CN109726230A - 一种大数据分析模型预测发动机性能的方法 - Google Patents
一种大数据分析模型预测发动机性能的方法 Download PDFInfo
- Publication number
- CN109726230A CN109726230A CN201811476008.XA CN201811476008A CN109726230A CN 109726230 A CN109726230 A CN 109726230A CN 201811476008 A CN201811476008 A CN 201811476008A CN 109726230 A CN109726230 A CN 109726230A
- Authority
- CN
- China
- Prior art keywords
- data
- engine
- training sample
- matrix
- engine performance
- 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.)
- Granted
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种大数据分析模型预测发动机性能的方法,主要步骤为:1)确定输入数据。2)建立发动机性能指标预测模型和发动机性能分类检测模型。3)对所有回归算法的自学习参数进行训练。4)将测试样本矩阵C输入到调整自学习参数后的发动机性能指标预测模型和发动机性能分类检测模型中,得到每种回归算法的预测误差率。5)将所述待检测发动机的输入数据输入到发动机性能指标预测模型中,从而输出待检测发动机在不同工况下的转速预测结果。本发明对发动机生产过程中产生的过程检测数据和质量检测数据进行发动机性能预测,实现了发动机性能情况的自动预测,在节省人力成本和发动机损耗成本的同时,也保证了发动机下线质量性能的可靠性。
Description
技术领域
本发明涉及发动机性能预测的技术领域,具体是一种大数据分析模型预测发动机性能的方法。
背景技术
目前大部分汽车公司发动机生产线存在工艺经验不清晰,工程师利用直觉和经验无法难以对理想结果作正确的解释;出厂性能不稳定,发动机在不同转速下扭矩一致性较差,发动机性能不可控的问题。
另外,目前各汽车公司使用从每批次发动机抽取一定数目的发动机在工作温度达到正常后,使发动机在不同的转速下运转测试各项性能参数的方法,实现对发动机出厂性能的把控。此方法存在资金耗费大,消耗时间长等资源消耗及排放污染严重的问题,以及检验覆盖面不全的缺点。
发明内容
本发明的目的是解决现有技术中存在的问题。
为实现本发明目的而采用的技术方案是这样的,一种大数据分析模型预测发动机性能的方法,主要包括以下步骤:
1)确定输入数据,并将输入数据保存在MES数据库中。
进一步,所述输入数据为发动机的原始过程数据和原始质量数据。
所述原始过程数据由粘贴在发动机上的传感器采集得到。所述原始过程数据主要包括基本数据和拧紧数据。
所述基本数据主要包括连杆瓦检测数据、平面度检测数据、间隙检测数据和压力检测数据。所述拧紧数据主要包括发动机螺栓拧紧扭矩、拧紧转动角度和发动机螺栓拧紧扭矩与拧紧转动角度的比值。
所述原始质量数据主要包括冷试数据和泄漏检测数据。
2)将所述输入数据进行分类,分类后的输入数据按照时间先后进行顺序排列。对排序后的输入数据进行处理,得到初步检测数据。
进一步,对排序后的输入数据进行处理,得到初步检测数据的方法为:每一类输入数据只保留最后一个数据,删除其余数据。
进一步,对输入数据进行分类的主要步骤如下:
2.1)按照发动机型号对输入数据进行第一次分类。其中,具有相同发动机型号的输入数据归为一类。
2.2)对具有相同发电机型号的输入数据进行第二次分类。其中,具有相同发动机编号的输入数据归为一类。
2.3)对具有相同发动机编号的输入数据进行第三次分类。其中,属于相同检测项目类别的输入数据归为一类。
3)对所述初步检测数据进行筛选,得到筛选后的初步检测数据矩阵P'。初步检测数据矩阵P'如下所示:
式中,P'MN为初步检测数据矩阵P'中元素。
进一步,对所述初步处理数据进行筛选的主要步骤如下:
3.1)建立初步检测数据矩阵P,其中矩阵P的列下标为数据类别序号。行下标为发动机编号。所有数据类别序号组成数据类别列表。
3.2)删除矩阵P中缺失元素超过70%的列,并在数据类别列表中删除对应的序号。
3.3)针对矩阵P中缺失元素未超过70%的列,利用均值插值法补齐缺损元素,从而得到筛选后的初步检测数据矩阵P'。
4)随机提取初步检测数据矩阵P'中的a个元素构成无标签训练样本矩阵A。随机提取初步检测数据矩阵P'中的d个元素构成有标签训练样本矩阵B。随机提取初步检测数据矩阵P'中的c个元素构成测试样本矩阵C。
进一步,无标签训练样本矩阵A、有标签训练样本矩阵B和测试样本矩阵C中的元素互不相同。且,无标签训练样本矩阵A、有标签训练样本矩阵B和测试样本矩阵C的元素总数满足下式:
a+d+c≤M*N。 (2)
式中,a为有标签训练样本矩阵A的元素总数。d为有标签训练样本矩阵B的元素总数。c为测试样本矩阵C的元素总数。M为初步检测数据矩阵P'的行数。N为初步检测数据矩阵P'的列数。
5)对无标签训练样本矩阵A依次进行白化预处理和正则化处理,得到降维后的无标签训练样本矩阵A'。
6)将降维后的无标签训练样本矩阵A'输入到稀疏自编码器中,对稀疏自编码器进行训练,从而调整稀疏自编码器参数,得到调整后的稀疏自编码器。
训练稀疏自编码器的主要步骤如下:
6.1)构建稀疏自编码器。其中,稀疏自编码器的隐含层层数记为u。每层隐含层的节点个数记为v。稀疏自编码器的稀疏性参数记为α。稀疏自编码器的权重衰减参数记为λ。稀疏自编码器控制稀疏性惩罚因子的权重记为β。
6.2)稀疏自编码器的假设函数记为hW,b(xi)。其中,W为稀疏自编码器的权重。b为稀疏自编码器的偏置。xi为训练样本,即无标签训练样本矩阵A中的第i个元素。i为元素xi在无标签训练样本矩阵A中序号。
6.3)记训练样本xi的隐含层中第j个节点的输出为训练样本xi的隐含层中节点个数等于稀疏自编码器的隐含层节点个数。
6.4)计算训练样本ai的隐含层中所有节点输出值的平均值平均值如下所示:
式中,a为训练样本总数。为训练样本xi的隐含层中第j个节点的输出。
6.5)计算训练样本xi的隐含层中第j个节点的输出为和训练样本ai的隐含层中所有节点输出平均值之间的距离距离如下所示:
式中,为训练样本xi的隐含层中第j个节点的输出。为训练样本ai的隐含层中所有节点输出的平均值。
6.6)确定稀疏自编码器的目标函数J(W,b)。目标函数J(W,b)如下所示:
式中,为重构项。为权重衰减项。为稀疏自编码器控制稀疏性惩罚因子。hW,b(xi)为稀疏自编码器的假设函数。
6.7)利用反向传播算法,计算目标函数J(W,b)的最小权重Wmin和最小偏置bmin。将最小权重Wmin和最小偏置bmin带入到假设函数hW,b(xi)中,得到目标假设函数,从而得到稀疏自编码器的目标函数J(W,b),完成稀疏自编码器的训练。
7)将有标签训练样本矩阵B的非标签数据输入到调整后的稀疏自编码器中,提取有标签训练样本矩阵B中非标签数据的数据特征。
8)利用稀疏自编码器、拟牛顿法和回归算法建立发动机性能指标预测模型。利用白化降维算法和分类算法建立发动机性能分类检测模型。
9)将步骤7得到的非标签数据的数据特征和有标签训练样本矩阵B中的有标签数据传入到发动机性能指标预测模型的回归算法和发动机性能分类检测模型的回归算法中,对所有回归算法的自学习参数进行训练。
发动机性能预测模型和发动机性能分类检测模型的回归算法主要包括SVM回归算法、线性回归算法、非线性回归算法、高斯过程回归算法和/或集成回归算法。
10)将测试样本矩阵C输入到调整自学习参数后的发动机性能指标预测模型和发动机性能分类检测模型中,得到每种回归算法的预测误差率,并根据预测误差率调整发动机性能指标预测模型和发动机性能分类检测模型的可选择参数。所述可选择参数主要包括回归算法的参数和分类算法的参数。
11)实时获取待检测发动机的输入数据。将所述待检测发动机的输入数据输入到发动机性能指标预测模型中,从而输出待检测发动机在不同工况下的转速预测结果。所述工况主要包括启动、高速和怠速。
将所述待检测发动机的输入数据输入到发动机性能分类检测模型中,从而输出发动机转速是否合格的结果。其中,0为不合格,1为合格。
本发明的技术效果是毋庸置疑的。本发明利用大数据分析技术对发动机生产过程中产生的过程检测数据和质量检测数据进行发动机性能预测,可实现发动机性能情况的自动预测,在节省人力成本和发动机损耗成本的同时,保证发动机下线质量性能的可靠性,并且,可以根据得到的预测结果,进一步采取措施提高发动机下线的一致性。
附图说明
图1为大数据分析发动机相关性能模型建立流程图;
具体实施方式
下面结合实施例对本发明作进一步说明,但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下,根据本领域普通技术知识和惯用手段,做出各种替换和变更,均应包括在本发明的保护范围内。
实施例1:
参见图1,一种大数据分析模型预测发动机性能的方法,主要包括以下步骤:
1)确定输入数据,并将输入数据保存在MES(manufacturing execution system)数据库中。
进一步,所述输入数据为发动机的原始过程数据和原始质量数据。
所述原始过程数据由粘贴在发动机上的传感器采集得到。所述原始过程数据主要包括基本数据和拧紧数据。
所述基本数据主要包括连杆瓦检测数据、平面度检测数据、间隙检测数据和压力检测数据。所述拧紧数据主要包括发动机螺栓拧紧扭矩、拧紧转动角度和发动机螺栓拧紧扭矩与拧紧转动角度的比值。
所述原始质量数据主要包括冷试数据和泄漏检测数据。
2)将所述输入数据进行分类,分类后的输入数据按照时间先后进行顺序排列。对排序后的输入数据进行处理,得到初步检测数据。
进一步,对排序后的输入数据进行处理,得到初步检测数据的方法为:每一类输入数据只保留最后一个数据,删除其余数据。
进一步,对输入数据进行分类的主要步骤如下:
2.1)按照发动机型号对输入数据进行第一次分类。其中,具有相同发动机型号的输入数据归为一类。
2.2)对具有相同发电机型号的输入数据进行第二次分类。其中,具有相同发动机编号的输入数据归为一类。
2.3)对具有相同发动机编号的输入数据进行第三次分类。其中,属于相同检测项目类别的输入数据归为一类。
3)对所述初步检测数据进行筛选,得到筛选后的初步检测数据矩阵P'。初步检测数据矩阵P'如下所示:
式中,P'MN为初步检测数据矩阵P'中元素。
进一步,对所述初步处理数据进行筛选的主要步骤如下:
3.1)建立初步检测数据矩阵P,其中矩阵P的列下标为数据类别序号。行下标为发动机编号。所有数据类别序号组成数据类别列表。
3.2)删除矩阵P中缺失元素超过70%的列,并在数据类别列表中删除对应的序号。
3.3)针对矩阵P中缺失元素未超过70%的列,利用均值插值法补齐缺损元素,从而得到筛选后的初步检测数据矩阵P'。
4)随机提取初步检测数据矩阵P'中的a个元素构成无标签训练样本矩阵A。随机提取初步检测数据矩阵P'中的d个元素构成有标签训练样本矩阵B。随机提取初步检测数据矩阵P'中的c个元素构成测试样本矩阵C。
进一步,无标签训练样本矩阵A、有标签训练样本矩阵B和测试样本矩阵C中的元素互不相同。且,无标签训练样本矩阵A、有标签训练样本矩阵B和测试样本矩阵C的元素总数满足下式:
a+d+c≤M*N。 (2)
式中,a为有标签训练样本矩阵A的元素总数。d为有标签训练样本矩阵B的元素总数。c为测试样本矩阵C的元素总数。M为初步检测数据矩阵P'的行数。N为初步检测数据矩阵P'的列数。
5)对无标签训练样本矩阵A依次进行白化预处理和正则化处理,得到降维后的无标签训练样本矩阵A'。
6)将降维后的无标签训练样本矩阵A'输入到稀疏自编码器中,对稀疏自编码器进行训练,从而调整稀疏自编码器参数,得到调整后的稀疏自编码器。
训练稀疏自编码器的主要步骤如下:
6.1)构建稀疏自编码器。其中,稀疏自编码器的隐含层层数记为u。每层隐含层的节点个数记为v。稀疏自编码器的稀疏性参数记为α。稀疏自编码器的权重衰减参数记为λ。稀疏自编码器控制稀疏性惩罚因子的权重记为β。u为不小于1的整数,通常取值为1。v通常取值在输入层节点个数的1-2倍之间。α通常被设为一个很小的接近于0的值(比如α=0.05)。λ为正数。β的取值主要取决于稀疏性参数和隐藏节点的平均活跃度和隐藏节点的个数。
6.2)稀疏自编码器的假设函数记为hW,b(xi)。其中,W为稀疏自编码器的权重。b为稀疏自编码器的偏置。xi为训练样本,即无标签训练样本矩阵A中的第i个元素。i为元素xi在无标签训练样本矩阵A中序号。
6.3)记训练样本xi的隐含层中第j个节点的输出为训练样本xi的隐含层中节点个数等于稀疏自编码器的隐含层节点个数。
6.4)计算训练样本ai的隐含层中所有节点输出值的平均值平均值如下所示:
式中,a为训练样本总数。为训练样本xi的隐含层中第j个节点的输出。
6.5)计算训练样本xi的隐含层中第j个节点的输出为和训练样本ai的隐含层中所有节点输出平均值之间的距离距离如下所示:
式中,为训练样本xi的隐含层中第j个节点的输出。为训练样本ai的隐含层中所有节点输出的平均值。
6.6)确定稀疏自编码器的目标函数J(W,b)。目标函数J(W,b)如下所示:
式中,为重构项。为权重衰减项。为稀疏自编码器控制稀疏性惩罚因子。hW,b(xi)为稀疏自编码器的假设函数。
6.7)利用反向传播算法,计算目标函数J(W,b)的最小权重Wmin和最小偏置bmin。将最小权重Wmin和最小偏置bmin带入到假设函数hW,b(xi)中,得到目标假设函数,从而得到稀疏自编码器的目标函数J(W,b),完成稀疏自编码器的训练。
7)将有标签训练样本矩阵B的非标签数据输入到调整后的稀疏自编码器中,提取有标签训练样本矩阵B中非标签数据的数据特征。
8)利用稀疏自编码器、拟牛顿法和回归算法建立发动机性能指标预测模型。利用白化降维算法和分类算法建立发动机性能分类检测模型。
9)将步骤7得到的非标签数据的数据特征和有标签训练样本矩阵B中的有标签数据传入到发动机性能指标预测模型的回归算法和发动机性能分类检测模型的回归算法中,对所有回归算法的自学习参数进行训练。
发动机性能预测模型和发动机性能分类检测模型的回归算法主要包括SVM(Support Vector Machine)回归算法、线性回归算法、非线性回归算法、高斯过程回归算法和/或集成回归算法。
10)将测试样本矩阵C输入到调整自学习参数后的发动机性能指标预测模型和发动机性能分类检测模型中,得到每种回归算法的预测误差率,并根据预测误差率调整发动机性能指标预测模型和发动机性能分类检测模型的可选择参数。所述可选择参数主要包括回归算法的参数和分类算法的参数。
11)实时获取待检测发动机的输入数据。将所述待检测发动机的输入数据输入到发动机性能指标预测模型中,从而输出待检测发动机在不同工况下的转速预测结果。所述工况主要包括启动、高速和怠速。
将所述待检测发动机的输入数据输入到发动机性能分类检测模型中,从而输出发动机转速是否合格的结果。其中,0为不合格,1为合格。
实施例2:
一种大数据分析模型预测发动机性能方法的实验,主要包括以下步骤:
1)确定输入数据,并将输入数据保存在MES数据库中。
输入数据为发动机的过程数据和质量数据,根据传感器取得的发动机数据,原始过程数据包括基本数据和拧紧数据,原始质量数据包括冷试数据和泄漏检测数据,从MES数据库中提取同一型号发动机38个工位的796个检测项的23万条过程数据(s1,s2,s3...),以及质量数据的588个冷试检测项数据和20个泄漏检测项,共18万条数据(s797,s798,s799...)。
2)将所述输入数据进行分类,分类后的输入数据按照时间先后进行顺序排列。对排序后的输入数据进行处理,得到初步检测数据。
3)对所述初步检测数据进行筛选,如表1所示,得到筛选后的初步检测数据矩阵P'。初步检测数据矩阵P'如下所示:
式中,P'MN为初步检测数据矩阵P'中元素。
表1 初步检测数据筛选结果
4)列出最终的检测项列表,将发动机数据按照发动机编号、检测工位、检测大项、检测项、检测时间的优先级顺序从MES数据库中导出.
表2 MES数据库导出数据标准格式
5)随机提取初步检测数据矩阵P'中的a个元素构成无标签训练样本矩阵A。随机提取初步检测数据矩阵P'中的d个元素构成有标签训练样本矩阵B。随机提取初步检测数据矩阵P'中的c个元素构成测试样本矩阵C。
6)对无标签训练样本矩阵A依次进行白化预处理和正则化处理,得到降维后的无标签训练样本矩阵A'。
7)将降维后的无标签训练样本矩阵A'输入到稀疏自编码器中,对稀疏自编码器进行训练,从而调整稀疏自编码器参数,得到调整后的稀疏自编码器。
8)将有标签训练样本矩阵B的非标签数据输入到调整后的稀疏自编码器中,提取有标签训练样本矩阵B中非标签数据的数据特征。
9)利用稀疏自编码器、拟牛顿法和回归算法建立发动机性能指标预测模型。利用白化降维算法和分类算法建立发动机性能分类检测模型。
10)将步骤7得到的非标签数据的数据特征和有标签训练样本矩阵B中的有标签数据传入到发动机性能指标预测模型的回归算法和发动机性能分类检测模型的回归算法中,对所有回归算法的自学习参数进行训练。
11)将测试样本矩阵C输入到调整自学习参数后的发动机性能指标预测模型和发动机性能分类检测模型中,得到每种回归算法的预测误差率,并根据预测误差率调整发动机性能指标预测模型和发动机性能分类检测模型的可选择参数。
12)实时获取待检测发动机的输入数据。将所述待检测发动机的输入数据输入到发动机性能指标预测模型中,从而输出待检测发动机在不同工况下的转速预测结果。所述工况主要包括启动、高速和怠速。
将所述待检测发动机的输入数据输入到发动机性能分类检测模型中,从而输出发动机转速是否合格的结果。其中,0为不合格,1为合格。
Claims (9)
1.一种大数据分析模型预测发动机性能的方法,其特征在于,主要包括以下步骤:
1)确定所述输入数据,并将输入数据保存在MES数据库中。
2)将所述输入数据进行分类,分类后的输入数据按照时间先后进行顺序排列;对排序后的输入数据进行处理,得到初步检测数据;
3)对所述初步检测数据进行筛选,得到筛选后的初步检测数据矩阵P';初步检测数据矩阵P'如下所示:
式中,P'MN为初步检测数据矩阵P'中元素;
4)随机提取初步检测数据矩阵P'中的a个元素构成无标签训练样本矩阵A;随机提取初步检测数据矩阵P'中的d个元素构成有标签训练样本矩阵B;随机提取初步检测数据矩阵P'中的c个元素构成测试样本矩阵C;
5)对无标签训练样本矩阵A依次进行白化预处理和正则化处理,得到降维后的无标签训练样本矩阵A';
6)将降维后的无标签训练样本矩阵A'输入到稀疏自编码器中,对稀疏自编码器进行训练,从而调整稀疏自编码器参数,得到调整后的稀疏自编码器;
7)将有标签训练样本矩阵B的非标签数据输入到调整后的稀疏自编码器中,提取有标签训练样本矩阵B中非标签数据的数据特征;
8)利用稀疏自编码器、拟牛顿法和回归算法建立发动机性能指标预测模型;利用白化降维算法和分类算法建立发动机性能分类检测模型;
9)将步骤7得到的非标签数据的数据特征和有标签训练样本矩阵B中的有标签数据输入到发动机性能指标预测模型的回归算法和发动机性能分类检测模型的回归算法中,对所有回归算法的自学习参数进行训练;
10)将测试样本矩阵C输入到调整自学习参数后的发动机性能指标预测模型和发动机性能分类检测模型中,得到每种回归算法的预测误差率,并根据预测误差率调整发动机性能指标预测模型和发动机性能分类检测模型的可选择参数;所述可选择参数主要包括回归算法的参数和分类算法的参数;
11)实时获取待检测发动机的输入数据;将所述待检测发动机的输入数据输入到发动机性能指标预测模型中,从而输出待检测发动机在不同工况下的转速预测结果;所述工况主要包括启动、高速和怠速;
将所述待检测发动机的输入数据输入到发动机性能分类检测模型中,从而输出发动机转速是否合格的结果;其中,0为不合格,1为合格。
2.根据权利要求1所述的一种大数据分析模型预测发动机性能的方法,其特征在于:所述输入数据为发动机的原始过程数据和原始质量数据;
所述原始过程数据由贴置在发动机上的传感器采集得到;所述原始过程数据主要包括基本数据和拧紧数据;所述原始质量数据主要包括冷试数据和泄漏检测数据。
3.根据权利要求1或2所述的一种大数据分析模型预测发动机性能的方法,其特征在于:所述基本数据主要包括连杆瓦检测数据、平面度检测数据、间隙检测数据和压力检测数据;所述拧紧数据主要包括发动机螺栓拧紧扭矩、拧紧转动角度和发动机螺栓拧紧扭矩与拧紧转动角度的比值。
4.根据权利要求1或2所述的一种大数据分析模型预测发动机性能的方法,其特征在于:无标签训练样本矩阵A、有标签训练样本矩阵B和测试样本矩阵C中的元素互不相同;且,无标签训练样本矩阵A、有标签训练样本矩阵B和测试样本矩阵C的元素总数满足下式:
a+d+c≤M*N; (2)
式中,a为有标签训练样本矩阵A的元素总数;d为有标签训练样本矩阵B的元素总数;c为测试样本矩阵C的元素总数;M为初步检测数据矩阵P'的行数;N为初步检测数据矩阵P'的列数。
5.根据权利要求1所述的一种大数据分析模型预测发动机性能的方法,其特征在于,对输入数据进行分类的主要步骤如下:
1)按照发动机型号对输入数据进行第一次分类;其中,具有相同发动机型号的输入数据归为一类;
2)对具有相同发电机型号的输入数据进行第二次分类;其中,具有相同发动机编号的输入数据归为一类;
3)对具有相同发动机编号的输入数据进行第三次分类;其中,属于相同检测项目类别的输入数据归为一类。
6.根据权利要求1或2所述的一种大数据分析模型预测发动机性能的方法,其特征在于:对排序后的输入数据进行处理,得到初步检测数据的方法为:每一类输入数据只保留最后一个数据,删除其余数据。
7.根据权利要求1所述的一种大数据分析模型预测发动机性能的方法,其特征在于,对所述初步处理数据进行筛选的主要步骤如下:
1)建立初步检测数据矩阵P,其中矩阵P的列下标为数据类别序号;行下标为发动机编号;所有数据类别序号组成数据类别列表;
2)删除矩阵P中缺失元素超过70%的列,并在数据类别列表中删除对应的序号;
3)针对矩阵P中缺失元素未超过70%的列,利用均值插值法补齐缺损元素,从而得到筛选后的初步检测数据矩阵P'。
8.根据权利要求1所述的一种大数据分析模型预测发动机性能的方法,其特征在于:发动机性能预测模型和发动机性能分类检测模型的回归算法主要包括SVM回归算法、线性回归算法、非线性回归算法、高斯过程回归算法和/或集成回归算法。
9.根据权利要求1所述的一种大数据分析模型预测发动机性能的方法,其特征在于,训练稀疏自编码器的主要步骤如下:
1)构建稀疏自编码器;其中,稀疏自编码器的隐含层层数记为u;每层隐含层的节点个数记为v;稀疏自编码器的稀疏性参数记为α;稀疏自编码器的权重衰减参数记为λ;稀疏自编码器控制稀疏性惩罚因子的权重记为β;
2)稀疏自编码器的假设函数记为hW,b(xi);其中,W为稀疏自编码器的权重;b为稀疏自编码器的偏置;xi为训练样本,即无标签训练样本矩阵A中的第i个元素;i为元素xi在无标签训练样本矩阵A 中序号;
3)记训练样本xi的隐含层中第j个节点的输出为训练样本xi的隐含层中节点个数等于稀疏自编码器的隐含层节点个数;
4)计算训练样本ai的隐含层中所有节点输出值的平均值平均值如下所示:
式中,a为训练样本总数;为训练样本xi的隐含层中第j个节点的输出;
5)计算训练样本xi的隐含层中第j个节点的输出为和训练样本ai的隐含层中所有节点输出平均值之间的距离距离如下所示:
式中,为训练样本xi的隐含层中第j个节点的输出;为训练样本ai的隐含层中所有节点输出的平均值;
6)确定稀疏自编码器的目标函数J(W,b);目标函数J(W,b)如下所示:
式中,为重构项;为权重衰减项;为稀疏自编码器控制稀疏性惩罚因子;hW,b(xi)为稀疏自编码器的假设函数;
7)利用反向传播算法,计算目标函数J(W,b)的最小权重Wmin和最小偏置bmin;将最小权重Wmin和最小偏置bmin带入到假设函数hW,b(xi)中,得到目标假设函数,从而得到稀疏自编码器的目标函数J(W,b),完成稀疏自编码器的训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811476008.XA CN109726230B (zh) | 2018-12-04 | 2018-12-04 | 一种大数据分析模型预测发动机性能的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811476008.XA CN109726230B (zh) | 2018-12-04 | 2018-12-04 | 一种大数据分析模型预测发动机性能的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109726230A true CN109726230A (zh) | 2019-05-07 |
CN109726230B CN109726230B (zh) | 2021-06-01 |
Family
ID=66295619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811476008.XA Active CN109726230B (zh) | 2018-12-04 | 2018-12-04 | 一种大数据分析模型预测发动机性能的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109726230B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110689961A (zh) * | 2019-09-03 | 2020-01-14 | 重庆大学 | 一种基于大数据分析技术的胃癌疾病风险检测装置 |
CN111259554A (zh) * | 2020-01-20 | 2020-06-09 | 山东大学 | 一种基于大数据分析的推土机变矩变速装置装配工艺检测分析系统及方法 |
CN111932645A (zh) * | 2020-06-12 | 2020-11-13 | 重庆大学 | 基于生成对抗网络gan自动生成水墨画的方法 |
CN112580903A (zh) * | 2019-09-27 | 2021-03-30 | 华晨宝马汽车有限公司 | 用于评估发动机质量稳定性的方法和装置及存储介质 |
CN112945545A (zh) * | 2021-03-31 | 2021-06-11 | 四川大学 | 翻板阀磁力闭合性实验方法 |
CN112964988A (zh) * | 2021-03-24 | 2021-06-15 | 河南中烟工业有限责任公司 | 电机工况的切分方法及系统 |
CN114076680A (zh) * | 2020-08-17 | 2022-02-22 | 北京福田康明斯发动机有限公司 | 发动机装配检测方法、系统、存储介质以及电子设备 |
WO2023051275A1 (zh) * | 2021-09-29 | 2023-04-06 | 山东大学 | 基于svm的柴油机装配冷试检测方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101038239A (zh) * | 2007-02-02 | 2007-09-19 | 浙江大学 | 一种基于纯振动信号的发动机状态检测装置及方法 |
US20120197852A1 (en) * | 2011-01-28 | 2012-08-02 | Cisco Technology, Inc. | Aggregating Sensor Data |
CN102928720A (zh) * | 2012-11-07 | 2013-02-13 | 广东电网公司 | 油浸式主变压器的缺陷率检测方法 |
CN106408687A (zh) * | 2016-11-24 | 2017-02-15 | 沈阳航空航天大学 | 一种基于机器学习方法的汽车发动机故障预警方法 |
CN107153869A (zh) * | 2017-03-29 | 2017-09-12 | 南昌大学 | 一种基于布谷鸟搜索优化神经网络的变压器故障诊断方法 |
CN107463938A (zh) * | 2017-06-26 | 2017-12-12 | 南京航空航天大学 | 一种基于间隔校正支持向量机的航空发动机气路部件故障检测方法 |
CN108509973A (zh) * | 2018-01-19 | 2018-09-07 | 南京航空航天大学 | 基于Cholesky分解的最小二乘支持向量机学习算法及其应用 |
CN108829955A (zh) * | 2018-06-01 | 2018-11-16 | 南京航空航天大学 | 一种航空发动机适航安全性验证方法 |
US10579928B2 (en) * | 2012-09-17 | 2020-03-03 | Siemens Aktiengesellschaft | Log-based predictive maintenance using multiple-instance learning |
-
2018
- 2018-12-04 CN CN201811476008.XA patent/CN109726230B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101038239A (zh) * | 2007-02-02 | 2007-09-19 | 浙江大学 | 一种基于纯振动信号的发动机状态检测装置及方法 |
US20120197852A1 (en) * | 2011-01-28 | 2012-08-02 | Cisco Technology, Inc. | Aggregating Sensor Data |
US10579928B2 (en) * | 2012-09-17 | 2020-03-03 | Siemens Aktiengesellschaft | Log-based predictive maintenance using multiple-instance learning |
CN102928720A (zh) * | 2012-11-07 | 2013-02-13 | 广东电网公司 | 油浸式主变压器的缺陷率检测方法 |
CN106408687A (zh) * | 2016-11-24 | 2017-02-15 | 沈阳航空航天大学 | 一种基于机器学习方法的汽车发动机故障预警方法 |
CN107153869A (zh) * | 2017-03-29 | 2017-09-12 | 南昌大学 | 一种基于布谷鸟搜索优化神经网络的变压器故障诊断方法 |
CN107463938A (zh) * | 2017-06-26 | 2017-12-12 | 南京航空航天大学 | 一种基于间隔校正支持向量机的航空发动机气路部件故障检测方法 |
CN108509973A (zh) * | 2018-01-19 | 2018-09-07 | 南京航空航天大学 | 基于Cholesky分解的最小二乘支持向量机学习算法及其应用 |
CN108829955A (zh) * | 2018-06-01 | 2018-11-16 | 南京航空航天大学 | 一种航空发动机适航安全性验证方法 |
Non-Patent Citations (1)
Title |
---|
李爱: "航空发动机磨损故障智能诊断若干关键技术研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110689961A (zh) * | 2019-09-03 | 2020-01-14 | 重庆大学 | 一种基于大数据分析技术的胃癌疾病风险检测装置 |
CN110689961B (zh) * | 2019-09-03 | 2022-12-09 | 重庆大学 | 一种基于大数据分析技术的胃癌疾病风险检测装置 |
CN112580903A (zh) * | 2019-09-27 | 2021-03-30 | 华晨宝马汽车有限公司 | 用于评估发动机质量稳定性的方法和装置及存储介质 |
CN111259554A (zh) * | 2020-01-20 | 2020-06-09 | 山东大学 | 一种基于大数据分析的推土机变矩变速装置装配工艺检测分析系统及方法 |
CN111932645A (zh) * | 2020-06-12 | 2020-11-13 | 重庆大学 | 基于生成对抗网络gan自动生成水墨画的方法 |
CN111932645B (zh) * | 2020-06-12 | 2022-08-26 | 重庆大学 | 基于生成对抗网络gan自动生成水墨画的方法 |
CN114076680A (zh) * | 2020-08-17 | 2022-02-22 | 北京福田康明斯发动机有限公司 | 发动机装配检测方法、系统、存储介质以及电子设备 |
CN112964988A (zh) * | 2021-03-24 | 2021-06-15 | 河南中烟工业有限责任公司 | 电机工况的切分方法及系统 |
CN112945545A (zh) * | 2021-03-31 | 2021-06-11 | 四川大学 | 翻板阀磁力闭合性实验方法 |
CN112945545B (zh) * | 2021-03-31 | 2023-12-29 | 四川大学 | 翻板阀磁力闭合性实验方法 |
WO2023051275A1 (zh) * | 2021-09-29 | 2023-04-06 | 山东大学 | 基于svm的柴油机装配冷试检测方法及系统 |
GB2622708A (en) * | 2021-09-29 | 2024-03-27 | Univ Shandong | SVM-based cold flow test detection method and system during diesel engine assembly |
Also Published As
Publication number | Publication date |
---|---|
CN109726230B (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109726230A (zh) | 一种大数据分析模型预测发动机性能的方法 | |
CN111337768B (zh) | 变压器油中溶解气体的深度并行故障诊断方法及系统 | |
CN110361176B (zh) | 一种基于多任务特征共享神经网络的智能故障诊断方法 | |
CN111237134B (zh) | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 | |
CN109446187A (zh) | 基于注意力机制与神经网络的复杂装备健康状态监测方法 | |
CN111709292B (zh) | 基于递归图和深度卷积网络的压气机振动故障检测法 | |
CN109272500B (zh) | 基于自适应卷积神经网络的织物分类方法 | |
CN111539553B (zh) | 基于svr算法和偏峰度的风电机组发电机故障预警方法 | |
CN111444940A (zh) | 风机关键部位故障诊断方法 | |
CN106017876A (zh) | 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法 | |
CN108363382A (zh) | 一种复杂装备故障诊断方法及系统 | |
CN117290800B (zh) | 一种基于超图注意力网络的时序异常检测方法及系统 | |
CN108961468B (zh) | 一种基于集成学习的船舶动力系统故障诊断方法 | |
CN110609229B (zh) | 一种基于深度学习的风力发电机叶片不平衡故障检测方法 | |
CN112257530A (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
CN112132102B (zh) | 一种深度神经网络结合人工蜂群优化的智能故障诊断方法 | |
CN114548190B (zh) | 一种基于自适应残差神经网络的风力涡轮机故障诊断方法及装置 | |
CN111860775A (zh) | 基于cnn和rnn融合的船舶故障实时诊断方法 | |
CN115828466A (zh) | 一种基于宽核卷积的风机主轴部件故障预测方法 | |
CN111428788B (zh) | 基于深度学习的汽轮机发电机组转子多故障诊断方法及系统 | |
CN114781744A (zh) | 基于编码解码器的深度学习多步长辐照度预测方法 | |
CN115130731A (zh) | 一种风力发电机故障检测方法、设备及介质 | |
CN109615109A (zh) | 基于小样本数据的深度学习风电告警信息分析方法 | |
CN112729825A (zh) | 基于卷积循环神经网络的轴承故障诊断模型的构建方法 | |
CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |