CN106339720A - 一种汽车发动机的失效检测方法 - Google Patents

Abstract

本发明公开了一种汽车发动机的失效检测方法，包括以下步骤：确定发动机失效特征参数集、失效类型集，失效特征参数集中包含多个失效特征参数，失效类型集中包含多个失效类型；根据失效特征参数集和失效类型集，建立基于核函数的结构风险最小化机器学习模型；利用样本集，训练并优化基于核函数的结构风险最小化机器学习模型；检测发动机的多个失效特征参数，将多个失效特征参数作为失效检测的数据源；将所述数据源输入到基于核函数的结构风险最小化机器学习模型中，得出失效检测结果。上述方法，基于核函数的结构风险最小化机器学习算法和主元特征提取相结合，实现了对发动机快速、准确的失效检测，同时其失效检测能力强、确诊率高、误判率低。

Description

一种汽车发动机的失效检测方法

技术领域

本发明涉及汽车失效检测技术领域，具体涉及一种汽车发动机的失效检测方法。

背景技术

发动机是汽车的心脏，它产生的故障占全车的比例最高，单位里程每车的配件消耗、保修工时消耗，发动机也是占首位。若发动机出现失效而未能及时发现和排除，结果不仅导致发动机本身损坏，甚至可能造成车毁人亡的严重后果。因此，用较短的时间和较低的维修成本，对发动机停止工作或不正常工作及时做出准确判断，找出失效原因和排除方法，能大大减少维修的盲目性，它对提高汽车的动力性、经济性、可靠性和安全性具有重要的意义。

用来评价发动机的主要技术性能标准有：怠速运转良好、加速性能良好、功率达到设计要求、燃料消耗低等。发动机失效多由一个或两个以上失效点构成，在排除失效时，要结合上述几个主要技术性能标准，找出直接或间接影响发动机正常工作的原因。目前发动机的失效检测有如下几种方法：

(1)传统的经验法。第一就是听启动的声音。在汽车启动的过程中，通常会有一声发动机启动声音，这个声音出现异常的时候，那么汽车的发动机就很有可能是出现了问题。第二，当汽车发动机无法正常启动的时候，打开前端盖子，进行观察，当汽车发动机出现炙热甚至出现蒸汽状态时，说明汽车发动机出现故障。有些驾驶员的驾龄比较长，他们凭经验判断和发现故障。

(2)解析模型诊断法。解析模型诊断法必须建立在对汽车发动机的数学模型的了解基础之上才能使用。该方法可以对收集的汽车发动机数据信息并采用特定的方法进行分析处理。能够较为准确、快速地了解汽车发动机潜在的故障。但是这种方法也存在缺点，维修人员难以获取系统模式，并且在建立数学模型时难免会存在各种误差和受噪音的干扰。

(3)知识诊断法。随着计算机和人工智能技术的发展，汽车发动机故障检测方式发生了很大的变化，并逐渐形成新的失效检测方法，例如模糊诊断方法、专家系统诊断方法、神经网络诊断方法和主元分析法等。

以上方法对发动机的失效检测成本高、速度慢，仍然不能从根本上解决汽车发动机失效检测的快速性和准确性。

发明内容

针对现有技术存在的不足，本发明的目的在于提供一种能够对发动机快速、准确的失效检测，且失效检测能力强、确诊率高、误判率低的汽车发动机的失效检测方法。

为实现上述目的，本发明提供了如下技术方案：一种汽车发动机的失效检测方法，包括以下步骤：

(1)确定发动机失效特征参数集、失效类型集，所述失效特征参数集中包含多个失效特征参数，所述失效类型集中包含多个失效类型；

(2)根据失效特征参数集和失效类型集，建立基于核函数的结构风险最小化机器学习模型；

(3)利用样本集，训练并优化基于核函数的结构风险最小化机器学习模型；

(4)检测发动机的多个失效特征参数，将多个失效特征参数作为失效检测的数据源；

(5)将所述数据源输入到基于核函数的结构风险最小化机器学习模型中，得出失效检测结果。

作为优选的，步骤(1)所述失效特征参数集包括汽车发动机的温度、主继电器控制端的电压、转速传感器的阻值、振动频率、噪声强度和油门踏板接插件端子电压；所述失效类型集包括缺油，ECU烧毁，输油泵损坏或失灵，进气温度传感器损坏，油门参考信号线松脱，单体泵磨损严重，油路进气，增压压力过小，单体泵电磁阀开路，电源继电器损坏，单向阀损坏和蓄电池失常。

作为优选的，步骤(2)基于核函数的结构风险最小化机器学习模型的输出向量为失效类型集，输入向量为失效特征参数集中每个失效特征参数的主元特征值。

作为优选的，步骤(3)中采用网格搜索法在线优化基于核函数的结构风险最小化机器学习模型。

作为优选的，步骤(5)包括以下子步骤：

(5.1)将数据源进行小波去噪处理；

(5.2)计算数据源中每个失效特征参数的主元特征值；

(5.3)将步骤(5.2)中计算出的主元特征值输入到优化后的结构风险最小化机器学习模型中，得出失效检测结果。

所述主元特征值的计算方法为：

(a)计算失效特征参数R_j＝{R_1j,R_2j…,R_6j}的信息熵其中，P_ij为一个随机过程中R_ij出现的概率，

(b)归一化处理得到其中j＝1,…,12；

(c)建立协方差矩阵其中H_j＝H(R_j)；

(d)计算协方差矩阵C的特征值λ_i和特征向量u_j；

(e)计算主元特征值S_j＝u_j ^TH_j。

本发明的优点是：与现有技术相比，本发明根据汽车发动机失效的机理及特点，当发动机停止工作时，通过检测发动机的温度、主继电器控制端的电压、转速传感器的阻值、振动频率、噪声强度和油门踏板接插件端子电压得到失效信息，对失效信息数据进行处理后输入优化后的结构风险最小化机器学习模型中，得到失效检测结果。本发明将基于核函数的结构风险最小化机器学习算法和主元特征提取相结合，实现了对发动机快速、准确的失效检测，同时其失效检测能力强、确诊率高、误判率低。

下面结合说明书附图和具体实施例对本发明作进一步说明。

附图说明

图1为本发明实施例的总流程图；

图2为本发明实施例优选方案的流程图；

图3为本发明实施例失效检测过程的示意图。

具体实施方式

参见图1、图2和图3，本发明公开的一种汽车发动机的失效检测方法，包括以下步骤：

(1)确定发动机失效特征参数集、失效类型集，所述失效特征参数集中包含多个失效特征参数，所述失效类型集中包含多个失效类型；

(2)根据失效特征参数集和失效类型集，建立基于核函数的结构风险最小化机器学习模型；

(3)利用样本集，训练并优化基于核函数的结构风险最小化机器学习模型；

(4)检测发动机的多个失效特征参数，将多个失效特征参数作为失效检测的数据源；

(5)将所述数据源输入到基于核函数的结构风险最小化机器学习模型中，得出失效检测结果。

作为优选的，步骤(1)所述失效特征参数集包括汽车发动机的温度、主继电器控制端的电压、转速传感器的阻值、振动频率、噪声强度和油门踏板接插件端子电压；所述失效类型集包括缺油，ECU烧毁，输油泵损坏或失灵，进气温度传感器损坏，油门参考信号线松脱，单体泵磨损严重，油路进气，增压压力过小，单体泵电磁阀开路，电源继电器损坏，单向阀损坏和蓄电池失常。

作为优选的，步骤(2)基于核函数的结构风险最小化机器学习模型的输出向量为失效类型集，输入向量为失效特征参数集中每个失效特征参数的主元特征值。

作为优选的，步骤(3)中采用网格搜索法在线优化基于核函数的结构风险最小化机器学习模型。

作为优选的，步骤(5)包括以下子步骤：

(5.1)将数据源进行小波去噪处理；

(5.2)计算数据源中每个失效特征参数的主元特征值；

(5.3)将步骤(5.2)中计算出的主元特征值输入到优化后的结构风险最小化机器学习模型中，得出失效检测结果。

所述主元特征值的计算方法为：

(a)计算失效特征参数R_j＝{R_1j,R_2j…,R_6j}的信息熵其中，P_ij为一个随机过程中R_ij出现的概率，

(b)归一化处理得到其中j＝1,…,12；

(c)建立协方差矩阵其中H_j＝H(R_j)；

(d)计算协方差矩阵C的特征值λ_i和特征向量u_j；

(e)计算主元特征值S_j＝u_j ^TH_j。

下面本发明详细说明优选方案：

一种汽车发动机快速准确的失效检测方法，包括如下步骤：

(1)确定发动机失效特征参数集、失效类型集；

根据汽车发动机失效的机理及特点，本发明将发动机的温度、主继电器控制端的电压、转速传感器的阻值、振动频率、噪声强度和油门踏板接插件端子电压这六个参数作为失效特征参数。本发明采用向量R表示失效特征参数，则R＝{R₁,R₂,…,R₆}^T，其中R₁-R₆为六个失效特征参数。

根据汽车发动机常见的失效特征，本发明将发动机的缺油，ECU烧毁，输油泵损坏或失灵，进气温度传感器损坏，油门参考信号线松脱，单体泵磨损严重，油路进气，增压压力过小，单体泵电磁阀开路，电源继电器损坏，单向阀损坏，蓄电池失常这12个失效行为作为失效类型集。本发明采用向量F表示失效类型集，则F＝(F₁,F₂…,F₁₂)^T，其中F₁-F₁₂为12个失效类型。

收集发动机运行状态的历史数据，作为样本集。为了清晰表达失效特征参数与失效类型之间的关系，可以按照表1中的形式建立失效数据库。

表1：

(2)根据失效特征参数集和故障类型集，建立基于核函数的结构风险最小化机器学习模型；

本发明选取高斯分布的径向基函数作为学习算法的核函数，径向基函数核函数的表达式如下：

K(x,x_k)＝exp{-||x-x_k||²/σ²}

式中，σ是径向基核函数的参数。

本发明中结构风险最小化机器学习模型的输出向量为失效类型集F＝(F₁,F₂…,F₁₂)^T。为了降低模型训练的难度，本发明对失效特征参数集进行预处理后，作为模型的输入向量。所述预处理是指对失效特征参数R_j＝{R_1j,R_2j…,R_6j}的熵带进行样本归一化和主元特征提取。具体的讲，所述预处理包括以下步骤：

(a)熵计算：由于收集或采集到的汽车发动机失效数据受到各种环境因素的影响，有些数据呈现出不确定性。这种情况严重混乱了失效类别间的可分辨性，增大了失效分类与辨识的难度。本发明采用熵使失效检测的误判最小化。熵计算的过程如下：

设R_j＝{R_1j,R_2j…,R_6j}为发动机一个失效检测判别参数(j＝1,2,…,12)。在一个随机过程中，如果R_j出现的概率P(R_j)＝P(R_ij)＝P_ij，且那么信息熵H(R_j)为：

$H\left(R_j\right)=-\underset{i=1}{\overset{6}{\Σ}}P\left(R_{ij}\right)logP\left(R_{ij}\right)=-\underset{i=1}{\overset{6}{\Σ}}{P}_{ij}log{P}_{ij}$

上式表明，若H(R_j)越大,表明R_j中所蕴涵的信息量越丰富,则R_j的不确定程度也越大。

(b)归一化处理：考虑到各种特征参数数值的差异性及分散性，为了降低它们之间由于量值差异过大造成的影响，对熵通过线性变换映射到[0，1]范围内的相对含量，以降低各特征参数数据之间的互斥性。归一化处理方法如下：

$H\left(R_j\right)=H\left(R_j\right)/\underset{j=1}{\overset{12}{\Σ}}H\left(R_j\right)$

(c)对通过线性变换的熵H(R_j)进行如下变换(令：H(R_j)＝H_j)：

S_j＝U^TH_j

式中，U为12×12维的正交矩阵，其中矩阵U中的第j列u_j是协方差矩阵C的第j个特征向量。

$C=\frac{1}{12}\underset{j=1}{\overset{12}{\Σ}}{H}_j{H_j}^T$

即

λ_ju_j＝Cu_j，j＝1,2,…,12

λ_j为协方差矩阵C的特征值，u_j为相应的特征向量，则可以得到主元S_j。

S_j＝u_j ^TH_j，j＝1,2,…,12。

(3)利用样本集，训练并优化基于核函数的结构风险最小化机器学习模型；

本发明在样本集中随机抽取60组失效数据，分别求取熵，用最大的熵减去最小的熵得到熵带WH。在熵带WH范围内取30组失效数据作为样本，对模型进行训练和优化，过程如下：

设给定N个训练样本，{(x_k,y_k)|k＝1,2,...,N},x_k∈R^d,y_k∈R,x_k是输入数据，y_k是输出数据。模型的求解表达为：

$\min J(w,e)=\frac{1}{2}{w}^{T}w+\frac{1}{2}\mathrm{\γ}\underset{k=1}{\overset{n}{\Σ}}{e^2}_k$

式中，是核空间映射函数，权矢量w∈R^d，误差变量e_k∈R，b是偏差量。损失函数J是SSE误差和规则化量之和，γ是控制对错分样本惩罚的程度的可调参数，它控制对超出误差样本的惩罚的程度，实现在训练误差和模型复杂度之间的折衷。引入拉格朗日函数，把有约束优化问题转化成无约束优化问题：

即：

其中，拉格朗日乘子α_k∈R，α_k≥0。对上式进行优化求解，根据KKT最优条件，把上式分别对w,b,e_k和α_k求偏微分并令它们等于0，即：

$\frac{\∂L}{\∂b}=0\⇒w=\underset{k=1}{\overset{l}{\Σ}}{a}_k=0$

$\frac{\∂L}{\∂e_k}=0\⇒a_k=r*e_k$

得到：

$\left\{\begin{array}{c}w=\underset{k=1}{\overset{n}{\Σ}}{\mathrm{\α}}_k{x}_k\\ \underset{k=1}{\overset{n}{\Σ}}{\mathrm{\α}}_k=0\\ {\mathrm{\α}}_k={\mathrm{\γe}}_k\\ w^T{x}_k+b+e_k-y_k=0\end{array}\right.$

对于k＝1,...,n消去w和e_k，得到如下方程：

$\left[\begin{array}{cc}0& I^T\\ I& {\mathrm{ZZ}}^T+I_n/\mathrm{\γ}\end{array}\right]\left[\begin{array}{c}b\\ a\end{array}\right]=\left[\begin{array}{c}0\\ Y\end{array}\right]$

其中

即得到如下方程组：

采用交叉验证网格搜索法确定学习模型的最佳参数对(γ,σ)。具体的讲，包括如下子步骤：

(a1)确定合适的正则化参数集和核参数集。实验发现，按照指数增长方式生成两种参数集是一种有效的方法，例如，γ＝2-²,2-⁰,...,2¹⁰,...，σ＝2-⁶,2-⁴,...,2⁰,...，网格搜索简单直接，因为每一个参数对(γ,σ)是独立的，可以并行地进行网格搜索。

(a2)应用网格搜索法在正则化参数集和核参数集中选择一个参数对(γ,σ)，用该参数对进行交叉验证。首先用一个步长为2²的(γ,σ)组合,得到学习精度最高的γ和σ的值。然后在这两个值旁的一定范围内进行一次更细致的网格搜索。在两个值的一定范围内把样本集D分为S组{G₁,G₂,…,G_S}，把任意的S-1组作为训练集，剩余的一组作为验证集。通过选择不同的验证集，可重复S次。泛化性能可通过下式评价：

${\mathrm{MSE}}_{cv}=\frac{1}{N}\underset{i=1}{\overset{S}{\Σ}}\underset{v\∈G_I}{\Σ}{(y^v-y(x^v|{\widehat{\mathrm{\θ}}}_i\left)\right)}^2$

式中：G_i是第i组验证集；y^v是验证集的样本；是用D-G_i作为训练样本时得到的参数向量；是LS-SVM的输出。

(a3)循环选择参数对进行交叉验证，计算每个参数对的MSE_cv，直到网格搜索停止。使得MSE_cv最小的参数对(γ,σ)是最佳的，应用不完全交叉验证方法选择参数能够避免过拟合问题。

本发明通过模型的学习，确定拉格朗日乘子α_k和偏移因子b，得到优化后的结构风险最小化机器学习模型。

(4)检测所述失效特征参数，作为失效检测的数据源，即检测发动机的温度、主继电器控制端的电压、转速传感器的阻值、振动频率、噪声强度和油门踏板接插件端子电压等失效特征参数作为数据源。

(5)将所述数据源输入到优化后的结构风险最小化机器学习模型中，得出失效检测结果。具体的讲，包括以下子步骤：

(5.1)将数据源进行小波去噪处理；

发动机特征参数在采集和传输过程中，不可避免会受到大量噪声信号的影响而产生杂波，必然会影响对检测判断的准确度，因此本发明采用小波去噪技术对数据源进行小波去噪处理。小波去噪处理的算法如下:

令检测特征量为：

式中R(k)为有用信号；n(k)为噪声序列。假设n(k)是零均值且服从高斯分布的随即序列，即服从N：(0，σ²)分布。对上式两边做小波更换，有：

${\mathrm{WT}}_{\tilde{R}}(a,b)={\mathrm{WT}}_R(a,q)+{\mathrm{WT}}_n(a,q)$

式中表示小波基对做时移为q，尺度因子为a的小波变换。经正交小波变换后，最大程度地去除了n(k)的相关性，其能量集中在少数的小波系数上，而这些系数即是在各个尺度下的模极大值。

(5.2)计算数据源中每个失效特征参数的主元特征值，其中计算主元特征值的方法与步骤(3)中的方法相同，在此不再赘述。

(5.3)将步骤(5.2)中计算出的主元特征值输入到优化后的结构风险最小化机器学习模型中，得出失效检测结果，即正常或有失效，以及失效所属的类型。

采用本发明所述的方法对大众汽车的发动机进行失效检测，结果如表2所示。

表2：

失效类型	失效检测的识别率
		缺油	100％
ECU烧毁	100％
		输油泵损坏或失灵	100％
进气温度传感器损坏	98％
		油门参考信号线松脱	99％
单体泵磨损严重	100％
		油路进气	98％
增压压力过小	100％
		单体泵电磁阀开路	100％
电源继电器损坏	99％
		单向阀损坏	100％
蓄电池失常	100％

可见，本发明能够实现对汽车发动机有效的故障诊断。

本发明根据汽车发动机失效的机理及特点，当发动机停止工作时，通过检测发动机的温度、主继电器控制端的电压、转速传感器的阻值、振动频率、噪声强度和油门踏板接插件端子电压得到失效信息，对失效信息数据进行处理后输入优化后的结构风险最小化机器学习模型中，得到失效检测结果。本发明将基于核函数的结构风险最小化机器学习算法和主元特征提取相结合，实现了对发动机快速、准确的失效检测，同时其失效检测能力强、确诊率高、误判率低。

上述实施例对本发明的具体描述，只用于对本发明进行进一步说明，不能理解为对本发明保护范围的限定，本领域的技术工程师根据上述发明的内容对本发明作出一些非本质的改进和调整均落入本发明的保护范围之内。

Claims (6)

1.一种汽车发动机的失效检测方法，其特征在于，包括以下步骤：

(1)确定发动机失效特征参数集、失效类型集，所述失效特征参数集中包含多个失效特征参数，所述失效类型集中包含多个失效类型；

(2)根据失效特征参数集和失效类型集，建立基于核函数的结构风险最小化机器学习模型；

(3)利用样本集，训练并优化基于核函数的结构风险最小化机器学习模型；

(4)检测发动机的多个失效特征参数，将多个失效特征参数作为失效检测的数据源；

(5)将所述数据源输入到基于核函数的结构风险最小化机器学习模型中，得出失效检测结果。

2.根据权利要求1所述的一种汽车发动机的失效检测方法，其特征在于：步骤(1)所述失效特征参数集包括汽车发动机的温度、主继电器控制端的电压、转速传感器的阻值、振动频率、噪声强度和油门踏板接插件端子电压；所述失效类型集包括缺油，ECU烧毁，输油泵损坏或失灵，进气温度传感器损坏，油门参考信号线松脱，单体泵磨损严重，油路进气，增压压力过小，单体泵电磁阀开路，电源继电器损坏，单向阀损坏和蓄电池失常。

3.根据权利要求1所述的一种汽车发动机的失效检测方法，其特征在于：步骤(2)基于核函数的结构风险最小化机器学习模型的输出向量为失效类型集，输入向量为失效特征参数集中每个失效特征参数的主元特征值。

4.根据权利要求1所述的一种汽车发动机的失效检测方法，其特征在于：步骤(3)中采用网格搜索法在线优化基于核函数的结构风险最小化机器学习模型。

5.根据权利要求1所述的一种汽车发动机的失效检测方法，其特征在于：步骤(5)包括以下子步骤：

(5.1)将数据源进行小波去噪处理；

(5.2)计算数据源中每个失效特征参数的主元特征值；

(5.3)将步骤(5.2)中计算出的主元特征值输入到优化后的结构风险最小化机器学习模型中，得出失效检测结果。

6.根据权利要求5所述的一种汽车发动机的失效检测方法，其特征在于：步骤(5.2)所述主元特征值的计算包括下列步骤：

(a)计算失效特征参数R_j＝{R_1j,R_2j…,R_6j}的信息熵其中，P_ij为一个随机过程中R_ij出现的概率，

(b)归一化处理得到其中j＝1,…,12；

(c)建立协方差矩阵其中H_j＝H(R_j)；

(d)计算协方差矩阵C的特征值λ_i和特征向量u_j；

(e)计算主元特征值S_j＝u_j ^TH_j。