CN113804446A - 一种基于卷积神经网络的柴油机性能预测方法 - Google Patents
一种基于卷积神经网络的柴油机性能预测方法 Download PDFInfo
- Publication number
- CN113804446A CN113804446A CN202010529178.0A CN202010529178A CN113804446A CN 113804446 A CN113804446 A CN 113804446A CN 202010529178 A CN202010529178 A CN 202010529178A CN 113804446 A CN113804446 A CN 113804446A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- layer
- diesel engine
- length
- 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
Images
Classifications
-
- 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
- G01M15/04—Testing internal-combustion engines
- G01M15/05—Testing internal-combustion engines by combined monitoring of two or more different engine parameters
-
- 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
- G06N3/045—Combinations of 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明提供一种基于卷积神经网络的柴油机性能预测方法，包括有以下工序：步骤S1：为卷积神经网络提供60组实验数据，其中40组作为训练样本，20组作为测验样本；步骤S2：输入层先将输入信号需要将输入信号归一化处理；步骤S3：卷积层包含32个神经元，每个神经元包含一个卷积核，卷积核长度选定为3，应小于向量长度，步长为1；步骤S4：池化层采用的池化方式为平均池化；步骤S5：全连接层，该层存在的神经元个数和输出相等为6个；步骤S6：损失函数，选择均方误差函数MSE作为损失函数。本发明利用机器学习预测柴油机性能，成本相比于数值仿真模型低，卷积神经网络相比于神经网络可以增加的层数更多，共享卷积核使得需要训练的参数更少。
Description
技术领域
本发明主要涉及柴油机检测领域，尤其涉及一种基于卷积神经网络的柴油机性能预测方法。
背景技术
目前柴油机模型构建主要是基于经验模型，但随着一些提高柴油机性能和排放的技术，模型需要考虑的参数不断增多，传统的经验模型建立的难度大大提升，同时也需要花费大量的时间成本，精确度也难以满足要求。
柴油机标定方式是基于试验或基于模型，但由于发动机不断发展，需要标定的参数也在不断增长，对于基于实验的标定方式来说，成本越来越高。为了减少工作量，基于模型的虚拟标定技术被应用。其中虚拟模型要求准确模拟，对于后续标定来说最为关键。但对于传统的经验模型回归拟合的方式随着待标定参数的增加，越来越难以满足准确快速的需求。
已公开中国发明专利，申请号CN201810448090.9，专利名称：基于深度学习的柴油发电机组故障诊断与检测装置及方法，申请日：2018-05-11，本发明涉及一种基于深度学习的柴油发电机组故障诊断与检测装置及方法，包含有框体1、扬声器2、显示器6、存储器10、CPU11和数据采集装置18，在框体1内部设置为包含有深度学习模块24、自适应集成策略模块20、历史信号数据库23和故障类别专家系统库19，自适应集成策略模块20设置有集成策略生成器201，故障类别专家系统库19设置有故障类别数据库191、故障指标数据库192、故障标记数据库193和故障级别数据库194，深度学习模块24还包含有聚类算法，在框体1的上端部中间位置处设置有信号收发器5，因此，人们对柴油发电机组进行故障诊断和状态在线监测更准确方便。
发明内容
本发明提供一种基于卷积神经网络的柴油机性能预测方法，针对现有技术的上述缺陷，提供一种基于卷积神经网络的柴油机性能预测方法，包括有以下工序：
步骤S1：为卷积神经网络提供60组实验数据，其中40组作为训练样本，20组作为测验样本；
步骤S2：卷积神经网络的输入层先将输入信号需要将输入信号归一化处理；
步骤S3：卷积神经网络的卷积层包含32个神经元，每个神经元包含一个卷积核，卷积核长度选定为3，应小于向量长度，步长为1；
步骤S4：卷积神经网络的池化层采用的池化方式为平均池化，长度为2，步长为1；
步骤S5：卷积神经网络的全连接层，该层存在的神经元个数和输出相等为6个。其中全连接层不存在卷积，所以每一个神经元包含的权重个数为池化后的输出参数个数，为10个。将上一层的每一个输出乘上对应的权重W2相加，加上一个偏移量B得到输出。最终的输出还需要经过一个激活函数g(x)，该专利中主要解决的是一个回归问题，所以采用identity函数作为输出的激活函数，即输入等于输出；
步骤S6：卷积神经网络的损失函数，选择均方误差函数MSE作为损失函数，采用BP后向传播算法将误差后向传播来更新每个神经元的权重值，通过采用及时终止的方法防止神经网络出现过拟合的现象。
优选的，输入参数共11个，包括转速、功率、进气温度及压力、排气背压、冷却水温、喷油正时及喷油压力、燃油温度、环境压力及温度。输出参数共6个，分别为油耗率、最大爆发压力、爆压角、增压器转速、涡前排温以及烟度。
优选的，步骤S2中对信号归一化处理的信号进行太冲，采用zero-padding方式，最后端补充2个0。
优选的，步骤S3中卷积层利用卷积使得该层中每个卷积核的存在一个权重W1之外，设定一个公用的偏移量b，激活函数采用sigmoid函数作为激活函数f(x)。
优选的，步骤S4只存在一个卷积层及对应的池化层。
设置上述结构，池化层红只存在一个卷积层及对应的池化层。多个卷积层可以让模型的精度更高，处理更复杂的问题，但同时大大提高模型的复杂度。
本发明的有益效果：利用机器学习预测柴油机性能，相比于传统的经验模型准确率更高，成本相比于数值仿真模型更低，随着需要探究的参数越来越多，卷积神经网络相比于神经网络可以增加的层数更多，共享卷积核使得需要训练的参数更少。
附图说明
图1为本发明的结构图。
具体实施方式
如图1所示可知，本发明包括有以下工序：
步骤S1：为卷积神经网络提供60组实验数据，其中40组作为训练样本，20组作为测验样本；
步骤S2：卷积神经网络的输入层先将输入信号需要将输入信号归一化处理；
步骤S3：卷积神经网络的卷积层包含32个神经元，每个神经元包含一个卷积核，卷积核长度选定为3，应小于向量长度，步长为1；
步骤S4：卷积神经网络的池化层采用的池化方式为平均池化，长度为2，步长为1；
步骤S5：卷积神经网络的全连接层，该层存在的神经元个数和输出相等为6个。其中全连接层不存在卷积，所以每一个神经元包含的权重个数为池化后的输出参数个数，为10个。将上一层的每一个输出乘上对应的权重W2相加，加上一个偏移量B得到输出。最终的输出还需要经过一个激活函数g(x)，该专利中主要解决的是一个回归问题，所以采用identity函数作为输出的激活函数，即输入等于输出；
步骤S6：卷积神经网络的损失函数，选择均方误差函数MSE作为损失函数，采用BP后向传播算法将误差后向传播来更新每个神经元的权重值，通过采用及时终止的方法防止神经网络出现过拟合的现象。
在本实施中优选的，输入参数共11个，包括转速、功率、进气温度及压力、排气背压、冷却水温、喷油正时及喷油压力、燃油温度、环境压力及温度。输出参数共6个，分别为油耗率、最大爆发压力、爆压角、增压器转速、涡前排温以及烟度。
在本实施中优选的，步骤S2中对信号归一化处理的信号进行太冲，采用zero-padding方式，最后端补充2个0。
设置上述结构，为了保证输入信号的信息不损失，需要对信号进行填充(padding)，该专利中采用zero-padding方式，最后端补充2个0，以保证卷积后的长度不变。
在本实施中优选的，步骤S3中卷积层利用卷积使得该层中每个卷积核的存在一个权重W1之外，设定一个公用的偏移量b，激活函数采用sigmoid函数作为激活函数f(x)。
设置上述结构，激活函数是神经网络的核心，本发明中采用常见的sigmoid函数作为激活函数f(x)，可以非线性放大增益。
在本实施中优选的，步骤S4只存在一个卷积层及对应的池化层。
设置上述结构，池化层红只存在一个卷积层及对应的池化层。多个卷积层可以让模型的精度更高，处理更复杂的问题，但同时大大提高模型的复杂度。
上述实施例仅例示性说明本专利申请的原理及其功效，而非用于限制本专利申请。任何熟悉此技术的人士皆可在不违背本专利申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本专利申请所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本专利请的权利要求所涵盖。
Claims (5)
1.一种基于卷积神经网络的柴油机性能预测方法，其特征在于，包括有以下工序：
步骤S1：为卷积神经网络提供60组实验数据，其中40组作为训练样本，20组作为测验样本；
步骤S2：卷积神经网络的输入层先将输入信号需要将输入信号归一化处理；
步骤S3：卷积神经网络的卷积层包含32个神经元，每个神经元包含一个卷积核，卷积核长度选定为3，应小于向量长度，步长为1；
步骤S4：卷积神经网络的池化层采用的池化方式为平均池化，长度为2，步长为1；
步骤S5：卷积神经网络的全连接层，该层存在的神经元个数和输出相等为6个。其中全连接层不存在卷积，所以每一个神经元包含的权重个数为池化后的输出参数个数，为10个。将上一层的每一个输出乘上对应的权重W2相加，加上一个偏移量B得到输出。最终的输出还需要经过一个激活函数g(x)，该专利中主要解决的是一个回归问题，所以采用identity函数作为输出的激活函数，即输入等于输出；
步骤S6：卷积神经网络的损失函数，选择均方误差函数MSE作为损失函数，采用BP后向传播算法将误差后向传播来更新每个神经元的权重值，通过采用及时终止的方法防止神经网络出现过拟合的现象。
2.根据权利要求1所述的基于卷积神经网络的柴油机性能预测方法，其特征在于：所述输入参数共11个，包括转速、功率、进气温度及压力、排气背压、冷却水温、喷油正时及喷油压力、燃油温度、环境压力及温度。输出参数共6个，分别为油耗率、最大爆发压力、爆压角、增压器转速、涡前排温以及烟度。
3.根据权利要求2所述的基于卷积神经网络的柴油机性能预测方法，其特征在于：所述步骤S2中对信号归一化处理的信号进行太冲，采用zero-padding方式，最后端补充2个0。
4.根据权利要求3所述的基于卷积神经网络的柴油机性能预测方法，其特征在于：所述步骤S3中卷积层利用卷积使得该层中每个卷积核的存在一个权重W1之外，设定一个公用的偏移量b，激活函数采用sigmoid函数作为激活函数f(x)。
5.根据权利要求4所述的基于卷积神经网络的柴油机性能预测方法，其特征在于：所述步骤S4只存在一个卷积层及对应的池化层。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010529178.0A CN113804446A (zh) | 2020-06-11 | 2020-06-11 | 一种基于卷积神经网络的柴油机性能预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010529178.0A CN113804446A (zh) | 2020-06-11 | 2020-06-11 | 一种基于卷积神经网络的柴油机性能预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113804446A true CN113804446A (zh) | 2021-12-17 |
Family
ID=78943814
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010529178.0A Pending CN113804446A (zh) | 2020-06-11 | 2020-06-11 | 一种基于卷积神经网络的柴油机性能预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113804446A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114934848A (zh) * | 2022-06-16 | 2022-08-23 | 哈尔滨工程大学 | 一种面向柴油机燃烧性能优化控制的模糊神经网络建模方法 |
-
2020
- 2020-06-11 CN CN202010529178.0A patent/CN113804446A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114934848A (zh) * | 2022-06-16 | 2022-08-23 | 哈尔滨工程大学 | 一种面向柴油机燃烧性能优化控制的模糊神经网络建模方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Remaining useful life prediction using multi-scale deep convolutional neural network | |
| CN112131760B (zh) | 基于cbam模型的航空发动机剩余寿命预测方法 | |
| CN109685819B (zh) | 一种基于特征增强的三维医学图像分割方法 | |
| JP4365133B2 (ja) | カスケード式ニューラルネットワークを用いたエンジン制御システム | |
| CN108197648A (zh) | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 | |
| CN106228185A (zh) | 一种基于神经网络的通用图像分类识别系统及方法 | |
| CN108256173A (zh) | 一种航空发动机动态过程的气路故障诊断方法及系统 | |
| CN110110600A (zh) | 眼部oct图像病灶识别方法、装置及存储介质 | |
| CN112052894B (zh) | 一种动力舱状态实时监控评价方法 | |
| CN113392749A (zh) | 一种基于gaf-vgg的滚动轴承故障诊断方法及装置 | |
| CN106401757A (zh) | 发动机的断缸模式实现方法、系统及车辆 | |
| CN113804446A (zh) | 一种基于卷积神经网络的柴油机性能预测方法 | |
| Zhang et al. | Misfire detection of diesel engine based on convolutional neural networks | |
| Wei | Design of Web based expert system of electronic control engine fault diagnosis | |
| Zeng et al. | A study on extreme learning machine for gasoline engine torque prediction | |
| CN112146882B (zh) | 基于迁移学习振动信号图像识别的轴承故障诊断方法 | |
| CN110321936A (zh) | 一种基于vgg16及svm实现图片二分类的方法 | |
| CN110516391A (zh) | 一种基于神经网络的航空发动机动态模型建模方法 | |
| JP2021193280A (ja) | 車両、及びサーバ | |
| CN114599870A (zh) | 使用神经网络的虚拟涡轮增压器速度传感器的系统和方法 | |
| US20230282037A1 (en) | Artificial neural network learning method for predicting whether vehicle has trouble, method of determining whether vehicle has trouble, and computing system for performing the same | |
| CN112560252B (zh) | 一种航空发动机剩余寿命预测方法 | |
| Yu et al. | Remaining useful life prediction based on multi-scale residual convolutional network for aero-engine | |
| Wang et al. | Mental Health Education in Primary and Secondary Schools Based on Deep Learning | |
| CN114707718A (zh) | 基于gat-lstm的信息级联预测方法 |
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 | ||
| CB02 | Change of applicant information |
Address after: 214000 2-1205, Tian'an smart city, No. 228, Linghu Avenue, Xinwu District, Wuxi City, Jiangsu Province Applicant after: Zhuopin Intelligent Technology Wuxi Co.,Ltd. Address before: 214000 2-1205, Tian'an smart city, No. 228, Linghu Avenue, Xinwu District, Wuxi City, Jiangsu Province Applicant before: ZHUO PIN INTELLIGENT TECHNOLOGY WUXI CO.,LTD. |
|
| CB02 | Change of applicant information |