CN104568256A - 发动机扭矩检测系统及方法 - Google Patents

Abstract

本发明涉及一种发动机扭矩检测系统及方法，属于发动机检测领域，该系统包括：信号采集单元，采集发动机的转速信号、扭矩信号和振动信号参数；处理器，连接信号采集单元，接收信号采集单元的参数信息打包整理后发送出去；后台终端，连接处理器，接收处理器打包发送的发动机参数信息，利用遗传优化RBF模型对参数信息分析计算处理和判断。本发明的系统设置使用了传感器组，通过检测发动机的各参数并对各参数的计算得出扭矩的最准确值，解决了非电控发动机在整车道路试验中发动机扭矩无法测量的问题。

Description

发动机扭矩检测系统及方法

技术领域

本发明涉及发动机检测领域，特别涉及一种发动机扭矩检测系统及方法。

背景技术

在发动机的测试中，扭矩是个很重要的参数，是评价发动机性能指标的重要依据。整车道路试验中的发动机扭矩对于发动机与整车匹配研究至关重要，电控发动机的扭矩可通过读取电子控制单元(ECU)中扭矩参数的方式获取，而非电控发动机在整车道路试验中无法获取发动机扭矩。

对于道路试验中非电控发动机的扭矩获取一直是汽车行业的难题。现有技术中，对于非电控发动机的扭矩测量的方法，通过发动机试验数据为样本对BP神经网络进行训练后得到发动机扭矩预测模型，利用该模型进行仿真计算得到扭矩预测值，但是BP神经网络模型有学习速度慢、容错能力差、算法不完备等缺点。

发明内容

为了克服现有技术中发动机扭矩测量方法中的算法不完备、模型不完善的不能很好的解决扭矩测量问题，本发明提供一种发动机扭矩检测系统及方法。

本发明的技术方案是：一种发动机扭矩检测系统，该系统包括：

信号采集单元，采集发动机的转速信号、扭矩信号和振动信号参数；

处理器，连接信号采集单元，接收信号采集单元的参数信息打包整理后发送出去； 

后台终端，连接处理器，接收处理器打包发送的发动机参数信息，利用遗传优化RBF模型对参数信息分析计算处理和判断。

所述信号采集单元包括转速传感器、扭矩传感器和振动传感器组分别测量所需的转速信号、扭矩信号和振动信号，其中传感器位于发动机内多个测量点上。

所述处理器和后台终端均包括有无线通信单元，处理器通过无线通信单元和后台终端无线连接。

所述后台终端包括数据库和输入键盘，系统的准确检测结果会存入数据库中，当系统检测到扭矩故障参数时，经人工验证无故障，通过输入键盘修改结果存入数据库。

所述后台终端包括显示器，显示系统的检测结果。

一种发动机扭矩检测方法，该方法步骤包括：

步骤一、建立已知发动机扭矩数据库，并进行数据预处理；

步骤二、建立RBF模型，利用遗传算法优化训练RBF模型参数，得到最佳初始阈值和权值；

步骤三、采用遗传优化RBF模型对待测发动机参数进行诊断分析；

步骤四、输出扭矩的检测结果显示在显示器上；

步骤五、检测结果和对应的参数数据经确认后存入数据库

所述步骤二中的RBF模型分为三个部分：RBF神经网络构建、RBF神经网络训练和RBF神经网络识别。

所述步骤二中的遗传优化RBF模型的步骤包括：

A.  确定各个变量的约束条件，按系统要求确定优化各参数的取值范围；

B.  编码：将十进制码表示的种群矩阵解码成计算机所能识别的二进制码；

C.  确定遗传策略：根据正交试验确定种群规模、遗传代数、交叉率Pc和变异率 Pm；

D.  随机初始化生成群体 P；

E.  计算适应度：把RBF模型的输出即对应参数的目标函数值映射为适应值，从而计算适应度；

F.  按照遗传策略，通过选择、交叉、变异算子作用于群体，进行迭代寻优，求解最佳初始阈值和权值；

G.  判断群体性能是否满足某一指标，不满足则返回步骤C，满足则遗传算法运行结束后的最佳个体解码所得的参数为模型的最优解，对应的网络输出值即为最优化值。

所述步骤三中的待测发动机参数包括发动机的转速信号、扭矩信号和振动信号参数。

本发明有如下积极效果：本发明的系统设置使用了传感器组，通过检测发动机的各参数并对各参数的计算得出扭矩的最准确值，解决了非电控发动机在整车道路试验中发动机扭矩无法测量的问题。同时本发明中的后台终端使用了遗传优化的RBF模型进行分析数据，该模型能够以任意精度逼近任意连续函数，学习速度快，精度高，在逼近能力、分类能力和学习速度等方而均优于BP网络模型，遗传优化后的RBF模型更是结合了遗传算法的快速全局寻优能力，建立了得到发动机扭矩模型。

附图说明

图1 是本发明中的发动机扭矩检测系统的原理框图；

图2 是本发明中的发动机扭矩检测方法的工作流程图；

图3 是本发明中的遗传优化RBF模型的流程图。

具体实施方式

下面对照附图，通过对实施例的描述，本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等，作进一步详细的说明，以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。

一种发动机扭矩检测系统，如图1所示，该系统包括：信号采集单元、处理器和后台终端，处理器连接信号采集单元和后台终端。

信号采集单元，包括转速传感器、扭矩传感器和振动传感器组，各传感器组分别安装在发动机的各测量点，采集发动机的转速信号、扭矩信号和振动信号参数，并把采集到的参数信号发送到处理器，采集单元使用技术成熟的传感器，成本低，而且技术成熟，检测参数数据测量准确。

处理器，连接信号采集单元，接收信号采集单元的参数信息打包整理后发送出去，本文优选无线通信方式，处理器和后台终端中均包括有无线通信单元 ，实现处理器和后台终端的无线通信，避免了有线传输中排线布线的麻烦和费时费力。

后台终端，连接处理器，接收处理器打包发送的发动机参数信息，利用遗传优化RBF模型对参数信息分析计算处理和判断，使用遗传优化的RBF模型进行分析数据，该模型能够以任意精度逼近任意连续函数，学习速度快，精度高，在逼近能力、分类能力和学习速度等方而均优于BP网络模型，遗传优化后的RBF模型更是结合了遗传算法的快速全局寻优能力，建立了得到发动机扭矩模型。同时后台终端安装有数据库、输入键盘和显示器，系统的准确检测结果会存入数据库中，当系统检测到扭矩故障参数时，经人工验证无故障，通过输入键盘修改结果存入数据库，显示器显示系统的检测结果，监控人员从显示器就可以看到多个发动机扭矩的检测情况，不需要一个个人工检查和查看，节省了大量的人力工作。

一种发动机扭矩检测方法，如图2所示，该方法步骤包括：

S01步骤一、建立已知发动机扭矩数据库，并进行数据预处理。发动机扭矩数据库是指由样本数据和检测到的参数数据组成的数据库，已知数据是出厂设置的参数数据，也包括发动机扭矩检测工作时监测到的数据保存在数据库，所以数据库处于一直更新状态，随着数据量的增大，方便对遗传优化RBF模型进行机器训练。

预处理是对数据进行归一化处理，归一化可以加快训练网络的收敛性， 归一化的具体作用是归纳统一样本的统计分布性。无论是为了建模还是为了计算，首先基本度量单位要同一，遗传算法是以样本在事件中的统计分别几率来进行训练和预测的，归一化是同一在0-1之间的统计概率分布；SVM是以降维后线性划分距离来分类和仿真的，因此时空降维归一化是统一在-1--+1之间的统计坐标分布。

S02步骤二、建立RBF模型，利用遗传算法优化训练RBF模型参数，得到最佳初始阈值和权值。

RBF神经网络是一种局部逼近网络，它能够以任意精度逼近任意连续函数，学习速度快，精度高，在逼近能力、分类能力和学习速度等方而均优于BP网络。RBF神经网络模型分为三个部分：RBF神经网络构建、RBF神经网络训练和RBF神经网络识别。

RBF神经网络的结构和网络和构建：径向基函数神经网络(radialbasis function neural network)是一种具有单隐层的3层前馈网络。它的基本思想是:用RBF作为隐层节点的“基”构成隐层空间，这样就可以将输入矢量不通过权值连接映射到隐层空间。当RBF的中心点确定后，这种映射关系也就确定了。其中，隐层节点的基函数采用距离函数，而激活函数采用径向基函数(如高斯函数)。

径向基函数是一种局部分布的中心点径向对称衰减的非负非线性函数，这种“局部特性”使得RBF网络成为一种局部响应神经网络。而且，隐层到输出层的映射是线性的，即网络的输出是隐节点输出的线性组合。现在也己证明，径向基网络也能够以任意精度逼近任意连续函数，并且它的学习速度比BP网络快，并能避免局部极小值问题。

RBF神经网络的训练：RBF神经网络的训练算法以目标函数最小化为准则对隐层各个节点的中心点与偏差以及输出权值进行调整修正。在此，使用带有动量因子的梯度下降法对网络的各个参数进行修改。 网络的目标函数为：

式中式（1）中， QUOTE   为神经网络的输出与期望值的差值，n为训练样本的个数。根据目标函数，推导出更新输出层权值的公式为:

隐层节点中心点的计算公式为: 

隐层节点偏差值计算公式为: 

以上三式中， QUOTE  为学习速率， QUOTE  ，  QUOTE  为动量因子， QUOTE  。

RBF神经网络的识别：测试数据经过经过RBF神经网络的预测模型输出最佳预测值，得到最逼近的函数。

RBF神经网络虽然可以以任意精度逼近任意连续函数，并且它的学习速度比BP网络快，并能避免局部极小值问题。但是RBF神经网络是一种局部逼近网络，不能对全局数据进行准确的预测，而遗传算法是一种借鉴生物界自然选择和自然遗传机制的搜索算法，它能在复杂而庞大的搜索空间中寻找最优或准最优解，且有算法简单、适用、鲁棒性强等优点，它的应用目前很成熟。遗传算法和RBF神经网络相结合，能够实现功能互补，更好的检测扭矩系统。

所以，如图3所示，遗传优化RBF模型的步骤包括：

A.  确定各个变量的约束条件，按系统要求确定优化各参数的取值范围。

B.  编码：将十进制码表示的种群矩阵解码成计算机所能识别的二进制码。

C.  确定遗传策略：根据正交试验确定种群规模、遗传代数、交叉率Pc和变异率 Pm。

D.  当各变量的约束条件和遗传策略都确定后，即可随机初始化生成群体 P。

E.  计算适应度：个体适应度采用网络的函数误差，即误差大的个体其适应度小，具体表示为适应度为网络误差函数的倒数，本文中把RBF模型的输出即对应参数的目标函数值映射为适应值。

F.  按照遗传策略，通过选择、交叉、变异算子作用于群体，进行迭代寻优，求解最佳初始阈值和权值。交叉、变异过程采用基于概率的双向随机搜索技术，以一定的概率，随机地从父本种群中选取两条染色体进行交叉操作，当新染色体使当前解质量提高时，就接收这个被改进的解作为新的当前解。

G.  判断群体性能是否满足某一指标，不满足则返回步骤C，满足则遗传算法运行结束后的最佳个体解码所得的参数为模型的最优解，对应的网络输出值即为最优化值。

S03步骤三、采用遗传优化RBF模型对待测发动机参数进行诊断分析。待测发动机参数是由安装在发动机内部的转速传感器、扭矩传感器和振动传感器测得的发动机转速信号、扭矩信号和振动信号参数。进行诊断分析前先对优化模型进行机器训练，即利用步骤中建立的数据库对优化模型进行机器训练，机器训练后，模型才会对待测数据进行检测分析，RBF神经网络经过遗传算法优化后，得到RBF神经网络的函数参数的最佳阈值和权值。待测数据经过优化的RBF模型后，就可以计算出扭矩值，由振动和转速等多个参数来确认扭矩大小，检测系统更加准确，得到的扭矩值与系统设定的阈值进行比较，如果不再系统阈值范围内，则该发动机的扭矩属于故障发动机，应该及时查看和维修。

步骤四、输出扭矩的检测结果显示在显示器上。系统中的待测发动机全部参数经过遗传优化的RBF模型处理计算时，检测结果会随时显示在显示器上，不合格故障发动机和合格正常状态的发动机均会显示在显示器上，方便工作人员随时查看系统检测进度和记录故障发动机。

步骤五、检测结果和参数数据经确认后存入数据库。显示器上显示的故障检测结果经过工作人员进行查看确认后才会保存早数据库中，避免了系统误判断情况，正确检测结果也会显示在显示器上，工作人员也可以随意抽取检测数据结果进行验证。机器检测虽然准确率很高，但还是会偶尔发生误判状况，所以一旦发现误判数据就可以使用输入键盘进行更改数据和结果后保存在数据库中，而且故障数据也要经过工作人员的确认之后，才可以保存在数据库中，这样就大大降低了系统误判率，方便系统调用和数据对比，达到更新已知数据库的目的，系统检测准确度更高，检测系统更加实用。

上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。

Claims (9)

1.一种发动机扭矩检测系统，其特征在于，该系统包括

信号采集单元，采集发动机的转速信号、扭矩信号和振动信号参数；

处理器，连接信号采集单元，接收信号采集单元的参数信息打包整理后发送出去； 

后台终端，连接处理器，接收处理器打包发送的发动机参数信息，利用遗传优化RBF模型对参数信息分析计算处理和判断。

2.根据权利要求1所述的发动机扭矩检测系统，其特征在于，所述信号采集单元包括转速传感器、扭矩传感器和振动传感器组分别测量所需的转速信号、扭矩信号和振动信号，其中传感器位于发动机内多个测量点上，振动传感器与。

3.根据权利要求1所述的发动机扭矩检测系统，其特征在于，所述处理器和后台终端均包括有无线通信单元，处理器通过无线通信单元和后台终端无线连接。

4.根据权利要求1所述的发动机扭矩检测系统，其特征在于，所述后台终端包括数据库和输入键盘，系统的准确检测结果会存入数据库中，当系统检测到扭矩故障参数时，经人工验证无故障，通过输入键盘修改结果存入数据库。

5.根据权利要求1所述的发动机扭矩检测系统，其特征在于，所述后台终端包括显示器，显示系统的检测结果。

6.一种发动机扭矩检测方法，其特征在于，该方法步骤包括：

步骤一、建立已知发动机扭矩数据库，并进行数据预处理；

步骤二、建立RBF模型，利用遗传算法优化训练RBF模型参数，得到最佳初始阈值和权值；

步骤三、采用遗传优化RBF模型对待测发动机参数进行诊断分析；

步骤四、输出扭矩的检测结果显示在显示器上；

步骤五、检测结果和对应的参数数据经确认后存入数据库。

7.根据权利要求6所述的发动机扭矩检测方法，其特征在于，所述步骤二中的RBF模型分为三个部分：RBF神经网络构建、RBF神经网络训练和RBF神经网络识别。

8.根据权利要求6所述的发动机扭矩检测方法，其特征在于，所述步骤二中的遗传优化RBF模型的步骤包括：

确定各个变量的约束条件，按系统要求确定优化各参数的取值范围；

编码：将十进制码表示的种群矩阵解码成计算机所能识别的二进制码；

确定遗传策略：根据正交试验确定种群规模、遗传代数、交叉率Pc和变异率 Pm；

随机初始化生成群体 P；

计算适应度：把RBF模型的输出即对应参数的目标函数值映射为适应值，从而计算适应度；

按照遗传策略，通过选择、交叉、变异算子作用于群体，进行迭代寻优，求解最佳初始阈值和权值；

判断群体性能是否满足某一指标，不满足则返回步骤C，满足则遗传算法运行结束后的最佳个体解码所得的参数为模型的最优解，对应的网络输出值即为最优化值。

9.根据权利要求6所述的发动机扭矩检测方法，其特征在于，所述步骤三中的待测发动机参数包括发动机的转速信号、扭矩信号和振动信号参数。