CN110210459A - 一种发动机气门间隙的预测方法及预测装置 - Google Patents

一种发动机气门间隙的预测方法及预测装置 Download PDF

Info

Publication number
CN110210459A
CN110210459A CN201910547006.3A CN201910547006A CN110210459A CN 110210459 A CN110210459 A CN 110210459A CN 201910547006 A CN201910547006 A CN 201910547006A CN 110210459 A CN110210459 A CN 110210459A
Authority
CN
China
Prior art keywords
engine
parameter
valve clearance
value
training sample
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
Application number
CN201910547006.3A
Other languages
English (en)
Inventor
刘英来
常文兵
周晟瀚
肖依永
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN201910547006.3A priority Critical patent/CN110210459A/zh
Publication of CN110210459A publication Critical patent/CN110210459A/zh
Pending legal-status Critical Current

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
    • G01M15/04—Testing internal-combustion engines
    • G01M15/05—Testing internal-combustion engines by combined monitoring of two or more different engine parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Combustion & Propulsion (AREA)
  • Testing Of Engines (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

本申请提供了一种发动机气门间隙的预测方法及预测装置，获取发动机运行过程中的热工参数和振动信号，以及获取所述热工参数和所述振动信号时所述发动机的运行时间；基于对所述热工参数和所述振动信号进行预处理的处理结果，确定所述发动机的初始特征向量；对所述初始特征向量中的元素进行筛选，并将所述运行时间添加至筛选后的元素集中，以确定与所述初始特征向量对应的约简特征向量；将所述约简特征向量输入到预先训练好的气门间隙预测模型中，获得所述发动机气门间隙的预测值，及时的发现气门是否存在故障，提高发动机的可靠性、安全性以及使用寿命。

Description

一种发动机气门间隙的预测方法及预测装置
技术领域
本申请涉及发动机故障检测技术领域，尤其是涉及一种发动机气门间隙的预测方法及预测装置。
背景技术
发动机是一种重要的往复式动力机械，被广泛的应用于农业、军事、建筑、交通运输等领域，在经济迅速发展的今天，发动机在日常生活中起着必不可少的作用。若在运行过程中发动机出现故障，可能会导致整条生产线停产，造成巨大的经济损失甚至危及人身安全。
发动机气门间隙故障是发动机中最为常见的故障之一，如果发动机气门间隙过小，在运转过程中会因气门受热膨胀而使气门关闭不严引起漏气，造成排气门工作面烧毁，功率下降。若果发动机气门间隙过大，则传动件之间以及气门和气门座之间产生撞击，加速磨损，同时造成气门晚开早闭，开启延续时间短，从而造成进气不足和排气不净，发动机过热，车辆性能下降。然而对于发动机气门中存在的问题，大多是在出现问题后才会对发动机气门进行检查和维修，并且检查过程十分繁琐，无疑会影响发动机甚至是相关车辆等工具的使用，耗时耗力，成本消耗较大。
发明内容
有鉴于此，本申请的目的在于提供一种发动机气门间隙的预测方法及预测装置，通过发动机运行过程中的参数对发动机的气门间隙值进行预测，能够及时的发现气门是否存在故障，有利于提高发动机的可靠性、安全性和使用寿命，降低气门检查的时间和人力等的成本消耗。
本申请实施例提供了一种发动机气门间隙的预测方法，所述预测方法包括：
获取发动机运行过程中的热工参数和振动信号，以及获取所述热工参数和所述振动信号时所述发动机的运行时间；
基于对所述热工参数和所述振动信号进行预处理的处理结果，确定所述发动机的初始特征向量；
对所述初始特征向量中的元素进行筛选，并将所述运行时间添加至筛选后的元素集中，以确定与所述初始特征向量对应的约简特征向量；
将所述约简特征向量输入到预先训练好的气门间隙预测模型中，获得所述发动机气门间隙的预测值。
进一步的，将所述约简特征向量输入到预先训练好的气门间隙预测模型中，获得所述发动机的气门间隙的预测值之后，所述预测方法还包括：
基于所述预测值，确定所述发动机的气门的运行状态，其中所述运行状态包括故障状态和安全状态。
进一步的，基于对所述热工参数和所述振动信号进行预处理的处理结果，确定所述发动机的初始特征向量，包括：
对所述热工参数中的转速参数和滑油温度参数进行线性归一化处理，以确定所述转速参数的归一化值和所述滑油温度参数的归一化值；
提取所述振动信号的特征向量；
基于所述转速参数的归一化值、所述滑油温度参数的归一化值和所述振动信号的特征向量，构成发动机的初始特征向量。
进一步的，对所述热工参数中的转速参数和滑油温度参数进行线性归一化处理，以确定所述转速参数的归一化值和所述滑油温度参数的归一化值，包括：
通过以下公式计算所述转速参数的归一化值和所述滑油温度参数的归一化值：
其中，当y为在所述发动机的运行时间t时获取的所述转速参数的归一化值时，x为在所述运行时间t时获取到的所述转速参数的值，xmax为所述发动机的转速参数的最大值，xmin为所述发动机的转速参数的最小值；
当y为在所述发动机的运行时间t时获取的所述滑油温度参数的归一化值时，x为在所述运行时间t时获取到的所述滑油温度参数的值，xmax为所述发动机的滑油温度参数的最大值，xmin为所述发动机的滑油温度参数的最小值。
进一步的，对所述初始特征向量中的元素进行筛选，并将所述运行时间添加至筛选后的元素集中，以确定与所述初始特征向量对应的约简特征向量，包括：
利用粗糙集约简方法对所述初始特征向量中的元素进行约简处理，以筛选出所述初始特征向量中元素值大于预设保留值的元素；
基于在筛选出的元素中添加所述运行时间后所组成的元素集，确定与所述初始特征向量对应的约简特征向量。
进一步的，所述预测方法通过以下方式训练所述气门间隙预测模型：
获取发动机的多个运行参数训练样本，其中，每个运行参数训练样本包括发动机在历史运行过程中的训练样本运行时间以及在对应的训练样本运行时间内的训练样本热工参数、训练样本振动信号和所述发动机的训练样本实际气门间隙值；
基于对所述训练样本热工参数、所述训练样本振动信号进行预处理的处理结果，确定所述发动机的训练样本初始特征向量；
对所述训练样本初始特征向量中的元素进行筛选，并将所述训练样本运行时间添加至筛选后的训练样本元素集，以确定与所述训练样本初始特征向量对应的训练样本约简特征向量；
以所述训练样本约简特征向量作为模型输入特征和所述训练样本实际气门间隙值作为模型输出特征，训练构建好的多元线性回归模型，以获得所述气门间隙预测模型。
进一步的，将所述样本约简特征向量输入构建好的多元线性回归模型中进行训练，获得所述气门间隙预测模型后，所述预测方法还包括：
基于获取到的多个运行参数测试样本和所述气门间隙预测模型，确定每个运行参数测试样本对应的测试样本气门间隙预测值；
基于确定的多个测试样本气门间隙预测值，确定所述气门间隙预测模型的平均绝对误差；
基于所述平均绝对误差和每个运行参数测试样本对应的实际气门间隙值，确定所述气门间隙预测模型的平均相对误差；
若所述平均相对误差低于预设精度阈值，确定所述气门间隙预测模型训练完毕。
进一步的，所述预测方法通过以下公式计算所述测试样本的气门间隙预测值的平均绝对误差：
其中，MAD为所述测试样本的气门间隙预测值的平均绝对误差，n为所述测试样本的个数，为xi为每个测试样本的气门间隙预测值，m(x)为测试样本的气门间隙预测值的平均值。
进一步的，所述的预测方法通过以下公式计算所述气门间隙预测模型的平均相对误差，对所述气门间隙预测模型进行评价：
其中，σ为所述气门间隙预测模型的平均相对误差，MAD为所述测试样本的气门间隙预测值的平均绝对误差，v为所述测试样本的气门间隙的真实值。
本申请实施例还提供了一种发动机气门间隙的预测装置，所述预测装置包括：
第一获取模块，用于获取发动机运行过程中的热工参数和振动信号，以及获取所述热工参数和所述振动信号时所述发动机的运行时间；
第一确定模块，用于基于对所述第一获取模块获取的所述热工参数和所述振动信号进行预处理的处理结果，确定所述发动机的初始特征向量；
第二确定模块，用于对所述第一确定模块确定的所述初始特征向量中的元素进行筛选，并将所述运行时间添加至筛选后的元素集中，以确定与所述初始特征向量对应的约简特征向量；
预测模块，用于将所述第二确定模块确定的所述约简特征向量输入到预先训练好的气门间隙预测模型中，获得所述发动机气门间隙的预测值。
进一步的，所述预测装置还包括：
第三确定模块，用于基于所述预测模块获得的所述预测值，确定所述发动机的气门的运行状态，其中所述运行状态包括故障状态和安全状态。
进一步的，所述第一确定模块包括：
处理单元，用于对所述第一获取模块获取的所述热工参数中的转速参数和滑油温度参数进行线性归一化处理，以确定所述转速参数的归一化值和所述滑油温度参数的归一化值；
提取单元，用于提取所述第一获取模块获取的所述振动信号的特征向量；
构成单元，用于基于所述处理单元确定的所述转速参数的归一化值、所述处理单元确定的所述滑油温度参数的归一化值和所述振动信号的特征向量，构成发动机的初始特征向量。
进一步的，所述处理单元用于：
通过以下公式计算所述第一获取模块获取的所述转速参数的归一化值和所述滑油温度参数的归一化值：
其中，当y为在所述发动机的运行时间t时获取的所述转速参数的归一化值时，x为在所述运行时间t时获取到的所述转速参数的值，xmax为所述发动机的转速参数的最大值，xmin为所述发动机的转速参数的最小值；
当y为在所述发动机的运行时间t时获取的所述滑油温度参数的归一化值时，x为在所述运行时间t时获取到的所述滑油温度参数的值，xmax为所述发动机的滑油温度参数的最大值，xmin为所述发动机的滑油温度参数的最小值。
进一步的，所述第二确定模块包括：
筛选单元，用于利用粗糙集约简方法对所述第一确定模块确定的所述初始特征向量中的元素进行约简处理，以筛选出所述初始特征向量中元素值大于预设保留值的元素；
确定单元，用于基于在所述筛选单元筛选出的元素中添加所述第一获取模块获取的所述运行时间后所组成的元素集，确定与所述初始特征向量对应的约简特征向量。
进一步的，所述预测装置还包括训练模块，所述训练模块用于通过以下方式训练所述气门间隙预测模型：
获取发动机的多个运行参数训练样本，其中，每个运行参数训练样本包括发动机在历史运行过程中的训练样本运行时间以及在对应的训练样本运行时间内的训练样本热工参数、训练样本振动信号和所述发动机的训练样本实际气门间隙值；
基于对所述训练样本热工参数和所述训练样本振动信号进行预处理的处理结果，确定所述发动机的训练样本初始特征向量；
对所述训练样本初始特征向量中的元素进行筛选，并将所述训练样本运行时间添加至筛选后的训练样本元素集，以确定与所述训练样本初始特征向量对应的训练样本约简特征向量；
以所述训练样本约简特征向量作为模型输入特征和所述训练样本实际气门间隙值作为模型输出特征，训练构建好的多元线性回归模型，以获得所述气门间隙预测模型。
进一步的，所述训练模块还用于：
基于获取到的多个运行参数测试样本和所述气门间隙预测模型，确定每个运行参数测试样本对应的测试样本气门间隙预测值；
基于确定的多个测试样本气门间隙预测值，确定所述气门间隙预测模型的平均绝对误差；
基于所述平均绝对误差和每个运行参数测试样本对应的实际气门间隙值，确定所述气门间隙预测模型的平均相对误差；
若所述平均相对误差低于预设精度阈值，确定所述气门间隙预测模型训练完毕。
进一步的，所述训练模块通过以下公式计算所述测试样本的气门间隙预测值的平均绝对误差：
其中，MAD为所述测试样本的气门间隙预测值的平均绝对误差，n为所述测试样本的个数，xi为每个测试样本的气门间隙预测值，m(x)为测试样本的气门间隙预测值的平均值。
进一步的，所述训练模块通过以下公式计算所述气门间隙预测模型的平均相对误差，对所述气门间隙预测模型进行评价：
其中，σ为所述气门间隙预测模型的平均相对误差，MAD为所述测试样本的气门间隙预测值的平均绝对误差，v为所述测试样本的气门间隙的真实值。
本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的发动机气门间隙的预测方法的步骤。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的发动机气门间隙的预测方法的步骤。
本申请实施例提供的发动机气门间隙的预测方法及预测装置，获取发动机运行过程中的热工参数和振动信号，以及获取所述热工参数和所述振动信号时所述发动机的运行时间；基于对所述热工参数和所述振动信号进行预处理的处理结果，确定所述发动机的初始特征向量；对所述初始特征向量中的元素进行筛选，并将所述运行时间添加至筛选后的元素集中，以确定与所述初始特征向量对应的约简特征向量；将所述约简特征向量输入到预先训练好的气门间隙预测模型中，获得所述发动机的气门间隙的预测值。
这样，本申请通过获取到的发动机运行过程中的热工参数、振动信号以及发动机的运行时间，并通过训练好的气门间隙预测模型，获得所述发动机气门间隙预测值，及时的发现气门是否存在故障，提高发动机的可靠性、安全性以及使用寿命。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为一种可能的应用场景下的系统架构图；
图2为本申请实施例所提供的一种发动机气门间隙的预测方法的流程图；
图3为本申请实施例所提供的另一种发动机气门间隙的预测方法的流程图；
图4为本申请实施例所提供的一种发动机气门间隙的预测装置的结构示意图之一；
图5为本申请实施例所提供的一种发动机气门间隙的预测装置的结构示意图之二；
图6为图4中所示的第一确定模块的结构示意图；
图7为图4中所示的第二确定模块的结构示意图；
图8为本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本申请保护的范围。
首先，对本申请可适用的应用场景进行介绍。本申请可应用于发动机故障检测技术领域，通过获取到的发动机运行过程中的热工参数、振动信号以及获取所述热工参数和所述振动信号时所述发动机的运行时间，并对所述热工参数和所述振动信号进行预处理，组成初始特征向量，而后对所述初始特征向量进行筛选，将获取到的所述运行时间添加至筛选后的元素集中，确定与所述初始特征向量对应的约简特征向量，并将所述约简特征向量输入到所述气门间隙预测模型，对运行过程当中的气门间隙值进行预测。请参阅图1，图1为一种在该应用场景下的系统构图。如图1中所示，所述系统包括发动机以及对发动机气门间隙进行预测的预测装置，预测装置可以获取发动机运行过程中的热工参数和振动信号以及获取所述热工参数和所述振动信号时的发动机的运行时间，并根据获取到的所述参数热工参数、所述振动信号以及所述运行时间，预测出发动机气门的间隙预测值，从而能够及时的发现发动机气门存在的问题，提高发动机的可靠性、安全性以及使用寿命。其中，预测装置可以是内嵌到发动机的中控装置中，也可以是与发动机的中控装置分别设置，并且与发动机的中控装置连接。
经研究发现，发动机气门间隙故障是发动机中最为常见的故障之一，然而对于发动机气门中所存在的问题，大多是在出现问题后才会对发动机气门进行检查和维修不能够实时的监测发动机气门的变化，并且检查过程十分繁琐，无疑会影响发动机甚至是相关车辆等工具的使用，耗时耗力，成本消耗较大。
基于此，本申请实施例提供的一种发动机气门间隙的预测方法，通过对发动机的气门间隙值进行预测，及时的发现气门是否存在故障，提高发动机的可靠性、安全性以及使用寿命。
请参阅图2，图2为本申请实施例所提供的一种发动机气门间隙的预测方法的流程图。如图2中所示，本申请实施例提供的一种发动机气门间隙的预测方法，包括：
步骤201、获取发动机运行过程中的热工参数和振动信号，以及获取所述热工参数和所述振动信号时所述发动机的运行时间。
该步骤中，通过温度传感器、转速表以及振动加速度传感器等获取装置，获取发动机运行过程中的热工参数和振动信号，并且获取所述热工参数和所述振动信号时所述发动机的运行时间。
其中，所述热工参数包括转速参数以及滑油温度参数；所述振动信号为发动机缸盖振动的特性和特点。
步骤202、基于对所述热工参数和所述振动信号进行预处理的处理结果，确定所述发动机的初始特征向量。
该步骤中，获取了发动机运行过程中的热工参数和振动信号后，对获取到的所述热工参数和所述振动信号进行预处理，并将处理的结果，进行组合形成所述发动机的初始特征向量。
其中，所述预处理操作包括对所述热工参数进行归一化处理，经过归一化处理后的所述热工参数能够用于后续的模型计算之中；所述预处理操作还包括对所述振动信号进行特征提取，进行特征提取后的所述振动信号中能够包含更多有效的特征元素，有利于更准确的对气门间隙值进行预测。
步骤203、对所述初始特征向量中的元素进行筛选，并将所述运行时间添加至筛选后的元素集中，以确定与所述初始特征向量对应的约简特征向量。
该步骤中，由于所述热工参数和所述振动信号经过预处理后形成的所述初始特征向量中包含大量的特征，因此需要对所述初始特征向量中的元素进行筛选，并将所述运行时间添加至筛选后的元素集中，确定出用于后续计算的约简特征向量。
其中，根据发动机的缸数不同，能够提取出多路振动信号，再对提取出的多路信号进行小波分解以及特征提取，所以预处理后的所述热工参数和所述振动信号所组成的初始特征向量中包括大量的特征元素，但不是所有的特征元素都能够用于计算之中，因此需要进行筛选确定出用于后续计算的约简特征向量。经过筛选后得到的所述约简特征向量中去除了很多不必要的特征元素，保留了有利于进行后续模型计算的必要特征元素，在保证了气门间隙预测值准确率的前提下，减少了计算的工作量，缩短了获得气门间隙预测值所需的时间，能够更及时的发现气门存在的问题。
其中，将所述运行时间作为时间变量，不经过任何处理直接添加至筛选后的元素集中，与所述初始特征向量组成约简特征向量，再输入到气门间隙预测模型中，以用于后续气门间隙值的预测计算。
步骤204、将所述约简特征向量输入到预先训练好的气门间隙预测模型中，获得所述发动机气门间隙的预测值。
该步骤中，确定出用于后续计算的约简特征向量后，将所述约简特征向量输入到预先训练好的气门间隙预测模型中，通过所述预测模型获得所述发动机气门间隙预测值。
本申请实施例提供的发动机气门间隙的预测方法，获取发动机运行过程中的热工参数和振动信号，以及获取所述热工参数和所述振动信号时所述发动机的运行时间；基于对所述热工参数和所述振动信号进行预处理的处理结果，确定所述发动机的初始特征向量；对所述初始特征向量中的元素进行筛选，并将所述运行时间添加至筛选后的元素集中，以确定与所述初始特征向量对应的约简特征向量；将所述约简特征向量输入到预先训练好的气门间隙预测模型中，获得所述发动机的气门间隙的预测值。
这样，本申请通过获取发动机运行过程中的热工参数和振动信号，以及获取所述热工参数和所述振动信号时所述发动机的运行时间，能够预测出发动机气门间隙的大小从而能够及时的发现气门存在的问题，提高发动机的可靠性、安全性以及使用寿命。
请参阅图3，图3为本申请另一实施例提供的发动机气门间隙的预测方法的流程图。如图3中所示，本申请实施例提供的发动机气门间隙的预测方法，包括：
步骤301、获取发动机运行过程中的热工参数和振动信号，以及获取所述热工参数和所述振动信号时所述发动机的运行时间。
步骤302、基于对所述热工参数和所述振动信号进行预处理的处理结果，确定所述发动机的初始特征向量。
步骤303、对所述初始特征向量中的元素进行筛选，并将所述运行时间添加至筛选后的元素集中，以确定与所述初始特征向量对应的约简特征向量。
步骤304、将所述约简特征向量输入到预先训练好的气门间隙预测模型中，获得所述发动机的气门间隙的预测值。
步骤305、基于所述的预测值，确定所述发动机的气门的运行状态，其中所述运行状态包括故障状态和安全状态。
该步骤中，根据预测出的所述发动机气门间隙的预测值，确定出在发动机在某一段运行时间内，所述气门的运行状态是故障状态还是安全状态。
举例来说，发动机的运行时间为20s时，预测出的气门间隙值为0.31mm，此时发动机的气门间隙的安全状态值的范围应为0.30mm-0.32mm，那么就可以确定此时发动机的气门的运行状态处于安全状态；如果预测出的气门间隙值为0.25mm，此时发动机的气门间隙的故障状态值应为0.24mm-0.26mm,那么就可以确定此时发动机的气门的运行状态处于故障状态。
其中，步骤301至步骤304的描述可以参照步骤201至步骤204的描述，在此不做赘述。
进一步的，步骤302包括：对所述热工参数中的转速参数和滑油温度参数进行线性归一化处理，以确定所述转速参数的归一化值和所述滑油温度参数的归一化值；提取所述振动信号的特征向量；基于所述转速参数的归一化值、所述滑油温度参数的归一化值和所述振动信号的特征向量，构成发动机的初始特征向量。
该步骤中，由于获取到的所述热工参数中的转速参数和滑油温度参数的真实数值较大，因此为了用于计算，将会对所述转速参数和所述滑油温度参数进行归一化处理，将所述转速参数和所述滑油温度参数的数值的范围设置在0-1之间；并提取振动信号的特征向量，而后再将所述转速参数的归一化值、所述滑油温度参数的归一化值和所述振动信号的特征向量组合在一起构成发动机的初始特征向量。
具体的，在提取所述振动信号的特征向量时，首先根据发动机缸数不同能够提取出多路振动信号，以12缸的发动机为例，由于车辆中的发动机缸数为12缸，因此在提取振动信号时，以每一缸为一路振动信号，12缸发动机可以提取出12路振动信号，然后使用db4小波函数对振动信号进行4层小波分解，并采用最佳基小波包信息熵特征提取方法进行特征提取，因此，每一路振动信号被分解后将会得到16个特征向量元素，所以12路振动信号会得到192个特征向量元素，再与经过归一化处理的所述热工参数组合，构成包含194个元素所述初始特征向量。
进一步的，步骤302还包括：通过以下公式计算所述转速参数的归一化值和所述滑油温度参数的归一化值：
其中，当y为在所述发动机的运行时间t时获取的所述转速参数的归一化值时，x为在所述运行时间t时获取到的所述转速参数的值，xmax为所述发动机的转速参数的最大值，xmin为所述发动机的转速参数的最小值；
当y为在所述发动机的运行时间t时获取的所述滑油温度参数的归一化值时，x为在所述运行时间t时获取到的所述滑油温度参数的值，xmax为所述发动机的滑油温度参数的最大值，xmin为所述发动机的滑油温度参数的最小值。
该步骤中，对所述发动机的转速参数进行归一化处理时，获取在发动机运行时间t时所述发动机的转速参数的实际值x，然后求所述实际值x与发动机的最小转速参数值的差，并除以所述发动机的转速参数的最大值xmax与所述发动机的转速参数的最小值xmin的差，得到所述发动机的运行时间t时获取的所述转速参数的归一化值y；
对所述发动机的滑油温度参数进行归一化处理时，获取在发动机运行时间t时所述发动机的滑油温度参数的实际值x，然后求所述实际值x与发动机的最小滑油温度参数值的差，并除以所述发动机的滑油温度参数的最大值xmax与所述发动机的滑油温度参数的最小值xmin的差，得到所述发动机的运行时间t时获取的所述滑油温度参数的归一化值y。
进一步的，步骤303包括：利用粗糙集约简方法对所述初始特征向量中的元素进行约简处理，以筛选出所述初始特征向量中元素值大于预设保留值的元素；基于在筛选出的元素中添加所述运行时间后所组成的元素集，确定与所述初始特征向量对应的约简特征向量。
该步骤中，由于确定的所述初始特征向量中包含大量的数据，因此为了便于计算，将对所述初始特征向量中的元素利用粗糙集约简方法进行约简处理，得出元素的约简值sl，若果约简值为预设保留值，则保留该元素；若约简值与预设保留值不符，则删除该元素。
对应于上述例子，所述初始特征向量中包含194个元素，利用粗糙集约简方法进行约简处理，若得出的元素的约简值sl为1，则保留该元素；若得出的元素的约简值sl为0，则删除该元素，最终经过筛选保留了26个元素。
其中，所述粗糙集约简方法是一种数学工具，可利用粗糙集理论的相关操作对待处理数据等进行等价类划分、上、下近似求解、正区域求解等操作，进而对数据进行约简并提取相应的规则和获得隐含的知识，揭示潜在的规律。
进一步的，所述预测方法还包括：获取发动机的多个运行参数训练样本，其中，每个运行参数训练样本包括发动机在历史运行过程中的训练样本运行时间以及在对应的训练样本运行时间内的训练样本热工参数、训练样本振动信号和所述发动机的训练样本实际气门间隙值；基于对所述训练样本热工参数和所述训练样本振动信号进行预处理的处理结果，确定所述发动机的训练样本初始特征向量；对所述训练样本初始特征向量中的元素进行筛选，并将所述训练样本运行时间添加至筛选后的训练样本元素集，以确定与所述训练样本初始特征向量对应的训练样本约简特征向量；以所述训练样本约简特征向量作为模型输入特征和所述训练样本实际气门间隙值作为模型输出特征，训练构建好的多元线性回归模型，以获得所述气门间隙预测模型。
该步骤中，获取发动机在历史运行过程中的多个运行参数，一部分运行参数作为模型的训练样本，其中，每个运行参数训练样本包括发动机在历史运行过程中的训练样本运行时间以及在对应的训练样本运行时间内的训练样本热工参数、训练样本振动信号和所述发动机的训练样本实际气门间隙值，将所述训练样本热工参数和所述训练样本振动信号进行预处理，得到所述训练样本热工参数的归一化值和提取的所述训练样本振动信号的特征向量，基于所述训练样本热工参数的归一化值和所述训练样本振动信号的特征向量，确定出所述发动机的训练样本初始特征向量，然后利用粗糙集约简方法对所述训练样本初始特征向量进行筛选，并将为经过任何处理的获取到的所述训练样本运行时间作为时间向量添加至筛选后的训练样本元素集中，得到所述训练样本初始特征向量对应的训练样本约简特征向量，将所述训练样本约简特征向量作为模型的输入特征，将获取的所述训练样本实际气门间隙值作为模型输出特征，对构建好的多元线性回归模型进行训练，得到所述气门间隙预测模型。
对应于上述实施例，训练好的所述气门间隙预测模型中可以为一个多元线性回归方程，将确定的所述约简特征向量作为输入特征，输入到模型中，计算多元线性回归方程，得到所述发动机气门间隙预测值。
具体的，对所述初始特征向量中的元素进行筛选，得到包含26个特征元素的元素集，再将未经过处理的所述运行时间作为时间向量添加至筛选后的元素集中，获得与所述初始特征向量对应的约简特征向量，将所述约简特征向量作为而输入特征输入到预先训练好的气门间隙预测模型中，通过所述多元线性回归方程：z＝a1x1+a2x2+…+amxm+a0，计算所述发动机气门间隙预测值。
其中，z为所述发动机气门间隙预测值，a1-am为所述输入特征的回归系数，x1-xm为所述约简特征向量中包括的特征元素，a0为常数项，m为特征元素的个数，在本实施例中m为27，但并不局限于此，在其他实施例中，根据输入的振动信号不同，所述特征元素的个数还可以为其他值。
进一步的，将所述样本约简特征向量输入构建好的多元线性回归模型中进行训练，获得所述气门间隙预测模型后，所述的预测方法还包括：基于获取到的多个运行参数测试样本和所述气门间隙预测模型，确定每个运行参数测试样本对应的测试样本气门间隙预测值；基于确定的多个测试样本气门间隙预测值，确定所述气门间隙预测模型的平均绝对误差；基于所述平均绝对误差和每个运行参数测试样本对应的实际气门间隙值，确定所述气门间隙预测模型的平均相对误差；若所述平均相对误差低于预设精度阈值，确定所述气门间隙预测模型训练完毕。
该步骤中，在得到所述气门间隙预测模型后，将会对所述气门间隙预测模型进行评估，若所述气门间隙预测模型的平均相对误差低于预设的精度阈值，则表示所述气门间隙预测模型训练完毕，能够进行使用，否则将重新进行训练。
具体的，评估时首先将获取到的发动机在历史运行过程中的多个运行参数中的另一部分作为测试样本，运行参数测试样本中包括测试样本热工参数、测试样本振动信号、测试样本运行时间以及测试样本实际的气门间隙值，将所述测试样本热工参数、所述测试样本振动信号以及所述测试样本运行时间作为输入特征输入到训练好的模型中，确定每个运行参数测试样本对应的测试样本气门间隙预测值，根据确定出的多个测试样本气门间隙预测值，计算出所述气门间隙预测模型的平均绝对误差，然后通过所述平均绝对误差和每个运行参数测试样本对应的实际气门间隙值，确定所述气门间隙预测模型的平均相对误差，若确定出的平均相对误差低于预设的精度阈值，则所述气门间隙预测模型训练完毕可以使用，若确定出的平均相对误差高于预设的精度阈值，则需要通过训练样本重新进行训练。
进一步的，所述的预测方法通过以下公式计算所述测试样本的气门间隙预测值的平均绝对误差：
其中，MAD为所述测试样本的气门间隙预测值的平均绝对误差，n为所述测试样本的个数，xi为每个测试样本的气门间隙预测值，m(x)为测试样本的气门间隙预测值的平均值。
该步骤中，获取的多个测试样本的个数为n，xi为确定的每个测试样本的气门间隙预测值，m(x)为确定出的n个测试样本的气门间隙预测值的平均值，计算每个测试样本的气门间隙预测值xi与n个测试样本的气门间隙预测值的平均值m(x)的差的绝对值，并对n个测试样本的差的绝对值求和，取n个测试样本的差的绝对值的和的平均值为所述测试样本的气门间隙预测值的平均绝对误差MAD。
进一步的，所述的预测方法通过以下公式计算所述气门间隙预测模型的平均相对误差，对所述气门间隙预测模型进行评价：
其中，σ为所述气门间隙预测模型的平均相对误差，MAD为所述测试样本的气门间隙预测值的平均绝对误差，v为所述测试样本的气门间隙的真实值。
该步骤中，确定所述测试样本的气门间隙预测值的平均绝对误差MAD后，用所述测试样本的气门间隙预测值的平均绝对误差MAD除以所述测试样本的气门间隙的真实值，得到气门间隙预测模型的平均相对误差σ。
本申请中的预测方法经过训练之后得出的平均相对误差σ值为5.32％，达到了较高的预测精度，实现了对于发动机气门间隙的具体值的预测，说明了本申请中的预测方法的优越性，对于实际生产和有一定的指导意义。
本申请实施例提供的发动机气门间隙的预测方法，获取发动机运行过程中的热工参数和振动信号，以及获取所述热工参数和所述振动信号时所述发动机的运行时间；基于对热工参数和所述振动信号进行预处理的处理结果，确定所述发动机的初始特征向量；对所述初始特征向量中的元素进行筛选，并将所述运行时间添加至筛选后的元素集中，以确定与所述初始特征向量对应的约简特征向量；将所述约简特征向量输入到预先训练好的气门间隙预测模型中，获得所述发动机的气门间隙预测值；基于所述预测值，确定所述发动机的气门的运行状态，其中所述运行状态包括故障状态和安全状态。
这样，本申请通过获取发动机运行过程中的热工参数和振动信号，以及获取所述热工参数和所述振动信号时所述发动机的运行时间，能够预测出发动机气门间隙的大小，并根据气门间隙的预测值判断出气门的运行状态，是处于安全状态还是处于故障状态，从而能够及时的发现气门存在的问题，提高发动机的可靠性、安全性以及使用寿命。
请参阅图4至图7，图4为本申请一实施例提供的发动机气门间隙的预测装置的结构示意图之一，图5为本申请实施例所提供的一种发动机气门间隙的预测装置的结构示意图之二，图6为图4中所示的第一确定模块的结构图，图7为图4中所示的第二确定模块的结构图。如图4中所示，所述发动机气门间隙的预测装置400包括：
第一获取模块410，用于获取发动机运行过程中的热工参数和振动信号，以及获取所述热工参数和所述振动信号时所述发动机的运行时间；
第一确定模块420，用于基于对所述第一获取模块410获取的所述热工参数和所述振动信号进行预处理的处理结果以及所述运行时间，确定所述发动机的初始特征向量；
第二确定模块430，用于对所述第一确定模块420确定的所述初始特征向量中的元素进行筛选，并将所述运行时间添加至筛选后的元素集中，以确定与所述初始特征向量对应的约简特征向量；
预测模块440，用于将所述第二确定模块430确定的所述约简特征向量输入到预先训练好的气门间隙预测模型中，获得所述发动机气门间隙的预测值。
进一步的，如图5所示，所述发动机气门间隙的预测装置400还包括：
第三确定模块450，用于基于所述预测模块440获得的所述预测值，确定所述发动机的气门的运行状态，其中所述运行状态包括故障状态和安全状态。
训练模块460，用于通过以下方式训练所述气门间隙预测模型：
获取发动机的多个运行参数训练样本，其中，每个运行参数训练样本包括发动机在历史运行过程中的训练样本运行时间以及在对应的训练样本运行时间内的训练样本热工参数、训练样本振动信号和所述发动机的训练样本实际气门间隙值；
基于对所述训练样本热工参数、所述训练样本振动信号进行预处理的处理结果以及所述训练样本运行时间，确定所述发动机的训练样本初始特征向量；
对所述训练样本初始特征向量中的元素进行筛选，并将所述训练样本运行时间添加至筛选后的训练样本元素集，以确定与所述训练样本初始特征向量对应的训练样本约简特征向量；
以所述训练样本约简特征向量作为模型输入特征和所述训练样本实际气门间隙值作为模型输出特征，训练构建好的多元线性回归模型，以获得所述气门间隙预测模型。
进一步的，如图6中所示，所述第一确定模块420包括：
处理单元421，用于对所述第一获取模块410获取的所述热工参数中的转速参数和滑油温度参数进行线性归一化处理，以确定所述转速参数的归一化值和所述滑油温度参数的归一化值；
提取单元422，用于提取所述第一获取模块410获取的所述振动信号的特征向量；
构成单元423，用于基于所述处理单元421确定的所述转速参数的归一化值、所述处理单元421确定的所述滑油温度参数的归一化值和所述提取单元422提取的所述振动信号的特征向量，构成发动机的初始特征向量。
进一步的，所述处理单元421用于：
通过以下公式计算所述第一获取模块获取的所述转速参数的归一化值和所述滑油温度参数的归一化值：
其中，当y为在所述发动机的运行时间t时获取的所述转速参数的归一化值时，x为在所述运行时间t时获取到的所述转速参数的值，xmax为所述发动机的转速参数的最大值，xmin为所述发动机的转速参数的最小值；
当y为在所述发动机的运行时间t时获取的所述滑油温度参数的归一化值时，x为在所述运行时间t时获取到的所述滑油温度参数的值，xmax为所述发动机的滑油温度参数的最大值，xmin为所述发动机的滑油温度参数的最小值。
进一步的，如图7中所示，所述第二确定模块430包括：
筛选单元431，用于利用粗糙集约简方法对所述第一确定模块420确定的所述初始特征向量中的元素进行约简处理，以筛选出所述初始特征向量中元素值大于预设保留值的元素；
确定单元432，用于基于所述筛选单元431筛选出的元素中添加所述第一获取模块410获取的所述运行时间后所组成的元素集，确定与所述初始特征向量对应的约简特征向量。
进一步的，所述训练模块460还用于：
基于获取到的多个运行参数测试样本和所述气门间隙预测模型，确定每个运行参数测试样本对应的测试样本气门间隙预测值；
基于确定的多个测试样本气门间隙预测值，确定所述气门间隙预测模型的平均绝对误差；
基于所述平均绝对误差和每个运行参数测试样本对应的实际气门间隙值，确定所述气门间隙预测模型的平均相对误差；
若所述平均相对误差低于预设精度阈值，确定所述气门间隙预测模型训练完毕。
进一步的，所述训练模块460通过以下公式计算所述测试样本的气门间隙预测值的平均绝对误差：
其中，MAD为所述测试样本的气门间隙预测值的平均绝对误差，n为所述测试样本的个数，xi为每个测试样本的气门间隙预测值，m(x)为测试样本的气门间隙预测值的平均值。
进一步的，所述训练模块460通过以下公式计算所述气门间隙预测模型的平均相对误差，对所述气门间隙预测模型进行评价：
其中，σ为所述气门间隙预测模型的平均相对误差，MAD为所述测试样本的气门间隙预测值的平均绝对误差，v为所述测试样本的气门间隙的真实值。
本申请实施例提供的发动机气门间隙的预测装置，获取发动机运行过程中的热工参数和振动信号，以及获取所述热工参数和所述振动信号时所述发动机的运行时间；基于对所述热工参数和所述振动信号进行预处理的处理结果，确定所述发动机的初始特征向量；对所述初始特征向量中的元素进行筛选，并将所述运行时间添加至筛选后的元素集中，以确定与所述初始特征向量对应的约简特征向量；将所述约简特征向量输入到预先训练好的气门间隙预测模型中，获得所述发动机的气门间隙的预测值。
这样，本申请通过获取发动机运行过程中的热工参数和振动信号，以及获取所述热工参数和所述振动信号时所述发动机的运行时间，能够预测出发动机气门间隙的大小从而能够及时的发现气门存在的问题，提高发动机的可靠性、安全性以及使用寿命。
请参阅图8，图8为本申请实施例所提供的一种电子设备的结构示意图。如图8中所示，所述电子设备800包括处理器810、存储器820和总线830。
所述存储器820存储有所述处理器810可执行的机器可读指令，当电子设备800运行时，所述处理器810与所述存储器820之间通过总线830通信，所述机器可读指令被所述处理器810执行时，可以执行如上述图2以及图3所示方法实施例中的发动机气门间隙的预测方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图2以及图3所示方法实施例中的发动机气门间隙的预测方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种发动机气门间隙的预测方法，其特征在于，所述预测方法包括：
获取发动机运行过程中的热工参数和振动信号，以及获取所述热工参数和所述振动信号时所述发动机的运行时间；
基于对所述热工参数和所述振动信号进行预处理的处理结果，确定所述发动机的初始特征向量；
对所述初始特征向量中的元素进行筛选，并将所述运行时间添加至筛选后的元素集中，以确定与所述初始特征向量对应的约简特征向量；
将所述约简特征向量输入到预先训练好的气门间隙预测模型中，获得所述发动机气门间隙的预测值。
2.如权利要求1所述的预测方法，其特征在于，将所述约简特征向量输入到预先训练好的气门间隙预测模型中，获得所述发动机的气门间隙的预测值之后，所述预测方法还包括：
基于所述预测值，确定所述发动机的气门的运行状态，其中所述运行状态包括故障状态和安全状态。
3.如权利要求1所述的预测方法，其特征在于，基于对所述热工参数和所述振动信号进行预处理的处理结果，确定所述发动机的初始特征向量，包括：
对所述热工参数中的转速参数和滑油温度参数进行线性归一化处理，以确定所述转速参数的归一化值和所述滑油温度参数的归一化值；
提取所述振动信号的特征向量；
基于所述转速参数的归一化值、所述滑油温度参数的归一化值和所述振动信号的特征向量，构成发动机的初始特征向量。
4.如权利要求3所述的预测方法，其特征在于，对所述热工参数中的转速参数和滑油温度参数进行线性归一化处理，以确定所述转速参数的归一化值和所述滑油温度参数的归一化值，包括：
通过以下公式计算所述转速参数的归一化值和所述滑油温度参数的归一化值：
其中，当y为在所述发动机的运行时间t时获取的所述转速参数的归一化值时，x为在所述运行时间t时获取到的所述转速参数的值，xmax为所述发动机的转速参数的最大值，xmin为所述发动机的转速参数的最小值；
当y为在所述发动机的运行时间t时获取的所述滑油温度参数的归一化值时，x为在所述运行时间t时获取到的所述滑油温度参数的值，xmax为所述发动机的滑油温度参数的最大值，xmin为所述发动机的滑油温度参数的最小值。
5.如权利要求1所述的预测方法，其特征在于，对所述初始特征向量中的元素进行筛选，并将所述运行时间添加至筛选后的元素集中，以确定与所述初始特征向量对应的约简特征向量，包括：
利用粗糙集约简方法对所述初始特征向量中的元素进行约简处理，以筛选出所述初始特征向量中元素值大于预设保留值的元素；
基于在筛选出的元素中添加所述运行时间后所组成的元素集，确定与所述初始特征向量对应的约简特征向量。
6.如权利要求1所述的预测方法，其特征在于，所述预测方法通过以下方式训练所述气门间隙预测模型：
获取发动机的多个运行参数训练样本，其中，每个运行参数训练样本包括发动机在历史运行过程中的训练样本运行时间以及在对应的训练样本运行时间内的训练样本热工参数、训练样本振动信号和所述发动机的训练样本实际气门间隙值；
基于对所述训练样本热工参数和所述训练样本振动信号进行预处理的处理结果，确定所述发动机的训练样本初始特征向量；
对所述训练样本初始特征向量中的元素进行筛选，并将所述训练样本运行时间添加至筛选后的训练样本元素集，以确定与所述训练样本初始特征向量对应的训练样本约简特征向量；
以所述训练样本约简特征向量作为模型输入特征和所述训练样本实际气门间隙值作为模型输出特征，训练构建好的多元线性回归模型，以获得所述气门间隙预测模型。
7.如权利要求6所述的预测方法，其特征在于，将所述样本约简特征向量输入构建好的多元线性回归模型中进行训练，获得所述气门间隙预测模型后，所述预测方法还包括：
基于获取到的多个运行参数测试样本和所述气门间隙预测模型，确定每个运行参数测试样本对应的测试样本气门间隙预测值；
基于确定的多个测试样本气门间隙预测值，确定所述气门间隙预测模型的平均绝对误差；
基于所述平均绝对误差和每个运行参数测试样本对应的实际气门间隙值，确定所述气门间隙预测模型的平均相对误差；
若所述平均相对误差低于预设精度阈值，确定所述气门间隙预测模型训练完毕。
8.一种发动机气门间隙的预测装置，其特征在于，所述预测装置包括：
第一获取模块，用于获取发动机运行过程中的热工参数和振动信号，以及获取所述热工参数和所述振动信号时所述发动机的运行时间；
第一确定模块，用于基于对所述第一获取模块获取的所述热工参数和所述振动信号进行预处理的处理结果，确定所述发动机的初始特征向量；
第二确定模块，用于对所述第一确定模块确定的所述初始特征向量中的元素进行筛选，并将所述运行时间添加至筛选后的元素集中，以确定与所述初始特征向量对应的约简特征向量；
预测模块，用于将所述第二确定模块确定的所述约简特征向量输入到预先训练好的气门间隙预测模型中，获得所述发动机气门间隙的预测值。
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至7中任一所述的预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7中任一所述的预测方法的步骤。
CN201910547006.3A 2019-06-24 2019-06-24 一种发动机气门间隙的预测方法及预测装置 Pending CN110210459A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910547006.3A CN110210459A (zh) 2019-06-24 2019-06-24 一种发动机气门间隙的预测方法及预测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910547006.3A CN110210459A (zh) 2019-06-24 2019-06-24 一种发动机气门间隙的预测方法及预测装置

Publications (1)

Publication Number Publication Date
CN110210459A true CN110210459A (zh) 2019-09-06

Family

ID=67794165

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910547006.3A Pending CN110210459A (zh) 2019-06-24 2019-06-24 一种发动机气门间隙的预测方法及预测装置

Country Status (1)

Country Link
CN (1) CN110210459A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110542560A (zh) * 2019-09-29 2019-12-06 潍柴动力股份有限公司 气门间隙故障的检测方法以及检测系统及汽车
CN112097717A (zh) * 2020-07-27 2020-12-18 兰州交通大学 一种基于碰撞振动的间隙检测系统及方法
CN113504143A (zh) * 2021-07-08 2021-10-15 潍柴动力股份有限公司 一种诊断气门座圈磨损的方法及装置
CN114818127A (zh) * 2022-04-18 2022-07-29 中节能工业节能有限公司 一种汽轮机劣化程度的量化方法
CN115949513A (zh) * 2023-03-15 2023-04-11 绵阳华博精工机械有限公司 一种气门间隙的智能控制调节方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105134619A (zh) * 2015-09-28 2015-12-09 北京航空航天大学 一种基于小波能量、流形降维和动态时间规整的故障诊断与健康评估方法
CN105372087A (zh) * 2015-11-30 2016-03-02 南通大学 基于多传感器信号分析的故障诊断方法
CN106203359A (zh) * 2016-07-15 2016-12-07 重庆邮电大学 基于小波包分析和k邻近算法的内燃机故障诊断方法
CN106644484A (zh) * 2016-09-14 2017-05-10 西安工业大学 Eemd与邻域粗糙集结合的涡桨发动机转子系统故障诊断方法
US20190058715A1 (en) * 2017-08-21 2019-02-21 General Electric Company Multi-class decision system for categorizing industrial asset attack and fault types

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105134619A (zh) * 2015-09-28 2015-12-09 北京航空航天大学 一种基于小波能量、流形降维和动态时间规整的故障诊断与健康评估方法
CN105372087A (zh) * 2015-11-30 2016-03-02 南通大学 基于多传感器信号分析的故障诊断方法
CN106203359A (zh) * 2016-07-15 2016-12-07 重庆邮电大学 基于小波包分析和k邻近算法的内燃机故障诊断方法
CN106644484A (zh) * 2016-09-14 2017-05-10 西安工业大学 Eemd与邻域粗糙集结合的涡桨发动机转子系统故障诊断方法
US20190058715A1 (en) * 2017-08-21 2019-02-21 General Electric Company Multi-class decision system for categorizing industrial asset attack and fault types

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
FLETT, J 等: "Fault detection and diagnosis of diesel engine valve trains", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 *
冯凯梁: "石油化工装置投资估算方法应用研究", 《项目管理技术》 *
吴伟: "基于改进RBF神经网络的故障诊断技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
曹亚鹏: "基于信息融合的发动机故障诊断研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
梅卫江 等: "柴油机气门间隙异常故障振动诊断的试验研", 《机床与液压》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110542560A (zh) * 2019-09-29 2019-12-06 潍柴动力股份有限公司 气门间隙故障的检测方法以及检测系统及汽车
CN110542560B (zh) * 2019-09-29 2021-07-09 潍坊内燃机质量检验中心有限公司 气门间隙故障的检测方法以及检测系统及汽车
CN112097717A (zh) * 2020-07-27 2020-12-18 兰州交通大学 一种基于碰撞振动的间隙检测系统及方法
CN113504143A (zh) * 2021-07-08 2021-10-15 潍柴动力股份有限公司 一种诊断气门座圈磨损的方法及装置
CN114818127A (zh) * 2022-04-18 2022-07-29 中节能工业节能有限公司 一种汽轮机劣化程度的量化方法
CN115949513A (zh) * 2023-03-15 2023-04-11 绵阳华博精工机械有限公司 一种气门间隙的智能控制调节方法及系统

Similar Documents

Publication Publication Date Title
CN110210459A (zh) 一种发动机气门间隙的预测方法及预测装置
CN110779746B (zh) 改进深度稀疏自编码器网络旋转机械复合故障的诊断方法
Accorsi et al. Discovering workflow changes with time-based trace clustering
Zhang et al. A probabilistic fault detection approach: Application to bearing fault detection
CN102803918B (zh) 用于发动机诊断的振动传感器信号的预处理
Wang et al. Research on the fault monitoring method of marine diesel engines based on the manifold learning and isolation forest
CN110362068A (zh) 一种基于工业物联网的机械设备故障预警方法、系统和可读存储介质
CN106502889B (zh) 预测云软件性能的方法和装置
CN109308519A (zh) 一种基于神经网络的制冷设备故障预测方法
CN105626502B (zh) 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法
CN109992916A (zh) 一种基于飞参数据的机务外场飞机发动机故障预测方法，终端及可读存储介质
CN110056427B (zh) 一种发动机检测方法、装置及系统
CN105959316A (zh) 网络安全性验证系统
CN110411766A (zh) 列车转向架蛇形失稳检测方法、装置、系统和存储介质
US7243265B1 (en) Nearest neighbor approach for improved training of real-time health monitors for data processing systems
Liu et al. Blind separation of internal combustion engine vibration signals by a deflation method
CN115098962A (zh) 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法
Du et al. Research on the application of artificial intelligence method in automobile engine fault diagnosis
CN113742983A (zh) 基于深度自编码器神经网络的长跨结构损伤识别方法
Hsu et al. A comparison of residual-based methods on fault detection
Thirumalairaj et al. Perimeter intrusion detection with multi layer perception using quantum classifier
Prytz et al. Towards relation discovery for diagnostics
CN111931323B (zh) 存储器、加氢裂化设备故障预测方法、装置和设备
AT522625B1 (de) Verfahren zur Sicherheitsüberprüfung einer Technikeinheit
Zonzini et al. Enhancing vibration-based structural health monitoring via edge computing: A tiny machine learning perspective

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190906