[发明专利]发动机性能退化趋势预测方法

说明书

本发明涉及一种发动机性能退化趋势预测方法，包括以下步骤：步骤一、监测数据序列重构；步骤二、构建灰色相关向量机预测模型；步骤三、构建改进相关向量机模型；步骤四、构建换油后油液监测数据修正模型。本发明的改进RVM模型构建适用于OLVF监测数据的预测方法，深入挖掘OLVF监测数据中的隐含信息，可以实现发动机的整体趋势预测，解决了以往方法手段无法准确实现发动机性能退化趋势预测的技术难题。同时，本发明的改进RVM模型通过对发动机油液监测过程中的噪声数据进行重构，在消除噪声点的同时保留整体趋势和突变信息，在预测数据量递增、尤其针对在线监测源源不断数据量的情况下，仍然保持准确的预测结果。

技术领域

本发明属于摩擦学及故障诊断交叉技术领域，具体涉及一种发动机性能退化趋势预测方法。

背景技术

随着经济的发展，我国已成汽车生产和消费大国。汽车发动机是一个复杂的机械系统，由数千个零件组成，主要失效形式是磨损或者与磨损相关的失效，在发动机总成故障中占47.2％。

但是目前发动机磨损状态监测的主要手段是停机拆检。停机拆检对查找故障原因更直接，但效率低、周期长。换个角度看，有磨损就会产生磨屑，磨屑携带机器磨损信息进入润滑油中。对润滑油实施在线监测就可望对发动机的磨损状态做出实时判断。在线油液监测技术可以方便地实现发动机润滑油磨粒浓度变化的在线监测和零件磨损状态的不解体识别。例如西安交通大学开发的在线图像可视铁谱仪(OLVF)兼有直读铁谱和分析铁谱的功能，可分析发动机润滑油中磨粒浓度、尺寸等，实时获取系统的磨损信息，实现了采样过程的参数化和自动化。

在已有的油液监测手段的基础上，许多学者尝试进行了装备性能退化趋势预测方法的研究。趋势预测方法主要包括基于模型预测和基于数据预测两种。

基于模型的故障预测技术要求对象系统的数学模型具有较高的精度，而针对复杂的动态系统通常难以建立精确的数学模型，这限制了基于模型的预测技术的实际应用范围和效果。基于数据的预测技术不需要或只需要少量的对象系统的先验知识(数学模型和专家经验)，以采集的数据为基础，通过各种数据分析处理方法挖掘其中隐含信息进行预测操作，成为一种较为实用的预测方法。

利用油液监测数据进行汽车装备寿命预测时，主要采用基于数据驱动的预测模型。为了从“整机”磨损信息中获取反映机器装备系统磨损状态的特征，其关键是趋势预测技术。基于数据的趋势预测主要采用一些传统预测方法，典型的有：神经网络、隐马尔可夫模型等。

传统的预测方法虽然很多，但并不完全适于油液监测技术，要单独利用任何一种方法准确评估发动机的磨损状态还有一定的困难。汽车发动机系统是一个复杂的时变系统，具有高度的非线性和不确定性，这种不确定性使得很难精确的建立主观模型，由此有必要考虑磨损机理、根据发动机系统的时变性特点来进行动态预测，提高预测的精度和可信度。

相比其他方法，相关向量机可以避免上述算法的缺陷。但是利用相关向量机还不能做到根据预测结果对发动机的健康状态自动做出客观准确的判断。

综上，以往研究存在如下问题：

(1)对发动机润滑系统中磨粒浓度的变化规律缺少深入研究，未从系统角度研究磨损率、外界条件及系统环境对磨粒浓度产生影响；

(2)油液监测数据受外界干扰、测量误差和监测所得信息不完整等因素影响而带有的“噪声”，影响了特征信息的提取，无法揭示装备的真实状态；

(3)对于油液监测数据与发动机磨损状态之间、发动机磨损演化规律与发动机寿命之间的关联性仍不明朗，所以有必要从系统角度来研究发动机油液监测数据与磨粒浓度变化规律之间的对应关系，进而根据油液监测数据预测发动机磨损状态和剩余寿命。

因此，随着在线油液监测技术的发展，本发明利用其中的在线可视铁谱技术(OLVF)，从OLVF监测所得信息中提取出磨损特性，并做出剩余寿命预测。

发明内容