柴油机活塞环—缸套的剩余寿命预测方法和装置与流程

柴油机活塞环
—
缸套的剩余寿命预测方法和装置
技术领域
1.本技术涉及柴油机技术领域，更具体地涉及一种柴油机活塞环—缸套的剩余寿命预测方法和装置。


背景技术：

2.活塞环—缸套是柴油机的关键部件与主要的摩擦学系统，其运动过程是一个复杂的摩擦、磨损过程，在很大程度上影响着柴油机整机的性能和可靠性。如果活塞环磨损到一定程度，活塞环密封性下降，轻则导致柴油机总体性能下降，重则可能导致燃油、润滑油损耗增加，进而引起拉缸、启动困难等一系列问题。
3.柴油机的维护多以事后维修和定期维护为主，一旦发生故障将影响重大。但是，大多数活塞环—缸套的原始振动特征都不是线性变化的，而是在失效点前加速变化，这给准确预测带来了困难。因此，需要进行改进。


技术实现要素：

4.为了解决上述问题中而提出了本技术。根据本技术一方面，提供了一种柴油机活塞环—缸套的剩余寿命预测方法，所述方法包括：
5.采集活塞环全寿命周期的第一振动数据；
6.计算所述第一振动数据的第一特征值；
7.根据所述第一特征值，基于遗传规划算法计算所述第一振动数据的优化特征模型；
8.对所述优化特征数据进行拟合，以得到优化特征预测曲线，根据所述优化特征预测曲线计算所述第一振动数据对应的活塞环—缸套的预测剩余寿命。
9.在本技术的一个实施例中，基于遗传规划算法获取所述第一振动数据的优化特征，包括：
10.随机生成包含至少两个个体的初始群落；
11.计算所述初始群落中每一个所述个体的个体适应度；
12.对所述至少两个个体进行遗传操作，以生成新的群落；
13.迭代重复以上步骤，直至达到终止条件。
14.在本技术的一个实施例中，其中，所述终止条件包括：
15.所述个体适应度达到预设阈值；或者
16.达到预设迭代次数。
17.在本技术的一个实施例中，计算所述初始群落中每一个所述个体的个体适应度，包括：
18.计算所述个体的单调度和线性度；
19.根据所述单调度和线性度计算所述个体的适应度。
20.在本技术的一个实施例中，对所述至少两个个体进行遗传操作，以生成新的群落，
包括：
21.对所述至少两个个体进行交叉处理，以生成新的群落；和/或
22.对所述至少两个个体进行变异处理，以生成新的群落。
23.在本技术的一个实施例中，对所述至少两个个体进行交叉处理，包括：
24.获取所述初始群落中的预设数量的多个个体；
25.使所述多个个体中的任意两个个体的第一预设节点进行交换。
26.在本技术的一个实施例中，对所述至少两个个体进行变异处理，包括：
27.获取所述初始群落中的预设数量的多个个体；
28.使所述多个个体中的任意一个个体的第二预设节点生成一个新节点。
29.在本技术的一个实施例中，对所述第一优化特征数据进行拟合，以得到第一优化特征曲线，包括：
30.利用最小二乘法对所述第一优化特征数据进行回归训练，以得到第一优化特征曲线；和/或
31.利用高阶多项式对所述第一优化特征数据进行拟合，以得到第一优化特征曲线。
32.在本技术的一个实施例中，根据所述优化特征预测曲线计算所述第一振动数据对应的活塞环—缸套的预测剩余寿命，包括：
33.当所述优化特征预测曲线为单调递增曲线时，则获取所述优化特征预测曲线的极大值，以作为所述活塞环—缸套的失效阈值寿命；
34.当所述优化特征预测曲线为单调递减曲线时，则获取所述优化特征预测曲线的极小值以作为所述活塞环—缸套的失效阈值寿命。
35.每个周期对应的活塞环—缸套的预测剩余寿命则为所述失效阈值寿命减去每个周期对应的周期数。
36.在本技术的一个实施例中，
37.根据所述优化特征曲线计算所述第一振动数据对应的活塞环—缸套的剩余寿命之后，所述方法还包括：
38.评判所述活塞环—缸套的所述剩余寿命。
39.在本技术的一个实施例中，评判所述活塞环—缸套的所述剩余寿命，包括：
40.计算每个预设周期间隔内的所述活塞环的对应的预测剩余寿命
41.根据所述活塞环—缸套的实际剩余寿命和所述预测剩余寿命为所述剩余寿命打分。
42.在本技术的一个实施例中，根据所述优化特征预测曲线计算所述第一振动数据对应的活塞环—缸套的剩余寿命之后，所述方法还包括：
43.获取所述活塞环全寿命周期的第二振动数据；
44.计算所述第二振动数据的第二特征值；
45.将所述第二特征值输入所述优化特征模型进行运算获取第二优化特征数据；
46.对所述第二优化特征数据进行拟合，以得到第二优化特征曲线；
47.根据所述第二优化特征曲线计算所述第二振动数据对应的活塞环—缸套的剩余寿命。
48.在本技术的一个实施例中，所述方法还包括：
49.采集待预测活塞环-缸套的当前周期及当前周期之前的第三振动数据；
50.计算所述第三振动数据的第三特征值；
51.将所述第三特征值输入所述优化特征模型进行运算获取第三优化特征数据；
52.对所述第三优化特征数据进行拟合，以得到第三优化特征曲线；
53.根据所述第三优化特征曲线计算待预测活塞环-缸套的剩余寿命。
54.根据本技术另一方面，提供一种柴油机活塞环—缸套的剩余寿命预测装置，所述装置包括：
55.存储器和处理器，所述存储器上存储有由所述处理器运行的计算机程序，所述计算机程序在被所述处理器运行时，使得所述处理器执行前述的柴油机活塞环—缸套的剩余寿命预测方法。
56.根据本技术再一方面，提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序在被处理器运行时使得所述处理器执行上述柴油机活塞环—缸套的剩余寿命预测方法。
57.根据本技术的柴油机活塞环—缸套的剩余寿命预测方法、装置和存储介质，基于遗传规划算法计算第一振动数据的优化特征模型，再根据优化特征模型得到第一优化特征数据，根据第一优化特征数据得到第一优化特征曲线，根据第一优化特征曲线计算活塞环—缸套的剩余寿命，使得特征朝着适应度最大的方向进行优化，不需要计算复杂的梯度以进行循环迭代，提高了计算效率；同时，通过反复迭代找出最具线性变化趋势的特征树，简化了后续预测算法的难度。
附图说明
58.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
59.图1示出根据本技术实施例的柴油机活塞环—缸套的剩余寿命预测方法的示意性流程图；
60.图2示出采用根据本技术实施例的遗传规划算法的示意性流程图；
61.图3(a)示出采用根据本技术实施例的初始群落中的个体在交叉操作前的示意图；
62.图3(b)示出采用根据本技术实施例的初始群落中的个体在交叉操作后的示意图；
63.图4示出采用根据本技术实施例的初始群落中的个体的变异操作示意图；
64.图5(a)示出采用根据本技术实施例的第一次训练时的训练集的优化特征曲线示意图；
65.图5(b)示出采用根据本技术实施例的第一次训练时的训练集的预测寿命曲线示意图；
66.图5(c)示出采用根据本技术实施例的第一次测试时的测试集的优化特征曲线示意图；
67.图5(d)示出采用根据本技术实施例的第一次测试时的测试集的预测寿命曲线示意图；
68.图6(a)示出采用根据本技术实施例的第二次训练时的训练集的优化特征曲线示意图；
69.图6(b)示出采用根据本技术实施例的第二次训练时的训练集的预测寿命曲线示意图；
70.图6(c)示出采用根据本技术实施例的第二次测试时的测试集的优化特征曲线示意图；
71.图6(d)示出采用根据本技术实施例的第二次测试时的测试集的预测寿命曲线示意图；
72.图7(a)示出采用根据本技术实施例的第三次训练时的训练集的优化特征曲线示意图；
73.图7(b)示出采用根据本技术实施例的第三次训练时的训练集的预测寿命曲线示意图；
74.图7(c)示出采用根据本技术实施例的第三次测试时的测试集的优化特征曲线示意图；
75.图7(d)示出采用根据本技术实施例的第三次测试时的测试集的预测寿命曲线示意图；
76.图8示出采用根据本技术实施例的三次训练和测试过程中的个体最大适应度及预测准确率统计表；
77.图9示出采用根据本技术实施例的柴油机活塞环—缸套的剩余寿命预测方法的示意性流程图；
78.图10示出根据本技术实施例的柴油机活塞环—缸套的剩余寿命预测装置的示意性框图。
具体实施方式
79.为了使得本技术的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。基于本技术中描述的本技术实施例，本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本技术的保护范围之内。
80.柴油机是船舶动力系统等的重要组成部分，在运行过程中各零部件及整机机体承受往复运动部件的惯性力、燃烧压力的变化、扭矩的变化、扭转振动以及由旋转运动部件的不平衡而引起的离心力等综合激励，工作环境十分恶劣极易出现故障。
81.活塞环—缸套是柴油机的关键部件与主要的摩擦学系统，其运动过程是一个复杂的摩擦、磨损过程，在很大程度上影响着柴油机整机的性能和可靠性。如果活塞环磨损到一定程度，活塞环密封性下降，轻则导致柴油机总体性能下降，重则可能导致燃油、润滑油损耗增加，进而引起拉缸、启动困难等一系列问题。
82.目前，柴油机的维护多以事后维修和定期维护为主，基于状态的视情维护(cbm)应用很少，大多也以监测热工、振动、转速为主，对状态预测的专门研究较少。
83.基于前述的技术问题，本技术提供了一种柴油机活塞环—缸套的剩余寿命预测方
法，采集活塞环全寿命周期的第一振动数据；计算所述第一振动数据的第一特征值；根据所述第一特征值，基于遗传规划算法计算所述第一振动数据的优化特征模型；将所述第一特征值输入所述优化特征模型进行运算获取第一优化特征数据；对所述第一优化特征数据进行拟合，以得到第一优化特征预测曲线，根据所述第一优化特征预测曲线计算所述第一振动数据对应的活塞环—缸套的剩余寿命。本技术基于遗传规划算法计算第一振动数据的优化特征模型，再根据优化特征模型得到第一优化特征数据，再根据第一优化特征数据得到第一优化特征曲线，根据第一优化特征曲线计算活塞环—缸套的剩余寿命，使得特征朝着适应度最大的方向进行优化，不需要计算复杂的梯度以进行循环迭代；同时，通过反复迭代找出最具线性变化趋势的特征树，简化了后续预测算法的难度。
84.下面结合附图来详细描述根据本技术实施例的柴油机活塞环—缸套的剩余寿命预测方法的方案。在不冲突的前提下，本技术的各个实施例的特征可以相互结合。
85.图1示出根据本技术实施例的柴油机活塞环—缸套的剩余寿命预测方法的示意性流程图；如图1所示，根据本技术实施例的柴油机活塞环—缸套的剩余寿命预测方法100可以包括如下步骤s101、步骤s102、步骤s103、步骤s104和步骤s105：
86.在步骤s101，采集活塞环全寿命周期的第一振动数据。
87.在一个示例中，在活塞环燃烧上止点附近、正对活塞主撞击处的机体侧面位置，设置有加速度传感器，以用于采集活塞环全寿命周期的第一振动数据。一般来说，在具体的实施例中，会采集两个气缸的活塞环的完整退化振动数据。例如采集a1气缸，并记作数据集a1。
88.在步骤s102，计算所述第一振动数据的第一特征值。
89.例如，可以提取数据集a1的在排气行程时的特征值，包括峰值、峰峰值、平均幅值、方根幅值、有效值、波形指标、脉冲指标、峰值指标、裕度指标、方差、歪度指标、8个小波包能量熵、幅值谱熵、包络谱熵等21个特征。
90.在本实施例中，选择提取数据集a1的在排气行程时的特征值是由于在排气行程中，活塞环受到的激励较少，这样根据排气行程时的特征值计算得到的数据准确度较高。在其他实施例中，也可以选择提取数据集a1的在膨胀行程或进气行程时的特征值。
91.在步骤s103，根据所述第一特征值，基于遗传规划算法计算所述第一振动数据的优化特征模型。
92.在本技术的一个实施例中，基于遗传规划算法获取所述第一振动数据的优化特征模型，包括：
93.a1，随机生成包含至少两个个体的初始群落；
94.a2，计算所述初始群落中每一个所述个体的个体适应度；
95.a3，对所述至少两个个体进行遗传操作，以生成新的群落；
96.a4，迭代重复以上步骤a2和a3，直至达到终止条件。
97.其中，所述终止条件包括：
98.b1，所述个体适应度达到预设阈值；或者
99.b2，达到预设迭代次数。
100.在一个具体的示例中，如图2所示，为遗传规划算法的示意性流程图。其包括以下步骤：
101.s201，特征提取；
102.s202，随机生成特征树群；
103.s203，计算适应度；
104.s204，是否达到最大适应度或者最大迭代次数；当达到最大适应度或最大迭代次数时，执行步骤s205；否则执行步骤s206；
105.s205，优化特征；
106.s206，遗传操作；
107.s207，生成下一代特征树群。
108.在步骤s201，首先对待处理的数据进行特征提取。在步骤s202，可以根据提取的特征随机生成特征树群(即初始群落)。在步骤s203，可以计算初始群落中的个体的适应度。在步骤s204中，当个体的适应度达到最大阈值时或者达到最大迭代次数时，执行步骤s205，以计算优化特征。否则，执行步骤s206和s207，以进行遗传操作，生成下一代特征树群。遗传操作可以包在个体间进行交叉处理或在单个个体内部进行变异处理，下文中将详细介绍遗传操作。
109.在一个示例中，计算所述初始群落中每一个所述个体的个体适应度，包括：
110.c1，计算所述个体的单调度和线性度；
111.c2，根据所述单调度和线性度计算所述个体的适应度。
112.在本技术中，对于个体适应度，主要是计算个体的单调度(如个体的特征树单调递增或者单调递减)和线性度。单调度越好，代表特征树对应的特征曲线变化趋势越明显，则越容易确定个体适应度是否达到阈值。其中，单调度的公式如下所示：
[0113][0114]
其中，moncity表示单调度，f表示个体的特征树，t表示时间。
[0115]
这里sig函数的的表示式如下所示：
[0116][0117]
其中，表示输入的向量，n表示常数，k表示向量中有k个大于n的元素。
[0118]
由式(1)可知，moncity的最大值为1，当moncity＝1时，代表特征树在时间序列上是单调递增或者单调递减。
[0119]
在本技术中，线性度可以作为优化特征曲线接近线性变化的指标，这里线性度的公如下所示：
[0120][0121]
其中，linear表示线性度，f表示个体的特征树，t表示时间。
[0122]
在本技术中，为了保证得到的优化特征具有较高的线性度，还需要加上惩罚项，惩罚规则如以下式(4)、式(式5)和式(6)所示：
[0123]
[0124][0125]
linear＝0
·
if linear rb＞z
·
or.linear re＞z
ꢀꢀꢀ
(6)
[0126]
其中，linear表示线性度，t表示时间，z表示常数，b表示优化特征f开始工作时一小段时间曲线，e表示优化特征f失效前的一小段时间曲线。
[0127]
因此，结合单调度和线性度两个指标，可以得到个体的适应度为：
[0128]
fitness＝moncity+linear
ꢀꢀꢀ
(7)
[0129]
其中，fitness表示特征树的适应度，moncity表示单调度，linear表示线性度。
[0130]
可以看出，个体的适应度的最大值为2。
[0131]
本技术实施例能够实现多维输入到一维输入的转换，即将多个非线性的特征转化为一个独立线性特征，借助失效阈值模型预测活塞环的磨损状态，从而方便对柴油机进行维护，保障柴油机的可靠性运行。在一个示例中，对所述至少两个个体进行遗传操作，以生成新的群落，包括：
[0132]
d1，对所述至少两个个体进行交叉处理，以生成新的群落；和/或
[0133]
d2，对所述至少两个个体进行变异处理，以生成新的群落。
[0134]
在本技术实施例中，可以对初始群落中所有个体进行交叉处理或变异处理，也可以对初始群落中部分个体进行交叉处理或变异处理，但不论是对所有个体进行交叉处理或变异处理，还是对部分个体进行交叉处理或变异处理，都是一次遗传操作，至于选择哪些个体进行处理则是随机的。
[0135]
另外，在遗传操作时，也可以对初始群落中的个体全部进行交叉处理，也可以全部进行变异处理，还可以对有的个体进行交叉处理，对另外一些个体进行变异处理，这种选择哪些个体进行交叉处理或变异处理的过程也是随机的。本技术正因为这种随机性，使得后面处理过程的结果也比较准确。
[0136]
在一个示例中，如图3(a)和图3(b)所示，对所述至少两个个体进行交叉处理，包括：
[0137]
e1，获取所述初始群落中的预设数量的多个个体；
[0138]
e2，使所述多个个体中的任意两个个体的第一预设节点进行交换。
[0139]
图3(a)示出了在交叉处理前的两个个体cp1和cp2的特征树。在交叉处理前，cp1的表达式可以表示为：cp1＝(x-y+x)/(y
×
y)，cp2的表达式可以表示为：cp2＝x
×
x
×
y。图中的双向箭头表示二者的第一预设节点将要进行交换。
[0140]
图3(b)示出了交叉处理后，两个特征树用cp1’和cp2’表示。交叉处理后，cp1’的表达式变为：cp1
′
＝(x
×
y)/(y
×
y)，cp2’的表达式变为：cp2
′
＝x
×
(x-y+x)。也就是说，cp1中的节点“+”和节点
“×”
与cp2中的节点
“×”
和节点中
“×”
进行了交换，cp1中的节点
“‑”
、节点
“×”
、节点“x”和节点“y”与cp2中的节点“x”和节点“y”进行了交换。
[0141]
在一个示例中，如图4所示，对所述至少两个个体进行变异处理，包括：
[0142]
f1，获取所述初始群落中的预设数量的多个个体；
[0143]
f2，使所述多个个体中的任意一个个体的第二预设节点生成一个新节点。
[0144]
图4示出了个体cp1进行变异处理的过程。变异前，cp1的表达式为：cp1＝(x
×
y)/(y
×
y)，变异后表达式变为：cp1
′
＝(x
×
y)/(y+y)。也就是说cp1中的节点
“×”
变成了新节
点“+”。
[0145]
通过上述步骤获得了优化特征模型，例如优化特征模块可以是优化特征函数。
[0146]
接着，在步骤s104，将所述第一特征值输入步骤s103中得到的所述优化特征模型中进行运算，以获取第一优化特征数据，该第一优化特征数据可以是每个周期对应的特征值，其可以在周期与优化特征的特征值组成的坐标系中分布。
[0147]
在步骤s105，对所述第一优化特征数据进行拟合，以得到第一优化特征曲线，可选地，该第一优化特征曲线可以是直线或者曲线。
[0148]
可以通过本领域技术人员熟知的任意适合的方法对第一优化特征数据进行拟合，例如利用最小二乘法对所述第一优化特征数据进行回归训练，以得到优化特征预测曲线，示例性地，还可以根据所述优化特征预测曲线计算所述第一振动数据对应的活塞环—缸套的剩余寿命。
[0149]
再例如，还可以利用高阶多项式对所述第一优化特征数据进行拟合，以得到第一优化特征曲线，该第一优化特征曲线可以是绘制在坐标系中的曲线，或者还可以是曲线数据也即坐标系中的点的集合。
[0150]
在一些实施例中，还可以分别利用最小二乘法和高阶多项式对所述第一优化特征数据进行拟合，以分别获得对应的第一优化特征曲线，采用不同的拟合方法，对应的第一优化特征曲线则可能不同，其中，较佳地，利用高阶多项式对应的第一优化特征曲线来进行后续的失效阈值寿命的确定。而利用高阶多项式对应的第一优化特征曲线来对特征值曲线的线性进行示意性的表征。
[0151]
在一个示例中，根据所述优化特征预测曲线计算所述第一振动数据对应的活塞环—缸套的剩余寿命，包括：
[0152]
g1，当所述优化特征预测曲线为单调递增曲线时，则获取所述优化特征预测曲线的极大值，以作为所述活塞环—缸套的失效阈值寿命，也即极大值对应的周期数作为所述活塞环—缸套的失效阈值寿命；
[0153]
g2，当所述优化特征预测曲线为单调递减曲线时，则获取所述优化特征预测曲线的极小值以作为所述活塞环—缸套的失效阈值寿命，也即极小值对应的周期数作为所述活塞环—缸套的失效阈值寿命。
[0154]
每个周期对应的活塞环—缸套的预测剩余寿命则为所述失效阈值寿命减去每个周期对应的周期数。
[0155]
在本技术实施例中，可以将上述数据集a1的优化特征利用最小二乘法进行回归训练。训练完毕后，可以得到优化特征曲线，从优化特征曲线来看，当特征值达到失效阈值时，则判定活塞环失效，剩余寿命计算公式如下：
[0156]
rul＝cycle
th-cycle
pd
ꢀꢀꢀ
(8)
[0157]
其中，rul表示剩余寿命，cycle
th
表示预测失效点对应的时间周期(也即失效阈值寿命)，cycle
pd
表示预测起始点对应的周期。
[0158]
这里还可以利用高阶多项式的方法拟合优化特征曲线以确定阈值，拟合曲线的极值即为失效阈值，如曲线为单调递增，即选极大值，反之，即选极小值。
[0159]
在本技术的一个实施例中，根据所述优化特征预测曲线计算所述第一振动数据对应的活塞环—缸套的剩余寿命之后，所述方法还包括：
[0160]
评判所述活塞环—缸套的所述剩余寿命。
[0161]
在一个示例中，评判所述活塞环—缸套的所述剩余寿命，包括：
[0162]
h1，计算每个预设周期间隔内的所述活塞环的对应的预测剩余寿命；
[0163]
h2，根据所述活塞环—缸套的实际剩余寿命和所述预测剩余寿命为所述剩余寿命打分。
[0164]
本技术实施例采用评分的方法来评判预测效果，采用的公式如下：
[0165][0166][0167][0168]
其中，i表示从开始工作到失效前预设周期间隔的点，eri表示预测误差，ai表示单点得分，score表示预测得分。
[0169]
在一个具体的实施例中，i可以取值200，即i表示从开始工作到失效前每间隔200个周期的点。
[0170]
在本技术的一个实施例中，根据所述优化特征预测曲线计算所述第一振动数据对应的活塞环—缸套的剩余寿命之后，还包括通过第二振动数据对前述获得的优化特征模型进行测试的步骤，具体包括：：
[0171]
i1，获取所述活塞环全寿命周期的第二振动数据；
[0172]
i2，计算所述第二振动数据的第二特征值；
[0173]
i3，将所述第二特征值输入所述优化特征模型进行运算获取第二优化特征数据；
[0174]
i4，对所述第二优化特征数据进行拟合，以得到第二优化特征曲线，根据所述第二优化特征曲线计算所述第二振动数据对应的活塞环—缸套的剩余寿命。
[0175]
本技术需要采集另一个气缸-活塞环的全寿命周期的第二振动数据，可以表示为数据集b1。在其他实施例中，可以在采集第一振动数据时同时采集第二振动数据，二者不作顺序上的限定。可将数据集a1作为训练集，将数据集b1作为测试集。其中，通过第二振动数据对优化特征模型进行测试的过程的各个步骤的细节可以参考前文的相关描述，在此不再重复。
[0176]
这里，在采用所述第二优化特征测试所述优化特征模型时，可以根据实际情况设置周期间隔，例如采样的振动数据为1000个周期的数据，则可以设置周期间隔为每200个周期。
[0177]
在本技术的一个具体的实施例中，共进行了三次训练和测试，下面以预测和训练时长均为1000个周期为例介绍训练和测试情况。
[0178]
如图5(a)所示，为第一次训练时由训练集获得的优化特征曲线示意图。如图5(b)所示，为第一次训练时由训练集获得的预测寿命曲线。如图5(c)所示,为第一次测试由测试集获得的优化特征曲线示意图，如图5(d)所示，为第一次测试时由测试集获得的预测寿命曲线。第一次训练和测试时采用训练集和测试集表达式为：
[0179]
其中，f表示优化特征，f1表示对训练集提取的21个特征中的第一个特征值，f
11
表示对训练集提取的21个特征中的第十一个特征值，f
15
表示对训练集提取的21个特征中的第十五个特征值。
[0180]
如图6(a)所示，为第二次训练时由训练集获得的优化特征曲线示意图。如图6(b)所示，为第二次训练时由训练集获得的预测寿命曲线。如图6(c)所示,为第二次测试由测式集获得的优化特征曲线示意图，如图6(d)所示，为第二次测试时由测试集获得的预测寿命曲线。第二次训练和测试时采用训练集和测试集表达式为：其中，f表示优化特征，f
12
表示对训练集提取的21个特征中的第十二个特征值，f
14
表示对训练集提取的21个特征中的第十四个特征值，f
19
表示对训练集提取的21个特征中的第十九个特征值。
[0181]
如图7(a)所示，为第三次训练时由训练集获得的优化特征曲线示意图。如图7(b)所示，为第三次训练时由训练集获得的预测寿命曲线。如图7(c)所示,为第三次测试由测式集获得的优化特征曲线示意图，如图7(d)所示，为第三次测试时由测试集获得的预测寿命曲线。第二次训练和测试时采用训练集和测试集表达式为：其中，f表示优化特征，f
12
表示对训练集提取的21个特征中的第十二个特征值，f
14
表示对训练集提取的21个特征中的第十四个特征值，f
21
表示对训练集提取的21个特征中的第二十一个特征值。
[0182]
如图8所示，为上述三次训练和测试过程中的个体适应度及预测准确率统计表。由图8可以看出，第一次测试时，训练集的最大适应度为1.8520，准确度为0.6115，测试集的最大适应度为1.9246，准确度为0.7323。第二次测试时，训练集的最大适应度为1.9923，准确度为0.6108，测试集的最大适应度为1.9903，准确度为0.6502。第三次测试时，训练集的最大适应度为1.8797，准确度为0.7195，测试集的最大适应度为1.8505，准确度为0.6970。可见在测试集中该优化特征的预测表现仍然不错，有较强的泛化能力。
[0183]
在本技术的另一个实施例中，如图9所示，为柴油机活塞环—缸套的剩余寿命预测方法的示意性流程图；其包括以下步骤：
[0184]
s901，采集活塞环整个工作时间(直至失效)全寿命振动数据，测点(也即测试点)选取燃烧上止点附近正对活塞主撞击处的机体侧面的位置，该些位置可以设置有加速度传感器，以用于采集活塞环全寿命周期的振动数据；
[0185]
s902，特征提取，选择排气行程处进行信号处理以对特征进行提取；
[0186]
s903，随机生成特征树群；
[0187]
s904，计算适应度；
[0188]
s905，是否达到最大迭代次数；当达到最大迭代次数，则执行步骤s908；否则执行步骤s906；
[0189]
s906，遗传操作；
[0190]
s907，生成下一代特征树群；返回执行步骤s904；
[0191]
s908，优化特征；
[0192]
s909，使用最小二乘法进行回归预测得到优化特征曲线；
[0193]
s910，高阶多项式拟合曲线确定阈值；
[0194]
s911，活塞环剩余寿命预测。
[0195]
在步骤s901，首先采集活塞环全寿命周期的振动数据。在步骤s902，可以根据提取的以上振动数据的特征。在步骤s903，根据提取的特征随机生成特征树群(即初始群落)。在步骤s904，可以计算初始群落中的个体的适应度。在步骤s905中，当个体的适应度达到最大迭代次数时，执行步骤s908，获得优化特征模型，并利用优化特征模型计算优化特征数据。否则，执行步骤s906和s907，以进行遗传操作，生成下一代特征树群。遗传操作可以包在个体间进行交叉处理或在单个个体内部进行变异处理。通过上述步骤s901至步骤s908可以得到优化特征模型以及优化特征数据，然后通过步骤s909可以使用最小二乘法得到优化特征曲线。在步骤s910，采用高阶多项式对拟合曲线确定失效阈值。然后，在步骤s911，对活塞环的剩余寿命进行预测。
[0196]
进一步，本技术的方法还可以对待预测活塞环-缸套的剩余寿命继续预测，具体地可以包括以下步骤：采集待预测活塞环-缸套的当前周期及当前周期之前的振动数据；计算振动数据的特征值；将特征值输入前述步骤中计算的优化特征模型进行运算，以获取优化特征数据；对所述优化特征数据进行拟合，以得到优化特征曲线；根据所述优化特征曲线计算待预测活塞环-缸套的剩余寿命。具体地各个步骤的一些细节描述可以参考前文的相关步骤的描述，在此不再重复。
[0197]
值得一提的是，通过当前周期及当前周期之前的振动数据能够预测获得待预测活塞环-缸套的剩余寿命可以是一个值，其可以结合优化特征曲线计算获得的失效阈值寿命来绘制预测寿命曲线，或者也可以不做该曲线，而只是输出该剩余寿命的预测结果和/或失效阈值寿命的预测结果。
[0198]
值得注意的是，本技术实施例不仅仅适用于柴油机活塞环寿命预测，对其他设备的磨损类故障同样具有很好的效果。
[0199]
本技术实施例中，首先将多个特征经过组合得到一个特征树，实现多维到一维的转换，并提出一种改良的适应度来表征特征树的单调度与线性度；其次结合遗传规划中复制、交叉与变异的常规遗传操作进行反复迭代，输出适应度最大的特征树。该特征树对应的特征值曲线在时域上最接近线性变化，将其作为一个独立的特征，称为优化特征；最后利用最小二乘法预测优化特征曲线，当特征值达到失效阈值，即判断活塞环失效。
[0200]
本技术基于遗传规划算法计算第一振动数据的优化特征模型，再根据利用优化特征模型获得的优化特征数据得到优化特征曲线，根据优化特征曲线计算活塞环—缸套的剩余寿命，使得特征朝着适应度最大的方向进行优化，不需要计算复杂的梯度以进行循环迭代，提高了计算效率；同时，通过反复迭代找出最具线性变化趋势的特征树，简化了后续预测算法的难度。
[0201]
下面结合图10对本技术的柴油机活塞环—缸套的剩余寿命预测装置进行描述，其中，图10示出根据本技术实施例的柴油机活塞环—缸套的剩余寿命预测装置的示意性框图。
[0202]
如图10所示，柴油机活塞环—缸套的剩余寿命预测装置1000包括：一个或多个存储器1001和一个或多个处理器1002，所述存储器1001上存储有由所述处理器1002运行的计
算机程序，所述计算机程序在被所述处理器1002运行时，使得所述处理器1002执行前文所述的柴油机活塞环—缸套的剩余寿命预测方法。
[0203]
柴油机活塞环—缸套的剩余寿命预测装置1000可以是可以通过软件、硬件或者软硬件结合的方式实现柴油机活塞环—缸套的剩余寿命预测方法的计算机设备的部分或者全部。
[0204]
如图10所示，柴油机活塞环—缸套的剩余寿命预测装置1000包括一个或多个存储器1001、一个或多个处理器1002、显示器(未示出)和通信接口等，这些组件通过总线系统和/或其它形式的连接机构(未示出)互连。应当注意，图10所示的柴油机活塞环—缸套的剩余寿命预测装置1000的组件和结构只是示例性的，而非限制性的，根据需要，柴油机活塞环—缸套的剩余寿命预测装置1000也可以具有其他组件和结构。
[0205]
存储器1001用于存储本技术方法运行过程中产生的各种数据和可执行程序指令，例如用于存储各种应用程序或实现各种具体功能的算法。可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。
[0206]
处理器1002可以是中央处理单元(cpu)、图像处理单元(gpu)、专用集成电路(asic)、现场可编程门阵列(fpga)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，并且可以装置1000中的其它组件以执行期望的功能。
[0207]
在一个示例中，柴油机活塞环—缸套的剩余寿命预测装置1000还包括输出装置可以向外部(例如用户)输出各种信息(例如图像或声音)，并且可以包括显示装置、扬声器等中的一个或多个。
[0208]
通信接口是可以是目前已知的任意通信协议的接口，例如有线接口或无线接口，其中，通信接口可以包括一个或者多个串口、usb接口、以太网端口、wifi、有线网络、dvi接口，设备集成互联模块或其他适合的各种端口、接口，或者连接。
[0209]
此外，根据本技术实施例，还提供了一种存储介质，在所述存储介质上存储了程序指令，在所述程序指令被计算机或处理器运行时用于执行本技术实施例的柴油机活塞环—缸套的剩余寿命预测方法的相应步骤。所述存储介质例如可以包括智能电话的存储卡、平板电脑的存储部件、个人计算机的硬盘、只读存储器(rom)、可擦除可编程只读存储器(eprom)、便携式紧致盘只读存储器(cd-rom)、usb存储器、或者上述存储介质的任意组合。
[0210]
本技术实施例的柴油机活塞环—缸套的剩余寿命预测装置和存储介质，由于能够实现前述的柴油机活塞环—缸套的剩余寿命预测方法，因此具有和前述的柴油机活塞环—缸套的剩余寿命预测方法相同的优点。
[0211]
尽管这里已经参考附图描述了示例实施例，应理解上述示例实施例仅仅是示例性的，并且不意图将本技术的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改，而不偏离本技术的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本技术的范围之内。
[0212]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟
以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0213]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本技术的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0214]
类似地，应当理解，为了精简本技术并帮助理解各个发明方面中的一个或多个，在对本技术的示例性实施例的描述中，本技术的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该本技术的方法解释成反映如下意图：即所要求保护的本技术要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如相应的权利要求书所反映的那样，其发明点在于可以用少于某个公开的单个实施例的所有特征的特征来解决相应的技术问题。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本技术的单独实施例。
[0215]
本领域的技术人员可以理解，除了特征之间相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0216]
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本技术的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0217]
本技术的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本技术实施例的一些模块的一些或者全部功能。本技术还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如，计算机程序和计算机程序产品)。这样的实现本技术的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0218]
以上所述，仅为本技术的具体实施方式或对具体实施方式的说明，本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。本技术的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种柴油机活塞环—缸套的剩余寿命预测方法，其特征在于，所述方法包括：采集活塞环全寿命周期的第一振动数据；计算所述第一振动数据的第一特征值；根据所述第一特征值，基于遗传规划算法计算所述第一振动数据的优化特征模型；将所述第一特征值输入所述优化特征模型进行运算获取第一优化特征数据；对所述第一优化特征数据进行拟合，以得到第一优化特征曲线，以及根据所述第一优化特征曲线计算所述第一振动数据对应的活塞环—缸套的预测剩余寿命。2.如权利要求1所述的方法，其特征在于，基于遗传规划算法获取所述第一振动数据的优化特征，包括：随机生成包含至少两个个体的初始群落；计算所述初始群落中每一个所述个体的个体适应度；对所述至少两个个体进行遗传操作，以生成新的群落；迭代重复以上步骤，直至达到终止条件。3.如权利要求2所述的方法，其特征在于，其中，所述终止条件包括：所述个体适应度达到预设阈值；或者达到预设迭代次数。4.如权利要求2所述的方法，其特征在于，计算所述初始群落中每一个所述个体的个体适应度，包括：计算所述个体的单调度和线性度；根据所述单调度和线性度计算所述个体的适应度。5.如权利要求2所述的方法，其特征在于，对所述至少两个个体进行遗传操作，以生成新的群落，包括：对所述至少两个个体进行交叉处理，以生成新的群落；和/或对所述至少两个个体进行变异处理，以生成新的群落。6.如权利要求5所述的方法，其特征在于，对所述至少两个个体进行交叉处理，包括：获取所述初始群落中的预设数量的多个个体；使所述多个个体中的任意两个个体的第一预设节点进行交换。7.如权利要求5所述的方法，其特征在于，对所述至少两个个体进行变异处理，包括：获取所述初始群落中的预设数量的多个个体；使所述多个个体中的任意一个个体的第二预设节点生成一个新节点。8.如权利要求1所述的方法，其特征在于，对所述第一优化特征数据进行拟合，以得到第一优化特征曲线，包括：利用最小二乘法对所述第一优化特征数据进行回归训练，以得到第一优化特征曲线；和/或利用高阶多项式对所述第一优化特征数据进行拟合，以得到第一优化特征曲线。9.如权利要求1所述的方法，其特征在于，根据所述优化特征曲线计算所述第一振动数据对应的活塞环—缸套的预测剩余寿命，包括：当所述第一优化特征曲线为单调递增曲线时，则获取所述第一优化特征曲线的极大
值，以作为所述活塞环—缸套的失效阈值寿命；当所述优化特征预测曲线为单调递减曲线时，则获取所述优化特征预测曲线的极小值，以作为所述活塞环—缸套的所述失效阈值寿命，每个周期对应的活塞环—缸套的预测剩余寿命则为所述失效阈值寿命减去每个周期对应的周期数。10.如权利要求1所述的方法，其特征在于，根据所述优化特征曲线计算所述第一振动数据对应的活塞环—缸套的剩余寿命之后，所述方法还包括：评判所述活塞环—缸套的所述剩余寿命。11.如权利要求10所述的方法，其特征在于，评判所述活塞环—缸套的所述剩余寿命，包括：计算每个预设周期间隔内的所述活塞环的对应的预测剩余寿命；根据所述活塞环—缸套的实际剩余寿命和所述预测剩余寿命为所述剩余寿命打分。12.如权利要求1所述的方法，其特征在于，根据所述优化特征预测曲线计算所述第一振动数据对应的活塞环—缸套的剩余寿命之后，所述方法还包括：获取所述活塞环全寿命周期的第二振动数据；计算所述第二振动数据的第二特征值；将所述第二特征值输入所述优化特征模型进行运算获取第二优化特征数据；对所述第二优化特征数据进行拟合，以得到第二优化特征曲线；根据所述第二优化特征曲线计算所述第二振动数据对应的活塞环—缸套的剩余寿命。13.如权利要求1所述的方法，其特征在于，所述方法还包括：采集待预测活塞环-缸套的当前周期及当前周期之前的第三振动数据；计算所述第三振动数据的第三特征值；将所述第三特征值输入所述优化特征模型进行运算获取第三优化特征数据；对所述第三优化特征数据进行拟合，以得到第三优化特征曲线；根据所述第三优化特征曲线计算待预测活塞环-缸套的剩余寿命。14.一种柴油机活塞环—缸套的剩余寿命预测装置，其特征在于，所述装置包括：存储器和处理器，所述存储器上存储有由所述处理器运行的计算机程序，所述计算机程序在被所述处理器运行时，使得所述处理器执行如权利要求1至13任一项所述的柴油机活塞环—缸套的剩余寿命预测方法。15.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序在被处理器运行时使得所述处理器执行如权利要求1至13任一项所述的柴油机活塞环—缸套的剩余寿命预测方法。

技术总结
本申请提供一种柴油机活塞环—缸套的剩余寿命预测方法、装置和存储介质，所述方法包括：采集活塞环全寿命周期的第一振动数据；计算所述第一振动数据的第一特征值；根据所述第一特征值，基于遗传规划算法计算所述第一振动数据的优化特征模型，将所述第一特征值输入所述优化特征模型进行运算获取第一优化特征数据，对所述第一优化特征数据进行拟合，以得到第一优化特征曲线，根据所述第一优化特征曲线计算所述第一振动数据对应的活塞环—缸套的预测剩余寿命。通过本申请的方案，不需要计算复杂的梯度以进行循环迭代，可以提高计算效率；同时，通过反复迭代找出最具线性变化趋势的特征树，简化了后续预测算法的难度。简化了后续预测算法的难度。简化了后续预测算法的难度。


技术研发人员：王冠 胡少梁 王豪 董广明 宋怡欣 范文焜 封博文 刘博
受保护的技术使用者：中国船舶集团有限公司第七一一研究所
技术研发日：2022.11.11
技术公布日：2023/9/7