CN104594969B - 油压故障检测方法 - Google Patents

Abstract

本发明涉及内燃机内润滑油的一种油压故障检测的方法，属于内燃机领域，其步骤包括：步骤一、根据发动机运行条件建立已知油压数据库，并进行数据预处理；步骤二、建立RVM模型，利用粒子群算法优化训练RVM模型参数；步骤三、利用已知油压数据库训练建立的RVM模型；步骤四、采用RVM模型对油压传感器检测的数据进行处理分析。本发明中使用了油压传感器实时检测润滑油内部的油压参数数据，使用粒子群算法优化过的RVM模型进行数据对比和分析，增大了检测结果的准确率，明确了故障检测的结果，方便了工作人员的查看和维修，解决了现有技术中油压设定值不能随意更改的问题。

Description

油压故障检测方法

技术领域

本发明涉及内燃机领域，尤其涉及内燃机内润滑油的一种油压故障检测的方法。

背景技术

内燃机引起空气和燃料混合物的燃烧以产生驱动转矩，空气经过节气门吸入发动机中并且分配到各个气缸中。空气与燃料混合并且空气和燃料混合物在气缸内燃烧以往复驱动活塞，活塞旋转驱动曲轴。除了往复驱动的活塞之外，发动机中还有多个移动部件来实现和调节燃烧过程，包括但不限于进气门和排气门机构。

为了确保内部部件的正确运行和降低的磨损，润滑油在发动机中循环。具体地，油泵从油盘泵出润滑油通过发动机。当润滑油循环通过发动机之后，它就收集入油盘中，也设有滤油器从而在润滑油在发动机中循环之前对其进行过滤。

油压通常受到监控以确保它处于适当的运行范围，通常设有油压传感器并且其响应于油压。过高或过低的油压会损害发动机部件并且是由老化润滑油、润滑油粘度的变化、使用不适当的滤油器、低油位、机械硬件故障等原因引起的，所以润滑油的油压检测对于发动机的正常使用是很重要的，但是现今技术都是通过安装油压传感器来进行检测油压位置并根据设置值进行预警，但是发动机运行使用时间长的话，油压设定值也应该随之改变，但是现有技术中的设定值的不能随意更改的现状不能满足发动机的需要。

发明内容

为了克服现有技术中油压设定值不能随意更改的不足，本发明提供一种油压故障检测的方法。

本发明的技术方案是：一种油压故障检测的方法，其步骤包括：

步骤一、根据发动机运行条件建立已知油压数据库，并进行数据预处理；

步骤二、建立RVM模型，利用粒子群算法优化训练RVM模型参数；

步骤三、利用已知油压数据库训练建立的RVM模型；

步骤四、采用RVM模型对油压传感器检测的数据进行处理分析。

所述步骤一中的发动机运行条件包括里程数、燃烧事件的累计数、发动机的转速、发动机的温度、发动机起动的累计数和监控的温度循环中的至少一个。

所述步骤一中的数据预处理是对数据进行归一化处理。

所述步骤一中的已知数据库是处于更新状态中的，运行条件发生改变，已知数据库也在更新中。

所述步骤二中的粒子群算法步骤为：

A.初始化粒子群:确定粒子群的规模，初始位置和速度，根据约束条件对每个粒子初始化拉格朗日因子a的值；

B.计算每一个粒子的目标函数值，即所要优化函数的值；

C.更新每一个粒子a的位置局部最优值Pbest和全局最优值Gbest；

D.更新每一个粒子a的飞行速度和位置；

E.判断数据是否达到RVM模型标准，达到标准跳出循环，并计算相关系数，否则返回的步骤2)，直到满足迭代的次数；

F.返回最优a的值，并将最优化的参数传递给RVM模型。

所述步骤四中的数据处理分析包括将油压传感器检测到的数据与已知数据库里相同或相似条件下的期望油压数据取差值，将差值与系统设定的阀值进行比较输出数据处理结果。

所述步骤五中的数据处理结果与油压状态之间的对应为非正常状态，系统会发出预警警告。

本发明有如下积极效果：本发明中使用了油压传感器实时检测润滑油内部的油压参数数据，并根据发动机运行条件中的里程数、燃烧事件的累计数、发动机的转速、发动机的温度、发动机起动的累计数和监控的温度循环中的至少一个条件可能引起的油压阈值的改变进行监测进行系统更改，提高了监测的准确度，同时本发明中使用了粒子群算法优化过的RVM模型进行数据对比和分析，增大了检测结果的准确率，明确了故障检测的结果，方便了工作人员的查看和维修。

附图说明

图1是本发明中油压故障检测方法的工作流程图；

图2是本发明中粒子群算法的工作流程图；

图3是本发明中油压故障检测方法的工作结构图。

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。

如图1-图3所示，一种油压故障检测方法，其步骤包括：

S01步骤一、根据发动机运行条件建立已知油压数据库，并进行数据预处理。

已知油压数据库中的数据是在发动机各种运行条件下采集的，发动机运行条件包括里程数、燃烧事件的累计数、发动机的转速、发动机的温度、发动机起动的累计数和监控的温度循环中的至少一个，因为油压值会根据这些发动机运行条件中的任何一个或几个的改变而改变。发动机的转速和温度可以由转速传感器和温度传感器检测得到，各种运行条件和对应的油压值都会存入油压数据库中，同时已知数据库是处于更新状态中的，运行条件发生改变时，如果此时的油压值在系统阀值的允许范围内，则已知数据库也同时更新，保证了数据的更新率和准确性。

影响油压值的因素，可选地或附加地，可以执行更复杂的算法监控更详细的汽车参数，包括但不限于发动机负荷、燃烧事件的数量、发动机起动的数量、温度循环等。例如，由润滑油的寿命监控确定润滑油老化因数，其表明更换润滑油的时间。可以将包括但不限于发动机RPM和油温的参数用于确定润滑油的相对寿命。

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，粒子群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RVM模型，利用粒子群算法优化训练RVM模型参数。建立RVM模型首先选择合适的函数，并对其超参数进行PSO优化训练，建立合适的RVM模型，利用粒子群算法优化训练RVM模型参数，让模型更容易收敛，运算速度更快。建立RVM模型时，先利用已知样本数据库进行粒子群算法优化训练成功建立模型，已知样本数据库的建立是在EGR管路正常状态时获得保存的。

核函数的选择时常用的RVM核函数有4种:

线性核函数:

K(x，z)＝x·z (1)

多项式核函数:

K(x，z)＝[s(x·z)+c]q (2)

高斯径向基(RBF)核函数:

K(x，z)＝exp(－λ‖x－z‖2) (3)

Sigmoid核函数:

K(x，z)＝tanh[s(x·z)+c] (4)

选择合适的核函数是该方法能成功使用的关键，通过测试验证训练，比较各自泛化性能,本文选择RBF核函数作为故障诊断的RVM模型。

粒子群优化算法(particle swarm optimization，PSO)，是由Kennedy和Eberhart于1995年首次提出的一种基于迭代的寻优算法[8]。该算法是对鸟群社会行为的模拟，PSO算法和遗传算法类似，是一种基于群体(population)的优化算法，每个粒子通过和其他粒子进行信息交互，调整自己的进化方向，以及避免陷入局部最优；同时，PSO算法采用不同于遗传算法的随机搜索策略，操作起来要比遗传算法简便得多，因此在解决某些优化问题时显示出更卓越的性能。

本文利用粒子群优化算法优化相关向量机中的拉格朗日乘子，通过利用PSO寻找拉格朗日乘子这个向量满足RVM中约束条件的各个分量的最优值，使得两分类之间的间隔距离最大，从而构造出最优超平面。初始化粒子群时，应不断判断直到各粒子随机的初始值满足所优化的相关向量机中的约束条件。每个粒子a的每个分量通过自身学习和向其他粒子学习，不断更新自身速度和位置，达到全局最优。

粒子群算法的步骤为：

A.初始化粒子群:确定粒子群的规模，初始位置和速度，根据约束条件对每个粒子初始化拉格朗日因子a的值；

B.计算每一个粒子的目标函数值，即所要优化函数的值；

C.更新每一个粒子a的位置局部最优值Pbest和全局最优值Gbest；

D.更新每一个粒子a的飞行速度和位置；

E.判断数据是否达到RVM模型标准，达到标准跳出循环，并计算相关系数，否则返回的步骤2)，直到满足迭代的次数；

F.返回最优a的值，并将最优化的参数传递给RVM模型。

经过超参数优化训练后得到的RVM模型，即可用于数据的分类和处理。PSO对RVM算法的参数优化过程如图2所示。

RVM算法中超参数的选择对RVM算法的分类准确率起着决定性的作用，以往常用的参数寻优方法多采用人为列举寻优、交叉验证等方式设置参数，但是此类方法所需时间过长，同时还存在容易陷入局部最优的问题。粒子群算法是一种高效的全局寻优算法，可用于机器学习算法的参数优化设置。本文采用PSO算法优化RVM算法的超参数设置，从而建立故障诊断的机器模型。

S03步骤三、利用已知油压数据库训练建立的RVM模型。已知油压数据库已经建立，步骤二中是利用粒子群算法对RVM模型参数进行优化训练，得到一个合适的RVM模型，可用于数据的分类处理，把各条件下的油压状态都进行一分类总结。步骤三为利用已知油压数据库对RVM模型进行机器训练，即记录正常稳定状态下的数据，可以保证故障模式的区分和模型的使用。

S04步骤四、采用RVM模型对油压传感器检测的数据进行处理分析。数据处理分析包括将油压传感器检测到的数据与已知数据库里相同或相似条件下的期望油压数据取差值，将差值与系统设定的阀值进行比较输出数据处理结果。虽然系统设定的阀值依然是不变的，但是由于数据库一直在改变和更新中，所以油压传感器检测到的油压值和已知油压数据库里的期望油压值的差值也是改变的，随着发动机运行状态的不同，油压值的标注设定也是不同的，所以本发明提供的随发动机运行状态改变而改变油压值的方法对于增大发动机的安全使用性有很大提高。

油压故障检测控制确定发动机是否在稳定转速下运行。因为油压传感器检测到的油压实际值滞后于发动机转速，所以油压故障检测控制的执行确保油压实际值在发动机转速中稳定。例如，通过在阀时间周期内监控发动机转速可以确定发动机是否在稳定转速下运行。如果阀时间周期内出现的最大发动机转速与阀时间周期内出现的最小发动机转速之间的差值(转速差值)小于或等于阀差值(转速阀差值，系统设定的标准稳定转速阀差值)，发动机就被认为是在稳定速度下运行。如果转速差值大于或等于转速阀差值，发动机就被认为不是在稳定速度下运行。

如果发动机是在稳定速度下运行，就确定当前发动机的转速和温度的数值。根据发动机的转速值和温度值确定油压期望值。已知数据库最开始是根据带有出厂时已注满的润滑油和滤油器的新发动机期望油压填充的。数据库的变化是由因素引起的变化，这些因素包括但不限于润滑油的寿命、用途(如，氧化、燃料稀释等)、润滑油的特性(如，粘度、添加剂等)、滤油器的特性(如，压降变量)和油压读取信号字符串的变化，其包括油压传感器。

RVM模块确定油压期望值与油压实际值之间的差值。如果差值大于系统设定的阀值(正值或负值)，就设置输出显示油压故障状态。如果差值是小于或等于阀值，那么油压实际值就与所期望的一样输出显示油压正常状态。可能引起设置油压的一些故障包括但不限于发动机过早磨损、油压泄漏、低油压、滤油器问题、有故障的油压传感器、不兼容的润滑油填充、错误的润滑油类型和/或润滑油中的冷却剂。

油压状态有两种：非故障和堵故障状态。RVM模块确定油压期望值与油压实际值之间的差值。如果差值大于系统设定的阀值(正值或负值)，就设置输出显示油压故障状态，非正常状态时，系统会发出预警警告提醒驾驶员的防范意识。如果差值是小于或等于阀值，那么油压实际值就与所期望的一样输出显示油压正常状态。

RVM模型对数据进行了分类处理，可以把待测数据与已知数据库的相似类别的数据进行比较，不是常规处理器的单独或标准值的比较，大量数据的对比分析会使得诊断结果的准确度更高，误报率大大减小，提高了检测工作的准确率，减轻了工作人员的工作量。

如图3所示，故障检测输出故障类型后，本检测方法还在运行中。故障类型输出后，同时检测发动机转速是否稳定，如果发动机转速不稳定，则检测系统可以结束工作；如果发动机转速很稳定，则油压、转速和温度等传感器继续实时监测任务，传感器输出的数据进行预处理后作为待测数据等待RVM模型预测诊断的检测循环系统中，继续检测润滑油的油压状态，保证发动机的正常工作。

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 (2)

1.一种油压故障检测的方法，其特征在于，其步骤包括：

步骤一、根据发动机运行条件建立已知油压数据库，并进行数据预处理；步骤一中的发动机运行条件包括里程数、燃烧事件的累计数、发动机的转速、发动机的温度、发动机起动的累计数和监控的温度循环中的至少一个；步骤一中的数据预处理是对数据进行归一化处理；步骤一中的已知数据库是处于更新状态中的，运行条件发生改变，已知数据库也在更新中；

步骤二、建立RVM模型，利用粒子群算法优化训练RVM模型参数；

步骤三、利用已知油压数据库训练建立的RVM模型；

步骤四、采用RVM模型对油压传感器检测的数据进行处理分析；步骤四中的数据处理分析包括将油压传感器检测到的数据与已知数据库里相同或相似条件下的期望油压数据取差值，将差值与系统设定的阀值进行比较输出数据处理结果；步骤四中的数据处理结果与油压状态之间的对应输出为非正常状态，系统会发出预警警告。

2.根据权利要求1所述的油压故障检测方法，其特征在于，所述步骤二中的粒子群算法步骤为：

A.初始化粒子群:确定粒子群的规模，初始位置和速度，根据约束条件对每个粒子初始化拉格朗日因子a 的值；

B.计算每一个粒子的目标函数值，即所要优化函数的值；

C.更新每一个粒子a的位置局部最优值Pbest和全局最优值Gbest；

D.更新每一个粒子a的飞行速度和位置；

E.判断数据是否达到RVM模型标准，达到标准跳出循环，并计算相关系数，否则返回步骤B，直到满足迭代的次数；

F.返回最优a的值，并将最优化的参数传递给RVM模型。