基于油液監測技術的機器狀態識別方法

基于油液監測技術的機器狀態識別方法
【專利摘要】本發明涉及基于油液監測技術的機器狀態識別方法。現有方法多基于離線監測手段，不適于在線監測，態劃分生硬，未與磨粒濃度的時變特性結合，達不到高效分類和狀態識別的目的。本發明對試驗數據進行分段預處理并提取相對磨損特征值；根據磨損特征值的變化趨勢對恒定工況和時變工況進行初步識別；進一步提取OLVF監測曲線突變處的幅值特征量和斜率差信息熵，構建適用于OLVF的綜合加權相似度模型；對時變工況下的試驗數據進行二次聚類，實時判斷當前工況類型及磨損程度。本發明實現了時變工況和恒定工況初步識別，構建了OLVF監測相似度評價模型CWSIM，能夠準確度量不規則的OLVF監測數據之間的真實關系，工況分類準確率較高。
【專利說明】
基于油液監測技術的機器狀態識別方法
技術領域
[0001] 本發明屬于摩擦學及故障診斷交叉技術領域，具體涉及一種基于油液監測技術的 機器狀態識別方法。
【背景技術】
[0002] 缸套/活塞環摩擦副是汽車發動機最關鍵的摩擦副之一，對其磨損問題的研究一 直是各國學者關注的熱點。
[0003] 國內外許多學者利用實驗室條件對缸套/活塞環磨損狀態進行了大量研究。代表 性的有:將理論與試驗相結合，提出了基于Archard定律的磨損模型，用于分析缸套/活塞環 系統的磨損問題。或者在實驗室條件下研究了缸套/活塞環摩擦副在不同工況下的摩擦磨 損行為，發現階躍加載磨損試驗的缸套/活塞環摩擦副的磨損率比實際發動機的磨損率高。 此外還有利用銷盤試驗機模擬二沖程船用柴油發動機缸套/活塞環的磨損，其磨損形式為 涂抹和I父合。
[0004] 當然，銷盤試驗的局限性很大，只能部分模擬發動機的真實環境，但是完全相同的 模擬還做不到。例如以往研究雖然研究使用了往復運動方式，但每一組試驗只有一種工況。 綜上所述，以往研究與摩擦副實際工況之間的關聯匹配的研究較少。
[0005] 以往在試驗室條件下進行加速磨損試驗，只能等試驗解體后檢測試樣的磨損狀 態，試驗中間不易測定。運用油液監測技術可以在試驗過程中監測摩擦副的磨損。在線油液 監測由于其實時性、連續性、以及與被監測對象運行狀態的同步性成為研究與開發的熱點， 得到迅速發展。目前國內外許多研究機構做了大量研究探索，開發了多種類型的在線磨粒 監測系統。主要包括直接安裝在主油路中的In-line在線監測系統和安裝在附加旁路中的 On-line在線監測系統。其中，西安交通大學在線可視鐵譜儀是一個數字化的傳感器，它集 成CMOS圖像傳感器來獲取油液流道中沉積磨粒的圖像(專利號：90223714.4,01240347.4， 200510041894,200610041773)〇
[0006] 為了準確實現機器健康狀態識別，許多學者根據油液監測數據處理結果進行了磨 損狀態劃分。包括三線值方法、針對磨粒統計學方面的"整體"信息建立磨損形式標準模型 庫、確定隸屬函數和選取權重系數的方法和原則、利用神經網絡和灰色理論等方法來表征 和監測磨損狀態。但是上述研究多基于離線監測手段，并不適于在線監測。同時沒有考慮監 測數據的"噪聲"需要進行補償處理，造成了對狀態的劃分較為生硬的缺點，沒有與磨粒濃 度的時變特性結合，達不到高效分類和狀態識別的目的。

【發明內容】

[0007] 本發明的目的是提供一種基于油液監測技術的機器狀態識別方法，通過在銷盤式 磨損試驗機上對缸套/活塞環進行重載的加速磨損試驗，模擬發動機的載荷和速度不斷變 化的真實工況，OLVF被用來實時反映潤滑油中磨粒濃度的變化，解決了以往方法手段無法 準確實現磨損監測數據的聚類識別的技術難題。
[0008] 本發明所采用的技術方案為： 基于油液監測技術的機器狀態識別方法，其特征在于： 包括以下步驟： 步驟一:分段油液監測磨損系數提取： (1) 利用OLVF實時監測數據1?^_提取用于油液監測的磨損系數Koc值； (2) 根據Kqc值提取整組IPCA試驗數據集X的符號函數Sgnk(X)反映其變化趨勢； 步驟二:監測樣本相似度特征提取： 利用OLVF監測曲線的聚類方法，提取特征，構建相似度模型： (1) 計算綜合相對幅值系數Kyd; (2) 計算斜率差曲線的信息熵Sfent,判斷曲線幾何形狀相似性； (3) 利用綜合相對幅值系數差Dyd和斜率差信息熵Sltent構造油液監測相似度評價模型 CffSIMo
[0009] 步驟一（1)中，利用OLVF實時監測數據1?^_提取用于油液監測的磨損系數Koc值 的具體步驟為： 對于單段試驗時間tn內的Z個采樣周期，其油液監測值總和IPCAsm與磨損量總和Wvsim 正相關，利用OLVF實時監測數據IPCAsum提取用于油液監測的磨損系數Kqc值，即為油液監測 r I-I \Ι/Λ ,、 LA. I τ , Λ-4- I . ηΛτ- .I, t. .> . , I l=t 、. Λ-~!上 / -、, Tc一一米樣周期。
[0010] 步驟一⑵中，根據Koc值提取整組IPCA試驗數據集X的符號函數Sgnk(X)反映其變化 趨勢的具體步驟為： 對于不同工況的試驗數據集X，其油液監測磨損系數1^的變化趨勢不同，根據1^值提 取整組IPCA試驗數據集X的符號函數Sgnk( X)反映其變化趨勢：
式中： L--數據分段數； Sgnk (X)的取值與IPCA試驗數據集X的變化趨勢有關，不同階段的試驗數據集X變化規律 不同，這會影響上式右端的油液監測磨損系數Kcc的變化趨勢。
[0011] 步驟二(1)中，計算綜合相對幅值系數Kyd的具體步驟為： 第一步:全組IPCA試驗數據分段： 設全組試驗數據集表示為X1=U1，X2，…，Xn)，分成L段，分段方法與分段油液監測磨損 系數提取分段處理方法相同，分段后的數據集表示為：
式中： T--段內數據個數； 對每段OLVF監測讀數剔除其段內均值后，可以得到新的OLVF監測數據集X(n°>; X(n〇)(f,j)=X(f,j)-X(av)(f) 式中： X(av)(f)--第f段內OLVF監測數據的均值；
胃f g @ 好 IfiS 估玄來?ι? F , Λ ;豐咎· TC . 第二步Γ 為便于對比，恒定工況的綜合相對幅值系數被定義為〇 ; 第三步:計算不同組試驗曲線XjPX2間的綜合相對幅值系數差(DydU1, X2)): Dyd(Xl1X2)= IKydl-Kyd2 對于時變工況下的磨損試驗，DydU1, X2)用來比較IPCA在工況變化轉折點的幅值的相 似性。
[0012]步驟二⑵中，計算斜率差曲線的信息熵SRent的具體步驟為： 第一步:計算曲線上任一點的相對斜率Sr1 : 設第i組磨損試驗的IPCA數據集為X1 =U1(I), X1Or^X1(Ii)),曲線各點的相對 斜率值SRi(j)為：
根據各點斜率值SRi(j)構造新的斜率曲線SRCi=(SRil，SRi2，···，SRin-I); 第二步:計算兩條斜率曲線的差曲線Dsrc : 將兩條斜率曲線Srci和Src2逐點求差值，得到一條新的斜率差值曲線Dsrc;當兩條曲線 形狀相似時，斜率差曲線近似于一條斜率為〇的直線;否則是一條存在明顯起伏的曲線； 第三步:等分求概率P: 將斜率差曲線〇^的值域離散化為m個區間，從第一個區間到第m個區間，依次統計每一 區間的點數后計算相應的概率(P1); 第四步:計算斜率差曲線信息熵： Shannon熵表示不確定測度，被用來表示兩條曲線之間的差異。斜率差曲線信息熵Sfent 按下式計算，
SRf3nt是一個大于零的值;熵值越大，說明相應曲線波形之間的差異越明顯;如果兩條曲 線的形狀完全一致，信息熵Sfent等于零。
[0013] 步驟二(3)中，利用綜合相對幅值系數差Dyd和斜率差信息熵Sfent構造油液監測相 似度評價模型CWS頂的具體步驟為： 假設兩條OLVF監測曲線分別表不為:Xl=(Xll，Xl2，…，Xln)和X2=(X21，X22，…，X2n)，用Sim (X1, X2)表示OLVF監測曲線合相似J 式中：
δι、δ2--權值系數，SfS2=I; 該相似度模型前一部分由工況變化時的IPCA數據的躍變幅值決定，后一部分由IPCA曲 線斜率的幾何相似度決定，SimU1，X2)的值越接近于0，表示工況的變化類型越接近； 因為SimU1, X2)能夠對IPCA監測曲線的關系進行定量分析，根據SimU1, X2)的取值，進 一步對時變工況條件下的逐級加載和逐級加速的工況進行細分。
[0014] 本發明具有以下優點： 利用傳統相關系數方法計算獲得的相關系數值并沒有反應出OLVF試驗數據的真實關 系，與實際試驗工況出入較大，故無法正確分類。說明傳統的相似度分類方法不適用于OLVF 磨損監測數據的聚類識別。
[0015] 本發明闡明了缸套/活塞環磨損銷盤試驗時變工況以及恒定工況的磨損規律。通 過數據分段提取適于OLVF監測的磨損系數和屬性特征參數，實現了時變工況和恒定工況初 步識別。構建了OLVF監測相似度評價模型CWSIM，能夠準確度量不規則的OLVF監測數據之間 的真實關系，工況分類準確率較高。
【附圖說明】
[0016] 圖1是工況識別流程圖； 圖2是試驗系統原理圖； 圖3是逐級加載試驗的OLVF監測磨損系數曲線； 圖4是逐級加速試驗的OLVF監測磨損系數曲線； 圖5是工況初步分類結果； 圖6是試驗工況詳細分類結果。
[0017] 圖7是104小時發動機臺架OLVF監測數據。
[0018] 圖8是當前數據集與之前歷史數據集的改進綜合相似度曲線。
【具體實施方式】
[0019] 下面結合【具體實施方式】對本發明進行詳細的說明。
[0020] 本發明涉及的一種基于油液監測技術的機器狀態識別方法，具體由以下步驟實 現： (一)分段油液監測磨損系數提取： 對于單段試驗時間U內的Z個采樣周期，其油液監測值總和（IPCAsum)與磨損量總和 (Wvsum)正相關，本發明仿效綜合磨損系數Km的含義，利用OLVF實時監測數據1?^"提取用于 油液監測的磨損系數Koc值，即為油液監測磨損系數，它能夠反映OLVF值與磨粒產生量之間 的關系。
[0021] CU 式中：Sl--累積滑動距尚；Fn--載荷;.惠.--相對滑動速度，.S/.=」dS//dic；Tc--米 樣周期。
[0022] 對于不同工況的試驗數據集X，其油液監測磨損系數1^的變化趨勢不同，本發明根 據Kcc值提取整組IPCA試驗數據集X的符號函數S gnk(X)反映其變化趨勢。
[0023] m 式中:L--數據分段數。
[0024] Sgnk (X)的取值與IPCA試驗數據集X的變化趨勢有關，不同階段的試驗數據集X變化 規律不同，這會影響公式(2)右端的油液監測磨損系數Kcc的變化趨勢。
[0025] 根據以往試驗結果，所有試驗第一段的油液監測磨損系數都比較大，反映出該段 試驗經歷了磨合期。在恒定載荷的情況下，后幾段的油液監測磨損系數的變化趨勢是呈遞 減的，反映出磨損速率開始逐漸下降并趨于穩定。而在逐級加載和逐級加速的情況下，由于 載荷或速度的階躍增加，后幾段的油液監測磨損系數呈現了小幅遞增的變化趨勢，改變了 原有的磨損速率的演化規律。
[0026] 當L = 3時，在速度和載荷逐漸增加的時變工況條件下，磨損出現加劇，造成后兩段 的Kqc變化趨勢改變，可計算出S gnk(X)是負值。在速度、載荷不變的恒定工況下，經過磨合期， 后兩段的油液監測磨損系數Kqc的變化趨勢一致，是呈遞減的，可計算出S gnk(X)是正值。故符 號函數Sgnk(X)也可寫成：
(3 ) 因為利用Sgnk(X)值能夠對工況是否發生使磨損加劇的變化進行定性識別，所以稱之為 屬性特征。
[0027] 逐級加載和逐級加速不僅改變了摩擦副的磨損規律，而且可以利用上述符號函數 對OLVF監測數據進行初步識別區分。
[0028](二)監測樣本相似度特征提取： 為了進一步根據磨損監測數據對時變工況進行細分，本發明提出OLVF監測曲線的聚類 方法，提取特征，構建相似度模型。
[0029] 1)綜合相對幅值系數Kyd 綜合相對幅值系數Kyd的計算步驟如下： 第一步:全組IPCA試驗數據分段 設全組試驗數據集表示為X1=U1, Χ2，···，Χη)，分成L段，分段方法與分段油液監測磨損 系數提取分段處理方法相同，分段后的數據集表示為： :丄 漢η知d I雙。
[0030] 對每段OLVF監測讀數剔除其段內均值后，可以得到新的OLVF監測數據集X(n°>。
[0031] X(no)(f, j)=X(f, j)-X(av)(f) (5) 式中:X(av)(f)-一第f段內OLVF監測數據的均值。
[0032]第f段的相對幅值系數(Kydf)計算如下：
[0
為便于對比，恒定工況的綜合相對幅值系數被定義為0。
[0034] 第三步:計算不同組試驗曲線XjPX2間的綜合相對幅值系數差(DydU1, X2))。
[0035] Dyd(Xi1X2)= IKydi-Kyd2 (8) 對于時變工況下的磨損試驗，DydU1, X2)可用來比較IPCA在工況變化轉折點的幅值的 相似性。
[0036] 2)斜率差信息熵 因此本發明根據兩曲線在對應各時段上的相對斜率值構造斜率差曲線，進而計算斜率 差曲線的信息熵(Sfent)，判斷曲線幾何形狀相似性。計算步驟如下： 第一步:計算曲線上任一點的相對斜率Sr1。
[0037] 設第i組磨損試驗的IPCA數據集為Xi =(X i(l)，X i(2)，~，X i(n))，曲線各點的
才日對敘隸估?。J彳nI先. (9) 根據各點斜率值SRi(j)構造新的斜率曲線SRCi=(SRil，SRi2，···，SRin-l)。 第二步:計算兩條斜率曲線的差曲線Dsrc。
[0038] 將兩條斜率曲線Srci和Src2逐點求差值，得到一條新的斜率差值曲線Dsrc。
[0039] 第三步:等分求概率P。
[0040] 將斜率差曲線Dsr^值域離散化為m個區間，從第一個區間到第m個區間，依次統計 每一區間的點數后計算相應的概率(PJ。
[0041] 第四步:計算斜率差曲線信息熵。
[0042] Shannon熵表示不確定測度，可被用來表示兩條曲線之間的差異。斜率差曲線信息 熵SRent按公式（10)計算， (10) SRf3nt是一個大于零的值。熵值越大，說明相應曲線波形之間的差異越明顯。如果兩條曲 線的形狀完全一致，信息熵Sfent等于零。
[0043] 3)綜合相似度評價模型CWS頂 利用綜合相對幅值系數差Dyd和斜率差信息熵SRf3nt構造油液監測相似度評價模型 CWS頂。假設兩條OLVF監測曲線分別表示為= X1=U11, X12，…，Xln)和X2=(X21，X 22,…，X2n)，用 SimU1，X2)表示OLVF監測曲線XjPX:^綜合相似度，見式（11)。
[0044] Sim(Xl1X2) = 5lDyd(Xl,X2)+52SRent (11) 式中：δι、δ2--權值系數，δι+δ2 = 1。
[0045] 該相似度模型前一部分由工況變化時的IPCA數據的躍變幅值決定，后一部分由 IPCA曲線斜率的幾何相似度決定，SimU1，X2)的值越接近于0，表示工況的變化類型越接近。
[0046] 因為SimU1, X2)能夠對IPCA監測曲線的關系進行定量分析，根據SimU1, X2)的取值， 可以進一步對時變工況條件下的逐級加載和逐級加速的工況進行細分，所以稱之為數值特 征。
[0047]本發明具有下列區別于傳統方法的顯著優勢： 1)基于磨損機理，符合實際。
[0048] 2)深入挖掘油液監測數據的變化率，與磨損狀態變化以及磨粒濃度之間的對應關 系，可以實時監測磨損狀態。
[0049] 3)研究OLVF監測曲線發生數據突變處的相對幅值等特征與摩擦副磨損劇烈程度 及試驗工況的相關性，可實現準確的工況識別。
[0050]為了與其他經典分類方法進行對比，進一步利用公式（12)所示的相關系數計算公 .H+曾藤梠胳側釷駘撒抿隹^問的相羊茗撒#曾姑里豐1 _
從表1可以看出：利用傳統相關系數公式（12)計算獲得的相關系數值并沒有反應出 OLVF試驗數據的真實關系，與實際試驗工況出入較大，故無法正確分類。
[0052] 實施例： 利用自制的銷盤式磨損試驗機進行磨損試驗。使用蠕動栗為摩擦副供油，利用OLVF周 期性采集磨損機油池中的潤滑油樣，以獲取潤滑油中的磨粒濃度信息。試驗系統原理圖如 圖2所示。試驗所用的上試樣是將某發動機的第一道氣環切割成若干小段，其外圓面鍍鉻處 理。活塞環上試樣被裝夾在夾具上，試驗所采用的下試盤為直徑60 mm，厚度5 mm的灰鑄鐵 盤，其材料為HT250,硬度為HV210。試盤所用材料接近發動機的真實材料。
[0053]利用OLVF系統對潤滑油中的鐵磁性磨粒濃度進行在線監測，獲得磨粒的百分覆蓋 面積IPCA值，實時反映潤滑油中磨粒濃度的變化。監測過程中始終攪動油池，以防止磨粒沉 積在油池底部。各組試驗具體采用的潤滑劑、載荷、速度以及灰鑄鐵盤表面粗糙度詳見表2。
[0054] 針對變工況試驗，統一選擇各組360 min的IPCA試驗數據進行分析。設段數L=3， 分段時保證同一段內工況一致。利用每一段內的IPCA數據計算各段的OLVF監測磨損系數值 Koc。因為同一組試驗是不間斷完成的，因此有必要對同一組內不同段的試驗數據進行比較 研究。比較結果如圖3和圖4所示。圖3為逐級加載試驗的磨損系數曲線圖，圖4為逐級加速試 驗的磨損系數曲線圖。
[0055] 從圖3和圖4可以看出，所有試驗第一段(0-120 min)的OLVF監測磨損系數都比較 大，反映出該段試驗經歷了磨合期。觀察磨損試驗的第二段和第三段(240 min和360 min)， 在恒定工況的情況下，試驗M的OLVF監測磨損系數Kqc的變化趨勢是遞減的，反映出磨損速率 開始逐漸下降并趨于穩定。而在逐級變化的情況下，由于載荷或速度的階躍增加導致磨損 加劇，第二段和第三段的OLVF監測磨損系數K qc呈現了小幅遞增的變化趨勢，改變了原有的 磨損速率的演化規律。
[0056] 利用各組360 min磨損試驗的OLVF監測磨損系數Kqc計算屬性特征值Sgnk(X)，計算 結果見表3。根據Sgnk(X)的正負即可初步區分恒定工況和時變工況，分類結果見圖5。通過圖 5可見識別結果與實際情況吻合，證明屬性特征值對于真實磨損監測數據的初步識別具有 較好的效果。
[0057] 進一步計算各組試驗數據的綜合相對幅值系數Kyd，計算結果見表4。同一類時變工 況下，不同組試驗監測數據間的綜合相對幅值系數差Dyd較小，而不同類型時變工況下的試 驗數據間的綜合相對幅值系數差Dyd值較大，因此根據Dyd值可以判斷試驗對象在工況變化 時幅值的相似程度。
[0058] 計算各組試驗的斜率差曲線信息熵SRent以及油液監測綜合相似度Sim，計算結果如 表5所示。從表中可以看出屬于同一類型時變工況的試驗對象的相似度S im值小于1，而不同 類型之間相似度Sim值大于1，因此Sim值越小表示工況類型越接近。
[0059] 根據計算結果，對所有OLVF監測的試驗數據進行二次聚類。圖6為最終詳細聚類結 果。
[0060] 可以看出本發明的聚類方法的識別結果與實際情況吻合，分類正確，證明本發明 的聚類算法對于真實磨損監測數據的識別具有理想的效果。
[0061 ]實施例2:發動機整機摩擦學系統的工況識別 當發動機在變工況條件下工作時，典型摩擦副的工作條件也在不斷變化，因此，將前述 針對摩擦副的聚類分析方法用于發動機整機OLVF監測數據的工況聚類分析。
[0062]發動機臺架試驗及數據處理： 1)臺架試驗數據 選擇某四缸汽油發動機進行試驗，在磨合過程結束后進行冷熱沖擊試驗，OLVF監測系 統被用來監測發動機磨損狀態。其中約104 h的發動機磨損監測數據進行分析（如圖7所 示)。
[0063] 2)動態滑移窗數據分段 在線監測過程中，采用周期性更新滑移窗口模型，將連續采集到的OLVF監測數據流進 行分段。如圖7所示。
[0064]滑移窗每次處理4小時的發動機臺架的監測數據(約50個數據點）。
[0065]基于相似度的發動機OLVF監測數據聚類分析： 利用滑移窗方法，將每次進入滑移窗的數據集看作一個樣本，整組發動機臺架試驗數 據被劃分為12個數據樣本。將這12組窗口數據作為聚類中心，利用本發明的相似度模型來 計算每個樣本和其之前所有樣本之間的相似度值。計算結果如表6所示。
[0066] 通過銷盤試驗數據處理結果可以發現:在相同工況下，缸套活塞環摩擦副的任意 兩組相同工況數據集之間的相似度均小于1;而在不同工況下，任意兩組數據集之間的相似 度均大于1。
[0067] 根據這一結果，考慮到數據流的動態特性并且充分利用歷史數據，本發明對相似 度模型公式進行了改進，構建改進綜合相似度計算模型來計算當前數據集X n與之前歷史數 據集心的相關性。
[0068] 式中：Nsim--當前數據集Xn與之前歷史數據集Xj的改進綜合相似度；τ」--歷 史樣本j的權值，按照等比數列的規則遞增。
[0069] 權值τ根據每個歷史樣本到當前樣本的時間跨度動態計算得到，時間跨度越長，權 值τ越大。
[0070] 式中：qn--等比數列的比值。
[0071 ]經過計算得到改進綜合相似度值Nsim，如表7所示。
[0072] 針對上述12個樣本，計算報警閾值(Wscsim )，并繪制報警線Wscsim，如圖8所示。
[0073] 結論： 從圖8可以看出，12個樣本中任意兩組樣本之間的改進綜合相似度均小于報警閾值 (Wscsim)。因此，這12組樣本數據屬于同一大類，即屬于同一變化規律的變工況。在工況變化 規律基本相似的條件下，磨損率也應基本相似。故認為在這一過程中未發生磨損狀態的劇 烈改變，而這與該發動機的實際工況也是完全相符的。試驗結果表明本聚類方法對發動機 臺架磨損監測數據的聚類和評估是正確有效的，可用于發動機整機磨損狀態的在線監測與 評估。
[0074] 本發明的內容不限于實施例所列舉，本領域普通技術人員通過閱讀本發明說明書 而對本發明技術方案采取的任何等效的變換，均為本發明的權利要求所涵蓋。
【主權項】
1. 基于油液監測技術的機器狀態識別方法，其特征在于： 包括W下步驟： 步驟一:分段油液監測磨損系數提取： (1) 利用OLVF實時監測數據IPCAs?提取用于油液監測的磨損系數Koc值； (2) 根據Koc值提取整組IPCA試驗數據集X的符號函數Sgnk(X)反映其變化趨勢； 步驟二:監測樣本相似度特征提取： 利用0LVF監測曲線的聚類方法，提取特征，構建相似度模型： (1 )計算綜合相對幅值系數Kyd ; (2 )計算斜率差曲線的信息賭SRent，判斷曲線幾何形狀相似性； (3) 利用綜合相對幅值系數差Dyd和斜率差信息賭SRent構造油液監測相似度評價模型 CWSIMo2. 根據權利要求1所述的基于油液監測技術的機器狀態識別方法，其特征在于： 步驟一（1)中，利用化VF實時監測數據IPCAsum提取用于油液監測的磨損系數KOG值的具 體步驟為： 對于單段試驗時間tn內的Z個采樣周期，其油液監測值總和IPCAsum與磨損量總和Wvsum正 相關，利用化VF實時監測數據IPCAsum提取用于油液監測的磨損系數KOG值，即為油液監測磨 損系數，它能夠反映0LVF值與磨粒產生量之間的關系；式中： Sl--累積滑動距罔； 時--載荷； Sl--相對滑動速度； 友二d&/di; Tc-采樣周期。3. 根據權利要求1所述的基于油液監測技術的機器狀態識別方法，其特征在于： 步驟一(2)中，根據Koc值提取整組IPCA試驗數據集X的符號函數Sgnk(X)反映其變化趨勢 的具體步驟為： 對于不同工況的試驗數據集X，其油液監測磨損系數Koc的變化趨勢不同，根據Koc值提取 整組IPCA試驗數據集X的符號函數Sgnk(X)反映其變化趨勢： 式中：L一一數據分段數； Sgnk(X)的取值與IPCA試驗數據集X的變化趨勢有關，不同階段的試驗數據集X變化規律 不同，運會影響上式右端的油液監測磨損系數Koe的變化趨勢。4. 根據權利要求1所述的基于油液監測技術的機器狀態識別方法，其特征在于： 步驟二（1 )中，計算綜合相對幅值系數Kyd的具體步驟為： 第一步:全組IPCA試驗數據分段： 設全組試驗數據集表示為乂1=^1，乂2，-，，乂。），分成1段，分段方法與分段油液監測磨損 系數提取分段處理方法相同，分段后的數據集表示為：式中： r一一段內數據個數； 對每段OLVF監測讀數剔除其段內均值后，可W得到新的OLVF監測數據集xfnDi; X(n〇)(f，j)=X(f，j)-X(av)(f) 式中： xtav^a)-一第f段內OLVF監測數據的均值； 第f段的相對幅值系數化ydf)計算如下：第二步:計算全部試驗的綜合相對幅值系數Kyd :為便于對比，恒定工況的綜合相對幅值系數被定義為0 ; 第；步:計算不同組試驗曲線Xl和枯間的綜合相對幅值系數差(Dyd化，X2)): Dyd(Xl,X2)= |Kydl-Kyd2 對于時變工況下的磨損試驗，Dyd(Xi，枯）用來比較IPCA在工況變化轉折點的幅值的相似 性。5.根據權利要求1所述的基于油液監測技術的機器狀態識別方法，其特征在于： 步驟二(2)中，計算斜率差曲線的信息賭SRent的具體步驟為： 第一步:計算曲線上任一點的相對斜率Sri : 設第i組磨損試驗的IPCA數據集為Xi = (Xi(1)，Xi(2)，…，X i(η))，曲線各點的相對斜率 值 SRi(j)為：根據各點斜率值SRi ( j )構造新的斜率曲線SRCi = ( Sm，SRi2，…，SRin-l); 第二步:計算兩條斜率曲線的差曲線化RC: 將兩條斜率曲線SrCI和SRC2逐點求差值，得到一條新的斜率差值曲線化RC;當兩條曲線形 狀相似時，斜率差曲線近似于一條斜率為0的直線;否則是一條存在明顯起伏的曲線； 第Ξ步:等分求概率P: 將斜率差曲線Dsrc的值域離散化為m個區間，從第一個區間到第m個區間，依次統計每一 區間的點數后計算相應的概率(Pi); 第四步:計算斜率差曲線信息賭： Shannon賭表示不確定測度，被用來表示兩條曲線之間的差異。斜率差曲線信息賭SRent 按下式計算，SRent是一個大于零的值;賭值越大，說明相應曲線波形之間的差異越明顯；如果兩條曲 線的形狀完全一致，信息賭SRent等于零。6.根據權利要求1所述的基于油液監測技術的機器狀態識別方法，其特征在于： 步驟二(3)中，利用綜合相對幅值系數差Dyd和斜率差信息賭SRent構造油液監測相似度 評價模型CWSIM的具體步驟為： 假設兩條0LVF監測曲線分別表示為:Xl = (Xll，Xl2，· · ·，Xln)和枯=(X21，枯2，· · ·，枯η)，用Sim (Xi，X2)表示OLVF監測曲線Xi和枯的綜合相似度： Sim(Xl，X2) =SlDyd(Xl，X2)+S2SRent 式中： δι、δ2--權值系數，δι+δ2 = 1; 該相似度模型前一部分由工況變化時的IPCA數據的躍變幅值決定，后一部分由IPCA曲 線斜率的幾何相似度決定，Sim(Xl，枯)的值越接近于0，表示工況的變化類型越接近； 因為Sim化，X2)能夠對IPCA監測曲線的關系進行定量分析，根據Sim化，X2)的取值，進一 步對時變工況條件下的逐級加載和逐級加速的工況進行細分。
【文檔編號】G06K9/62GK105844288SQ201610152330
【公開日】2016年8月10日
【申請日】2016年3月17日
【發明人】曹蔚, 張洋, 李軍寧, 董光能, 陳渭, 謝友柏
【申請人】西安工業大學