【技术实现步骤摘要】
基于LSTM网络与人工鱼群算法的柴油机故障聚类诊断方法、设备、介质和产品
[0001]本申请涉及故障诊断
,尤其涉及柴油机故障诊断
。
技术介绍
[0002]柴油机监测与故障诊断技术是确保柴油机安全
、
高效运行的有效方法
。
其中,基于振动监测的故障诊断技术通过分析柴油机的机械动力特性和振动信号来检测和识别典型的故障状态
。
基于人工神经网络的故障识别技术需要训练大量故障样本,以学习从设备运行状态到故障类型的映射关系
。
尽管柴油机故障诊断技术研究成果丰硕,但由于获取大量典型故障样本十分困难,已成为制约其发展的瓶颈
。
[0003]现有技术如公告号为
CN115200881A
,公开日为
2022
年
10
月
18
日的中国专利公开的一种基于
MDUNN
的多变负荷下柴油机故障诊断方法
。
该技术没有涉及柴油机结构
、
型号多样的情况,同时即使是同一型号的柴油机,由于制造
、
装配等误差,使用时间的不同,其机械动力特性也不一致,这样会造成已掌握的故障样本通用性差这种情况下的诊断不准确的情况
。
[0004]现有技术如公告号为
CN107300925A
,公开日为
2017
年
10
月
27
日的中国专利公开的一种基 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.
一种基于
LSTM
网络与人工鱼群算法的柴油机故障聚类诊断方法,其特征在于,所述方法包括:步骤
1、
获取柴油机的
GT
‑
power
模型;步骤
2、
利用所述柴油机的
GT
‑
power
模型,模拟并监测柴油机的工作状态,所述工作状态包括正常状态和故障状态,并采集运行参数数据;步骤
3、
对所述运行参数数据进行标准化处理;步骤
4、
利用
LSTM
网络训练对人工鱼群算法的视野
、
步长和拥挤度因子进行优化,获取改进的人工鱼群算法;步骤
5、
利用所述改进的人工鱼群算法,并根据所述运行参数数据,对柴油机进行故障聚类诊断
。2.
根据权利要求1所述的一种基于
LSTM
网络与人工鱼群算法的柴油机故障聚类诊断方法,其特征在于,步骤1中,所述柴油机的
GT
‑
power
模型包括发动机的传热模型
、
燃烧模型以及发动机的各个组成部分,所述各个组成部分包括气缸
、
气阀
、
涡轮
、
压气机
。3.
根据权利要求1所述的一种基于
LSTM
网络与人工鱼群算法的柴油机故障聚类诊断方法,其特征在于,步骤2中,所述运行参数数据包括柴油机气缸的平均指示有效压强
、
爆发压强
、
压力升高率气缸最高温度和排气平均温度
。4.
根据权利要求3所述的一种基于
LSTM
网络与人工鱼群算法的柴油机故障聚类诊断方法,其特征在于,步骤3中,所述标准化处理,具体包括:假设有
n
个待聚类的对象为
X
=
[x1,
x2,
…
,
x
n
]
,每个分析对象
x
i
具有
m
个属性待征,则样本数据可以构成一个
n
×
m
矩阵,标准化处理公式为:式中,
x
j
,
mean
表示对象
x
i
所属第
j
个特征量的平均值,
σ
(x
j
)
表示第
j
个特征量的标准方差
技术研发人员:侯仕卿,李文辉,霍天源,韩明泽,石泽太,王政,刘仁余,周叶培,
申请(专利权)人:哈尔滨工程大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。