用于发动机诊断的振动传感器信号的预处理
阅读：262发布：2020-05-13
专利汇可以提供用于发动机诊断的振动传感器信号的预处理专利检索，专利查询，专利分析的服务。并且提供了一种方法以改进 内燃机 的诊断，所述内燃机包括 气缸 、 曲轴 、曲轴旋转 角 传感器 （CRAS）、振动传感器、逻辑标记传感器，每一个传感器都产生相应的 信号 。所述方法预期：-接收所述信号；-把它们划分为多个空转周期；-根据随机滤波、所述信号的准连续表达、卡尔曼 滤波器 、非线性随机滤波器，根据CRAS特性和准连续表达，确定所述曲轴的 位置 ；-根据振动传感器的技术特性确定里斯发生器基函数；-以变元替换对所述信号进行二次离散；-对互反函数进行离散；-获得离散 小波变换 ；-获得连续小波变换；-获得互反函数的 离散小波变换 ；以及-产生输出数据。相对于所述离散变换中预定的下标划分二维阵列；计算经验概率分布函数。提供了进一步可选的诊断处理。，下面是用于发动机诊断的振动传感器信号的预处理专利的具体信息内容。
1.一种用于诊断至少一个内燃机的方法，所述内燃机包括：至少两个气缸；曲轴；曲轴旋转角传感器，其测量所述内燃机的旋转角并且拥有预定的技术特性，包括脉冲响应特性；
振动传感器，其测量所述内燃机的振动，所述振动传感器拥有预定的技术特性，包括脉冲响应特性；逻辑标记传感器，其标记选自所述至少两个气缸中的预定气缸的运转的预定相位；
所述方法包括对从所述内燃机接收的许多信号进行预处理；所述许多信号包括：
作为由所述曲轴旋转角传感器产生的曲轴旋转角传感器信号的信号1，
作为由所述振动传感器产生的振动传感器信号的信号2，以及
作为由所述逻辑标记传感器产生的逻辑标记信号的信号3；
所述方法包括以下步骤：
a1)从所述曲轴旋转角传感器、所述振动传感器和所述逻辑标记传感器相应地接收所述信号1、信号2和信号3；
b1)在每个所述信号3处，将所述信号2划分为多个空转周期，其中每个所述空转周期都对应于所述曲轴720度的旋转角；
c1)验证具有变化参数的空转周期从所述多个空转周期中的排除；
d1)根据所述信号1的随机滤波和准连续表达，确定所述曲轴的实际位置；
e1)根据时变卡尔曼滤波器或非线性随机滤波器，确定所述曲轴的实际位置；
f1)根据所述曲轴旋转角传感器的所述预定的技术特性和所述脉冲响应特性的近似，确定里斯发生器基函数；
g1)产生信号4，所述信号4是所述信号1的准连续表达；
a2)根据所述振动传感器的所述预定的技术特性和根据所述振动传感器的所述脉冲响应特性，确定里斯发生器基函数；
b2)产生信号5，所述信号5是所述信号2的准连续表达；
a3)获得信号6和信号8，两者都是以变元替换的所述信号5的二次离散；
b3)获得信号7，所述信号7是与所述信号4互反的互反函数的二次离散；
a4)获得所述信号6的离散小波变换，所述离散小波变换由信号9表示；
b4)获得所述信号8的连续小波变换，所述连续小波变换由信号11表示；
c4)获得与所述信号4互反的函数的离散小波变换，并且产生输出数据，所述输出数据包括预定系数的许多二维阵列，所述二维阵列包括成对元素，所述二维阵列由信号10表示；
a5)相对于在步骤a4)和c4)的离散变换中的预定下标，以及相对于在步骤b4)的连续变换中的预定下标，划分所述二维阵列；以及
或者b5)计算所述二维阵列的每个元素的一维经验概率分布函数，所述一维经验概率分布函数由信号12和信号13表示；或者
c5)计算所述二维阵列的每个所述成对元素的二维经验概率分布函数，所述二维经验概率分布函数由信号14表示；
其中，所述步骤c5)被提供为所述步骤b5)的替代并且所述步骤b5)被提供为所述步骤c5)的替代。
2.根据权利要求1的方法，其中，选择步骤b5)；创建多个预定的基准概率分布函数，所述基准概率分布函数具有预定的基准特性；在所述步骤b5)获得并由所述信号12和信号
13表示的所述一维经验概率分布函数具有预定的结构特性和预定的度量特性；提供所述内燃机和/或所述内燃机的机构的时序数据库以存储从所述内燃机的先前诊断测试中获得的所述信号9、信号10和信号11表示的所述二维阵列的元素的先前经验概率分布函数，所述先前经验概率分布函数具有先前结构特性和先前度量特性；所述方法进一步包括以下步骤：
a6)将所述预定的结构特性和所述预定的度量特性进行成对地对比；
b6)将所述预定的结构特性和所述预定的度量特性与对应的所述预定的基准特性进行对比；
c6)从所述时序数据库中存储的所述先前经验概率分布函数获得所述先前结构特性和所述先前度量特性；以及
d6)将所述预定的结构特性和所述预定的度量特性分别与在所述步骤c6)获得的所述先前结构特性和所述先前度量特性进行对比。
3.根据权利要求1的方法，其中，选择步骤c5)；创建多个预定的基准二维概率分布函数，所述基准二维概率分布函数具有预定的基准特性；在所述步骤c5)获得并由所述信号
14表示的所述二维经验概率分布函数具有预定的结构特性和预定的度量特性；提供所述内燃机和/或所述内燃机的机构的时序数据库以存储从所述内燃机的先前诊断测试中获得的所述信号9、信号10和信号11表示的所述二维阵列的元素的先前二维经验概率分布函数，所述先前二维经验概率分布函数具有先前结构特性和先前度量特性；所述方法进一步包括以下步骤：
e6)将所述预定的结构特性和所述预定的度量特性进行成对地对比；
f6)将所述预定的结构特性和所述预定的度量特性与对应的所述预定的基准特性进行对比；以及
g6)从所述时序数据库中存储的所述先前二维经验概率分布函数获得所述先前结构特性和所述先前度量特性；以及
h6)将所述预定的结构特性和所述预定的度量特性分别与在所述步骤g6)获得的所述先前结构特性和所述先前度量特性进行对比。
用于发动机诊断的振动传感器信号的预处理
技术领域
背景技术
[0002] 有多种多样的内燃机诊断系统，一般设计为检测这样的发动机的当前和将来故障。作为示范，授予Boutin等人的7,403,850号美国专利讲授了“自动故障诊断系统”，其“运行在发动机压缩机组上，每个发动机气缸子组具有一个振动传感器，并且每个压缩机气缸具有一个传感器。链接到曲轴相角窗口的振动信号（“VT”）标记各种发动机事件和压缩机事件。在数据采集学习模式下，对每种运转负载状态的每个发动机和压缩机事件都存储VT，统计处理控制（SPC）理论识别报警阈值带。允许操作员输入的超驰。如果没有存储基线数据，则系统自动进入学习模式。为了进行监视，获得当前的VT并且将当前的负载状态与将预定的发动机或压缩机事件链接到超欠VT的较早的负载设置和报警发布相匹配。对于曲柄箱流量、发动机气缸排气温度、点火系统诊断消息，设置基线数据、SPC分析、报警和监视。压缩机性能报警使用吸入和排出温度和压力”。因此，Boutin的系统利用了链接到曲轴相角的振动信号；在数据采集学习模式下，其使用SPC理论识别报警阈值带。
[0003] 这样的系统的另一个实例是授予Takahashi的4,899,710号美国专利中介绍的“用于检测和确定内燃机中爆震的系统和方法，其中多种信号（发动机振动、发动机转速、节流阀的打开角、曲柄角、点火曲柄角等等）利用权重向量加权，以形成爆震判断信号。爆震判断信号与参考信号对比以确定爆震是否正在发生。根据利用外部测试设备提供的高度准确的爆震检测信息，确定此确定结果正确还是不正确。在各种发动机运转状态下正确答案的百分比上升的方向中校正权重向量。如此校正和学习的权重向量被用于在变化的发动机运转状态下执行高度准确的爆震检测。此过程能够重复，作为正常服务的一部分，以补偿老化效应”。所以他的系统分析发动机振动、曲柄角、点火曲柄角等。
[0004] 授予Vilim等人的5,745,382号美国专利公开了“用于执行工业设备的瞬时信号监视以查明运转状态的方法和系统。所述方法和系统包括以下步骤：将训练数据读入存储器，确定神经网络加权值，直到实现目标输出接近于神经网络输出。如果目标输出不足，则确定小波参数以产生接近期望目标输出集的神经网络输出，然后提供表示工业过程特性的信号并将神经网络输出与工业过程信号对比以评估工业过程的运转状态”。因此，Vilim的系统采用‘神经网络’方式评估设备的运转状态。
[0005] 授予Johnson的另一个6,456,928号美国专利提议“用于在易出故障的系统中检测和预测参数偏差和隔离故障模式的方法和设备。在优选实施例中，提供了用于发动机的方法，包括航空器、汽车和工业内燃机。不过，预期了许多其他应用。这样的发动机可以被描述为具有拥有当前参数值的监视点，其中监视点可以对应于单一物理传感器，或者对应于具有得自多个传感器的参数值的虚拟或推断的监视点。可以提供每个监视点参数的可接受范围、极限和数值，供本发明使用。处于可接受范围以外的参数可以被认为是偏差的。也可以提供模糊组，包括参数偏差的一个或多个故障模式或物理原因。参数偏差在可选的滤波后可以产生偏差信号，随后通过模糊组分析以隔离造成偏差的一个或多个故障模式。可以建议改进故障模式的发动机运转过程。也提供了把当前趋势映射到将来以在实际发生前预测偏差并早期隔离故障模式的方法。所述方法的一种优选用途是早期检测和隔离航空器发动机中的故障，引起校正动作，包括早期预防性保养”。以该发明人的观点，6,456,928号美国专利中提及的系统和方法代表了允许识别造成偏离正常状态的偏差的一个或多个故障模式的有利分析方式。
[0007] “振动监视的应用是发动机、监视和诊断学科中明显受关注的领域。通过振动监视最好地检测出某些发动机状态，比如轴承磨损。AGATE PMDS硬件被设计为可选地从直接安装在发动机上的振动传感器取得信息、处理振动数据以及根据该数据确定预诊断。在Honeywell AGATE计划中执行的、大学领导的研究已经显示出，对于活塞发动机，振动监视能够用于检测发动机状态，比如轴承磨损。不过，该团队发现，如同在传统的振动监视方法中那样分析振动数据的频谱是不够的，而要使用振动时间信号的直接采样。这项初步研究对一秒的发动机运转使用了5000采样/秒，以便检测足以预测预诊断的发动机状态。将需要进一步的研发，这样的可选的振动数据才能以可靠的方式用于发动机预诊断…。PMDS概念意在独立地监视发动机的性能，向飞行员提供连续的状态连同需要时的警告。这种数据的特定区段会经由特殊接口告知地勤人员。对PMDS的输入包括数字发动机控制器传感器和其他传感器。在PMDS的目前开发阶段，其监视并记录发动机参数并且把它们存储到发动机历史数据库中用于随后由离线诊断算法处理…”。尽管尚未显示出明确的结果，但是能够做出重要的结论：振动分析在传统上一直基于的傅里叶级数方法被认识到对发动机振动诊断的进一步进展是不够的。
[0008] 上述系统和方法也与一定的缺陷和缺点相关联。其振动分析主要针对彼此运行地结合的机构的老化和磨损监视。此外，大部分方法包括基于不足以反映信号的真实非稳定性质和引起这样的信号的发动机过程的几种假设的内燃机信号处理。
[0009] 众多专家已经做出无数尝试以分析从具体机构（如活塞环）的运转取得的信号，由于其信号几乎消失在发动机的噪声中的事实，这些尝试已经最终失败了。这已经引起以下公认观点：利用隐含着信号稳态性质假设的谱分析仅仅分析发动机的旋转部件。
发明内容
[0011] 一般期望提供（A）全部或大多数发动机机构的分析（如阀门、喷射设备等的运转分析）和导致这样的机构不正确运转的可能故障（如弹簧断裂等）的确定；（B）不仅监视燃烧过程的热力学参数，而且监视燃烧的动力学和燃烧混合物的扩散；（C）所述发动机的水气动力学分析；以及（D）所述机构运转的功能细节的确定，用于预测这样的机构的进一步行为和发现将来故障的任何风险变化。
[0012] 据信为了实现上述目标，应当开发信号表达的新方法以及其处理中的计算操作。所以，本发明的作者尤为关注这样的方法和操作。确切地说，本发明旨在用于预处理振动传感器（加速度计）信号的新方法、设备和计算装置。
[0013] 如上所述，振动诊断的传统的‘经典方法’基于傅里叶级数振幅频率分析，有时也基于由操作员倾听高频宽带的宽带滤波、定量分析等。典型情况下，加速度计安装在所述发动机的适当位置中，并且所述加速度计不仅测量所述发动机的机械部件的振动，而且测量燃料混合物燃烧的过程引起的声流导致的振动。这引起所述信号的随机分量增大，因为所述燃烧是涉及复杂随机因素的湍流过程。
[0014] 所以，所述振动传感器（加速度计）信号是由振动源的至少两个分量引起的信号的结合：由所述机械部件立即引起的（‘机械分量’）和由得自所述燃烧过程的声振动引起的（‘燃烧分量’）。另外，所述机械分量也包括由作用在任何机械部件上的外加力引起的随机子分量。内燃机的所述振动信号不是所述‘经典方法’分析的主体，因为它们不考虑：所述信号的非稳定性质、所述信号的准周期特性（这本身是诊断信息的来源）以及所述随机燃烧子分量。所述经典振动诊断基于本领域技术人员采用的简单理解的概念，其中应用‘标准’数学方法而不要求高计算资源，然而所述随机子分量的物理性质无法由所述经典诊断预期的‘标准’参数集所描述，这又引起了问题。
[0015] 本发明旨在通过提供用于预处理加速度计信号的新颖而不明显的方法和计算操作来解决所述问题，考虑了上述因素：所述信号的非稳定性质、所述信号的准周期特性以及所述随机燃烧子分量。
[0016] 本发明通过创建依赖于表示为所述发动机曲轴的旋转角的变量的一般采样，提供了新的信号表达作为缩短长度的周期。
[0017] 由于本发明以自动模式进行、利用常规的低廉传感器和数字示波器以及简单的测量技术，所以本发明允许改进发动机诊断，更精确地呈现它们，显著降低诊断成本，使广大消费者可访问所述诊断服务。
[0018] 根据本发明，提供了用于改进内燃机诊断的方法；所述发动机包括至少两个气缸、曲轴、曲轴旋转角传感器（CRAS）、振动传感器、逻辑标记传感器，其中，它们之中的每一个都产生对应的信号。所述方法预期：-接收所述对应的信号；-把它们划分为多个空转周期；-根据以下确定所述曲轴的位置：随机滤波、所述信号的准连续表达、卡尔曼滤波器、非线性随机滤波器，根据CRAS特性以及准连续表达；-根据振动传感器的技术特性确定里斯（Riesz）发生器基函数；-以变元替换对所述信号进行二次离散；-对互反函数进行离散；-获得离散小波变换；-获得连续小波变换；-获得互反函数的离散小波变换；以及-产生输出数据。在所述离散变换中相对于预定的下标划分二维阵列；并且计算经验概率分布函数。在两个替代中也提供了进一步的可选处理。附图说明
[0019] 图1是概括框图，显示了根据本发明的实施例的预处理设备的单元内的信号流；
[0020] 图2是显示了三个波形的图：作为时间的函数的曲轴旋转信号、加速度计信号和第一气缸标记信号，这些信号被输入预处理设备；
[0021] 图3（a，b，c）是显示了对于多种缩放，离散小波分解的分量作为曲轴角相的函数的图；
[0022] 图4是根据本发明的实施例的预处理设备操作的图形表达。
具体实施方式
[0024] 虽然本发明可能对不同形式的实施例敏感，但是在附图中显示并且本文将详细介绍本发明的特定实施例，应当理解，本公开将被视为本发明原理的范例，并且不试图将本发明限制为本文展示和介绍的形式。
[0025] PPD结构
[0026] 图1展示的概括框图具体地显示了本发明设备（本文也称为‘预处理设备’或‘PPD’）的单元内的信号流。PPD被用于诊断内燃机（10）（图1中由虚线框显示），该发动机一般包括：至少两个常规气缸（未显示）；常规曲轴（未显示）；常规曲轴旋转角传感器（1.1），本文也称为‘CRAS’，能够测量曲轴的旋转角，CRAS拥有预定的技术特性，包括脉冲响应特性；常规振动传感器（1.2），能够用作加速度计，测量发动机振动的加速度，该振动传感器拥有预定的技术特性；以及产生逻辑标记信号的标记传感器（1.3），标记内燃机10的任一选中的（典型情况下第一个）气缸运转的预定相位。
[0027] PPD自身包括：单元（10.1），用于获得CRAS信号准连续表达；单元（10.2），用于获得振动传感器的信号的准连续表达；单元（10.3），用于以旋转角变元替换时间变元对振动传感器信号时间依赖关系进行二次离散，以及用于对CRAS信号的互反函数进行二次离散；单元（10.4a），用于在以变元替换对振动传感器信号进行二次离散后对振动传感器信号进行离散小波变换；单元（10.4b），用于对与CRAS信号互反的互反函数进行离散小波变换；单元（10.4c），用于在以变元替换（‘时间’到‘旋转角’）对振动传感器信号进行二次离散后对振动传感器信号进行连续小波变换；单元（10.5a），用于计算振动传感器信号的小波系数的经验概率分布函数；单元（10.5b），用于计算上述互反函数的小波系数的经验概率分布函数；单元（10.5c），用于计算振动传感器信号的上述小波系数的二维经验概率分布函数；
以及单元（10.6），用于诊断。单元10.4(a，b，c)和10.5(a，b，c)被合并到公共块（10.4-5）中。所有上述单元的连接如图1所示。PPD还包括预编程的计算装置，主要为计算机或分布式计算网络（如图4所示的计算机网络系统或巨型计算机），执行许多预定的程序，尤其包含程序确认装置。
以及单元（10.6），用于诊断。单元10.4(a，b，c)和10.5(a，b，c)被合并到公共块（10.4-5）中。所有上述单元的连接如图1所示。PPD还包括预编程的计算装置，主要为计算机或分布式计算网络（如图4所示的计算机网络系统或巨型计算机），执行许多预定的程序，尤其包含程序确认装置。
[0028] 信号流
[0029] 图2展示了三个信号波形：由曲轴旋转角传感器1.1产生的数字曲轴旋转信号（1）、在空转模式中获得的由振动传感器1.2产生的数字信号（2）以及由标记传感器1.3产生的数字逻辑标记信号(3)。信号1、2和3都被输入PPD以预处理这些信号。
[0030] 信号1、2和3也显示在图1中，图1进一步描绘了以下信号：曲轴位置信号（4），作为信号1的准连续表达的结果获得；振动曲线信号（5），作为信号2的准连续表达的结果获得；划分到通道（6）和通道（8）中的振动信号，在以以曲轴旋转角的采样表示的变元替换（‘时间’到‘旋转角’）对振动传感器信号进行二次离散后获得；与CRAS信号互反的互反函数在二次离散后的信号（7）；振动传感器信号的离散小波变换系数的多个分段的信号（9）；以曲轴旋转角的采样表示的振动传感器信号的连续小波变换系数的信号（11）；与CRAS信号互反的上述互反函数的小波变换系数的信号（10）；振动传感器信号的小波变换系数的一维经验概率分布函数的信号（12）；振动传感器信号的小波变换系数的替代二维经验概率分布函数的信号（14）；与CRAS信号互反的上述互反函数的小波变换系数的经验概率分布函数的信号（13）；文本图形诊断消息（15）；以及用于进一步处理的输出信号（16）。
[0031] 预处理信号的方法
[0032] 所以，本发明的PPD操作方法包括在单元10.1中实施的以下步骤。步骤（a1）包括将上述三个信号1、2和3输入到单元10.1中。此后，步骤（b1），在每个标记信号3处，振动传感器信号2被划分（‘切割’）到分开的周期中，其中每个周期对应于720度的发动机曲轴的旋转角，正如图2所示。
[0033] 结果，形成了发动机以固定参数（发动机温度、节流阀转动角等）工作的多个空转周期。步骤（c1）包括验证发动机以变化参数工作的空转周期被程序确认装置从多个空转周期中排除（如它不包括过渡模式周期，例如，如果发动机的节流阀改变了其位置）。
[0034] 在信号的预处理期间，有必要以最高准确度根据CRAS的信号确定实际的曲轴位置，并且有必要以将可能以旋转角变元替换振动传感器信号的时间变元而不损失信息的方式，变换该曲轴信号。所以，在单元10.1中信号预处理的下一个步骤（d1）根据利用缩放连续方法的CRAS信号的随机滤波和准连续表达(即根据Whittaker-Nyquist-Kotelnikov-Shannon理论的模拟)，更精确地确定曲轴的实际位置。
[0035] CRAS的信号1在单元10.1中表示为具有由传感器的技术特性定义的离散频率（本文也称为‘采样率’）ωfR的离散时间变元的函数。CRAS信号是准周期的（即时间间隔之间的差异，其包括从0度到360度的曲轴转动，是随机值）。
[0036] 在单元10.1中信号预处理的下一个步骤（e1）是利用已知的时变卡尔曼滤波器或非线性随机滤波器，更精确地确定曲轴的实际位置。从而滤波器方程包括具有燃烧扭矩的曲轴动态方程。作为滤波的结果，曲轴的真实位置被表示为采样率为ωfR的离散时间变元的函数
[0037] 在单元10.1中信号预处理的下一组步骤是产生函数 的信号的准连续表达。它由两步组成：
[0038] -步骤（f1），使用小波变换的缩放函数或B样条函数，根据CRAS的上述技术特性以及对CRAS的脉冲响应特性的近似，确定里斯发生器基函数（见文献：“Wavelets,Approximation and Statistical Applications”W.Hardle,G.Kerkyacharian D.Picard,A.TsybakovEin erstes Ergebnis des Seminars Berlin-Paris,p.284,2000,Humboldt- zu Berlin,Deutschland;Universite Paris VII,France,该文献在
此加入作为参考）。
此加入作为参考）。
[0039] -步骤（g1），产生信号4，信号4是信号1作为准连续时间变元的函数的准连续表达；这个步骤（g1）包括选择准连续时间变元的采样率ωc，以及根据以下公式获得作为准连续时间变元的函数的准连续表达：
[0040]
[0041] 其中Φ(t)-是准时间变元的函数；
[0042] -是里斯基发生器函数；
[0043] i，k，M-是整数；
[0044]
[0045] h=1/ωc。
[0046] 然后信号4（为信号1的准连续表达Φ(t)）被传递到单元10.3做进一步处理。
[0047] 振动传感器信号是采样率为ωfa的时间变元的函数。采样率ωfa由振动传感器的上述技术特性确定。典型情况下，采样率ωfa和采样率ωfR不相等（通常ωfa>>ωfR）。
[0048] 本发明的方法进一步包括在单元10.2中的处理。首先，上述三个信号1、2和3被输入到单元10.2中，类似于在步骤(a1)的做法。单元10.2进一步提供以获得对振动传感器信号2的准连续表达。其由以下两个步骤组成。
[0049] -步骤(a2)：使用小波变换的缩放函数或B样条函数，根据振动传感器的技术特性以及对脉冲响应特性的近似，确定里斯基发生器函数。
[0050] -步骤(b2)：根据以下公式，以采样率ωc计算信号5，信号5是信号2的准连续表达：
[0051]
[0052] S（t）-是准时间变元的函数；
[0053] Φi，k(t)-是里斯基发生器函数；
[0054] i，k-是整数；
[0055]
[0056] h=1/ωc。
[0057] 然后如此获得信号5（为信号2的准连续表达S（t））被传递到单元10.3做进一步处理。
[0058] 此后，单元10.3接收信号4和信号5，并且提供：步骤(a3)，用于获得信号6和信号8，两者都为以变元替换（‘时间’到‘旋转角’）的振动传感器信号5（为信号2的准连续表达）的二次离散；以及步骤(b3)，用于获得信号7，信号7是（与信号4互反的）互反函数的二次离散。其由以下两个子步骤组成：
[0059] –子步骤(b31)，确定振动传感器信号的旋转角变元 的采样率 其中i=1，2，…，n。
[0060] –子步骤(b32)，确定CRAS信号的旋转角变元 的采样率 对于来自CRAS信号1的准连续表达Φ(t)的每个i=1，2，…，n，都确定整数j，使得
此时，对于每一个 振动传感器信号的值被确定为如下采
样率为 的离散角变元的函数：
此时，对于每一个 振动传感器信号的值被确定为如下采
样率为 的离散角变元的函数：
[0061]
[0062] 这就结束了以变元替换（‘时间’到‘旋转角’）的振动传感器信号的二次离散的过程。如此算出的值对（jh，）定义了与信号4互反的互反函数 的二次离散，采样率为 即
[0063]
[0064] 然后振动传感器信号 （图1上指示为6和8）以及信号7（信号7为与信号4互反的互反函数 的二次离散）被传递到方框10.4-5做进一步处理。
[0065] 方框10.4-5（图1上所示）提供了对信号6、7和8的进一步处理，方式为以下任意之一：经由因特网（内联网）将信号传输给预定计算能力的服务器计算机，或者通过利用已知的去并行方法随后在预定计算能力的并行处理器中进行处理（示意性地显示在图4上）。
[0066] 在单元10.4(a，b，c)中信号预处理的下一组操作是：步骤(a4)，用于获得信号6（以变元替换进行二次离散后的振动传感器信号）的离散小波变换（在单元10.4a中），展示在图3（a，b，c）上；步骤(b4)，用于获得信号8（以变元替换进行二次离散后的振动传感器信号）的连续小波变换（在单元10.4c中）；以及步骤(c4)，用于获得与CRAS信号4互反的互反函数的离散小波变换（在单元10.4b中），并且产生包括预定系数的许多二维阵列的输出数据，上述二维阵列包括成对元素，上述二维阵列由信号（10）表示。其由以下三个子步骤组成。
[0067] –子步骤(c41)（在单元10.4a中），对振动传感器信号进行离散小波变换，输出数据（即信号9）表示为缩放小波系数uj，k的二维阵列以及细节系数wj，k的二维阵列。
[0068] –子步骤(c42)（在单元10.4c中），对振动传感器信号进行连续小波变换，具有用于缩放变元的子步骤，并且对于角变元，输出数据由信号11表示为小波系数wa,b的二维阵列。
[0069] –子步骤(c43)（在单元10.4b中），对与CRAS信号4互反的函数的Harr内核进行离散小波变换，输出数据由信号10表示为缩放小波系数 的二维阵列以及细节系数的二维阵列。此后，这些二维阵列以信号9、10和11的形式从单元10.4a、10.4b和10.4c被传递到单元10.5a、10.5b和10.5c做进一步处理（正如图1所示）。
[0070] 单元10.5a、10.5b和10.5c执行相应的步骤（a5），用于相对于（在子步骤（c41）和（c43）期间获得的）离散变换中的下标k和相对于（在子步骤（c42）期间获得的）连续变换中的下标b将二维阵列（即uj,k、wj,k、wa,b、 ）划分到从0度到720度的曲轴旋转角的多个相等分段中。从而，二维阵列以 的形式表示，其中N=1，2，…是发动机的全周期数。
[0071] 然后单元10.5a和10.5b在步骤（b5）提供进一步处理，以计算二维阵列（即wj,k、uj,k、wa,b、 ）的每个元素的一维经验概率分布函数，（可用于例如发现异常机构）。这种一维经验概率分布函数由以下表示：信号12（用于加速计信号的小波系数的经验概率分布函数），以及信号13（用于与CRAS信号4互反的函数的小波系数的经验概率分布函数）；信号12和信号13分别是单元10.5a和10.5b的输出。
[0072] 作为替代，单元10.5c提供进一步处理步骤（c5），以计算二维阵列的每对元素的二维经验概率分布函数（如F(wj,k,Wl,m),F(uj,k,Wl,m), 等）（可用于例如发现机构异常的原因）。这样的二维经验概率分布函数由信号14表示。
[0073] 分别来自单元10.5a、10.5b和10.5c的输出信号12、13和14被进一步传递给单元10.6。
[0074] 以上介绍的预处理算法设想信号的随机成分的非稳定性质、其准周期特性和随机燃烧成分，从而允许完成以上陈述的本发明的目标。
[0075] 可选的诊断继续
[0076] 下面介绍的诊断处理是示范选项。其优选情况下在诊断单元10.6中实施，并包括：成对地对比在‘类似间隔’（即由角位移4πi/n，i=1，2，…，n-1，而不同的间隔，其中n是发动机气缸的个数，并且该‘相似间隔’定义如下： ）上获得的（以信号9、10、11形式的上述输出数据的）二维阵列的元素的经验概率分布函数。
[0077] 接着的步骤(a6)和(b6)具体是：选择步骤(b5)的替代；创建多个预定的基准概率分布函数，这些基准概率分布函数具有预定的基准特性；在步骤(b5)获得的并由信号12和13表示的一维经验概率分布函数具有预定的结构特性和度量特性；提供发动机和/或发动机机构的时序数据库，用于存储由从发动机的先前诊断测试获得的信号9、10和11表示的二维阵列的元素的先前经验概率分布函数，先前经验概率分布函数具有‘先前’结构和‘先前’度量特性。这些步骤在下面更详细地介绍。
[0078] -步骤(a6)，用于在以下已知概率度量特性内，根据以上在步骤(b5)获得的并由信号12和13表示的经验概率分布函数之间的距离计算，在类似间隔上进行成对对比：
[0079] M1.Levy度量，定义为：
[0080]
[0081] M2.基于Radon-Nikodim原理的密度定义的度量，如下：
[0082] 其中：
[0083]
[0084] 密度
[0085] M3.Mahalanobis距离
[0086] 也根据经验概率分布函数的以下结构特性的计算，进行在步骤(a6)中的以上对比：
[0087] -经验概率分布函数的矩量及其有理表达式；以及
[0088] -Hurst下标。
[0089] 在诊断单元10.6中信号预处理的下一组操作是将由信号12和13表示的二维阵列元素的获得的经验概率分布函数，与在相同间隔 上二维阵列的元素的基准概率分布函数进行对比。按以下方式进行。
[0090] -步骤(b6)，用于在以下上述讨论的概率度量特性内，根据以上在步骤(b5)获得的由信号12和13表示的经验概率分布函数与二维阵列的元素的基准概率分布函数之间的距离计算，在相同间隔上进行对比：
[0091] M1.Levy度量；
[0092] M2.基于Radon-Nikodim密度的度量；
[0093] M3.Mahalanobis距离
[0094] 也根据对经验概率分布函数的预定特性的计算和预定的基准概率分布函数的特性，进行以上对比，其中预定结构特性是：
[0095] -经验概率分布函数的矩量及其有理表达式；以及
[0096] -Hurst下标。
[0097] 进一步的步骤是：步骤(c6)，用于从时序数据库中存储的、从先前诊断周期中获得的先前经验概率分布函数中获得先前结构特性和先前度量特性。换言之，从数据库检索结构特性。
[0098] -步骤(d6)，用于在以下上述讨论的概率度量特性内，根据以上在步骤(b5)获得的由信号12和13表示的经验概率分布函数与时序数据库中存储的二维阵列的元素的先前经验概率分布函数之间的距离计算，在相同间隔上进行对比：
[0099] M1.Levy度量；
[0100] M2.基于Radon-Nikodim密度的度量；
[0101] M3.Mahalanobis距离。
[0102] 在步骤(d6)中根据对以上在步骤(b5)获得的并由信号12和13表示的经验概率分布函数的结构特性的计算，以及各个发动机和/或机构的时序数据库中存储的先前概率分布函数的结构特性，进行以上对比，其中结构特性是：
[0103] -经验概率分布函数的矩量及其有理表达式；以及
[0104] -Hurst下标。
[0105] 在单元10.6中信号预处理的替代操作组是：提供各个发动机和/或发动机机构的时序数据库，其中数据库存储二维阵列（由信号9、10、11表示的输出数据）的元素的先前二维经验概率分布函数，其中先前二维经验概率分布函数从该发动机的先前诊断测试中获得，并且这些二维先前经验概率分布函数具有一定的‘先前’结构和度量特性。单元10.6还提供对在以上步骤(c5)获得的并由信号14表示的二维阵列元素的获得的二维经验概率分布函数与时序数据库中存储的二维阵列的元素的先前经验概率分布函数的对比。
[0106] 采用该处理是为了发现机构异常的原因或“根源原因诊断”，并在单元10.6中实施，并且包括以下步骤：
[0107] 步骤(e6)，用于（在类似间隔上）成对地对比以上在步骤(c5)获得的并由信号14表示的二维阵列（信号9、10、11）的时序地排序的成对元素的二维经验概率分布函数；步骤(f6)，用于（在相同间隔上）对比二维阵列（信号9、10、11）时序地排序的成对元素的二维经验概率分布函数（由信号14表示）与基准；步骤(g6)，用于从时序数据库中存储的先前经验概率分布函数获得先前结构特性和先前度量特性；步骤(h6)，用于将预定的结构特性和预定的度量特性分别与在步骤(g6)获得的先前结构特性和先前度量特性进行对比。提供的步骤(e6)、(f6)、(g6)和(h6)类似于以上介绍的相应步骤(a6)、(b6)、(c6)和(d6)。进行步骤(e6)、(f6)、(g6)和(h6)是为了以下目的：
[0108] -提供步骤(e6)以成对地对比预定的结构特性和预定的度量特性；
[0109] -提供步骤(f6)以将预定的结构特性和预定的度量特性与对应的预定基准特性进行对比；
[0110] -提供步骤(g6)以从时序数据库中存储的先前经验概率分布函数获得先前结构特性和先前度量特性；
[0111] -提供步骤(h6)以将预定的结构特性和预定的度量特性分别与在步骤(g6)获得的先前结构特性和先前度量特性进行对比。
[0112] 步骤(e6)、(f6)和(h6)的对比是在以上讨论的概率度量内根据对二维概率分布函数之间的距离计算，以及二维概率分布函数与两个一维概率分布函数乘积的差异之间的距离计算（即F(wj，k，wl，m)-F(wj，k)F(wl，m)以及 进行的：
[0113] M1.对于二维函数的Levy度量；以及
[0114] M2.基于Radon-Nikodim密度的度量。
[0115] 也根据对以上在步骤(b5)获得的并由信号14表示的二维经验概率分布函数的结构特性的计算，以及各个发动机和/或机构的时序数据库中存储的先前二维概率分布函数的结构特性，进行以上对比，其中该结构特性是：
[0116] -二维经验概率分布函数的更高矩量及其有理表达式；
[0117] 正如图1所示，单元10.6产生文本图形诊断消息15，以及能够被用于进行进一步诊断分析的输出信号16。如以上指出，步骤(a6)至步骤(g6)是可选的。在替代实施例中，实际诊断可能以另一种方式实现。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种1D位场异常曲线构建2D位场异常剖面的方法 | 2020-05-18 | 183 |
| 一种图像二维离散小波变换的扫描方法和装置 | 2020-05-11 | 951 |
| 一种2D位场构建3D位场的方法 | 2020-05-19 | 480 |
| 一种提升小波和中值滤波相结合的算法 | 2020-05-12 | 260 |
| 一种基于Curvelet变换的可见光与红外图像融合方法 | 2020-05-19 | 8 |
| 基于2D离散小波多尺度分解构建3D位场的方法 | 2020-05-16 | 509 |
| 一种2D位场构建3D位场的方法 | 2020-05-19 | 818 |
| 双音多频信号的去噪方法和装置 | 2020-05-12 | 994 |
| 基于DWT和主成分分析压缩的零水印嵌入、提取方法及装置 | 2020-05-18 | 181 |
| 基于小波变换的Prophet与高斯过程用户网络流量预测方法 | 2020-05-16 | 466 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈