CN114912190A - 一种基于行驶数据的发动机工况开发方法及开发装置 - Google Patents

一种基于行驶数据的发动机工况开发方法及开发装置 Download PDF

Info

Publication number
CN114912190A
CN114912190A CN202210404735.5A CN202210404735A CN114912190A CN 114912190 A CN114912190 A CN 114912190A CN 202210404735 A CN202210404735 A CN 202210404735A CN 114912190 A CN114912190 A CN 114912190A
Authority
CN
China
Prior art keywords
engine
working condition
library
wear
segments
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
Application number
CN202210404735.5A
Other languages
English (en)
Inventor
于晗正男
刘昱
李菁元
徐航
马琨其
梁永凯
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 Automotive Technology and Research Center Co Ltd
CATARC Automotive Test Center Tianjin Co Ltd
Original Assignee
China Automotive Technology and Research Center Co Ltd
CATARC Automotive Test Center 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 Automotive Technology and Research Center Co Ltd, CATARC Automotive Test Center Tianjin Co Ltd filed Critical China Automotive Technology and Research Center Co Ltd
Priority to CN202210404735.5A priority Critical patent/CN114912190A/zh
Priority to JP2022126071A priority patent/JP7379611B2/ja
Publication of CN114912190A publication Critical patent/CN114912190A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • 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
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Testing Of Engines (AREA)

Abstract

本发明提供了一种基于行驶数据的发动机工况开发方法及开发装置，包括以下步骤：S1、数据预处理；S2、运动片段聚类；S3、构建发动机工况子库；S4、生成发动机工况单循环样本；S5、构建缸套‑活塞环磨损模型；S6、生成发动机全寿命周期磨损谱；S7、构建发动机可靠性工况。本发明所述的一种基于行驶数据的发动机工况开发方法及开发装置，利用缸套‑活塞环磨损模型，可将随时间变化的发动机扭矩和转速工况转化为随时间变化的发动机磨损谱，外推后生成发动机全寿命周期磨损谱，实现了对发动机全寿命周期磨损量的快速准确计算，最终基于磨损等效原理构建发动机可靠性工况，可为相关企业构建发动机可靠性工况提供技术性支持。

Description

一种基于行驶数据的发动机工况开发方法及开发装置
技术领域
本发明属于交通运输领域，尤其是涉及一种基于行驶数据的发动机工况开发方法及开发装置。
背景技术
发动机作为机动车的核心零部件，其可靠性的好坏直接关系到整车可靠性的优劣。随着我国汽车保有量的不断增长，城市交通基础设施不断更新迭代，我国汽车用户的实际驾驶方式及出行特征也发生了巨大变化，其中就包括车辆车速、加速度、减速度以及怠速比例等重要参数的变化。这些参数的变化会直接引起车用发动机运行工况的变化，最终使得现行发动机可靠性试验法规工况在与实际用户关联方面存在失真和失效的问题，导致不能有效地评估车用发动机的实际使用可靠性。因此基于实际行驶数据开发符合用户出行习惯的、可用来有效评估发动机实际使用寿命的可靠性工况是目前整车及零部件企业亟待解决的问题。
发明内容
有鉴于此，本发明旨在提出一种基于行驶数据的发动机工况开发方法，利用用户实际行驶过程中的发动机扭矩和转速数据，构建缸套-活塞环摩擦磨损模型，获得符合用户实际使用的发动机全寿命周期磨损谱，按照磨损等效原理，最终构建发动机可靠性工况。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于行驶数据的发动机工况开发方法，包括以下步骤：
S1、对发动机扭矩和转速数据进行预处理，得到发动机的怠速片段和运动片段，将怠速片段和运动片段汇总形成片段总库，并计算怠速比例；
S2、逐一计算步骤S1中的所述片段总库中各运动片段的特征参数，基于因子分析法确定各运动片段的主成分因子，采用模糊聚类方法对各运动片段进行聚类，形成多个运动片段子库，并计算各运动片段子库的特征参数平均值及比例系数；
S3、根据步骤S2中得到的比例系数，确定各运动片段子库的发动机工况时长，并从中随机挑选运动片段构建对应的发动机工况，分别计算各运动片段子库中的每条发动机工况的特征参数，选择各特征参数相对偏差均小于等于5％的发动机工况形成对应的发动机工况子库；
S4、从步骤S3中形成的各发动机工况子库中抽取发动机工况，依次进行连接后，再按步骤S1中的怠速比例添加怠速片段后，生成发动机工况单循环样本，提取发动机特征工况点对原单循环样本进行简化，得到简化后的发动机工况单循环样本；
S5、对步骤S4中获得的发动机特征工况点及怠速工况点进行缸压测量，计算各工况点在完整循环下的缸套-活塞环接触速度、接触压力以及最小油膜厚度的变化情况；并进行摩擦磨损试验以获得磨损系数；根据测量结果拟合缸套-活塞环接触速度及接触压力与磨损系数之间的关系方程，构建缸套-活塞环磨损模型；
S6、利用步骤S5中构建的缸套-活塞环磨损模型，根据步骤S4中所生成的发动机工况单循环样本计算得到发动机工况单循环磨损谱，再基于发动机全寿命周期里程数，外推生成发动机全寿命周期磨损谱；
S7、对步骤S6中获得的发动机全寿命周期磨损谱进行积分计算，得到发动机全寿命周期缸套-活塞环的磨损量，构建发动机可靠性工况。
进一步的，在步骤S1中的所述发动机扭矩和转速数据预处理包括以下步骤：
S11、根据行驶数据中的车速对发动机扭矩和转速数据进行片段切割，切割成怠速片段和运动片段一一对应的组合形式；
S12、基于怠速片段时长及运动片段车速、加速度、减速度和时长，对步骤S11中得到的怠速片段及运动片段进行清洗，剔除不符合条件的怠速片段和运动片段；
S13、将步骤S12中筛选后所得到的发动机怠速片段及运动片段汇总形成片段总库，并计算怠速片段的时长占比，怠速片段的时长占比为怠速比例。
进一步的，在步骤S2中的所述运动片段聚类包括以下步骤：
S21、逐一计算步骤S1中的所述片段总库中各运动片段的特征参数；
S22、基于因子分析法对特征参数进行降维处理，将各因子按照贡献率从高到低排序，并依次选取因子，直至累计贡献率达90％以上，将选取的因子定义为主成分因子，并计算片段总库中各运动片段的主成分因子数值；
S23、根据步骤S22中计算得到的各运动片段的主成分因子数值，采用模糊聚类算法，将运动片段聚类成3-5类，形成对应的运动片段子库；
S24、计算各运动片段子库中所有片段的特征参数平均值，作为该片段子库的特征参数，计算各运动片段子库中所有运动片段的总时长，得到各运动片段子库的比例系数。
进一步的，在步骤S3中的所述发动机工况子库的构建包括以下步骤：
S31、根据步骤S2中得到的运动片段子库的比例系数确定各运动片段子库中发动机工况的持续时长，并从各运动片段子库中随机挑选运动片段依次进行连接构建对应的发动机工况；
S32、分别计算各运动片段子库中的每条发动机工况的特征参数，得出每条发动机工况的特征参数与运动片段子库特征参数的相对偏差，并挑选各特征参数相对偏差值均小于等于5％的发动机工况形成对应的发动机工况子库。
进一步的，在步骤S4中的所述发动机工况单循环样本生成包括以下步骤：
S41、从步骤S3中形成的发动机工况子库中采用不放回抽取的方法，按发动机工况子库顺序依次随机抽取发动机工况，并依次进行连接，直至任意发动机子库中无剩余工况可抽取后停止；
S42、通过计算连接后形成的新发动机工况总时长，结合步骤S1中所得到的怠速比例，计算出怠速工况总时长，将怠速片段平均插入到新发动机工况各运动片段之间，生成发动机工况单循环样本；
S43、剔除发动机单循环样本中的怠速工况点后，以工况点出现的最小转速和最大转速为边界，根据概率均等原理，将转速分为5个转速区间；再以每个转速区间出现的最小扭矩和最大扭矩为边界，根据概率均等原理，按扭矩将每个转速区间再分为5个发动机工况区间，最终划分形成25个发动机工况区间；
S44、分别计算25个发动机工况区间内所有工况点的扭矩平均值和转速平均值，进行圆整后作为各区间的发动机特征工况点，据此对发动机工况单循环样本进行简化。
进一步的，在步骤S5中的所述缸套-活塞环磨损模型构建包括以下步骤：
S51、通过发动机台架试验，分别对步骤S4中所得到发动机特征工况点及怠速工况点进行缸压测量，结合流体力学模型，计算各特征工况点及怠速工况点在完整循环下缸套-活塞环接触速度、接触压力以及最小油膜厚度的变化情况；
S52、计算每个特征工况点及怠速工况点在临界润滑状态下的平均接触速度及接触压力，并以此为边界条件进行缸套-活塞环磨损试验，获得各工况点的磨损系数，采用多变量高次线性回归方法拟合缸套-活塞环接触速度及接触压力与磨损系数之间的关系方程，并基于Archard理论构建缸套-活塞环磨损模型。
进一步的，在步骤S6中的所述发动机全寿命周期磨损谱生成包括以下步骤：
S61、利用步骤S5中构建的缸套-活塞环磨损模型，计算每个特征工况点完整循环在临界润滑下的的总磨损量，根据发动机转速，计算每个特征循环每秒的循环次数，进而得到每个特征工况点的磨损速率；
S62、根据各特征工况点的磨损速率，根据步骤S4中所生成的发动机工况单循环样本，计算得到随时间变化的发动机磨损量变化，生成发动机单循环磨损谱；
S63、基于发动机全寿命周期里程数，外推获得发动机全寿命周期磨损谱。
进一步的，在步骤S7中的所述发动机可靠性工况的生成包括以下步骤：
S71、基于步骤S6中获得的发动机全寿命周期磨损谱，计算发动机全寿命周期磨损量；
S72、基于发动机最大扭矩点和最大功率点构建交变循环，基于步骤S5测得发动机最大扭矩点和最大功率点的缸压，并计算出临界润滑状态下的接触速度及接触压力，利用缸套-活塞环磨损模型，计算最大扭矩和最大功率工况点的磨损速率，进而计算交变循环的磨损量；
S73、按照磨损等效原理，根据发动机全寿命周期磨损量以及交变循环磨损量，最终确定交变次数，从而构建发动机可靠性工况。
相对于现有技术，本发明所述的一种基于行驶数据的发动机工况开发方法具有以下优势：
(1)本发明所述的一种基于行驶数据的发动机工况开发方法，以用户实际驾驶过程中所采集到的发动机转速和扭矩数据作为原始数据，使得所构建的发动机可靠性工况更能反映用户在实际使用过程中的发动机磨损情况。该方法利用所构建的缸套-活塞环磨损模型，可以将随时间变化的发动机扭矩和转速工况转化为随时间变化的发动机磨损谱，外推后生成发动机全寿命周期磨损谱，实现了对发动机全寿命周期磨损量的快速准确计算，最终基于磨损等效原理构建发动机可靠性工况。该方法可为相关企业构建发动机可靠性工况提供技术性支持。
本发明的另一目的在于提出一种基于行驶数据的发动机工况开发装置，以解决发动机可靠性工况开发问题，实现缩短研发周期、降低研发成本的目的。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于行驶数据的发动机工况开发装置，包括数据预处理模块、运动片段聚类模块、发动机工况子库构建模块、发动机工况单循环样本生成模块、缸套-活塞环磨损模型构建模块、全寿命周期磨损谱生成模块、发动机可靠性工况构建模块和电子设备，所述数据预处理模块、运动片段聚类模块、发动机工况子库构建模块、发动机工况单循环样本生成模块、缸套-活塞环磨损模型构建模块、全寿命周期磨损谱生成模块、发动机可靠性工况构建模块之间依次信号连接；
所述数据预处理模块用于对用户行驶过程中的发动机扭矩和转速数据进行预处理，形成片段总库，并计算怠速比例；所述运动片段聚类模块用于通过因子分析法及模糊聚类法将片段总库中的运动片段进行分类，形成运动片段子库，并计算各运动片段子库的特征参数平均值及比例系数；所述发动机工况子库构建模块用于从运动片段子库中挑选片段构建发动机工况，并筛选出符合条件的发动机工况形成发动机工况子库；所述发动机工况单循环样本生成模块用于生成发动机单循环样本，并通过提取特征工况点对发动机单循环样本进行简化；所述缸套-活塞环磨损模型构建模块用于拟合不同特征工况点的磨损系数，构建缸套-活塞环磨损模型；所述全寿命周期磨损谱生成模块用于生成发动机单循环磨损谱，并根据发动机全寿命周期里程数外推获得发动机全寿命周期磨损谱；所述发动机可靠性工况构建模块用于计算发动机全寿命周期缸套-活塞环的磨损量，并按照磨损等效原理，构建发动机可靠性工况；
所述数据预处理模块、运动片段聚类模块、发动机工况子库构建模块、发动机工况单循环样本生成模块、缸套-活塞环磨损模型构建模块、全寿命周期磨损谱生成模块、发动机可靠性工况构建模块均信号连接至电子设备。
进一步的，所述电子设备包括处理器和存储器，存储器通信连接至处理器，存储器用于存储处理器执行的指令。
相对于现有技术，本发明所述的一种基于行驶数据的发动机工况开发装置具有以下优势：
(1)本发明所述的一种基于行驶数据的发动机工况开发装置，设计合理，可实现对于发动机全寿命周期磨损量的快速准确预测，进而实现基于用户驾驶数据的发动机可靠性工况构建，为相关企业开展发动机可靠性工况开发提供技术性支持。
附图说明
构成本发明的一部分的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。在附图中：
图1为本发明实施例所述的主成分因子选取示意图；
图2为本发明实施例所述的发动机工况构建示意图；
图3为本发明实施例所述的新发动机工况生成流程示意图；
图4为本发明实施例所述的发动机工况单循环样本示意图；
图5为本发明实施例所述的25个发动机工况区间划分示意图；
图6为本发明实施例所述的简化后的发动机工况单循环样本示意图；
图7为本发明实施例所述的特征工况点1的缸压曲线示意图；
图8为本发明实施例所述的完整循环下接触速度、接触压力以及最小油膜厚度的变化情况示意图；
图9为本发明实施例所述的临界润滑状态示意图；
图10为本发明实施例所述的发动机单循环磨损谱示意图；
图11为本发明实施例所述的发动机交变工况示意图；
图12为本发明实施例所述的开发方法及装置流程图。
具体实施方式
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。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“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”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，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，可以通过具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
名词解释：
因子分析法：因子分析法是一种从研究指标相关矩阵内部的依赖关系出发，把一些信息重叠、具有错综复杂关系的变量归结为少数几个不相关的综合因子的多元统计分析方法。其基本思想是：根据相关性大小把变量分组，使得同组内的变量之间相关性较高，而不同组的变量之间不相关或相关性较低。
模糊聚类算法：模糊聚类算法(Fuzzy Cluster Algorithm)是一种采用模糊数学语言对事物按一定要求进行描述和分类的数学方法，一般是指根据研究对象本身的属性来构造模糊矩阵，并在此基础上根据一定的隶属度来确定聚类关系，即用模糊数学的方法对样本之间的模糊关系进行定量确定，从而客观且准确地进行聚类。
概率均等原理：即等概率原理，是指当系统处于平衡时，如果除能量一定、体积一定和粒子数一定外,没有任何其他的限制，则发现系统处在各微观状态的概率都是相同的，称之为等概率原理。
多变量高次线性回归方法：在回归分析中，如果有两个或两个以上的自变量，就称为多变量线性回归，而高次是指线性回归方程的最高次大于等于二次。在构建线性回归方程的过程中通常使用最小二乘法对回归方程中的各个参数进行估计及统计检验。
Archard理论：Archard理论是由美国人F.Archard提出的的磨损计算公式，该公式中磨损量主要受到接触应力、磨损系数和滑动距离的影响。该理论广泛应用于各类摩擦副之间的宏观及微观磨损量计算。
磨损等效原理：一对摩擦副在相同的接触压力和接触速度下，具有相同的磨损量从而具有相同的磨损寿命，而不同接触压力或接触速度下，只要保证具有相同的磨损量，也将取得相同的磨损寿命。
如图1至图12所示，一种基于行驶数据的发动机工况开发方法，包括以下步骤：
S1、对发动机扭矩和转速数据进行预处理，得到发动机的怠速片段和运动片段，将怠速片段和运动片段汇总形成片段总库，并计算怠速比例；
S2、逐一计算步骤S1中的所述片段总库中各运动片段的特征参数，基于因子分析法确定各运动片段的主成分因子，采用模糊聚类方法对各运动片段进行聚类，分为3-5类，形成3-5个运动片段子库，并计算各运动片段子库的特征参数平均值及比例系数；
S3、根据步骤S2中得到的比例系数，确定各运动片段子库的发动机工况时长，并从中随机挑选运动片段构建工况，分别计算各运动片段子库中的每条工况的特征参数，选择各特征参数相对偏差均小于等于5％的发动机工况形成对应的发动机工况子库；
S4、从步骤S3中形成的各发动机工况子库中抽取发动机工况，依次进行连接后，再按步骤S1中的怠速比例添加怠速片段后，生成发动机工况单循环样本，并基于概率均等原理，提取发动机特征工况点对原单循环样本进行简化，得到简化后的发动机工况单循环样本；
S5、对步骤S4中获得的发动机特征工况点及怠速工况点进行缸压测量，结合流体力学模型，计算各工况点在完整循环下的缸套-活塞环接触速度、接触压力以及最小油膜厚度的变化情况；提取各工况点边界润滑状态下的平均接触速度及接触压力作为边界条件，并以此进行摩擦磨损试验以获得磨损系数；根据测量结果拟合缸套-活塞环接触速度及接触压力与磨损系数之间的关系方程，并基于Archard理论构建缸套-活塞环磨损模型；
S6、利用步骤S5中构建的缸套-活塞环磨损模型，根据步骤S4中所生成的发动机工况单循环样本计算得到发动机工况单循环磨损谱，再基于发动机全寿命周期里程数，外推生成发动机全寿命周期磨损谱；
S7、对步骤S6中获得的发动机全寿命周期磨损谱进行积分计算，得到发动机全寿命周期缸套-活塞环的磨损量，按照磨损等效原理，构建发动机可靠性工况。
本开发方法以用户驾驶过程中所采集到的发动机转速和扭矩数据作为原始数据，使得所构建的发动机可靠性工况更能反映用户在实际使用过程中的发动机磨损情况。该方法利用所构建的缸套-活塞环磨损模型，可以将随时间变化的发动机扭矩和转速工况转化为随时间变化的发动机磨损谱，外推后生成发动机全寿命周期磨损谱，实现了对发动机全寿命周期磨损量的快速准确计算，最终基于磨损等效原理构建发动机可靠性工况。该方法可为相关企业构建发动机可靠性工况提供技术性支持。
在步骤S1中的所述发动机扭矩和转速数据预处理包括以下步骤：
S11、根据行驶数据中的车速对发动机扭矩和转速数据进行片段切割，切割成怠速片段和运动片段一一对应的组合形式；
S12、基于怠速片段时长及运动片段车速、加速度、减速度和时长，对步骤S11中得到的怠速片段及运动片段进行清洗，剔除不符合条件的怠速片段、运动片段；剔除运动片段或怠速片段时，需同时剔除与其对应的怠速或运动片段；
S13、将步骤S12中筛选后所得到的发动机怠速片段及运动片段汇总形成片段总库，并计算怠速片段的时长占比，怠速片段的时长占比为怠速比例。
在步骤S2中的所述运动片段聚类包括以下步骤：
S21、逐一计算步骤S1中的所述片段总库中各运动片段的特征参数；特征参数包括平均扭矩、平均转速、平均扭矩正变化率、平均扭矩负变化率、平均转速正变化率和平均转速负变化率；
S22、基于因子分析法对特征参数进行降维处理，将各因子按照贡献率从高到低排序，并依次选取，直至累计贡献率达90％以上，将选取的因子定义为主成分因子，并计算片段总库中各运动片段的主成分因子数值；
S23、根据步骤S22中计算得到的各运动片段的主成分因子数值，采用模糊聚类算法，将运动片段聚类成3-5类，形成对应的运动片段子库；
S24、计算各运动片段子库中所有片段的特征参数平均值，作为该片段子库的特征参数，计算各运动片段子库中所有运动片段的总时长，得到各运动片段子库的比例系数。
在步骤S3中的所述发动机工况的构建包括以下步骤：
S31、根据步骤S2中得到的运动片段子库的比例系数确定各运动片段子库中发动机工况的持续时长，并从各运动片段子库中随机挑选运动片段依次进行连接构建对应的发动机工况；
S32、分别计算各运动片段子库中的每条发动机工况的特征参数，得出每条发动机工况的特征参数与运动片段子库特征参数的相对偏差，并挑选各特征参数相对偏差值均小于等于5％的发动机工况形成对应的发动机工况子库。
在步骤S4中的所述发动机工况单循环样本生成包括以下步骤：
S41、从步骤S3中形成的发动机工况子库中采用不放回抽取的方法，按发动机工况子库顺序依次随机抽取发动机工况，并依次进行连接，直至任意发动机子库中无剩余工况可抽取后停止；
S42、通过计算连接后形成的新发动机工况总时长，结合步骤S1中所得到的怠速比例，计算出怠速工况总时长，将怠速片段平均插入到新发动机工况各运动片段之间，生成发动机工况单循环样本；
S43、剔除发动机单循环样本中的怠速工况点后，以工况点出现的最小转速和最大转速为边界，根据概率均等原理，将转速分为5个转速区间；再以每个转速区间出现的最小扭矩和最大扭矩为边界，根据概率均等原理，按扭矩将每个转速区间再分为5个发动机工况区间，最终划分形成25个发动机工况区间；
S44、分别计算25个发动机工况区间内所有工况点的扭矩平均值和转速平均值，进行圆整后作为各区间的发动机特征工况点，即该区间内所有工况点均被视为该特征工况点，据此对发动机工况单循环样本进行简化。
在步骤S5中的所述缸套-活塞环磨损模型的构建包括以下步骤：
S51、通过发动机台架试验，分别对步骤S4中所得到发动机特征工况点及怠速工况点进行缸压测量，结合流体力学模型，计算各特征工况点及怠速工况点在完整循环下缸套-活塞环接触速度、接触压力以及最小油膜厚度的变化情况；
S52、计算每个特征工况点及怠速工况点在临界润滑状态下的平均接触速度及接触压力，并以此为边界条件进行缸套-活塞环磨损试验，获得各工况点的磨损系数，采用多变量高次线性回归方法拟合缸套-活塞环接触速度及接触压力与磨损系数之间的关系方程，并基于Archard理论构建缸套-活塞环磨损模型。
在步骤S6中的所述发动机全寿命周期磨损谱生成包括以下步骤：
S61、利用步骤S5中构建的缸套-活塞环磨损模型，计算每个特征工况点完整循环在临界润滑下的总磨损量，根据发动机转速，计算每个特征循环每秒的循环次数，进而得到每个特征工况点磨损速率；
S62、根据各特征工况点的磨损速率，根据步骤S4中所生成的发动机工况单循环样本计算得到随时间变化的发动机磨损量变化，生成发动机单循环磨损谱。
S63、基于发动机全寿命里程数，外推获得发动机全寿命周期磨损谱。
在步骤S7中的所述发动机可靠性工况的生成包括以下步骤：
S71、基于步骤S6中获得的发动机全寿命周期磨损谱，并计算发动机全寿命周期磨损量；
S72、基于发动机最大扭矩点和最大功率点构建交变循环，基于步骤S5测得发动机最大扭矩点和最大功率点的缸压，并计算出临界润滑状态下的接触速度及接触压力，利用缸套-活塞环磨损模型，计算最大扭矩和最大功率工况点的磨损速率，进而计算交变循环的磨损量；
S73、按照磨损等效原理，根据发动机全寿命周期磨损量以及交变循环的磨损量，最终确定交变次数，从而构建发动机可靠性工况。
一种基于行驶数据的发动机工况开发装置，包括数据预处理模块、运动片段聚类模块、发动机工况子库构建模块、发动机工况单循环样本生成模块、缸套-活塞环磨损模型构建模块、全寿命周期磨损谱生成模块、发动机可靠性工况构建模块和电子设备，所述数据预处理模块、运动片段聚类模块、发动机工况子库构建模块、发动机工况单循环样本生成模块、缸套-活塞环磨损模型构建模块、全寿命周期磨损谱生成模块、发动机可靠性工况构建模块之间依次信号连接；
所述数据预处理模块用于对用户行驶过程中的发动机扭矩和转速数据进行预处理，形成片段总库，并计算怠速比例；所述运动片段聚类模块用于通过因子分析法及模糊聚类法将片段总库中的运动片段进行分类，形成运动片段子库，并计算各运动片段子库的特征参数平均值及比例系数；所述发动机工况子库构建模块用于从运动片段子库中挑选片段构建发动机工况，并筛选出符合条件的发动机工况形成发动机工况子库；所述发动机工况单循环样本生成模块用于生成发动机单循环样本，并通过提取特征工况点对发动机单循环样本进行简化；所述缸套-活塞环磨损模型构建模块用于拟合不同特征工况点的磨损系数，构建缸套-活塞环磨损模型；所述全寿命周期磨损谱生成模块用于生成发动机单循环磨损谱，并根据发动机全寿命周期里程数外推获得发动机全寿命周期磨损谱；所述发动机可靠性工况构建模块用于计算发动机全寿命周期缸套-活塞环的磨损量，并按照磨损等效原理，构建发动机可靠性工况；
所述数据预处理模块、运动片段聚类模块、发动机工况子库构建模块、发动机工况单循环样本生成模块、缸套-活塞环磨损模型构建模块、全寿命周期磨损谱生成模块、发动机可靠性工况构建模块均信号连接至电子设备。
本开发装置设计合理，可实现对于发动机全寿命周期磨损量的快速准确预测，进而实现基于用户驾驶数据的发动机可靠性工况构建，为相关企业开展发动机可靠性工况开发提供技术性支持。
所述电子设备包括处理器和存储器，存储器通信连接至处理器，存储器用于存储处理器执行的指令。
实施例1
以下结合附图，对发明方法做进一步详细说明，具体步骤如下：
数据预处理：
根据行驶数据中的车速数据对发动机扭矩和转速数据进行片段切割，切割成怠速片段和运动片段一一对应的组合形式，其中把车速不为0km/h的前1s记作运动片段的开端，将车速再一次为0km/h记作运动片段的结尾。将切割后的运动片段与其前面的怠速片段记为一组，一一对应。
基于以下规则对怠速片段及运动片段进行筛选：
怠速片段时长最小值不得低于5s，最大值不得高于300s；运动片段时长最小值不得低于10s；运动片段最大车速不得高于120km/h；运动片段最大加速度不得高于6.0m/s2；运动片段最大减速度不得低于-6.0m/s2；其中加减速度计算公式如下所示：
Figure BDA0003601822180000161
其中ai的单位为m/s2，vi+1和vi-1的单位为km/h，运动片段首末时刻加减速度值均记为0m/s2。
将不符合条件的怠速片段和运动片段进行剔除。剔除运动片段时，需同时剔除与其对应的怠速片段，剔除怠速片段时，需同时剔除与其对应的运动片段。将筛选后所得到的发动机扭矩和转速怠速片段及运动片段汇总形成片段总库，并计算怠速片段的总时长以及运动片段总时长，得到怠速时长占比为21.64％，记作怠速比例。
运动片段聚类：
逐一计算步骤S1中的所述片段总库中各运动片段的特征参数，包括：平均扭矩、平均转速、平均扭矩正变化率、平均扭矩负变化率、平均转速正变化率和平均转速负变化率；
其中各特征参数的计算公式如下所示：
平均扭矩：
Figure BDA0003601822180000171
平均转速：
Figure BDA0003601822180000172
平均扭矩正变化率：
Figure BDA0003601822180000173
平均扭矩负变化率：
Figure BDA0003601822180000174
Figure BDA0003601822180000175
平均转速正变化率：
Figure BDA0003601822180000176
平均转速负变化率：
Figure BDA0003601822180000177
其中扭矩正负变化率及转速正负变化率计算公式如下：
Figure BDA0003601822180000178
其中Ti’的单位为N·m/s，ni’的单位为r/s2，Ti+1和Ti-1的单位为N·m，ni+1和ni-1的单位为r/s，运动片段首末时刻扭矩正负变化率和转速正负变化率均分别记为0N·m/s和0r/s2。
基于因子分析法对特征参数进行降维处理，首先对各特征参数进行无量纲标准化处理，随后计算各特征参数的相关系数矩阵及其特征值和特征向量，最终得到各因子特征值λi，并计算各因子的贡献度Di。
对各特征参数进行无量纲标准化处理，其他特征参数相同：
Figure BDA0003601822180000179
Figure BDA00036018221800001710
相关系数矩阵C为：
Figure BDA00036018221800001711
其中cov计算公式为：
Figure BDA0003601822180000181
利用矩阵的知识，求协方差矩阵C的特征值λ和相对应的特征向量u(每一个特征值对应一个特征向量)：Cu＝λu；根据特征值计算贡献度：
Figure BDA0003601822180000182
Figure BDA0003601822180000183
将各因子按照贡献率从高到低排序，并依次选取，直至累计贡献率达90％以上，如图1所示。因子1、2、3的累计贡献率为91.23％，故选择因子1、2、3作为主成分因子。
计算片段总库中各运动片段的主成分因子特征值，如表1所示：
表1运动片段的主成分因子数值求解
主成分因子1 主成分因子2 主成分因子3
运动片段1 -0.81 1.22 -0.17
运动片段2 0.56 0.15 -0.41
... ... ... ...
运动片段k -1.44 -0.61 0.02
采用模糊聚类方法对所获得的因子特征值进行聚类分析，步骤如下：
将数据集Xmn划分为k类，聚类中心为cl(l＝1,2,···，k)，则数据点xi与某个聚类中心cl的隶属度为uil，则目标函数和约束条件为：目标函数
Figure BDA0003601822180000184
约束条件
Figure BDA0003601822180000185
式中w为隶属度uil的指数权重因子。
采用拉格朗日乘数法及其他数学运算方法，参照下式求解uil和cl的值：
Figure BDA0003601822180000186
多次迭代后，直到I达到最小值，得到隶属度uil。根据各运动片段对不同聚类的隶属度系数确定片段属于的类别，完成聚类。最终形成3个运动片段子库，并计算各运动片段子库的特征参数平均值及比例系数，如表2所示：
表2各运动片段子库的特征参数平均值及比例系数
Figure BDA0003601822180000191
发动机工况构建：
首先给定运动片段子库1的工况时长，设定为3600s，则根据各运动片段子库之间的比例系数，运动片段子库2和运动片段子库3的工况时长分别为12118s和3922s。从各运动片段子库中随机挑选运动片段依次进行连接构建发动机工况，每个片段子库构建50条发动机工况。运动片段子库1发动机工况构建过程如图2所示，图中1表示转速，2表示扭矩。
分别计算各运动片段子库中的每条发动机工况的特征参数(包括：平均扭矩、平均转速、平均扭矩正变化率、平均扭矩负变化率、平均转速正变化率和平均转速负变化率)，得出每条工况的特征参数与运动片段子库特征参数的相对偏差，如表3所示。
表3每条工况的特征参数与运动片段子库特征参数的相对偏差
Figure BDA0003601822180000192
Figure BDA0003601822180000201
根据相对偏差值，在每个运动片段子库中挑选以上6个特征值相对偏差均小于等于5％的发动机工况，作为符合条件的发动机工况，例如表3中运动片段子库1中的序号1工况以及运动片段子库3中的序号2工况均是符合条件的发动机工况，多条符合条件的发动机工况形成对应的发动机工况子库，即发动机工况子库1、发动机工况子库2和发动机工况子库3。
发动机工况单循环样本生成：
从形成的发动机工况子库中采用不放回抽取的方法，按发动机工况子库顺序依次随机抽取发动机工况，并依次进行连接，直至任意发动机子库中无剩余工况可抽取后停止。
其中发动机工况子库1、发动机工况子库2和发动机工况子库3(即图3中的A、B、C)中符合条件的发动机工况个数分别为3、4、6。则分别从发动机工况子库1、发动机工况子库2和发动机工况子库3中依次不放回抽取1条工况，并按顺序收尾相接，共计抽取3次，并将3条工况按顺序再次收尾相连，形成新发动机工况，如图3所示，图中1表示转速，2表示扭矩。
计算连接后形成的新发动机工况总时长，为58920s，结合上述计算得到的怠速比例21.64％，计算出怠速工况总时长为16271s，新发动机工况中共计603个运动片段，将怠速片段平均插入到新发动机工况各运动片段之间，共计插入604个，平均时长为27s，最终生成发动机工况单循环样本，如图4所示，图中1表示转速，2表示扭矩。
剔除发动机单循环样本中的怠速工况点后，以工况点出现的最小转速和最大转速为边界，分别为758rpm和5425rpm，圆整后为750rpm和5450rpm，根据概率均等原理，按转速分为5个区间，分别为[750,1250)、[1250,1750)、[1750,2050)、[2050,2400)和[2400,5450)rpm；再以每个转速区间出现的最小扭矩和最大扭矩为边界，如转速区间[750,1250)rpm的最小扭矩和最大扭矩分别为-11.8N·m和122.8N·m，圆整后为-12N·m和123N·m，根据概率均等原理，按扭矩将每个转速区间再分为5个区间，分别为[-12,-4)、[-4,13)、[13,39)、[39,47)和[47,123)N·m，并同理对剩余4个转速区间进行划分，最终划分形成25个发动机工况区间，如图5所示。
分别计算25个发动机工况区间内所有工况点的扭矩平均值和转速平均值，进行圆整后作为各区间的发动机特征工况点，如表4所示。该区间内所有工况点均被视为该特征工况点，根据此原则对发动机工况单循环样本进行简化，如图6所示，图中1表示转速，2表示扭矩。
表4各区间的发动机特征工况点
Figure BDA0003601822180000211
Figure BDA0003601822180000221
缸套-活塞环磨损模型构建：
通过发动机台架试验，分别对25个发动机特征工况点及怠速工况点进行缸压测量，其中特征工况点1(-10N·m～1100rpm)的缸压曲线如图7所示。
结合流体力学模型，计算各特征工况点及怠速工况点在完整循环下，接触速度、接触压力以及最小油膜厚度的变化情况，如图8所示。
计算每个特征工况点及怠速工况点在临界润滑状态下的平均接触速度及接触压力，其中临界润滑状态为最小油膜厚度小于等于综合粗糙度(综合粗糙度为缸套和活塞环的表面粗糙度的平方和再开方)的状态，图9中阴影部分即为特征工况点1的临界润滑状态，其平均接触速度及接触压力分别为1.47m/s和23.22N。分别计算25个特征工况点以及怠速工况接触速度及接触压力，并以此为边界条件进行缸套-活塞环磨损试验，获得各工况点的磨损系数。
为计算任意接触速度和压力下的磨损系数，采用多变量高次线性回归方法拟合缸套-活塞环接触速度及接触压力与磨损系数之间的关系方程，如下式所示：K＝aU3+bF3+cU2F+dUF2+eU2+fF2+gUF+hU+iF+j，其中，U为接触速度，F为接触压力，a、b、c、d、e、f、j、h、i和j均为拟合参数，分别为：-3.9641×10-15、-1.4111×10-9、-1.5498×10-13、2.3353×10-11、4.1303×10-12、1.8275×10-8、-1.8748×10-10、-3.6073×10-10、-7.1145×10-8和1.3143×10-7。
基于Archard理论构建缸套-活塞环磨损模型，如下式所示：
Figure BDA0003601822180000231
其中为K为磨损系数；ρ为缸套所用材料密度，kg/m3；P为接触压力，N；H为缸套材料硬度，Pa；L为滑动距离，m。
发动机全寿命周期磨损谱生成：
利用构建的缸套-活塞环磨损模型，计算每个特征工况点完整循环在临界润滑下的总磨损量，如下式所示：
Figure BDA0003601822180000232
其中C1为进入临界润滑状态的曲轴转角，C2为离开临界润滑状态的曲轴转角，Ki为曲轴转角i下的磨损系数，Pi为曲轴转角i下的接触压力，Li为曲轴转角i与曲轴转角1+1之间活塞环滑动的距离。以特征工况点1为例，其完整循环在临界润滑下的总磨损量为1.04×10-6mg。
根据发动机转速，计算每个特征循环每秒的循环次数，进而得到每个特征工况点的磨损率。以特征工况点1为例，1s内可完成9.17个完整循环，则特征工况点1下的磨损速率为9.54×10-6mg/s。
根据各特征工况点的磨损速率，基于发动机工况单循环样本中的逐秒扭矩和转速所对应的磨损速率，计算得到随时间变化的发动机磨损量变化，即发动机单循环磨损谱，如图10所示。
基于发动机全寿命里程数，外推获得发动机全寿命周期磨损谱；假定发动机全寿命里程数为300000公里，单循环样本的总里程数为437.85公里，则外推系数为300000/437.85＝685.17，圆整后为685。将发动机单循环磨损谱重复685次，最终得到的发动机全寿命周期磨损谱。
发动机可靠性工况生成：
对所获得的发动机全寿命周期磨损谱进行积分计算，最终得到发动机全寿命周期磨损量为4021.53mg。根据发动机最大扭矩点和最大功率点构建发动机交变工况，如图11所示，分别测得以上两个发动机工况点的缸压，并计算出临界润滑状态下的接触速度及接触压力，利用缸套-活塞环磨损模型，计算最大扭矩和最大功率工况点的磨损速率，两工况交变过程中的磨损速率采用线性插分的方法获得，最终计算得出完整交变循环的磨损量为1.24mg；按照磨损等效原理，根据发动机全寿命周期磨损量以及交变循环磨损量，最终确定交变次数为3243次，从而将图12中的发动机交变工况循环3243次即得到发动机可靠性工况，总时长为540.5小时。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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 (10)

1.一种基于行驶数据的发动机工况开发方法，其特征在于：包括以下步骤：
S1、对发动机扭矩和转速数据进行预处理，得到发动机的怠速片段和运动片段，将怠速片段和运动片段汇总形成片段总库，并计算怠速比例；
S2、逐一计算步骤S1中的所述片段总库中各运动片段的特征参数，基于因子分析法确定各运动片段的主成分因子，采用模糊聚类方法对各运动片段进行聚类，形成多个运动片段子库，并计算各运动片段子库的特征参数平均值及比例系数；
S3、根据步骤S2中得到的比例系数，确定各运动片段子库的发动机工况时长，并从中随机挑选运动片段构建对应的发动机工况，分别计算各运动片段子库中的每条发动机工况的特征参数，选择各特征参数相对偏差均小于等于5％的发动机工况形成对应的发动机工况子库；
S4、从步骤S3中形成的各发动机工况子库中抽取发动机工况，依次进行连接后，再按步骤S1中的怠速比例添加怠速片段后，生成发动机工况单循环样本，提取发动机特征工况点对原单循环样本进行简化，得到简化后的发动机工况单循环样本；
S5、对步骤S4中获得的发动机特征工况点及怠速工况点进行缸压测量，计算各工况点在完整循环下的缸套-活塞环接触速度、接触压力以及最小油膜厚度的变化情况；并进行摩擦磨损试验以获得磨损系数；根据测量结果拟合缸套-活塞环接触速度及接触压力与磨损系数之间的关系方程，构建缸套-活塞环磨损模型；
S6、利用步骤S5中构建的缸套-活塞环磨损模型，根据步骤S4中所生成的发动机工况单循环样本计算得到发动机工况单循环磨损谱，再基于发动机全寿命周期里程数，外推生成发动机全寿命周期磨损谱；
S7、对步骤S6中获得的发动机全寿命周期磨损谱进行积分计算，得到发动机全寿命周期缸套-活塞环的磨损量，构建发动机可靠性工况。
2.根据权利要求1所述的一种基于行驶数据的发动机工况开发方法，其特征在于：在步骤S1中的所述发动机扭矩和转速数据预处理包括以下步骤：
S11、根据行驶数据中的车速对发动机扭矩和转速数据进行片段切割，切割成怠速片段和运动片段一一对应的组合形式；
S12、基于怠速片段时长及运动片段车速、加速度、减速度和时长，对步骤S11中得到的怠速片段及运动片段进行清洗，剔除不符合条件的怠速片段和运动片段；
S13、将步骤S12中筛选后所得到的发动机怠速片段及运动片段汇总形成片段总库，并计算怠速片段的时长占比，怠速片段的时长占比为怠速比例。
3.根据权利要求1所述的一种基于行驶数据的发动机工况开发方法，其特征在于：在步骤S2中的所述运动片段聚类包括以下步骤：
S21、逐一计算步骤S1中的所述片段总库中各运动片段的特征参数；
S22、基于因子分析法对特征参数进行降维处理，将各因子按照贡献率从高到低排序，并依次选取因子，直至累计贡献率达90％以上，将选取的因子定义为主成分因子，并计算片段总库中各运动片段的主成分因子数值；
S23、根据步骤S22中计算得到的各运动片段的主成分因子数值，采用模糊聚类算法，将运动片段聚类成3-5类，形成对应的运动片段子库；
S24、计算各运动片段子库中所有片段的特征参数平均值，作为该片段子库的特征参数，计算各运动片段子库中所有运动片段的总时长，得到各运动片段子库的比例系数。
4.根据权利要求1所述的一种基于行驶数据的发动机工况开发方法，其特征在于：在步骤S3中的所述发动机工况子库的构建包括以下步骤：
S31、根据步骤S2中得到的运动片段子库的比例系数确定各运动片段子库中发动机工况的持续时长，并从各运动片段子库中随机挑选运动片段依次进行连接构建对应的发动机工况；
S32、分别计算各运动片段子库中的每条发动机工况的特征参数，得出每条发动机工况的特征参数与运动片段子库特征参数的相对偏差，并挑选各特征参数相对偏差值均小于等于5％的发动机工况形成对应的发动机工况子库。
5.根据权利要求1所述的一种基于行驶数据的发动机工况开发方法，其特征在于：在步骤S4中的所述发动机工况单循环样本生成包括以下步骤：
S41、从步骤S3中形成的发动机工况子库中采用不放回抽取的方法，按发动机工况子库顺序依次随机抽取发动机工况，并依次进行连接，直至任意发动机子库中无剩余工况可抽取后停止；
S42、通过计算连接后形成的新发动机工况总时长，结合步骤S1中所得到的怠速比例，计算出怠速工况总时长，将怠速片段平均插入到新发动机工况各运动片段之间，生成发动机工况单循环样本；
S43、剔除发动机单循环样本中的怠速工况点后，以工况点出现的最小转速和最大转速为边界，根据概率均等原理，将转速分为5个转速区间；再以每个转速区间出现的最小扭矩和最大扭矩为边界，根据概率均等原理，按扭矩将每个转速区间再分为5个发动机工况区间，最终划分形成25个发动机工况区间；
S44、分别计算25个发动机工况区间内所有工况点的扭矩平均值和转速平均值，进行圆整后作为各区间的发动机特征工况点，据此对发动机工况单循环样本进行简化。
6.根据权利要求1所述的一种基于行驶数据的发动机工况开发方法，其特征在于：在步骤S5中的所述缸套-活塞环磨损模型构建包括以下步骤：
S51、通过发动机台架试验，分别对步骤S4中所得到发动机特征工况点及怠速工况点进行缸压测量，结合流体力学模型，计算各特征工况点及怠速工况点在完整循环下缸套-活塞环接触速度、接触压力以及最小油膜厚度的变化情况；
S52、计算每个特征工况点及怠速工况点在临界润滑状态下的平均接触速度及接触压力，并以此为边界条件进行缸套-活塞环磨损试验，获得各工况点的磨损系数，采用多变量高次线性回归方法拟合缸套-活塞环接触速度及接触压力与磨损系数之间的关系方程，并基于Archard理论构建缸套-活塞环磨损模型。
7.根据权利要求1所述的一种基于行驶数据的发动机工况开发方法，其特征在于：在步骤S6中的所述发动机全寿命周期磨损谱生成包括以下步骤：
S61、利用步骤S5中构建的缸套-活塞环磨损模型，计算每个特征工况点完整循环在临界润滑下的总磨损量，根据发动机转速，计算每个特征循环每秒的循环次数，进而得到每个特征工况点的磨损速率；
S62、根据各特征工况点的磨损速率，根据步骤S4中所生成的发动机工况单循环样本，计算得到随时间变化的发动机磨损量变化，生成发动机单循环磨损谱；
S63、基于发动机全寿命周期里程数，外推获得发动机全寿命周期磨损谱。
8.根据权利要求1所述的一种基于行驶数据的发动机工况开发方法，其特征在于：在步骤S7中的所述发动机可靠性工况的生成包括以下步骤：
S71、基于步骤S6中获得的发动机全寿命周期磨损谱，计算发动机全寿命周期磨损量；
S72、基于发动机最大扭矩点和最大功率点构建交变循环，基于步骤S5测得发动机最大扭矩点和最大功率点的缸压，并计算出临界润滑状态下的接触速度及接触压力，利用缸套-活塞环磨损模型，计算最大扭矩和最大功率工况点的磨损速率，进而计算交变循环的磨损量；
S73、按照磨损等效原理，根据发动机全寿命周期磨损量以及交变循环磨损量，最终确定交变次数，从而构建发动机可靠性工况。
9.一种基于行驶数据的发动机工况开发装置，采用权利要求1至8任一所述的一种基于行驶数据的发动机工况开发方法，其特征在于：包括数据预处理模块、运动片段聚类模块、发动机工况子库构建模块、发动机工况单循环样本生成模块、缸套-活塞环磨损模型构建模块、全寿命周期磨损谱生成模块、发动机可靠性工况构建模块和电子设备，所述数据预处理模块、运动片段聚类模块、发动机工况子库构建模块、发动机工况单循环样本生成模块、缸套-活塞环磨损模型构建模块、全寿命周期磨损谱生成模块、发动机可靠性工况构建模块之间依次信号连接；
所述数据预处理模块用于对用户行驶过程中的发动机扭矩和转速数据进行预处理，形成片段总库，并计算怠速比例；所述运动片段聚类模块用于通过因子分析法及模糊聚类法将片段总库中的运动片段进行分类，形成运动片段子库，并计算各运动片段子库的特征参数平均值及比例系数；所述发动机工况子库构建模块用于从运动片段子库中挑选片段构建发动机工况，并筛选出符合条件的发动机工况形成发动机工况子库；所述发动机工况单循环样本生成模块用于生成发动机单循环样本，并通过提取特征工况点对发动机单循环样本进行简化；所述缸套-活塞环磨损模型构建模块用于拟合不同特征工况点的磨损系数，构建缸套-活塞环磨损模型；所述全寿命周期磨损谱生成模块用于生成发动机单循环磨损谱，并根据发动机全寿命周期里程数外推获得发动机全寿命周期磨损谱；所述发动机可靠性工况构建模块用于计算发动机全寿命周期缸套-活塞环的磨损量，并按照磨损等效原理，构建发动机可靠性工况；
所述数据预处理模块、运动片段聚类模块、发动机工况子库构建模块、发动机工况单循环样本生成模块、缸套-活塞环磨损模型构建模块、全寿命周期磨损谱生成模块、发动机可靠性工况构建模块均信号连接至电子设备。
10.根据权利要求9所述的一种基于行驶数据的发动机工况开发装置，其特征在于：所述电子设备包括处理器和存储器，存储器通信连接至处理器，存储器用于存储处理器执行的指令。
CN202210404735.5A 2022-04-18 2022-04-18 一种基于行驶数据的发动机工况开发方法及开发装置 Pending CN114912190A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210404735.5A CN114912190A (zh) 2022-04-18 2022-04-18 一种基于行驶数据的发动机工况开发方法及开发装置
JP2022126071A JP7379611B2 (ja) 2022-04-18 2022-08-08 走行データに基づくエンジン動作の開発方法及び開発装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210404735.5A CN114912190A (zh) 2022-04-18 2022-04-18 一种基于行驶数据的发动机工况开发方法及开发装置

Publications (1)

Publication Number Publication Date
CN114912190A true CN114912190A (zh) 2022-08-16

Family

ID=82763961

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210404735.5A Pending CN114912190A (zh) 2022-04-18 2022-04-18 一种基于行驶数据的发动机工况开发方法及开发装置

Country Status (2)

Country Link
JP (1) JP7379611B2 (zh)
CN (1) CN114912190A (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018157025A1 (en) 2017-02-27 2018-08-30 Cummins Inc. Tool to predict engine life using ring wear and fuel burned
US20190056291A1 (en) 2017-08-18 2019-02-21 General Electric Company System and method for piston ring prognostic
CN107451379A (zh) 2017-09-08 2017-12-08 太仓贝岭思拓软件科技有限公司 一种根据汽车实时数据进行配件磨损预测的方法
DE102018104661B4 (de) 2018-03-01 2020-01-16 Mtu Friedrichshafen Gmbh Verfahren zur Berechnung der Restlaufzeit eines Bauteils einer Brennkraftmaschine, sowie Steuereinrichtung und Brennkraftmaschine hierfür

Also Published As

Publication number Publication date
JP7379611B2 (ja) 2023-11-14
JP2023158615A (ja) 2023-10-30

Similar Documents

Publication Publication Date Title
CN108334059A (zh) 基于粒子群算法优化bp神经网络模型故障诊断方法
CN106677763B (zh) 一种基于动态集成建模的油井动液面预测方法
CN108376286A (zh) 一种设备故障诊断装置及系统
CN105488297A (zh) 一种基于小样本建立复杂产品优化设计代理模型的方法
CN108734266A (zh) 深度神经网络模型的压缩方法及装置、终端、存储介质
CN110333991B (zh) 云平台任务最大资源使用率预测方法
CN112372371B (zh) 数控机床刀具磨损状态评估方法
JP6677575B2 (ja) 回転機械の運転状態を診断する診断装置及び診断方法
CN106022352A (zh) 基于支持向量机的潜油柱塞泵故障诊断方法
CN115375026A (zh) 一种多故障模式下的航空发动机寿命预测方法
CN114722641A (zh) 一种检测实验室的润滑油状态信息集成评估方法及系统
CN114912190A (zh) 一种基于行驶数据的发动机工况开发方法及开发装置
CN111695288A (zh) 一种基于Apriori-BP算法的变压器故障诊断方法
JP7315733B2 (ja) 新製品の販売量の予測方法
CN116342288A (zh) 面向储能集群调频交易的物联网信任度分析方法及系统
CN107083951B (zh) 油气井监测方法和装置
CN108170974A (zh) 一种抽油机井系统效率寿命分析方法
CN106777692B (zh) 一种增压器涡轮与叶轮bx寿命预测方法
CN111832731B (zh) 一种多指标监测的油液不确定状态表征及故障诊断的方法
CN114706902A (zh) 一种基于知识图谱的减速机数据共享方法
CN114136390A (zh) 一种包含道路坡度的汽车行驶工况开发装置及开发方法
CN113495800A (zh) 基于扩展多属性决策的诊断预测数据和特征再认知方法
CN113112166A (zh) 基于灰色模糊层次分析的设备状态变量选择方法及设备
CN116227999B (zh) 市场监管软件运维服务质量评价指标定量测算系统及方法
CN113035363B (zh) 一种概率密度加权的遗传代谢病筛查数据混合采样方法

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