CN114330599A - 基于深度学习的发动机故障识别方法、设备和系统 - Google Patents

基于深度学习的发动机故障识别方法、设备和系统 Download PDF

Info

Publication number
CN114330599A
CN114330599A CN202210243707.XA CN202210243707A CN114330599A CN 114330599 A CN114330599 A CN 114330599A CN 202210243707 A CN202210243707 A CN 202210243707A CN 114330599 A CN114330599 A CN 114330599A
Authority
CN
China
Prior art keywords
fault
data samples
operation data
normal
model
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.)
Granted
Application number
CN202210243707.XA
Other languages
English (en)
Other versions
CN114330599B (zh
Inventor
王文斌
杨亮
张衡
王铁
王军雷
王华珺
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.)
China Automobile Information Technology Tianjin Co ltd
Original Assignee
China Automobile Information Technology Tianjin Co ltd
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 China Automobile Information Technology Tianjin Co ltd filed Critical China Automobile Information Technology Tianjin Co ltd
Priority to CN202210243707.XA priority Critical patent/CN114330599B/zh
Publication of CN114330599A publication Critical patent/CN114330599A/zh
Application granted granted Critical
Publication of CN114330599B publication Critical patent/CN114330599B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Combined Controls Of Internal Combustion Engines (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明实施例公开了一种基于深度学习的发动机故障识别方法、设备和系统。其中，方法包括：获取发动机的运行数据；将所述运行数据分别输入至多个故障检测模型和一正常检测模型中，所述多个故障检测模型和所述正常检测模型为基于深度学习的自编码器，所述多个故障检测模型分别用于编码得到表征发动机不同故障种类和不同故障种类组合的特征，所述正常检测模型用于编码得到表征发动机正常的特征；如果所述正常检测模型的输出特征与正常特征库中的特征不匹配，将所述多个故障检测模型输出的特征分别与对应故障种类或组合的特征库进行比对；根据比对结果识别发动机的故障。本实施例实现发动机故障的自动化识别，提高识别精度。

Description

基于深度学习的发动机故障识别方法、设备和系统
技术领域
本发明实施例涉及深度学习技术领域，尤其涉及一种基于深度学习的发动机故障识别方法、设备和系统。
背景技术
发动机故障是由于材料、工艺缺陷，设计不合理、制造问题以及使用时操作不当引起的发动机工作异常。在车辆实际行驶过程中，发动机可能会出现各种各样的故障，及时识别或检测出发动机的故障是急需要解决的技术问题。
现有技术中，一般是聘请有丰富经验的工程师人工检测发动机的故障，这种方法效率低下且出错率较高。
发明内容
本发明实施例提供一种基于深度学习的发动机故障识别方法、设备和系统，以实现发动机故障的自动化识别。
第一方面，本发明实施例提供了一种基于深度学习的发动机故障识别方法，包括：
获取发动机的运行数据；
将所述运行数据分别输入至多个故障检测模型和一正常检测模型中，所述多个故障检测模型和所述正常检测模型为基于深度学习的自编码器，所述多个故障检测模型分别用于编码得到表征发动机不同故障种类和不同故障种类组合的特征，所述正常检测模型用于编码得到表征发动机正常的特征；
如果所述正常检测模型的输出特征与正常特征库中的特征不匹配，将所述多个故障检测模型输出的特征分别与对应故障种类或组合的特征库进行比对；
根据比对结果识别发动机的故障。
第二方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现任一实施例所述的基于深度学习的发动机故障识别方法。
第三方面，本发明实施例还提供了一种基于深度学习的发动机故障识别系统，包括多个电子设备和服务器；
每个所述电子设备包括：一个或多个处理器；存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例所述的基于深度学习的发动机故障识别方法；
所述服务器用于将各电子设备传输的编码器参数融合后发送至各电子设备。。
本发明实施例采用多个基于深度学习的检测模型得到表征发动机运行状态的特征，通过将正常检测模型输出的特征与正常特征库比对，识别发动机是否发生故障；如果发生故障，再将各故障检测模型输出的特征与对应故障种类或组合的特征库进行比对，识别发动机的故障种类或组合。通过这一方式，一方面实现了发动机故障的自动化识别，另一方面细分了故障种类以及故障种类组合，实现了发动机故障运行状态的全覆盖，提高了故障识别精度。此外，采用自编码器作为检测模型对运行数据编码，在降维的同时能够分析运行数据间的关系，保留运行数据中的关键信息。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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是本发明实施例提供的一种基于深度学习的发动机故障识别方法的流程图；
图2是本发明实施例提供的一种电子设备的结构示意图；
图3为本发明实施例提供的一种基于深度学习的发动机故障识别系统的结构示意图；
附图中，
30-电子设备，31-服务器，40-处理器，41-存储器，42-输入装置，43-输出装置。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行清楚、完整的描述。显然，所描述的实施例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做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
本发明实施例提供一种基于深度学习的发动机故障识别方法，适用于对根据发动机的运行数据自动识别发动机故障的情况，本实施例由电子设备执行。该方法的流程图如图1所示，本实施例提供的方法具体包括：
S110、获取发动机的运行数据。
发动机的运行数据能够客观反映出发动机的运行状态，表1显示了发动机的10种运行数据。实际应用中，运行数据的类型远远大于10种，数据类型越多，对发动机运行状态的反映越准确。获取的发动机的运行数据用于进行发动机故障识别。
表1
数据类型
1 最终点火角
2 节气门需求开度
3 节气门实际开度
4 车速
5 扭矩
6 储氧量
7 发动机停机时间
8 节气门开度占空比
9 缸有效喷射时间
10 ECU上电标志位
可选地，获取发动机的运行数据，包括：通过汽车OBS系统以及CAN总线系统，获得一段时间内发动机的运行数据。
S120、将所述运行数据分别输入至多个故障检测模型和一正常检测模型中，所述多个故障检测模型和所述正常检测模型为基于深度学习的自编码器，所述多个故障检测模型分别用于编码得到表征发动机不同故障种类和不同故障种类组合的特征，所述正常检测模型用于编码得到表征发动机正常的特征。
发动机的故障种类包括动力不足、失火、突然熄火等。故障种类组合中包括多种故障，例如动力不足+失火、动力不足+突然熄火、动力不足+失火+突然熄火等，指发动机同时发生了多种故障。以“力不足+失火+突然熄火”为例，表明发动机同时出现了动力不足、失火和突然熄火三种故障。表2显示了表1中的10种运行数据相关的故障种类或组合。如表2所示，当最终点火角出现异常时，发动机就会出现“力不足+失火+突然熄火”的故障组合。
表2
动力不足 失火 突然熄火
最终点火角 √ √ √
节气门需求开度 √ √
节气门实际开度 √ √
车速 √ √
扭矩 √
储氧量 √ √
发动机停机时间 √ √
节气门开度占空比 √ √
缸有效喷射时间 √ √
ECU上电标志位 √
本实施例采用基于深度学习的检测模型构建表征发动机运行状态的特征，每个检测模型为一个基于深度学习的自编码器，用于对输入的数据进行降维，得到表征发动机运行状态的特征。由于上述获取到的运行数据类型较多，且汽车的各模块耦合运行，各类型的运行数据间存在强相互联系，因此运行数据中保留的噪音、细节和重复信息较多。因此使用自编码对运行数据进行编码，减少数据类型。为了便于区分和描述，将自编码器的输入称为数据，输出称为特征，输出特征的维度小于输入数据的数据类型，即实现了数据的降维。
在表1所示的具体实施方式中，假设输入的运行数据包括30个数据类型（表1中显示了其中10种），将30个类型的运行数据输入一自编码器后，得到的特征维度为4，实现了数据的降维。
S130、如果所述正常检测模型的输出特征与正常特征库中的特征不匹配，将所述多个故障检测模型输出的特征分别与对应故障种类或组合的特征库进行比对。
本实施例中采用了三类结构相同、但参数互不相同的自编码器，每个自编码器对应发动机的一种运行状态。具体来说，三类自编码器分别具有如下特性：
正常检测模型的特性是：如果输入该模型的运行数据为发动机的正常运行数据，则该模型输出的特征与正常特征库中的特征匹配。
一故障种类的故障检测模型的特性是：如果输入该模型的运行数据为发动机出现该故障种类时的运行数据，则该模型输出的特征与该故障种类对应的特征库中的特征匹配。
一故障种类组合对应的故障检测模型的特性是：如果输入该模型的运行数据为发动机出现该故障种类组合时的运行数据，则该模型输出的特征与该故障种类组合对应的特征库中的特征匹配。
因此，首次用所述正常检测模型的输出特征与正常特征库进行比对。如果所述正常检测模型的输出特征与正常特征库中的特征不匹配，表明发动机发生了故障。为了确定具体故障种类或组合，分别将每个故障检测模型输出的特征与对应的特征库进行比对。
S140、根据比对结果识别发动机的故障。
如果一故障种类对应的故障检测模型输出的特征与该故障种类对应的特征库中的特征匹配，表明发动机出现了所述种类的故障。
如果一故障种类组合对应的故障检测模型的输出的特征与该故障种类组合对应的特征库中的特征匹配，表明发动机出现了所述组合的故障。
本实施例的技术效果是：采用多个基于深度学习的检测模型得到表征发动机运行状态的特征，通过将正常检测模型输出的特征与正常特征库比对，识别发动机是否发生故障；如果发生故障，再将各故障检测模型输出的特征与对应故障种类或组合的特征库进行比对，识别发动机的故障种类或组合。通过这一方式，一方面实现了发动机故障的自动化识别，另一方面细分了故障种类以及故障种类组合，实现了发动机故障运行状态的全覆盖，提高了故障识别精度。此外，采用自编码器作为检测模型对运行数据编码，在降维的同时能够分析运行数据间的关系，保留运行数据中的关键信息。
在上述实施例和下述实施例的基础上，本实施例对各检测模型的训练过程进行细化。下面对三类检测模型分别进行说明。
（一）正常检测模型的训练
下面给出两种训练正常检测模型的具体实施方式，分别采用不同的损失函数和训练方式。
具体实施方式一：
可选地，在将所述运行数据分别输入至多个故障检测模型和一正常检测模型中之前，还包括如下步骤：
步骤一、构建正常运行数据样本库。
正常检测模型的特性是：如果输入该模型的运行数据为发动机的正常运行数据，则该模型输出的特征与正常特征库中的特征匹配。
有鉴于此，首先构建正常运行数据样本库，用于对待训练模型进行训练，以优化待训练模型的编码器参数，使所述待训练模型的自编码器满足上述特性，成为正常检测模型。
需要说明的是，所述待训练模型包括基于深度学习的自编码器和解码器，所述解码器用于验证编码精度。最终将训练好的自编码器构成正常检测模型。
具体来说，首先，获取发动机的正常运行数据，每一组正常运行数据即为一组样本。可选地，每一组正常运行数据样本为发动机正常运行一段时间产生的运行数据，所述一段时间的运行数据包括多个时刻的运行数据，每个时刻的运行数据包括多个数据类型的运行数据。例如，在表1所示的具体实施方式中，一时刻的运行数据包括该时刻的最终点火角、节气门需求开度等30种运行数据。然后，由多组正常运行数据构成正常运行数据样本库
步骤二、在每次对待训练模型进行训练以得到正常检测模型的过程中，将第一组正常运行数据样本和第二组正常运行数据样本先后输入至所述待训练模型，并通过最小化所述第一组正常运行数据样本与编解码后数据的距离，以及所述第二组正常运行数据样本的编码后特征与所述第一组正常运行数据样本的编码后特征的距离，优化所述待训练模型的编码器参数。可选地，解码器的参数采用预设参数，或在每次训练中与自编码器一起进行优化。
可选地，训练过程中构建如下损失函数，用于训练正常检测模型：
Figure DEST_PATH_IMAGE001
（1）
其中，n表示一组正常运行数据样本中数据类型的总数，xi表示第一组正常运行数据样本的编解码后数据，yi表示第一组正常运行数据样本，d表示一组正常运行数据样本的编码后特征的维度总数，zi表示第一组运行数据样本的编码后特征，z'i表示第二组正常行数据样本的编码后特征，
Figure 262522DEST_PATH_IMAGE002
表示正常运行对应的损失权重。
在表1所示的具体实施方式中，假设输入的运行数据包括30个数据类型，将30个类型的运行数据输入正常检测模型后，得到的特征维度为4，则n=30，d=4。
在每次训练中，通过对损失函数L1的最小化来优化编码器参数。具体来说，在损失函数L1中，
Figure DEST_PATH_IMAGE003
表征所述第一组正常运行数据样本与编解码后数据的距离，通过
Figure 865673DEST_PATH_IMAGE004
的最小化限制了编码对正常运行数据带来的损失，提高故障识别的准确性。由于编码后特征的维度小于输入的运行数据样本的维度（即数据类型总数），不具有可比性。因此本实施例采用与自编码器对应的解码器对编码后特征进行解码，以解码后的数据还原输入的运行数据样本。为了便于区分和描述，将解码后的数据称为编解码数据。编解码数据中的数据类型与运行数据样本相同，二者具有可比性。通过还原出来的编解码数据和输入的运行数据样本，计算编码对运行数据样本带来的损失。
Figure DEST_PATH_IMAGE005
表征所述第二组正常运行数据样本的编码后特征与第一组正常运行数据样本的编码后特征的距离，通过
Figure 689842DEST_PATH_IMAGE006
的最小化使多组正常运行数据样本得到的编码后特征趋于一致，一方面有利于构建对应于正常运行状态的正常特征库，另一方面从编码后特征的角度减小了编码损失，进一步提高了故障识别准确性。同时，本实施例对训练模式进行了优化，在第一组正常运行数据样本和第二组正常运行数据样本都进行一次编码后进行一次参数更新，与每次编码后都进行参数更新相比，减少了参数更新次数，也避免了在整体损失函数L1计算完毕之前进行更新带来的无效参数波动，使网络收敛速度更快。
具体实施方式二：
可选地，在将所述运行数据分别输入至多个故障检测模型和一正常检测模型中之前，还包括如下步骤：
步骤一、构建正常运行数据样本库和故障运行数据样本库。
步骤二、在每次对待训练模型进行训练以得到正常检测模型的过程中，将第一组正常运行数据样本、第二组正常运行数据样本、第一组故障运行数据样本和第二组故障运行数据样本先后输入至所述待训练模型，并通过最小化所述第一组正常运行数据样本与编解码后数据的距离、最小化所述第二组正常运行数据样本的编码后特征与所述第一组正常运行数据样本的编码后特征的距离、最小化所述第二组故障运行数据样本的编码后特征和第一组故障运行数据样本的编码后特征的距离，以及最大化所述第一组正常运行数据样本的编码后特征与所述第一组故障运行数据样本的编码后特征的距离，优化所述待训练模型的编码器参数。
所述待训练模型包括基于深度学习的自编码器和解码器，将训练好的自编码器构成正常检测模型。
可选地，在将所述运行数据分别输入至多个故障检测模型和一正常检测模型中之前，还包括：在正常检测模型的训练中，构建如下损失函数：
Figure 223592DEST_PATH_IMAGE007
其中，n表示一组正常运行数据样本中数据类型的总数，xi表示所述第一组正常运行数据样本的编解码后数据，yi表示所述第一组正常运行数据样本，d表示一组运行数据样本的编码后特征的维度总数，zi表示所述第一组正常运行数据样本的编码后特征，z'i表示所述第二组正常行数据样本的编码后特征，Gi表示所述第一组故障数据样本的编码后特征，G'i表示所述第二组故障行数据样本的编码后特征，
Figure DEST_PATH_IMAGE008
、
Figure 825605DEST_PATH_IMAGE009
和
Figure 52187DEST_PATH_IMAGE010
分别表示对应的损失权重。
在每次训练中，通过对损失函数L'1的最小化优化编码器参数。具体来说，在损失函数L'1中，
Figure 824971DEST_PATH_IMAGE003
表征所述第一组正常运行数据样本与编解码后数据的距离，通过
Figure 913144DEST_PATH_IMAGE004
的最小化，限制了编码对正常运行数据带来的损失，提高故障识别的准确性。
Figure 353353DEST_PATH_IMAGE011
表征所述第二组正常运行数据样本的编码后特征与第一组正常运行数据样本的编码后特征的距离，通过
Figure 219678DEST_PATH_IMAGE012
的最小化，使多组正常运行数据样本得到的编码后特征趋于一致，一方面有利于构建对应于正常运行状态的正常特征库，另一方面从编码后特征的角度减小了编码损失，进一步提高了故障识别准确性。
Figure 496069DEST_PATH_IMAGE013
表征所述第一组正常运行数据样本的编码后特征与所述第一组故障运行数据样本的编码后特征的距离，通过
Figure 371621DEST_PATH_IMAGE013
的最大化（即
Figure 400757DEST_PATH_IMAGE014
的最小化）使正常运行数据样本的编码后特征和故障运行数据样本的编码后特征具有较远的距离，从而使正常运行数据样本和故障运行数据样本得到有效的区分。
Figure 451365DEST_PATH_IMAGE015
表征所述第二组故障运行数据样本的编码后特征和第一组故障运行数据样本的编码后特征的距离，通过
Figure 464321DEST_PATH_IMAGE016
的最小化，使多组故障运行数据样本得到的编码后特征趋于一致，从而保证
Figure 894296DEST_PATH_IMAGE014
中的故障运行数据样本的编码后特征就能代表所有故障运行数据样本的编码后特征，从而使正常运行数据样本与所有故障运行数据样本都得到有效的区分。
此外，本实施例对训练模式进行了优化，在第一组正常运行数据样本、第二组正常运行数据样本、第一组故障运行数据样本和第二组故障运行数据样本都进行一次编码后进行一次参数更新，与每次编码后都进行参数更新相比，减少了参数更新次数，也避免了在整体损失函数L'1计算完毕之前进行更新带来的无效参数波动，使网络收敛速度更快。
训练得到正常检测模型后，利用正常检测模型构建正常特征库。可选地，在如果所述正常检测模型的输出特征与正常特征库中的特征不匹配，将所述多个故障检测模型输出的特征分别与对应故障种类或组合的特征库进行比对之前，还包括：将多组正常运行数据样本输入正常检测模型，得到多个输出特征；根据所述多个输出特征，构建正常特征库。
当正常检测模型训练完成后，将多组正常运行数据样本输入正常检测模型后输出的特征趋于一致，则趋于一致的特征就可以作为表征发动机正常的特征。由至少一个表征发动机正常的特征构成正常特征库。
在一具体实施方式中，根据所述多个输出特征，构建正常特征库，包括：从所述多个输出特征中，选取相关性最强的至少一个输出特征构成正常特征库。相应地，在特征比对过程中，如果一特征与正常特征库中的任一特征的相关性足够高（例如欧式距离<0.01），则该特征与正常特征库中的特征匹配。
可选地，如果输入正常检测模型的正常运行数据样本为发动机正常运行一段时间产生的运行数据，则正常检测模型输出的特征为多条曲线或二维矩阵。其中，每条曲线反映输出特征中的一个维度随时间的变化规律，例如，当d=4时，存在4条曲线；维矩阵的行和列分别为输出特征的不同维度和不同时刻，例如，当d=4时，二维矩阵存在4行。
相应地，正常特征库中的特征也为多条曲线或二维矩阵。在特征比对过程中，如果一特征中包括的每条曲线与正常特征库中的任一特征的每条曲线均匹配，则该特征与正常特征库中的特征匹配；或者，如果一特征对应的二维矩阵与正常特征库中的任一特征对应的二维矩阵的每个元素均匹配，则该特征与正常特征库中的特征匹配。
本实施例利用自编码器的非监督学习的特性，能够在模型训练的同时构建对应的特征库，无需进行样本标注，提高了模型的灵活性和应用范围。
（二）一故障种类的故障检测模型的训练
下面给出两种训练该故障检测模型的具体实施方式，分别采用不同的损失函数和训练方式。
具体实施方式一：
可选地，在将所述运行数据分别输入至多个故障检测模型和一正常检测模型中之前，还包括如下步骤：
步骤一、分别构建不同故障种类的运行数据样本库。
一故障种类的故障检测模型的特性是：如果输入该模型的运行数据为发动机出现该故障种类时的运行数据，则该模型输出的特征与该故障种类对应的特征库中的特征匹配。
有鉴于此，首先构建一故障种类的运行数据样本库，用于对待训练模型进行训练，以优化待训练模型的编码器参数，使所述待训练模型的自编码器满足上述特性，成为所述故障种类的故障检测模型。
需要说明的是，所述待训练模型包括基于深度学习的自编码器和解码器，所述解码器用于验证编码精度。最终将训练好的自编码器构成所述故障种类的故障检测模型。
具体来说，可选地，首先获取发动机的正常运行数据，每一组正常运行数据即为一组正常运行数据样本；然后随机修改一组正常运行数据样本中一故障种类相关的数据类型的数据值，得到所述故障种类的一组故障运行数据样本。例如，在表2所示的具体实施方式中，“失火”故障相关的数据类型包括最终点火角、储氧量和ECU上电标志位；则在一组正常运行数据样本中，随机修改最终点火角、储氧量和ECU上电标志位三者中至少一种的数据值，可以得到一组“失火”故障运行数据样本。最后，由多组故障运行数据样本构成所述故障种类的运行数据样本库。
可选地，所述故障种类的每组故障运行数据样本为发动机发生所述故障时一段时间内的运行数据。
步骤二、在每次对待训练模型进行训练以得到一故障种类的故障检测模型的过程中，将属于同一故障种类的第一组故障运行数据样本和第二组故障运行数据样本先后输入至所述待训练模型，并通过最小化所述第一组故障运行数据样本与编解码后数据的距离，以及所述第二组故障运行数据样本的编码后特征与所述第一组故障运行数据样本的编码后特征的距离，优化所述待训练模型的编码器参数。
可选地，训练过程中构建如下损失函数，用于训练一故障种类的故障检测模型：
Figure 43518DEST_PATH_IMAGE017
（2）
其中，n表示一故障种类的一组故障运行数据样本中数据类型的总数，xi表示所述故障种类的第一组故障运行数据样本的编解码后数据，yi表示所述故障种类的第一组故障运行数据样本，d表示所述故障种类的一组故障运行数据样本的编码后特征的维度总数，Gi表示所述故障种类的第一组故障运行数据样本的编码后特征，Gi'表示所述故障种类的第二组故障运行数据样本的编码后特征，
Figure 782804DEST_PATH_IMAGE018
表示所述故障种类对应的损失权重。
在表1所示的具体实施方式中，假设输入的运行数据包括30个数据类型，将30个类型的运行数据输入一故障种类的故障检测模型后，得到的特征维度为4，则n=30，d=4。
在每次训练中，通过对损失函数L2的最小化来优化编码器参数。具体来说，在损失函数L2中，
Figure 768208DEST_PATH_IMAGE019
表征所述第一组故障运行数据样本与编解码后数据的距离，通过
Figure 719984DEST_PATH_IMAGE019
的最小化限制了编码对故障运行数据带来的损失，提高故障识别的准确性；
Figure 989291DEST_PATH_IMAGE020
表征所述第二组故障运行数据样本的编码后特征与第一组故障运行数据样本的编码后特征的距离，通过
Figure 384632DEST_PATH_IMAGE021
的最小化使多组故障运行数据样本得到的编码后特征趋于一致，一方面有利于构建对应于所述故障种类的故障特征库，另一方面从编码后特征的角度减小了编码损失，进一步提高了故障识别准确性。同时，本实施例对训练模式进行了优化，在第一组故障运行数据样本和第二组故障运行数据样本都进行一次编码后进行一次参数更新，与每次编码后都进行参数更新相比，减少了参数更新次数，也避免了在整体损失函数L2计算完毕之前进行更新带来的无效参数波动，使网络收敛速度更快。
具体实施方式二：
可选地，在将所述运行数据分别输入至多个故障检测模型和一正常检测模型中之前，还包括如下步骤：
步骤一、分别构建正常运行数据样本库和不同故障种类的运行数据样本库。
步骤二、在每次对待训练模型进行训练以得到一故障种类的故障检测模型的过程中，将属于一故障种类的第一组故障运行数据样本和第二组故障运行数据样本、属于另一故障种类的第三组故障运行数据样本和第四组故障运行数据样本、第一组正常运行数据样本和第二组正常运行数据样本先后输入至所述待训练模型，并通过最小化所述第一组故障运行数据样本与编解码后数据的距离、最小化所述第二组故障运行数据样本的编码后特征与所述第一组故障运行数据样本的编码后特征的距离、最小化所述第三组故障运行数据样本的编码后特征与所述第四组故障运行数据样本的编码后特征的距离、最小化所述第一组正常运行数据样本的编码后特征与所述第二组正常运行数据样本的编码后特征的距离，以及最大化所述第一组故障运行数据样本的编码后特征与所述第三组故障运行数据样本的编码后特征的距离、最大化所述第一组故障运行数据样本的编码后特征与所述第一组正常运行数据样本的编码后特征的距离，优化所述待训练模型的编码器参数。
所述待训练模型包括基于深度学习的自编码器和解码器，将训练好的自编码器构成故障检测模型。
可选地，在将所述运行数据分别输入至多个故障检测模型和一正常检测模型中之前，还包括：在一故障种类的故障检测模型的训练中，构建如下损失函数：
Figure 106600DEST_PATH_IMAGE022
其中，n表示一故障种类的一组故障运行数据样本中数据类型的总数，xi表示所述第一组故障运行数据样本的编解码后数据，yi表示所述第一组故障运行数据样本，d表示一组运行数据样本的编码后特征的维度总数，Gi表示所述第一组故障运行数据样本的编码后特征，G'i表示所述第二组故障运行数据样本的编码后特征，G1i表示所述第三组故障运行数据样本的编码后特征，G'1i表示所述第四组故障运行数据样本的编码后特征，zi表示所述第一组正常运行数据样本的编码后特征，z'i表示所述第二组正常行数据样本的编码后特征，
Figure 146887DEST_PATH_IMAGE023
、
Figure 536280DEST_PATH_IMAGE009
、
Figure 351789DEST_PATH_IMAGE024
、
Figure 311786DEST_PATH_IMAGE025
和
Figure 870943DEST_PATH_IMAGE026
分别表示对应的损失权重。
在每次训练中，通过对损失函数L'2的最小化优化编码器参数。具体来说，在损失函数L'2中，
Figure 849264DEST_PATH_IMAGE019
表征所述第一组故障运行数据样本与编解码后数据的距离，通过
Figure 586407DEST_PATH_IMAGE019
的最小化限制了编码对故障运行数据带来的损失，提高故障识别的准确性。
Figure 548546DEST_PATH_IMAGE020
表征所述第二组故障运行数据样本的编码后特征与第一组故障运行数据样本的编码后特征的距离，通过
Figure 662127DEST_PATH_IMAGE021
的最小化使属于所述一种故障种类的多组故障运行数据样本得到的编码后特征趋于一致，一方面有利于构建对应于所述故障种类的故障特征库，另一方面从编码后特征的角度减小了编码损失，进一步提高了故障识别准确性。
Figure 494954DEST_PATH_IMAGE027
表征所述第一组故障运行数据样本的编码后特征与所述第三组故障运行数据样本的编码后特征的距离，通过
Figure 917845DEST_PATH_IMAGE027
的最大化（即
Figure 849504DEST_PATH_IMAGE028
的最小化）使所述一种故障种类的故障运行数据样本的编码后特征和所述另一种故障种类的故障运行数据样本的编码后特征具有较远的距离，从而使不同故障种类的故障运行数据样本得到有效的区分。
Figure 750464DEST_PATH_IMAGE029
表征所述第三组故障运行数据样本的编码后特征与所述第四组故障运行数据样本的编码后特征的距离，通过
Figure 703377DEST_PATH_IMAGE030
的最小化，使所述另一故障种类的多组故障运行数据样本得到的编码后特征趋于一致，从而保证
Figure 782322DEST_PATH_IMAGE031
中的第三组故障运行数据样本的编码后特征就能代表所述另一故障种类的所有故障运行数据样本的编码后特征，从而使所述一种故障种类的运行数据样本与所述另一故障种类的所有故障运行数据样本都得到有效区分。
Figure 187896DEST_PATH_IMAGE032
表征所述第一组故障运行数据样本的编码后特征与所述第一组正常运行数据样本的编码后特征的距离，通过
Figure 158126DEST_PATH_IMAGE033
的最大化（即
Figure 450698DEST_PATH_IMAGE034
的最小化）使所述一种故障种类的故障运行数据样本的编码后特征和正常运行数据样本的编码后特征具有较远的距离，从而使所述一种故障种类的故障运行数据样本和正常运行数据样本得到有效的区分。
Figure 480971DEST_PATH_IMAGE035
表征所述第一组正常运行数据样本的编码后特征与所述第二组正常运行数据样本的编码后特征的距离，通过
Figure 124573DEST_PATH_IMAGE035
的最小化，使所述多组正常运行数据样本得到的编码后特征趋于一致，从而保证
Figure 367336DEST_PATH_IMAGE036
中的第一组正常运行数据样本的编码后特征就能代表所有正常运行数据样本的编码后特征，从而使所述一种故障种类的运行数据样本与所有正常运行数据样本都得到有效区分。
同时，本实施例对训练模式进行了优化，将第一组故障运行数据样本、第二组故障运行数据样本、第三组故障运行数据样本、第四组故障运行数据样本、第一组正常运行数据样本和第二组正常运行数据样本都进行一次编码后进行一次参数更新，与每次编码后都进行参数更新相比，减少了参数更新次数，也避免了在整体损失函数L'2计算完毕之前进行更新带来的无效参数波动，使网络收敛速度更快。训练得到一种故障种类的故障检测模型后，利用所述故障检测模型构建所述故障种类对应的特征库。可选地，在如果所述正常检测模型的输出特征与正常特征库中的特征不匹配，将所述多个故障检测模型输出的特征分别与对应故障种类或组合的特征库进行比对之前，还包括：将一故障种类的多组故障运行数据样本输入所述故障种类的故障检测模型，得到多个输出特征；根据所述多个输出特征，构建所述故障种类对应的特征库。
当一故障种类的故障检测模型训练完成后，将所述故障种类的多组故障运行数据样本输入该故障检测模型后，输出的特征趋于一致。趋于一致的特征就可以作为表征发动机所述故障种类的特征。至少一个表征发动机所述故障种类的特征构成所述故障种类的特征库。
在一具体实施方式中，根据所述多个输出特征，构建所述故障种类对应的特征库，包括：从所述多个输出特征中，选取相关性最强的至少一个输出特征构成该故障种类的特征库。相应地，在特征比对过程中，如果一特征与一故障种类的特征库中的任一特征的相关性足够高（例如欧式距离<0.01），则该特征与所述故障种类的特征库中的特征匹配。
可选地，如果输入一故障种类的故障检测模型的故障运行数据样本为发动机发生所述故障时一段时间内的运行数据，则该故障检测模型输出的特征为该故障种类的多条曲线或二维矩阵。其中，每条曲线反映发动机发生所述故障组合时输出特征中的一维数据随时间的变化规律，例如，当d=4时，存在4条曲线；二维矩阵的行和列分别为输出特征的不同维度和不同时刻，例如，当d=4时，二维矩阵存在4行。
相应地，所述故障种类的特征库中的特征也为多条曲线或二维矩阵。在特征比对过程中，如果一特征中包括的每条曲线与该特征库中的任一特征的每条曲线均匹配，则该特征与该特征库的特征匹配；或者，如果一特征对应的二维矩阵与该特征库中的任一特征对应的二维矩阵的每个元素均匹配，则该特征与该特征库的特征匹配。
（三）一故障种类组合的故障检测模型的训练
下面给出两种训练该故障检测模型的具体实施方式，分别采用不同的损失函数和训练方式。
具体实施方式一：
可选地，在将所述运行数据分别输入至多个故障检测模型和一正常检测模型中之前，还包括如下步骤：
步骤一、分别构建不同故障种类组合的运行数据样本库。
一故障种类组合对应的故障检测模型的特性是：如果输入该模型的运行数据为发动机出现该故障种类组合时的运行数据，则该模型输出的特征与该故障种类组合对应的特征库中的特征匹配。
有鉴于此，首先构建一故障种类组合的运行数据样本库，用于对待训练模型进行训练，以优化待训练模型的编码器参数，使待训练模型的自编码器满足上述特性，成为所述故障种类组合的故障检测模型。
需要说明的是，所述待训练模型包括基于深度学习的自编码器和解码器，所述解码器用于验证编码精度。最终将训练好的自编码器构成所述故障种类组合的故障检测模型。
具体来说，可选地，首先获取发动机的正常运行数据，每一组正常运行数据即为一组正常运行数据样本；然后在所述一组正常运行数据样本中，随机修改与一故障种类组合中每个故障种类相关的至少一种数据类型的数据值，使修改后的数据中每种故障都存在，则修改后的数据就是所述故障种类组合的一组故障运行数据样本。例如，在表2所示的具体实施方式中，故障种类组合“失火+突然熄火”包括失火和突然熄火两种故障，与这两种故障均相关数据类型包括：最终点火角和储氧量；则在一组正常运行数据样本中，随机修改最终点火角和储氧量两者中至少一种的数据值，就可以得到“失火+突然熄火”的一组故障运行数据样本。最后，由多组故障运行数据样本构成所述故障种类组合的运行数据样本库。
可选地，所述故障种类组合的每组故障运行数据样本为发动机发生所述故障种类组合时一段时间内的运行数据。
步骤二、在每次对待训练模型进行训练以得到一故障种类组合的故障检测模型的过程中，将属于一故障种类组合的第一组全部故障运行数据样本、第二组全部故障运行数据样本和属于所述故障种类组合的第一组各种故障的故障运行数据样本先后输入至所述待训练模型，并通过最小化所述第一组全部故障运行数据样本与编解码后数据的距离、最小化所述第二组全部故障运行数据样本的编码后特征与所述第一组全部故障运行数据样本的编码后特征的距离，以及所述第一组各种故障的故障运行数据样本的编码后特征与所述第一组全部故障运行数据样本的编码后特征的距离，优化所述待训练模型的编码器参数。
可选地，训练过程中构建如下损失函数，用于训练一故障种类组合的故障检测模型：
Figure 294840DEST_PATH_IMAGE037
（3）
其中，n表示一故障种类组合的一组故障运行数据样本中数据类型的总数，m表示所述故障种类组合中故障种类的总数，xi表示属于所述故障种类组合的第一组全部故障运行数据样本的编解码后数据，yi表示属于所述故障种类组合的第一组全部故障运行数据样本，d表示一组故障运行数据样本的编码后特征的维度总数Gi表示属于所述故障种类组合的第一组全部故障运行数据样本的编码后特征，G'i表示属于所述故障种类组合的第二组全部故障运行数据样本的编码后特征，fj（Gi）表示属于所述故障种类组合的第一组各种故障的故障运行数据样本的编码后特征，
Figure 261395DEST_PATH_IMAGE009
和
Figure 641561DEST_PATH_IMAGE038
分别表示对应的损失权重。
在表1所示的具体实施方式中，假设输入的运行数据包括30个数据类型，将30个类型的运行数据输入一故障种类组合的故障检测模型后，得到的特征维度为4，则n=30，d=4。
可选地，属于一故障种类组合的第一组各种故障的故障运行数据样本通过以下方式获得：在属于所述故障种类组合的第一组全部故障运行数据样本中，保留属于所述故障种类组合的一种故障相关的运行数据，将其他运行数据修改为正常运行时的数据值，得到属于所述故障种类组合的第一组所述一种故障的故障运行数据样本。
以故障种类组合“失火+突然熄火”为例，损失函数L3可以表示为：
Figure 438747DEST_PATH_IMAGE039
（4）
其中，Gi表示属于故障种类组合“失火+突然熄火”的第一组全部故障运行数据样本的编码后特征，G'i表示属于故障种类组合“失火+突然熄火”的第二组全部故障运行数据样本的编码后特征；f1(Gi)表示属于故障种类组合“失火+突然熄火”的第一组失火故障的运行数据样本的编码后特征，f2(Gi)表示属于故障种类组合“失火+突然熄火”的第一组突然熄火故障的运行数据样本的编码后特征，
Figure 220758DEST_PATH_IMAGE040
和
Figure 592834DEST_PATH_IMAGE041
分别表示障种类组合“失火+突然熄火”中对应于失火故障和突然熄火故障的损失权重。
可选地，在故障种类组合“失火+突然熄火”的第一组全故障运行数据样本中，保留失火故障相关的最终点火角、储氧量和ECU上电标识位的故障运行数据，将其他运行数据修改为正常运行的数据值，得到属于“失火+突然熄火”组合的第一组失火故障的故障运行数据样本。属于“失火+突然熄火”组合的第一组突然熄火故障的故障运行数据样本的生成方法类似，不再赘述。
在每次训练中，通过对损失函数L3的最小化来优化编码器参数。具体来说，在损失函数L3中，
Figure 211028DEST_PATH_IMAGE042
表征属于一故障种类组合的第一组全部故障运行数据样本与编解码后数据的距离，通过
Figure 795593DEST_PATH_IMAGE042
的最小化限制了编码对全部故障运行数据带来的损失，提高故障识别的准确性。
Figure 432111DEST_PATH_IMAGE043
表征所述第一组全故障运行数据的编码后特征与所述第二组全故障运行数据的编码后特征的距离，通过
Figure 460241DEST_PATH_IMAGE043
的最小化，使多组全故障运行数据样本得到的编码后特征趋于一致，一方面有利于构建对应于所述故障种类组合的故障特征库，另一方面从编码后特征的角度减小了编码损失，进一步提高了故障识别准确性。
Figure 549419DEST_PATH_IMAGE044
表征属于所述故障种类组合的第一组第j种故障运行数据样本的编码后特征与所述第一组全部故障运行数据样本的编码后特征的距离，限制了全部故障运行数据编码后在每个故障种类上的损失。通过使L3整体最小化，能够使全部故障运行数据的保证编码后特征中，既保留全部故障种类整体的主要信息，又兼顾组合中每个故障种类的重要信息，避免在用户关注的故障种类上出现大量的信息缺失。同时，本实施例对训练模式进行了优化，在将全部故障运行数据和组合中每种故障的故障运行数据都进行一次编码后进行一次参数更新，减少了参数更新次数，也避免了在整体损失函数L3计算完毕之前进行更新带来的无效参数波动，使网络收敛速度更快。
具体实施方式二：
可选地，在将所述运行数据分别输入至多个故障检测模型和一正常检测模型中之前，还包括如下步骤：
步骤一、分别构建正常运行数据样本库和不同故障种类组合的运行数据样本库。
步骤二、在每次对待训练模型进行训练以得到一故障种类组合的故障检测模型的过程中，将属于一故障种类组合的第一组全部故障运行数据样本和第二组全部故障运行数据样本、属于所述故障种类组合的第一组各种故障的故障运行数据样本，以及第一组正常运行数据样本和第二组正常运行数据样本先后输入至所述待训练模型，并通过最小化所述第一组全部故障运行数据样本与编解码后数据的距离、最小化所述第二组全部故障运行数据样本的编码后特征与所述第一组全部故障运行数据样本的编码后特征的距离、最小化所述第一组正常运行数据样本的编码后特征与所述第二组正常运行数据样本的编码后特征的距离、最小化所述第一组各种故障的故障运行数据样本的编码后特征与所述第一组全部故障运行数据样本的编码后特征的距离，以及最大化所述第一组全部故障运行数据样本的编码后特征与所述第一组正常运行数据样本的编码后特征的距离，优化所述待训练模型的编码器参数。
所述待训练模型包括基于深度学习的自编码器和解码器，将训练好的自编码器构成所述故障种类组合的故障检测模型。
可选地，在将所述运行数据分别输入至多个故障检测模型和一正常检测模型中之前，还包括：在一故障种类组合的故障检测模型的训练中，构建如下损失函数：
Figure 937675DEST_PATH_IMAGE045
其中，n表示一故障种类组合的一组故障运行数据样本中数据类型的总数，xi表示所述第一组全部故障运行数据样本的编解码后数据，yi表示所述第一组全部故障运行数据样本，d表示一组运行数据样本的编码后特征的维度总数，Gi表示所述第一组全部故障运行数据样本的编码后特征，G'i表示所述第二组全部故障运行数据样本的编码后特征，zi表示所述第一组正常运行数据样本的编码后特征，z'i表示所述第二组正常行数据样本的编码后特征，fj（Gi）表示所述第一组各种故障的故障运行数据样本的编码后特征，
Figure 707661DEST_PATH_IMAGE023
、
Figure 155960DEST_PATH_IMAGE046
、
Figure 748746DEST_PATH_IMAGE047
和
Figure 471852DEST_PATH_IMAGE038
分别表示对应的损失权重。
在每次训练中，通过对损失函数L'3的最小化优化编码器参数。具体来说，在损失函数L'3中，
Figure 568115DEST_PATH_IMAGE019
表征所述第一组全故障运行数据样本与编解码后数据的距离，通过
Figure 452894DEST_PATH_IMAGE019
的最小化限制了编码对全故障运行数据带来的损失，提高故障识别的准确性。
Figure 64135DEST_PATH_IMAGE048
表征所述第二组全故障运行数据样本的编码后特征与第一组全故障运行数据样本的编码后特征的距离，通过
Figure 672490DEST_PATH_IMAGE049
的最小化使属于所述一种故障种类组合的多组全故障运行数据样本得到的编码后特征趋于一致，一方面有利于构建对应于所述故障种类组合的故障特征库，另一方面从编码后特征的角度减小了编码损失，进一步提高了故障识别准确性。
Figure 623259DEST_PATH_IMAGE050
表征所述第一组全故障运行数据样本的编码后特征与所述第一组正常运行数据样本的编码后特征的距离，通过
Figure 554306DEST_PATH_IMAGE051
的最大化（即
Figure 121685DEST_PATH_IMAGE052
的最小化）使所述一种故障种类组合的全故障运行数据样本的编码后特征和正常运行数据样本的编码后特征具有较远的距离，从而使所述一种故障种类组合的全故障运行数据样本和正常运行数据样本得到有效的区分。
Figure 527871DEST_PATH_IMAGE053
表征所述第一组正常运行数据样本的编码后特征与所述第二组正常运行数据样本的编码后特征的距离，通过
Figure 379152DEST_PATH_IMAGE053
的最小化，使所述多组正常运行数据样本得到的编码后特征趋于一致，从而保证
Figure 700674DEST_PATH_IMAGE054
中的第一组正常运行数据样本的编码后特征就能代表所有正常运行数据样本的编码后特征，从而使所述一种故障种类组合的运行数据样本与所有正常运行数据样本都得到有效区分。
Figure 739038DEST_PATH_IMAGE055
表征属于所述故障种类组合的第一组第j种故障运行数据样本的编码后特征与所述第一组全部故障运行数据样本的编码后特征的距离，限制了全部故障运行数据编码后在每个故障种类上的损失。通过使L'3整体最小化，能够使全部故障运行数据的保证编码后特征中，既保留全部故障种类整体的主要信息，又兼顾组合中每个故障种类的重要信息，避免在用户关注的故障种类上出现大量的信息缺失。
需要说明的是，本实施例没有在损失函数中限制一种故障种类组合与其他故障种类组合或与其它故障种类的样本的编码后特征之间的距离，这是由于故障种类组合中包括多种故障，如果两个故障种类组合中存在相同的故障种类，则这两种组合的样本本身就比较接近，难以明确区分；同样，如果一种故障种类组合中包括一种故障种类，则该组合的样本与该故障种类的样本本身就比较接近，难以明确区分。鉴于以上原因，本实施例没有在损失函数中限制所述故障种类组合与其他故障种类组合或与其它故障种类的样本的编码后特征之间的距离，避免出现模型难以收敛的情况。
此外，本实施例对训练模式进行了优化，将第一组全部故障运行数据样本、第二组全部故障运行数据样本、第一组各种故障的故障运行数据样本，以及第一组正常运行数据样本和第二组正常运行数据样本都进行一次编码后进行一次参数更新，与每次编码后都进行参数更新相比，减少了参数更新次数，也避免了在整体损失函数L'3计算完毕之前进行更新带来的无效参数波动，使网络收敛速度更快。
可选地，在所述构建如下损失函数之后，还包括：获取所述发动机的预选故障种类；根据所述预选故障种类调节参数
Figure 76478DEST_PATH_IMAGE038
，以得到侧重检测所述预选故障种类的模型。
在一故障种类组合的故障检测模型中，参数
Figure 1840DEST_PATH_IMAGE038
决定了组合中各故障种类的损失权重。权重越大，整体损失函数中对应于编码后特征在该故障种类上的损失控制越严格，则下一次训练得到的编码后特征在该故障种类上的信息损失越小。因此调节参数
Figure 399323DEST_PATH_IMAGE038
可以得到侧重检测某一故障种类的模型。
本实施例通过发动机的预选故障种类调节参数
Figure 393824DEST_PATH_IMAGE038
。可选地，通过用户的设定获取预选故障种类，用户设定的故障种类即为用户关注的故障种类；或通过发动机的历史运行数据，将发生率最高的故障种类作为预选故障种类，避免由于该故障种类在训练样本中占比不高而导致的误识别。
训练得到一种故障种类组合的故障检测模型后，利用所述故障检测模型构建所述故障种类组合对应的特征库。可选地，在如果所述正常检测模型的输出特征与正常特征库中的特征不匹配，将所述多个故障检测模型输出的特征分别与对应故障种类或组合的特征库进行比对之前，还包括：将一故障种类组合的多组全故障运行数据样本输入所述故障种类组合的故障检测模型，得到多个输出特征；根据所述多个输出特征，构建所述故障种类组合对应的特征库。
当一故障种类组合的故障检测模型训练完成后，将所述故障种类组合的多组全故障运行数据样本输入该故障检测模型后，输出的特征趋于一致，趋于一致的特征就可以作为表征发动机所述故障种类组合的特征。至少一个表征发动机所述故障种类组合的特征构成所述故障种类组合的特征库。
在一具体实施方式中，根据所述多个输出特征，构建所述故障种类组合对应的特征库，包括：从所述多个输出特征中，选取相关性最强的至少一个输出特征构成该故障种类组合的特征库。相应地，在特征比对过程中，如果一特征与一故障种类组合的特征库中的任一特征的相关性足够高（例如欧式距离<0.01），则该特征与所述故障种类组合的特征库中的特征匹配。
可选地，如果输入一故障种类组合的故障检测模型的全故障运行数据样本为发动机发生所述故障组合时一段时间内的运行数据，则该故障检测模型输出的特征为该故障种类组合的多条曲线或二维矩阵。其中，每条运行曲线反映发动机发生所述故障组合时输出特征中的一维数据随时间的变化规律，例如，当d=4时，存在4条曲线；二维矩阵的行和列分别为输出特征的不同维度和不同时刻，例如，当d=4时，二维矩阵存在4行。
相应地，所述故障种类组合的特征库中的特征也为多条曲线或二维矩阵。在特征比对过程中，如果一特征中包括的每条曲线与该特征库中的任一特征的每条曲线均匹配，则该特征与该特征库的特征匹配；或者，如果一特征对应的二维矩阵与该特征库中的任一特征对应的二维矩阵的每个元素均匹配，则该特征与该特征库的特征匹配。
在上述实施例和下述实施例的基础上，本实施例对各检测模型的训练方式进行优化。可选地，在将所述运行数据分别输入至多个故障检测模型和一正常检测模型中之前，还包括：在每次对待训练模型进行训练后，将训练后的编码器参数传输至服务器，所述服务器用于将各电子设备传输的编码器参数融合后发送至各电子设备；以服务器发送的融合后编码器参数为初始值，进行下次训练。
本实施例通过多个电子设备进行联合训练，采用服务器将多个电子设备训练的参数进行融合，使融合后的参数中包含各电子设备的样本数据的特征，可以弥补实际应用中由于样本不足带来的训练不充分；同时减少每台电子设备上的训练次数，加快网络收敛速度。
图2为本发明实施例提供的一种电子设备的结构示意图，如图2所示，该设备包括处理器40、存储器41、输入装置42和输出装置43；设备中处理器40的数量可以是一个或多个，图2中以一个处理器40为例；设备中的处理器40、存储器41、输入装置42和输出装置43可以通过总线或其他方式连接，图2中以通过总线连接为例。
存储器41作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的基于深度学习的发动机故障识别方法对应的程序指令/模块。处理器40通过运行存储在存储器41中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的基于深度学习的发动机故障识别方法。
存储器41可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器41可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器41可进一步包括相对于处理器40远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置42可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置43可包括显示屏等显示设备。
图3为本发明实施例提供的一种基于深度学习的发动机故障识别系统的结构示意图，如图3所示，所述系统包括多个上述任一实施例所述的电子设备30和服务器31。
每个所述电子设备30包括：一个或多个处理器；存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器用于实现上述任一实施例所述的基于深度学习的发动机故障识别方法，并在将所述运行数据分别输入至多个故障检测模型和一正常检测模型中之前，还用于在每次对待训练模型进行训练后，将训练后的编码器参数传输至服务器，所述服务器用于将各电子设备传输的编码器参数融合后发送至各电子设备；以服务器发送的融合后编码器参数为初始值，进行下次训练。
所述服务器31用于将各电子设备30传输的编码器参数融合后发送至各电子设备。
本实施例基于上述任一实施例实现，具备上述任一实施例的技术效果。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案。

Claims (10)

1.一种基于深度学习的发动机故障识别方法，其特征在于，包括：
获取发动机的运行数据；
将所述运行数据分别输入至多个故障检测模型和一正常检测模型中，所述多个故障检测模型和所述正常检测模型为基于深度学习的自编码器，所述多个故障检测模型分别用于编码得到表征发动机不同故障种类和不同故障种类组合的特征，所述正常检测模型用于编码得到表征发动机正常的特征；
如果所述正常检测模型的输出特征与正常特征库中的特征不匹配，将所述多个故障检测模型输出的特征分别与对应故障种类或组合的特征库进行比对；
根据比对结果识别发动机的故障。
2.根据权利要求1所述的方法，其特征在于，在将所述运行数据分别输入至多个故障检测模型和一正常检测模型中之前，还包括：
构建正常运行数据样本库；
在每次对待训练模型进行训练以得到正常检测模型的过程中，将第一组正常运行数据样本和第二组正常运行数据样本先后输入至所述待训练模型，并通过最小化所述第一组正常运行数据样本与编解码后数据的距离，以及所述第二组正常运行数据样本的编码后特征与所述第一组正常运行数据样本的编码后特征的距离，优化所述待训练模型的编码器参数；
所述待训练模型包括基于深度学习的自编码器和解码器，将训练好的自编码器构成正常检测模型。
3.根据权利要求1所述的方法，其特征在于，在将所述运行数据分别输入至多个故障检测模型和一正常检测模型中之前，还包括：
分别构建不同故障种类的运行数据样本库；
在每次对待训练模型进行训练以得到一故障种类的故障检测模型的过程中，将属于同一故障种类的第一组故障运行数据样本和第二组故障运行数据样本先后输入至所述待训练模型，并通过最小化所述第一组故障运行数据样本与编解码后数据的距离，以及所述第二组故障运行数据样本的编码后特征与所述第一组故障运行数据样本的编码后特征的距离，优化所述待训练模型的编码器参数；
所述待训练模型包括基于深度学习的自编码器和解码器，将训练好的自编码器构成故障检测模型。
4.根据权利要求1所述的方法，其特征在于，在将所述运行数据分别输入至多个故障检测模型和一正常检测模型中之前，还包括：
分别构建不同故障种类组合的运行数据样本库；
在每次对待训练模型进行训练以得到一故障种类组合的故障检测模型的过程中，将属于一故障种类组合的第一组全部故障运行数据样本、第二组全部故障运行数据样本和属于所述故障种类组合的第一组各种故障的故障运行数据样本先后输入至所述待训练模型，并通过最小化所述第一组全部故障运行数据样本与编解码后数据的距离、最小化所述第二组全部故障运行数据样本的编码后特征与所述第一组全部故障运行数据样本的编码后特征距离，以及所述第一组各种故障的故障运行数据样本的编码后特征与所述第一组全部故障运行数据样本的编码后特征的距离，优化所述待训练模型的编码器参数；
所述待训练模型包括基于深度学习的自编码器和解码器，将训练好的自编码器构成所述故障种类组合的故障检测模型。
5.根据权利要求2-4任一项所述的方法，其特征在于，在将所述运行数据分别输入至多个故障检测模型和一正常检测模型中之前，还包括：
在正常检测模型的训练中，构建如下损失函数：
Figure 223905DEST_PATH_IMAGE001
其中，n表示一组正常运行数据样本中数据类型的总数，xi表示第一组正常运行数据样本的编解码后数据，yi表示所述第一组正常运行数据样本，d表示一组正常运行数据样本的编码后特征的维度总数，zi表示所述第一组正常运行数据样本的编码后特征，z'i表示第二组正常行数据样本的编码后特征，
Figure 534932DEST_PATH_IMAGE002
表示对应的损失权重；
在一故障种类的故障检测模型的训练中，构建如下损失函数：
Figure 572158DEST_PATH_IMAGE003
其中，n表示一故障种类的一组故障运行数据样本中数据类型的总数，xi表示属于同一故障种类的第一组故障运行数据样本的编解码后数据，yi表示所述第一组故障运行数据样本，d表示一组故障运行数据样本的编码后特征的维度总数，Gi表示所述第一组故障运行数据样本的编码后特征，G'i表示属于同一故障种类的第二组故障运行数据样本的编码后特征，
Figure 850692DEST_PATH_IMAGE004
表示对应的损失权重；
在一故障种类组合的故障检测模型的训练中，构建如下损失函数：
Figure 546247DEST_PATH_IMAGE005
其中，n表示一故障种类组合的一组故障运行数据样本中数据类型的总数，m表示所述故障种类组合中故障种类的总数，xi表示属于所述故障种类组合的第一组全部故障运行数据样本的编解码后数据，yi表示所述第一组全部故障运行数据样本，d表示一组故障运行数据样本的编码后特征的维度总数，Gi表示所述第一组全部故障运行数据样本的编码后特征，G'i表示属于所述故障种类组合的第二组全部故障运行数据样本的编码后特征，fj（Gi）表示属于所述故障种类组合的第一组各种故障的故障运行数据样本的编码后特征，
Figure 257587DEST_PATH_IMAGE006
和
Figure 996873DEST_PATH_IMAGE007
分别表示对应的损失权重。
6.根据权利要求5所述的方法，其特征在于，在所述构建如下损失函数之后，还包括：
获取所述发动机的预选故障种类；
根据所述预选故障种类调节参数
Figure 982278DEST_PATH_IMAGE007
，以得到侧重检测所述预选故障种类的模型。
7.根据权利要求1所述的方法，其特征在于，在如果所述正常检测模型的输出特征与正常特征库中的特征不匹配，将所述多个故障检测模型输出的特征分别与对应故障种类或组合的特征库进行比对之前，还包括：
将多组正常运行数据样本输入正常检测模型，得到多个输出特征；
根据所述多个输出特征，构建正常特征库。
8.根据权利要求1所述的方法，其特征在于，由一电子设备执行；
在将所述运行数据分别输入至多个故障检测模型和一正常检测模型中之前，还包括：
在每次对待训练模型进行训练后，将训练后的编码器参数传输至服务器，所述服务器用于将各电子设备传输的编码器参数融合后发送至各电子设备；
以服务器发送的融合后编码器参数为初始值，进行下次训练。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的基于深度学习的发动机故障识别方法。
10.一种基于深度学习的发动机故障识别系统，其特征在于，包括多个电子设备和服务器；
每个所述电子设备包括：一个或多个处理器；存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求8所述的基于深度学习的发动机故障识别方法；
所述服务器用于将各电子设备传输的编码器参数融合后发送至各电子设备。
CN202210243707.XA 2022-03-14 2022-03-14 基于深度学习的发动机故障识别方法、设备和系统 Active CN114330599B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210243707.XA CN114330599B (zh) 2022-03-14 2022-03-14 基于深度学习的发动机故障识别方法、设备和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210243707.XA CN114330599B (zh) 2022-03-14 2022-03-14 基于深度学习的发动机故障识别方法、设备和系统

Publications (2)

Publication Number Publication Date
CN114330599A true CN114330599A (zh) 2022-04-12
CN114330599B CN114330599B (zh) 2022-06-17

Family

ID=81033045

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210243707.XA Active CN114330599B (zh) 2022-03-14 2022-03-14 基于深度学习的发动机故障识别方法、设备和系统

Country Status (1)

Country Link
CN (1) CN114330599B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117195066A (zh) * 2023-08-21 2023-12-08 中南大学 分布式电力设备故障检测方法、系统、存储介质及处理器

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101907681A (zh) * 2010-07-15 2010-12-08 南京航空航天大学 基于gsd_svdd的模拟电路动态在线故障诊断方法
CN102289577A (zh) * 2011-07-29 2011-12-21 北京航星机器制造公司 一种基于最大修复时间最小化的排故方法
US20150221143A1 (en) * 2012-01-30 2015-08-06 Doosan Infracore Co., Ltd. Method for managing breakdown of construction equipment for providing current workable information
CN107436597A (zh) * 2017-07-17 2017-12-05 华南理工大学 一种基于稀疏过滤和逻辑回归的化工过程故障检测方法
CN108829084A (zh) * 2018-06-20 2018-11-16 温州大学 一种基于粒子滤波的分布式智能故障诊断方法及其装置
CN110207997A (zh) * 2019-07-24 2019-09-06 中国人民解放军国防科技大学 基于卷积自编码器的液体火箭发动机故障检测方法
CN110660044A (zh) * 2019-08-30 2020-01-07 博志生物科技(深圳)有限公司 骨组织结构形态异常的快速检测方法及电子装置
CN112986734A (zh) * 2021-02-19 2021-06-18 北京首钢自动化信息技术有限公司 一种语音通讯系统的故障检测装置
CN113075498A (zh) * 2021-03-09 2021-07-06 华中科技大学 一种基于残差聚类的配电网行波故障定位方法和系统
CN113314142A (zh) * 2021-05-26 2021-08-27 山东大学 发动机故障检测方法、系统、存储介质及设备
CN113688875A (zh) * 2021-07-29 2021-11-23 中国船舶重工集团公司第七一九研究所 工业系统故障识别方法及装置
CN113700558A (zh) * 2021-09-01 2021-11-26 哈尔滨工业大学（威海） 柴油发动机空气系统故障检测方法
CN114167217A (zh) * 2021-12-09 2022-03-11 中国路桥工程有限责任公司 一种铁路配电网的多重故障诊断方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101907681A (zh) * 2010-07-15 2010-12-08 南京航空航天大学 基于gsd_svdd的模拟电路动态在线故障诊断方法
CN102289577A (zh) * 2011-07-29 2011-12-21 北京航星机器制造公司 一种基于最大修复时间最小化的排故方法
US20150221143A1 (en) * 2012-01-30 2015-08-06 Doosan Infracore Co., Ltd. Method for managing breakdown of construction equipment for providing current workable information
CN107436597A (zh) * 2017-07-17 2017-12-05 华南理工大学 一种基于稀疏过滤和逻辑回归的化工过程故障检测方法
CN108829084A (zh) * 2018-06-20 2018-11-16 温州大学 一种基于粒子滤波的分布式智能故障诊断方法及其装置
CN110207997A (zh) * 2019-07-24 2019-09-06 中国人民解放军国防科技大学 基于卷积自编码器的液体火箭发动机故障检测方法
CN110660044A (zh) * 2019-08-30 2020-01-07 博志生物科技(深圳)有限公司 骨组织结构形态异常的快速检测方法及电子装置
CN112986734A (zh) * 2021-02-19 2021-06-18 北京首钢自动化信息技术有限公司 一种语音通讯系统的故障检测装置
CN113075498A (zh) * 2021-03-09 2021-07-06 华中科技大学 一种基于残差聚类的配电网行波故障定位方法和系统
CN113314142A (zh) * 2021-05-26 2021-08-27 山东大学 发动机故障检测方法、系统、存储介质及设备
CN113688875A (zh) * 2021-07-29 2021-11-23 中国船舶重工集团公司第七一九研究所 工业系统故障识别方法及装置
CN113700558A (zh) * 2021-09-01 2021-11-26 哈尔滨工业大学（威海） 柴油发动机空气系统故障检测方法
CN114167217A (zh) * 2021-12-09 2022-03-11 中国路桥工程有限责任公司 一种铁路配电网的多重故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHUMEICHEN 等: ""One-dimensional convolutional auto-encoder-based feature learning for fault diagnosis of multivariate processes"", 《JOURNAL OF PROCESS CONTROL》 *
刘嘉仁 等: ""基于TE-DS的半监督化工过程故障诊断方法"", 《计算机应用研究》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117195066A (zh) * 2023-08-21 2023-12-08 中南大学 分布式电力设备故障检测方法、系统、存储介质及处理器

Also Published As

Publication number Publication date
CN114330599B (zh) 2022-06-17

Similar Documents

Publication Publication Date Title
CN111652496B (zh) 基于网络安全态势感知系统的运行风险评估方法及装置
CN109163913B (zh) 一种汽车故障诊断方法及相关设备
CN108563214A (zh) 车辆诊断方法、装置及设备
CN114330599B (zh) 基于深度学习的发动机故障识别方法、设备和系统
WO2023169274A1 (zh) 数据处理方法、装置、存储介质以及处理器
CN111585823B (zh) 基于边缘计算和工业生产的通信网络优化方法及装置
CN107465698A (zh) 一种数据校验方法及服务器
US20230108309A1 (en) Methods and systems for gas meter replacement prompt based on a smart gas internet of things
CN113778879B (zh) 接口的模糊测试方法及装置
CN107682328A (zh) 一种数据校验方法及客户端
CN111030992A (zh) 检测方法、服务器及计算机可读存储介质
CN115065623B (zh) 一种主被动相结合的私有工控协议逆向分析方法
CN105791246A (zh) 验证信息的验证方法、装置及系统
CN113094244A (zh) 一种用于数据中心的机房运行智能检测系统
CN116879684A (zh) 一种异常线路判断方法及系统
CN117472789B (zh) 基于集成学习的软件缺陷预测模型构建方法和装置
CN117347796B (zh) 一种基于智能网关的开关设备局部放电诊断系统及方法
CN114580546A (zh) 基于联邦学习框架的工业机泵类故障预测方法及系统
CN112131554B (zh) 车载终端的安装识别方法、装置和车载终端
JP2002342739A (ja) 通信ネットワークを介したニューラルネットワーク処理システム及びそのプログラムを格納したプログラム記憶媒体
CN116186661A (zh) 用于业务数据汇总的方法、业务数据汇总设备及存储介质
CN112202625B (zh) 网元异常诊断方法、装置、计算设备及计算机存储介质
CN112069724B (zh) 一种基于长短时记忆自编码器的火箭健康度评估方法
CN111475319A (zh) 一种基于机器学习的硬盘筛选方法及装置
CN112738801B (zh) 一种适用于智能通信网关的管理方法

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
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20220412

Assignee: Zhongqi Intellectual Property (Guangzhou) Co.,Ltd.

Assignor: China automobile information technology (Tianjin) Co.,Ltd.

Contract record no.: X2024440000002

Denomination of invention: Engine Fault Identification Method, Equipment, and System Based on Deep Learning

Granted publication date: 20220617

License type: Common License

Record date: 20240105

EE01 Entry into force of recordation of patent licensing contract