本发明涉及内燃机增压器故障预警领域，特别涉及一种柴油机增压器故障诊断分析及可视化表达方法。
背景技术：
1、柴油机作为各种重要装备的核心动力，在汽车、机车车辆、船舶动力、国防装备、应急或备用电源领域发挥着关键作用。然而，柴油机的故障可能严重影响机械装备的安全高效运行。机车柴油机由于其复杂的结构、恶劣的运行环境和众多不确定性因素，其故障呈现出复杂性和多样性，且突发故障可能对交通安全造成重大隐患。
2、然而，增压器作为柴油机的重要部件之一，长期在高热、高速、高盐雾的环境中运行，增压系统跟柴油机内部的冷却系统、进排气系统、润滑系统、燃烧系统等均存在相互影响，从而影响整个柴油机动力装置的正常运行。为了确保增压器能正常工作，对增压器故障诊断的研究很有必要。
技术实现思路
1、本发明的目的在于，针对上述不足之处提供一种柴油机增压器故障诊断分析及可视化表达方法，解决了现有技术中机车柴油机由于其复杂的结构、恶劣的运行环境和众多不确定性因素，其故障呈现出复杂性和多样性，且突发故障可能对交通安全造成重大隐患的问题，同时解决了现有技术中，无法高效直观的通过数据对故障进行判断的问题。
2、本发明是通过下述方案来实现的：
3、一种柴油机增压器故障诊断分析及可视化表达方法，包括以下步骤：
4、步骤一：采集增压器的热工参数，对增压系统的热工参数进行采集，并将历史采集的热工参数进行清理和异常点剔除；
5、步骤二：将采集到的各类热工参数信息使用pearson相关系数进行分析；根据分析结果找出对增压系统能力评估影响最大的预定组时序数据；
6、步骤三：对分析的所选定的预定组时序数据进行归一化处理；
7、步骤四：预先离线利用历史数据训练lstm神经网络并计算出预测值；将步骤三中所得到的归一化后预定组时序数据，最为输入，利用lstm神经网络中的多特征输入，多对一结构的单输出，得到预测值p｀；而历史的时序序列定义为p1；预训练的lstm模型对下一时刻的数据进行预测时，同时采集此刻的实时数据集p2，用实时运行数据进行验证；
8、步骤五：模型的更新和迭代，采用滑动窗口的方式对预测值p｀和实时数据集p2的误差进行精度计算；具体的将预测值p｀和实时数据集p2进行均方根计算，均方根误差的计算结果满足3σ原则；定时自动统计模型输出的异常点占比概率，当概率超出阈值后模型自动提取最近的一组历史数据进行重新训练，步骤四和步骤五；
9、步骤六：趋势判断，当模型满足3σ原则，即当前的模型不存在较大误差时，计算p1和p2的差值δp，此δp也为时序序列数据，将该δp数据进行变动时间较快的短期移动平均，绘制短期的指数移动平均线ema1；同理计算变动时间较慢的长期指数移动平均线ema2；然后计算两个数值的差离值dif＝ema2-ema1；将所求的dif做预定时间内的平滑移动平均线ema；当ema线和dif线存在交叉的时候，此交叉点即为增压系统故障预测报警阈值，表示趋势发生改变；
10、步骤七，采用蜡烛法对规定时间内的ema值、dif值、预定时间内的最大值以及预定时间内的最小值进行绘图，根据绘图中ema值、dif值的靠近程度来判断变化趋势。
11、在步骤一中，热工参数具体为增压器空气出口压力、增压器空气出口温度、发动机转速、发动机功率、增压器转速、排气温度或增压器滤前油压。
12、在步骤二中，具体的步骤为，通过pearson相关系数分析的方法对增压系统能力评估的相关参数实现提取，通过两台相同柴油机的历史数据进行pearson相关系数分析，最终选取增压器转速、增压器空气出口压力和功率的时序数据进行分析。
13、在步骤三中，归一化操作具体为：根据数据的分布特点，选择线性函数归一化，即读取各个测点历史数据里的最大值和最小值，以最大值xmax减最小值xmin的差作为缩放范围，将数据缩放到限定的(0，1)之间。
14、在步骤三中，归一化所采用的公式为：
15、在步骤四中，采用长短时循环记忆的神经网络结构，解决梯度过程中产生的衰减问题，使用门控与记忆细胞来学习如何取舍过去的信息，并提取当前的输出信息。
16、在步骤7中，具体的，采用蜡烛法对1天内的ema值、dif值、预定时间内的最大值以及预定时间内的最小值进行绘图，ema值、dif值的线段之间形成柱状图，最大值和最小值的连线穿过ema值、dif值形成柱状图，形成直观的图示表达。
17、当ema值和dif值重合时，表示数据的变化趋势发生改变，如果ema值、dif值形成柱状图越来越小，则表明变化趋势即将到来，因此需要进行检修维护处理。
18、步骤五中，3σ原则类似正态分布，在将预测值p｀和实时数据集p2进行均方根计算后，其竖直落入到正态分布曲线内，则判断为正常值，如果落入到正态分布曲线内外，则判断为异常点。
19、在步骤六中，其中ema的计算公式为：ema(δp，n)＝[2＊δp+(n-1)＊ema｀]/(n+1)，ema｀为上个周期的ema值。
20、综上所述，由于采用了上述技术方案，本发明的有益效果是：
21、1、本方案通过柴油机增压系统在异常工况下给热工数据带来的变化，实现了对增压系统特征值的提取和故障趋势分析。本发明提出人为定义的故障阈值，使用数据自定义的自适应阈值，满足机械设备的个体化差别；通过蜡烛图的表达方法，可较为清晰和准确的看出故障趋势变化；结合深度学习模型和统计学模型的优势，综合单一模型的优势，能取得较好的预测效果。
1.一种柴油机增压器故障诊断分析及可视化表达方法，其特征在于：包括以下步骤：
2.如权利要求1所述的一种柴油机增压器故障诊断分析及可视化表达方法，其特征在于：在步骤一中，热工参数具体为增压器空气出口压力、增压器空气出口温度、发动机转速、发动机功率、增压器转速、排气温度或增压器滤前油压。
3.如权利要求1或2所述的一种柴油机增压器故障诊断分析及可视化表达方法，其特征在于：在步骤二中，具体的步骤为，通过pearson相关系数分析的方法对增压系统能力评估的相关参数实现提取，通过两台相同柴油机的历史数据进行pearson相关系数分析，最终选取增压器转速、增压器空气出口压力和功率的时序数据进行分析。
4.如权利要求1所述的一种柴油机增压器故障诊断分析及可视化表达方法，其特征在于：在步骤三中，归一化操作具体为：根据数据的分布特点，选择线性函数归一化，即读取各个测点历史数据里的最大值和最小值，以最大值xmax减最小值xmin的差作为缩放范围，将数据缩放到限定的(0，1)之间。
5.如权利要求4所述的一种柴油机增压器故障诊断分析及可视化表达方法，其特征在于：在步骤三中，归一化所采用的公式为：
6.如权利要求1所述的一种柴油机增压器故障诊断分析及可视化表达方法，其特征在于：在步骤四中，采用长短时循环记忆的神经网络结构，解决梯度过程中产生的衰减问题，使用门控与记忆细胞来学习如何取舍过去的信息，并提取当前的输出信息。
7.如权利要求1所述的一种柴油机增压器故障诊断分析及可视化表达方法，其特征在于：在步骤7中，具体的，采用蜡烛法对1天内的ema值、dif值、预定时间内的最大值以及预定时间内的最小值进行绘图，ema值、dif值的线段之间形成柱状图，最大值和最小值的连线穿过ema值、dif值形成柱状图，形成直观的图示表达。
8.如权利要求1所述的一种柴油机增压器故障诊断分析及可视化表达方法，其特征在于：当ema值和dif值重合时，表示数据的变化趋势发生改变，如果ema值、dif值形成柱状图越来越小，则表明变化趋势即将到来，因此需要进行检修维护处理。
9.如权利要求1所述的一种柴油机增压器故障诊断分析及可视化表达方法，其特征在于：步骤五中，3σ原则类似正态分布，在将预测值p｀和实时数据集p2进行均方根计算后，其竖直落入到正态分布曲线内，则判断为正常值，如果落入到正态分布曲线内外，则判断为异常点。
10.如权利要求1所述的一种柴油机增压器故障诊断分析及可视化表达方法，其特征在于：在步骤六中，其中ema的计算公式为：ema(δp，n)＝[2＊δp+(n－1)＊ema｀]/(n+1)，ema｀为上个周期的ema值。
