CN109357876A - 发动机故障的确定方法及装置 - Google Patents
发动机故障的确定方法及装置 Download PDFInfo
- Publication number
- CN109357876A CN109357876A CN201811631587.0A CN201811631587A CN109357876A CN 109357876 A CN109357876 A CN 109357876A CN 201811631587 A CN201811631587 A CN 201811631587A CN 109357876 A CN109357876 A CN 109357876A
- Authority
- CN
- China
- Prior art keywords
- engine
- parameter
- neural network
- network model
- result
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明提供一种发动机故障的确定方法及装置,该确定方法中获取发动机运行参数,其中,运行参数中至少包括发动机运行时的气路参数和油路参数,将发动机运行参数输入预先建立的神经网络模型,所述神经网络模型为以发动机运行时的气路参数和油路参数作为训练样本,以气路参数和油路参数对应的故障结果作为样本标签进行训练得到;基于神经网络模型对发动机运行参数进行处理,得到输出结果,所述输出结果对应所述故障结果;根据神经网络模型的输出结果确定发动机是否发生故障。使得在不生成故障码的情况下,通过对发动机运行参数的处理,能够确定发动机是否发生了如气路故障、油路故障等性能相关的故障。
Description
技术领域
本发明属于发动机技术领域,尤其涉及一种发动机故障的确定方法及装置。
背景技术
发动机运行过程中发生故障,会生成故障码,根据故障码可以确定发动机产生了何种故障。如,故障码为P0076,则诊断喷油器1高端与电源短路,故障码为P007D,则诊断喷油器2高端与电源短路,故障码为P0083,则诊断喷油器3高端与电源短路。
但是,对与发动机性能相关的故障发生时,并不会生成故障码,如,气路故障或油路故障时,并不会生成相应的故障码,进而不能通过是否产生故障码确定是否发生了与发动机性能相关的故障。
发明内容
有鉴于此,本发明的目的在于提供一种发动机故障的确定方法及装置,以解决现有技术中不能通过故障码确定是否发生了与发动机性能相关的故障的问题。
技术方案如下:
本发明提供一种发动机故障的确定方法,包括:
获取发动机运行参数;其中,所述运行参数至少包括发动机运行时的气路参数和油路参数;
将所述发动机运行参数输入预先建立的神经网络模型;所述神经网络模型为以发动机运行时的气路参数和油路参数作为训练样本,以气路参数和油路参数对应的故障结果作为样本标签进行训练得到;
基于预先建立的神经网络模型对所述发动机运行参数进行处理,得到所述神经网络模型的输出结果;
根据所述神经网络模型的输出结果,确定发动机是否发生故障。
优选地,所述气路参数至少包括进气压力偏差;所述油路参数至少包括轨压偏差。
优选地,以发动机运行时的气路参数和油路参数作为训练样本,以气路参数和油路参数对应的故障结果作为样本标签进行训练包括:
将训练样本输入所述神经网络模型;
通过训练样本在所述神经网络模型中的正向传播,得到对应所述训练样本的故障结果;
针对每次正向传播,获取故障结果;
计算故障结果与期望结果之间差值的绝对值;
根据故障结果与期望结果之间差值的绝对值,修正所述神经网络模型的网络参数,直至所述绝对值在预设范围内。
优选地,所述将所述发动机运行参数输入预先建立的神经网络模型之前,还包括:
判断是否接收到至少一个故障码;
若判断没有接收到故障码,则将获取到的发动机运行参数输入预先建立的神经网络模型;
若判断接收到故障码,则根据故障码确定发动机发生故障的类型。
优选地,还包括:
在确定发动机发生故障的情况下,生成故障报告。
本发明还提供了一种发动机故障的确定装置,包括:
获取单元,用于获取发动机运行参数;其中,所述运行参数至少包括发动机运行时的气路参数和油路参数;
输入单元,用于将所述发动机运行参数输入预先建立的神经网络模型;所述神经网络模型为以发动机运行时的气路参数和油路参数作为训练样本,以气路参数和油路参数对应的故障结果作为样本标签进行训练得到;
处理单元,用于基于预先建立的神经网络模型对所述发动机运行参数进行处理,得到所述神经网络模型的输出结果;
确定单元,用于根据所述神经网络模型的输出结果,确定发动机是否发生故障。
优选地,所述气路参数至少包括进气压力偏差;所述油路参数至少包括轨压偏差。
优选地,还包括训练单元,用于将训练样本输入所述神经网络模型;
通过训练样本在所述神经网络模型中的正向传播,得到对应所述训练样本的故障结果;
针对每次正向传播,获取故障结果;
计算故障结果与期望结果之间差值的绝对值;
根据故障结果与期望结果之间差值的绝对值,修正所述神经网络模型的网络参数,直至所述绝对值在预设范围内。
优选地,还包括:
判断单元,用于判断是否接收到至少一个故障码;若判断没有接收到故障码,则调用所述输入单元;
所述确定单元,还用于若判断接收到故障码,则根据故障码确定发动机发生故障的类型。
优选地,还包括:
生成单元,用于在确定发动机发生故障的情况下,生成故障报告。
与现有技术相比,本发明提供的上述技术方案具有如下优点:
从上述技术方案可知,本申请中获取发动机运行参数,其中,运行参数中至少包括发动机运行时的气路参数和油路参数,将发动机运行参数输入预先建立的神经网络模型,所述神经网络模型为以发动机运行时的气路参数和油路参数作为训练样本,以气路参数和油路参数对应的故障结果作为样本标签进行训练得到;基于神经网络模型对发动机运行参数进行处理,得到输出结果,所述输出结果对应所述故障结果;根据神经网络模型的输出结果确定发动机是否发生故障。使得在不生成故障码的情况下,通过对发动机运行参数的处理,能够确定发动机是否发生了如气路故障、油路故障等性能相关的故障。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种发动机故障的确定方法的流程图;
图2是本发明实施例提供的另一种发动机故障的确定方法的流程图;
图3是本发明实施例建立的神经网络模型的结构示意图;
图4是本发明实施例提供的一种发动机故障的确定装置的结构示意图;
图5是本发明实施例提供的另一种发动机故障的确定装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
现有技术中,在发动机运行过程中对传感器、执行器等电气元件进行检测,若电气元件发生故障则生成故障码,并发出故障警告。在接收到故障码时,可以确定发动机发生了故障。并通过将故障码与故障查询系统中包括的故障码编号进行比对,可以确定发生故障的类型。
故障查询系统如下表1所示:
表1
故障查询系统中不仅可以查询到故障码编号,与故障码编号对应的故障描述,还可以查询到与每个故障码对应的维修方式,进而在确定了故障码后,可以根据对应的维修指引指导对与故障码对应故障的处理。
但是,由于仅对发动机运行过程中的电气元件进行检测,并确定电气元件是否发生故障。因此在发动机运行过程中发生区别于电气元件导致的故障时,并不能生成故障码,进而不能通过故障码确定出发动机发生的故障。
如,发动机运行过程中发生进气不足或燃油管路轻微堵塞等与发动机性能相关的故障时,不会生成故障码。进而通过查询故障码是无法确定是否发生了与发动机性能相关的故障。
针对此问题,本发明提供了一种发动机故障的确定方法,预先利用发动机的气路参数和油路参数作为训练样本,以气路参数和油路参数对应的故障结果作为样本标签,训练神经网络模型,得到能够分析发动机运行参数并输出故障结果的神经网络模型。在实际应用中,获取到发动机运行过程中的运行参数后,利用已经训练得到的神经网络模型对发动机运行参数进行处理,得到所述神经网络模型的输出结果;其中,运行参数至少包括发动机运行时的气路参数和油路参数;根据输出结果,可以确定发动机是否发生了与发动机性能相关的故障,如气路故障或油路故障。
本实施例提供了一种发动机故障的确定方法,参见图1所示,该实施例包括以下步骤:
S101、获取发动机运行参数;其中,所述运行参数至少包括发动机运行时的气路参数和油路参数;
在发动机运行过程中,采集发动机的运行参数。并记录采集到的运行参数,生成路谱文件。
其中,可以预先设定对于发动机运行参数的采集频率。
相较于现有技术中采集到的发动机处于运行状态下的运行参数,本实施例需要采集和发动机性能相关的运行参数。所述运行参数至少包括发动机运行时的气路参数和油路参数。
可选地,本实施例中,气路参数至少包括进气压力偏差;油路参数至少包括轨压偏差。
除此之外,气路参数还可以包括进气压力,油路参数还可以包括轨压峰值、轨压设定值等。
在其他实施例中,运行参数还可以包括发动机转速、油门开度、负载率等。
采集运行参数并记录生成路谱文件后,根据路谱文件中记录的与发动机性能相关的运行参数,分析确定发动机当前运行过程中是否发生了与发动机性能相关的故障,如,气路进气不足或燃油管路轻微堵塞等。
下面介绍如何对获取到的发动机运行参数进行处理,以确定发动机是否发生了如气路故障或油路故障等与发动机性能相关的故障。
S102、将所述发动机运行参数输入预先建立的神经网络模型;所述神经网络模型为以发动机运行时的气路参数和油路参数作为训练样本,以气路参数和油路参数对应的故障结果作为样本标签进行训练得到;
本实施例中利用预先建立的神经网络模型对获取到的发动机运行参数进行处理。
其中,神经网络模型是通过训练得到的。训练样本为发动机运行时的气路参数和油路参数。在实际应用中,可以根据历史生成的路谱文件,从路谱文件中获取发动机运行时的气路参数和油路参数,得到一定数量的训练样本。
需要注意的是,在获取训练样本时,尽量按照比例分别获取发动机发生与性能相关的故障时的气路参数、油路参数,以及发动机没有发生与性能相关的故障时的气路参数、油路参数。然后,以气路参数和油路参数对应的故障结果作为样本标签。此处故障结果为发动机性能是否合格,或发动机是否存在气路故障或油路故障。
确定了训练样本以及与训练样本一一对应的样本标签后,将训练样本输入神经网络模型中,训练神经网络模型,直至神经网络模型能够输出与训练样本对应的样本标签匹配的输出结果,完成对神经网络模型的训练。
S103、基于预先建立的神经网络模型对所述发动机运行参数进行处理,得到所述神经网络模型的输出结果;
将发动机运行参数输入到训练得到的神经网络模型后,通过神经网络模型对发动机运行参数进行处理,得到输出结果。此处输出结果与训练神经网络模型时的故障结果相对应。
如,故障结果包括发动机性能合格与发动机性能不合格,那么,输出结果也包括发动机性能合格、发动机性能不合格。故障结果包括发动机存在气路故障、发动机存在油路故障、发动机不存在气路和油路故障、发动机存在气路和油路故障,那么,输出结果也包括发动机存在气路故障、发动机存在油路故障、发动机不存在气路和油路故障、发动机存在气路和油路故障。
S104、根据所述神经网络模型的输出结果,确定发动机是否发生故障。
神经网络模型的输出结果表示的是与输入神经网络模型的发动机运行参数对应的故障结果,从而实现了根据发动机运行参数确定发动机是否发生故障的目的。
从上述技术方案可知,本实施例中获取发动机运行参数,其中,运行参数中至少包括发动机运行时的气路参数和油路参数,将发动机运行参数输入预先建立的神经网络模型,所述神经网络模型为以发动机运行时的气路参数和油路参数作为训练样本,以气路参数和油路参数对应的故障结果作为样本标签进行训练得到;基于神经网络模型对发动机运行参数进行处理,得到输出结果,所述输出结果对应所述故障结果;根据神经网络模型的输出结果确定发动机是否发生故障。使得在不生成故障码的情况下,通过对发动机运行参数的处理,能够确定发动机是否发生了如气路故障、油路故障等性能相关的故障。
本实施例还提供了另一种发动机故障的确定方法,参见图2所示,该实施例包括:
S201、获取发动机运行参数;其中,所述运行参数至少包括发动机运行时的气路参数和油路参数;
本实施例中步骤S201的实现方式与上一实施例中步骤S101的实现方式类似,此处不再赘述。
S202、判断是否接收到至少一个故障码;
若判断没有接收到故障码,则执行步骤S203;
若判断接收到故障码,则执行步骤S206;
在实际应用中,发动机运行过程中发生电气元件相关的故障,则生成故障码,在接收到故障码时,可以确定发动机发生了故障。并通过将故障码与故障查询系统中包括的故障码编号进行比对,可以确定发生故障的类型。
本实施例中,判断是否接收到至少一个故障码的一种实现方式为:获取路谱文件,判断获取到的路谱文件中是否记录有故障码。其中,获取路谱文件可以是在步骤S201中执行的,即步骤S201具体为获取路谱文件,并从路谱文件中获取记录的发动机运行参数。获取到的路谱文件中包括发动机运行参数和故障码。
另一种实现方式为:判断是否接收到ECU发送的故障码,即发动机产生故障时,通过ECU发出故障码,判断是否接收到ECU发送的故障码。此种情况下,基于1939CAN协议对故障的DM1报文进行解析,解析出与故障对应的SPN码和FMI码,并与故障查询系统中的故障码编号进行比对,可以确定发动机当前发生的故障类型。
若判断没有接收到故障码,则确定发动机没有发生与电气元件相关的故障,但是,此时不能确定发动机是否也没有发生其他故障,如气路故障或油路故障等与发动机性能相关的故障,因此,需要执行步骤S203-S205,以进一步确定发动机是否发生与发动机性能相关的故障。
若判断接收到故障码,则确定发动机发生了与电气元件相关的故障,则将接收到的故障码与故障查询系统中包括的故障码编号进行比对,可以确定发生故障的类型。并根据故障查询系统中包括的维修指引可以确定维修方案,以处理发动机发生的故障。
S203、将所述发动机运行参数输入预先建立的神经网络模型;所述神经网络模型为以发动机运行时的气路参数和油路参数作为训练样本,以气路参数和油路参数对应的故障结果作为样本标签进行训练得到;
本实施例中,建立的神经网络模型包括输入层,隐含层以及输出层,其中,将发动机运行参数输入到神经网络模型的输入层。
可选地,本实施例中输入层接收两个输入参数,第一个输入参数为进气压力偏差,记为X1,第二个输入参数为轨压偏差,记为X2。
隐含层包括至少一个神经元。可选地,本实施例中隐含层包括两个神经元,分别定义为S1和S2。
输出层输出的结果为发动机性能是否正常。定义输出结果在第一数值范围内,则表示发动机性能正常,输出结果在第二数值范围内,则表示发动机性能不正常。如,第一数值范围为[0.5,1],第二数值范围为[0,0.5]。
以发动机运行时的气路参数和油路参数作为训练样本,以气路参数和油路参数对应的故障结果作为样本标签进行训练的过程具体包括以下几个步骤:
步骤一、将训练样本输入所述神经网络模型;
参见图3所示,为本实施例构建的神经网络模型。
神经网络模型架构建立后,将训练样本输入到神经网络模型的输入层。本实施例中,分别将进气压力偏差X1、轨压偏差X2输入神经网络模型的输入层。
步骤二、通过训练样本在所述神经网络模型中的正向传播,得到对应所述训练样本的故障结果;
正向传播指的是通过输入层输入数据后,经过加权计算后,输入到隐含层的神经元中,每个神经元是一个激活函数,通过激活函数计算后,通过输出层输出。
如图3所示,神经元S1的输入数据计算公式为:
in1=X1×W1+X2×W2+b1;
其中,in1为输入层输入至神经元S1的输入数据,W1为进气压力偏差对应的权重,W2为轨压偏差对应的权重;b1为偏置值。
同理,神经元S2的输入数据计算公式为:
in2=X1×W3+X2×W4+b2;
其中,,in2为输入层输入至神经元S2的输入数据,W3为进气压力偏差对应的权重,W4为轨压偏差对应的权重;b2为偏置值。
本实施例中,神经元对应的激活函数为Sigmod函数,神经元S1的输出数据计算公式为:
其中,o1为神经元S1的输出数据;in1为神经元S1的输入数据。
神经元的输出数据范围在[0,1]区间内。
输出层根据每个隐含层的输出数据,输出对应于输入的训练样本的故障结果。
步骤三、针对每次正向传播,获取故障结果;
本实施例中,故障结果用于表示发动机性能是否正常。以第一数值范围为[0.5,1],第二数值范围为[0,0.5]为例,故障结果为0.9,则表示发动机性能正常,故障结果为0.05,则表示发动机性能异常。
每次完成正向传播过程输出故障结果后,均获取故障结果。步骤四、计算故障结果与期望结果之间差值的绝对值;
预先设定期望结果,本实施例中期望结果包括0、1;两个期望结果分别对应发动机性能异常和发动机性能正常。每次完成正向传播并获取到故障结果后,计算故障结果与期望结果之间差值的绝对值。
如故障结果为0.5,计算故障结果与期望结果之间差值的绝对值为0.5。
故障结果为0.7,计算故障结果0.7与期望结果1之间差值的绝对值为0.3。
故障结果为0.4,计算故障结果0.4与期望结果0之间差值的绝对值为0.4。
本实施例中分别将神经元S1输出数据O1、神经元S2输出数据O2分别作为故障结果,分别计算神经元S1输出数据O1与期望结果之间差值的绝对值,神经元S2输出数据O2与期望结果之间差值的绝对值。
采用如下公式计算故障结果与期望结果之间差值的绝对值:
其中,Etotal表示故障结果与期望结果之间差值的绝对值;Eo1表示神经元S1的输出结果O1与期望结果之间差值的绝对值,Eo2表示神经元S2的输出结果O2与期望结果之间差值的绝对值。
步骤五、根据故障结果与期望结果之间差值的绝对值,修正所述神经网络模型的网络参数,直至所述绝对值在预设范围内。
完成正向传播输出的故障结果可能偏离期望结果,需要调整神经网络模型的网络参数,以使得神经网络模型的输出结果与期望结果之间差值的绝对值在预设范围内,确保神经网络模型输出的故障结果的准确性。
本实施例中采用反向传播算法修正神经网络模型的网络参数,网络参数包括权重和偏置值。
采用如下公式修正权重:
其中,α表示学习率;wn表示修正前第n个权重,w'n表示修正后第n个权重;利用w'n修正神经网络模型中对应的权重。
可选地,本实施例中,α=0.5。
采用如下公式修正偏置值:
其中,α表示学习率;bn表示修正前第n个偏置值,b'n表示修正后第n个偏置值;利用b'n修正神经网络模型中对应的偏置值。
每完成一次正向传播过程,就利用反向传播算法修正一次权重以及偏置值,通过多次迭代,直至故障结果与期望结果之间差值的绝对值在预设范围内,则停止迭代,完成对神经网络模型的训练。
S204、基于预先建立的神经网络模型对所述发动机运行参数进行处理,得到所述神经网络模型的输出结果;
S205、根据所述神经网络模型的输出结果,确定发动机是否发生故障;
本实施例中,步骤S204-S205的实现方式与上一实施例中步骤S103-S104的实现方式类似,此处不再赘述。
S206、根据故障码确定发动机发生故障的类型。
将接收到的故障码与故障查询系统中包括的故障码编号进行比对,可以确定发生故障的类型。并根据故障查询系统中包括的维修指引可以确定维修方案,以处理发动机发生的故障。
从上述技术方案可知,本实施例中获取发动机运行参数,其中,运行参数中至少包括发动机运行时的气路参数和油路参数,在判断没有接收到故障码的情况下,将发动机运行参数输入预先建立的神经网络模型,所述神经网络模型为以发动机运行时的气路参数和油路参数作为训练样本,以气路参数和油路参数对应的故障结果作为样本标签进行训练得到;基于神经网络模型对发动机运行参数进行处理,得到输出结果,所述输出结果对应所述故障结果;根据神经网络模型的输出结果确定发动机是否发生故障。使得在不生成故障码的情况下,通过对发动机运行参数的处理,能够确定发动机是否发生了如气路故障、油路故障等性能相关的故障。
可选地,本实施例中在根据接收到的故障码,确定发动机发生故障的类型后,或,在没有接收到故障码的情况下,基于神经网络模型的输出结果确定发动机发生故障后,根据确定发生的故障,生成故障报告。即将故障码对应的电气器件的故障结果以及运行参数对应的性能故障结果汇总输出,以直观的方式显示至用户界面,使得用户可以直观获知当前发动机存在的故障,并针对故障进行相应的处理。
对应上述发动机故障的确定方法,本实施例还提供了一种发动机故障的确定装置,参见图4所示,该确定装置包括:
获取单元401、输入单元402、处理单元403和确定单元404;
获取单元401,用于获取发动机运行参数;其中,所述运行参数至少包括发动机运行时的气路参数和油路参数;
所述气路参数至少包括进气压力偏差;所述油路参数至少包括轨压偏差。
输入单元402,用于将所述发动机运行参数输入预先建立的神经网络模型;所述神经网络模型为以发动机运行时的气路参数和油路参数作为训练样本,以气路参数和油路参数对应的故障结果作为样本标签进行训练得到;
处理单元403,用于基于预先建立的神经网络模型对所述发动机运行参数进行处理,得到所述神经网络模型的输出结果;
确定单元404,用于根据所述神经网络模型的输出结果,确定发动机是否发生故障。
从上述技术方案可知,本实施例中获取发动机运行参数,其中,运行参数中至少包括发动机运行时的气路参数和油路参数,将发动机运行参数输入预先建立的神经网络模型,所述神经网络模型为以发动机运行时的气路参数和油路参数作为训练样本,以气路参数和油路参数对应的故障结果作为样本标签进行训练得到;基于神经网络模型对发动机运行参数进行处理,得到输出结果,所述输出结果对应所述故障结果;根据神经网络模型的输出结果确定发动机是否发生故障。使得在不生成故障码的情况下,通过对发动机运行参数的处理,能够确定发动机是否发生了如气路故障、油路故障等性能相关的故障。
在图4所示基础上,本实施例还提供了另一种发动机故障的确定装置,参见图5所示,本实施例的确定装置还包括:
训练单元501、判断单元502和生成单元503;
训练单元501,用于将训练样本输入所述神经网络模型;通过训练样本在所述神经网络模型中的正向传播,得到对应所述训练样本的故障结果;针对每次正向传播,获取故障结果;计算故障结果与期望结果之间差值的绝对值;根据故障结果与期望结果之间差值的绝对值,修正所述神经网络模型的网络参数,直至所述绝对值在预设范围内。
判断单元502,用于判断是否接收到至少一个故障码;
若判断没有接收到故障码,则调用输入单元402;
若判断接收到故障码,则调用确定单元404,以根据故障码确定发动机发生故障的类型。
生成单元503,用于在确定发动机发生故障的情况下,生成故障报告。
从上述技术方案可知,本实施例中获取发动机运行参数,其中,运行参数中至少包括发动机运行时的气路参数和油路参数,在判断没有接收到故障码的情况下,将发动机运行参数输入预先建立的神经网络模型,所述神经网络模型为以发动机运行时的气路参数和油路参数作为训练样本,以气路参数和油路参数对应的故障结果作为样本标签进行训练得到;基于神经网络模型对发动机运行参数进行处理,得到输出结果,所述输出结果对应所述故障结果;根据神经网络模型的输出结果确定发动机是否发生故障。使得在不生成故障码的情况下,通过对发动机运行参数的处理,能够确定发动机是否发生了如气路故障、油路故障等性能相关的故障。同时,基于故障码确定了故障类型或基于运行参数确定了发动机性能存在异常,则生成故障报告,以直观的方式显示至用户界面,使得用户可以直观获知当前发动机存在的故障,并针对故障进行相应的处理。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例提供的装置而言,由于其与实施例提供的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种发动机故障的确定方法,其特征在于,包括:
获取发动机运行参数;其中,所述运行参数至少包括发动机运行时的气路参数和油路参数;
将所述发动机运行参数输入预先建立的神经网络模型;所述神经网络模型为以发动机运行时的气路参数和油路参数作为训练样本,以气路参数和油路参数对应的故障结果作为样本标签进行训练得到;
基于预先建立的神经网络模型对所述发动机运行参数进行处理,得到所述神经网络模型的输出结果;
根据所述神经网络模型的输出结果,确定发动机是否发生故障。
2.根据权利要求1所述的确定方法,其特征在于,所述气路参数至少包括进气压力偏差;所述油路参数至少包括轨压偏差。
3.根据权利要求2所述的确定方法,其特征在于,以发动机运行时的气路参数和油路参数作为训练样本,以气路参数和油路参数对应的故障结果作为样本标签进行训练包括:
将训练样本输入所述神经网络模型;
通过训练样本在所述神经网络模型中的正向传播,得到对应所述训练样本的故障结果;
针对每次正向传播,获取故障结果;
计算故障结果与期望结果之间差值的绝对值;
根据故障结果与期望结果之间差值的绝对值,修正所述神经网络模型的网络参数,直至所述绝对值在预设范围内。
4.根据权利要求1-3任意一项所述的确定方法,其特征在于,所述将所述发动机运行参数输入预先建立的神经网络模型之前,还包括:
判断是否接收到至少一个故障码;
若判断没有接收到故障码,则将获取到的发动机运行参数输入预先建立的神经网络模型;
若判断接收到故障码,则根据故障码确定发动机发生故障的类型。
5.根据权利要求4所述的确定方法,其特征在于,还包括:
在确定发动机发生故障的情况下,生成故障报告。
6.一种发动机故障的确定装置,其特征在于,包括:
获取单元,用于获取发动机运行参数;其中,所述运行参数至少包括发动机运行时的气路参数和油路参数;
输入单元,用于将所述发动机运行参数输入预先建立的神经网络模型;所述神经网络模型为以发动机运行时的气路参数和油路参数作为训练样本,以气路参数和油路参数对应的故障结果作为样本标签进行训练得到;
处理单元,用于基于预先建立的神经网络模型对所述发动机运行参数进行处理,得到所述神经网络模型的输出结果;
确定单元,用于根据所述神经网络模型的输出结果,确定发动机是否发生故障。
7.根据权利要求6所述的确定装置,其特征在于,所述气路参数至少包括进气压力偏差;所述油路参数至少包括轨压偏差。
8.根据权利要求7所述的确定装置,其特征在于,还包括训练单元,用于将训练样本输入所述神经网络模型;
通过训练样本在所述神经网络模型中的正向传播,得到对应所述训练样本的故障结果;
针对每次正向传播,获取故障结果;
计算故障结果与期望结果之间差值的绝对值;
根据故障结果与期望结果之间差值的绝对值,修正所述神经网络模型的网络参数,直至所述绝对值在预设范围内。
9.根据权利要求6-8任意一项所述的确定装置,其特征在于,还包括:
判断单元,用于判断是否接收到至少一个故障码;若判断没有接收到故障码,则调用所述输入单元;
所述确定单元,还用于若判断接收到故障码,则根据故障码确定发动机发生故障的类型。
10.根据权利要求9所述的确定装置,其特征在于,还包括:
生成单元,用于在确定发动机发生故障的情况下,生成故障报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811631587.0A CN109357876A (zh) | 2018-12-29 | 2018-12-29 | 发动机故障的确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811631587.0A CN109357876A (zh) | 2018-12-29 | 2018-12-29 | 发动机故障的确定方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109357876A true CN109357876A (zh) | 2019-02-19 |
Family
ID=65329562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811631587.0A Pending CN109357876A (zh) | 2018-12-29 | 2018-12-29 | 发动机故障的确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109357876A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111721538A (zh) * | 2020-06-29 | 2020-09-29 | 潍柴动力股份有限公司 | 发动机检测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010241263A (ja) * | 2009-04-06 | 2010-10-28 | Honda Motor Co Ltd | 故障再現を支援する診断装置および故障再現データの出力方法 |
CN104568446A (zh) * | 2014-09-27 | 2015-04-29 | 芜湖扬宇机电技术开发有限公司 | 一种发动机故障诊断方法 |
CN104898641A (zh) * | 2015-04-20 | 2015-09-09 | 东软集团股份有限公司 | 一种车辆故障检测方法和装置 |
CN105758645A (zh) * | 2014-12-20 | 2016-07-13 | 哈尔滨智晟天诚科技开发有限公司 | 一种基于概率神经网络的发动机故障诊断系统 |
CN108875240A (zh) * | 2018-06-29 | 2018-11-23 | 潍柴动力股份有限公司 | 一种发动机故障诊断方法、装置及一种电子设备 |
-
2018
- 2018-12-29 CN CN201811631587.0A patent/CN109357876A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010241263A (ja) * | 2009-04-06 | 2010-10-28 | Honda Motor Co Ltd | 故障再現を支援する診断装置および故障再現データの出力方法 |
CN104568446A (zh) * | 2014-09-27 | 2015-04-29 | 芜湖扬宇机电技术开发有限公司 | 一种发动机故障诊断方法 |
CN105758645A (zh) * | 2014-12-20 | 2016-07-13 | 哈尔滨智晟天诚科技开发有限公司 | 一种基于概率神经网络的发动机故障诊断系统 |
CN104898641A (zh) * | 2015-04-20 | 2015-09-09 | 东软集团股份有限公司 | 一种车辆故障检测方法和装置 |
CN108875240A (zh) * | 2018-06-29 | 2018-11-23 | 潍柴动力股份有限公司 | 一种发动机故障诊断方法、装置及一种电子设备 |
Non-Patent Citations (4)
Title |
---|
大成汽修连锁: "柴油电喷车油路故障基础原理分析", 《商用车与零部件》 * |
张西振等: "《柴油发动机电控系统检测与修复》", 28 February 2017 * |
搜狐汽车: "《搜狐网》", 19 July 2018 * |
辛梅、王英宇: "基于神经网络的发动机故障诊断研究", 《小型内燃机与车辆技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111721538A (zh) * | 2020-06-29 | 2020-09-29 | 潍柴动力股份有限公司 | 发动机检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8793004B2 (en) | Virtual sensor system and method for generating output parameters | |
Jaramillo et al. | Condition monitoring of distributed systems using two-stage Bayesian inference data fusion | |
CN106155042A (zh) | 一种整车控制器故障处理的测试方法及装置 | |
CN106019058A (zh) | 一种基于相电流分析的三相全桥逆变器开路故障诊断方法 | |
CN109815441B (zh) | 一种采用贝叶斯网络模型诊断及预测发动机故障的方法 | |
CN111506049B (zh) | 基于aann网络系统的航空发动机控制系统多重故障诊断方法 | |
Kenyon et al. | An agent-based implementation of hidden Markov models for gas turbine condition monitoring | |
CN105445591B (zh) | 变流器故障诊断方法以及变流器故障诊断装置 | |
CN104635146B (zh) | 基于随机正弦信号测试和hmm的模拟电路故障诊断方法 | |
CN109357876A (zh) | 发动机故障的确定方法及装置 | |
Ficco et al. | An event correlation approach for fault diagnosis in scada infrastructures | |
Daigle et al. | A qualitative event-based approach to continuous systems diagnosis | |
CN103256158A (zh) | 电子无回流燃料系统中的故障隔离 | |
Cervantes-Bobadilla et al. | Multiple fault detection and isolation using artificial neural networks in sensors of an internal combustion engine | |
KR102386769B1 (ko) | 건축물 에너지 공공 데이터를 이용한 규칙 기반 및 기계 학습 기반의 고장 진단 시스템 및 방법 | |
CN111259993A (zh) | 一种基于神经网络的故障诊断方法及装置 | |
CN115563868A (zh) | 一种航空交流发电机油路系统故障诊断方法及装置 | |
Todd et al. | A semiautomatic approach to deriving turbine generator diagnostic knowledge | |
CN108845247A (zh) | 一种模拟电路模块故障诊断方法 | |
CN105224736B (zh) | 一种基于约束求解的智能电网系统鲁棒性验证方法 | |
CN115030885B (zh) | 一种空压机一体机 | |
Loboda et al. | Adjustment and Validation of Monitoring System Algorithms on the Simulated Historical Data of an Aircraft Engine Fleet | |
Borguet et al. | Assessment of an anomaly detector for jet engine health monitoring | |
CN108415401A (zh) | 一种工程车辆检测维修数据管理方法及系统 | |
Barešić et al. | Modelling of an Expert System for Diagnosing the Operational Status of a Diesel Genset |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190219 |
|
RJ01 | Rejection of invention patent application after publication |