[发明专利]发动机的故障分析预测方法

说明书

本发明涉及发动机质量与数据分析模型技术领域，公开了一种发动机的故障分析预测方法。对发动机的状态监测参数和故障种类进行分析，获取各故障种类的关键影响因素。建立SOM神经网络模型，使用历史故障数据中的关键影响参数对所述SOM神经网络模型进行训练，并基于待预测发动机的关键影响参数预测获取所述待预测发动机的预测故障种类。建立小波神经网络模型，使用历史故障数据中所述预测故障种类的状态监测参数对所述小波神经网络模型进行训练，并基于所述待预测发动机的预测故障种类预测获取所述待预测发动机的预测故障时间。本发明综合运用SOM神经网络和小波神经网络建立起故障分析模型，对待预测发动机进行准确的故障诊断和故障时间预测。

技术领域

本发明涉及发动机质量与数据分析模型技术领域，特别是涉及一种发动机的故障分析预测方法。

背景技术

随着农业机械和质量分析技术的快速发展，实时的质量分析系统已经成为拖拉机、联合收割机及其他农用机械设备不可或缺的一部分。但联合收割机的综合集成化、功能多样化，使整个联合收割机系统具有故障模式多样化的特点，导致目前关于其故障分析和预测的难度大，且存在严重的滞后性，延长了联合收割机的维护时间。而由于缺乏智能算法、数据向量化、结构化以及故障等级制定等方法的应用，导致很难实现对这种智能化复杂农机设备的实时故障诊断和预测工作。

发明内容

基于此，有必要针对现有技术无法对智能化复杂农机设备进行实时故障诊断和预测工作的问题，提供一种发动机的故障分析预测方法。

一种发动机的故障分析预测方法，对发动机的状态监测参数和故障种类进行分析，获取各故障种类的关键影响因素；建立SOM神经网络模型，使用历史故障数据中的关键影响参数对所述SOM神经网络模型进行训练，并基于待预测发动机的关键影响参数预测获取所述待预测发动机的预测故障种类；建立小波神经网络模型，使用历史故障数据中所述预测故障种类的状态监测参数对所述小波神经网络模型进行训练，并基于所述待预测发动机的预测故障种类预测获取所述待预测发动机的预测故障时间。

上述发动机的故障分析预测方法，对发动机的状态监测参数和故障种类进行分析，筛选出对各故障种类具有价值的关键影响因素。建立SOM神经网络模型，并使用历史故障数据中的关键影响参数对所述SOM神经网络模型进行训练。在训练完成后，将待预测发动机的实时状态检测数据中关键影响参数代入所述SOM神经网络模型中，以对所述待预测发动机的故障种类进行预测。建立小波神经网络模型，并使用历史故障数据中所述预测故障种类的状态监测参数对所述小波神经网络模型进行训练。在训练完成后，将所述待预测发动机的预测故障种类代入所述小波神经网络模型中，以对所述待预测发动机的故障发生时间进行预测。本发明针对发动机的故障分析问题，综合运用SOM神经网络和小波神经网络，建立起故障分析模型，并利用故障种类数据、检测状态参数、历史故障数据、退化特征数据等参数对故障分析模型进行修正，以实现对待预测发动机的故障诊断和故障预测。

在其中一个实施例中，所述对发动机的状态监测参数和故障种类进行分析，获取各故障种类的关键影响因素，包括将发动机出现不同的故障种类时状态监测参数的组合与实际故障情况进行对比；使用决策树分析的方法来筛选出对于不同的故障种类具有参考价值的关键影响因素。

在其中一个实施例中，所述使用决策树分析的方法来筛选出对于不同的故障种类具有参考价值的关键影响因素，包括根据模糊理论将所述状态监测参数划分为N个类别；其中，N为整数，且3≤N≤5；根据信息增益计算公式计算出在不同故障种类下各所述状态监测参数的信息增益值；根据所述状态监测参数的信息增益值的大小，以所述信息增益值由大到小的顺序构建决策树；将所述决策树中所述信息增益值小于预设阈值以及等于0的所述状态监测参数剔除，以筛选出具有参考价值的关键影响因素。

在其中一个实施例中，所述信息增益计算公式为：