CN113255474A - 一种汽车发动机故障诊断方法及装置 - Google Patents
一种汽车发动机故障诊断方法及装置 Download PDFInfo
- Publication number
- CN113255474A CN113255474A CN202110496053.7A CN202110496053A CN113255474A CN 113255474 A CN113255474 A CN 113255474A CN 202110496053 A CN202110496053 A CN 202110496053A CN 113255474 A CN113255474 A CN 113255474A
- Authority
- CN
- China
- Prior art keywords
- signal
- engine
- fault
- signal group
- unknown
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000013598 vector Substances 0.000 claims abstract description 82
- 230000000877 morphologic effect Effects 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 21
- 238000005260 corrosion Methods 0.000 claims description 12
- 230000007797 corrosion Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000002156 mixing Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 23
- 230000015654 memory Effects 0.000 description 23
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种汽车发动机故障诊断方法及装置。该方法包括获取汽车发动机的发动机信号,将所述发动机信号分为正常信号组与故障信号组后分别进行预处理去噪;分别计算预处理后的所述正常信号组与故障信号组中每个信号的模糊熵与形态学分形维数,基于模糊熵与形态学分形维数确定每个信号的特征向量,得到特征向量集;基于所述特征向量集建立支持向量机算法的故障诊断模型;当采集到未知发动机信号时,计算并输入所述未知发动机信号的未知特征向量集至所述故障诊断模型,判断所述未知发动机信号对应的工作状态。本发明实现了能准确的提取信号特征,还能提高故障的诊断速度。相较现有的汽车发动机故障检测方法的检测结果而言,故障诊断率更高。
Description
技术领域
本申请涉及汽车故障检测技术领域,具体而言,涉及一种汽车发动机故障诊断方法及装置。
背景技术
随着汽车工业的迅猛发展,汽车已经成为了机电液一体化的载体,各种电子技术的广泛应用,给汽车维修人员带来巨大的挑战,发动机是汽车关键的动力部件,由于其机构复杂、零件众多、工作条件恶劣等原,发动机故障是汽车故障中最为常见的故障,而发动机工作的可靠性直接决定着车辆驾驶时的舒适性、安全性。所以一个效率高、诊断精度高的发动机故障诊断方法是十分必要的。
发明内容
为了解决上述问题,本申请实施例提供了一种汽车发动机故障诊断方法及装置。
第一方面,本申请实施例提供了一种汽车发动机故障诊断方法,所述方法包括:
获取汽车发动机的发动机信号,将所述发动机信号分为正常信号组与故障信号组后分别进行预处理去噪;
分别计算预处理后的所述正常信号组与故障信号组中每个信号的模糊熵与形态学分形维数,基于所述模糊熵与形态学分形维数确定每个信号的特征向量,得到特征向量集;
基于所述特征向量集建立支持向量机算法的故障诊断模型;
当采集到未知发动机信号时,计算并输入所述未知发动机信号的未知特征向量集至所述故障诊断模型,判断所述未知发动机信号对应的工作状态,并根据所述未知特征向量集优化所述故障诊断模型。
优选的,所述获取汽车发动机的发动机信号,将所述发动机信号分为正常信号组与故障信号组后分别进行预处理去噪,包括:
获取发动机上振动传感器所检测的振动信号,将所述振动信号划分为正常信号组以及故障信号组;
分别根据预设阈值对所述正常信号组与故障信号组进行小波分解阈值去噪,所述预设阈值基于无偏风险估计准则、固定阈值准则和混合准则确定。
优选的,所述分别计算预处理后的所述正常信号组与故障信号组中每个信号的模糊熵与形态学分形维数,包括:
根据信号组构建数组,所述数组的行数m为所述信号组的信号数量,所述数组的列数n为所述信号组的信号长度;
根据所述数组每一行的数据作为一组n维时间序列构建相空间,并通过模糊函数计算每个信号的模糊熵;
确定所述信号组中信号在离散域的时间序列f(n)与结构元素g(m),分别计算f(n)关于g(m)的腐蚀和膨胀;
通过分形维数法计算所述腐蚀和膨胀,得到所述信号的形态学分形维数。
优选的,所述基于所述特征向量集建立支持向量机算法的故障诊断模型,包括:
从所述特征向量集中提取预设比例的所述特征向量作为训练集,通过SVM核函数对所述训练集进行训练,确定支持向量点和最大超平面,构建待验证模型;
将所述特征向量集中剩余比例的所述特征向量作为测试集,将所述测试集输入所述待验证模型,基于输出结果确定模型精度;
若所述模型精度高于预设精度,则将所述待验证模型确定为故障诊断模型;
若所述模型精度不高于预设精度,则重新进行所述获取汽车发动机的发动机信号的步骤。
第二方面,本申请实施例提供了一种汽车发动机故障诊断装置,所述装置包括:
获取模块,用于获取汽车发动机的发动机信号,将所述发动机信号分为正常信号组与故障信号组后分别进行预处理去噪;
计算模块,用于分别计算预处理后的所述正常信号组与故障信号组中每个信号的模糊熵与形态学分形维数,基于所述模糊熵与形态学分形维数确定每个信号的特征向量,得到特征向量集;
构建模块,用于基于所述特征向量集建立支持向量机算法的故障诊断模型;
诊断模块,用于当采集到未知发动机信号时,计算并输入所述未知发动机信号的未知特征向量集至所述故障诊断模型,判断所述未知发动机信号对应的工作状态,并根据所述未知特征向量集优化所述故障诊断模型。
第三方面,本申请实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面或第一方面的任意一种可能的实现方式提供的方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面或第一方面的任意一种可能的实现方式提供的方法。
本发明的有益效果为:结合振动信号处理与数字驱动技术,计算振动信号的分形维数与模糊熵,并将二者作为特征输入支持向量机中构建模型,不仅能准确的提取信号特征,还能提高故障的诊断速度。相较现有的汽车发动机故障检测方法的检测结果而言,故障诊断率更高。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例中所需使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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的附图。
图1为本申请实施例提供的一种汽车发动机故障诊断方法的流程示意图;
图2为本申请实施例提供的一种汽车发动机故障诊断装置的结构示意图;
图3为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
在下述介绍中,术语“第一”、“第二”仅为用于描述的目的,而不能理解为指示或暗示相对重要性。下述介绍提供了本发明的多个实施例,不同实施例之间可以替换或者合并组合,因此本发明也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而,如果一个实施例包含特征A、B、C,另一个实施例包含特征B、D,那么本发明也应视为包括含有A、B、C、D的一个或多个所有其他可能的组合的实施例,尽管该实施例可能并未在以下内容中有明确的文字记载。
下面的描述提供了示例,并且不对权利要求书中阐述的范围、适用性或示例进行限制。可以在不脱离本发明内容的范围的情况下,对描述的元素的功能和布置做出改变。各个示例可以适当省略、替代或添加各种过程或组件。例如所描述的方法可以以所描述的顺序不同的顺序来执行,并且可以添加、省略或组合各种步骤。此外,可以将关于一些示例描述的特征组合到其他示例中。
参见图1,图1是本申请实施例提供的一种汽车发动机故障诊断方法的流程示意图。在本申请实施例中,所述方法包括:
S101、获取汽车发动机的发动机信号,将所述发动机信号分为正常信号组与故障信号组后分别进行预处理去噪。
在一种可实施方式中,步骤S101包括:
获取发动机上振动传感器所检测的振动信号,将所述振动信号划分为正常信号组以及故障信号组;
分别根据预设阈值对所述正常信号组与故障信号组进行小波分解阈值去噪,所述预设阈值基于无偏风险估计准则、固定阈值准则和混合准则确定。
在本申请实施例中,信号分类就是将发动机正常工作信号和发动机每一种故障信号进行划分类别,进而分成正常信号组与故障信号组,即为数据增加了标签。接着分别对两组信号进行小波分解阈值去噪,所用小波基为db4,选择合适阈值过滤掉权重小于阈值的噪声信号部分。小波分解去噪的阈值的选择依据则由无偏风险估计准则(rigrsure)、固定阈值准则(sgtwolog)、混合准则(heursure)共同决定,不同的诊断背景下选择合适的阈值。
具体的,对各信号进行小波分解,即:
对f(t)=s(t)+e(t)进行小波变换,其中f(t)为未处理振动信号,s(t)是有效信号而e(t)是噪声信号;f(t)变换后得:
其中t为时间,τ为平移量,α为尺度,ψ(u)为小波变换基函数。α、τ和ψ(u)的根据原信号的特征人为选取。
小波变换后会得到有效信号的小波系数ω1及噪声信号的小波系数ω噪,ω噪和ω1均有多个不同的值,但ω1在数值上比ω噪大,因此选用合适的阈值,过滤掉阈值以下的小波系数即可只留下ω1,滤掉噪声的系数ω噪。阈值的具体选用方法如下:
阈值的选取有多种方法,如无偏风险估计准则(rigrsure)、固定阈值准则(sgtwolog)、混合准则(heursure);本实例选用sgtwolog准则,则阈值其中n为小波系数向量长度。依据阈值λ过滤掉噪声信号,留下有效信号的小波变换函数WTe(α,τ),对该信号进行小波逆变换重构原始信号得到去噪后的发动机振动信号f(t)。
S102、分别计算预处理后的所述正常信号组与故障信号组中每个信号的模糊熵与形态学分形维数,基于所述模糊熵与形态学分形维数确定每个信号的特征向量,得到特征向量集。
在一种可实施方式中,所述分别计算预处理后的所述正常信号组与故障信号组中每个信号的模糊熵与形态学分形维数,ω1包括:
根据信号组构建数组,所述数组的行数m为所述信号组的信号数量,所述数组的列数n为所述信号组的信号长度;
根据所述数组每一行的数据作为一组n维时间序列构建相空间,并通过模糊函数计算每个信号的模糊熵;
确定所述信号组中信号在离散域的时间序列f(n)与结构元素g(m),分别计算f(n)关于g(m)的腐蚀和膨胀;
通过分形维数法计算所述腐蚀和膨胀,得到所述信号的形态学分形维数。
具体的,计算各组振动信号的模糊熵的过程为,使用输出的去噪后的正常信号组以及故障信号组信号分别构建m行n列的数组,建立规则是行数m=信号组中信号数量,列数n=信号长度(信号采样点数)。所得数组A如下:
按行提取数组A中的元素组成序列{fk(i);1≤i≤n,1≤k≤m},嵌入维数M后,构建一组M维矢量{Xi}得:
其中,f0()是矢量中M个数据的均值。
其中,对应位置元素差值最大值(t≠j)。
接着,用模糊函数定义两个向量的相似度为:
其中,r为相似限容,M为维数,N梯度。
接着,定义函数为:
最后,由模糊熵定义求得模糊熵FE值为:
其中,相似限容r=0.2s(s为样本标准差),维数M=2,梯度N=2,采样点数Np=3200。提取数组A每一行的数据作为一组n维时间序列,将序列代入上述求解公式中,求得每个信号的模糊熵FE并记录。
具体的,计算各组振动信号的形态学分形维数过程为:如同模糊熵的计算过程一样,按行提取数组A中的元素组成序列{fk(i);1≤i≤n,1≤k≤m}。
以第一组序列f1(i)为例演示形态学分形维数的具体算法。数学形态学计算方法的基本算子是腐蚀与膨胀,需要定义f1(i)对于结构单元g(m)腐蚀与膨胀的运算,具体如下:
其中,g(m)=[0,0,0],定义在G={1,2,…,M}(M<i)。
计算振动信号形态学分形维数需要考虑信号形态腐蚀或膨胀的次数,也就是尺度ε,由于发动机信号具有不平稳性,因此将腐蚀或膨胀的最大尺度定义为60,即εmax=60。在尺度ε下信号f1腐蚀与膨胀公式为:
接着定义尺度ε对信号的覆盖面积:
根据分形维数特征Ag(ε)满足以下条件:
S103、基于所述特征向量集建立支持向量机算法的故障诊断模型。
在一种可实施方式中,步骤S103包括:
从所述特征向量集中提取预设比例的所述特征向量作为训练集,通过SVM核函数对所述训练集进行训练,确定支持向量点和最大超平面,构建待验证模型;
将所述特征向量集中剩余比例的所述特征向量作为测试集,将所述测试集输入所述待验证模型,基于输出结果确定模型精度;
若所述模型精度高于预设精度,则将所述待验证模型确定为故障诊断模型;
若所述模型精度不高于预设精度,则重新进行所述获取汽车发动机的发动机信号的步骤。
示例性的,得到信号的特征向量集后,取其中70%特征向量作为训练集进行SVM机器学习训练,余下的30%作为测试集以验证诊断系统诊断率是否合格。
输入训练集进行训练之前,必须考虑分类结果是否为线性可分,由于该实施例的数据并非线性可分,因此该实施例选择使用高斯核函数,用“超曲面”代替“超平面”,高斯核函数如下:
线性可分超平面方程为:
其中ω为训练集法向量,γ为标量,||ω||为ω范数。
核函数的超平面方程为:
其中,K(x,xi)=<φ(xi),φ(x)>,将训练集带入f(x)中迭代训练,最终求出超平面,以超平面为分界线,分类发动机两种不同的工作状态。
接着,将余下的30%特征向量整合为测试集,假设为未知标签信号输入SVM分类器中,验证该SVM分类器的故障诊断率是否达标。若不满足95%的故障诊断率,则需要收集更多数据重新进行上述流程,重新训练分类器,直到合格为止。若诊断率大于95%,则可初步投入使用。
S104、当采集到未知发动机信号时,计算并输入所述未知发动机信号的未知特征向量集至所述故障诊断模型,判断所述未知发动机信号对应的工作状态,并根据所述未知特征向量集优化所述故障诊断模型。
具体的,在将采集的未知发动机信号经过步骤S101、步骤S102的计算,发送至故障诊断模型进行故障判断后,故障诊断模型同样会将未知发动机信号的未知特征向量集作为训练集输入至故障诊断模型中进行训练,以此使得模型能够在不断的诊断过程中持续优化。
下面将结合附图2,对本申请实施例提供的汽车发动机故障诊断装置进行详细介绍。需要说明的是,附图2所示的汽车发动机故障诊断装置,用于执行本申请图1所示实施例的方法,为了便于说明,仅示出了与本申请实施例相关的部分,具体技术细节未揭示的,请参考本申请图1所示的实施例。
请参见图2,图2是本申请实施例提供的一种汽车发动机故障诊断装置的结构示意图。如图2所示,所述装置包括:
获取模块201,用于获取汽车发动机的发动机信号,将所述发动机信号分为正常信号组与故障信号组后分别进行预处理去噪;
计算模块202,用于分别计算预处理后的所述正常信号组与故障信号组中每个信号的模糊熵与形态学分形维数,基于所述模糊熵与形态学分形维数确定每个信号的特征向量,得到特征向量集;
构建模块203,用于基于所述特征向量集建立支持向量机算法的故障诊断模型;
诊断模块204,用于当采集到未知发动机信号时,计算并输入所述未知发动机信号的未知特征向量集至所述故障诊断模型,判断所述未知发动机信号对应的工作状态,并根据所述未知特征向量集优化所述故障诊断模型。
在一种可实施方式中,所述获取模块201具体用于:
获取发动机上振动传感器所检测的振动信号,将所述振动信号划分为正常信号组以及故障信号组;
分别根据预设阈值对所述正常信号组与故障信号组进行小波分解阈值去噪,所述预设阈值基于无偏风险估计准则、固定阈值准则和混合准则确定。
在一种可实施方式中,所述计算模块202具体用于:
根据信号组构建数组,所述数组的行数m为所述信号组的信号数量,所述数组的列数n为所述信号组的信号长度;
根据所述数组每一行的数据作为一组n维时间序列构建相空间,并通过模糊函数计算每个信号的模糊熵;
确定所述信号组中信号在离散域的时间序列f(n)与结构元素g(m),分别计算f(n)关于g(m)的腐蚀和膨胀;
通过分形维数法计算所述腐蚀和膨胀,得到所述信号的形态学分形维数。
在一种可实施方式中,所述构建模块203具体用于:
从所述特征向量集中提取预设比例的所述特征向量作为训练集,通过SVM核函数对所述训练集进行训练,确定支持向量点和最大超平面,构建待验证模型;
将所述特征向量集中剩余比例的所述特征向量作为测试集,将所述测试集输入所述待验证模型,基于输出结果确定模型精度;
若所述模型精度高于预设精度,则将所述待验证模型确定为故障诊断模型;
若所述模型精度不高于预设精度,则重新进行所述获取汽车发动机的发动机信号的步骤。
本领域的技术人员可以清楚地了解到本发明实施例的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件,其中硬件例如可以是现场可编程门阵列(Field-ProgrammableGate Array,FPGA)、集成电路(Integrated Circuit,IC)等。
本发明实施例的各处理单元和/或模块,可通过实现本发明实施例所述的功能的模拟电路而实现,也可以通过执行本发明实施例所述的功能的软件而实现。
参见图3,其示出了本发明实施例所涉及的一种电子设备的结构示意图,该电子设备可以用于实施图1所示实施例中的方法。如图3所示,电子设备300可以包括:至少一个中央处理器301,至少一个网络接口304,用户接口303,存储器305,至少一个通信总线302。
其中,通信总线302用于实现这些组件之间的连接通信。
其中,用户接口303可以包括显示屏(Display)、摄像头(Camera),可选用户接口303还可以包括标准的有线接口、无线接口。
其中,网络接口304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,中央处理器301可以包括一个或者多个处理核心。中央处理器301利用各种接口和线路连接整个终端300内的各个部分,通过运行或执行存储在存储器305内的指令、程序、代码集或指令集,以及调用存储在存储器305内的数据,执行终端300的各种功能和处理数据。可选的,中央处理器301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。中央处理器301可集成中央中央处理器(Central Processing Unit,CPU)、图像中央处理器(GraphicsProcessing 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中央处理器301中,单独通过一块芯片进行实现。
其中,存储器305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305包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器305可用于存储指令、程序、代码、代码集或指令集。存储器305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305可选的还可以是至少一个位于远离前述中央处理器301的存储装置。如图3所示,作为一种计算机存储介质的存储器305中可以包括操作系统、网络通信模块、用户接口模块以及程序指令。
在图3所示的电子设备300中,用户接口303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301可以用于调用存储器305中存储的汽车发动机故障诊断应用程序,并具体执行以下操作:
获取汽车发动机的发动机信号,将所述发动机信号分为正常信号组与故障信号组后分别进行预处理去噪;
分别计算预处理后的所述正常信号组与故障信号组中每个信号的模糊熵与形态学分形维数,基于所述模糊熵与形态学分形维数确定每个信号的特征向量,得到特征向量集;
基于所述特征向量集建立支持向量机算法的故障诊断模型;
当采集到未知发动机信号时,计算并输入所述未知发动机信号的未知特征向量集至所述故障诊断模型,判断所述未知发动机信号对应的工作状态,并根据所述未知特征向量集优化所述故障诊断模型。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述方法的步骤。其中,计算机可读存储介质可以包括但不限于任何类型的盘,包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米系统(包括分子存储器IC),或适合于存储指令和/或数据的任何类型的媒介或设备。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置,可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服务接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
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。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元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,可以存储在一个计算机可读取存储器中。基于这样的理解,本发明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全部或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器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通进程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random AccessMemory,RAM)、磁盘或光盘等。
以上所述者,仅为本公开的示例性实施例,不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰,皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后,将容易想到本公开的其实施方案。本发明旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的范围和精神由权利要求限定。
Claims (5)
1.一种汽车发动机故障诊断方法,其特征在于,所述方法包括:
获取汽车发动机的发动机信号,将所述发动机信号分为正常信号组与故障信号组后分别进行预处理去噪;
分别计算预处理后的所述正常信号组与故障信号组中每个信号的模糊熵与形态学分形维数,基于所述模糊熵与形态学分形维数确定每个信号的特征向量,得到特征向量集;
基于所述特征向量集建立支持向量机算法的故障诊断模型;
当采集到未知发动机信号时,计算并输入所述未知发动机信号的未知特征向量集至所述故障诊断模型,判断所述未知发动机信号对应的工作状态,并根据所述未知特征向量集优化所述故障诊断模型。
2.根据权利要求1所述的方法,其特征在于,所述获取汽车发动机的发动机信号,将所述发动机信号分为正常信号组与故障信号组后分别进行预处理去噪,包括:
获取发动机上振动传感器所检测的振动信号,将所述振动信号划分为正常信号组以及故障信号组;
分别根据预设阈值对所述正常信号组与故障信号组进行小波分解阈值去噪,所述预设阈值基于无偏风险估计准则、固定阈值准则和混合准则确定。
3.根据权利要求1所述的方法,其特征在于,所述分别计算预处理后的所述正常信号组与故障信号组中每个信号的模糊熵与形态学分形维数,包括:
根据信号组构建数组,所述数组的行数m为所述信号组的信号数量,所述数组的列数n为所述信号组的信号长度;
根据所述数组每一行的数据作为一组n维时间序列构建相空间,并通过模糊函数计算每个信号的模糊熵;
确定所述信号组中信号在离散域的时间序列f(n)与结构元素g(m),分别计算f(n)关于g(m)的腐蚀和膨胀;
通过分形维数法计算所述腐蚀和膨胀,得到所述信号的形态学分形维数。
4.根据权利要求1所述的方法,其特征在于,所述基于所述特征向量集建立支持向量机算法的故障诊断模型,包括:
从所述特征向量集中提取预设比例的所述特征向量作为训练集,通过SVM核函数对所述训练集进行训练,确定支持向量点和最大超平面,构建待验证模型;
将所述特征向量集中剩余比例的所述特征向量作为测试集,将所述测试集输入所述待验证模型,基于输出结果确定模型精度;
若所述模型精度高于预设精度,则将所述待验证模型确定为故障诊断模型;
若所述模型精度不高于预设精度,则重新进行所述获取汽车发动机的发动机信号的步骤。
5.一种汽车发动机故障诊断装置,其特征在于,所述装置包括:
获取模块,用于获取汽车发动机的发动机信号,将所述发动机信号分为正常信号组与故障信号组后分别进行预处理去噪;
计算模块,用于分别计算预处理后的所述正常信号组与故障信号组中每个信号的模糊熵与形态学分形维数,基于所述模糊熵与形态学分形维数确定每个信号的特征向量,得到特征向量集;
构建模块,用于基于所述特征向量集建立支持向量机算法的故障诊断模型;
诊断模块,用于当采集到未知发动机信号时,计算并输入所述未知发动机信号的未知特征向量集至所述故障诊断模型,判断所述未知发动机信号对应的工作状态,并根据所述未知特征向量集优化所述故障诊断模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110496053.7A CN113255474A (zh) | 2021-05-07 | 2021-05-07 | 一种汽车发动机故障诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110496053.7A CN113255474A (zh) | 2021-05-07 | 2021-05-07 | 一种汽车发动机故障诊断方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113255474A true CN113255474A (zh) | 2021-08-13 |
Family
ID=77223943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110496053.7A Pending CN113255474A (zh) | 2021-05-07 | 2021-05-07 | 一种汽车发动机故障诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255474A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103439594A (zh) * | 2013-08-02 | 2013-12-11 | 广东电网公司电力科学研究院 | Sf6电气设备故障诊断系统与方法 |
CN105910823A (zh) * | 2016-06-21 | 2016-08-31 | 上海电机学院 | 一种滚动轴承故障诊断方法 |
CN108154178A (zh) * | 2017-12-25 | 2018-06-12 | 北京工业大学 | 基于改进的svm-knn算法的半监督托攻击检测方法 |
-
2021
- 2021-05-07 CN CN202110496053.7A patent/CN113255474A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103439594A (zh) * | 2013-08-02 | 2013-12-11 | 广东电网公司电力科学研究院 | Sf6电气设备故障诊断系统与方法 |
CN105910823A (zh) * | 2016-06-21 | 2016-08-31 | 上海电机学院 | 一种滚动轴承故障诊断方法 |
CN108154178A (zh) * | 2017-12-25 | 2018-06-12 | 北京工业大学 | 基于改进的svm-knn算法的半监督托攻击检测方法 |
Non-Patent Citations (2)
Title |
---|
吴鹏飞 等: "《基于模糊熵和分形维数的滚动轴承早期故障检测》", 《风机技术》 * |
周小华 等: "《中国生物医学工程进展(上册)》", 30 April 2007 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109949219B (zh) | 一种超分辨率图像的重构方法、装置及设备 | |
CN105046651B (zh) | 一种图像的超分辨率重构方法和装置 | |
CN111198815B (zh) | 用户界面的兼容性测试方法及装置 | |
CN111863014A (zh) | 一种音频处理方法、装置、电子设备和可读存储介质 | |
CN112712537A (zh) | 视频时空超分辨率实现方法及装置 | |
CN111488810A (zh) | 人脸识别方法、装置、终端设备及计算机可读介质 | |
CN116797590A (zh) | 一种基于机器视觉的Mura缺陷检测方法及系统 | |
CN111275126A (zh) | 样本数据集生成方法、装置、设备及存储介质 | |
CN112785540B (zh) | 一种扩散加权图像的生成系统及方法 | |
CN112434930B (zh) | 钻进过程故障诊断方法、系统及设备 | |
CN114445273A (zh) | 磁共振图像处理方法、计算机设备及存储介质 | |
CN113255474A (zh) | 一种汽车发动机故障诊断方法及装置 | |
CN117290679A (zh) | 电流互感器的运行状态检测方法、装置及电子设备 | |
CN111626313B (zh) | 一种特征提取模型训练方法、图像处理方法及装置 | |
CN108548669B (zh) | 一种工程装备传动系统故障诊断方法及系统 | |
CN111414579A (zh) | 基于多角度相关关系获取脑区关联信息的方法和系统 | |
CN113409213B (zh) | 柱塞泵故障信号时频图降噪增强方法和系统 | |
CN102799880B (zh) | 用于捕获滚动指纹图像的装置和方法 | |
CN112712015B (zh) | 一种人体关键点识别方法、装置、智能终端及存储介质 | |
CN114692831A (zh) | 针对可变分辨率计算可变卷积核的方法、存储介质 | |
CN113496228A (zh) | 一种基于Res2Net、TransUNet和协同注意力的人体语义分割方法 | |
Zeng et al. | Application of local histogram clipping equalization image enhancement in bearing fault diagnosis | |
CN116858541B (zh) | 基于密集特征重用的轴承早期故障诊断方法及系统 | |
CN113723437B (zh) | 一种ai模型的自动化训练方法及ai模型训练系统 | |
CN116309274B (zh) | 图像中小目标检测方法、装置、计算机设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210813 |