發(fā)動機性能退化趨勢預測方法
【技術領域】
[0001] 本發(fā)明屬于摩擦學及故障診斷交叉技術領域，具體涉及一種發(fā)動機性能退化趨勢 預測方法。
【背景技術】
[0002] 隨著經(jīng)濟的發(fā)展，我國已成汽車生產(chǎn)和消費大國。汽車發(fā)動機是一個復雜的機械 系統(tǒng)，由數(shù)千個零件組成，主要失效形式是磨損或者與磨損相關的失效，在發(fā)動機總成故障 中占47.2%。
[0003] 但是目前發(fā)動機磨損狀態(tài)監(jiān)測的主要手段是停機拆檢。停機拆檢對查找故障原因 更直接，但效率低、周期長。換個角度看，有磨損就會產(chǎn)生磨肩，磨肩攜帶機器磨損信息進入 潤滑油中。對潤滑油實施在線監(jiān)測就可望對發(fā)動機的磨損狀態(tài)做出實時判斷。在線油液監(jiān) 測技術可以方便地實現(xiàn)發(fā)動機潤滑油磨粒濃度變化的在線監(jiān)測和零件磨損狀態(tài)的不解體 識別。例如西安交通大學開發(fā)的在線圖像可視鐵譜儀(0LVF)兼有直讀鐵譜和分析鐵譜的功 能，可分析發(fā)動機潤滑油中磨粒濃度、尺寸等，實時獲取系統(tǒng)的磨損信息，實現(xiàn)了采樣過程 的參數(shù)化和自動化。
[0004] 在已有的油液監(jiān)測手段的基礎上，許多學者嘗試進行了裝備性能退化趨勢預測方 法的研究。趨勢預測方法主要包括基于模型預測和基于數(shù)據(jù)預測兩種。
[0005] 基于模型的故障預測技術要求對象系統(tǒng)的數(shù)學模型具有較高的精度，而針對復雜 的動態(tài)系統(tǒng)通常難以建立精確的數(shù)學模型，這限制了基于模型的預測技術的實際應用范圍 和效果?；跀?shù)據(jù)的預測技術不需要或只需要少量的對象系統(tǒng)的先驗知識(數(shù)學模型和專 家經(jīng)驗），以采集的數(shù)據(jù)為基礎，通過各種數(shù)據(jù)分析處理方法挖掘其中隱含信息進行預測操 作，成為一種較為實用的預測方法。
[0006] 利用油液監(jiān)測數(shù)據(jù)進行汽車裝備壽命預測時，主要采用基于數(shù)據(jù)驅動的預測模 型。為了從"整機"磨損信息中獲取反映機器裝備系統(tǒng)磨損狀態(tài)的特征，其關鍵是趨勢預測 技術?；跀?shù)據(jù)的趨勢預測主要采用一些傳統(tǒng)預測方法，典型的有:神經(jīng)網(wǎng)絡、隱馬爾可夫 模型等。
[0007]傳統(tǒng)的預測方法雖然很多，但并不完全適于油液監(jiān)測技術，要單獨利用任何一種 方法準確評估發(fā)動機的磨損狀態(tài)還有一定的困難。汽車發(fā)動機系統(tǒng)是一個復雜的時變系 統(tǒng)，具有高度的非線性和不確定性，這種不確定性使得很難精確的建立主觀模型，由此有必 要考慮磨損機理、根據(jù)發(fā)動機系統(tǒng)的時變性特點來進行動態(tài)預測，提高預測的精度和可信 度。
[0008] 相比其他方法，相關向量機可以避免上述算法的缺陷。但是利用相關向量機還不 能做到根據(jù)預測結果對發(fā)動機的健康狀態(tài)自動做出客觀準確的判斷。
[0009] 綜上，以往研究存在如下問題：
[0010] (1)對發(fā)動機潤滑系統(tǒng)中磨粒濃度的變化規(guī)律缺少深入研究，未從系統(tǒng)角度研究 磨損率、外界條件及系統(tǒng)環(huán)境對磨粒濃度產(chǎn)生影響；
[0011] (2)油液監(jiān)測數(shù)據(jù)受外界干擾、測量誤差和監(jiān)測所得信息不完整等因素影響而帶 有的"噪聲"，影響了特征信息的提取，無法揭示裝備的真實狀態(tài)；
[0012] (3)對于油液監(jiān)測數(shù)據(jù)與發(fā)動機磨損狀態(tài)之間、發(fā)動機磨損演化規(guī)律與發(fā)動機壽 命之間的關聯(lián)性仍不明朗，所以有必要從系統(tǒng)角度來研究發(fā)動機油液監(jiān)測數(shù)據(jù)與磨粒濃度 變化規(guī)律之間的對應關系，進而根據(jù)油液監(jiān)測數(shù)據(jù)預測發(fā)動機磨損狀態(tài)和剩余壽命。
[0013] 因此，隨著在線油液監(jiān)測技術的發(fā)展，本發(fā)明利用其中的在線可視鐵譜技術 (0LVF)，從0LVF監(jiān)測所得信息中提取出磨損特性，并做出剩余壽命預測。

【發(fā)明內容】

[0014] 本發(fā)明的目的在于克服上述現(xiàn)有技術的不足，深入挖掘在線可視鐵譜儀(0LVF)監(jiān) 測數(shù)據(jù)中的隱含信息，提供一種發(fā)動機性能退化趨勢預測方法。本發(fā)明采用數(shù)據(jù)處理方法 修正發(fā)動機油液監(jiān)測過程中的噪聲數(shù)據(jù)，對監(jiān)測數(shù)據(jù)進行重構；構建適用于0LVF的預測模 型以實現(xiàn)汽車主要裝備的性能退化趨勢評估預測，從而解決以往方法手段無法準確實現(xiàn)發(fā) 動機性能退化趨勢預測的技術問題。
[0015] 本發(fā)明的技術方案為：
[0016] 發(fā)動機性能退化趨勢預測方法，包括以下步驟：
[0017] 步驟一、監(jiān)測數(shù)據(jù)序列重構：
[0018] 利用時空延遲修正、坐標延遲修正、相鄰三點殘差平均修正、倍增值KIPCA倒數(shù)計算 對發(fā)動機試驗過程中的0LVF檢測數(shù)據(jù)進行重構；
[0019] 步驟二、構建灰色相關向量機預測模型：
[0020] (1)模型訓練:將步驟一中重構的0LVF監(jiān)測數(shù)據(jù)用于模型訓練，利用訓練數(shù)據(jù)序列 建立灰色預測模型GM，將灰色預測模型GM的預測殘差值作為輸入，原始數(shù)據(jù)序列作為輸出， 訓練得到訓練好的相關向量機預測模型RVM;
[0021] (2)模型預測：由建立的灰色預測模型GM和訓練好的相關向量機預測模型RVM組合 得到灰色相關向量機預測模型GM-RVM，并通過引入滑移窗算法，不斷更新數(shù)據(jù)中的信息； [0022]步驟三、構建改進相關向量機模型：
[0023]灰色相關向量機預測模型GM-RVM結合PS0優(yōu)化后得到改進相關向量機模型。
[0024]步驟四、構建換油后油液監(jiān)測數(shù)據(jù)修正模型
[0025]改進相關向量機模型依據(jù)換油之前的N個序列數(shù)據(jù)預測換油后的第N+1個點的值， 將該預測值與換油后的第一個實際數(shù)據(jù)求差，該差值作為補償量，用于修正換油后的IPCA。 [0026] 步驟一中，對0LVF監(jiān)測數(shù)據(jù)進行時空延遲修正，處理算法如下：
[0027] 數(shù)據(jù)樣本為x = {xi(t)，i = l，2，...n}，t對應該樣本的采樣時間，設定一時間坐標 延遲量Δ :，則其時間坐標重構結果XnewlS:
[0028] Xnewi= {xi(t- Ai),i = l,...n}〇
[0029] 步驟一中，對0LVF監(jiān)測數(shù)據(jù)的坐標延遲修正，處理算法如下：
[0030] (a)當0LVF監(jiān)測過程發(fā)生補油，進行補油坐標延遲修正;根據(jù)經(jīng)過時空延遲計算后 的數(shù)據(jù)xnewi= {xnewi⑴，i = l，2,. . .η}，判定當補油發(fā)生時濃度變化系數(shù)Cd!，得到補油后空 間坐標重構結果χη?2為： γ _ (戲'1(/) · _1 y
[0031 ] -^newl ~ i~^ , i - 1, ^, n j Lch - .，.
[0032] (b)當OLVF監(jiān)測過程發(fā)生換油，進行補油坐標延遲修正;根據(jù)經(jīng)過時空延遲計算后 的數(shù)據(jù) Xnewl= {Xnewl⑴，i = 1，2，. . .η}和換油后油液監(jiān)測數(shù)據(jù)修正模型得到補償量Δ Y，得到 換油后空間坐標重構結果XMW2為：
[0033] xnew2={xnewi(i)+ A Y，i = l，2, · · ·η}〇
[0034] 步驟一中，對0LVF監(jiān)測數(shù)據(jù)的相鄰三點殘差平均修正，處理算法如下：
[0035] 對0LVF監(jiān)測數(shù)據(jù)經(jīng)過所述時空延遲修正、坐標延遲修正后，得到數(shù)值序列Xnew2 = (Xnew2(l),xnew2(2),……，)，對數(shù)值序列XnW進行相鄰三點殘差平均修正，消除數(shù)據(jù)噪 聲后的修正結果Xnew3為： _6] -2 l〈l<n i:v、謝 o
[0037]步驟一中，OLVF監(jiān)測數(shù)據(jù)的倍增值KIPCA倒數(shù)計算，處理算法如下：
[0038] 對于0LVF監(jiān)測數(shù)據(jù)經(jīng)過所述時空延遲修正、坐標延遲修正和相鄰三點殘差平均修 正后，使用滑移窗口進行數(shù)據(jù)分段，然后提取IPCA倍增系數(shù)KIPCA:
[0039] Kipca= (T2-Ti)*log γ /log(IPCA2)-log(IPCAi)
[0040] 式中，IPCA2:磨損監(jiān)測過程滑移窗中找到的最大值;IPCA1:W窗口內最大值IPCA2 向前搜索到的非零最小值；γ :倍數(shù)值。
[0041 ]步驟四中，構建換油后油液監(jiān)測數(shù)據(jù)修正模型，其具體過程如下：
[0042] 1)利用改進相關向量機模型算法得到預測結果￥_
[0043] Ypre = YGM-RVM；
[0044] 2)計算補償值ΔΥ
[0045] 計算預測結果與換油后0LVF監(jiān)測數(shù)據(jù)之間的差值
[0046] AY = Ypre-IPCA(oc)new；
[0047] 式中，YPre:改進相關向量機模型預測模的型預測結果；IPCA(°e)new:換油后OLVF監(jiān) 測數(shù)據(jù)；
[0048] 3)結果修正
[0049] 利用換油后的0LVF監(jiān)測數(shù)據(jù)反推假定未換油時的0LVF監(jiān)測數(shù)據(jù)IPCA(clc;)ne3W如下
[0050] IPCA^Vid: IPCA(〇c)new+ Δ Y。
[0051] 本發(fā)明具有以下優(yōu)點：
[0052] 1.本發(fā)明的改進R