CN114091540B - 柴油机冷试智能检测模型构建方法、检测方法及系统 - Google Patents

柴油机冷试智能检测模型构建方法、检测方法及系统 Download PDF

Info

Publication number
CN114091540B
CN114091540B CN202111395946.9A CN202111395946A CN114091540B CN 114091540 B CN114091540 B CN 114091540B CN 202111395946 A CN202111395946 A CN 202111395946A CN 114091540 B CN114091540 B CN 114091540B
Authority
CN
China
Prior art keywords
diesel engine
cold test
detection
threshold value
svm
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
CN202111395946.9A
Other languages
English (en)
Other versions
CN114091540A (zh
Inventor
闫伟
王辉
吴凡
孙俊伟
梅娜
袁子洋
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 CN202111395946.9A priority Critical patent/CN114091540B/zh
Publication of CN114091540A publication Critical patent/CN114091540A/zh
Application granted granted Critical
Publication of CN114091540B publication Critical patent/CN114091540B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

本发明提出了柴油机冷试智能检测模型构建方法、检测方法及系统，分别获得正常及异常状态下的柴油机缸盖振动信号及进排气门间隙；对振动信号进行分解，提取分解的振动信号的每一层的高频系数，计算每一层高频系数的阈值，并以此阈值构建特征向量；根据进排气门间隙的大小对特征向量进行标签分类；选取SVM的核函数后采用蜂群算法寻找最优的惩罚因子C，获得改进的SVM算法，利用改进的SVM算法对分类后的样本进行训练，得到用于冷试测试质量检测的优化SVM模型。通过构建特征向量，选取径向基核函数，采用蜂群算法寻找最优的惩罚因子C，来训练测试SVM模型，提高了装配质量检测的准确性。

Description

柴油机冷试智能检测模型构建方法、检测方法及系统
技术领域
本发明属于柴油机冷试检测技术领域，尤其涉及柴油机冷试智能检测模型构建方法、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。
柴油机行业的快速发展，对其部件的装配质量产生了更高的要求。如何在柴油机装配完成后快速准确的检测出可能存在的缺陷问题，成为各大厂商研究的重点。各大生产线最初所用的测试方法是传统的热试方式，由于热试过程中涉及实际的燃烧过程，能模拟实际的热循环工况，其通用性较好。但热试也存在许多不足，一是测试周期较长，效率低下；二是油耗较高，且燃油过程中会产生排放污染物，也增加了测试成本。
为了解决热试过程中存在的这些问题，柴油机冷试检测逐渐成为各领域研究的重点，冷试不需要点火测试，具有污染小、时间短、成本低、故障定位准确等优势。柴油机冷试测试的检测方法有很多种，针对冷试检测的参数判断可能的装配缺陷是研究的重点。
发明内容
为克服上述现有技术的不足，本发明提供了柴油机冷试智能检测模型构建方法，利用该模型可以提高冷试装配质量检测的准确性。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
第一方面，公开了柴油机冷试智能检测模型构建方法，包括：
分别获得正常及异常状态下的柴油机缸盖振动信号及进排气门间隙；
对振动信号进行分解，提取分解的振动信号的每一层的高频系数，计算每一层高频系数的阈值，并以此阈值构建特征向量；
根据进排气门间隙的大小对特征向量进行标签分类；
结合高频系数的阈值及标签分类的特征向量作为冷试质量检测样本集；
选取SVM算法中的核函数后采用蜂群算法寻找最优的惩罚因子，获得改进的SVM算法，利用改进的SVM算法对分类后的样本进行训练，得到用于冷试测试质量检测的优化SVM模型。
进一步的技术方案，计算每一层高频系数的阈值时，阈值公式为公式中i代表分解所在层数，D表示该层的高频系数，L表示该高频系数的长度，S表示该层的阈值，median为求出矩阵按列从大到小排列的中间值的函数。
进一步的技术方案，针对高频系数的阈值形成的特征向量进行归一化处理。
进一步的技术方案，根据进排气门间隙的大小对特征向量进行标签分类，具体为：
根据进排气门间隙的大小把所有特征向量分为0、1、2三类，其中0表示排气门异常的特征向量，1表示进气门异常的特征向量，2表示进排气门正常的特征向量。
进一步的技术方案，利用优化SVM模型对柴油机装配质量进行识别。
进一步的技术方案，采用蜂群算法寻找最优的惩罚因子，具体过程为：
通过对蜂群和蜜源初始化后，反复执行三个过程，即雇佣阶段、跟随蜂阶段和探索蜂阶段，来寻找问题的最优解。
第二方面，公开了柴油机冷试智能检测模型构建系统，包括：
数据处理单元，被配置为：分别获得正常及异常状态下的柴油机缸盖振动信号及进排气门间隙；
对振动信号进行分解，提取分解的振动信号的每一层的高频系数，计算每一层高频系数的阈值，并以此阈值构建特征向量；
模型建立单元，被配置为：根据进排气门间隙的大小对特征向量进行标签分类；
结合高频系数的阈值及标签分类的特征向量作为冷试质量检测样本集；
选取SVM算法的核函数后采用蜂群算法寻找最优的惩罚因子，利用SVM算法对分类后的样本进行训练得到用于冷试测试质量检测的优化SVM模型。
以上一个或多个技术方案存在以下有益效果：
本发明基于正常及装错部件的柴油机缸盖振动信号，采用小波阈值降噪得到振动信号的分层阈值，以分层阈值构建特征向量并建立SVM模型，形成了柴油机装配冷试检测方法。
本发明通过构建特征向量，选取SVM算法的径向基核函数，采用蜂群算法寻找最优的惩罚因子C，来训练测试样本，形成优化SVM模型，提高了装配质量检测的准确性。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
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为本发明实施例融合蜂群算法及支持向量机的柴油机冷试检测方法的流程图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文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。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
为了提高柴油机装配冷试检测的准确，本实施例公开了柴油机冷试智能检测模型构建方法，利用该构建的模型进行柴油机冷试检测。
参考图1所示，融合蜂群算法及支持向量机的柴油机冷试检测方法，包括如下内容：
柴油机冷试智能检测模型构建步骤以及通过训练测试后的SVM模型来对柴油机装配质量进行冷试检测步骤；
利用正常及装错部件状态的柴油机缸盖振动信号，采用小波函数对振动信号进行分解，采用改进的阈值计算公式计算出各层高频系数的阈值，以此阈值构建特征向量，并对其进行归一化处理得到样本集。根据进排气门间隙的大小对特征向量进行标签分类，并将样本集划分为测试集和训练集。选取SVM的核函数后，采用蜂群算法寻找最优的惩罚因子C，形成融和蜂群算法的SVM，通过训练测试样本后获得优化SVM模型；
利用训练测试后的SVM模型来对柴油机装配质量进行冷试检测，形成相应的柴油机装配质量冷试检测方法。
所测得的正确的进排气门间隙及对应的缸盖振动信号、装错部件的进排气门间隙及对应的缸盖振动信号等参数数据均由冷试测试设备中的振动传感器获得。
在获取数据之后，接下来通过选取sym4小波函数来对振动信号进行分解，分解层数为5层，并提取每一层的高频系数，从信号连续性和尽可能消除噪声的角度，利用改进的阈值计算公式对每一层的高频系数计算阈值，为公式中i代表分解所在层数，D表示该层的高频系数，L表示该高频系数的长度，S表示该层的阈值，median为求出矩阵按列从大到小排列的中间值的函数。
然后以各层高频系数计算出的阈值构建一个特征向量，需对其进行归一化处理，将其所有的值映射到范围[-1,1]中，其映射计算的公式为公式中ymax为映射范围上限，ymin为映射范围下限。归一化处理以后得到冷试质量检测样本集。
规定进气门间隙为0.38±0.03mm、排气门间隙为3.00±0.03mm时柴油机为正常状态，其余为异常状态。根据进排气门间隙的大小把所有特征向量分为0、1、2三类，其中0表示排气门异常的特征向量，1表示进气门异常的特征向量，2表示进排气门正常的特征向量。将分类后的样本集划分为训练集和测试集。
进一步地，通过选取核函数来训练测试SVM模型，核函数公式为：
式中K(Xi,Xj)＝exp(-g||Xi-Xj||2),g>0为径向基核函数，其中Xi,Xj为数据归一化处理后的冷试质量检测样本集中的振动信号的分层阈值，Yi表示标签分类的结果(0,1,2)，ε表示不敏感损失系数，C为惩罚因子，g为核函数的方差。
采用蜂群算法寻找最优的惩罚因子C。蜂群智能优化算法通过对蜂群和蜜源初始化后，反复执行三个过程，即雇佣阶段、跟随蜂阶段和探索蜂阶段，来寻找问题的最优解。其中，雇佣蜂进行蜜源探索，雇佣蜂进行蜜源位置更新的公式为：
FQij＝xij+εμij(xij-xkj)+ζγij(yj-xij)
其中i为蜜源编号，j为蜜源的维度，M为最大迭代次数，xij为旧蜜源位置，FQij为新蜜源位置，xkj为随机选择的蜜源位置，μij是[-1,1]的随机数，γij是[0,E]的随机数，yj为蜜源位置第j维度的最优解。
若某一蜜源被开采过度需要探索蜂开采新的蜜源，则可通过如下公式计算新蜜源的位置，并通过新蜜源的位置对该蜜源的位置进行替代：
FQi'j＝xminj+rand[0,1](xmaxj-xminj)
其中，FQi'j为替换蜜源位置，xminj和xmaxj分别为蜜源位置第j维度的最小最大值，rand[0,1]为[0,1]的随机数。
将计算的FQij带入到SVM的惩罚因子C中，另外方差g可在(-10,10)范围内，选择迭代步长为0.1进行计算，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。
接着，用得到的SVM算法对训练集进行训练得到冷试测试质量检测SVM模型，利用测试集验证SVM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。
通过本专利提供的融合蜂群算法及支持向量机的柴油机冷试检测方法，将柴油机缸盖振动信号作为基础，采用小波阈值降噪方法所计算的分层阈值构建特征向量，并能根据进排气门间隙的大小进行分类，采用蜂群算法改进的SVM算法来对SVM模型进行训练测试，可以提高冷试装配质量检测的准确性，从而提高了柴油机装配的可靠度。
本发明还公开了柴油机冷试检测方法，利用上述方法获柴油机冷试智能检测模型，利用得到的优化SVM模型对柴油机装配质量进行识别，对柴油机装配质量进行冷试检测。
实施例二
本实施例的目的是提供一种计算装置,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程序时实现上述方法的步骤。
实施例三
本实施例的目的是提供一种计算机可读存储介质。
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执行上述方法的步骤。
实施例四
本实施例的目的是提供融合蜂群算法及支持向量机的柴油机冷试检测系统，包括：
数据处理单元，利用冷试测设备获得的正常及装错部件状态的柴油机缸盖振动信号，采用小波函数对振动信号进行分解并提取各层高频系数，根据改进的阈值计算公式求出各层高频系数的阈值，归一化处理以后得到柴油机装配质量检测样本集。
模型建立单元，根据各层阈值构建特征向量，选取SVM的核函数后，采用蜂群算法寻找最优的惩罚因子C，形成融和蜂群算法的SVM，通过训练测试样本后得到的优化SVM模型用于对柴油机装配质量进行识别。
模型建立单元根据进排气门间隙的大小将特征向量分为0、1、2三类，其中0表示排气门异常的特征向量，1表示进气门异常的特征向量，2表示进排气门正常的特征向量。将分类后的样本集划分为训练集和测试集。
通过选取核函数来训练测试SVM模型；核函数为径向基函数，运用蜂群算法寻找最优的惩罚因子C。另外方差g可在(-10,10)范围内，选择迭代步长为0.1进行计算，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。
用得到的SVM算法对训练集进行训练得到冷试测试质量检测SVM模型，利用测试集验证SVM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。
实施例五
本实施例的目的是提供柴油机冷试检测系统，包括：
冷试测试设备，用于采集待测进排气门间隙及对应的缸盖振动信号并传输至检测服务器；
检测服务器，存储有优化好的柴油机冷试智能检测模型，利用该检测模型对柴油机装配质量进行冷试检测，并输出检测结果。
以上实施例的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.柴油机冷试智能检测模型构建方法，其特征是，包括：
分别获得正常及异常状态下的柴油机缸盖振动信号及进排气门间隙；
对振动信号进行分解，提取分解的振动信号的每一层的高频系数，计算每一层高频系数的阈值，并以此阈值构建特征向量；
根据进排气门间隙的大小对特征向量进行标签分类；
结合高频系数的阈值及标签分类的特征向量作为冷试质量检测样本集；
选取SVM核函数后采用蜂群算法寻找最优的惩罚因子，获得改进的SVM算法，利用改进的SVM算法对分类后的样本进行训练，得到用于冷试测试质量检测的优化SVM模型。
2.如权利要求1所述的柴油机冷试智能检测模型构建方法，其特征是，计算每一层高频系数的阈值时，阈值公式为 公式中i代表分解所在层数，D表示该层的高频系数，L表示该高频系数的长度，S表示该层的阈值，median为求出矩阵按列从大到小排列的中间值的函数。
3.如权利要求1所述的柴油机冷试智能检测模型构建方法，其特征是，针对每一层高频系数的阈值构建的特征向量进行归一化处理。
4.如权利要求1所述的柴油机冷试智能检测模型构建方法，其特征是，根据进排气门间隙的大小对特征向量进行标签分类，具体为：
根据进排气门间隙的大小把所有特征向量分为0、1、2三类，其中0表示排气门异常的特征向量，1表示进气门异常的特征向量，2表示进排气门正常的特征向量。
5.如权利要求1所述的柴油机冷试智能检测模型构建方法，其特征是，采用蜂群算法寻找最优的惩罚因子，具体过程为：
通过对蜂群和蜜源初始化后，反复执行三个过程，即雇佣阶段、跟随蜂阶段和探索蜂阶段，来寻找问题的最优解。
6.柴油机冷试检测方法，其特征是，利用权利要求1所述的方法获柴油机冷试智能检测模型，利用得到的优化SVM模型对柴油机装配质量进行识别。
7.柴油机冷试智能检测模型构建系统，其特征是，包括：
数据处理单元，被配置为：分别获得正常及异常状态下的柴油机缸盖振动信号及进排气门间隙；
对振动信号进行分解，提取分解的振动信号的每一层的高频系数，计算每一层高频系数的阈值，并以此阈值构建特征向量；
模型建立单元，被配置为：根据进排气门间隙的大小对特征向量进行标签分类；
结合高频系数的阈值及标签分类的特征向量作为冷试质量检测样本集；
选取SVM核函数后采用蜂群算法寻找最优的惩罚因子，获得改进的SVM算法，利用改进的SVM算法对分类后的样本进行训练得到用于冷试测试质量检测的优化SVM模型。
8.柴油机冷试检测系统，其特征是，包括：
冷试测试设备，用于采集待测进排气门间隙及对应的缸盖振动信号并传输至检测服务器；
检测服务器，存储有利用上述权利要求1-5任一所述的方法构建优化好的柴油机冷试智能检测模型，利用该检测模型对柴油机装配质量进行冷试检测，并输出检测结果。
9.一种计算装置,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，其特征是，所述处理器执行所述程序时实现上述权利要求1-5任一所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时执行上述权利要求1-5任一所述的方法的步骤。
CN202111395946.9A 2021-11-23 2021-11-23 柴油机冷试智能检测模型构建方法、检测方法及系统 Active CN114091540B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111395946.9A CN114091540B (zh) 2021-11-23 2021-11-23 柴油机冷试智能检测模型构建方法、检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111395946.9A CN114091540B (zh) 2021-11-23 2021-11-23 柴油机冷试智能检测模型构建方法、检测方法及系统

Publications (2)

Publication Number Publication Date
CN114091540A CN114091540A (zh) 2022-02-25
CN114091540B true CN114091540B (zh) 2024-05-07

Family

ID=80303311

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111395946.9A Active CN114091540B (zh) 2021-11-23 2021-11-23 柴油机冷试智能检测模型构建方法、检测方法及系统

Country Status (1)

Country Link
CN (1) CN114091540B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101819253A (zh) * 2010-04-20 2010-09-01 湖南大学 一种基于概率神经网络的容差电路故障诊断方法
CN105930864A (zh) * 2016-04-15 2016-09-07 杭州电子科技大学 一种基于abc-svm的脑电信号特征分类方法
CN107644127A (zh) * 2017-09-08 2018-01-30 西安工程大学 基于imabc优化支持向量机的变压器故障诊断方法
CN109583092A (zh) * 2018-11-30 2019-04-05 中南大学 一种多层次多模式特征提取的智能机械系统故障诊断方法
KR20200143873A (ko) * 2019-06-17 2020-12-28 인하대학교 산학협력단 뇌전도 신호 기반 멀티 주파수 대역 계수를 이용한 특징추출 및 확률모델과 기계학습에 의한 간질 발작파 자동 검출 방법 및 장치

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11486925B2 (en) * 2020-05-09 2022-11-01 Hefei University Of Technology Method for diagnosing analog circuit fault based on vector-valued regularized kernel function approximation

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101819253A (zh) * 2010-04-20 2010-09-01 湖南大学 一种基于概率神经网络的容差电路故障诊断方法
CN105930864A (zh) * 2016-04-15 2016-09-07 杭州电子科技大学 一种基于abc-svm的脑电信号特征分类方法
CN107644127A (zh) * 2017-09-08 2018-01-30 西安工程大学 基于imabc优化支持向量机的变压器故障诊断方法
CN109583092A (zh) * 2018-11-30 2019-04-05 中南大学 一种多层次多模式特征提取的智能机械系统故障诊断方法
KR20200143873A (ko) * 2019-06-17 2020-12-28 인하대학교 산학협력단 뇌전도 신호 기반 멀티 주파수 대역 계수를 이용한 특징추출 및 확률모델과 기계학습에 의한 간질 발작파 자동 검출 방법 및 장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
改进人工蜂群算法优化支持向量机的柴油机故障诊断;沈绍辉;;智慧工厂;20170615(第06期);全文 *

Also Published As

Publication number Publication date
CN114091540A (zh) 2022-02-25

Similar Documents

Publication Publication Date Title
Lygoe et al. A real-world application of a many-objective optimisation complexity reduction process
Shen et al. Gaussian mixture model clustering-based knock threshold learning in automotive engines
WO2018005996A1 (en) System, device, and method for feature generation, selection, and classification for audio detection of anomalous engine operation
CN110826772A (zh) 车辆尾气排放预测方法、装置、设备及存储介质
Shen et al. Mixture density networks-based knock simulator
CN112491920A (zh) 一种车载can总线的异常检测方法及装置
CN113884305B (zh) 基于svm的柴油机装配冷试检测方法及系统
Yang et al. A novel multiple feature-based engine knock detection system using sparse Bayesian extreme learning machine
Du et al. Research on fault diagnosis of automobile engines based on the deep learning 1D-CNN method
CN114091540B (zh) 柴油机冷试智能检测模型构建方法、检测方法及系统
US20160078071A1 (en) Large scale offline retrieval of machine operational information
CN115222145A (zh) 基于新能源汽车运行大数据的续驶里程预测方法及系统
CN115263505A (zh) 一种车辆nox排放预测方法、装置及存储介质
US8612087B2 (en) Method for the detection of a component malfunction along the life of an internal combustion engine
CN112504689B (zh) 发动机爆震检测方法、装置、设备及存储介质
CN115186581A (zh) 一种发动机水温故障预测方法、装置及存储介质
CN113537373A (zh) 基于数字孪生的柴油机健康状态评估方法、装置及设备
CN113887452A (zh) 基于相关性矩阵的故障诊断优化方法
CN112712007A (zh) 一种基于DCNN-Inception网络识别汽车尾气遥感数据的算法
Antory Fault diagnosis application in an automotive diesel engine using auto-associative neural networks
JP2007286018A (ja) 車載故障診断制御装置
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
Canal et al. Misfire Detection in Combustion Engines Using Machine Learning Techniques
da Silva et al. Feature Selection in Machine Learning for Knocking Noise detection
CN115265837A (zh) 一种发动机水温故障预测方法、装置及存储介质

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
GR01 Patent grant
GR01 Patent grant