CN111832617B - 发动机冷态测试故障诊断方法 - Google Patents

发动机冷态测试故障诊断方法 Download PDF

Info

Publication number
CN111832617B
CN111832617B CN202010506419.XA CN202010506419A CN111832617B CN 111832617 B CN111832617 B CN 111832617B CN 202010506419 A CN202010506419 A CN 202010506419A CN 111832617 B CN111832617 B CN 111832617B
Authority
CN
China
Prior art keywords
test
engine
samples
neural network
layer
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.)
Active
Application number
CN202010506419.XA
Other languages
English (en)
Other versions
CN111832617A (zh
Inventor
刘训臣
黄嗣博
卫思霁
何涛
董忠璇
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong 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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202010506419.XA priority Critical patent/CN111832617B/zh
Publication of CN111832617A publication Critical patent/CN111832617A/zh
Application granted granted Critical
Publication of CN111832617B publication Critical patent/CN111832617B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种发动机冷态测试故障诊断方法，包括以下步骤：进行发动机冷态测试并获取m个发动机样本并将其分为m1个正常发动机样本和m2个故障发动机样本，然后将m1个正常的发动机样本和m2个故障发动机样本进行数据整理形成m3个正常发动机样本和m4个故障发动机样本，使得m3与m4满足以下关系：
Figure DDA0002526707590000011
以及m3+m4≧100，搭建LSTM神经网络，并将处理过的样本数据导入LSTM神经网络进行训练和进行自检验，然后对待诊断的发动机进行冷态测试并提取测试数据，将测试数据输入自检验过的模型，模型自动输出诊断结果。本发明可以降低对试验人员专业性要求，还可以提高训练模型在训练样本较小时的训练效果。

Description

发动机冷态测试故障诊断方法
技术领域
本发明涉及发动机领域，具体涉及一种发动机冷态测试故障诊断方法。
背景技术
现如今，智能诊断技术在发动机测试方面已经取得了十分广泛的应用， 其主要可以分为基于数学模型的方法和基于人工智能的方法两大类。其中数 学模型则是通过一定的物理和数学原理，提取冷态测试原始曲线的特征值， 来判断发动机是否存在故障，而人工智能的方法则是采用机器学习或者深度 学习的方法来判断发动机是否存在故障。
然而，目前通过建立数学物理模型，通过特征值判断发动机冷态测试是 否存在故障的方法过于依赖试验人员的经验和知识，对于一般人员很难有效 提取发动机故障特征，同时也难以判断发动机是否存在故障，同时，对于采 用机器学习深度学习的方法进行发动机冷态故障诊断的，却大多使用BP神经 网络和SVM等简单机器学习结构，很难描述发动机冷态测试过程中特征参量 随时间变化的规律。
发明内容
本发明的目的是提供一种发动机冷态测试故障诊断方法，以解决上述现 有技术中存在的问题。
为了解决上述问题，根据本发明的一个方面，提供了一种发动机冷态测试 故障诊断方法，所述方法包括以下步骤：
步骤一、进行发动机冷态测试并获取m个发动机样本；
步骤二、将所述m个发动机样本分为m1个正常发动机样本和m2个故障 发动机样本，其中m＝m1+m2；
步骤三、将所述m1个正常的发动机样本和所述m2个故障发动机样本进 行数据整理形成m3个正常发动机样本和m4个故障发动机样本，使得m3与 m4满足以下关系：
Figure BDA0002526707570000021
以及m3+m4≧100；
步骤四、搭建LSTM神经网络；
步骤五、将经过所述步骤三处理过的样本数据导入LSTM神经网络进行 训练；
步骤六、将经过所述步骤三处理过的样本数据导入训练完成后的LSTM神 经网络进行自检验；
步骤七、对待诊断的发动机进行冷态测试并提取测试数据，将所述测试数 据输入通过所述步骤六自检验过的模型，所述模型自动输出诊断结果。
在一个实施例中，所述发动机冷态测试包括进气测试、排气测试、高速油 压测试、低速油压测试、运行扭矩测试、喷油嘴测试以及VVT测试。
在一个实施例中，将所述m1个正常的发动机样本复制n1倍得到m3，或 将所述m2个故障发动机样本采用分段导入数据样本的方式扩充至m4个故障 发动机样本。
在一个实施例中，在所述步骤三中，还包括验证数据样本特征是否丢失的 步骤。
在一个实施例中，“验证数据样本特征是否丢失”通过以下方法实现：将 原始样本截断后进行傅里叶变换，把傅里叶变换后的第j个正常第i阶强度记 为Tij，其中i小于10，检验Tij正常样本的截断结果是否满足如下式子，|Tij- Ti|/|Tij|<0.05，其中Ti为j个样本Tij的平均值。
在一个实施例中，所述步骤四中的LSTM神经网络为双层biLSTM神经 网络，所述双层biLSTM神经网络包括两组biLSTM Layer和两组Dropout Layer， 第一组biLSTM Layer包括250个神经元，第二组biLSTM Layer包括200个神 经元，以及每一组biLSTM Layer包括一个前向LSTM Layer和一个后向LSTM Layer，其中每一个神经元在每一个时步上的动作为：
输入，遗忘，输出和记录单元状态，并分别满足以下动作：
gu＝σ((1+ku)Wuht-1+(1-ku)Iuxt)
gf＝σ((1+kf)Wfht-1+(1-kf)Ifxt)
go＝σ((1+ko)Woht-1+(1-ko)Ioxt)
gc＝tanh((1+kc)Wcht-1+(1-kc)Icxt)
其中gu、gf、go、gc为状态向量，分别代表输入门，遗忘门，输出门，单 元状态门；Wu、Wf、Wo、Wc为循环质量矩阵；Iu、If、Io、Ic为投影矩阵， k为权重因子，较佳地，k＝-0.02。
在一个实施例中，所述双层biLSTM神经网络的DropoutLayer运算逻辑 为随机性的根据参数probability，将输入元素设置为零，然后将剩余元素按照 1/(1-probality)比例缩放，较佳地，参数probality设置为0.3用于防止过拟合。
在一个实施例中，在所述步骤四中，利用MATLAB R2019a软件来搭建建 LSTM神经网络，以及在所述步骤五中，采用Adam优化求解器进行优化求解。
在一个实施例中，在所述步骤四中，通过构建损失函数E(θ)来防止过拟合， ER(θ)＝E(θ)+L2Ω(w)，其中，w为质量矩阵，
Figure BDA0002526707570000031
在一个实施例中，所述步骤四中的所述LSTM神经网络为单层LSTM神 经网络，所述单层LSTM神经网络包括一个LSTM层；或
所述步骤四中的所述LSTM神经网络为双层LSTM神经网络，所述双层 LSTM神经网络包括两个LSTM层；或
所述步骤四中的所述LSTM神经网络为单层biLSTM神经网络，所述单 层biLSTM神经网络包括一个biLSTM层。
本发明采用搭建LSTM神经网络的方法，对发动机冷态测试进行智能 故障诊断，在降低对试验人员专业性要求之余，还可以提高训练模型在训 练样本较小时的训练效果，以及与其他神经网络相比，能够更加良好的保 存发动机冷态测试特征参数随时间变化的规律。
附图说明
图1是本发明的发动机冷态测试故障诊断方法的流程图。
图2是VVT测试的曲线图。
图3是运行扭矩测试的曲线图。
图4是进气压力测试的曲线图。
图5是排气压力测试的曲线图。
图6是低速油压测试的曲线图。
图7是高速油压测试的曲线图。
图8是喷油嘴动作测试的曲线图。
图9示出四种不同的LSTM神经网络结构图。
具体实施方式
以下将结合附图对本发明的较佳实施例进行详细说明，以便更清楚理解 本发明的目的、特点和优点。应理解的是，附图所示的实施例并不是对本发 明范围的限制，而只是为了说明本发明技术方案的实质精神。
在下文的描述中，出于说明各种公开的实施例的目的阐述了某些具体 细节以提供对各种公开实施例的透彻理解。但是，相关领域技术人员将认 识到可在无这些具体细节中的一个或多个细节的情况下来实践实施例。在 其它情形下，与本申请相关联的熟知的装置、结构和技术可能并未详细地 示出或描述从而避免不必要地混淆实施例的描述。
在整个说明书中对“一个实施例”或“一实施例”的提及表示结合实施 例所描述的特定特点、结构或特征包括于至少一个实施例中。因此，在整个 说明书的各个位置“在一个实施例中”或“在一实施例”中的出现无需全都 指相同实施例。另外，特定特点、结构或特征可在一个或多个实施例中以任 何方式组合。
在以下描述中，为了清楚展示本发明的结构及工作方式，将借助诸多 方向性词语进行描述，但是应当将“前”、“后”、“左”、“右”、“外”、 “内”、“向外”、“向内”、“上”、“下”等词语理解为方便用语，而 不应当理解为限定性词语。
本发明则采用LSTM神经网络的方法，对发动机冷态测试进行智能故 障诊断，在降低对试验人员专业性要求之余，还可以提高训练模型在训练 样本较小时的训练效果，以及与其他神经网络相比，能够更加良好的保存 发动机冷态测试特征参数随时间变化的规律。
目前发动机冷态故障诊断的方法往往是通过建立数学物理模型，提取 特征参数的方法进行，该方法需要试验人员具备极高的专业知识和丰富的 故障检测经验，进而导致公司需要在故障诊断中付出大量的人力物力，而 通过机器学习和深度学习来进行发动机冷态故障诊断的方法大多采用支持 向量机模型，聚类模型，或者ANN神经网络或BP神经网络，这些方法却 只能从时序信号的某些特征入手，而忽视信号与时间的关系，从而忽视了某些时间特征，本发明提出的通过LSTM神经网络解决了以上两个问题， 降低人力物力成本的同时，最大程度保留了发动机冷态测试中的信号的时 间特征。
下面以4GC发动机为例介绍本发明的一个实施例。本领域的技术人员 可以理解的是，本发明涉及的方法并不限于4GC发动机，而是可以适用用 其他类型的各种各样的发动机。
图1是本发明的发动机冷态测试故障诊断方法的流程图。如图1所示， 本发明的发动机冷态测试故障诊断方法总体上包括以下步骤：
步骤100：进行发动机冷态测试并获取m个发动机样本。
在4GC发动机的19项测试中，我们可以发现线束导通测试、静态点 火测试、TDC测试、安全油压测试、启动扭矩测试为安全测试，所以不纳 入机器学习的范畴；节气门动作测试、曲轴凸轮正时测试、可变机油泵测 试、增压压力测试、可通过简单的参数进行判断是否存在故障，所以也不进 行讨论；增压器振动噪声测试、高速NVH测试、低速NVH测试涉及到复杂的振动模态分析所以也不适合本方法；而对于高速机油压力测试、VVT 测试、进气压力测试、低速机油压力测试、运行扭矩测试、排气压力测试及 喷油嘴动作测试七项测试则存在曲线特征复杂，故障曲线与正常曲线相似 度高等特点，采用传统的特征值判断故障误判率较高，所以本发明使用 LSTM针对这七项测试神经网络进行故障诊断。在本实施例中，一共获取了 429个发动机样本，也就是说，m＝429。
步骤200：对所述m个发动机样本进行数据整理，将所述m个发动机 样本分为m1个正常发动机样本和m2个故障发动机样本，其中m＝m1+m2；
在本实施例中，各项测试的数据情况整理如下表1所示。
表1：
Figure BDA0002526707570000051
Figure BDA0002526707570000061
步骤300：将m1个正常的发动机样本和m2个故障发动机样本进行数 据整理形成m3个正常发动机样本和m4个故障发动机样本，使得m3与m4 的比值位于1:1-7:1之间。
对于VVT测试、运行扭矩测试、进气测试、排气测试、高速油压测试、 低速油压测试以及喷油嘴动作七项测试，每一项测试的数据特点均不相同， 同时由于测试所得数据量大小存在差异，对于某些测试，比如进气压力测 试、喷油嘴动作测试，正常数据所得量过少，如果不经预处理直接将原始数 据导入神经网络进行训练，势必会导致训练精度下降，所以在将数据导入 神经网络前必须对数据进行预处理。本实施例将结合每项测试所得的数据曲线分别介绍在本发明中对每项测试得到的数据进行的预处理方法，同时 对处理后的数据做简单介绍。
首先对于LSTM类神经网络，正常数据和错误数据的量差异不宜过大。 这是因为，当正常数据数量远小于错误数据时，LSTM神经网络无法正确识 别出数据的特征，同时，如果正常数据数量远大于错误数据数量时，LSTM 神经网络会对波形曲线特征过拟合，从而当将训练所得的网络运用于正式 生产测试的测试结果时，会导致LSTM神经网络错误地将正确的结果识别 为错误结果。进行数据的预处理就是为了避免这两个问题的产生。
因此，当样本中正常样本过少时，本发明采取的策略是将正确的样本 数据复制n2倍，例如4-7倍，由于正常曲线样本本来具有十分良好的聚合 性，即特征差异较小，当进行较小倍数的复制时，不会对结果产生较大影 响。然而，如果复制倍数超过10倍，训练结果极易产生过拟合的现象，所 以，在发明中，对于某些测试项目，比如进气压力测试，喷油嘴测试，其正 常样本相较于错误样本数据量实在过小，所以将其正常样本复制了4-6倍 不等，从而使得处理后的正常样本与故障样本的比值位于1:1-7:1之间。
而当故障样本过少时，本发明采取的对策是将错误样本进行分段处理， 由于RNNs循环神经网络的性质，LSTM神经网络，尤其是biLSTM神经网 络可以很好的处理样本的时间特征所以，在本实施例中，对于运行扭矩测 试，排气测试等某些错误样本缺失的测试项目，根据其特征，分别将其切割 成了四段，对于低速油压测试这样主要需要依靠对曲线进行傅里叶变换才 能看出特征，同时单次测量较长时间的曲线，在本实施例中被切割成了八 段，但同时，对于某些特殊的曲线比如VVT测试的曲线，其整条曲线均为 单次测试的特征，将其分割成几段显然是不明智的，所以在本发明中采取 的方法是将错误曲线复制了两份，这样做带来的风险是有可能导致神经网 络过度拟合错误曲线，这样产生的结果是在将训练完成的神经网络应用于 实际的生产时，神经网络面对没有遇到过的曲线无法正常判断其正确与错 误，极有可能将错误的曲线划分至正确的曲线中，但是由于仅复制了两次， 所以神经网路很难发生过拟合的现象，所以不用担心通过VVT测试得到的 神经网络过度拟合错误结果，同时在后续的测试中，测试结果也验证了这 一点。
最后根据测试，LSTM/biLSTM神经网络如果想要取得较为准确的训练 结果，对导入神经网络进行训练的训练样本总数也有一定要求，一般来说， 训练样本呢不应少于100，同时单个样本的长度不应低于1000。
此外，在步骤300中，优选地，在采用分段导入数据样本的方式扩充 基本的数据集后，还需要通过傅里叶变化检测样本数据的特征是否丢失。 由于傅里叶变化可以较好的分析数据在时域和频域上的信号特点，有效的 提取时间信号的信息，专业研究人员可以通过不同阶次的信号特征来判断 发动机是否存在故障，所以本实例选择它来对处理的样本是否损失故障进 行判断。
具体方法为：将原始样本截断后进行傅里叶变换，把傅里叶变换后的 第j个正常第i阶强度记为Tij，其中i小于10，检验Tij正常样本的截断结 果是否满足如下式子，|Tij-Ti|/|Tij|<0.05，其中Ti为j个样本Tij的平均值。
下面将分别针对以上七项测试介绍本发明的步骤300的数据预处理方 法。
下面结合图2介绍VVT测试。
如图2所示，在VVT测试中，故障特征主要体现在八个方面，分别是： 开启速率、开启的起始角度、开启的角度差、开启的结束角度、开启的时间、 关闭的速率、关闭的起始角度、关闭的角度差、关闭的结束角度以及关闭的 时间几个参数。这几个参数在图2中分别对应上升沿的斜率，上升沿的纵 向跨度、上升沿的起始横坐标、上升沿的终止横坐标、上升沿的横向跨度、 下降沿的斜率、下降沿的纵向跨度，下降沿的起始横坐标、下降沿的终止横坐标、下降沿的横向跨度。需要注意的是单次测试的曲线特征遍布了整个 测试过程，同时单项测试仅包括一个上升沿和一个下降沿，这就导致无法 将一条曲线(一个原始样本)拆分成了几个样本，所以在本项测试中，在不 影响最终训练结果，同时不会导致训练完成的神经网络对错误样本进行过 拟合，能做的仅为将整体错误样本复制两倍，同时为了保证故障样本数和 正常样本数数量差距不至于影响最终的训练结果，所以仅保留了87个原始 正常样本。值得注意的是，这87个原始正常样本均为随机挑选获得，并没 有进行分别绘制挑选故障特征明显的样本，这样操作的目的是为了防止人 为的挑选导致数据不具有代表性，影响最终的训练结果。这样，最终获得的 样本数量为22个故障样本和87个正常样本，如下表2所示：
表2
Figure BDA0002526707570000081
其中处理前错误样本仅占2.33％，处理后错误样本数达到20.19％，达 到LSTM/biLSTM神经网络对样本的基本要求。虽然样本总数由原来的429 降至109，但也能达到LSTM/biLSTM神经网络训练所需样本的最低要求。
下面结合图3介绍运行扭矩测试。
如图3所示，其从左到右一共有4组信号峰，依次为四缸发动机的1、 4、2、3缸的运行扭矩测试数据，从图3中可以看出，对于一个正常发动机 的四缸具有十分优秀的重复性，所以在本测试中，由于原始的故障样本数 据较少，仅有24组，所以，在本实施例中，将一个测试样本切为四段，同 时让每一组测试数据都拥有两段上升沿和一段下降沿，同时都拥有一个波 峰和一个波谷，但是由于切割了原有曲线，导致新产生的样本单组仅保留
表3
Figure BDA0002526707570000091
通过上述的处理，最终在运行扭矩测试部分，获得的可以导入神经网 络的样本数据总量为496，其中错误样本数占24.00％，相较于测试结果的 429个样本，错误样本的占比提高，从原来的5.95％增长到了LSTM/biLSTM 深度神经网络的基本要求,即24.00％，同时样本总数也得到了一定程度上的 提高。
下面结合图4介绍进气压力测试。
对于本实验中采用的4GC发动机，由于其存在四缸的特性，并不需要 测量单缸的进气整个过程，即从进气门开启到压力上升至峰值，压力从峰 值降至最小值，直至进气门关闭的整个过程，而是将压力传感器放置再进 气歧管中，分别测量四缸的开合状态，所以测量结果为一条连续的有四个 峰波的曲线，同时，由于四缸存在可替代性，可以观察到四个波峰的可重复 性较高，此部分特征与运行扭矩测试中获得的原始测量曲线相同。然而，与 运行扭矩测试相反，在进气压力测试这一部分中正常数据较少，所以在本 实施例中，将一组原始数据切割为四段，每段包括一个单独的波峰，即一个 上升沿和一个下降沿。同时，与运行扭矩测试相同，由于切割了原始测量曲 线，导致单样本的长度仅为512个点，所以依旧采用内插的方法，将单样 本长度延长，填充至2048个点构成的时间序列，同样，由于LSTM/biLSTM 神经网络要求样本之间长度差异不能过于悬殊，所以对于故障样本，同样 采用了相类似的方法，随机选取了53组错误样本，将选取得到的故障样本 切割为四段，再采用内插的方法进行填充，最终获得了214组错误样本数 据，之后再从中随机挑选出113组导入到神经网络中进行学习。其数据样 本的具体情况如下表4所示：
表4
Figure BDA0002526707570000101
其中原始数据中，错误样本占比为72.9％，经过处理后样本总数达到 577个，同时，错误样本数占比降至19.58％，此时获得的训练样本数据更 加符合LSTM/biLSTM神经网络对样本的需求。
下面结合图5介绍排气压力测试。
同进气压力测试类似，对于本次实验中采用的4GC四缸发动机，可以 通过交流伺服电机分别带动四缸进行运动，再在排气歧路中放置压力传感 器测量压力值的变化，即首先带动第一缸运动，进气门打开，扭矩做功，排 气门打开排气；然后第四缸进气门打开，扭矩做功，排气门打开；随后第二 缸进气门打开，扭矩做功，排气门打开；最后第三缸进气门打开，扭矩做功， 排气门打开。所以测量所得的曲线为排气歧路测得的一、四、二、三缸的连续排气曲线。和进气压力测试类似，由于4GC发动机的四缸具有相类似的 性质，所以如图5所示，将四缸排气形成的波峰分割、重叠后，重合度很 高，说明将原始的4峰连续曲线均匀地分割成4段，导入LSTM/biLSTM神 经网络进行学习是可行的，同时由于分割了原始曲线导致单个样本的长度 仅有512个点，为了延长整个样本的长度同样采用内插的方法，将切割后 的新样本长度扩充到2048。
于是通过分割原始曲线和内插的方法获得了240组故障样本数据，同 时为了保证故障样本和正常样本的长度和数量比例保持在一个相对均衡的 范围内，通过随机挑选的方法选择了240组正常样本，然后通过切割、内 插的方法从而获得了960组正常样本，然后经过再一次随机挑选得到了800 组正常样本导入LSTM/biLSTM神经网络，具体数量如下表5所示：
表5
Figure BDA0002526707570000111
其中处理前的原始数据总样本数为429个，错误样本占14.2％，通过 处理后总样本数为1040个，错误样本数占比达到23.08％。
下面结合图6介绍低速油压测试。
通常，低速油压测试曲线是测量八个周期，但是，在实际的测量中八 个周期的曲线特征并不明显，于是在传统的测试中，通常是将其进行傅里 叶变换，然后观察其傅里叶变换后的曲线是否具有相同的特征，如图6可 见，原始曲线一共测量了八个周期，共16384个点，但是测量结果的周期 性真的非常不明显，通过傅里叶变化后，观察到每段曲线的幅频函数在各 个阶次的变化规律相类似，证明如果在处理中将原始曲线截作8段扩充样 本量是不存在问题的，同时，可以观察到原始样本的幅频曲线和分割后得 到的样本的幅频曲线区别较大，所以不能将原始曲线样本和分割后的曲线 样本混合使用。
综上所述，在原始的12组故障曲线样本中，按照其测量的八个周期， 将每一条故障曲线分割为八个部分，于是获得了96组故障曲线样本，其中 每一组样本的长度都为2046个点，同时为了针对、平衡故障曲线和正常曲 线的数量，防止LSTM/biLSTM神经网络过度拟合正常曲线，本文从417组 正常原始曲线样本中随机选择了91组原始正常曲线样本，将全部原始正常 曲线样本按照周期分割为8段，之后获得了728组正常曲线，从中随机挑 选了350组处理后的正常样本与之前的91组处理后的故障曲线样本组成了 训练样本集，构成如下表6所示：
表6
Figure BDA0002526707570000112
Figure BDA0002526707570000121
其中，未处理时原始样本共计429个，其中错误样本占2.8％，处理后 共有样本446个，其中错误样本占21.5％。
下面结合图7介绍高速油压测试。
通常高速油压测试过程为一个状态量测量过程，即通过测量发动机高 速转动时的油压是否稳定来判断发动机的装配是否发生故障，所以在通常 通过特征参数判断的方法中，通常采用的是衡量曲线的最大值和最小值以 及最大值和最小值之间的跨度来判断高速油压是否稳定，但是这样的方法 通常存在一个问题即当跨度较小且整体油压偏大或偏小时，很难通过特征 参数来判断发动机高速旋转时油压是否稳定，符合标准，如图7中的故障 样本3，借助深度神经学习网络，一定程度上可以避免或者减小该问题带来 的影响。同时由于是检验曲线是否稳定，所以不能通过截取某一段曲线作 为样本的方法来生成样本。因此，与VVT测试类似，在该项目中，错误样 本较少(仅有10个)但是无法通过切割曲线的方法获得样本，所以处理方 法也与VVT测试类似，将错误样本整体复制2倍，从而避免相同故障曲线 过多导致的深度学习网络对错误样本过拟合的问题，同时也一定程度上保 证了故障样本数量，与此同时仅保留了88个正常样本，从而保证故障样本 数和正常样本数数量差距不至于影响最终的训练结果。具体的样本数量变 化如下表7所示：
表7
Figure BDA0002526707570000122
其中，未处理时原始样本共计429个，其中错误样本占2.3％，处理后 共有样本446个，其中错误样本占18.5％。
下面结合图8介绍喷油嘴动作测试。
如上图8所示，在本实施例中，如果不将数据进行预处理，直接将测 量得到的曲线放入LSTM/biLSTM深度神经网络中，计算机很难识别出差 异，所以我们选择根据四缸分别喷油的设计，将曲线拆分为四段，可以观察 到，无论是正常曲线还是非正常曲线，重合度都非常之高，之后我们将曲线 通过插值的方法，将拆分后只有400个点的样本，重新恢复为2000个点， 这个时候将截断、内插获得的正常曲线和故障曲线对比，发现在曲线下降 沿有明显的区别，如图中蓝圈所示，正常曲线下降相对平滑，即斜率变化速 度较为缓和，反之故障曲线的下降沿变化较为明显，斜率有显著的先上升 再下降的变化趋势，而该特征可以很好的成为LSTM/biLSTM深度人工神 经网络学习的目标，所以在该部分，发明人选择了60组错误样本以及39组 正常样本，通过截断的方法，将每个样本扩充为4倍，同时由于正常曲线的重合度很高，所以可以直接对正常曲线进行复制，在本文中是复制了7次， 最终样本数量的变化如下表8所示：
表8
Figure BDA0002526707570000131
其中，未处理时原始样本共计429个，其中错误样本占90.9％，处理后 共有样本1332个，其中错误样本占21.9％。
综上，在步骤300中，针对不同实施例的测试项目，对将要使用 LSTM/biLSTM深度神经网络的原始数据进行了与之相适应的数据预处理， 为导入LSTM/biLSTM深度神经网络做好了准备。
经过步骤300的数据处理后，不同实施例的测试项目获得的训练数据 集如下表9所示：
表9
Figure BDA0002526707570000132
Figure BDA0002526707570000141
步骤400：搭建LSTM神经网络。
MATLAB R2019a中的Deep Learning ToolboxTM作为深度学习的专用软件， 为用户提供了非常多的选项，以提高用户搭建的神经网络的最终训练效果的准 确性。因此，本实施例以MATLAB软件为例介绍LSTM神经网络的搭建，然 而，本领域的技术人员可以理解，也可以利用其它任何合适的软件搭建LSTM 网络。
如图9所示，搭建了四种不同的LSTM/biLSTM神经网络。第一个为一个 单层LSTM神经网络，包括一个LSTM层，其numHiddenUnits为250；第二 个为一个双层LSTM神经网络，有两个LSTM层，其numHiddenUnits分别为 200、250；第三个为一个单层biLSTM神经网络，包括一个biLSTM层，其 numHiddenUnits为250；最后一个为一个双层biLSTM神经网络。该双层biLSTM神经网络包括两组biLSTM Layer和Dropout Layer。对于第一个 biLSTM Layer包括250个神经元，对于第二个biLSTM Layer包括200个神经 元。同时每个biLSTM Layer包括一个前向LSTM Layer和一个后向LSTM Layer， 在这个过程中，对于每一个神经元在每一个时步上的动作为：输入，遗忘，输 出和记录单元状态。其分别满足以下动作：
gu＝σ((1+ku)Wuht-1+(1-ku)Iuxt) (5)
gf＝σ((1+kf)Wfht-1+(1-kf)Ifxt) (6)
go＝σ((1+ko)Woht-1+(1-ko)Ioxt) (7)
gc＝tanh((1+kc)Wcht-1+(1-kc)Icxt)
其中gu、gf、go、gc为状态向量，分别代表输入门，遗忘门，输出门， 单元状态门；Wu、Wf、Wo、Wc为循环质量矩阵；Iu、If、Io、Ic为投影矩 阵，在本例中加入权重因子k并将其设定为-0.02，在样本较小时提高错误样本 的权重。此外，DropoutLayer运算逻辑为随机性的根据probability，将输入元 素设置为零，然后将剩余元素按照1/(1-probality)比例缩放,参数probality设置为 0.3用于防止过拟合。
步骤500：将经过步骤300处理过的样本数据导入LSTM神经网络进行训 练；
选用Adam优化求解器进行优化求解，其原理如下所示：
while θt not converged do
t←t+1
Figure BDA0002526707570000151
(获得t时刻的梯度下降量)
mt←β1·mt-1+(1-β1)·gt(更新有偏差的第一矩估计)
Figure BDA0002526707570000152
(更新有偏差的第二矩估计)
Figure BDA0002526707570000153
(更新偏差修正的第一矩估计)
Figure BDA0002526707570000154
(更新偏差修正的第二矩估计)
Figure BDA0002526707570000155
(更新参数)
end while
return θt(返回结果值)
其中，α为步长大小，在本例中设置的初始值为0.01，同时为了节约训练 时间，该值会随着训练周期的增大不断变大；指数衰减率β1、β2在本文中设置 的值分别为0.9，0.99；∈为偏差修正值，理论无限趋近于0但不等于0，在本 文中设置的值大小为10-8，
Figure BDA0002526707570000156
分别用β1、β2估计。
选择InitialLearnRate用于设置神经网络的起始学习速度，如果该值设置过 低，则会导致训练花费过长时间；同时如果设置过大，则会导致训练结果无法 到达最优值，或者无法收敛。在本实施例中，该值设置为了0.01。
选择LearnRateSchedule用于设置神经网络的学习速度衰减率。在本实施 例中，通过设置学习衰减率来求解最优收敛值。该参数的设定值为“piecewise”， 软件MATLAB会根据某一特定参数与周期数的乘积，来更新学习速率。在实 施例中我们将这个参数设置为0.1。
选择LearnRateDropPeriod来设置软件每个多长时间更新一次学习速率， 在本实施例中，设置值为3，即每三个iteration，神经网络的学习速率就会发生 一次衰减。
同时为了防止神经网络发生过度拟合，在本文中，添加了一个正则化参数 L2，通过构建损失函数E(θ)，来进一步防止过拟合。该函数可以表示为：
ER(θ)＝E(θ)+L2Ω(W) (17)
其中，w为质量矩阵，Ω(w)可表示为：
Figure BDA0002526707570000161
需要注意的是，这里误差并没有被正则化。优选地，为了防止训练过程中， 梯度以指数的方式爆炸增长导致的训练结果不稳定或者在几次迭代后发散，在 本文中引入了梯度剪切参数，从而使模型在较高的学习率和异常值存在的情况 下稳定训练，进而有效防止梯度爆炸。梯度裁剪使网络训练更快，同时通常不 会影响学习任务的准确性，在本实施例中该值的大小设置为1。
步骤600：将经过步骤300处理过的样本数据导入训练完成后的LSTM神 经网络进行自检验；
得到的检测结果，准确率如下表10所示：
表10：
Figure BDA0002526707570000162
通过上表10可以看出，对于发动机的VVT测试，可以选择单层LSTM神 经网络、双层LSTM神经网络、单层biLSTM神经网络、双层biLSTM神经网 络中的任意一种，而对于运行扭矩测试测试，优先选择单层LSTM神经网络和 双层LSTM神经网络，而对于高速油压测试，优选单层biLSTM网络，对于低 速油压测试，优选双层biLSTM网络，而对于进气测试、排气测试以及喷油嘴 动作测试，则需要再次返回步骤200重新开始。
步骤700：对待诊断的发动机进行冷态测试并提取测试数据，将所述测试 数据输入通过所述步骤六进行自检验过的模型，所述模型自动输出诊断结果。
综上，本发明采用搭建LSTM神经网络的方法，对发动机冷态测试进 行智能故障诊断，在降低对试验人员专业性要求之余，还可以提高训练模 型在训练样本较小时的训练效果，以及与其他神经网络相比，能够更加良 好的保存发动机冷态测试特征参数随时间变化的规律。
以上已详细描述了本发明的较佳实施例，但应理解到，在阅读了本发 明的上述讲授内容之后，本领域技术人员可以对本发明作各种改动或修改。 这些等价形式同样落于本申请所附权利要求书所限定的范围。

Claims (6)

1.一种发动机冷态测试故障诊断方法，其特征在于，所述方法包括以下步骤：
步骤一、进行发动机冷态测试并获取m个发动机样本，其中，所述发动机冷态测试包括进气测试、排气测试、高速油压测试、低速油压测试、运行扭矩测试、喷油嘴测试以及VVT测试；
步骤二、将所述m个发动机样本分为m1个正常发动机样本和m2个故障发动机样本，其中m=m1+m2；
步骤三、将所述m1个正常的发动机样本和所述m2个故障发动机样本进行数据整理形成m3个正常发动机样本和m4个故障发动机样本，使得m3与m4满足以下关系：1≦
Figure DEST_PATH_IMAGE001
≦7，以及m3+m4≧100，并验证数据样本特征是否丢失；其中，将所述m1个正常的发动机样本复制n1倍得到m3，或将所述m2个故障发动机样本采用分段导入数据样本的方式扩充至m4个故障发动机样本；其中，VVT测试和高速油压测试的故障样本采用复制方式处理，进气测试、排气测试、低速油压测试、运行扭矩测试和喷油嘴测试的故障样本采用分段导入再扩充的方式处理；其中，所述的验证数据样本特征是否丢失通过以下方法实现：将原始样本截断后进行傅里叶变换，把傅里叶变换后的第j个正常第i阶强度记为Tij，其中i小于10，检验Tij正常样本的截断结果是否满足如下式子，|Tij-Ti|/|Tij|<0.05，其中Ti为j个样本Tij的平均值；
步骤四、搭建LSTM神经网络；
步骤五、将经过所述步骤三处理过的样本数据导入LSTM神经网络进行训练；
步骤六、将经过所述步骤三处理过的样本数据导入训练完成后的LSTM神经网络进行自检验；
步骤七、对待诊断的发动机进行冷态测试并提取测试数据，将所述测试数据输入通过所述步骤六自检验过的模型，所述模型自动输出诊断结果，判定发动机发生什么类型的故障。
2.根据权利要求1所述的发动机冷态测试故障诊断方法，其特征在于，所述步骤四中的LSTM神经网络为双层biLSTM神经网络，所述双层biLSTM神经网络包括两组biLSTMLayer和两组DropoutLayer，第一组biLSTMLayer包括250个神经元，第二组biLSTM Layer包括200个神经元，以及每一组biLSTMLayer包括一个前向LSTMLayer和一个后向LSTMLayer，其中每一个神经元在每一个时步上的动作为：
输入，遗忘，输出和记录单元状态，并分别满足以下动作：
Figure 850994DEST_PATH_IMAGE002
Figure DEST_PATH_IMAGE003
Figure 909080DEST_PATH_IMAGE004
Figure 501867DEST_PATH_IMAGE006
其中
Figure DEST_PATH_IMAGE007
、
Figure 224972DEST_PATH_IMAGE008
、
Figure DEST_PATH_IMAGE009
、
Figure 180290DEST_PATH_IMAGE010
为状态向量，分别代表输入门，遗忘门，输出门，单元状态门；
Figure DEST_PATH_IMAGE011
、
Figure 878118DEST_PATH_IMAGE012
、
Figure DEST_PATH_IMAGE013
、
Figure 20518DEST_PATH_IMAGE014
为循环质量矩阵；
Figure DEST_PATH_IMAGE015
、
Figure 298047DEST_PATH_IMAGE016
、
Figure DEST_PATH_IMAGE017
、
Figure 107871DEST_PATH_IMAGE018
为投影矩阵，k为权重因子，k=-0.02。
3.根据权利要求2所述的发动机冷态测试故障诊断方法，其特征在于，所述双层biLSTM神经网络的DropoutLayer运算逻辑为随机性的根据参数probability，将输入元素设置为零，然后将剩余元素按照1/(1-probality)比例缩放，参数probality设置为0.3用于防止过拟合。
4.根据权利要求2所述的发动机冷态测试故障诊断方法，其特征在于，在所述步骤四中，利用MATLAB R2019a软件来搭建建LSTM神经网络，以及在所述步骤五中，采用Adam优化求解器进行优化求解。
5.根据权利要求4所述的发动机冷态测试故障诊断方法，其特征在于，在所述步骤四中，通过构建损失函数
Figure DEST_PATH_IMAGE019
来防止过拟合，
Figure 914284DEST_PATH_IMAGE020
，其中，
Figure DEST_PATH_IMAGE021
为质量矩阵，
Figure 465351DEST_PATH_IMAGE022
。
6.根据权利要求1所述的发动机冷态测试故障诊断方法，其特征在于，所述步骤四中的所述LSTM神经网络为单层LSTM神经网络，所述单层LSTM神经网络包括一个LSTM层；或
所述步骤四中的所述LSTM神经网络为双层LSTM神经网络，所述双层LSTM神经网络包括两个LSTM层；或
所述步骤四中的所述LSTM神经网络为单层biLSTM神经网络，所述单层biLSTM神经网络包括一个biLSTM层。
CN202010506419.XA 2020-06-05 2020-06-05 发动机冷态测试故障诊断方法 Active CN111832617B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010506419.XA CN111832617B (zh) 2020-06-05 2020-06-05 发动机冷态测试故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010506419.XA CN111832617B (zh) 2020-06-05 2020-06-05 发动机冷态测试故障诊断方法

Publications (2)

Publication Number Publication Date
CN111832617A CN111832617A (zh) 2020-10-27
CN111832617B true CN111832617B (zh) 2022-11-08

Family

ID=72899274

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010506419.XA Active CN111832617B (zh) 2020-06-05 2020-06-05 发动机冷态测试故障诊断方法

Country Status (1)

Country Link
CN (1) CN111832617B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112650204B (zh) * 2020-12-30 2021-12-24 中南大学 一种智慧轨道无人驾驶车辆故障基因识别方法及系统
CN112819107B (zh) * 2021-04-16 2021-07-02 四川九门科技股份有限公司 基于人工智能的燃气调压设备故障预测方法
CN112990445B (zh) * 2021-05-13 2021-07-16 国网浙江省电力有限公司金华供电公司 一种配电网监控信息智能分析机器学习方法
CN113884305B (zh) * 2021-09-29 2022-06-28 山东大学 基于svm的柴油机装配冷试检测方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108346144A (zh) * 2018-01-30 2018-07-31 哈尔滨工业大学 基于计算机视觉的桥梁裂缝自动监测与识别方法
CN108844742A (zh) * 2018-09-06 2018-11-20 国电联合动力技术有限公司 一种风电机组发电机轴承润滑状态监测方法和系统
CN109063366A (zh) * 2018-08-22 2018-12-21 深圳市建筑科学研究院股份有限公司 一种基于时间和空间加权的建筑性能数据在线预处理方法
CN109765053A (zh) * 2019-01-22 2019-05-17 中国人民解放军海军工程大学 利用卷积神经网络和峭度指标的滚动轴承故障诊断方法
CN109800627A (zh) * 2018-12-03 2019-05-24 第四范式（北京）技术有限公司 石油管道信号的异常检测方法及装置、设备及可读介质
CN110428004A (zh) * 2019-07-31 2019-11-08 中南大学 数据失衡下基于深度学习的机械零部件故障诊断方法
CN111175054A (zh) * 2020-01-08 2020-05-19 沈阳航空航天大学 一种基于数据驱动的航空发动机故障诊断方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108346144A (zh) * 2018-01-30 2018-07-31 哈尔滨工业大学 基于计算机视觉的桥梁裂缝自动监测与识别方法
CN109063366A (zh) * 2018-08-22 2018-12-21 深圳市建筑科学研究院股份有限公司 一种基于时间和空间加权的建筑性能数据在线预处理方法
CN108844742A (zh) * 2018-09-06 2018-11-20 国电联合动力技术有限公司 一种风电机组发电机轴承润滑状态监测方法和系统
CN109800627A (zh) * 2018-12-03 2019-05-24 第四范式（北京）技术有限公司 石油管道信号的异常检测方法及装置、设备及可读介质
CN109765053A (zh) * 2019-01-22 2019-05-17 中国人民解放军海军工程大学 利用卷积神经网络和峭度指标的滚动轴承故障诊断方法
CN110428004A (zh) * 2019-07-31 2019-11-08 中南大学 数据失衡下基于深度学习的机械零部件故障诊断方法
CN111175054A (zh) * 2020-01-08 2020-05-19 沈阳航空航天大学 一种基于数据驱动的航空发动机故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"双向LSTM 神经网络的航空发动机故障预测";曾慧洁等;《空军工程大学学报（自然科学版）》;20190831;第20卷(第4期);第26-32页 *
曾慧洁等."双向LSTM 神经网络的航空发动机故障预测".《空军工程大学学报（自然科学版）》.2019,第20卷(第4期), *

Also Published As

Publication number Publication date
CN111832617A (zh) 2020-10-27

Similar Documents

Publication Publication Date Title
CN111832617B (zh) 发动机冷态测试故障诊断方法
US10635976B2 (en) Machine learning system for estimating a temperature of an exhaust purification catalyst
Qin et al. Anti‐noise diesel engine misfire diagnosis using a multi‐scale CNN‐LSTM neural network with denoising module
Shen et al. Gaussian mixture model clustering-based knock threshold learning in automotive engines
Li et al. Emissions modeling of a light-duty diesel engine for model-based control design using multi-layer perceptron neural networks
US20050251322A1 (en) Virtual cylinder pressure sensor with individual estimators for pressure-related values
Martínez-Morales et al. Modeling of internal combustion engine emissions by LOLIMOT algorithm
CN104680233A (zh) 基于小波神经网络的发动机故障诊断方法
Henningsson et al. A virtual sensor for predicting diesel engine emissions from cylinder pressure data
Kuzhagaliyeva et al. Using deep neural networks to diagnose engine pre-ignition
Wei Design of Web based expert system of electronic control engine fault diagnosis
US20090013025A1 (en) Model transmission apparatus and model transmission method
Yang et al. A novel multiple feature-based engine knock detection system using sparse Bayesian extreme learning machine
Malikopoulos et al. Optimal engine calibration for individual driving styles
Komorska et al. Diagnosis of sensor faults in a combustion engine control system with the artificial neural network
Cranmer et al. Grey-box modeling architectures for rotational dynamic control in automotive engines
Smits et al. Excitation signal design and modeling benchmark of nox emissions of a diesel engine
Zhou et al. Deep learning approach for super-knock event prediction of petrol engine with sample imbalance
Soltanalizadeh et al. Automatic smooth map generation of internal combustion engines via local-global model based calibration technique
da Silva et al. Feature Selection in Machine Learning for Knocking Noise detection
Zhou et al. Fault diagnosis of gas turbine actuator based on improved convolutional neural network
Ventura et al. Intake O 2 Concentration Estimation in a Turbocharged Diesel Engine through NOE
Chen A novel diagnostic system for gasoline-engine leakage detection
Ventura et al. Recurrent Neural Network to Estimate Intake Manifold O 2 Concentration in a Diesel Engine
Antory Fault diagnosis application in an automotive diesel engine using auto-associative neural networks

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