一种基于油液光谱分析的履带车辆动力装置故障预警方法与流程

1.本发明属于履带车辆动力装置故障预警技术领域，具体涉及一种基于油液光谱分析的履带车辆动力装置故障预警方法。


背景技术：

2.油液光谱分析是履带车辆动力装置故障预警的常用方法，核心工作是确定履带车辆动力装置油液中光谱特征参数的预警值、危险值等失效阈值，并根据多次油液检测结果对光谱特征参数进行预测，然后通过预测值与失效阈值的对比确定是否进行故障告警。
3.传统的失效阈值确定方法假设光谱特征参数服从正态分布，利用多次油液光谱分析结果计算光谱特征参数的均值和标准差，获得光谱特征参数的正态分布函数，进一步推算失效阈值。但是，履带车辆动力装置实测油液光谱特征参数受环境和工况的影响较大，分布形式复杂，一般不服从正态分布，传统方法确定的光谱特征参数失效阈值精度较低，需要采用一种新的方法，直接根据光谱特征参数的概率分布函数和动态权值，推算光谱特征参数的失效阈值。
4.传统的光谱特征参数预测方法利用历史检测数据对下次检测结果进行估计，各次检测的时间间隔接近时精度较高。但是，受工程可操作性制约，履带车辆动力装置各次检测时间的间隔一般差异较大，传统方法不能考虑检测时间间隔的影响，因此预测精度较低，需要采用一种新的方法，能够考虑履带车辆动力装置油液检测时间间隔的差异，对光谱特征参数检测结果序列进行数据重构，从而提高光谱特征参数预测结果的精度。


技术实现要素：

5.(一)发明目的
6.本发明针对现有基于油液光谱分析的履带车辆动力装置故障预警方法中，光谱特征参数的失效阈值精度受环境、工况影响较大，光谱特征参数预测值对检测时间间隔一致性要求过高等问题，提出一种基于油液光谱数据动态权值和时序重构的履带车辆动力装置故障预警方法，从而提高履带车辆动力装置故障预警结果的精度。
7.(二)技术方案
8.本发明提供一种基于油液光谱分析的履带车辆动力装置故障预警方法，所述方法包括以下步骤：
9.步骤1，确定油液光谱特征参数的失效阈值：采用粒子群算法-支持向量机对油液光谱数据进行概率密度估计，获得概率密度函数，对概率密度函数进行积分，得到光谱特征参数的概率分布，再通过动态权值确定光谱特征参数的失效阈值，即预警值与危险值；
10.步骤2，光谱特征参数预测：在履带车辆动力装置油液检测数据中加入检测时间间隔参数进行归一化处理，进而时序重构，然后采用门控循环单元gru模型对光谱特征参数进行预测，最后将预测结果与失效阈值进行对比，若预测结果大于失效阈值，则进行故障预警。
11.其中，按照动力装置的故障严酷度与危害度将失效阈值分为两种，即预警值与危险值；
12.其中，预警值是指一般故障对应的光谱特征参数值，危险值是指严重故障对应的光谱特征参数值。
13.其中，所述步骤1中，利用正态分布3σ原则确定所述动态权值，使失效阈值随光谱特征参数的样本量动态改变，结合光谱特征参数的概率分布，确定光谱特征参数的失效阈值。
14.其中，所述步骤1中，所述光谱特征参数的概率分布是根据油液实测光谱数据，利用粒子群算法-支持向量机构建的概率分布函数。
15.其中，所述步骤1中，所述粒子群算法-支持向量机中，利用粒子群算法pso对核参数σ以及惩罚参数c进行优化，pso种群大小设置范围为40～50，算法终止条件为达到最大迭代次数，所述迭代次数设置为1000～1500，所述核参数σ以及惩罚参数c的取值范围分别是0.5～2和0.1～0.9。
16.其中，所述步骤2中，所述门控循环单元gru模型的输入为经归一化处理的连续5组光谱特征参数检测值、检测时间间隔和补油量。
17.其中，所述归一化处理的数学模型为：
[0018][0019]
zi表示归一化后的输入向量，zi′
表示归一化之前的输入向量，为zi′
的平均值，σz为zi′
的标准差。
[0020]
其中，所述门控循环单元gru模型用于根据实测光谱特征参数值，以10摩托小时为步长，依次迭代计算包含连续5组的输入向量，获得后续检测时刻光谱特征参数预测值。
[0021]
(三)有益效果
[0022]
本发明提出的基于油液分析的履带车辆动力装置故障预警方法，包括两个步骤：失效阈值确定、光谱特征参数预测。失效阈值确定：利用粒子群算法-支持向量机对履带车辆动力装置油液的光谱特征参数进行概率密度估计，得到光谱特征参数的概率分布函数，再利用动态权值确定光谱特征参数的预警值、危险值等失效阈值；光谱特征参数预测：在履带车辆动力装置油液检测数据中加入检测时间间隔参数进行归一化处理，然后采用门控循环单元gru模型对光谱特征参数进行预测，最后将预测结果与预警值、危险值等失效阈值进行对比，判断是否进行故障预警。
[0023]
与现有技术相比较，本发明提出的基于油液分析的履带车辆动力装置故障预警方法，能够根据光谱特征参数的概率分布函数和动态权值，推算光谱特征参数的失效阈值，并考虑油液检测时间间隔的差异，进行光谱特征参数预测，解决了传统故障预警方法受环境和工况的影响较大、对各次检测的时间间隔要求较高等问题，提高了基于油液分析的履带车辆动力装置故障预警精度。
附图说明
[0024]
图1为本发明总体逻辑框图。
[0025]
图2是本发明光谱特征参数失效阈值计算的基本流程图。
[0026]
图3是某履带车辆动力装置光谱测量fe元素的经验分布函数和pso-svm估计的概率分布曲线示意图。
[0027]
图4是本发明实例光谱特征参数预测的基本流程图。
[0028]
图5是本发明实例gru预测模型的算法结构图。
具体实施方式
[0029]
为使本发明的目的、内容、和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。
[0030]
为解决现有技术问题，本发明提供一种基于油液光谱分析的履带车辆动力装置故障预警方法，如图1至图5所示，所述方法包括以下步骤：
[0031]
步骤1，确定油液光谱特征参数的失效阈值：采用粒子群算法-支持向量机对油液光谱数据进行概率密度估计，获得概率密度函数，对概率密度函数进行积分，得到光谱特征参数的概率分布，再通过动态权值确定光谱特征参数的失效阈值即预警值与危险值；
[0032]
步骤2，光谱特征参数预测：在履带车辆动力装置油液检测数据中加入检测时间间隔参数进行归一化处理，进而时序重构，然后采用门控循环单元gru模型对光谱特征参数进行预测，最后将预测结果与预警值、危险值等失效阈值进行对比，判断是否进行故障预警。
[0033]
实施例
[0034]
油液光谱特征参数是指对履带车辆动力装置油液进行多次光谱检测时得到的元素成分以及浓度值。下面以对某履带车辆动力装置油液光谱fe元素的分析为例，检测到的fe元素浓度数据{x1,x2,
…
,xi,
…
,xn}，其中xi表示第i次检测到的fe元素浓度。
[0035]
如图2所示，本发明中失效阈值计算的步骤包括：
[0036]
步骤1.1，根据以上数据计算fe元素浓度的经验分布函数fn(x)：
[0037][0038]
n为测量样本长度，xi表示第i次检测到的fe元素浓度，x为函数的自变量。
[0039]
将fe元素浓度值代入上述经验分布函数，得到以下数据对：{(x1,f1(x)),(x2,f2(x)),
…
,(xn,fn(x))}。
[0040]
步骤1.2，通过支持向量机求解概率密度函数，首先定义核函数和交叉核函数。
[0041]
核函数：
[0042][0043]
xi,xj表示核函数点坐标，ψ(x)为某种线性变换，σ表示核参数，t1,t2为积分变量。
[0044]
交叉核函数：
[0045][0046]
xi,x表示交叉核函数点坐标，为另一种线性变换，t为积分变量。核函数和交
叉核函数采用同一个核参数。
[0047]
采用支持向量机在fn(x,w)空间中进行回归估计，采用ε不敏感损失函数的线性支持向量机，将估计概率密度函数问题转化为以下优化问题，
[0048][0049]
约束条件为：
[0050][0051][0052][0053]
ξi≥0,i＝1,
…
,n
[0054]
其中，为非负松弛变量；αi为拉格朗日乘子；c为惩罚参数；n为测量样本长度；xi,xj为光谱检测的浓度值；fn(xi)为经验分布函数；λ为大于0的常数；k(.)为核函数；其中惩罚参数c和核参数σ为待优化参数。
[0055]
步骤1.3核参数与惩罚参数优化
[0056]
步骤1.3.1，初始化pso-svm参数。初始化种群大小为40(通常设置为40～50)，算法终止的条件为达到最大迭代次数1000(通常可以设定在1000～2000)，随机初始化每个粒子的速度(k代表第k个粒子，下同；取值范围为-1～1)和位置(对应核参数σ以及惩罚参数c，σ的取值范围为0.5～2，c的取值范围为0.1～0.9)。
[0057]
步骤1.3.2，计算适应度函数值：n代表样本长度，fn(.)代表根据经验分布函数，f(.)表示估计概率分布函数，xi代表样本中第i个样本值。根据适应度值的大小调整粒子历史的最优位置pbestk(即该粒子在历史所有迭代过程中适应度值最小时对应的粒子位置)和群体的全局最优位置gbest(本次迭代所有粒子中最小适应度值对应的粒子位置)。
[0058]
步骤1.3.3，根据粒子的历史最优位置以及全局最优位置对粒子的速度和位置进行更新，更新公式如下：
[0059]v′k＝ω
×
vk+c1×
r1×
(pbest
k-sk)-c2×
r2×
(gbest-sk)
[0060]s′k＝sk+v
′k[0061]
式中，vk代表第k个粒子更新前的速度，v
′k代表第k个粒子更新后的速度，ω为惯性权重，一般取值为0～1，c1,c2为加速系数，一般取值为2，r1,r2为0～1之间的随机数，sk代表第k个粒子更新前的位置，s
′k代表第k个粒子更新后的位置。
[0062]
步骤1.3.4，根据更新后的粒子速度和位置重新评估适应度函数值，并更新粒子历史的最优位置和群体的全局最优位置，若满足终止条件，则输出全局最优位置并退出，否则
转步骤1.3.3继续执行。
[0063]
步骤1.4，估计概率分布
[0064]
通过核函数求解步骤1.2中的优化问题，得到支持向量和对应的系数fe元素浓度的概率密度函数用以下公式计算：
[0065][0066]
k(xi,x)为交叉核函数，x为自变量，n为测量样本长度。
[0067]
对概率密度函数进行积分，得到fe元素浓度的概率分布：
[0068][0069]
图3为某履带车辆动力装置光谱测量fe元素的经验分布函数和pso-svm估计的概率分布曲线。
[0070]
步骤1.5，确定失效阈值
[0071]
采用动态权值的方法确定磨粒元素浓度的失效阈值，本发明采用动态权值γ结合估计的概率分布确定浓度的界限值。
[0072]
步骤1.5.1，首先确定f(y1)＝φ(1)＝0.8413时的fe元素浓度y1以及f(y2)＝φ(2)＝0.9772时的fe元素浓度y2以及f(y3)＝φ(3)＝0.9987时的fe元素浓度y3，f(.)为估计的概率分布函数，φ(.)表示标准正态分布。
[0073]
步骤1.5.2，确定动态权值γ1,γ2。采用如下公式：。采用如下公式：表示测量样本中fe元素浓度值小于y1的样本个数；表示测量样本中fe元素浓度值大于y2的样本个数；n表示测量样本长度。
[0074]
步骤1.5.3，确定浓度预警值，yw＝γ1y1+(1-γ1)y2；确定浓度危险值，yr＝γ2y3+(1-γ2)y2。
[0075]
如图4所示，本发明中fe元素浓度预测的步骤包括：
[0076]
步骤2.1，确定模型输入
[0077]
步骤2.1.1，履带车辆动力装置油液中fe元素的浓度不仅与零部件的磨损程度有关，还和光谱检测之前的补油量有关。因此对履带车辆动力装置油液中的fe元素浓度进行预测需要将补油量考虑在内。此外由于光谱检测的时间间隔为几小时到几十小时不等，属于非均匀采样，时间间隔越长，履带车辆动力装置零部件的磨损量越大，检测到的fe元素浓度也就越高，对履带车辆动力装置油液中的fe元素浓度进行预测需要将测量时间间隔考虑在内。
[0078]
采用某履带车辆动力装置油液光谱fe元素的分析为例，fe元素浓度数据{x1,x2,
…
,xn}，光谱检测时间{t1,t2,
…
,tn}，每次光谱检测后润滑油的补油量{b1,b2,
…
,bn}，n表示光谱检测次数。光谱检测的时间间隔表示为{δt1,δt2,
…
,δtn}，其中，δt1＝0，δti＝t
i-t
i-1
(i＝2,3,
…
,n)。
[0079]
因此，将某履带车辆动力装置油液光谱fe元素浓度、光谱检测时间间隔、补油量作为预测模型的输入向量zi′
＝[xi,bi,δti]
t
，数据集为n个输入向量的集合：z
′
＝{z1′
,z
′2,
…z′n}。
[0080]
步骤2.2，数据预处理
[0081]
1、为了加强预测模型的抗干扰能力，采用高斯低通滤波器对数据集中的数据进行滤波；
[0082]
2、预测模型要求输入数据具有相同的尺度，故对数据集中的参数进行极大极小归一化操作，归一化操作公式如下：
[0083][0084]
zi表示归一化后的输入向量，zi′
表示归一化之前的输入向量，为zi′
的平均值，σz为zi′
的标准差。
[0085]
步骤2.3，fe元素浓度预测
[0086]
履带车辆动力装置油液中fe元素浓度的预测值和历史检测数据相关，而gru模型的特点之一在于需要以历史检测数据作为输入量之一，故选取gru作为光谱元素浓度的预测模型。为保证预测的准确率，将此预测模型中预测步数设置为1，每步预测时长为10摩托小时。
[0087]
gru预测模型的基本结构如图3所示。
[0088]
1、将5个连续的向量{z1,z2,z3,z4,z5}作为模型的历史输入数据，下1项的浓度值x6作为模型的预测值；
[0089]
2、以1为步长继续选择模型历史输入数据和预测值，直至预测值到xn。例如步骤1之后，将{z2,z3,z4,z5,z6}作为模型的历史输入数据，下1项的浓度值x7作为模型的预测值。
[0090]
3、对模型进行训练，直至损失函数满足要求。
[0091]
4、将{z
n-4
,z
n-3
,z
n-2
,z
n-1
,zn}作为模型输入，预测下一步的浓度值x
n+1
，并对x
n+1
反归一化，即可得到浓度的预测值。
[0092]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。