[发明专利]一种基于数字孪生和迁移学习的气缸泄露故障诊断方法

说明书

本发明公开了一种基于数字孪生和迁移学习的气缸泄露故障诊断方法，所述方法包括以下步骤：基于虚拟仿真数据构建大型源域数据集，采用监督式深度神经网络训练方法，对模型进行充分预训练，预训练好的模型其各层参数获得了源域数据集的诊断知识。本申请和现有技术相比，在申请中设置活塞缸套系统高保真数字孪生模型和数据迁移模型，将通过柴油机活塞环、缸套磨损的故障模拟试验获得的数据导入到活塞缸套系统高保真数字孪生模型和数据迁移模型中，活塞缸套系统高保真数字孪生模型和数据迁移模型设置有数据模型更新机制，可以随时增添新的试验数据，如此可以提高发动机的故障检测效率。

技术领域

本发明涉及气缸泄露故障诊断方法技术领域，尤其涉及一种基于数字孪生和迁移学习的气缸泄露故障诊断方法。

背景技术

活塞和缸套是柴油机的主要运动件，其技术指标和工作状态直接影响柴油机的动力性和可靠性。柴油机活塞环在气缸内往复运动中引起活塞环和缸套磨损，当磨损量达到某一固定值后，燃烧室的密封性下降，在压缩冲程中会有更多的空气泄漏，压缩压力下降，燃烧不完全，降低了柴油机热效率。因此，分析活塞缸套系统的机理和形式，研究相应的监测磨损状态和故障诊断方法，开发柴油机主要运动件磨损在线监测与诊断系统，对于减少柴油机运动件因过度磨损产生的故障，提高柴油机的可靠性和安全性具有十分重要的意义。

现有的柴油机气缸检测诊断方法因为数据库信息少而且信息无法更新，导致柴油机气缸的故障诊断效率低下。

发明内容

本发明的目的在于：为了解决上述问题，而提出的一种基于数字孪生和迁移学习的气缸泄露故障诊断方法。

为了实现上述目的，本发明采用了如下技术方案：

一种基于数字孪生和迁移学习的气缸泄露故障诊断方法，所述方法包括以下步骤：

S1、基于虚拟仿真数据构建大型源域数据集，采用监督式深度神经网络训练方法，对模型进行充分预训练，预训练好的模型其各层参数获得了源域数据集的诊断知识；

S2、利用深度神经网络学习的特征在底层更通用，而在高层更加具体这一特点，通过固定预训练网络的底层参数，同时利用少量目标域训练样本对高层参数进行微调的方法，进行模型迁移，获得最终适用于目标域的诊断模型。

优选地，所述方法还包括建立活塞缸套系统高保真数字孪生模型，所述活塞缸套系统高保真数字孪生模型的数据采集通过柴油机活塞环、缸套磨损的故障模拟试验获得，所述活塞缸套系统高保真数字孪生模型的建立包括信号处理步骤、特征提取步骤、模式识别步骤。

优选地，所述柴油机活塞环、缸套磨损的故障模拟试验操作步骤如下：

对柴油机进行整机振动噪音测试；

S31、设置柴油机工况为经济转速，75％负载并在整机布置振动传感器和麦克风；

S32、分别采集正常状态、活塞环磨损(磨大开口间隙)以及缸套磨损(镗缸绗磨加大缸套内直径)状态下的整机振动噪声信号；

所述经济转速为1200r/min。

优选地，所述信号处理步骤包括：测量振动信号并进行模态分析，能较好地对柴油机配气机构进行故障诊断，所述特征提取步骤包括：对柴油机进行活塞磨损和缸套磨损等故障模拟试验研究，测量机身振动信号，提取故障特征参数，获取各振动特征参数与故障程度间的关系,从机身振动信号中提取振动加速度总振级和功率谱的高低频能量比,来诊断气缸与活塞故障。

优选地，所述活塞缸套系统高保真数字孪生模型的建立过程中的数据采集步骤如下：

S41、通过柴油机活塞环、缸套磨损的故障模拟试验获得多种活塞故障下的振动信号数据；