[发明专利]基于三点模型的柴油机故障预测方法

摘要

本发明的目的在于提供基于三点模型的柴油机故障预测方法，首先采集柴油机运行状态数据并进行数值滤波，获得无干扰时序数列。继而拟合时序状态参数变化趋势，建立柴油机三点预测模型，据此前向外推，获得预测数据，从而实现对柴油机未来工作状态的趋势预测。根据本发明的故障诊断结果，可以在设备劣化初期准确预测出柴油机未来劣化趋势，指导工作人员对柴油机视情维修；本发明基于三点模型预测柴油机故障，具有不需要样本数据全部统计特征、运算简捷、使用方便、结果准确以及尤其适用于近期预测等优点。

主权项

基于三点模型的柴油机故障预测方法，其特征是：(1)等时采集检测柴油机运行参数，所采集的运行参数包括：功率、油耗率、转速、烟度、噪声、滑油压力、排气温度、增压后进气压力；(2)将获得的柴油机运行参数进行中位值滤波，将含有噪声的运行参数转换为无干扰信号，对于每一项参数，按照时间顺序，由远及近分别构成建模原序列；(3)将所获取的无干扰信号作为建模数据，获取三点坐标：三点坐标的获取步骤如下：a、基于三点法的预测模型包括三种：二次抛物线型、直线型与指数曲线型、三次抛物线型，从中选择一种预测模型，建立柴油机运行参数三点模型；b、确定三点坐标：对于柴油机的一项运行参数，三点纵坐标的确定应满足如下原则：1)原序列总项数N应当是奇数，此时N＝n,当总项数为偶数时，则去除第一项检测数据，使N奇数化，此时N‑1＝n，n为实际序列总项数，同时，n不小于9；2)若实际序列总项数9≤n＜15，则在保持检测数据排列顺序不变的前提下，抽取实际序列的前3项、正中3项、后3项检测数据，分别构成初期、中期、近期子序列；每个子序列算出一个加权平均数，得到的三个加权平均数就是需要确定的三点的纵坐标；对于每一子序列，检测数据对应权数的选择由远及近分别取1、2、3；3)若实际序列总项数n≥15，则在保持检测数据排列顺序不变的前提下，抽取原序列的前5项、正中5项、后5项检测数据，分别构成初期、中期、近期子序列；每个子序列算出一个加权平均数，得到的三个加权平均数就是需要确定的三点的纵坐标；对于每一子序列，检测数据对应权数由远及近依次选取1、2、3、4、5；在满足以上三个原则的前提下，将初期、中期、近期三点的坐标分别设为M₁(t₁,R),M₂(t₂,S),M₃(t₃,T)其中，M₁,M₂,M₃分别代表初期、中期、近期三点；t₁,t₂,t₃分别为初期、中期、近期三点横坐标；R,S,T分别为初期、中期、近期三点纵坐标；设正中项数实际序列各项检测值为y₁、y₂、…y_d…y_n；因此对于五项加权平均，三点的纵坐标为：$R=\frac{1}{15}(y_1+2y_2+3y_3+4y_4+5y_5)$$S=\frac{1}{15}(y_{d-2}+2y_{d-1}+3y_d+4y_{d+1}+5y_{d+2})$$T=\frac{1}{15}(y_{n-4}+2y_{n-3}+3y_{n-2}+4y_{n-1}+5y_n)$对于三项加权平均，三点的纵坐标为：$R=\frac{1}{6}(y_1+2y_2+3y_3)$$S=\frac{1}{6}(y_{d-1}+2y_d+3y_{d+1})$$T=\frac{1}{6}(y_{n-2}+2y_{n-1}+3y_n)$同样的，三点的横坐标也取各项检测值对应时间点的加权平均数；对于五项加权平均，三点横坐标为：$t_1=\frac{1}{15}(1+2\×2+3\×3+4\×4+5\×5)=\frac{11}{3}=3+\frac{2}{3}$$t_2=d+\frac{2}{3}=\frac{n+1}{2}+\frac{2}{3}=\frac{3n+7}{6}$$t_3=(n-2)+\frac{2}{3}=n-\frac{4}{3}$对于五项加权平均，三点的坐标为：$M_1(\frac{11}{3},R),M_2(\frac{3n+7}{6},S),M_3(n-\frac{4}{3},T)$对于三项加权平均，三点的横坐标为：$t_1=\frac{1}{6}(1+2\×2+3\×3)=\frac{7}{3}=2+\frac{1}{3}$$t_2=d+\frac{1}{3}=\frac{n+1}{2}+\frac{1}{3}=\frac{3n+5}{6}$$t_3=(n-1)+\frac{1}{3}=n-\frac{2}{3}$对于三项加权平均，三点的坐标为：$M_1(\frac{7}{3},R),M_2(\frac{3n+5}{6},S),M_3(n-\frac{2}{3},T)$(4)计算趋势线模型参数估计值，并生成预测数据：对于二次抛物线型，其预测趋势线模型为对于直线型和指数曲线型，其预测趋势线模型分别为和对于三次抛物线型，其预测趋势线模型为将步骤(3)中三点坐标带入，求得各预测模型的参数估计值，完成建模；在此基础上，生成预测数据；(5)返回步骤(3)建立模型，直至获得所有所需柴油机运行状态参数预测值。