CN115310509A - 一种发动机中冷器故障预测方法、装置及存储介质 - Google Patents

Abstract

本申请涉及一种发动机中冷器故障预测方法、装置及存储介质，方法包括采集车辆的发动机数据，发动机数据包括增压压力、发动机转速、车速、发动机进气量、循环喷油量、中冷器前进气温度、中冷后进气温度以及中冷后混合进气压力；对采集到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核主成分分析方法，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；构建梯度提升树算法模型，并利用训练集对梯度提升树算法模型进行训练，训练完成后得到中冷器故障预测模型；利用中冷器故障预测模型对输入的新发动机数据进行预测，得到中冷器的冷却效率预测值。

Description

一种发动机中冷器故障预测方法、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中冷器故障预测方法、装置及存储介质。

背景技术

中冷器是柴油机空气系统的重要部件，其性能的优劣直接影响柴油机的燃烧状态，并影响柴油机的经济性和动力性。试验表明，增压空气温度每降低10℃，柴油机功率可提高2％～3％。比如柴油机功率保持不变，可使燃油消耗率降低1.5％，并使最高燃烧温度下降20～30℃

排气温度也有较大幅度的降低。因此，对中冷器及时进行检测和故障诊断使其始终在良好的技术状态下工作，对保持柴油发动机良好的工作性能具有重要意义。

目前，中冷器故障检测仪器功能比较单一、适应性较差。对发动机的多个参数进行测量时就要设计多种测试仪器造成人力、物力的浪费。另外，要求仪器设计人员不但要有发动机方面的专业技术，而且还要具备良好的微机软、硬件方面的技能，才能在内燃机检测仪器开发中得心应手，这就限制了中冷器故障检测仪器的发展和提高，使其不能很好的检测在中冷器故障。

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中冷器故障预测方法、装置及存储介质。

第一方面，本申请提供了一种发动机中冷器故障预测方法，包括：

采集车辆的发动机数据，所述发动机数据包括增压压力、发动机转速、车速、发动机进气量、循环喷油量、中冷器前进气温度、中冷后进气温度以及中冷后混合进气压力；

对采集到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；

对预处理后的数据采用KPCA核主成分分析方法，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，并根据特征值大小，筛选得到若干个目标特征向量；

构建梯度提升树算法模型，并利用所述训练集对所述梯度提升树算法模型进行训练，训练完成后得到中冷器故障预测模型；

利用所述中冷器故障预测模型对输入的新发动机数据进行预测，得到中冷器的冷却效率预测值。

在此方案中，构建梯度提升树算法模型，并利用所述训练集对所述梯度提升树算法模型进行训练，梯度提升树算法模型将上一次的预测结果带入梯度中求出本轮的训练数据。

可选的，所述对采集到的所述发动机数据进行预处理，具体包括：

将所述发动机数据按时间先后进行排序；

使用isnan函数确定所述发动机数据中是否含有空值，并删除含有空值的发动机数据；

采用数据归一化函数进行归一化处理；

选取预设工况下的发动机数据。

可选的，所述发动机中冷器故障预测方法还包括：对所述特征值和所述特征向量再次利用KPCA主成分分析方法进行二次筛选。

在此方案中，对所述特征值和所述特征向量再次利用KPCA主成分分析方法进行二次筛选，这样就让数据的输入字段与目标预测的关联度更高。

可选的，所述构建梯度提升树算法模型，具体包括：

构建损失函数，所述损失函数为最小均方误差，所述损失函数的定义域为所有可行的基函数；

迭代的利用所述损失函数的负梯度在前项模型的值作为当前提升树算法中残差的近似值，来拟合回归树，目标是最小化均方误差。

在此方案中，随着误差损失值的降低，不断拟合回归树。

第二方面，本申请还提供了一种发动机中冷器故障预测装置，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中任一技术方案所述的发动机中冷器故障预测方法。

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中冷器故障预测方法。

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：该方法，通过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中冷器状况，以判断是否出现故障。当驾驶员看到预测的车辆的冷却效率超过了某个标准正常的冷却效率阈值，而且持续超过这个阈值，就可以提前在方便的时候对车辆检测维修，防止车辆在高速行驶过程中由于中冷器故障而发生的发动机故障。

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中冷器故障预测方法的流程示意图；

图2为发动机中冷器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中冷器故障预测方法进行详细介绍，参见图1，一种发动机中冷器故障预测方法，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增压压力、发动机转速、车速、发动机进气量、循环喷油量、中冷器前进气温度、中冷后进气温度以及中冷后混合进气压力；

步骤S2，对采集到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，对预处理后的数据采用KPCA核主成分分析方法，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，根据特征值大小，筛选得到若干个目标特征向量；

步骤S4，构建梯度提升树算法模型，并利用所述训练集对所述梯度提升树算法模型进行训练，训练完成后得到中冷器故障预测模型；

步骤S5，利用所述中冷器故障预测模型对输入的新发动机数据进行预测，得到中冷器的冷却效率预测值。

在本申请的一些具体实施例中，所述对采集到的所述发动机数据进行预处理，具体包括：

将所述发动机数据按时间先后进行排序；

使用isnan函数确定所述发动机数据中是否含有空值，并删除含有空值的发动机数据；

采用数据归一化函数进行归一化处理；

选取预设工况下的发动机数据。

在本申请的一些具体实施例中，所述发动机中冷器故障预测方法还包括：对所述特征值和所述特征向量再次利用KPCA主成分分析方法进行二次筛选。

在本申请的一些具体实施例中，所述构建梯度提升树算法模型，具体包括：

构建损失函数，所述损失函数为最小均方误差，所述损失函数的定义域为所有可行的基函数；

迭代的利用所述损失函数的负梯度在前项模型的值作为当前提升树算法中残差的近似值，来拟合回归树，目标是最小化均方误差。

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中冷器故障预测装置，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中任一技术方案所述的发动机中冷器故障预测方法。

在本申请的又一些具体实施例中，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中冷器故障预测方法。

该发动机中冷器故障预测方法通过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中冷器状况，以判断是否出现故障。

为了便于理解，该发动机中冷器故障预测方法的具体实现可以包括如下步骤：

步骤101，采集车辆的发动机数据，采集数据频率为256Hz。

步骤102，持续采集发动机的增压压力、发动机转速、车速、发动机进气量、循环喷油量、中冷器前进气温度、中冷后进气温度、中冷后混合进气压力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，将时间转化为秒后进行排序、对所有特征使用isnan函数判空并去删除含有空值的行、采用数据归一化函数对数据特征进行归一化，并选取发动机转速大于850与小于1800、车速大于30、水温大于79度和小于91度的这一工况下的发动机数据。

步骤104，将数据集划分为训练集和测试集，训练集和测试集的比例为8比2。

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，选择使用梯度提升树算法模型，将训练集的特征值和目标值投入模型进行训练，首先给出损失函数，它的定义域是所有可行的基函数，通过迭代的利用损失函数的负梯度在前项模型的值作为当前提升树算法中残差的近似值，来拟合回归树，目标是最小化均方误差。

步骤107，训练结束后在测试集验证，预测的冷却效率误差小于5％。

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 (6)

1.一种发动机中冷器故障预测方法，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增压压力、发动机转速、车速、发动机进气量、循环喷油量、中冷器前进气温度、中冷后进气温度以及中冷后混合进气压力；

对采集到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；

对预处理后的数据进行采用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，并根据特征值大小，筛选得到若干个目标特征向量；

构建梯度提升树算法模型，并利用所述训练集对所述梯度提升树算法模型进行训练，训练完成后得到中冷器故障预测模型；

利用所述中冷器故障预测模型对输入的新发动机数据进行预测，得到中冷器的冷却效率预测值。

2.根据权利要求1所述的发动机中冷器故障预测方法，其特征在于，所述对采集到的所述发动机数据进行预处理，具体包括：

将所述发动机数据按时间先后进行排序；

使用isnan函数确定所述发动机数据中是否含有空值，并删除含有空值的发动机数据；

采用数据归一化函数进行归一化处理；

选取预设工况下的发动机数据。

3.根据权利要求1所述的发动机中冷器故障预测方法，其特征在于，还包括：对所述特征值和所述特征向量再次利用KPCA主成分分析方法进行二次筛选。

4.根据权利要求1所述的发动机中冷器故障预测方法，其特征在于，所述构建梯度提升树算法模型，具体包括：

构建损失函数，所述损失函数为最小均方误差，所述损失函数的定义域为所有可行的基函数；

迭代的利用所述损失函数的负梯度在前项模型的值作为当前提升树算法中残差的近似值，来拟合回归树，目标是最小化均方误差。

5.一种发动机中冷器故障预测装置，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4中任一项所述的发动机中冷器故障预测方法。

6.一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4中任一项所述的发动机中冷器故障预测方法。

Images