CN114856811B - 柴油发动机空气系统健康评估方法 - Google Patents
柴油发动机空气系统健康评估方法 Download PDFInfo
- Publication number
- CN114856811B CN114856811B CN202210577551.9A CN202210577551A CN114856811B CN 114856811 B CN114856811 B CN 114856811B CN 202210577551 A CN202210577551 A CN 202210577551A CN 114856811 B CN114856811 B CN 114856811B
- Authority
- CN
- China
- Prior art keywords
- air system
- diesel engine
- health state
- health
- characteristic parameters
- 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
Links
- 230000036541 health Effects 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 230000003862 health status Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000005215 recombination Methods 0.000 claims description 5
- 230000006798 recombination Effects 0.000 claims description 5
- 238000004092 self-diagnosis Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 8
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 description 32
- 238000012423 maintenance Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008521 reorganization Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02B—INTERNAL-COMBUSTION PISTON ENGINES; COMBUSTION ENGINES IN GENERAL
- F02B77/00—Component parts, details or accessories, not otherwise provided for
- F02B77/08—Safety, indicating, or supervising devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D45/00—Electrical control not provided for in groups F02D41/00 - F02D43/00
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D2200/00—Input parameters for engine control
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Testing Of Engines (AREA)
Abstract
柴油发动机空气系统健康评估方法，涉及发动机故障诊断领域。解决了现有技术中缺少根据柴油机在各复杂工况下的运行参数特征来表征空气系统健康状态的问题。本发明方法通过构建的训练样本集对CNN模型进行训练，利用训练后的CNN模型对实际样本进行健康识别；构建训练样本集的过程中，先对采集的参数进行预处理后，再确定预处理后的各时刻所采集的柴油机空气系统的特征参数，确定各时刻柴油机空气系统的健康状态类别并进行类别标记，再利用工况划分，使每个终选样本中包含3种工况，丰富样本使CNN模型感受视野更加丰富，提高训练精度及分类准确度。针对于柴油机工况进行划分后输入模型，更方便提取不同工况的运行参数特征，从而更为精确的表征空气系统的健康状态。
Description
技术领域
本发明涉及发动机故障诊断领域。
背景技术
随着世界科学技术的不断发展与进步，汽车工业也飞速发展，而由于汽车融合了越来越多的新型技术，汽车工业逐渐趋于集成化和智能化，给用户带来了更多功能体验的同时，也使得汽车的系统越来越复杂，这就对汽车发动机的维修与保养带来了极大的挑战，而视情维修具有规模小、效率高、经济可承受性好并且能够避免大型事故的优点。在故障未发生时进行有效合理的健康评估，对于柴油发动机的视情维修和提高其经济性、可靠性和安全性都具有重大意义。
车企在研发和路试过程中会采集到大量的数据，这些数据所蕴含的巨大价值并未得到充分的利用，在当今大数据时代背景下，数据挖掘和分析所能产生的经济效益不可估量；此外，PHM技术目前在航空发动机领域得到了成功的应用，但是对于汽车发动机的研究还比较少。对本发明涉及的柴油机空气系统而言，这些数据的研究对于空气系统乃至扩展到整车的故障诊断和健康管理都具有十分重要的意义，不仅可以提高柴油机运行可靠性，同时这种基于数据的健康评估方法也降低了管理的难度和成本，同时对于未来普及车联网技术和柴油机的智能化人机交互也十分重要。
现有柴油发动机空气系统容易出现的故障，且现有技术中存在发动机健康管理和故障预测方法的相关专利，具体专利1、主题名称为一种航空发动机故障预测方法，申请号：CN202110413775.1；专利2、主题名称为一种发动机故障预测分析方法，申请号：CN202010971532.5；专利3、主题名称为一种发动机故障预测方法，申请号：CN201710249558.7；
专利1是针对航空发动机的，并未针对柴油发动机空气系统进行研究；专利2是基于SOM神经网络和小波神经网络建立起故障分析模型，对待预测发动机进行准确的故障诊断和故障时间预测，但是并没有考虑到发动机由于其工况复杂性，需要对发动机参数进行分工况处理；专利3是使用全连接网络和softmax分类器确定发动机剩余寿命，同样也没有考虑工况问题。
因此，现有技术中缺少根据柴油机在各复杂工况下的运行参数特征来表征空气系统健康状态，以上问题亟需解决。
发明内容
本发明目的是为了解决现有技术中缺少根据柴油机在各复杂工况下的运行参数特征来表征空气系统健康状态的问题，本发明提供了一种柴油发动机空气系统健康评估方法。
柴油发动机空气系统健康评估方法，包括如下步骤：
S1、在预设时间段内采集柴油机空气系统的特征参数，并对所采集的所有特征参数进行预处理；
S2、根据预处理后的各时刻所采集的柴油机空气系统的特征参数，确定各时刻柴油机空气系统的健康状态类别并进行类别标记；
所述健康状态类别包括4种，分别为：确认健康状态、临近故障状态、故障待确认状态和故障状态；每个时刻采集的特征参数对应一种健康状态类别；
S3、对每种健康状态类别进行工况种类划分，使得每种健康状态类别下的所有时刻采集的特征参数被划分成对应的低工况、中工况或高工况；
其中，每时刻采集的特征参数对应一种工况；
S4、对每种健康状态类别下的所有时刻采集的特征参数进行数据重组，获得每种健康状态类别下的所有终选样本，从而由所有健康状态类别下的所有终选样本构建训练样本集；每个终选样本由一个低工况、一个中工况和一个高工况所对应时刻的特征参数构成；
S5、利用训练样本集中各初选样本对CNN模型进行训练，直至CNN模型的残差小于预设值，获得训练后的CNN模型；
S6、利用训练后的CNN模型对从实际运行的柴油机空气系统中采集的实际样本进行健康状态类别的确定，从而获得当前实际样本所对应的时间段内柴油机空气系统健康状态类别，完成柴油机空气系统健康评估；
所述实际样本为由3个时刻所采集的柴油机空气系统的特征参数构成，且该3个时刻分别对应低、中、高三种工况。
优选的是，S1、对所采集的所有特征参数进行预处理的实现方式为：
将每个时刻所采集的柴油机空气系统的特征参数作为一组，当各组中参数出现空值、离群点或坏点时，将其整组参数进行去除，并将剩余组参数进行数据归一化处理，完成预处理。
优选的是，S2、根据预处理后的各时刻所采集的柴油机空气系统的特征参数，确定各时刻柴油机空气系统的健康状态类别的实现方式为：
S21、车载自诊断系统根据预处理后的各时刻所采集的柴油机空气系统的特征参数，识别出相应时刻所对应的柴油机空气系统的健康状态类别为故障状态或故障待确认状态；
S22、对于未识别出柴油机空气系统的健康状态类别的相应时刻，将最早时刻出现的故障待确认状态前一小时之内的所有时刻所对应的柴油机空气系统的健康状态类别定义临近故障状态；
S23、将在预设时间段内除故障状态、故障待确认状态和临近故障状态所对应时刻之外的剩余各时刻所对应的柴油机空气系统的健康状态类别定义为健康状态，从而完成各时刻柴油机空气系统的健康状态类别的确定。
优选的是，S3、工况种类划分的条件为：根据各时刻采集的特征参数中的发动机转速确定，其中，
其中，低工况转速区间为发动机怠速到额定工况的最低转速间的范围；
中工况转速区间为发动机额定工况的转速范围；
高工况转速区间为发动机额定工况的最高转速到发动机最高转速间的范围。
优选的是，S4、对每种健康状态类别下的所有时刻采集的特征参数进行数据重组，获得每种健康状态类别下的所有终选样本的实现方式为：
将同种健康状态类别下的三种工况进行任意组合，并将该组合中的一个低工况、一个中工况和一个高工况所对应时刻的特征参数作为一个初选样本，再对该初选样本进行扩充，获得终选样本，从而获得该同种健康状态类别下的多个终选样本。
优选的是，对初选样本进行扩充，获得终选样本的实现方式为：
对初选样本的每种工况下的n个特征参数进行多次复制及重新排列，形成n×n维的矩阵，且该矩阵所有行中n个特征参数的种类均相同，但该矩阵各行中N个特征参数的排列方式各不相同；其中，n为整数。
优选的是，同种健康状态类别下的三种工况进行任意组合的原则为：
在同种健康状态类别下，依次选择3种工况中工况数量最少时所对应的该种工况中的一个工况所对应时刻的特征参数、与剩余两种工况中每种工况中的任意一个工况所对应时刻的特征参数进行组合；
此时，同种健康状态类别下3种工况中工况数量最少时所对应的该种工况的数量与该种健康状态类别下所形成的初选样本数量相同。
优选的是，每个时刻所采集的柴油机空气系统的特征参数包括EGR率、EGR阀门开度、发动机转速、节气门阀门开度、进气压力、发动机Lambda值、发动机输出扭矩和增压温度输出值。
本发明的优点：本发明所述柴油发动机空气系统健康评估方法，基于深度学习的方法通过CNN模型进行分类，通过构建的训练样本集对现有的CNN模型进行训练，其中，构建的训练样本集的过程中，先对采集的参数进行预处理后，再确定预处理后的各时刻所采集的柴油机空气系统的特征参数，确定各时刻柴油机空气系统的健康状态类别并进行类别标记，再利用工况划分，使每个终选样本中包含3种工况，丰富样本使CNN模型感受视野更加丰富，提高训练精度及分类准确度，具体模型训练过程中，将终选样本的特征参数作为模型输入，将终选样本中的特征参数所对应的标记的健康状态类别作为模型输出。
CNN的英文全称Convolutional Neural Networks，中文翻译卷积神经网络。
本发明利用预设分类标准下的数据对于柴油机空气系统不同工况下数据进行故障状态分类，然后用CNN模型进行训练并输出分类结果，达到健康状态评估的目的。针对于柴油机工况进行划分后输入模型，更方便提取不同工况的运行参数特征，从而表征空气系统的健康状态。
附图说明
图1是本发明所述柴油发动机空气系统健康评估方法的流程图；
图2是数据重组示意图；
图3是高工况数据点数据重组后以3C为中心的CNN模型的感受视野；图4是数据预处理的流程图；
图5是测试效果图。
具体实施方式
下面将结合本发明实施例中的附图，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的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，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。
参见图1说明本实施方式，本实施方式所述的柴油发动机空气系统健康评估方法，包括如下步骤：
S1、在预设时间段内采集柴油机空气系统的特征参数，并对所采集的所有特征参数进行预处理；
S2、根据预处理后的各时刻所采集的柴油机空气系统的特征参数，确定各时刻柴油机空气系统的健康状态类别并进行类别标记；
所述健康状态类别包括4种，分别为：确认健康状态、临近故障状态、故障待确认状态和故障状态；每个时刻采集的特征参数对应一种健康状态类别；
S3、对每种健康状态类别进行工况种类划分，使得每种健康状态类别下的所有时刻采集的特征参数被划分成对应的低工况、中工况或高工况；
其中，每时刻采集的特征参数对应一种工况；
S4、对每种健康状态类别下的所有时刻采集的特征参数进行数据重组，获得每种健康状态类别下的所有终选样本，从而由所有健康状态类别下的所有终选样本构建训练样本集；每个终选样本由一个低工况、一个中工况和一个高工况所对应时刻的特征参数构成；
S5、利用训练样本集中各初选样本对CNN模型进行训练，直至CNN模型的残差小于预设值，获得训练后的CNN模型；
S6、利用训练后的CNN模型对从实际运行的柴油机空气系统中采集的实际样本进行健康状态类别的确定，从而获得当前实际样本所对应的时间段内柴油机空气系统健康状态类别，完成柴油机空气系统健康评估；
所述实际样本为由3个时刻所采集的柴油机空气系统的特征参数构成，且该3个时刻分别对应低、中、高三种工况。
本实施方式中，发明所述柴油发动机空气系统健康评估方法，基于深度学习的方法通过CNN模型进行分类，通过构建的训练样本集对现有的CNN模型进行训练，其中，构建的训练样本集的过程中，先对采集的参数进行预处理后，再确定预处理后的各时刻所采集的柴油机空气系统的特征参数，确定各时刻柴油机空气系统的健康状态类别并进行类别标记，再利用工况划分，使每个终选样本中包含3种工况，丰富样本使CNN模型感受视野更加丰富，提高训练精度及分类准确度，具体模型训练过程中，将终选样本的特征参数作为模型输入，将终选样本中的特征参数所对应的标记的健康状态类别作为模型输出。
本发明利用预设分类标准下的数据对于柴油机空气系统不同工况下数据进行故障状态分类，然后用CNN模型进行训练并输出分类结果，达到健康状态评估的目的。针对于柴油机工况进行划分后输入模型，更方便提取不同工况的运行参数特征，从而表征空气系统的健康状态。
本发明所述的CNN模型为现有的模型，且对模型进行训练的过程可通过现有技术实现。
更进一步的，参见图4，S1、对所采集的所有特征参数进行预处理的实现方式为：
将每个时刻所采集的柴油机空气系统的特征参数作为一组，当各组中参数出现空值、离群点或坏点时，将其整组参数进行去除，并将剩余组参数进行数据归一化处理，完成预处理。
本优选实施方式中，通过对数据进行预处理，保证样本准确性，从而提高模型训练精度。
更进一步的，S2、根据预处理后的各时刻所采集的柴油机空气系统的特征参数，确定各时刻柴油机空气系统的健康状态类别的实现方式为：
S21、车载自诊断系统根据预处理后的各时刻所采集的柴油机空气系统的特征参数，识别出相应时刻所对应的柴油机空气系统的健康状态类别为故障状态或故障待确认状态；
S22、对于未识别出柴油机空气系统的健康状态类别的相应时刻，将最早时刻出现的故障待确认状态前一小时之内的所有时刻所对应的柴油机空气系统的健康状态类别定义临近故障状态；
S23、将在预设时间段内除故障状态、故障待确认状态和临近故障状态所对应时刻之外的剩余各时刻所对应的柴油机空气系统的健康状态类别定义为健康状态，从而完成各时刻柴油机空气系统的健康状态类别的确定。
本优选实施方式中，由于现有技术中的车载自诊断系统只能识别出故障状态或故障待确认状态，健康状态分类不准确，故本发明对健康状态类别进行扩充，重新进行类别划分，增加了健康状态和临近故障状态，由于临近故障状态的确定是依据故障待确认状态来确定的，故临近故障状态下的各具体故障与故障待确认状态的各具体故障相对应。
更进一步的，S3、工况种类划分的条件为：根据各时刻采集的特征参数中的发动机转速确定，其中，
其中，低工况转速区间为发动机怠速到额定工况的最低转速间的范围；
中工况转速区间为发动机额定工况的转速范围；
高工况转速区间为发动机额定工况的最高转速到发动机最高转速间的范围。
本优选实施方式中，给定工况种类划分的条件，使其具备通用性，适用性更前强。
更进一步的，S4、对每种健康状态类别下的所有时刻采集的特征参数进行数据重组，获得每种健康状态类别下的所有终选样本的实现方式为：
将同种健康状态类别下的三种工况进行任意组合，并将该组合中的一个低工况、一个中工况和一个高工况所对应时刻的特征参数作为一个初选样本，再对该初选样本进行扩充，获得终选样本，从而获得该同种健康状态类别下的多个终选样本。
其中，对初选样本进行扩充，获得终选样本的实现方式为：
对初选样本的每种工况下的N个特征参数进行多次复制及重新排列，形成N×N维的矩阵，且该矩阵所有行中N个特征参数的种类均相同，但该矩阵各行中N个特征参数的排列方式各不相同；其中，N为整数。
本优选实施方式中，进行数据重组的目的是为增加样本的复杂性，以提高对后续分类精度。每个终选样本中包含3种工况，先对初选样本的每种工况下的N个特征参数进行多次复制及重新排列，丰富样本使CNN模型感受视野更加丰富，提高训练精度及分类准确度。
更进一步的，同种健康状态类别下的三种工况进行任意组合的原则为：
在同种健康状态类别下，依次选择3种工况中工况数量最少时所对应的该种工况中的一个工况所对应时刻的特征参数、与剩余两种工况中每种工况中的任意一个工况所对应时刻的特征参数进行组合；
此时，同种健康状态类别下3种工况中工况数量最少时所对应的该种工况的数量与该种健康状态类别下所形成的初选样本数量相同。
更进一步的，每个时刻所采集的柴油机空气系统的特征参数的包括EGR率、EGR阀门开度、发动机转速、节气门阀门开度、进气压力、发动机Lambda值、发动机输出扭矩和增压温度输出值。
具体应用：
采用具体数据对本发明所述的柴油发动机空气系统健康评估方法进行具体应用，具体包括如下步骤：
步骤1：在预设时间段内对于柴油机空气系统的参数进行采集及预处理；
每个时刻选择了8个参数作为特征参数，分别是EGR率、EGR阀门开度、发动机转速、节气门阀门开度、进气压力、发动机Lambda值、发动机输出扭矩和增压温度输出值，用于后续进行健康状态评估。
数据预处理过程包括去除空值，去除离群点和坏点，数据归一化，完成数据预处理(即：参数筛选)
首先，选择每个时刻采集的8个特征参数，EGR率，EGR阀门开度，发动机转速，节气门阀门开度，进气压力，Lambda值，发动机输出扭矩，增压温度输出值作为预处理对象；去除所有空值，去除离群点和坏点所对应时刻的所有特征参数；
然后，将数据进行最大最小值归一化到[0，1]之间，得到预处理后的输入数据。离群点判别和最大最小值归一化公式如下：
设对于任意一时刻采集的柴油机空气系统的8个特征参数构成的数据样本X＝[X1，X2.....Xn]，其均值为Xmean，方差为Xstd，离群点XP定义为：
归一化后的值Xnorm如式所示：
式中,Xmin＝[X1，X2.....Xn]；Xmax＝[X1，X2.....Xn]。
步骤2：发动机空气系统健康状态类别的确定及标记
此部分依据柴油机空气系统常见故障将数据划分为4个健康状态类别及相应等级，如下表所示：
表1柴油机空气系统健康状态分类
其中，后三个健康状态类别(临近故障状态、故障待确认状态和故障状态)与8个常见的具体空气系统故障有关，因此，将可再分别细分为8个类，状态分类及其编号如表所示：
表2柴油机空气系统健康状态分类编号
由于现有技术中的车载自诊断系统只能识别出故障状态或故障待确认状态，以及该故障状态下对应的8种具体故障和故障待确认状态下的8种具体故障，参见表2，本发明对健康状态类别进行扩充，重新进行类别划分，增加了健康状态和临近故障状态，由于临近故障状态的确定是依据故障待确认状态来确定的，故临近故障状态下的各具体故障与故障待确认状态的各具体故障相对应。
步骤3：工况种类划分
每个时刻选择了8个参数作为特征参数，分别是EGR率、EGR阀门开度、发动机转速、节气门阀门开度、进气压力、发动机Lambda值、发动机输出扭矩和增压温度输出值，用于后续进行健康状态评估。
基于对工况参数如发动机转速的分析，确定了工况的划分，将工况按照发动机转速划分为低工况，中工况和高工况。
其中，低工况转速区间为发动机怠速到额定工况的最低转速间的范围；中工况转速区间为发动机额定工况的转速范围；高工况转速区间为发动机额定工况的最高转速到发动机最高转速间的范围。
步骤4：数据重组
数据重组方法如下：
(1)基于之前对于工况的划分，将4种健康状态类别中每种健康状态类别按照转速划分为低、中、高三个工况区间。
(2)设1时刻为低工况数据点，2时刻为中工况数据点，3时刻为高工况数据点，再将每个时刻的8个输入参数按照A-H进行编号表示，例如：1时刻的E参数表示为1E，2时刻的E参数表示为2E，3时刻的E参数表示为3E，具体如下表所示：
表3不同时刻变量表示方法
重组后的数据图具体参见图2；
(3)将1，2，3三个时刻工况点按图2的方式重新排列为3×8×8的CNN可输入样本形式，图2中，每个工况下变量按照A-B-D-G-C-H-F-E的顺序从上至下排列，以使得在CNN重构样本中，每一个变量可以与其他所有变量位于同一个CNN感受野中。例如图3中画出了以3C为中心的4个CNN感受野，这4个感受野使得3C与更多的变量相邻，具体参见图3，增加样本的复杂性，以提高对后续分类精度。
步骤5：对CNN模型进行训练
本发明CNN模型可采用现有的技术实现，且结构参数如下表：
表4、CNN模型结构参数
可按照上表所示的参数进行模型搭建。
步骤6：利用训练后的CNN模型进行健康状态分类
输入至训练后的CNN模型中的采集的实际样本，该实际样本为由3个时刻所采集的柴油机空气系统的特征参数构成，且该3个时刻分别对应低、中、高三种工况。
具体应用的验证部分：
通过利用真实样板录入到训练后的CNN模型中，进行分类，来验证本发明方法的准确性，具体参见图5，图中横坐标为真实标签，纵坐标为预测标签。
图5中从左至右斜对角线上的是分类正确的样本个数，以图5所述表格中第一行第一列为例，其中，6353为健康数据的样本个数，而该列中出现了“1”和“4”，而不为“0”，此时，“1”和“4”的位置出现错误，即：存在“1+4”个样本分类错误，将“6353+5”个健康数据样本发送至训练后的CNN模型进行分类后，出现两个样本错误，故对于健康数据的分类准确率为99.9％；
故在测试集中对于健康数据、临近故障数据、故障待确认数据、空气系统故障数据的分类准确率分别为99.9％、92.8％、95.2％、99.4％。其健康状态等级分别为4、3、2、1(级别越低越接近故障)。
由于临近故障数据是故障待确认前一小时的数据，因此本方法还可以对于这些空气系统故障进行预测，以达到预测性维护的目的。
虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。
Claims (7)
1.柴油发动机空气系统健康评估方法，其特征在于，包括如下步骤：
S1、在预设时间段内采集柴油机空气系统的特征参数，并对所采集的所有特征参数进行预处理；
S2、根据预处理后的各时刻所采集的柴油机空气系统的特征参数，确定各时刻柴油机空气系统的健康状态类别并进行类别标记；
所述健康状态类别包括4种，分别为：确认健康状态、临近故障状态、故障待确认状态和故障状态；每个时刻采集的特征参数对应一种健康状态类别；
S3、对每种健康状态类别进行工况种类划分，使得每种健康状态类别下的所有时刻采集的特征参数被划分成对应的低工况、中工况或高工况；
其中，每时刻采集的特征参数对应一种工况；
S4、对每种健康状态类别下的所有时刻采集的特征参数进行数据重组，获得每种健康状态类别下的所有终选样本，从而由所有健康状态类别下的所有终选样本构建训练样本集；每个终选样本由一个低工况、一个中工况和一个高工况所对应时刻的特征参数构成；
对每种健康状态类别下的所有时刻采集的特征参数进行数据重组，获得每种健康状态类别下的所有终选样本的实现方式为：
将同种健康状态类别下的三种工况进行任意组合，并将该组合中的一个低工况、一个中工况和一个高工况所对应时刻的特征参数作为一个初选样本，再对该初选样本进行扩充，获得终选样本，从而获得该同种健康状态类别下的多个终选样本；
S5、利用训练样本集中各初选样本对CNN模型进行训练，直至CNN模型的残差小于预设值，获得训练后的CNN模型；
S6、利用训练后的CNN模型对从实际运行的柴油机空气系统中采集的实际样本进行健康状态类别的确定，从而获得当前实际样本所对应的时间段内柴油机空气系统健康状态类别，完成柴油机空气系统健康评估；
所述实际样本为由3个时刻所采集的柴油机空气系统的特征参数构成，且该3个时刻分别对应低、中、高三种工况。
2.根据权利要求1所述的柴油发动机空气系统健康评估方法，其特征在于，S1、对所采集的所有特征参数进行预处理的实现方式为：
将每个时刻所采集的柴油机空气系统的特征参数作为一组，当各组中参数出现空值、离群点或坏点时，将其整组参数进行去除，并将剩余组参数进行数据归一化处理，完成预处理。
3.根据权利要求2所述的柴油发动机空气系统健康评估方法，其特征在于，S2、根据预处理后的各时刻所采集的柴油机空气系统的特征参数，确定各时刻柴油机空气系统的健康状态类别的实现方式为：
S21、车载自诊断系统根据预处理后的各时刻所采集的柴油机空气系统的特征参数，识别出相应时刻所对应的柴油机空气系统的健康状态类别为故障状态或故障待确认状态；
S22、对于未识别出柴油机空气系统的健康状态类别的相应时刻，将最早时刻出现的故障待确认状态前一小时之内的所有时刻所对应的柴油机空气系统的健康状态类别定义临近故障状态；
S23、将在预设时间段内除故障状态、故障待确认状态和临近故障状态所对应时刻之外的剩余各时刻所对应的柴油机空气系统的健康状态类别定义为健康状态，从而完成各时刻柴油机空气系统的健康状态类别的确定。
4.根据权利要求1所述的柴油发动机空气系统健康评估方法，其特征在于，S3、工况种类划分的条件为：根据各时刻采集的特征参数中的发动机转速确定，其中，
其中，低工况转速区间为发动机怠速到额定工况的最低转速间的范围；
中工况转速区间为发动机额定工况的转速范围；
高工况转速区间为发动机额定工况的最高转速到发动机最高转速间的范围。
5.根据权利要求1所述的柴油发动机空气系统健康评估方法，其特征在于，对初选样本进行扩充，获得终选样本的实现方式为：
对初选样本的每种工况下的n个特征参数进行多次复制及重新排列，形成n×n维的矩阵，且该矩阵所有行中n个特征参数的种类均相同，但该矩阵各行中N个特征参数的排列方式各不相同；其中，n为整数。
6.根据权利要求1所述的柴油发动机空气系统健康评估方法，其特征在于，同种健康状态类别下的三种工况进行任意组合的原则为：
在同种健康状态类别下，依次选择3种工况中工况数量最少时所对应的该种工况中的一个工况所对应时刻的特征参数、与剩余两种工况中每种工况中的任意一个工况所对应时刻的特征参数进行组合；
此时，同种健康状态类别下3种工况中工况数量最少时所对应的该种工况的数量与该种健康状态类别下所形成的初选样本数量相同。
7.根据权利要求1所述的柴油发动机空气系统健康评估方法，其特征在于，每个时刻所采集的柴油机空气系统的特征参数包括EGR率、EGR阀门开度、发动机转速、节气门阀门开度、进气压力、发动机Lambda值、发动机输出扭矩和增压温度输出值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210577551.9A CN114856811B (zh) | 2022-05-25 | 2022-05-25 | 柴油发动机空气系统健康评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210577551.9A CN114856811B (zh) | 2022-05-25 | 2022-05-25 | 柴油发动机空气系统健康评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114856811A CN114856811A (zh) | 2022-08-05 |
| CN114856811B true CN114856811B (zh) | 2023-04-07 |
Family
ID=82638520
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210577551.9A Active CN114856811B (zh) | 2022-05-25 | 2022-05-25 | 柴油发动机空气系统健康评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114856811B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115270993B (zh) * | 2022-08-23 | 2023-06-23 | 南通思诺船舶科技有限公司 | 柴油机组状态检测方法及系统 |
| CN116699390B (zh) * | 2023-04-20 | 2024-04-26 | 上海宇佑船舶科技有限公司 | 柴油机组故障检测方法和系统 |
| CN116498435B (zh) * | 2023-07-03 | 2023-09-15 | 西安陕柴重工核应急装备有限公司 | 基于柴油发电机组的使用状态监控方法及装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7552005B2 (en) * | 2004-03-16 | 2009-06-23 | Honeywell International Inc. | Method for fault diagnosis of a turbine engine |
| CN110502991B (zh) * | 2019-07-18 | 2022-12-02 | 武汉理工大学 | 基于随机卷积神经网络结构的内燃机健康监测方法及系统 |
| CN111441864A (zh) * | 2020-04-02 | 2020-07-24 | 浙江三一装备有限公司 | 发动机健康诊断方法及发动机诊断系统 |
| CN113537373A (zh) * | 2021-07-23 | 2021-10-22 | 中国人民解放军陆军工程大学 | 基于数字孪生的柴油机健康状态评估方法、装置及设备 |
| CN113700558B (zh) * | 2021-09-01 | 2022-06-28 | 哈尔滨工业大学（威海） | 柴油发动机空气系统故障检测方法 |
-
2022
- 2022-05-25 CN CN202210577551.9A patent/CN114856811B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN114856811A (zh) | 2022-08-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114856811B (zh) | 柴油发动机空气系统健康评估方法 | |
| CN112100865B (zh) | 基于并行cnn模型的航空发动机剩余寿命预测方法 | |
| CN104712542B (zh) | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 | |
| CN110262463B (zh) | 一种基于深度学习的轨道交通站台门故障诊断系统 | |
| CN111274737A (zh) | 一种机械设备剩余使用寿命预测方法及系统 | |
| CN111985546B (zh) | 基于单分类极限学习机算法的飞机发动机多工况检测方法 | |
| CN112756759B (zh) | 点焊机器人工作站故障判定方法 | |
| CN114037079B (zh) | 基于图神经网络与知识图谱的气缸盖多故障整体诊断方法 | |
| CN111368885A (zh) | 一种基于深度学习和信息融合的航空发动机气路故障诊断方法 | |
| Murphey et al. | Automotive fault diagnosis-part II: a distributed agent diagnostic system | |
| CN110515781B (zh) | 一种复杂系统状态监测及故障诊断方法 | |
| CN111190349A (zh) | 船舶机舱设备状态监测及故障诊断方法、系统及介质 | |
| CN113688558A (zh) | 一种基于大数据库样本的汽车行驶工况构建方法及系统 | |
| CN113032912A (zh) | 基于关联规则的船舶柴油机故障检测方法 | |
| CN111860775A (zh) | 基于cnn和rnn融合的船舶故障实时诊断方法 | |
| CN110991471A (zh) | 一种高速列车牵引系统故障诊断方法 | |
| CN113884300A (zh) | 一种深度对抗迁移学习的滚动轴承故障诊断方法 | |
| CN116560341A (zh) | 工业机器人故障诊断模型及故障诊断方法 | |
| CN116741304A (zh) | 基于车联网大数据的柴油机原排氮氧化物预测方法 | |
| CN117877256A (zh) | 基于数字孪生的车辆故障预测方法及系统 | |
| CN114357372A (zh) | 一种基于多传感器数据驱动的飞机故障诊断模型生成方法 | |
| CN111783941A (zh) | 一种基于概率置信度卷积神经网络的机械设备诊断分类方法 | |
| CN116032790A (zh) | 调度自动化系统海量数据流异常辨识、诊断和预测方法、装置和系统 | |
| CN115270950A (zh) | 一种基于树模型的冰箱故障定位方法和系统 | |
| CN115659219A (zh) | 异常电子侦察数据智能检测及分类方法 |
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 |