CN113362077B - 一种基于区块链的产品溯源系统及其方法 - Google Patents

Abstract

本发明公开一种基于区块链的产品溯源系统，包括区块存储平台、运行声响获取模块、故障溯源分析模块、参数演变追踪模块、预测数据建模构建模块、运行环境干扰评估模块和溯源追踪管理平台。本发明提供的基于区块链的产品溯源系统通过采用逆向溯源追踪模型能够准确分析出发动机的故障来源是来源于制造过程还是发动机使用不当所导致的，实现精确故障来源定位，并根据制造过程中产生的故障进行生产加工参数调整，以降低因发动机加工环节过程中造成的故障干扰，大大提高了对发动机生产过程中的工艺要求，降低因生产制造而造成的发动机故障，提高发动机的使用寿命。

Description

一种基于区块链的产品溯源系统及其方法

技术领域

本发明属于产品溯源技术领域，涉及到一种基于区块链的产品溯源系统及其方法。

背景技术

汽车发动机是为汽车提供动力的装置，是汽车的心脏，根据动力来源不同，汽车发动机可分为柴油发动机、汽油发动机、电动汽车电动机以及混合动力等。

汽车发动机故障也是多种多样，如果汽车发动机出现故障将影响汽车的行驶，情况严重的将危及驾驶员生命安全，当发动机发生故障前，会发出异响的声响，发动机在出厂前会进行检验，以排除明显故障的发动机，但是对于故障不明显的发动机投入使用，随着使用时长的累计以及驾驶人员的操作习惯会加剧突显出发动机在制造过程中的弊端，进而一旦发动机发生故障后，无法有效地追踪溯源发动机的故障源头，导致发动机在使用过程中频繁发生故障，现有技术中存在发动机故障溯源难度大以及发动机寿命短的问题，无法根据发动机的异常声响分辨出发动机的故障来源于制造过程中的工艺参数还是发动机仅使用过程造成的故障，且无法根据故障来源进行合理的控制，以降低制造过程以及使用不当所造成的故障，为了解决以上问题，设计本申请的技术方案。

发明内容

本发明的目的在于提供的一种基于区块链的产品溯源系统及其方法，解决了现有技术中存在的问题。

本发明的目的可以通过以下技术方案实现：

一种基于区块链的产品溯源系统，包括区块存储平台、运行声响获取模块、故障溯源分析模块、参数演变追踪模块、预测数据建模构建模块、运行环境干扰评估模块和溯源追踪管理平台；

区块存储平台由若干区块链节点组成，每个区块链节点内记录存储发动机的不同生产加工流程参数以及发动机发出异常声响所对应的故障类型，且其中一区块链节点上存储有发动机在不同故障类型下的异常声音所对应的故障异响特征向量；

运行声响获取模块用于实时收集汽车运行过程中发动机的声音信息，对收集的发动机产品运行中的声音信息进行存储并模拟分离出发动机的异常声音；

故障溯源分析模块，提取运行声响获取模块分离后的发动机的异常声音，并按照异常声音绘制声音频谱图，对声音频谱图进行特征分析，提取声音频谱图中发动机的混合异响特征向量，并提取区块存储平台存储的发动机在各单一故障类型下的异常声音所对应的故障异响特征向量，采用故障混合推算公式统计出发动机发生的故障类型，并根据异常声音对应的故障类型对发动机的异常声音进行分离，获得各故障类型下的声音频谱图，筛选出各故障类型下声音频谱图中的声音幅值H^k；

参数演变追踪模块用于提取故障溯源分析模块分析出的发动机对应的故障类型，并在该故障类型下分别依次模拟汽车运行过程中在不同发动机转速V、不同负荷f以及不同温度T下的发动机故障声音，并对同一模拟变量下的各参数数值所对应的发动机故障声音进行分析，分析出发动机在同一模拟变量下随着参数数值变化所产生的该故障类型下最大异响幅值变化率；

预测数据建模构建模块对若干个无故障类型下的发动机进行实际使用环境预演，依次预演出若干发动机在单一模拟变量下随着参数数值变化以及使用时长的累计所造成的发动机由无故障状态切换到故障状态的次数以及发动机由无故障状态切换成故障状态下的最大异响幅值，并根据以上数据建立故障转变系数模型获得第x个模拟变量引发发动机由无故障切换到故障状态下的故障转变系数；

运行环境干扰评估模块提取预测数据建模模块预测出的各模拟变量对发动机由无故障状态切换至故障状态下的故障转变系数，并提取参数演变追踪模块分析出的发动机在同一模拟变量下随着参数数值变化所产生的该故障类型下最大异响幅值变化率，结合发动机在各模拟变量下的故障转变系数以及各故障类型下受该模拟变量影响下的最大异响幅值变化率分析出汽车实际运行参数对发动机的故障干扰评估系数；

溯源追踪管理平台用于获取运行环境干扰评估模块在各模拟变量干扰下的汽车实际运行参数对发动机的故障干扰评估系数，并提取故障溯源分析模块获得的发动机在各故障类型下的声音幅值，采用逆向溯源追踪模型获得各故障类型对应的声音幅值相对差值η^k，判断各故障类型对应的声音幅值相对差值的大小推导出发动机异响的故障来源。

优选地，所述故障混合推算公式为A_n＝λ_G1B1_n+λ_G2B2_n+λ_G3B3_n+λ_G4B4_n+λ_G5B5_n，λ_G1、λ_G2、λ_G3、λ_G4和λ_G5分别为G1、G2、G3、G4和G5故障类型下所对应的故障因子，若发动机的异常声音中存在其中一故障类型，则该故障类型对应的故障因子等于1，反之，则该故障类型对应的故障因子等于0，B1_n、B2_n、B3_n、B4_n和B5_n分别表示为G1、G2、G3、G4和G5故障类型下的标准故障异响特征向量，且B1_n、B2_n、B3_n、B4_n和B5_n与A_n均为一维特征向量，A_n＝(a₁ a₂ ... a_n)。

优选地，所述故障转变系数模型为

β_x表示为预测的第x个模拟变量引发发动机由无故障切换到故障状态下的故障转变系数，t表示为发动机累计使用时长，t′w表示为第w个发动机使用阶段所对应的标准时长，为预设的标准时长，w等于1,2,...,m，j等于2,...,m,发动机的使用阶段根据发动机的累计时长进行划分，发动机在不同使用阶段对应的使用时长不同，发动机按照使用阶段先后顺序进行使用，gw表示为发动机在第w个使用阶段所对应的故障干扰比例系数，且0＜g1＜g2＜...＜gm＜1，tj表示为发动机在第j个使用阶段所对应的使用时长，Z表示为测试样本中无故障类型发动机的数量，

表示为在第x个模拟变量的参数数值变化影响下Z个样本发动机中从无故障状态切换到故障状态的次数，

表示为第x个模拟变量下的参数数值从最小到最大的范围，

小于Z，e为自然数，

表示为在第x个模拟变量影响下Z个样本发动机由无故障状态切换到故障状态的发动机所对应的最大异响幅值的平均值，F^x _标表示为由无故障状态切换到故障状态的发动机在第x个模拟变量影响下所对应的标准异响幅值。

优选地，所述发动机的故障干扰评估系数的计算公式为

Q_x ^k表示为第x个模拟变量对发动机运行过程中产生第k个故障类型的故障干扰评估系数，k取G1、G2、G3、G4和G5，β_x表示为预测的第x个模拟变量引发发动机由无故障切换到故障状态下的故障转变系数，

表示为发动机在第x个模拟变量下随着参数数值变化所产生的第k个故障类型对应的最大异响幅值变化率。

优选地，所述逆向溯源追踪模型

η^k表示为发动机因制造过程所造成的异响幅值，H^k表示为发动机实际使用过程中在第k个故障类型下的声音幅值，F^x _标表示为由无故障状态切换到故障状态的发动机在第x个模拟变量影响下所对应的标准异响幅值。

优选地，所述产品溯源系统还包括产品加工溯源校准模块，产品加工溯源校准模块用于提取溯源追踪管理平台分析获得的各故障类型对应的声音幅值相对差值η^k，根据声音幅值相对差值依次筛选出所有引发该故障类型的发动机生产加工流程，并对引发该故障类型的发动机生产加工流程参数进行校准，以校准出具体引发故障的生产工艺参数并进行参数调整。

一种基于区块链的产品溯源方法，包括以下步骤：

步骤一、采集汽车运行过程中发动机的声音信息，并分离出发动机的异常声音；

步骤二、对分离出的发动机异常声音进行声音频谱图绘制，提取声音频谱图中发动机的混合异响特征向量，并采用故障混合推算公式对混合异响特征向量进行处理，获得发动机的故障类型；

步骤三、按照发动机异常声音中的故障类型对发动机的异常声音进行分离，获得发动机在各故障类型下的声音幅值；

步骤四、依次分析出汽车在不同模拟变量下且随着该模拟变量的参数数值变化所产生的最大异响幅值变化率；

步骤五、提取Z个无故障类型的发动机样本进行实际使用环境预演，以获得发动机在各模拟变量影响下由无故障切换到故障状态下的故障转变系数，并采用故障干扰评估系数对故障转变系数以及步骤四中的最大异响幅值变化率进行分析，获得汽车实际运行参数对发动机的故障干扰评估系数；

步骤六、采用逆向溯源追踪模型对步骤五中的故障干扰评估系数以及步骤三中各故障类型下的声音幅值进行处理，获得各故障类型对应的声音幅值相对差值，并判断声音幅值相对差值是否大于0，追踪发动机的故障来源。

本发明的有益效果：

本发明提供的基于区块链的产品溯源系统，通过对发动机产品在运行过程中的声音信息进行分析获取发动机的异常声音，并采用故障混合推算公式分析出发动机异常声音所包含的发动机故障类型以及各故障类型所对应的发动机故障声音幅值，能够准确根据发动机的运行声音识别出发动机的故障，实现故障类型溯源的精准性，大大降低了发动机故障筛查的复杂程度。

本发明中参数演变追踪模型通过采用单一模拟变量控制分析出在同一模拟变量下随着参数数值的变化发动机的异响幅值是否发生变动，以判断出发动机在仅该模拟变量下参数数值的变化对发动机故障下的异响幅值变化的影响程度，并通过预测数据建模构建模块对若干无故障类型下的发动机进行实际使用预演，以分析出无故障类型的发动机受模拟变量的影响下发动机由无故障状态切换成故障状态下的故障转变系数，通过故障转变系数能够直观地展示发动机随着使用过程中模拟变量的参数变化以及使用时长的影响下对发动机故障所造成的烦扰程度，且排除了发动机制造过程中因制造加工不合格而导致的故障。

本发明通过采用逆向溯源追踪模型分析出各故障类型下声音幅值相对差值，并对声音幅值相对差值进行数值大小判断来推导出发动机异响的故障来源，能够准确分析出发动机的故障来源是来源于制造过程还是发动机使用不当所导致的，实现精确故障来源定位，并根据制造过程中产生的故障进行生产加工参数调整，以降低因发动机加工环节过程中造成的故障干扰，大大提高了对发动机生产过程中的工艺要求，降低因生产制造而造成的发动机故障，提高发动机的使用寿命。

具体实施方式

下面将结合本发明实施例，对本发明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。

汽车发动机是为汽车提供动力的装置，是汽车的心脏，决定着汽车的动力性、经济性、稳定性和环保性，汽车发动机故障也是多种多样，如果汽车发动机出现故障将影响汽车的行驶，情况严重的将危及驾驶员生命安全，本申请研究的对象为汽车发动机，通过对汽车发动机运行过程中的故障进行分析来追踪判断发动机故障是源于发动机制造过程还是发动机使用不当导致，实现对发动机的溯源追踪管理。

一种基于区块链的产品溯源系统，包括区块存储平台、运行声响获取模块、故障溯源分析模块、参数演变追踪模块、预测数据建模构建模块、运行环境干扰评估模块、溯源追踪管理平台和产品加工溯源校准模块；

区块存储平台由若干区块链节点组成，每个区块链节点内记录存储发动机的不同生产加工流程参数以及发动机发出异常声响所对应的故障类型，发动机的生产加工流程包括组成发动机的各部件单独加工流程以及组成各发动机的组成部分间的组装流程，另外，其中一区块链节点上存储有发动机在不同故障类型下的异常声音所对应的故障异响特征向量，发动机的异常声响所对应的故障类型包括发动机喷油时间过早所造成的异常声响(需调整供油提前角)、发动机喷油时间过迟所造成的异常声响(需调整供油提前角)、喷油漆滴漏柴油所造成的异常声响(需对喷油漆进行保养处理)、活塞与气缸壁间隙过大而产生撞击所造成的异常声响、活塞环侧间隙过大所造成的异常声响(需更换活塞环)和发动机气门间隙过大，气门杆头与摇臂撞击所造成的异常声响(需调整气门间隙)，以上故障类型按照设定的顺序进行排序，分别为G1、G2、G3、G4和G5。

发动机的生产加工流程包括缸体加工、缸盖加工、油底壳加工、曲轴加工、凸轮轴加工、连杆加工、活塞加工和以上发动机组成部分间的组装，发动机的生产制造过程中各生产加工流程可能引发上述不同的故障类型，建立各生产加工流程与故障类型间的关联性。

不同生产加工流程参数包括组成发动机的各部件的材质、加工的工艺参数(温度、淬火条件等)以及加工完成后的组成部件的尺寸参数等。

运行声响获取模块用于实时收集汽车运行过程中发动机的声音信息，对收集的发动机产品运行中的声音信息进行存储并模拟分离出发动机的异常声音。

收集过程中的发动机的声音信息包括发动机正常运行过程中的声音以及发动机处于某一种故障状态下的异常声音或多种故障状态下的异常声音叠加。

故障溯源分析模块，提取运行声响获取模块分离后的发动机的异常声音，并按照异常声音绘制声音频谱图，对声音频谱图进行特征分析，提取声音频谱图中发动机的混合异响特征向量，并提取区块存储平台存储的发动机在各单一故障类型下的异常声音所对应的故障异响特征向量，采用故障混合推算公式统计出发动机发生的故障类型，并根据异常声音对应的故障类型对发动机的异常声音进行分离，获得各故障类型下的声音频谱图，筛选出各故障类型下声音频谱图中的声音幅值H^k，其中，故障混合推算公式为A_n＝λ_G1B1_n+λ_G2B2_n+λ_G3B3_n+λ_G4B4_n+λ_G5B5_n，λ_G1、λ_G2、λ_G3、λ_G4和λ_G5分别为G1、G2、G3、G4和G5故障类型下所对应的故障因子，若发动机的异常声音中存在其中一故障类型，则该故障类型对应的故障因子等于1，反之，则该故障类型对应的故障因子等于0，B1_n、B2_n、B3_n、B4_n和B5_n分别表示为G1、G2、G3、G4和G5故障类型下的标准故障异响特征向量，且B1_n、B2_n、B3_n、B4_n和B5_n与A_n均为一维特征向量，A_n＝(a₁ a₂ ... a_n)。

参数演变追踪模块用于提取故障溯源分析模块分析出的发动机对应的故障类型，并在该故障类型下分别依次模拟汽车运行过程中在不同发动机转速V、不同负荷f以及不同温度T下的发动机故障声音，并对同一模拟变量下的各参数数值所对应的发动机故障声音进行分析，分析出发动机在同一模拟变量下随着参数数值变化所产生的该故障类型下最大异响幅值变化率

F^x _max和F^x _min分别表示为在第x个模拟变量下在该模拟变量的参数数值范围下发动机发生故障声音所对应的最大异响幅值和最小异响幅值，模拟变量x等于1，2，3，分别表示为发动机转速V、负荷f以及发动机温度T，若同一模拟变量下当参数数值发生改变时，发动机的故障类型所对应的异响幅值不增加，则表明发动机发生故障所产生的声音与该模拟变量无关，反之，若发动机的故障类型所对应的异响幅值增加或降低，则表明发动机发生故障所产生的声音与该模拟变量相关，通过采用单一变量控制法，来判断发动机的故障是否受到发动机在运行过程中的模拟变量的干扰，并能够分析出在同一模拟变量下随着参数数值的变化发动机的异响幅值是否发生变动。

预测数据建模构建模块对若干个无故障类型下的发动机进行实际使用环境预演，依次预演出若干发动机在单一模拟变量下随着参数数值变化以及使用时长的累计所造成的发动机由无故障状态切换到故障状态的次数以及发动机由无故障状态切换成故障状态下的最大异响幅值，并根据以上数据建立故障转变系数模型，其中，故障转变系数模型为

β_x表示为预测的第x个模拟变量引发发动机由无故障切换到故障状态下的故障转变系数，t表示为发动机累计使用时长，t′w表示为第w个发动机使用阶段所对应的标准时长，为预设的标准时长，w等于1,2,...,m，j等于2,...,m,发动机的使用阶段根据发动机的累计时长进行划分，发动机在不同使用阶段对应的使用时长不同，发动机按照使用阶段先后顺序进行使用，gw表示为发动机在第w个使用阶段所对应的故障干扰比例系数，且0＜g1＜g2＜...＜gm＜1，tj表示为发动机在第j个使用阶段所对应的使用时长，Z表示为测试样本中无故障类型发动机的数量，

表示为在第x个模拟变量的参数数值变化影响下Z个样本发动机中从无故障状态切换到故障状态的次数，

表示为第x个模拟变量下的参数数值从最小到最大的范围，

小于Z，e为自然数，

表示为在第x个模拟变量影响下Z个样本发动机由无故障状态切换到故障状态的发动机所对应的最大异响幅值的平均值，F^x _标表示为由无故障状态切换到故障状态的发动机在第x个模拟变量影响下所对应的标准异响幅值，故障转变系数模型用以获得发动机的由无故障状态切换成故障状态下的故障转变系数，此故障转变系数用于表示发动机随着使用过程中模拟变量的变化以及使用时长的影响下发动机发动故障的概率，该故障转变系数排除了发动机制造过程中因制造加工不合格而导致的故障。

运行环境干扰评估模块提取预测数据建模模块预测出的各模拟变量对发动机由无故障状态切换至故障状态下的故障转变系数，并提取参数演变追踪模块分析出的发动机在同一模拟变量下随着参数数值变化所产生的该故障类型下最大异响幅值变化率，结合发动机在各模拟变量下的故障转变系数以及各故障类型下受该模拟变量影响下的最大异响幅值变化率分析出汽车实际运行参数对发动机的故障干扰评估系数Q_x ^k，发动机的故障干扰评估系数的计算公式为

Q_x ^k表示为第x个模拟变量对发动机运行过程中产生第k个故障类型的故障干扰评估系数，k取G1、G2、G3、G4和G5，β_x表示为预测的第x个模拟变量引发发动机由无故障切换到故障状态下的故障转变系数，

表示为发动机在第x个模拟变量下随着参数数值变化所产生的第k个故障类型对应的最大异响幅值变化率。

通过运行环境干扰评估模块对发动机由无故障状态切换至故障状态下的故障转变系数以及最大异响幅值变化率分析出汽车发动机在实际运行过程中运行参数对发动机故障所造成的故障干扰程度。

溯源追踪管理平台用于获取运行环境干扰评估模块在各模拟变量干扰下的汽车实际运行参数对发动机的故障干扰评估系数，并提取故障溯源分析模块获得的发动机在各故障类型下的声音幅值，采用逆向溯源追踪模型获得各故障类型对应的声音幅值相对差值η^k，判断各故障类型对应的声音幅值相对差值的大小推导出发动机异响的故障来源，若声音幅值相对差值η^k大于0，表明发动机异响的故障来源于发动机的制造过程和发动机的使用过程，若声音幅值相对差值η^k小于等于0，则表明发动机的故障异响来源仅来源于发动机使用过程中模拟变量的影响，同时，根据声音幅值相对差值能够获得发动机所对应的故障类型，其中，逆向溯源追踪模型

η^k表示为发动机因制造过程所造成的异响幅值，H^k表示为发动机实际使用过程中在第k个故障类型下的声音幅值，F^x _标表示为由无故障状态切换到故障状态的发动机在第x个模拟变量影响下所对应的标准异响幅值，通过获得各故障类型对应的声音幅值相对差值能够准确获得发动机在使用过程中发出异响所对应的故障类型，并能够追踪溯源出发动机的故障是来源于制造过程还是发动机使用不当所导致的，实现精确故障来源定位，为后期发动机的制造或使用提供精准的数据参考。

产品加工溯源校准模块用于提取溯源追踪管理平台分析获得的各故障类型对应的声音幅值相对差值η^k，根据声音幅值相对差值依次筛选出所有引发该故障类型的发动机生产加工流程，并对引发该故障类型的发动机生产加工流程参数进行校准，以校准出具体引发故障的生产工艺参数并进行参数调整，降低因生产设备老化等原因造成的生产工艺参数无法满足发动机的生产要求，大大提高了对发动机生产过程中的工艺要求，降低因生产制造而造成的发动机故障。

通过对该生产加工流程进行参数调整，以降低因生产加工流程而造成的发动机故障，能够对发动机的故障进行溯源追踪，并通过溯源追踪结果对引发该故障类型的生产加工流程进行参数调试或对发动机使用过程提供指导意见，以降低发动机发生故障的概率以及缩短发动机发生故障的速度，大大提高发动机的使用寿命。

一种基于区块链的产品溯源方法，包括以下步骤：

步骤一、采集汽车运行过程中发动机的声音信息，并分离出发动机的异常声音；

步骤二、对分离出的发动机异常声音进行声音频谱图绘制，提取声音频谱图中发动机的混合异响特征向量，并采用故障混合推算公式对混合异响特征向量进行处理，获得发动机的故障类型；

步骤三、按照发动机异常声音中的故障类型对发动机的异常声音进行分离，获得发动机在各故障类型下的声音幅值；

步骤四、依次分析出汽车在不同模拟变量下且随着该模拟变量的参数数值变化所产生的最大异响幅值变化率；

步骤五、提取Z个无故障类型的发动机样本进行实际使用环境预演，以获得发动机在各模拟变量影响下由无故障切换到故障状态下的故障转变系数，并采用故障干扰评估系数对故障转变系数以及步骤四中的最大异响幅值变化率进行分析，获得汽车实际运行参数对发动机的故障干扰评估系数；

步骤六、采用逆向溯源追踪模型对步骤五中的故障干扰评估系数以及步骤三中各故障类型下的声音幅值进行处理，获得各故障类型对应的声音幅值相对差值，并判断声音幅值相对差值是否大于0，追踪发动机的故障来源。

以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (7)

1.一种基于区块链的产品溯源系统，其特征在于：包括区块存储平台、运行声响获取模块、故障溯源分析模块、参数演变追踪模块、预测数据建模构建模块、运行环境干扰评估模块和溯源追踪管理平台；

区块存储平台由若干区块链节点组成，每个区块链节点内记录存储发动机的不同生产加工流程参数以及发动机发出异常声响所对应的故障类型，且其中一区块链节点上存储有发动机在不同故障类型下的异常声音所对应的故障异响特征向量；

运行声响获取模块用于实时收集汽车运行过程中发动机的声音信息，对收集的发动机产品运行中的声音信息进行存储并模拟分离出发动机的异常声音；

故障溯源分析模块，提取运行声响获取模块分离后的发动机的异常声音，并按照异常声音绘制声音频谱图，对声音频谱图进行特征分析，提取声音频谱图中发动机的混合异响特征向量，并提取区块存储平台存储的发动机在各单一故障类型下的异常声音所对应的故障异响特征向量，采用故障混合推算公式统计出发动机发生的故障类型，并根据异常声音对应的故障类型对发动机的异常声音进行分离，获得各故障类型下的声音频谱图，筛选出各故障类型下声音频谱图中的声音幅值H^k；

参数演变追踪模块用于提取故障溯源分析模块分析出的发动机对应的故障类型，并在该故障类型下分别依次模拟汽车运行过程中在不同发动机转速V、不同负荷f以及不同温度T下的发动机故障声音，并对同一模拟变量下的各参数数值所对应的发动机故障声音进行分析，分析出发动机在同一模拟变量下随着参数数值变化所产生的该故障类型下最大异响幅值变化率；

预测数据建模构建模块对若干个无故障类型下的发动机进行实际使用环境预演，依次预演出若干发动机在单一模拟变量下随着参数数值变化以及使用时长的累计所造成的发动机由无故障状态切换到故障状态的次数以及发动机由无故障状态切换成故障状态下的最大异响幅值，并根据以上数据建立故障转变系数模型获得第x个模拟变量引发发动机由无故障切换到故障状态下的故障转变系数；

运行环境干扰评估模块提取预测数据建模模块预测出的各模拟变量对发动机由无故障状态切换至故障状态下的故障转变系数，并提取参数演变追踪模块分析出的发动机在同一模拟变量下随着参数数值变化所产生的该故障类型下最大异响幅值变化率，结合发动机在各模拟变量下的故障转变系数以及各故障类型下受该模拟变量影响下的最大异响幅值变化率分析出汽车实际运行参数对发动机的故障干扰评估系数；

溯源追踪管理平台用于获取运行环境干扰评估模块在各模拟变量干扰下的汽车实际运行参数对发动机的故障干扰评估系数，并提取故障溯源分析模块获得的发动机在各故障类型下的声音幅值，采用逆向溯源追踪模型获得各故障类型对应的声音幅值相对差值η^k，判断各故障类型对应的声音幅值相对差值的大小推导出发动机异响的故障来源。

2.根据权利要求1所述的一种基于区块链的产品溯源系统，其特征在于：所述故障混合推算公式为A_n＝λ_G1B1_n+λ_G2B2_n+λ_G3B3_n+λ_G4B4_n+λ_G5B5_n，λ_G1、λ_G2、λ_G3、λ_G4和λ_G5分别为G1、G2、G3、G4和G5故障类型下所对应的故障因子，若发动机的异常声音中存在其中一故障类型，则该故障类型对应的故障因子等于1，反之，则该故障类型对应的故障因子等于0，B1_n、B2_n、B3_n、B4_n和B5_n分别表示为G1、G2、G3、G4和G5故障类型下的标准故障异响特征向量，且B1_n、B2_n、B3_n、B4_n和B5_n与A_n均为一维特征向量，A_n＝(a₁ a₂ ... a_n)。

3.根据权利要求2所述的一种基于区块链的产品溯源系统，其特征在于：所述故障转变系数模型为

β_x表示为预测的第x个模拟变量引发发动机由无故障切换到故障状态下的故障转变系数，t表示为发动机累计使用时长，t′w表示为第w个发动机使用阶段所对应的标准时长，为预设的标准时长，w等于1,2,...,m，j等于2,...,m,发动机的使用阶段根据发动机的累计时长进行划分，发动机在不同使用阶段对应的使用时长不同，发动机按照使用阶段先后顺序进行使用，gw表示为发动机在第w个使用阶段所对应的故障干扰比例系数，且0＜g1＜g2＜...＜gm＜1，tj表示为发动机在第j个使用阶段所对应的使用时长，Z表示为测试样本中无故障类型发动机的数量，

表示为在第x个模拟变量的参数数值变化影响下Z个样本发动机中从无故障状态切换到故障状态的次数，

表示为第x个模拟变量下的参数数值从最小到最大的范围，

小于Z，e为自然数，

表示为在第x个模拟变量影响下Z个样本发动机由无故障状态切换到故障状态的发动机所对应的最大异响幅值的平均值，F^x _标表示为由无故障状态切换到故障状态的发动机在第x个模拟变量影响下所对应的标准异响幅值。

4.根据权利要求3所述的一种基于区块链的产品溯源系统，其特征在于：所述发动机的故障干扰评估系数的计算公式为Q_x ^k＝(1+β_x ²)

Q_x ^k表示为第x个模拟变量对发动机运行过程中产生第k个故障类型的故障干扰评估系数，k取G1、G2、G3、G4和G5，β_x表示为预测的第x个模拟变量引发发动机由无故障切换到故障状态下的故障转变系数，

表示为发动机在第x个模拟变量下随着参数数值变化所产生的第k个故障类型对应的最大异响幅值变化率。

5.根据权利要求1所述的一种基于区块链的产品溯源系统，其特征在于：所述逆向溯源追踪模型

η^k表示为发动机因制造过程所造成的异响幅值，H^k表示为发动机实际使用过程中在第k个故障类型下的声音幅值，F^x _标表示为由无故障状态切换到故障状态的发动机在第x个模拟变量影响下所对应的标准异响幅值。

6.根据权利要求5所述的一种基于区块链的产品溯源系统，其特征在于：所述产品溯源系统还包括产品加工溯源校准模块，产品加工溯源校准模块用于提取溯源追踪管理平台分析获得的各故障类型对应的声音幅值相对差值η^k，根据声音幅值相对差值依次筛选出所有引发该故障类型的发动机生产加工流程，并对引发该故障类型的发动机生产加工流程参数进行校准，以校准出具体引发故障的生产工艺参数并进行参数调整。

7.根据权利要求1-6中任意一产品溯源系统的产品溯源方法，其特征在于，包括以下步骤：

步骤一、采集汽车运行过程中发动机的声音信息，并分离出发动机的异常声音；

步骤二、对分离出的发动机异常声音进行声音频谱图绘制，提取声音频谱图中发动机的混合异响特征向量，并采用故障混合推算公式对混合异响特征向量进行处理，获得发动机的故障类型；

步骤三、按照发动机异常声音中的故障类型对发动机的异常声音进行分离，获得发动机在各故障类型下的声音幅值；

步骤四、依次分析出汽车在不同模拟变量下且随着该模拟变量的参数数值变化所产生的最大异响幅值变化率；

步骤五、提取Z个无故障类型的发动机样本进行实际使用环境预演，以获得发动机在各模拟变量影响下由无故障切换到故障状态下的故障转变系数，并采用故障干扰评估系数对故障转变系数以及步骤四中的最大异响幅值变化率进行分析，获得汽车实际运行参数对发动机的故障干扰评估系数；

步骤六、采用逆向溯源追踪模型对步骤五中的故障干扰评估系数以及步骤三中各故障类型下的声音幅值进行处理，获得各故障类型对应的声音幅值相对差值，并判断声音幅值相对差值是否大于0，追踪发动机的故障来源。