基于多源数据的发动机故障维修策略生成方法与流程

本发明涉及发动机故障维修，具体为基于多源数据的发动机故障维修策略生成方法。

背景技术：

1、发动机作为动力系统的核心部件，其运行状态直接影响设备整体可靠性与作业安全，及时准确地识别发动机早期故障对降低维修成本、避免重大事故具有重要意义。基于声纹特征的故障诊断方法因具备非接触式采集、无需改造设备结构、可实时监测等优势，在发动机状态监测领域得到广泛应用。现有发动机声纹故障诊断技术大多采用单点位声学传感器采集运行声音，提取频谱特征后与预置故障模板进行匹配比对，通过固定阈值判定是否存在故障。此类方案在理想工况下能够识别典型故障，但在实际复杂运行环境中存在明显的技术缺陷。但由于发动机舱内运行环境复杂，环境背景噪声、附属部件异响、工况负载波动等因素均会对采集到的声纹信号产生干扰，导致声纹特征发生偏移，故障匹配度下降。现有技术缺乏有效的干扰判别机制，当干扰导致特征异常时，容易将干扰误判为故障发出虚假警报，或因干扰掩盖真实故障特征造成漏检，故障诊断的准确率与可靠性难以保障，单点位采集方式获取的声纹信息有限，无法从空间维度交叉验证故障特征的真实性，局部干扰即可影响整体判定结果；同时固定阈值的判定模式无法适应不同机型、不同工况下的声纹特性差异，也不具备随运行数据积累持续优化的能力，随着设备老化与工况变化，诊断精度会逐渐下降，难以满足长期稳定运行的监测需求。

技术实现思路

1、本发明的目的在于提供基于多源数据的发动机故障维修策略生成方法，以解决上述背景技术中提出的问题。

2、为了解决上述技术问题，本发明提供如下技术方案：基于多源数据的发动机故障维修策略生成方法，包括以下步骤：

3、s1、在发动机舱多点位布置声学传感器，采集发动机运行声音信号与转速信号，经预处理和归一化提取发动机特征，建立发动机特征数据库；

4、s2、调用历史故障记录，统计故障类型对应各项特征的历史异常频次，筛选得到与故障相关的发动机特征，构建固定点位对应各故障类型的相关特征项集合；

5、s3、实时采集固定点位的发动机运行特征，与参考特征比对识别异常特征，计算点位对应各故障类型的风险系数，分析故障类型被判定为风险故障的点位数量；

6、s4、根据故障类型的风险点位占比进行分级，对警报发动机故障类型发出风险警报；

7、s5、提取待定故障类型的风险点位，计算风险点位异常特征与相关特征项集合的特征匹配度和风险点位间的异常重合度，基于特征匹配度和异常重合度判定真实故障；

8、s6、完成一个警报周期后，将本次确认的真实故障特征、故障类型及干扰判别结果更新存入发动机特征数据库，同步迭代更新相关特征项集合与判定阈值；

9、基于历史数据进行故障相关特征建立点位和故障特征映射，通过风险点位占比实现故障风险的分级判定，引入特征匹配度与点位异常重合度的干扰校验机制，在过滤干扰误报的同时进行故障风险的动态识别。

10、进一步的，在步骤s1中，经授权后，在发动机舱的m个固定点位布置声学传感器，通过声学传感器采集一个监测时间段的发动机数据，发动机数据包括发动机运行声音信号与转速信号，对发动机数据继续预处理和归一化，获取发动机特征，建立发动机特征数据库。

11、进一步的，在步骤s2中，调用历史的发动机特征数据库，获取历史判断的n个发动机故障类型，针对第m个固定点位，针对第n个发动机故障类型，调用在发生发动机故障的前一个监测时间段的发动机特征作为故障发生特征，m=1,2,…,m，n=1,2,…,n，以当前时间点为终点，调用最近的p次第n个发动机故障类型的故障记录作为参考故障记录，在p次参考故障记录中，第p次参考故障记录的故障发生特征为{a(p-1),a(p-2),…,a(p-q),…,a(p-q)}，其中p=1,2,…,p，a(p-q)表示第p次参考故障记录的第q个故障发生特征，q为发动机特征的数量，进而得到p次参考故障记录的第q个故障发生特征为{a(1-q),a(2-q),…,a(p-q),…,a(p-q)}，以当前时间点为终点，调用前一个预设的参考特征更新周期的发动机特征数据库，以未发生故障的第m个固定点位的发动机特征平均值作为第m个固定点位的参考发动机特征，第m个固定点位的参考发动机特征为{a(m-1),a(m-2),…,a(m-q),…,a(m-q)}，其中a(m-q)为第m个固定点位的第q个参考发动机特征，针对第m个固定点位，若|[a(p-q)-a(m-q)]/a(m-q)|大于预设的差异阈值，则判断第p次参考故障记录的第q个故障发生特征异常，对于差异阈值，在发动机正常运行状态下连续采集r个监测周期的发动机特征数据，针对第q项发动机特征，计算r个监测周期中该特征相对于参考发动机特征的相对偏差的均值与标准差，以均值加3倍标准差作为该项特征差异阈值的初始值；3倍标准差对应统计过程控制中的3σ原则，在正态分布假设下正常特征波动落在该范围内的概率为99.7%，超出该范围即判定为异常，差异阈值针对各项发动机特征分别标定；否则，判断第p次参考故障记录的第q个故障发生特征正常，一一代入p=1,2,…,p，对p次参考故障记录的第q个故障发生特征进行判断，得到p次参考故障记录中pq次参考故障记录的第q个故障发生特征异常，得到第q项发动机特征对第n个发动机故障类型的发动机故障相关程度b(q-n)，b(q-n)=pq/p，将发动机故障相关程度b(q-n)与预设的相关程度阈值进行比较，对于相关程度阈值，将q项发动机特征的b(q-n)值按升序排列，依次以相邻b值的中点作为候选阈值将全部特征分为低相关组与高相关组，计算两组的类间方差σ2b=ω1ω2(μ1−μ2)²，其中ω1、ω2分别为两组特征数占总数的比例，μ1、μ2分别为两组b值的均值，以σ2b最大时对应的候选阈值作为相关程度阈值的初始值，若b(q-n)大于预设的相关程度阈值，则判断第q项发动机特征为第n个发动机故障类型的相关发动机特征；否则，判断第q项发动机特征为第n个发动机故障类型的不相关发动机特征，一一代入q=1,2,…,q，得到第n个发动机故障类型的所有相关发动机特征，将第n个发动机故障类型的所有相关发动机特征的项数整合为相关特征项集合c(m-n)，一一代入n=1,2,…,n，得到针对第m个固定点位，n个发动机故障类型的相关特征项集合，同理对其他m-1个固定点位获取关于发动机故障类型的相关特征项集合；通过历史故障数据的统计分析，自动筛选出与各类故障真正相关的声纹特征，摒弃人工经验设定特征的主观偏差，使故障判定依据更加客观精准。区分相关特征与无关特征后，能够排除大量非故障关联特征的干扰，既压缩了后续实时比对的特征维度、提升运算效率，也避免了无关特征异常对故障判定结果的误导，有效提高故障识别的准确度。同时针对不同采集点位分别建立对应故障类型的相关特征集合，充分适配不同位置声纹传播特性的差异，使各点位的故障判定标准更具针对性，进一步提升多点位交叉验证的可靠性。

12、进一步的，在步骤s3中，实时监测发动机运行，获取m个固定点位的实时发动机特征，针对第m个固定点位，获取第m个固定点位的实时发动机特征{a(m-1),a(m-2),…,a(m-q),…,a(m-q)}，其中a(m-q)为第m个固定点位的第q个实时发动机特征，当监测到第m个固定点位存在实时发动机特征a(m-q)满足|[a(m-q)-a(m-q)]/a(m-q)|大于预设的差异阈值时，判断第m个固定点位的第q个实时发动机特征异常，第m个固定点位的第q个实时发动机特征为异常特征；否则，判断第m个固定点位的第q个实时发动机特征正常，一一代入q=1,2,…,q，得到第m个固定点位的所有异常特征，记录异常特征的项数并整合为第m个固定点位的异常特征项集合，将第n个发动机故障类型的相关特征项集合中的元素数量记为en，将第n个发动机故障类型的相关特征项集合与第m个固定点位的异常特征项集合的交集中的元素数量记为fn，针对第n个发动机故障类型，获取第n个发动机故障类型对第m个固定点位的风险系数，第n个发动机故障类型对第m个固定点位的风险系数为d(m-n)，d(m-n)=fn/en；将d(m-n)与预设的风险系数阈值进行比较，对于风险系数阈值，针对第n个发动机故障类型，分别从历史数据库中提取该故障类型确认发生时的l1组点位特征数据作为故障样本、以及该故障类型确认未发生时的l2组点位特征数据作为正常样本，分别计算两组样本中各点位的风险系数d(m-n)值，以故障样本d值分布与正常样本d值分布的交点作为风险系数阈值的初始值；若两类分布无交点，则取使故障样本召回率达到90%的最大d值作为初始值，90%为故障诊断领域常规的召回率下限目标，若d(m-n)大于预设的风险系数阈值，则判断第m个固定点位存在第n个发动机故障类型的故障风险，第n个发动机故障类型为第m个固定点位的风险故障类型；否则，判断第m个固定点位不存在第n个发动机故障类型的故障风险，第n个发动机故障类型为第m个固定点位的非风险故障类型，一一代入n=1,2,…,n，得到第m个固定点位的所有风险故障类型，同理，一一代入m=1,2,…,m，得到m个固定点位的所有风险故障类型，进而得到第n个发动机故障类型作为风险故障类型的次数gn，一一代入n=1,2,…,n，得到n个发动机故障类型作为风险故障类型的次数{g1,g2,…,gn,…,gn}；实时逐特征比对运行状态与基准特征，通过异常特征与故障相关特征的交集占比量化风险程度，而非依赖单一特征异常直接判定故障，避免了个别特征波动引发的误判，使单点风险评估更加科学合理。同时汇总多个采集点位的风险判定结果，从空间维度统计各故障类型的风险覆盖范围，为后续分级判定提供量化依据，也为干扰校验环节铺垫了数据基础，整体提升了故障风险评估的全面性与可信度。

13、进一步的，在步骤s4中，若gn=0，则判断发动机不存在第n个发动机故障类型的风险；若gn/m＞hn，则判断发动机存在第n个发动机故障类型的风险，第n个发动机故障类型为警报发动机故障类型，发出提示第n个发动机故障类型的风险警报；若gn不为0且gn/m≤hn，将第n个发动机故障类型作为待定发动机故障类型，其中hn为第n个发动机故障类型的预设点位占比阈值，统计历史上第n个发动机故障类型确认发生时在m个固定点位中被判定为风险故障类型的点位数量占比gn/m的分布，取该分布的下四分位数作为hn的初始值，即取25%分位值，使得历史上75%的故障发生时其风险点位占比均高于hn从而能够触发警报，一一代入n=1,2,…,n，对n个发动机故障类型进行相同处理，获取所有待定发动机故障类型和第n个发动机故障类型；对于多点位一致呈现高风险的故障直接发出警报，保障了严重故障的响应速度；对于仅少量点位呈现异常的故障归入待定范畴暂不报警，交由后续干扰校验环节进一步甄别，从机制上预留了干扰过滤空间，有效降低了因局部干扰直接触发误报的概率。分级模式既兼顾了故障预警的及时性，又为精准判别保留了缓冲层级，使整体诊断体系在灵敏度与准确度之间取得合理平衡。

14、进一步的，在步骤s5中，若不存在n使得第n个发动机故障类型作为待定发动机故障类型，不进入干扰判别流程；若存在n使得第n个发动机故障类型作为待定发动机故障类型，则进入干扰判别流程，获取第n个发动机故障类型的相关特征项集合，对m个固定点位进行发动机特征调用，当第m个固定点位存在第q个实时发动机特征异常时，针对第n个待定发动机故障类型，提取所有将第n个发动机故障类型判定为风险故障类型的点位作为风险点位，共得到gn个风险点位；针对第g个风险点位，g＝1,2,…,gn，获取第g个风险点位的异常特征项集合与第n个发动机故障类型相关特征项集合的交集元素数量fg，计算第g个风险点位的特征匹配度k(g-n)，k(g-n)＝fg/en，得到第n个待定发动机故障类型的平均特征匹配度kn，kn为gn个风险点位的特征匹配度的平均值，得到点位间异常重合度un，un为gn个风险点位的异常特征项集合两两之间的交集元素数量的平均值，设定重合度阈值kth与特征匹配度阈值uth，对于重合度阈值kth与特征匹配度阈值uth，从历史数据库中分别提取经确认的干扰样本与真实故障样本，所述干扰样本是指历史上经确认属于干扰的待定故障事件，计算各样本对应的平均特征匹配度kn与点位间异常重合度un，取干扰样本中平均特征匹配度的90%分位值作为kth的初始值，取干扰样本中异常重合度的90%分位值作为uth的初始值，使得90%的干扰样本落在阈值以下而被正确识别；同时校验真实故障样本中kn不低于kth或un不低于uth的比例不低于90%，若低于90%则降低kth与uth直至满足该条件，若kn＜kth且un＜uth，则判定第n个待定发动机故障类型为受干扰的发动机故障类型，不发出风险警报；否则，判定第n个待定发动机故障类型为真实风险故障，发出第n个发动机故障类型的风险警报，一一代入n=1,2,…,n，得到所有真实风险故障，调用数据库中对应真实风险故障的维修策略，所述维修策略为历史中对应故障类型维修成功率最高的维修方案，将所有真实风险故障的维修策略进行整理并生成总览给用户；采用条件触发式干扰判别机制，仅对边界模糊的待定故障执行干扰校验，无需对全部故障类型运行干扰检测算法，兼顾了判别精度与运算效率。通过特征匹配程度与点位异常重合程度双维度综合判定干扰，分别从特征维度验证异常特征与故障特征的吻合度、从空间维度验证多点位异常特征的一致性，特征匹配度反映异常特征与故障相关特征的吻合程度，匹配度越低说明异常特征越偏离该类故障的典型表现，存在干扰的可能性越大；点位异常重合度反映多个采集点位之间异常特征的一致性，重合度越低说明异常在空间上越不具备共性，越可能是局部干扰所致。两项指标分别从特征维度和空间维度描述干扰的特征表现，只有当两个维度同时指向干扰时，才能形成完整的证据链，确凿判定为受干扰导致的虚假异常，若仅其中一项指标满足干扰条件而另一项不满足，则无法充分排除真实故障的可能性。特征匹配度偏低但点位重合度较高，可能是故障处于早期阶段、特征表现尚不典型，但多点位已同步出现异常趋势；点位重合度偏低但特征匹配度较高，可能是故障发生位置偏于某一侧，导致部分点位特征不明显。

15、进一步的，在步骤s6中，在完成一次风险警报周期后，将本次确认的真实故障对应的发动机特征、故障类型、干扰判别结果一并更新存入发动机特征数据库，同时基于发动机特征数据库更新各故障类型的相关特征项集合与风险系数阈值。

16、与现有技术相比，本发明所达到的有益效果是：一方面，在故障分级判定基础上增设干扰判别环节，通过特征匹配程度与点位异常重合程度双重维度综合校验，能够准确区分真实故障与环境噪声、附属部件异响、采集链路异常等各类干扰导致的特征偏移，既避免了干扰引发的虚假警报，也防止了干扰掩盖真实故障造成的漏检，在复杂嘈杂的实际运行环境中仍能保持稳定可靠的诊断精度，降低了误报与漏报概率；

17、一方面，采用多点位声学传感器构成分布式采集阵列，从不同空间位置同步获取发动机声纹信息，通过多点位特征的交叉比对与一致性校验验证故障特征的真实性，突破了单点采集信息有限、易受局部干扰影响的局限，能够从空间维度排除局部异常干扰，使故障判定依据更加充分全面。

18、另一方面，设置数据库定期更新环节，每次诊断完成后将确认的真实故障数据与干扰判别结果同步存入特征库，自动迭代优化故障相关特征集合与各项判定阈值，能够自适应发动机设备老化、工况环境变化带来的声纹特性漂移，突破了传统固定参数方案随时间推移精度下降的缺陷，使系统始终保持最优诊断状态，具备持续自我完善的能力。