CN115186581A - 一种发动机水温故障预测方法、装置及存储介质 - Google Patents

一种发动机水温故障预测方法、装置及存储介质 Download PDF

Info

Publication number
CN115186581A
CN115186581A CN202210760232.1A CN202210760232A CN115186581A CN 115186581 A CN115186581 A CN 115186581A CN 202210760232 A CN202210760232 A CN 202210760232A CN 115186581 A CN115186581 A CN 115186581A
Authority
CN
China
Prior art keywords
engine
water temperature
fault prediction
data
temperature fault
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
CN202210760232.1A
Other languages
English (en)
Inventor
闫方超
李正涛
任进
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.)
Tianjin Bool Technology Co ltd
Original Assignee
Tianjin Bool Technology 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 Tianjin Bool Technology Co ltd filed Critical Tianjin Bool Technology Co ltd
Priority to CN202210760232.1A priority Critical patent/CN115186581A/zh
Publication of CN115186581A publication Critical patent/CN115186581A/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]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F2119/08—Thermal analysis or thermal optimisation
    • 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)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

本申请涉及一种发动机水温故障预测方法、装置及存储介质，方法包括：采集车辆的发动机数据；对采集的发动机数据进行预处理，并将预处理后的数据划分为训练集和测试集；采用KPCA方法对所述预处理后的数据和所述发动机数据分别进行降维处理，得到成对样本，并计算成对样本之间的欧式距离；基于欧氏距离构建核矩阵；基于中心化后的核矩阵计算得到训练集的特征值和特征向量；对特征向量进行二次筛选得到筛选特征值；构建基于深度森林算法的水温故障预测模型，并利用筛选出的训练集的筛选特征值以及筛选特征值对应的目标值对水温故障预测模型进行训练，基于训练好的水温故障预测模型对输入的新发动机数据进行预测，得到发动机的模型预测水温值。

Description

一种发动机水温故障预测方法、装置及存储介质
技术领域
本申请涉及发动机故障检测技术领域，尤其涉及一种发动机水温故障预测方法、装置及存储介质。
背景技术
汽车在行驶过程中会产生热量，冷却系统通过对发动机热量调节，使其在正常温度下进行工作。温度过高会影响发动机零部件寿命，并导致动力下降。水温信息是发动机的一个重要状态指标，关系着发动机的油耗、功率、工作稳定性。
目前，发动机水温故障主要利用带有指示灯的电子元件或者利用电脑诊断仪进行检测，检测方式比较单一，适应性较差，容易受大灯或空调等用电设备影响，在打开用电设备的时候，容易出现仪表显示假高温状态，比如当发动机水温在90℃左右，打开大灯和空调时出现了水温显示升高3-6℃不等的情况。当大灯或空调等用电设备关闭后，挖掘机仪表显示温度会瞬间下降之前状态。水温显示不准确，容易给用户带来很大的困扰。当发动机真正处于高温时，还以为是由于打开大灯和空调带来的干扰造成的影响，所以没有引起重视。发动机在高温的状态下，长时间进行工作，会造成润滑油的烧结，润滑不良，进而发动机的温度会再次升高，最终曲轴和轴瓦温度升高，导致曲轴抱瓦，抑或是活塞的温度升高，导致拉缸等，容易造成巨额的发动机维修费用，重者直接导致发动机的报废。
发明内容
为了解决上述背景技术提到的技术问题或者至少部分地解决上述技术问题，本申请提供一种发动机水温故障预测方法、装置及存储介质。
第一方面，本申请提供了一种发动机水温故障预测方法，包括：
采集车辆的发动机数据，所述发动机数据包括进气量、增压压力、DPF上游温度、EGR出气温度、发动机转速、车速、循环喷油量、机油压力、机油温度以及NOx浓度；
对采集的所述发动机数据进行预处理，并将预处理后的数据划分为训练集和测试集；
采用KPCA方法对所述预处理后的数据和所述发动机数据分别进行降维处理，得到成对样本，计算成对样本之间的欧式距离；
基于所述欧氏距离构建核矩阵，并中心化所述核矩阵；
基于中心化后的核矩阵计算得到所述训练集的特征值和特征向量；
对所述特征向量进行二次筛选，得到筛选特征值；
构建基于深度森林算法的水温故障预测模型，通过多粒度扫描方法，滑动窗口扫描原始特征，并利用筛选出的所述训练集的筛选特征值以及筛选特征值对应的目标值对所述水温故障预测模型进行训练，目标是最小化MAE误差值；
利用所述测试集对所述水温故障预测模型进行测试；
基于训练好的所述水温故障预测模型对输入的新发动机数据进行预测，得到发动机的模型预测水温值。
在此方案中，采集车辆的发动机数据，作为原始数据，对原始数据进行预处理后得到中间数据，利用KPCA方法对预处理后的发动机数据(即中间数据)进行降维处理，利用KPCA对采集到的原始数据进行降维处理，降维后的中间数据和降维后的原始数据一一对应，构成成对样本。
在此方案中，对所述特征向量进行二次筛选，以达到降维的目的。
在此方案中，深度森林由多棵树组成，其中每一层的级联接收前一层处理的特征信息，并将处理结果输出到下一层。
可选的，所述发动机水温故障预测方法还包括：确定所述模型预测水温值在预设时间段内连续大于水温预设值，则输出当前时间为故障时间。
可选的，所述对采集的所述发动机数据进行预处理，具体包括：
对采集的所述发动机数据按时间进行排序、去空值以及数据归一化，并选取发动机转速大于预设转速、车速大于预设速度、发动机扭矩大于预设扭矩的工况下的发动机数据。
可选的，所述对所述特征向量进行二次筛选，具体包括：
将所有的特征向量按特征值大小进行排序，选取排序在前的预设数量个特征向量。
可选的，所述并利用筛选出的所述训练集的筛选特征值以及筛选特征值对应的目标值对所述水温故障预测模型进行训练，具体包括：
采用多粒度扫描方法，滑动窗口扫描所述训练集的特征值和特征向量，将筛选出的所述训练集的筛选特征值以及筛选特征值对应的目标值作为输入特征输入水温故障预测模型进行训练，训练目标为最小化MAE误差值。
第二方面，本申请还提供了一种发动机水温故障预测装置，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的所述程序指令以实现如第一方面任一技术方案所述的发动机水温故障预测方法。
第三方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有程序代码，所述程序代码用于实现如第一方面中任一技术方案所述的发动机水温故障预测方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点：该发动机水温故障预测方法，将实时的发动机故障监控转化为基于机器学习算法的预测，用机器学习的算法模型能够提前通知驾驶员和服务站车辆的水温状况，以判断是否出现故障。
本申请在发动机的数据处理过程中，采用KPCA方法对采集的发动机数据进行降维处理，可大幅压缩无关向量，降低数据计算量，提高发动机水温故障预测速度和准确度。
本申请采用机器学习中的深度森林算法建立发动机水温故障预测模型，并利用训练集经二次筛选出的特征向量作为样本数据进行模型训练，可以运用少量样本数据进行训练，具有训练时间短，计算量小，识别精度高、鲁棒性强的优点。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种发动机水温故障预测方法的流程示意图；
图2为一种发动机水温故障预测装置的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了便于理解，下面对本申请实施例提供的一种发动机水温故障预测方法进行详细介绍，参见图1，一种发动机水温故障预测方法，包括以下步骤：
步骤S1，采集车辆的发动机数据，所述发动机数据包括进气量、增压压力、DPF上游温度、EGR出气温度、发动机转速、车速、循环喷油量、机油压力、机油温度以及NOx浓度；
步骤S2，对采集的所述发动机数据进行预处理，并将预处理后的数据划分为训练集和测试集；
步骤S3，采用KPCA方法对所述预处理后的数据和所述发动机数据分别进行降维处理，得到成对样本，计算成对样本之间的欧式距离；
步骤S4，基于所述欧氏距离构建核矩阵，并对所述核矩阵进行中心化处理；
步骤S5，基于中心化后的核矩阵计算得到特征值和特征向量；
步骤S6，对所述特征向量进行二次筛选；
步骤S7，构建基于深度森林算法的水温故障预测模型，并利用所述训练集对所述水温故障预测模型进行训练，利用所述测试集对所述水温故障预测模型进行测试；
步骤S8，基于训练好的所述水温故障预测模型对输入的新发动机数据进行预测，得到发动机的模型预测水温值。
在本申请的一些具体实施例中，所述发动机水温故障预测方法还包括：确定所述模型预测水温值在预设时间段内连续大于水温预设值，则输出当前时间为故障时间。
在本申请的一些具体实施例中，所述对采集的所述发动机数据进行预处理，具体包括：
对采集的所述发动机数据按时间进行排序、去空值以及数据归一化，并选取发动机转速大于预设转速、车速大于预设速度、发动机扭矩大于预设扭矩的工况下的发动机数据。
在本申请的一些具体实施例中，所述对所述特征向量进行二次筛选，具体包括：
将所有的特征向量按特征值大小进行排序，选取排序在前的预设数量个特征向量。
在本申请的一些具体实施例中，所述并利用筛选出的所述训练集的筛选特征值以及筛选特征值对应的目标值对所述水温故障预测模型进行训练，具体包括：
采用多粒度扫描方法，滑动窗口扫描所述训练集的特征值和特征向量，将筛选出的所述训练集的筛选特征值以及筛选特征值对应的目标值作为输入特征输入水温故障预测模型进行训练，训练目标为最小化MAE误差值。
在本申请的又一些具体实施例中，参见图2，还提供了一种发动机水温故障预测装置，包括：
存储器20，用于存储程序指令；
处理器21，用于调用所述存储器中存储的所述程序指令以实现如第一方面任一技术方案所述的发动机水温故障预测方法。
第三方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有程序代码，所述程序代码用于实现如第一方面中任一技术方案所述的发动机水温故障预测方法。
该发动机水温故障预测方法，将实时的发动机故障监控转化为基于机器学习算法的预测，用机器学习的算法模型能够提前通知驾驶员和服务站车辆的水温状况，以判断是否出现故障。
为了便于理解，下面对发动机水温故障预测方法的原理过程进行说明，具体可以包括以下步骤：
步骤101，采集车辆的发动机数据，采集数据频率能够为1Hz。
步骤102，持续采集发动机的进气量、增压压力、dpf上游温度、egr冷却后气温、发动机转速、车速、循环喷油量、机油压力、机油温度以及后处理前NOx浓度等发动机实时运行参数。
步骤103，对提取到的数据特征进行预处理，主要有按时间进行排序、去空值、数据归一化，并选取发动机转速大于400、车速大于10、发动机扭矩大于0的这一工况下的发动机数据。
步骤104，将预处理后的数据集按照8比2的比例划分为训练集和测试集。
步骤105，对提取到的数据特征进行采用KPCA主成分分析方法，计算成对样本之间的欧氏距离，构成核矩阵，然后中心化核矩阵，计算特征值和特征向量，按特征值大小排序，收集前K个大小的特征向量，以此对特征工程进行二次筛选。
步骤106，通过模型筛选，选择使用机器学习中的深度森林deepforest算法模型，通过多粒度扫描方法，滑动窗口扫描原始特征，将训练集的特征值和目标值作为输入特征输入模型进行训练，目标是最小化MAE误差值。深度森林由多棵树组成，其中每一层的级联接收前一层处理的特征信息，并将处理结果输出到下一层。
步骤107，训练结束后在测试集验证，预测的冷却效率误差百分小于8％。
步骤108，实时输入模型新的发动机数据，如果模型预测的水温值在1分钟内连续大于95度，则输出当前的时间为故障时间，接下来发动机将要出现水温故障。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (7)

1.一种发动机水温故障预测方法，其特征在于，包括：
采集车辆的发动机数据，所述发动机数据包括进气量、增压压力、DPF上游温度、EGR出气温度、发动机转速、车速、循环喷油量、机油压力、机油温度以及NOx浓度；
对采集的所述发动机数据进行预处理，并将预处理后的数据划分为训练集和测试集；
采用KPCA方法对所述预处理后的数据和所述发动机数据分别进行降维处理，得到成对样本，计算成对样本之间的欧式距离；
基于所述欧氏距离构建核矩阵，并中心化所述核矩阵；
基于中心化后的核矩阵计算得到所述训练集的特征值和特征向量；
对所述特征向量进行二次筛选，得到筛选特征值；
构建基于深度森林算法的水温故障预测模型，通过多粒度扫描方法，滑动窗口扫描原始特征，并利用筛选出的所述训练集的筛选特征值以及筛选特征值对应的目标值对所述水温故障预测模型进行训练，目标是最小化MAE误差值；
利用所述测试集对所述水温故障预测模型进行测试；
基于训练好的所述水温故障预测模型对输入的新发动机数据进行预测，得到发动机的模型预测水温值。
2.根据权利要求1所述的发动机水温故障预测方法，其特征在于，还包括：确定所述模型预测水温值在预设时间段内连续大于水温预设值，则输出当前时间为故障时间。
3.根据权利要求1所述的发动机水温故障预测方法，其特征在于，所述对采集的所述发动机数据进行预处理，具体包括：
对采集的所述发动机数据按时间进行排序、去空值以及数据归一化，并选取发动机转速大于预设转速、车速大于预设速度、发动机扭矩大于预设扭矩的工况下的发动机数据。
4.根据权利要求1所述的发动机水温故障预测方法，其特征在于，所述对所述特征向量进行二次筛选，具体包括：
将所有的特征向量按特征值大小进行正序排序，选取排序在前的预设数量个特征向量。
5.根据权利要求1所述的发动机水温故障预测方法，其特征在于，所述并利用筛选出的所述训练集的筛选特征值以及筛选特征值对应的目标值对所述水温故障预测模型进行训练，具体包括：
采用多粒度扫描方法，滑动窗口扫描所述训练集的特征值和特征向量，将筛选出的所述训练集的筛选特征值以及筛选特征值对应的目标值作为输入特征输入水温故障预测模型进行训练。
6.一种发动机水温故障预测装置，其特征在于，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的所述程序指令以实现如权利要求1至5中任一项所述的发动机水温故障预测方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有程序代码，所述程序代码用于实现如权利要求1至5中任一项所述的发动机水温故障预测方法。
CN202210760232.1A 2022-06-29 2022-06-29 一种发动机水温故障预测方法、装置及存储介质 Pending CN115186581A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210760232.1A CN115186581A (zh) 2022-06-29 2022-06-29 一种发动机水温故障预测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210760232.1A CN115186581A (zh) 2022-06-29 2022-06-29 一种发动机水温故障预测方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN115186581A true CN115186581A (zh) 2022-10-14

Family

ID=83514531

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210760232.1A Pending CN115186581A (zh) 2022-06-29 2022-06-29 一种发动机水温故障预测方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN115186581A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115964942A (zh) * 2022-12-19 2023-04-14 广东邦普循环科技有限公司 一种动力电池材料烧制系统加热组件老化预测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115964942A (zh) * 2022-12-19 2023-04-14 广东邦普循环科技有限公司 一种动力电池材料烧制系统加热组件老化预测方法及系统
CN115964942B (zh) * 2022-12-19 2023-12-12 广东邦普循环科技有限公司 一种动力电池材料烧制系统加热组件老化预测方法及系统

Similar Documents

Publication Publication Date Title
CN109164343B (zh) 基于特征信息量化与加权knn的变压器故障诊断方法
CN111444940A (zh) 风机关键部位故障诊断方法
CN114813105A (zh) 一种基于工况相似性评估的齿轮箱故障预警方法及系统
CN115187832A (zh) 一种基于深度学习与格拉姆角场图像的能源系统故障诊断方法
CN116450399B (zh) 微服务系统故障诊断及根因定位方法
CN112729834B (zh) 一种轴承故障的诊断方法、装置和系统
CN115098962A (zh) 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法
CN115186581A (zh) 一种发动机水温故障预测方法、装置及存储介质
CN110569888A (zh) 基于有向无环图支持向量机的变压器故障诊断方法及装置
CN117375237A (zh) 基于数字孪生技术变电站运维方法及系统
CN115374842A (zh) 基于生成对抗网络的机械轴承故障分类方法及系统
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
CN112836967B (zh) 新能源汽车电池安全风险评估系统
CN110826600B (zh) 基于自适应共振网络在线增量学习的发动机喘振预测方法
CN113450827A (zh) 基于压缩神经网络的设备异常工况声纹分析算法
CN116740900A (zh) 一种基于svm的电力施工预警方法及系统
CN109872511B (zh) 一种针对轴向位移突变监测的自适应两级报警方法
Niu et al. A hybrid bearing prognostic method with fault diagnosis and model fusion
CN113704073B (zh) 一种汽车维修记录库异常数据的检测方法
CN115265837A (zh) 一种发动机水温故障预测方法、装置及存储介质
CN115452376A (zh) 基于改进轻量级深度卷积神经网络的轴承故障诊断方法
Wang et al. Adversarial based unsupervised domain adaptation for bearing fault diagnosis
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
CN117574782B (zh) 基于变压器参数判断绕组材质的方法、装置、系统及介质
CN115310509A (zh) 一种发动机中冷器故障预测方法、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