CN112504689B - 发动机爆震检测方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开了一种发动机爆震检测方法、装置、设备及存储介质，所述方法包括：获取当前发动机与爆震相关的运行参数；将所述运行参数输入预先训练好的爆震预测模型，得到爆震信号的信噪比，其中，所述爆震预测模型是基于支持向量机训练的；当所述信噪比大于预设阈值时，确定发动机发生了爆震。根据本发明公开的发动机爆震检测方法，无需利用爆震传感器，可以在爆震传感器故障时通过发动机运行参数预测爆震的发生，保障了发动机的运行安全性。

Description

发动机爆震检测方法、装置、设备及存储介质

技术领域

本发明涉及发动机技术领域，特别涉及一种发动机爆震检测方法、装置、设备及存储介质。

背景技术

爆震是由于火焰前锋被称为末端气体的自燃引起的。末端气体是由燃料、空气和残余废气组成的。爆震时末端气体以极高的速率放出热量，产生很大的压力升高率，并以压力波的形式在燃烧室内来回传播，并通过机体向外部环境传递噪声。由于末端气体在发生爆震时的燃烧速度很大，能量急剧放出，火焰也是以高速传播的，由此产生了爆震所特有的气体震动、噪音和冲击波等特征。

爆震会使发动机输出功率、热效率降低，油耗上升，并使气缸过热，零件的压力增加，从而加速机件磨损，导致燃烧室积碳多、排气管冒黑烟。因此，爆震对发动机影响很大，目前采用爆震传感器来检测爆震，但是当爆震传感器发生故障时无法对爆震进行检测，此时如果发生严重爆震，可能会对发动机产生巨大损害。

发明内容

本公开实施例提供了一种发动机爆震检测方法、装置、设备及存储介质。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，本公开实施例提供了一种发动机爆震检测方法，包括：

获取当前发动机与爆震相关的运行参数；

将运行参数输入预先训练好的爆震预测模型，得到爆震信号的信噪比，其中，爆震预测模型是基于支持向量机训练的；

当信噪比大于预设阈值时，确定发动机发生了爆震。

在一个实施例中，与爆震相关的运行参数，包括：

发动机的压缩比、燃气品质因子、进气量、积碳量、进气温度、冷却液温度、空燃比、点火提前角。

在一个实施例中，获取当前发动机与爆震相关的运行参数之后，还包括：

采用最小-最大规范化方法对运行参数进行预处理。

在一个实施例中，将运行参数输入预先训练好的爆震预测模型之前，还包括：

根据发动机的不同运行工况，获取发动机的运行参数与爆震信号的信噪比之间的映射关系集合；

根据映射关系集合以及支持向量机算法训练爆震预测模型。

在一个实施例中，根据映射关系集合以及支持向量机算法训练爆震预测模型，包括：

将映射关系集合分为训练集和验证集；

将训练集中的运行参数作为支持向量机算法的输入变量，将训练集中的信噪比作为支持向量机算法的输出变量，进行爆震预测模型训练；

根据验证集验证训练的爆震预测模型，若验证结果无误，得到训练好的爆震预测模型。

在一个实施例中，在进行爆震预测模型训练时，选择径向基核函数作为支持向量机算法的核函数。

第二方面，本公开实施例提供了一种发动机爆震检测装置，包括：

获取模块，用于获取当前发动机与爆震相关的运行参数；

输入模块，用于将运行参数输入预先训练好的爆震预测模型，得到爆震信号的信噪比，其中，爆震预测模型是基于支持向量机训练的；

检测模块，用于当信噪比大于预设阈值时，确定发动机发生了爆震。

在一个实施例中，还包括：

预处理模块，用于采用最小-最大规范化方法对运行参数进行预处理。

第三方面，本公开实施例提供了一种发动机爆震检测设备，包括处理器和存储有程序指令的存储器，处理器被配置为在执行程序指令时，执行上述实施例提供的发动机爆震检测方法。

第四方面，本公开实施例提供了一种计算机可读介质，其上存储有计算机可读指令，计算机可读指令可被处理器执行以实现上述实施例提供的一种发动机爆震检测方法。

本公开实施例提供的技术方案可以包括以下有益效果：

本公开实施例提供的发动机爆震检测方法，根据发动机运行参数与爆震信号信噪比的关系，基于支持向量机，对发动机的爆震信号信噪比进行训练，得到爆震预测模型，根据爆震预测模型预测发动机是否发生爆震，该方法无需利用爆震传感器，可以在爆震传感器故障时通过发动机运行参数预测爆震的发生，保障了发动机的运行安全性。

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是根据一示例性实施例示出的一种发动机爆震检测方法的流程示意图；

图2是根据一示例性实施例示出的一种爆震预测模型的训练方法的流程示意图；

图3是根据一示例性实施例示出的一种发动机爆震检测装置的结构示意图；

图4是根据一示例性实施例示出的一种发动机爆震检测设备的结构示意图；

图5是根据一示例性实施例示出的一种计算机存储介质的示意图。

具体实施方式

为了能够更加详尽地了解本公开实施例的特点与技术内容，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或一个以上实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。

下面将结合附图1-附图2，对本申请实施例提供的发动机爆震检测方法进行详细介绍，参见图1，该方法具体包括以下步骤。

S101获取当前发动机与爆震相关的运行参数。

在一个实施例中，发动机的爆震传感器发生故障，此时无法通过爆震传感器检测发动机爆震。在一种可能的实现方式中，可以获取发动机当前的运行参数，预测发动机是否发生爆震。

其中，发动机与爆震相关的运行参数包括发动机的压缩比、燃气品质因子、进气量、积碳量、进气温度、冷却液温度、空燃比、点火提前角。

进一步地，获取到发动机与爆震相关的运行参数后，还包括采用最小-最大规范化方法对运行参数进行预处理。

具体地，数据预处理是指数据规范化处理，压缩比，燃气品质因子，进气量，积碳量，进气温度，冷却液温度，空燃比，点火提前角这些参数的数值不在相同的数量级上，一起计算时会导致运算困难，容易出错。规范化是指将属性数值按比例缩放使之落入一个小的特性区域，本公开实施例采用最小-最大规范化方法对数据进行预处理，将数值限定在[-1,1]，公式如下所示：

y＝2*(x-x_min)/(x_max-x_min)-1

其中，y为规范化后的属性数值，x为需要规范化的参数，x_min为参数的最小值，x_max为参数的最大值。

S102将运行参数输入预先训练好的爆震预测模型，得到爆震信号的信噪比，其中，爆震预测模型是基于支持向量机训练的。

在一个实施例中，将预处理后的运行参数输入预先训练好的爆震预测模型，爆震预测模型会输出一个爆震信号的信噪比。

其中，将运行参数输入预先训练好的爆震预测模型之前，还包括训练爆震预测模型。

具体地，在发动机的不同运行工况下，对发动机进行重复试验，得到发动机的运行参数与爆震信号的信噪比之间的映射关系集合。将该映射关系集合分为两组，一组作为支持向量机的训练集，一组作为支持向量机的验证集。

在进行爆震模型训练时，首先对训练数据集中的数据进行规范化预处理，由于各个参数之间是非线性关系，还需选择核函数，在一种可能的实现方式中，选择径向基核函数作为支持向量机算法的核函数，通过径向基核函数，不需要考虑模型参数的线性问题，计算准确度高，且大大降低了计算的难度，在一个实施例中，径向基核函数的公式如下所示：

其中，k表示函数名，x为变量，σ为其中一个参数。

进一步地，依据实验结果构造支持向量机回归模型的训练样本集{Xi,Yi}，Xi是输入变量，是由压缩比、燃气品质因子、进气量、积碳量、进气温度、冷却液温度、空燃比、点火提前角组成的多维向量；Yi是输出变量，是爆震信号的信噪比，进行爆震预测模型的训练，得到预训练的初始模型。

然后根据验证集验证预训练的初始模型，若验证结果无误，得到训练好的爆震预测模型。若验证结果有误，需要优化模型的参数。在寻找最优参数时有很多种方法，可以采用交叉验证算法。具体方法是将原始数据分为m组子集，子集大小相同且互不相交，随机将其中m-1组作为训练集对模型进行训练，另一组作为验证集评估模型的准确性。重复m次上述过程，使每次子集均有机会成为验证集，计算每一次获得的训练模型的均方差，用m个模型均方差平均值估计泛化误差，选择一种最优的参数，得到训练好的爆震预测模型。

本公开实施例在进行模型训练时，基于支持向量机进行模型训练，支持向量机是一类通用有效的机器学习方法，采用最优超平面方法控制学习机所实现的函数类的容量，使支持向量机模型具有良好的泛化能力，而核函数方法避免了显示的非线性映射，可以克服高维特征空间带来的计算困难，在解决非线性，高维问题中表现出许多优势，能够得到更准确的爆震信号信噪比与参数之间的关系，预测更准确。

根据该步骤，可以基于支持向量机回归模型以及发动机的运行参数训练爆震预测模型，爆震预测模型可以根据发动机的运行参数输出爆震信号的信噪比。

S103当信噪比大于预设阈值时，确定发动机发生了爆震。

通常，可根据爆震信号的信噪比评估发动机是否发生爆震，在一种可能的实现方式中，若爆震预测模型输出的爆震信号的信噪比大于预设阈值，则认为发动机发生了爆震。其中，预设阈值本领域技术人员可自行设定，本公开实施例不做具体限制。

为了便于理解本申请实施例提供的发动机爆震预测模型的训练方法，下面结合附图2进行说明，如图2所示，该方法包括：

首先，在发动机的不同运行工况下，对发动机进行重复试验，获取发动机的运行参数与爆震信号的信噪比之间的映射关系集合。然后，对映射关系集合中的数据进行预处理，数据预处理是指数据规范化处理，压缩比，燃气品质因子，进气量，积碳量，进气温度，冷却液温度，空燃比，点火提前角这些参数的数值不在相同的数量级上，一起计算时会导致运算困难，容易出错。规范化预处理是指将属性数值按比例缩放使之落入一个小的特性区域。

进一步地，选择由于各个参数之间是非线性关系，还需选择核函数，在一种可能的实现方式中，选择径向基核函数作为支持向量机算法的核函数，通过径向基核函数，不需要考虑模型参数的线性问题，计算准确度高，且大大降低了计算的难度。

进一步地，将映射关系集合分为训练集和测试集，使用训练集以及支持向量机算法训练爆震预测模型，得到初步预测模型。

然后利用测试集测试初步预测模型，将测试集的运行参数输入初步预测模型，将预测结果与实际情况进行对比，若符合实际情况，得到训练好的爆震预测模型，若不符合实际情况，调整支持向量机的参数，继续进行模型的训练和验证，直到得到训练好的爆震预测模型。

根据本公开实施例提供的发动机爆震检测方法，无需利用爆震传感器，可以在爆震传感器故障时通过发动机运行参数预测爆震的发生，保障了发动机的运行安全性。

本公开实施例还提供一种发动机爆震检测装置，该装置用于执行上述实施例的发动机爆震检测方法，如图3所示，该装置包括：

获取模块301，用于获取当前发动机与爆震相关的运行参数；

输入模块302，用于将运行参数输入预先训练好的爆震预测模型，得到爆震信号的信噪比，其中，爆震预测模型是基于支持向量机训练的；

检测模块303，用于当信噪比大于预设阈值时，确定发动机发生了爆震。

在一个实施例中，还包括预处理模块，用于采用最小-最大规范化方法对运行参数进行预处理。

需要说明的是，上述实施例提供的发动机爆震检测装置在执行发动机爆震检测方法时，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爆震检测装置与发动机爆震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。

本公开实施例还提供一种与前述实施例所提供的发动机爆震检测方法对应的电子设备，以执行上述发动机爆震检测方法。

请参考图4，其示出了本申请的一些实施例所提供的一种电子设备的示意图。如图4所示，电子设备包括：处理器400，存储器401，总线402和通信接口403，处理器400、通信接口403和存储器401通过总线402连接；存储器401中存储有可在处理器400上运行的计算机程序，处理器400运行计算机程序时执行本申请前述任一实施例所提供的发动机爆震检测方法。

其中，存储器401可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口403(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。

总线402可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。其中，存储器401用于存储程序，处理器400在接收到执行指令后，执行程序，前述本申请实施例任一实施方式揭示的发动机爆震检测方法可以应用于处理器400中，或者由处理器400实现。

处理器400可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器400中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器400可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器401，处理器400读取存储器401中的信息，结合其硬件完成上述方法的步骤。

本申请实施例提供的电子设备与本申请实施例提供的发动机爆震检测方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。

本申请实施例还提供一种与前述实施例所提供的发动机爆震检测方法对应的计算机可读存储介质，请参考图5，其示出的计算机可读存储介质为光盘500，其上存储有计算机程序(即程序产品)，计算机程序在被处理器运行时，会执行前述任意实施例所提供的发动机爆震检测方法。

需要说明的是，计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。

本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的发动机爆震检测方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (6)

1.一种发动机爆震检测方法，其特征在于，包括：

获取当前发动机与爆震相关的运行参数；包括发动机的压缩比、燃气品质因子、进气量、积碳量、进气温度、冷却液温度、空燃比、点火提前角；

根据发动机的不同运行工况，获取发动机的运行参数与爆震信号的信噪比之间的映射关系集合；根据所述映射关系集合以及支持向量机算法训练所述爆震预测模型；包括：将所述映射关系集合分为训练集和验证集；将所述训练集中的运行参数作为支持向量机算法的输入变量，将所述训练集中的信噪比作为支持向量机算法的输出变量，进行爆震预测模型训练；根据所述验证集验证所述训练的爆震预测模型，若验证结果无误，得到训练好的爆震预测模型；在进行爆震预测模型训练时，选择径向基核函数作为支持向量机算法的核函数；

将所述运行参数输入预先训练好的爆震预测模型，得到爆震信号的信噪比；

当所述信噪比大于预设阈值时，确定发动机发生了爆震。

2.根据权利要求1所述的方法，其特征在于，获取当前发动机与爆震相关的运行参数之后，还包括：

采用最小-最大规范化方法对所述运行参数进行预处理。

3.一种发动机爆震检测装置，其特征在于，包括：

获取模块，用于获取当前发动机与爆震相关的运行参数；包括发动机的压缩比、燃气品质因子、进气量、积碳量、进气温度、冷却液温度、空燃比、点火提前角；

训练模块，用于根据发动机的不同运行工况，获取发动机的运行参数与爆震信号的信噪比之间的映射关系集合；根据所述映射关系集合以及支持向量机算法训练所述爆震预测模型；包括：将所述映射关系集合分为训练集和验证集；将所述训练集中的运行参数作为支持向量机算法的输入变量，将所述训练集中的信噪比作为支持向量机算法的输出变量，进行爆震预测模型训练；根据所述验证集验证所述训练的爆震预测模型，若验证结果无误，得到训练好的爆震预测模型；在进行爆震预测模型训练时，选择径向基核函数作为支持向量机算法的核函数；

输入模块，用于将所述运行参数输入预先训练好的爆震预测模型，得到爆震信号的信噪比；

检测模块，用于当所述信噪比大于预设阈值时，确定发动机发生了爆震。

4.根据权利要求3所述的装置，其特征在于，还包括：

预处理模块，用于采用最小-最大规范化方法对所述运行参数进行预处理。

5.一种发动机爆震检测设备，其特征在于，包括处理器和存储有程序指令的存储器，所述处理器被配置为在执行所述程序指令时，执行如权利要求1至2任一项所述的发动机爆震检测方法。

6.一种计算机可读介质，其特征在于，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如权利要求1至2任一项所述的一种发动机爆震检测方法。

Images