滑油时间区间间隔,将现有的所有滑油采样数据,按照该时间间隔进行划分。
区间划分时,既可以根据滑油时间划分,也可以根据发动机时间划分。例如:考虑发动机时间对滑油数据的影响时,由于滑油按照每隔50小时采样,而发动机时间最长约为2000小时,因此发动机时间间隔同样适宜选取50小时的整倍数(如200小时、500小时、1000小时等),按照选定的发动机时间间隔对滑油数据进行划分,例如:现有数据中发动机时间最长为2000小时,可设定区间大小为500小时,则据此将数据划分为:滑油时间在0~500h、500~1000h、1000~1500h、1500~2000h四个监测区间段。
需要说明的是,划分的区间大小和区间数量也可以灵活调整,不同的区间划分方式,其后续步骤中确定的监测指标的区间阈值也会存在差异,可以根据分析的需求和效果进行灵活调整。
三、选取滑油监测指标,并对每个监测区间段内的滑油监测指标拟合其数值分布,确定其分布类型
油液磨粒浓度数据中,含有各重点元素的浓度占比,不同的金属元素体现了不同的磨损类型和磨损部位,不同的磨粒元素浓度体现了油液中磨粒数量的变化,间接体现了磨损程度的变化;同时,根据器件磨损的原理,器件磨损加剧,油液中磨粒浓度增长率也会变大。
结合本发明的设计原理,本实施例中滑油监测指标选取两项指标:滑油磨粒元素浓度和滑油磨粒元素浓度增长率,作为滑油的重点监测指标,引入滑油磨粒元素浓度增长率指标的优点在于磨粒浓度数据容易受到多因素干扰,仅考虑磨粒浓度容易造成较大偏差,引入该指标后,可提高预警精确度。
磨粒元素浓度即为重点元素的浓度数值,直接获取,重点元素是指在日常的油液质量监测业务中,根据其分析需求确定的重点关注的磨粒元素,如Fe元素、Cu元素、Cr元素等,重点元素可以根据监测需求灵活调整,在此不作特别限定;磨粒元素浓度增长率通过选取与当前数据点前后相邻的K个磨粒元素浓度数据来计算浓度增长率,K值为设定值,其取值根据数据量大小进行设置调整,在此不作特别限定。
选取滑油监测指标后,基于监测区间段的划分,对每个监测区间段内所有滑油数据的监测指标值,拟合其数值分布。拟合数值分布,是指先统计出监测指标值的数值分布,然后用现有的常见分布函数拟合该统计分布,求解分布的参数,从而确定监测指标值的分布类型;通常,数值统计和分布拟合,往往通过工具完成,例如python库中的distfit函数或者通过matlab等工具软件自动化实现。
例如:针对“滑油磨粒元素浓度”监测指标,重点考虑滑油时间的影响,将原始的磨粒数据,按照不同滑油时间区间进行划分(即0-200h,200-400h,400-600h三个监测区间段),在每个滑油时间区间上单独统计分析“滑油磨粒元素浓度”,每个区间上的滑油磨粒元素浓度监测指标的数值分布和拟合分布如图1、图2、图3所示。图1、图2、图3分别展示的是在0-200小时,200-400小时,400-600小时不同区间上滑油磨粒监测指标“Fe元素浓度”的数值分布以及其拟合分布。如图1、图2、图3所标注的,拟合误差最小的分布分别为指数分布、指数分布、lognorm分布,可以看出不同时间区间中滑油磨粒数据的数值分布和拟合分布都存在差异性,由此进一步验证了对数据进行分区监测的必要性。
再例如:针对“滑油磨粒元素浓度增长率”监测指标,重点考虑滑发动机时间的影响,将原始的磨粒数据,按照不同发动机时间区间(即0~500h、500~1000h、1000~1500h、1500~2000h以上四个监测区间段)进行划分,在每个发动机时间区间上单独统计分析“滑油磨粒元素浓度增长率”,其数值分布和拟合分布如下图4、图5、图6、图7所示。
四、基于置信度,根据不同的监测区间段,设置该监测区间段内的滑油监测指标的阈值
现有技术所采用的技术手段:阈值的设定过程单凭经验或者简单的数值统计,其主要存在设置方法不够科学,设置的固定阈值高度依赖经验,而且无法随着设备状态的改变、历史数据的累积而动态调整,不利于油液磨粒的长期、精确监测的技术问题;与之不同的是,本实施例基于上述拟合监测指标数值确定的分布类型,确定出特定置信度下分布的上分位数,将其作为监测指标数值超限的阈值。历史滑油数据越多,每个区间中数据拟合分布的结果越准确,进而确定的阈值越准确,预警结果也就越可靠。
需要说明的是,一般置信度越高,阈值设置越严格,容易造成监控预警的漏警率较高,反之,置信度越低,则容易造成监控预警的虚警率较高。该置信度的数值可根据监控需求进行设置。进一步地,对于不同的磨粒监测元素(如Fe、Cu、Cr等)、不同的磨粒监测指标(如磨粒元素浓度、磨粒元素浓度增长率),实践中可以结合具体的监控需要和分析重点进行差异化设置。根据设定的置信度,确定某个分布上分位数的方法,是常规统计分析方法,往往通过统计工具自动计算,在此不再赘述。
例如:设置置信度为0.005,针对步骤三中拟合得到的分布,基于置信度,对于每个区间段的数据,求解得到分布的上分位数,即为该区间段内数据的滑油监测指标阈值。以Fe元素、Cu元素为例,其“滑油磨粒元素浓度”的监测阈值如表1所示:
表1滑油监测指标“滑油磨粒元素浓度”在不同滑油时间区间上的监测阈值
从表1可以看出,相比于依靠经验和故障数据确定的单一固定阈值,本实施例提出的方法给出了在不同滑油时间下的滑油监测阈值,预警更具有灵活性和针对性,而且数值普遍比传统方法中依据故障数据给出的警戒阈值低,可以在发动机异常的早期就给出预警提醒,提高设备日常健康监测的及时性。
同理,对于磨粒浓度增长率,设置置信度为0.01,可以得到“滑油磨粒元素浓度增长率”的监测阈值如表2所示:
表2滑油监测指标“滑油磨粒元素浓度增长率”在不同发动机时间区间上的监测阈值
从表2可以看出,相比于传统的经验规则阈值,本实施例给出了在不同的发动机时间下(即不同的发动机状态阶段)滑油中磨粒浓度增长率的监测阈值,预警更加灵活和及时。
五、根据滑油监测指标和阈值,对不同的监测区间段内的磨粒超限进行差异化预警
不同的时间区间,对应了发动机和滑油的不同状态,状态不同,其磨粒浓度数据的异常表现也不同,因此,基于本实施例所提供之技术手段,在利用滑油磨粒数据进行预警时,需要针对不同的时间区间进行差异化预警。
本实施例针对每个监测区间段计算得到该监测区间段对应的监测阈值,从而实现滑油监测的精细化预警,预警情况包括:(1)当滑油磨粒元素浓度和滑油磨粒元素浓度增长率两项指标均异常,则判断发动机油液监测异常;(2)当滑油磨粒元素浓度和滑油磨粒元素浓度增长率其中一项指标异常,则判断发动机油液监测异常。在另一种实施方案中,还可采用根据权重系数的预警,例如:对两项指标设置不同的重要性权重系数,通过加权求和给出综合预警得分,当综合预警得分超过一定范围时给出相应等级的预警等。作为优选地,为了尽量早地通过油液磨粒发现发动机异常,本实施例选择上述第(2)种预警方式。
例如:结合上述例子,通过前序步骤确定了两项油液磨粒监测指标“滑油磨粒元素浓度”和“滑油磨粒元素浓度增长率”以及其对应的告警阈值。在某飞行基地某次油液抽检中,检出Fe元素的元素浓度为7.2,其元素浓度增长率为1.72,根据该基地传统的固定阈值规则(见表1和表2),此次油液抽检结果两项指标均未超限,但是考虑到本次抽检中抽检的油液,其发动机时间(405小时)和油液时间(382小时)都比较小(即属于发动机早期阶段,而且是刚换的新油),针对该阶段状态,按照本发明提出的方法,此次抽检结果中,两项指标都已经超过了在当前发动机时间和油液时间状态下Fe元素浓度的告警阈值,由此发出预警。相比于传统的固定阈值规则,可以更加准确地进行滑油磨粒监测和发动机健康预警,及时地发现发动机的安全隐患。
需要说明的是,本发明的重点在于给出油液磨粒监测分析的方法,重在体现具有可操性的分析方法,即通过建立磨粒监测指标、设立监测阈值,从而给出磨粒超限的预警提示;而至于如何从单项指标的异常判断背后整体的异常,属于具体的业务规则和业务经验,可以结合具体的应用场景和业务需求(如预警强度、虚警容忍度、漏警容忍度等)进行选取,在此不作特别限定。
六、阈值优化
在实际的预警执行中,预警结果会存在预警的虚警率和漏警率,对虚警率和漏警率进行统计,并结合预警需求(如虚警容忍度、漏警容忍度等),通过调整置信度的方式,从而调整监控指标的阈值,不断改进油液监控预警,提高预警的准确性;一般置信度越高,阈值设置越严格,容易造成监控预警的漏警率较高,反之,置信度越低,则容易造成监控预警的虚警率较高。以漏警率为例,若漏警率较高,表明阈值设置偏严格,则可以调低置信度;以虚警率为例,若虚警率较高,表明阈值设置偏宽松,则可以调高置信度。
实施例2
如图9所示,本实施例提供了一种用于实现实施例1所提供的基于分段阈值的发动机油液磨粒分析方法的***,具体的说,该***包括:
数据预处理模块:对油液磨粒数据进行预处理,得到预处理滑油数据;
监测区间划分模块:将预处理滑油数据分别按照不同的滑油时间或发动机时间,划分为N个不同的监测区间段,N≥2;
滑油监测指标选取模块:选取滑油监测指标,并对每个监测区间段内的滑油监测指标拟合其数值分布,确定其分布类型;
滑油监测指标阈值设置模块:基于置信度,根据不同的监测区间段,设置该监测区间段内的滑油监测指标的阈值;
差异化预警模块:根据滑油监测指标和所述阈值,对不同的监测区间段内的磨粒超限进行差异化预警。
再进一步的优选方案中,还包括阈值优化模块,根据预警结果,通过调整置信度的方式,调整滑油监测指标的阈值;具体的说,可以根据预警结果统计预警的虚警率和漏警率,并结合预警需求,通过调整置信度的方式,从而调整监控指标的阈值,以达到不断改进油液监控预警的目的。
上述各模块的工作原理与实施例1所提供的方法一一对应,故在此不作赘述。
需要说明的是,应理解以上***的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如,某模块可以为单独设立的处理元件,也可以集成在装置的某一个芯片中实现,此外,也可以以程序代码的形式存储于装置的存储器中,由上述装置的某一个处理元件调用并执行某模块的功能,其他模块的实现与之类似。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里所述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如,以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路,或,一个或多个微处理器,或,一个或者多个现场可编程门阵列等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上***的形式实现。
实施例3
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行,以实现实施例1所提供的基于分段阈值的发动机油液磨粒分析方法。本领域普通技术人员可以理解:实现实施例1所提供方法的全部或部分步骤可以通过计算机程序相关的硬件来完成,上述的计算机程序可以存储于一计算机可读存储介质中,该程序在执行时,执行包括实施例1所提供方法的步骤;而上述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述即为本发明的优选实施方案。应当说明的是,本领域技术人员,在不脱离本发明的设计原理及技术方案的前提下,还可以作出若干的改进,而这些改进也应当视为本发明的保护范围。
Claims (10)
1.基于分段阈值的发动机油液磨粒分析方法,其特征在于,包括:
步骤S1:对油液磨粒数据进行预处理,得到预处理滑油数据;
步骤S2:将预处理滑油数据分别按照不同的滑油时间或发动机时间,划分为N个不同的监测区间段,N≥2;
步骤S3:选取滑油监测指标,并对每个监测区间段内的滑油监测指标拟合其数值分布,确定其分布类型;
步骤S4:基于置信度,根据不同的监测区间段,设置该监测区间段内的滑油监测指标的阈值;
步骤S5:根据滑油监测指标和所述阈值,对不同的监测区间段内的磨粒超限进行差异化预警。
2.根据权利要求1所述的基于分段阈值的发动机油液磨粒分析方法,其特征在于,还包括步骤S6:阈值优化,根据预警结果,通过调整置信度的方式,调整滑油监测指标的阈值。
3.根据权利要求1或2所述的基于分段阈值的发动机油液磨粒分析方法,其特征在于:所述步骤S1中的预处理包括:(1)对于无法解析获得发动机时间或滑油时间的,或者得到的发动机时间或滑油时间有错误的,弃用该条数据,并将该条数据标记为异常;(2)针对相同飞机及发动机,一天内测量多次的,只留取最新的一条数据。
4.根据权利要求3所述的基于分段阈值的发动机油液磨粒分析方法,其特征在于:所述滑油监测指标包括滑油磨粒元素浓度和滑油磨粒元素浓度增长率。
5.根据权利要求4所述的基于分段阈值的发动机油液磨粒分析方法,其特征在于:所述滑油磨粒元素浓度增长率通过选取与当前数据点前后相邻的K个滑油磨粒元素浓度数据来计算,其中,K值为设定值。
6.根据权利要求5所述的基于分段阈值的发动机油液磨粒分析方法,其特征在于:所述步骤S4中阈值的设置方法具体如下:根据所述的分布类型,确定出特定置信度下分布的上分位数,并将其作为滑油监测指标数值超限的阈值。
7.根据权利要求6所述的基于分段阈值的发动机油液磨粒分析方法,其特征在于,所述步骤S5中的预警包括:(1)当滑油磨粒元素浓度和滑油磨粒元素浓度增长率两项指标均异常,则判断发动机油液监测异常;(2)当滑油磨粒元素浓度和滑油磨粒元素浓度增长率其中一项指标异常,则判断发动机油液监测异常。
8.根据权利要求7所述的基于分段阈值的发动机油液磨粒分析方法,其特征在于,所述油液磨粒数据是指通过油液中磨粒监测仪器对定期抽样采集的发动机润滑油进行磨粒检测得到的磨粒浓度数据。
9.实现如权利要求1~8任一项所述的基于分段阈值的发动机油液磨粒分析方法的***,其特征在于,包括:
数据预处理模块:对油液磨粒数据进行预处理,得到预处理滑油数据;
监测区间划分模块:将预处理滑油数据分别按照不同的滑油时间或发动机时间,划分为N个不同的监测区间段,N≥2;
滑油监测指标选取模块:选取滑油监测指标,并对每个监测区间段内的滑油监测指标拟合其数值分布,确定其分布类型;
滑油监测指标阈值设置模块:基于置信度,根据不同的监测区间段,设置该监测区间段内的滑油监测指标的阈值;
差异化预警模块:根据滑油监测指标和所述阈值,对不同的监测区间段内的磨粒超限进行差异化预警。
10.一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,所述计算机程序被处理器执行,以实现权利要求1至8中任一项所述的基于分段阈值的发动机油液磨粒分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310968076.2A CN117034109A (zh) | 2023-08-03 | 2023-08-03 | 基于分段阈值的发动机油液磨粒分析方法、***及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310968076.2A CN117034109A (zh) | 2023-08-03 | 2023-08-03 | 基于分段阈值的发动机油液磨粒分析方法、***及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117034109A true CN117034109A (zh) | 2023-11-10 |
Family
ID=88629171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310968076.2A Pending CN117034109A (zh) | 2023-08-03 | 2023-08-03 | 基于分段阈值的发动机油液磨粒分析方法、***及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117034109A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110631624A (zh) * | 2019-09-04 | 2019-12-31 | 精英数智科技股份有限公司 | 一种识别矿井传感器运行数据异常的方法、装置及*** |
CN110926809A (zh) * | 2019-06-19 | 2020-03-27 | 山西大学 | 一种基于大数据分析的风电机组传动链故障预警方法 |
CN112946469A (zh) * | 2020-11-26 | 2021-06-11 | 华能澜沧江水电股份有限公司 | 一种用于水轮发电机的自适应动态告警阈值的监测方法 |
CN114220189A (zh) * | 2021-12-15 | 2022-03-22 | 震坤行工业超市(上海)有限公司 | 一种监测方法、预测***、电子设备及存储介质 |
CN115563180A (zh) * | 2022-09-19 | 2023-01-03 | 烽台科技(北京)有限公司 | 动态阈值生成方法、装置、设备及存储介质 |
CN116416764A (zh) * | 2021-12-31 | 2023-07-11 | 北京国双科技有限公司 | 报警阈值的生成方法和装置、电子设备和存储介质 |
-
2023
- 2023-08-03 CN CN202310968076.2A patent/CN117034109A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110926809A (zh) * | 2019-06-19 | 2020-03-27 | 山西大学 | 一种基于大数据分析的风电机组传动链故障预警方法 |
CN110631624A (zh) * | 2019-09-04 | 2019-12-31 | 精英数智科技股份有限公司 | 一种识别矿井传感器运行数据异常的方法、装置及*** |
CN112946469A (zh) * | 2020-11-26 | 2021-06-11 | 华能澜沧江水电股份有限公司 | 一种用于水轮发电机的自适应动态告警阈值的监测方法 |
CN114220189A (zh) * | 2021-12-15 | 2022-03-22 | 震坤行工业超市(上海)有限公司 | 一种监测方法、预测***、电子设备及存储介质 |
CN116416764A (zh) * | 2021-12-31 | 2023-07-11 | 北京国双科技有限公司 | 报警阈值的生成方法和装置、电子设备和存储介质 |
CN115563180A (zh) * | 2022-09-19 | 2023-01-03 | 烽台科技(北京)有限公司 | 动态阈值生成方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
王广伟: "发动机滑油信息综合与面向任务维修决策", 《中国优秀硕博士学位论文全文数据库(硕士) 信息科技辑》, no. 02, 15 June 2003 (2003-06-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110347116B (zh) | 一种基于运行数据流的机床状态监测***与监测方法 | |
CN110751371B (zh) | 基于统计四分位距的商品库存风险预警方法、***及计算机可读存储介质 | |
CN107436277B (zh) | 基于相似距离判别的单指标数据质量控制方法 | |
CN109186813A (zh) | 一种温度传感器自检装置及方法 | |
CN109816031B (zh) | 一种基于数据不均衡度量的变压器状态评估聚类分析方法 | |
CN111738308A (zh) | 基于聚类及半监督学习的监控指标动态阈值检测方法 | |
CN107679734A (zh) | 一种用于无标签数据分类预测的方法和*** | |
CN113344133B (zh) | 一种时序行为异常波动检测方法及*** | |
KR20160114666A (ko) | 감시 장치, 감시 방법 및 프로그램 | |
CN115876258A (zh) | 基于多源数据的畜禽养殖环境异常监测及报警*** | |
CN115858794B (zh) | 用于网络运行安全监测的异常日志数据识别方法 | |
CN115524002B (zh) | 一种电厂旋转设备的运行状态预警方法、***及存储介质 | |
CN118094449B (zh) | 基于工业互联网的生产智能监控方法、***及装置 | |
CN115033463A (zh) | 一种***异常类型确定方法、装置、设备和存储介质 | |
CN115410342A (zh) | 一种基于裂缝计实时监测的滑坡灾害智能预警方法 | |
CN116680113A (zh) | 一种设备检测实施控制*** | |
CN107463963A (zh) | 一种故障分类方法及装置 | |
CN117170303B (zh) | 一种基于多元时间序列预测的plc故障智能诊断维护*** | |
CN113129530B (zh) | 基于物联网和机器视觉的智能安防电子围栏报警*** | |
Chen et al. | THE APPLICATION OF MULTINOMIAL CONTROL CHARTS FOR INSPECTION ERROR. | |
CN207992717U (zh) | 一种水电站闸门在线状态监测*** | |
CN117034109A (zh) | 基于分段阈值的发动机油液磨粒分析方法、***及计算机可读存储介质 | |
CN112720071A (zh) | 多能域信号智能化融合的刀具实时状态监测指标构造方法 | |
CN111274949A (zh) | 一种基于结构分析的血液病白细胞散点图相似度分析方法 | |
CN116383645A (zh) | 一种基于异常检测的***健康度智能监测评估方法 |
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 |