发动机性能退化趋势预测方法技术

本发明专利技术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。本发明专利技术的改进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，本发明专利技术的改进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。

【技术实现步骤摘要】

本专利技术属于摩擦学及故障诊断交叉
，具体涉及一种发动机性能退化趋势 预测方法。
技术介绍
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，有磨损就会产生磨肩，磨肩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(0LVF)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，本专利技术利用其中的在线可视铁谱技术 (0LVF)，从0LVF监测所得信息中提取出磨损特性，并做出剩余寿命预测。
技术实现思路
本专利技术的目的在于克服上述现有技术的不足，深入挖掘在线可视铁谱仪(0LVF)监 测数据中的隐含信息，提供一种。本专利技术采用数据处理方法 修正发动机油液监测过程中的噪声数据，对监测数据进行重构；构建适用于0LVF的预测模 型以实现汽车主要装备的性能退化趋势评估预测，从而解决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问题。 本专利技术的技术方案为： ，包括以下步骤： 步骤一、监测数据序列重构： 利用时空延迟修正、坐标延迟修正、相邻三点残差平均修正、倍增值KIPCA倒数计算 对发动机试验过程中的0LVF检测数据进行重构； 步骤二、构建灰色相关向量机预测模型： (1)模型训练:将步骤一中重构的0LVF监测数据用于模型训练，利用训练数据序列 建立灰色预测模型GM，将灰色预测模型GM的预测残差值作为输入，原始数据序列作为输出， 训练得到训练好的相关向量机预测模型RVM; (2)模型预测：由建立的灰色预测模型GM和训练好的相关向量机预测模型RVM组合 得到灰色相关向量机预测模型GM-RVM，并通过引入滑移窗算法，不断更新数据中的信息； 步骤三、构建改进相关向量机模型：灰色相关向量机预测模型GM-RVM结合PS0优化后得到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改进相关向量机模型依据换油之前的N个序列数据预测换油后的第N+1个点的值， 将该预测值与换油后的第一个实际数据求差，该差值作为补偿量，用于修正换油后的IPCA。 步骤一中，对0LVF监测数据进行时空延迟修正，处理算法如下： 数据样本为x = {xi(t)，i = l，2，...n}，t对应该样本的采样时间，设定一时间坐标 延迟量Δ :，则其时间坐标重构结果XnewlS: Xnewi= {xi(t- Ai),i = l,...n}〇 步骤一中，对0LVF监测数据的坐标延迟修正，处理算法如下： (a)当0LVF监测过程发生补油，进行补油坐标延迟修正;根据经过时空延迟计算后 的数据xnewi= {xnewi⑴，i = l，2,. . .η}，判定当补油发生时浓度变化系数Cd!，得到补油后空 间坐标重构结果χη?2为： γ _ (戲'1(/) · _1 y -^newl ~ i~^ , i - 1, ^, n j Lch - .，. (b)当OLVF监测过程发生换油，进行补油坐标延迟修正;根据经过时空延迟计算后 的数据 Xnewl= {Xnewl⑴，i = 1，2，. . .η}和换油后油液监测数据修正模型得到补偿量Δ Y，得到 换油后空间坐标重构结果XMW2为： xnew2={xnewi(i)+ A Y，i = l，2, · · ·η}〇 步骤一中，对0LVF监测数据的相邻三点残差平均修正，处理算法如下： 对0LVF监测数据经过所述时空延迟修正、坐标延迟修正后，得到数值序列Xnew2 = (Xnew2(l),xnew2(2),……，)，对数值序列XnW进行相邻三点残差平均修正，消除数据噪 声后的修正结果Xnew3为： _6] -2 l〈l<n i:v、谢 o步骤一中，OLVF监测数据的倍增值KIPCA倒数计算，处理算法如下： 对于0LVF监测数据经过所述时空延迟修正、坐标延迟修正和相邻三点残差平均修 正后，使用滑移窗口进行数据分段，然后提取IPCA倍增系数KIPCA: Kipca= (T2-Ti)*log γ /log(IPCA2)-log(IPCAi) 式中，IPCA2:磨损监测过程滑移窗中找到的最大值;IPCA1:W窗口内最大值IPCA2 向前搜索到的非零最小值；γ :倍数值。步骤四中，构建换油后油液监测数据修正模型，其具体过程如下： 1)利用改进相关向量机模型算法得到预测结果￥_ Ypre = YGM-RVM； 2)计算补偿值ΔΥ 计算预测结果与换油后0LVF监测数据之间的差值 AY = Ypre-IPCA(oc)new； 式中，YPre:改进相关向量机模型预测模的型预测结果；IPCA(°e)new:换油后OLVF监 测数据； 3本文档来自技高网...

【技术保护点】
发动机性能退化趋势预测方法，其特征在于：包括以下步骤：步骤一、监测数据序列重构：利用时空延迟修正、坐标延迟修正、相邻三点残差平均修正、倍增值KIPCA倒数计算对发动机试验过程中的OLVF检测数据进行重构；步骤二、构建灰色相关向量机预测模型：(1)模型训练：将步骤一中重构的OLVF监测数据用于模型训练，利用训练数据序列建立灰色预测模型GM，将灰色预测模型GM的预测残差值作为输入，原始数据序列作为输出，训练得到训练好的相关向量机预测模型RVM；(2)模型预测：由建立的灰色预测模型GM和训练好的相关向量机预测模型RVM组合得到灰色相关向量机预测模型GM‑RVM，并通过引入滑移窗算法，不断更新数据中的信息；步骤三、构建改进相关向量机模型：灰色相关向量机预测模型GM‑RVM结合PSO优化后得到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改进相关向量机模型依据换油之前的N个序列数据预测换油后的第N+1个点的值，将该预测值与换油后的第一个实际数据求差，该差值作为补偿量，用于修正换油后的IPCA。

【技术特征摘要】

【专利技术属性】
技术研发人员：曹蔚，张洋，董光能，陈渭，谢友柏，
申请(专利权)人：西安工业大学，
类型：发明
国别省市：陕西;61