CN113884305B - 基于svm的柴油机装配冷试检测方法及系统 - Google Patents

基于svm的柴油机装配冷试检测方法及系统 Download PDF

Info

Publication number
CN113884305B
CN113884305B CN202111153792.2A CN202111153792A CN113884305B CN 113884305 B CN113884305 B CN 113884305B CN 202111153792 A CN202111153792 A CN 202111153792A CN 113884305 B CN113884305 B CN 113884305B
Authority
CN
China
Prior art keywords
diesel engine
exhaust pressure
svm
support vector
vector machine
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
CN202111153792.2A
Other languages
English (en)
Other versions
CN113884305A (zh
Inventor
闫伟
王辉
杨晓峰
孙俊伟
吴凡
李嘉颀
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.)
Shandong University
Original Assignee
Shandong 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 Shandong University filed Critical Shandong University
Priority to CN202111153792.2A priority Critical patent/CN113884305B/zh
Publication of CN113884305A publication Critical patent/CN113884305A/zh
Application granted granted Critical
Publication of CN113884305B publication Critical patent/CN113884305B/zh
Priority to PCT/CN2022/119171 priority patent/WO2023051275A1/zh
Priority to GB2318389.0A priority patent/GB2622708A/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G01M15/02—Details or accessories of testing apparatus
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing Of Engines (AREA)

Abstract

本发明公开了基于SVM的柴油机装配冷试检测方法及系统，提高了柴油机装配质量检测的准确性，具有可有效对柴油机装配质量进行识别的有益效果，具体方案如下：基于SVM的柴油机装配冷试检测方法，包括获取柴油机的进气压力、曲轴转矩和排气压力，构建冷试测试数据库；采用大数据分析的方式判断排气压力数据的分布形态；根据排气压力数据的分布形态，得到排气压力正常、偏小和偏大的阈值；确定阈值后，基于冷试测试数据库构建柴油机装配质量检测的样本集，采用支持向量机算法训练并测试，形成冷试测试质量检测支持向量机算法模型，通过支持向量机算法模型对柴油机装配质量进行识别，形成基于SVM的柴油机装配冷试检测方法。

Description

基于SVM的柴油机装配冷试检测方法及系统
技术领域
本发明涉及柴油机领域，尤其是基于SVM的柴油机装配冷试检测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
柴油机是一种十分复杂的动力机械，可为各种交通设备提供动力来源，随着社会对环境保护的需求越来越高，柴油机装配过程中热试逐渐被冷试所替代，如何提高装配过程中的冷试检测技术成为研究的重点。其中，排气参数是柴油机质量检测的主要参数之一，冷试测试中的排气参数受进气系统、缸盖机体、活塞和曲轴连杆系统装配参数的影响。发明人发现现有技术中没有针对柴油机排气分布特征来判断装配质量的方法或装置，对可能由装配引起的柴油机的故障无法准确控制。
发明内容
针对现有技术存在的不足，本发明的目的是提供基于SVM的柴油机装配冷试检测方法，以排气压力为主要参数，确定其正常的阈值范围，并能根据输入的排气压力相关的特征向量将包括进气、曲轴转矩和排气等众多参数的好坏进行分类，可根据冷试参数判断装配质量的好坏，对于提高柴油机的装配质量具有极其重要的作用。
为了实现上述目的，本发明是通过如下的技术方案来实现：
基于SVM的柴油机装配冷试检测方法，包括如下内容：
获取柴油机的进气压力、曲轴转矩和排气压力，构建冷试测试数据库；
采用大数据分析的方式判断排气压力数据的分布形态；
根据排气压力数据的分布形态，得到排气压力正常、偏小和偏大的阈值；
确定阈值后，基于冷试测试数据库构建柴油机装配质量检测的样本集，采用支持向量机算法(SVM)训练并测试，形成冷试测试质量检测支持向量机算法模型，通过支持向量机算法模型对柴油机装配质量进行识别，形成基于SVM的柴油机装配冷试检测方法。
如上所述的基于SVM的柴油机装配冷试检测方法，所述柴油机的进气压力、曲轴转矩和排气压力由冷试测试设备测得。
如上所述的基于SVM的柴油机装配冷试检测方法，所冷试测试设备通过气体压力传感器获取柴油机的进气压力和排气压力数据，通过扭矩传感器获取柴油机的曲轴转矩数据，通过采集数万台柴油机获得冷试测试数据库。
如上所述的基于SVM的柴油机装配冷试检测方法，通过参数偏度值的统计量与标准误差的比值(Z-score)来判断所述排气压力数据的分布形态；
如上所述的基于SVM的柴油机装配冷试检测方法，当参数偏度值的统计量与标准误差的比值∈[-2,2]时，则数据为正态分布；当参数偏度值的统计量与标准误差的比值>2时，数据为正偏态分布；当参数偏度值的统计量与标准误差的比值<-2时，数据为负偏态分布。
如上所述的基于SVM的柴油机装配冷试检测方法，采用大数据分析的3σ原则，确定所述的排气压力正常、偏小和偏大的阈值。
如上所述的基于SVM的柴油机装配冷试检测方法，将进气压力的数值和曲轴转矩的数值分别作归一化处理，与分类后的排气压力数据相结合，基于所述的冷试测试数据库，构建柴油机装配质量检测的样本集。
如上所述的基于SVM的柴油机装配冷试检测方法，通过选取径向基核函数来训练测试所述的支持向量机算法模型，运用交叉验证法寻找最优的惩罚因子C和方差g，即在设定的参数范围内，确定迭代长度，将惩罚因子和方差两两组合，在多组交叉验证中选取精度最高的组合。
如上所述的基于SVM的柴油机装配冷试检测方法，将构建的所述柴油机装配质量检测的样本集划分为训练集和测试集，用支持向量机算法对训练集训练，得到冷试测试质量检测支持向量机算法模型，利用测试集确定支持向量机算法模型对装配质量检测的准确性，从而对柴油机装配质量进行识别。
第二方面，本发明还提供了基于SVM的柴油机装配冷试检测系统，采用所述的基于SVM的柴油机装配冷试检测方法，包括：
数据处理单元：利用柴油机的进气压力、曲轴转矩和排气压力构建冷试测试数据库，采用大数据分析的方式判断装配特征参数中排气压力数据的分布形态；并根据排气压力数据的分布形态，得到装配排气压力正常、偏小和偏大的阈值，从而构建柴油机装配质量检测的样本集；
模型建立单元：确定排气压力正常、偏小和偏大的阈值后，构建建立支持向量机算法模型，训练测试支持向量机算法模型，通过训练测试后的支持向量机算法模型用于对柴油机装配质量进行识别。
上述本发明的有益效果如下：
1)本发明基于柴油机的进气压力、曲轴转矩和排气压力，构建冷试测试数据库，通过大数据分析方法得到排气压力数据的分布形态，进而确定装配排气压力的多个阈值，为装配质量的识别奠定了基础，在确定阈值后构建特征向量并建立支持向量机算法模型，形成了柴油机装配冷试检测方法。
2)本发明通过选取核函数，寻找惩罚因子和方差，来训练测试支持向量机算法模型，提高了装配质量和装配精度，从而提高了装配的可靠性，实用性强。
3)本发明通过对特征向量给予标签进行分类，能够对特征向量进行归一化处理，有利于提高模型建立的精度。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明根据一个或多个实施方式的基于SVM的柴油机装配冷试检测方法的流程图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非本发明另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合；
正如背景技术所介绍的，现有技术中存在柴油机装配质量检测无法进行准确识别的问题，为了解决如上的技术问题，本发明提出了基于SVM的柴油机装配冷试检测方法。
本发明的一种典型的实施方式中，参考图1所示，基于SVM的柴油机装配冷试检测方法，包括如下内容：
获取柴油机的进气压力、曲轴转矩和排气压力，构建冷试测试数据库；
采用大数据分析的方式判断排气压力数据的分布形态；
根据排气压力数据的分布形态，得到排气压力正常、偏小和偏大的阈值；
确定阈值后，基于冷试测试数据库构建柴油机装配质量检测的样本集，采用支持向量机算法(SVM)训练并测试，形成冷试测试质量检测支持向量机算法模型，通过支持向量机算法模型对柴油机装配质量进行识别，形成基于SVM的柴油机装配冷试检测方法。
进一步地，进气压力、曲轴转矩和排气压力由冷试测试设备测得；
具体地，冷试测试设备通过气体压力传感器获取柴油机的进气压力和排气压力数据，通过扭矩传感器获取柴油机的曲轴转矩数据，通过采集数万台柴油机获得冷试测试数据库。
其中，对于排气压力数据的分布形态，通过参数偏度值的统计量与标准误差的比值(Z-score)的值来判断排气压力数据的分布形态，其中偏度值的计算公式为
Figure GDA0003620238030000061
标准误差的计算公式为
Figure GDA0003620238030000062
式中μ表示样本均值，σ表示样本标准差。当Z-score∈[-2,2]时，则数据为正态分布；当Z-score>2时，数据为正偏态分布；当Z-score<-2时，数据为负偏态分布。
对于数据为正态分布时，确定平均值u、标准差σ，依据(u-3σ，u+3σ]，得到排气压力正常参数范围；对于数据为正偏态分布，当Z-score∈(2,3]时，对此类数据需整体进行开平方根的处理，即
Figure GDA0003620238030000063
当Z-score>3时，对此类数据可以进行的操作是取自然对数(ln)，即Xnew＝lnX，转换为正态分布；对于数据为负偏态分布，当Z-score∈(-3,-2]时，需要用到的转换公式为
Figure GDA0003620238030000064
当Z-score<-3时，需要用到的转换公式为Xnew＝ln(Xmax+1-X)，转换为正态分布。通过正态分布可以确定阈值范围，排气压力小于u-3σ或大于u+3σ即为异常值；这样针对不同的数据分布形态，给出了相应的阈值确定方法，为装配质量的识别奠定了基础。
本实施例中，采用大数据分析的3σ原则，确定排气压力正常、偏小和偏大的阈值。
其中，构建支持向量机算法模型中，需要构建特征向量，并将特征向量给予标签进行分类，一些示例中，标签分别为0、1、2，其中0表示排气压力小于阈值最小值的特征向量，1表示排气压力在阈值范围内的特征向量，2表示排气压力大于阈值最大值的特征向量。
进一步地，将进气压力的数值和曲轴转矩的数值分别作归一化处理，将其所有的值映射到范围[-1,1]中，映射操作的公式为y＝2*(x-xmin)/(xmax-xmin)-1，与分类后的排气压力数据相结合，基于所述的冷试测试数据库，构建柴油机装配质量检测的样本集。
进一步地，通过选取核函数来训练测试支持向量机算法模型；本实施例中，选取核函数为径向基函数，公式为：
Figure GDA0003620238030000071
式中K(Xi,Xj)＝exp(-g||Xi-Xj||2),g＞0为径向基核函数，ε表示不敏感损失系数。径向基核函数能够有效解决样本类型与特征因素是非线性关系的问题，运用交叉验证法寻找最优的惩罚因子C和方差g，即在设定的参数范围如(-10，10)内，确定迭代长度，可选择迭代长度为0.5，将惩罚因子和方差两两组合，在多组交叉验证中选取精度最高的组合。本实施例中，选择惩罚因子C为0.33，方差g为1.32。
进一步地，将构建的柴油机装配质量检测的样本集划分为训练集和测试集，用支持向量机算法对训练集训练，得到冷试测试质量检测支持向量机算法模型，利用测试集确定支持向量机算法模型对装配质量检测的准确性，从而对柴油机装配质量进行识别。
通过本发明提供的基于SVM的柴油机装配冷试检测方法，将柴油机装配的排气压力数据作为基础来构建支持向量机算法模型，并对支持向量机算法模型进行训练测试，此外，还考虑其他装配特征参数如进气、曲轴转矩，有效保证支持向量机算法模型对装配质量检测的准确性，通过训练测试后的支持向量机算法模型，可提高对柴油机装配质量识别的准确度，相应提高了柴油机装配的可靠性。
实施例二
本实施例提供了基于SVM的柴油机装配冷试检测系统，采用所述的基于SVM的柴油机装配冷试检测方法，包括：
数据处理单元：利用柴油机的进气压力、曲轴转矩和排气压力构建冷试测试数据库，采用大数据分析的方式判断装配特征参数中排气压力数据的分布形态；并根据排气压力数据的分布形态，得到装配排气压力正常、偏小和偏大的阈值，从而构建柴油机装配质量检测的样本集；
模型建立单元：确定排气压力正常、偏小和偏大的阈值后，构建建立支持向量机算法模型，训练测试支持向量机算法模型，通过训练测试后的支持向量机算法模型用于对柴油机装配质量进行识别，由此通过数据处理单元和模型建立单元形成基于SVM的柴油机装配冷试检测系统。
可以理解地是，通过存储设备如计算机对基于SVM的柴油机装配冷试检测系统进行存储。
进一步地，模型建立单元根据确定的排气压力正常、偏小和偏大的阈值。
其中，构建支持向量机算法模型中，需要构建特征向量，并将特征向量给予0、1、2的标签进行分类。其中0表示排气压力小于阈值最小值的特征向量，1表示排气压力在阈值范围内的特征向量，2表示排气压力大于阈值最大值的特征向量。
进一步地，将进气压力的数值和曲轴转矩的数值分别作归一化处理，将其所有的值映射到范围[-1,1]中，映射操作的公式为y＝2*(x-xmin)/(xmax-xmin)-1，与分类后的排气压力数据相结合，基于所述的冷试测试数据库，构建所述的柴油机装配质量检测的样本集。
对于排气压力数据的分布形态，通过参数偏度值的统计量与标准误差的比值(Z-score)来判断排气压力数据的分布形态，当Z-score∈[-2,2]时，则数据为正态分布；当Z-score>2时，数据为正偏态分布；当Z-score<-2时，数据为负偏态分布。
通过选取径向基函数来训练测试SVM模型；核函数为径向基函数，运用交叉验证法寻找最优的惩罚因子C和方差g，即在设定的参数范围如(-10，10)内，确定迭代长度，可选择迭代长度为0.5，将惩罚因子和方差两两组合，在多组交叉验证中选取精度最高的组合。
进一步地，将构建的柴油机装配质量检测的样本集划分为训练集和测试集，用支持向量机算法对训练集训练，得到冷试测试质量检测支持向量机算法模型，利用测试集确定支持向量机算法模型对装配质量检测的准确性，从而对柴油机装配质量进行识别。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.基于SVM的柴油机装配冷试检测方法，其特征在于，包括如下内容：
获取柴油机的进气压力、曲轴转矩和排气压力，构建冷试测试数据库；
采用大数据分析的方式判断排气压力数据的分布形态；
根据排气压力数据的分布形态，得到排气压力正常、偏小和偏大的阈值；
确定阈值后，基于冷试测试数据库构建柴油机装配质量检测的样本集，采用支持向量机算法训练并测试，形成冷试测试质量检测支持向量机算法模型，通过支持向量机算法模型对柴油机装配质量进行识别，形成基于SVM的柴油机装配冷试检测方法；
通过参数偏度值的统计量与标准误差的比值来判断所述排气压力数据的分布形态；
当参数偏度值的统计量与标准误差的比值∈[-2,2]时，则数据为正态分布；当参数偏度值的统计量与标准误差的比值>2时，数据为正偏态分布；当参数偏度值的统计量与标准误差的比值<-2时，数据为负偏态分布；
采用大数据分析的3σ原则，确定所述的排气压力正常、偏小和偏大的阈值；
将进气压力的数值和曲轴转矩的数值分别作归一化处理，与分类后的排气压力数据相结合，基于所述的冷试测试数据库，构建柴油机装配质量检测的样本集。
2.根据权利要求1所述的基于SVM的柴油机装配冷试检测方法，其特征在于，所述柴油机的进气压力、曲轴转矩和排气压力由冷试测试设备测得。
3.根据权利要求2所述的基于SVM的柴油机装配冷试检测方法，其特征在于，所述冷试测试设备通过气体压力传感器获取柴油机的进气压力和排气压力数据，通过扭矩传感器获取柴油机的曲轴转矩数据。
4.根据权利要求1所述的基于SVM的柴油机装配冷试检测方法，其特征在于，通过选取径向基核函数来训练测试所述的支持向量机算法模型，运用交叉验证法寻找最优的惩罚因子C和方差g，即在设定的参数范围内，确定迭代长度，将惩罚因子和方差两两组合，在多组交叉验证中选取精度最高的组合。
5.根据权利要求4所述的基于SVM的柴油机装配冷试检测方法，其特征在于，将构建的所述柴油机装配质量检测的样本集划分为训练集和测试集，用支持向量机算法对训练集训练，得到冷试测试质量检测支持向量机算法模型，利用测试集确定支持向量机算法模型对装配质量检测的准确性，从而对柴油机装配质量进行识别。
6.基于SVM的柴油机装配冷试检测系统，其特征在于，采用权利要求1所述的基于SVM的柴油机装配冷试检测方法，包括：
数据处理单元：利用柴油机的进气压力、曲轴转矩和排气压力构建冷试测试数据库，采用大数据分析的方式判断装配特征参数中排气压力数据的分布形态；并根据排气压力数据的分布形态，得到装配排气压力正常、偏小和偏大的阈值，从而构建柴油机装配质量检测的样本集；
模型建立单元：确定排气压力正常、偏小和偏大的阈值后，构建建立支持向量机算法模型，训练测试支持向量机算法模型，通过训练测试后的支持向量机算法模型用于对柴油机装配质量进行识别。
CN202111153792.2A 2021-09-29 2021-09-29 基于svm的柴油机装配冷试检测方法及系统 Active CN113884305B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202111153792.2A CN113884305B (zh) 2021-09-29 2021-09-29 基于svm的柴油机装配冷试检测方法及系统
PCT/CN2022/119171 WO2023051275A1 (zh) 2021-09-29 2022-09-16 基于svm的柴油机装配冷试检测方法及系统
GB2318389.0A GB2622708A (en) 2021-09-29 2022-09-16 SVM-based cold flow test detection method and system during diesel engine assembly

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111153792.2A CN113884305B (zh) 2021-09-29 2021-09-29 基于svm的柴油机装配冷试检测方法及系统

Publications (2)

Publication Number Publication Date
CN113884305A CN113884305A (zh) 2022-01-04
CN113884305B true CN113884305B (zh) 2022-06-28

Family

ID=79008371

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111153792.2A Active CN113884305B (zh) 2021-09-29 2021-09-29 基于svm的柴油机装配冷试检测方法及系统

Country Status (3)

Country Link
CN (1) CN113884305B (zh)
GB (1) GB2622708A (zh)
WO (1) WO2023051275A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN116433111B (zh) * 2023-06-15 2023-10-20 潍柴动力股份有限公司 曲轴装配扭矩质量检测系统的构建方法及质量评价方法

Family Cites Families (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6481269B2 (en) * 1996-07-19 2002-11-19 Toyota Jidosha Kabushiki Kaisha Method of testing assembled internal combustion engine
JP2000199428A (ja) * 1998-10-29 2000-07-18 Hitachi Metals Ltd 触媒坦体を連結する排気マニホルドの評価モデルおよび評価方法、並びにそれにより得られる排気マニホルド
JP4776029B2 (ja) * 2007-03-28 2011-09-21 Ｕｄトラックス株式会社 コールドテストベンチのパワステオイル循環系統
CN201034820Y (zh) * 2007-04-10 2008-03-12 浙江大学鸣泉电子科技有限公司 汽油车排气流量分析仪
FR2923546A1 (fr) * 2007-11-09 2009-05-15 Renault Sas Procede et dispositif de mesure du debit de recirculation des gaz d'echappement pour un moteur a combustion interne muni d'un double conduit d'admission
KR101574668B1 (ko) * 2008-05-08 2015-12-04 보그와르너 루트비히스부르크 게엠바흐 동압 판독값에 기초하여 엔진 파라미터를 추정하는 방법 및 시스템
SE534475C2 (sv) * 2010-01-18 2011-09-06 Scania Cv Ab Förfarande och anordning för att förhindra bränsleansamling i ett avgassystem hos ett motorfordon
WO2011118095A1 (ja) * 2010-03-25 2011-09-29 Ｕｄトラックス株式会社 エンジンの排気浄化装置及びエンジンの排気浄化方法
CN102680242B (zh) * 2012-06-06 2014-09-17 哈尔滨工程大学 基于群体智能的柴油机故障诊断方法
JP6225934B2 (ja) * 2015-02-27 2017-11-08 トヨタ自動車株式会社 内燃機関の制御装置
CN105319071B (zh) * 2015-09-21 2017-11-07 天津大学 基于最小二乘支持向量机的柴油机燃油系统故障诊断方法
JP2018115997A (ja) * 2017-01-19 2018-07-26 株式会社堀場製作所 排ガス流量測定ユニット及び排ガス分析装置
NL2019853B1 (en) * 2017-11-03 2019-05-13 Daf Trucks Nv System and method for detecting malfunctioning turbo-diesel cylinders.
CN108387378B (zh) * 2018-01-22 2019-11-15 西安航天动力试验技术研究所 一种发动机试验推进剂供应低频脉动抑制方法及系统
CN108492399B (zh) * 2018-02-11 2021-01-15 山东大学 基于大数据分析的推土机柴油机故障诊断专家系统及方法
CN110749450A (zh) * 2018-07-24 2020-02-04 上海华依科技集团股份有限公司 发动机冷试设备用的进、排气封堵测试机构及测试方法
CN111175052A (zh) * 2018-11-13 2020-05-19 上海华依科技集团股份有限公司 用于发动机冷试的发动机配气系统故障测试系统
CN109506942B (zh) * 2018-12-04 2020-08-04 重庆大学 一种大数据分析发动机冷试检测数据与工位相关性的方法
CN109726230B (zh) * 2018-12-04 2021-06-01 重庆大学 一种大数据分析模型预测发动机性能的方法
CN110197222A (zh) * 2019-05-29 2019-09-03 国网河北省电力有限公司石家庄供电分公司 一种基于多分类支持向量机变压器故障诊断的方法
CN110308005A (zh) * 2019-06-12 2019-10-08 上海市环境科学研究院 柴油机尾气颗粒物产生系统及柴油机尾气颗粒物模拟方法
CN110261122B (zh) * 2019-06-20 2020-06-16 大连理工大学 一种基于分块的船舶柴油机故障监测方法
CN111351668B (zh) * 2020-01-14 2022-03-25 江苏科技大学 基于优化粒子群算法和神经网络的柴油机故障诊断方法
CN111832617B (zh) * 2020-06-05 2022-11-08 上海交通大学 发动机冷态测试故障诊断方法
CN111562111A (zh) * 2020-06-05 2020-08-21 上海交通大学 发动机冷态测试故障诊断方法
CN111779573B (zh) * 2020-06-28 2022-02-11 河南柴油机重工有限责任公司 一种柴油机在线故障检测方法及装置
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

Also Published As

Publication number Publication date
GB202318389D0 (en) 2024-01-17
GB2622708A (en) 2024-03-27
WO2023051275A1 (zh) 2023-04-06
CN113884305A (zh) 2022-01-04

Similar Documents

Publication Publication Date Title
CN113884305B (zh) 基于svm的柴油机装配冷试检测方法及系统
CN112491796A (zh) 一种基于卷积神经网络的入侵检测及语义决策树量化解释方法
Cai et al. A novel improved local binary pattern and its application to the fault diagnosis of diesel engine
CN113469230B (zh) 一种转子系统深度迁移故障诊断方法、系统及介质
CN111062093B (zh) 一种基于图像处理和机器学习的汽车轮胎寿命预测方法
CN115187832A (zh) 一种基于深度学习与格拉姆角场图像的能源系统故障诊断方法
CN113489685A (zh) 一种基于核主成分分析的二次特征提取及恶意攻击识别方法
CN112087443A (zh) 一种大规模工业传感网络信息物理攻击下传感数据异常智能化检测方法
CN109990891B (zh) 一种基于多测点信息融合的柴油机振动冲击来源识别方法
CN108280357A (zh) 基于语义特征提取的数据防泄漏方法、系统
CN113450827A (zh) 基于压缩神经网络的设备异常工况声纹分析算法
CN111160756A (zh) 基于二次人工智能算法的景区评估方法及模型
CN115129503A (zh) 一种设备故障数据清洗方法及系统
CN108595860B (zh) 一种基于计算机的桥梁施工竖向预应力钢筋检测系统
CN114926702A (zh) 一种基于深度注意力度量的小样本图像分类方法
CN109036390B (zh) 一种基于集成梯度提升机的广播关键字识别方法
Wang et al. Sectional normalization and recognization on the PV-Diagram of reciprocating compressor
CN114091540B (zh) 柴油机冷试智能检测模型构建方法、检测方法及系统
Cao et al. A gas pipeline leakage detection method based on multichannel acoustic signals
CN115929495B (zh) 基于马尔可夫变迁场和改进高斯原型网络的发动机气门故障诊断方法
CN117830657B (zh) 一种故障智能识别方法和识别系统
Ma et al. Network Intrusion Detection Method Based on FSSAE and GRU
CN117236971B (zh) 多工况排放数据造假检测方法、装置及系统和存储介质
CN117647697B (zh) 一种基于知识图谱的电力计量流水线故障定位方法及系统
CN115169434B (zh) 基于k均值聚类算法的主机工况特征值提取方法及系统

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