(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111589127.8 (22)申请日 2021.12.23 (65)同一申请的已公布的文献号 申请公布号 CN 114266401 A (43)申请公布日 2022.04.01 (73)专利权人 北京石油化工学院 地址 102627 北京市大兴区大兴清源北路 19号 专利权人 沈阳顺义科技有限公司 (72)发明人 李英顺　孟享广　郭占男　张杨　 隋欢欢　刘海洋　赵玉鑫　张国莹　 周通　 (74)专利代理 机构 北京高沃 律师事务所 1 1569 专利代理师 赵兴华 (51)Int.Cl. G06Q 10/04(2012.01) G06K 9/62(2022.01) G06V 10/764(2022.01)G06V 10/774(2022.01) G06V 10/771(2022.01) F02B 77/08(2006.01) (56)对比文件 CN 110414152 A,2019.1 1.05 CN 103810374 A,2014.0 5.21 CN 10797 7642 A,2018.0 5.01 US 2020148395 A1,2020.0 5.14 US 11169288 B1,2021.1 1.09 US 201815 0746 A1,2018.0 5.31 余亚军等.基 于KLDA的图核降维方法. 《中国 科学技术大学学报》 .2016,(第09期), 李天恩等.基 于改进的核化聚类判别分析的 故障识别. 《管理工程学报》 .2012,(第0 3期), 张朝龙等.基 于核熵成分 分析的模拟电路早 期故障诊断方法. 《仪 器仪表学报》 .2015,(第0 3 期), 审查员 周林 (54)发明名称 一种底盘发动机故障预测方法及系统 (57)摘要 本发明涉及一种底盘发动机故障预测方法 及系统， 利用KLDA分别对 正常运行状态数据和故 障运行状态数据进行降维处理， 并利用优化后的 惩罚因子c和核 函数参数g建立SV M模型， 利用RBF 作为所述SVM模型的分类核函数， 用降维后的正 常运行状态数据和降维后的故障运行状态数据 训练SVM模型， 对发动机是否故障进行预测。 由于 其利用KLDA对原始数据进行降维， 并结合SVM对 降维后的特征集进行预测处理， 使得特征集中， 获得了最佳的预测性能， 有效实现了对发动机健 康状态进行预测， 有效提高了预测发动机故障的 准确度。 权利要求书3页 说明书9页 附图8页 CN 114266401 B 2022.08.05 CN 114266401 B 1.一种底盘发动机故障预测方法， 其特 征在于， 所述方法包括： 分别获取发动机的正常运行情况下与故障运行状态下的状态数据， 得到正常运行状态 数据和故障运行状态数据； 所述状态数据包括： 温度， 水活性， 磨粒， 粘度， 密度和介电常数； 利用KLDA分别 对所述正常运行状态数据和所述故障运行状态数据进行降维处理， 得到 降维正常运行状态数据和降维 故障运行状态数据； 利用优化后的惩罚因子c和核函数参数g建立SVM模型， 利用RBF作为所述SVM模型的分 类核函数； 以所述降维正常运行状态数据和所述降维故障运行状态数据为输入， 以正常运行或者 故障运行为输出， 训练所述SVM模型， 得到SVM预测模型； 利用所述SVM预测模型 预测发动机是否故障； 所述利用KLDA分别 对所述正常运行状态数据和所述故障运行状态数据进行降维处理， 得到降维正常运行状态数据和降维 故障运行状态数据， 具体包括： 利用高斯核函数分别将所述正常运行状态数据和所述故障运行状态数据映射到高维 空间； 所述高斯核函数为 其中， K(x,x ′)是核矩阵， x ′表示观测向 量， τ 是核参数， x表示发动机运行状态数据； 分别将映射到高维空间后的正常运行状态数据和故障运行状态数据作为样本， 计算 LDA的类内散射矩阵Ab和类间散射矩阵Aw； 其中， k表示样本类别的总 数， nc表示第c类样本， 表示第c类的样本平均重心 值； 表示 整个样本的平均值； 寻找LDA的最佳投影方向： 其中， A表示LDA的投影方向， W表示投影矩阵； 利用拉格朗日算子将寻找LDA的最佳投影方向转化为： Aw‑1AbW＝λW； 其中， λ表示拉格朗 日算子； 计算Aw‑1Ab的特征值和对应的特 征向量； 选取累积特 征贡献率大于预设阈值的特 征值个数为处 理后的特 征维度个数； 利用样本乘以累积特征贡献率大于预设阈值的特征值对应的特征向量， 得到降维后的 样本。 2.根据权利要求1所述的底盘发动机故障预测方法， 其特征在于， 所述分别获取发动机 的正常运行情况下与故障运行状态下的状态数据， 得到正常运行状态数据和故障运行状态 数据， 具体包括： 获取发动机正常运行情况 下的状态数据， 得到正常运行状态数据； 进行发动机故障模拟， 并获取 此时的状态数据， 得到故障运行状态数据。 3.根据权利要求1所述的底盘发动机故障预测方法， 其特征在于， 在所述利用KLDA分别权　利　要　求　书 1/3 页 2 CN 114266401 B 2对所述正常运行状态数据和所述 故障运行状态数据进 行降维处理， 得到降维正常运行状态 数据和降维 故障运行状态数据之后， 还 包括： 利用归一化公式分别对所述降维正常运行状态数据和所述降维故障运行状态数据进 行归一化处理； 所述归一化公式为： 其中x”表示归一化之后的数 据， x表示被归一化的数据， xmax表示被归一化的数据的最大值， xmin表示被归一化的数据的 最小值。 4.根据权利要求1所述的底盘发动机故障预测方法， 其特征在于， 在所述利用KLDA分别 对所述正常运行状态数据和所述 故障运行状态数据进 行降维处理， 得到降维正常运行状态 数据和降维 故障运行状态数据之后， 还 包括： 利用网格式搜索法优化SVM的惩罚因子 c和核函数参数g。 5.根据权利要求1所述的底盘发动机故障预测方法， 其特征在于， 所述以所述降维正常 运行状态数据和所述降维故障运行状态数据为输入， 以正常运行或者故障运行为输出， 训 练所述SVM模型， 得到SVM预测模型， 具体包括 将所述降维正常运行状态数据和所述降维故障运行状态数据按比例分为训练集和测 试集； 利用所述训练集训练所述SVM模型； 输入为训练集中的降维正常运行状态数据和降维 故障运行状态数据， 输出为 正常运行或者故障运行， 训练所述SVM模型， 得到SVM预测模型； 利用所述测试集测试 所述SVM预测模型的预测准确率。 6.根据权利要求1所述的底盘发动机故障预测方法， 其特征在于， 所述利用所述SVM预 测模型预测发动机是否故障， 具体包括： 获取发动机运行状态数据； 利用KLDA对所述发动机运行状态数据进行降维处 理， 得到降维运行状态数据； 将所述降维运行状态数据输入所述SVM预测模型， 得到发动机是否故障的预测结果。 7.一种底盘发动机故障预测系统， 其特 征在于， 所述系统包括： 数据获取单元， 用于分别获取发动机的正常运行情况下与故障运行状态下的状态数 据， 得到正常运行状态数据和故障运行状态数据； 所述状态数据包括： 温度， 水活性， 磨粒， 粘度， 密度和介电常数； 降维处理单元， 用于利用KLDA分别对所述正常运行状态数据和所述故障运行状态数据 进行降维处 理， 得到降维正常运行状态数据和降维 故障运行状态数据； 所述利用KLDA分别 对所述正常运行状态数据和所述故障运行状态数据进行降维处理， 得到降维正常运行状态数据和降维 故障运行状态数据， 具体包括： 利用高斯核函数分别将所述正常运行状态数据和所述故障运行状态数据映射到高维 空间； 所述高斯核函数为 其中， K(x,x ′)是核矩阵， x ′表示观测向 量， τ 是核参数， x表示发动机运行状态数据； 分别将映射到高维空间后的正常运行状态数据和故障运行状态数据作为样本， 计算 LDA的类内散射矩阵Ab和类间散射矩阵Aw；权　利　要　求　书 2/3 页 3 CN 114266401 B 3