[發明專利]一種基于關鍵性能指標的柴油機氣缸分層故障診斷方法

有效

• 申請號: 201811471865.0
• 申請日: 2018-12-04
• 公開（公告）號: CN109710983B
• 公開（公告）日: 2020-11-27
• 發明（設計）人: 楊瑩;張瑀涵;李鶴;何志晨;劉瑞杰
• 申請（專利權）人: 北京大學
• 主分類號: G06F30/20
• 分類號: G06F30/20
• 代理公司: 北京萬象新悅知識產權代理有限公司 11360
• 代理人: 黃鳳茹

1.一種基于關鍵性能指標的柴油機氣缸分層故障診斷方法，基于數據驅動，建立反映氣缸健康狀態的關鍵性能指標；針對柴油機氣缸組件關鍵性能指標的動態過程特性，構建關鍵性能指標預測器；通過分層診斷機制對柴油機氣缸組件進行分層故障診斷；包括如下步驟：

1)建立氣缸關鍵性能指標；關鍵性能指標包括設備層氣缸組件磨損綜合指標KPI和部件層各個氣缸的磨損指標kpi_i；

2)對歷史數據進行建模，建立基于可測過程變量的關鍵性能指標的預測器；

3)將待診斷數據輸入預測器，進行分層故障診斷，包括基于子空間辨識的故障檢測算法和基于重構的故障隔離算法；分層包括設備層、部件層和底層；待診斷數據包括待診斷柴油機的氣缸關鍵性能指標和氣缸底層變量數據；所述氣缸底層變量數據是各個氣缸的實際測量變量；包括如下步驟：

31)進行故障檢測，采用基于子空間辨識方法的故障檢測方法檢測判斷設備層氣缸組件磨損綜合指標是否發生異常；基于子空間辨識方法的故障檢測方法具體包括如下過程：

311)將柴油機氣缸的數據的動態特性表示成動態系統狀態空間的形式，采用式2的線性時不變差分方程描述：

其中，x(k)為動態系統的狀態變量；u(k)為動態系統的輸入變量；y(k)為動態系統的輸出變量；在第k個采樣時刻，關鍵性能指標θ(k)與變量u(k)、y(k)的關系描述為式3的線性模型：

θ(k)＝C_θx(k)+D_θ1u(k)+D_θ2y(k)+η(k) (式3)

w(k)∈Rⁿ,v(k)∈R^m,η(k)∈R^l是零均值，高斯分布的白噪聲，w(k)是過程噪聲，v(k)是輸出測量噪聲，η(k)是關鍵性能指標θ(k)的測量噪聲；A,B,C,D,C_θ,D_θ1和D_θ2均為未知的系數矩陣；

312)引入Kalman濾波器估計狀態值替代狀態變量，將Kalman濾波器估計狀態值代入式3的關鍵性能指標關系模型，得到式4：

其中，為Kalman濾波器估計狀態值；K為Kalman濾波器增益；

313)定義數據結構：假設對任意向量λ，定義以下數據結構：

其中，N為歷史數據的樣本數量；

將關鍵性能指標θ與過程變量以及噪聲項的數據表示式5的結構，得到數據模型：

Θ_k,s＝Γ_sL_pZ_k-s,p+T_sZ_k,s+H_k,s (式6)

其中，k代表第k個采樣時刻；s為建模需要的第k個采樣時刻前的時間區間長度；p為建模需要的第k個采樣時刻后的時間區間長度；Θ_k,s為關鍵性能指標數據；Z_k,s,Z_k-s,p是過程變量的數據；H_k,s代表噪聲部分；Γ_sL_p及T_s是系數矩陣；

314)通過式7進行LQ分解：

由Q矩陣的正交性得H_k,s＝L₃₃Q₃，由此將數據模型未知系數的求解轉化為一個最小二乘問題，并可得式8：

其中，為矩陣的偽逆；

315)設計基于可測過程變量的關鍵性能指標的預測器，表示為式9：

其中，是第k時刻的前s時間區間的關鍵性能指標的預測向量；z_s(k)是第k時刻的前s時間區間的過程變量向量；z_p(k-s)是第k-s時刻的后p時間區間的過程變量向量；

316)根據歷史的關鍵性能指標數據計算得到均值N為歷史數據的樣本數量；θ_s為第k個采樣時刻前s時間區間長度的關鍵性能指標數據向量；

317)定義預測殘差為協方差陣表示為式10:

其中，E()指期望；^T指矩陣或向量的轉置；r_s(k+i)為第k+i時刻前s時間區間長度的殘差向量；R_k,s為第k時刻的前s時間區間長度的殘差矩陣；

殘差的評價函數表示為式11：

其中，r_s(k)為第k個采樣時刻前s時間區間長度的預測殘差向量，是模型預測值與歷史均值的差；為此殘差向量的轉置；J(r_s(k))為由r_s(k)經式11計算得到的評價函數，也是檢驗是否發生故障的統計量；

評價函數的閾值表示為式12：

其中，J_th,θ為評價函數的閾值；定義置信度1-α；為自由度為l的χ²分布的1-α分位點；

將殘差的評價函數J(r_s(k))與評價函數的閾值進行比較，得到是否發生故障；

通過上述步驟，實現基于子空間辨識方法的故障檢測；檢測出關鍵性能指標的異常后，采用基于重構的故障隔離算法定位出故障變量；包括對部件層進行故障隔離和對底層變量進行故障隔離；基于重構方法的故障隔離包括如下過程：

321)記故障過程變量為數據矩陣將數據矩陣標準化，即減去均值并除以標準差，并記標準化后的矩陣為Z_norm＝[z_norm(1) … z_norm(N)]；

322)然后對Z_norm做主元分析:構造主元空間和殘差空間上的綜合評價指標其中T_α,Q_α分別是主元空間和殘差空間上的閾值；T為主元分析得分矩陣，P為主元分析的主元負載矩陣，E為主元分析的殘差部分；

323)假設故障變量的集合為通過最小化評價指標來重構故障變量，即求使得可得到重構值；表示為式13：

其中即矩陣每一列的第f_i個元素為1，其余為0；P是對角陣，與故障變量的標號相對應的位置處元素為1，其余為0；

324)重構故障后評價指標的減少值表示為式14：

利用重構的過程變量按照式11重新計算得到J^*(r_s(k))，若J^*(r_s(k))＜J_th,θ，則說明成功重構殘差評價函數，即隔離出故障變量；

32)對部件層進行故障隔離：若檢測出設備層氣缸磨損綜合指標發生故障異常，則定位部件層中第幾個氣缸磨損指標異常，由此診斷隔離出相應部件層的氣缸磨損指標異常的氣缸；

33)對底層變量進行故障隔離：當檢測出部件層中第i個氣缸磨損指標異常時，再定位出底層變量中異常的變量，由此診斷隔離出導致此部件層氣缸磨損指標異常的相關的底層環節變量；

通過上述步驟，實現基于關鍵性能指標的基于數據驅動的柴油機氣缸的分層故障診斷。