CN111120094A - 一种发动机失火检测方法、装置、存储介质及终端 - Google Patents
一种发动机失火检测方法、装置、存储介质及终端 Download PDFInfo
- Publication number
- CN111120094A CN111120094A CN201911204658.3A CN201911204658A CN111120094A CN 111120094 A CN111120094 A CN 111120094A CN 201911204658 A CN201911204658 A CN 201911204658A CN 111120094 A CN111120094 A CN 111120094A
- Authority
- CN
- China
- Prior art keywords
- engine
- misfire
- preset
- value
- probability
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000004364 calculation method Methods 0.000 claims abstract description 30
- 238000010586 diagram Methods 0.000 claims description 21
- 238000013210 evaluation model Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 14
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000013178 mathematical model Methods 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 7
- 238000007405 data analysis Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 239000002826 coolant Substances 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000000295 fuel oil Substances 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02B—INTERNAL-COMBUSTION PISTON ENGINES; COMBUSTION ENGINES IN GENERAL
- F02B77/00—Component parts, details or accessories, not otherwise provided for
- F02B77/08—Safety, indicating, or supervising devices
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种发动机失火检测方法、装置、存储介质及终端，所述方法包括：获取目标发动机的运行数据和预设失火概率值；将所述运行数据输入预设发动机失火故障概率模型中生成失火概率值；当所述失火概率值大于预设阈值时，获取所述发动机在预设时间内的转速峰值参数集合；基于所述转速峰值参数集合生成发动机转速平均值；将所述发动机转速平均值和所述预设失火概率值输入预设概率计算公式中进行计算，生成计算后的失火概率值；当所述计算后的失火概率值大于预设阈值时，确定所述发动机失火。因此，采用本发明实施例，可以提高对发动机检测后结果的准确性。
Description
技术领域
本发明涉及电控发动机技术领域，特别涉及一种发动机失火检测方法、装置、存储介质及终端。
背景技术
电控发动机正常工作时，通常是依靠燃油正常燃烧释放的热量来加热空气，使空气受热膨胀、做功。但是在某些情况下，比如：柴油机喷油器堵塞导致的不正常喷射燃油、汽油机点火线圈失效等，均会造成燃油燃烧不完全，或者完全不燃烧，燃油燃烧不完全或完全不燃烧统称为失火。失火后导致发动机的输出动力减少。由于不完全燃烧，会导致产生大量的碳氢化合物和一氧化碳。
在目前的发动机失火检测方法中，是根据缸内动态压力监测进行分析，根据分析后的数据进行故障诊断。由于发动机故障的复杂性高，使得失火故障与信号特征之间并非是一一对应的。使用这种单一的诊断方式进行判断发动机是否失火，降低了诊断后结果的准确性。
发明内容
本发明实施例提供了一种发动机失火检测方法、装置、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
第一方面，本发明实施例提供了一种发动机失火检测方法，所述方法包括：
获取目标发动机的运行数据和预设失火概率值；
将所述运行数据输入预设发动机失火故障概率模型中生成失火概率值；
当所述失火概率值大于预设阈值时，获取所述发动机在预设时间内的转速峰值参数集合；
基于所述转速峰值参数集合生成发动机转速平均值；
将所述发动机转速平均值和所述预设失火概率值输入预设概率计算公式中进行计算，生成计算后的失火概率值；
当所述计算后的失火概率值大于预设阈值时，确定所述发动机失火。
可选的，所述获取目标发动机的运行数据和预设失火概率值之前，还包括：
获取发动机正常运行的过程数据生成第一数据样本；
采集发动机的失火故障数据生成第二数据样本；
创建发动机失火故障概率模型，将所述第一数据样本和第二数据样本输入所述发动机失火故障概率模型中训练生成训练后的发动机失火故障概率模型。
可选的，所述将所述第一数据样本和第二数据样本输入所述失火故障概率模型中训练生成训练后的失火故障概率模型，包括：
获取所述第一数据样本对应的发动机排温变化图；
将所述发动机排温变化图对应的数据和所述第二数据样本输入所述发动机失火故障概率模型中训练生成训练后的发动机失火故障概率模型。
可选的，所述基于所述转速峰值参数集合生成发动机转速平均值，包括：
在所述转速峰值参数集合中采集预设数量的转速峰值参数；
将所述预设数量的转速峰值参数进行求和取平均值生成发动机转速平均值。
可选的，所述获取目标发动机的运行数据和预设失火概率值之前，还包括：
获取所述发动机失火之前的运行数据样本和失火之后的运行数据样本；
创建发动机失火概率评估模型，将所述发动机失火之前的运行数据样本和失火之后的运行数据样本输入所述发动机失火概率评估模型中生成失火概率值，作为预设失火概率值。
第二方面，本发明实施例提供了一种发动机失火检测装置，所述装置包括：
数据获取模块，用于获取目标发动机的运行数据和预设失火概率值；
第一概率值生成模块，用于将所述运行数据输入预设发动机失火故障概率模型中生成失火概率值；
集合获取模块，用于当所述失火概率值大于预设阈值时，获取所述发动机在预设时间内的转速峰值参数集合；
平均值生成模块，用于基于所述转速峰值参数集合生成发动机转速平均值；
概率值计算模块，用于将所述发动机转速平均值和所述预设失火概率值输入预设概率计算公式中进行计算，生成计算后的失火概率值；
失火确定模块，用于当所述计算后的失火概率值大于预设阈值时，确定所述发动机失火。
可选的，所述装置还包括：
第一数据样本生成模块，用于获取发动机正常运行的过程数据生成第一数据样本；
第二数据样本生成模块，用于采集发动机的失火故障数据生成第二数据样本；
模型生成模块，用于创建发动机失火故障概率模型，将所述第一数据样本和第二数据样本输入所述发动机失火故障概率模型中训练生成训练后的发动机失火故障概率模型。
可选的，所述模型生成模块，包括：
变化图获取单元，用于获取所述第一数据样本对应的发动机排温变化图；
模型生成单元，用于将所述发动机排温变化图对应的数据和所述第二数据样本输入所述发动机失火故障概率模型中训练生成训练后的发动机失火故障概率模型。
可选的，所述平均值生成模块，包括：
参数获取单元，用于在所述转速峰值参数集合中采集预设数量的转速峰值参数；
平均值生成单元，用于将所述预设数量的转速峰值参数进行求和取平均值生成发动机转速平均值。
可选的，所述装置还包括：
样本获取模块，用于获取所述发动机失火之前的运行数据样本和失火之后的运行数据样本；
第二概率值生成模块，用于创建发动机失火概率评估模型，将所述发动机失火之前的运行数据样本和失火之后的运行数据样本输入所述发动机失火概率评估模型中生成失火概率值，作为预设失火概率值。
第三方面，本发明实施例提供一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述的方法步骤。
第四方面，本发明实施例提供一种终端，可包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行上述的方法步骤。
本发明实施例提供的技术方案可以包括以下有益效果：
在本发明实施例中，首先获取发动机的运行数据，然后将所述运行数据输入预设发动机失火故障概率模型中生成失火概率值，当所述失火概率值大于预设阈值时，获取所述发动机在预设时间内的转速峰值参数集合，基于所述转速峰值参数集合生成发动机转速平均值，将所述发动机转速平均值和所述预设失火概率值输入预设概率计算公式中进行计算，生成计算后的失火概率值，最后当所述计算后的失火概率值大于预设阈值时，确定所述发动机失火。因此，采用本发明实施例，由于本发明基于云端平台的大数据分析环境，提出了一套发动机失火故障的诊断方法，可以提高对发动机检测后结果的准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是本发明实施例提供的发动机失火检测方法的流程示意图；
图2是本发明实施例提供的另一种发动机失火检测方法的流程示意图；
图3是本发明实施例提供的一种发动机失火检测装置的结构示意图；
图4是本发明实施例提供的另一种发动机失火检测装置的结构示意图；
图5是本发明实施例提供的一种模型生成模块的结构示意图；
图6是本发明实施例提供的一种终端的结构示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。
应当明确，所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。此外，在本发明的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
到目前为止，在目前的发动机失火检测方法中，是根据缸内动态压力监测进行分析，根据分析后的数据进行故障诊断。由于发动机故障的复杂性高，使得失火故障与信号特征之间并非是一一对应的。使用这种单一的诊断方式进行判断发动机是否失火，降低了诊断后结果的准确性。以解决上述相关技术问题中存在的问题。本发明提供的技术方案中，由于本发明基于云端平台的大数据分析环境，提出了一套发动机失火故障的诊断方法，可以提高对发动机检测后结果的准确性。
下面将结合附图1-附图2，对本发明实施例提供的发动机失火检测方法进行详细介绍。该方法可依赖于计算机程序实现，可运行于基于冯诺依曼体系的发动机失火检测装置上。该计算机程序可集成在应用中，也可作为独立的工具类应用运行。其中，本发明实施例中的发动机失火检测装置可以为用户终端，包括但不限于：个人电脑、平板电脑、手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其它处理设备等。在不同的网络中用户终端可以叫做不同的名称，例如：用户设备、接入终端、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置、蜂窝电话、无绳电话、个人数字处理(personal digital assistant，PDA)、5G网络或未来演进网络中的终端设备等。
请参见图1，为本发明实施例提供了一种发动机失火检测方法的流程示意图。如图1所示，本发明实施例的所述方法可以包括以下步骤：
S101，获取目标发动机的运行数据和预设失火概率值；
其中，发动机是一种能够把其它形式的能转化为机械能的机器，发动机的运行数据是当发动机在工作状态下产生的一系列运行参数，例如当发动机在运行状态下时发动机的冷却液温度值，进气的温度值，进气压力传感器产生的值，空气流量值，冷却液温度传感器产生的值。预设概率值是根据发动机失火状态下的运行数据进行计算得到的一个失火概率参数。
在本发明实施例中，首先车联网云端平台处用户终端向车载终端发送发动机运行数据采集命令，当车载终端获取到采集命令后，车载终端通过内部程序获取发动机工作状态下的运行参数，当车载终端获取到发动机运行参数后，将所述运行参数通过有线网络或者无线网络发送至车联网云端平台，在车辆网云端平台获取到发动机运行参数后将运行参数进行保存。
S102，将所述运行数据输入预设发动机失火故障概率模型中生成失火概率值；
其中，发动机失火故障概率模型是能够对发动机运行参数进行分析后产生失火概率的一个数学模型，这种数学模型是基于卷积神经网络(Convolutional Neural Network，CNN)模型、深度神经网络(Deep Neural Network，DNN)模型、循环神经网络(RecurrentNeural Networks，RNN)模型、嵌入(embedding)模型、长短期记忆模型(Long-Short TermMemory，LSTM)、梯度提升决策树(Gradient Boosting Decision Tree，GBDT)模型中的至少一种创建生成的。所述风格迁移模型是具有将第一数据样本的属性特征转化成另一个相似数据样本的数学模型，该模型可基于RNN、CNN、LSTM等模型中的至少一种创建生成。所述失火概率值是由发动机失火故障概率模型对发动机运行参数进行分析处理后生成的概率值。
在一种可能的实现方式中，当车联网云端平台处用户终端根据步骤S101获取到发动机的运行参数值时，首先获取预先保存在云端平台的发动机失火故障概率模型，然后将获取到的发动机的运行参数值输入到该模型中进行分析处理，在分析处理结束后生成当前车辆发动机的失火概率值。
S103，当所述失火概率值大于预设阈值时，获取所述发动机在预设时间内的转速峰值参数集合；
其中，预设阈值是根据车辆失火时的数据进行统计的参考数值，该参考数值可能为0.5，参考数值可根据实际情况设定，此处不做限定。所述转速峰值参数集合为当前车辆在一定的时间段中每一个时间点对应的发动机转速值。
在一种可能的实现方式中，通过步骤S102得到失火概率值，当发动机失火概率值小于0.5时，认为此时的发动机运行状态良好，当失火概率值大于0.5时，认为此时的发动机可能出现了故障，然后获取当前发动机在此时间段中每一个时间点的转速值。
例如，当前发动机参数值经过发动机失火故障概率模型处理后，生成的失火概率值为0.6，则认为此时的发动机可能出现了故障，然后获取此时间段中发动机在此时间段中的每一个时间点对应的转速值。
S104，基于所述转速峰值参数集合生成发动机转速平均值；
其中，发动机转速平均值为将获取到的发动机的转速集合进行相加，然后除以这段时间内发动机转速峰值的个数，最后得到发动机转速平均值。
例如，在时间段中的发动机转速峰值如表1所示，由表1可看出在时间段T1
| 时间值 | T1 | T2 | T3 |
| 发动机转速峰值 | 62 | 169 | 42 |
到T3这个时间段中发动机的平均转速为91。
S105，将所述发动机转速平均值和所述预设失火概率值输入预设概率计算公式中进行计算，生成计算后的失火概率值；
其中，由步骤S104可得到发动机的平均转速，此处不再赘述。所述预设失火概率值是根据预先创建的发动机失火概率评估模型进行计算得出，所述发动机失火概率评估模型是对失火概率进行评估的数学模型，该数学模型采用高斯函数模型
式中，x代表排温实时值，μ表示对应工况下map图中的排气温度平均值，通过调节δ的大小使发动机失火概率落在合适的区间内，发动机正常运行时，发动机失火概率接近于0，依据故障数据调整失火概率趋近于1。所述预设概率计算公式为P＝P+U(1-P)和P＝P-U(1-P)，公式中的P代表概率，U代表发动机转速平均值。
在一种可能的实现方式中，首先根据步骤S104可得到失火概率值和当前发动机转速平均值，然后获取发动机失火前后数据，将发动机失火前后的数据输入发动机失火概率评估模型生成失火概率参数值，然后将得到的失火概率参数值和当前发动机转速平均值输入概率计算公式中进行计算生成新的发动机失火概率值。
S106，当所述计算后的失火概率值大于预设阈值时，确定所述发动机失火。
其中，预设阈值是可以判断当前发动机是否失火的参数值，根据步骤S105得到新的发动机失火概率值，当新的发动机失火概率值大于此时的失火参数值时，云端平台客户端则认为此时的发动机出现失火故障。
在本发明实施例中，首先获取发动机的运行数据，然后将所述运行数据输入预设发动机失火故障概率模型中生成失火概率值，当所述失火概率值大于预设阈值时，获取所述发动机在预设时间内的转速峰值参数集合，基于所述转速峰值参数集合生成发动机转速平均值，将所述发动机转速平均值和所述预设失火概率值输入预设概率计算公式中进行计算，生成计算后的失火概率值，最后当所述计算后的失火概率值大于预设阈值时，确定所述发动机失火。因此，采用本发明实施例，由于本发明基于云端平台的大数据分析环境，提出了一套发动机失火故障的诊断方法，可以提高对发动机检测后结果的准确性。
请参见图2，为本发明实施例提供了一种发动机失火检测方法的流程示意图。如图2所示，本发明实施例的所述方法可以包括以下步骤：
S201，获取发动机正常运行的过程数据生成第一数据样本；
其中，所述过程数据是发动机在正常运行情况下产生的一些运行参数，例如当发动机在运行状态下时发动机的冷却液温度值，进气的温度值，进气压力传感器产生的值，空气流量值，冷却液温度传感器产生的值。
S202，采集发动机的失火故障数据生成第二数据样本；
其中，所述发动机的失火故障数据为发动机在发生失火故障时产生的一系列运行参数。
S203，创建发动机失火故障概率模型，获取所述第一数据样本对应的发动机排温变化图，将所述发动机排温变化图对应的数据和所述第二数据样本输入所述发动机失火故障概率模型中训练生成训练后的失火故障概率模型；
其中，所述发动机失火故障概率模型为检测发动机运行数据的数学模型。发动机排温变化图是发动机在不同时刻的温度图像，该温度图像记录了发动机在正常运行时每一刻产生的温度值。所述排温变化map图，横轴转速区间，纵轴为扭矩区间，数值为发动机单缸排温在此区间内的截断均值，第二数据样本是发动机在失火故障下运行的数据样本。
在本申请实施例中，首先创建发动机失火故障概率模型，然后将排温变化map图和发动机在失火故障下运行的数据样本输入创建的失火故障概率模型进行训练生成具有处理分析发动机运行的数据生成失火概率的功能。
S204，获取所述发动机失火之前的运行数据样本和失火之后的运行数据样本；
其中，采集的发动机失火故障数据可以是采集发动机单缸失火前后500组的发动机运行数据，也可以采集发动机单缸失火前后600组的发动机运行数据，数据的采集数据根据实际情况而定，此处不做限定。
S205，创建发动机失火概率评估模型，将所述发动机失火之前的运行数据样本和失火之后的运行数据样本输入所述发动机失火概率评估模型中生成失火概率值，作为预设失火概率值；
其中，所述发动机失火概率评估模型是对失火概率进行评估的数学模型，所述模型的具体创建可参见S105，此处不再赘述。该数学模型采用高斯函数模型
式中，x代表排温实时值，μ表示对应工况下map图中的排气温度平均值，通过调节δ的大小使发动机失火概率落在合适的区间内，发动机正常运行时，发动机失火概率接近于0，依据故障数据调整失火概率趋近于1。
在本申请实施例中，首先基于步骤S104获取发动机出现失火故障时前后的数据样本，然后分析处理该数据样本后获取发动机中排温实时值和对应工况下map图中的排气温度平均值，然后将获取的数据输入所述发动机失火概率评估模型中生成一个发动机失火概率值。
S206，获取目标发动机的运行数据和预设失火概率值；
具体可参见步骤S101，此处不再赘述。
S207，将所述运行数据输入预设发动机失火故障概率模型中生成失火概率值；
具体可参见步骤S102，此处不再赘述。
S208，当所述失火概率值大于预设阈值时，获取所述发动机在预设时间内的转速峰值参数集合；
具体可参见步骤S103，此处不再赘述。
S209，在所述转速峰值参数集合中采集预设数量的转速峰值参数，将所述预设数量的转速峰值参数进行求和取平均值生成发动机转速平均值；
具体可参见步骤S104，此处不再赘述。
S210，将所述发动机转速平均值和所述预设失火概率值输入预设概率计算公式中进行计算，生成计算后的失火概率值；
具体可参见步骤S105，此处不再赘述。
S211，当所述计算后的失火概率值大于预设阈值时，确定所述发动机失火。
具体可参见步骤S106，此处不再赘述。
在本发明实施例中，首先获取发动机的运行数据，然后将所述运行数据输入预设发动机失火故障概率模型中生成失火概率值，当所述失火概率值大于预设阈值时，获取所述发动机在预设时间内的转速峰值参数集合，基于所述转速峰值参数集合生成发动机转速平均值，将所述发动机转速平均值和所述预设失火概率值输入预设概率计算公式中进行计算，生成计算后的失火概率值，最后当所述计算后的失火概率值大于预设阈值时，确定所述发动机失火。因此，采用本发明实施例，由于本发明基于云端平台的大数据分析环境，提出了一套发动机失火故障的诊断方法，可以提高对发动机检测后结果的准确性。
下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。
请参见图3，其示出了本发明一个示例性实施例提供的发动机失火检测装置的结构示意图。该发动机失火检测方法装置可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该装置1包括数据获取模块10、第一概率值生成模块20、集合获取模块30、平均值生成模块40、概率值计算模块50、失火确定模块60。
数据获取模块10，用于获取目标发动机的运行数据和预设失火概率值；
第一概率值生成模块20，用于将所述运行数据输入预设发动机失火故障概率模型中生成失火概率值；
集合获取模块30，用于当所述失火概率值大于预设阈值时，获取所述发动机在预设时间内的转速峰值参数集合；
平均值生成模块40，用于基于所述转速峰值参数集合生成发动机转速平均值；
概率值计算模块50，用于将所述发动机转速平均值和所述预设失火概率值输入预设概率计算公式中进行计算，生成计算后的失火概率值；
失火确定模块60，用于当所述计算后的失火概率值大于预设阈值时，确定所述发动机失火。
可选的，如图4所示，所述装置1还包括：
第一数据样本生成模块70，用于获取发动机正常运行的过程数据生成第一数据样本；
第二数据样本生成模块80，用于采集发动机的失火故障数据生成第二数据样本；
模型生成模块90，用于创建发动机失火故障概率模型，将所述第一数据样本和第二数据样本输入所述发动机失火故障概率模型中训练生成训练后的发动机失火故障概率模型。
可选的，如图5所示，所述模型生成模块90，包括：
变化图获取单元910，用于获取所述第一数据样本对应的发动机排温变化图；
模型生成单元920，用于将所述发动机排温变化图对应的数据和所述第二数据样本输入所述发动机失火故障概率模型中训练生成训练后的发动机失火故障概率模型。
可选的，如图6所示，所述平均值生成模块40，包括：
参数获取单元410，用于在所述转速峰值参数集合中采集预设数量的转速峰值参数；
平均值生成单元420，用于将所述预设数量的转速峰值参数进行求和取平均值生成发动机转速平均值。
可选的，如图4所示，所述装置1还包括：
样本获取模块110，用于获取所述发动机失火之前的运行数据样本和失火之后的运行数据样本；
第二概率值生成模块120，用于创建发动机失火概率评估模型，将所述发动机失火之前的运行数据样本和失火之后的运行数据样本输入所述发动机失火概率评估模型中生成失火概率值，作为预设失火概率值；
需要说明的是，上述实施例提供的发动机失火检测装置在发动机失火检测方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的发动机失火检测装置与发动机失火检测方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明实施例中，首先获取发动机的运行数据，然后将所述运行数据输入预设发动机失火故障概率模型中生成失火概率值，当所述失火概率值大于预设阈值时，获取所述发动机在预设时间内的转速峰值参数集合，基于所述转速峰值参数集合生成发动机转速平均值，将所述发动机转速平均值和所述预设失火概率值输入预设概率计算公式中进行计算，生成计算后的失火概率值，最后当所述计算后的失火概率值大于预设阈值时，确定所述发动机失火。因此，采用本发明实施例，由于本发明基于云端平台的大数据分析环境，提出了一套发动机失火故障的诊断方法，可以提高对发动机检测后结果的准确性。
本发明还提供一种计算机可读介质，其上存储有程序指令，该程序指令被处理器执行时实现上述各个方法实施例提供的发动机失火检测方法。
本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各个方法实施例所述的发动机失火检测方法。
请参见图6，为本发明实施例提供了一种终端的结构示意图。如图6所示，所述终端1000可以包括：至少一个处理器1001，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。
其中，通信总线1002用于实现这些组件之间的连接通信。
其中，用户接口1003可以包括显示屏(Display)、摄像头(Camera)，可选用户接口1003还可以包括标准的有线接口、无线接口。
其中，网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中，处理器1001可以包括一个或者多个处理核心。处理器1001利用各种借口和线路连接整个电子设备1000内的各个部分，通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集，以及调用存储在存储器1005内的数据，执行电子设备1000的各种功能和处理数据。可选的，处理器1001可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable Logic Array，PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1001中，单独通过一块芯片进行实现。
其中，存储器1005可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选的，该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图6所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及发动机失火检测应用程序。
在图6所示的终端1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；而处理器1001可以用于调用存储器1005中存储的发动机失火检测应用程序，并具体执行以下操作：
获取目标发动机的运行数据和预设失火概率值；
将所述运行数据输入预设发动机失火故障概率模型中生成失火概率值；
当所述失火概率值大于预设阈值时，获取所述发动机在预设时间内的转速峰值参数集合；
基于所述转速峰值参数集合生成发动机转速平均值；
将所述发动机转速平均值和所述预设失火概率值输入预设概率计算公式中进行计算，生成计算后的失火概率值；
当所述计算后的失火概率值大于预设阈值时，确定所述发动机失火。
在一个实施例中，所述处理器1001在执行所述获取目标发动机的运行数据和预设失火概率值之前，还执行以下操作：
获取发动机正常运行的过程数据生成第一数据样本；
采集发动机的失火故障数据生成第二数据样本；
创建发动机失火故障概率模型，将所述第一数据样本和第二数据样本输入所述发动机失火故障概率模型中训练生成训练后的发动机失火故障概率模型。
在一个实施例中，所述处理器1001在执行所述将所述第一数据样本和第二数据样本输入所述失火故障概率模型中训练生成训练后的失火故障概率模型时，具体执行以下操作：
获取所述第一数据样本对应的发动机排温变化图；
将所述发动机排温变化图对应的数据和所述第二数据样本输入所述发动机失火故障概率模型中训练生成训练后的发动机失火故障概率模型。
在一个实施例中，所述处理器1001在执行所述基于所述转速峰值参数集合生成发动机转速平均值时，具体执行以下操作：
在所述转速峰值参数集合中采集预设数量的转速峰值参数；
将所述预设数量的转速峰值参数进行求和取平均值生成发动机转速平均值。
在一个实施例中，所述处理器1001在执行所述所述获取目标发动机的运行数据和预设失火概率值之前时，还执行以下操作：
获取所述发动机失火之前的运行数据样本和失火之后的运行数据样本；
创建发动机失火概率评估模型，将所述发动机失火之前的运行数据样本和失火之后的运行数据样本输入所述发动机失火概率评估模型中生成失火概率值，作为预设失火概率值。
在本发明实施例中，首先获取发动机的运行数据，然后将所述运行数据输入预设发动机失火故障概率模型中生成失火概率值，当所述失火概率值大于预设阈值时，获取所述发动机在预设时间内的转速峰值参数集合，基于所述转速峰值参数集合生成发动机转速平均值，将所述发动机转速平均值和所述预设失火概率值输入预设概率计算公式中进行计算，生成计算后的失火概率值，最后当所述计算后的失火概率值大于预设阈值时，确定所述发动机失火。因此，采用本发明实施例，由于本发明基于云端平台的大数据分析环境，提出了一套发动机失火故障的诊断方法，可以提高对发动机检测后结果的准确性。
本领域技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。所属技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。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。
本文所披露的实施例中，应该理解到，所揭露的方法、产品(包括但不限于装置、设备等)，可以通过其它的方式实现。例如，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，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，在本发明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。
应当理解的是，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。本发明并不局限于上面已经描述并在附图中示出的流程及结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种发动机失火检测方法，其特征在于，所述方法包括：
获取目标发动机的运行数据和预设失火概率值；
将所述运行数据输入预设发动机失火故障概率模型中生成失火概率值；
当所述失火概率值大于预设阈值时，获取所述发动机在预设时间内的转速峰值参数集合；
基于所述转速峰值参数集合生成发动机转速平均值；
将所述发动机转速平均值和所述预设失火概率值输入预设概率计算公式中进行计算，生成计算后的失火概率值；
当所述计算后的失火概率值大于预设阈值时，确定所述发动机失火。
2.根据权利要求1所述的方法，其特征在于，所述获取目标发动机的运行数据和预设失火概率值之前，还包括：
获取发动机正常运行的过程数据生成第一数据样本；
采集发动机的失火故障数据生成第二数据样本；
创建发动机失火故障概率模型，将所述第一数据样本和第二数据样本输入所述发动机失火故障概率模型中训练生成训练后的发动机失火故障概率模型，作为预设发动机失火故障概率模型。
3.根据权利要求2所述的方法，其特征在于，所述将所述第一数据样本和第二数据样本输入所述失火故障概率模型中训练生成训练后的失火故障概率模型，包括：
获取所述第一数据样本对应的发动机排温变化图；
将所述发动机排温变化图对应的数据和所述第二数据样本输入所述发动机失火故障概率模型中训练生成训练后的发动机失火故障概率模型，作为预设发动机失火故障概率模型。
4.根据权利要求1所述的方法，其特征在于，所述基于所述转速峰值参数集合生成发动机转速平均值，包括：
在所述转速峰值参数集合中采集预设数量的转速峰值参数；
将所述预设数量的转速峰值参数进行求和取平均值生成发动机转速平均值。
5.根据权利要求1所述的方法，其特征在于，所述获取目标发动机的运行数据和预设失火概率值之前，还包括：
获取所述发动机失火之前的运行数据样本和失火之后的运行数据样本；
创建发动机失火概率评估模型，将所述发动机失火之前的运行数据样本和失火之后的运行数据样本输入所述发动机失火概率评估模型中生成失火概率值，作为预设失火概率值。
6.一种发动机失火检测装置，其特征在于，所述装置包括：
数据获取模块，用于获取目标发动机的运行数据和预设失火概率值；
第一概率值生成模块，用于将所述运行数据输入预设发动机失火故障概率模型中生成失火概率值；
集合获取模块，用于当所述失火概率值大于预设阈值时，获取所述发动机在预设时间内的转速峰值参数集合；
平均值生成模块，用于基于所述转速峰值参数集合生成发动机转速平均值；
概率值计算模块，用于将所述发动机转速平均值和所述预设失火概率值输入预设概率计算公式中进行计算，生成计算后的失火概率值；
失火确定模块，用于当所述计算后的失火概率值大于预设阈值时，确定所述发动机失火。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
第一数据样本生成模块，用于获取发动机正常运行的过程数据生成第一数据样本；
第二数据样本生成模块，用于采集发动机的失火故障数据生成第二数据样本；
模型生成模块，用于创建发动机失火故障概率模型，将所述第一数据样本和第二数据样本输入所述发动机失火故障概率模型中训练生成训练后的发动机失火故障概率模型，作为预设发动机失火故障概率模型。
8.根据权利要求7所述的装置，其特征在于，所述模型生成模块，包括：
变化图获取单元，用于获取所述第一数据样本对应的发动机排温变化图；
模型生成单元，用于将所述发动机排温变化图对应的数据和所述第二数据样本输入所述发动机失火故障概率模型中训练生成训练后的发动机失火故障概率模型。
9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如权利要求1～5任意一项的方法步骤。
10.一种终端，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1～5任意一项的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911204658.3A CN111120094B (zh) | 2019-11-29 | 2019-11-29 | 一种发动机失火检测方法、装置、存储介质及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911204658.3A CN111120094B (zh) | 2019-11-29 | 2019-11-29 | 一种发动机失火检测方法、装置、存储介质及终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111120094A true CN111120094A (zh) | 2020-05-08 |
| CN111120094B CN111120094B (zh) | 2021-02-23 |
Family
ID=70497070
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911204658.3A Active CN111120094B (zh) | 2019-11-29 | 2019-11-29 | 一种发动机失火检测方法、装置、存储介质及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111120094B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113339150A (zh) * | 2021-07-22 | 2021-09-03 | 中国第一汽车股份有限公司 | 一种汽油机颗粒捕集器再生控制方法 |
| CN113779494A (zh) * | 2021-09-22 | 2021-12-10 | 潍柴动力股份有限公司 | Scr故障诊断方法和装置 |
| CN114542281A (zh) * | 2021-12-23 | 2022-05-27 | 中国北方发动机研究所(天津) | 一种基于多源数据融合的柴油机失火故障识别方法 |
| CN115217625A (zh) * | 2021-06-17 | 2022-10-21 | 广州汽车集团股份有限公司 | 发动机失火诊断标定方法、装置、存储介质、设备及系统 |
| CN115263548A (zh) * | 2022-04-02 | 2022-11-01 | 长城汽车股份有限公司 | 一种发动机失火检测方法、装置、车辆和存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1540304A (zh) * | 2003-04-24 | 2004-10-27 | 日立优喜雅汽车配件有限公司 | 内燃机失火检测设备及其方法 |
| CN101000020A (zh) * | 2006-12-22 | 2007-07-18 | 吉林大学 | 内燃机失火检测方法及系统 |
| CN102072818A (zh) * | 2010-11-09 | 2011-05-25 | 联合汽车电子有限公司 | 转速传感器前置时获取发动机各缸失火检测信号的方法 |
| US20150192498A1 (en) * | 2014-01-08 | 2015-07-09 | Fuji Jukogyo Kabushiki Kaisha | Engine Misfiring Diagnosis Device |
| CN105865794A (zh) * | 2016-05-12 | 2016-08-17 | 长安大学 | 基于短时傅立叶变换和主分量分析的发动机失火故障诊断方法 |
| CN109030010A (zh) * | 2018-06-28 | 2018-12-18 | 潍柴动力股份有限公司 | 一种用于发动机失火检测方法及装置 |
| CN109282916A (zh) * | 2018-08-06 | 2019-01-29 | 深圳信息职业技术学院 | 预测双燃料发动机活塞表面最高温度的方法和装置 |
| CN109397703A (zh) * | 2018-10-29 | 2019-03-01 | 北京航空航天大学 | 一种故障检测方法及装置 |
| CN110293960A (zh) * | 2018-03-23 | 2019-10-01 | 株式会社斯巴鲁 | 失火判定装置 |
| CN110360008A (zh) * | 2018-04-11 | 2019-10-22 | 丰田自动车株式会社 | 内燃机的失火检测装置 |
| CN111336011A (zh) * | 2020-03-21 | 2020-06-26 | 东风汽车集团有限公司 | 一种汽油机失火监测方法 |
-
2019
- 2019-11-29 CN CN201911204658.3A patent/CN111120094B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1540304A (zh) * | 2003-04-24 | 2004-10-27 | 日立优喜雅汽车配件有限公司 | 内燃机失火检测设备及其方法 |
| CN101000020A (zh) * | 2006-12-22 | 2007-07-18 | 吉林大学 | 内燃机失火检测方法及系统 |
| CN102072818A (zh) * | 2010-11-09 | 2011-05-25 | 联合汽车电子有限公司 | 转速传感器前置时获取发动机各缸失火检测信号的方法 |
| US20150192498A1 (en) * | 2014-01-08 | 2015-07-09 | Fuji Jukogyo Kabushiki Kaisha | Engine Misfiring Diagnosis Device |
| CN105865794A (zh) * | 2016-05-12 | 2016-08-17 | 长安大学 | 基于短时傅立叶变换和主分量分析的发动机失火故障诊断方法 |
| CN110293960A (zh) * | 2018-03-23 | 2019-10-01 | 株式会社斯巴鲁 | 失火判定装置 |
| CN110360008A (zh) * | 2018-04-11 | 2019-10-22 | 丰田自动车株式会社 | 内燃机的失火检测装置 |
| CN109030010A (zh) * | 2018-06-28 | 2018-12-18 | 潍柴动力股份有限公司 | 一种用于发动机失火检测方法及装置 |
| CN109282916A (zh) * | 2018-08-06 | 2019-01-29 | 深圳信息职业技术学院 | 预测双燃料发动机活塞表面最高温度的方法和装置 |
| CN109397703A (zh) * | 2018-10-29 | 2019-03-01 | 北京航空航天大学 | 一种故障检测方法及装置 |
| CN111336011A (zh) * | 2020-03-21 | 2020-06-26 | 东风汽车集团有限公司 | 一种汽油机失火监测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 赵学华: "基于模型辨识的发动机失火故障诊断", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115217625A (zh) * | 2021-06-17 | 2022-10-21 | 广州汽车集团股份有限公司 | 发动机失火诊断标定方法、装置、存储介质、设备及系统 |
| CN115217625B (zh) * | 2021-06-17 | 2023-09-01 | 广州汽车集团股份有限公司 | 发动机失火诊断标定方法、装置、存储介质、设备及系统 |
| CN113339150A (zh) * | 2021-07-22 | 2021-09-03 | 中国第一汽车股份有限公司 | 一种汽油机颗粒捕集器再生控制方法 |
| CN113779494A (zh) * | 2021-09-22 | 2021-12-10 | 潍柴动力股份有限公司 | Scr故障诊断方法和装置 |
| CN113779494B (zh) * | 2021-09-22 | 2023-10-20 | 潍柴动力股份有限公司 | Scr故障诊断方法和装置 |
| CN114542281A (zh) * | 2021-12-23 | 2022-05-27 | 中国北方发动机研究所(天津) | 一种基于多源数据融合的柴油机失火故障识别方法 |
| CN114542281B (zh) * | 2021-12-23 | 2023-03-14 | 中国北方发动机研究所(天津) | 一种基于多源数据融合的柴油机失火故障识别方法 |
| CN115263548A (zh) * | 2022-04-02 | 2022-11-01 | 长城汽车股份有限公司 | 一种发动机失火检测方法、装置、车辆和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111120094B (zh) | 2021-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111120094B (zh) | 一种发动机失火检测方法、装置、存储介质及终端 | |
| US8793004B2 (en) | Virtual sensor system and method for generating output parameters | |
| AU2006315933B2 (en) | Process model based virtual sensor system and method | |
| CN113202626B (zh) | 发动机失火检测方法、装置、设备及可读存储介质 | |
| CN112528491B (zh) | 发动机sof原始排放的计算方法、装置、存储介质及电子设备 | |
| CN104898641A (zh) | 一种车辆故障检测方法和装置 | |
| CN113239963B (zh) | 车辆数据的处理方法、装置、设备、车辆和存储介质 | |
| CN114662954A (zh) | 车辆性能评估系统 | |
| CN113655348A (zh) | 一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质 | |
| CN114721419B (zh) | 基于无人机的输电线路的杆塔巡检方法、装置、以及设备 | |
| WO2005028839A1 (ja) | 過渡エンジン性能適合化方法およびシステム | |
| CN109522296B (zh) | 一种发动机ecu数据匹配标定方法及装置 | |
| CN113866350A (zh) | 车辆累碳量测量实现方法、装置、设备及存储介质 | |
| CN113094913A (zh) | 排放预估方法和装置 | |
| CN111930818A (zh) | 一种rde数据后处理方法、装置、设备及存储介质 | |
| CN116681959A (zh) | 基于机器学习的锋线识别方法、装置、存储介质及终端 | |
| CN113704871B (zh) | 车轮弯曲疲劳的确定方法、装置、终端设备及介质 | |
| CN114923711A (zh) | Rde模拟测试方法、装置、设备及可读存储介质 | |
| CN109711000A (zh) | 一种基于试车数据的航空发动机起动故障诊断方法 | |
| CN113529845B (zh) | 挖掘机故障诊断方法、挖掘机、电子设备及可读存储介质 | |
| CN113343554B (zh) | 一种拱坝水下毁伤识别方法、终端设备及存储介质 | |
| CN111722610B (zh) | 一种测试用例生成方法及装置 | |
| CN114753911B (zh) | Scr系统混合器工况检测方法、装置、电子设备和存储介质 | |
| US20220375280A1 (en) | Performance system for analyzing a vehicle's performance | |
| CN112161810B (zh) | 汽车发动机的动力检测方法、装置、设备及介质 |
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 |